EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 6: 1092 - 1105

DOI: https://doi.org/10.12082/dqxxkx.2021.200517

遥感科学与应用技术

CSD和CDD结合下的最优遥感特征指数集构建及其在湿地信息提取中的应用

  • 赵栋梁 , 1 ,
  • 郭超凡 2 ,
  • 吴东丽 3 ,
  • 高星琪 1 ,
  • 郭逍宇 , 1, *
展开
  • 1.首都师范大学资源环境与旅游学院,北京 100048
  • 2.安阳师范学院资源环境与旅游学院,安阳 455000
  • 3.中国气象局气象探测中心,北京 100081
*郭逍宇（1974— ）,女,山西吕梁人,教授,主要从事湿地生态学研究。E-mail:

赵栋梁（1996— ）,男,山西吕梁人,硕士生,主要事从湿地生态过程研究。E-mail:

收稿日期: 2020-05-17

  要求修回日期: 2020-12-09

  网络出版日期: 2021-08-25

基金资助

北京市自然科学基金和北京市教委联合资助重点项目(KZ20190028042)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Construction of Optimal Remote Sensing Feature Index Set based on CSD and CDD and Its Application in Wetland Information Extraction

  • ZHAO Dongliang , 1 ,
  • GUO Chaofan 2 ,
  • WU Dongli 3 ,
  • GAO Xingqi 1 ,
  • GUO Xiaoyu , 1, *
Expand
  • 1. College of Resource Environment and Tourism, Capital Normal University, Beijing 100048, China
  • 2. School of Resource Environment and Tourism, Anyang Normal University, Anyang 455000, China
  • 3. Meteorological Observation Center of China Meteorological Administration, Beijing 100081, China
*GUO Xiaoyu, E-mail:

Received date: 2020-05-17

  Request revised date: 2020-12-09

  Online published: 2021-08-25

Supported by

Natural Science Foundation of Beijing and Education Commission of Beijing(KZ20190028042)

Copyright

Copyright reserved © 2021
Fold

摘要

依托中分辨率成像光谱仪完整的数据序列和丰富的光谱信息,遥感特征指数在湿地生态系统发展变化的状态、趋向和规律研究方面发挥着不可替代的优势。传统类间距离判别的遥感特征指数选取中常存在过分依赖数据统计特征、入选指数与目标地类间生态学意义不明确、分类模型普适性差等局限性。基于此,本研究以河北省白洋淀湿地自然保护区为例,提出类可分离性距离判别（Class Separation Discrimination,CSD）与类间距离判别（Class Distance Discrimination,CDD）相结合的方法构建最优遥感特征指数集,并采用QUEST算法和马氏距离判别法构建分类决策树模型用于白洋淀湿地信息的提取研究,尝试克服传统类间距离指数选取中的不足。结果表明：运用CSD和CDD相结合的方法所选取的遥感特征指数在研究区湿地信息提取过程中的总体分类精度达到了91.32%,Kappa系数0.88,较传统的分类与回归树（Classification and Regression Tree,CART）方法,分类精度提高了1.67%;其次选取的最优指数与待提取的湿地类型均具有明确的生态学意义,如挺水植物在立地干湿交替条件下的潴育化过程决定了氧化铁比率IO可成功的将混分的耕地和挺水植物进一步分离;进一步将基于研究区2017年OLI影像构建的CSD和CDD相结合方法与CART方法的模型分别应用于研究区2019年OLI影像进行分类,基于CSD和CDD相结合方法构建的模型分类总体精度和Kappa系数分别为：86.97%、0.83,基于CART方法构建的模型无法满足分类需求,研究结果较好地证明了基于CSD和CDD相结合方法构建的模型在年际之间具有良好的适用性和稳定性。总之,CSD和CDD相结合的方法在不降低湿地信息提取精度的基础上,有效避免了传统遥感特征指数选择方法的局限性,提高了分类模型的普适性,是遥感特征指数选择算法和决策树相结合在湿地信息提取方面的有益尝试。

关键词： 遥感特征指数; 马氏距离; QUEST算法; 马氏距离判别法; 湿地; CART算法; CSD; CDD

本文引用格式

赵栋梁 , 郭超凡 , 吴东丽 , 高星琪 , 郭逍宇 . CSD和CDD结合下的最优遥感特征指数集构建及其在湿地信息提取中的应用[J]. 地球信息科学学报, 2021 , 23(6) : 1092 -1105 . DOI: 10.12082/dqxxkx.2021.200517

Abstract

Based on the complete data sequence and abundant spectral information of the moderate resolution imaging spectrometer, remote sensing feature indices play an irreplaceable role in studying the stage, trend, and law of wetland ecosystem development. There are some limitations in selection of remote sensing feature indices for the traditional inter-class distance discrimination, such as over-dependence on statistical characteristics of data, indefiniteness of the inclusion index and the ecological significance of the target area, and poor applicability of the classification model. Based on this, Baiyangdian Wetland Nature Reserve in Hebei Province is selected as the research area. The method of Class Separation Discrimination (CSD) and Class Distance Discrimination (CDD) is proposed to construct the optimal remote sensing feature index. In addition, QUEST algorithm and Markov distance discrimination method are used to construct the classification decision tree model for the Baiyangdian Wetland extraction, which overcomes the shortcomings in the selection of traditional inter-class distance index. The results show that, firstly, the overall classification accuracy of the remote sensing feature index selected by the method combining CSD and CDD reach 91.32% and the kappa coefficient is 0.88 for the wetland information extraction in the study area. Compared with the traditional Classification and Regression Tree (CART) method, the classification accuracy is improved by 1.67%. Secondly, the selected optimal remote sensing feature index has a clear ecological meaning for the type of wetland extracted. For example, the redoxing process of emergent water plants under alternate dry and wet conditions determines that iron oxide index (IO) can be successfully selected to further separate the mixed cultivated land and emergent water plants. Furthermore, according to the OLI image of the study area in 2017, the decision tree model based on the combination of CSD and CDD and the decision tree model based on CART algorithm are applied to the classification of the OLI image in the study area in 2019. The overall classification accuracy and kappa coefficient of the model based on the combination of CSD and CDD are 86.97% and 0.83, respectively. The model based on cart method cannot meet the classification requirements. The research results show that the model based on the combination of CSD and CDD has good applicability and stability over years. In a word, the combination of CSD and CDD can effectively avoid the limitations of traditional remote sensing feature indices, and improve the applicability of classification model. It is a beneficial attempt to combine remote sensing feature index selection algorithm with decision tree in wetland information extraction.

Key words： remote sensing feature index; Markov distance; QUEST algorithm; Markov distance discrimination; wetland; CART algorithm; CSD; CDD

1 引言

遥感光谱指数是比值运算和归一化处理对多光谱数据进行线性或非线性组合,从而在一定程度上消除背景噪声、地形等因素的影响,突出地物光谱特征,达到增强遥感影像解译能力的目的[1]。在遥感特征指数研究中,依托中高分辨率成像光谱仪构成的完整数据序列和长时间序列的光谱信息,形成一系列具有特定生态学意义的植被、土壤、水体及建筑指数,并促进中高分辨影像在湿地生态系统状态、趋向和变化规律研究方等方面长足发展[2,3,4,5,6,7,8]。
决策树分类不仅具有速度快、准确性高、能够处理噪声数据的特点,而且可在有效提高分类精度的前提下构建预测数据的树结构[9]。同时,决策树分类法在处理复杂的多维属性时可有效克服由于地形和地物过于复杂或破碎而引起的精度不高的问题[10]。但决策树法又由于信息增益等属性选择的度量偏向于样本量更多的特征,从而导致选出的特征指数常常存在不具有明确的生态学意义,或由于过度拟合形成分支复杂的决策树模型,又或忽略属性之间的相关性导致出现信息冗余度较大等问题。通过主成分降维、欧氏距离或马氏距离识别系列指数在不同地物的类间距离（Class Distance Discrimination,CDD）,进而依据最大距离原则构建生态系统提取顺序与最优指数集合,是目前针对这些问题普遍采用的方法[11,12,13]。优化的遥感特征指数集可以有效地反映不同地物类型的光谱特征差异,在提高复杂易变生态系统分类精度方面发挥重要优势[14]。但基于地类类间距离判别形成遥感特征指数集构建的分类模型在不同区域和不同植被类型应用中局限性较大[13,14,15],主要原因在于：类间距离筛选原则中,因为待分离的目标地类不明确,入选指数在满足特定地类分类精度的前提下,可能存在对其他地类辨识度较低的概率;单纯依赖数据统计特征筛选指数的过程提高了因监督样本选取不合理造成的仅具有统计显著差异而不具有明确生态学意义的特征指数被筛选的机率,从而增加随机误差对分类结果的贡献率,降低模型普适性。有学者尝试引入相关系数算法,提出结合距离最大原则和相关程度较低原则实现入选指数降维,避免指数间信息冗余对地物分类精度的干扰[13]。但当研究区待入选指数相关性普遍较高时[13],相关系数法将失去其对入选指数的约束限制。
针对构建不受区域和植被类型限制的最优特征指数集这一难点问题,本文提出：将其他所有待分离地类合并为单一数据集,与待分离目标地类进行不同遥感特征指数在类可分离性原则下的距离判别。该方法因目标地类明确,因而更容易筛选到能有效反应目标地类属性特征的指数,从而有效规避筛选的指数无生态学意义、模型普适性较差的问题。进而结合传统类间距离判别筛选指数,用于将与目标地类具有相似光谱特征的混淆地类从目标地类中剥离,实现目标地类的二次迭代分类,从而有效提高目标地类分类精度。基于以上,本文尝试以河北省白洋淀湿地自然保护区为典型湿地生态系统研究对象,以该研究区2017年Landsat8_OLI传感器数据为数据源,基于类可分离性距离判别（Class Separation Discrimination,CSD）与CDD相结合的方法构建具有普适性的分类决策树模型,探讨模型在2019年同源遥感影像信息提取中的应用能力。该研究是基于中分辨率遥感影像的最优遥感特征指数集构建及其分类决策树模型应用研究方面的有益尝试,可为湿地生态系统管理提供技术支撑。

2 实验区概况与数据来源

2.1 实验区概况

河北省白洋淀湿地自然保护区位于冀中平原北部（115°45′E—116°07′ E,38°43′N—39°02′ N）,在行政区划上,白洋淀湿地位于雄安新区,分属于保定市和沧州市所辖的安新、容城、雄县、高阳和任丘5个县（市）管辖,四周以堤坝为界[16],地理位置如 图1。其总面积约318.67 km2,由白洋正淀、马棚淀、藻苲淀、烧车淀等诸多大小不一的淀泊和沟壕组成,统名白洋淀[16]。白洋淀湿地所在流域隶属于大清河水系,湿地水源主要来自8条呈树状分布的入淀河流[17]（潴龙河、孝义河、唐河、府河、漕河、萍河、瀑河和白沟银河）。研究区地处在暖温带半干旱气候区,具有显著地大陆性气候特征,四季分明,冬季寒冷有雪,夏季炎热干燥,年平均气温7~12 ℃,年内温度差异大;年平均降水量约550 mm,7—9月占年降水量的80%;年平均蒸发量为1637 mm,蒸发量远大于降水量[18]。淀区物产丰富,盛产鱼、虾、蟹、贝等水产品,被誉为鱼米之乡;水生植物茂盛,种类繁多,生物多样性丰富,有大型水生植物47种,浮游植物406种,常见的水生植物包括：挺水植物（芦苇、狭叶香蒲和荷）;沉水植物（金鱼藻、穗花狐尾藻、龙须眼子菜和黑藻）;漂浮植物（紫背浮萍、槐叶萍和水鳖）。丰富的植物资源为候鸟迁徙内陆和其他各类动物提供了充足的食物资源和栖息场所[19]。白洋淀湿地也是维持京津冀地区生态平衡的重要补给地之一,是雄安新区内最重要的水体功能区[20]。
图1 白洋淀湿地概况图及采样点分布

Fig. 1 Baiyangdian wetland overview map and distribution of sampling points

2.2 数据来源及预处理

2.2.1 遥感数据
研究区汛期（7—9月）降水充足,温度、光照都比较适合植物生长,大多数湿地植被和农作物生长比较旺盛,生长旺盛期的湿地水生植被光谱反射强,光谱信息丰富,有利于湿地信息的提取。因此,本文选取了汛期内的2景Landsat8_OLI数据,数据获取时相及其详细信息见表1。
表1 Landsat8_OLI获取时间

Tab. 1 Acquisition time of Landsat8_OLI

影像编号 获取日期 获取卫星 分辨率/m 行列号 影像质量
A 2017-09-28 Landsat8_OLI 30 123/33 良好
B 2019-09-18 Landsat8_OLI 30 123/33 良好
本文所采用的Landsat8_OLI数据均来源于美国地质调查局USGS（http://glovis.usgs.gov）。Landsat8_OLI发布的数据为已经进行过几何校正的产品,所以只需对该数据进行辐射定标和大气校正即可。采用ENVI 5.3对下载的数据进行辐射定标,FLAASH大气校正以及不规则裁剪等预处理。
2.2.2 样本与验证数据
样本质量直接关系到湿地信息提取的精度,应选择具有典型性、代表性的纯净像元作为本文的样本数据[21]。样本数据来源于现场实地调查和依据Google Earth高分辨率影像进行目视解译2种方式。2017年9月,实验组对白洋淀湿地自然保护区进行了详细的调研,采用高精度GPS对不同湿地分布及其植被类型进行定位、记录并拍照。之后,在室内通过Google Earth软件目视解译一部分湿地类型,以上2部分数据构成样本数据和验证数据分别用于分类器的建立和精度验证。为减少由于样本数据的比例不同而引起的误差,本次实验设定各湿地类别样本点均为200个,验证点100个,样本数据分布见图1。

3 研究方法

3.1 技术流程

本文基于CSD与CDD相结合的方法构建最优遥感特征指数集进而构建分类决策模型,并探讨了模型在同源遥感影像提取中的应用能力。具体技术流程如图2所示。
图2 白洋淀湿地分类技术路线

Fig. 2 Technical route of classification of Baiyangdian wetland

3.2 湿地分类方案

基于研究区湿地分布的具体调查情况和遥感数据源的精度,以及已有研究案例中的分类体系,在参考湿地公约、《全国湿地资源调查与监测技术规程》[22]以及相关文献资料[23]的基础上,制订如下湿地分类方案（表2）。通过综合分析与比对,建立了白洋淀湿地分类体系,包含湿地、非湿地2个一级地类。其中,湿地包含水体、水生植被2个二级地类,非湿地包含耕地、建筑用地2个二级地类。水生植被包含挺水植被、沉水植被2个三级地类。据此,本文对白洋淀湿地自然保护区的湿地与非湿地类型进行了提取,主要包含建设用地（B）、耕地（P）、水体（W）、挺水植被（E）和沉水植被（S）5种地物类型。
表2 白洋淀湿地分类方案

Tab. 2 Classification scheme of Baiyangdian wetland

一级分类 二级分类 三级分类 说明
湿地 水体 主要有河流、湖泊、水库、沟渠、鱼塘等
水生植被 挺水植被 主要指芦苇、香蒲和莲等植物
沉水植被 主要指狐尾藻、金鱼藻、马来眼子菜、篦齿眼子菜等植物
非湿地 耕地 主要有水稻、小麦、玉米等农作物
建筑用地 主要指包括城镇、乡村、工矿、交通等各类建设用地

3.3 遥感特征指数集的构建

典型地物因其物理结构或化学成分等属性上的差异表现为不同的光谱特征,从而构建了一系列遥感特征指数。植被指数是基于植物光谱曲线的“红边”现象,在可见光、近红外波段反射、大气影响与土壤背景之间进行各种修正[24],从而形成了表征植被绿度、黄度、消除土壤背景影响和消除大气影响的指数,再如受水中悬浮物含量的影响,水体光谱特征在绿波段具有较高的反射率,到近红外波段之后水体几乎成为全吸收体,从而构建了系列表征研究区湿度的指数[24]。根据不透水面和土壤不同的光谱特性,通过影像的波段组合也形成了一系列特征指数。综上,本文选取了包括绿度指数、黄度指数、湿度指数、消除大气影响的植被指数、消除土壤背景影响的植被指数,建筑指数和土壤指数在内的7类30种常见的表征研究区理化特征的遥感特征指数,表3详细描述了各种特征指数及其表达方式。
表3 遥感特征指数集

Tab. 3 Remote sensing feature index set

特征类 遥感特征指数 简称 计算方法 参考文献
绿度指数 差值植被指数 DVI NIR-Red [25]
归一化差值植被指数 NDVI (NIR-Red)/(NIR+Red) [26]
重归一化植被指数 RDVI (NIR-Red)/(SQRT(NIR+Red)) [27]
绿色归一化植被指数 GNDVI (NIR-Green)/(NIR+Green) [28]
比值植被指数 RVI NIR/Red [29]
缨帽变换绿度分量 GVI (-0.2848)×Blue+(-0.2435)×Green+(-0.5436)×Red+(0.7243)×NIR+(0.0840)×SWIR_1+(-0.1800)×SWIR_2 [30]
黄度指数 归一化差值耕作指数 NDTI (SWIR_1-SWIR_2)/(SWIR_1+SWIR_2) [31]
归一化衰败植被指数 NDSVI (SWIR_1-Red)/(SWIR_1+Red) [32]
消除大气影响的植被指数 转换差值植被指数 TDVI 1.5×(NIR-Red)/SQRT(NIR 2+Red 2+0.5) [33]
大气阻抗植被指数 ARVI (NIR-(2×Red-Blue))/(NIR+(2×Red-Blue)) [34]
增强型植被指数 EVI 2.5×((NIR-Red)/(NIR+6×Red-7.5×Blue+1)) [35]
可见光大气阻抗指数 VARI (Green-Red)/(Green+Red-Blue) [36]
消除土壤背景影像的植被
指数		 修改型非线性植被指数 MNLI ((NIR2-Red) (1+0.5))/(NIR2+Red+0.5) [37]
垂直植被指数 PVI (NIR-0.96916×Red-0.084726)/SQRT (1+0.969162) [38]
土壤调节植被指数 SAVI 1.5×(NIR-Red)/(NIR+Red+0.5) [39]
修改型土壤调节植被
指数		 MSAVI 0.5×(2×NIR+1-SQRT((2×NIR+1)2)-8×(NIR-Red))) [40]
优化土壤调节植被指数 OSAVI (NIR-Red)/(NIR+Red+0.16) [41]
湿度指数 缨帽变换湿度分量 WVI (0.1509)×Blue+0.1973×Green+0.3279×Red+0.3406×NIR-0.7112×SWIR_1-0.4572×SWIR_2 [30]
归一化红外指数 NDII (NIR-SWIR_1)/(NIR+SWIR_1) [42]
归一化差异水体指数 NDWI (Green-NIR)/(Green+NIR) [43]
改进的归一化差异水体指数 MNDWI (Green-SWIR_1)/(Green-SWIR_1) [3]
建筑指数 归一化建筑指数 NDBI (SWIR_1-NIR)/(SWIR_1-NIR) [5]
改进的归一化裸露指数 MNDBI NDBI+(1-NDVI) [44]
归一化三波段指数 NDTBI (SWIR_2+SWIR_1-Red)/(SWIR_2+SWIR_1+Red) [45]
比值居民地指数 RRI Blue/NIR [46]
比值不透水面指数 RISI (SWIR_1-SWIR_2)/Blue [47]
土壤指数 裸土指数 BSI ((SWIR_1+Red) -(NIR+Blue))/((SWIR_1+Red) +(NIR+Blue)) [48]
归一化土壤指数 NDSI (SWIR_2-Green)/(SWIR_2+Green) [49]
氧化铁比率指数 IO Red/Blue [50]
燃烧面积指数 BAI 1/((0.1-Red)2+(0.06-NIR)2)) [51]

注：Blue、Green、Red、NIR、SWIR_1和SWIR_2分别表示Landsat8_OLI传感器中蓝、绿、红、近红外、短波红外1和短波红外2波段的反射率。

3.4 基于CSD和CDD相结合的决策树湿地分类

本文利用CSD和CDD相结合的方法对最优遥感特征指数进行选取,并用选取的指数构建基于QUEST算法和马氏距离判别法的决策树模型,此模型将用于遥感影像分类,其中QUEST是Loh等[52]在1997年提出的决策树构建算法,其基本思想是将变量选择和分割点的选择分开运算,一方面既适用于连续型变量又适用于离散型变量,另一方面考虑到其他一般决策树算法更倾向于选择那些具有更多潜在分割点的预测变量。QUEST决策树构建在变量选择上基本无偏,同时可通过多个变量构成的超平面在特征空间中区别类别成员和非类别成员[53]。已有研究表明,QUEST决策树方法的运算速度和分类精度方面均优于其他的决策树构建方法[54]。
具体算法如下：
本文计算了耕地（P）、建设用地（B）、水体（W）、挺水植被（E）和沉水植被（S）的5种典型地类样本点在30种遥感特征指数上的反射值,并基于马氏距离[13],构建遥感特征指数集识别湿地类型。
CSD算法的描述如下：
（1）初始化 A ,计算每种湿地类型与其他湿地类型的集合在遥感特征指数上的马氏距离均值集合 B ,将 B 中最大值对应的湿地类型与遥感特征指数 f ij 赋给 A 。
f max = f ij ( B ij = max ( B )
A = A ⋃ { f max }
S = S - f max
式中 : A 为被选择遥感特征指数集合; B 为每种湿地类型与其他湿地类型的集合在遥感特征指数上的马氏距离均值集合; S 为遥感特征指数集合; B ij 为每种湿地类型与其他湿地类型的集合在各遥感特征指数上的马氏距离均值; f ij 为各湿地类型下的各遥感特征指数; f max 为马氏距离最大的湿地类型下的遥感特征指数。
（2）计算集合 S 中剩余的各湿地类型与其他湿地类型集合在遥感特征指数上的马氏距离均值集合 B ,将 B 中最大值对应的湿地类型与遥感特征指数 f ij 加入到 A 中。
A = A ⋃ { f ij } ( f ij = max ( B ) )
S = S - f ij
（3）重复步骤（2）,直到 S 中剩余的湿地类型为1,结束运算。
采用上述CSD方法,首先确定地物提取的顺序及其对应的遥感特征指数;再根据QUEST算法设置决策树分类的主体模型及阈值。根据上一步QUEST算法中每一种地类的分离结果,对于已分离地物类型的精度达不到95%,本文将利用CDD法（马氏距离判别法）对混在已分离地物样本中的其他地物样本进行分离,构建目标地类混分样本的指数数据集和混分地类混分样本的指数数据集,然后,运用马氏距离判别法计算各指数在两数据集间的分类阈值及目标地物混分样本分类精度,最后,依据样本分类精度最高原则输出目标地类混分部分的最优可分离指数及阈值,加入到决策树模型中,以提高湿地各类型的识别精度。

3.5 精度评价方法

构建基于CSD和CDD相结合方法和CART方法的决策树模型用于遥感影像信息的提取,将两种方法构建的模型运用于同源同期不同年的遥感影像中。CART决策树算法是Breiman于1984年提出的一种决策树构建算法。其基本思想是通过对由测试变量和目标变量构成的训练数据集的循环二分形成二叉树形式的决策树结构。该算法既可以用于分类,也可以用于连续变量的预测。当目标变量为离散值时称为分类树,当目标变量为连续值时称为回归树;在遥感分类中,目标变量是地物类型值,测试变量为所利用的分类特征[9]。为考察基于本文方法构建的决策树模型的精度,与CART方法的结果进行对比,常用的精度评价为混淆矩阵[53]（Confusion Matrix）,也被称作误差矩阵用于比较分类结果和实际测得值之间的混淆程度进行精度评估,本文主要选取的精度评价指标为：总体精度、Kappa系数、生产者精度和用户精度。为考察CSD+CDD方法决策树模型的普适性,并与基于CART方法的模型应用效果进行对比。

4 结果与分析

4.1 基于CSD和CDD相结合的决策树模型构建

基于2017年OLI遥感影像数据的CSD方法选取遥感特征指数的结果如图3(a)和CDD方法结果如图3(b)所示。不同地物的类可分离性距离第一次判别结果显示水体具有较高的辨识度,水体与其他所有地物类型的遥感特征指数数据集间的马氏距离在MNDWI上具有最大距离值9.59。与NDWI相比较,MNDWI是用中红外波段替换近红外波段构成,可用于快速、简便和准确地提取水体信息[3]。MNDWI有着更广泛的应用范围,既可用于植被区的水体提取,还可用于城镇范围内的水体信息提取,甚至可以探测到许多水体的微细变化信息[3]。进一步结合决策树QUEST算法,水体样本预测精度仅为91.4%,与沉水植被有部分混分,因而进行两种地类混分样本类间距离迭代判别运算。绿度归一化植被指数GNDVI用于进一步分离水体与沉水植被混分样本。
图3 基于CSD和CDD相结合的距离判别

注：W：水体;B：建筑用地;S：沉水植被;P：耕地;E：挺水植被;SM：沉水植被混分部分;WM：水体混分部分;PM：耕地混分部分;EM：挺水植被混分部分。

Fig. 3 Distance discrimination based on combination of CSD and CDD

不同地物的类可分离性距离第2次判别结果显示建筑用地的辨识度稍高于其余地物类型,进一步结合最大距离原则,建筑用地与其他所有地物类型的遥感特征指数数据集间的马氏距离在修正的非线性植被指数MNLI上具有最大距离值4.77。基于决策树QUEST算法,建筑用地分离的样本预测精度为100%,能够较好的分离建筑用地。
不同地物的类可分离性距离第3次判别结果显示沉水植物的辨识度明显高于剩余其他地物类型。沉水植被与其他所有地物类型的遥感特征指数数据集间的马氏距离在转换的差值植被指数TDVI上具有最大距离值5.23。TDVI是在差值植被指数DVI的基础上进行的改进用于解决大气影响在分离沉水植被中表现出较好结果,进一步结合决策树QUEST算法,沉水植被分离的样本预测精度为99.5%,能够较好地分离沉水植被。
不同地物的类可分离性距离第4次判别结果显示挺水植被与耕地的遥感特征指数数据集间的马氏距离在RVI上具有最大距离值2.37。由于影像获取日期处于白洋淀湿地的汛期,耕地与挺水植物的盖度达到了物候期内的最大,RVI是绿色植物的灵敏指示参数,与叶面积、叶干生物量、叶绿素含量密切相关,且植被覆盖度越高,RVI对植被的敏感程度越高,因此是RVI有效区分挺水植物和耕地重要依据[29]。基于RVI的挺水植被与耕地样本分离预测精度为93.5%,因而进行2种地类混分样本类间距离迭代判别运算。类间距离迭代判别显示氧化铁比率IO用于进一步分离挺水植被与耕地混分样本。IO为红光波长和蓝光波长的比值,层状褐铁硅酸盐矿物以及褐铁矿的氧化蚀变产物会吸收蓝光波段并反射红光波段,并可有效减轻由地形阴影导致的光照差异[50]。挺水植物在立地干湿交替条件下,土壤铁化合物经氧化还原作用并发生淋溶、淀积的潴育化过程是挺水植物在IO指数上有别于耕地的主要原因[55]。
基于以上,CSD和CDD相结合的方法所选取的最优遥感特征指数集进而构建的决策树模型如图4(a)所示。
图4 基于CSD和CDD相结合与CART方法构建的白洋淀湿地分类决策树模型

Fig. 4 Decision tree model of classification of Baiyangdian wetland based on combination of CSD and CDD or CART method

4.2 基于CSD和CDD相结合的决策树模型可行性 分析

为直观反映基于CSD和CDD相结合的最优特征指数集进而构建决策树模型对研究区地物分类的可行性,绘制各最优特征指数的空间分布（图5）及各湿地类型样本点在最优指数上的分布（图6）。
图5 基于CSD和CDD相结合选出的遥感特征指数空间分布

注：图(c)中黄色框为水体,黑色框为沉水植被;图(f)中黄色框为耕地,黑色框为挺水植被。

Fig. 5 Spatial distribution of remote sensing feature index selected based on combination of CSD and CDD

图6 不同湿地类型样本遥感特征指数对比

注：W：水体;B：建筑用地;P：耕地;E：挺水植被;S：沉水植被。

Fig. 6 Comparison of remote sensing characteristic indexes of samples of different wetland types

4.2.1 水体信息提取
由于白洋淀湿地类型复杂,光谱差异大,水体部分在MNDWI指数空间分布影像图中呈现深色,与周边其他地类的辨析度较高。并且水体样本的MNDWI值介于0.5~1,明显高于其他地物类型,决策树模型中MNDWI>0.349用于分离水体。但MNDWI介于0.5~0.7之间的部分与沉水植物的分布范围具有重叠,进一步类间迭代选取GNDVI用于分析将沉水植物从水体中剥离。GNDVI高值浅色代表植被,低值蓝色代表水体,明显的梯度变化为混分于水体中的沉水植被去除提供了可能。GNDVI<0.298可以有效分离混分的水体和沉水植物样本。
4.2.2 建筑用地信息提取
MNLI影像的分布范围介于-0.40~0.64之间。图像中颜色较浅部分为建筑用地分布区域,与其他地物类型数值分布梯度明显并结合训练样本点的MNLI取值范围介于-0.40~0.40之间,其中建筑用地样本的MNLI的取值小于0.1,远低于其余地物类型取值。说明训练样本点选择在MNLI指数表现形式上合理可行,且MNLI<-0.147可以有效分离建筑用地。
4.2.3 沉水植被的信息提取
TDVI影像的分布范围介于-0.20~0.98之间。沉水植被多位于水体与挺水植被的交界处,而TDVI值的梯度变化主要体现在以水体为中心向周边由低到高的变化过程,借助TDVI的梯度变化可有效辨识影像中沉水植被。除水体与建筑用地样本外,其他3类地物训练样本中TDVI分布范围为0~0.8,表明样本点选择合理,且TDVI<0.270可以有效分离沉水植物。
4.2.4 耕地与挺水植被信息提取
RVI影像分布在0~24.16之间,用于挺水植被与耕地的区分,由图6可知耕地区域的RVI指数值明显高于挺水植物分布区域,为两类地物的可分离性提供可能。结合训练样本点可知,耕地的大部分样本的RVI的值高于挺水植被样本,且耕地样本RVI值分布于3~20,挺水植被样本RVI值分布于3~12,RVI>8.767可分离大部分耕地。混分的耕地和挺水植物进一步类间迭代选取IO实现分离。其中,IO影像分布在0~39.33之间。IO由39.33到0,颜色梯度明显。二者混分样本指数分布图显示IO>2.456可以有效分离耕地与挺水植被混淆部分。

4.3 基于CSD和CDD相结合与CART决策树模型 精度比较分析

本研究基于野外采样数据以及Google Earth选择精度验证样本集,每种地类至少保证100个样本,建立混淆矩阵,选取生产者精度、用户精度、Kappa 系数和总精度4个指标对分类结果进行验证。为对比决策树模型构建的优劣程度,本研究也加入了基于同训练样本下的传统CART方法分类结果,并分别对2种分类方法的精度进行评价（表4）。结果显示,本文的决策树分类方法的精度较CART方法总体精度提高1.67%,Kappa系数提高0.02,其中建筑用地、耕地的分类精度较优,水体、挺水植被、沉水植被的分类结果还有待提高。
表4 基于CSD和CDD相结合与CART方法的白洋淀湿地分类精度

Tab. 4 Baiyangdian wetland classification accuracy of combination of CSD and CDD or CART method

白洋淀湿地类型 2017年CSD+CDD 2017年CART 2019年CSD+CDD 2019年CART
用户精度/% 制图精度/% 用户精度/% 制图精度/% 用户精度/% 制图精度/% 用户精度/% 制图精度/%
水体 93.37 75.52 86.05 99.02 98.96 78.77 83.02 87.04
建设用地 94.90 96.47 99.09 80.91 99.59 94.21 99.30 62.81
耕地 96.48 92.43 72.77 77.74 97.07 78.53 99.61 6.63
挺水植被 88.42 95.21 99.39 93.22 75.74 96.97 45.66 100.00
沉水植被 71.80 86.22 83.18 86.76 72.43 88.32 0 0
总体精度/% 91.32 89.65 86.97 56.21
Kappa系数 0.88 0.86 0.83 0.37
基于2017年白洋淀湿地自然保护区OLI遥感影像运用CSD+CDD方法和CART方法构建的分类决策树模型对2019年白洋淀湿地自然保护区OLI遥感影像进行湿地分类及精度评价（图7、表4）。其中,在CSD和CDD相结合方法应用方面,分类总体精度为86.97%,Kappa系数为0.83,分类的制图结果是可满足需求,因此CSD和CDD相结合方法构建的决策树模型在同源同期不同年份的应用中具有一定的普适性。与模型在2017年的分类精度进行对比,结果显示,水体、建设用地和沉水植被的用户精度与制图精度基本持平,耕地和挺水植被有不同程度的下降。另一方面,对比CART模型在2019的应用效果,发现CART模型在2019年的分类精度很差,总体精度和Kappa系数远低于本文方法构建模型的应用效果,其中,水体的精度相对稳定,而建筑用地、耕地、挺水植被和沉水植被都有不同程度的下降,尤其是沉水植被的误差达到了100%,CART模型无法满足2019年的制图要求,这从侧面反映出本文提出的基于CSD和CDD相结合的最优特征指数集进而构建的决策树模型在不同区域和不同植被类型中应用中具有一定的普适性,并且受环境变化的影响较小,有一定的稳定性。构建这种决策树模型可以实时快速地监测湿地状况,对于明晰不同类型湿地的空间分布格局与特征,开展湿地管理具有重要意义。
图7 基于CSD和CDD相结合与CART方法的白洋淀湿地分类结果

Fig. 7 Baiyangdian wetland classification results based on combination of CSD and CDD or CART method

5 讨论

文献[13]表明相关分析结合类间距离最大原则实现入选指数降维,避免指数间信息冗余对地物分类精度的干扰。本研究过程发现研究区待入选指数相关性普遍较高,相关系数法失去对入选指数的约束限制,基于相关分析结合类间距离的指数集构建方法将导致无法选出合适的分类指数集。考虑到指数类型的生态学意义,提出指数间相关程度较高可表征指数间数据冗余这一结论仅适合同类指数内部分析。依赖于同一属性特征构建的系列衍生指数,因其生态学意义相同,因而可能产生信息冗余。湿地生态系统随水位梯度变化在空间上呈现水体、沉水植物、挺水植物的分布格局[56],从而植被指数与水体指数呈现较高相关性[20],则由被分类地物生态学意义或生态分布格局上的密切关系决定。依据该原则本研究选出了NDTBI、VARI、MNDWI、NDSVI、NDSI 5种指数,但无法确定分类顺序及相应的地类。将该入选指数集结合QUEST算法进一步构建分类决策树模型,NDTBI为水体分类最优遥感特征指数,无法从生态学意义上对该模型进行解释,从而导致模型在基于2019年9月的白洋淀自然保护区OLI影像分类时,分类精度太低（结果未在论文中显示）。
从遥感特征指数分类看,典型地物因其物理结构或化学成分等属性上的差异表现为独特的光谱特征,从而构建系列同类指数[1]。如植被指数主要借助绿色植物光谱曲线“红边”现象,在可见光、近红外波段反射、大气影响与土壤背景之间进行各种修正[4]。再如受水中悬浮物含量的影响,水体光谱特征在绿波段具有较高的反射率值,到近红外波段之后水体几乎成为全吸收体,从而构建系列湿度指数[24]。将其他所有待分离地类合并为单一数据集,与待分离目标地类进行不同遥感特征指数距离判别方法因目标地类明确,因而更容易筛选到能有效反应目标地类属性特征的指数。因此,本研究在结合指数提出时典型地物类型的光谱特征及其生态学意义为依据进行类可分离性距离判别,研究结果验证了基于类可分离性距离判别的指数逐步筛选方法所选取的指数在分离目标地类时均具有特定的生态学意义,并进一步证明根据生态学特征所构建的类可分离性距离判别的遥感指数模型在进行同一研究区不同时相影像分类时,模型具有较好的普适性。同时考虑将其他所有待分离地类合并为单一数据集造成的类内光谱差异较大,从而导致类内距离较大,进而所引起类可分离性判别距离较大的问题可以看作是研究过程中系统误差,不影响对目标地类筛选中最优指数选取的结果。
在筛选并构建了最优主要可分离性指数集的过程确定了所有参与分类的目标地类的提取顺序,在进行地类分层有序提取中,待分离的目标地类清晰,并将其他地类对目标地类提取的干扰度降到最低,对于目标地类具有相似光谱特征的易混分的地类,可以结合传统类间距离判别进一步筛选二次迭代指数,用于将与目标地类具有相似光谱特征的混淆地类从目标地类中剥离,从而有效提高目标地类分类精度。基于两两地类类间距离判别形成的二次迭代遥感特征指数集充分发挥了类间距离判别的优势,是对基于类可分离性距离判别的指数集构建过程的补充和完善。
进一步分析决策树模型的分类精度中错分和漏分误差,表现为沉水植被与挺水植被错分和漏分误差均大于8%,模型普适性研究中错分和漏分误差具有进一步扩大趋势。分析原因可能为挺水植物类型变化和立地水位变化会直接影响植被生长状态,进而表现出类内光谱差异较大的特征。沉水植物同样受沉水植物类型的变化导致该类类内光谱差异较大,沉水植物距水面的水位深度影响导致植被光照、溶解氧等生境特征差异较大,进而影响植被生长状态,加剧类内光谱差异。类内光谱差异较大时导致这2种地物错分漏分的直接原因。本研究提出采用二次迭代的类间距离判别的方法规避错分漏分误差,下一步研究考虑通过增加目标地类的样本数量的方法对错分漏分误差进行规避。总的来看,本文通过CSD和CDD相结合方法选择的指数所表征的生态意义,指数选择与模型构建过程相融合,最大化的避免了随机误差的产生,两期的分类精度都满足分类需求,使得模型具有一定的普适性,但在挺高精度方面还需要改进。

6 结论

本文基于Landsat8_OLI中分辨率遥感影像,提出类可分离性距离判别（Class Separation Discrimination,CSD）与类间距离判别（Class Distance Discrimination,CDD）相结合的方法构建最优遥感特征指数集,并构建分类决策树模型用于白洋淀湿地信息提取研究,得出以下结论：
（1）本文提出了将其他所有待分离地类合并为单一数据集,与待分离目标地类进行不同遥感特征指数距离判别方法（类可分离性距离判别CSD）,筛选出适合本研究区的遥感特征指数MNDWI用于水体分离、MNLI用于建筑用地分离、TDVI用于沉水植被分离、IO用于耕地与挺水植被,能构有效分离目标地类且各指数用于分离目标地类时具有明确的生态学意义。
（2）筛选出最优主要可分离性指数集并进行地类分层有序提取中,为提高目标地类提取的精度,对于目标地类具有相似光谱特征的易混分的地类,结合传统类间距离判别进一步筛选二次迭代指数GNDVI用于水体与沉水植被混分部分分离,IO用于耕地与挺水植被混分部分分离,有效地提高目标地类分类精度。二次迭代遥感特征指数选取是两两地类类间距离判别得到的,是对类可分离性距离判别过程的补充和完善。
（3）基于CSD和CDD相结合方法对2017年白洋淀湿地信息的提取精度达到91.32%,Kappa系数为0.88,与CART方法对比,分类精度提高了1.67%,表明CSD和CDD相结合方法的指数筛选与决策树模型构建是可行有效的,且将构建的模型运用于2019年白洋淀湿地信息提取中也取得较好的结果（精度：86.97、Kappa系数：0.83）,但将CART模型运用于2019年影像时,分类结果无法满足制图需求,运用本文方法分类的两期结果都具有较好分类精度,表明模型具有一定的普适性,为湿地信息提取以及遥感分类提供了新的思路。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
嘎力巴. 基于遥感指数地物信息提取方法对比研究[D]. 哈尔滨:哈尔滨师范大学, 2017.

[A comparative study on the extraction method of surface features based on remote sensing index[D]. Harbin: Normal University, 2017. ]

[2]
李喆, 胡蝶, 赵登忠, 等. 宽波段遥感植被指数研究进展综述[J]. 长江科学院院报, 2015,32(1):125-130.

[ Li Z, Hu D, Zhao D Z, et al. Research advance of broadband vegetation index using remotely sensed images[J]. Journal of Yangtze River Scientific Research Institute, 2015,32(1):125-130. ]

[3]
徐涵秋. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J]. 遥感学报, 2005(5):589-595.

[ Xu H Q. A study on information extraction of water body with the modified normalized difference water index (MNDWI)[J]. Journal of Remote Sensing, 2005(5):589-595. ]

[4]
徐涵秋. 城市遥感生态指数的创建及其应用[J]. 生态学报, 2013,33(24):7853-7862.

[ Xu H Q. A remote sensing urban ecological index and its application[J]. Acta Ecologica Sinica, 2013,33(24):7853-7862. ]

[5]
查勇, 倪绍祥, 杨山. 一种利用TM图像自动提取城镇用地信息的有效方法[J]. 遥感学报, 2003,7(1):37-40,82.

[ Zha Y, Ni S X, Yang S. An effective approach to automatically extract urban land-use from TM imagery[J]. Journal of Remote Sensing, 2003,7(1):37-40,82. ]

[6]
贾坤, 姚云军, 魏香琴, 等. 植被覆盖度遥感估算研究进展[J]. 地球科学进展, 2013,28(7):774-782.

[ Jia K, Yao Y J, Wei X Q, et al. A review on fractional vegetation cover estimation using remote sensing[J]. Advances in Earth Science, 2013,28(7):774-782. ]

[7]
吴志杰, 邹丹, 黄绍霖. 山地城市扩展及生态变化遥感分析[J]. 亚热带资源与环境学报, 2016,11(3):81-87,94.

[ Wu Z J, Zou D, Huang S L. Analysis of urban expansion and ecological changes based on remote sensing imagery in mountainous city[J]. Journal of Subtropical Resources and Environment, 2016,11(3):81-87,94. ]

[8]
佟光臣, 林杰, 陈杭, 等. 1994—2014年连云港市赣榆区生态变化评估[J]. 水土保持研究, 2016,23(6):352-357.

[ Tong G C, Lin J, Chen H, et al. Ecological change assessment in Ganyu of Lianyungang city from 1994 to 2014[J]. Research of Soil and Water Conservation, 2016,23(6):352-357. ]

[9]
那晓东, 张树清, 孔博, 等. 基于决策树方法的淡水沼泽湿地信息提取——以三江平原东北部为例[J]. 遥感技术与应用, 2008(4):365-372,355.

[ Na X D, Zhang S Q, Kong B, et al. The extraction of freshwater marsh wetland information based on decision tree algorithm: A case study in the northeast of the Sanjiang Plain[J]. Remote Sensing Technology and Application, 2008(4):365-372,355. ]

[10]
雷璇, 杨波, 蒋卫国, 等. 东洞庭湿地植被格局变化及其影响因素[J]. 地理研究, 2012,31(3):461-470.

[ Le X, Yang B, Jiang W G, et al. Vegetation pattern changes and their influencing factors in the east Dongting lake wetland[J]. Geographical Research, 2012,31(3):461-470. ]

[11]
孟超, 王计平, 支晓蓉, 等. 基于GIS的县域森林景观空间格局等级特征研究[J]. 农业机械学报, 2018,49(10):187-194,204.

[ Meng C, Wang J P, Zhi X R, et al. Spatial characteristics of forest landscape in county level based on GIS[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018,49(10):187-194,204. ]

[12]
许明明, 张良培, 杜博, 等. 基于类别可分性的高光谱图像波段选择[J]. 计算机科学, 2015,42(4):274-275,296.

[ Xu M M, Zhang L P, Du B, et al. Supervised band selection based on class separability for hyperspectral Image[J]. Computer Science, 2015,42(4):274-275,296. ]

[13]
孙滨峰, 赵红, 陈立才, 等. 基于植被指数选择算法和决策树的生态系统识别[J]. 农业机械学报, 2019,50(6):194-200.

[ Sun B F, Zhao H, Cheng L C, et al. Identification of ecosystems based on vegetation indices selection algorithm and decision tree[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019,50(6):194-200. ]

[14]
林川, 宫兆宁, 赵文吉. 基于中分辨率TM数据的湿地水生植被提取[J]. 生态学报, 2010,30(23):6460-6469.

[ Lin C, Gong Z N, Zhao W J. The extraction of wetland hydrophytes types based on medium resolution TM data[J]. Acta Ecologica Sinica, 2010,30(23):6460-6469. ]

[15]
李行, 毛定山, 张连蓬. 高光谱遥感影像波段选择算法评价方法研究[J]. 地理与地理信息科学, 2006,22(6):34-37.

[ Li X, Mao D S, Zhang L P. Evaluation method for band selection algorithm of hyperspectral image[J]. Geography and Geo-Information Science, 2006,22(6):34-37. ]

[16]
王京, 卢善龙, 吴炳方, 等. 近40年来白洋淀湿地土地覆被变化分析[J]. 地球信息科学学报, 2010,12(2):2292-2300.

[ Wang J, Lu S L, Wu B F, et al. Land cover change in Baiyangdian wetland[J]. Journal of Geo-information Science, 2010,12(2):2292-2300. ]

[17]
江波, 陈媛媛, 肖洋, 等. 白洋淀湿地生态系统最终服务价值评估[J]. 生态学报, 2017,37(8):2497-2505.

[ Jiang B, Chen Y Y, Xiao Y, et al. Evaluation of the economic value of final ecosystem services from the Baiyangdian wetland[J]. Acta Ecologica Sinica, 2017,37(8):2497-2505. ]

[18]
刘茂峰, 高彦春, 甘国靖. 白洋淀流域年径流变化趋势及气象影响因子分析[J]. 资源科学, 2011,33(8):1438-1445.

[ Liu M F, Gao Y C, Gan G J. Long-term trends in annual runoff and the impact of meteorological factors in the Baiyangdian watershed[J]. Resources Science, 2011,33(8):1438-1445. ]

[19]
张敏, 宫兆宁, 赵文吉, 等. 近30年来白洋淀湿地景观格局变化及其驱动机制[J]. 生态学报, 2016,36(15):4780-4791.

[ Zhang M, Gong Z N, Zhao W J, et al. Landscape pattern change and the driving forces in Baiyangdian wetland from 1984 to 2014[J]. Acta Ecologica Sinica, 2016,36(15):4780-4791. ]

[20]
刘俊国, 赵丹丹, 叶斌. 雄安新区白洋淀生态属性辨析及生态修复保护研究[J]. 生态学报, 2019,39(9):3019-3025.

[ Liu J G, Zhao D D, Ye B. Ecological attributes restoration and protection of the Baiyangdian in Xiong'an New Area[J]. Acta Ecologica Sinica, 2019,39(9):3019-3025. ]

[21]
张磊, 宫兆宁, 王启为, 等. Sentinel-2影像多特征优选的黄河三角洲湿地信息提取[J]. 遥感学报, 2019,23(2):313-326.

[ Zhang L, Gong Z N, Wang Q W, et al. Wetland mapping of Yellow River Delta wetlands based on multi-feature optimization of Sentinel-2 images[J]. Journal of Remote Sensing, 2019,23(2):313-326. ]

[22]
全国湿地资源调查与监测技术规程[M]. 中华人民共和国国家林业局, 2001.

[ Technical specification for national wetland resources investigation and monitoring[M]. State Forestry Administration of the people's Republic of China, 2001. ]

[23]
王雪宏, 栗云召, 孟焕, 等. 黄河三角洲新生湿地植物群落分布格局[J]. 地理科学, 2015,35(8):1021-1026.

DOI

[ Wang X H, Li Y Z, Meng H, et al. Distribution pattern of plant community in new-born coastal wetland in the Yellow River Delta[J]. Scientia Geographica Sinica, 2015,35(8):1021-1026. ]

[24]
梅安新. 遥感导论[M]. 北京: 高等教育出版社, 2001.

[ Mei A X. Introduction to remote sensing[M]. Beijing: High Education Press, 2001. ]

[25]
Jordan C F. Derivation of leaf-area index from quality of light on the forest floor[J]. Ecology, 1969,50(4):663-666.

DOI

[26]
Aparicio N, Villfgas D, Royo C, et al. Effect of sensor view angle on the assessment of agronomic traits by ground level hyper-spectral reflectance measurements in durum wheat under contrasting Mediterranean conditions[J]. International Journal of Remote Sensing, 2004,25(6):1131-1152.

DOI

[27]
Roujean J L, Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment, 1995,51(3):375-384.

DOI

[28]
Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment, 1996,58(3):289-298.

DOI

[29]
Birth G S, McVey G R. Measuring the color of growing turf with a reflectance spectrophotometer[J]. Agronomy Journal, 1968,60(6):640-643.

DOI

[30]
Lee W S, Alchanatis V, Yang C, et al. Sensing technologies for precision specialty crop production[J]. Computers & Electronics in Agriculture, 2010,74(1):2-33.

[31]
Deventer V, Ward A D, Gowda P H, et al. Using thematic mapper data to identify contrasting soil plains and tillage practices[J]. Photogrammetric Engineering & Remote Sensing, 1997,63(1):87-93.

[32]
Qi J, Marsett R, Heilman P, et al. RANGES improves satellite-based information and land cover assessments in southwest United States[J]. Eos Transactions American Geophysical Union, 2013,83(51):601-606.

[33]
Bannari A, Asalhi H, Teillet P M. Transformed Difference Vegetation Index (TDVI) for vegetation cover mapping[C]. IEEE International Geoscience & Remote Sensing Symposium, 2002.

[34]
Kaufman Y J, Tanre D. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS[J]. IEEE Trans Geo Remote Sens, 1992,30(2):261-270.

DOI

[35]
Nagler P L, Scott R L, Westenburg C, et al. Evapotranspiration on western U.S. rivers estimated using the Enhanced Vegetation Index from MODIS and data from eddy covariance and Bowen ratio flux towers[J]. Remote Sensing of Environment, 2005,97(3):337-351.

DOI

[36]
Gitelson A A, Kaufman Y J, Stark R, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 2002,80(1):76-87.

DOI

[37]
Gong P, Pu R, Biging G S, et al. Estimation of forest leaf area index using vegetation indices derived from Hyperion hyperspectral data[J]. IEEE Transactions on Geoence & Remote Sensing, 2003,41(6):1355-1362.

[38]
Richardson A J, Wiegand C L. Distinguishing vegetation from soil background information[J]. Pe&Rs, 1977,43(12):1541-1552.

[39]
Huete A R. A Soil-Adjusted Vegetation Vndex (SAVI)[J]. Remote Sensing of Environment, 1988,25(3):295-309.

DOI

[40]
Huete A R. A modified soil adjusted vegetation index[J]. Remote Sens Envrionment, 2015,48(2):119-126.

[41]
Geneviève R, Michael S, Frédéric Bt. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996,55(2):95-107.

DOI

[42]
Wagtendonk J W V, Root R R, Key C H. Comparison of AVIRIS and Landsat ETM+detection capabilities for burn severity[J]. Remote Sensing of Environment, 2004,92(3):397-408.

DOI

[43]
McFEETERS S K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features[J]. International Journal of Remote Sensing, 1996,17(7):1425-1432.

DOI

[44]
吴宏安, 蒋建军, 周杰, 等. 西安城市扩张及其驱动力分析[J]. 地理学报, 2005,60(1):143-150.

[ Wu H A, Jiang J G, Zhou J, et al. Dynamics of urban expansion in Xi'an city using Landsat TM/ETM+ data[J]. Acta Geographica Sinica, 2005,60(1):143-150. ]

[45]
饶萍, 王建力, 王勇. 基于多特征决策树的建设用地信息提取[J]. 农业工程学报, 2014,30(12):233-240.

[ Rao P, Wang J L, Wang Y. Extraction of information on construction land based on multi-feature decision tree classification[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014,30(12):233-240. ]

[46]
吴宏安, 蒋建军, 张海龙, 等. 比值居民地指数在城镇信息提取中的应用[J]. 南京师范大学报(自然科学版), 2006,29(3):118-121.

[ Wu H G, Jiang J J, Zhang H L, et al. Application of ratio resident-area index to retrieve urban residential areas based on Landsat TM data[J]. Journal of Nan Jing Normal University (Natural Science), 2006,29(3):118-121. ]

[47]
尹毅, 黄哲. 天水市不透水表面提取及时空变化分析[J]. 安徽农业科学, 2013,41(29):11893-11895.

[ Yin i, Huang Z. Impervious surface extraction and temporal-spatial change analysis in Tianshui city[J]. Journal of Anhui Agricultural Sciences, 2013,41(29):11893-11895. ]

[48]
晓琴, 孙丹峰, 张凤荣. 基于遥感的北京山区植被覆盖景观格局动态分析[J]. 山地学报, 2003,21(3):272-280.

[ Li X Q, Sun D F, Zhang D F. Landscape pattern analysis on change in the fraction of green vegetation based on remotely sensed data in Beijing Mountainous Area[J]. Journal of mountain science, 2003,21(3):272-280. ]

[49]
RNDSI: A ratio normalized difference soil index for remote sensing of urban/suburban environments[J]. International Journal of Applied Earth Observations & Geoinformation, 2015,39:40-48.

[50]
Dogan H M. Mineral composite assessment of Kelkit River Basin in Turkey by means of remote sensing[J]. Journal of Earth System ence, 2009,118(6):701-710.

[51]
Chuvieco E, Mart M P, Palacios A. Assessment of different spectral indices in the red-near-infrared spectral domain for burned land discrimination[J]. International Journal of Remote Sensing, 2002,23(23):5103-5110.

DOI

[52]
那晓东, 张树清, 李晓峰, 等. 基于QUEST决策树兼容多源数据的淡水沼泽湿地信息提取[J]. 生态学杂志, 2009,28(2):357-365.

[ Na X D, Zhang S Q, Li X F, et al. Fresh water marsh wetland information extraction based on QUEST decision tree integrating with multi-sourcedata[J]. Chinese Journal of Ecology, 2009,28(2):357-365. ]

[53]
吴健生, 潘况一, 彭建, 等. 基于QUEST决策树的遥感影像土地利用分类——以云南省丽江市为例[J]. 地理研究, 2012,31(11):1973-1980.

[ Wu J S, Pan K Y, Peng J, et al. Research on the accuracy of TM images land-use classification based on QUEST decision tree:A case study Lijing in Yunnan[J]. Geographical Research, 2012,31(11):1973-1980. ]

[54]
Dogan H M. Mineral composite assessment of Kelkit River Basin in Turkey by means of remote sensing[J]. Journal of Earth System ence, 2009,118(6):701-710.

[55]
张甘霖, 龚子同. 氧化还原形态特征模式与形成机理解析[J]. 土壤学进展, 1994,22(3):54-56.

[ Zhang G L, Gong Z T. Analysis on the morphology characteristic pattern and formation mechanism of REDOX[J]. Progress In Soil Science, 1994,22(3):54-56. ]

[56]
朱金峰, 周艺, 王世新, 等. 1975—2018年白洋淀湿地变化分析[J]. 遥感学报, 2019,23(5):971-986.

[ Zhu J F, Zhou Y, Wang S X, et al. Analysis of changes of Baiyangdian wetland from 1975 to 2018 based on remote sensing[J]. Journal of Remote Sensing, 2019,23(5):971-986. ]

Options
文章导航

/

〈 〉