EN中文

Journal of Geo-information Science >

2015 , Vol. 17 >Issue 3: 361 - 368

DOI: https://doi.org/10.3724/SP.J.1047.2015.00361

Orginal Article

Study on Plain Afforestation Area Extraction with Mapping Satellite-1 Imagery

  • SHANG Ke , 1 ,
  • YU Xinfang , 2, * ,
  • YUE Cairong 1 ,
  • WANG Qiankun 1 ,
  • WANG Zhengxing 2
Expand
  • 1. The College of Forestry, Southwest Forestry University, Kunming 650224, China
  • 2. Institute of Geographic Science and Natural Resources Research, State Key Lab of Resources and Environmental Information System, Beijing 100101, China

Received date: 2014-07-09

  Request revised date: 2014-09-10

  Online published: 2015-03-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

Plain afforestation refers to the non-crop vegetation in crop-dominated plain area. As the main forest vegetation it has provided favorable conditions for ecological environment construction. The plain afforestation in this paper mainly includes farmland shelterbelt, road shelterbelt, residence shelterbelt and wasteland shelterbelt. But due to their small patches, getting the information of plain afforestation requires high spatial resolution remote sensing imagery. And the different sizes of kinds of afforestation patches make it difficult to extract all of them at once. In addition, it is a problem, if they could be extracted all, to distinguish themselves from one another. Based on this point, the paper explores a more accurate object-oriented classification method based on Mapping Satellite-1 (MS1) imagery in Fengqiu County, Henan province, China. The innovation of this method lies in the selection of proper segmentation scale according to different kinds of plain afforestation. Build optimal segmentation levels to insure the farmland shelterbelt, road shelterbelt, residence shelterbelt and wasteland shelterbelt could be segmented from their background imagery completely. Then contrast and analyze the spectral and spatial characteristics of different afforestation to develop classification rule sets. The classification rule sets could be conveyed between levels and current class could inherit them from parent class. Then build membership function to extract the plain afforestation area hierarchically. The results showed that the plain afforestation area of Fengqiu is 152.51 km2. More specifically, the farmland shelterbelt area is 36.09 km2, the road shelterbelt area is 21.29 km2, the residence shelterbelt area is 71.56 km2, and the wasteland shelterbelt area is 23.57 km2. The classification accuracy is 93.50% and the Kappa coefficient is 0.92. It showed that the study have achieved fine classification results. And the results also verified the potential of object-oriented plain afforestation information extraction based on Mapping Satellite-1 (MS1) imagery. This method can provide a technical support for the area accurate estimation of plain afforestadion.

Key words： plain afforestation; Mapping Satellite-1; multi-scale segmentation; object-oriented

Cite this article

SHANG Ke , YU Xinfang , YUE Cairong , WANG Qiankun , WANG Zhengxing . Study on Plain Afforestation Area Extraction with Mapping Satellite-1 Imagery[J]. Journal of Geo-information Science, 2015 , 17(3) : 361 -368 . DOI: 10.3724/SP.J.1047.2015.00361

1 引言

平原绿化是我国平原地区森林植被的主体[1]。平原绿化通过发挥防风固沙、保持水土、改善小气候等防护功能,有效减轻甚至防止自然灾害,庇护作物生长,促进粮食增产[2],具有显著的生态效益和经济效益。据专家估算,河南省平原区林木年吸收固定二氧化碳2.72亿t,相当于燃烧1.1亿t煤排放的二氧化碳量,年生态效益达2040亿元[3]。作为主要的棉粮油生产基地,平原区农田综合防护体系的高效稳定至关重要。
遥感监测平原绿化面积存在一定困难,主要原因是：（1）平原绿化信息分布零散、斑块面积小[4],分辨率较低的遥感数据不能满足提取要求[5-6];（2）不同绿化信息具有不同观测尺度,很难从影像上一次性全面地提取;（3）同样作为小斑块的植被信息、农田林网、通道防护林、四旁防护林和片林光谱特征相似,彼此之间很难进行区分[7]。
高分辨率遥感影像以其信息量大、纹理特征清晰等优势,弥补了低分辨率遥感影像的不足[8-11],适用于平原绿化信息的提取。传统的像元分类方法是利用影像的光谱特征进行分类[12],无法充分挖掘影像的几何特征和空间关系[13]。因此,面向对象的分类方法得到广泛关注[14-15]。该方法模拟人类视觉理解[16],把单独的影像像元分割成有意义的多边形对象[17-18],获取对象的几何特征和空间关系后,与光谱特征共同参与分类[19],有助于平原绿化信息的提取。多尺度分割作为面向对象分类的重点[20],对不同观测尺度的绿化信息采取不同尺度进行分割,然后逐层提取进行区分。
目前,国内相关研究以分析平原绿化模式和获取绿化总面积为主。王美等根据2001-2005年林业统计年鉴,总结了辽宁省平原绿化的资源模式,并对其产生的效益进行了分析[21]。刁慧娟等利用环境星多时相数据,剔除作物区后,通过NDVI得到河南省城市区平原绿化总面积[22]。而采用面向对象的方法,对平原绿化以高分辨率遥感影像进行精细分类的研究较少。
天绘一号卫星影像包括10 m的多光谱数据和2 m的全色数据,可进行高精度平原绿化的提取。本文采用面向对象的分类方法,以河南省封丘县为例,用天绘一号卫星影像提取了农田林网、通道防护林、四旁防护林、片林等平原绿化信息,并对分类结果进行精度验证。

2 研究区及数据来源

2.1 研究区地理特征

研究区位于河南省封丘县（图1）,处于北纬34°53′~35°14′、东经114°14′~114°46′之间,海拔65~72.5 m。封丘县属暖温带大陆性季风气候,年平均气温13.9 ℃,植被属北暖温带落叶阔叶林带。封丘县地处平原,土壤为河流冲击黄色旱作类型,以耕地为主。作为平原绿化重点建设地区,封丘县2005年秋冬造林任务为工程造林新建1.33 km2,平原绿化新建46.67 km2,通道绿化补植180 km、新植30 km,黄河护堤林补植28 km、新植10 km,速生丰产林3.33 km2,经济林1 km2,四旁植树100万株[23]。至2006年底,封丘县农田林网控制率及沟河路渠绿化率均达90%以上,村庄绿化覆盖率达40%以上,形成了点、片、带、网相结合的农田防护林体系[24]。在全国平原绿化三期工程规划（2011-2020年）[1]中,封丘县被列为重点建设的404个县之一。
Fig. 1 The location of the study area and Mapping Satellite-1 false color composite image with the validation samples

图1 研究区位置与天绘一号卫星假彩色合成影像及验证样点分布

2.2 数据获取与预处理

遥感数据选用2010年10月15日的天绘一号卫星影像,包括10 m分辨率的DGP 1A级多光谱数据（0.43~0.90 μm）和2 m分辨率的GFB 1A级全色数据,成像幅宽60 km,轨道高度500 km。影像覆盖范围为北纬34°40′~35°25′,东经114°5′~114°55′之间。
将2 m的GFB数据和10 m的DGP数据精确配准后,采用Brovey变换进行融合。Brovey变换计算DGP数据的近红外、红和绿波段像元的色彩和亮度,与GFB数据进行数学合成,从而使影像融合[25]。融合后的影像综合了天绘一号数据的多光谱及高空间分辨率特征,实现了多源遥感数据的优势互补,影像的光谱特征和纹理特征得到明显增强。融合前后影像假彩色对比如图2所示。
Fig. 2 The comparison of imagery before and after image fusion

图2 融合前后影像假彩色对比

本研究精度验证与评价依托验证点数据进行,其获取采用野外调查与目视解译相结合的方式[26-27]。2012年5月和9月对研究区进行野外调查,路线基本布满整个研究区,沿途记录平原绿化信息及土地覆盖类型,获得412个实地采样点数据。在遥感影像上随机生成665个样点,目视解译获得平原绿化信息。以此方法共获得1077个验证点数据,其分布如图1所示。

3 面向对象的平原绿化图像识别提取方法

3.1 分类系统的拟定

本研究根据封丘县土地覆盖特点,制定了6个一级类型,包括林地、耕地、水域湿地、人工表面和其他（裸土）。进一步结合河南省平原绿化基本模式[3],为林地拟定了4个二级类型,即农田林网、通道防护林、四旁防护林和片林,如表1所示。
Tab. 1 Land cover classification system

表1 土地覆盖分类系统

一级类型 二级类型 指标描述
林地 农田林网 指农田中由互相垂直的林带构成的网状防护林
通道防护林 指高速公路、国道、县乡级道路,以及河流两侧的防护林带
四旁防护林 指村镇周围、居民房屋周围等,采取乔、灌相结合营造的防护林
片林 指荒沙、荒滩、荒地上的连片防护林
耕地 指种植农作物的土地,包括熟耕地、新开荒地、轮歇地等
水域湿地 指天然陆地水域和水利设施用地
人工表面 指城乡居民点、工矿、交通等用地
其他（裸土） 指地表土质覆盖,植被覆盖度在5%以下的土地

3.2 多尺度影像分割

影像分割根据影像的光谱、空间、纹理等特征,合并同质像元,分离异质像元,把原始影像划分为多个均质多边形[28]。分割的尺度越大,产生的多边形面积越大,容易造成类型边界模糊或一个多边形内包含多个类型的情况;分割尺度越小,产生的多边形面积越小,数量越多,会过度分解同类地物,产生大量碎小斑块[29-30]。影像分割尺度的确定直接影响分类结果的精度[31]。
所谓分层多尺度分割即整幅影像并不是在一种分割尺度下完成全部地物的提取,而是对不同的地物采取不同的尺度进行分割,然后在不同的层中提取出来,并且可利用其他层对象与分类层对象之间的关系,把其他层中提取出来的类别作为该层分类的掩膜,传递层与层之间的信息,逐层求精,得到最终分类结果。
本研究经过多次试验比较,最终确定了具有4个层次的多尺度分割等级网,具体参数如表2所示。分割效果如图3所示。
Tab. 2 Scale parameters of image segmentation

表2 多尺度分割参数设置

分割等级 分割尺度 颜色 形状 光滑度 紧凑度 分割类型 提取类别
Level 1 40 0.9 0.1 0.7 0.3 整体分割 一级类型
Level 2 30 0.9 0.1 0.7 0.3 类内分割 农田林网
Level 3 20 0.9 0.1 0.7 0.3 类内分割 通道防护林
Level 4 10 0.9 0.1 0.7 0.3 类内分割 四旁防护林
Fig. 3 The segmentation results with different scales

图3 多尺度分割结果

在Level 1层上,对影像进行整体分割,分割尺度为40。在该尺度下,一级地类可以得到完整的分割,平原绿化却不能从其背景土地覆盖类型中分割出来,即此层分类得到的一级地类对象为包含了平原绿化的混合对象。
在Level 2层上,对耕地进行类内分割,分割尺度为30。图3（b）中Level 2部分,在该尺度下,农田林网可以得到准确分割。
通道防护林与人工表面（交通用地）交叉在一起,难以分清,应采用更小的尺度进行分割。在Level 3层上,对人工表面（交通道路）进行类内分割,分割尺度为20。图3（b）中Level 3部分,在该尺度下,通道防护林可以得到准确分割。
四旁防护林斑块碎小,与人工表面（居住地）混为一体,应采用更小的尺度进行分割。在Level 4层上,对人工表面（居住地）进行类内分割,分割尺度为10。图3（b）中Level 4部分,在该尺度下,四旁防护林可以得到准确分割。
分割时为充分利用光谱特征,颜色因子设为0.9,形状因子设为0.1。为使分割对象的边界具有较高的光滑程度,抑制边缘破碎,光滑度设为0.7,紧凑度设为0.3。

3.3 分类特征的选择

影像对象具有多种可用于分类的特征：光谱特征、形状特征、纹理特征和空间关系等。灵活运用影像对象的各种特征,制定分类规则集,能够更好地提取特定地物类型。本文通过构建隶属度函数,制定分类规则集,进行面向对象的信息提取。分类规则的设置考虑了如下因素：（1）不同地类的特征值虽然不同,但是其差异并不能保证地类之间被明确地区分,因此,分类过程中地类提取的顺序也至关重要。首先提取特征明显的地类,然后在未分类部分中继续提取,依次缩小提取范围,最大限度排除其他地类在分类过程中产生的干扰;（2）每一层的分类结果可以传递到其他层,作为其他层的分类依据;（3）子类继承父类的分类特征,在此基础上增加自己的特征;（4）平原绿化信息斑块较小,大的分割尺度会使其与其他地物共同分割在一个混合对象中,对该种混合对象继续分割,直到平原绿化被准确分割后再对其进行提取。本文使用的分类特征如表3所示。
Tab. 3 Classification features

表3 分类特征

特征类型 分类特征 说明 计算公式
光谱特征 NDVI 归一化植被指数,反映植被的生长状态和类型 NDVI=NIR-Red/NIR+Red（1）
NDWI 归一化水体指数,用于提取水体信息 NDWI=Green-NIR/Green+NIR（2）
空间特征 亮度（Brightness） 影像对象图层平均值的总和除以图层数量 Brightness=1n∑i-1nci¯（3）
密度（Density） 反映影像对象的紧致程度,其值越大影像对象的形状越接近正方形 Density=n1+VarX+VarY（4）
边界指数（borderIndex） 影像对象包含的像元边界总和,一个像元边界为1 borderIndex=n（5）

4 面向对象的平原绿化提取结果与分析

4.1 规则建立与影像分类

本文根据分类特征选取特点,以分割对象为单位,选取地类样本数据统计其光谱特征均值,其结果见表4,NDVI、NDWI柱状图见图4。由图4可知,耕地（水田）的NDVI值最高,其次是林地,这2类可通过NDVI提取。水域湿地的NDWI值最高,可借助NDWI进行提取。剩余的类型中,其他（裸土）的NDVI值最低,可通过其提取。人工表面和耕地（旱地）的NDVI和NDWI值均相差不大,但是人工表面的各波段光谱均值都明显高于耕地（旱地）,因此,可借助亮度（Brightness）进行提取。
Tab. 4 Statistics of spectral feature

表4 光谱特征均值统计

地类名称 NIR RED GREEN NDVI NDWI
林地 13.32 11.32 6.92 0.081 -0.316
耕地（水田） 15.90 10.76 7.17 0.193 -0.378
耕地（旱地） 19.81 20.67 15.06 -0.021 -0.136
水域湿地 17.84 24.06 19.81 -0.148 0.052
人工表面 23.38 23.15 17.63 0.005 -0.140
其他（裸土） 20.11 21.89 16.73 -0.042 -0.092
Fig. 4 Statistics of NDVI and NDWI

图4 NDVI、NDWI柱状图

结合表4统计的地类光谱特征均值,经过多次试验,比较提取结果,最终确定分类阈值：在Level 1层上,NDWI≥0提取水域湿地;12≤亮度≤15.5提取人工表面;0≤NDVI≤0.19提取林地;-0.11≤NDVI≤0并且-0.01≤NDWI≤0提取其他（裸土）;最后把未分类部分（unclassified）归为耕地。
由于Level 1层的分割尺度为40,Level 1中提取出来的林地,大部分为单独存在、能够被40尺度分割出来的片林,也包含少量人工表面（居住地）外部的较大面积的四旁防护林。选择林地中与人工表面距离为0的对象,归类为四旁防护林,剩余的归为片林。
由本文所选研究区的平原绿化基本模式得知,在Level 1层提取出的包含了平原绿化信息的一级类型对象中,农田林网分布于耕地或者人工表面（田间道路）对象内;通道防护林分布于人工表面（交通道路）对象内;四旁防护林分布于人工表面（居住地）对象内。因此,人工表面的精细分类是获取平原绿化信息的重要前提。选取人工表面样本数据,以分割对象为单位,统计其光谱特征和空间特征均值,其结果见表5,密度、边界指数柱状图见图5。由图5可知,在人工表面中,居住地的密度值最高,田间道路的边界指数明显高于其他人工表面。鉴此,对人工表面进行分类,密度≥1.4归为居住地,边界指数≥2.9归为田间道路,剩余人工表面归为交通道路。
Tab. 5 Statistics of spatial feature

表5 空间特征统计

地类名称 亮度 密度 边界指数
田间道路 15.54 0.72 3.83
交通道路 13.06 1.07 1.75
居住地 13.73 1.67 2.11
Fig. 5 Statistics of density and border index

图5 密度、边界指数柱状图

4.1.1 农田林网
在Level 2层上,对耕地进行尺度为30的类内分割后,农田林网和人工表面（田间道路）都得到了充分的分割。人工表面（田间道路）上多伴有防护林,植被覆盖度高的在遥感影像上会被防护林遮盖,被归为农田林网。经提取样本数据发现,农田林网和人工表面的亮度值均在12以上,高于耕地。但是,农田林网的NDVI明显高于田间道路,NDVI值在0.01以上。因此提取耕地中亮度≥12的部分,然后提取NDVI≥0.01的部分,即可获取农田林网,如图6所示。图6中（a）为原始影像;（b）为亮度≥12且NDVI≥0.01时的提取效果,蓝色区域为提取出的农田林网;（c）为农田林网提取结果。
Fig. 6 Extraction of farmland shelterbelt

图6 农田林网提取

4.1.2 通道防护林
在Level 3层上,对人工表面的交通道路进行尺度为20的类内分割后,通道防护林在交通道路内部得到了完全的分割。提取样本数据发现,通道防护林的NDVI值明显高于交通道路,在0.015以上。图7（a）为原始影像,可以看到交通道路两旁伴有通道防护林;图7（b）中蓝色区域为NDVI≥0.015时的提取效果;图7（c）为对人工表面（交通道路）进行分类,提取出通道防护林的效果。
Fig. 7 Extraction of road shelterbelt

图7 通道防护林提取

4.1.3 四旁防护林
在Level 4层上,对人工表面的居住地进行尺度为10的类内分割,提取其内部的四旁防护林。提取样本数据发现,四旁防护林和居住地的绿波段均值差异显著,四旁防护林的绿波段均值分布在6和10之间。图8（a）为原始影像,可以看到居住地内部及周围分布的四旁防护林;图8（b）为6≤Green≤10时的提取效果,在该范围内,Green波段均值由小至大的颜色变化对应为由蓝至绿;图8（c）为对人工表面的居住地进行分类,提取出四旁防护林的效果。
Fig. 8 Extraction of residence shelterbelt

图8 四旁树提取

4.2 平原绿化的图像分类结果

本文通过面向对象的分类方法,提取了封丘县农田林网、通道防护林、四旁防护林、片林等平原绿化信息,分类结果如图9所示。
Fig. 9 Extraction result of plain afforestation

图9 平原绿化提取结果

图9可看出,农田林网较均匀地散布于整个图像区域,通道防护林沿道路成明显的带状分布,四旁防护林主要分布于村镇附近,片林主要沿河流等分布。
本文共获取封丘县平原绿化面积152.51 km2,其中,农田林网36.09 km2,通道防护林21.29 km2,四旁防护林71.56 km2,片林23.57 km2。四旁防护林面积在平原绿化总面积中比重最大,为46.92%,其次是农田林网,为23.66%,通道防护林和片林的面积分别占13.96%和15.45%。

4.3 精度验证

利用验证点数据,对分类结果进行精度评价(表6),分类总体精度为93.50%,Kappa系数为0.92。
Tab. 6 The confusion matrix for accuracy assessment of the object-oriented classification results

表6 面向对象分类结果混淆矩阵

类型 农田林网 通道防护林 四旁防护林 片林 耕地 水域湿地 人工表面 其他（裸土） 总计
农田林网 155 1 0 0 5 0 1 0 162
通道防护林 0 188 0 2 0 1 9 0 200
四旁防护林 0 0 265 3 0 0 11 0 279
片林 3 4 4 154 2 0 1 0 168
耕地 2 0 3 0 108 0 1 0 114
水域湿地 0 1 0 1 0 47 0 8 57
人工表面 1 1 4 0 0 0 73 0 79
其他（裸土） 0 0 0 0 1 0 0 17 18
生产者精度（%） 96.27 96.41 96.01 96.25 93.10 97.92 76.04 68.00
用户精度（%） 95.68 94.00 94.98 91.67 94.74 82.46 92.41 94.44
总体精度（%） 93.50
Kappa系数 0.92

5 结论与讨论

（1）多尺度分割的过程中,针对不同平原绿化,选择适合其形态特征的尺度和参数,确定了40、30、20和10共4个分割层次,较准确地对不同平原绿化进行了提取。
（2）面向对象分类的过程中,根据平原绿化信息的空间分布规律制定分类规则。在粗尺度分割的基础上,提取土地覆盖类型;逐层对耕地、人工表面（交通道路）和人工表面（居住地）降低尺度分割后进行分类,依次提取其内部的农田林网、通道防护林和四旁防护林。
（3）基于天绘一号卫星影像,采用面向对象的分类方法提取平原绿化,总体精度93.50%,Kappa系数0.92。研究验证了天绘一号卫星影像在平原绿化提取方面的应用潜力,为平原绿化面积的准确获取提供了方法参考。随着我国“高分”等重大专项的实施,可大量获取国产的高分辨率遥感影像,将推广应用于更大范围的平原区。
（4）本次平原绿化信息提取地类相对简单,如在地类复杂的地区,须综合考虑灌木绿化、草地绿化等植被因素,进行更加深入的探讨研究。
（5）本文提出了4个分割层次进行多尺度分割,以确保平原绿化信息提取的准确性,但步骤较多,实验过程有待进一步简化,下一步研究中,可通过优化参数减少分割层次。本次面向对象分类过程中的阈值主要通过人机交互获得,存在一定的主观性,下一步研究中可采用相关算法,通过机器学习获取阈值,进行试验对比展开论证,探讨更加精确、普适性的确定阈值的方法。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
国家林业局.全国平原绿化三期工程规划(2011-2020年).[OL/2014-07-01],2013.

[2]
李长征. 农田林网对耕地的影响与控制[J].内蒙古林业调查设计,2009,32(3):114-115.

[3]
杨朝兴. 河南省平原绿化的资源模式及功能[J].林业资源管理,2008,(1):30-34.

[4]
冯俐丽,段绍光,赵义民.河南平原绿化发展研究[J].地域研究与开发,2002,21(3):78-81.

[5]
贾宝全. 基于TM卫星影像数据的北京市植被变化及其原因分析[J].生态学报,2013,33(5):1654-1666.

[6]
唐伟,赵书河,王培法.面向对象的高空间分辨率遥感影像道路信息的提取[J].地球信息科学,2008,10(2):257-262.

[7]
张秀英,冯学智,江洪.面向对象分类的特征空间优化[J].遥感学报,2009,13(4):664-669.

[8]
蔡亮,郭泺.基于面向对象方法的汶川大地震灾害土地覆盖变化[J].生态学报,2008,28(12):5927-5937.

[9]
蒲智,杨辽,白洁.基于面向对象技术的高分辨率遥感影像的阴影检测与去除[J].遥感技术与应用,2008,23(6):735-738.

[10]
李小江,孟庆岩,王春梅,等.一种面向对象的像元级遥感图像分类方法[J].地球信息科学学报,2013,15(5):744-751.

[11]
Yu H Y, Cheng G, Ge X S, et al.Object oriented land cover classification using ALS and GeoEye imgery over mining area[J]. Transactions of Nonferrous Metals Society of China, 2011,S3:733-737.

[12]
胡荣明,魏曼,杨成斌,等.以SPOT5遥感数据为例比较基于像素与面向对象的分类方法[J].遥感技术与应用,2012,27(3):366-371.

[13]
An K, Zhang J S, Xiao Y.Object-oriented Urban Dynamic Monitoring-A Case Study of Haidian District of Beijing[J]. Chinese Geographical Science,2007,17(3):236-242.

[14]
Sun Z P, Shen W M, Wei B, et al.Object-oriented land cover classification using HJ-1 remote sensing imagery[J]. Science China (Earth Sciences), 2010,53:34-44.

[15]
仇江啸,王效科.基于高分辨率遥感影像的面向对象城市土地覆被分类比较研究[J].遥感技术与应用,2010,25(5):653-661.

[16]
王启田,林祥国,王志军,等.利用面向对象分类方法提取冬小麦种植面积的研究[J].测绘科学,2008,33(2):144-146.

[17]
彭海涛,柯长青.基于多层分割的面向对象遥感影像分类方法研究[J].遥感技术与应用,2010,25(1):149-154.

[18]
陈杰,邓敏,肖鹏峰,等.粗糙集高分辨率遥感影像面向对象分类[J].遥感学报,2010,14(6):1139-1155.

[19]
孙晓艳,杜华强,韩凝,等.面向对象多尺度分割的SPOT5影像毛竹林专题信息提取[J].林业科学,2013,49(10):80-87.

[20]
Zhou C Y, Wang P, Zhang Z Y, et al.Classification of Urban Land Based on Objected-oriented Information Extraction Technology[J]. Remote Sensing Technology and Application, 2008,23(1):31-35.

[21]
王美,李春平,殷鸣放,等. 辽宁省平原绿化的资源模式及效益[J].辽宁林业科技,2009(2):49-52.

[22]
刁慧娟,王正兴,于信芳.基于HJ-1A/B CCD数据的河南省平原绿化分析[J].地球信息科学学报,2014,16(5):824-832.

[23]
新乡市政府.新乡市人民政府办公室关于印发2005年秋冬季林业重点工作的通知. [OL/2014-07-08],2006.

[24]
田宜龙.平原绿化河南领先[N].河南日报,2007-12-05(01).

[25]
贺奋琴,胡振琪,尹建忠,等.ASTER和TM/ETM+遥感数据融合监测土地覆盖变化[J].测绘科学,2007,32(1):96-111.

[26]
Wang H, Chen J S, Yu X M.Feature selection and its application in object-oriented classification[J]. Journal of Remote Sensing,2013,17(4):816-829.

[27]
陈杰,邓敏,肖鹏峰,等.结合支持向量机与粒度计算的高分辨率遥感影像面向对象分类[J].测绘学报,2011,40(2):135-141.

[28]
崔一娇,朱琳,赵力娟.基于面向对象及光谱特征的植被信息提取与分析[J].生态学报,2013,33(3):867-875.

[29]
苏伟,李京,陈云浩,等.基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例[J].遥感学报,2007,11(4):521-530.

[30]
郭亚鸽,于信芳,江东,等.面向对象的森林植被图像识别分类方法[J].地球信息科学学报,2012,14(4):514-522.

[31]
买凯乐,张文辉.黄土丘陵沟壑区遥感影像信息面向对象分类方法提取[J].农业机械学报,2011,42(4):153-158.

Options
Outlines

/

〈 〉