EN中文

Journal of Geo-information Science >

2017 , Vol. 19 >Issue 1: 1 - 9

DOI: https://doi.org/10.3724/SP.J.1047.2017.00002

Orginal Article

The Research on the Method of Combining Images of GF-1 and OLI for FuzzyClassification of Land use

  • ZHANG Cuifen , 1 ,
  • SHUAI Shuang 2 ,
  • HAO Lina , 3, * ,
  • LIU Xi 4
Expand
  • 1. Shandong Women’s University, Jinan 250002, China;
  • 2. Hubei Institute of Land Surveying and Mapping, Wuhan 430010, China
  • 3. Key Laboratory of Geoscience Spatial Information Technology, Ministry of Land and Resources of the P. R .China
  • 4. .Basic Geographic Information Center of Sichuan Province, NASMG, Chengdu 610093, China
*Corresponding author: HAO Lina, E-mail:

Received date: 2016-04-25

  Request revised date: 2016-08-25

  Online published: 2017-01-13

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

In order to improve the phenomenon that different objects perform the same spectral characteristics in land use mapping of high spatial resolution data and the “mixed pixel” problem caused by lower spatial resolution in land use mapping of medium spatial resolution data, this study took GF-1 and OLI as a case and proposed a method of combining high spatial resolution data and medium spatial resolution data for fuzzy classification of land use. Firstly, texture information of GF-1 and spectral information of OLI were compressed and strengthened by principal component analysis (PCA), respectively. Compressed texture information of GF-1 and compressed spectral information of OLI were layer stacked. The combined data of three bands feature was received. Then, the feature combined data was segmented into three different levels of 60, 80, 100 based on texture and spectral characteristics of the different land use types in feature combined data. Finally, the fuzzy logic membership functions of the land use types were built based on texture and spectral difference of the different land use types. In this way, the fuzzy land use classification of the study area was carried out. Results shows that the PCA method compressed and strengthened GF-1 and OLI of study area effectively and the proposed method classified the land use of study area successfully receiving a high total accuracy of 93.52%. The method proposed in this paper offered a new idea for classification feature selecting in object-oriented classification and had some significance for other classification research of combining high spatial resolution data and high spectral resolution data.

Key words： GF-1; OLI; Combined use; Land use; Fuzzy classification

Cite this article

ZHANG Cuifen , SHUAI Shuang , HAO Lina , LIU Xi . The Research on the Method of Combining Images of GF-1 and OLI for FuzzyClassification of Land use[J]. Journal of Geo-information Science, 2017 , 19(1) : 1 -9 . DOI: 10.3724/SP.J.1047.2017.00002

1 前言

土地利用、覆被变化与全球气候变化、生态系统演变及生物多样性变化等关系密切。土地利用类型的变化既是全球环境变化的原因,又是全球环境变化的结果,对全球环境变化有重要的影响[1]。20世纪90年代以来,土地利用、覆被变化的相关研究成为了热点,而遥感分类是其中重要的研究方法之一。
长期以来,TM、ASTER、OLI等中空间分辨率遥感数据因其光谱分辨率的优势,一直是遥感土地利用分类研究的主要数据源[2-3]。随着卫星传感器的更新,遥感数据的空间分辨率不断提高,近年来国产高分系列卫星也相继投入使用,一些学者利用高空间分辨率数据进行地物类型划分并取得了一定成效[4-6]。高分辨率遥感数据的分类方法,从分类对象方面可分为3类：基于像元的分类、基于亚像元的分类以及面向对象的分类[7]。研究表明,针对高分辨率遥感数据,面向对象的分类相比传统分类方法具有以下优势：① 能够充分利用遥感影像的多特征进行分类,更符合人类的思维,更具智能性[8];② 能够根据不同地物特点,在不同尺度下进行信息提取[9];③ 分类精度更高[10]。本文使用的模糊分类方法是面向对象的分类方法的一种。而对于面向对象分类方法,如何有效地选择分割尺度和参与分类的影像特征等问题还有待进一步研究[7]。本文尝试利用“特征协同”的方法解决面向对象分类中分类特征选择问题。
由于遥感成像中瞬时视场的关系,同一传感器难以同时获得高光谱分辨率和高空间分辨率影 像[11]。同时,研究表明中分遥感数据和高分遥感数据在进行土地利用分类时各有优势。宋军伟[6]通过对比GF-1和Landsat-8影像的土地覆盖分类效果,发现在农田与林地、不透水面与裸土的典型样本可分离性方面,Landsat-8优于GF-1;而GF-1对零碎分布地物类型的分类精度高于Landsat-8。高空间分辨率遥感图像光谱统计特征的不稳定性造成了同类地物的光谱异质性和不同种地物的光谱重叠 性[12],进而影响地物分类精度。例如,高分辨率影像上,由于水体和建筑物阴影在可见光和近红外波段上光谱特征相似,常造成二者的混分现象,而中分数据的短波红外波段则可以很好地区分水体和阴影[13]。利用中分辨率数据进行土地利用类型划分时,由于混合像元现象严重,单独依靠光谱信息进行地物分类时也易受到“同物异谱”和“异物同谱”的影响[14],而空间分辨率的提高能有效地改善混合像元作用的影响。
本文以特征协同的方式将高分辨率数据的纹理信息和中分辨率数据的光谱信息进行“协同”,充分发挥二者优势,并利用各地类间的光谱差异性和纹理差异性构建模糊逻辑隶属度函数,对研究区影像进行土地利用类型划分,也为中、高空间分辨率遥感影像上的土地利用类型分类研究及面向对象分类中分类特征的选取提供了一种思路。

2 研究区与数据源

研究区位于山东省青岛市,东经119°41′48″~119°44′00″,北纬35°45′52″~35°47′29″。区内土地利用类型主要为耕地、林地、建设用地、水体和未利用地,其中耕地分布面积最大,其次为林地和建设用地,水体和未利用地零星分布,另外有一条铁路自西向东从研究区南部穿过。
本研究使用的数据源是2014年7月9日采集的高分一号数据（GF-1）和2014年5月26日采集的Landsat-8 OLI数据,GF-1数据全色波段空间分辨率为2 m,多光谱波段包含可见光到近红外4个波段,空间分辨率为8 m;OLI全色波段空间分辨率为15 m,另外有可见光到短波红外7个多光谱波段,空间分辨率为30 m。可见GF-1数据的空间分辨率优于OLI,而OLI数据的光谱分辨率优于GF-1数据。研究区2种类型数据获取质量良好,无云,如图1所示。
Fig. 1 GF-1 and OLI images of the study area

图1 研究区GF-1影像和OLI影像

3 GF-1影像和OLI影像的协同模糊分类

3.1 数据协同方法

前人研究表明,GF-1数据和OLI数据在土地利用类型划分上各有优势。本文研究的主要思路就是将2种数据的优势“协同”起来,提高影像土地利用类型划分的精度。在分别对GF-1影像纹理信息和OLI影像光谱信息压缩、增强的基础上,将压缩增强后的光谱和纹理信息进行波段绑定,完成GF-1数据和OLI数据的特征协同,具体流程如图2所示。
Fig. 2 Feature combined flow of GF-1 and OLI data

图2 GF-1数据与OLI数据特征协同流程

3.1.1 数据预处理
分别对2种影像进行大气校正,保证影像清晰、准确地反应地物的光谱和纹理信息。以空间分辨率更高的GF-1影像为参照,对OLI影像进行几何校正,确保2种数据空间位置上的配准;将2种数据的多光谱波段分别与其全色波段融合,并根据研究区范围进行裁剪。
3.1.2 GF-1影像空间结构信息的压缩和增强
目前图像纹理是反应遥感影像空间结构信息的主要特征。根据GF-1四波段融合数据的范围、熵、均值、方差和偏度5个统计量,采用灰度共生矩阵法[15],选择窗口大小“5”,计算获取了20幅纹理 图像。
前人研究表明,用于提取纹理信息的这5个统计量仍存在信息特征、有效性等方面的重叠[16],进而造成提取的纹理图像数据冗余。这就需要对获取的20幅纹理图像进行信息压缩和增强。主成分变换具有方差信息浓缩、数据量压缩的作用,可以更确切地揭示多波段数据结构内部的遥感信息[17]。对20幅纹理图像进行主成分变换的结果显示前6个主分量的信息量占96.19%,并且完整包含各地物类型的纹理信息。若将6个纹理主分量图像全部加入分类不仅会严重影响分类运算速度,也不易于模糊逻辑隶属度函数的构建。根据靳晓辉[18]的方法,将6个纹理主分量图像按各自权重进行信息特征融合,融合公式如式（1）所示。
T = P C 1 × 0.7638 + P C 2 × 0.0872 + P C 3 × 0.0512 + P C 4 × 0.0267 + P C 5 × 0.0219 + P C 6 × 0.0156 （1）
式中：T为纹理信息融合图像;PC1、PC2、PC3、PC4、 PC5、 PC6为前6个纹理主分量图像,系数为各主分量的权重值。纹理信息融合图像效果如图3所示。
Fig. 3 The texture information fusion image of GF-1 data in the study area

图3 研究区GF-1数据纹理信息融合图像

由图3可看出,纹理信息融合图像较好地融合了20幅纹理图像的信息,并完整地包含了研究区各地物的图像空间结构信息。各地物类型的纹理特征差异较显著,说明该纹理图像的信息融合方法[18]对本研究区的适用性较强。
3.1.3 OLI影像光谱信息的压缩和增强
为了保持空间分辨率的统一,先将15 m分辨率7波段OLI影像与2 m分辨率GF-1全色波段影像进行融合。针对异源数据融合时,由于波谱覆盖范围不同造成的光谱失真问题[19],使用目前常用的融合算法进行试验,并计算试融合结果的光谱扭曲度和相关系数。一般情况下,相关系数越大,光谱扭曲度越小,融合结果的光谱保真度越好。计算结果（表1）显示：Gram-Schmidt变换融合法的相关系数最大,光谱扭曲度最小。最终选择该方法进行OLI数据和GF-1数据的融合。
同样,利用主成分变换的方法对获得7波段 2 m分辨率融合图像进行光谱信息的压缩。主成分分析的结果显示前2个主分量占7波段信息量的96.81%。
在分别对GF-1影像的纹理信息和OLI影像的光谱信息进行压缩、增强的基础上,将OLI主成分变换后的前2个主分量和GF-1的纹理信息融合图像进行波段绑定,形成3波段的GF-1和OLI特征协同数据。
Tab. 1 The correlation coefficient and spectraltwist of fusion images

表1 融合结果相关系数与光谱扭曲度对比表

融合方法 相关系数 光谱扭曲度
主成分变换 0.2242 145.2364
Gram-Schmidt变换 0.2337 128.3545
Pan-sharpen变换 0.2289 136.4752

3.2 多尺度分割

影像的多尺度分割方法考虑了实际地表多层次、多格局的特征,通过建立不同的尺度分割等级,逐层进行分割与信息提取[20]。进行影像多尺度分割时,分割参数的设置直接影响分割和分类的准确性。本文主要考虑分割尺度和波段权重的设定。在设置参与分割的波段权重时,主要考虑研究区内不同地物间的光谱特征和纹理特征的差异性。在主要依据光谱特征区分地物的分割层次,将光谱特征波段权重适当升高。相反,在主要利用纹理特征区分地物的分割层次,则将纹理特征波段权重调高。选择分割尺度时的主要思路是,对分割对象内部的同质性与对象间的异质性进行分析,选取一个合适的尺度,使达到对象内同质性最大且对象间异质性最大[20]。选取训练区,进行尺度50-140（间隔为10）的分割试验,以各待分类地物最大面积对象的标准差来表征其同质性,标准差越大同质性越差,计算结果如表2所示。
Tab. 2 The standard deviation of the maximumarea of multi-scales

表2 各尺度最大面积标准差

尺度 水体 林地 建设用地 农田 铁路
50 5.07 4.57 10.38 4.23 16.68
60 5.07 4.57 10.38 9.83 16.68
70 5.07 4.57 10.38 9.83 20.35
80 5.07 6.56 16.24 9.83 42.36
90 6.58 8.15 16.24 18.60 42.36
100 6.58 8.15 18.71 18.60 42.36
110 6.58 18.97 18.71 27.58 48.26
120 27.07 18.97 25.97 27.58 48.26
130 27.07 20.00 25.97 33.26 48.26
140 27.07 20.00 25.97 33.26 48.26
表2中各地物类型的分割对象的同质性随分割尺度增加阶梯状下降。研究区内各地物类型的同质性较好的分割尺度范围,水体为50-110,林地为50-100,建设用地为50-70,农田为50-80,铁路为50-70。在以上区间内进行再试验,以各类地物边界清楚、避免分割不完全或分割过于破碎为原则,结合各类地物的光谱、纹理特征确定了多尺度分割的层次和各分割层的参数（表3）。
Tab. 3 Multi-scale segmentation levels andparameter settings

表3 多尺度分割层次和参数设置

分割层次 尺度 波动权重（PC1:PC2:T） 形状 紧密度
Level 1 100 1:2:1 0.1 0.6
Level 2 80 2:2:1 0.1 0.6
Level 3 60 1:1:2 0.2 0.6
分割层次1的分割尺度为100,为较大尺度分割,用于将水体和陆地分开。经分析,水体的特征波段为PC2,所以将该波段权重设置为2。层次2在层次1基础上有所细分,分割尺度设置为80,用于分割出林地和耕地。经分析,PC1波段容易区分林地和耕地,所以将PC1权重设置为2。层次3的分割尺度进一步缩小,设置为60,用于分割出铁路和建设用地。经分析,铁路与建设用地的纹理特征区分度较高,所以将纹理波段T权重设置为2。

3.3 模糊分类与结果分析

模糊分类方法是在面向对象的分割基础上,结合模糊数学进行图像分类的方法。研究中对研究区特征协同影像进行多尺度分割后,通过构建模糊逻辑隶属度函数进行地物类型分类。
首先确定研究区土地利用类型分类中的具体类别。根据土地利用类型划分相关标准,结合研究区实际情况,将研究区土地利用类型分为水体、林地、耕地、建设用地、铁路和未利用地6类。6种土地利用类型的模糊逻辑隶属度函数构建情况 如下：
（1）分割层次1偏重利用OLI光谱信息主成分变换后的第二主分量（PC2）,用于分割出水体,经过分析,水体在PC2与其他地物区分明显,通过试验,在PC2对象均值80-125区间内,可以很好地区分出水体。
（2）分割层次2中,OLI光谱信息主成分变换后的第一主分量（PC1）占比重较大,该分割层次主要将林地和耕地分出,将林地分出需要结合利用PC1和PC2,PC1中林地对象的均值分布在49-99区间内,但在此区间内也存在一些水体对象,增加PC2对象均值区间（133-172）限制条件,可将水体排除。耕地在PC1特征明显,其在PC1的对象均值特征区间为99-127。
（3）分割层次3则偏重利用GF-1纹理信息融合波段（T）,主要区分出建设用地和铁路。建设用地和铁路的纹理特征与其他地物类型差异明显。在T中对象均值4.4-13区间内,可较好地区分出建设用地。同时,在T中对象均值19-23区间内可区分出铁路。其他未分类地物被定义为未利用地。分类效果如图4所示。
Fig. 4 The land use classification results of the study area

图4 研究区土地利用类型分类效果图

3.4 精度评价与分析

研究中利用混淆矩阵的总体分类精度、生产者精度、用户精度和Kappa系数的分类精度评价方法对本文分类结果进行了精度评价。在评价样本选取上,为了避免均匀采样方法和随机采样方法中,一些类型采样不足引起的样本重叠和空白区域等问题[21],本文使用全域检验[22]的方式,将全部24 664个像元作为样本进行精度检验。具体做法如下,结合研究区的土地利用数据以及野外调查资料,在高空间分辨率遥感影像上,利用目视解译方法获得了研究区各土地利用类型的矢量范围,将矢量数据转换为栅格文件,该栅格文件在几何上与遥感图像严格匹配（坐标系和像元大小完全相同）。栅格文件的像元值由地类属性确定,并转化为可与分类图像比较的数据形式,并以此栅格文件为基准逐像元的检验分类图像各像元的分类正误。精度评价结果如表4所示,总体精度为93.52%,Kappa系数为0.89。
Tab. 4 Confusion matrices of the classification results

表4 研究区特征协同影像模糊分类结果精度评价

土地利用类型 耕地 建设用地 林地 水体 铁路 未利用地 总计/行 用户精度/%
耕地 14 047 225 0 5 0 255 14 532 96.67
建设用地 38 1777 0 0 8 110 1933 91.88
林地 225 188 5351 37 0 315 6116 87.49
水体 0 0 0 276 0 0 276 100.00
铁路 13 0 17 6 208 0 244 85.25
未利用地 69 61 0 25 0 1408 1563 90.08
总计/列 14 392 2251 5368 349 216 2088
生产者精度/% 97.60 78.94 99.68 79.08 96.30 67.43
分类评价结果显示,本文提出的GF-1影像和OLI影像的协同模糊分类方法的分类结果较准确地反映了研究区的土地利用类型分布情况。从单地物类型看,耕地的分类精度最高,生产者精度和用户精度分别达到了97.60%和96.67%。主要错分源于林地中的个别耕地对象被误分为林地以及一些长有规则稀疏植被的未利用地被误分为耕地。林地的分类情况也较好,生产者精度为99.68%,用户精度为87.49%。用户精度较低的原因是,未利用地中一些植被覆盖较好的河流边滩被误分为了林地。建设用地分类的用户精度较高,为91.88%;而生产者精度较低,为78.94%,这是因为一些面积较大的厂房顶棚光谱信息与裸地接近,加之纹理信息又不丰富,被误分为了未利用地。水体分类的用户精度为100%,而生产者精度为79.08%,这是因为一些面积较小的池塘被淹没在其他地类中。铁路分类的生产者精度较高,为96.30%,用户精度相对较低,为85.25%,这是铁路边缘一些纹理信息较丰富林地被误分为铁路造成的。研究区的未利用地主要包含裸地、河流中的沙洲、两岸的滩地以及部分有零星植被覆盖的空闲地等。未利用地分类的用户精度为90.08%,生产者精度较低为67.43%。一些有零星植被的沙洲被误分为耕地,水流交错的边滩被误分为建设用地,植被覆盖度较高的河流滩地误分为林地都是造成生产者精度较低的原因。

4 结论

本文提出的GF-1影像和OLI影像的协同土地利用模糊分类方法,旨在将GF-1数据的纹理信息优势与OLI影像的光谱信息优势相结合进行土地利用类型划分,并获得较高的分类精度。首先,利用主成分变换的方法对20幅GF-1纹理图像和7波段OLI多光谱影像进行了压缩和增强,获得了绑定的3波段GF-1和OLI特征协同数据;然后,对特征协同数据进行了尺度为100、80、60共3个层次的分割;最后,根据研究区各地物类型光谱特征和纹理特征的差异构建了各地物的模糊逻辑隶属度函数,完成了研究区土地利用类型的划分。实验结果显示,该方法较好地结合了GF-1影像的纹理信息和OLI影像的光谱信息,并准确地划分了研究区的土地利用类型,总体分类精度达到了93.52%。
相比于传统基于像元的分类方法,本文方法根据各地物类型间的光谱、纹理特征差异设计了分类层次,实现了在不同尺度进行不同类型地物的信息提取,更具针对性;相比于其他面向对象的分类方法,本文方法利用主成分变换的方法将遥感数据的光谱、纹理信息压缩、增强并结合,为面向对象分类中分类特征的选取提供了一种思路。另外,本文方法以特征协同的方式将异源遥感数据各自光谱、空间结构探测优势相结合,成功划分了研究区土地利用类型,可推广用于更大区域的高分辨率数据土地利用类型划分,也可为其他高空间分辨率与高光谱分辨率遥感数据协同分类研究提供一定借鉴意义。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
张新荣,刘林萍,方石,等.土地利用、覆被变化(LUCC)与环境变化关系研究进展[J].生态环境学报,2014,23(12):2013-2021.土地利用、覆被变化(LUCC)作为环境变化的主要原因之一,已成为全球变化研究的前沿和热点问题。文章总结了国内外LUCC与环境变化关系的主要研究成果和方法,继而从气候、碳循环、土壤环境、水环境以及生态环境对土地利用方式的限制等方面概括了LUCC与环境变化之间的关系。LUCC通过改变大气成分和下垫面性质对气候造成影响;影响着陆地生态系统的碳循环;改变土壤的理化性质,带来土壤污染、土壤养分迁移等土壤质量问题;并且引起水体的非点源污染,影响区域的产水量和水循环。同时,环境变化对LUCC具有限制作用。不仅通过特定的气候环境直接限制土地的利用方式;还间接通过借助人类生态环境意识的改变,实现对区域土地利用强度与方式的约束。LUCC既是全球环境变化的原因,也是全球环境变化的结果。LUCC与生态环境之间存在着复杂的、非线性的动态反馈关系。进一步探讨了当前LUCC与环境变化关系的主要研究方向和相关研究方法,针对目前存在的缺乏统一的指标体系,研究区域、时空尺度单一,以单要素静态研究为主,实验研究相对薄弱以及动态模拟不够等问题,提出加强跨学科综合交叉研究、注重多尺度探讨LUCC的环境效应、构建一个LUCC环境效应研究的统一指标体系及加强"3S"技术与模拟模型的融合等建议。为寻求更科学更合理的土地利用方式提供了基础信息。

DOI

[ Zhang X R, Liu L P, Fang S, et al.Research Advances on the Relationship between Land Use/Cover Change and Environmental Change[J]. Ecology and Environmental Sciences, 2014,23(12):2013-2021. ]

[2]
田波,周云轩,蒋云安,等. ASTER数据在深圳东部滨海地区土地利用调查中的应用[J].吉林大学学报(地球科学版),2008,38(1):121-128.以深圳市东部滨海地区为试验区,对2004年11月21日 ASTER遥感数据进行辐射和几何精校正处理,实地建立分类样地;根据多边形样地矢量数据计算分析12类地物在ASTER各波段光谱反射图和分类叠合图, 同时进行植被指数和短波红外5个波段主成分分析;结合GIS并利用ASTER光谱波段、第一主成分、植被指数、立体像对生成的地形因子建立土地利用分类决 策树表;再根据决策树表对ASTER影像进行土地利用分类.经验证,分类结果总体精度达到85.1%.应用效果表明,利用ASTER数据进行土地现状资源 调查具有很好的性价比,能够满足土地利用现状调查的准确度和精度.

DOI

[ Tian B, Zhou Y X, Jiang Y A, et al.Application of ASTER Data for Land-Use Classification in Coastal Area of East Shenzhen[J]. Journal of Jilin University (Earth Science Edition ), 2008,38(1):121-128. ]

[3]
王婷婷,李山山,李安,等.基于Landsat 8卫星影像的北京地区土地覆盖分类[J].中国图像图形学报,2015,20(9):1275-1284.目的 土地覆盖分类能为生态系统模型、水资源模型和气候模型等提供重要信息,遥感技术运用于土地覆盖分类具有诸多优势.作为区域性土地覆盖分类应用的重要数据源,Landsat 5/7的TM和ETM+等数据已逐渐失效,Landsat 8陆地成像仪(OLI)较TM和ETM+增加了新的特性,利用Landsat 8数据进行北京地区土地覆盖分类研究,探讨处理方法的适用性.方法 首先,确定研究区域内土地覆盖分类系统,并对Landsat 8多光谱数据进行预处理,包括大气校正、地形校正、影像拼接及裁剪;然后,利用灰度共生矩阵提取全色波段纹理信息,与多光谱数据进行融合;最后,使用支持向量机(SVM)进行分类,获得土地覆盖分类结果.结果 经过精度评价和分析发现,6S模型大气校正和C模型地形校正预处理提高了不同类别之间的可分性,多光谱数据结合全色波段纹理特征能有效提高部分地物的土地覆盖分类精度,总体精度提高2.8％.结论 相对于Landsat TM/ETM+数据,Landsat 8OLI数据新增特性有利于土地覆盖分类精度的提高.本文方法适用于Landsat 8OLI数据土地覆盖分类研究与应用,能够满足大区域土地覆盖分类应用需求.

DOI

[ Wang T T, Li S S, Li A, et al.Land cover classification in Beijing using Landsat 8 image[J]. Journal of Image and Graphics, 2015,20(9):1275-1284. ]

[4]
陈文倩,丁建丽,王娇,等.基于高分一号影像的土地覆被分类方法初探[J].干旱区地理,2016,39(1):182-189.高分一号是我国发射的第一颗高分辨率卫星,其包含地物信息较为丰富,较多的应用于土地覆被分类中,但高分影像普遍存在基于像元分类精度稍低的问题,为了提高遥感影像的分类精度,基于高分一号影像,以新疆艾比湖湿地保护区为研究样区进行土地覆被分类研究。利用灰度共生矩阵方法提取图像的纹理信息,并将结果作为参数量输入到支持向量机(SVM)分类器中,将研究结果与传统的SVM分类及最大似然分类法作对比分析可得:辅以纹理特征的SVM分类方法可更好的区分地物信息,分类精度高达93.64%;传统的SVM分类精度为92.27%;最大似然分类为87.90%;因地制宜的开展辅以纹理特征的SVM分类方法是提高土地覆被监测精度的有效手段。

[ Chen W Q, Ding J L, Wang J, et al.Classification method of land cover based on GF-1 image[J]. Arid Land Geography, 2016,39(1):182-189. ]

[5]
李芬. 资源三号卫星数据在土地利用遥感监测中的应用研究[D].吉林:吉林大学, 2013.

[ Li F.Application Study of ZY-3 Satellite Data to Landuse Dynamic Monitoring[D]. Jilin: Jilin University, 2013. ]

[6]
宋军伟,张友静,李鑫川,等.基于GF-1与Landsat-8影像的土地覆盖分类比较[J].地理科学进展,2016,35(2):255-263.高分一号(GF-1)卫星具有多种分辨率与大幅宽结合、重访周期短等优势,而Landsat-8卫星具有多波段、高辐射分辨率等优势。针对不同传感器参数特点,利用支持向量机分类器(SVM)对同区域同期两种数据进行土地覆盖分类对比研究。结果表明:两种传感器对应波段决定系数均大于0.92;典型样本的光谱趋势一致性良好,但在农田与林地、不透水面与裸土的典型样本可分离性方面,Landsat-8优于GF-1;GF-1与Landsat-8的分类总精度分别为90.38%和90.07%,但不同地物类型的分类精度存在差异,波谱响应函数的差异可能是导致Landsat-8对林地的分类精度高于GF-1的原因;此外,GF-1对零碎分布地物类型的分类精度高于Landsat-8,主要原因是GF-1具有更高的空间分辨率。

[ Song J W, Zhang Y J, Li X C, et al.Comparison between GF-1 and Landsat-8 images in land cover classification[J]. Progress in Geography, 2016,35(2):255-263. ]

[7]
杨朝斌,张树文,卜坤,等.高分辨率遥感影像在城市LUCC中的应用[J].中国科学院大学学报,2016,33(3):289-297.高分辨率遥感影像具有高空间分辨率、高清晰度、信息量丰富等优点,它的出现极大提高了遥感在城市土地利用/覆被变化研究中的应用能力.城市土地利用类型的准确分类是城市土地利用/覆被变化研究的重要前提,高分辨遥感影像凭借其自身优势成为最重要的数据源.本研究从高分辨率遥感影像的发展与特点、分类方法及其在城市专题信息提取中的应用3个方面进行综述,重点回顾高分辨率遥感影像用于城市土地利用分类的代表性方法及其在城市系统中提取建筑物、道路和绿地等专题信息的方法和应用进展,最后指出高分辨遥感影像在城市土地利用/覆被变化研究中的不足以及未来需要解决的问题.

DOI

[ Yang C B, Zhang S W, Bu K, et al.Application of high spatial resolution remote sensing images in urban LUCC[J]. Journal of University of Chinese Academy of Sciences, 2016,33(3):289-297. ]

[8]
周成虎,骆剑承.高分辨率卫星遥感影像地学计算[M].北京:科学出版社,2009.

[ Zhou C H, LUO J C.High Resolution Satellite Imagery Geo Calculation[M]. Beijing: Science Press, 2009. ]

[9]
陈杰. 高分辨率遥感影像面向对象分类方法研究[D].长沙:中南大学,2010.

[ Chen J.Study on Object-based Classification of High-resolution Remote Sensing Imagery[D]. Changsha: Central South University, 2010. ]

[10]
Zhou W, Troy A.An object-oriented approach for analysing and characterzing urban landscape at parcel level[J]. International Journal of Remote sensing, 2008,29(11):3119-3135.ABSTRACT This paper presents an object‐oriented approach for analysing and characterizing the urban landscape structure at the parcel level using high‐resolution digital aerial imagery and LIght Detection and Ranging (LIDAR) data. Additional spatial datasets including property parcel boundaries and building footprints were used to both facilitate object segmentation and obtain greater classification accuracy. The study area is the Gwynns Falls watershed, which includes portions of Baltimore City and Baltimore County, MD. A three‐level hierarchical network of image objects was generated, and objects were classified. At the two lower levels, objects were classified into five classes, building, pavement, bare soil, fine textured vegetation and coarse textured vegetation, respectively. The object‐oriented classification approach proved to be effective for urban land cover classification. The overall accuracy of the classification was 92.3%, and the overall Kappa statistic was 0.899. Land cover proportions as well as vegetation characteristics were then summarized by property parcel. This exercise resulted in a knowledge base of rules for urban land cover classification, which could potentially be applied to other urban areas.

DOI

[11]
马艳华. 高空间分辨率和高光谱分辨率遥感图像的融合[J].红外,2003(10):11-16.1引言 在遥感成像系统的设计中,空间分辨率和光谱分辨率常常不可兼得,因为高光谱成像系统的光谱带宽很窄,必须用较大的瞬时视场(IFOR)才能收集足够多的光 量子以维持可接受的信噪比,同样高空间分辨率系统(IFOR很小)则必须加宽光谱通道,因此在目前的遥感成像系统中,要获得高空间分辨率和高光谱分辨率中 的一个必须牺牲另外一个.

DOI

[ Ma Y H.High spatial resolution and high spectral resolution remote sensing image fusion[J]. Infrared, 2003,10:11-16. ]

[12]
白穆,刘慧平,乔瑜,等.高分辨率遥感图像分类方法在LUCC中的研究进展[J].国土资源遥感, 2010,1:19-23. 高空间分辨率遥感图像在土地利用/覆盖（LUCC）变化研究中的应用，促进了遥感分类技术的进一步发展，表现在遥感分类对象、分类特征和分类器3个方面。本文对其研究进展情况进行了综述，介绍了具有代表性的分类方法，并对各种方法的特点进行了分析。最后，对遥感分类的相关研究进行了总结和展望。

DOI

[ Bai M, Liu H P, Qiao Y, et al. New Progress in the Classification of High Spatial Resolution satellite Images for LUCC[J]. Remote Sensing for Land & Resources, 2010,1:19-23. ]

[13]
Feyisa G L, Meilby H, Fensholt R, et al.Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery[J]. Remote Sensing of Environment, 2014,140:23-35.Classifying surface cover types and analyzing changes are among the most common applications of remote sensing. One of the most basic classification tasks is to distinguish water bodies from dry land surfaces. Landsat imagery is among the most widely used sources of data in remote sensing of water resources; and although several techniques of surface water extraction using Landsat data are described in the literature, their application is constrained by low accuracy in various situations. Besides, with the use of techniques such as single band thresholding and two-band indices, identifying an appropriate threshold yielding the highest possible accuracy is a challenging and time consuming task, as threshold values vary with location and time of image acquisition. The purpose of this study was therefore to devise an index that consistently improves water extraction accuracy in the presence of various sorts of environmental noise and at the same time offers a stable threshold value. Thus we introduced a new Automated Water Extraction Index (AWEI) improving classification accuracy in areas that include shadow and dark surfaces that other classification methods often fail to classify correctly. We tested the accuracy and robustness of the new method using Landsat 5 TM images of several water bodies in Denmark, Switzerland, Ethiopia, South Africa and New Zealand. Kappa coefficient, omission and commission errors were calculated to evaluate accuracies. The performance of the classifier was compared with that of the Modified Normalized Difference Water Index (MNDWI) and Maximum Likelihood (ML) classifiers. In four out of five test sites, classification accuracy of AWEI was significantly higher than that of MNDWI and ML ( P-value 聽<聽0.01). AWEI improved accuracy by lessening commission and omission errors by 50% compared to those resulting from MNDWI and about 25% compared to ML classifiers. Besides, the new method was shown to have a fairly stable optimal threshold value. Therefore, AWEI can be used for extracting water with high accuracy, especially in mountainous areas where deep shadow caused by the terrain is an important source of classification error.

DOI

[14]
Ferretti A, Prati C, Rocca F.Nonliear subsidence rate estimation using permanent scatterers in differential SAR interferometry[C]. IEEE Transactions on Geoscience and Remote Sensing, 2000,38(5):2202-2212.

[15]
Baraldi A, Parminggian F.An Investigation on the Texture Characteristics Associated with Gray Level Co-occurrence Matrix Statistical Parameters[J]. IEEE Trans. on Geoscience and Remote Sensing, 1995,32(2):293-303.Not Available

DOI

[16]
Liu G, Buckley S M, Ding X, et al.Estimating spatiotemporal ground deformation with improved persistent scatterer radar interferometry[C].IEEE Trans. on Geoscience and Remote Sensing, 2009,49(9):3209-3219.

[17]
魏冠军, 杨世瑜. 基于主成份变换的多源遥感数据融合[J].兰州交通大学学报(自然科学版),2005,24(3):57-60.通过利用主成份变换融合,对Landsat7的全色图像与多光谱图像进行融合处理,结果表明:主成份变换融合能够提高多光谱影像的信息量和空间分解力,较好的保留了原多光谱影像的光谱特征,减少图像理解的模糊性,便于目视解译,提高遥感数据的利用率.

DOI

[ Wei G J, Yang S Y.Multi-source RS Data Fusion Based on Principal Component Analysis[J]. Journal of Lanzhou Jiaotong University(Natural Sciences), 2005,24(3):57-60. ]

[18]
靳晓辉,何俊仕,王康,等.综合纹理与光谱的土地利用模糊分类[J].测绘科学,2016,41(2):49-52.针对利用TM影像进行土地利用 传统分类精度不高的问题,该文提出了一种综合应用影像纹理与光谱特征对TM影像进行土地利用模糊分类的方法。采用主成分分析法对研究流域TM影像的光谱及 纹理特征信息进行压缩与融合,并对融合后的TM影像数据进行3个组别的多尺度分割,在影像分割对象单元的基础上应用面向对象的模糊逻辑隶属度函数法实现影 像的软语义分类。相对传统分类方法而言,该方法在充分利用影像光谱信息的基础上综合了影像的纹理信息,且分类理论思想更加符合人们对于客观事物的认知规 律,分类精度有了显著的提高,为TM影像分类方法的改进提供一定的参考。

DOI

[ Jin X H, He J S, Wang K, et al.Fuzzy classification of land use based on texture and spectrum[J]. Science of Surveying and Mapping, 2016,41(2):49-52. ]

[19]
郝利娜. 矿山环境效应遥感研究——以湖北省重点矿集区为例[D].武汉:中国地质大学(武汉),2013.

[ Hao L N.A Remote Sensing Study on Mine Environmental Effects: A Case of the Key Ore Concentrating Area in Hubei Province[D]. Wuhan: China University of Geo Science(Wuhan), 2013. ]

[20]
王露. 面向对象的高分辨率遥感影像多尺度分割参数及分类研究[D].长沙:中南大学,2014.

[ Wang L.Analysing Classification and Segmentation parameters selection in High resolution remote sensing image using based on Object[D]. Changsha: Central South University, 2014. ]

[21]
曾也鲁,李静,柳钦火,等.基于DNVI先验知识的LAI地面采样方法[J].遥感学报,2013,17(1):107-121.针对非均质中低分辨率像元的叶面积指数LAI验证中如何布设基本采样单元ESU的问题，提出基于NDVI先验知识的ESU布设方法，并采用不同植被类型、不同均匀程度的地表作为模拟场，分析对比了方法的精度及稳定性。结果显示，本文方法用NDVI先验知识描述植被的生长空间分布信息，能相对准确地划分植被的不同生长水平，有效降低层内方差。在草地和森林地区的试验中，精度与稳定性均优于传统的随机采样、均匀采样和基于分类图的3种采样方法。因此，本文提出的采样方法为大尺度非均质区域LAI地面验证的采样方案提供了新的设计思路。

DOI

[ Zeng Y L, Li J, Liu Q H, et al.A sampling strategy based on NDVI prior knowledge for LAI ground measurements[J]. Journal of Remote Sensing, 2013,17(1):107-121. ]

[22]
朱光良. 浙江省海宁市TM图像土地利用自动分类精度评价方法的试验研究[J].遥感学报,1999,3(2):144-150.按照国家土管局土地利用现状分类标准，利用叠合的海宁市长安镇１：１万同时期土地详查电子地图的全域地面实况数据，在遥感图像处理常规分类方法的范畴内，采取最大程度利于提高分类精度的措施，所得的分类精度上限为６５％。研究表明，通常在试验区的小块局部中选择训练样本和选择评价分类精度的参考像元，对精度评价有显著影响，参考像元质量和数量的限制很可能这些年来一些同类研究报道了较高分类精度结果的主要原因。

DOI

[ Zhu G L.The Experimental Research to Accuracy Assessment of Land-use Automatical Classification in Haining City of Zhejiang Province[J]. Journal of Remote Sensing, 1999,3(2):144-150. ]

Options
Outlines

/

〈 〉