全 文 ：面向对象的优势树种类型信息提取技术∗
田　 甜　 范文义∗∗　 卢　 伟　 肖　 湘
（东北林业大学林学院， 哈尔滨 １５００４０）
摘　 要　 森林植被优势树种类型信息的提取是遥感影像分类中的难点．面向对象分类方法是
用高空间分辨率遥感数据实现精确类型信息提取的新方法．本文以 ２０１３ 年 Ｑｕｉｃｋｂｉｒｄ 影像作
为基础数据，选择福建省三明市将乐林场为研究区，采用面向对象多尺度分割方法提取耕地、
灌草地、未成林造林地、马尾松、杉木和阔叶树等类型信息．分类特征融合植被的光谱、纹理和
多种植被指数 ３类特征信息，建立类层次结构，对不同层次分别用隶属度函数和决策树分类
规则，最终完成分类，并与只用纹理与光谱特征相结合的方法进行对比．结果表明： 融合纹理、
光谱、多种植被指数的面向对象的分类方法提取研究区优势树种类型信息的精度为 ９１．３％，
比只用纹理和光谱的方法精度提高了 ５．７％．
关键词　 面向对象； 多尺度分割； 植被分类； 植被指数
文章编号　 １００１－９３３２（２０１５）０６－１６６５－０８　 中图分类号　 Ｓ７７１．８　 文献标识码　 Ａ
Ａｎ ｏｂｊｅｃｔ⁃ｂａｓｅｄ ｉｎｆｏｒｍａｔｉｏｎ ｅｘｔｒａｃｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｆｏｒ ｄｏｍｉｎａｎｔ ｔｒｅｅ ｓｐｅｃｉｅｓ ｇｒｏｕｐ ｔｙｐｅｓ．
ＴＩＡＮ Ｔｉａｎ， ＦＡＮ Ｗｅｎ⁃ｙｉ， ＬＵ Ｗｅｉ， ＸＩＡＯ Ｘｉａｎｇ （Ｓｃｈｏｏｌ ｏｆ Ｆｏｒｅｓｔｒｙ， Ｎｏｒｔｈｅａｓｔ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉ⁃
ｔｙ， Ｈａｒｂｉｎ １５００４０， Ｃｈｉｎａ） ． ⁃Ｃｈｉｎ． Ｊ． Ａｐｐｌ． Ｅｃｏｌ．， ２０１５， ２６（６）： １６６５－１６７２．
Ａｂｓｔｒａｃｔ： Ｉｎｆｏｒｍａｔｉｏｎ ｅｘｔｒａｃｔｉｏｎ ｆｏｒ ｄｏｍｉｎａｎｔ ｔｒｅｅ ｇｒｏｕｐ ｔｙｐｅｓ ｉｓ ｄｉｆｆｉｃｕｌｔ ｉｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ
ｃｌａｓｓｉｆｉｃａｔｉｏｎ， ｈｏｗｅｖｅｒｓ， ｔｈｅ ｏｂｊｅｃｔ⁃ｏｒｉｅｎｔｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ ｕｓｉｎｇ ｈｉｇｈ ｓｐａｔｉａｌ ｒｅｓｏｌｕｔｉｏｎ ｒｅ⁃
ｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ ｉｓ ａ ｎｅｗ ｍｅｔｈｏｄ ｔｏ ｒｅａｌｉｚｅ ｔｈｅ ａｃｃｕｒａｔｅ ｔｙｐｅ ｉｎｆｏｒｍａｔｉｏｎ ｅｘｔｒａｃｔｉｏｎ． Ｉｎ ｔｈｉｓ ｐａｐｅｒ，
ｔａｋｉｎｇ ｔｈｅ Ｊｉａｎｇｌｅ Ｆｏｒｅｓｔ Ｆａｒｍ ｉｎ Ｆｕｊｉａｎ Ｐｒｏｖｉｎｃｅ ａｓ ｔｈｅ ｒｅｓｅａｒｃｈ ａｒｅａ， ｂａｓｅｄ ｏｎ ｔｈｅ Ｑｕｉｃｋｂｉｒｄ ｉｍ⁃
ａｇｅ ｄａｔａ ｉｎ ２０１３， ｔｈｅ ｏｂｊｅｃｔ⁃ｏｒｉｅｎｔｅｄ ｍｅｔｈｏｄ ｗａｓ ａｄｏｐｔｅｄ ｔｏ ｉｄｅｎｔｉｆｙ ｔｈｅ ｆａｒｍｌａｎｄ， ｓｈｒｕｂ⁃ｈｅｒｂａ⁃
ｃｅｏｕｓ ｐｌａｎｔ， ｙｏｕｎｇ ａｆｆｏｒｅｓｔｅｄ ｌａｎｄ， Ｐｉｎｕｓ ｍａｓｓｏｎｉａｎａ， Ｃｕｎｎｉｎｇｈａｍｉａ ｌａｎｃｅｏｌａｔａ ａｎｄ ｂｒｏａｄ⁃ｌｅａｖｅ
ｔｒｅｅ ｔｙｐｅｓ． Ｔｈｒｅｅ ｔｙｐｅｓ ｏｆ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｆａｃｔｏｒｓ ｉｎｃｌｕｄｉｎｇ ｓｐｅｃｔｒａｌ， ｔｅｘｔｕｒｅ， ａｎｄ ｄｉｆｆｅｒｅｎｔ ｖｅｇｅｔａｔｉｏｎ
ｉｎｄｉｃｅｓ ｗｅｒｅ ｕｓｅｄ ｔｏ ｅｓｔａｂｌｉｓｈ ａ ｃｌａｓｓ ｈｉｅｒａｒｃｈｙ． Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｄｉｆｆｅｒｅｎｔ ｌｅｖｅｌｓ， ｍｅｍｂｅｒｓｈｉｐ ｆｕｎｃ⁃
ｔｉｏｎｓ ａｎｄ ｔｈｅ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｒｕｌｅｓ ｗｅｒｅ ａｄｏｐｔｅｄ． Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ｍｅｔｈｏｄ
ｂａｓｅｄ ｏｎ ｔｈｅ ｏｂｊｅｃｔ⁃ｏｒｉｅｎｔｅｄ ｍｅｔｈｏｄ ｂｙ ｕｓｉｎｇ ｔｅｘｔｕｒｅ， ｓｐｅｃｔｒｕｍ ａｎｄ ｔｈｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｉｃｅｓ ａｃｈｉｅｖｅｄ
ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ ｏｆ ９１．３％， ｗｈｉｃｈ ｗａｓ ｉｎｃｒｅａｓｅｄ ｂｙ ５．７％ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈａｔ ｂｙ ｏｎｌｙ
ｕｓｉｎｇ ｔｈｅ ｔｅｘｔｕｒｅ ａｎｄ ｓｐｅｃｔｒｕｍ．
Ｋｅｙ ｗｏｒｄｓ： ｏｒｉｅｎｔｅｄ ｏｂｊｅｃｔ； ｍｕｌｔｉ⁃ｒｅｓｏｌｕｔｉｏｎ ｓｅｇｍｅｎｔａｔｉｏｎ； ｖｅｇｅｔａｔｉｏｎ ｃｌａｓｓｉｆｉｃａｔｉｏｎ； ｖｅｇｅｔａｔｉｏｎ
ｉｎｄｅｘ．
∗国家高技术研究发展计划项目（２０１２ＡＡ１０２００１）资助．
∗∗通讯作者． Ｅ⁃ｍａｉｌ： ｆａｎｗｙ＠ １６３．ｃｏｍ
２０１４⁃０９⁃１２收稿，２０１５⁃０２⁃２２接受．
　 　 植被是地球上反映地貌、气候、土壤等地理环境
的最好标志［１－２］，而且植被覆盖率和覆盖类型对人
类的生态环境与质量有着深远的影响［３］ ．卫星遥感
技术是快速、动态地监测植被资源信息的有效手段，
高分辨率遥感卫星影像已被广泛应用于林业领域．
近年来基于传统像元的方法利用光谱信息，常存在
误分类的情况，影像上“同物异谱”、“同谱异物”和
“椒盐现象”普遍存在［４－７］，难以从高分辨率卫星数
据（高分辨率影像能提供地物详细的纹理、形状和
光谱信息）中准确地提取出植被资源类型信息的细
微变化，分类精度远不能满足要求．而面向对象方法
弥补了传统分类方法的不足，综合考虑了像元的光
谱信息、对象内部的结构、纹理以及相邻对象之间的
关联信息，可将影像信息更好地探索分类［８－１１］ ．
目前，国内外已有许多学者用面向对象的方法
提取植被信息．如 Ｂｒｅｎｎｅｒ等［１２］采用 Ｌａｎｄｓａｔ ＴＭ５数
据对墨西哥索诺拉沙漠的牧场进行分类，表明采用
多尺度分割方法的结果优于基于像元决策树分类的
应 用 生 态 学 报　 ２０１５年 ６月　 第 ２６卷　 第 ６期　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　
Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， Ｊｕｎ． ２０１５， ２６（６）： １６６５－１６７２
结果；Ｈｕｒｄ 等［１３］选择 ＥＴＭ＋影像，运用面向对象方
法在基于像元分类的基础上对美国东北部长岛海峡
沿岸的湿地植被进行细分，并对比分析了两种方法
的结果；颜梅春［１４］ 使用 ＩＫＯＮＯＳ 影像中对比度
（ＣＯＮ）、相关性（ＣＯＲ）、同质性（ＨＯＭ）、改进的对
比度（ＭＣＯＮ）４个灰度共生矩阵纹理信息量和 ＮＤ⁃
ＶＩ、ＳＡＶＩ、改进的土壤调节指数（ＭＳＡＶＩ）３个植被指
数分别进行植被分类，并与传统的光谱信息中的非
监督分类相比较，结果表明，使用纹理信息提取草
地、竹林、针叶树、阔叶树、混交林和园林的分类精度
最高，植被指数的方法次之，光谱信息的非监督分类
最低；韩凝等［１５］基于 ＩＫＯＮＯＳ 影像，综合光谱信息
和纹理信息并且结合最近邻法和成员函数 ２种分类
器，用面向对象的多尺度分割并逐级分层来提取香
榧树（Ｔｏｒｒｅｙａ ｇｒａｎｄｉｓ），总精度达 ８６．４％，表明该方
法在提取香榧树方面有较好的应用价值；郭亚鸽
等［１６］基于 ＨＪ⁃１影像，采用多尺度分割方法，筛选合
适的光谱、纹理及几何特征来构建不同地物的隶属
度函数，实现逐级提取研究区的土地覆被类型，精度
为 ８３％；崔一娇等［１７］以 ＴＭ 为基础数据，采用面向
对象方法重点提取西辽河流域平原的植被信息，对
不同地物的光谱和空间信息进行比较，建立适当的
隶属度函数、阈值和构建分类决策树，最后的分类精
度达 ８２．１％．
目前，基于高分辨率遥感数据、采用面向对象的
多尺度方法提取优势树种类型信息的研究还不多
见．多数研究者基于 Ｌａｎｄｓａｔ ＴＭ、ＳＰＯＴ５ 等中低分辨
率数据、利用光谱信息和纹理信息进行分类，忽视了
阔针树种间和针叶树内的空间信息和植被指数信
息．本研究以福建省将乐国有林场的 Ｑｕｉｃｋｂｉｒｄ 遥感
卫星影像为数据源，运用纹理信息、光谱信息和植被
指数信息的多重结合，采用面向对象的多尺度分割
方法，建立多层次结构并且逐级分层提取，在不同尺
度层上提取不同大小的地物，充分利用类间关系
（子对象、父对象的关系），同时运用决策树方法，对
植被进行信息提取分类，以期为针阔树种的分类提
供新方法．
１　 研究地区与数据处理
１􀆰 １　 研究区概况
福建省三明市将乐林场 （ ２６° ２６′—２７° ０４′ Ｎ，
１１７°０５′—１１７°４０′ Ｓ）位于福建省西北部，地处武夷
山支脉，为闽西北低山丘陵地带，承接明溪、泰宁、顺
昌、邵武等县（市）的交通中转，海拔在 ４００ ～ ８００ ｍ，
最高海拔 １２０３ ｍ，最低海拔 １４０ ｍ．年均气温 １８．７
℃，年均降水量 １６６９ ｍｍ，年均蒸发量 １２０４ ｍｍ，年
均无霜期 ２８７ ｄ，气候温和，土层深厚，土壤肥沃，土
壤以红壤为主，并分布有黄红壤，宜培育以杉木
（Ｃｕｎｎｉｎｇｈａｍｉａ ｌａｎｃｅｏｌａｔａ）、马尾松（Ｐｉｎｕｓ ｍａｓｓｏｎｉ⁃
ａｎａ）为主的用材林和乡土珍贵树种．森林类型主要
由马尾松、杉木、枫香（Ｌｉｑｕｉｄａｍｂａｒ ｆｏｒｍｏｓａｎａ）、柳杉
（Ｃｒｙｐｔｏｍｅｒｉａ ｆｏｒｔｕｎｅｉ）、建柏（Ｆｏｋｉｅｎｉａ ｈｏｄｇｉｎｓｉｉ）、巨
尾桉（Ｅｕｃａｌｙｐｔｕｓ）、樟树 （Ｃｉｎｎａｍｏｍｕｍ ｃａｍｐｈｏｒａ）、
木荷（Ｓｃｈｉｍａ ｓｕｐｅｒｂａ）等树种组成，本文选择研究区
内具有代表性的 ３类树种：杉木、马尾松和常绿阔叶
树类．
１􀆰 ２　 分类系统制定
根据《土地利用现状分类》 ［１８］国家标准一级分
类体系，本研究重点是森林优势树种分类，故将该地
区一级分类体系归为非植被区域的有建筑用地、水
体、道路、裸地等，对于植被区域重点结合 ２０１２ 年 ８
月的植被二类调查资料，从中分析得到二级类型主
要有灌草地、耕地、林地和未成林造林地．林地类型
下的主要优势树种类型为马尾松、杉木以及阔叶树
的建柏、木荷和其他软硬阔叶树，其中，马尾松和杉
木林地面积约占区域总面积的 ８０％；由于阔叶树树
种所占比例和面积较小，统一归为阔叶树．因此，本
文将研究区分为 ５类：灌草地、耕地、未成林造林地、
阔叶树林地（主要包括建柏、木荷、巨尾桉、枫香以
及其他软硬阔叶树）、针叶树林地（主要包括杉木和
马尾松）．
１􀆰 ３　 数据预处理
遥感数据为 ２０１３ 年 ７月 １２日获取的高分辨率
Ｑｕｉｃｋｂｉｒｄ影像，包括空间分辨率为 ０．６１ ｍ的全色波
段和空间分辨率为 ２． ４４ ｍ 的 ４ 个多光谱波段
（０．４５～０．９０ ｎｍ）．该时期研究区的植被特征较为明
显，有利于植被信息的提取．首先以将乐县 １ ∶ １ 万
地形图作为参考，采用多项式纠正法进行几何校正，
误差控制在 １个像元内，校正后图像投影坐标系统
是 Ｔｒａｎｓ⁃ｖｅｒｓｅ Ｍｅｒｃａｔｏｒ，参考椭球体是 Ｋｒａｓｏｖｓｋｙ，地
图单位为 ｍ，同时进行正射校正以消除地形等阴影
的影响，然后截取研究区影像．
２　 研究方法
面向对象方法主要包括影像分割和信息提取两
部分（图 １），利用 Ｄｅｆｉｎｉｅｎｓｅ Ｃｏｇｎｉｔｉｏｎ ８．９ 作为软件
平台．根据影像像元的同质性，用多尺度分割方法自
下而上分割形成影像对象［１９－２０］ ．对所得到的分割对
６６６１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
图 １　 技术流程图
Ｆｉｇ．１　 Ｆｌｏｗ ｃｈａｒｔ ｏｆ ｒｅｓｅａｒｃｈ．
象提取光谱特征、纹理特征和植被指数信息，运用选
择地物训练样本，根据对象间的特征差异建立规则
和分析类别的特征表现，对不同层次地物类型分别
用定义隶属度函数和决策树分类规则提取相应的类
别信息，并比较和评价分类结果的精度．
２􀆰 １　 面向对象的多尺度分割
在面向对象的分类方法中，尺度的选择非常重
要，直接影响到分类结果精度的高低．对某种地物类
型用最优尺度分割后，能够用一个对象或多个对象
表示出这种地物，得到对象的大小应与地物目标大
小接近［２１－２３］ ．
本研究参与分割的波段有红、绿、蓝、近红外波
段和全色，每个波段光谱信息对分割结果都很重要，
因此每个波段的权重均设为 １．影像分割的重要参数
有颜色因子和形状因子，颜色信息权重和形状信息
权重的总和为 １，形状信息进一步分为光滑度和紧
凑度，二者是形状因子的重要调节参数，其权重和也
为 １．尺度参数、颜色形状参数和平滑度紧致度参数
共同参与分割，最终才能得到分割对象的大小．本研
究是用面向对象专业软件 Ｅｃｏｇｎｉｔｉｏｎ 对影像进行分
割，共分 ２ 层．为了防止建筑用地、水体、裸地、道路
等非植被对象和林地、耕地、草地过于破碎，选择较
大尺度参数；而较大尺度对植被分割不够完整，存在
一个对象包含多种地物的现象，故单独对植被区进
行再一次分割，分为适合植被区域的最优分割参数．
在确定尺度参数的同时，还要调整颜色、形状等辅助
参数，经过多次试验后得出最佳分割对象的全部参
数．各层分割的具体参数如表 １所示．
２􀆰 ２　 类层次结构构建
在多尺度分割上有 ２ 个层次结构，第 １ 层次在
分割尺度参数 ９０ 中分为植被、非植被，也称为父对
象；第 ２层次继承第 １层的特征信息，分割尺度参数
选择 ４０，在继承的植被中分为马尾松、杉木、阔叶
林、灌草地、耕地以及未成林造林地，即第 ２ 层次是
第 １层次的“子对象”．上述过程需要定义“与类相
关特征”，具体为：用与父对象的关系特征，设置父
对象的存在条件，并设置好子对象与父对象层在对
象层次体系中的距离，因为第 ２ 层到第 １ 层的距离
为 １，因此距离属性为 １，第 ２ 层中的对象就可以继
承第 １层的特征信息．
２􀆰 ３　 对象的分类信息特征
影像多尺度分割及建立类层次后，需要对所分
割出的对象进行特征信息判断和提取．本文采用以
下的植被、光谱和纹理特征，为分类方法提供前期
准备．
２􀆰 ３􀆰 １ 植被指数特征　 归一化植被指数（ＮＤＶＩ）是
表 １　 多尺度分割参数和各层用途
Ｔａｂｌｅ １　 Ｐａｒａｍｅｔｅｒｓ ｕｓｅｄ ｉｎ ｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎ ｓｅｇｍｅｎｔａｔｉｏｎ ａｎｄ ｆｕｎｃｔｉｏｎ ｏｆ ｅａｃｈ ｓｅｇｍｅｎｔａｔｉｏｎ ｌｅｖｅｌ
层次
Ｌｅｖｅｌ
尺度参数
Ｓｃａｌｅ ｐａｒａｍｅｔｅｒ
颜色
Ｃｏｌｏｒ
形状
Ｓｈａｐｅ
平滑度
Ｓｍｏｏｔｈ
紧致度
Ｃｏｍｐａｃｔｎｅｓｓ
分类对象
Ｏｂｊｅｃｔ ｏｆ ｃｌａｓｓｉｆｉｃａｔｉｏｎ
１ ９０ ０．８ ０．２ ０．５ ０．５ 植被、非植被
２ ４０ ０．４ ０．６ ０．７ ０．３ 灌草地、耕地、未成林造林地、马尾松、杉木、阔叶树
颜色参数是分割过程中颜色信息的权重，而形状参数是形状信息的权重，分割的每一层中二者权重和为 １．平滑度和紧致度是形状因子的两个
调节参数，其二者权重和也为 １．尺度参数、颜色形状参数和平滑度紧致度参数共同参与，才能得到满意的分割对象大小．以上各个参数是多次
试验后得出最佳分割对象的全部参数 Ｃｏｌｏｒ ｐａｒａｍｅｔｅｒ ｗａｓ ｔｈｅ ｗｅｉｇｈｔ ｏｆ ｔｈｅ ｃｏｌｏｒ ｉｎｆｏｒｍａｔｉｏｎ， ｓｈａｐｅ ｐａｒａｍｅｔｅｒ ｗａｓ ｔｈｅ ｗｅｉｇｈｔ ｏｆ ｔｈｅ ｓｈａｐｅ ｉｎｆｏｒｍａ⁃
ｔｉｏｎ， ｔｈｅ ｓｕｍ ｏｆ ｔｈｅ ｗｅｉｇｈｔｓ ｗａｓ １． Ｔｈｅ ｓｍｏｏｔｈ ａｎｄ ｃｏｍｐａｃｔｎｅｓｓ ｗｅｒｅ ｔｈｅ ａｄｊｕｓｔｍｅｎｔ ｐａｒａｍｅｔｅｒｓ ｏｆ ｔｈｅ ｓｈａｐｅ ｆａｃｔｏｒ， ｔｈｅ ｓｕｍ ｏｆ ｔｈｅ ｗｅｉｇｈｔｓ ｗａｓ ａｌｓｏ １．
Ｔｈｅ ｓｃａｌｅ ｐａｒａｍｅｔｅｒ， ｃｏｌｏｒ ａｎｄ ｓｈａｐｅ ｐａｒａｍｅｔｅｒｓ， ｓｍｏｏｔｈ ａｎｄ ｃｏｍｐａｃｔｎｅｓｓ ｐａｒａｍｅｔｅｒｓ ｇｏｔ ｔｏｇｅｔｈｅｒ ｔｏ ｏｂｔａｉｎ ａ ｓａｔｉｓｆａｃｔｏｒｙ ｓｅｇｍｅｎｔａｔｉｏｎ ｏｂｊｅｃｔ ｓｉｚｅ． Ａｆｔｅｒ
ｍａｎｙ ｅｘｐｅｒｉｍｅｎｔｓ， ｔｈｅ ａｂｏｖｅ ｐａｒａｍｅｔｅｒｓ ｗｅｒｅ ｔｈｅ ｂｅｓｔ ｐａｒａｍｅｔｅｒｓ ｔｏ ｏｂｔａｉｎ ｔｈｅ ｂｅｓｔ ｓｅｇｍｅｎｔａｔｉｏｎ ｏｂｊｅｃｔ ｓｉｚｅ．
７６６１６期　 　 　 　 　 　 　 　 　 　 　 　 　 　 田　 甜等： 面向对象的优势树种类型信息提取技术　 　 　 　 　 　
最常用的植被指数之一，对植被生长状态和植被覆
盖度有最佳的指示作用，也是区分植被与非植被中
各种地物的最简单的指标［２４］ ．本试验区植被覆盖有
高有低，同时受耕地和未成林造地中土壤背景的影
响，故引进 ＮＤＶＩ、土壤调节植被指数（ＳＡＶＩ）进行尝
试，计算公式如下：
ＮＤＶＩ＝（ρＮＩＲ－ρＲＥＤ） ／ （ρＮＩＲ＋ρＲＥＤ） （１）
ＳＡＶＩ＝（ρＮＩＲ－ρＲＥＤ）＋（１＋Ｌ） ／ （ρＮＩＲ＋ρＲＥＤ＋Ｌ） （２）
式中：ρＮＩＲ为近红外光波段反射率；ρＲＥＤ为红光波段
反射率；Ｌ 为调节系数；ＳＡＶＩ 提取的效果取决于 Ｌ
值，当植被覆盖度较高或者较低时，选用 ＮＤＶＩ 和
Ｌ＝ ０．５时的 ＳＡＶＩ 较好，中低或中高时取值 Ｌ ＝ ５ 时
的 ＳＡＶＩ较满意，其余情况 Ｌ 为 ２［２５］ ．本文 Ｌ 分别取
０．５（ＳＡＶＩ０．５）、２（ＳＡＶＩ２．０）和 ５（ＳＡＶＩ５．０）进行比较．
２􀆰 ３􀆰 ２光谱特征　 不同的地物类型具有不同的光谱
特性，因此可以利用光谱特征的差异识别不同的地
物．本文选取常用对象的均值（􀭵Ｃｋ）、亮度（􀭵Ｃ）、比率
（Ｒａｔｉｏｋ）、对象 Ｓ 的光谱亮度值与全部对象的均值
占全部对象数的比值的差（ΔＣ）４ 种光谱特征，计算
公式如下：
􀭵Ｃｋ（Ｓ） ＝
１
＃Ｓ ∑（ｘ，ｙ）∃ｓＣｋ（ｘ，ｙ） （３）
式中：􀭵Ｃｋ（Ｓ）为第 ｋ 波段对象 Ｓ 的光谱均值，即用第
ｋ波段对象 Ｓ中包含所有像素光谱值的平均值表示
对象 Ｓ在第 ｋ波段的光谱均值；＃Ｓ 为对象 Ｓ 所包含
的像素个数；Ｃｋ（ｘ，ｙ）为第 ｋ 层影像（ｘ，ｙ）位置的灰
度值．
􀭵Ｃ（Ｓ） ＝ １
ｗＢ∑
ｋ
ｋ ＝ １
ｗＢｋ 􀭵Ｃｋ（Ｓ） （４）
式中：􀭵Ｃｋ 为对象 Ｓ 的亮度；ｗＢｋ 为第 ｋ 波段的权重；
ｗＢ 为各个波段的权重和．
Ｒａｔｉｏｋ ＝
􀭵Ｃｋ（Ｓ）
∑
ｋ
ｋ ＝ １
􀭵Ｃｋ（Ｓ）
（５）
ΔＣ ＝ 􀭵Ｃ（Ｓ） － （∑
Ｎ
Ｓ ＝ １
􀭵Ｃ（Ｓ） ／∑
Ｎ
Ｓ ＝ １
Ｓ） （６）
式中：Ｎ为影像的全部对象数．
２􀆰 ３􀆰 ３纹理特征 　 由于植被间的光谱信息相似，存
在误分现象，采用纹理特征中 １～２ 个特征来区分可
提高分类效果．灰度共生矩阵（ ｇｒｅｙ ｌｅｖｅｌ ｃｏ⁃ｏｃｃｕｒ⁃
ｒｅｎｃｅ ｍａｔｒｉｘ，ＧＬＣＭ）反映了影像灰度关于方向、相
邻间隔、变化幅度的综合信息，是目前公认的经典的
表示纹理信息的统计分析方法．Ｈｏｍｏｇｅｎｅｉｔｙ 是 ＧＬ⁃
ＣＭ的特征之一，用于表示区域的同质性，同质性越
高，Ｈｏｍｏｇｅｎｅｉｔｙ值越大［２６－２７］，公式如下：
Ｈｏｍｏｇｅｎｉｔｙ ＝∑
Ｎ－１
ｉ，ｊ ＝ ０
Ｐ ｉ，ｊ
１ ＋ （ ｉ － ｊ） ２
（７）
式中：ｉ 为灰度共生矩阵行中的位置； ｊ 为灰度共生
矩阵列中的位置；Ｖｉ，ｊ为矩阵中第 ｉ行、第 ｊ列元素的
值；Ｎ为矩阵的行（列）数；Ｐ ｉ，ｊ为矩阵中第 ｉ 行、第 ｊ
列元素值标准化后的值．
２􀆰 ４　 分类方法
根据上述所需特征，计算分析影像对象的属性特
征值，建立各类别的分类规则进行地物类型分类．分
类过程有两种途径：一种是选择地物训练样本，根据
对象间的特征差异来建立规则；另一种是分析类别的
特征表现，定义各类别分类规则．本文将两种方法相
结合，对不同尺度层选取不同方法，以有效地利用属
性特征，建立分类层次和分类树，定义隶属度函数和
用决策树分类是该方法提取地物信息的重要环节．
２􀆰 ４􀆰 １植被与非植被 　 根据提取的样本，发现非植
被除阴影地区外的 ＮＤＶＩ 均小于 ０．４７；且非植被类
型与植被类型的光谱亮度差异明显，阴影的 Ｂｒｉｇｈｔ⁃
ｎｅｓｓ值小于 １５３，植被则在 １５９～４９４之间（图 ２）． 因
此，采用简单的光谱亮度值和 ＮＤＶＩ 作为图像分类
特征，可用隶属度函数将非植被与植被地区区分开．
图 ２　 研究区不同地物类型的 ＮＤＶＩ和亮度值
Ｆｉｇ．２　 ＮＤＶＩ ａｎｄ ｂｒｉｇｈｔｎｅｓｓ ｖａｌｕｅ ｏｆ ｄｉｆｆｅｒｅｎｔ ｏｂｊｅｃｔ ｔｙｐｅｓ ｉｎ
ｔｈｅ ｓｔｕｄｙ ａｒｅａ．
Ａ： 水体 Ｗａｔｅｒ； Ｂ： 建筑物 Ｂｕｉｌｄｉｎｇ； Ｃ： 道路 Ｒｏａｄ； Ｄ： 裸地 Ｂａｒｅ
ｌａｎｄ； Ｅ： 阴影 Ｓｈａｄｏｗ； Ｆ： 耕地 Ｆａｒｍｌａｎｄ； Ｇ： 灌草地 Ｓｈｒｕｂ⁃ｈｅｒｂａ⁃
ｃｅｏｕｓ； Ｈ： 林地 Ｆｏｒｅｓｔ ｌａｎｄ； Ｉ： 未成林造林地 Ｙｏｕｎｇ ａｆｆｏｒｅｓｔｅｄ ｌａｎｄ．
８６６１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
２􀆰 ４􀆰 ２决策树方法下的植被分类　 将乐林场地区的
植被在全部波段上吸收均较显著，尤其对红色和近
红外波段的吸收更为明显，因此利用红色和近红波
段的均值与所有波段均值和之比（比值 Ｒａｔｉｏ３和 Ｒａ⁃
ｔｉｏ４）和各个波段的光谱平均值属性（􀭵Ｃ１－４）（图 ３）作
为光谱信息提取的主要特征．虽然利用光谱信息可
以初步分类各类别，但耕地、灌草地、林地和未成林
造林地在影像上还是有部分混淆，因为耕地和未成
林造林地中裸露土壤较多，草地和林地也有不同的
植被覆盖程度．利用这一特性在 Ｅｃｏｇｎａｔｉｏｎ 中加入
不同情况的土壤调节植被指数（ＳＡＶＩ），可更好地区
分这 ４种植被类型．然后根据不同系数土壤调节指
数（ＳＡＶＩ０．５、ＳＡＶＩ２．０、ＳＡＶＩ５．０）统计出样本在该特征
的情况（图 ４）．研究地区的植被多为人工种植，由于
种植时间不同，导致树种的龄级不同，从而使林地中
的树种植被覆盖度有高有低．在分类过程中，阔叶树
的幼林与灌草地混淆较大，光谱信息相近，可以考虑
加入纹理信息的灰度共生矩阵同质性（ＧＬＣＭ Ｈｏｍｏ⁃
ｇｅｎｅｉｔｙ），同质性越高，值越大．根据各种地物的 ４个植
被指数（ＮＤＶＩ、ＳＡＶＩ０．５、ＳＡＶＩ２．０、ＳＡＶＩ５．０）、４ 个光谱特
征（􀭵Ｃ、􀭵Ｃ１－４、 Ｒａｔｉｏｋ、 ΔＣ） 和 １ 个纹理特征 （ Ｈｏｍｏ⁃
ｇｅｎｅｉｔｙ）参数，综合利用光谱、纹理和植被指数等特
征，采用决策树分类 Ｃ５．０算法得到分类规则．
３　 结果与分析
３􀆰 １　 面向对象多尺度森林优势树种的分类规则及
分类结果
本研究采用面向对象多尺度分割方法，根据植
被类型的光谱、纹理、植被指数等特征信息，结合隶
属度函数（表２）和决策树分类规则（图５） ，得到研
图 ３　 植被类型的光谱均值
Ｆｉｇ．３　 Ｍｅａｎ ｓｐｅｃｔｒｕｍ ｖａｌｕｅ ｏｆ ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅｓ．
Ⅰ： 耕地 Ｆａｒｍｌａｎｄ； Ⅱ： 灌草地 Ｓｈｒｕｂ⁃ｈｅｒｂａｃｅｏｕｓ ｐｌａｎｔ； Ⅲ： 未成林
造林地 Ｙｏｕｎｇ ａｆｆｏｒｅｓｔｅｄ ｌａｎｄ； Ⅳ： 马尾松 Ｐｉｎｕｓ ｍａｓｓｏｎｉａｎｅｎｓｉｓ； Ⅴ：
杉木 Ｃｕｎｎｉｎｇｈａｍｉａ ｌａｎｃｅｏｌａｔａ； Ⅵ： 阔叶树 Ｂｒｏａｄ⁃ｌｅａｖｅｄ ｔｒｅｅ． 下同
Ｔｈｅ ｓａｍｅ ｂｅｌｏｗ．
图 ４　 研究区不同植被类型的 ＳＡＶＩ值
Ｆｉｇ．４ 　 ＳＡＶＩ ｖａｌｕｅ ｏｆ ｄｉｆｆｅｒｅｎｔ ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅｓ ｉｎ ｔｈｅ ｓｔｕｄｙ
ａｒｅａ．
表 ２　 植被与非植被的隶属度函数分类规则
Ｔａｂｌｅ ２　 Ｍｅｍｂｅｒｓｈｉｐ ｆｕｎｃｔｉｏｎ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｒｕｌｅｓ ｏｆ ｖｅｇｅ⁃
ｔａｔｉｏｎ ａｎｄ ｎｏｎ⁃ｖｅｇｅｔａｔｉｏｎ
地物类型
Ｌａｎｄ ｃｏｖｅｒ ｔｙｐｅ
隶属度函数
Ｍｅｍｂｅｒｓｈｉｐ ｆｕｎｃｔｉｏｎ
植被 Ｖｅｇｅｔａｔｉｏｎ ０．４７≤ＮＤＶＩ＜１，􀭵Ｃ≥１５９
非植被 Ｎｏｎ⁃ｖｅｇｅｔａｔｉｏｎ ｎｏｔ （０．４７≤ＮＤＶＩ＜１，􀭵Ｃ≥１５９）
究区分类结果．为了更好地说明本研究方法分类结
果和分类精度，把面向对象方法融合植被指数、光
谱、纹理 ３种信息的方法定为方案 １；采用同样的纹
理信息和光谱信息，没有植被指数信息的方法定为
方案 ２（图 ６），对两种方案进行分类和对比．
３􀆰 ２　 精度评价
采用混淆矩阵方法对最终分类结果（Ｌｅｖｅｌ ２）
进行精度评价．本研究选取 ２９８个验证对象样本（覆
盖每种地物类型，样本选取遵循平均分布于整个研
究区域的原则），建立混淆矩阵，以对象为统计单
元，重点分析植被类别的分类精度，对方案 １与方案
９６６１６期　 　 　 　 　 　 　 　 　 　 　 　 　 　 田　 甜等： 面向对象的优势树种类型信息提取技术　 　 　 　 　 　
图 ５　 植被决策树分类规则
Ｆｉｇ．５　 Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｒｕｌｅｓ ｉｎ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｆｏｒ ｖｅｇｅｔａｔｉｏｎ．
ＮＤＶＩ： 归一化植被指数 Ｎｏｒｍａｌｉｚｅｄ ｄｉｆｆｅｒｅｎｃｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ； ＳＡＶＩ： 土壤调节植被指数 Ｓｏｉｌ ａｄｊｕｓｔｅｄ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ ｓｏｉｌ ａｄｊｕｓｔｅｄ ｖｅｇｅｔａｔｉｏｎ ｉｎ⁃
ｄｅｘ； Ｈｏｍｏ： 同质性 Ｈｏｍｏｇｅｎｅｉｔｙ； 􀭵Ｃ１－４： 波段 １～４的光谱均值 Ｔｈｅ ｍｅａｎ ｓｐｅｃｔｒａ ｏｆ ｂａｎｄ １～４； 􀭵Ｃ： 亮度 Ｂｒｉｇｈｔｎｅｓｓ； Ｒａｔｉｏ： 比率 Ｒａｔｉｏ； ΔＣ： 比值
差 Ｔｈｅ ｄｉｆｆｅｒｅｎｃｅ ｏｆ ｒａｔｉｏ．
图 ６　 基于方案 １（Ａ）和方案 ２（Ｂ）的研究区植被分类图
Ｆｉｇ．６　 Ｖｅｇｅｔａｔｉｏｎ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｉｍａｇｅｓ ｏｆ ｓｏｌｕｔｉｏｎ １ （Ａ）， ２ （Ｂ） ｉｎ ｔｈｅ ｓｔｕｄｙ ａｒｅａ．
Ｎｖ： 非植被 Ｎｏｎ⁃ｖｅｇｅｔａｔｉｏｎ． 下同 Ｔｈｅ ｓａｍｅ ｂｅｌｏｗ．
２的分类结果进行对比分析．
方案 １ 的分类总精度达到 ９１． ３％、 Ｋａｐｐａ ＝
８９􀆰 ６％，方案 ２ 的分类总精度达到 ８４．６％、Ｋａｐｐａ ＝
８１􀆰 ５％（表 ３），说明融合 ３ 种分类信息的方法的总
体分类质量优于只有纹理和光谱信息的方法，且多
种植被指数对森林植被的识别起到了关键作用．两
种方法都采用面向对象分类方法，充分利用光谱、纹
理及空间等各种信息，弥补了传统分类方法的不足，
取得了较好的分类效果，避免了椒盐现象的产生．方
案 １比方案 ２的分类结果更准确，说明植被指数尤
其是土壤调节植被指数既能区分不同地物类型，也
能够识别覆盖度下的优势树种类型．在方案 ２ 的分
类结果中，有部分耕地被误分为未成林造林地，原因
在于红波段中两者在空间变异上存在相似性；杉木、
阔叶树和马尾松 ３ 个主要优势树种也出现了误分，
原因之一可能是 ３ 种植被类型的交界处出现了混
交，或者是受地形条件影响，如阴影区中的马尾松与
杉木的光谱和纹理特征比较近似，容易混淆；阔叶树
与灌草地之间也有部分混淆，由于阔叶树的幼林与
灌草地无论在覆盖高度还是地物光谱值都有很大相
似．方案 １对上述类型的分类结果优于方案 ２．
０７６１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
表 ３　 方案 １（Ａ）和方案 ２（Ｂ）的分类精度及混淆矩阵∗
Ｔａｂｌｅ ３　 Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ ｅｒｒｏｒ ｍａｔｒｉｘ ｏｆ ｓｏｌｕｔｉｏｎ １ （Ａ） ａｎｄ ２ （Ｂ）
植被类型
Ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅ
正确分类的样本数 Ｔｈｅ ｓａｍｐｌｅｓ ｗｅｒｅ ｃｏｒｒｅｃｔｌｙ ｃｌａｓｓｉｆｉｅｄ
Ⅰ
Ａ Ｂ
Ⅱ
Ａ Ｂ
Ⅲ
Ａ Ｂ
Ⅳ
Ａ Ｂ
Ⅴ
Ａ Ｂ
Ⅵ
Ａ Ｂ
总计
Ｔｏｔａｌ
Ａ Ｂ
用户精度
Ｕｓｅｒ ａｃｃｕｒａｃｙ （％）
Ａ Ｂ
混分的 Ⅰ ４８ ４２ ２ ３ ２ ２ ０ ０ ０ ０ ０ １ ５２ ４８ ９２．３ ８７．５
样本数 Ⅱ １ ３ ４６ ４３ ０ １ ０ ０ １ １ １ ２ ４９ ５０ ９３．９ ８６．０
Ｔｈｅ ｎｕｍｂｅｒ Ⅲ １ ５ ０ １ ３９ ３８ ０ ０ ０ ０ ０ ０ ４０ ４４ ９７．５ ８６．４
ｏｆ ｓａｍｐｌｅｓ Ⅳ ０ ０ ０ ０ ０ ０ ５０ ４９ ４ ５ ２ ５ ５６ ５９ ８９．３ ９３．１
ｔｏ ｂｅ ｍｉｘｅｄ Ⅴ ０ ０ ０ ０ ０ ０ ３ ３ ４２ ３９ ５ ６ ５０ ４８ ８４．０ ８１．３
Ⅵ ０ ０ １ ２ ０ ０ １ ２ ２ ４ ４７ ４１ ５１ ４９ ９２．２ ８３．７
总计 Ｔｏｔａｌ ５０ ５０ ４９ ４９ ４１ ４１ ５４ ５４ ４９ ４９ ５５ ５５ ２９８ ２９８ － －
生产者精度 ９６．０ ８４．０ ９３．９ ８７．８ ９５．１ ９２．７ ９２．６ ９０．７ ８５．７ ７９．６ ８５．５ ７４．５ － － － －
Ｐｒｏｄｕｃｅｒ ａｃｃｕｒａｃｙ （％）
Ⅰ： 耕地 Ｆａｒｍｌａｎｄ； Ⅱ： 灌草地 Ｓｈｒｕｂ⁃ｈｅｒｂａｃｅｏｕｓ ｐｌａｎｔ； Ⅲ： 未成林造林地 Ｙｏｕｎｇ ａｆｆｏｒｅｓｔｅｄ ｌａｎｄ； Ⅳ： 马尾松 Ｐｉｎｕｓ ｍａｓｓｏｎｉａｎａ； Ⅴ： 杉木 Ｃｕｎ⁃
ｎｉｎｇｈａｍｉａ ｌａｎｃｅｏｌａｔａ； Ⅵ： 阔叶树 Ｂｒｏａｄ⁃ｌｅａｖｅｄ ｔｒｅｅ．
４　 结　 　 论
本文基于高空间分辨率遥感数据及面向对象的
方法对研究区优势树种类型信息进行提取，充分考
虑了几何、纹理、上下文关系等信息，加入自定义的
不同参数的土壤调节植被指数，采用多尺度分割，利
用隶属度函数和决策树分类方法对特征进行提取．
结果表明，融合多种植被指数特征、光谱特征和纹理
特征的方法与只有纹理和光谱特征的方法相比，前
者的分类精度（９１．３％）比后者（８４．６％）有了较大提
高．植被对象的光谱信息和纹理信息相似，类型识别
难度较大．本研究在多尺度分割的基础上，结合多种
植被指数、光谱特征和纹理特征等信息，较好地解决
了森林植被的二级分类问题．加入不同 Ｌ 值的 ＳＡＶＩ
对不同植被类型都有所提高，ＳＡＶＩ结果的精度依赖
于 Ｌ的取值，Ｌ值为 ０．５、２．０ 和 ５．０ 时在试验区内效
果较好．ＳＡＶＩ 的确定减少了耕地、灌草地和阔叶树
与其类似地物的混淆现象，提高了分类精度．
虽然面向对象的分类方法在森林植被信息提取
中显示出巨大潜力，但是由于不同区域植被类型的
分布形式存在一些差异，因此，本研究方法在其他区
域的适用性尚有待验证．树种间的纹理光谱信息相
似时，可以进一步根据树木的冠幅和形状，考虑加入
形状信息对森林植被进行分类，能避免同一树种不
同龄组误分为其他树种，给其他树种的提取带来影
响．为达到更高的信息提取精度和更细分树种类型
识别，需要更加深入的研究．
参考文献
［１］　 Ｗｕ Ｊ （吴　 健）， Ｐａｎ Ｊ （潘 　 军）， Ｘｉｎｇ Ｌ⁃Ｘ （邢立
新）， ｅｔ ａｌ． Ｄｉｓｔｉｌｌｉｎｇ ｔｙｐｅ ｉｎｆｏｒｍａｔｉｏｎ ｏｆ ｖｅｇｅｔａｔｉｏｎ
ｂａｓｅｄ ｏｎ ｓｌｉｇｈｔ ｓｕｂａｒｅａ． Ｊｏｕｒｎａｌ ｏｆ Ｊｉｌｉｎ Ｕｎｉｖｅｒｓｉｔｙ （吉
林大学学报）， ２００７， ３７（ｓｕｐｐｌ．１）： ２１７－２２０ （ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［２］ 　 Ｚｈｅｎｇ Ｄ （郑 　 丹）， Ｌｉ Ｗ⁃Ｈ （李卫红）， Ｃｈｅｎ Ｙ⁃Ｐ
（陈亚鹏）， ｅｔ ａｌ． Ｒｅｌａｔｉｏｎｓ ｂｅｔｗｅｅｎ ｇｒｏｕｎｄｗａｔｅｒ ａｎｄ
ｎａｔｕｒａｌ ｖｅｇｅｔａｔｉｏｎ ｉｎ ｔｈｅ ａｒｉｄ ｚｏｎｅ． Ｒｅｓｏｕｒｃｅｓ Ｓｃｉｅｎｃｅ （资
源科学）， ２００５， ２７（４）： １６０－１６７ （ｉｎ Ｃｈｉｎｅｓｅ）
［３］　 Ｃｈｅｎ Ｙ⁃Ｎ （陈亚宁）， Ｌｉ Ｗ⁃Ｈ （李卫红）， Ｘｕ Ｈ⁃Ｌ （徐
海量）， ｅｔ ａｌ． Ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｇｒｏｕｎｄｗａｔｅｒ ｏｎ ｖｅｇｅｔａｔｉｏｎ
ｉｎ ｔｈｅ ｌｏｗｅｒ ｒｅａｃｈｅｓ ｏｆ Ｔａｒｉｍ Ｒｉｖｅｒ， Ｃｈｉｎａ． Ａｃｔａ Ｇｅｏ⁃
ｇｒａｐｈｉｃａ Ｓｉｎｉｃａ （地理学报）， ２００３， ５８（４）： ５４２－５４９
（ｉｎ Ｃｈｉｎｅｓｅ）
［４］ 　 Ｓｕ Ｗ （苏 　 伟）， Ｌｉ Ｊ （李 　 京）， Ｃｈｅｎ Ｙ⁃Ｈ （陈云
浩）， ｅｔ ａｌ． Ｏｂｊｅｃｔ ｏｒｉｅｎｔｅｄ ｕｒｂａｎ ｌａｎｄ⁃ｃｏｖｅｒ ｃｌａｓｓｉｆｉｃａ⁃
ｔｉｏｎ ｏｆ ｍｕｌｔｉ⁃ｓｃａｌｅ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ： Ａ ｃａｓｅ
ｓｔｕｄｙ ｉｎ Ｋｕａｌａ Ｌｕｍｐｕｒ Ｃｉｔｙ ｃｅｎｔｅｒ， Ｍａｌａｙｓｉａ． Ｊｏｕｒｎａｌ ｏｆ
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ （遥感学报）， ２００７， １１（４）： ５２１－５３０
（ｉｎ Ｃｈｉｎｅｓｅ）
［５］　 Ｃａｏ Ｘ （曹　 雪）， Ｋｅ Ｃ⁃Ｑ （柯长青）． Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ
ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ ｕｓｉｎｇ ｏｂｊｅｃｔ⁃ｏｒｉｅｎ⁃
ｔｅｄ ｍｅｔｈｏｄ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｉｎｆｏｒｍａｔｉｏｎ （遥感信息），
２００６， ５１（５）： ２７－３０ （ｉｎ Ｃｈｉｎｅｓｅ）
［６］　 Ｍａｌｌｉｎｉｓ Ｇ， Ｋｏｕｔｓｉａｓ Ｎ， Ｔｓａｋｉｒ⁃ｉ Ｓｔｒａｔｉ Ｍ， ｅｔ ａｌ． Ｏｂｊｅｃｔ⁃
ｂａｓｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ Ｑｕｉｃｋｂｉｒｄ ｉｍａｇｅｒｙ ｆｏｒ ｄｅｌｉｎｅａ⁃
ｔｉｎｇ ｆｏｒｅｓｔ ｖｅｇｅｔａｔｉｏｎ ｐｏｌｙｇｏｎｓ ｉｎ ａ Ｍｅｄｉｔｅｒｒａｎｅａｎ ｔｅｓｔ
ｓｉｔｅ． ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓ⁃
ｉｎｇ， ２００８， ６３： ２３７－２５０
［７］　 Ｊａｃｑｕｉｎ Ａ， Ｍｉｓａｋｏｖａ Ｌ． Ａ ｈｙｂｒｉｄ ｏｂｊｅｃｔ⁃ｂａｓｅｄ ｃｌａｓｓｉｆｉ⁃
ｃａｔｉｏｎ ａｐｐｒｏａｃｈ ｆｏｒ ｍａｐｐｉｎｇ ｕｒｂａｎ ｓｐｒａｗｌ ｉｎ ｐｅｒｉｕｒｂａｎ
ｅｎｖｉｒｏｎｍｅｎｔ． Ｌａｎｄｓｃａｐｅ ａｎｄ Ｕｒｂａｎ Ｐｌａｎｎｉｎｇ， ２００８，
８４： １５２－１６５
［８］　 Ｇａｏ Ｙ， Ｍａｓ ＪＦ， Ｍａａｔｈｕｉｓ ＢＨＰ， ｅｔ ａｌ． Ｃｏｍｐａｒｉｓｏｎ ｏｆ
ｐｉｘｅｌ⁃ｂａｓｅｄ ａｎｄ ｏｂｊｅｃｔ⁃ｏｒｉｅｎｔｅｄ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｐ⁃
ｐｒｏａｃｈｅｓ： Ａ ｃａｓｅ ｓｔｕｄｙ ｉｎ ａ ｃｏａｌ ｆｉｒｅ ａｒｅａ， Ｗｕｄａ， Ｉｎｎｅｒ
Ｍｏｎｇｏｌｉａ， Ｃｈｉｎａ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓ⁃
ｉｎｇ， ２００６， ２７： ４０３９－４０５５
［９］　 Ｄｕ Ｆ⁃Ｌ （杜凤兰）， Ｔｉａｎ Ｑ⁃Ｊ （田庆久）， Ｘｉａ Ｘ⁃Ｑ （夏
学齐）， ｅｔ ａｌ． Ｏｂｊｅｃｔ⁃ｏｒｉｅｎｔｅｄ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎａｌｙ⁃
１７６１６期　 　 　 　 　 　 　 　 　 　 　 　 　 　 田　 甜等： 面向对象的优势树种类型信息提取技术　 　 　 　 　 　
ｓｉｓ ａｎｄ ｅｖａｌｕａｔｉｏｎ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ Ａｎｄ Ａｐ⁃
ｐｌｉｃａｔｉｏｎ （遥感技术与应用）， ２００４， １９（１）： ２０－ ２４
（ｉｎ Ｃｈｉｎｅｓｅ）
［１０］　 Ｇｕａｎ Ｙ⁃Ｘ （关元秀）， Ｃｈｅｎｇ Ｘ⁃Ｙ （程晓阳）． Ａｐｐｌｉｃａ⁃
ｔｉｏｎ ｏｆ Ｈｉｇｈ Ｒｅｓｏｌｕｔｉｏｎ Ｓａｔｅｌｌｉｔｅ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ
Ｇｕｉｄｅ． Ｂｅｉｊｉｎｇ： Ｓｃｉｅｎｃｅ Ｐｒｅｓｓ， ２００８ （ｉｎ Ｃｈｉｎｅｓｅ）
［１１］　 Ｍｕ Ｆ⁃Ｙ （牟凤云）， Ｈａｎ Ｋ （韩　 葵）． Ｏｂｊｅｃｔ⁃ｏｒｉｅｎｔｅｄ
ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｗｅｔｌａｎｄ ｖｅｇｅｔａｔｉｏｎ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｉｎ⁃
ｆｏｒｍａｔｉｏｎ ｅｘｔｒａｃｔｉｏｎ． Ｊｏｕｒｎａｌ ｏｆ Ａｎｈｕｉ Ａｇｒｉｃｕｌｔｕｒａｌ
Ｓｃｉｅｎｃｅｓ （安徽农业科学）， ２０１２， ４０ （ １２）： ７５７４ －
７５７６ （ｉｎ Ｃｈｉｎｅｓｅ）
［１２］　 Ｂｒｅｎｎｅｒ ＪＣ， Ｃｈｒｉｓｔｍａｎ Ｚ， Ｒｏｇａｎ Ｊ． Ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ
ｌａｎｄｓａｔ ｔｈｅｍａｔｉｃ ｍａｐｐｅｒ ｉｍａｇｅｒｙ ｉｍｐｒｏｖｅｓ ｂｕｆｆｅｌｇｒａｓｓ
（Ｐｅｎｎｉｓｅｔｕｍ ｃｉｌｉａｒｅ） ｐａｓｔｕｒｅ ｍａｐｐｉｎｇ ｉｎ ｔｈｅ Ｓｏｎｏｒａｎ
Ｄｅｓｅｒｔ ｏｆ Ｍｅｘｉｃｏ． Ａｐｐｌｉｅｄ Ｇｅｏｇｒａｐｈｙ， ３４： ５６９－５７５
［１３］　 Ｈｕｒｄ ＪＤ， Ｃｉｖｃｏ ＤＬ， Ｇｉｌｍｏｒｅ ＭＳ， ｅｔ ａｌ． Ｔｉｄａｌ ｗｅｔｌａｎｄ
ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｆｒｏｍ ｌａｎｄｓａｔ ｉｍａｇｅｒｙ ｕｓｉｎｇ ａｎ ｉｎｔｅｇｒａｔｅｄ
ｐｉｘｅｌ⁃ｂａｓｅｄ ａｎｄ ｏｂｊｅｃｔ⁃ｂａｓｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｐｐｒｏａｃｈ．
ＡＳＰＲＳ ２００６ Ａｎｎｕａｌ Ｃｏｎｆｅｒｅｎｃｅ： Ａｍｅｒｉｃａｎ Ｓｏｃｉｅｔｙ ｆｏｒ
Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， Ｒｅｎｏ， Ｎｅｖａｄａ，
２００６： ２８－３９
［１４］　 Ｙａｎ Ｍ⁃Ｃ （颜梅春）． Ｒｅｓｅａｒｃｈ ａｎｄ ｃｏｎｔｒａｓｔ ｏｎ ｓｅｖｅｒａｌ
ｖｅｇｅｔａｔｉｏｎ⁃ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄｓ ｏｆ ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎ ｓａｔｅｌ⁃
ｌｉｔｅ ｉｍａｇｅ ｄａｔａ． Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ （遥感学
报）， ２００７， １１（２）： ２３５－２４０ （ｉｎ Ｃｈｉｎｅｓｅ）
［１５］　 Ｈａｎ Ｎ （韩　 凝）， Ｚｈａｎｇ Ｘ⁃Ｙ （张秀英）， Ｗａｎｇ Ｘ⁃Ｍ
（王小明）， ｅｔ ａｌ． Ｅｘｔｒａｃｔｉｏｎ ｏｆ Ｔｏｒｒｅｙａ ｇｒａｎｄｉｓ Ｍｅｒｒｉｌｌｉｉ
ｂａｓｅｄ ｏｎ ｏｂｊｅｃｔ ｏｒｉｅｎｔｅｄ ｍｅｔｈｏｄ ｆｒｏｍ ＩＫＯＮＯＳ ｉｍａｇｅｒｙ．
Ｊｏｕｒｎａｌ ｏｆ Ｚｈｅｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ （Ａｇｒｉｃｕｌｔｕｒｅ ＆ Ｌｉｆｅ Ｓｃｉ⁃
ｅｎｃｅｓ） （浙江大学学报：农业与生命科学版）， ２００９，
３５（６）： ６７０－６７６ （ｉｎ Ｃｈｉｎｅｓｅ）
［１６］　 Ｇｕｏ Ｙ⁃Ｇ （郭亚鸽）， Ｙｕ Ｘ⁃Ｆ （于信芳）， Ｊｉａｎｇ Ｄ （江
东）， ｅｔ ａｌ． Ｓｔｕｄｙ ｏｎ ｆｏｒｅｓｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ
ｏｂｊｅｃｔ⁃ｏｒｉｅｎｔｅｄ ｔｅｃｈｎｉｑｕｅｓ． Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏ⁃Ｉｎｆｏｒｍａｔｉｏｎ
Ｓｃｉｅｎｃｅ （地球信息科学学报）， ２０１２， １４（４）： ５１４－
５２２ （ｉｎ Ｃｈｉｎｅｓｅ）
［１７］　 Ｃｕｉ Ｙ⁃Ｊ （崔一娇）， Ｚｈｕ Ｌ （朱　 琳）， Ｚｈａｏ Ｌ⁃Ｊ （赵力
娟）． Ａｂｓｔｒａｃｔｉｏｎ ａｎｄ ａｎａｌｙｓｉｓ ｏｆ ｖｅｇｅｔａｔｉｏｎ ｉｎｆｏｒｍａｔｉｏｎ
ｂａｓｅｄ ｏｎ ｏｂｊｅｃｔ⁃ｏｒｉｅｎｔｅｄ ａｎｄ ｓｐｅｃｔｒａ ｆｅａｔｕｒｅｓ． Ａｃｔａ Ｅｃｏ⁃
ｌｏｇｉｃａ Ｓｉｎｉｃａ （生态学报）， ２０１３， ３３（３）： ８６７ － ８７５
（ｉｎ Ｃｈｉｎｅｓｅ）
［１８］　 Ｍｉｎｉｓｔｒｙ ｏｆ Ｌａｎｄ ａｎｄ Ｒｅｓｏｕｒｃｅｓ ｏｆ ｔｈｅ Ｐｅｏｐｌｅ’ｓ Ｒｅｐｕｂ⁃
ｌｉｃ ｏｆ Ｃｈｉｎａ（中华人民共和国国土资源部）． Ｔｈｅ Ｃｕｒ⁃
ｒｅｎｔ Ｌａｎｄ⁃ｕｓｅ Ｃｏｎｄｉｔｉｏｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ［ ＥＢ ／ ＯＬ ］．
（２００７⁃０９⁃０４） ［２０１４⁃０８⁃１５］． ｈｔｔｐ： ／ ／ ｗｗｗ．ｍｌｒ．ｇｏｖ．ｃｎ ／
ｘｗｄｔ ／ ｊｒｘｗ ／ ２００７０９ ／ ｔ２００７０９０４ ＿ ６５２５４１． ｈｔｍ （ ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［１９］　 Ｌｉ Ｎ （李　 娜）， Ｚｈｏｕ Ｄ⁃Ｍ （周德民）， Ｚｈａｏ Ｋ⁃Ｙ （赵
魁义）． Ｍａｒｓｈ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍａｐｐｉｎｇ ａｔ ａ ｃｏｍｍｕｎｉｔｙ
ｓｃａｌｅ ｕｓｉｎｇ ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎ ｉｍａｇｅｒｙ． Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉ⁃
ｃａ （生态学报）， ２０１１， ３１（２２）： ６７１８－６７２６ （ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［２０］　 Ｐｌａｔｔ ＲＶ， Ｒａｐｏｚａ Ｌ． Ａｎ ｅｖａｌｕａｔｉｏｎ ｏｆ ａｎ ｏｂｊｅｃｔ⁃ｏｒｉｅｎｔｅｄ
ｐａｒａｄｉｇｍ ｆｏｒ ｌａｎｄ ｕｓｅ ／ ｌａｎｄ ｃｏｖｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ． Ｔｈｅ Ｐｒｏ⁃
ｆｅｓｓｉｏｎａｌ Ｇｅｏｇｒａｐｈｅｒ， ２００８， ６０： ８７－１００
［２１］　 Ｗａｌｔｅｒ Ｖ． Ｏｂｊｅｃｔ⁃ｂａｓｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ
ｄａｔａ ｆｏｒ ｃｈａｎｇｅ ｄｅｔｅｃｔｉｏｎ． ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍ⁃
ｍｅｔｒｙ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２００４， ５８： ２２５－２３８
［２２］　 Ｎｉｃｈｏｌ Ｌ， Ｌｅｅ ＣＭ． Ｕｒｂａｎ ｖｅｇｅｔａｔｉｏｎ ｍｏｎｉｔｏｒｉｎｇ ｉｎ
Ｈｏｎｇｋｏｎｇ ｕｓｉｎｇ ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ ｍｕｌｔｉｓｐｅｃｔｒａｌ ｉｍａｇｅｓ． Ｉｎ⁃
ｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２００５， ２６： ９０３－
９１８
［２３］ 　 Ｍａｔｈｉｅｕ Ｒ， Ｆｒｅｅｍａｎ Ｃ， Ａｒｙａｌ Ｊ． Ｍａｐｐｉｎｇ ｐｒｉｖａｔｅ ｇａｒ⁃
ｄｅｎｓ ｉｎ ｕｒｂａｎ ａｒｅａｓ ｕｓｉｎｇ ｏｂｊｅｃｔ⁃ｏｒｉｅｎｔｅｄ ｔｅｃｈｎｉｑｕｅｓ ａｎｄ
ｖｅｒｙ ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅｒｙ． Ｌａｎｄｓｃａｐｅ ａｎｄ Ｕｒ⁃
ｂａｎ Ｐｌａｎｎｉｎｇ， ２００７， ８１： １７９－１９２
［２４］　 Ｐｕｒｅｖｄｏｒｊ ＴＳ， Ｔａｔｅｉｓｈｉ Ｒ， Ｉｓｈｉｙａｍａ Ｔ， ｅｔ ａｌ． Ｒｅｌａｔｉｏｎ⁃
ｓｈｉｐ ｂｅｔｗｅｅｎ ｐｅｒｃｅｎｔ ｖｅｇｅｔａｔｉｏｎ ｃｏｖｅｒ ａｎｄ ｖｅｇｅｔａｔｉｏｎ ｉｎ⁃
ｄｉｃｅｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， １９９８， １９： ３５１９－３５３５
［２５］　 Ｇａｏ Ｚ⁃Ｈ （高志海）， Ｗｅｉ Ｈ⁃Ｄ （魏怀东）， Ｄｉｎｇ Ｆ （丁
峰）． Ｍｅｔｈｏｄｓ ｆｏｒ ｓｕｂｔｒａｃｔｉｎｇ ｖｅｇｅｔａｔｉｏｎ ｉｎｆｏｒｍａｔｉｏｎ
ｕｓｉｎｇ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ （ＶＩ） ｆｒｏｍ ＴＭ ｉｍａｇｅｓ． Ｊｏｕｒｎａｌ ｏｆ
Ａｒｉｄ Ｌａｎｄ Ｒｅｓｏｕｒｃｅｓ ａｎｄ Ｅｎｖｉｒｏｎｍｅｎｔ （干旱区资源与
环境）， １９９８， １２（３）： ２１－２６（ｉｎ Ｃｈｉｎｅｓｅ）
［２６］　 Ｔｉｃｋｌｅ ＰＫ． Ｕｓｅ ｏｆ ａｉｒｂｏｒｎｅ ｓｃａｎｎｉｎｇ Ｌｉｄａｒ ａｎｄ ｌａｒｇｅ
ｓｃａｌｅ ｐｈｏｔｏｇｒａｐｈｙ ｗｉｔｈｉｎ Ａｓｔｒａｔｅｇｉｃ ｆｏｒｅｓｔ ｉｎｖｅｎｔｏｒｙ ａｎｄ
ｍｏｎｉｔｏ⁃ｒｉｎｇ ｆｒａｍｅｗｏｒｋ． Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ
Ｓｙｍｐｏｓｉｕｍ， Ｓｙｄｎｅｙ， ２００１： １０００－１００３
［２７］　 Ｋｏｓａｋａ Ｎ， Ａｋｉｙａｍａ Ｔ， Ｔｓａｉ Ｂ， ｅｔ ａｌ． Ｆｏｒｅｓｔ ｔｙｐｅ ｃｌａｓｓｉ⁃
ｆｉｃａｔｉｏｎ ｕｓｉｎｇ ｄａｔａ ｆｕｓｉｏｎ ｏｆ ｍｕｌｔｉｓｐｅｃｔｒａｌ ａｎｄ ｐａｎｃｈｒｏ⁃
ｍａｔｉｃ ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅｒｉｅｓ． Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｓｙｍｐｏｓｉｕｍ， Ｓｅｏｕｌ， ２００５： ２９８０－２９８３
作者简介　 田　 甜，女，１９９０ 年生，硕士研究生．主要从事林
业遥感及面向对象植被分类研究． Ｅ⁃ｍａｉｌ： ２６４７２８２３４＠ ｑｑ．
ｃｏｍ
责任编辑　 杨　 弘
２７６１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷