全 文 ：第 34 卷第 24 期
2014年 12月
生 态 学 报
ACTA ECOLOGICA SINICA
Vol.34,No.24
Dec.,2014
http: / / www.ecologica.cn
基金项目:中国科学院战略性先导科技专项(XDA05050101); 国家重点基础研究发展计划(973 计划) 课题(2013CB430401)
收稿日期:2013鄄10鄄11; 摇 摇 修订日期:2014鄄10鄄23
*通讯作者 Corresponding author.E鄄mail: renchy@ neigae.ac.cn
DOI: 10.5846 / stxb201310112438
贾明明, 任春颖, 刘殿伟 , 王宗明, 汤旭光, 董张玉.基于环境星与 MODIS时序数据的面向对象森林植被分类.生态学报,2014,34(24):7167鄄7174.
Jia M M, Ren C Y, Liu D W , Wang Z M, Tang X G, Dong Z Y.Object鄄oriented forest classification based on combination of HJ鄄 1 CCD and MODIS鄄
NDVI data.Acta Ecologica Sinica,2014,34(24):7167鄄7174.
基于环境星与 MODIS时序数据的面向
对象森林植被分类
贾明明1, 2, 任春颖1,*, 刘殿伟 1, 王宗明1, 汤旭光1, 2, 董张玉1, 2
(1.中国科学院东北地理与农业生态研究所,中国科学院湿地生态与环境重点实验室,长春摇 130102; 2. 中国科学院大学, 北京摇 100049)
摘要:林区地形复杂、植被分布无序,且森林植被光谱信息相近,因而森林二级类型边界的确定成为土地覆盖遥感分类的难点。
选择吉林省东部山区为研究区,以环境星影像(HJ鄄1 CCD)和中等分辨率成像光谱仪(MODIS)时序数据为基础,采用面向对象
的分类方法进行森林植被类型的提取。 分类特征参数主要选取了 HJ鄄1 CCD 的光谱和纹理特征,以及 MODIS 时序数据的物候
特征。 研究区总体分类精度为 91.5%,Kappa系数为 0.88,森林二级类型的分类精度均较高,其中落叶阔叶林的制图精度达到了
97.1%。 所用的面向对象分类方法与未加入物候特征的面向对象分类方法相比,森林二级类型的分类精度得到大幅度提高。
关键词:面向对象;森林分类;MODIS鄄NDVI;HJ鄄1 CCD;吉林省东部
Object鄄oriented forest classification based on combination of HJ鄄 1 CCD and
MODIS鄄NDVI data
JIA Mingming1, 2, REN Chunying1,*, LIU Dianwei
1
, WANG Zongming1, TANG Xuguang1, 2, DONG Zhangyu1, 2
1 Key Laboratory of Wetland Ecology and Environment, Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, Changchun 130102,
China
2 Graduate School of Chinese Academy of Sciences, Beijing 100049, China
Abstract: As the world忆s largest terrestrial ecosystem, forest is very important to human living and environment sustainable
development. Therefore, grasping the status and changes of forest resources are of significance. But classification of sub鄄
category information of forest vegetation has always been difficult for remote sensing, because of the impact of complex
terrain, irregular distributed vegetation, and the similar spectral information of different forest types. In recent years,
classification combining spectral characteristics and multivariable remote sensing data has particularly become study focus.
In this study, Eastern Jilin was chosen as the study area, where approximately 80% of the land is covered with forest
vegetation, and the sub鄄category of forest vegetation contained broadleaved deciduous forest, deciduous coniferous forest,
evergreen coniferous forest, mixed broadleaf鄄conifer forest, and deciduous shrub. The classification was operated based on
object鄄oriented method using HJ鄄1 CCD data and MODIS鄄NDVI data. A hierarchical segmentation method was proposed in
this paper. Different segmentation parameters could be set according to different land cover types. Firstly, non鄄forest land
cover types were classified. Then the sub鄄category of forest vegetation was classified based on the characteristics of the
http: / / www.ecologica.cn
spectral features generated by HJ鄄 1 CCD data, and phenological features generated by MODIS鄄NDVI time series data.
Among these sub鄄forest vegetations, the broadleaved deciduous forest and deciduous shrub, the evergreen coniferous forest
and deciduous coniferous forest are similar in spectral features, but obvious different in phenological features. In this study,
the spectral features used to classify sub鄄forest vegetation are Mean Layer 2 (mean value of HJ鄄 1 CCD band 4), Mean
NDVI; the phenological features including Mean Layer 5 (mean value of MODIS鄄NDVI 81d), Mean Layer 8 (mean value
of MODIS鄄NDVI 129d). There are 707 ground truth points used to assess the classification accuracy, including 622 forest
points and 85 non鄄forest points. The overall accuracy is 91.5% and Kappa confidence is 0.88, the broadleaved deciduous
forest got the highest accuracy, the producer忆s accuracy is 97.1% and the user忆s accuracy is 92.1%, other sub鄄categories of
forest vegetation all got accuracy approximately 90%. In order to compare the classification results with and without MODIS鄄
NDVI time series data, we chose a small area to operate the object鄄oriented classification without MODIS鄄NDVI time series
data. The comparison indicated that without MODIS鄄NDVI time series data the classification image appears very disordered.
Among the forest sub鄄categories, deciduous coniferous forest and evergreen coniferous forest, broadleaved deciduous forest
and deciduous shrub are remarkablely mixed. The classification accuracy is also quite low, the overall accuracy is 61.5%
and the Kappa confidence is 0.53. The comparison ensured that the joined of MODIS鄄NDVI time series data significantly
improved the forest sub鄄categories忆 classification result. The classification method operated in this study (based on object鄄
oriented method combining HJ鄄1 CCD data and MODIS鄄NDVI data) could also be used in classifying vegetation in other
regions, but the parameters in this study is regional adoptive.
Key Words: object鄄oriented; forests classification; MODIS鄄NDVI;HJ鄄1 CCD; Eastern Jilin
摇 摇 森林是地球上最重要的生态系统之一,它不仅
为人类提供经济来源,而且对水资源调节,水土保持
以及人类废物代谢调节起着重要的作用。 森林资源
状况及其变化,不仅影响地区乃至全球环境的变化,
而且对社会经济的可持续发展影响深远。 因此,开
展森林资源调查与监测意义重大。 20 世纪 70 年代
以来,逐渐发展的遥感技术为研究森林资源的现状
与动态提供了理想的工具。 但是,由于林区特殊的
地理环境和生物分布特点,森林植被普遍存在“同物
异谱冶和“异物同谱冶的现象,使得遥感分类成为研
究难点。 为提高森林植被的分类精度,国内外学者
进行了大量的研究,其中地物光谱特征与多源遥感
数据相结合进行分类已成为研究热点。 Dyk[1]等利
用高光谱数据和多光谱数据对加拿大森林进行分
类,得到的最高分类精度为 90.0%。 冯恒栋[2]以我
国东北东部典型林区为试验区,使用 Landsat TM 遥
感数据,运用 BP 神经网络和模糊 C均值聚类两种方
法对遥感图像进行分类,结果表明这两种新方法与
传统的监督分类和非监督分类相比优势明显。 竞
霞[3]等采用分区和多时相遥感数据结合的方法对密
云山区森林植被进行分类研究,结果证明该方法具
有明显的技术优势。 张超[4]等使用 ETM+和 DEM数
据,选取海拔、坡向、坡度、和 NDVI 4 个指标,基于灌
木林的空间分布特征,对西藏灌木林进行遥感分类,
总体精度 86.24%,个别灌木类型精度达 95%。 严恩
萍[5]使用 ALOS遥感数据,并加入 NDVI和主成分分
析,应用决策树方法提取广西平南县内的阔叶林信
息,并将调整的决策树算法应用于 SPOT 和 TM 数
据,取得了较高的分类精度。
面向对象方法是指通过对影像的分割,使同质
像元组成大小不同的对象[6],突破了传统遥感影像
分类方法以像元为基本分类和处理单元的局限性,
以含有更多语义信息的多个相邻像元组成的对象为
处理单元,可以实现较高层次的遥感图像分类和目
标地物提取[7]。 传统的基于像元分类方法是以像元
为基本单元,参与信息提取的因子是像元的光谱信
息[8],遥感影像的分类结果存在严重的“椒盐现象冶,
并且对于波谱信息类似而形状、纹理信息不同的地
类错分现象严重。 而面向对象的遥感图像分类方法
不仅基于光谱特征,还利用影像的、质地纹理对影像
进行分割和分类,分类结果避免了斑点噪声,具有良
好的整体性。 面向对象分类方法使用形状和拓扑特
征增强空间信息,尽可能将现实地物和影像对象相
匹配,提高了地物分类结果的价值。 近年来,面向对
8617 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
象分类方法在国内外广泛地应用于各种数据源的遥
感图像分类中, 如 IKONOS[9鄄10]、 ALOS[11]、 SPOT
5[7]、Landsat TM[12鄄13]、NOAA鄄AVHRR[14]等,均不同
程度上提高了遥感图像分类的精度。
本文旨在探讨一种综合应用环境星数据(HJ鄄 1
CCD)和 MODIS时序数据的面向对象森林植被遥感
分类方法,这种方法在传统的仅利用 HJ鄄 1CCD 提供
的光谱、纹理、形状和拓扑等空间信息的基础上,引
入了 MODIS时序数据提供的物候信息,进一步提高
分类精度。 研究过程中运用 eCognition,ArcGIS 等软
件完成面向对象分类及相关地学分析。
图 1摇 研究区地理位置与地形
Fig.1摇 Location of the study area and the terrain
1摇 研究区概况
研究区为吉林省东部地区,行政范围包括延边
朝鲜族自治州、白山市和通化市,其地理坐标为 40毅
52忆—44毅36忆N,125毅15忆—131毅18忆E(图 1)。 研究区内
有数条东北—西南走向的山脉,山脉之间常有宽谷
盆地,构成盆鄄山地形,属长白山脉的中段。 气候类
型属于温带海洋性季风气候,降水主要集中在 5—9
月份,冬季降水少,气温低,1 月份平均气温在-19—
-14益之间,0益以下的寒冷期长达 160到 200d,相对
湿度大。 长白山地区的主要植被类型有,落叶阔叶
林、落叶针叶林、常绿针叶林、针阔混交林、以及落叶
阔叶灌木林。 区内植被为长白山植物区系,针叶树
主要有:红松(Pinus koraiensis)、落叶松(Larix gmelinii)、
云 杉 ( Picea asperata )、 冷 杉 ( Abies fabri )、 臭 松
(Symplocarpus foetidus)、长白赤松(Pinus sylvestris Linn.
var. sylvestriformis)等;阔叶树主要是:椴树(Tilia tuan
Szyszyl.)、柞树(Xylosma racemosum)、杨树(Populus L.)、
枫桦(Betula costata)、白桦(Betula platyphylla)等;灌木
主要是榛子(Corylus chinensis)、忍冬(Lonicera japonica
Thunb.)、胡枝子 ( Lespedeza bicolor Turcz.)、绣线菊
(Spiraea salicifolia)等。
2摇 材料与方法
2.1摇 数据来源及预处理
本文使用 2010年 8月的 3景 HJ鄄1 CCD卫星影
像(轨道号分别为:446鄄60,447鄄60,446鄄64)。 首先利
用 ENVI软件中的 FLAASH模型进行大气校正,然后
以 TM 为参考影像用二次多项式法进行几何精纠
正,纠正误差控制在 0.5个像元,再利用 DEM进行正
射纠正,最后将 3 景 HJ鄄 1 CCD 影像进行拼接和
裁剪。
使用 NASA(美国国家航空航天局)网站提供
MODIS产品中的 MOD13Q1_V005 产品,MOD13Q1
数据内容包括 11 个波段,为 16 天合成的陆地植被
指数数据。 分类所用数据为 2010第 81天到 2010年
第 273天,该时间段正是吉林省东部地区植被的生
长期。 MODIS 数据预处理主要有以下几个步骤:
(1)格式转换,即利用 ENVI 软件提取原始数据中的
NDVI指数层、近红外和中红外反射率层,并转换为
ENVI软件 HDR格式;(2)投影变换,即根据研究区
地理位置和范围,将提取出的数据转换为与环境星
数据相同的投影;(3)波段叠加,即将处理好的数据
按照时间顺序进行排序叠加,整合为一个含有 13 个
图层的时间序列数据。
2.2摇 高质量 MODIS时间序列数据集的重构
归一化植被指数(NDVI)是植被生长状态的最
佳指示因子,与植被叶面积、生物量及覆盖度有密切
的相关性,在同一区域,相同植被类型的物候特征相
同,具有相近的 NDVI时间序列曲线[15]。 NDVI 时间
序列曲线是反映植被生物学特征相随时间变化的最
佳指示因子,也是季节变化和人为活动影响的重要
指示器[16]。 其计算公式为:
NDVI =
籽nir - 籽red
籽nir + 籽red
(1)
式中,籽nir和 籽red分别代表近红外和红波段的反射率。
Savizky鄄Golay( S鄄G)滤波是 Savizky 和 Golay[17]
1964年提出的一种最小二乘卷积拟合方法来平滑和
计算一组相邻值或光谱值的导数。 这个滤波器可以
9617摇 24期 摇 摇 摇 贾明明摇 等:基于环境星与 MODIS时序数据的面向对象森林植被分类 摇
http: / / www.ecologica.cn
应用于任何具备相同间隔的连续且多少有些平滑的
数据,NDVI的时间序列是满足此条件的。
图 2为对比 S鄄G滤波迭代前后典型落叶阔叶林
的 NDVI曲线,可看出原始 MODIS数据存在噪声,通
过 S鄄G滤波迭代,可以有效地平滑原 NDVI 曲线,最
大程度地逼近初始包络线,反映出各种土地覆盖类
型的 NDVI的时序变化特征。
图 2摇 滤波前后 NDVI 时间序列曲线的对比
Fig.2 摇 Contrast between the filtered NDVI time series curves
and unfiltered curves
2.3摇 面向对象分类方法
面向对象分类的操作平台是 eCognition 软件,它
是由德国 Definiens公司开发的,采用了面向对象、多
尺度影像分割、模糊规则的处理与分析技术。
2.3.1摇 待分类影像数据集的重构
将含有 4个波段的 HJ鄄 1 CCD 数据、含有 13 个
波段的MODIS 鄄NDVI数据依次载入到eCognition软
件中,生成的待分类影像共 17个图层。 其中 Layer 1—
Layer 4 为 HJ鄄 1 CCD 的 band 1—band 4;Layer 5—
Layer 17 依次为 MODIS 数据第 81—273 天的 NDVI
图像。
2.3.2摇 图像分割体系
本文使用基于多尺度的图像分割方法。 在多尺
度分割中,尺度不同,生成的影像对象多边形的大小
和数量也不同,一般而言,分割尺度值越大,所生成
的对象层内多边形面积就越大且数目越小,反之亦
然[18]。 本研究仅 HJ鄄1 CCD数据参与影像分割,4个
波段的权重值均设置为 1,其余波段的权重均为 0。
由于 HJ鄄1 CCD数据空间分辨率是 30m,能够识别地
物的最小面积为 900 m2,而MOD13Q1数据空间分辨
率是 250m,能够识别的最小面积为 62500m2,是HJ鄄1
CCD数据的 69.4 倍,因此在对环境星数据分割时,
选择一个最大分割尺度为 70。 环境星数据的分割尺
度不仅要满足数据综合的需求,也要考虑地物自身
的特征,因此本研究另外采用两种较小的分割尺度
分别进行多尺度分割,分割参数如表 1 所示,分割效
果如图 3所示。
表 1摇 多尺度分割参数设置
Table 1摇 Setting Multi鄄scale Segmentation Parameters
权重因子 Weight
层次 Levels
Level1 Level2 Level3
分割尺度 Scale 70 15 6
彩色因子 Color 0.7 0.8 0.9
形状因子 Shape 0.3 0.2 0.1
光滑度 Smooth 0.6 0.6 0.6
紧致度 Compact 0.4 0.4 0.4
图 3摇 不同分割参数的多尺度分割效果对比
Fig.3摇 Comparison of the multi鄄scale segmentation results with different parameters
2.4摇 森林二级类型的分类
应用单一时相的环境星数据很难区分森林的二
级类型,因此本文引入植被物候信息对其进行分类。
图 4是吉林省东部地区森林二级类型样本 MODIS鄄
NDVI时序数据曲线和 HJ1鄄CCD 光谱响应曲线。 首
先通过对 HJ鄄1 CCD数据进行多尺度分割,获得影像
0717 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
对象,然后获取对象的物候信息,根据森林二级类型
的物候信息特征和光谱信息特征进行面向对象的分
类。 具体步骤为:
首先,建立森林覆盖区域的掩膜,对森林覆盖区
域进行多尺度分割,分割参数首先设置为表 1 中的
Level 1,测试分割参数是否合适。 若不合适则参照
Level 2、Level 3重新分割。
然后,参照图 4 中森林二级类型样本 MODIS鄄
NDVI时序数据曲线和 HJ鄄 1 CCD 光谱响应曲线,确
定区分森林二级类型的特征值,完成森林植被二级
类型的分类。 图 4 中,森林二级类型的参考样点森
林覆盖率均在 95%以上,可以视为无土壤背景干扰。
如图 4所示,常绿针叶林与落叶针叶林的 HJ鄄 1 CCD
光谱响应曲线相似,但 MODIS鄄NDVI 时序曲线差别
明显;落叶阔叶林、针阔混交林、落叶灌木林的 HJ鄄 1
CCD光谱响应曲线相似,但是 MODIS鄄NDVI 时序曲
线差异明显。 因此分类过程中,首先根据 HJ鄄 1 CCD
光谱响应曲线的特征将森林植被分成两大类,即针
叶林和非针叶林。 针叶林类型中,常绿针叶林的
NDVI值在第 81 和 97 天明显高于落叶针叶林。 非
针叶林类型中,首先利用针阔混交林第 81 天的
NDVI值明显小于其它两种类型建立规则,将针阔混
交林分出;然后根据落叶阔叶林第 129天的 NDVI值
明显高于落叶阔叶灌木林特征建立规则区分落叶阔
叶林和落叶阔叶灌木林。 本研究分类流程及具体分
类规则和参数如图 5所示。
图 4摇 森林二级类型样本MODIS鄄NDVI时间序列曲线及 HJ鄄1 CCD光谱响应曲线
Fig.4摇 The sample MODIS鄄NDVI time series curves and HJ鄄1 CCD spectral response curves of different forest types
图 5摇 森林二级类型分类流程
Fig.5摇 Workflow of different forest types classification
图 6摇 吉林省东部地区土地覆盖分类结果
Fig.6摇 Classification results of land use / land cover in eastern
Jilin Province
3摇 结果与分析
3.1摇 分类结果与精度评价
摇 摇 本研究首先根据地物在 HJ鄄 1 CCD 影像上的色
1717摇 24期 摇 摇 摇 贾明明摇 等:基于环境星与 MODIS时序数据的面向对象森林植被分类 摇
http: / / www.ecologica.cn
调、纹理等特征,运用面向对象的方法,先进行多尺
度分割,然后根据对象的光谱、形状、拓扑关系等特
征,综合物候特征和地形特征对吉林省东部地区土
地覆盖进行逐层分类,特别是森林二级类型的逐层
分类,分类结果见图 6。
地面调查开展于 2010 年 8 月 13 日至 23 日、
2011年 8月 5日到 10日,两次野外作业共获得采样
点 506个,另外获取了吉林省环保部于 2012 年 8 月
实地调查样点 509 个,样点共计 1015 个。 由于吉林
省东部地区森林二级类型年际变化不大,因此本研
究认为这些样点均可反映 2010 年地表真实类型,其
中 308 个采样点作为样本数据参与分类,余下 707
个样点作为验证点,样点类型全面,数量充足,采样
点的空间分布均匀。 利用 ERDAS IMAGINE 的
Accuracy Assessment工具进行分类精度评价,得到分
类精度评价结果,如表 2 所示。 吉林省东部地区土
地覆盖分类的总体精度为 91. 5%,Kappa 系数为
0郾 88。 其中落叶阔叶林的制图精度和用户精度均达
到了 90%以上,其它森林二级类型的分类精度均接
近 90%。
表 2摇 吉林省东部地区土地覆盖分类结果的混淆矩阵
Table 2摇 Confusion Matrix of Land Use / Cover Classification Result in Eastern Jilin Province
分类结果
Classification Results
地表真实类型 Ground Truth
12 13 14 15 22 非森林 合计
落叶阔叶林 Broadleaved Deciduous Forest (12) 198 0 9 6 2 0 215
常绿针叶林 Evergreen Coniferous Forest (13) 0 60 0 2 0 1 63
落叶针叶林 Deciduous Coniferous Forest (14) 2 3 119 9 1 1 135
针阔混交林 Mixed Broadleaf鄄conifer Forest (15) 2 2 4 136 1 1 146
落叶灌木林 Deciduous Shrub (22) 1 4 1 4 52 1 63
非森林 Non Forest 1 0 1 1 0 82 85
合计 Total 204 69 134 158 56 86 707
用户精度 User Accuracy / % 92.1 95.2 88.1 93.2 82.5 96.5
制图精度 Producer Accuracy / % 97.1 87.0 88.8 86.1 92.9 95.3
总体精度 = 91.51%摇 Kappa= 0.88
3.2摇 与无 MODIS时序数据的分类结果比较
选取森林二级类型全面的典型区,截取 HJ鄄 1
CCD数据,输入 eCognition 软件,首先分别建立落叶
阔叶林、常绿针叶林、落叶针叶林、针阔混交林、落叶
灌木林样本,然后利用 eCognition中自带的最邻近距
离法分类器进行分类。 图 7中 A 为直接利用最邻近
距离法的分类结果,B 为本研究的分类结果。 表 6
是无MODIS时序数据参与的分类精度评价表。通
图 7摇 未加入MODIS鄄NDVI 与加入MODIS鄄NDVI分类结果的比较
Fig.7摇 Comparison of classification results between without and with MODIS鄄NDVI
2717 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
过图 7A、B和表 3 可以得出,未加入 MODIS 数据的
分类结果森林分布杂乱无章,特别是落叶阔叶林和
落叶灌木林、落叶针叶林和常绿针叶林存在严重的
混分现象;未加入 MODIS鄄NDVI 时序数据的分类结
果受到地形背景的影响非常大。 产生这种结果的原
因主要有:(1)在 HJ鄄1 CCD 图像上各种森林类型的
纹理、形态和拓扑特征十分相似;(2)由于 HJ鄄 1 CCD
数据的波段有限,典型区的地势起伏较大,地形阴影
对分类结果的影响非常大;(3)由于 HJ鄄 1 CCD 数据
光谱信息有限,落叶阔叶林和落叶灌木林光谱信息
类似,同样落叶针叶林和常绿针叶林光谱信息相近。
因此,常规的面向对象分类方法仅依靠图像的光谱、
纹理、形态等空间信息很难区分森林二级类型。 加
入 MODIS时序数据后,森林二级类型的物候特征得
到充分利用,根据不同森林植被类型的物候特征不
同,可以简便、准确地提取森林二级类型。
表 3摇 未加入MODIS鄄NDVI分类结果的混淆矩阵
Table 3摇 Confusion Matrix of Classification without MODIS鄄NDVI
分类结果
Classification results
地表真实类型 Ground truth
12 13 14 15 22 非森林 合计
落叶阔叶林 Broadleaved deciduous forest (12) 15 0 3 6 4 0 28
常绿针叶林 Evergreen coniferous forest (13) 0 16 0 2 0 0 18
落叶针叶林 Deciduous coniferous forest (14) 0 4 11 7 0 0 22
针阔混交林 Mixed Broadleaf鄄conifer Forest (15) 3 0 1 17 3 0 24
落叶灌木林 Deciduous shrub (22) 5 2 1 1 11 3 23
非森林 Non Forest 0 0 0 0 0 2 2
合计 Total 23 22 16 34 17 5 117
用户精度 User accuracy / % 53.6 88.9 50.0 70.8 47.8 100.0
制图精度 Producer accuracy / % 65.2 72.7 68.7 51.5 64.7 40.0
总体精度= 61.5%摇 摇 摇 摇 Kappa= 0.53
4摇 结论
为解决森林二级类型遥感分类难题,本研究选
取吉林省东部为研究区,将 MODIS 时序数据引入面
向对象分类方法中,利用 HJ鄄 1 CCD 数据的光谱、纹
理、形态等特征和 MODIS 时序数据提供的物候特征
进行土地覆盖类型的分类、特别是森林二级类型的
分类。 主要结论如下:
(1)在多尺度分割过程 Level 1 分割尺度为 70,
过大,分割结果包含较多的混合对象;而 Level 3 分
割尺度为 6,尺度较小,适合于人工表面和其它细小
地物,而对于相对原始的吉林省东部森林植被类型
并不合适,较小的尺度导致影像对象破碎,重要空间
信息丢失;Level 2分割尺度为 15,尺度中等,适于吉
林省东部森林等植被对象的分割。
(2)与无 MODIS 时序数据参与的分类结果相
比,加入了 MODIS时序数据的分类结果具有更高的
分类精度。 本研究的总体分类精度达到 91. 5%,
Kappa系数为 0.88。 其中落叶阔叶林与落叶灌木林
主要通过第 81 天和第 129 天的 NDVI 值区分出来;
常绿针叶林和落叶针叶林通过 MODIS鄄NDVI 时序数
据的最小值区分。 而无 MODIS 时序数据参与的分
类,其总体分类精度为 61.5%,Kappa系数为 0.53,落
叶阔叶林与阔叶灌木林,常绿针叶林和落叶针叶林
混分严重。
需要注意的是,在森林二级类型特征值确定过
程中,确保一个二级类型与其他类型分离的先决条
件是每个森林二级类型都应有其特有的特征。 显然
这要求一种好的特征分析方法来分析大量特征,不
仅能识别众多对象类的特有特征,更要能确定适宜
分类的特征阈值强度。 但是如此全面的特征分析法
尚未在 eCognition中实现,目前常用的方法是通过试
错方式选择阈值,根据所获得的分类结果决定采用
还是放弃。 同样,本研究的分类规则集和参数设置
具有区域适应性和卫星数据状态适应性,应用本方
法对其它区域的森林二级类型进行分类时,需要采
用试错法根据当地森林覆盖率、卫星数据状态等具
体情况适当调整阈值。
本研究采用的基于面向对象方法融合 HJ鄄 1
CCD与 MODIS时序数据的土地覆盖分类方法,不仅
3717摇 24期 摇 摇 摇 贾明明摇 等:基于环境星与 MODIS时序数据的面向对象森林植被分类 摇
http: / / www.ecologica.cn
充分考虑了 HJ鄄 1 CCD 数据的光谱、纹理、形状等信
息,还充分利用了 MODIS 时序数据的物候信息,科
学、有效地提高了森林二级类型的分类精度。 与仅
利用 HJ鄄1 CCD数据的面向对象方法相比,其优越性
已在 3.2 中阐述。 本方法的缺点在于(1)在数据预
处理过程中,必须对 HJ鄄 1 CCD 数据和 MODIS 数据
进行严格的配准,由于两种影像的分辨率差距较大,
配准过程耗时较长;(2)由于 MODIS 数据空间分辨
率较低,本方法适用于某种植被类型面积较大的区
域,对于植被类型较为细碎的地物不甚适用。 本研
究的重点是对森林的二级类型进行分类,湿地、草
地、耕地、人工表面等类型的分类规则与参数尚待深
入研究。
References:
[ 1 ]摇 Goodenough D G, Dyk A, Niemann K O, Pearlman J S, Chen
H, Han T, Murdoch M, West C. Processing Hyperion and ALI for
forest classification. IEEE Transactions on Geoscience and Remote
Sensing, 2003, 41(6): 1321鄄1331.
[ 2 ] 摇 Feng H D. Remote Sensing Image Classification of Forest
Vegetation based on Artificial Neural Networks and Fuzzy
Classification [ D]. Changchun: Northeast Normal University,
2009. 摇
[ 3 ] 摇 Jing X, Wang J D, Wang J H, Huang W J, Liu L Y. Classifying
forest vegetation using sub鄄region classification based on multi鄄
temporal remote sensing images. Remote Sensing Technology and
Application, 2008, 23(4): 394鄄397.
[ 4 ] 摇 Zhang C, Huang Q L, Zhu X L, Zhang X H, Pubu D Z, Dan Z.
Remote sensing classification technique of shrub in Tibet based on
ETM+ and DEM. Scientia Silvae Sinicae, 2011, 47(1): 15鄄21.
[ 5 ] 摇 Yan E P. Study on Extraction of Broad鄄levaed Forest Information
based on Medium and High Spatial Resolution Remote Sensing
Image [D]. Changsha: Central South University of Forestry and
Technology, 2011.
[ 6 ] 摇 Chen Y H, Feng T, Shi P J, Wang J F. Classification of remot
sensing image based on object oriented and class rules. Geomatics
and Information Science of Wuhan University, 2006, 31 ( 4):
316鄄320.
[ 7 ] 摇 Cao B, Qin Q M, Ma H J, Qiu Y F. Application of object鄄
oriented approach to SPOT5 image classification: a case study in
Haidian District, Beijing City. Geography and Geo鄄Information
Science, 2006, 22(2): 46鄄54.
[ 8 ] 摇 Wang J F, Bao S T. Application of object鄄oriented interpretation to
information classification on remote sensing image. Tropical
Geography, 2006, 26(3): 234鄄238, 242鄄242.
[ 9 ] 摇 Bhaskaran S, Paramananda S, Ramnarayan M. Per鄄pixel and
object鄄oriented classification methods for mapping urban features
using IKONOS satellite data. Applied Geography, 2010, 30(4):
650鄄665.
[10] 摇 Han N, Wu J, Tahmassebi A R S, Xu H W, Wang K. NDVI鄄
based lacunarity texture for improving identification of Torreya
using object鄄oriented method. Agricultural Sciences in China,
2011, 10(9): 1431鄄1444.
[11] 摇 Mai K L, Zhang W H. Object鄄oriented classification approach for
remote sensing imagery information extraction in Loess Hilly鄄gully
Region. Transactions of the Chinese Society for Agricultural
Machinery, 2011, 42(4): 153鄄158.
[12] 摇 Gamanya R, De Maeyer P, De Dapper M. Object鄄oriented change
detection for the city of Harare, Zimbabwe. Expert Systems with
Applications, 2009, 36(1): 571鄄588.
[13] 摇 Chen Y L, Mo W H, Mo J F, Wang J H, Zhong S Q. Object鄄
oriented classification for the extraction of rice planting area in
south. Remote Sensing Technology and Application, 2011, 26
(2): 163鄄168.
[14] 摇 Gitas L Z, Mitri G H, Ventura G. Object鄄based image
classification for burned area mapping of Creus Cape, Spain,
using NOAA鄄AVHRR imagery. Remote Sensing of Environment,
2004, 92(3): 409鄄413.
[15] 摇 Zhang J, Ge J P, Guo Q X. The relation between the change of
NDVI of the main vegetational types and the climatic factors in the
northeast of China. Acta Ecologica Sinica, 2001, 21 ( 4 ):
522鄄527.
[16] 摇 Zhao Y S. Principles and Methods of Remote Sensing Application.
Beijing: Science Press, 2003.
[17] 摇 Savitzky A, Golay M J E. Smoothing and differentiation of data by
simplified least squares procedures. Analytical Chemistry, 1964,
36(8): 1627鄄1639.
[18] 摇 Zhang J, Zhu G, Li Y. Scale effect and optimal scale in object鄄
oriented information extraction of high spatial resolution remote
sensing image. Science of Surveying and Mapping, 2011, 36(2):
107鄄109, 58鄄58.
参考文献:
[ 2 ] 摇 冯恒栋. 基于人工神经网络和模糊分类的森林植被遥感图像
分类研究 [D]. 长春: 东北师范大学, 2009.
[ 3 ] 摇 竞霞, 王锦地, 王纪华, 黄文江, 刘良云. 基于分区和多时相
遥感数据的山区植被分类研究. 遥感技术与应用, 2008, 23
(4): 394鄄397.
[ 4 ] 摇 张超,黄清麟,朱雪林,张晓红,普布顿珠,旦增. 基于 ETM+
和 DEM 的西藏灌木林遥感分类技术. 林业科学, 2011, 47
(1): 15鄄21.
[ 6 ] 摇 陈云浩, 冯通, 史培军, 王今飞. 基于面向对象和规则的遥感
影像分类研究. 武汉大学学报: 信息科学版, 2006, 31(4):
316鄄320.
[ 7 ] 摇 曹宝,秦其明,马海建, 邱云峰. 面向对象方法在 SPOT5遥感
图像分类中的应用———以北京市海淀区为例. 地理与地理信
息科学, 2006, 22(2): 46鄄54.
[ 8 ] 摇 王建芳, 包世泰. 面向对象解译方法在遥感影像地物分类中
的应用. 热带地理, 2006, 26(3): 234鄄238, 242鄄242.
[11] 摇 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. 农业机械学报, 2011, 42(4): 153鄄158.
[13] 摇 陈燕丽, 莫伟华, 莫建飞, 王君华, 钟仕全. 基于面向对象分
类的南方水稻种植面积提取方法. 遥感技术与应用, 2011, 26
(2): 163鄄168.
[15] 摇 张军, 葛剑平, 国庆喜. 中国东北地区主要植被类型 NDVI变
化与气候因子的关系. 生态学报, 2001, 21(4): 522鄄527.
[16] 摇 赵英时. 遥感应用分析原理与方法. 北京: 科学出版社, 2003.
[18] 摇 张俊,朱国龙,李妍. 面向对象高分辨率影像信息提取中的尺
度效应及最优尺度研究. 测绘科学, 2011, 36(2): 107鄄 109,
58鄄58.
4717 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇