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项目(XDA05050109);全国生态环境十年变化(2000—2010年)遥感调查与评估项目(STSN鄄01鄄00)
收稿日期:2013鄄10鄄10; 摇 摇 修订日期:2014鄄10鄄23
*通讯作者 Corresponding author.E鄄mail: wubf@ radi.ac.cn
DOI: 10.5846 / stxb201310102433
苑全治,吴炳方,张磊,李晓松,曾源.辅助数据在面向对象分类方法中的应用———以密云水库上游为例.生态学报,2014,34(24):7202鄄7209.
Yuan Q Z, Wu B F, Zhang L, Li X S, Zeng Y.Application of auxiliary data in the object鄄based classification method: a case study on the Miyun Reservoir
area.Acta Ecologica Sinica,2014,34(24):7202鄄7209.
辅助数据在面向对象分类方法中的应用
———以密云水库上游为例
苑全治,吴炳方*,张摇 磊,李晓松,曾摇 源
(中国科学院遥感与数字地球研究所数字地球重点实验室, 北京摇 100094)
摘要:密云水库上游位于华北平原向蒙古高原的过渡带内,自然条件差异大,人类活动对该区域影响显著。 因此,对该地区土地
覆盖类型遥感监测方法的研究具有典型的指导意义。 基于高分辨率遥感影像,着重探讨辅助数据在面向对象分类方法中的应
用,对密云水库上游地区的土地覆盖进行分类提取。 结果显示,研究区内共包含 26类土地覆盖类型,其中落叶阔叶灌木林、落
叶阔叶林、草丛以及旱地,这 4种类型的面积占总面积的 85%,是全区的主要土地覆盖类型。 在分类时,采用多源异构辅助数
据,研究了北方山区常绿针叶林、旱地等土地覆盖类型的识别方法,有效降低了“同物异谱冶和“同谱异物冶现象对分类精度的
影响。
关键词:面向对象; 土地覆盖; 密云水库上游; 高分辨率; 辅助数据
Application of auxiliary data in the object鄄based classification method: a case
study on the Miyun Reservoir area
YUAN Quanzhi, WU Bingfang*, ZHANG Lei, LI Xiaosong, ZENG Yuan
Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China
Abstract: The Miyun Reservoir area between the North China plain and the Mongolian plateau has various physical
conditions and intensity of human disturbance. Thus, studying the method of monitoring the land cover of this area is
important. On the basis of high鄄resolution remote sensing imagery, this article classified the land cover of the Miyun
reservoir area and studied the application of auxiliary data in object鄄based classification method. The remote sensing data
used were mainly high spatial鄄resolution images, including RapidEye and SPOT鄄 5. Accurate geometric rectification was
performed initially. To gain more object features for distinguishing the different classes more clearly, we referenced the
digital elevation model and slope gradient data with spatial resolution of 25m and the thematic map of the land use with a
scale of 1颐10000. Multi鄄temporal HJ鄄1 imagery was added to separate the evergreen needle forests and the dry land. A total
of 687 field samples were collected from the Miyun reservoir area for classification and precision testing. The eCognition v8.7
software was also used in this study. First, the images were segmented into different image objects according to the object
features in the spectra, where several parameters are needed. In RapidEye, five bands with the same weight were used for
segmentation. Choosing the segmentation scales and parameters of the shape and compactness is important. Through constant
experiments, we found that the suitable segmentation scale was 45. The configuration of the shape parameter will determine
the weight of the spectra in the segmentation. Given that the classification was mainly based on the spectral feature, we set
http: / / www.ecologica.cn
the shape parameter to 0.1; correspondingly, the spectra parameter was set to 0.9. The shape features of the image object
included compactness and smoothness, which were both set to 0. 5 because of the complex shape of the land cover. The
smoothness and compactness of the objects were almost equally important. We established the sample database after
segmentation. Every sample was an image object in the data base and had object features of spectra, shape, and texture.
Basing on the sample database, we trained these samples and used the supervised classifier supplied by eCognition to
classify the land cover automatically. However, the software still had some uncertainty in recognizing similar objects with
different spectra and different objects with similar spectra. We used numerous auxiliary datasets to modify the SVM classifier
results. Results revealed 26 types of land cover in the study area; 85% of which are deciduous broad鄄leaved shrubs,
deciduous broad鄄leaved forests, dry lands, and grasses. This study used two methods, namely, field validation and visual
validation, in evaluating the product accuracy to ensure the objectivity and comprehensiveness of the accuracy evaluation.
The result of the field validation accuracy was 85%, whereas that of the visual evaluation accuracy was 86%. This study
distinguished the evergreen coniferous forest and cultivated land through numerous auxiliary data. Results proved that the
auxiliary data were vital for improving classification accuracy of objects, especially similar objects with different spectra and
different objects with similar spectra.
Key Words: object鄄based method; land cover; Miyun Reservoir area; high spatial resolution; auxiliary data
摇 摇 近年来,遥感影像的空间分辨率逐步提高,能够
帮助人们在较小的空间尺度上观察陆地表层格局与
变化,进行大比例尺遥感制图,为土地资源调查、土
地利用 \土地覆盖变化、生态环境监测等提供更详
实、时效性更强的数据源[1]。 高分辨率遥感影像与
中低分辨率遥感影像相比具有更加丰富的纹理和形
状信息,而且数据量更大,若利用传统的基于像素的
影像分类方法,则不能充分利用更为丰富的信息,显
得效率不高,而且“椒盐冶效应也更为明显,数据冗余
增多[2]。 面向对象的分类方法将遥感影像中特征近
似的相邻像素归并为同一个基本分类单元———影像
对象(Image object),除了光谱信息,高分辨率影像中
地物的纹理、形状和空间关系信息也能在影像对象
得以体现,分类效率更高,正广泛应用于高分辨率遥
感影像分类中[3]。 最近的研究中通过对最优分割尺
度的确定[4]、分类特征的优化[5]以及分类器的选
择[6]等方面进行研究,不断提高了面向对象分类方
法的精度。 面向对象的分类方法对于单一类型的提
取精度较高,如道路[7]、水体[8]等,但在同一影像中
同时提取多种土地覆盖类型时,该方法容易受“同物
异谱、同谱异物冶的影响,分类中仍然存在不确定性,
需要借助多源异构数据,以提供的更为丰富的信息
来辅助分类。 因此,本文以密云水库上游地区的为
例,采用高分辨率遥感影像,着重研究辅助数据在基
于面向对象分类方法中的应用。
1摇 研究区概况
密云水库上游地区位于东经 115毅24忆—117毅35忆,
北纬 40毅19忆—41毅38忆,面积约为 1.54 万 km2(图 1)。
该区位于欧亚大陆东部中纬度地区,属大陆性季风
气候。 气候条件区域差异显著,多年平均降水量自
西向东由 407 mm 增加到 797 mm,年均气温由南部
的 9.0—10.0 毅C,向北部以 1.0—2.5 毅C 递减。 地貌
类型包括中山、低山、丘陵和谷地,地势西北高,东南
低,自然植被以落叶阔叶林和旱生灌丛草类为主,农
作物主要品种为玉米、谷子、小麦、莜麦等。 该区土
地覆盖类型复杂多样,是由华北平原向蒙古高原过
渡带内山区的代表,对该地区的土地覆盖类型遥感
监测方法研究具有典型的指导意义。
2摇 数据
2.1摇 影像预处理
本文用到的高分辨率遥感影像包括 2010 年植
被生长茂盛期(8—9 月)的 5 景 RapidEye(5 m)和
2009 年 9月 17日的 1景 SPOT5(全色 2.5 m,多光谱
5 m)。
遥感影像空间配准和正射纠正是进行土地覆盖
信息 提 取 的 基 础 和 前 提。 本 文 采 用 ERDAS
IMAGINE 2010 软件的 Geometric Correction 模块,通
过人工选择控制点的方式来为影像重新定位,结合
3027摇 24期 摇 摇 摇 苑全治摇 等:辅助数据在面向对象分类方法中的应用———以密云水库上游为例 摇
http: / / www.ecologica.cn
DEM中的影像高程信息,进行影像的几何精校正, 误差可以控制在 1—2个像元以内。
图 1摇 密云水库上游地区位置示意图
Fig.1摇 Location of Miyun reservoir area
摇 摇 此外,本文收集了多源异构数据,如: DEM
(25 m)、坡度(25 m)、2005年土地利用图(1颐10000)、
春季、夏季和冬季的 HJ鄄1影像作为辅助分类数据。
2.2摇 野外采样
野外采样工作要为土地覆盖遥感分类提供足够
的训练样本,也可以使分类人员对当地主要土地覆
盖类型及其所对应的遥感影像特征有感性的认识,
是整个分类工作的重要基础。 为了保证所观察到地
物的准确性,采样基本上在公路两旁 2 km视野范围
内,借助 GPS,在影像中确定采样点的位置,并对采
样点属性进行描述和照相,野外采样点一般选在大
片、类型单一的地块中心,在密云水库上游地区的野
外采样路线总长约 500 km,采样 687个点,涉及到落
叶阔叶林、落叶阔叶灌木林、旱地、草丛等研究区主
要土地覆盖类型,以及常绿针叶林、居住地等常见土
地覆盖类型。
3摇 方法
3.1摇 影像初分类
本文选择常用的 SVM 分类器,对影像进行初分
类,通过影像分割、构建样本库、训练样本等步骤来
实现。
影像分割是面向对象分类方法的核心和重要基
础,决定分割结果质量的是影像分割中参数的设置。
经过多次试验,本文采用 45 作为基准分割尺度,形
状因子 ( Shape) 权重设为 0. 1,相应的光谱因子
(Spectra)权重为 0.9。 分割后的效果,经目视检验,
基本接近影像分割时“对象间同质性最小,异质性最
大冶的要求。
样本库是所有样本的集合,它能够反应出研究
区内主要土地覆盖类型的影像特征。 为保证每个作
业块内都有足够的样本,本文在野外样本的基础上,
又参考植被图,土地利用图,Google Earth 等相关资
料和影像,通过目视判读,增加了部分样本。
在样本库基础上,选择合适的分类特征,利用
SVM分类器训练样本,进行监督分类。 但 SVM的自
动分类结果中仍然存在以下问题:淤人工表面需要
进一步细分;于林地中的针阔混交林光谱特征介于
落叶阔叶林与常绿针叶林之间,而且会随着针阔混
交的比例不同而发生变化,较难通过样本学习的方
4027 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
法进行识别;盂耕地的光谱特征较为复杂,作物种类
不同、种植和收割时间不同、作物种植密度以及种植
方式不同均显示不同的特征,尤其坡耕地以及山谷
中的耕地容易与林地、草地或者裸露地混淆;榆水面
需要进一步细分,主要是区分河流和湖泊、或者水
库 /坑塘。
3.2摇 辅助分类
基于单一遥感影像的土地覆盖分类,会受到“同
谱异物冶或者“异物同谱冶的影响,使得对象特征相
似的两类地物混分入同一类型(图 2a),或者将对象
特征相差较大的同一地物误分为两类(图 2b),为
此,需要借助多时相的遥感影像,通过地物在不同时
段所反映出的不同对象特征来判断土地覆盖类型;
或者参考土地利用图、植被图等专题地图、坡度图等
辅助分类,以满足全国 38 类分类系统的需求。 本章
借助 30m分辨率 HJ鄄1多时相、土地利用专题图等对
SVM的自动分类结果进行修正。
图 2摇 同谱异物和同物异谱现象
Fig.2摇 Different objects with same spectrum and same objects with different spectrum
相同形状里的光谱特征相近,分类时易混淆
摇 摇 (1)常绿针叶林识别
北方山区的常绿植被一般为常绿针叶林,冬季
或者初春时期,只有常绿植被会在遥感影像中反映
出植被信息,NDVI 较高。 因此在该作业块内,本文
收集了冬季的 HJ鄄 1 影像,将 NDVI 大于 0.1 的区域
设置为常绿针叶林。
(2)耕地识别
密云水库上游地区受到“退稻还旱冶政策影响,
耕地中不存在水田,只有旱地类型。 北方地区的旱
地在春季农作物还未播种或者刚播种还未出苗时,
影像特征显示为裸地,而在夏季农作物正处在茂盛
期,影像特征与林地较为相似。 本文采用两景不同
时期(春季和夏季)的 HJ鄄 1 影像来识别研究区的耕
地,从两景影像的对比中可以发现,耕地主要分布在
春季影像中 NIDVI 较小而在夏季影像中较大的区
域。 本文将两幅影像 NDVI比值大于 2,且农作物茂
盛期 NDVI大于 0.6的区域设置为耕地。
(3)针阔混交林识别
依据野外采样情况并参考历史文献资料,密云
水库上游地区存在一部分针阔混交林。 针阔混交林
在遥感影像上的光谱特征与落叶阔叶林或者落叶阔
叶灌木林相近,而且不同的针阔混杂比例所显示的
光谱特征也不尽相同。 但是,北方山区针阔混交林
在其它植物落叶的季节中显示出常绿针叶林的特
征,因此,本文把 SVM 分类器识别的落叶阔叶林和
落叶阔叶灌木林,利用冬季 HJ鄄 1识别有常绿针叶林
的类型,判别为针阔混交林。
(4)园地识别
园地是指种植以采集果、叶、根、干、茎、汁等为
主的集约经营的多年乔木或灌木植被的土地。 其自
然属性是落叶阔叶林或者落叶阔叶灌木林,因此,从
遥感影像中较难与二者区分,需要更多地依靠野外
调查或者相关的专题地图,本研究参考了密云水库
上游地区 2005年的土地利用图,对园地进行标定。
(5)人工表面分类
人工表面分为居住地、采矿场、工业用地以及交
通用地,其中工业用地包括独立工厂、大型工业园区
以及服务设施,其影像特征与居住地相近,二者容易
混淆。 采矿场包括采石、河流采沙、采矿、采油等场
地。 采矿场的影像特征会因为矿物性质不同而变
化,大多显示为裸露的土地。 因此采矿场和工业用
地主要依靠野外调查资料,以及土地利用专题地图。
居住地和交通用地可以利用影像对象的形状指数进
行识别,如长宽比(length / width)特征,在影像对象融
合之后,设长宽比大于 2的对象为道路,其余则为居
住地。 但多数山区道路宽度较窄,在影像分割时,容
5027摇 24期 摇 摇 摇 苑全治摇 等:辅助数据在面向对象分类方法中的应用———以密云水库上游为例 摇
http: / / www.ecologica.cn
易受到道路两旁林地或者其他类型的影响,形成混
合对象,误分成其它类型。 本文利用土地利用专题
图对居住地进行定位,并通过变化检测的方法,去除
不属于居住地的部分,然后再检出居住地向外扩展
的部分,形成新的居住地图斑。 道路变化较小,基本
沿用原来土地利用图中的道路类型,并可以通过目
视判别的方法识别新增加的道路。
(6)水面的分类
水面在影像中较为容易辨别,但水面的进一步
细分则较难通过计算机自动完成,如水库 \坑塘与湖
泊的区分,本文借助了土地利用专题图中的水体分
布,去除原来水体图斑中的非水体部分,如裸地、植
被等,检出了现状中在原来水体中向外扩展的部分。
但此方法会漏检新增加的水体,需要通过自动方法
提取,再结合人工目视去筛选。
(7)草地的识别
草原和草丛为地带性植被。 中国的草原,北起
松辽平原和呼伦贝尔高原,呈连续的带状向西南延
展,分布于松嫩平原、西辽河平原、内蒙古高原、鄂尔
多斯高原、黄土高原和青藏高原。 而草丛是指中生
和旱中生多年生草本植物为主要建群种的植物群
落,在大多数情况下,草丛是由森林、灌丛等群落,被
破坏后形成的次生植被,是中国森林区域中荒山、荒
地上的主要植被类型[9]。 参考《中国植被区划图(1颐
6 000 000)》,密云西部地区位于草原区,而中东部则
位于草丛区,本文即按此界线把自动分类结果中的
草地分解成草原和草丛两部分。 此外,再参考《中华
人民共和国植被图(1颐1 000 000)》,从草原和草丛中
提取草甸类型。
(8)裸土识别
密云水库上游地区存在裸土类型,在影像上的
特征与居住地十分接近,SVM 分类器很难将二者分
开。 根据裸土类型大多位于山区且面积较小,而居
住地则主要集中在地势较为平坦的区域这一特点,
本文利用坡度和面积特征,识别大部分混入居住地
的裸土类型。
3.3摇 产品验证
土地覆盖产品验证是分类后的必要步骤。 通过
野外实地调查进行验证,其结果最具可信性,但野外
调查一般沿道路两边采样,样点在空间上分布往往
不够均匀,且不能保证每个类型都能有足够的验证
点,精度评价难免偏颇;道路两旁一般也是受人类活
动影响较强的区域,景观较为破碎,分类难度相对
大,精度要比整个研究区分类精度略低。 鉴于上述
论述,本文采用两种方式对分类结果进行验证。
(1)野外样点验证分类结果
通过直接对比野外验证点与分类结果,计算分
类正确百分比,作为分类结果的精度。
P1 =
r
t
伊 100% (1)
式中, P1 表示野外验证精度;r 表示分类正确的点
数;t为总的验证点数。
(2)目视判别类型精度
参考野外采样点、Google Earth 等高分辨率遥感
影像、历史土地覆盖数据、植被图等相关资料,目视
判别分类结果中的错误分类比例,并评价类型精度;
然后以各类型面积比例作为权重,乘以类型精度,累
加后得到最后的分类精度;如果出现主要类型大面
积明显错分则暂时不会评估分类精度,需要重新分
类后再进行精度评价:
P2 =移pi 伊
si
S
(2)
式中, P2 表示目视判别精度;pi表示 i类型的目视精
度;si表示 i类型的面积,S表示总面积。
4摇 结果
4.1摇 分类结果
将各个作业块的分类进行合并,形成密云水库
上游地区的最终分类结果(图 3)。
密云水库上游地区的土地覆盖类型主要包括落
叶阔叶灌木林、落叶阔叶林、草丛以及旱地,这四种
类型的面积占总面积的 85%(图 4)。 其中落叶阔叶
灌木林的面积最大,是密云水库上游地区的最主要
植被类型,多以灌草丛的形式存在,面积为 7424.48
km2,占总面积的 41. 6%;落叶阔叶林占总面积的
24郾 4%,主要分布在研究区的中东部;林地类型中,
常绿针叶林也占较大比例,达 4.9%,但分布的规律
性不强。 耕地面积 1894.71 km2,由于受密云水库上
游地区“稻改旱冶政策影响,耕地全部为旱地,占整个
研究区的 11.9%,主要分布在水库周边滩地、沟谷以
及山前平原区域。 草地类型中草原主要分布在研究
区的西部,占3 . 1% ,草丛则位于中部和东部,占
6027 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
图 3摇 2010年密云水库上游地区土地覆盖
Fig.3摇 2010 Land Cover of Miyun Reservoir Area
图 4摇 密云水库上游地区各类型土地覆盖统计
Fig.4摇 Land cover statistics in Miyun Reservoir Area
7027摇 24期 摇 摇 摇 苑全治摇 等:辅助数据在面向对象分类方法中的应用———以密云水库上游为例 摇
http: / / www.ecologica.cn
7郾 1%,草甸非地带性植被。
4.2摇 产品精度
为了保证精度的可靠性和客观性,本文采用两
种方法验证了分类结果精度:
(1) 采用野外采样点对分类结果的验证表明产
品精度为 85%。 其中 80%的错误集中在植被的分类
上,主要包括旱地与落叶阔叶灌木林、落叶阔叶灌木
林与落叶阔叶林、落叶阔叶灌木林与草丛的区分等。
(2) 采用目视判别,分类型评价精度如表 1,总
体精度比野外采样点验证结果略高,精度为 86%。
表 1摇 目视精度评价表
Table 1摇 Visual evaluation of product accuracy
类型 Type 精度 Accuracy / % 类型 Type 精度 Accuracy / %
落叶阔叶林 Deciduous broadleaf forest 80 湖泊 Lake 90
常绿针叶林 Evergreen conifer forest 85 水库 /坑塘 Reservoir / pool 90
落叶针叶林 Deciduous conifer forest 85 河流 River 80
针阔混交林 Mixed forest 70 运河 /水渠 Cannel 80
落叶阔叶灌木林 Deciduous broadleaf shrub 80 旱地 Dry land 85
乔木园地 Tree plantation 70 居住地 Residence 80
灌木园地 Shrub plantation 70 工业用地 Industrial land 85
乔木绿地 Tree greenbelt 70 交通用地 Road 80
灌木绿地 Shrub greenbelt 70 采矿场 Mining land 80
草甸 Meadow 70 稀疏草地 Sparse grass land 80
草原 Steppe 80 裸岩 Bare Rock 75
草丛 Grass land 80 裸土 Bare soil 80
草本绿地 Grass greenbelt 70 沙漠 /沙地 Sand 70
总计 Total 86
5摇 结论与存在的问题
面向对象的方法比传统的基于像素的分类效率
更高,但在分类系统较为复杂的情况下,从单一时期
的影像中能够得到的信息较为有限,分类时也会受
到“同谱异物冶或者“同物异谱冶现象的较大影响,导
致分类精度不高。 最大程度的收集相关数据,增加
信息量,来辅助分类,是提高产品精度的重要手段。
本文基于面向对象的自动分类方法,采用高分辨率
遥感影像,重点探讨了辅助数据在对 2010 年密云水
库上游地区的土地覆盖进行分类提取中的应用。
5.1摇 结论
(1)利用多时相遥感数据辅助分类,可以有效的
区分物候特征不同的植被类型。 本文利用冬季的影
像可以有效识别北方山区的常绿针叶林,避免与其
它林地类型混分;北方地区旱地在茂盛期影像特征
与林地相似,收割期又与裸土相近,所以只利用一期
影像对旱地的分类往往不确定性较大,多期影像同
时运用,就可以很好的识别旱地。
(2)历史土地覆盖专题图有助于“同谱异物冶类
型的识别。 本文利用历史土地利用图对居民点和水
体进行定位,并通过建立规则模拟建设用地扩张和
水面变化过程,确定当前的居住地和水体边界,避免
了其与裸土、阴影等类型的混淆;草原和草丛均为地
带性植被,且光谱特征相近,从影像中很难将二者区
分,植被图是能够很好的反映植被的地带性边界,本
文借助植被图确定草丛和草原的大致界线。
在多源异构数据的辅助下,本文将密云水库上
游地区的土地覆盖分成了 26 种类型,采用野外验证
法得到的产品一级精度 94%,二级精度 85%;采用人
工目视评价法得到的产品精度比野外验证法略高,
一级精度 96%,二级精度为 86%。 该产品精度可以
满足生态环境评估的需求。
5.2摇 存在的问题
(1)本文在分类时,以作业块为基本工作单位。
作业块主要是根据影像及辅助数据集的不同来划分
的,数据集的不同会使相邻作业块分类结果不同,这
就给分类后的接边工作造成困难,最终也会影响到
分类精度。
(2)线性地物,尤其是宽度较小,光谱特征受到
8027 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
旁边地物影响的河流或者道路,分类时容易被误判
成其它类型,仅通过自动分类很难使其连续,需要更
多的人工辅助识别。
(3)本研究借助多时相的遥感影像来辅助识别
耕地。 但辅助数据层越多,对于数据空间配准的要
求就越高;本研究虽然对所有参与分类的辅助数据
做了几何精纠正处理,但仍不可避免会有偏差,数层
数据空间位置偏差的累积也会对分类准确性造成一
定影响。
References:
[ 1 ]摇 Hu M C. An historical account of satellite remote sensing and its
recent advance. Science of Surveying and Mapping, 2000, 25
(1): 25鄄28.
[ 2 ] 摇 Lu D, Weng Q. A survey of image classification methods and
techniques for improving classification performance. International
Journal of Remote Sensing, 2007, 28(5): 823鄄870.
[ 3 ] 摇 Nussbaum S, Menz G. Object鄄Based Image Analysis and Treaty
Verification New Approaches in Remote Sensing鄄Applied to
Nuclear Facilities in Iran. Heidelberg: Springer and Verlag,
2008: 16鄄26.
[ 4 ] 摇 Yin R J, Shi R H, Li J Y. Automatic selection of optimal
segmentation scale of high鄄resolution remote sensing images.
Journal of Geo鄄Information Science, 2013, 15(6): 902鄄910.
[ 5 ] 摇 Wang H, Chen J S, Yu X M. Feature selection and its application
in object鄄oriented classification. Journal of Remote Sensing, 2013,
17(4): 816鄄829.
[ 6 ] 摇 Li C G, Shao G F. Combination multi鄄classifier for object鄄oriented
classification of forest cover. Journal of Nanjing Forestry
University, 2010, 34(1): 73鄄79.
[ 7 ] 摇 Xu G C, Bi J T, Wang X X, Qu H J. An experiment of automatic
road extraction from high鄄resolution remote sensing image, based
on object鄄oriented technology. Remote Sensing Information, 2012,
2(2): 108鄄111.
[ 8 ] 摇 Sui X Z, Ruan R Z, Ma R H, Xia S. Information extraction of
object鄄oriented multi鄄scale water bodies. Geospatial Information,
2012, 10(6): 72鄄75.
[ 9 ] 摇 Zhang X S. Vegetation Map of China and Its Geographic Pattern:
Illustration of the Vegetation Map of the People忆s Republic China
( 1: 10 000 000 ) . Beijing: Geographical Publishing
House, 2007.
参考文献:
[ 4 ] 摇 殷瑞娟,施润和,李镜尧. 一种高分辨率遥感影像的最优分割
尺度自动选取方法. 地球信息科学学报, 2013, 15 ( 6):
902鄄910.
[ 5 ] 摇 王贺,陈劲松,余晓敏. 面向对象分类特征优化选取方法及其
应用. 遥感学报, 2013, 17(4): 816鄄829.
[ 6 ] 摇 李春干, 邵国凡. 面向对象森林分类的多分类器结合方法研
究. 南京林业大学学报, 2010, 34(1): 73鄄79.
[ 7 ] 摇 许高程, 毕建涛, 王星星, 屈鸿钧. 面向对象的高分辨率遥感
影像道路自动提取实验. 遥感信息, 2012, 2(2): 108鄄111.
[ 8 ] 摇 岁秀珍, 阮仁宗, 马荣华, 夏双. 面向对象的多尺度水体信息
提取. 地理空间信息, 2012, 10(6): 72鄄75.
[ 9 ] 摇 张新时. 中国植被及其地理格局: 中华人民共和国植被图(1:
1000000)说明书. 北京: 地质出版社, 2007.
9027摇 24期 摇 摇 摇 苑全治摇 等:辅助数据在面向对象分类方法中的应用———以密云水库上游为例 摇