论文部分内容阅读
[摘 要]本文主要基于对象影像分析的方法，结合多时相的地物光谱信息和物候特征，几何特征，纹理特征，上下文特征，研究区地物的高精度遥感分类，包括河流，耕地，林地，城市，村庄。研究表明基于对象多时相的地物光谱信息结合物候特征和遥感影像的几何特征，纹理特征，上下文特征等多种特征建立分类规则集对影像进行分类，克服单纯利用光谱数据造成的“同物异谱”和“异物同谱”的影响，克服了单时相影像分类不能获取农作物的差异性的缺陷，分类精度有较大的提高。
[关键词]基于对象的影像分析 多时相 多特征 分类
中图分类号：S123 文献标识码：A 文章编号：1009-914X（2015）11-0105-01
土地利用/土地覆盖变化突出反映了人类活动对自然环境的影响，是全球变化研究中的一个重要领域。本文结合耕地农作物的种植规律，利用时间序列数据，通过对影像的分割得到影像对象，然后根据影像对象的光谱特征、几何特征、纹理特征和上下文特征进行影像的分类。
研究区地处黄河中下游，属于黄河冲积平原，属于暖温带大陆性气候，农作物2年3熟，根据冬小麦和夏玉米农作物生长的物候期进行分析，本文选用了2013年Landsat 8OLI的4期多光谱影像数据，时间分别为5月12日、6月13日、9月17日和12月6日。运用ENVI Flaash模块分别对这四期影像作了辐射定标和大气校正以获得地表反射率，最后对影像进行子区裁剪（范围1000*1000），得到研究区的Landsat 8 OLI影像。运用2013年5月12日大气校正后的影像，目视解译地物类型，在ENVI中建立各地物的感兴趣区，得到每种地物的样本特征光谱统计（均值）。
首先进行影像分割，最优分割尺度因子为35，形状因子为0.1，紧凑度因子为0.8。这些因子与农田地块规整形状相适应。之后运用上下文特征生成非植被地物的掩膜文件覆盖到植被分类层。本研究区内主要植被分为林地和耕地，而耕地多以冬小麦和夏玉米为主。以冬小麦为主的夏粮作物在RVI值在5月份达到最高值。而以夏玉米为主的秋粮作物则在9月份达到最大；最终得到的分类结果图1：
本文主要基于面向对象的规则集的分类，以多时相的数据对象为单元，充分利用了面向对象影像分析方法的优势，减少了分类结果的“椒盐”噪声，实现遥感影像的地物提取。主要引入比值植被指数（RVI）、归一化植被指数（NDVI）、归一化水体指数（NDWI）、修订型水体指数（RNDWI）以及多时相物候特征，建立分类规则集，解决了影像的“椒盐效应”的问题。比值植被指数比值和多时相物候特征参与耕地和林地的分类，消弱了耕地和林地混分的现象，提高了分类精度。归一化水体指数（NDWI）用来提取水体信息效果较好，但对于提取有较多建筑物背景的水体，效果较差。而修订型水体指数（RNDWI）刚好弥补NDWI的不足，所以NDWI和RNDWI的参与规则集可以提高水体的提取精度。加入纹理特征区分居民地和其他地物，本文还应用几何特征作为分类规则集参数，提高了分类精度。
参考文献
[1] 马丽，徐新刚，刘良云，等。基于多时相NDVI及特征波段的作物分类研究。遥感技术与应用，2008，23（5）：520-524.
[2] 朱海涛，张霞，王树东，等。基于面向对象决策树算法的半干旱地区遥感影像分类。遥感信息，2013，28（4）：50-56.
[3] 唐欢，刘良云，贾建华，等。基于多时相光谱和物候特征的陕西省神木县地物遥感分类研究。遥感信息，2013，28（2）：77-81.
[4] Matheus Alves Vieira a， Antonio Roberto Formaggio，al。Object Based Image Analysis and Data Mining applied to a remotely sensed Landsattime-series to map sugarcane over large areas。Remote Sensing of Environment，2012，123：553-562.
[5] T.Blaschke，Object based image ananlysis for remote sensing[J]。ISPRS Journal ofPhotogrammetry and Remote Sensing。2010，65：2-16.
[6] 李述，刘勇。基于多特征的遙感影像土地利用/覆盖分类——以腾格里沙漠东南边缘地区为例。遥感技术与应用，2006，21（2）：154-158.
[关键词]基于对象的影像分析 多时相 多特征 分类
中图分类号：S123 文献标识码：A 文章编号：1009-914X（2015）11-0105-01
土地利用/土地覆盖变化突出反映了人类活动对自然环境的影响，是全球变化研究中的一个重要领域。本文结合耕地农作物的种植规律，利用时间序列数据，通过对影像的分割得到影像对象，然后根据影像对象的光谱特征、几何特征、纹理特征和上下文特征进行影像的分类。
研究区地处黄河中下游，属于黄河冲积平原，属于暖温带大陆性气候，农作物2年3熟，根据冬小麦和夏玉米农作物生长的物候期进行分析，本文选用了2013年Landsat 8OLI的4期多光谱影像数据，时间分别为5月12日、6月13日、9月17日和12月6日。运用ENVI Flaash模块分别对这四期影像作了辐射定标和大气校正以获得地表反射率，最后对影像进行子区裁剪（范围1000*1000），得到研究区的Landsat 8 OLI影像。运用2013年5月12日大气校正后的影像，目视解译地物类型，在ENVI中建立各地物的感兴趣区，得到每种地物的样本特征光谱统计（均值）。
首先进行影像分割，最优分割尺度因子为35，形状因子为0.1，紧凑度因子为0.8。这些因子与农田地块规整形状相适应。之后运用上下文特征生成非植被地物的掩膜文件覆盖到植被分类层。本研究区内主要植被分为林地和耕地，而耕地多以冬小麦和夏玉米为主。以冬小麦为主的夏粮作物在RVI值在5月份达到最高值。而以夏玉米为主的秋粮作物则在9月份达到最大；最终得到的分类结果图1：
本文主要基于面向对象的规则集的分类，以多时相的数据对象为单元，充分利用了面向对象影像分析方法的优势，减少了分类结果的“椒盐”噪声，实现遥感影像的地物提取。主要引入比值植被指数（RVI）、归一化植被指数（NDVI）、归一化水体指数（NDWI）、修订型水体指数（RNDWI）以及多时相物候特征，建立分类规则集，解决了影像的“椒盐效应”的问题。比值植被指数比值和多时相物候特征参与耕地和林地的分类，消弱了耕地和林地混分的现象，提高了分类精度。归一化水体指数（NDWI）用来提取水体信息效果较好，但对于提取有较多建筑物背景的水体，效果较差。而修订型水体指数（RNDWI）刚好弥补NDWI的不足，所以NDWI和RNDWI的参与规则集可以提高水体的提取精度。加入纹理特征区分居民地和其他地物，本文还应用几何特征作为分类规则集参数，提高了分类精度。
参考文献
[1] 马丽，徐新刚，刘良云，等。基于多时相NDVI及特征波段的作物分类研究。遥感技术与应用，2008，23（5）：520-524.
[2] 朱海涛，张霞，王树东，等。基于面向对象决策树算法的半干旱地区遥感影像分类。遥感信息，2013，28（4）：50-56.
[3] 唐欢，刘良云，贾建华，等。基于多时相光谱和物候特征的陕西省神木县地物遥感分类研究。遥感信息，2013，28（2）：77-81.
[4] Matheus Alves Vieira a， Antonio Roberto Formaggio，al。Object Based Image Analysis and Data Mining applied to a remotely sensed Landsattime-series to map sugarcane over large areas。Remote Sensing of Environment，2012，123：553-562.
[5] T.Blaschke，Object based image ananlysis for remote sensing[J]。ISPRS Journal ofPhotogrammetry and Remote Sensing。2010，65：2-16.
[6] 李述，刘勇。基于多特征的遙感影像土地利用/覆盖分类——以腾格里沙漠东南边缘地区为例。遥感技术与应用，2006，21（2）：154-158.