面向对象多尺度分割的SPOT5影像毛竹林专题信息提取

doi:10.11707/j.1001-7488.20131013

林业科学 ›› 2013, Vol. 49 ›› Issue (10): 80-87.doi: 10.11707/j.1001-7488.20131013

面向对象多尺度分割的SPOT5影像毛竹林专题信息提取

孙晓艳^1,2, 杜华强^1,2, 韩凝^1,2, 葛宏立^1,2, 谷成燕^1,2

1. 浙江省森林生态系统碳循环与固碳减排重点实验室浙江农林大学临安 311300;
2. 浙江农林大学环境与资源学院临安 311300

收稿日期:2012-12-12 修回日期:2013-04-02 出版日期:2013-10-25 发布日期:2013-11-05
通讯作者: 韩凝
基金资助:
国家自然科学基金项目(31070564);浙江省林业碳汇与计量创新团队项目(2012R10030-01);浙江省自然科学基金项目(Y3100427;LQ13C160002);浙江农林大学科研发展基金(2012FR073)。

Multi-Scale Segmentation, Object-Based Extraction of Moso Bamboo Forest from SPOT 5 Imagery

Sun Xiaoyan^1,2, Du Huaqiang^1,2, Han Ning^1,2, Ge Hongli^1,2, Gu Chengyan^1,2

1. Zhejiang Provincial Key Laboratory of Carbon Cycling in Forest Ecosystems and Carbon Sequestration Zhejiang A & F University Lin'an 311300;
2. School of Environmental and Resources Science, Zhejiang A & F University Lin'an 311300

Received:2012-12-12 Revised:2013-04-02 Online:2013-10-25 Published:2013-11-05

摘要/Abstract

摘要：

以SPOT5卫星遥感影像为基础,采用面向对象的多尺度分割方法,建立类层次结构,提取毛竹林遥感专题信息。结果表明: 1) 对毛竹林而言,在SPOT5红、绿、蓝3个波段上的最佳纹理窗口大小分别为9×9,7×7,9×9,比较接近; 2) 面向对象的多尺度分割方法能较为精确地提取毛竹林专题信息,用户精度达到90%以上,高于最大似然法提取毛竹林的信息精度(88.57%); 3) 增加纹理信息的多尺度分割方案既保证了毛竹林专题信息的提取精度(92.16%),又兼顾了其他森林类型,分类总精度、Kappa分别为92%和88.14%,为本研究的最高精度。

关键词: 面向对象, 多尺度分割, 毛竹林, 信息提取, SPOT5

Abstract:

Based on SPOT5 remotely sensed imagery, this research focused on delineating moso bamboo forest using object-based method, which provided the advantages of multi-scale segmentation and developing hierarchical structure. The results showed that: 1) The most appropriate window sizes for calculating texture using red (R), green (G) and blue (B) band in SPOT5 image were 9×9,7×7,9×9; 2) Extracting moso bamboo using multi-scale segmentation technique of object-based method was more accurate, with the producer's accuracy reaching 90%, obviously higher than that of the conventional maximum likelihood method(88.57%); 3) Multiresolution segmentation with the aid of texture not only ensured the accuracy of moso bamboo, but also provided help to the other forest types. The overall accuracy was 92% and the Kappa coefficient was 88.14%, both of which were the highest accuracy in the present study.

Key words: object-oriented, multi-scale segmentation, moso bamboo forest, information extraction, SPOT5

中图分类号:

S771.8

孙晓艳, 杜华强, 韩凝, 葛宏立, 谷成燕. 面向对象多尺度分割的SPOT5影像毛竹林专题信息提取[J]. 林业科学, 2013, 49(10): 80-87.

Sun Xiaoyan, Du Huaqiang, Han Ning, Ge Hongli, Gu Chengyan. Multi-Scale Segmentation, Object-Based Extraction of Moso Bamboo Forest from SPOT 5 Imagery[J]. Scientia Silvae Sinicae, 2013, 49(10): 80-87.

参考文献

崔瑞蕊, 杜华强,周国模,等. 2011. 近30年安吉县毛竹林动态遥感监测及碳储量变化研究. 浙江农林大学学报,28(3): 422-431.

杜凤兰,田庆久,夏学齐,等. 2004. 面向对象的地物分类法分析与评价. 遥感技术与应用,19(1): 20-24.

杜华强,周国模,葛宏立,等. 2008. 基于TM数据竹林遥感信息提取方法研究. 东北林业大学学报,36(3): 35-38.

杜华强,周国模,徐小军. 2012. 竹林生物量碳储量-遥感定量估算. 北京: 科学出版社.

关元秀,程晓阳. 2008. 高分辨率卫星影像处理指南. 北京: 科学出版社.

韩凝,张秀英,王小明,等. 2009. 基于面向对象的IKONOS影像香榧树分布信息提取研究. 浙江农林大学学报: 农业与生命科学版,35(6): 670-676.

韩凝. 2011. 空间信息在面向对象分类方法中的应用——以IKONOS 影像香榧树分布信息提取研究为例. 杭州: 浙江大学博士学位论文.

李春干. 2009. 面向对象的遥感图像森林分类研究与应用. 北京: 中国林业出版社.

林先成,李永树. 2010. 面向对象的成都平原多源遥感影像分割尺度研究. 测绘科学,35(4): 38-40.

牟凤云,韩葵. 2012. 面向对象的遥感湿地植被分类与信息提取——以微山湖为例. 安徽农业科学,40(12): 7574-7576.

潘洁,李明诗. 2010. 基于信息量的高分辨率影像纹理提取的研究. 南京林业大学学报,34(4): 129-135.

施拥军,徐小军,杜华强,等. 2008. 基于BP神经网络的竹林遥感监测研究. 浙江林学院学报, 25(4): 417-421.

徐小军. 2009. 基于LANDSAT TM影像毛竹林地上部分碳储量估算研究. 临安: 浙江林学院硕士学位论文.

徐小军,杜华强,周国模,等. 2011a. Erf-BP混合像元分解及在森林遥感信息提取中应用. 林业科学,47 (2): 30-38.

徐小军,杜华强,周国模,等. 2011b. 基于Landsat TM数据估算雷竹林地上部分生物量. 林业科学,47(9): 1-6.

颜梅春, 张友静, 鲍艳松. 2004. 基于灰度共生矩阵法的IKONOS 影像中竹林信息提取.遥感信息,(74):31-34.

张明媚. 2012. 面向对象的高分辨率遥感影像建筑物特征提取方法研究. 太原: 太原理工大学硕士学位论文.

Benz U C, Hofmann P, Willhauck G,et al. 2004. Multi-resolution,object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry and Remote Sensing, 58(3/4): 239-258.

Brenner J C, Christman Z, Rogan J. 2012. Segmentation of landsat thematic mapper imagery improves buffelgrass(Pennisetum ciliare)pasture mapping in the Sonoran Desert of Mexico. Applied Geography,34: 569-575.

Congalton R G,Green K.1999. Assessing the accuracy of remotely sensed data: principles and practices.New York: Lewis Publishers.

Curran P J. 1988. The semivariogram in remote sensing: an introduction. Remote Sensing of Environment,24(3): 493-507.

Du H, Fan W, Zhou G,et al. 2011. Retrieval of the canopy closure and leaf area index of moso bamboo forest using spectral mixture analysis based on the real scenario simulation. IEEE Transactions on Geoscience and Remote Sensing,49(11): 4328-4340.

Flanders D,Hall-Beyer M,Pereverzoff J. 2003. Preliminary evaluation of eCoginition object-based software for cut block delineation and feature extraction. Canadian Journal of Remote Sensing,29(4): 441-452.

Franklin S E,Wulder M A,Lavigne M B. 1996. Automated derivation of geographic windows for use in remote sensing digital image analysis. Computers and Geosciences,22(6): 665-673.

Hall O,Hay G J,Bouchard A,et al. 2004. Detecting dominant landscape objects through multiple scales: an integration of object-specific methods and watershed segmentation. Landscape Ecology,19(1): 59-76.

Han N, Wang K,Yu L,et al. 2011. Integration of texture and landscape features into object-based classification for delineating Torreya using IKONOS imagery. International Journal of Remote Sensing,33(7): 2003-2033.

Haralick R M,Shanmugam K,Dinstein I,et al. 1973. Textual features for image classification. IEEE Trans on Systems,SMC-3(6): 610-621.

Kosaka N,Akiyama T,Tsai B,et al. 2005. Forest classification using data fusion of multispectral and panchromatic high-resolution satellite imageries. International Geoscience and Remote Sensing Symposium,4: 2980-2983.

Lian L,Chen J. 2011.Research on segmentation scale of multi-resources remote sensing data based on object-oriented. Procedia Earth and Planetary Science, 2: 352-357.

Mallinis G, Koutsias N, Tsakiri-Strati M,et al. 2008. Object-based classification using Quickbird imagery for delineating forest vegetation polygons in a Mediterranean test site. ISPRS Journal of Photogrammetry and Remote Sensing,63(2): 237-250.

Xu X,Du H,Zhou G,et al. 2011. Estimation of aboveground carbon stock of moso bamboo(Phyllostachys heterocycla var. pubescens)forest with a landsat thematic mapper image. International Journal of Remote Sensing, 32(5): 1431-1448.

Zhou G, Xu X,Du H,et al. 2011. Estimating moso bamboo forest attributes using the k nearest neighbors technique and satellite imagery.Photogrammetric Engineering and Remote Sensing(PE&RS),77(11): 1123-1131.

[1]	高文文, 曾源, 刘宇, 衣海燕, 吴炳方, 鞠洪波. 南水北调中线水源区2000—2015年森林动态变化遥感监测[J]. 林业科学, 2019, 55(4): 97-107.
[2]	毛学刚, 邢秀丽, 李佳蕊, 谭良全, 范文义. 基于航空正射影像的面向对象林隙识别[J]. 林业科学, 2019, 55(2): 87-96.
[3]	陈亮, 周国模, 杜华强, 刘玉莉, 毛方杰, 徐小军, 李雪建, 崔璐, 李阳光, 朱迪恩. 基于随机森林模型的毛竹林CO₂通量模拟及其影响因子[J]. 林业科学, 2018, 54(8): 1-12.
[4]	温阿敏, 郑江华, 陈梦, 穆晨, 马涛. 荒漠生态林区大沙鼠鼠洞密度的无人机遥感监测技术初探[J]. 林业科学, 2018, 54(4): 186-192.
[5]	李晓红, 陈尔学, 李增元, 李世明. 综合应用多源遥感数据的面向对象土地覆盖分类方法[J]. 林业科学, 2018, 54(2): 68-80.
[6]	杜满义, 封焕英, 范少辉, 苏文会, 毛超, 唐晓鹿, 刘广路. 闽西毛竹林不同施肥处理下土壤有机碳含量垂直分布与季节动态[J]. 林业科学, 2017, 53(3): 12-20.
[7]	李翀, 周国模, 施拥军, 周宇峰, 徐林, 范叶青, 沈振明, 李少虹, 吕玉龙. 不同经营措施对毛竹林生态系统净碳汇能力的影响[J]. 林业科学, 2017, 53(2): 1-9.
[8]	高国龙, 杜华强, 韩凝, 徐小军, 孙少波, 李雪建. 基于特征优选的面向对象毛竹林分布信息提取[J]. 林业科学, 2016, 52(9): 77-85.
[9]	任冲, 鞠洪波, 张怀清, 黄建文, 郑应选. 多源数据林地类型的精细分类方法[J]. 林业科学, 2016, 52(6): 54-65.
[10]	幸泽峰, 李颖, 邓荣鑫, 朱红雷, 付波霖. 基于ZY-3影像的农田防护林自动提取[J]. 林业科学, 2016, 52(4): 11-20.
[11]	徐小军, 周国模, 杜华强, 施拥军, 周宇峰. 缺失数据插补方法及其参数估计窗口大小对毛竹林CO₂通量估算的影响[J]. 林业科学, 2015, 51(9): 141-149.
[12]	王茜, 王成, 王艳英. 毛竹林森林浴对小白鼠自发行为的影响[J]. 林业科学, 2015, 51(5): 78-86.
[13]	汤孟平, 沈利芬, 赵赛赛, 仇建习, 徐文兵, 庞春梅, 赵明水, 梅爱君. 基于谱分析的天目山毛竹林生长周期[J]. 林业科学, 2014, 50(9): 184-188.
[14]	郭宝华, 刘广路, 范少辉, 杜满义, 苏文会. 不同生产力水平毛竹林碳氮磷的分布格局和计量特征[J]. 林业科学, 2014, 50(6): 1-9.
[15]	徐小军, 周国模, 杜华强, 周宇峰, 胡军国, 陆国富. 样本分层对毛竹林地上部分碳储量估算精度的影响[J]. 林业科学, 2013, 49(6): 18-24.

面向对象多尺度分割的SPOT5影像毛竹林专题信息提取

Multi-Scale Segmentation, Object-Based Extraction of Moso Bamboo Forest from SPOT 5 Imagery

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

作者中心

期刊获奖

引证指标

联系方式