基于面向?qū)ο蟮腟POT衛(wèi)星影像梯田信息提取研究

張雨果, 王 飛,,3, 孫文義, 安淳淳,3

(1.西北農(nóng)林科技大學(xué) 資源環(huán)境學(xué)院, 陜西 楊凌 712100;2.中國(guó)科學(xué)院水利部 水土保持研究所, 陜西 楊凌 712100; 3.中國(guó)科學(xué)院大學(xué), 北京 100049)

?

基于面向?qū)ο蟮腟POT衛(wèi)星影像梯田信息提取研究

張雨果1, 王 飛1,2,3, 孫文義2, 安淳淳2,3

(1.西北農(nóng)林科技大學(xué) 資源環(huán)境學(xué)院, 陜西 楊凌 712100;2.中國(guó)科學(xué)院水利部 水土保持研究所, 陜西 楊凌 712100; 3.中國(guó)科學(xué)院大學(xué), 北京 100049)

梯田信息準(zhǔn)確和快速提取是區(qū)域水土保持動(dòng)態(tài)監(jiān)測(cè)和評(píng)價(jià)的核心技術(shù)之一，運(yùn)用遙感技術(shù)進(jìn)行地物信息提取是一種有效手段。該研究以燕溝流域?yàn)檠芯繀^(qū)，采用高分辨率的SPOT5遙感影像數(shù)據(jù)，基于面向?qū)ο蠓诸惣夹g(shù)，通過(guò)影像分割構(gòu)建影像對(duì)象，在分析影像對(duì)象的光譜特征、紋理特征和空間特征的基礎(chǔ)上，建立了梯田信息的遙感提取規(guī)則，實(shí)現(xiàn)了梯田的自動(dòng)提取。最后用手工勾繪結(jié)果對(duì)梯田的遙感提取結(jié)果進(jìn)行精度評(píng)價(jià)，從田塊邊界的吻合度評(píng)價(jià)位置精度，并通過(guò)比較該結(jié)果與人工目視解譯結(jié)果進(jìn)行面積精度評(píng)價(jià)。結(jié)果表明，基于面向?qū)ο蠓诸惖倪b感方法可以較好地從原始影像中提取復(fù)雜地貌區(qū)梯田的位置信息，面積提取正確率達(dá)到78.38%，該方法可為黃土高原地區(qū)梯田信息遙感提取提供借鑒。

梯田; 面向?qū)ο蠓诸? 信息提取; 遙感影像; 黃土高原

梯田作為一項(xiàng)重要的水土保持工程措施，具有明顯的保水、保土、保肥作用[1]，在我國(guó)黃土高原地區(qū)的水土流失防治工作中發(fā)揮著不可替代的作用。然而，由于黃土高原地區(qū)梯田的數(shù)量、面積及分布等信息的調(diào)查資料不完善，導(dǎo)致梯田在黃土高原的水土保持中的貢獻(xiàn)缺乏定量研究。準(zhǔn)確、快速的對(duì)梯田信息進(jìn)行提取，可以為區(qū)域水土流失防治提供基礎(chǔ)數(shù)據(jù)，進(jìn)而指導(dǎo)水土保持工作合理有效地進(jìn)行。傳統(tǒng)的依靠人工統(tǒng)計(jì)的方法，由于主客觀因素的影響，存在效率低、可重復(fù)性較差等問(wèn)題，不能得到推廣，而高分遙感技術(shù)的快速發(fā)展為其提供了可能。

遙感影像憑借其能夠迅速地獲取地表信息，尤其是隨著高分辨率遙感影像的廣泛應(yīng)用，而成為地理信息數(shù)據(jù)庫(kù)及地圖更新的重要信息源[2]。與傳統(tǒng)的遙感影像相比，高分辨率遙感影像可以提供更為豐富的空間信息，更加便于地物目標(biāo)屬性特征的識(shí)別。然而，高分辨率影像通常僅有4個(gè)波段，其光譜信息相對(duì)比較弱?；谙裨某Ｒ?guī)遙感影像信息提取方法，主要是根據(jù)地物的光譜特征對(duì)影像進(jìn)行分類，僅著眼于局部而忽視地物之間的關(guān)聯(lián)關(guān)系，嚴(yán)重制約著高分辨率影像地物信息提取的精度以及影像數(shù)據(jù)的利用率。能否有效利用高分辨率遙感影像的特點(diǎn)，充分發(fā)掘其所包含的地物信息，關(guān)系著高分辨率遙感影像信息提取的成敗。針對(duì)高分辨率影像的特點(diǎn)，基于面向?qū)ο蟮倪b感影像分析方法應(yīng)運(yùn)而生[3]。面向?qū)ο蟮姆诸惙椒ㄌ岢鲇跋駥?duì)象的概念，將遙感影像進(jìn)行分割得到一系列同質(zhì)的對(duì)象，以這些對(duì)象作為分類的最小單元，通過(guò)分析整合地物的光譜信息、空間數(shù)據(jù)信息以及相互關(guān)聯(lián)信息，對(duì)遙感影像進(jìn)行分類，以減少傳統(tǒng)的基于像素級(jí)分類方法語(yǔ)義信息的損失，使分類結(jié)果含有更為豐富的語(yǔ)義信息[4-5]。面向?qū)ο蠓诸惣夹g(shù)在國(guó)內(nèi)外研究中得到了廣泛的應(yīng)用，有用于道路[2,6]、森林/植被[7-9]、滑坡[10-13]、濕地[14-15]等單一信息提取的，也有用于進(jìn)行土地利用分類[16-19]的。

然而，目前面向?qū)ο蠓椒ㄔ邳S土高原地區(qū)的梯田信息提取應(yīng)用方面尚待探索。據(jù)此，本研究試圖利用高分辨率的SPOT5影像，基于面向?qū)ο蠓诸惙椒?，采用ENVI軟件，探索黃土高原丘陵溝壑區(qū)典型小流域燕溝的梯田信息提取的有效技術(shù)方法，以期為整個(gè)黃土高原地區(qū)梯田信息的遙感提取提供借鑒。

1 研究區(qū)及數(shù)據(jù)準(zhǔn)備

1.1 研究區(qū)概況

燕溝流域溝口距離延安市3 km(36°28′—36°32′N，109°20′—109°35′E)，屬延河二級(jí)支流，主溝長(zhǎng)約為8.6 km，呈東南—西北流向。流域面積約為48 km2，海拔986～1 425 m[20]。流域年平均氣溫約9.8℃，多年平均降雨量558.4 mm，其中全年降雨量的70%以上都集中在6—9月，并且大都以暴雨的形式出現(xiàn)，年際變化也很大。地形坡度主要以陡坡地為主，坡度大于25°的占51.91%，15°～25°的占28.75%，15°以下的為19.34%，屬于典型的黃土高原丘陵溝壑區(qū)，溝壑密度為4.8 km/km2。流域共轄14個(gè)行政村和1個(gè)溝口區(qū)(隸屬于柳林街道)。農(nóng)村經(jīng)濟(jì)的主體是種植業(yè),農(nóng)果并舉，種植業(yè)主要是以馬鈴薯和玉米為主，還有少量的大豆、高粱、豌豆和谷子。

1.2 土地利用類型劃分

根據(jù)我國(guó)《土地利用分類》國(guó)家標(biāo)準(zhǔn)(2007年8月5日開(kāi)始頒布執(zhí)行)，并結(jié)合研究區(qū)生產(chǎn)生活實(shí)際，將該流域的土地利用類型劃分為梯田、果園、林地、草地、居住用地和道路等六大類型進(jìn)行梯田信息提取。

1.3 數(shù)據(jù)源及預(yù)處理

SPOT5衛(wèi)星影像是法國(guó)空間研究中心第五號(hào)地球觀測(cè)衛(wèi)星系統(tǒng)數(shù)據(jù)，由中國(guó)遙感衛(wèi)星地面站接收。本研究應(yīng)用覆蓋燕溝流域的SPOT5衛(wèi)星遙感影像數(shù)據(jù)，來(lái)源于第二次全國(guó)土地調(diào)查審核，包括空間分辨率為10.0 m的多光譜影像和空間分辨率為2.5 m的全色影像各一景，成像時(shí)間為2003年9月9日。SPOT5衛(wèi)星影像的參數(shù)見(jiàn)表1。其他輔助數(shù)據(jù)主要是Google Earth高清影像數(shù)據(jù)，用于目視解譯和結(jié)果驗(yàn)證。Google Earth影像數(shù)據(jù)是由航拍數(shù)據(jù)和衛(wèi)星影像集成與整合而形成的，其形象直觀、信息豐富，分辨率一般比較高。本研究使用的Google Earth影像的空間分辨率為0.6 m。

表1 SPOT5衛(wèi)星影像參數(shù)

解譯前利用ArcGIS 10.2，ENVI 5.1等軟件對(duì)影像進(jìn)行投影轉(zhuǎn)換，輻射校正，大氣校正，正射校正，幾何校正，影像融合及影像裁剪等一系列預(yù)處理。為了有效的提取梯田，應(yīng)用Gram-Schmidt Pan sharping影像融合方法,將具有豐富光譜信息的多光譜影像與具有高分辨率的全色影像進(jìn)行融合，這樣得到的融合影像同時(shí)具有較高的光譜分辨率與空間分辨率。最后利用燕溝流域的行政邊界矢量圖對(duì)融合影像進(jìn)行裁剪，得到研究區(qū)的影像。

2 基于面向?qū)ο蠓诸惖奶萏锾崛∵^(guò)程

經(jīng)過(guò)影像預(yù)處理之后，運(yùn)用ENVI 5.1對(duì)融合影像進(jìn)行基于面向?qū)ο蠓诸惙椒ǖ奶萏锾崛?，首先?duì)影像進(jìn)行分割與合并構(gòu)建影像對(duì)象，其次，選擇影像對(duì)象的屬性特征，構(gòu)建梯田信息的分類規(guī)則，對(duì)梯田進(jìn)行提取，對(duì)提取結(jié)果從田塊邊界的吻合度評(píng)價(jià)位置精度，并比較該結(jié)果與人工目視解譯結(jié)果進(jìn)行面積精度評(píng)價(jià)。

2.1 影像對(duì)象構(gòu)建

影像對(duì)象的構(gòu)建主要是通過(guò)影像分割與合并實(shí)現(xiàn)的。影像分割通過(guò)相鄰像元的亮度、顏色及紋理等特征完成，生成具有相似特征的多邊形對(duì)象。由于空間地物具有其特定的空間尺度，要選擇合理的分割尺度，才能使分割生成的影像對(duì)象合理、準(zhǔn)確的代表真實(shí)空間地物參與分類。本研究通過(guò)多次嘗試，將梯田的邊緣特征分割合理閾值設(shè)為38%。

影像經(jīng)初步分割得到的多邊形對(duì)象比較破碎，可通過(guò)合并分塊將一些較小的多邊形對(duì)象合并為較大的影像對(duì)象，解決一定程度的影像過(guò)度分割問(wèn)題，改善對(duì)地物邊界的描繪。經(jīng)反復(fù)試驗(yàn)，最后將合并閾值設(shè)為88%。

2.2 基于規(guī)則的影像分類

基于規(guī)則的影像分類是在影像多尺度分割的基礎(chǔ)上，充分利用分割生成的影像對(duì)象提供的各種信息，構(gòu)建地物要素分類規(guī)則對(duì)影像進(jìn)行分類。

特定的地物目標(biāo)總是與相應(yīng)的屬性特征或特征組合相聯(lián)系，只要選取合適的地物特征或特征組合，就能把目標(biāo)地物與其他地物區(qū)分開(kāi)[5,21]。通過(guò)分析分割對(duì)象和地物的關(guān)系,可以篩選合適的影像對(duì)象特征來(lái)描述地物[13]。本研究通過(guò)對(duì)影像對(duì)象的光譜特征、紋理特征、空間特征進(jìn)行統(tǒng)計(jì)分析，本著選擇的特征或特征組合具有最大的信息量、能夠很容易地區(qū)分地物、保證精度的前提下選取盡可能少的特征的原則，選擇了光譜特征的最小值、最大值、歸一化植被指數(shù)(Normalized Difference Vegetation Index,NDVI)均值，紋理特征的范圍和方差，以及空間特征的面積來(lái)識(shí)別梯田，并構(gòu)建梯田提取的分類規(guī)則。

其中，紋理特征是圖像中出現(xiàn)的局部模式(紋理單元)及其排列規(guī)則[22]，能夠在一定程度上區(qū)分同物異譜和同譜異物的現(xiàn)象，并克服由光譜混淆引起的分類結(jié)果比較破碎的問(wèn)題。ENVI 5.1的面向?qū)ο蠓诸惸K采用的是灰度共生矩陣(Gray Level Co-occurrence Matrix)的紋理分析方法，它可以從影像對(duì)象中抽取紋理范圍、紋理方差、紋理熵等定量描述紋理特征的指標(biāo)。紋理范圍為卷積核范圍內(nèi)的平均灰度值范圍，紋理熵為卷積核范圍內(nèi)的平均灰度信息熵，紋理方差為卷積核范圍內(nèi)的平均灰度變化值。

2.3 精度評(píng)價(jià)

為了客觀的評(píng)價(jià)基于面向?qū)ο蠓诸惣夹g(shù)梯田提取的精度，本研究對(duì)比了該結(jié)果和基于地面調(diào)查與相近時(shí)段Google Earth影像結(jié)合的手工勾繪的梯田位置和面積。由于以高精度的Google Earth遙感影像為輔助數(shù)據(jù)，對(duì)研究區(qū)梯田信息進(jìn)行目視解譯得到的梯田面積與實(shí)際比較接近，因此可以作為精度評(píng)價(jià)的參考。

3 結(jié)果與分析

3.1 建立梯田提取的分類規(guī)則

3.1.1 光譜特征分析 不同地物類型在各個(gè)波段上的光譜特征詳見(jiàn)圖1。本研究選取NDVI的平均值，綠波段的最小值，紅波段、近紅外波段的最大值4個(gè)光譜特征參數(shù)來(lái)區(qū)分梯田與其他地物。

圖1的分析結(jié)果顯示：梯田的NDVI均值集中在0.38～0.58，很容易與林地(0.64～0.77)和居住用地(0.18～0.26)的NDVI均值區(qū)分，因此通過(guò)設(shè)定NDVI規(guī)則(0.32

3.1.2 紋理特征分析 由于通過(guò)設(shè)定光譜規(guī)則能夠區(qū)分大部分的林地和居住用地信息，進(jìn)而通過(guò)不同地物類型各波段的紋理特征(圖2)辨析草地、果園和道路等地物信息，并選取綠波段的紋理范圍、近紅外和短波紅外波段的紋理方差作為特征參數(shù)，在光譜規(guī)則分析基礎(chǔ)上進(jìn)一步區(qū)分不同地物類型。

圖2的分析結(jié)果顯示：在綠波段，梯田的紋理范圍分布在0.01～0.025，整體高于草地(0.007～0.012)和林地(0.006～0.01)的紋理范圍，可設(shè)定綠波段的紋理范圍大于0.008來(lái)剔除部分草地以及林地(圖2A范圍)；在近紅外波段，梯田的紋理方差分布區(qū)間為0.000 2～0.000 9，而草地在該波段的紋理方差小于0.000 3，可設(shè)定近紅外波段的紋理方差閾值為0.000 13再剔除一部分草地(圖2C方差)；在短波紅外波段，梯田的紋理方差小于0.000 7，比道路(0.000 5～0.003 6)和居住用地(0.000 5～0.003 1)的紋理方差低，因此可設(shè)定短波紅外波段的紋理方差小于0.001 5剔除一部分道路及居住用地(圖2D方差)。而果園與梯田的紋理特征則比較相似，因此基于紋理特征很難剔除果園信息。

注:A為不同地物類型的NDVI;B，C，D，E分別為不同地物類型在綠、紅、近紅外、短波紅外波段上的光譜特征。

圖1 不同地物類型的光譜信息統(tǒng)計(jì)

注:A，B，C，D分別為不同地物類型在綠、紅、近紅外、短波紅外波段上的紋理特征。

圖2 不同地物類型的紋理信息統(tǒng)計(jì)

3.1.3 空間特征分析 空間特征可以輔助光譜特征與紋理特征，進(jìn)行梯田信息的提取(圖3)。從圖3可以看出，梯田面積小于16 000 m2，很容易與林地的面積(大于7 000 m2)區(qū)分，因此將面積閾值設(shè)置為16 000 m2，可以剔除一部分通過(guò)光譜和紋理規(guī)則沒(méi)有剔除掉的林地信息。3.1.4 構(gòu)建梯田提取分類規(guī)則 通過(guò)以上分析，構(gòu)建了基于面向?qū)ο蟮奶萏镄畔⑻崛〉姆诸愐?guī)則參數(shù)表(表2)。并根據(jù)梯田信息的分類規(guī)則參數(shù)表，構(gòu)建了如表3所示的梯田提取的分類規(guī)則集，其中提取是分步實(shí)現(xiàn)的，因此規(guī)則應(yīng)用存在先后次序，在實(shí)際應(yīng)用中按照規(guī)則順序依次執(zhí)行。

圖3 不同地物類型的面積

類型特征梯田果園林地草地居住地道路NDVI均值0.38～0.580.64～0.770.18～0.26光譜屬性綠波段最小值0.02～0.060.002～0.012紅波段最大值0.08～0.1470.1～0.1640.18～0.27近紅外最大值0.25～0.330.28～0.370.32～0.480.31～0.44綠波段范圍0.01～0.0250.006～0.010.007～0.012紋理屬性近紅外方差0.0002～0.0009<0.0003短波紅外方差<0.00070.0005～0.00310.0005～0.0036空間屬性面積<16000>7000

表3 梯田分類的規(guī)則集

3.2 精度評(píng)價(jià)

本研究從梯田位置和面積兩方面進(jìn)行精度評(píng)價(jià)。在位置方面，基于面向?qū)ο蠓椒梢暂^好地從原始影像中提取梯田的位置信息(圖4)，但由于部分梯田田面特征與果園和道路的特征相似，導(dǎo)致部分果園與道路信息不能有效區(qū)分和剔除。

在面積方面，基于面向?qū)ο蠓诸惖玫降奶萏锩娣e約為3.197 km2，以實(shí)地調(diào)查資料以及高精度的Google Earth影像作為輔助數(shù)據(jù)對(duì)研究區(qū)的梯田信息進(jìn)行目視解譯，統(tǒng)計(jì)出研究區(qū)梯田面積約為4.079 km2，計(jì)算出梯田提取的正確率為78.38%。

圖4 基于面向?qū)ο蟮奶萏锾崛〗Y(jié)果(局部)

4 結(jié) 論

(1) 本研究基于高分辨率的SPOT5衛(wèi)星影像，應(yīng)用面向?qū)ο蠓诸惙椒?，?duì)影像分割構(gòu)建影像對(duì)象，通過(guò)分析影像對(duì)象的光譜特征、紋理特征和空間特征等，可以區(qū)分不同地物，對(duì)主要梯田信息進(jìn)行有效提取。由于經(jīng)過(guò)影像分割后，梯田的完整結(jié)構(gòu)遭到一定程度的破壞，田面與田坎部分被分割成不同的地物單元，連片梯田所具備的特有紋理特征(田面—田坎的規(guī)則性波動(dòng))不能充分發(fā)揮作用。

(2) 復(fù)雜地形區(qū)光譜特征非常復(fù)雜，信息提取難度大，面向?qū)ο蠓诸惙椒軌蚓C合利用分割對(duì)象的光譜、紋理、空間等多種特征信息，充分挖掘影像提供的信息，為影像分類提供更多的依據(jù)，并能達(dá)到一定的精度，與買凱樂(lè)等以ALOS影像利用面向?qū)ο蠓诸愌芯拷Y(jié)果(精度為77.73%)[16]接近。但是，因?yàn)檫b感影像分類方法固有的特點(diǎn)，仍需要與目視解譯方法相結(jié)合使用。后續(xù)的研究中，可以與其他高精度遙感影像、多季相遙感影像等結(jié)合使用，更好提取梯田信息。

[1] 寇權(quán),王愿昌,吳永紅,等.基于高分辨率衛(wèi)星影像的梯田監(jiān)測(cè)方法研究[J].中國(guó)水土保持,2005(12):24-25.

[2] 胡進(jìn)剛,張曉東,沈欣,等.一種面向?qū)ο蟮母叻直媛视跋竦缆诽崛》椒╗J].遙感技術(shù)與應(yīng)用,2006,21(3):184-188.

[3] 王新輝.面向?qū)ο蟮母叻直媛视跋裣汩挤植夹畔⑻崛⊙芯縖D].杭州:浙江大學(xué),2008.

[4] 孫悅.基于eCognition的衛(wèi)星遙感影像分析技術(shù)[J].無(wú)線電工程,2014,44(3):35-39.

[5] 曹寶,秦其明,馬海建,等.面向?qū)ο蠓椒ㄔ赟POT5遙感圖像分類中的應(yīng)用:以北京市海淀區(qū)為例[J].地理與地理信息科學(xué),2006,22(2):46-49,54.

[6] 許高程,畢建濤,王星星,等.面向?qū)ο蟮母叻直媛蔬b感影像道路自動(dòng)提取試驗(yàn)[J].遙感信息,2012,2(2):108-111.

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

[8] Newman M E, McLaren K P, Wilson B S. Use of object-oriented classification and fragmentation analysis(1985—2008)to identify important areas for conservation in Cockpit Country, Jamaica[J]. Environmental monitoring and assessment, 2011,172(1/4):391-406.

[9] 喬婷,張懷清,陳永富,等.基于NDVI分割與面向?qū)ο蟮臇|洞庭湖濕地植被信息提取技術(shù)[J].西北林學(xué)院學(xué)報(bào),2013,28(4):170-175.

[10] Martha T R, Kerle N, Jetten V, et al. Characterising spectral, spatial and morphometric properties of landslides for semi-automatic detection using object-oriented methods[J]. Geomorphology, 2010,116(1):24-36.

[11] Lahousse T, Chang K T, Lin Y H. Landslide mapping with multi-scale object-based image analysis： A case study in the Baichi watershed, Taiwan[J]. Natural Hazards and Earth System Science, 2011,11(10):2715-2726.

[12] Martha T R, Kerle N, Van Westen C J, et al. Segment optimization and data-driven thresholding for knowledge-based landslide detection by object-based image analysis[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(12): 4928-4943.

[13] 張毅,譚龍,陳冠,等.基于面向?qū)ο蠓诸惙ǖ母叻直媛蔬b感滑坡信息提取[J].蘭州大學(xué)學(xué)報(bào):自然科學(xué)版,2014,50(5):745-750.

[14] 鄭利娟,李小娟,胡德勇,等.基于對(duì)象和DEM的濕地信息提取:以洪河沼澤濕地為例[J].遙感技術(shù)與應(yīng)用,2009,24(3):346-351.

[15] Frohn R C, Reif M, Lane C, et al. Satellite remote sensing of isolated wetlands using object-oriented classification of Landsat-7data[J]. Wetlands, 2009,29(3):931-941.

[16] 買凱樂(lè),張文輝.黃土丘陵溝壑區(qū)遙感影像信息面向?qū)ο蠓诸惙椒ㄌ崛J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2011,42(4):153-158.

[17] 祖琪,袁希平,莫源富,等.基于面向?qū)ο蠓诸惙椒ㄔ赟POT影像中的地物信息提取[J].中國(guó)巖溶,2011,30(2):227-232.

[18] 常春艷,趙庚星,王凌,等.濱海光譜混淆區(qū)面向?qū)ο蟮耐恋乩眠b感分類[J].農(nóng)業(yè)工程學(xué)報(bào),2012,28(5):226-231.

[19] 江華.基于eCognition面向?qū)ο蠹夹g(shù)的高分辨率遙感影像土地利用分類:以福州瑯岐島為例[J].海峽科學(xué),2014(8):12-17.

[20] 黨麗娟,徐勇,高雅.土地利用功能分類及空間結(jié)構(gòu)評(píng)價(jià)方法:以燕溝流域?yàn)槔齕J].水土保持研究,2014,21(5):193-197,203.

[21] 陳秋曉,駱劍承,周成虎,等.基于多特征的遙感影像分類方法[J].遙感學(xué)報(bào),2004,8(3):239-245.

[22] 胡玉福,鄧良基,匡先輝,等.基于紋理特征的高分辨率遙感圖像土地利用分類研究[J].地理與地理信息科學(xué),2011,27(5):42-45,68.

Terrace Information Extraction From SPOT Remote Sensing Image Based on Object-oriented Classification Method

ZHANG Yuguo1, WANG Fei1,2,3, SUN Wenyi2, AN Chunchun2,3

(1.CollegeofNaturalResourcesandEnvironment,NorthwestA&FUniversity,Yangling,Shaanxi712100,China; 2.InstituteofSoilandWaterConservation,ChineseAcademyofSciencesandMinistryofWaterResources,Yangling,Shaanxi712100,China; 3.UniversityofChineseAcademyofSciences,Beijing100049,China)

Accurate and rapid extraction of terrace is one of the core technologies for the dynamic monitoring and evaluation of soil and water conservation at a regional scale, and remote sensing technology provides an effective and efficient means to extract land cover information. In this paper, image segementation and rule based feature extraction were conducted to interpret the terrace information from the high spatial-resolution SPOT5 imageries in Yan′gou watershed on the Loess Plateau based on object-oriented classification method. Firstly, the image objects were set through the image segmentation. Secondly, the rules for terrace information extraction from remote sensing datasets were established via the analysis of spectral, texture and spatial feature of image objects. In this case, the automatic extraction of terrace was achieved. Finally, the accuracy of extraction results was evaluated through its comparison with visual interpretation results. The results showed that the position of terrace in complex geomorphic regions could be successfully identified through the object-oriented classification method, and the overall accuracy reached to 78.38%. The method developed in this paper is expected to provide a reference for the interpretation of terrace information from remote sensing imageries across the Loess Plateau.

terrace; object-oriented classification; information extraction; remote sensing image; Loess Plateau

2016-03-16

2016-04-13

科技部科技基礎(chǔ)性工作專項(xiàng)(2014FY210120);基于中歐農(nóng)業(yè)生產(chǎn)與環(huán)境恢復(fù)的交互式土壤質(zhì)量評(píng)價(jià)(635750,歐盟,16146KYSB20150001,中國(guó)科學(xué)院);中國(guó)科學(xué)院“西部之光”人才培養(yǎng)計(jì)劃“黃土高原侵蝕坡地退耕還林草綜合評(píng)價(jià)與可持續(xù)對(duì)策研究”

張雨果(1989—),女,河南魯山縣人,碩士研究生,研究方向?yàn)辄S土高原地區(qū)水土保持措施的遙感影像提取。E-mail:1246503839@qq.com

王飛(1971—),男,陜西省戶縣人,博士,研究員,主要從事水土保持環(huán)境效應(yīng)研究。E-mail:wafe@ms.iswc.ac.cn

TP79; S343.3

A

1005-3409(2016)06-0345-07