高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于Landsat 8 OLI辅助的亚米级遥感影像树种识别

魏晶昱 毛学刚 方本煜 包晓建 许振宇

魏晶昱, 毛学刚, 方本煜, 包晓建, 许振宇. 基于Landsat 8 OLI辅助的亚米级遥感影像树种识别[J]. 北京林业大学学报, 2016, 38(11): 23-33. doi: 10.13332/j.1000-1522.20160054
引用本文: 魏晶昱, 毛学刚, 方本煜, 包晓建, 许振宇. 基于Landsat 8 OLI辅助的亚米级遥感影像树种识别[J]. 北京林业大学学报, 2016, 38(11): 23-33. doi: 10.13332/j.1000-1522.20160054
WEI Jing-yu, MAO Xue-gang, FANG Ben-yu, BAO Xiao-jian, XU Zhen-yu.. Submeter remote sensing image recognition of trees based on Landsat 8 OLI support.[J]. Journal of Beijing Forestry University, 2016, 38(11): 23-33. doi: 10.13332/j.1000-1522.20160054
Citation: WEI Jing-yu, MAO Xue-gang, FANG Ben-yu, BAO Xiao-jian, XU Zhen-yu.. Submeter remote sensing image recognition of trees based on Landsat 8 OLI support.[J]. Journal of Beijing Forestry University, 2016, 38(11): 23-33. doi: 10.13332/j.1000-1522.20160054

基于Landsat 8 OLI辅助的亚米级遥感影像树种识别

doi: 10.13332/j.1000-1522.20160054
基金项目: 

国家自然科学基金项目(31300533)、“十二五”国家科技支撑计划项目(2012AA102001)、东北林业大学大学生创新项目(201410225152)。

详细信息
    作者简介:

    魏晶昱。主要研究方向:遥感与地理信息系统。Email:copperwei@aliyun.com 地址:150040 黑龙江省哈尔滨市香坊区和兴路26号东北林业大学林学院。   责任作者: 毛学刚,博士,讲师。主要研究方向:遥感与地理信息系统。Email:maoxuegang@aliyun.com 地址:同上。

    魏晶昱。主要研究方向:遥感与地理信息系统。Email:copperwei@aliyun.com 地址:150040 黑龙江省哈尔滨市香坊区和兴路26号东北林业大学林学院。   责任作者: 毛学刚,博士,讲师。主要研究方向:遥感与地理信息系统。Email:maoxuegang@aliyun.com 地址:同上。

Submeter remote sensing image recognition of trees based on Landsat 8 OLI support.

  • 摘要: 为研究高空间分辨率遥感影像与多光谱遥感影像协同进行面向对象树种识别的有效性,本研究以QuickBird高空间分辨率(全色0.61 m)和Landsat 8 OLI(30 m)遥感影像为基础数据,在分类的过程中采用2种分割方案(有Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割和无Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割)进行多尺度分割,对2种分割方案进行比较。基于QuickBird遥感影像和Landsat 8 OLI遥感影像提取光谱、纹理、空间3方面68种分类特征,应用最邻近分类法和支持向量机分类方法进行面向对象树种分类,采用相同的分类系统、统一的分割尺度以及同一套验证样本,利用Kappa系数、总精度、生产者精度和用户精度4个评价指标进行精度评价。结果表明:单独使用QuickBird高空间分辨率遥感影像的分割结果优于QuickBird高空间分辨率遥感影像与Landsat 8 OLI遥感影像协同分割的结果,最优分割阈值与合并阈值分别为25和90。在最优分割结果的基础上,多光谱Landsat 8 OLI遥感影像与QuickBird高空间分辨率遥感影像协同进行面向对象分类,最邻近分类法和支持向量机分类方法的分类总精度分别为85.35%(Kappa=0.701 3)和88.12%(Kappa=0.853 6);单独使用QuickBird高空间分辨率遥感影像进行面向对象分类,2种方法的分类总精度分别为79.67%(Kappa=0.693 9)和83.33%(Kappa=0.792 5)。QuickBird遥感影像在Landsat 8 OLI遥感影像辅助下,分类结果的地物边界更加清晰,总体精度及主要树种识别精度均得到了提高。研究成果应用在实地森林调查与区划时可有效缩短调査时间、减少调查成本、降低劳动强度、提高成果质量。
  • [1] HELLER R C,DOVERSPIKE G E,ALDRICH R C. Identification of tree species on large-scale panchromatic and color aerial photographs[M]. Washington D C: USDA Handbook,1964,261:1-17.
    [2]
    [3] VIEIRA I C G,ALMEIDA A S D,DAVIDSON E A,et al. Classifying successional forests using Landsat spectral properties and ecological characteristics in eastern Amazonia[J]. Remote Sensing of Environment,2003,87(4):470-481.
    [4] HAN N,ZHANG X Y,WANG X M,et al. Extraction of Torreya grandis Merrillii based on objeet-oriented method from IKONOS image[J]. Journal of Zhejiang University (Agriculture Life Siciences),2009,35(6):670-676.
    [5] WOLTER P T,HOST G E,MLADENOFF D J,et al. Improved forest classification in the northern Lake States using multi-temporal Landsat imagery[J]. Photogrammetric Engineering and Remote Sensing,1995,61(9):1129-1143.
    [6] SUN X Y,DU H Q,HAN N,et al.Multi-scale segmentation, object-based extraction of moso bamboo forest from SPOT5 imagery[J]. Scientia Silvae Sinicae,2013,49(10):80-87.
    [7] LI C G, SHAO G F. Using Landsat 7 ETM+ images as ancillary data for forest cover classification of SPOT 5 images[J]. Journal of Beijing Forestry University,2010,32(4):1-5.
    [8] COLSTOUN E C B D,STORY M H,THOMPSON C,et al. National Park vegetation mapping using multi-temporal Landsat 7 data and a decision tree classifier[J]. Remote Sensing of Environment,2003,85(3):316-327.
    [9] DENG S B, CHEN Q J,DU H J, et al. Remote sensing image processing method of ENVI[M]. 2nd ed.Beijing: Higher Education Press,2014:204-217.
    [10] CLARK M L,ROBERTS D A,CLARK D B. Hyperspectral discrimination of tropical rain forest tree species at leaf to crown scales[J]. Remote Sensing of Environment,2005,96(3):375-398.
    [11] WANG T T,LI S S,LI A, et al. Land cover classification in Beijing using Landsat 8 image[J]. Journal of Image and Graphics,2015,20(9):1275-1284.
    [12] GOODENOUGH D G,NIEMANNK O,PEARLMAN J S,et al. Processing Hyperion and ALI for forest classification[J]. IEEE Transactions on GeoScience and Remote Sensing,2003,41(6):1321-1331.
    [13] LAWRENCE R L,WOOD S D,SHELEY R L. Mapping invasive plants using hyperspectral imagery and Breiman Cutler classifications (randomForest)[J]. Remote Sensing of Environment,2006,100(3):356-362.
    [14] XU H Q, TANG F. Analysis of new characteristics of the first Landsat 8 image and their eco-environmental significance[J]. Acta Ecologica Sinica,2013,33(11):3249-3257.
    [15] MARTIN M E,NEWMAN S D,ABER J D,et al. Determining forest species composition using high spectral resolution remote sensing data[J]. Remote Sensing of Environment,1998,65(3):249-254.
    [16] GOODENOUGH D G,CHEN H, DYK A,et al. Multisensor data fusion for aboveground carbon estimation[C/OL]∥Proceedings of XXVIIIth General Assembly of the International Union of Radio Science (URSI). [2015-12-01]. http:∥paperuri:(79e7798 b3e791ff0d9f6c93b22d267b6).
    [17] WULDER M A,HALL R J,COOPS N C,et al. High spatial resolution remotely sensed data for ecosystem characterization[J]. BioScience,2009,54:511-521.
    [18] FRANKLIN S E. Using spatial co-occurrence texture to increase forest structure and species classification accuracy[J]. Photogrammetric Engineering and Remote Sensing,2001,67(7):849-855.
    [19] TREITZ P,HOWARTH P. Integrating spectral,spatial,and terrain variables for forest ecosystem classification[J]. Photogrammetric Engineering and Remote Sensing,2000,66(3):305-318.
    [20] ZHANG C. Geostatistical and texture analysis of airborne-acquired images used in forest classification[J]. International Journal of Remote Sensing,2004,25(25):859-865.
    [21] FLANDERS D,HALLBEYER M,PEREVERZOFF J. Preliminary evaluation of eCognition object-based software for cut block delineation and feature extraction[J]. Canada Journal of Remote Sensing,2003,29(4):441-452.
    [22] KOSAKA N, AKIYAMA T,TSAI B,et al. Forest classification using data fusion of multispectral and panchromatic high-resolution satellite imageries[J]. IEEE International Geoscience and Remote Sensing Symposium,2005,4:2980-2983.
    [23] 韩凝,张秀英,王小明,等.基于面向对象的IKONOS影像香榧树分布信息提取研究[J].浙江大学学报(农业与生命科学版),2009,35(6):670-676.
    [24] BRENNER J C,CHRISTMAN Z,ROGAN J. Segmentation of Landsat thematic mapper imagery improves buffelgrass (Pennisetum ciliare) pasture mapping in the Sonoran Desert of Mexico[J]. Applied Geography,2012,34:569-575.
    [25] 孙晓艳,杜华强,韩凝,等.面向对象多尺度分割的SPOT 5影像毛竹林专题信息提取[J].林业科学,2013,49(10):80-87.
    [26] CHUBEY M S. Object-based analysis of IKONOS-2 imagery for extraction of forest inventory parameters[J]. Photogrammetric Engineering and Remote Sensing,2006,72(4):383-394.
    [27] YU Q,GONG P,CLINTON N,et al. Object-based detailed vegetation classification with airborne high spatial resolution remote sensing imagery[J]. Photogrammetric Engineering and Remote Sensing,2006,72(7):799-811.
    [28] SUN X Y,DU H Q,HAN N,et al. Synergistic use of Landsat TM and SPOT5 imagery for object-based forest classification[J]. Journal of Applied Remote Sensing,2014,8(9):1-15.
    [29] FUCHS H,MAGDON P,KLEINN C,et al. Estimating aboveground carbon in a catchment of the Siberian forest tundra:combining satellite imagery and field inventory[J]. Remote Sensing of Environment,2009,113(3):518-531.
    [30] CLARK M L,ROBERTS D A,EWEL J J,et al. Estimation of tropical rain forest aboveground biomass with small-footprint lidar and hyperspectral sensors[J]. Remote Sensing of Environment,2011,115(11):2931-2942.
    [31] 李春干,邵国凡. Landsat 7 ETM+ 图像用作SPOT 5图像森林分类的辅助数据研究[J].北京林业大学学报,2010,32(4):1-5.
    [32] KE Y,QUACKENBUSH L J,IM J. Synergistic use of QuickBird multispectral imagery and LIDAR data for object-based forest species classification[J]. Remote Sensing of Environment,2010,114(6):1141-1154.
    [33] HAN N,WANG K,YU L,et al. Integration of texture and landscape features into object-based classification for delineating Torreya using IKONOS imagery[J]. International Journal of Remote Sensing,2012,33(7):2003-2033.
    [34] 邓书斌,陈秋锦,杜会建,等. ENVI遥感影像处理方法[M].2版.北京:高等教育出版社,2014: 204-217.
    [35] CORTES C,VAPNIK V. Support vector networks [J]. Machine Learning,1995,20(3):273-297.
    [36] JANSSEN L L F,FRANS J M,WEL V D. Accuracy assessment of satellite derived land cover data:a review[J]. Potogammetric Engineering and Remote Sensing,1994,60(4):419-426.
    [37] 王婷婷,李山山,李安,等.基于Landsat 8卫星影像的北京地区土地覆盖分类[J].中国图像图形学报,2015,20(9):1275-1284.
    [38] 徐涵秋,唐菲.新一代Landsat 8系列卫星:Landsat 8遥感影像新增特征及其生态环境意义[J].生态学报,2013,33(11):3249-3257.
    [39] CHEN J M, BLACK T A, PRICE D T,et al. Model for calculating photosynthetic photon flux densities in forest openings on slope[J]. Journal of Applied Meteorology,2010,32(10):1656-1665.
  • [1] 吴艳双, 张晓丽.  结合多尺度纹理特征的高光谱影像面向对象树种分类 . 北京林业大学学报, 2020, 42(6): 91-101. doi: 10.12171/j.1000-1522.20190155
    [2] 白莹, 胡淑萍.  基于CART决策树的自然保护区植被类型分布研究 . 北京林业大学学报, 2020, 42(6): 113-122. doi: 10.12171/j.1000-1522.20190269
    [3] 朱方嫣, 沈文娟, 李明诗.  基于WorldView2和GF-2的面向对象多指标综合植被变化分析 . 北京林业大学学报, 2019, 41(11): 54-65. doi: 10.13332/j.1000-1522.20180435
    [4] 陈冀岱, 牛树奎.  多时相高分辨率遥感影像的森林可燃物分类和变化分析 . 北京林业大学学报, 2018, 40(12): 38-48. doi: 10.13332/j.1000-1522.20180269
    [5] 王坚, 刘晓东.  福建三明2000—2011年森林火灾PM2.5排放量的估算 . 北京林业大学学报, 2018, 40(6): 41-47. doi: 10.13332/j.1000-1522.20180075
    [6] 杨坤, 赵艳玲, 张建勇, 陈超, 赵鹏鹏.  利用无人机高分辨率影像进行树木高度提取 . 北京林业大学学报, 2017, 39(8): 17-23. doi: 10.13332/j.1000-1522.20160428
    [7] 冯静静, 张晓丽, 刘会玲.  基于灰度梯度图像分割的单木树冠提取研究 . 北京林业大学学报, 2017, 39(3): 16-23. doi: 10.13332/j.1000--1522.20160373
    [8] 冯静静, 张晓丽, 刘会玲.  基于灰度梯度图像分割的单木树冠提取研究 . 北京林业大学学报, 2017, 39(3): 16-23. doi: 10.13332/j.1000-1522.20160373
    [9] 解潍嘉, 黄侃, 李瑞平, 孙浩, 扈晶晶, 黄华国.  应用高分辨率卫星数据估算阔叶红松林乔木多样性 . 北京林业大学学报, 2015, 37(3): 20-26. doi: 10.13332/j.1000-1522.20140306
    [10] 张江平, 郭颖, 孙吉慧, 刘晓, 丁访军.  贵州主要森林植被养分含量及其分配特征 . 北京林业大学学报, 2015, 37(4): 48-55. doi: DOI:10.13332/j.1000-1522.20130523
    [11] 俞正祥, 蔡体久, 朱宾宾.  大兴安岭北部主要森林类型林内积雪特征 . 北京林业大学学报, 2015, 37(12): 100-107. doi: 10.13332/j.1000-1522.20150175
    [12] 田昕, 李增元, 陈尔学, 凌飞龙, OliverCartus3MaurizioSantoro, ChristianeSchmullius, .  基于ERS-1/2和Envisat ASAR数据的大区域森林制图研究 . 北京林业大学学报, 2013, 35(1): 7-16.
    [13] 刘海亮, 蔡体久, 满秀玲, 柴汝杉, 郎燕.  兴安岭主要森林类型对降雪、积雪和融雪过程的影响 . 北京林业大学学报, 2012, 34(2): 20-25.
    [14] 方伟东, 亢新刚, 赵浩彦, 黄新峰, 龚直文, 高延, 冯启祥3.  长白山地区不同林型土壤特性及水源涵养功能 . 北京林业大学学报, 2011, 33(4): 40-47.
    [15] 李春干, 邵国凡.  Landsat7 ETM+图像用作SPOT5图像森林分类的辅助数据研究 . 北京林业大学学报, 2010, 32(4): 1-5.
    [16] 蒲智, 刘萍, 杨辽, 白洁, .  城市绿地信息提取中的遥感影像阴影校正 . 北京林业大学学报, 2009, 31(2): 80-85.
    [17] 李树伟, 冯仲科, 龚威平, 汪波, .  基于QuickBird遥感影像的城市绿地系统评价 . 北京林业大学学报, 2008, 30(增刊1): 68-72.
    [18] 吴露露, 罗旭, 张雁, 汪波, 冯仲科, .  中低分辨率遥感影像几何精校正 . 北京林业大学学报, 2008, 30(增刊1): 78-82.
    [19] 臧淑英, 王佳, 熊妮娜, 冯仲科, .  应用高分辨率遥感影像与GIS技术建立林场级森林资源管理信息系统 . 北京林业大学学报, 2008, 30(增刊1): 46-50.
    [20] 张洪江, 秦爱光, 王费新, 胡胜华, 吴彩燕, 袁怀文, 张璧光, 周永学, 白岗栓, 魏潇潇, 邓小文, 何亚平, 殷亚方, 郑小贤, 高黎, 王芳, 张莉俊, 李瑞, 毛俊娟, 颜绍馗, 刘杏娥, 黄荣凤, 杨平, 胡万良, 王小青, NagaoHirofumi, 杜社妮, 常旭, 张岩, 汪思龙, 王胜华, 王正, 张克斌, 刘燕, 乔建平, 谭学仁, 罗晓芳, 孙向阳, 王晓欢, 费世民, 赵天忠, 樊军锋, 戴思兰, 王兆印, 李猛, 崔赛华, 孔祥文, 江泽慧, 范冰, 徐嘉, 李昀, 江玉林, KatoHideo, 王海燕, 龚月桦, , 高荣孚, 张双保, 张占雄, 张旭, 韩士杰, 李华, 陈放, 刘云芳, 郭树花, 杨培华, IdoHirofumi, 任海青, 丁磊, 常亮, 陈秀明, 侯喜录, , 李晓峰, 陈宗伟, 刘秀英, 李媛良, 高建社, 费本华, 张桂兰, 李考学, 张代贵, 徐庆祥, 蒋俊明, , 薛岩, 陈学平, , 续九如, 刘永红, , 涂代伦, 金鑫, 王晓东, 李雪峰, , , 张红丽, 丁国权, .  乌鲁木齐市城市绿地景观结构特征研究 . 北京林业大学学报, 2007, 29(6): 93-98.
  • 加载中
计量
  • 文章访问数:  449
  • HTML全文浏览量:  43
  • PDF下载量:  24
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-02-23
  • 刊出日期:  2016-11-30

基于Landsat 8 OLI辅助的亚米级遥感影像树种识别

doi: 10.13332/j.1000-1522.20160054
    基金项目:

    国家自然科学基金项目(31300533)、“十二五”国家科技支撑计划项目(2012AA102001)、东北林业大学大学生创新项目(201410225152)。

    作者简介:

    魏晶昱。主要研究方向:遥感与地理信息系统。Email:copperwei@aliyun.com 地址:150040 黑龙江省哈尔滨市香坊区和兴路26号东北林业大学林学院。   责任作者: 毛学刚,博士,讲师。主要研究方向:遥感与地理信息系统。Email:maoxuegang@aliyun.com 地址:同上。

    魏晶昱。主要研究方向:遥感与地理信息系统。Email:copperwei@aliyun.com 地址:150040 黑龙江省哈尔滨市香坊区和兴路26号东北林业大学林学院。   责任作者: 毛学刚,博士,讲师。主要研究方向:遥感与地理信息系统。Email:maoxuegang@aliyun.com 地址:同上。

摘要: 为研究高空间分辨率遥感影像与多光谱遥感影像协同进行面向对象树种识别的有效性,本研究以QuickBird高空间分辨率(全色0.61 m)和Landsat 8 OLI(30 m)遥感影像为基础数据,在分类的过程中采用2种分割方案(有Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割和无Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割)进行多尺度分割,对2种分割方案进行比较。基于QuickBird遥感影像和Landsat 8 OLI遥感影像提取光谱、纹理、空间3方面68种分类特征,应用最邻近分类法和支持向量机分类方法进行面向对象树种分类,采用相同的分类系统、统一的分割尺度以及同一套验证样本,利用Kappa系数、总精度、生产者精度和用户精度4个评价指标进行精度评价。结果表明:单独使用QuickBird高空间分辨率遥感影像的分割结果优于QuickBird高空间分辨率遥感影像与Landsat 8 OLI遥感影像协同分割的结果,最优分割阈值与合并阈值分别为25和90。在最优分割结果的基础上,多光谱Landsat 8 OLI遥感影像与QuickBird高空间分辨率遥感影像协同进行面向对象分类,最邻近分类法和支持向量机分类方法的分类总精度分别为85.35%(Kappa=0.701 3)和88.12%(Kappa=0.853 6);单独使用QuickBird高空间分辨率遥感影像进行面向对象分类,2种方法的分类总精度分别为79.67%(Kappa=0.693 9)和83.33%(Kappa=0.792 5)。QuickBird遥感影像在Landsat 8 OLI遥感影像辅助下,分类结果的地物边界更加清晰,总体精度及主要树种识别精度均得到了提高。研究成果应用在实地森林调查与区划时可有效缩短调査时间、减少调查成本、降低劳动强度、提高成果质量。

English Abstract

魏晶昱, 毛学刚, 方本煜, 包晓建, 许振宇. 基于Landsat 8 OLI辅助的亚米级遥感影像树种识别[J]. 北京林业大学学报, 2016, 38(11): 23-33. doi: 10.13332/j.1000-1522.20160054
引用本文: 魏晶昱, 毛学刚, 方本煜, 包晓建, 许振宇. 基于Landsat 8 OLI辅助的亚米级遥感影像树种识别[J]. 北京林业大学学报, 2016, 38(11): 23-33. doi: 10.13332/j.1000-1522.20160054
WEI Jing-yu, MAO Xue-gang, FANG Ben-yu, BAO Xiao-jian, XU Zhen-yu.. Submeter remote sensing image recognition of trees based on Landsat 8 OLI support.[J]. Journal of Beijing Forestry University, 2016, 38(11): 23-33. doi: 10.13332/j.1000-1522.20160054
Citation: WEI Jing-yu, MAO Xue-gang, FANG Ben-yu, BAO Xiao-jian, XU Zhen-yu.. Submeter remote sensing image recognition of trees based on Landsat 8 OLI support.[J]. Journal of Beijing Forestry University, 2016, 38(11): 23-33. doi: 10.13332/j.1000-1522.20160054
参考文献 (39)

目录

    /

    返回文章
    返回