關于土地覆被遙感監測的幾點思考

張 磊,吳炳方

(中國科學院遙感應用研究所,北京 100101)

關于土地覆被遙感監測的幾點思考

張 磊,吳炳方

(中國科學院遙感應用研究所,北京 100101)

針對國內外土地覆被遙感監測中存在的突出問題展開討論,分析土地覆被分類系統的目標適應性;總結現有分類算法的特點及存在問題,分析小尺度和大尺度監測技術的差異性和效果;研究不同尺度土地覆被監測所解決的應用問題及尺度空間變化下的分類效果;分析現有監測體系的分類精度及產生誤差的原因和解決方法。

土地覆被;分類算法;監測技術

0 引言

土地覆被研究介于地理學、生態學和環境學之間的結合領域,是一個跨學科、基礎性很強的交叉學科,也是地理學研究中地形、水文、土壤和生物等要素相互作用的、最為活躍的地球表層科學綜合研究領域;土地覆被變化則是影響氣候、生態系統過程及生物多樣性的重要驅動力,受到國際組織和世界各國的普遍關注。土地利用/土地覆被的變化,一方面改變地球表面物理特征,影響與氣候直接有關的地表與大氣之間能量、水分和動量交換過程[1],從而影響陸表水文過程[2]、生物多樣性和生態系統功能[3];另一方面改變地球表面的生物地球化學循環過程,影響地表與大氣之間的微量氣體交換及相互作用,影響溫室氣體的排放和沉降。同樣,氣候變化對土地覆被產生影響。在全球環境變化問題中,土地覆被變化是自然與人文過程交叉最為密切的領域[4]。

隨著全球環境問題日益嚴重和遙感技術快速發展,自 20世紀 90年代開始,全球土地覆被監測與調查廣泛開展。為滿足國際地圈生物圈計劃 (IGBP)、人文因素計劃 (HDP)、國際全球大氣化學計劃(IGAC)和水循環生物計劃 (BAHC)研究的需要[5],IGBP開發了第一個 1 km尺度的全球土地覆被監測產品。為改善監測精度,馬里蘭大學利用相同數據、采用決策樹方法完成另一套全球土地覆被監測產品[6],在美國 EOS支持下,利用 MOD IS系列產品也開展了土地覆被調查[7]。歐盟在進行全球統一標準的全球環境評估、特別是千年生態系統評價(MA)過程中,組織全球植被監測組 (GVMU)開展全球土地覆被計劃,利用全球 30個國家合作伙伴、采用聯合國糧食及農業組織土地覆蓋分類系統(FAO LCCS)完成了 GLC2000土地覆被監測產品[8]。歐空局 (ESA)推出了全球 300m土地覆被監測產品 (GLOBCOVER)。2008年日本組織完成了全球土地覆被 (GLCNMO)評估,并與 ESA倡導推廣FAO LCCS標準分類系統。我國在 863計劃支持下正在開展全球土地覆被監測。

1 分類系統設計

土地覆被監測系統在國土、農業、林業和水利等部門的應用與管理中發揮著重要作用,根據應用目標歸納為兩類:①基于土地覆被的自然屬性和特征,按屬性自然關系、等級進行設計的先驗分類系統;②基于區域實際土地覆被屬性特征,兼顧應用目標的需求特征,所用監測技術、監測數據和尺度空間而設計的后驗分類體系。前者為具普適性的分類系統,后者屬于針對性較強的分類系統。

針對不同的應用目標,土地覆被分類系統設計方案不同。一個土地覆被單元具有一個或多個自然屬性與特征,在針對不同應用目標時,依據不同的劃分指標進行類型的組合,構成土地覆被類型。在全球變化和生物量應用方面,土地覆被是其中重要的反演參數,如 B IOM E-BGC[9]、ORCH IDEE[10]、LPJ[11]和 GEM S[12]模型都考慮了植被類型及其特征,其植被類型的劃分需要依據葉形、生活型、生命周期的劃分指標,通過土地覆被類型的數量、密度、覆蓋度、年齡、變化速率和變化時間等參數進行碳估算。在水文模型方面,土地覆被的分類需要考慮地表粗糙度、物理結構、植被類型、葉型及物候歷等特征對流域蒸散發、徑流量及洪峰類型的影響[13,14],特別是植被變化、不同作物類型及輪作制度對區域地下水和蒸散發量的影響。有些土地覆被制圖需要滿足多個應用目標,分類系統設計較為困難。IGBP數據庫采用分層處理方法——先進行空間最小基本單元或同質地塊分割,在此基礎上再進行不同應用目標的類型組合,形成了 7個分類系統。

針對應用目標的土地覆被分類系統,其設計更多地滿足特定目標需要,限于國家或地區范圍,對應用目標特征有較好的表達;但分類系統存在較多的人為調節痕跡,缺少尺度轉換和空間的可比性。存在的主要問題有:①分類定義的混淆和可比性影響土地覆被分類系統的應用。土地覆被分類主要解決與生態環境相關的科學問題,而土地利用分類主要面向應用和管理的目標;有些分類系統常與土地利用、土地資源、土地分類、土地適應性評價、生態系統分類和植被分類等混淆或重疊使用,特別是土地覆被與土地利用中的人工用地與耕地類型定義的混用。如在美國地質調查局 (USGS)土地覆被分類系統中存在一些土地利用類型,如“作物與牧草地”、“運輸與通訊設施”等。現在多數的分類使用定性的方式進行類型定義,沒有系統地使用那些用來獲取類型的量化診斷指標,因而產生類型之間劃分的不確定性,使其應用價值受到影響。分類系統之間的可比性、數據的一致性是數據共享的重要基礎,有些分類系統之間的類型相同而內涵不同,例如同樣是森林,卻在不同分類系統中的定義不一致 (表 1),這使得對區域和國家之間土地覆被的數據難以進行對比和分析;②考慮到制圖的可行性,分類系統大多對數據和分類技術的依賴性較強,分類技術對分類系統的影響使分類系統缺乏完整性,土地覆被不能完全表述。例如 IGBP-D IS全球 1 km土地覆被數據集所獲得的類型受到AVHHR傳感器的分辨率和影像解析力的限制。又如同樣是 1∶10萬比例尺制圖,歐盟 COR INE系統采用手工勾繪方法,適合手工作業的類型 (如“不連續的城市”、“農林復合區”),劃分精度高,分類系統設計 44類;而美國NLCD系統采用自動分類方法,精度低,劃分到 21類,類型數遠少于 COR INE系統;③目標分類系統時常把重要的、面積分布廣的類型放入分類系統中或者將其放在分類系統的高一等級中,而把不重要的、面積小的類型不放入上述系統中或者定義為“其他類型”或混合類型,使劃分結果失去了類型的均衡性;④有些分類系統用多個指標定義同一級土地覆被類型,如 Co rine系統中的灌草類由自然草地、荒草地和石南灌叢、硬葉灌木、過渡性林灌構成,使類型出現定義的真空 (可能在特定區域制圖時不會出現),使實際制圖增加了類型分辨難度;⑤一些分類系統與圖例系統混淆,圖例系統只適用于特定時空的分類系統,描述的類型是所有定義范圍的一部分或子集,存在適應性和推廣性的局限。

表 1 不同土地覆被分類系統中的森林定義Tab.1 Definition of forest in the classification system

隨著對全球化環境問題的研究日益受到重視,普適性的土地覆被分類系統顯得格外重要。全球陸地觀測系統(GTOS)及其全球森林和土地覆被動態觀測 (GOFC-GOLD)和全球土地覆被網絡 (GLCN)正在推進土地覆被分類系統與制圖的標準化,制定了兼容性強、具有可比性和標準化定義的 FAO LCCS分類系統[15],它獨立于應用目標、數據源、分類方法和制圖尺度,不足之處是對應用目標的擬合性比傳統分類系統差、制圖難度高。

2 分類算法與技術集成

遙感分類算法是土地覆被監測技術的核心,按用戶掌握的先驗知識,分為非監督和監督方法。監督分類應用較為廣泛,最近發展比較快的非線性分類器,有效地解決了光譜非正態分布的問題,如決策樹分類 (DTC)、支持向量機 (SVM)、人工神經網絡(ANN s)等分類器。DTC將一個復雜的分類問題簡化為一個回歸式和簡單的二分順行處理步驟[16],運算速度快、分類結果穩定,其不足之處是需要更多的樣本進行分析,決策樹在高維空間的效果不好,維數增加,分類精度會降低;SVM是建立在統計學習理論上的VC維理論和結構風險最小化原則的新型學習機器[17],已廣泛用于解決高維數據的監督分類問題;ANN s是通過訓練樣本獲得權值的分類方法,采用分布式存儲和并行處理,分類精度高,但對其規則的隱藏性難以進行解釋與表述[18],對于多類復雜的樣本訓練時間較長。

新型分類器在分類理論依據上已不斷完善,但在大范圍應用中仍然存在精度不高或者穩定性不足的問題,主要原因有:①過分依賴于樣本,樣本對總體的代表性是決定分類效果的重要因素,這主要取決于空間異質性、分類算法和技術集成能力,大范圍分類中的采樣往往存在代表性不夠的問題;目前還沒有提出有效的定量分類方法 (即完全不需要采樣,僅利用參數的反演和閾值的設定,通過專家系統實現土地覆被類型的劃分),因為劃分參數閾值的不穩定性,只有個別類型的劃分可以實現 (如植被指數 NDV I、水分指數 NDW I在植被與水體的劃分中比較穩定);②土地覆被類型的光譜混淆,有些地類本身由多個特征不同的部分組成,構成混合光譜與其他類型混淆;有些類型是由于環境變化 (如水分、養分、物候等)而產生的光譜混淆。隨著高光譜、多源遙感數據的應用,光譜混淆現象將會逐步減輕;但由于土地覆被類型的復雜性和多樣性,光譜混淆一直是困繞分類精度的難點。

分類算法的有效組織和技術集成可以改進分類效果。土地覆被監測技術基本上依賴于數據類型和采集方式,大體分為大尺度監測技術體系與小尺度監測技術體系。大尺度監測的優勢在于豐富的時間序列信息的利用,小尺度監測的優勢則在于發展空間模式的識別能力。

在大尺度監測中,通過時間序列數據增加影像的光譜信息,可彌補空間分辨率的不足,提高監測的精度。NDV I被認為是對 1 km尺度較為敏感的監測參數,而 Lam bin等[19]則認為用溫度和 NDV I比值時間序列能實現比只用 NDV I更穩定的分類。大范圍監測會受到云霧影響,每月 NDV I最大值合成(MVC)是去云的有效方法[20]。由于數據噪聲問題,通常采用 HANS平滑技術、多項擬合技術、偏態高斯函數[21]、Savitzky-Go lay濾波[22]和優化邏輯函數[23]去除噪聲和提取監測過程中的物候差異,利用年內月平均 NDV I變化波型可以減少物候的區域差異對地物判別的影響[24]。大尺度分類的突出問題是區域差異性形成的地帶性特征,分區、分層策略有利于分類精度的提高[25],但會產生人為硬性分層造成的空間邊界效應。

小尺度的監測技術主要為光譜特征參數提取方法和空間結構識別技術。空間分辨率的提高使目標的光譜純度提高、空間紋理特征更加明顯,有利于土地覆被的分類;而劃分類型的增多和時間序列的數據量減少,也增加了小尺度分類的難度。信息量不足造成“同譜異物”現象,增強信息量是技術發展的重要方向:①基于像元提高信息量的同源多期和多源復合技術。利用時相變化監測,地形、地溫環境參量分析[26]和 SAR的介電特性提高對森林、建筑物的結構和密度的識別能力[27],但 SAR的結構性特征也會混淆土地覆被類型 (如耕地田埂的方向性、土壤水分變化等),干擾分類效果;②基于空間結構識別的技術。空間紋理提取有利于分類精度的改善,通過移動矩陣內的空間統計,判斷中心像元的類別歸屬,有均值法、平均歐氏距離法 (M ED)、方差提取法 (VAR)、Kurtosis法 (KRT)、Isarithm法、半方差法、三角法和棱鏡法[28]等,這些方法適合于非均質結構的類型劃分;但因其基于像元分析,更多地考慮像元周邊的光譜特征,對目標整體的形狀及空間關系無法識別。面向對象技術是將像元聚類成多尺度的對象,在不同尺度上擬合土地覆被類型,通過對象內部的光譜、紋理、形狀和空間關系綜合判別目標,以提高分類精度[29];面向對象技術在高分辨率影像分類中更有意義[30],但由于對象具有明顯的區域性特征,該技術需要有更多的先驗專家知識才能發揮有效作用。

3 尺度效應和信息空間表達

監測尺度與土地覆被的應用目標相關,不同的尺度滿足不同監測目標的需要。從 1∶5 000比例尺到4 km格網的變化,隱含著不同土地覆被類型細節和特征:1∶5 000或更大比例尺的土地覆被監測強調地物的形狀與定位,適合城市土地覆被的調查,不僅能劃分更多的土地覆被類型,更重要的是能分辨出獨立的地物對象和個體;1∶1萬尺度的土地覆被監測體現了類型、結構、功能和布局,適合縣級部門的資源利用與環境管理;1∶5萬～1∶20萬的土地覆被監測主要體現土地覆被類型的面積與分布,可應用于國家、區域和部門管理,在科學研究方面可應用于水文過程、水土流失和生態系統演變研究等;1 km格網的土地覆被監測主要強調陸地下墊面的特征,適用于全球氣候變化研究和全球的資源評估;而在全球碳收支和生物量估算應用方面,4 km格網的土地覆被監測可滿足要求。隨著監測比例尺的提高,國家權益受到挑戰,數據共享就會存在問題。

空間尺度的變化影響土地覆被的特征表達和監測能力。對于空間結構單一、光譜范圍跨度小的土地覆被類型,土地覆被監測精度隨著空間尺度的加大而降低;對于結構復雜、光譜范圍跨度大的土地覆被類型,只在適合的尺度下才能得到理想的分類結果(如建設用地類型在 1 km格網尺度下的監測能力高于 30m格網尺度的監測能力[31])。地表覆蓋的空間結構特征也影響監測尺度的選取,土地覆被類型空間關系決定監測最小單元內地物的均質性(即混合像元問題),如果分類系統中主要類型有較多的異質性,則該尺度不適合土地覆被監測。人類活動頻繁、管理落后、地形復雜的地區往往形成土地覆被景觀格局的差異,如在我國第一、二個地貌臺階過渡地帶[32],土地覆被圖斑破碎,同樣的分類系統在其他地區為 1∶10萬,在該地區則需要提高到1∶5萬,以滿足那些因斑塊破碎化導致影像解析力降低的類型 (如旱地)的劃分。

4 分類精度及其不確定性

提高土地覆被的分類精度是土地覆被監測中需要解決的重要問題。分類精度受兩方面因素影響:數據固有的解析力 (解譯限度)和對目標的識別能力。數據解析力受數據來源、尺度、區域和類別的影響,對目標的識別能力則受采樣方法、分類算法和技術集成的影響。不同條件下監測精度差異很大,總體來說,大范圍的土地覆被監測精度的穩定性強,具有一定的代表性。目前,1 km格網尺度[33]、10～15個類別的土地覆被監測總體精度大約在 65%～75%,30m格網尺度、20～30個類別的土地覆被監測總體精度大約在 80%～85%(表 2)。

表 2 全球主要土地覆被分類精度統計Tab.2 Accuracies of ma in global land cover mapping

土地覆被監測的不確定性會降低監測的精度。具體表現在:①分類系統的設計影響分類精度,如涉及稀樹草地、疏林、濕地、混交林等空間及光譜異質性強的類型時,分類精度就會降低;而人工用地在粗一級的分類中精度較高,細化后的分類精度迅速降低,這是因為人工用地與其他地類的光譜差異大而內部的光譜異質性強,而植被類型細分后仍可保持較高的精度;②土地覆被類型的光譜混淆;③分類系統和采用的分類方法不匹配時會影響分類精度,如選擇最大似然率在城市土地覆被分類中會失效,而面向對象技術在城市分類中的效果會改善;④區域的景觀特征對分類也有影響,例如對我國西北地區的低生物量耕地、高緯度的闊葉林、溫帶農牧交錯地帶的地物類型識別能力差,分類效果不好;⑤影像的時相特征影響分類精度,如耕地、自然植被、水面的季節性變化會使各類別之間的光譜差異產生變化,特別是耕地的種植結構、耕犁方式、輪作方式的季節性特征的影響作用。在大尺度監測中,對植被的劃分通常采用年內最大植被指數提取的方法消除物候影響,或者采用氣候、生態分區的方法分別進行處理;⑥山區地形變化對光譜值的作用影響土地覆被的分類精度,特別在低太陽高度角或高坡度狀態下分類誤差更為明顯,地形光譜校正可消除部分影響[34]。

5 結論

土地覆被和土地利用是生態環境應用最廣泛的領域,也是遙感技術應用最早的領域之一。目前,土地覆被遙感監測技術已得到長足的發展:

(1)在分類系統方面,針對特定應用目標的土地覆被分類系統,對應用目標特征有較好的表達,但受目標和地域的局限性,缺少尺度轉換和空間的可比性;基于自然屬性的普適性土地覆被分類系統兼容性強,具有可比性和標準化定義,但對應用目標的擬合性和制圖、推廣能力較差。

(2)在分類技術方面,非線性的算法取得了顯著進步,精度逐步提高,存在的問題是過分依賴于樣本獲取,光譜混淆是困繞分類精度的難點。隨著高光譜和多源數據的應用,光譜混淆現象將會逐步減輕。

(3)不同尺度監測可滿足不同監測目標的需要,空間尺度的變化影響著土地覆被的特征表達和監測能力。

(4)目前,土地覆蓋分類精度仍然偏低,低分辨率土地覆蓋分類精度大約在 65%～75%,中分辨率分類精度大約在 80%～85%,這與土地覆被監測的復雜性和不確定性有關。

(5)隨著人工智能技術的發展,模仿目視判讀過程的綜合分析和邏輯思維的遙感圖像分析技術將是今后遙感影像分類的重要發展方向,如面向對象分類、決策樹等技術已逐步被接受。但地物光譜的不確定性仍然是阻礙分類技術發展的主要原因,“同物異譜”現象在短時間內很難解決,技術的集成是提高分類精度的重要手段。隨著傳感器技術不斷發展、分辨率不斷提高,特別是隨著大容量存儲介質的出現,高分辨率和高時頻遙感數據將有助于重新認識地物目標的光譜特征,改進分類方法,提高土地覆被分類的精度和應用水平。

[1] Bartholome’e A S,Belward.GLC2000:A New Approach to Global Land Cover Mapping from Earth Observation Data[J].International Journal of Remote Sensing,2005,26(9):1959-1977.

[2] 李秀彬.土地覆被變化的水文水資源效應研究——社會需求與科學問題[C]//全國土地覆被變化及其環境效應學術研討會議文集.北京:星球地圖出版社,2002:1-6.

[3] Herold M,Latham JS,Gregorio D,et al.Evolving Standards on Land Cover Characterization[J].J Land Use Sci,2006,1(2/4):157-168.

[4] Turner B L,Moss R H,Skole D L.Human Dimensions of Global Environmental Change Programme[R].HDPReport No.5,1993.

[5] Loveland T R,Reed B C.Development of A Global Land Cover Characteristics Database and IGBPD ISCover from 1 km AVHRR Data[J].International Journal of Remote Sensing,2000,21(6,7):1303-1330.

[6] Hansen M C,DeFries R S,Townshend J R G,et al.Global Land Cover Classification at1km Spatial Resolution Using a Classification Tree Approach[J].International Journal of Remote Sensing,2000(21):1331-1364.

[7] Friedl M A,M c Iver D K.Global Land Cover Mapping from MOD IS:Algorithm sand Early Results[J].Remote Sensing of Environment,2002(83):287-302.

[8] Mayaux P,Strahler A,Eva H,et al.Validation of the Global Land Cover2000M ap[J].IEEE Trans Geosci Remote Sens,2006,44(7):1728-1739.

[9] Churkina G,Tenhunen J,Thornton P E,et al.Analyzing the Ecosystem Carbon Dynamics of Four European Coniferous Forest Using A Biogeochemistry Model[J].Ecosystem s,2003(6):168-184.

[10]Krinner G,Viovy N,de Noblet-Ducoudré N,et al.A Dynamic Global Vegetation Model for Studies of the Coup led At mospherebiosphere System[J].Global Biogeochemical Cycles,2005,19(1):1-44.

[11]Sitch S,Smith B,Prentice IC,et al.Evaluation of Ecosystem Dynamics,Plant Geography and Terrestrial Carbon Cycling in the LPJ Dynamic Global Vegetation Model[J].Global Change Biology,2003(9):161-185.

[12]L iu S,Loveland T R,Kurtz RM.Contemporary Carbon Dynamics in Terrestrial Ecosystem s in the Sou theastern Plains of the United States[J].Environmental Management,2004(33):442-456.

[13]Samaniego L,Bardossy A.Simulation of the Impacts of Land Use/cover and Climatic Changes on the Runoff Characteristics at the Mesoscale[J].Ecological Modelling,2006(196):45-61.

[14]Verbunta M,Zwaaftink M G,Gurtz J.The Hydrologic Impact of Land Cover Changes and Hydropower Stations in the Alpine Rhine Basin[J].Ecological Modelling,2005(187):71-84.

[15]Gregorio D A.Land Cover Classification System-C lassification Concepts and User Manual for Software Version 2[M].Rome:FAO Environment and Natural Resources Service Series,No.8,2005.

[16]Breiman L,Friedman JH,Olshend R A,et al.Classification and Regression Trees[M].CA:Wadsworth,Monterey,1984.

[17]Vapnik V.The Nature of Statistical Learning Theory[M].New York:Sp ringer-Verlag,1995.

[18]Mahesh P,Paul M,Mather.An Assessment of the Effectiveness of Decision Tree Methods for Land Cover Classification[J].Remote Sensing of Environment,2003(86):554-565.

[19]Lambin E F,Ehrlich D.The Surface Temperature-vegetation Index Space for Land Cover and Land-cover Change Analysis[J].International Journal of Remote Sensing,1996,17(3):463-87.

[20]Holbert B.Characteristics of Maxim um-value Composite Images from Multitemporal AVHRR Data[J].International Journal of Remote Sensing,1986(7):1417-1431.

[21]Latifovica R,Zhu ZL,Cihlar J,et al.Land Cover Mapping of North and Central America—Global Land Cover2000[J].Remote Sensing of Environment,2004(89):116-127.

[22]Jonsson P,Eklundh L.Seasonality Extraction by Function Fitting to Time-series of Satellite Sensor Data[J].IEEE Transactions on Geoscience and Remote Sensing,2002(40):1824-1832.

[23]Chen J,J?nsson P,Masayuki T,et al.A Simple Method for Reconstructing A High-quality NDVI Time-series Data Set Based on the Savitzky-Golay Filter[J].Remote Sensing of Environment,2004(91):332-344.

[24]Zhang X Y,Fried lM A,Schaaf C B,et al.Monitoring Vegetation Pheno logy U sing MOD IS[J].Remote Sensing of Environment,2003(84):471-475.

[25]Young SS.Land-cover Change Analysis of China Using Globalscale Pathfinder AVHRR Landcover(PAL)Data1982-92[J].Int J Remote Sensing,2001,22(8):1457-1477.

[26]Liu J Y,Zhuang D F,Luo D,et al.Land-cover Classification of China:Integrated Analysis of AVHRR Imagery and Geophysical Data[J].Int J Remote Sensing,2003,24(12):2485-2500.

[27]Homer C,Dewitz J,Fry J,et al.Completion of the 2001 National Land Cover Database for the Conterminous United States[J].Photogrammetric Engineering&Remote Sensing,2007,73(4):338-341.

[28]Nathaniel D H,Barry N H,Elizabeth S.An Evaluation of Radar Texture for Land Use/Cover Extraction in Varied Landscapes[J].International Journal of Applied Earth Observation and Geoinformation,2004(5):113-128.

[29]Myint SW.Fractal Approaches in Texture Analysis and Classification of Remotely Sensed Data:Comparisons with Spatial Autocorrelation Techniques and Simple Descriptive Statistics[J].International Journal of Remote Sensing,2003,24(9):1925-1947.

[30]錢巧靜,謝 瑞,張 磊,等.面向對象的土地覆被住處提取方法研究[J].遙感技術與應用,2005,20(3):338-342.

[31]Walker J S,Blaschke T.Object-based Land-cover Classification for the Phoenix Metropolitan Area:Optimization vs.Transportability[J].International Journal of Remote Sensing,2008,29(7):2021-2040.

[32]Raptisa V S,Vaughana R A,Wright G G.The Effect of Scaling on Landcover Classification from Satellite Data[J].Computers&Geosciences, 2003(29):705-714.

[33]劉明亮,唐先明,劉紀遠,等.基于 1 km格網的空間數據尺度效應研究[J].遙感學報,2001,5(3):183-190.

[34]Gu D,Gillespie A.Topographic Normalization of Landsat TM Images of Forest Based on Subpixel Sun—Canopy—Sensor Geometry[J].Remote Sensing Environment,1998(64):166-175.

(責任編輯:劉心季)

A Discussion on Land Cover Mapping

ZHANG Lei,WU Bing-fang
(Institute of Remote Sensing Applications CAS,Beijing 100101,China)

This paper has dealt with some key problems existent in land cover mapping and analyzed objective adaptability of the classification system,which include the impacts of land cover definition uncertainty on classification effects,the features and adaptability of the classification algorithms,the gap and effects of fine and coarse scale monitoring techniques,the capability of land cover scaling for application,the scaling effects on classification,the procedures,problems and solutions of the classification system of land cover,the classification algorithm and its accuracy assessment,and the factors and solutions of accuracy and errors of the current monitoring system s.

Land cover;Classification algorithm;Monitoring technology

張 磊 (1965-),男,理學碩士,副研究員,現主要從事土地覆被與生態環境遙感研究,已發表論文 10余篇。

TP 79

A

1001-070X(2011)01-0015-06

2010-06-18;

2010-08-13

中國科學院知識創新工程重大項目“重大工程生態環境效應遙感監測與評估”(編號:KZCX1-YW-08)資助。