面向?qū)ο蟮母叻直媛蔬b感影像濕地信息分層提取

朱長(zhǎng)明，李均力，張 新，駱劍承

(1.江蘇師范大學(xué)城市與環(huán)境學(xué)院，江蘇徐州 221116；2.中國(guó)科學(xué)院新疆生態(tài)與地理研究所，新疆烏魯木齊 830011；3.中國(guó)科學(xué)院遙感與數(shù)字地球研究所，北京 100101）

面向?qū)ο蟮母叻直媛蔬b感影像濕地信息分層提取

朱長(zhǎng)明1，2，李均力2，張 新3，駱劍承3

(1.江蘇師范大學(xué)城市與環(huán)境學(xué)院，江蘇徐州 221116；2.中國(guó)科學(xué)院新疆生態(tài)與地理研究所，新疆烏魯木齊 830011；3.中國(guó)科學(xué)院遙感與數(shù)字地球研究所，北京 100101）

一、引 言

由于區(qū)域地理環(huán)境復(fù)雜、通達(dá)性差等原因，遙感技術(shù)一開始在濕地調(diào)查研究中得到了廣泛的應(yīng)用[1]。濕地研究98%的數(shù)據(jù)是利用遙感和現(xiàn)有圖件獲取地表濕地景觀信息[2]。縱觀現(xiàn)有的濕地遙感監(jiān)測(cè)研究，主要集中在濕地遙感資源調(diào)查與制圖和濕地遙感分類與變化檢測(cè)兩大方面。而就濕地遙感信息分類方法來說，自動(dòng)化、智能化一直是研究者追求的目標(biāo)。隨著計(jì)算機(jī)和模式識(shí)別技術(shù)的發(fā)展，在自動(dòng)化和智能化信息提取方面，各種新理論、新方法相繼涌現(xiàn)，如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、知識(shí)發(fā)現(xiàn)、決策樹、規(guī)則集等，并成功地應(yīng)用于濕地分類研究。如文獻(xiàn)[3]將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到濕地的自動(dòng)提取；文獻(xiàn)[4]運(yùn)用基于規(guī)則的濕地分類；文獻(xiàn)[5]基于ETM＋和SPOT 5影像，采用決策樹法提取了濕地；文獻(xiàn)[6]利用專家系統(tǒng)方法對(duì)珠江口紅樹林濕地的變化等情況進(jìn)行了監(jiān)測(cè)；文獻(xiàn)[7]提出了基于粗糙集理論的濕地遙感信息自動(dòng)監(jiān)測(cè)方法。但是以上大部分濕地遙感信息智能提取和目標(biāo)識(shí)別還是從像元特征提取角度進(jìn)行方法設(shè)計(jì)，是一種基于像元操作層次上的圖像信息提取，能夠描述與提取的特征信息非常有限。

近年來，國(guó)內(nèi)外對(duì)于面向?qū)ο?object-oriented，又稱per-parcel或per-field）的遙感影像處理與分析方式日益受到關(guān)注[8-9]。尤其是德國(guó)Definiens Imaging公司研發(fā)的面向?qū)ο蟮倪b感信息提取軟件eCognition，已經(jīng)采用了面向?qū)ο蠛湍：?guī)則的處理與分析技術(shù)，并成功將其投入廣泛的商業(yè)運(yùn)用，開創(chuàng)了基于對(duì)象遙感信息提取的新時(shí)代。國(guó)內(nèi)外學(xué)者已經(jīng)開始探索和研究將面向?qū)ο蠹夹g(shù)應(yīng)用于遙感信息提取和分類。如文獻(xiàn)[10]率先提出基于對(duì)象的遙感圖像分類方法；文獻(xiàn)[11]利用基于對(duì)象的模糊分類器組合，成功地實(shí)現(xiàn)了從IKONOS影像上提取城市區(qū)域；文獻(xiàn)[12]完成了面向?qū)ο蠛鸵?guī)則的北京市土地利用遙感影像分類研究。在濕地信息遙感提取方面，文獻(xiàn)[13]提出基于對(duì)象和輔助DEM的濕地提取；文獻(xiàn)[14]采用面向?qū)ο蠓椒ㄍ瓿闪送赀_(dá)山以北的濕地遙感分類；文獻(xiàn)[15]利用面向?qū)ο蠓椒ㄌ崛竦匦畔ⅲ晃墨I(xiàn)[16]通過面向?qū)ο蠹夹g(shù)完成了杭州灣南岸的濕地信息遙感監(jiān)測(cè)。

從面向?qū)ο笥跋穹治隹梢园l(fā)現(xiàn)，面向?qū)ο蟮倪b感信息提取可以更好地融入其他特征知識(shí)。其核心在于針對(duì)不同的目標(biāo)地物和研究區(qū)，發(fā)掘更多有效的特征信息，構(gòu)建科學(xué)合理的特征規(guī)則集。本文以瑪納斯國(guó)家濕地公園規(guī)劃區(qū)為研究區(qū)域，采用高空間分辨率的快鳥(QuickBird）影像為數(shù)據(jù)源，應(yīng)用面向?qū)ο蟮倪b感分類技術(shù)，通過多尺度分割，實(shí)現(xiàn)影像像元到特征基元的轉(zhuǎn)換，計(jì)算基元對(duì)象的屬性特征，分析不同類型濕地基元對(duì)象之間的空間關(guān)系和特征屬性，采用分層分類、由易到難、逐層構(gòu)建規(guī)則集，實(shí)現(xiàn)高分辨率遙感影像濕地信息的自動(dòng)提取。試驗(yàn)結(jié)果表明，該方法能夠快速實(shí)現(xiàn)區(qū)域范圍內(nèi)濕地信息的自動(dòng)識(shí)別和快速提取，總體分類精度達(dá)到了87.5%，Kappa系數(shù)超過0.83，基本滿足應(yīng)用的需求，為研究區(qū)的濕地景觀遙感動(dòng)態(tài)監(jiān)測(cè)研究奠定了基礎(chǔ)。

二、試驗(yàn)區(qū)與數(shù)據(jù)源

1.研究區(qū)概況

瑪納斯國(guó)家濕地公園規(guī)劃區(qū)地處新疆腹地，位于瑪納斯縣中部(85°50′E―86°30′E，43°50′N―44°50′N），以?shī)A河子水庫(kù)、大海子水庫(kù)、新戶平水庫(kù)三大水庫(kù)為主，包括周邊地區(qū)，如大灣子水庫(kù)、下橋子三村水庫(kù)等小型水庫(kù)和瑪納斯河故道部分區(qū)域，如圖1所示。規(guī)劃區(qū)面積為81.6 km2，其中濕地面積68.38 km2。地勢(shì)南高北地，天山冰川雪水從自南向北奔騰而下，水量豐富、水域遼闊、灘涂廣袤、池塘眾多、濕地資源豐富，是中亞到印度半島的候鳥遷徙交通要道。根據(jù)國(guó)際《濕地公約》的定義，該區(qū)域內(nèi)濕地類型主要有：水庫(kù)、坑塘(魚塘）、蘆葦沼澤、河道水系及人工溝渠等5個(gè)亞類。

圖1 研究區(qū)位置

2.數(shù)據(jù)選擇及預(yù)處理

本文使用的試驗(yàn)數(shù)據(jù)有快鳥(QuickBird）高空間分辨率衛(wèi)星遙感影像、高程數(shù)據(jù)為30 m的ASTER DEM和輔助數(shù)據(jù)，以及研究區(qū)1∶10萬土地利用現(xiàn)狀圖。其中QuickBird影像的空間分辨率全色波段星下點(diǎn)最高達(dá)到0.61 m，多光譜為2.44 m，多光譜光譜波段設(shè)置有藍(lán)、綠、紅和近紅外。在此衛(wèi)星遙感影像上，各種類型的濕地可目視識(shí)別，空間紋理清晰，是濕地信息高分辨率衛(wèi)星遙感監(jiān)測(cè)有效的數(shù)據(jù)源。由于QuickBird影像已經(jīng)具有地理坐標(biāo)信息，經(jīng)輻射校正，只需要統(tǒng)一空間坐標(biāo)系統(tǒng)。考慮到提取結(jié)果的面積統(tǒng)計(jì)計(jì)算，文中將空間參考統(tǒng)一轉(zhuǎn)換到Albert等面積圓錐投影。

三、研究方法

基于面向?qū)ο蟮母叻直媛视跋駶竦匦畔⒎謱犹崛。麄€(gè)流程包括數(shù)據(jù)處理、影像分割、特征計(jì)算，空間關(guān)系分析與特征表達(dá)、規(guī)則集構(gòu)建、對(duì)象分類、類型合并、結(jié)果輸出，如圖2所示。其中影像分割、空間關(guān)系分析和規(guī)則集構(gòu)建是核心部分。

圖2 總體流程圖

1.影像多尺度分割

高分辨率遙感影像多尺度分割是面向?qū)ο笮畔⑻崛〉那疤峄A(chǔ)。通過多尺度分割，將空間分布上相同和相似的像元聚類成為一個(gè)目標(biāo)體，實(shí)現(xiàn)影像像元向目標(biāo)基元的轉(zhuǎn)換。整個(gè)分割過程需要人工干預(yù)的是最佳尺度選擇和最優(yōu)分割參數(shù)。由于地理實(shí)體的格局普遍存在尺度依賴性，因此針對(duì)特定的地物目標(biāo)選擇一個(gè)最優(yōu)分割尺度，才能正確地反映其空間分布結(jié)構(gòu)特性，這是遙感影像多尺度分割的關(guān)鍵[17]。由于研究區(qū)存在多種地物目標(biāo)，文中通過多次試驗(yàn)，最終確定了50和30兩個(gè)尺度。分割的參數(shù)光譜緊致度選擇為0.7，形狀指數(shù)選擇為0.3，這樣的分割參數(shù)設(shè)置偏重對(duì)光譜的依賴，對(duì)于線性目標(biāo)河道分割效果最好。在50尺度上，主要提取地物、湖泊和水庫(kù)，而在30的尺度上提取沼澤和河道等細(xì)小的目標(biāo)。在以上參數(shù)設(shè)置下分割后的對(duì)象內(nèi)部同質(zhì)性較高，邊界輪廓較為清晰，具有較好的可分離性與代表性，如圖3所示。

2.空間關(guān)系分析

空間分布(依賴）關(guān)系則是反映地物分異的另一重要特征，分層分類方法是揭示地物區(qū)域結(jié)構(gòu)分布規(guī)律的重要地學(xué)分析方法。在干旱區(qū)流域水體(湖泊、河流）、沼澤、綠洲(草地）、沙漠、高山等地表景觀，以水體為中心，景觀格局呈現(xiàn)“圈層”結(jié)構(gòu)，形成干旱區(qū)特有的景觀依存格局和分異規(guī)律，如圖4所示。水體的分布同濕地的分布在空間關(guān)系上必定存在空間相近、空間相鄰、空間包含。按總體結(jié)構(gòu)特征對(duì)每一層次定義一定的空間尺度，逐步融合不同類型空間分布知識(shí)并設(shè)計(jì)相應(yīng)的分類決策規(guī)則，從而實(shí)現(xiàn)對(duì)影像中的地物單元從粗到細(xì)的逐層判別分類和提取。結(jié)合研究區(qū)實(shí)際情況，在分層提取時(shí)，首先提取開放性水域，再提取鄰水的沼澤，然后提取離水沼澤，最后根據(jù)空間、形狀、大小等特征，將水庫(kù)、坑塘和河道等分開。

圖3 遙感影像多尺度分割

圖4 流域地表景觀格局概念圖

3.規(guī)則集構(gòu)建

文中根據(jù)景觀分異的模式，對(duì)濕地景觀景物總體結(jié)構(gòu)進(jìn)行逐級(jí)分層次分析，并在以上景觀格局依存規(guī)律指導(dǎo)下，提出了多特征融合的區(qū)域濕地分層提取方法。通過逐層構(gòu)建規(guī)則集，融入空間特征和專家知識(shí)，實(shí)現(xiàn)流域濕地景觀自動(dòng)監(jiān)測(cè)，具體技術(shù)流程如圖5所示。

圖5 干旱區(qū)濕地信息提取分層分類流程圖

第一，在選擇緊致度compactness為0.7，形狀指數(shù)shape為0.3的基礎(chǔ)上，分別在50和30的尺度上，完成影像的多尺度分割，實(shí)現(xiàn)像元到基元的轉(zhuǎn)換，并計(jì)算相關(guān)空間和屬性特征。第二，構(gòu)建歸一化水體指數(shù)NDWI和灰度共生矩陣GLCM，通過NDWI＞0.1和GLCM＞0.05，提取出可能是水的基元；進(jìn)一步根據(jù)坡度slope＜0.1和面積area＞100，判斷出開放性水域，通過基元合并，實(shí)現(xiàn)水體提取。第三，在鄰水沼澤層，以開放性水體為重要的參考地物，通過地表濕度因子反演和空間關(guān)系分析，具體判別規(guī)則為距離水邊的距離，即border to water＜0、光譜均值mean＜80和濕度指數(shù)wetness＞0，以實(shí)現(xiàn)河流和湖泊沼澤的識(shí)別。第四，對(duì)于一些獨(dú)立單元的沼澤，根據(jù)紋理(GLCM＜0.2）、濕度(wetness＞0）、光譜指數(shù)(亮度較暗brightness＜0）以及空間關(guān)系特征(border to water＜5），識(shí)別出可能存在的沼澤地。第五，在水體層，通過對(duì)象合并，根據(jù)水域面積的大小，可分為水庫(kù)和坑塘；而對(duì)于一些小的水域，依據(jù)對(duì)象的長(zhǎng)寬比(length/width＞2.5）和已有的土地利用圖中的河道空間位置信息疊加分析(overlay＞0），以及上文提出的河流、湖泊(坑塘）提取屬性特征以及空間形態(tài)知識(shí)，實(shí)現(xiàn)坑塘和河流的提取。第六，相同類別基元對(duì)象合并，導(dǎo)出分類結(jié)果。至此完成了流域水庫(kù)、坑塘、河道、沼澤等類型濕地的提取。

四、結(jié)果與分析

1.試驗(yàn)結(jié)果

按照上述的流程步驟，試驗(yàn)結(jié)果如圖6所示。圖6(a）為研究區(qū)的真彩色遙感影像鑲嵌圖，圖6(b）為濕地遙感監(jiān)測(cè)的結(jié)果圖。通過遙感分類結(jié)果圖和真彩色遙感影像對(duì)比可以看出，面向?qū)ο蟮膮^(qū)域濕地分層提取，基本上實(shí)現(xiàn)了流域范圍內(nèi)的水庫(kù)、河道、湖泊坑塘以及沼澤等濕地類型的自動(dòng)提取。

圖6 面向?qū)ο鬂竦靥崛〗Y(jié)果

2.精度分析

如果要進(jìn)一步驗(yàn)證算法精度和有效性，評(píng)價(jià)結(jié)果必須客觀可信。文中通過選取隨機(jī)樣本和目視解譯相結(jié)合的方法，在試驗(yàn)區(qū)通過遙感詳細(xì)目視解譯，獲取研究區(qū)的濕地景觀遙感分類圖。通過在每個(gè)類別中隨機(jī)設(shè)置100個(gè)隨機(jī)點(diǎn)，結(jié)合分類影像，統(tǒng)計(jì)誤差混淆矩陣、總體精度和生產(chǎn)者精度，見表1。

從誤差混淆矩陣可以看出，面向?qū)ο蟮姆謱訚竦匦畔⑻崛∷惴ǎ瑢?duì)于瑪納斯?jié)竦毓珗@區(qū)的遙感監(jiān)測(cè)取得了非常理想的效果，用戶精度和制圖精度(生產(chǎn)者精度）最低都達(dá)到了80%以上。尤其是對(duì)于水庫(kù)和坑塘的識(shí)別，用戶精度分別為98.97%、87.62%，制圖精度分別為96%、87%。總體分類精度達(dá)到了87.5%，Kappa系數(shù)為0.833。這個(gè)精度基本可以滿足自動(dòng)分類的應(yīng)用精度要求[18]。在制圖精度上，精度最高的是水庫(kù)，其次是坑塘，然后是沼澤，精度最低的是河道。沼澤的生產(chǎn)者精度主要受到離水沼澤影響，判斷的精度有所降低；而和水域相鄰的沼澤區(qū)域基本可以精確提取。對(duì)于河道而言，一方面寬度較窄；另一方面一些河道被誤判為坑塘和沼澤，影響了整體制圖精度。總之，通過面向?qū)ο蟮姆謱犹崛『涂臻g關(guān)系的融入，對(duì)區(qū)域濕地信息遙感自動(dòng)提取獲得了較為滿意的結(jié)果。

表1 濕地自動(dòng)分類精度評(píng)價(jià)表

五、結(jié)束語

通過遙感技術(shù)手段實(shí)時(shí)地獲取區(qū)域濕地信息，是濕地資源管理與規(guī)劃和濕地生態(tài)保護(hù)的基礎(chǔ)和依據(jù)。本文針對(duì)像素級(jí)濕地遙感信息智能提取過程中，對(duì)于空間特征信息應(yīng)用得較少，自動(dòng)化監(jiān)測(cè)程度難以進(jìn)一步提高等問題，分析了濕地在遙感圖像上的光譜和空間特征，嘗試在面向?qū)ο蠹夹g(shù)的支持下，通過空間關(guān)系的融入，實(shí)現(xiàn)多特征融合的濕地信息分層提取。同傳統(tǒng)的智能提取算法不同，面向?qū)ο蟮臐竦胤謱臃诸愂且环N決策樹分類，分類結(jié)果的好壞取決于決策樹規(guī)則集的構(gòu)建，整個(gè)分類過程人為控制因素較多，分類結(jié)果可控。利用分層分類思想，通過逐層下剝和逐步設(shè)置規(guī)則條件，得到了最優(yōu)信息提取結(jié)果。研究得到以下結(jié)論：

1）面向?qū)ο蟮倪b感信息提取，其處理的對(duì)象從影像像元的像素層次過渡到了特征基元的對(duì)象層次，它更接近觀測(cè)數(shù)據(jù)的思維邏輯，可以參與后續(xù)分析的特征數(shù)量上遠(yuǎn)較前者豐富，因此也更易于地學(xué)知識(shí)融合。

2）對(duì)象級(jí)分類構(gòu)建的算法規(guī)則集可移植、可擴(kuò)展，結(jié)構(gòu)靈活，有利于專家知識(shí)的融入，整個(gè)提取過程可控；另外，避免了像素級(jí)計(jì)算中的“椒鹽”或“毛刺”現(xiàn)象，為后處理制圖編輯工作減少了很多工作量。

3）空間特征信息(如空間關(guān)系、空間位置等）是重要的地理特征信息，它與光譜特征信息相輔相成。本文通過空間關(guān)系特征知識(shí)的融入，在沼澤濕地信息對(duì)象級(jí)提取中發(fā)揮了重要的作用。這對(duì)于光譜特征復(fù)雜多變的地物信息提取可提供借鑒。

但是，本研究在多特征信息融合的濕地信息提取上還處于初步階段，空間特征的使用上應(yīng)用較多的是空間分布特征、空間位置信息及專家知識(shí)等。如何發(fā)現(xiàn)更多有效的特征和規(guī)則集，融入更多的專家知識(shí)，完善并發(fā)展針對(duì)特定類型濕地的地物目標(biāo)對(duì)象化分析方法，構(gòu)建適應(yīng)區(qū)域特點(diǎn)的濕地專題信息自動(dòng)提取模型，還有待于進(jìn)一步深入研究。

[1]KUZILA M S，RNNDQUIST D C，GREEN J A.Methods for Estimating Wetland Loss：The Rainbasin Region of Nebraska，1927―1981[J].Journal of Soil and Water Conservation，1991，46(6）：441-446.

[2]劉紅玉，李玉鳳，曹曉，等.我國(guó)濕地景觀研究現(xiàn)狀、存在問題和發(fā)展方向[J].地理學(xué)報(bào)，2009，64(11）：1394-1401.

[3]AUGUSTEIJN M F，WARRENDER C E.Wetland Classification Using Optical and Radar Data and Neural Network Classification[J].International Journal of Remote Sensing，1998，19(8）：1545-1560.

[4]LUNETTA R S，BALOGH M E.Application of Multi-Temporal Landsat5 TM Imagery for Wetland Identification[J].Photogrammetric Engineering and Remote Sensing，1999，65(11）：1303-1310.

[5]PHILLIPS R L，BEERI O，DEKEYSER E S.Remote Wetland Assessment for Missouri Coteau Prairie Glacial Basins[J].Wetlands，2005，25(2）：335-349.

[6]黎夏，劉凱，王樹功.珠江口紅樹林濕地演變及遙感定量分析[J].地理學(xué)報(bào)，2006，61(1）：26-35.

[7]張樹清.3S支持下的中國(guó)典型沼澤濕地景觀時(shí)空動(dòng)態(tài)變化研究[M].長(zhǎng)春：吉林大學(xué)出版社，2008.

[8]BLASCHKE T，HAY G J.Object-oriented Image Analysis and Scale-space：Theory and Methods for Modeling and Evaluating Multiscale Landscape Structures[C]∥Proceedings of the International Archives of Photogrammetry and Remote Sensing.Georgia：University of Georgia，2001.

[9]BENZ U C，HOFMANN P，WILLHAUCK G，et al.Multiresolution，Object-oriented Fuzzy Analysis of Remote Sensing Data for GIS-ready Information[J].ISPRS Journal of Photogrammetry＆Remote Sensing，2004，58(3-4）：239-258.

[10]BLASCHKE T，LANG S，LORUP E，et al.Object-oriented Image Processing in An Integrated GIS/Remote Sensing Environment and Perspectives for Environmental Applications[C]∥Environmental Information for Planning，Politics and the Public.Marburg：Metropolis Verlag，2000.

[11]SHACKELFORD A K，DAVIS C H.A Hierarchical Fuzzy Classification Approach for High-resolution Multispectral Data over Urban Areas[J].IEEE Transactions on Geoscience and Remote Sensing，2003，41(9）：1920-1932.

[12]陳云浩，馮通，史培軍，等.基于面向?qū)ο蟮暮鸵?guī)則的遙感影像分類研究[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2006，31(4）：316-320.

[13]鄭麗娟，李小娟，胡德勇，等.基于對(duì)象和輔助DEM的濕地信息提取―――以洪澤湖濕地為例[J].遙感技術(shù)與應(yīng)用，2009，24(3）：346-351.

[14]謝靜，王宗明，毛德華，等.基于面向?qū)ο蠓椒ê投鄷r(shí)相HJ-1影像的濕地遙感分類―――完達(dá)山以北三江平原為例[J].濕地科學(xué)，2012，10(4）：429-438.

[15]孫永軍，童慶喜，秦其明.利用面向?qū)ο蠓椒ㄌ崛竦匦畔J].國(guó)土資源遙感，2008(1）：79-82.

[16]莫麗江，曹宇，胡遠(yuǎn)滿，等.面向?qū)ο蟮臐竦鼐坝^遙感分類―――以杭州灣南岸地區(qū)為例[J].濕地科學(xué)，2012，10(1）：206-214.

[17]明冬萍，王群，楊建宇.遙感影像空間尺度特性與最佳空間分辨率選擇[J].遙感學(xué)報(bào)，2008，12(4）：529-538.

[18]JANSSEN L F，VANDERWEL F J M.Accuracy Assessment of Satellite Derived Land-cover Data：A Review [J].Photogrammetric Engineering＆Remote Sensing，1994，60(4）：410-432.

Wetlands Information Automatic Extraction from High Resolution Remote Sensing Imagery Based on Object-oriented Technology

ZHU Changming，LI Junli，ZHANG Xin，LUO Jiancheng

因濕地的類型多樣和光譜特征的不確定性，其在高分辨率遙感影像上可人工目視解譯，卻難以自動(dòng)化判讀。本文在面向?qū)ο蠹夹g(shù)支持下，提出多特征融合的高分辨率遙感影像濕地信息分層提取。該方法首先通過面向?qū)ο蠓指罴夹g(shù)轉(zhuǎn)像元為基元，實(shí)現(xiàn)光譜相似像元的聚類；然后分析濕地景觀格局依存關(guān)系和不同類型濕地提取的難易程度，確定提取的先后順序；再挖掘不同類型濕地的地物光譜、空間形態(tài)、空間分布和空間關(guān)系等多種屬性特征；最后通過分層分類、由易到難構(gòu)建規(guī)則集，逐層融入空間知識(shí)，實(shí)現(xiàn)高分辨率遙感影像濕地信息自動(dòng)監(jiān)測(cè)。試驗(yàn)通過高空間分辨率衛(wèi)星數(shù)據(jù)對(duì)瑪納斯國(guó)家濕地公園區(qū)進(jìn)行遙感監(jiān)測(cè)，結(jié)果表明，該方法能夠快速實(shí)現(xiàn)區(qū)域范圍內(nèi)濕地信息的自動(dòng)識(shí)別和快速提取，總體分類精度達(dá)到了87.5%，Kappa系數(shù)超過0.83，基本滿足應(yīng)用的需求，可為應(yīng)用提供技術(shù)參考。

濕地信息；高分辨率遙感；自動(dòng)監(jiān)測(cè)；面向?qū)ο?/p>

P237

B

0494-0911(2014）10-0023-06

2013-08-29

國(guó)家自然科學(xué)基金( 41201460； 41101041；61074132）；國(guó)際科技合作項(xiàng)目(2010DFA92720）；水利部公益性行業(yè)科研專項(xiàng)(201201092）

朱長(zhǎng)明(1983―），男，安徽廬江人，博士，助理研究員，主要從事遙感信息智能提取及濕地生態(tài)環(huán)境遙感研究等。

朱長(zhǎng)明，李均力，張新，等.面向?qū)ο蟮母叻直媛蔬b感影像濕地信息分層提取[J].測(cè)繪通報(bào)，2014(10）：23-28.

10.13474/j.cnki. 11-2246.2014.0320