珠海一號高光譜影像在黃土高原大型煤礦區分類中的應用

王宏宇,周偉,2,3*,官炎俊,胡文琛

珠海一號高光譜影像在黃土高原大型煤礦區分類中的應用

王宏宇1,周偉1,2,3*,官炎俊1,胡文琛1

1. 中國地質大學（北京）土地科學技術學院, 北京 100083 2. 自然資源部土地整治重點實驗室, 北京 100035 3. 自然資源部礦區生態修復工程技術創新中心, 北京 100083

本文選取珠海一號影像數據，以哨兵二號數據為參考，將平朔礦區按權屬劃分五個子研究區，采用面向對象結合最鄰近特征的分類方法，融合光譜特征、紋理特征、植被指數等特征因子，對珠海一號礦區土地利用分類精度進行評價。研究結果表明：(1)珠海一號分類總體精度為78.87%，Kappa系數為0.7285；哨兵二號分類總體精度為78.38%，Kappa系數為0.7203，珠海一號分類精度略高于哨兵二號；(2)部分耕地、草地、裸地產生誤分，可能由于選取影像成像時間過晚地物特征相似導致。總體來說，珠海一號高光譜數據光譜及空間分辨率高，具有應用于礦區生態監測、復墾區植被演替特征等研究的潛力。

珠海一號;高光譜遙感; 礦區分類

礦區土地復墾效果監測的首要任務是獲取礦區植被及土地類型信息，傳統人工野外調查手段獲取大面積礦區信息耗時耗力，而遙感技術憑借其成本低、時效性高的優勢特點，在礦區生態領域中得到廣泛重視[1]。當前，遙感技術在礦區生態環境監測的應用主要包括礦區土地類型識別與分類[2]、植被類型演化及退化監測[3]、土壤水分養分及重金屬污染監測[4]、地表沉降水體監測[5]、大氣污染反演監測[6]、生態系統多樣性監測[7]等，監測效果的優劣與良好的數據質量和合適的技術方法息息相關。

近年來，Sentinel-2作為開源多光譜影像的代表已經得到廣泛應用，其在進行礦區植被和生態監測[8]，農業資源動態監測[9]，作物、森林、天然草原和其他植被區域的廣泛物候研究[10]，土地覆被分類[11]等方面的應用價值已得到充分驗證。但是目前關于珠海一號、高分五號等高光譜衛星在礦區遙感監測的應用研究還較少。高光譜遙感光譜波段多，對小區域目標識別的精準度高，并且高光譜遙感的監測普及和商業化應用也為露天礦的精準識別和系統研究提供了扎實的數據基礎。

在土地類型識別與分類中主要應用技術包括基于像元分類[12]、面向對象分類[13]及深度學習分類[14]。分類算法可以使用無監督和監督算法，無監督分類是一種以不同地物在特征空間中類別特征的差別為依據的無先驗的圖像分類[15]；監督算法使用訓練樣本進行分類，訓練樣本由用戶根據經驗或實地調查選取，人為決策直接參與決定訓練數據并影響最終結果[16]，與無監督分類相比，監督算法準確性普遍較高。

平朔礦區位于黃土高原生態脆弱區，經過三十多年高強度開采，不僅引發了一系列環境問題，同時存在誘發地質災害、生態退化和景觀破壞設施等風險[17]。經過一代代人多年的實踐，礦區生態恢復已取得一定的成效，后續進行礦區生態環境監測及時發現礦區生態變化區域尤為重要[18]。本文以山西省朔州市平朔礦區為研究區，選取珠海一號高光譜數據和哨兵二號多光譜數據，進行礦區土地利用類型識別分類并比較分類精度，探究珠海一號高光譜數據在地物分類及未來進行生態系統多樣性監測的潛力，為礦區環境動態監測提供一種新的思路。

1 數據來源及研究方法

1.1 研究區概況

平朔礦區位于山西省北部朔州市境內，地處黃土高原東部；平朔露天煤礦是中國最大的露天煤礦區，覆蓋了安太堡、安家嶺和東露天礦；礦區長23 km，寬22 km，勘探面積380 km2，已探明地質儲量1.275×1010t。研究區如圖1所示，總面積38315 hm2，地理坐標為東經112°10′～112°30′，北緯39°23′～39°37′，海拔高度為1200～1600 m，具有典型的干旱和半干旱大陸性季風氣候，年平均降水量約為450 mm，其中大部分降雨發生在6-9月份，年平均氣溫為4.8～7.8 ℃，夏季炎熱多雨，冬季寒冷干燥。地形為黃土丘陵低地，植被覆蓋稀疏，水蝕風蝕嚴重，加之長期開采的影響，平朔礦區生態環境脆弱[19,20]。

圖 1 平朔礦區位置示意圖

平朔礦區土地利用類型復雜多樣，為減小地物特征之間相互干擾，同時加快數據處理速度，將平朔礦區按權屬劃分為五個子研究區進行珠海一號與哨兵二號土地利用分類精度對比（圖2）。

圖2 平朔礦區子研究區示意圖

第一分區包括安太堡井工礦、安太堡露天礦、雙碾合作區礦、露天不采區礦，總面積95.26 km2；第二分區包括東露天礦、張崖溝礦、韓村礦，總面積72.06 km2；第三分區包括井東礦、平魯城市規劃區、潘家窯合作區礦，總面積5426 km2；第四分區包括馬東礦、揚澗礦，總面積55.62 km2；第五分區包括安家嶺井工礦、安家嶺露天礦、東易合作區礦、劉家口礦，總面積105.95 km2。

1.2 數據來源

本研究選用珠海一號(OHS ZhuHai-1)衛星遙感影像及哨兵二號（Sentinel-2B）影像數據。其中，珠海一號高光譜衛星影像采集時間為2021年10月11日，空間分辨率為10 m；共有32個光譜波段，其中包括3個藍波段(440～490 nm)、7個綠波段(500～600 nm)、5個紅波段(610～690 nm)、4個紅邊波段(700～750 nm)和13個近紅外波段(760～940 nm)。Sentinel-2B遙感影像采集時間為2021年10月2日，最優波段空間分辨率為10 m；光譜波段共13個，包括可見光波段、近紅外波段及短波紅外波段等。兩組影像云量均較少，大氣環境較好。

1.3 總體工作流程

圖3展示了本文的總體工作流程，概述了以下方法：（a）珠海一號和哨兵二號數據的預處理；（b）使用eCognition 9.0進行面向對象分類；（c）構建標準最鄰近總體特征空間；（d）對分類結果進行精度驗證。

圖 3 總體工作流程

1.4 數據預處理

珠海一號高光譜遙感影像的預處理均在ENVI 5.3軟件平臺完成，基本流程包括波段組合、輻射定標、大氣校正和正射校正，將原始影像生產為具有準確幾何定位的反射率數據。大氣校正主要目的是消除由大氣影響所造成的輻射誤差，反演地物真實的反射率。正射校正是對影像進行幾何畸變糾正的一個過程，主要目的是將對由地形、相機幾何特性以及與傳感器相關的誤差所造成的明顯的幾何畸變進行處理。最后，利用Frame Subset將影像按平朔礦區分區裁剪并導出為TIFF格式。對于Sentinel-2B遙感影像使用ESA官方提供的SNAP軟件和Sen2cor插件對下載的原始影像進行大氣校正，得到L2A級數據；選取光譜分辨率相近的波段，對影像進行波段重組，采用最近鄰插值法將所有波段重采樣為10 m分辨率，并輸出為ENVI標準格式；對影像利用Frame Subset按平朔礦區分區裁剪并導出為TIFF格式，以便后續在eCognition軟件平臺操作。

1.5 面向對象分類

1.5.1 面向對象分割分析在遙感影像預處理的基礎上，利用eCognition 9.0軟件選取多尺度分割工具對影像進行地物分割。多尺度分割算法屬于區域合并分割算法，在進行分割時，首先要分析圖像對象，明確其光譜特征、形狀特征等。多尺度分割算法的理論基礎是最小異質性，即自下而上合并像素，逐步擴大均勻區域的面積，縮小異質區域的面積。

圖 4 ESP最優分割尺度評價

在進行影像分割時，為保證較高的分類精度，首要任務是計算最優分割尺度以及設置合理分割參數。本文使用ESP(Estimation of Scale Parameter)工具計算影像的最優分割尺度。該工具計算了不同分割尺度對影像對象局部同質性(Local Variance,LV)的影響，表示為同質性局部變化率(rates of change of LV,ROC-LV)。當ROC-LV出現峰值時，該點對應的分割尺度即為局部最優分割尺度。由圖4可知，影像的最優分割尺度均存在多個，但第一個最優分割尺度均在30左右，因此統一選取分割尺度為30；考慮到其中1和3分區耕地分布較多，將形狀因子和緊致度因子分別為0.4和0.5，其他分區形狀因子和緊致度因子分別為0.1和0.5，按上述參數設置對影像進行分割。

1.5.2 分類樣本選取及特征空間構建分類特征空間的構建需要在分類樣本選取的基礎之上進行，采用eCognition樣本選擇器，在每個分區內將每種地類選擇10-15個訓練樣本，樣本選擇需要遵循代表性、隨機性和差異性的原則，使樣本能夠最大限度包含地類特殊特征，以提高地物可分離度。

表1 總體特征空間及分區特征空間選取

根據地類類型的特點，本文構建包含21個特征的初始特征空間（表1）。其中包括，珠海一號和哨兵二號影像各五個波段組成光譜特征集，其中珠海一號選擇波段2、7、13、19、23，哨兵二號選擇波段2、3、4、6、8，分別作為可見光、紅邊及近紅外波段；選取NDVI、SAVI和RVI組成遙感指數特征集；選取采用全方位灰度共生矩陣來描述對象的紋理特征，如GLCM Homogeneity、GLCM Entropy等；以及描述對象形狀及邊緣特征的形狀特征。將21維特征組合為一個特征空間，利用eCognition計算5類樣本在此特征空間中的分離度，通過比較所選類別的特征，找出在不同類別的樣本之間產生最大平均最小距離的特征組合，各地物在此特征空間下具有最佳的區分度，則此特征空間為最優特征組合。由圖5可以看出耕地、草地、林地之間易出現分離度較低情況，裸地和城鎮村及工礦用地與其他地類區分性較好，這符合客觀規律，在進行分類時應著重關注耕地、草地與林地的分類結果。

通過此方法得出各分區最優特征組合，特征空間維數在13～17之間，分離度在1.021～1.805之間，在此基礎上再增加特征將會造成分類特征冗余，即造成地物樣本之間的區分度趨勢逐漸下降。其中，Mean NIR、NDVI、SAVI、RVI在所有分區中均屬于最佳特征空間，這由于影像采集時間是十月份，草地、林地等地類紅波段和近紅外波段反射率相差較大，故由此計算的NDVI、SAVI和RVI能較好用于區分地類；此外，GLCM StdDev、GLCM Correlation以及形狀特征能較好地應用于區分耕地和城鎮村及工礦用地，這兩種地類形狀及邊界較為規整，與其他地類在形狀方面區分度較高。

圖 5 土地利用類型分離度

2.5.3 標準最鄰近特征分類與基于用戶定義對象特征的隸屬度函數分類不同，最近鄰特征分類是通過一組不同類別的樣本來獲取對象特征，進而判斷待分類對象與樣本對象特征距離的方法。該過程包括，通過給系統提供某些影像對象作為樣本來訓練系統；根據最相似的樣本鄰居對圖像對象進行分類。

其中，為樣本對象與影像對象之間的距離；V()為特征f的樣本對象的特征值；V()特征的影像對象的特征值；σ為特征的特征值的標準偏差。

基于距離，計算多維指數隸屬函數：()=-kd2

=ln(1/F)

參數決定了Z(D)的減小速率；F為函數斜率，一般取值為0.2。參數函數斜率越小，隸屬度函數值越小，影像對象必須更接近樣本對象才能被分類。

1.6 精度驗證

本文樣本數據的獲取方式主要包括2類，一類為通過2021年9月實地調查設定的樣本點；另一類為插入隨機樣本點，并利用Google Earth 1.19 m分辨率影像，通過人為目視解譯判別用地類型。

實地調查情況及樣本點分布見圖6。本文共獲取樣本點共300個，其中耕地樣本點41個，草地樣本點74個，林地樣本點73個，城鎮村及工礦用地樣本點59個，裸地樣本點53個，用于驗證珠海一號和哨兵二號數據分類精度。

圖 6 地類樣本實地情況及樣本點分布

a.林地 Woodland；b.耕地 Cultivated land；c.草地 Grassland；d.城鎮村及工礦用地和裸地 Urban village, industrial and mining land and bare land；e.樣本點分布 Distribution of sample points

2 結果與分析

2.1 分類結果

基于成像清晰且時間相近的平朔礦區的珠海一號影像和哨兵二號影像，選取位置相同、數量相同的訓練樣本，利用總特征空間篩選最優特征組合，通過最鄰近特征分類方法進行地物分類，分類結果如圖7。分類結果顯示，平朔礦區第一分區以林地、草地、城鎮村及工礦用地為主，第二分區以林地、耕地、草地為主，第三分區以耕地、城鎮村及工礦用地、草地為主，第四分區草地、耕地、林地面積最大，第五分區以草地、林地、城鎮村及工礦用地為主。

珠海一號和哨兵二號影像分類結果總體上具有一致性。其中，第三和第五分區一致性較好，分類結果差異較小；第一和第二分區在草地與耕地、林地與耕地之間存在一定程度分類差異；第四分區草地與林地之間存在分類差異，珠海一號分類結果中林地面積大于哨兵二號。

圖 7 礦區分類結果（a.珠海一號；b.哨兵二號）

2.2 精度評價

對珠海一號和哨兵二號的地物分類結果通過混淆矩陣結合Kappa系數進行分類精度驗證并進行對比，得到兩種影像的生產者精度、用戶精度及總體精度等（表2、表3）。珠海一號分類總體精度為78.87%，Kappa系數為0.7285；哨兵二號分類總體精度為78.38%，Kappa系數為0.7203。珠海一號數據分類結果中，裸地和草地生產者精度最低分別為62.00%和80.00%，耕地和草地用戶精度最低分別為64.71%和76.92%。哨兵二號分類結果中，裸地和林地生產者精度最低分別為62.00%和75.68%，耕地和草地用戶精度最低分別為70.83%和72.41%。

表 2 珠海一號分類精度評價結果

表 3 哨兵二號分類精度評價結果

圖 8 子研究區分類精度參數統計

從子研究區分類結果來看，珠海一號影像在第一、第二和第三分區分類總體精度和Kappa系數低于哨兵二號影像，而第四和第五分區高于哨兵二號影像；在第五分區珠海一號精度最高為83.00%，可能由于此區域草地、林地較多更易于區分。珠海一號數據城鎮村及工礦用地樣本生產者精度較高，裸地、城鎮村及工礦用地和林地用戶精度較高，表明在珠海一號分類結果中有較少的城鎮村及工礦用地被錯分為其他土地利用類型，同時在分類結果中有較少的地類被錯分為裸地、城鎮村及工礦用地和林地；珠海一號數據城鎮村及工礦用地和草地樣本生產者精度較高，裸地、城鎮村及工礦用地和林地用戶精度較高，與珠海一號數據表現基本一致。

3 討論

3.1 珠海一號在礦區生態監測應用的潛力

礦區開采會對土壤地貌景觀造成極大的破壞，導致植物群落結構退化，物種豐富度減少，引發水土流失、土地退化等問題。在對礦區進行生態修復過程中，必然會引起地類快速變化，主要是植被類型的不斷演替，如復墾物種的消失及外來物種的入侵[21]。對于礦區的生態監測就成為判斷生態修復成效，合理統籌調整生態修復方案的有效手段，礦區生態監測需要滿足及時性、準確性，同時要兼顧成本效益等多重需求[22]。在以往的研究中，MODIS空間分辨率過低，導致分類結果較差，難以應用于地類復雜的礦區進行生態監測；Landsat數據空間分辨率較低，且重訪周期過長，可能導致可用圖像數量不足；高分辨率影像能夠精準進行礦區生態監測，但如高分衛星影像，獲取難度大，數據采集成本過高，目前不適合大面積應用與學術研究使用[23]。

在本研究中選取的哨兵二號影像數據，具有開源、多光譜、分辨率高、重訪周期短的特點，已經被各國學者廣泛使用[8-11,24]；與之相比珠海一號數據，屬于高光譜數據擁有32個波段，光譜分辨率為2.5 nm，空間分辨率與哨兵二號最高分辨率一致，單顆衛星重訪周期為六天，八顆衛星綜合重訪周期為一天，同樣具有進行礦區生態監測、農業資源動態監測、農作物估產等應用潛力。

從本文研究結果來看，對珠海一號和哨兵二號影像使用相同分割尺度進行多尺度分割，如圖7，哨兵二號分割結果更細致，但可能導致對影像的過分割，導致地物破碎，珠海一號對地物的完整性保留較好；在相同的特征空間組合下，均采用最鄰近特征分類，樣本珠海一號分類總體精度和Kappa系數稍高于哨兵二號，僅相差0.39%和0.0082。從分區精度來看，第一、第二和第三分區哨兵二號分類精度和Kappa系數高于珠海一號，而第四和第五分區結果相反，這可能是由于樣本選擇不當造成的影響。在之后的研究中，可以使用珠海一號進行平朔礦區生態系統多樣性監測，通過識別不同年限復墾區植被類型，揭示復墾區植被演替特征，為加強土地復墾管理提供及時準確的依據[25]。

圖 9 影像分割結果細部圖（a.珠海一號；b.哨兵二號）

3.2 珠海一號分類精度提高方法

利用高光譜遙感對礦區進行生態監測，關鍵在于分類精度的提高。已有研究中，提高分類精度的方法主要包括，對分割方法的改進、分類方法的優化組合、多源遙感數據結合使用等[26]。高光譜影像由于波段相近，存在同物異譜、同譜異物的情況，如果采用傳統的基于像元的分割方法，很容易出現“椒鹽現象”。面向對象的分割方法可以有效避免出現波段之間相互干擾的情況，成為高光譜影像信息提取的主要方法[27]。目前使用最多的分類方法為監督分類和基于深度學習的分類方法，主要包括支持向量機、隨機森林、BP神經網絡和空-譜結合的方法等，此類均建立在使用者對待分類影響區域有一定了解的基礎上，通過輸入的分類規則對影像進行分類[28,29]。

研究結果表明，裸地的生產者精度、耕地和草地的用戶精度較低，原因是研究區影像采集時間是十月份，部分復墾區草地和耕地已經收割，其光譜特征與裸地相似，因此導致錯分。在后期研究中可以選取基于物候時序與深度學習相結合的方法，并可以采取更詳細的分類體系，通過分層分類的方式縮小分類范圍，減少錯分提高分類精度，為進一步研究平朔礦區復墾區生態系統多樣性提供基礎[30,31]。

珠海一號擁有4個紅邊波段，紅邊波段處于近紅外與紅光波段交界處快速變化的區域，對植被生長狀況較敏感，Sentinel-2的紅邊波段就被廣泛應用于植被長勢監測和地上生物量估算等方面[32]。將珠海一號應用于平朔礦區時可參考Sentinel-2應用方式，添加如REIPI(Red-Edge Inflection Point Index)、IRECI(Inverted Red-Edge Chlorophyll Index)等紅邊指數進行植被分類[33,34]；已有研究將Sentinel-1與Sentinel-2應用于城市、農耕區等地區進行土地利用分類研究[9,35]，并獲得較好的分類精度，可以嘗試與Sentinel-1數據結合，綜合光譜特征、紋理特征、紅邊植被指數、雷達特征等進行礦區生態監測。

3.3 不確定性與局限性

為了減少地類錯綜雜亂對分類結果的影響，本研究將平朔礦區分為五個區域進行土地利用分類，在各研究分區內珠海一號表現較好，但應用于地類更復雜、范圍更大的研究區可能會產生精度下降等情況。同時，本研究采用的面向對象結合最鄰近特征分類的方法較為簡單，只能作為珠海一號是否具有進行礦區土地利用分類、生態植被監測潛力的初步驗證，還需要在后續實踐研究中探尋珠海一號高光譜影像的最佳應用方式。最鄰近特征分類屬于監督分類的一種，訓練樣本的選擇人為因素較強，十月份影像部分草地、耕地、裸地從影像上看相似性較高，可能導致部分樣本分類類別并非真實類別。

在進行平朔礦區年際植被變化監測時，由于受到云的影響，很難保證存在相同時間的成像效果良好的影像，當影像缺失時，應尋找相近時間影像進行代替，同時可以結合礦區各種復墾植被物候特征消除成像時間帶來的誤差。

4 結論

本文以面向對象分類方法對平朔礦區的珠海一號及哨兵二號遙感影像進行解譯實驗，運用多尺度分割、分類對比分析，獲取最佳分割尺度，結合光譜特征、紋理信息、幾何信息和遙感指數作為影像分類特征，使用標準最鄰近特征分類，有效提取出耕地、草地、林地、城鎮村及工礦用地和裸地5類土地利用類型特征要素信息，分類精度分別為78.87%和78.38%，較好地實現了平朔礦區土地利用類型的遙感影像數據解譯。

研究結果表明，珠海一號分類結果存在一定的誤分現象，若能進一步結合Sentinel-1或資源3號遙感立體信息，提取數字高程模型數據綜合運用到分類中，可能會進一步提高分類精度，相關研究有待深入開展。探究高光譜遙感影像在礦區生態監測方面的應用價值與方法，不僅對礦區復墾成果評估、礦區生態高質量發展具有積極意義，同時能夠成為高光譜衛星影像發展的實證參考。

[1] Li HK, Xu F, Li Q. Remote sensing monitoring of land damage and restoration in rare earth mining areas in 6 counties in southern Jiangxi based on multisource sequential images [J]. Journal of Environmental Management, 2020,267:110653

[2] Chen WT, Li XJ, Wang LZ. Fine land cover classification in an open pit mining area using optimized support vector machine and worldview-3 imagery [J]. Remote Sensing, 2019,12(1):82

[3] Zhang YL, Shen WJ, Li MS,. Integrating landsat time series observations and corona images to characterize forest change patterns in a mining region of nanjing, eastern china from 1967 to 2019 [J]. Remote Sensing, 2020,12(19):3191

[4] Wei LF, Yuan ZR, Wang ZX,. Hyperspectral inversion of soil organic matter content based on a combined spectral index model [J]. Sensors, 2020,20(10):2777

[5] He TT, Xiao W, Zhao YL,. Continues monitoring of subsidence water in mining area from the eastern plain in China from 1986 to 2018 using Landsat imagery and Google Earth Engine [J]. Journal of Cleaner Production, 2021,279:123610

[6] 簡小妹,周偉,袁濤.烏海礦區AOD時空變化特征及影響因素[J].遙感信息,2020,35(3):63-70

[7] 肖武,張文凱,呂雪嬌,等.西部生態脆弱區礦山不同開采強度下生態系統服務時空變化——以神府礦區為例[J].自 然資源學報,2020,35(1):68-81

[8] 吳群英,苗彥平,陳秋計,等.基于Sentinel-2的荒漠化礦區生態環境監測[J/OL].采礦與巖層控制工程學 報,2022(1):1-8[2021-12-08].https://doi.org/10.13532/j.jmsce.cn10-1638/td.20210617.001.

[9] Van Tricht K, Gobin A, Gilliams S,Synergistic use of Radar Sentinel-1 and optical Sentinel-2 Imagery for Crop Mapping: A Case Study for Belgium [J]. Remote Sensing, 2018,10(10):1642

[10] Liu L, Xiao XM, Qin YW,. Mapping cropping intensity in China using time series Landsat and Sentinel-2 images and Google Earth Engine [J]. Remote Sensing of Environment, 2020,239:111624

[11] De Fioravante P, Luti T, Cavalli A,Multispectral Sentinel-2 and SAR Sentinel-1 integration for automatic land cover classification [J]. Land, 2021,10(6):611

[12] 孫珂.融合超像元與峰值密度特征的遙感影像分類[J].國土資源遙感,2020,32(4):41-45

[13] Ma L, Schmitt M, Zhu XX. Uncertainty analysis of object-based land-cover classification using Sentinel-2 time-series data [J]. Remote Sensing, 2020,12(22):12223798

[14] Li JJ, Xi BB, Li YS,. Hyperspectral classification based on texture feature enhancement and deep belief networks [J]. Remote Sensing, 2018,10(3):396

[15] Qu JR, Qiu XL, Ding CB,. Unsupervised classification of polarimetric SAR image based on geodesic distance and non-gaussian distribution feature [J]. Sensors, 2021,21(4):1317

[16] Salata S. The utilization of supervised classification sampling for environmental monitoring in Turin (Italy) [J]. Sustainability, 2021,13(5):1818

[17] Guan YJ, Zhou W, Bai ZK,. Delimitation of supervision zones based on the soil property characteristics in a reclaimed opencast coal mine dump on the Loess Plateau, China [J]. Science of the Total Environment, 2021,772:145006

[18] Li J, Pei YQ, Zhao SH,. A review of remote sensing for environmental monitoring in China [J]. Remote Sensing, 2020,12(7):1130

[19] Zhou W, Yang K, Bai ZK,The development of topsoil properties under different reclaimed land uses in the Pingshuo opencast coalmine of Loess Plateau of China [J]. Ecological Engineering, 2017,100:237-245

[20] Wu JS, Zhu QL, Qiao N,. Ecological risk assessment of coal mine area based on “source-sink” landscape theory – A case study of Pingshuo mining area [J]. Journal of Cleaner Production, 2021,295:126371

[21] 趙冰清,白中科,郭東罡,等.黃土區露天煤礦排土場人工林下植被發育動態[J].地學前緣,2021,28(4):153-164

[22] 李軍,彭蘇萍,張成業,等.礦區生態環境定量遙感監測評價技術框架與應用[J/OL].礦業科學學報:1-17[2021-12-08].

https://doi.org/10.19606/j.cnki.jmst.2022.01.002.

[23] Li P, Xia HM, Zhao XY,. Mapping winter crops using a phenology algorithm, time-series Sentinel-2 and Landsat-7/8 images, and Google Earth Engine [J]. Remote Sensing, 2021,13(13):2510

[24] 姚杰鵬,楊磊庫,陳探,等.基于Sentinel-1,2和Landsat 8時序影像的鄱陽湖濕地連續變化監測研究[J].遙感技術與 應用,2021,36(4):760-776

[25] Guan YJ, Zhou W, Bai ZK,. Soil nutrient variations among different land use types after reclamation in the Pingshuo opencast coal mine on the Loess Plateau, China [J]. Catena, 2020,188:104427

[26] 趙伍迪,李山山,李安,等.結合深度學習的高光譜與多源遙感數據融合分類[J].遙感學報,2021,25(7):1489-1502

[27] Oreti L, Giuliarelli D, Tomao A,. Object oriented classification for mapping mixed and pure forest stands using very-high resolution imagery [J]. Remote Sensing, 2021,13(13):2508

[28] 周子涵,倪歡,馬林飛.面向高光譜遙感圖像分類的連續空間依賴增強型空—譜卷積神經網絡[J].地理與地理信息 科學,2021,37(6):32-40

[29] Yin JR, Qi CS, Chen QQ,. Spatial-spectral network for hyperspectral image classification: A 3-D CNN and Bi-LSTM framework [J]. Remote Sensing, 2021,13(12):2353

[20] Malcolm JR, Brousseau B, Jones T,. Use of Sentinel-2 Data to improve multivariate tree species composition in a forest resource inventory [J]. Remote Sensing, 2021,13(21):4297

[31] 劉瑞清,李加林,孫超,等.基于Sentinel-2遙感時間序列植被物候特征的鹽城濱海濕地植被分類[J].地理學報,2021,76(7):1680-1692

[32] Sasan V, Javad S, Kamran A,. Improving accuracy estimation of forest aboveground biomass based on incorporation of ALOS-2 PALSAR-2 and Sentinel-2A imagery and Machine Learning: A Case Study of the Hyrcanian Forest Area (Iran) [J]. Remote Sensing, 2018,10(2):1188

[33] 蔣馥根,孫華,李成杰,等.聯合GF-6和Sentinel-2紅邊波段的森林地上生物量反演[J].生態學報,2021,41(20):8222-8236

[34] 李恒凱,王利娟,肖松松.基于多源數據的南方丘陵山地土地利用隨機森林分類[J].農業工程學報,2021,37(7):244-251

[35] Tavares PA, Beltr?o NES, Guimar?es US,. Integration of Sentinel-1 and Sentinel-2 for Classification and LULC Mapping in the Urban Area of Belém, Eastern Brazilian Amazon [J]. Sensors (Basel, Switzerland), 2019,19(5):1140

The Application of Hyperspectral Images from Zhuhai-1 in Classification for the Large-scale Coal Fields on Loess Plateau

WANG Hong-yu1, ZHOU Wei1,2,3*, GUAN Yan-jun1, HU Wen-chen1

1.100083,2.100035,3.100083,

In this paper, the Zhuhai-1 image data is selected, and the Sentinel-2 data is used as a reference to divide the Pingshuo mining area into five sub-study areas according to ownership. The object-oriented classification method combined with the nearest features is adopted, and the spectral features, texture features, vegetation index, etc. are integrated. The characteristic factor is used to evaluate the accuracy of land use classification in Zhuhai-1 mining area. The research results show that: (1) The overall classification accuracy of Zhuhai-1 is 78.87%, and the Kappa coefficient is 0.7285; the overall classification accuracy of Sentinel-2 is 78.38%, and the Kappa coefficient is 0.7203. The classification accuracy of Zhuhai-1 is slightly higher than that of Sentinel-2. (2) The misclassification of some cultivated land, grassland and bare land may be caused by the similarity of the features of the ground objects when the imaging time is too late. In general, Zhuhai-1 hyperspectral data has high spectral and spatial resolution, and has the potential to be applied to research on ecological monitoring of mining areas and vegetation succession characteristics in reclamation areas.

Zhuhai-1; hyperspectral remote sensing; mining area classification

TP79

A

1000-2324(2022)01-0098-011

10.3969/j.issn.1000-2324.2022.01.016

2021-12-03

2022-01-12

國家自然科學基金:黃土高原大型露天煤礦區復墾土壤空間異質性特征及指示意義(41571508)

王宏宇(1998-),男,碩士,主要從事自然資源遙感監測和生態修復研究. E-mail:why63@cug.edu.cn

Author for correspondence. E-mail:zhouw@cugb.edu.cn