基于高分二號衛星影像的基塘提取與形態分析

摘要：為掌握粵港澳大灣區基塘的形態特征，以大灣區龍江鎮為研究區域，采用面向對象規則分類方法，從高分二號衛星影像中提取基塘，并使用加權聚合鄰近度指數度量基塘的形態特征。結果表明，通過樣點檢驗方式和樣區檢驗方式得到提取的總體精度分別為92.25%、80.25%，反映出不同形態基塘的分類精度差異，樣區方式更適合檢驗高空間分辨率影像的分類精度。研究區域有基塘14.06 km2，其中規則塘占58.46%，主要分布在研究區域的中部和北部，緊湊程度較高，便于擴大養殖增加收入；不規則塘占41.54%，主要分布在研究區域的東部和西部，緊湊程度較低，利于種植促進水陸交互。

關鍵詞：基塘；面向對象分類；高分二號；空間形態

中圖分類號：P237" " " " "文獻標識碼：A

文章編號：0439-8114（2023）06-0157-06

DOI：10.14088/j.cnki.issn0439-8114.2023.06.029

Extraction and pattern analysis of dike-pond based on Gaofen-2 satellite image

JIANG Hai-tao1， ZHOU Jin-hao1，2， LI Xin-ru1， LIN Jing-hua1，3， HUANG Shao-fang1， LIU Hou-hai4， ZHONG Zhi-yi5

（1.College of Resources and Environment， South China Agricultural University， Guangzhou" 510642， China； 2.Guangdong Provincial Key Laboratory of Land Use and Consolidation， Guangzhou" 510642， China； 3.Guangzhou Yunqu Network Technology Co.， Ltd.， Guangzhou" 510699， China；

4.South China Academy of Natural Resources Science and Technology， Guangzhou" 510610， China； 5.HeadGIS Information Technology Co.，Ltd.， Guangzhou" 510635， China）

Abstract：For the purpose of analyzing the dike-pond pattern in Guangdong-Hong Kong-Macao Greater Bay Area， the rule-based classification method to extract the dike-pond" from GF-2 satellite image was used. Then the dike-pond pattern was measured through Weighted Aggregation and Closeness （WAC） metric. The results showed that the overall accuracy of extraction was 92.25% by sample point test， and 80.25% by sample region test. The sample region test could capture the difference in different dike-pond types， and was more suitable than the sample point test to assess the accuracy of high-resolution images classification. The extraction result showed that there were 14.06 km2 dike-ponds in Longjiang Town. Among them regular ponds accounted for 58.46%， mainly distributed in the central and northern parts of the town. Their pattern exhibited compactness， which was convenient for expanding aquaculture and then increasing income. Irregular ponds accounted for 41.54%， mainly distributed in the eastern and western parts of the town. Their pattern was less compact， which was conducive to planting and promoted water-land interaction.

Key words：dike-pond； object-oriented classification； Gaofen-2； spatial pattern

在粵港澳大灣區河網密布、地勢低洼的地區，當地勞動人民創造了基塘系統，實現對水陸資源的有效利用［1，2］。粵港澳大灣區經濟發達、人口聚集，用地供給日趨緊張，在快速城鎮化過程中，基塘一方面被建設用地侵占呈現破碎化［3］，另一方面被改造成規則格網化［4］，這些空間特征的變化關乎基塘的生態效益和經濟效益［5-8］。監測和分析基塘的空間特征離不開基塘數據，而遙感解譯是獲取基塘數據的主要方式［9，10］。

基塘遙感分類早期采用目視解譯法。由于人具備較高的綜合判斷能力，所以該方法在理論上具有較高的分類精度，至今仍被用于提取基塘［11，12］。但該方法依賴解譯人員的專業知識和經驗，需要消耗大量時間，人力成本高。隨著計算機分類算法的成熟，監督分類被用于提取基塘。分類器依據訓練樣本的特征信息對影像中未知類別的像元或對象進行判斷，相比目視解譯減少了工作量，便于研究人員從多期遙感影像中提取基塘［13-16］。但是面對地物混雜、同物異譜時，該方法容易產生“椒鹽”噪聲現象降低分類精度。深度學習方法已經被用于提取湖泊等水體［17-19］。基塘作為一種特殊的水體，目前使用基于面向對象的規則集法為主。以對象形式表達基塘，接近現實世界中的狀態。另外，該方法可以根據研究區域特點和研究所需，靈活地設定和組合不同的分類規則［20，21］，例如提取沿海的養殖魚塘［22-24］、分析佛山等基塘用地的時空變化［25-27］。

除了分類方法，遙感數據也是影響基塘分類精度的關鍵之一。除從Landsat、SPOT等中空間分辨率影像中提取大范圍的基塘用地［26，28，29］，研究人員也利用Quickbird［3］、Keyhole［16，30］、Worldview［31］等高空間分辨率影像提取基塘進行內部結構、空間形態等細節特征分析。高空間分辨率影像包含了地物豐富的紋理、形狀、結構信息，為提高基塘分類精度奠定數據源基礎。相比國外同類衛星，國產高分衛星在用戶使用成本、大灣區范圍內的影像數量和成像密度方面更具優勢。例如，中國自主研制的首顆具有亞米級空間分辨率的民用光學遙感衛星高分二號［32］在2014—2021年期間平均每年約有3期云量低于10%的大灣區基塘影像。利用國產高分系列衛星數據在水體提取等方面已取得系列研究成果［33-36］。

本研究采用面向對象規則法從高分二號衛星影像中提取基塘，并分析其形態特征，旨在掌握粵港澳大灣區基塘的形態特征，為優化基塘的布局實現經濟和生態雙收益提供科學依據。

1 數據與方法

1.1 遙感數據

選用的國產高分二號衛星影像成像時間為2017年12月3日，為Level 1A級產品。在ENVI軟件中對該影像進行輻射定標、大氣校正，以減少成像時大氣相關原因引起的光譜失真；正射校正以30 m分辨率DEM為基準，使用Cubic convolution方法對影像重采樣，并采用Pan Sharpening方法進行全色和多光譜數據融合，得到空間分辨率為0.8 m的影像。

本研究選取該期影像覆蓋的佛山市順德區西部的龍江鎮為研究區域（圖1）。該鎮是全國重點鎮、廣東省中心鎮，也是粵港澳大灣區的中心區域。面積73.8 km2，常住人口約34萬人，具有悠久的桑基魚塘歷史，是嶺南農商文化的發源地之一。該區域基塘數量多，類型豐富，為基塘研究提供了豐富的素材。

1.2 提取方法

在面向對象技術的基礎上制定提取基塘的分類規則集，通過檢驗樣區的評估基塘提取的精度，隨后分析提取得到的基塘形態特征。

1.2.1 影像分割 采用多尺度分割算法對影像進行分割：將影像中有相似特征的相鄰像元劃歸為一個對象，同質對象作為最小的分類單元。通過eCognition軟件調整該算法Scale、Shape、Compactness 3個參數使影像得到有效分割。首先，Shape和Compactness兩個參數維持缺省權重，即Shape為0.1，分割時更多依據Color差異；Compatness為0.5，即分割出的對象邊緣兼顧緊湊性和平滑性。在固定上述兩個參數的情況下，有序逐級調整Scale參數，以確定最佳分割尺度。當Scale設為70時，部分基塘存在欠分割現象（在一個基塘對象中混雜其他地物），容易造成相鄰的基塘連接在一起。本研究將Scale設為60，未進一步降低Scale值是為了避免相鄰基塘連接，同時保證塘面完整性，提高分類效率。

1.2.2 分類規則 針對基塘的光學和空間特征制定分類規則。在影像覆蓋的研究區范圍內分別采集基塘、植被、裸地、道路、建筑、河涌6種地類的樣本各50個，繪制藍（BLUE）、綠（GREEN）、紅（RED）、近紅外（NIR）4波段的光譜特征曲線（圖2）。基塘與一般水體的光譜特征表現相似，反射主要集中在藍綠波段，而在近紅外波段被強吸收。因此，基塘的NIR波段特征較低，與植被等其他類區分明顯，本研究據此作為提取基塘的主要分類規則。

在基塘邊會有搭建的棚架、建筑物和樹木等，由于衛星成像時，這些地物的陰影會遮擋部分基塘，造成基塘提取缺失等錯誤。因此，本研究引入陰影水體指數（Shadow water index，SWI）作為分類規則［33，35］，分離水體和陰影。

式中，Blue、Green和NIR分別代表影像的藍波段、綠波段和近紅外波段的光譜值。SWI大于一定閾值可判斷為水體，小于一定閾值可判斷為陰影。

基塘與河涌等一般水體具有相似的光學特征，但它們的空間特征有所不同。基塘形狀普遍比較方正規整，與河涌的窄長形狀有所區別。因此，本研究通過形狀指數（Shape index，SI）對二者加以區分。

式中，P為對象的周長，A為對象的面積。該指數通過計算對象與相同面積正方形的偏離程度，衡量對象形狀的復雜程度，其值越大，表示該對象形狀越復雜。

綜合上述指數并通過樣本確定閾值，得到提取基塘的分類規則集（圖3）。

1.2.3 精度評估 采用檢驗樣點和檢驗樣區兩種方式，以像元為單位對基塘提取進行評估。檢驗樣點是在研究區范圍內隨機產生，本研究有400個檢驗樣點。檢驗樣區是在研究區范圍內選取2個600 m×600 m的檢驗樣區。樣點和樣區的真實值是結合人工目視判別和野外調查的實際情況確定得到。通過對比樣點和樣區的真實值與對應位置提取結果之間的差異，統計出正確判斷為基塘的像元數、錯誤判斷為其他地物的像元數、正確判斷為其他地物的像元數以及錯誤判斷為基塘的像元數，據此建立混淆矩陣，進而計算四項精度指標，包括總體精度、kappa系數、錯分誤差和漏分誤差。

1.3 基塘形態度量方法

現有研究已經通過多組對比試驗表明，加權聚合鄰近度指數（Weighted aggregation and closeness，WAC）比其他常用指數更加準確反映不同類型基塘的形態差異［8］，本研究采用WAC對基塘形態特征進行度量。

式中，A0為基塘面積總和，A1為基塘聚合面積，P1為基塘聚合周長，d為各基塘間最近鄰距離集的最大值。WAC度量結果范圍從0到1的無量綱量值，高WAC值表示形態緊湊，內部破碎化程度低；低WAC值表示形態松散，內部破碎化程度高。

2 結果與分析

2.1 提取結果

通過檢驗樣點和樣區來評估研究基塘提取結果。在400個隨機檢驗樣點中，基塘樣點129個、其他地類樣點271個。本研究提取結果中正確判斷為基塘有111個，未能判斷為基塘有18個，正確判斷為其他地物有258個，未能判斷為其他地物有13個，得到總體分類精度92.25%，kappa系數0.82。參考現有基塘研究報道的分類精度，采用樣點檢驗方法得到總體精度為80%～94%［13，23-27，31］。本研究中基塘分類精度可以滿足后續應用分析，基塘提取結果的錯分誤差為10.48%，說明被識別為基塘的像元中有接近90%為真實基塘；漏分誤差13.95%，說明實際為基塘的像元中超過86%被識別為基塘。

分析位于研究區域東西兩側的樣區結果（圖4），位于西側的樣區（W）以形狀規則的基塘為主，在提取結果中除了少部分基塘出現缺失外，絕大部分都被準確識別。提取得到的基塘邊緣總體平滑清晰，并且較好地保證了每個塘的獨立性。后續分析空間形態，涉及基塘周長、面積、個數等參數的計算，若出現相鄰的兩個基塘連接在一起，將導致每個基塘的參數將偏離實際值，降低空間形態的分析結果的準確性。位于東側的樣區（E）以形狀不規則的基塘為主，在提取結果中大部分基塘可以被準確識別，但未被識別或者提取不完整的基塘有所增多。由于樣區的基塘形狀復雜，提取得到的基塘邊緣出現鋸齒狀凹凸，個別相鄰的獨立基塘出現連接現象，對分析基塘空間形態是不利的，為保證后續分析的準確性，需要對提取結果，特別是基塘邊緣進行一定的人工修正。因此，樣區中基塘形狀的復雜程度會對提取結果造成影響，通過各項精度指標值可以印證。東側樣區（E）的各項精度指標表現不如西側樣區（W），平均變差4.91%，其中總體精度降低3.75%、kappa系數降低7.54%、錯分誤差增加5.54%、漏分誤差增加2.80%。對于東側樣區分類精度下降，特別是錯誤識別和遺漏情況均有所增加的問題，在后續的研究中進一步完善。

通過對比檢驗樣點和樣區兩種方式計算得到精度指標結果發現，樣點檢驗方式的各項精度值明顯高于樣區檢驗方式（表1）。樣點方式計算得到的總體精度為92.25%；而樣區方式計算得到總體精度平均80.23%，其中西側樣區為82.10%、東側樣區為78.35%。樣區方式在兩個樣區分別比樣點方式降低了11.00%（W）和15.07%（E），平均下降幅度為13.03%。kappa系數從樣點方式的0.82分別降至樣區方式的0.64（W）和0.57（E），平均降幅26.22%。錯分誤差變化幅度更大，從樣點方式的10.48%擴大到樣區方式的14.63%（W）和20.18%（E），特別是東側樣區增加幅度達到92.56%，錯分誤差的增大，表明識別為基塘但實際不是基塘的像元增加了近10%。漏分誤差平均增加幅度接近60%，由樣點方式的13.95%增加至樣區方式的20.86%（W）和23.67%（E），表明樣區的提取結果出現基塘遺漏的情況增多。造成各項指標精度下降的主要原因是檢驗方式的不同，樣區檢驗方式是要統計樣區范圍內所有像元的提取結果值與真實值之間的差異，也就是每個樣區有約60萬個用于對比的像元點，而檢驗樣點方式中只是隨機選取了400個像元點，兩種檢驗方式相差超過1 400倍。可見，采用檢驗樣區的方式能夠更加真實準確地反映提取結果的實際表現。用于與提取結果對比的樣區真實值制作并不容易，需要耗費大量時間的同時，樣區中每個像元的真實值判斷也遇到困難。特別是當數據并不是高空間分辨率影像時，影像中每個像元所覆蓋的范圍大（例如，TM影像一個像元對應實際30 m的地物），地物混雜的情況難以避免，即便有其他高分數據輔助和實地調研確認也難給每個像元準確分類。

隨著高空間分辨率影像數據的普及，特別是研究選用中國高分系列衛星數據比較便捷，高分影像當中每個像元提供的細節信息更豐富，對應地物也更精細（高分二號影像一個像元最小對應實際0.8 m的地物），單個像元地物混雜的情況大幅減少，為準確判斷每個像元的實際類別奠定基礎，準確制作出全樣區的真實值。因此，本研究通過樣點和樣區兩種精度檢驗方式的精度結果對比，認為對于評估高空間分辨率影像的分類精度時更適合采用樣區檢驗方式，避免檢驗樣點方式帶來的精度可能被高估的問題。

2.2 基塘形態特征

研究區域共有基塘14.06 km2，但空間分布南北不均，基塘主要分布在研究區域中南部，在西北部等邊緣區域也有分布。在中南部和西北部集中分布的兩大區域間，出現一條東北西南走向的空白地帶，在空白帶中只有零星基塘，這是由于研究區域中北部是佛山市西部公共中心，龍江鎮政府也位于該區域，以城鎮為主。將基塘分為規則塘和不規則塘兩種類型［8］，研究區域不規則塘面積占總基塘面積的41.54%，小于規則塘的占比（58.46%）。通過WAC指數度量兩種類型基塘的空間形態，表明不規則塘的緊湊程度低于規則塘。不規則塘的WAC度量值為0.15～0.40，40.77%的WAC值只有0.15～0.20；規則塘的WAC度量值更大，為0.20～0.50，并且全部都在0.20以上。有73.96%的不規則塘WAC度量值在0.25以下，說明研究區域大部分不規則基塘的空間形態較為松散；而規則塘WAC值低于0.25的只有34.87%，兩種類型相差近40個百分點。在高WAC值區間，只有11.47%不規則塘的WAC值大于0.30，而規則塘的空間形態緊湊更為普遍。規則塘的WAC值大于0.30的有42.15%，說明研究區域規則塘的空間形態緊湊更為普遍。

從研究區域基塘空間形態度量結果看（圖5），基塘緊湊程度高的區域主要是研究區域中部、北部，其次是南部和東北部。區域內基塘數量較多更容易形成聚集，形態緊湊；此外，更關鍵的是該區域以規則塘為主。基塘經過整治工程改造形狀方正，基塘與基塘之間的間距較窄以增加養殖面積，加上整治工程通常成片大規模開展，規整劃一呈現網格化，促使基塘形態緊湊程度高，有助于充分利用有限的土地資源，將土地更多用于高經濟效益的魚塘養殖，也便于開展規模化養殖，從而提升產量增加農戶收入。研究區域緊湊程度較低的基塘主要位于西北部和東部，雖然2個區域也是基塘的主要分布區域之一，基塘數量規模不少，但是緊湊程度不高，主要是因為2個區域的基塘以不規則塘為主，即使也存在有少量規則塘，規模也較中部、南部和北部小。不規則塘的形狀不規則，自由松散，塘與塘之間的間隔較大以便開展種植，造成2個區域基塘的空間形態緊湊度不高。雖然基塘緊湊程度低，塘間距增大使得養殖規模縮小，但是基塘間種植與塘中養殖更容易結合實現優勢互補，水陸交互作用也得到增強，進而提高基塘生態價值。可見，基塘的不同形態特征與基塘經濟和生態效益息息相關。

3 結論

本研究采用面向對象規則法從高分二號遙感影像中提取出大灣區龍江鎮基塘，并分析其空間形態特征。面向對象規則法是基于面向對象影像分割技術，根據基塘光譜、空間特征制定分類規則集，實現對研究區域基塘的提取。通過加權聚合鄰近度指數WAC對研究區不同類型基塘的空間形態特征進行了度量。經過檢驗樣點和樣區2種方式對基塘提取結果進行評估，隨機樣點方式計算得到的總體精度達到92.25%，樣區方式的總體精度80.23%，表明該面向對象規則法與高分二號影像的方法數據組合可以提取出滿足空間特征分析需求的基塘數據。檢驗樣點和樣區2種評估方式的結果差別表明，樣區方式可以更加準確真實地反映方法提取不同類型基塘的實際效果。當遙感數據源為高空間分辨率時，更適合選用樣區檢驗的方式評估分類精度。

研究區域基塘的空間分布不甚均勻，呈現中南部聚集和西北部邊緣分布，在2個聚集區之間存在一條東北-西南走向的基塘空白帶。WAC指數的度量結果表明，在研究區域中部和北部的基塘空間形態緊湊程度較高，主要是因為區域不但基塘數量眾多，而且以規則塘為主，基塘形狀方正，呈現規模化，塘間距縮窄以擴大養殖，具有較高的經濟產值。在研究區域東部和西北部的基塘空間形態緊湊程度較低，雖然區域也是基塘密布，但是以不規則塘為主，基塘形狀復雜，形態自由分散，塘間距較大以便開展種植，具有較強的水陸相互作用發揮基塘生態價值。通過對基塘空間形態的分析，為基塘的優化布局、實現經濟收益和生態效益雙贏提供科學支撐。

參考文獻：

［1］ ZHONG G F. The types， structure and results of the dike-pond system in south China［J］. Geo Journal， 1990，21（1-2）：83-89.

［2］ 王思遠， 廖森泰， 鄒宇曉， 等. 珠江三角洲地區桑基魚塘的傳承保護與創新發展［J］. 蠶業科學， 2019（6）：909-914.

［3］ 楊 丹， 葉長盛. 基于CA模型的珠江三角洲基塘景觀破碎化分析及其模擬［J］. 湖北農業科學， 2016，55（15）：3932-3937.

［4］ 田夢曉. 當代基塘景觀的空中觀察［J］. 景觀設計學，2019，7（4）：130-138.

［5］ 聶呈榮， 駱世明， 章家恩， 等. 現代集約農業下基塘系統的退化與生態恢復［J］. 生態學報， 2003，23（9）：1851-1860.

［6］ 黎華壽， 駱世明， 聶呈榮. 廣東順德現代集約型基塘系統的構建與調控［J］. 生態學雜志， 2005，24（1）：108-112.

［7］ 張智敏. 水患壓力下的傳統嶺南水鄉聚落形態解析——以珠江三角洲桑園圍四村為例［J］. 建筑學報， 2017（1）：102-107.

［8］ 周晉皓， 黃曉峻， XIAO N C， 等. 基塘水面空間形態度量方法的比較與應用［J］. 農業工程學報， 2021，37（17）：251-257.

［9］ 顧興國， 樓黎靜， 劉某承， 等. 基塘系統：研究回顧與展望［J］. 自然資源學報， 2018，33（4）：709-720.

［10］ 劉 通， 程 炯， 蘇少青， 等. 珠江三角洲桑基魚塘現狀及創新發展研究［J］. 生態環境學報， 2017（10）：1814-1820.

［11］ 魏興琥， 王 海， 刁華濤. 佛山市順德區基塘農業模式的演變與發展潛力［J］. 佛山科學技術學院學報（自然科學版）， 2011，29（5）：1-7.

［12］ 蕭煒鵬， 龔建周， 魏秀國. 1980—2015年中山市基塘景觀時空變化及驅動因素［J］. 生態科學， 2019，38（6）：64-73.

［13］ 高 愛， 夏麗華， 陳健飛， 等. 佛山市順德區土地景觀格局變化研究［J］. 熱帶地理， 2007，27（4）：327-331.

［14］ 林媚珍， 馮榮光， 紀少婷. 中山市基塘農業模式演變及景觀格局分析［J］. 廣東農業科學， 2014，41（24）：184-189.

［15］ 葛志鵬， 趙家敏， 黃 佩. 快速城市化背景下中山市土地利用變化研究［J］. 安徽農業科學， 2017，45（21）：184-187.

［16］ LI F， LIU K， TANG H， et al. Analyzing trends of dike-ponds between 1978 and 2016 using multi-source remote sensing images in shunde district of south China［J］. Sustainability， 2018，10（10） ：3504.

［17］ 王 雪， 隋立春， 鐘棉卿， 等. 全卷積神經網絡用于遙感影像水體提取［J］. 測繪通報， 2018（6）：41-45.

［18］ 陳 前， 鄭利娟， 李小娟， 等. 基于深度學習的高分遙感影像水體提取模型研究［J］. 地理與地理信息科學， 2019，35（4）：43-49.

［19］ LI L， YAN Z， SHEN Q， et al. Water body extraction from very high spatial resolution remote sensing data based on fully convolutional networks［J］. Remote sensing， 2019，11（10）：1162.

［20］ REN C， WANG Z， ZHANG Y， et al. Rapid expansion of coastal aquaculture ponds in China from Landsat observations during 1984-2016［J］. International journal of applied earth observation and geoinformation， DOI：10.1016/j.jag.2019.101902.

［21］ OTTINGER M， CLAUSS K， KUENZER C. Opportunities and challenges for the estimation of aquaculture production based on earth observation data［J］. Remote sensing， 2018，10（7）：1076.

［22］ 謝玉林，汪 閩，張新月. 面向對象的海岸帶養殖水域提取［J］. 遙感技術與應用， 2009，24（1）：68-72.

［23］ 孫曉宇， 蘇奮振， 周成虎， 等. 基于RS與GIS的珠江口養殖用地時空變化分析［J］. 資源科學， 2010（1）：71-77.

［24］ 趙家敏， 林媚珍， 龔建周， 等. 基于面向對象技術提取的順德區基塘系統格局分析［J］. 生態科學， 2018，37（2）：191-197.

［25］ 王曉軒， 夏麗華， 鄧珊珊， 等. 基于RS和GIS的南海區基塘用地時空變化分析［J］. 資源與產業， 2011，13（4）：55-60.

［26］ LIU J， CHEN J， WANG X. Spatial-temporal change of sanshui district's dike-pond from 1979-2009［J］. Physics procedia， 2012，25：452-458.

［27］ 劉志根，夏麗華，崔文君. 佛山市基塘系統多時相遙感分析［J］. 廣東農業科學， 2017，44（10）：116-120.

［28］ XIA Z， GUO X， CHEN R. Automatic extraction of aquaculture ponds based on google earth engine［J］. Ocean amp; coastal management， 2020，198：105348.

［29］ DUAN Y， LI X， ZHANG L， et al. Mapping national-scale aquaculture ponds based on the google earth engine in the Chinese coastal zone［J］. Aquaculture， 2020，520.

［30］ LI Y， LIU K， LIU Y， et al. The dynamic of dike-pond system in the pearl river delta during 1964–2012［M］.Pirasteh S. Global Changes and Natural Disaster Management： Geo-information Technologies. Springer， 2017：47-59.

［31］ 黎豐收， 劉 凱， 劉 洋， 等. 基于WorldView-2數據的基塘系統遙感分類研究［J］. 濕地科學， 2018，16（5）：587-596.

［32］ 潘 騰. 高分二號衛星的技術特點［J］. 中國航天， 2015（1）：3-9.

［33］ 王瑾杰， 丁建麗， 張 成， 等. 基于GF-1衛星影像的改進SWI水體提取方法［J］. 國土資源遙感， 2017，29（1）：29-35.

［34］ 段秋亞， 孟令奎， 樊志偉， 等. GF-1衛星影像水體信息提取方法的適用性研究［J］. 國土資源遙感， 2015，27（4）：79-84.

［35］ 陳文倩， 丁建麗， 李艷華， 等. 基于國產GF-1遙感影像的水體提取方法［J］. 資源科學， 2015，37（6）：1166-1172.

［36］ 劉雙童， 王明孝， 楊樹文， 等. 基于GF-2高分辨率遙感影像的水體提取方法研究［J］. 全球定位系統， 2018，43（6）：37-43.

收稿日期：2022-05-31

基金項目：國家自然科學基金項目（42001213）；廣東省自然科學基金項目（2018A030313201）；廣州市科技計劃項目（201804020034）

作者簡介：蔣海濤（2002-），男，廣東清遠人，在讀本科生，專業方向為遙感分類方法，（電話）13684900598（電子信箱）j_the_next@163.com；通信作者，鐘志藝（1984-），男，廣東龍川人，高級工程師，碩士，研究方向為農業信息與國土整治規劃，（電話）18688433441（電子信箱）zzy_1984@126.com。