EN中文

自然资源遥感 >

2025 , Vol. 37 >Issue 2: 204 - 211

DOI: https://doi.org/10.6046/zrzyyg.2023321

技术应用

基于图谱耦合的高寒湿地土地类型识别与分类

  • 聂诗音 , 1 ,
  • 刘严松 , 1, 2 ,
  • 李会玲 1 ,
  • 薛凯伦 1 ,
  • 沈杜衡 1 ,
  • 何博宇 2, 3
展开
  • 1.成都理工大学地球与行星科学学院,成都 610059
  • 2.地球勘探与信息技术教育部重点实验室(成都理工大学),成都 610059
  • 3.四川三合空间科技有限公司,成都 610094
刘严松(1982-),男,博士,副教授,主要从事资源与环境遥感、地表过程及成灾机理、构造地貌研究。Email: 。

聂诗音(2000-),女,硕士研究生,主要从事第四纪地质学、遥感地质研究。Email: 。

Copy editor: 李瑜

收稿日期: 2023-10-31

  修回日期: 2024-01-25

  网络出版日期: 2026-06-03

基金资助

国家自然科学基金项目“低山丘陵区土壤元素空间运移与沉积对景观格局与过程的响应规律研究”(41971226)

四川省自然资源厅基金项目“大渡河区域金矿成矿带地质找矿关键科学技术难题研究与示范”(KJ-2016-07)

甘肃省教育厅高校教师创新基金项目“铅锌矿稀散元素含量的高光谱反演研究”(2023A-253)

四川省教育厅基金项目“基于元素迁移的矿区重金属污染快速填图方法研究与示范”(18ZB0065)

收起

Identification and classification of land types of alpine wetlands based on spectral coupling

  • NIE Shiyin , 1 ,
  • LIU Yansong , 1, 2 ,
  • LI Huiling 1 ,
  • XUE Kailun 1 ,
  • SHEN Duheng 1 ,
  • HE Boyu 2, 3
Expand
  • 1. College of Earth and Planetary Sciences, Chengdu University of Technology, Chengdu 610059, China
  • 2. Key Laboratory of Earth Exploration and Information Technology of Ministry of Education(Chengdu University of Technology), Chengdu 610059, China
  • 3. Sichuan Sumhope Spatial Technology Co., Ltd, Chengdu 610094, China

Received date: 2023-10-31

  Revised date: 2024-01-25

  Online published: 2026-06-03

Fold

摘要

高寒湿地是青藏高原自然生态系统之一,是中国极其重要的水源涵养地和气候调节区,精确提取高寒湿地的土地覆盖信息,对当地生态安全监测和保护具有重要意义。该文以若尔盖湿地为研究区,综合使用珠海一号高光谱遥感影像、Sentinel-2A遥感影像和Landsat8 OLI影像为数据源,融合光谱、纹理和地形等特征,对该区域进行面向对象分类。结果表明: 3种影像数据分类总体精度整体高于85%,Kappa系数高于68%,珠海一号高光谱遥感影像分类效果最好; 3种影像数据分类结果总体上具有一致性,均以沼泽湿地为主,河流湖泊湿地分布位置大致相同,高寒草地的分布略有不同,面积相差小; 沙化地分布差异不明显,水系整体分布相同,但支流分布稍有差异。该研究充分挖掘有利于影像分类的图谱特征组合,提高了遥感影像识别精度,对高寒湿地的保护提供了技术支持。

关键词： 高寒湿地; 遥感影像分类; 图谱耦合; 特征选择; 若尔盖

本文引用格式

聂诗音 , 刘严松 , 李会玲 , 薛凯伦 , 沈杜衡 , 何博宇 . 基于图谱耦合的高寒湿地土地类型识别与分类[J]. 自然资源遥感, 2025 , 37(2) : 204 -211 . DOI: 10.6046/zrzyyg.2023321

Abstract

Alpine wetlands, a critical part of the natural ecosystem in the Qinghai-Tibet Plateau, serve as extremely significant water conservation and climate regulation areas in China. Accurately extracting land cover information of alpine wetlands is crucial for local ecological security monitoring and protection. This study performed object-oriented classification of the data from the Zoige wetland, including the Zhuhai-1 hyperspectral remote sensing image, Sentinel-2A remote sensing image, and Landsat-8 OLI image, integrated with spectral, textural, and topographic features. The results show that the overall data classification accuracy of the three images exceeded 85 %, with a Kappa coefficient above 68 %. The optimal classification result was observed in the Zhuhai-1 hyperspectral remote sensing image. The three images showed generally consistent data classification results, with marsh wetlands being the dominant land type. They indicated roughly the same distribution of riverine and lacustrine wetlands and slightly varying distributions of alpine grasslands, with minor area differences. Additionally, they displayed minimally different distributions of desertified land and almost the same hydrographic net distribution except for slightly different tributary distributions. This study fully explores the combinations of spectral features favorable for image classification, improving the identification accuracy of remote sensing images and providing technical support for the conservation of alpine wetlands.

Key words： alpine wetland; remote sensing image classification; spectral coupling; feature selection; Zoige

0 引言

高寒湿地是生物多样性的重要载体,也是湿地生态系统的典型代表,主要分布在我国青藏高原东部,以若尔盖湿地最为典型。随着城市化进程加快、人口急剧增加和全球气候变化,青藏高原的总湿地面积在1990—2006年中减少了2 970.31 km2。高寒湿地正面临严重的萎缩和退化,这对当地生态安全以及生产和生活构成了巨大的威胁[1-2]。因此,迫切需要有效的技术方法对高寒湿地进行动态高效监测,为湿地资源的保护和管理提供科学依据[3-5]。
我国早期对湿地信息提取的研究方法主要是野外实地调查与目视解译等,随着遥感技术的发展,目前地表覆盖信息提取研究已发展了多种遥感影像分类方法,如最大似然分类法、人工神经网络分类法、面向对象分类法及决策树模型和Logistic逻辑斯蒂模型等,其主要依据各类影像的纹理、色调等影像标志与地物的相关性进行分层提取或复合分类[6-13]。高光谱技术的发展使影像兼具了图特征和谱特征的双重特性[14-15],“图谱合一”的优势使得综合利用影像的纹理与波谱信息进行湿地类型提取更加精确。因此,本文将与特征地物相关的光谱信息与纹理和形态特征信息结合,开展基于图谱耦合的高寒湿地土地类型识别与分类研究,以期为高寒湿地的动态监测提供更加有效的技术支持。

1 研究区概况与数据源

1.1 研究区概况

若尔盖湿地(102°29'~102°59'E,33°25'~34°00'N)位于青藏高原东北侧,隶属于四川省阿坝藏族羌族自治区的若尔盖县,是中国第一大高原沼泽湿地,总面积166 570.6 km2[16-17](图1)。若尔盖湿地平均海拔约3 500 m,属高原寒温带湿润气候,主要发育黑河、热曲等黄河次级水系,地貌类型为高原浅丘沼泽地貌,地势东南高,西北低,出露地层以三叠系为主。
图1 若尔盖高寒湿地示意图

Fig.1 Schematic diagram of Zoige alpine wetland

本文参照武高洁等[18]的分类体系和研究结果,将若尔盖湿地的地类初步分为沼泽湿地、高寒草地、河流湖泊湿地、沙化地和水系共5类。

1.2 数据源及其预处理

珠海一号高光谱影像覆盖研究区共4景(下载地址: https://www.obtdata.com/#/dataExpress),时间是2022年12月30号; Sentinel-2A多光谱影像选择2022年12月20号的L2A级多光谱影像数据(下载地址: https://scihub.copernicus.eu/dhus/#/home),共2景; 中低分辨率遥感数据的Landsat8 OLI影像数据(下载地址: https://www.gscloud.cn/),时间为2021年2月23日,共2景。所选择影像数据质量良好,云量控制在3%以内。
采用3种不同遥感影像数据进行对比实验。珠海一号高光谱影像结合成像技术与光谱技术可获取高分辨率连续、宽带图像数据,单颗高光谱卫星的最大成像范围150 km×2 500 km,弥补了以往高光谱影像光谱分辨率高而空间分辨率低和幅宽窄的缺点; Sentinel-2卫星具有较高的时空分辨率,对大范围的湿地信息提取有优势; Landsat8 OLI遥感影像具有识别水体、植被的波段,能很好地突出相关地物的色调和纹理特征。
使用ENVI 5.3对遥感数据进行辐射定标、大气校正等预处理,并进行数据镶嵌和裁剪。珠海一号高光谱数据完全覆盖研究区,在镶嵌处理后利用矢量数据进行了裁剪。Landsat8 OLI完成上述处理后进行了多波段与全色波段的融合,以进一步提高空间分辨率。哨兵数据为Sentinel-2A的L2A级数据,无需进行大气校正等操作,但需在官方提供的SNAP软件中进行格式转换,输出ENVI标准格式,再进行镶嵌和裁剪。

2 研究方法

2.1 研究思路

本次研究技术流程如图2所示。首先对各影像进行预处理,构建分类体系,包括进行指数计算、灰度共生矩阵计算(grey level co-occurrence matrix,GLCN)、缨帽变换以及地形分析等,以获取用于分类的各特征集,然后基于eCognition平台确定最优分割尺度,并结合特征信息进行面向对象分类[19],最后对各影像识别结果进行精度验证,并对比不同影像在高寒湿地土地类型分类的效果。
图2 研究方法流程图

Fig.2 Flow chart of research methods

2.2 分类体系的建立

遥感影像具有丰富的特征信息,在面向对象分类过程中,不同的特征信息可帮助识别不同的地物。分类过程中首先应用的是影像对象特征,即以对象本身要素特征来反映其属性信息,这些要素特征包括光谱、纹理、形状等; 其次还有空间关系特征,即一个类别与其他类别间的空间关联[20]。在研究区地物特征及数据源分析基础上,本文筛选了光谱特征、纹理信息和地形3类中的23个分类变量进行分析。
光谱特征包含影像的主要地物信息,在影像分类中是最常用和最有效的特征。研究区以高寒湿地为主,植被与水体区分要求较高,因此选择蓝、绿、红、近红外和短波红外5个波段; 选择特定的光谱指数可以突出目标地物特征,抑制其余地物信息,利于影像分类。本文根据研究区湿地情况,选择7个光谱指数: ①归一化植被指数(normalized difference vegetation index,NDVI),对绿色植物敏感,与植物分布密度呈线性关系,是植物生长状况和空间分布密度的最佳指标; ②比值植被指数(ratio vegetation index,RVI),与叶绿素含量相关性高,可用于检测和估算植被生物量,且植被覆盖度较高时,RVI对植被十分敏感; ③差值环境植被指数(difference vegetation index,DVI),能很好地反映植被覆盖度的变化,对土壤背景的变化较RVI敏感; ④叶绿素吸收量(modified chlorophyll absorption in reflectance index,MCARI)是衡量叶绿素吸收深度的指标,对叶绿素浓度的变化非常敏感,其值不受光照条件、土壤和其他非光合物质背景反射率的影响; ⑤归一化水体指数(normalized difference water index,NDWI),可以最大限度抑制植被的信息突出水体,区分一部分混淆的高寒草地和沼泽湿地; ⑥改进归一化水体指数(modified normalized difference water index,MNDWI)进一步增强开阔水体特征,减少其他指标中常与开阔水域相关的建成区特征; ⑦阴影水体指数(shadow water index,SWI)能够较好地区分水体和阴影。
纹理是一种反映图像中同质现象的视觉特征,描述了图像像素邻域灰度空间分布的规律,纹理信息在一定程度上可以提高分类精度[21],对于河流、湖泊、沼泽斑块和道路等形状轮廓明显的地方的提取发挥了重要的作用。本文选择GLCM方法提取影像纹理特征,GLCM表示任意2个像素点之间的联合概率分布。首先对原始遥感影像数据进行主成分分析(principal component analysis,PCA),对遥感数据进行降维,PCA变换是利用相关系数矩阵或者协方差矩阵消除影像波段间的相关性,将其投影到相对独立的波段中,使影像信息集中在前几个波段中。在ENVI 5. 3中,选用3×3移动窗口,利用GLCM计算影像8种纹理特征(均值、方差、协同性、对比度、相异性、信息熵、二阶矩和相关性),得到相关波段的纹理特征变量。
地形特征是对高寒地区土地覆盖类型分类的重要指标,研究区沼泽湿地多分布在排水不畅的低洼地区,且随着海拔的升高,湿地面积有减少的趋势,因而本文使用30 m空间分辨率的数字高程模型(digital elevation model,DEM),利用ArcGIS 10.8进行海拔、坡度和坡向信息的提取。
23 个分类特征变量计算方法或描述详见表1,其中NIR为近红外波段; Red为红波段; Green为绿波段; Blue为蓝波段; i,j表示灰度; k为最高灰度级; p为灰度i和灰度j同时出现的概率。
表1 分类特征变量表

Tab.1 Classification feature variable table

特征类型 特征名称 计算方法或描述
光谱特征 光谱波段 波段 蓝、绿、红、近红外、短波红外
光谱指数 NDVI NDVI = (NIR-Red) / (NIR+Red)
RVI RVI=NIR / Red
DVI DVI=NIR-Red
MCARI MCARI =[(NIR-Red)-0.2×(NIR-Green)]×(NIR / Red)
NDWI NDWI=(Green-NIR) / (Green+NIR)
MNDWI MNDWI = (Green-Mir) / (Green-Mir)
SWI SWI = Blue+Red-NIR
纹理特征 均值(Mean) M e a n = ∑ i = 0 k ∑ j = 0 k p ( i , j ) × i
方差(Variance) V a r i a n c e = ∑ i = 0 k ∑ j = 0 k p ( i , j ) × ( i - M e a n ) 2
协同性(Homogeneity) H o m o g e n e i t y = ∑ i = 0 k ∑ j = 0 k p ( i , j ) × 1 1 + ( i - j ) 2
对比度(Contrast) C o n t r a s t = ∑ i = 0 k ∑ j = 0 k p ( i , j ) × ( i - j ) 2
相异性(Dissimilarity) D i s s i m i l a r i t y = ∑ i = 0 k ∑ j = 0 k p ( i , j ) × i - j
信息熵(Entropy) E n t r o p y = ∑ i = 0 k ∑ j = 0 k p ( i , j ) × l o g p ( i , j )
二阶矩(Second Moment) S e c o n d   M o m e n t = ∑ i = 0 k ∑ j = 0 k p ( i , j )
相关性(Correlation) C o r r e l a t i o n = ∑ i = 0 k ∑ j = 0 k ( i - M e a n ) × ( j - M e a n ) × p ( i , j ) 2 V a r i a n c e
地形特征 海拔 ASTER GDEM V2数据集
坡度 ASTER GDEM V2数据集
坡向 ASTER GDEM V2数据集

2.3 面向对象分类方法

面向对象分类方法是以对象为基础,通过图像分割技术,将图像划分为由同质像元组成的不同大小的对象,这些对象被视为分类的基本单位,而不是单一的像元。在分类过程中,可以参考选定对象的光谱、纹理和形状等特征进行精确分类,以便找出图像中地物区分的规则[22]。
多尺度影像分割是一种区域合并技术,它从下至上自动将生成的影像对象层按照等级结构连接,使得分割结果更接近地物的自然边界。在分割过程中,获取最优的影像对象的关键在于分割参数的选择,这是一个综合因子的过程,由光谱和形状2方面决定。考虑的主要分割参数包括波段权重、分割尺度和均质性因子。其中,不同分割尺度会对分割对象形成不同的结果,因此在设置分割尺度时,本文根据不同的地物特征选择了不同的分割尺度,通过反复实验得出地物的最佳分割参数,以求达到最优图像效果,使地物边界清晰可见(表2)。
表2 地物分割参数表

Tab.2 Feature segmentation parameter table

分类对象 分割参数
分割尺度 异质性标准
光谱权重 形状标准
光滑度 紧致度
沼泽湿地 80 1 0.3 0.5
河流湖泊湿地 80 1 0.3 0.5
高寒草地 80 1 0.3 0.5
沙化地 40 1 0.3 0.5
水系 40 1 0.3 0.5

3 结果与分析

3.1 特征分类选择

本文利用纹理特征辅助遥感影像分类,将提取的纹理图像作为新波段与原光谱影像融合,形成一幅新图像进行分类。在eCognition中选择不同的波段组合以增强某种土类,如图3(b)对沼泽湿地增强,图3(c)对高寒草地增强,图3(d)对水体增强。影像的进一步详细分类则可结合遥感指数进行。表3为珠海一号高光谱影像中各土地类型的光谱特征值,其中红、近红外波段及NDVI和DVI可综合区分沼泽湿地与高寒草地; 河流湖泊湿地的水体指数数值最大,与水系也很好区分; 沙化地的植被指数是最低的。Sentinel-2A遥感影像和Landsat8 OLI影像的光谱特征值与珠海一号高光谱影像光谱特征值大小稍有差异,但总体特征相同,亦可进一步细分各土地类型。
图3 研究区纹理特征图

Fig.3 Texture feature map of the study area

表3 珠海一号高光谱影像土地类型光谱特征值

Tab.3 Spectral characteristic value of land type in Zhuhai-1 hyperspectral remote sensing image

类型/光谱特征 NIR Red Green Blue SWIR NDVI RVI DVI MCARI NDWI MNDWI SWI
沼泽湿地 1 837 1 043 1 078 1 146 1 735 0.21 1.54 563.81 823.68 -0.20 -0.24 558.41
河流湖泊湿地 1 677 4 455 6 977 4 836 1 164 -0.45 0.38 -2 778.75 -603.66 0.61 0.73 7 238.84
高寒草地 2 305 1 471 1 406 1 425 2 076 0.22 1.57 833.77 793.09 -0.24 -0.21 678.85
水系 1 274 1 364 1 680 1 510 1 338 -0.03 0.93 -90.77 28.10 0.14 0.09 1 563.29
沙化地 1 922 1 630 1 741 1 413 2 181 0.08 1.18 291.46 274.52 -0.04 -0.08 1 062.31

3.2 不同影像分类精度评价与对比分析

为评估遥感影像分类精度,本文选择混淆矩阵作为评估工具。混淆矩阵是目前最广泛使用的精度评估方式,利用验证样本点数,可以得到生产者精度、用户精度、总体准确度和Kappa系数等,其中Kappa系数可以用来衡量整个混淆矩阵的准确度。
对影像的识别结果采用混淆矩阵结合Kappa系数的方式进行分类精度验证,分别得到3类影像数据的生产精度、用户精度、生产者精度、总体精度及Kappa系数等(表4,图4)。
表4 遥感影像面向对象分类精度验证结果

Tab.4 Object-oriented classification accuracy verification results of remote sensing images

遥感影像 总体精度/% Kappa系数
珠海一号高光谱影像 93.14 0.83
Sentinel-2A多光谱影像 85.95 0.70
Landsat8 OLI影像 85.66 0.68
图4 各土地类型精度参数统计图

Fig.4 Statistical chart of precision parameters of each land type

结果表明,3种遥感影像总体精度85%以上,Kappa系数差异明显,珠海一号高光谱影像总体精度最高(83.11%),分类效果最好,其次是Sentinel-2A多光谱影像和Landsat8 OLI影像。
从各地类型分类精度看(图4),沼泽湿地在珠海一号高光谱影像中分类精度最好,在Sentinel-2A多光谱影像中分类精度最差; 河流湖泊湿地和水系在Landsat8 OLI影像中分类最差,其原因是水系样本与河流湖泊湿地样本出现重合,像元分割范围不理想而导致识别错误; 沼泽湿地和高寒草地光谱指数虽有相似之处,但高寒草地多分布在山地,沼泽湿地多分布在低平地区,综合纹理特征和地形参数则能较好区分; 沙化地分类结果在3种影像中都不太理想,分析认为是研究区沙化地面积小且零散分布,从而不易被识别导致在影像中分类效果差。

3.3 不同影像土壤覆盖类型分类结果

利用面向对象分类方法对若尔盖湿地进行地类识别,分类结果见图5,统计结果见表5。由此可知,珠海一号高光谱影像、Sentinel-2A多光谱影像以及Landsat8 OLI影像总体上具有一致性,均以沼泽湿地为主,但珠海一号高光谱影像和Sentinel-2A多光谱影像的沼泽湿地面积大于Landsat8 OLI影像; 河流湖泊湿地在3类影像中的分布大致相同,但在Landsat8 OLI影像中分类最差,其面积仅为8.86 km2; 高寒草地的分布位置略有不同,识别面积在3类影像中相差较小; 沙化地由于面积小且零散分布,其在3种影像中都不太理想,识别面积差异明显,以在Sentinel-2A多光谱影像中的识别面积最高; 水系整体分布相同,但支流分布稍有差异,以Landsat8 OLI影像的识别结果最大。
图5 影像识别土地类型结果

Fig.5 Image recognition of land type results

表5 影像识别土地类型面积统计

Tab.5 Land type area of image recognition (km2)

土地覆盖类型 珠海一号
高光谱影像		 Sentinel-2A
多光谱影像		 Landsat8
OLI影像
沼泽湿地 1 087.32 1 106.52 1 096.49
河流湖泊湿地 15.79 19.18 8.86
高寒草地 576.36 549.28 571.37
沙化地 5.93 11.01 2.27
水系 15.70 13.65 23.36
在影像识别结果中,可以看出沼泽湿地地形通常较为平坦,且由于湿地中的水体和植物交织?纬傻模􀰭∂乇砻婵赡芑嵊胁ㄎ苹虬叩阕吹奈评恚?河流湖泊湿地的形状通常与地形特征有关,可能会出现线性或者不规则的形状; 高寒草地的地形变化较大,垂向上存在植物群里的分带,因此常出现条带状或团块状纹理; 沙化地在多光谱影像上通常表现为黄色或浅黄色,常分布在草地边缘,常呈现斑杂状或团块状纹理; 水体因反射特性而常在多光谱影像中表现为深蓝色或者黑色。

4 总结

本文以面向对象分类方法对若尔盖湿地的珠海一号高光谱影像、Sentinel-2A多光谱影像和Landsat8 OLI遥感影像进行地类识别与分类实验,主要得到以下结论:
1)在地物特征分析的基础上,综合选用光谱信息、纹理信息和几何信息作为影像分类依据,分别识别和提取出沼泽湿地、河流湖泊湿地、高寒草地、沙化地和水系5种地类,总体分类精度大于85%,并以珠海一号高光谱影像分类效果最好。
2)3种影像分类结果均以沼泽湿地为主,面积最大,其次是高寒草地,河流湖泊湿地和水系分布位置大致相同,支流分布稍有差异,沙化地分布差异不明显。
实验结果表明珠海一号高光谱影像识别效果最好,分析认为珠海一号高光谱影像具有图谱合一的特点,包含有丰富的空间、辐射和光谱信息,能有效提升高寒湿地土地类型的识别和分类精度,在湿地动态监测方面具有很好的应用价值。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
侯蒙京, 殷建鹏, 葛静, 等. 基于随机森林的高寒湿地地区土地覆盖遥感分类方法[J]. 农业机械学报, 2020, 51(7):220-227.

Hou M J, Yin J P, Ge J, et al. Land cover remote sensing classification method of alpine wetland region based on random forest algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(7):220-227.

[2]
郭长庆. 基于多目标遗传算法的若尔盖高原高寒湿地生态修复优化研究[D]. 北京: 北京林业大学, 2021.

Guo C Q. Research on ecological restoration optimization of alpine wetland in Zoige Plateau based on multi-objective genetic algorithm[D]. Beijing: Beijing Forestry University, 2021.

[3]
韦玮, 李增元, 谭炳香. 高光谱遥感技术在湿地研究中的应用[J]. 世界林业研究, 2010, 23(3):18-23.

Wei W, Li Z Y, Tan B X. A review of application of hyperspectral remote sensing to wetland study[J]. World Forestry Research, 2010, 23(3):18-23.

[4]
庞一剑. 基于遥感技术的若尔盖高原湿地生态系统的评价及其监测[D]. 武汉: 武汉大学, 2019.

Pang Y J. Evaluation and monitoring of Zoige Plateau wetland ecosystem based on remote sensing technology[D]. Wuhan: Wuhan University, 2019.

[5]
王利花. 基于遥感技术的若尔盖高原地区湿地生态系统健康评价[D]. 长春: 吉林大学, 2007.

Wang L H. Health evaluation of the wetland ecosystem in Zoige Plateau district based on remote sensing[D]. Changchun: Jilin University, 2007.

[6]
李京, 蒋卫国. 高光谱遥感在湿地监测与分类中的应用[C]// 第十届全国光电技术学术交流会论文集, 2012:152-153.

Li J, Jiang W G. Application of hyperspectral remote sensing in wetland monitoring and classification[C]// Proceedings of the 10th National Optoelectronic Technology Academic Exchange Conference, 2012:152-153.

[7]
王诗洋. 基于多时相遥感影像的辽宁双台河口湿地信息提取研究[D]. 成都: 成都理工大学, 2016.

Wang S Y. Extraction of wetlands information using multi-temporal remote sensing images in Shuangtai Estuary area of Liaoning Province[D]. Chengdu: Chengdu University of Technology, 2016.

[8]
高永攀, 陈书文. 基于遥感影像的湖泊湿地识别研究[J]. 地理空间信息, 2014, 12(5):85-86,10.

Gao Y P, Chen S W. Recognition of wetlands based on remote sensing images[J]. Geospatial Information, 2014, 12(5):85-86,10.

[9]
阮仁宗, 冯学智. 基于多时相遥感和GIS技术的湿地识别研究[J]. 遥感信息, 2005, 20(2):20-23,69.

Ruan R Z, Feng X Z. Identification on wetland based on GIS and multi-temporal remote sensing images[J]. Remote Sensing Information, 2005, 20(2):20-23,69.

[10]
张磊, 宫兆宁, 王启为, 等. Sentinel-2影像多特征优选的黄河三角洲湿地信息提取[J]. 遥感学报, 2019, 23(2):313-326.

Zhang L, Gong Z N, Wang Q W, et al. Wetland mapping of Yellow River Delta wetlands based on multi-feature optimization of Sentinel-2 images[J]. Journal of Remote Sensing, 2019, 23(2):313-326.

[11]
常文涛, 王浩, 宁晓刚, 等. 融合Sentinel-2红边波段和Sentinel-1雷达波段影像的扎龙湿地信息提取[J]. 湿地科学, 2020, 18(1):10-19.

Chang W T, Wang H, Ning X G, et al. Extraction of Zhalong wetlands information based on images of Sentinel-2 red-edge bands and Sentinel-1 Radar bands[J]. Wetland Science, 2020, 18(1):10-19.

[12]
乔雯钰. 基于高光谱遥感影像的黄河入海口湿地分类方法研究[D]. 青岛: 山东科技大学, 2020.

Qiao W Y. Research on Yellow River estuary wetland classification based on hyperspectral remote sensing images[D]. Qingdao: Shandong University of Science and Technology, 2020.

[13]
姚杰鹏, 杨磊库, 陈探, 等. 基于Sentinel-1,2和Landsat8时序影像的鄱阳湖湿地连续变化监测研究[J]. 遥感技术与应用, 2021, 36(4):760-776.

DOI

Yao J P, Yang L K, Chen T, et al. Consecutive monitoring of the Poyang Lake wetland by integrating Sentinel-2 with Sentinel-1 and Landsat8 data[J]. Remote Sensing Technology and Application, 2021, 36(4):760-776.

[14]
张晓斌, 石佳, 欧明武, 等. 基于Landsat8遥感数据的东洞庭湖湿地变化监测与分析[J]. 上海国土资源, 2021, 42(1):24-28.

Zhang X B, Shi J, Ou M W, et al. Monitoring and analysis of wetland change in East Dongting Lake based on Landsat8 remote sensing data[J]. Shanghai Land and Resources, 2021, 42(1):24-28.

[15]
于新菊. 图谱耦合的高分辨率城市精细不透水面提取方法研究[D]. 北京: 中国科学院大学(中国科学院遥感与数字地球研究所), 2016.

Yu X J. Fine scale impervious surface extraction method research based on coupled spectral and spatial features[D]. Beijing: University of Chinese Academy of Sciences (Institute of Remote Sensing and Digital Earth Chinese Academy of Sciences), 2016.

[16]
左丹丹, 罗鹏, 杨浩, 等. 保护地空间邻近效应和保护成效评估——以若尔盖湿地国家级自然保护区为例[J]. 应用与环境生物学报, 2019, 25(4):854-861.

Zuo D D, Luo P, Yang H, et al. Assessing the space neighborhood effects and the protection effectiveness of a protected area:A case study from Zoige Wetland National Nature Reserve[J]. Chinese Journal of Applied and Environmental Biology, 2019, 25(4):854-861.

[17]
费世民, 崔丽娟, 何亚平, 等. 若尔盖高寒湿地生态系统定位站的背景研究——若尔盖高寒湿地研究概述[J]. 四川林业科技, 2006, 27(2):21-29.

Fei S M, Cui L J, He Y P, et al. A background study of the wetland ecosystem research station in the Ruoergai Plateau[J]. Journal of Sichuan Forestry Science and Technology, 2006, 27(2):21-29.

[18]
武高洁, 林海晏, 宁宇, 等. 近12年若尔盖自然保护区各功能区景观格局动态分析[J]. 西部林业科学, 2017, 46(5):6-12.

Wu G J, Lin H Y, Ning Y, et al. Landscape pattern dynamic of Zoige Wetland during 12 years based on functional zone division[J]. Journal of West China Forestry Science, 2017, 46(5):6-12.

[19]
张振勇, 王萍, 朱鲁, 等. eCognition技术在高分辨率遥感影像信息提取中的应用[J]. 国土资源信息化, 2007(2):15-17,33.

Zhang Z Y, Wang P, Zhu L, et al. Application of the eCognition technology to information extraction from high resolution remote sensing image[J]. Land and Resources Informatization, 2007(2):15-17,33.

[20]
郭霞. 基于Landsat8 OLI遥感数据的随机森林分类优化研究[D]. 秦皇岛: 燕山大学, 2021.

Guo X. Optimization research of random forest classification based on Landsat8 OLI remote sensing Images[D]. Qinhuangdao: Yanshan University, 2021.

[21]
郑淑丹, 郑江华, 石明辉, 等. 基于分形和灰度共生矩阵纹理特征的种植型药用植物遥感分类[J]. 遥感学报, 2014, 18(4):868-886.

Zheng S D, Zheng J H, Shi M H, et al. Classification of cultivated Chinese medicinal plants based on fractal theory and gray level co-occurrence matrix textures[J]. Journal of Remote Sensing, 2014, 18(4):868-886.

[22]
陈云浩, 冯通, 史培军, 等. 基于面向对象和规则的遥感影像分类研究[J]. 武汉大学学报(信息科学版), 2006, 31(4):316-320.

Chen Y H, Feng T, Shi P J, et al. Classification of remot sensing image based on object oriented and class rules[J]. Geomatics and Information Science of Wuhan University, 2006, 31(4):316-320.

Options
文章导航

/

〈 〉