-
泥炭沼泽是湿地的主要类型之一,对维持区域生态平衡和可持续发展具有重要的作用[1]。并且,泥炭沼泽中碳储量大,约占全球陆地碳库的1/3,相当于大气中碳含量的75 %[2],因此,泥炭沼泽在全球气候变化和生态系统平衡中占有举足轻重的地位。然而,目前针对应用遥感技术提取泥炭沼泽空间分布信息的研究却相对较少。
光学遥感数据具有光谱信息丰富、易获取和数据处理简单的优势和特点。但由于地表覆盖植被的影响,利用传统的中低分辨率光学影像可以实现对湿地与非湿地的区分,却难以完成不同沼泽类型的区分,对不同泥炭沼泽类型更是不易区分[3]。雷达遥感数据相对于光学遥感数据波长更长,并且其穿云透雾的特点具有全天时、全天候的观测能力,在对沼泽广泛发育的地区进行监测时,可以免受时间和气象的限制[4]。而且,雷达影像的后向散射对成像表面的介电特性(土壤湿度、植被含水量)和几何特征(表面粗糙度)较为敏感,能够更为细致地反应不同地物的区别。此外,微波对地物具有一定的穿透能力,能够反映近地面以下的地物信息[5]。因而,雷达遥感适合湿地的识别、信息提取与监测研究。以往研究已经证明低频的雷达波段(P和L波段)更适于监测以林地为主的湿地,而高频的雷达波段(C波段)适用于研究草本沼泽和泥炭沼泽[6]。
本研究选用C波段ENVISAT ASAR、Landsat TM影像以及数字高程模型(digital elevation model,DEM)数据作为基本数据源,综合运用面向对象和决策树分类方法进行泥炭沼泽信息提取研究,以期为我国泥炭沼泽信息提取研究提供一定的技术和理论参考。
-
研究区位于小兴安岭西部典型泥炭沼泽分布区(如图 1(a)所示)。本区纬度高、气候寒冷、降水充足、河网水系较发达,为泥炭沼泽的发育提供了有利条件。研究区内主要地物类型有农田、林地、水体、建设用地、草本沼泽和泥炭沼泽。
-
泥炭沼泽的基本特征为地表常年过湿或有薄层积水,并生长有沼生或湿生植物,且地表泥炭层厚度大于30 cm[7]。根据国内外认可的湿地分类研究[8]可知,泥炭沼泽与草本沼泽、木本沼泽、草甸沼泽等其它沼泽类型的最大区别在于前者有泥炭积累,而后者无泥炭积累。
通常,根据泥炭沼泽养分补给的主要来源将泥炭沼泽分为雨养泥炭沼泽和矿养泥炭沼泽[9]。从泥炭沼泽生态景观特征和遥感地物识别的角度出发,根据泥炭沼泽地表乔木覆盖的郁闭度将其分为两类:郁闭型泥炭沼泽,乔木覆盖郁闭度10%~25%;开放型泥炭沼泽,乔木覆盖郁闭度<10%[10]。不同泥炭沼泽类型的异同见表 1。
表 1 不同泥炭沼泽类型基本信息对比
Table 1. Contrast of Basic Information of Different Peatlands
泥炭沼泽类型 遥感解译类型 地表覆盖主导植被 养分补给主要来源 酸碱度 地理位置 典型地区实地调查照片(拍摄时间2014-04) 雨养泥炭沼泽 郁闭型泥炭沼泽居多;开放型泥炭沼泽较少 泥炭藓、莎草科和杜鹃科灌丛主导 大气降水 pH <5 高于周围景观的部位 矿养泥炭沼泽 郁闭型泥炭沼泽极少;开放型泥炭沼泽居多 禾本科和莎草科主导 降水、地表水和地下水 pH>6 坡地、平地或低地 -
Landsat TM影像相对于其他中等分辨率的光学影像具有性价比高、光谱信息丰富等特点,从影像云覆盖量、质量、研究区6月份TM影像较其他植物生长月份更为细腻的特点及与雷达影像时间间隔等多个方面考虑,本文选用覆盖研究区的2010-06-25TM影像。首先利用DEM数据对遥感影像进行正射纠正;然后以地形图为参考,选择控制点,通过重采样纠正TM影像的几何偏差,误差控制在0.5个像元以内。处理完成的TM数据如图 1(c)所示。
覆盖研究区的ENVISAT ASAR APP Level 1B数据(2010-7-2),与选用的TM影像前后相差7 d,较短的时间差在最大程度上减小了因影像时差而产生的土地覆盖分类误差。本文选用的雷达影像为ENVISAT卫星的ASAR传感器在交替极化工作模式下生成的产品,波段为C波段(波长5.62 cm),极化方式为HH极化(horizontal/horizontal polarization)和HV极化(horizontal/vertical polarization)组合,空间分辨率为30 m[11]。该数据处理以欧空局提供的NEXT 4C雷达影像处理软件为操作平台进行。其数据预处理过程如下。
1) 辐射定标。由于ENVISAT ASAR APP Level 1B级数据记录的是数字量化值(digital number,DN),因而需通过辐射定标将其转化为后向散射系数(单位为dB)。其绝对定标式为[12]:
$$\sigma _{ij}^0 = 10 \cdot \log \left[ {{{{\rm{DN}}_{ij}^2} \over K}\sin \left( {{\theta _{ij}}} \right)} \right]$$ (1) 式中,σij0为第i行第j列像元的后向散射系数;DNij为第i行第j列像元的原始强度数值;θij是第i行第j列像元的雷达波入射角度;K为绝对定标系数,对于不同的影像,绝对定标系数亦不同。
2) 地形校正。地形校正采用的算法为距离多普勒成像算法,校正参照的DEM数据为航天飞机雷达地形测量任务(shuttle radar topography mission,STRM) 3 s精度数据。
3) 滤波处理。根据影像本身及研究区地物分布特征,选用增强Lee滤波器(窗口大小3×3)对步骤2)完成的雷达影像进行空间滤波处理。
4) 空间配准。以TM影像为基准,在TM影像和ASAR影像上选择特征明显的地物,应用ArcGIS软件中的空间参考模块对ASAR雷达影像进行几何校准,误差控制在0.5像元以内。处理完成的雷达影像HV极化数据如图 1(d)所示。
考虑到沼泽湿地一般分布于沟谷洼地、地势低平处,因此本研究将坡度因素作为泥炭沼泽分布的控制因子。基于DEM数据,应用ArcGIS软件的空间分析模块的表面分析功能提取研究区坡度数据。
-
结合野外实地调查样点,对郁闭型泥炭沼泽、开放型泥炭沼泽、草本沼泽、林地、水体、农田和居住地的雷达影像后向散射系数进行特征对比。研究区内7类土地覆盖类型在不同极化方式下雷达后向散射系数平均值和标准差对比结果见图 2。
图 2 研究区土地覆盖类型后向散射系数平均值±标准差对比(蓝柱为平均值,红线为标准差)
Figure 2. Backscattering Coefficient Comparison of Average±Standard Deviation for Land Cover Types in the Study Area. Blue Indicates Mean Value; Red Represents Standard Deviation
由图 2可知,不同土地覆盖类型在不同极化方式下后向散射系数差别较大。整体上,不同土地覆盖类型在HH极化方式下后向散射系数大于在HV极化方式下的后向散射系数。两种极化方式下水体的后向散射系数最小,居住地的后向散射系数最大。相对于其他土地覆盖类型沼泽湿地后向散射系数均较小,且两种极化方式下草本沼泽后向散射系数最低,其次为开放型泥炭沼泽,郁闭型泥炭沼泽最大。主要由于湿地中水分含量较大,降低了雷达波束的穿透能力,因而三者后向散射系数均较小。同时,对郁闭型泥炭沼泽而言,由于乔木的存在,使得后向散射系数相对于草本沼泽和开放型泥炭沼泽要大。
对比HH和HV极化方式下郁闭型泥炭沼泽、开放型泥炭沼泽和草本沼泽后向散射系数之间的差别,可发现在HV极化方式下三者间的差距较大,郁闭型泥炭沼泽和开放型泥炭沼泽的后向散射系数相差4.25 dB。因此,为使研究结果更为准确,本研究选用ASAR雷达影像HV极化数据进行泥炭沼泽信息提取。
-
根据研究区土地覆盖实地调查和研究目的,将其分为林地、农田、建筑用地(包括居住地和道路)、水体(包括河流、湖泊、坑塘和水库)、草本沼泽、开放型泥炭沼泽和郁闭型泥炭沼泽7类。根据野外调查数据以及不同地物类型对应雷达波段的分析,并结合目视解译经验,得到土地覆盖类型的影像特征(表 2)。
表 2 研究区不同地物类型解译标志
Table 2. Interpretation Signs of Each Land Cover Type in the Study Area
序号 土地覆盖类型 光学影像特征(R∶G∶B=4∶3∶2) 雷达影像特征(极化方式HV) 影像示例(前为光学影像、后为雷达影像) 1 林地 受地形控制,呈不规则形状,边界自然圆滑,呈亮红色,有绒状纹理 呈不规则形状,黑灰色色调,影像结构粗糙 2 农田 地块边界清晰,几何特征规则,浅灰色 地块边界清晰,几何特征规则,浅灰色色调 3 建设用地 几何形状特征明显,青灰色,杂有其它地类色调,影像结构粗糙 几何形状特征明显,色调明亮,夹杂暗色斑点,影像结构粗糙 4 水体 几何特征明显,蓝色、蓝绿色,影像结构均一 几何特征明显,色调极暗,影像结果均一 5 草本沼泽 几何形状明显呈不规则状,边界清晰,呈红、黑色,影像纹理细腻 几何形状明显,边界清晰,暗色调 6 开放型泥炭沼泽 几何形状不规则,边界清晰呈红、黑色,影像纹理较平滑、细腻 几何形状明显,边界清晰,色调较暗 7 郁闭型泥炭沼泽 几何形状明显,边界清晰呈红、黑色,影像纹理较粗糙 几何形状明显,边界清晰,浅灰色色调 -
面向对象方法突破了传统遥感影像分类方法以像元为基本分类和处理单元的局限性,以含有更多语义信息的多个相邻像元组成的对象为处理单元,实现了较高层次的遥感图像分类和目标地物提取[13]。该方法综合利用影像光谱特征、质地、纹理等信息,分类结果避免“椒盐”现象的产生,具有良好的整体性。
1) 图像分割。对影像进行面向对象分类,首先需对影像进行分割。本研究选用多尺度分割,其参数包括分割尺度、光谱异质性和形状异质性,其中形状异质性通过光滑度和紧密度衡量,其关系如下[14]:
$$f = w\cdot{h_{{\rm{color}}}} + \left( {1 - w} \right)\cdot{h_{{\rm{shape}}}}$$ (2) $$\eqalign{ & {h_{{\rm{shape}}}} = {w_{{\rm{compact}}}}\cdot{h_{{\rm{compact}}}} + \cr & \left( {1 - {w_{{\rm{compact}}}}} \right)\cdot{h_{{\rm{smooth}}}} \cr} $$ (3) 式中,f为异质性值;w为光谱信息权重;hcolor为光谱异质性值;hshape为形状异质性值;wcompact为紧密度权重;hcompact为紧密度值;hsmooth为光滑度值。
本文以eCognition软件为操作平台,通过调整不同的分割尺度和分割参数对影像进行多尺度分割(表 3),对应的不同分割效果见图 3。在大量试验的基础上,通过目视判断分析,最终确定数据的分割尺度、分割形状、光谱因子、光滑度和紧密度分别设置为8、0.1、0.9、0.6和0.4。
表 3 多尺度分割尺度及分割参数设置
Table 3. Scales and Parameters Setting of Multi-resolution Segmentation
权重因子 分割层 类型1 类型2 类型3 类型4 类型5 类型6 分割尺度 25 20 15 12 10 8 彩色因子 0.7 0.8 0.9 0.7 0.8 0.9 形状因子 0.3 0.2 0.1 0.3 0.2 0.1 光滑度 0.6 0.6 0.6 0.6 0.6 0.6 紧致度 0.4 0.4 0.4 0.4 0.4 0.4 图 3 不同分割尺度和分割参数下影像分割结果
Figure 3. Image Segmentation Results on Different Scales and Segmentation Parameters
2) 特征参数计算。特征参数主要包括光谱、算术、几何和拓扑特征。本文中,为辅助分类计算得到多个影像特征信息,如各波段灰度值、归一化植被指数(normalized difference vegetation index,NDVI)、归一化水体指数(normalized difference water index,NDWI)、色调(R∶G∶B=5∶4∶3)、TM2+TM3-TM4-TM5[15]等。
-
波段冗余信息的剔除和最优分类波段的选择对遥感影像分类是非常重要的。因而,本文在获得多个影像特征信息的基础上,应用最优分类波段选择方法JM(Jerries-Matusita)距离法选择出最优分类波段,其公式如下[16]:
$$J{M_{ij}} = 2\left( {1 - {e^{ - {b_{ij}}}}} \right)$$ (4) $${b_{ij}} = {{\left( {{m_i} - {m_j}} \right)t + 1} \over 8} \cdot {{({c_i} + {c_j})} \over 2} + {1 \over 2}{\rm{ln}}{{\left| {{c_i} - {c_j}/2} \right|} \over {{{\left| {{c_i}} \right|}^{1/2}}{{\left| {{c_j}} \right|}^{1/2}}}}$$ (5) 式中,i与j分别为不同的两种分类类型;m为均值向量;c为协方差矩阵。JM距离的取值范围为0~2.0之间,当值大于1.9时说明地物间的可分性较好。
通过计算对比,最终确定选用NDVI、TM2+TM3-TM4-TM5、色调(R∶G∶B=5∶4∶3)、后向散射系数和坡度作为参与分类的波段。
-
决策树分类法具有灵活、直观、清晰、运算效率高等特点[17]。通过决策树学习过程得到分类规则并进行分类,分类样本属于严格“非参”,不需要满足正态分布,可大大提高分类精度。
本文在完成面向对象多尺度分割并计算特征参数后,应用See 5.0软件[18]建立决策树(图 4),在eCognition 8.64软件中执行决策树得到分类结果。
-
基于ENVISAT ASAR、Landsat TM和DEM数据,综合运用面向对象和决策树分类方法,得到研究区土地覆盖分类结果(图 5)。通过建立的分类决策树可知(图 4),适当选取TM2+TM3-TM4-TM5的阈值可提取水体信息;调整色调(R∶G∶B=5∶4∶3)参数可提取农田信息;植被和建筑用地信息可通过控制NDVI阈值进行区分;坡度在确定沼泽湿地范围上具有重要意义;雷达影像后向散射系数在区分不同沼泽类型中起决定性作用。
利用野外验证样点进行精度评价。野外工作开展于2008~2012年和2014年,共收集到验证点294个,其中泥炭沼泽样点48个,草本沼泽32个(图 6)。通过精度检验,总体分分类精度为93.54%,Kappa系数为0.92,整体分类精度较高,且泥炭沼泽分类精度均达到80 %以上。具体分类精度评价结果见表 4。
表 4 综合应用ENVISAT ASAR和Landsat TM影像土地覆盖分类精度评价
Table 4. Accuracy Assessment of Land Cover Classification Using ENVISAT ASAR and Landsat TM Images
野外验证样点 分类结果 林地 水体 农田 建筑用地 草本沼泽 开放型泥炭沼泽 郁闭型泥炭沼泽 合计 林地 40 0 1 0 1 0 0 42 水体 0 14 0 0 0 0 0 14 农田 3 0 92 1 1 0 0 97 建筑用地 0 0 2 59 0 0 0 61 草本沼泽 1 0 0 0 28 2 1 32 开放型泥炭沼泽 1 0 0 0 1 30 1 33 郁闭型泥炭沼泽 2 0 0 0 0 1 12 15 合计 47 14 95 60 31 33 14 294 生产者精度/% 85.11 100 96.84 98.33 90.32 90.91 85.71 用户精度/% 95.24 100 94.85 96.72 87.50 90.91 80.00 总体精度 93.54% Kappa系数0.92 通过对比发现,该方法相对于Haapanen和Tokola[18]仅应用TM影像完成芬兰泥炭沼泽空间分布制图的研究以及Jaenicke等人[19]应用不同波段雷达影像(ENVISAT ASAR(C波段)和ALOS PALSAR(L波段))而未应用光学影像对印度尼西亚加里曼丹岛中部泥炭沼泽空间分布信息提取的研究,在分类精度上有一定的提高。同时,对本研究区仅应用TM影像进行土地覆盖分类,结果显示泥炭沼泽分类精度不足50 %(表 5),存在与草本沼泽和林地间以及不同泥炭沼泽类型间的错分混分现象,主要由于此部分地物类型间光学影像特征信息相似度高造成。由此可知,综合应用Landsat TM和ENVISAT ASAR影像较仅应用Landsat TM影像进行泥炭沼泽信息提取具有优势,在分类精度上具有明显的提高。
表 5 仅应用Landsat TM影像土地覆盖分类精度评价
Table 5. Accuracy Assessment of Land Cover Classification Using Landsat TM Images
野外验证样点 分类结果 林地 水体 农田 建筑用地 草本沼泽 开放型泥炭沼泽 郁闭型泥炭沼泽 合计 林地 37 0 2 0 1 1 1 42 水体 0 14 0 0 0 0 0 14 农田 2 0 89 2 2 1 1 97 建筑用地 0 0 3 58 0 0 0 61 草本沼泽 1 0 1 0 11 11 8 32 开放型泥炭沼泽 2 0 1 0 10 12 8 33 郁闭型泥炭沼泽 2 0 1 0 2 4 6 15 合计 44 14 97 60 26 29 24 294 生产者精度/% 84.09 100 91.75 96.67 42.31 41.38 25.00 用户精度/% 88.10 100 91.75 95.08 34.38 36.36 40.00 总体精度 77.21% Kappa系数 0.74 -
本文选择的研究区为泥炭沼泽分布的典型地区,泥炭沼泽类型和其他沼泽类型较齐全,综合利用Landsat TM和ENVISAT ASAR影像运用面向对象与决策树相结合的分类方法,得到较满意的分类结果,因而该方法在不同泥炭沼泽类型信息提取中具有较大应用潜力。但仍有以下问题需继续研究:① C波段雷达数据对草本植被(高度1 m左右)信息识别较适合,但当草本植被覆盖度高时,C波段数据达到饱和,无法更好地穿透植被,地表的泥炭信息无法表达,使得泥炭沼泽信息提取存在困难。如何借助其他方法克服植被覆盖度高影响泥炭沼泽提取问题。② 林地、草本沼泽、开放型泥炭沼泽和郁闭型泥炭沼泽四者间的后向散射系数取值范围存在不同程度的重叠区域,由此造成了不同类型泥炭沼泽间以及泥炭沼泽与草本沼泽和林地间存在错分混分。如何采用有效方法区分泥炭沼泽、草本沼泽和林地达到最佳分类效果是下步的研究方向。
-
摘要: 泥炭沼泽是重要的湿地类型之一,对全球变化和生态平衡具有重要意义。本研究在野外实地调查和对比不同地物类型在不同极化方式下雷达影像后向散射系数差异的基础上,以ENVISAT ASAR、Landsat TM与数字高程模型(digital elevation model,DEM)数据为基本信息源,利用面向对象与决策树分类相结合的遥感影像分类方法,实现对小兴安岭西部泥炭沼泽典型分布区不同泥炭沼泽类型的空间分布信息提取,总体分类精度93.54%,Kappa系数0.92。结果表明,该方法在泥炭沼泽信息提取方面具有较大的应用潜力,相对于先前的研究,在分类精度上有一定的提高。
-
关键词:
- ENVISAT ASAR /
- Landsat TM /
- DEM /
- 泥炭沼泽 /
- 面向对象
Abstract: Peatlands are one of the most important types of wetlands and significant to the balance of global change and ecosystems. On the basis of field investigation and backscatter coefficient comparison of different land cover types in different polarization radar images, ENVISAT ASAR, Landsat TM, and DEM data were taken as basic data for a classification method combining object-oriented and decision tree approaches that were to extract peatlands and adjacent land cover types in a typical peatland zone located in West Xiao-Xing'an Mountains. The overall classification accuracy was 93.54% with a Kappa coefficient of 0.92, which indicates that the proposed method used is effective for peatland extraction. Compared to previous work, there is some improvement in classification accuracy.-
Key words:
- ENVISAT ASAR /
- Landsat TM /
- DEM /
- peatland /
- object-oriented
-
表 1 不同泥炭沼泽类型基本信息对比
Table 1. Contrast of Basic Information of Different Peatlands
泥炭沼泽类型 遥感解译类型 地表覆盖主导植被 养分补给主要来源 酸碱度 地理位置 典型地区实地调查照片(拍摄时间2014-04) 雨养泥炭沼泽 郁闭型泥炭沼泽居多;开放型泥炭沼泽较少 泥炭藓、莎草科和杜鹃科灌丛主导 大气降水 pH <5 高于周围景观的部位 矿养泥炭沼泽 郁闭型泥炭沼泽极少;开放型泥炭沼泽居多 禾本科和莎草科主导 降水、地表水和地下水 pH>6 坡地、平地或低地 表 2 研究区不同地物类型解译标志
Table 2. Interpretation Signs of Each Land Cover Type in the Study Area
序号 土地覆盖类型 光学影像特征(R∶G∶B=4∶3∶2) 雷达影像特征(极化方式HV) 影像示例(前为光学影像、后为雷达影像) 1 林地 受地形控制,呈不规则形状,边界自然圆滑,呈亮红色,有绒状纹理 呈不规则形状,黑灰色色调,影像结构粗糙 2 农田 地块边界清晰,几何特征规则,浅灰色 地块边界清晰,几何特征规则,浅灰色色调 3 建设用地 几何形状特征明显,青灰色,杂有其它地类色调,影像结构粗糙 几何形状特征明显,色调明亮,夹杂暗色斑点,影像结构粗糙 4 水体 几何特征明显,蓝色、蓝绿色,影像结构均一 几何特征明显,色调极暗,影像结果均一 5 草本沼泽 几何形状明显呈不规则状,边界清晰,呈红、黑色,影像纹理细腻 几何形状明显,边界清晰,暗色调 6 开放型泥炭沼泽 几何形状不规则,边界清晰呈红、黑色,影像纹理较平滑、细腻 几何形状明显,边界清晰,色调较暗 7 郁闭型泥炭沼泽 几何形状明显,边界清晰呈红、黑色,影像纹理较粗糙 几何形状明显,边界清晰,浅灰色色调 表 3 多尺度分割尺度及分割参数设置
Table 3. Scales and Parameters Setting of Multi-resolution Segmentation
权重因子 分割层 类型1 类型2 类型3 类型4 类型5 类型6 分割尺度 25 20 15 12 10 8 彩色因子 0.7 0.8 0.9 0.7 0.8 0.9 形状因子 0.3 0.2 0.1 0.3 0.2 0.1 光滑度 0.6 0.6 0.6 0.6 0.6 0.6 紧致度 0.4 0.4 0.4 0.4 0.4 0.4 表 4 综合应用ENVISAT ASAR和Landsat TM影像土地覆盖分类精度评价
Table 4. Accuracy Assessment of Land Cover Classification Using ENVISAT ASAR and Landsat TM Images
野外验证样点 分类结果 林地 水体 农田 建筑用地 草本沼泽 开放型泥炭沼泽 郁闭型泥炭沼泽 合计 林地 40 0 1 0 1 0 0 42 水体 0 14 0 0 0 0 0 14 农田 3 0 92 1 1 0 0 97 建筑用地 0 0 2 59 0 0 0 61 草本沼泽 1 0 0 0 28 2 1 32 开放型泥炭沼泽 1 0 0 0 1 30 1 33 郁闭型泥炭沼泽 2 0 0 0 0 1 12 15 合计 47 14 95 60 31 33 14 294 生产者精度/% 85.11 100 96.84 98.33 90.32 90.91 85.71 用户精度/% 95.24 100 94.85 96.72 87.50 90.91 80.00 总体精度 93.54% Kappa系数0.92 表 5 仅应用Landsat TM影像土地覆盖分类精度评价
Table 5. Accuracy Assessment of Land Cover Classification Using Landsat TM Images
野外验证样点 分类结果 林地 水体 农田 建筑用地 草本沼泽 开放型泥炭沼泽 郁闭型泥炭沼泽 合计 林地 37 0 2 0 1 1 1 42 水体 0 14 0 0 0 0 0 14 农田 2 0 89 2 2 1 1 97 建筑用地 0 0 3 58 0 0 0 61 草本沼泽 1 0 1 0 11 11 8 32 开放型泥炭沼泽 2 0 1 0 10 12 8 33 郁闭型泥炭沼泽 2 0 1 0 2 4 6 15 合计 44 14 97 60 26 29 24 294 生产者精度/% 84.09 100 91.75 96.67 42.31 41.38 25.00 用户精度/% 88.10 100 91.75 95.08 34.38 36.36 40.00 总体精度 77.21% Kappa系数 0.74 -
[1] Ozesmi S L, Bauer M E. Satellite Remote Sensing of Wetlands[J]. Wetlands Ecology and Management, 2002,5:381-402 http://cn.bing.com/academic/profile?id=bcaa03b6e6ced732d621ae25e60ac840&encoded=0&v=paper_preview&mkt=zh-cn [2] Gorham E. Northern Peatlands:Role in the Carbon Cycle and Probable Responses to Climatic Warming[J]. Ecological Applications, 1991, 1:182-195 doi: 10.2307/1941811 [3] 张柏. 遥感技术在中国湿地研究中的应用[J]. 遥感技术与应用, 1996, 11(1):67-71 http://www.cnki.com.cn/Article/CJFDTOTAL-YGJS601.010.htm Zhang Bai. Application of Remote Sensing Technology on Research of the Wetland in China[J]. Remote Sensing Technology and Application, 1996, 11(1):67-71 http://www.cnki.com.cn/Article/CJFDTOTAL-YGJS601.010.htm [4] Nguyen L D, Viet P B, Minh N T, et al. Change Detection of Land Use and Riverbank in Mekong Delta, Vietnam Using Time Series Remotely Sensed Data[J]. Journal of Resources and Ecology, 2011, 2(4):370-374 http://cn.bing.com/academic/profile?id=befa7edb68214c54de7c204816d0d940&encoded=0&v=paper_preview&mkt=zh-cn [5] 王莉雯, 卫亚星. 湿地生态系统雷达遥感监测研究进展[J]. 地理科学进展, 2011, 30(9):1107-1117 http://www.cnki.com.cn/Article/CJFDTOTAL-DLKJ201109007.htm Wang Liwen, Wei Yaxing. Progress in Monitoring Wetland Ecosystems by Radar Remote Sensing[J]. Progress in Geography, 2011, 30(9):1107-1117 http://www.cnki.com.cn/Article/CJFDTOTAL-DLKJ201109007.htm [6] Kasischke E, Melack J, Dobson M. The Use of Imaging Radars for Ecological Applications:A Review[J]. Remote Sensing of Environment, 1997, 59(2):141-156 doi: 10.1016/S0034-4257(96)00148-4 [7] Page S, Hoscilo A, Langner A, et al. Tropical Peatland Fires in Southeast Asia[M]//Mark A C. Tropical Fire Ecology. New York:Springer, 2009 [8] Keddy P A. Wetland Ecology:Principles and Conservation[M]. Cambridge:Cambridge University Press, 2010 [9] 卜兆君, 王升忠, 谢宗航. 泥炭沼泽学若干基本概念的再认识[J]. 东北师大学报(自然科学版), 2005, 37(2):105-110 http://www.cnki.com.cn/Article/CJFDTOTAL-DBSZ200502024.htm Pu Zhaojun, Wang Shengzhong, Xie Zonghang. Re-understanding Some Elementary Concepts in Mire Science[J]. Journal of Northeast Normal University, 2005, 37(2):105-110 http://www.cnki.com.cn/Article/CJFDTOTAL-DBSZ200502024.htm [10] Rydin H, Jeglum J K. The Biology of Peatlands[M]. New York:Oxford University Press, 2010 [11] 董彦芳,庞勇,孙国清, 等. ENVISAT ASAR数据用于水稻监测和参数反演[J]. 武汉大学学报·信息科学版, 2006, 31(2):124-127 http://ch.whu.edu.cn/CN/abstract/abstract2384.shtml Dong Yanfang, Pang Yong, Sun Guoqing, et al. Rice Growth Monitoring Using ENVISAT ASAR Data[J]. Geomatics and Information Science of Wuhan University, 2006, 31(2):124-127 http://ch.whu.edu.cn/CN/abstract/abstract2384.shtml [12] 徐怡波, 赖锡军, 周春国. 基于ENVISAT ASAR数据的东洞庭湖湿地植被遥感监测研究[J]. 长江流域资源与环境, 2010, (4):452-459 http://www.cnki.com.cn/Article/CJFDTOTAL-CJLY201004019.htm Xu Yibo, Lai Xijun, Zhou Chunguo. Study on the Remote Sensing Monitoring of Wetland Vegetation in East Dongting Lake using ENVISAT ASAR data[J]. Resources and Environment in the Yangtze Basin, 2010, (4):452-459 http://www.cnki.com.cn/Article/CJFDTOTAL-CJLY201004019.htm [13] 贾明明, 王宗明, 张柏, 等. 综合环境卫星与MODIS数据的面向对象土地覆盖分类方法[J]. 武汉大学学报·信息科学版, 2014, 39(3):305-310 http://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201403012.htm Jia Mingming, Wang Zongming, Zhang Bai, et al. Land Cover Classification of Compositing HJ-1 and MODIS Data Based on Object-based Method[J]. Geomatics and Information Science of Wuhan University, 2014, 39(3):305-310 http://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201403012.htm [14] 黄慧萍. 面向对象影像分析中的尺度问题研究[D]. 北京:中国科学院研究生院, 2003 Huang Huiping. Scale Issues in Object-oriented Image Analysis[D]. Beijing:Graduate School of Chinese Academy of Sciences, 2003 [15] 杨存建,周成虎.TM影像的居民地信息提取方法研究[J]. 遥感学报, 2000, 4(2):146-150 http://www.cnki.com.cn/Article/CJFDTOTAL-YGXB200002011.htm Yang Cunjian, Zhou Chenghu. Extracting Residential Areas on the TM Imagery[J]. Journal of Remote Sensing, 2000, 4(2):146-150 http://www.cnki.com.cn/Article/CJFDTOTAL-YGXB200002011.htm [16] Li J H, Chen W J. A Rule-based Method for Mapping Canada's Wetlands Using Optical, Radar and DEM Data[J]. International Journal of Remote Sensing, 2012, 26(22):5051-5069 http://cn.bing.com/academic/profile?id=bd822a6b391afb40920247833da7c027&encoded=0&v=paper_preview&mkt=zh-cn [17] 李爽, 张二勋. 基于决策树的遥感影像分类方法研究[J]. 地域研究与开发, 2003, 22(1):17-21 http://www.cnki.com.cn/Article/CJFDTOTAL-DYYY200301004.htm Li Shuang, Zhang Erxun. The Decision Tree Classification and Its Application in Land Cover[J]. Areal Research and Development, 2003, 22(1):17-21 http://www.cnki.com.cn/Article/CJFDTOTAL-DYYY200301004.htm [18] Haapanen R, Tokola T. Creating a Digital Treeless Peatland Map Using Satellite Image Interpretation[J]. Scandinavian Journal of Forest Research, 2007, 22(1):48-59 doi: 10.1080/02827580601168410 [19] Jaenicke J, Englhart S, Siegert F. Monitoring the Effect of Restoration Measures in Indonesian Peatlands by Radar Satellite Imagery[J]. Journal of Environmental Management, 2011, 92:630-638 doi: 10.1016/j.jenvman.2010.09.029 -