Research on high resolution remote sensing mangrove classification method based on improved spectral angle mapper
-
摘要:
传统影像分类方法多利用影像端元光谱进行地物分类，影像的空间结构信息被忽视，本研究结合面向对象分类方法思想以提高红树林遥感分类精度。本研究提出了一种结合端元类型选择、像元提纯等混合像元分解手段及分水岭图像分割算法的改进光谱角影像分类方法，并以山口红树林国家级自然保护区为研究区，利用GF-1号遥感影像数据，在光谱特征分析和地面调查的基础上，对红树林生态系统进行分类，并对分类精度进行分析。研究结果表明：改进的光谱角分类方法对GF-1影像分类效果较好，既兼顾地类光谱组成较复杂时的特殊性，又有效避免结果的破碎化现象，且总体精度达到95%（KAPPA系数0.944），证明了其在红树林遥感影像分类及信息提取方面的应用潜力，为红树林生态系统业务化遥感监测奠定了基础。
Abstract:The traditional image classification methods mostly use endmember spectrum to classify ground objects, however, the spatial structure information of images is ignored. In this study, an improved spectral angle mapper image classification method combining hybrid pixel decomposition means such as endmember type selection and pixel purification and watershed image segmentation algorithm is proposed, and the mangrove ecosystem is classified based on spectral feature analysis and ground survey using GF-1 remote sensing image data with Shankou Mangrove National Nature Reserve as the study area, and the classification accuracy is also analyzed. The research results show that the improved spectral angle mapper classification method is effective in classifying GF-1 images, taking into account the specificity of the complex spectral composition of the ground class and effectively avoiding the fragmentation of the results, and the overall accuracy reaches 95% with the KAPPA coefficient of 0.944, which proves its application potential in mangrove remote sensing image classification and information extraction, and lays a foundation for the operational remote sensing monitoring of mangrove ecosystem.
-
红树林是以红树植物为主体的常绿乔木或灌木组成的热带、亚热带潮间带湿地木本植物群落[1]，是陆地向海洋延伸的特殊生态系统，具有特殊的形态结构和生理特征，对海岸带的环境保护、生态平衡以及生物多样性保护等具有重要意义。然而，随着全球气候变暖、海岸线变迁及各种不合理的开发与破坏，红树林生态系统遭到严重的破坏，开展对红树林的监测与保护已是当务之急。正确了解不同红树林种类的分布位置及变迁是红树林生态保护及管理方面研究的重要内容。
红树林滩涂地形复杂，有大量的河口支流、潮水沟，往往呈沼泽化。红树林的野外实测工作不仅条件艰苦，而且需要消耗大量的人力和物力。遥感技术具有覆盖面积大、数据更新周期短、空间分辨率高等特点，成为快速获取红树林信息的主要技术手段[2-4]。利用光谱信息对红树林进行分类一直是研究的热点，但多光谱影像因其谱段宽，常常存在 “异物同谱”和“同物异谱”现象，即使是因空间分辨率提高而单位像元内混合地物信息减少的高分辨率影像数据也存在上述现象，因此，仅仅利用光谱信息进行分类，高分辨率影像的空间结构信息就会丢失，进而影响红树林的类内识别精度。本研究结合面向对象分类的思想，采用分水岭图像分割算法，结合端元类型选择、像元提纯等混合像元分解手段改进光谱角法，以广西山口红树林保护区为研究对象，在现场实测获取红树林光谱信息、反演遥感反射率的基础上，对由Gram-Schmidt融合的2 m分辨率的GF-1卫星影像进行红树林种间分类研究，并对分类结果进行对比分析，以观察改进的光谱角影像分类方法在红树林分类中是否具有实践性、可行性和应用潜力。
1 材料与方法
1.1 研究区介绍与数据预处理
1.1.1 研究区概况
山口红树林国家级自然保护区位于广西合浦县东南部，地处21°28′22″N－21°37′00″N，109°37′E－109°47′E，由沙田半岛东西侧的海域、陆域及全部滩涂组成，面积8000 ha，属南亚热带湿润气候，年均气温22.9 ℃，年均降水 1573.4 mm，潮汐为全日潮，平均潮差为 2.45 m。保护区有红树林 700 ha，宜林滩涂 3000 ha，陆上人工林面积600 ha，庞大的林木蓄积量对保护红树林有重要的作用（如图1所示）。
1.1.2 卫星遥感影像数据的获取与处理
本研究选用2017年9月成像的高分一号（GF-1）遥感影像为数据源。高分一号卫星是国家高分辨率对地观测系统重大专项天基系统中的首发星，其主要目的是突破高空间分辨率、多光谱与高时间分辨率结合的光学遥感技术。
GF-1 PMS相机可以获取2 m的全色（波谱范围为0.45～0.90 μm）黑白图像和8 m多光谱彩色图像[蓝（0.45～0.52 μm）、绿（0.52～0.59 μm）、红（0.63 ～0.69 μm）、近红外（0.77～0.89 μm）4个波段]。本次遥感影像数据预处理主要包括卫星数据辐射校正、大气校正、正射校正和数据融合等。大气校正是为了消除影像中由大气折射或散射等情况产生的噪声，有效提高地物提取精度[5]。数据融合是将原多光谱彩色图像与全色黑白图像进行全波段融合，得到更高空间分辨率的多光谱图像，增强地物的纹理等更多可分性信息。本研究采用的数据融合方法是Gram-Schmidt数据融合法方法，它是一种光谱锐化融合方法，所产生的正交分量里的信息量无多寡之分，在提高数据空间分辨率的同时，光谱信息得以最大限度地保留[6-7]，融合后的研究区遥感数据源见图2。
1.1.3 样方布设及光谱数据采集处理
本次研究以山口红树林保护区为研究区，进行现场踏勘。根据调查目的和调查区域的实际情况，布设4条断面，每条断面在红树林内缘、潮沟边、外缘分别设置1个群落调查样方监测红树林边缘群落动态，样方共12个，面积为10 m×10 m，调查群落类型、结构、覆盖度（图3）。同时应用美国ASD公司生产的FieldSpec 3 Pro双通道野外光谱仪采集红树林等地物光谱数据。测量方法和注意事项是将光谱仪光学探头置于树冠之上1.5 m高的距离，垂直向下正对目标地物，或至少保持与水平面的法线夹角在±10°以内采集地物光谱。测量时间主要集中在为2017年10月23日到10月27日的10：00－14：00，选择晴朗无云的天气，风速小于3 m/s，测量时，探头视场角内应适当避免阴影。测量的红树类型包括红海榄（Avicennia marina）、白骨壤（Aegiceras corniculatum）、木榄（Kandelia candel）、桐花树（Rhizophora stylosa）、秋茄（Bruguiera gymnorrhiza）和海漆（Excoecaria agallocha Linn）6种；测量非红树地物（互花米草、木薯、草地、泥滩等），共采集55个光谱样本采集数据点（图3）和100余个种类控制点。
利用公式（1）[8]计算地物反射率：
$${S_{{m}}} = \frac{{{S_{{t}}}}}{{{S_{{p}}}}} \times {R_{{p}}}$$ (1) 式中：Sm为地物反射率；St为仪器输出的目标地物的实测电信号值；Sp为仪器输出的漫反射参考板的实测信号值；Rp为经实验室定标得到的参考板反射比，代表参考板的反射率。
获取现场各物种ASD 光谱遥感反射率后, 根据GF-1卫星遥感影像数据的光谱响应函数进行实测Rrs（λ）的波段等效处理, 具体公式如下:
$$ {R}_{{\rm{rs}}}\left({\rm{Band}}x\right)=\frac{{\displaystyle\int }_{400 \;{\rm{nm}}}^{900\;{\rm{nm}}}{R}_{{\rm{rs}}}\left(\lambda \right){F}_{s}\left(\lambda \right){\rm{d}}\lambda }{{\displaystyle\int }_{400\;{\rm{nm}}}^{900\;{\rm{nm}}}{F}_{s}\left(\lambda \right){S}_{X}{\rm{d}}\lambda } $$ (2) 式中：Rrs（Bandx）为 卫星影像传感器Bandx 波段的等效遥感反射率;Rrs（λ）为ASD 光谱仪现场获取遥感反射率; Fs（λ）为日地平均距离处大气层外太阳辐照度; Sx（λ）为Bandx 波段的光谱响应函数。
广西山口红树林实测遥感反射率与GF-1多光谱波段范围如图4所示，可发现红树林与一般的绿色植物的光谱曲线相同，总是呈现明显的多峰和多谷的特征[9]。但是由于红树林群落位于水体和潮滩上，与陆地植物相比，红树林群落下垫面吸热量大，反射率比陆地植被低（图4），这种差别在红外区表现尤为明显。红树林各类型间的光谱差异很细微，主要差异集中在Band 3，在Band 3里白骨壤的反射率显著小于其他几个红树林类型，反射率特征值大致表现为：木榄>海漆>红海榄>桐花树>秋茄>白骨壤。
1.2 分类方法研究分析
1.2.1 光谱角法
光谱角法（spectral angle mapper，SAM）是比较常用且有效的监督分类算法。该方法是利用影像端元光谱进行地物分类的方法，可以剔除光照和地形的影响，从而提高地物的识别能力，在地物标定[10]、植被研究[11]、高光谱图像压缩[12]等方面得到了广泛的应用。其基本原理是通过运算影像像元的光谱与参考光谱之间的夹角来区分类别。像元光谱是从图像上提取的已知点的平均光谱，参考光谱是野外测得的标准光谱。把光谱作为有方向且有长度的矢量投影到N 维空间上，如图5所示，通过计算像元光谱矢量X与参考光谱矢量Y之间的夹角α大小来进行分类[13]。图中光谱矢量在波段1、波段2、波段3坐标轴上的投影长度即为像元在该波段光谱值大小。
光谱角法的数学表达式为：
$$ \mathrm{cos}\alpha =\frac{XY}{\left|X\right|\left|Y\right|} $$ (3) 式中：X为像元的光谱矢量；Y为参考类别的光谱矢量；α为光谱间的夹角，代表光谱矢量之间的相似性，α越小代表X与Y越接近，其相似度会越大，如果其小于某个设定的阈值时，可将目标像元归类到相应参考光谱代表的地物类型中[14]。
1.2.2 光谱角红树林分类方法的改进模型
传统的光谱角分类方法首先选择训练样本，求光谱矢量的平均值，再通过设定阈值的方法进行分类。然而，当某一地类所包含的地物种类较多、光谱组成较复杂时，平均光谱矢量就有一定的局限性，不一定能代表这一地类。因此，本文在进行红树林分类之前要对端元类型进行选择，对影像中混合像元光谱进行分解，最终确认纯净像元的光谱值，进而完成训练样本集的合理优化（图6）。
首先，对影像数据做最小噪声分离变换（minimum noise fraction rotation，MNFR）消除图像噪声，减少数据维数，得到去除噪声的数据集[15]。接下来，使用纯净像元指数（PPI，pixel purity index）法结合N维散点图可视化工具对研究区各类红树进行最纯像元提取，PPI是一种半自动的端元提取方法。不同种类的红树林在影像中像素值极为接近，传统手动选取训练样本纯度相对小，经PPI处理后，图像的不同种类的红树林的纯度大的像元在N维散点可视图中会显示不同的颜色的数据云，像元值大（PPI指数高）的区域，也就是数据云顶点处，代表纯度越大[16-17]。在这些数据云的顶点处选择指定数目的端元作为训练样本，查看各训练样本的光谱曲线，并对照实测光谱数据赋类别属性。最后，计算图像上各像元光谱矢量与每一类训练样本的光谱矢量之间的光谱角，形成一个光谱角数据集，比较该光谱角集的大小，取其中最小者所对应的类别即为该像元的地类归属。
经过训练样本集优化的光谱角分类法兼顾了地类光谱组成较复杂时的情况，对分类精度有一定的提升。但由于光谱角分类方法是针对逐个像元的分类方法，分类结果比较破碎化（图7A）。本文结合面向对象分类方法的思想，对光谱角分类结果进行高通滤波强化纹理信息，进行去噪和平滑，然后利用分水岭图像分割方法对滤波结果进行分割（分水岭分割方法是一种图像区域分割法，在分割的过程中，将在空间位置上相近并且灰度值相近的像素点互相连接起来构成一个封闭的轮廓[18]），并统计每一个分割区域中不同种类的像元个数，形成最终分类结果。首先通过图像的多尺度分割对训练图像在不同尺度下进行不同分割数目的划分，把图像表现为图像块的集合，之后对过小区域（图斑）进行相似度合并。这种改进可以明显改善分类结果破碎化的问题（图7B），提高了影像的分类精度。
2 结果与讨论
本研究实地测量了6种红树林，采用分水岭图像分割算法，结合端元类型选择、像元提纯等混合像元分解手段改进光谱角法，对红树林进行种类间分类。将现场测量的55个光谱数据样本和100余个种类控制点作为训练样本，其图像上对应像元的光谱作为特征，将训练样本输入光谱角分类器，并进行本文的改进步骤得到模型，然后对图像的其他未知像元进行预测分类，利用分水岭图像分割方法对光谱角分类结果进行分割处理，得到最终分类结果（图8）。
为了评价分类结果，本研究从传统和改进的光谱角两种分类结果图中随机选取1225个样本再次进行现场验证，将验证结果与预测结果比对，通过建立误差矩阵获取的总体精度和KAPPA系数两方面进行精度的评价。总体分类精度是表示所有正确分类的样本点与全部样本点之间的比值。KAPPA系数分析是代表被评价分类比完全随机分类产生错误减少的比例，与总体分类精度互补[19]。传统的光谱角分类法的误差矩阵如表1所示，改进后的光谱角分类法的误差矩阵如表2 所示。
表 1 传统的光谱角分类的误差矩阵及分类精度Tab. 1 Error matrix and classification accuracy of traditional SAM类别 白骨壤 木榄 红海榄 桐花树 海漆 秋茄 小计 使用精度/（%） 白骨壤 138 5 5 13 2 12 160 78.86 木榄 3 201 13 4 8 5 243 85.90 红海榄 6 14 190 8 3 3 231 84.82 桐花树 12 3 8 166 4 15 204 79.81 海漆 4 9 7 5 138 2 157 83.64 秋茄 8 6 5 12 2 186 230 84.93 小计 171 238 228 208 157 223 1019 生产精度/（%） 80.70 84.45 83.33 79.81 87.90 83.41 总体精度=1019÷1225×100 %=83.18 % KAPPA=0.798 表 2 改进后的光谱角分类的误差矩阵及分类精度Tab. 2 Error matrix and classification accuracy of Improved SAM类别 白骨壤 木榄 红海榄 桐花树 海漆 秋茄 小计 使用精度/（%） 白骨壤 201 0 0 8 0 3 212 94.81 木榄 0 225 6 0 2 0 233 96.57 红海榄 0 8 197 0 2 0 207 95.17 桐花树 5 0 0 201 0 6 212 94.81 海漆 0 3 2 0 142 0 147 96.60 秋茄 2 2 0 8 0 202 214 94.39 小计 208 238 205 217 146 211 1168 生产精度/（%） 96.63 94.54 96.10 92.63 97.26 95.73 总体精度=1168÷1225×100 %=95.35 % KAPPA=0.944 从表1、表2可以看出，传统的光谱角分类法的分类精度会受到混合其他物种的噪声光谱影响，而改进后的光谱角分类比未改进的光谱角分类的各项精度指标都高。各红树种类的使用精度都达到90%以上，且总体精度达到95%以上，KAPPA系数为0.944，高于最低允许判别精度0.7的要求[20]。而且经过分水岭图像分割处理后的分类也很大程度地改善了分类结果的破碎化，说明利用改进的光谱角法进行分类的分类结果在像元纯净度和改进破碎化等方面均有明显提高，与国内同类研究相比[21-23]，分类精度得到了提高。
鉴于目前同类研究多采用在算法的收敛性、训练速度、分类精度等方面都具有较高性能[24-25]的支持向量机方法进行分类，故笔者将选定后的训练样本输入SVM分类器中对红树林进行种间分类，对两种分类方法的分类精度进行比较，其误差矩阵见表3。从表3可以看出，SAM的总体精度与KAPPA系数均略高于SVM的，进一步证明了光谱角法在红树林遥感影像分类及信息提取方面的应用价值和潜力。
表 3 支持向量机分类的误差矩阵及分类精度Tab. 3 Error matrix and classification accuracy of SVM类别 白骨壤 木榄 红海榄 桐花树 海漆 秋茄 小计 使用精度/（%） 白骨壤 132 5 7 14 2 13 160 76.30 木榄 3 209 16 5 6 3 243 86.36 红海榄 3 17 192 7 5 4 231 84.21 桐花树 10 3 11 157 4 13 204 79.29 海漆 2 8 8 7 130 3 157 82.28 秋茄 9 6 5 15 3 188 230 83.19 小计 159 248 239 205 150 224 1008 生产精度 83.02 % 84.27 % 80.33 % 76.59 % 86.67 % 83.93 % 总体精度=1008÷1225×100 %=82.29 % KAPPA=0.786 由图8的分类结果可以看出，该红树林区域分布着大面积的白骨壤、红海榄和桐花树，这与实地调查结果吻合，说明分类结果可靠。影响红树林种类分类结果的主要是混合像元，包括不同种类之间的混合和红树林和互花米草的混生，这使采用多光谱图像分类时区分其边界难度增加。本文虽然采用了端元选取和PPI处理进行了混合像元提纯，但是端元选择方法简单，纯度有待进一步提升。而且高分数据波谱宽，卫星波段分段不够，植被在卫星波段的光谱响应值差异小，野外实际测量类别数量不够全面，因此本文实验也具有一定局限性，今后仍要对此类问题不断跟进，为红树林业务化监测提供更为高效且可操作性更强、更稳定的监测方法。
3 结 论
（1）本文在光谱特征分析和地面调查的基础上，以广西山口红树林国家级自然保护区为研究区，由Gram-Schmidt融合的2 m分辨率的GF-1卫星影像进行红树林种间分类，并对分类精度进行了分析，比较了传统光谱角分类法、改进的光谱角分类法和支持向量机分类法的分类效果，以保证研究试验的科学性。
（2）从试验结果可以看出，与SVM分类法相比，SAM的总体分类精度和KAPPA系统虽很接近，但是略高一点，其分类优势在于该方法在判定两个光谱特征相似性的时候，受实际的光照条件和地形的因素干扰较小，而且巧妙地将端元光谱设定为野外实地采集的地物光谱类型，以此保证试验最小误差。
（3）结合端元类型选择、像元提纯等混合像元分解手段和分水岭图像分割算法分别对训练样本集和分类结果进行优化，兼顾地类光谱组成较复杂时的特殊性，有效避免了结果的破碎化现象，更进一步提高了分类精度，证明改进后的光谱角法在红树林种间分类方面的应用价值和潜力，为相关管理部门提供管理依据和更为严谨的技术支撑。
-
![]()
图 2 融合后的研究区GF-1遥感数据
Fig. 2. GF-1 remote sensing data in the research area after fusion
表 1 传统的光谱角分类的误差矩阵及分类精度
Tab. 1 Error matrix and classification accuracy of traditional SAM
类别 白骨壤 木榄 红海榄 桐花树 海漆 秋茄 小计 使用精度/（%） 白骨壤 138 5 5 13 2 12 160 78.86 木榄 3 201 13 4 8 5 243 85.90 红海榄 6 14 190 8 3 3 231 84.82 桐花树 12 3 8 166 4 15 204 79.81 海漆 4 9 7 5 138 2 157 83.64 秋茄 8 6 5 12 2 186 230 84.93 小计 171 238 228 208 157 223 1019 生产精度/（%） 80.70 84.45 83.33 79.81 87.90 83.41 总体精度=1019÷1225×100 %=83.18 % KAPPA=0.798 
下载: 导出CSV
表 2 改进后的光谱角分类的误差矩阵及分类精度
Tab. 2 Error matrix and classification accuracy of Improved SAM
类别 白骨壤 木榄 红海榄 桐花树 海漆 秋茄 小计 使用精度/（%） 白骨壤 201 0 0 8 0 3 212 94.81 木榄 0 225 6 0 2 0 233 96.57 红海榄 0 8 197 0 2 0 207 95.17 桐花树 5 0 0 201 0 6 212 94.81 海漆 0 3 2 0 142 0 147 96.60 秋茄 2 2 0 8 0 202 214 94.39 小计 208 238 205 217 146 211 1168 生产精度/（%） 96.63 94.54 96.10 92.63 97.26 95.73 总体精度=1168÷1225×100 %=95.35 % KAPPA=0.944
下载: 导出CSV
表 3 支持向量机分类的误差矩阵及分类精度
Tab. 3 Error matrix and classification accuracy of SVM
类别 白骨壤 木榄 红海榄 桐花树 海漆 秋茄 小计 使用精度/（%） 白骨壤 132 5 7 14 2 13 160 76.30 木榄 3 209 16 5 6 3 243 86.36 红海榄 3 17 192 7 5 4 231 84.21 桐花树 10 3 11 157 4 13 204 79.29 海漆 2 8 8 7 130 3 157 82.28 秋茄 9 6 5 15 3 188 230 83.19 小计 159 248 239 205 150 224 1008 生产精度 83.02 % 84.27 % 80.33 % 76.59 % 86.67 % 83.93 % 总体精度=1008÷1225×100 %=82.29 % KAPPA=0.786
下载: 导出CSV
-
[1] 范航清, 王文卿. 中国红树林保育的若干重要问题[J]. 厦门大学学报: 自然科学版, 2017, 56(3): 323-330. [2] 张雪红. 基于知识与规则的红树林遥感信息提取[J]. 南京信息工程大学学报: 自然科学版, 2011, 3(4): 341-345. [3] 李春干, 代华兵. 1960—2010年广西红树林空间分布演变机制[J]. 生态学报, 2015, 35(18): 5992-6006. [4] 唐焕丽, 刘 凯, 朱远辉, 等. 基于WorldView-2数据和支持向量机的红树林群落分类研究[J]. 中山大学学报: 自然科学版, 2015, 54(4): 102-111. [5] 衣伟宏, 杨 柳, 张正祥. 基于ETM+影像的扎龙湿地遥感分类研究[J]. 湿地科学, 2004, 2(3): 208-212. doi: 10.3969/j.issn.1672-5948.2004.03.008 [6] 郝兰朋. 面向对象技术在城市建筑物提取中的应用研究[D]. 西安: 西安科技大学, 2011. [7] 李存军, 刘良云, 王纪华, 等. 两种高保真遥感影像融合方法比较[J]. 中国图象图形学报, 2004, 9(11): 1376-1385. doi: 10.11834/jig.2004011265 [8] 于 祥, 赵冬至, 张丰收, 等. 红树林高光谱分析技术研究[J]. 滨州学院学报, 2006, 22(6): 53-56. doi: 10.3969/j.issn.1673-2618.2006.06.013 [9] 肖海燕, 曾 辉, 昝启杰, 等. 基于高光谱数据和专家决策法提取红树林群落类型信息[J]. 遥感学报, 2007, 11(4): 531-537. doi: 10.11834/jrs.20070473 [10] 张 莹, 张晓丽, 李宏志, 等. 基于频谱和光谱特征的高光谱地物分类比较[J]. 北京林业大学学报, 2018, 40(7): 1-8. [11] 李明泽, 张培赢. 基于SAM算法的遥感影像湿地植被分类[J]. 森林工程, 2015, 31(2): 8-13. doi: 10.3969/j.issn.1001-005X.2015.02.003 [12] QIAN S E. Hyperspectral data compression using a fast vector quantization algorithm[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(8): 1791-1798. doi: 10.1109/TGRS.2004.830126
[13] 王宏勇, 董广军, 唐汗松, 等. 海岸带高光谱影像分类技术研究[J]. 海洋测绘, 2004, 24(6): 20-23. doi: 10.3969/j.issn.1671-3044.2004.06.006 [14] BRONGE L B, NÄSLUND-LANDENMARK B. Wetland classification for Swedish CORINE land cover adopting a semi-automatic interactive approach[J]. Canadian Journal of Remote Sensing, 2002, 28(2): 139-155. doi: 10.5589/m02-011
[15] SMALL C. Estimation of urban vegetation abundance by spectral mixture analysis[J]. International Journal of Remote Sensing, 2001, 22(7): 1305-1334. doi: 10.1080/01431160151144369
[16] TOMPKINS S, MUSTARD J F, PIETERS C M, et al. Optimization of endmembers for spectral mixture analysis[J]. Remote Sensing of Environment, 1997, 59(3): 472-489. doi: 10.1016/S0034-4257(96)00122-8
[17] 许 宁, 胡玉新, 雷 斌, 等. 一种基于PPI的高光谱数据矿物信息自动提取方法[J]. 测绘科学, 2013, 38(4): 138-141. [18] TARABALKA Y, CHANUSSOT J, BENEDIKTSSON J A. Segmentation and classification of hyperspectral images using watershed transformation[J]. Pattern Recognition, 2010, 43(7): 2367-2379. doi: 10.1016/j.patcog.2010.01.016
[19] BAKER C, LAWRENCE R, MONTAGNE C, et al. Mapping wetlands and riparian areas using Landsat ETM + imagery and decision-tree-based models[J]. Wetlands, 2006, 26(2): 465-474. doi: 10.1672/0277-5212(2006)26[465:MWARAU]2.0.CO;2
[20] 史培军, 陈 晋, 潘耀忠. 深圳市土地利用变化机制分析[J]. 地理学报, 2000, 55(5): 151-160. doi: 10.3321/j.issn:0375-5444.2000.05.003 [21] 郑 艺, 林懿琼, 周 建, 等. 基于资源三号的雷州半岛红树林种间分类研究[J]. 国土资源遥感, 2019, 31(3): 201-208. [22] 周振超. 基于多源遥感数据的红树林遥感信息识别研究[D]. 长春: 吉林大学, 2019. [23] 马云梅, 吴培强, 潘良浩, 等. 基于GF-2影像的广西茅尾海红树林物种分类及盖度估算分析[J]. 海洋科学, 2019, 43(6): 60-70. doi: 10.11759/hykx20190212001 [24] WANG T, ZHANG H S, LIN H, et al. Textural-spectral feature-based species classification of mangroves in Mai Po nature reserve from Worldview-3 imagery[J]. Remote Sensing, 2016, 8(1): 24-38.
[25] 李 慧. 基于多源遥感数据的湿地信息提取及景观格局研究[D]. 福州: 福建师范大学, 2005. -
期刊类型引用(7)
1. 席茜，魏占玉，赵家豪，耿爽，石峰，邹俊杰，何宏林. 综合光谱特征与地形因子的活动断裂区域地貌分类研究——以六棱山北麓断裂带为例. 第四纪研究. 2025(01): 149-163 . 
百度学术
2. 赵冀唯 ，伊丕源 . 面向矿物填图的典型高光谱图像分类方法对比研究. 世界核地质科学. 2025(02): 385-399 . 百度学术
3. 李映潭，杨辽，王杰. 基于辐射不变点的高光谱遥感传感器交叉定标方法. 航天器工程. 2024(01): 75-83 . 百度学术
4. 于刘. 基于自编码神经网络的航空物探遥感数据分类方法研究. 计算机测量与控制. 2024(03): 253-258 . 百度学术
5. 苏岫，李悦铭，景昕蒂，宋德瑞，柳圭泽，徐京萍，王祥. 基于GF-6的翅碱蓬生长密度遥感定量反演. 海洋环境科学. 2023(01): 151-159 . 本站查看
6. 王青青，朱俊利，任广波，刘善伟，许明明. 基于DJI精灵4多光谱版无人机的红树林精细分类. 遥测遥控. 2023(03): 123-130 . 百度学术
7. 袁胜. 基于Google Earth Engine的广西红树林分布提取研究. 湖南林业科技. 2021(05): 34-39 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 1725
- HTML全文浏览量: 1143
- PDF下载量: 41
- 被引次数: 11
