文章快速检索  
  高级检索
塔里木河下游土地利用覆被MISR多角度遥感制图
杨雪峰1, 王雪梅1,2, 毛东雷1,2    
1. 新疆师范大学地理科学与旅游学院, 乌鲁木齐 830054;
2. 新疆维吾尔自治区重点实验室"新疆干旱区湖泊环境与资源实验室", 乌鲁木齐 830054
摘要: 通过对塔里木河下游MISR卫星多角度观测数据的不同组合构建多角度数据集,探索多角度观测与传统垂直观测对土地利用覆被遥感制图效果的影响,分别使用SVM(支持向量机)与传统的MLC(最大似然分类法)作为分类器,对分类后得到的混淆矩阵进行分析。结论证实:无论是使用传统的MLC还是SVM作为分类器,多角度观测都取得比垂直观测更高的总体分类精度;MISR近红外波段虽然分辨率较低,但依然含有丰富的信息,对地表覆被的分类有重要影响;无论使用哪一数据集,SVM法都能获得更高的分类精度;不同相机对分类结果的影响各不相同,其中C、D相机的作用更重要。
关键词: MISR     支持向量机     最大似然分类法     塔里木河下游     土地利用覆被    
Mapping Land Use and Land Cover Through MISR Multi-Angle Imagery in the Lower Tarim River
Yang Xuefeng1, Wang Xuemei1,2 , Mao Donglei1,2    
1. College of Geography Science and Tourism, Xinjiang Normal University, Urumqi 830054, China;
2. Xinjiang Uygur Autonomous Region Key laboratory "Xinjiang Laboratory of Lake Environment and Resources in Arid Zone", Urumqi 830054, China
Supported by the National Natural Science Foundation of China (41261051) and the Open Funds of Key Laboratory of Xinjiang Uygur Autonomous Region (XJDX0909-2010-08)
Abstract: MISR multi-angular data have been built through 9 cameras combination, and the infulence on land use and land cover mapping by multi-angular observing and traditional nadir approach has been explored in the lower Tarim River. In addition, SVM (support vector machine) and conventional MLC (maximum likelihood classification) were respectively implemented to observe the differentiation of Confusion Matrix. The findings are presented as follows:Multi-angular oberservation achieved higher classification accuracy compared to nadir approach no matter MLC or SVM classifiers being used; Although the lower resolution, MISR obtains abundent information, and thus has a great impact on the classification of vegetation;the classification by SVM shows a higher accuracy than that by MLC no matter which data set is used;different cameras lead to different results, but camera C and D paly more important roles than the others.
Key words: MISR     support vector machine     maximum lickelihood classification     lower Tarim River     land use and land cover    

0 引言

在半干旱区,植被的遥感制图有其特殊的困难。这些区域的植被叶面积指数普遍较低,在传统的垂直观测情况下,裸露的土壤背景容易对植被信号形成干扰,这直接造成了遥感制图的精度难以提高[1]

为了保证精度,干旱、半干旱区土地覆被利用研究多采用中高分辨率遥感影像作为数据源。以塔里木河流域为例:阿布都沙拉木[2]以TM(thematic mapper)影像研究胡杨保护区的土地覆被变化;Aosier Buhe等[3]以Aster数据提取胡杨林信息;黄粤等[4]使用野外调查资料和TM/ETM(enhanced thematic mapper)卫星遥感影像数据对生态输水影响下的塔里木河下游地下水、植被变化特征进行分析。使用高分辨率影像在大尺度范围上进行遥感制图存在着数据量大和尺度转换方面的问题,像Modis这类中分辨率数据源更适合大范围的遥感制图。如张旭等[5]使用EOS_Modis数据对塔河下游的植被覆盖进行分类研究;但该研究中未能给出土地覆被分类准确率的分析和评价,无法知道MODIS的分类效果。

MISR是美国NASA(美国国家航空航天局)发射的EOS TERRA卫星上搭载的多角度传感器,全称是“多角度影像光谱仪”。虽然在此之前,已有欧洲太空局的CHRIS、 POLDER等能提供多角度观测影像,但从获取多角度数据的能力及适用的应用领域来看,MISR无疑是具有开创意义的[6]。与单一方向的遥感观测相比,多角度观测富含地表结构信息;在分类中如果加入反映地表二向性特性的方向信息,即使采用中等分辨率影像,也可以大大提高分类精度[7]。Su等[8]在北美Chihuahuan荒漠区使用MISR数据对19类荒漠植被进行分类发现,相比垂直观测数据,综合MISR和BRDF(bidirectional reflectance distribution function)模型参数的多角度数据使分类精度有较大提高;Jiao等[9]探讨了多角度观测与植被覆盖指数、地表植被结构等的关系,认为多角度信息可以提供很多地表反射异质性特性和植被结构的信息。但是,目前国内针对MISR多角度数据的研究还比较少。

本文的目的:1)使用MISR数据作为数据源,在塔里木河下游区域分析多角度观测对半干旱区地表土地利用覆被分类结果的影响;2)分析不同角度和波段数据对分类结果的影响;3)探寻SVM(支持向量机)新的分类方法对分类结果的影响。

1 研究区概况和研究数据 1.1 研究区

研究区(图 1)位于塔里木河下游(恰拉至台特玛湖,全长428 km),86.5°E88.5°E,39.4°N41.2°N。塔里木河是我国最长的内陆河流,主要位于塔克拉玛干沙漠与库鲁克沙漠之间,全长1 321 km。自西北流向东南,形成了塔里木河冲积平原。区内地形呈西北高、东南低的态势,海拔798~1 027 m。该区域是典型的大陆型干旱气候,蒸发强烈,降雨稀少,温差大[10]

图 1 研究区 Fig. 1 Location of the study area

塔里木河下游沿河分布荒漠河岸植被,局部地段盐生荒漠植被发育。其中,天然乔木林以胡杨为主,灌木主要为柽柳、盐穗木、黑果枸杞、铃铛刺等,半灌木主要有大叶白麻、骆驼刺,草本植物主要有芦苇、小花棘豆、花花柴等。1972年大西海子水库建成后,下游363 km河道彻底断流,天然植被严重退化。自2000年开始,有关部门实施向塔里木河下游应急输水工程,以期恢复下游的生态系统[11]

1.2 MISR数据介绍和处理方法

MISR对传统天底观测的重要突破是提供了9个角度的观测信息,分别是:4个前向观测角相机AF(26.1°)、BF(45.6°)、CF(60.0°)、DF(70.5°),4个后向观测角相机AA(26.1°)、BA(45.6°)、CA(60.0°)、DA(70.5°),以及1个天底角相机AN(0.0°)。9个传感器扫描同一区域的时间为7 min。每个传感器都有4个波段:蓝光波段(446±21 nm)、绿光波段(558±15 nm)、红光波段(672±11 nm)和近红外波段(866±20 nm)。对于同一个地点,可以同时得到4个波段、9个角度共36个观测值。本研究使用的数据包括:天底角4个波段、275 m×275 m空间分辨率数据,其余8个角度红光波段、275 m×275 m空间分辨率数据和近红外波段、1.1 km×1.1 km空间分辨率数据(表 1)。除此以外,MISR的气溶胶和角度数据分辨率均为17.6 km×17.6 km[12, 13, 14]

表 1 MISR影像全球模式下各角度影像波段分辨率 Table 1 Band resolution definition of MISR nine cameras in globe mode
DF/(km×km)CF/(km×km)BF/(km×km)AF/(km×km)AN/(km×km)AA/(km×km)BA/(km×km)CA/(km×km)DA/(km×km)
NIR波段1.1×1.11.1×1.11.1×1.11.1×1.10.275×0.2751.1×1.11.1×1.11.1×1.11.1×1.1
Red波段0.275×0.2750.275×0.2750.275×0.2750.275×0.2750.275×0.2750.275×0.2750.275×0.2750.275×0.2750.275×0.275
Blue波段1.1×1.11.1×1.11.1×1.11.1×1.10.275×0.2751.1×1.11.1×1.11.1×1.11.1×1.1
Green波段1.1×1.11.1×1.11.1×1.11.1×1.10.275×0.2751.1×1.11.1×1.11.1×1.11.1×1.1

MISR L1B2T数据是最为常用的数据产品,记录的是TOA(top-of-atmosphere)辐射数值。经过尺度转换和辐亮度转换后,再经过SMAC(simplified method for the atmospheric correction)大气校正法得到地表反射率[15]

此外,经过最近邻插值法处理,使除AN相机以外的其余8个相机近红外光波段地表反射率数据的分辨率与红光波段相同。最后,所有反射率数据通过坐标转换变为经纬度坐标。

1.3 土地利用/土地覆被类型

针对塔里木河下游土地利用覆盖的实际情况,基于国际IGBP(international geosphere-biosphere program)分类体系,结合前人的研究内容,制定了土地利用覆被类型(表 2)。

表 2 土地利用/土地覆被类型 Table 2 Land-cover and land-use classification
土地类型样地数覆盖度/%描述
灌木1 8885~75灌木、半灌木植物群落
林地1 1485~35胡杨林
水体950水库,天然水体
未利用地647<5沙地,盐碱地
耕地38340~95农田
草地206>5盐生草本植物群落
1.4 采样点生成

以Quickbird和Worldview为代表的高分辨率遥感影像由于其高空间分辨率迅速成为了土地覆被制图的重要手段[16]。本研究使用Quickbird和Worldview高分辨率遥感影像作为土地类型采集数据源,采集时间为20082010年的69月;MISR影像作为信息判别数据源,采集时间为2009年8月11日,轨道号为O051316。

高分辨率影像与MISR影像配准后,以MISR影像的红光波段像元大小275 m×275 m为样地面积,以高分辨率遥感影像人工判读方法为主、辅以野外观测的方式总共确定了4 367个样点的位置及其土地覆被利用属性(图 2)。

图 2 采样点分布 Fig. 2 Distribution of test samples

采样点选取的原则为:1)采样点位置为人工选取,空间分布尽可能遍布整个研究区,需能代表整个研究区的状况;2)各类采样点首先按实际区域中各种土地覆被利用类型所占比例多寡选取;其次,由于植被类型的重要性,提高了灌木和林地类型采样点的数量;3)灌木和林地类型采样点的选取要考虑到各种不同土壤和植被背景的情况,也要考虑到不同植被覆盖度的情况。

1.5 多角度数据集的构建

本研究中数据集构建的原则是:1)为了探寻MISR不同角度相机对分类结果的影响力,选取代表垂直观测的AN相机数据,分别与代表多角度观测的A、B、C、D前后向相机数据进行组合比对(表 3);2)为了探寻不同波段的影响,重点选择了对土壤和植被敏感的红光和近红外波段,蓝光和绿光波段除了AN相机的分辨率较高留取以外,其他相机的蓝绿波段不做选择。

表 3 MISR多角度观测数据集 Table 3 MISR multi-angle observation dataset
数据集描述
A相机近红外+天底角近红外AN、AA和AF相机的近红外波段
A相机红光+天底角红光AN、AA和AF相机的红光波段
AB相机近红外+天底角近红外AN相机和A、B前后向4个相机的近红外波段
AB相机红光+天底角红光AN相机和A、B前后向4个相机的红光波段
AC相机近红外+天底角近红外AN相机和A、C前后向4个相机的近红外波段
AC相机红光+天底角红光AN相机和A、C前后向4个相机的红光波段
AD相机近红外+天底角近红外AN相机和A、D前后向4个相机的近红外波段
AD相机红光+天底角红光AN相机和A、D前后向4个相机的红光波段
ABC相机近红外+天底角近红外AN相机的近红外波段和A、B、C前后向6个相机的近红外波段
ABD相机近红外+天底角近红外AN相机的近红外波段和A、B、D前后向6个相机的近红外波段
ACD相机近红外+天底角近红外AN相机的近红外波段和A、C、D前后向6个相机的近红外波段
ABC相机红光+天底角红光AN相机的红光波段和A、B、C前后向6个相机的红光波段
ABD相机红光+天底角红光AN相机的红光波段和A、B、D前后向6个相机的红光波段
ACD相机红光+天底角红光AN相机的红光波段和A、C、D前后向6个相机的红光波段
天底角AN相机的蓝、绿、红和近红外波段
天底角+ABCD相机近红外AN相机的4个波段和A、B、C、D前后向8个相机的近红外波段
天底角+ABCD相机红光AN相机的4个波段和A、B、C、D前后向8个相机的红光波段
天底角+ABCD相机红光和近红外AN相机的4个波段和A、B、C、D前后向8个相机的红光及近红外波段
ABCD相机近红外+天底角近红外AN相机的近红外波段和A、B、C、D前后向8个相机的近红外波段
ABCD相机红光+天底角红光AN相机的红光波段和A、B、C、D前后向8个相机的红光波段

分别提取所有采样点位置MISR 9个相机的地表反射率数据(所有相机的红光、近红外波段,AN相机的蓝光和绿光波段,分辨率都是275 m×275 m)及采样点土地利用覆被类型,按照不同的组合方式将其分成20组数据作为土地类型信息判别数据。每组数据都随机选取1/3(1 442个)作为测试数据集,剩余的2/3(2 925个)作为训练数据集。

2 方法 2.1 分类方法

分类研究使用MLC(最大似然分类法)和SVM。

MLC在两类或多类判决中,假定各类分布函数为正态分布,并选择训练区,用统计方法根据最大似然比贝叶斯判决准则建立非线性判别函数集,计算各待分类样区的归属概率进行分类,是遥感监督分类方法中最经典传统的方法之一[17]。本研究中使用了Envi[18]软件中的最大似然分类法。

SVM是机器学习领域一个有监督的非参数学习模型,自Vapnik[19]提出以来,以其抗噪声、有效应对小样本、非线性和高维数据、有效处理不平衡分类问题的特点在模式识别、分类和回归领域得到了广泛的应用[20]。SVM方法通过一个非线性映射,把样本{(xi,yi),i=1,…,l,xiRN表示输入模式,yi∈{-1,+1}表示目标输出}空间通过函数φ映射到一个高维乃至无穷维的特征空间中(Hilbert空间),使原来样本空间中的非线性可分问题转化为特征空间中的线性可分问题。其优化目标函数形式为

式中:w是权值向量;C为惩罚参数;ξi是松弛变量;b是偏置;wT·φ(xi)+b是超平面。优化目标函数使用C引入对ξi最小化的目标。数据被核函数映射到高维空间。通常使用的核函数是径向基函数,其形式为 式中:xi为空间任意一点;xj为核函数中心;γ为核函数的重要参数。

SVM自诞生之后便在遥感的各个领域中得到了快速的发展,但是相比较决策树、神经网络等方法来说研究还有不足。

本研究中使用LibSvm软件[21]来实现SVM分类。

2.2 数据处理

首先,使用SVM和MLC分别对各数据集中的训练集进行训练。MLC中的均值和协方差矩阵等参数根据训练集的内容来决定;SVM中参数Cγ的设置对分类结果会有很大的影响,根据调试情况进行设定,目标是使总体精度最大,这里设定为C=1 500,γ=140。然后,对测试集数据进行分类,计算混淆矩阵、总体精度和κ值。

3 结果和分析 3.1 测试集分类结果

由分类结果(表 4)可以发现:

表 4 SVM和MLC对测试集的分类结果 Table 4 Classification results of SVM and MLC on test datasets
数据集分类算法总体精度κ数据集分类算法总体精度κ
A相机近红外+天底角近红外MLC0.534 70.397 8ABC相机红光+天底角红光MLC0.605 40.487 1
SVM0.626 20.446 0SVM0.721 90.598 8
A相机红光+天底角红光MLC0.516 00.383 9ABD相机红光+天底角红光MLC0.611 00.495 1
SVM0.642 90.461 2SVM0.736 50.624 1
AB相机近红外+天底角近红外MLC0.556 20.421 8ACD相机红光+天底角红光MLC0.613 70.499 2
SVM0.665 00.514 8SVM0.723 30.603 5
AB相机红光+天底角红光MLC0.588 10.466 9ABC相机近红外+天底角近红外MLC0.580 40.449 9
SVM0.696 30.559 8SVM0.704 60.576 3
AC相机近红外+天底角近红外MLC0.573 50.444 9ABD相机近红外+天底角近红外MLC0.569 30.438 8
SVM0.684 50.546 4SVM0.711 50.587 0
AC相机红光+天底角红光MLC0.581 80.459 9ACD相机近红外+天底角近红外MLC0.571 40.438 8
SVM0.694 90.559 0SVM0.720 50.596 5
AD相机近红外+天底角近红外MLC0.563 80.435 9ABCD相机近红外+天底角近红外MLC0.580 40.447 2
SVM0.682 40.545 6SVM0.730 20.613 6
AD相机红光+天底角红光MLC0.594 30.477 0ABCD相机红光+天底角红光MLC0.614 40.498 6
SVM0.706 00.575 8SVM0.747 60.640 0
天底角MLC0.650 50.526 0天底角+ABCD相机红光MLC0.689 30.585 8
SVM0.729 50.604 5SVM0.795 00.693 7
天底角+ABCD相机近红外MLC0.670 60.556 6天底角+ABCD相机红光和近红外MLC0.704 60.602 0
SVM0.795 40.708 1SVM0.835 00.765 5

1)在天底角观测相机的基础上,不断加入其他观测角度的相机,从而构成多角度观测数据集。随着观测角度的增加,SVM和MLC的总体精度和κ值都在提高和增大,并都在使用“天底角+ABCD相机红光和近红外”数据集时实现了最高分类精度和最大κ值。MLC对天底角数据集的分类精度是0.650 5,对“天底角+ABCD相机红光和近红外”数据集的分类精度是0.704 6,后者较前者提高了8.315%;SVM对天底角数据集的分类精度是0.729 5,对“天底角+ABCD相机红光和近红外”数据集的分类精度是0.835 0,后者较前者提高了14.448%。说明多角度观测数据可以有效增强各类之间的差别,改善分类效果。

2)对比只使用红光的数据集和只使用近红外的数据集,会发现纯红光效果要好过纯近红外效果。原因可能是红光波段的分辨率比近红外波段高很多;另外,由于相机观测角度的不同,不同相机的红光、近红外效果也不相同。综合比较C相机的近红外波段比B、D相机的近红外波段对分类结果影响更大;D相机的红光波段比 B、C相机的红光波段对分类结果影响更大。B相机的作用相对较小,说明大的观测角对提高地物的识别是很重要的。

3)无论使用哪一数据集,SVM的分类精度都比MLC有明显提高:SVM的最高精度为0.835 0,MLC的最高精度为0.704 6,SVM比MLC高了18.5%;展现了SVM方法在分类问题上的优势。

3.2 土地利用覆被类型分类效果比较

为详细探寻多角度观测对不同土地利用覆被类型分类的影响,对比分别使用SVM和MLC法对天底角和“天底角+ABCD相机红光和近红外”两个数据集分类得到的混淆矩阵(表 5表 8)。

表 5 MLC法使用天底角数据集分类的混淆矩阵 Table 5 Confusion matrix of MLC on Nadir dataset
类型灌木胡杨林地未利用地耕地草地总数用户精度
灌木33714201097286230.54
林地112229029083780.61
水体0035000351.00
未利用地3540177012170.82
耕地000012831310.98
草地11807032580.55
总数49538335322135721 442
生产者精度0.680.601.000.550.950.440.65
表 6 MLC法使用“天底角+ABCD相机红光和近红外”数据集分类的混淆矩阵 Table 6 Confusion matrix of MLC on combinations of “Nadir+ABCD camera red and Nir” dataset
类型灌木林地水体未利用地耕地草地总数用户精度
灌木3371950558286230.54
林地502990190103780.79
水体0031013350.89
未利用地25130178012170.82
耕地000013101311.00
草地8901040580.69
总数42051631253140821 442
生产者精度0.800.581.000.700.940.490.70
表 7 SVM使用天底角数据集分类的混淆矩阵 Table 7 Confusion matrix of SVM classification on Nadir dataset
类型灌木林地水体未利用地耕地草地总数用户精度
灌木53460025046230.86
林地189176012013780.47
水体0035000351.00
未利用地6520150002170.69
耕地200012901310.98
草地18606028580.48
总数80824435193129331 442
生产者精度0.660.721.000.781.000.850.73
表 8 SVM法使用“天底角+ABCD相机红光和近红外”数据集分类的混淆矩阵 Table 8 Confusion matrix of SVM classification on combinations of “Nadir+ABCD camera Red and Nir” dataset
类型灌木林地水体未利用地耕地草地总数用户精度
灌木53961014186230.87
林地8528604033780.76
水体0034100350.97
未利用地3660175002170.81
耕地100013001310.99
草地11300341580.71
总数67235634194134521 442
生产者精度0.800.801.000.900.970.790.84

表 5表 6可以看出:MLC法使用多角度数据集后,林地类型的用户精度从0.61提升至0.79,提高了29.50%;其次是草地类型,用户精度从0.55提升至0.69,提高了25.45%;灌木类型虽然用户精度没有改变,但是生产者精度从0.68提升至0.80,提高了17.64%;未利用地的生产者精度从0.55提升至0.70,提高了27.27%;水体的用户精度降低了11%;其他类型变化较小。

表 7表 8可以看出:使用SVM法后,林地类型的用户精度提升幅度最大,从0.47提升至0.76,提高了61.7%;草地类型的用户精度提升幅度处于第二位,从0.48提升至0.71,提高了47.9%;居于第三位的是未利用地,用户精度从0.69提升至0.81,提高了17.4%;水体的用户精度略有下降;灌木类型的生产者精度提升幅度最大,从0.66提升至0.80,提高了21.2%;其次是未利用地类型,生产者精度从0.78提升至0.90,提高了15.38%;再次是林地类型,生产者精度从0.72提升至0.80,提高了11.11%;草地的生产者精度下降了7.59%;耕地的生产者精度略有下降。

综合表 5表 8分析如下:1)无论使用哪种数据集,灌木的用户精度依然是SVM法远高于MLC法;但是林地、未利用地低于MLC法。两种方法一致的是林地和草地的用户精度提升最大、水体的用户精度有所降低,灌木、耕地的用户精度改变最小。SVM法未利用地的用户精度提升较大,MLC未利用地的用户精度改变很小,说明SVM法在某些方面有其优势;但MLC依然有自己的优点。2)多角度观测使得除水体类型外的其他类型的用户精度都得到改善,其中林地和草地的提升是很大的;说明多角度观测能够有效增加某些地物的差异性信息。至于多角度观测对于灌木类型影响较小的原因还有待今后进一步研究。

3.3 分类结果

在“天底角+ABCD相机红光和近红外”数据集的训练集上,分别使用MLC和SVM法获得分类规则后,对塔里木河下游的MISR数据分类得到土地利用覆被图(图 3)。

图 3 MLC法(a)和SVM法(b)使用“天底角+ABCD相机红光和近红外”数据集得到的塔里木河下游土地利用覆被分类结果 Fig. 3 Land use and land cover classification result of MLC (a) and SVM (b) on Nadir plus ABCD cameras Red and Nir in lower Tarim River

结合表 6表 8,由图 3可以看出:在同样使用多角度数据集的情况下,MLC法对灌木的识别效果远不如SVM法。SVM分类结果上准确显示了塔里木河下游两岸广泛分布的灌木,也更准确地显示了水体的分布。其他类型两者区别不大。

4 结论

通过对塔里木河下游地区的土地利用/土地覆被状况使用MISR多角度数据进行分类的研究发现:

1)分类方法MLC和SVM在使用多角度观测数据集时,均能比仅使用天底角数据集取得更高的分类精度。相比垂直观测,使用多角度数据,MLC法的总体精度最多提高了8.315%,SVM法总体精度最多提高了14.448%;使用多角度数据集“天底角+ABCD相机红光和近红外”,SVM法获得了0.835的分类总体精度。说明MISR的多角度观测比垂直观测可以更有效地改善识别的精度。

2)耕地和水体这类空间结构较为单一的地表物体,无论是垂直观测还是多角度观测,MLC和SVM在用户精度或者生产者精度的改变上都不是特别明显;草地和林地类型的覆盖度水平差别较大,群落组成又比较复杂,无论使用MLC还是SVM,分类精度在多角度观测的情况下都能获得明显改善;空间结构差异越大(如林地),在多角度观测当中越能加以有效区分。以上信息充分说明具有复杂3D结构的地表物体仅从垂直角度观测是有很大局限性的,使用多角度数据集可以更好地区别具有显著反射异质性的地表对象,提高该类对象的分类精度。

3)无论是使用垂直观测数据还是多角度观测数据,SVM都显示出较MLC明显的优势。在只是用Nadir数据时,SVM分类总体精度比MLC高12.14%;当使用多角度数据“Nadir+ABCD 红光和近红外”时,SVM比MLC高18.8%。当参加分类的信息不断增多时,SVM法对信息的利用率比MLC更为有效;但是MLC法在林地、未利用地的用户精度上高于SVM法,说明MLC法依然有自己的优点。SVM的参数设置对分类结果有重要的影响,目前主要依靠经验,未来还需寻找优化设置参数的方法。

4)在对MISR多角度数据进行组合测试的过程中,红光波段比近红外波段对分类结果的影响大;然而,虽然近红外波段的分辨率比红光波段低很多,但是分类精度也只是略低于红光波段,说明近红外对于分类结果的影响依然非常重要。

5)对不同相机不同波段的组合研究发现,C、D相机数据对观测结果的影响更为重要一些,它们可能提供了更多的地物反射异质性信息。

将来希望能在以上工作基础上,加入BRDF模型来进一步比较各个角度、波段数据的作用,同时尝试更多先进的模型和方法,挖掘MISR多角度观测的应用能力。

NASA Langley 研究中心大气科学数据中心提供了MISR 数据,在此表示感谢。

参考文献
[1] Richardson A J, Wiegand C L. Distinguishing Vegetation from Soil Background Information[J]. Photogram Engi & Remote Sensing, 1977, 43(12):1541-1552.
[2] 阿布都沙拉木·加拉力丁.塔里木河流域胡杨保护区土地覆盖变化研究[J].干旱区资源与环境, 2010, 24(1):154-157. Abdisalam Jalaldin. Study on Land Cover Change of Tarim Poplar Nature Reservation[J]. Journal of Arid Land Resources and Environment, 2010, 24(1):154-157.
[3] Buhe A, Tsuchiya K, Kaneko M, et al. Land Cover of Oases and Forest in Xinjiang, China Retrieved from ASTER Data[J]. Advances in Space Research, 2007, 39(1):39-45.
[4] 黄粤,包安明.间歇性输水影响下的2001-2011年塔里木河下游生态环境变化[J].地理学报, 2013, 9(68):1251-1262. Huang Yue, Bao Anming. Eco-Environmental Change in the Lower Tarim River Under the Influence of Intermittent Water Transport[J]. Acta Geographica Sinica, 2013, 9(68):1251-1262.
[5] 张旭,刘新春.EOS MODIS影像处理在塔里木河下游植被监测中的应用[J].干旱区研究, 2005,22(4):532-536. Zhang Xu, Liu Xinchun. Study on the EOS/MODIS Image Processing and Its Application in Monitoring the Vegetation Change in the Lower Reaches of the Tarim River[J]. Arid Zone Research, 2005, 22(4):532-536.
[6] Diner D J, Beckert J C, Reilly T H. Multi-Angle Imaging Spectroradiometer (MISR) Instrument Description and Experiment Overview[J].IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(4):1072-1087.
[7] Chopping M J, Rango A, Ritchie J C. Improved Semi-Arid Community Type Differentiation with the NOAA AVHRR via Exploitation of the Directional Signal[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(5):1132-1149.
[8] Su L, Chopping M J. Differentiation of Semi-Arid Vegetation Types Based on Multi-Angular Observations from MISR and MODIS[J]. International Journal of Remote Sensing, 2007,6(28):1419-1424.
[9] Jiao Z, Hill M J, Schaaf C B, et al. An Anisotropic Flat Index (AFX) to Derive BRDF Archetypes from MODIS[J]. Remote Sensing of Environment, 2014, 141(4):168-187.
[10] 刘晏良.塔里木河中下游实地踏勘报告[M].北京:中国统计出版社,2000. Liu Yanliang. The Report of Field Survey of Talimu River[M]. Beijing:The Statistics Publishing House of China, 2000.
[11] 张绘芳,李霞.塔里木河下游胡杨种群空间分布格局分析[J].西北植物学报,2006,26(10):2125-2130. Zhang Huifang, Li Xia. Spatial Distribution Pattern of Populuseuphratica Populations in the Lower Reaches of Tarim River[J]. Acta Botanica Boreali-Occidentalia Sinica, 2006,26(10):2125-2130.
[12] Diner D J, Martonchik J V, Borel, et al. Multi-Angle Imaging Spectro-Radiometer Level 2 Surface Retrieval Algorithm Theoretical Basis Document[EB/OL].[2014-12-02]. http://eospso.gsfc.nasa.gov/eos_homepage/for_scientists/atbd/docs/MISR/atbd-misr-10.pdf.
[13] MISR Homepage[EB/OL].[2015-05-15]. http://www.misr.jpl.nasa.gov/.
[14] MISR Data Products Specifications[EB/OL].[2015-05-15]. http://eosweb.larc.nasa.gov/.
[15] Rahman H, Dedieu G. SMAC:A Simplified Method for the Atmospheric Correction of Satellite Measurements in the Solar Spectrum[J]. International Journal of Remote Sensing, 1994,15(1):123-143.
[16] 武红敢,涂琼.WorldView2影像的单株木监测潜力分析:以杭州西山地区为例[J].林业资源管理,2012(6):92-96. Wu Honggan, Tu Qiong. Analysis on Monitoring Potential of Individual Trees Based on WorldView2 Image:A Case Study of West Mountain Areas in Hangzhou City[J]. Forest Resources Management, 2012(6):92-96.
[17] 孙家抦.遥感原理与应用[M].武汉:武汉大学出版社,2003. Sun Jiabing. Principles and Applications of Remote Sensing[M]. Wuhan:Wuhan University Press, 2003.
[18] Exelis. ENVI Homepage[EB/OL].[2014-12-01] http://www.exelisvis.com/.
[19] Vapnik V. The Nature of Statistical Learning Theory[M]. NewYork:Springer-Verlag,1995.
[20] Giorgos Mountrakis, Jungho Im. Support Vector Ma-chines in Remote Sensing:A Review[J]. Journal of Photogrammetry and Remote Sensing, 2011, 66:247-259.
[21] Chang C C, Lin C J. LIBSVM:A Library for Support Vector Machines[EB/OL].[2014-05-01]. http://www.csie.ntu.edu.tw/-cjlin/libsvm.
http://dx.doi.org/10.13278/j.cnki.jjuese.201602306
吉林大学主办、教育部主管的以地学为特色的综合性学术期刊
0

文章信息

杨雪峰, 王雪梅, 毛东雷
Yang Xuefeng, Wang Xuemei, Mao Donglei
塔里木河下游土地利用覆被MISR多角度遥感制图
Mapping Land Use and Land Cover Through MISR Multi-Angle Imagery in the Lower Tarim River
吉林大学学报(地球科学版), 2016, 46(2): 617-626
Journal of Jilin University(Earth Science Edition), 2016, 46(2): 617-626.
http://dx.doi.org/10.13278/j.cnki.jjuese.201602306

文章历史

收稿日期: 2015-06-08

相关文章

工作空间