2. 白城师范学院旅游与地理科学学院, 吉林 白城 137000
2. School of Tourism and Geography Science, Baicheng Normal College, Baicheng 137000, Jilin, China
0 引言
地球遥感探测技术利用可见光、红外、微波电磁波与地表物质的相互作用机理及其识别模型进行地物特征定量反演，研究地表遥感信息的提取、处理与解译[1]。基于光谱特征、影像纹理、几何形状等的遥感信息处理模型发展迅速，如专家分类系统等。由于地表植被等生态资源的区域性、季节性、复杂性，已有模型方法未考虑时间维特征，往往难以应用于大区域地物监测[2-5]。
地表植被覆盖变化具有季节性，这种季节变化特征可以通过地表归一化植被指数(normalized difference vegetation index，NDVI)数据集量化表达[6]；不同的植被类型具有不同的生长周期和物候规律，这种差异可以作为地表植被覆被分类的出发点[7]。卫星遥感影像能够监测植被覆盖的物候变化，反映地表植被生长的季节性特征；基于多时相NDVI数据集的物候信息通过编写算法运算提取，可以作为地表植被覆盖的分类特征[8]。
近期，土地覆被遥感调查技术受到各级研究组织的关注。为提高土地覆被分类精度，研究者开展了大量工作充分挖掘数据的多时相特征。左玉珊等[9]利用250 m MODIS(moderate-resolution imaging spectroradiometer)数据构建了多时相遥感分类提取方案，用于京津地区地表覆被分类。该方案引入3个分类特征变量：归一化差异水体指数(NDWI)、改进归一化差异水体指数和土壤亮度指数，包含7个原始波段和23个派生特征波段的遥感数据。张景等[10]选择MODIS数据1-7波段的地表反射率数据，同时选择植被信息(4个时相的NDVI)、地面高程信息(DEM)、地表纹理特征信息(局部平稳和熵)等5个地物特征信息，构建了7个原始波段和7个派生特征波段参与的土地覆被分类模型；该方案有效地提高了区域尺度上土地覆被的分类精度。谭磊等[11]使用TM(thematic mapper)影像选取PCA(principal component analysis)变换分量、缨帽变换分量、多时相NDVI、NDWI和EVI(enhanced vegetation index)数据、DEM等13个特征变量构建分类提取方案，使用7个原始波段和13个派生特征波段数据，最终将土地覆被分类级别细化到了二级类。但是，以上模型存在以下可改进的方面：1) 参与土地覆被分类的组合波段太多，最少波段组合方案中选用的波段也在10个数量级以上，导致分类算法运算量大；2) 分类精度还有进一步提高的可能性。
近年来，多时相NDVI数据已被成功应用于植被动态变化监测和植被分类研究[12-16]。例如，E. F. Lambin等[17]发现基于多时相NDVI序列集的阈值法便于提取地表植被的季相变化信息；M. K. B. Ludeke等[18]将NDVI序列集的相关计算结果用于验证全球植被的物候信息。此外，Pieter S A等[19]、Geerken R等[20-21]、Evans J P等[22]将MODIS的NDVI时间序列数据集应用于草地植被分类，更大的应用领域正等待着进一步探索研究。
遥感探测技术的推广和计算机技术的发展要求新分类方法具有反应快速和实用性强等特点，以应对多种不同的应用目的。本文选择吉林西部作为试验区，建立一种多时相遥感数据分类方案，从遥感信息机理、模型因子与构造等方面给予完善，从而生成可实用方案。该方案创新性在于：1) 提出提取地表植被生长信息的方法，实现地表植被季变信息的快速获取；2) 优化特征组合，降低特征维数，实现最大波段数不超过10个的波段组合；3) 充分利用地表植被的季变信息，结合纹理特征来提高土地覆被分类精度。
近年来，中国地表植被改善趋势明显[23]，而中国北方的干旱半干旱地区发生了地表植被局部退化现象[24]。吉林西部是地表生态环境脆弱区，随着人类活动的加剧，当地生态环境持续恶化，盐碱发生区的土地荒漠化日趋加快，向东扩展趋势明显，对东北黑土地生态保护构成了潜在威胁[25]。本文选择Landsat-OLI(operational land imager)作为多时相数据，引入地表植被长势和生长季持续期两个主要物候特征信息，对2014年半干旱的松嫩平原植被覆被情况进行遥感分类调查，为进一步研究地表植被全球变化响应提供参考，为松嫩平原土地三化综合治理提供基础统计数据。
1 研究区与数据 1.1 研究区概况研究区吉林西部行政范围包括松原和白城两个地级市，东北方向紧邻小兴安岭，西部与大兴安岭外围台地相接、地势较高，东部与南部有嫩江、洮儿河环绕，江河沿岸分布肥沃的冲积平原，地理坐标为121°30′00″E-126°00′00″E、44°00′00″N-46°00′00″N。研究区处于松嫩平原南部，高程为50~500 m，土壤为草甸土、淡黑钙土；属于中温带大陆性季风气候，四季分明，雨热同期；太阳辐射资源丰富，农作物种植自然条件优越，是吉林省重要的水稻和旱作作物(玉米、高粱和大豆为主)产区[26-27]。东北地区变暖的气候对湿地产生了正面影响，境内湿地类型多样，主要包括河流湿地、湖泊湿地、沼泽湿地和人工湿地四大类型，水田是主要湿地类型之一[28-29]。
1.2 遥感数据本文所用影像数据来自陆地资源卫星Landsat-OLI8，为美国地质调查局网上发布的免费数据(http://glovis.usgs.gov/)。数据获取时间为2014年1-12月，选择研究区域上空云量少于10%的数据作为每月的月值数据。数据产品级别标示为L1T，经过地形参与的几何校正，一般情况下可以直接使用而不需要做几何校正。研究区地势低平，传感器获取反射辐射能量均恒，所以本文主要进行了大气校正处理[30]。
研究区使用的地形高程数据是在中国科学院计算机网络信息中心国际科学数据镜像网站下载的GDEM-DEM 30 m分辨率数字高程数据产品。
2 方案构建与实现 2.1 分类体系确定本文参考刘纪远[31]的土地资源分类系统和姜琦刚等[28]的东北生态环境资源调查分类方案，结合实际情况，确定研究区土地覆被类型为：恒定水域、季节性水域(主要为有植被生长的自然沼泽湿地和滩地)、盐碱地、沙化土地、林地、草地、荒地与民用土地、水稻田和旱作农田(包括无植被覆盖或少植被覆盖地类)共9种(6个一级地类，3个二级地类)。
2.2 分类特征提取1) NDVI季节变化信息。本文提取的季变信息涉及地表植被的生长季持续期和年内植被长势。首先，计算NDVI时序集的半方差，半方差函数通过“变程”反映变量的影响范围。其次，依据计算NDVI时序数据半方差达到最大值时的峰值点位置提取地物连续变化的特征信息，这些特征信息表征地表植被的年内长势。在R语言[32]平台上编写了逐像元计算算法用以提取12个月的NDVI时序变化信息，拟合函数选用高斯函数。
2) 空间特征信息。利用2014年研究区生长季(5-10月)NDVI的月均值数据，计算研究区生长季NDVI的局部方差。主要实现方法：通过一个3×3的移动窗口计算该范围内影像DN(digital number)值的标准差，获取地物的空间纹理信息[33]。
3) 水体信息。我们将Landsat 8影像数据的绿光波段和近红外波段进行比值运算，最终获得NDWI。NDWI数值与实际土壤中含水量存在大致的相关关系[34]。
4) 土地利用信息。城镇用地指数(NDBI)对低植被覆盖度的人工用地、荒地与裸土反映敏感，适用于研究区土地利用类型的遥感监测和稀疏植被覆盖对不同土壤反射变化的指示性研究[35]。水体信息与土地利用信息均在遥感软件ERDAS平台上，通过波段计算获得指标数据。
2.3 分类算法介绍本文对构建的多维特征空间数据采用支持向量机(SVM)分类算法。SVM是一种监督学习算法，具有结构简单、泛化能力强的优势，易实现多维特征小样本的计算，解决地类不确定性问题[36-37]。SVM的核心算法选择径向基函数。
2.4 分类方案设计通过多维空间特征数据集的构建，本文完成了对吉林西部土地覆被类型的遥感分类提取。具体流程如图 1所示。最终得到本文的分类方案：NDVI年内半方差+NDVI生长季标准差+NDVI均值+NDWI生长季标准差+NDBI生长季标准差+DEM+坡度。
|
| 图 1 多时相遥感信息反演模型构建的主要流程 Figure 1 Main flow chart of land covers type identification |
|
|
分类精度检验的常用方法是野外调查和高清分辨率影像参照两种方法[33]。本文结果为遥感数据的自动分类提取结果，为最大限度地保证选取样本的代表性，结合Google Earth高分辨率同期影像和2014年东北地区土地利用现状统计资料等辅助数据，在遥感影像图上选出各类具有代表性的样区。把选取的样本随机分为两部分：70%用于分类，30%用于精度评价[26, 38]。
3 结果与分析 3.1 遥感调查结果试验区土地面积共计46 313 km2，9种土地覆被类型的统计分析情况如表 1所示。
| 土地覆被类型 | 面积/km2 | 所占比例/% |
| 恒定水域 | 1 371.500 | 2.961 |
| 季节性水域 | 2 457.500 | 5.306 |
| 盐碱地 | 5 462.750 | 11.795 |
| 沙化土地 | 5 683.250 | 12.271 |
| 水稻田 | 3 088.813 | 6.669 |
| 旱作农田 | 23 100.125 | 49.878 |
| 林地 | 744.625 | 1.608 |
| 草地 | 1 835.250 | 3.963 |
| 荒地与民用土地 | 2 569.563 | 5.548 |
| 总计 | 46 313.375 |
在研究区内：1) 旱作农田的遥感自动分类提取面积为23 100.125 km2，占总面积的49.878%，农耕地是吉林西部的主要生态景观类型。2) 水稻田、恒定水域和季节性水域是本区域自然湿地的主要存在形式，湿地面积共占研究区总面积的14.937%，是吉林西部的第二大生态景观类型。水稻田的耕种面积远远小于研究区内的旱作农田，占总面积的6.669%。3) 吉林西部土地的“三化”问题突出，盐碱地面积占全区的11.795%，沙化土地占全区总面积的12.271%。
由分类结果(图 2)分析得出：1) 湿地多出现在嫩江沿岸低洼地带(高程为124 m左右)。吉林西部的湿地分为自然湿地(湖泊和碱泡)和人工湿地(水稻田)两种形式，洋沙泡、查干湖和月亮泡是恒定有水的自然湿地，其他多是季节性人工湿地。2) 吉林西部的水稻田集中分布，旱作农田分散广布。洮儿河以西、嫩江西侧和第二松花江以西的水稻田是吉林西部的三大水稻产区。3) 近年来城镇化建设和土地耕种面积扩大，草地和林地面积减少、地类斑块破碎。吉林西部的林地以人工林和次生林为主要存在形式。姜家店草场是吉林西部的主要草场，平均株高为0.5 m，属于中等覆盖度草地。
|
| 图 2 研究区土地覆被分类结果 Figure 2 Classification results of land couer types in the study area |
|
|
针对本文设计的土地覆被分类方案，笔者构建了另外5种特征变量组合，详细情况如下：OLI数据B2(第2波段)、B3(第3波段)、B4(第4波段)、B5(第5波段) (方案一)；OLI数据B2、B3、B4、B5+NDVI (方案二)；OLI数据B2、B3、B4、B5+NDBI (方案三)；OLI数据B2、B3、B4、B5+NDWI (方案四)；OLI数据B2、B3、B4、B5+NDVI+NDBI+NDWI (方案五)。利用上述特征变量的组合方案进行SVM算法分类，从而得到不同组合方案下的试验区土地覆被类型遥感计算结果。
本文将各组合方案下的分类结果与研究区的随机样本进行运算得到混淆矩阵，对比分析6种方案的分类结果，分类精度如表 2所示。
| 类别 | 不同分类特征组合方案下的分类精度/% | |||||
| 方案一 | 方案二 | 方案三 | 方案四 | 方案五 | 方案六 | |
| C1 | 99.78 | 100.00 | 100.00 | 100.00 | 100.00 | 98.82 |
| C2 | 75.80 | 81.14 | 72.92 | 76.56 | 93.90 | 98.07 |
| C3 | 46.02 | 45.12 | 72.54 | 43.45 | 78.68 | 88.11 |
| C4 | 88.78 | 91.30 | 98.83 | 85.28 | 97.85 | 98.57 |
| C5 | 71.38 | 77.61 | 98.74 | 66.02 | 98.41 | 100.00 |
| C6 | 74.23 | 57.95 | 76.80 | 72.91 | 79.77 | 94.75 |
| C7 | 80.54 | 73.49 | 86.50 | 75.43 | 88.83 | 95.83 |
| C8 | 48.94 | 93.36 | 95.54 | 97.06 | 97.46 | 87.06 |
| C9 | 52.16 | 42.02 | 50.00 | 50.22 | 44.68 | 80.47 |
| 总体分类精度/% | 67.66 | 69.06 | 86.51 | 68.95 | 87.47 | 95.50 |
| Kappa系数/% | 64.34 | 65.88 | 85.10 | 65.74 | 86.17 | 95.04 |
| 注：方案六为本文设计方案，下同。数字编码意义：C1.恒定水体；C2.季节性水域；C3.盐碱地；C4.林地；C5.水稻田；C6.旱作农田；C7.草地；C8.沙化土地；C9.荒地与民用土地。 | ||||||
研究区的林地与旱作农田中的农耕作物具有相近的NDVI数值，但是其年内生长持续期远远长于农作物生长季跨度。基于本文分类方案(多时相遥感数据结合SVM算法的土地覆被分类方案)，林地的遥感分类精度提高至98.57%。旱作农田与水稻田的作物具有相近似的NDVI数值，但是水稻的收获期集中，并且早于农耕旱地作物10 d以上。本文方案利用两者的物候差, 再结合试验区的土壤湿度信息，将旱作农田和水稻田的分类精度分别提高至94.75%、100%。本文方案的总体分类精度和Kappa系数分别为95.50%、95.04%，相比前5种组合分类方案，不仅保证了研究区土地覆被的总体分类精度，而且9种易混淆的覆被类型都达到了理想的分类效果。
3.3 易混淆地类可分性分析在试验区，合理的训练样本会提高后期的分类精度。Jeffries-Matusita(JM)距离指标称为光谱可分性指标，用于度量两个土地覆被类型之间的可分性，也可度量两个土地覆被类型间的平均差异状况[39]。一般来说，JM距离为0~2.0；JM距离大于1.9说明样本之间可分性好，属于合格样本；小于1.5需要重新选择样本；小于1.0则考虑将两类样本合成一类样本[40]。
本文选取试验区内的12组易混淆地类来分析不同土地覆被类型之间的可分性。基于OLI的B2-B5数据计算12组易混淆地类间的可分性(JM距离)，将JM距离小于1.9的地类认定为易混淆地类，统计分析不同地类的可分性，结果如表 3所示。
| 易混淆地类组合 | JM距离 | |||||
| 方案一 | 方案二 | 方案三 | 方案四 | 方案五 | 方案六 | |
| C3-C6 | 1.842 | 1.999 | 1.872 | 1.954 | 2.000 | 2.000 |
| C3-C8 | 1.863 | 1.984 | 1.889 | 1.948 | 1.999 | 2.000 |
| C6-C7 | 1.869 | 1.903 | 1.882 | 1.894 | 1.936 | 2.000 |
| C2-C5 | 1.255 | 1.822 | 2.000 | 1.814 | 2.000 | 2.000 |
| C4-C7 | 1.829 | 1.865 | 1.976 | 1.875 | 1.985 | 1.907 |
| C4-C9 | 1.815 | 1.850 | 1.908 | 1.866 | 1.945 | 1.988 |
| C6-C8 | 1.847 | 1.926 | 1.947 | 1.865 | 1.974 | 1.939 |
| C3-C9 | 1.741 | 1.918 | 1.781 | 1.954 | 1.981 | 1.987 |
| C5-C6 | 1.869 | 1.901 | 1.898 | 1.998 | 2.000 | 2.000 |
| C5-C7 | 1.819 | 1.931 | 1.883 | 2.000 | 2.000 | 2.000 |
| C6-C9 | 1.387 | 1.698 | 1.475 | 1.795 | 1.866 | 2.000 |
| C4-C6 | 1.386 | 1.673 | 1.673 | 1.424 | 1.893 | 2.000 |
从表 3可以看出：1) 方案二中，盐碱地与旱作农田、沙化土地的可分性提高最明显，分别为1.999、1.984；植被信息的引入提高了无植被地类与有植被地类的可分性。2) 方案三中，季节性水域与水稻田、林地与草地等两组混淆地类的可分性提高最明显，分别为2.000、1.976；土地利用信息的引入增强了不同植被覆被地类间的可分性，盐碱地在试验区中均达到完全可分。3) 方案四中，水稻田与旱作农田、草地的可分性提高最明显，分别为1.998、2.000；吉林西部水稻与旱地作物的交错分布和相近似的生长规律增加了两者遥感分类提取的难度，水体信息的引入很好地解决了这个问题。4) 本文方案所有地类JM距离均大于1.9，可以提高各土地覆被类别之间的可分性。
4 结论本文综合利用多时相遥感数据的地表植被、季节变化、水体与土壤等信息作为分类数据集的4个主要特征变量，构建多维特征空间数据集对吉林西部的土地覆被类型进行遥感自动分类提取，并对比分析研究区12组易混淆地类的可分性与5种组合方案的分类精度。主要结论如下：
1) 本文设计方案的总体分类精度与Kappa系数分别为95.50%、95.04%，土地覆被分类精度提高明显。
2) 遥感分类方案提取了9种地表覆被类型，引入4个主要特征分类变量(地表植被信息、植被季节变化信息、水体信息、土壤信息)，其中地表植被季节变化信息和土地利用指数的引入能明显改善试验区的土地覆被分类精度。
综上，对于吉林西部本方案是比较实用、可行的分类方案，它的遥感提取结果不再是表征某一时间点上的地表状况，而是指示研究区内地表生态状况的持续特点。
| [1] |
周永章, 王正海, 侯卫生.
数学地球科学[M]. 广州: 中山大学出版社, 2012.
Zhou Yongzhang, Wang Zhenghai, Hou Weisheng. Mathematical Geoscience[M]. Guangzhou: Sun Yat-Sen University Press, 2012. |
| [2] |
王宗明, 国志兴, 宋开山, 等. 2000—2005年三江平原土地利用/覆被变化对植被净初级生产力的影响研究[J].
自然资源学报, 2009, 24(1): 136-146.
Wang Zongming, Guo Zhixing, Song Kaishan, et al. Effects of Land Use/Cover Change on Net Primary Productivity of Sanjiang Plain, During 2000-2005[J]. Journal of Natural Resources, 2009, 24(1): 136-146. DOI:10.11849/zrzyxb.2009.01.015 |
| [3] |
赵锐锋, 陈亚宁, 李卫红, 等. 塔里木河干流区土地覆被变化与景观格局分析[J].
地理学报, 2009, 64(1): 95-106.
Zhao Ruifeng, Chen Yaning, Li Weihong, et al. Land Cover Change and Landscape Pattern in the Mainstream of the Tarim River[J]. Acta Geographica Sinica, 2009, 64(1): 95-106. DOI:10.11821/xb200901010 |
| [4] |
戴竹红, 塔西甫拉提·特依拜, 马勇刚. 土地利用/土地覆被变化遥感监测研究[J].
沙漠与绿洲气象, 2007, 1(6): 17-19.
Dai Zhuhong, Tashfulati·Teyibai, Ma Yonggang. The Research of Land Use/Cover Change Using Remote Sensing Monitoring[J]. Desert and Oasis Meteorology, 2007, 1(6): 17-19. |
| [5] |
王芳芳, 吴世新, 杨涵. 基于3S的近15a新疆LUCC时空变化研究及分析[J].
中国沙漠, 2009, 29(4): 636-640.
Wang Fangfang, Wu Shixin, Yang Han. Study on Spatiotemporal Variations of Land Use/Cover in Xinjiang Based on 3S Technology[J]. Journal of Desert Research, 2009, 29(4): 636-640. |
| [6] | Jonsson P, Eklundh L. Seasonality Extraction by Function Fitting to Time-Series of Satellite Sensor Data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(8): 1824-1832. DOI:10.1109/TGRS.2002.802519 |
| [7] | Defries R S, Townshend J R G. NDVI Derived Land Cover Classifications at a Global-Scale[J]. International Journal of Remote Sensing, 1994, 15(17): 3567-3586. DOI:10.1080/01431169408954345 |
| [8] |
汪权方, 李家永. 基于时序NDVI数据的中国红壤丘陵区土地覆被分类研究[J].
农业工程学报, 2005, 21(2): 72-77.
Wang Quanfang, Li Jiayong. Land Cover Classification in Redsoil Hilly Region of China Using Multi-Temporal VEGETATION/NDVI Data: A Case Study of Poyang Basin[J]. Transactions of the CSAE, 2005, 21(2): 72-77. |
| [9] |
左玉珊, 王卫, 郝彦莉, 等. 基于MODIS影像的土地覆被分类研究:以京津冀地区为例[J].
地理科学进展, 2014, 33(11): 1556-1565.
Zuo Yushan, Wang Wei, Hao Yanli, et al. Land Cover Classification Based on MODISImages: Taking the Beijing-Tianjin-Hebei Region as an Example[J]. Progress in Geography, 2014, 33(11): 1556-1565. DOI:10.11820/dlkxjz.2014.11.012 |
| [10] |
张景, 姚凤梅, 徐永明, 等. 基于MODIS的土地覆盖遥感分类特征的评价与比较[J].
地理科学, 2010, 30(2): 249-253.
Zhang Jing, Yao Fengmei, Xu Yongming, et al. Comparison and Evaluation of Classification Features in Land Cover Based on Remote Sensing[J]. Scientia Geographica Sinica, 2010, 30(2): 249-253. DOI:10.11820/dlkxjz.2010.02.017 |
| [11] |
谭磊, 赵书河, 罗云霄, 等. 基于对象特征的山东省丘陵地区多时相遥感土地覆被自动分类[J].
生态学报, 2014, 34(24): 7251-7260.
Tan Lei, Zhao Shuhe, Luo Yunxiao, et al. Application of Object-Oriented Image Analysis to Land-Cover Classification in Hilly Areas[J]. Acta Ecologica Sinica, 2014, 34(24): 7251-7260. |
| [12] | James M E, Kalluri S N V. Pathfinder AVHRR Land Dataset:An Improved Coarse Resolution Dataset for Terrestrial Monitoring[J]. International Journal of Remote Sensing, 1994, 15(17): 3347-3363. DOI:10.1080/01431169408954335 |
| [13] | Loveland T R, Reed B C, Brown J F, et al. Development of a Global Land Cover Characteristics Data Base and IGBPDIS Cover from 1 km AVHRR Data[J]. International Journal of Remote Sensing, 2000, 21(6/7): 1303-1330. |
| [14] | Ross S L, Joseph F K, Jayantha E, et al. Land Cover Change Detection Using Multi-Temporal MODIS NDVI Data[J]. Remote Sensing Environment, 2006, 105: 142-154. DOI:10.1016/j.rse.2006.06.018 |
| [15] | Wardlow B D, Egbert S L, Kastens J H. Analysis of Time-Series MODIS 250 m Vegetation Index Data for CropClassification in the US Central Great Plain[J]. Remote Sensing of Environment, 2007, 108: 290-310. DOI:10.1016/j.rse.2006.11.021 |
| [16] | Wardlow B D, Egbert S L. Large-Area Crop Mapping Using Time-Series MODIS 250 m NDVI Data: An Assessment for the US Central Great Plains[J]. Remote Sensing of Environment, 2008, 112: 1096-1116. DOI:10.1016/j.rse.2007.07.019 |
| [17] | Lambin E F, Strahlers A H. Change-Vector Analysis in Multi-Temporal Space: A Tool to Detect and Categorize Land Cover Change Processes Using High Temporal-Resolution Satellite Data[J]. Remote Sensing of Environment, 1994, 48(2): 231-244. DOI:10.1016/0034-4257(94)90144-9 |
| [18] | Ludeke M K B, Ramge P H, Kohlmaierg H. The Use of Satellite NDVI Data for the Validation of Global Vegetation Phenology Models: Application to the Frankfurt Biosphere Model[J]. Ecological Modelling, 1996, 91: 255-270. DOI:10.1016/0304-3800(95)00192-1 |
| [19] | Pieter S A, Beck C, Kjellarild H, et al. Improved Monitoring of Vegetation Dynamics at Very High Latitudes: A New Method Using MODIS NDVI[J]. Remote Sensing of Environment, 2006, 100: 321-324. DOI:10.1016/j.rse.2005.10.021 |
| [20] | Geerken R, Zaitchik B, Evans J P. Classifying Rangeland Vegetation Type and Coverage Using a Fourier Component Based Similarity Measure[J]. International Journal of Remote Sensing, 2005, 26(24): 5535-5554. DOI:10.1080/01431160500300297 |
| [21] | Geerken R, Batikha N, Celis D, et al. Differentiation of Rangeland Vegetation and Assessment of Its Status: Field Investigations and MODIS and SPOT VEGETATION Data Analyses[J]. International Journal of Remote Sensing, 2005, 26(20): 4499-4526. DOI:10.1080/01431160500213425 |
| [22] | Evans J P, Geerken R. Classifying Rangeland Vegetation Type and Coverage Using a Fourier Component Based Similarity Measure[J]. Remote Sensing of Environment, 2006, 105: 1-8. DOI:10.1016/j.rse.2006.05.017 |
| [23] | Piao S L, Fang J Y, Zhou L, et al. Interannual Variations of Monthly and Seasonal Normalized Difference Vegetation Index (NDVI) in China from 1982 to 1999[J]. Journal of Geophysical Research, 2003, 108: 4401. DOI:10.1029/2002JD002848 |
| [24] |
李忠峰, 李雪梅, 蔡运龙, 等. 基于SPOT VEGE-TATION数据的榆林地区土地覆盖变化研究[J].
干旱区资源与环境, 2007, 21(2): 56-59.
Li Zhongfeng, Li Xuemei, Cai Yunlong, et al. Study of Land Cover Change in Yulin District Based on Spot Vegetation[J]. Journal of Arid Land Resources and Environment, 2007, 21(2): 56-59. |
| [25] |
刘殿伟, 宋开山, 王丹丹, 等. 近50年来松嫩平原西部土地利用变化及驱动力分析[J].
地理科学, 2006, 26(3): 277-283.
Liu Dianwei, Song Kaishan, Wang Dandan, et al. Dynamic Change of Land-Use Patterns in West Part of Songnen Plain[J]. Sicentia Geographica Sinica, 2006, 26(3): 277-283. |
| [26] |
李晓东, 姜琦刚. 基于多时相遥感数据的农田分类提取[J].
农业工程学报, 2015, 31(7): 145-150.
Li Xiaodong, Jiang Qigang. Extraction of Farmland Classification Based on Multi-Temporal Remote Sensing Data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(7): 145-150. |
| [27] |
黄方, 王平, 刘权. 松嫩平原西部植被覆盖动态变化研究[J].
东北师大学报(自然科学版), 2008, 40(4): 115-120.
Huang Fang, Wang Ping, Liu Quan. Analysis of Vegetation Change in West Songnen Plain Since 1998[J]. Journal of Northeast Normal University (Natural Science Edition), 2008, 40(4): 115-120. |
| [28] |
姜琦刚, 贾大成, 李远华, 等.
东北地区生态地质环境遥感监测[M]. 北京: 地质出版社, 2013.
Jiang Qigang, Jia Dacheng, Li Yuanhua, et al. Remote Sensing Monitoring of Ecological Geological Environment in Northeast China[M]. Beijing: Geological Publishing House, 2013. |
| [29] |
李晓东, 姜琦刚. 吉林西部农业生态资源调查及其时空分布特征[J].
白城师范学院学报, 2016(2): 10-19.
Li Xiaodong, Jiang Qigang. Investigation on Agroecological Resources and the Temporal as well as Spatial Distribution in the West of Jilin[J]. Journal of Baicheng Normal University, 2016(2): 10-19. |
| [30] |
徐言, 姜琦刚. 基于6S模型的MODIS影像逐像元大气校正及其应用[J].
吉林大学学报(地球科学版), 2015, 45(5): 1547-1553.
Xu Yan, Jiang Qigang. A Pixel by Pixel Atmospheric Correction Algorithm and Its Application for MODIS Data Based on 6S Model[J]. Journal of Jilin University (Earth Science Edition), 2015, 45(5): 1547-1553. |
| [31] |
刘纪远.
国家资源环境遥感宏观调查与动态监测研究[M]. 北京: 中国科学技术出版社, 1996.
Liu Jiyuan. The Macro Investigation and Dynamic Research of the Resource and Environment[M]. Beijing: Science and Technology of China Press, 1996. |
| [32] |
徐爱萍, 舒红.
空间数据分析与R语言实践[M]. 北京: 清华大学出版社, 2013.
Xu Aiping, Shu Hong. Applied Spatial Data Analysis with R[M]. Beijing: Tsinghua University Press, 2013. |
| [33] |
李晓东, 姜琦刚. 基于多时相遥感数据的吉林西部土地覆被分类提取[J].
农业工程学报, 2016, 32(9): 173-178.
Li Xiaodong, Jiang Qigang. Extracting Land Cover Types in Western Jilin Based on Multi-Temporal Remote Sensing Data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(9): 173-178. DOI:10.11975/j.issn.1002-6819.2016.09.024 |
| [34] |
吴际通, 谭伟, 喻理飞. 基于TM/ETM+影像的不同水体指数对比研究[J].
测绘科学, 2013, 38(4): 192-194.
Wu Jitong, Tan Wei, Yu Lifei. Comparative Study of Different Water Indexes Based on TM/ETM+ Imagery[J]. Science of Surveying and Mapping, 2013, 38(4): 192-194. |
| [35] |
连懿, 陈圣波, 王亚楠, 等. 基于决策树模型的吉林西部居民地分布信息提取[J].
安徽农业科学, 2010, 38(10): 5241-5243.
Lian Yi, Chen Shengbo, Wang Yanan, et al. Extraction to the Residential Distribution Information in West Jilin Based on Decision Tree Model[J]. Anhui Agriculture Science, 2010, 38(10): 5241-5243. DOI:10.3969/j.issn.0517-6611.2010.10.112 |
| [36] | Muchoney D, Borak J. Application of the MODIS Global Supervised Classification Refel to Vegetation and Land Cover Mapping of Central America[J]. Intel Remote Sensing, 2000, 21(1): 1115-1138. |
| [37] |
张斌, 王继尧, 吕一河, 等. ALOS影像数据土地覆盖分类及景观特征研究[J].
计算机工程与应用, 2012, 48(24): 216-221.
Zhang Bin, Wang Jiyao, Lü Yihe, et al. Study on Land Cover Classification and Landscape Characteristics of ALOS Images[J]. Computer Engineering and Applications, 2012, 48(24): 216-221. DOI:10.3778/j.issn.1002-8331.2012.24.048 |
| [38] |
李晓东, 李相坤, 姜琦刚. 基于空间变异理论的地表覆被时空变化监测方法[J].
草业科学, 2015, 32(6): 877-885.
Li Xiaodong, Li Xiangkun, Jiang Qigang. The Monitoring Method of the Surface Vegetation Based on the Spatial Variation Analysis[J]. Pratacultural Science, 2015, 32(6): 877-885. DOI:10.11829/j.issn.1001-0629.2014-0448 |
| [39] | Richards J A, Jia X P. Remote Sensing Digital (Digital Number)Image Analysis Introduction[M]. 4th ed. Berlin: Springer-Verlag, 2006. |
| [40] |
赵英时.
遥感应用分析原理与方法[M]. 北京: 科学出版, 2003.
Zhao Yingshi. The Principle and Method of Analysis of Remote Sensing Application[M]. Beijing: Science Press, 2003. |