结合纹理和空间特征的多光谱影像面向对象茶园提取
Combining Textures and Spatial Features to Extract Tea Plantations Based on Object-Oriented Method by Using Multispectral Image
摘要 云南茶园主要分布于山区,往往与其他地物混合,破碎化程度高,给基于遥感的高精度茶园提取带来困难.破碎化山地茶园的遥感识别能力有待进一步提高.以西双版纳北部及普洱市南部山区为研究区,以高分一号(GF-1)遥感影像为数据源,基于易康(eCognition9.0)软件,采用多尺度分割(MRS)方法对影像进行分割,并通过ED3Modified评估影像的最优分割尺度.首先构造了包括14个光谱特征、6个纹理特征和3个空间特征的23维初始特征,通过计算样本的分离度对分类特征空间进行优化,确定了16维最优特征空间.然后应用面向对象的监督分类方法[贝叶斯(Bayes)、决策树5.0(DT5.0)及随机森林(RF)]对研究区茶园进行提取.采用实地调查样点和随机点结合的方法对提取结果进行精度验证,并比较了不同分类方法的茶园提取精度.面向对象的监督分类[多分类(茶园、森林、农田、不透水层、水体)]结果的总体精度(O A)和Kappa系数分别为(Bayes:87.73%,0.70),(DT:88.52%,0.72),(RF:91.23%,0.78).三种分类方法对茶园提取的生产者精度(PA)和使用者精度(UA)分别为(Bayes:67.23%,75.33%),(DT:68.84%,83.83%),(RF:70.54%,87.13%);相比于面向对象的RF多分类,面向对象RF二分类(茶园、其他地物)OA和Kappa系数分别提高了3.24% 和0.07,茶园提取的PA与UA分别提高了5.99% 和5.61%;相较于仅利用光谱特征的基于像元的RF多分类,面向对象的RF二分类OA与Kappa系数分别提高了23.32% 和0.27,茶园提取PA与U A分别提高了21.10% 和29.03%.结果表明:采用面向对象的监督分类方法在对茶园提取方面有应用潜力,尤其面向对象的RF分类精度更高,二分类相较于多分类对于茶园提取更为精细和准确.该方法对于复杂、破碎山地茶园提取精度较高,能够满足基于高空间分辨率多光谱影像的茶园精细化识别应用需求.
Author: HUANG Shao-dong XU Wei-heng XIONG Yuan WU Chao DAI Fei XU Hai-feng WANG Lei-guang KOU Wei-li
作者单位: 西南林业大学大数据与智能工程学院,云南 昆明 650233 西南林业大学大数据与智能工程学院,云南 昆明 650233;西南林业大学大数据与智能工程研究院,云南 昆明 650233;西南林业大学林业生态大数据国家林业与草原局重点实验室,云南 昆明 650233 西南林业大学大数据与智能工程研究院,云南 昆明 650233;西南林业大学林业生态大数据国家林业与草原局重点实验室,云南 昆明 650233
刊 名 光谱学与光谱分析 ISTICEISCIPKU
年,卷(期): 2021, 41(8)
分类号: TP751.2
在线出版日期: 2021年8月20日
基金项目: 国家自然科学基金项目,云南省重大科技专项计划项目,云南省应用基础研究项目,云南省教育厅科学研究基金项目,西南林业大学科研启动基金项目