基于面向对象分类方法的查干湖地区生态环境变化遥感分析
基于面向对象方法的莫莫格生态环境变化遥感分析研究
研究 区环境 的综合 治理 方案 的制定 以及保 护 区环 保 部 门的监 督 实施都 有 着 重要 作 用 ， 产 生 巨大 的社 能 会 、 济和环 境效 益 。本 文 根 据两 期 遥 感 图像 的对 经 比， 出 了本 区生 态环境 的变 化趋势 ， 得 并初 步分析 了
引起生 态环 境变化 的原 因 。
Ｅ ｍａｌ ｓ ｅ ｊ ｌ ０ ８ ｓ ｈ ． ｏ － ｉ：ｈ ｎ ｉ ｉ ０ ＠ ｏ ｕ ｃ ｒ ｎ２ ｎ ７１
遥感信 息
固匾匾
的 分 割 来 构建 影 像 对 象 层 次 网 络 ( 见 图
1)
。
3
3 1
研 究方法
每
，
一
次
分 割结果 形 成 影 像 对 象 层 次 网 络 中 的
一
层 影 像对
企业 ， 环境 的影 响和干 扰更加 明显 ， 以比较环境 对 所
理 信息量 丰富 的高分 辨 率 影像 数 据 时 ， 往 产 生严 往
重 的“ 椒盐 ” 现象 ， 大 地 影 响 了分 类 结果 。而基 于 极 多特 征的面 向对象 分 类 方法 ， 好 地 解 决 了 这个 问 很
题， 其分类 图像 更 像 数 字 化 地 图 ， 近地 表 的 真 实 接
２ 研 究 区概 况
研究 区域 位 于吉 林省 西 北 部 ， 处 松 辽沉 降带 地 北 段 ， 嫩 平 原 中 西 部 ， 理 坐 标 为 １ ３ ４ ４ ～ 松 地 ２。５２”
１ ４０ ３ Ｅ， ５４ ３ ～ ４ 。５０ ” ， 面 积 约 为 ２ 。５５ ” ４ 。７ ２ ” ６１ ７Ｎ 总
薯 感 应 用
遥感信息
基于 面向对象方法的莫莫格生态环境 变 化 遥 感分 析 研 究
第三次国土调查中面向对象的自动分类技术运用分析
第三次国土调查中面向对象的自动分类技术运用分析第三次国土调查是国家大事，是对国家土地资源、利用状况、土地利用问题等进行全面细致的调查，对于国家的规划、管理和发展具有重要的意义。
而面向对象的自动分类技术在第三次国土调查中的运用，将极大地提高调查效率和准确度，对于科学、高效地完成国土调查任务具有非常重要的意义。
一、面向对象的自动分类技术是什么面向对象的自动分类技术是一种将遥感图像中的地物进行智能分类的技术。
它基于遥感图像中的特征信息和先验知识，利用机器学习算法和人工智能技术，自动识别和分类图像中的地物，从而实现对遥感图像数据的高效处理和分析。
二、面向对象的自动分类技术在第三次国土调查中的应用1. 提高调查效率传统的国土调查需要大量的人力物力，而面向对象的自动分类技术可以大大提高调查的效率。
它可以快速准确地识别出遥感图像中的各类地物，避免了人工对遥感图像进行逐一分析的繁琐过程，从而大大节约了调查的时间成本。
2. 提高调查准确度面向对象的自动分类技术可以根据图像中的信息和特征，进行智能的地物分类，相比传统的调查方法更加准确。
它可以避免由于人为因素造成的误差，提高了调查的准确度，保证了国土调查数据的科学性和可靠性。
3. 实现数据智能处理利用面向对象的自动分类技术，可以对大规模的遥感图像数据进行快速的自动处理，实现数据的智能化管理和分析。
这对于庞大复杂的国土调查数据来说，是一个非常重要的技术支持，将大大提高了数据的利用和价值。
三、面向对象的自动分类技术在第三次国土调查中的案例分析以某省的第三次国土调查为例，利用面向对象的自动分类技术对该省的遥感图像数据进行处理和分析，取得了良好的效果。
2. 增强了调查数据的科学性通过自动分类技术，省级国土资源部门可以准确地识别出各类地物，对不同类型的土地资源进行了细致的分类。
这样的工作充分利用了遥感图像数据的信息，增强了调查数据的科学性和可靠性，为国土资源的合理利用和保护提供了有力的数据支持。
基于遥感技术的湿地生态系统变化分析
基于遥感技术的湿地生态系统变化分析引言湿地是地球上一种重要的生态系统，具有丰富的生物多样性和重要的生态功能。
然而，随着人类活动的加剧和气候变化的影响，湿地生态系统正在面临严重的威胁和变化。
如何准确地监测和分析湿地的变化成为了保护和管理湿地的重要工作。
在这方面，遥感技术的应用为湿地生态系统变化的研究提供了新的方法和手段。
一、遥感技术在湿地生态系统变化分析中的应用1. 遥感数据的获取遥感技术通过卫星或飞机上的传感器获取湿地的图像数据。
这些数据包括多光谱、高光谱和雷达等多种类型，能够提供湿地不同层面的信息，如植被覆盖、水体变化、土壤湿度等。
这些数据是湿地生态系统变化分析的重要基础。
2. 湿地植被变化的监测湿地的植被状况是湿地生态系统健康状况的重要指标之一。
遥感技术可以通过植被指数反映植被覆盖的程度，比如归一化植被指数（NDVI）。
随着时间的推移，可以利用遥感数据对湿地植被的变化进行监测，例如通过遥感图像变化检测算法来分析湿地的动态变化，探究植被受到气候变化和人类干扰的影响。
3. 湿地水体变化的监测湿地的水体是湿地生态系统的重要组成部分，水位的波动和变化对湿地生物和环境产生着深远的影响。
遥感技术可以通过计算水体的指数，例如水体指数（WI）等，来监测湿地水体的变化情况。
此外，遥感数据还可以帮助分析洪涝、干旱和水质变化等湿地水体问题，为湿地保护和水资源管理提供科学依据。
二、湿地生态系统变化的原因分析1. 气候变化气候变化是导致湿地生态系统变化的主要原因之一。
随着全球气候变暖，湿地的蒸发蒸腾作用加强，水位下降，植被退化，生态系统的整体结构和功能发生改变。
通过遥感技术分析湿地的温度和降水等气象因素的变化，可以更好地理解气候变化对湿地生态系统的影响。
2. 人类活动人类活动对湿地生态系统的变化也起到了重要的作用。
城市化、农业扩张、旅游开发等活动导致湿地的生境破坏和物种丧失。
通过遥感技术监测湿地的土地利用变化、污染物的扩散、人类干扰等，可以深入了解人类活动对湿地的影响，并提出相应的保护和管理措施。
基于面向对象的高分辨率遥感影像变化检测方法研究共3篇
基于面向对象的高分辨率遥感影像变化检测方法研究共3篇基于面向对象的高分辨率遥感影像变化检测方法研究1基于面向对象的高分辨率遥感影像变化检测方法研究随着遥感技术的不断发展，高分辨率遥感影像的获取越来越方便，同时遥感影像变化检测也受到了越来越多的关注。
如何有效地检测出遥感影像中的变化是遥感研究中的重要课题之一。
本文将介绍一种基于面向对象的高分辨率遥感影像变化检测方法。
基于面向对象的遥感影像解译是将遥感影像数据转化为实际物理对象的过程。
这种方法将影像数据划分为不同的对象，例如建筑物、道路、水体等，然后对这些对象进行分类、分析和识别等操作。
与传统的像元级处理相比，这种方法能够更好地保留地物边缘和细节信息，并且能够减少遥感影像中的噪声。
本文所提出的基于面向对象的高分辨率遥感影像变化检测方法主要分为以下几个步骤：对象提取、对象比较和变化检测。
首先，对两幅遥感影像进行对象提取。
我们使用了一种分层聚类算法来提取遥感影像中的对象。
这种算法可以自动确定对象的数目和形状，并且可以很好地处理边缘模糊的物体。
接着，对两个时刻的遥感影像中的相同对象进行比较。
我们提出了一种基于对象间交集比率的相似度度量方法。
这种方法将两个对象的相似度定义为它们的交集面积与它们的并集面积之比。
这种方法能够很好地解决遥感影像中遮挡和光照变化等问题，并且能够更好地匹配相似的对象。
最后，我们使用了一个简单而有效的阈值法来检测遥感影像中的变化。
这个阈值可以根据用户的要求进行调整。
如果两个对象的相似度小于这个阈值，我们就认为它们之间发生了变化。
同时，我们也考虑了一些其他因素的影响，例如边缘变化和噪声等。
我们在高分辨率遥感影像上对这种方法进行了测试，结果表明，这种方法能够很好地检测遥感影像中的变化，并且能够保留地物的细节信息。
与传统的像元级处理方法相比，基于面向对象的方法能够更好地处理复杂的地物结构，并且能够提高变化检测的准确性。
综上所述，本文提出了一种基于面向对象的高分辨率遥感影像变化检测方法。
《基于遥感的呼伦湖动态变化及其驱动力分析》范文
《基于遥感的呼伦湖动态变化及其驱动力分析》篇一一、引言呼伦湖，位于中国内蒙古自治区的东北部，是该地区重要的自然资源和生态环境的重要组成部分。
近年来，随着全球气候变化和人类活动的不断影响，呼伦湖的生态环境和动态变化引起了广泛的关注。
遥感技术作为一种有效的手段，为研究呼伦湖的动态变化及其驱动力提供了可能。
本文旨在通过遥感技术，对呼伦湖的动态变化进行监测和分析，并探讨其驱动力因素。
二、研究区域与方法1. 研究区域本文的研究区域为呼伦湖及其周边地区。
该地区拥有丰富的自然资源，包括湖泊、河流、湿地等，是众多野生动植物的栖息地。
2. 研究方法本文采用遥感技术，通过收集和分析呼伦湖及其周边地区的遥感影像数据，对湖泊的动态变化进行监测。
具体方法包括遥感影像的获取与处理、湖泊面积的提取与计算、以及动态变化的分析等。
三、呼伦湖的动态变化1. 湖泊面积的变化通过遥感影像的对比分析，我们发现近几十年来，呼伦湖的面积发生了显著的变化。
湖泊面积呈现出先减小后增大的趋势，其中以XX年代为转折点。
这可能与该时期的气候变化和人类活动有关。
2. 湖泊形态的变化除了面积的变化外，呼伦湖的形态也发生了明显的变化。
湖泊的水位波动导致湖岸线的变化，进而影响了湖泊的形态。
这些变化对湖泊的生态系统和周边环境产生了深远的影响。
四、呼伦湖动态变化的驱动力分析1. 气候变化的影响气候变化是导致呼伦湖动态变化的重要因素之一。
近年来，全球气候变暖导致降水量的变化，进而影响了湖泊的水位和面积。
特别是XX年代以来，气温的升高和降水量的减少，使得湖泊的水位下降，面积减小。
然而，随着气候的进一步变化，湖泊的水位和面积又逐渐恢复。
2. 人类活动的影响人类活动也是导致呼伦湖动态变化的重要因素。
随着人口的增加和经济的发展，人类对自然资源的开发利用程度不断提高，其中包括对湖泊周边的土地利用和水利工程的建设等。
这些活动对湖泊的水位、水质和生态环境产生了不同程度的影响，从而导致了湖泊的动态变化。
面向对象的遥感影像分类研究
面向对象的遥感影像分类研究一、内容综述随着遥感技术的不断发展，遥感影像分类在地理信息系统（GIS）、资源与环境调查、城市规划以及农业监测等领域发挥着越来越重要的作用。
传统的遥感影像分类方法主要依赖于人工解译和传统机器学习算法，如支持向量机、随机森林等。
这些方法在面对高分辨率、多光谱和大数据量的遥感影像时，存在效率低、精度不高等问题。
面向对象的遥感影像分类方法逐渐成为研究热点。
该方法将遥感影像划分为多个连续的区域（对象），利用计算机视觉、模式识别和统计学习等方法对每个对象进行分类。
相较于传统的遥感影像分类方法，面向对象的遥感影像分类具有更高的精确度、更快的运算速度和更好的鲁棒性。
本文将对面向对象的遥感影像分类方法的研究进展进行综述，包括研究对象和方法、特征提取与选择、模型构建与优化以及分类结果验证等方面。
通过对现有研究的分析，可以发现面向对象的遥感影像分类方法在处理高分辨率、多光谱和大数据量的遥感影像方面仍面临诸多挑战，未来的研究需要继续探索更为高效和准确的分类方法。
1. 遥感影像分类的重要性和意义随着遥感技术的发展，遥感影像已经广泛应用于农业、生态、环境、城市规划等多个领域。
遥感影像的分类问题一直是一个重要的研究课题。
本文首先简要介绍了遥感影像的分类及其重要性。
遥感影像分类是指利用计算机技术对遥感影像进行处理、分析和识别，以获取或推导信息、知识和结论的过程。
在很多情况下，遥感影像包含了丰富的空间、时间和光谱信息，这些信息对于人类和计算机来说都是难以直接获取和处理的。
需要借助机器学习、深度学习等人工智能技术来实现遥感影像的分类。
通过遥感影像分类，我们可以更加准确地认识和理解地球表面的自然现象和社会经济活动，为国家和地方的管理和决策提供科学依据。
遥感影像分类还有助于环境保护、资源管理等方面的工作，从而为人类的可持续发展做出贡献。
遥感影像分类具有重要的理论和实际应用价值，是当前研究的热点之一。
2. 面向对象方法在遥感影像分类中的应用背景与发展趋势随着遥感技术的不断发展，遥感影像在地理信息系统中扮演着越来越重要的角色。
基于面向对象的高分辨率遥感影像分类技术研究
基于面向对象的高分辨率遥感影像分类技术研究作者：杜斌张炜来源：《西部资源》2016年第05期摘要：在遥感影像处理过程中，如何提高分类精度一直是备受关注的问题，传统的基于像元的分类方法，精度提高方面很难再有质的飞跃。
因此，面向对象的方法应运而生。
本文通过对比的方法，来比较基于像元的方法和面向对象的方法的分类精度。
借助已有遥感软件对内蒙古自治区呼和浩特市某区的快鸟影像进行分类试验，根据试验结果，得出面向对象的分类方法对于高分辨率遥感影像的分类有着非常好的效果。
关键词：像元；面向对象；高分辨率；分割；影像分类1. 引言遥感技术现已成为资源环境监测和地表动态变化研究的主要方法和手段，帮助人类获取了多平台、多时相、多光谱的实时信息。
在遥感技术中，分类是获取信息的前提。
随着遥感成像技术的不断发展，图像分类的精度也在提高，从单波段的数据到多波段的数据再到如今的高光谱图像，应用研究得到深入和扩展。
早期在进行图像识别分类的时候，大多依靠目视解译的方法，要求判读人员具备相应的判读知识，能够提取相关的空间信息，但是这种方法，效率非常低，而且跟判读员的主观意识存在一定关系。
这种方法目前仍然广泛应用，并且与计算机相结合，辅助计算机进行自动识别分类。
计算机分类的方法主要是针对图像上的光谱信息和空间信息进行采集、分析、特征识别及最终的信息提取，将每个像元按照一定的规则划分到不同的类别当中去。
在计算机自动识别分类领域，目前有两类方法：第一类就是传统的基于像元的分类方法，即处理的最小单位是像元，并且仅仅依靠像元的光谱特征进行，通常采用监督分类或者非监督分类；第二类是面向对象的方法，这种方法处理的最小单元就不再是像元，而是对象，并且利用的不止包括光谱信息，还包括空间关系等。
2. 遥感影像分类方法简介2.1 基于像元的分类方法基于像元的分类方法作为传统方法，由于其在技术上已经很成熟，所以至今仍然应用广泛，具体分类方法主要有两类：即监督分类和非监督分类。
《基于遥感的呼伦湖动态变化及其驱动力分析》范文
《基于遥感的呼伦湖动态变化及其驱动力分析》篇一一、引言呼伦湖，作为我国北方的巨大内陆湖，不仅具有重要的生态功能，也是许多动植物生存繁衍的重要场所。
近年来，随着全球气候变化和人类活动的不断加剧，呼伦湖的动态变化引起了广泛关注。
本文将基于遥感技术，对呼伦湖的动态变化进行详细分析，并探讨其背后的驱动力。
二、研究区域与方法1. 研究区域呼伦湖位于内蒙古自治区，是我国北方的重要湖泊之一。
本文将基于遥感数据，对呼伦湖的动态变化进行全面分析。
2. 研究方法本文将采用遥感技术，结合地理信息系统（GIS）和统计分析方法，对呼伦湖的动态变化进行监测和评估。
三、呼伦湖的动态变化1. 湖泊面积变化通过遥感数据，我们发现呼伦湖的面积在近年来发生了显著变化。
随着气候的变化和人类活动的加剧，湖泊面积呈现出逐年减少的趋势。
特别是在一些关键区域，湖泊的萎缩现象尤为明显。
2. 湖泊水体质量变化除了面积变化外，湖泊的水体质量也发生了明显变化。
随着污染物的排放和自然环境的改变，湖泊的水质逐渐变差，富营养化现象日益严重。
四、驱动力分析1. 自然因素（1）气候变化：全球气候变化导致降雨量减少、蒸发量增加，进而影响湖泊的水位和面积。
特别是近年来，极端气候事件如干旱、洪涝等频繁发生，对湖泊的生态环境造成了严重影响。
（2）地质因素：地震、地壳运动等地质因素也可能导致湖泊的形态发生变化。
例如，地壳隆起可能导致湖泊面积扩大，而地壳沉降则可能导致湖泊面积缩小。
2. 人类活动因素（1）过度开发：随着人口增长和经济发展，人类对湖泊周边地区的过度开发现象日益严重。
过度放牧、过度捕捞等行为导致湖泊生态环境受到破坏。
（2）污染排放：工业、农业和生活污水的排放也是导致湖泊水体质量下降的重要原因。
这些污染物进入湖泊后，不仅影响水质，还可能对湖泊生态系统造成严重破坏。
五、结论与建议通过对呼伦湖的动态变化及其驱动力进行分析，我们发现自然因素和人类活动都对湖泊的生态环境产生了重要影响。
基于对象分类的遥感影像森林变化检测方法
收稿日期:２０１９－０６－３０修回日期:２０１９－０８－２５基金项目:国家重点研发计划项目(２０１６ＹＦＤ０８００９０２)ꎻ国家自然科学基金项目(４１９０１３４１)ꎻ湖北省技术创新专项(２０１７ＡＢＡ１５７)ꎮ第一作者简介:雷鸣(１９９５－)ꎬ女ꎬ硕士研究生ꎬ从事遥感图像分类与变化检测研究ꎮＥｍａｉｌ:２７３６２６３１７＠ｑｑ.ｃｏｍꎮ通信作者:田卫新(１９７４－)ꎬ男ꎬ副教授ꎬ博士ꎬ从事数据挖掘㊁机器学习算法研究ꎮＥｍａｉｌ:ｔ＿ｗｘｉｎ＠１２６.ｃｏｍꎮＤＯＩ:１０.１３３２４/ｊ.ｃｎｋｉ.ｊｆｃｆ.２０１９.０６.０１２基于对象分类的遥感影像森林变化检测方法雷㊀鸣ꎬ田卫新ꎬ任㊀东ꎬ董㊀婷(三峡大学计算机与信息学院ꎬ湖北宜昌４４３００２)摘要:针对湖北省宜昌市点军区森林变化检测应用需求ꎬ采用两期高分二号(ＧＦ￣２)数据进行对比分析ꎮ定义了基于邻域差分绝对值与标准差比的多尺度分割评价函数ꎬ用来确定对遥感图像分割的分割尺度㊁形状因子以及紧凑度ꎮ通过试验ꎬ利用神经网络分类方法确定了基于对象分类的最优特征组合ꎬ并采用基于对象的最近邻(ｋＮＮ)分类方法对遥感图像进行分类ꎬ最后对两期遥感影像分类结果中的森林类别进行变化检测ꎮ结果显示ꎬ在分类过程中ꎬ基于对象的分类总体精度为０.９８６６ꎬＫａｐｐａ系数为０.９７５２ꎬ高于神经网络和最大似然分类方法ꎮ在以森林地为主的丘陵地带变化检测应用中具有较好的适用性ꎮ开放科学标识码(ＯＳＩＤ码)关键词:遥感ꎻ高分二号ꎻ森林变化检测ꎻ对象ꎻ分割ꎻ最近邻分类中图分类号:ＴＰ３９９文献标识码:Ａ文章编号:２０９６－００１８(２０１９)０６－０６４１－０６ＦｏｒｅｓｔｃｈａｎｇｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｆｏｒｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｂａｓｅｄｏｎｏｂｊｅｃｔｃｌａｓｓｉｆｉｃａｔｉｏｎＬＥＩＭｉｎｇꎬＴＩＡＮＷｅｉｘｉｎꎬＲＥＮＤｏｎｇꎬＤＯＮＧＴｉｎｇ(ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒａｎｄＩｎｆｏｒｍａｔｉｏｎꎬＴｈｒｅｅＧｏｒｇｅｓＵｎｉｖｅｒｓｉｔｙꎬＹｉｃｈａｎｇꎬＨｕｂｅｉ４４３００２ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:ＦｏｒｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｆｏｒｅｓｔｃｈａｎｇｅｄｅｔｅｃｔｉｏｎｉｎＹｉｃｈａｎｇꎬＨｕｂｅｉＰｒｏｖｉｎｃｅꎬｔｗｏ￣ｐｈａｓｅＧａｏｆｅｎ￣２(ＧＦ￣２)ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｄａｔａｗｅｒｅｕｓｅｄｆｏｒｃｏｍｐａｒｉｓｏｎａｎｄａｎａｌｙｓｉｓ.Ｂａｓｅｄｏｎｔｈｅａｂｓｏｌｕｔｅｖａｌｕｅａｎｄｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎｒａｔｉｏｏｆｎｅｉｇｈｂｏｒｈｏｏｄｄｉｆｆｅｒｅｎｃｅꎬａｍｕｌｔｉ￣ｓｃａｌｅｓｅｇｍｅｎｔａｔｉｏｎｐａｒａｍｅｔｅｒｅｖａｌｕａｔｉｏｎｆｕｎｃｔｉｏｎｗａｓｄｅｆｉｎｅｄｔｏｄｅｔｅｒｍｉｎｅｔｈｅｓｅｇｍｅｎｔａｔｉｏｎｓｃａｌｅꎬｓｈａｐｅｆａｃｔｏｒꎬａｎｄｃｏｍｐａｃｔｎｅｓｓｉｎｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ.Ｔｈｅｏｐｔｉｍａｌｆｅａｔｕｒｅｃｏｍｂｉｎａｔｉｏｎｂａｓｅｄｏｎｏｂｊｅｃｔｃｌａｓｓｉｆｉｃａｔｉｏｎｗａｓｔｈｅｎｄｅｔｅｒｍｉｎｅｄｕｓｉｎｇｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｎｅｕｒａｌｎｅｔｗｏｒｋｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄꎬａｎｄｔｈｅｏｂｊｅｃｔ￣ｂａｓｅｄｋ￣ｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｗａｓｅｍｐｌｏｙｅｄｔｏｃｌａｓｓｉｆｙｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓ.Ｆｉｎａｌｌｙꎬｔｈｅｆｏｒｅｓｔｃａｔｅｇｏｒｙｉｎｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｅｔｗｏ￣ｐｈａｓｅＧＦ￣２ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｗａｓｄｅｔｅｃｔｅｄ.Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆｏｂｊｅｃｔ￣ｏｒｉｅｎｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｗａｓ０.９８６６ꎬａｎｄｔｈｅＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｗａｓ０.９７５２ꎬｗｈｉｃｈｗｅｒｅｂｏｔｈｈｉｇｈｅｒｔｈａｎｔｈｏｓｅｏｆｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｍａｘｉｍｕｍｌｉｋｅｌｉｈｏｏｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓ.Ｔｈｕｓꎬｔｈｅｏｂｊｅｃｔ￣ｏｒｉｅｎｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｃａｎｂｅｅｆｆｅｃｔｉｖｅｌｙｕｓｅｄｉｎｆｏｒｅｓｔｃｈａｎｇｅｄｅｔｅｃｔｉｏｎａｐｐｌｉｃａｔｉｏｎｓ.Ｋｅｙｗｏｒｄｓ:ｒｅｍｏｔｅｓｅｎｓｉｎｇꎻＧＦ￣２ꎻｆｏｒｅｓｔｃｈａｎｇｅｄｅｔｅｃｔｉｏｎꎻｏｂｊｅｃｔｃｌａｓｓｉｆｉｃａｔｉｏｎꎻｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎꎻｋ￣ｎｅａｒｅｓｔｎｅｉｇｈｂｏｒ森林对生态环境㊁生物多样性和气候变化有重要影响ꎬ及时准确获取森林动态变化信息ꎬ对于碳源估测㊁实现森林资源可持续经营管理等具有重要意义[１]ꎮ遥感由于具有多时相㊁多尺度㊁高效率以及低成本的优势ꎬ目前已成为森林变化检测的主流技术[２]ꎮ利用遥感影像进行森林变化检测的方法可以分为基于像素的变化检测[３－５]和基于对象的变化检测[６－７]ꎮ基于像素的变化检测ꎬ由于地物混合像素点的存在ꎬ准确率不稳定ꎬ适用于低分辨率遥感影像处理ꎻ对于高分辨率的遥感影像ꎬ基于像素的检测方法由于不能充分利用影像内部丰富的空间结构信息ꎬ检测结果容易产生 椒盐现象 ꎮ基于对象的变化检测以分割地物对象作为处理单元[８]ꎬ不仅减少了噪声对结果的影响ꎬ而且能够充分结合对象利用光谱㊁归一化植被指数(ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｔｉａｌｖｅｇｅｔａｔｉｏｎｉｎｄｅｘꎬＩＮＤＶ)㊁归一化水体指数(ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｗａｔｅｒｉｎｄｅｘꎬＩＮＤＷ)以及纹理等多种特征信息有效提高变化检测准确度[９－１１]ꎬ同时对于高分辨率遥感影像具有较好的稳定性[１２]ꎮ基于对象的变化检测步骤包括分割㊁特征选择㊁分类方法㊁变化检测以及变化检测后处理ꎮ分割㊁特征选择以及分类方法对于变化检测有很大的影响ꎮ常用的分割方法包括棋盘㊁四叉树㊁多阈值以及多尺度分割等ꎬ区别于规则分割方法ꎬ多尺度分割根据图像中的局部边缘特征信息区森林与环境学报㊀２０１９ꎬ３９(６):６４１－６４６第３９卷第６期ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔａｎｄＥｎｖｉｒｏｎｍｅｎｔ２０１９年１１月别不同地物ꎬ可以利用对不同参数值的修改达到不同应用需求的最优设定[１０－１３]ꎬ多尺度分割的影响参数包含分割尺度㊁形状因子以及紧凑度ꎮ冯文卿等[１４]提出了基于多尺度分割与融合的对象级变化检测新方法ꎬ与像素级变化检测方法相比ꎬ精度提高了１０％左右ꎻ张涛等[１５]以ＳＰＯＴ５影像为例建立多尺度图像库ꎬ采用目视分析方法来评价不同参数下的分割结果ꎬ优选适合于特定地物类型提取的最佳分割参数ꎻ张玉沙等[１６]以ＺＹ￣３影像为例ꎬ利用较小异质度的多尺度分割对象对初始像素级变化检测结果进行约束ꎬ根据判定准则得到最终的变化检测结果ꎮ高分二号(ＧＦ￣２)是近年来应用广泛的一种高分辨率国产卫星ꎬ以ＧＦ￣２数据为基础取得了许多应用成果[１７－１９]ꎮ宜昌地区地形以山地㊁丘陵为主ꎬ森林资源人工调查难度较大ꎬ采用ＧＦ￣２遥感影像数据ꎬ监测宜昌点军区森林变化情况ꎮ１㊀研究区概况与研究数据１.１㊀研究区概况研究区位于宜昌市点军区长江沿岸的矩形区域(东经１１１ʎ１１ᶄ~１１１ʎ１６ᶄꎬ北纬３０ʎ３６ᶄ~３０ʎ４１ᶄ)ꎮ试验区为山地㊁丘陵地形ꎬ沿江有部分小平原ꎬ区内主要的地物覆盖类型为森林ꎬ包含少量草地㊁耕地㊁居民地与道路ꎮ１.２㊀影像数据ＧＦ￣２是我国自主研制的首颗空间分辨率优于１ｍ的民用光学遥感卫星ꎬ于２０１５年３月投入使用ꎬ其全色波段分辨率为１ｍꎬ多光谱分辨率为４ｍꎮ本研究使用数据为２０１５年４月１３日和２０１６年５月１１日两景１Ａ级影像数据ꎬ云量均低于２％ꎮＧＦ￣２影像由蓝波段㊁绿波段㊁红波段以及近红外波段等４个波段构成ꎬ波长分别在４５０~５２０ｎｍ㊁５２０~５９０ｎｍ㊁６３０~６９０ｎｍ和７７０~８９０ｎｍ之间ꎮ１.３㊀影像预处理影像的预处理包括正射校正㊁配准㊁镶嵌以及融合ꎮ正射校正采用影像自带的有理多项式系数(ｒａｔｉｏｎａｌｐｏｌｙｎｏｍｉａｌｃｏｅｆｆｉｃｉｅｎｔꎬＲＰＣ)文件和数字高程模型(ｄｉｇｉｔａｌｅｌｅｖａｔｉｏｎｍｏｄｅｌꎬＤＥＭ)来进行数据定位ꎬ多光谱影像像元大小选４ｍꎬ全色影像选１ｍꎻ正射校正之后用较高分辨率的全色波段影像作为基准影像对多光谱影像进行配准ꎬ选择控制点时保证其平均误差在０.４以下ꎻ然后利用镶嵌工具在４张影像的同一位置进行裁剪ꎬ多光谱影像裁剪大小为２０００像素ˑ２０００像素ꎻ最后利用格兰斯密特锐化(Ｇｒａｍ￣ＳｃｈｍｉｄｔｐａｎｓｈａｒｐｅｎｉｎｇꎬＧＳ)方法融合多光谱与全色波段裁剪影像ꎬ分别得到２０１５和２０１６年两张分辨率为１ｍ的融合影像ꎬ大小为７８００像素ˑ７８００像素ꎮ２㊀试验过程试验分为遥感影像分类和变化检测两个部分ꎬ试验步骤如图１所示ꎮ图１㊀基于对象分类的变化检测流程Ｆｉｇｕｒｅ１㊀Ｄｅｔｅｃｔｉｏｎｐｒｏｃｅｓｓｏｆｔｈｅｃｈａｎｇｅｂａｓｅｄｏｎｏｂｊｅｃｔｃｌａｓｓｉｆｉｃａｔｉｏｎ２４６ 森㊀林㊀与㊀环㊀境㊀学㊀报第３９卷㊀２.１㊀遥感影像多尺度分割多尺度分割是基于对象分类变化检测流程中的关键环节ꎬ突破了传统分类以像素为基本单元的局限性ꎬ针对研究区找出对应的最优参数ꎬ对于实现遥感影像高层次细化分类有极大改善ꎮ通过多次对比试验ꎬ试验区分割尺度为５００时ꎬ局部异质性达到峰值ꎬ以此尺度为标准逐层递减尺度大小可实现粗分类到细分类的直接过渡ꎮ同时图像进行多尺度分割时通过调节形状指数与紧凑度两个参数的取值可有效加强改善分割效果ꎬ两参数取值均在０~１以内ꎮ通过参数评价可以得出规律ꎬ形状指数的值偏小ꎬ紧致度的值偏大时ꎬ图像分割效果趋于最佳状态ꎬ如图２ꎮ本文形状指数取值０.１ꎬ紧凑度取值０.９ꎬ通过分割得到１０６０个对象ꎬ如图２(ｃ)所示ꎮ(ａ)形状指数０.９ꎻ紧凑度０.１(ｂ)形状指数０.５ꎻ紧凑度０.５(ｃ)形状指数０.１ꎻ紧凑度０.９Ｓｈａｐｅｉｎｄｅｘ０.９ꎻｃｏｍｐａｃｔｎｅｓｓ０.１Ｓｈａｐｅｉｎｄｅｘ０.５ꎻｃｏｍｐａｃｔｎｅｓｓ０.５Ｓｈａｐｅｉｎｄｅｘ０.１ꎻｃｏｍｐａｃｔｎｅｓｓ０.９图２㊀分割效果Ｆｉｇｕｒｅ２㊀Ｓｅｇｍｅｎｔａｔｉｏｎｅｆｆｅｃｔ２.２㊀特征提取试验使用ＧＦ￣２影像的原始光谱特征㊁光谱指数特征及纹理特征ꎬ应用主成分分析(ｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓꎬＰＣＡ)获取的特征组合作为对比ꎮ指数特征有ＩＮＤＶ和ＩＮＤＷꎬ计算如下ＩＮＤＶ＝ρＮＩＲ－ρＲρＮＩＲ＋ρＲ(１)式中:ρＮＩＲ和ρＲ分别为ＧＦ￣２近红外波段㊁红光波段的反射率ꎬ突出影像中的植被信息ꎮＩＮＤＷ＝ρＧ－ρＮＩＲρＧ－ρＮＩＲ(２)式中:ρＧ为ＧＦ￣２绿光波段的反射率ꎬ抑制植被信息ꎬ突出影像中的水体ꎮ纹理特征使用灰度共生矩阵计算ꎬ通过８种基于二阶矩阵的纹理滤波的结果对比ꎬ选择均值滤波的结果作为纹理特征ꎮ利用ＰＣＡ提取特征组合ꎮ通过协方差矩阵计算主成分ꎬ在ＥＮＶＩ５.３软件中的ＰＣＥｉｇｅｎＶａｌｕｅｓ绘图窗口交互选择包含９５％的信息量的前３个特征分量ꎮ２.３㊀分类分类试验将影像分为植被㊁水㊁建筑用地㊁裸土以及其他５类ꎮ在试验区选取５７个训练样本ꎬ占试验区总面积约１/４ꎬ其中植被样本１６个ꎬ水体样本６个ꎬ建筑用地样本１３个ꎬ裸土样本１６个ꎬ其他样本６个ꎮ在选取的训练样本上利用神经网络分别基于不同特征进行分类ꎬ选出最佳特征组合ꎬ然后对选出的最佳特征组合ꎬ利用最大似然分类方法和基于对象的最近邻(ｋ￣ｎｅａｒｅｓｔｎｅｉｇｈｂｏｒꎬｋＮＮ)分类方法分别对影像进行分类ꎬ并进行精度评价与对比分析ꎮ３㊀结果与分析３.１㊀基于不同特征的对比为了评价基于不同特征以及特征组合的分类效果ꎬ在试验区选取５０个测试样本ꎬ其中植被样本２１个ꎬ水体样本６个ꎬ建筑用地样本７个ꎬ裸土样本１０个ꎬ其他样本６个ꎬ样本的面积占据研究区域约 ３４６ ㊀第６期雷鸣ꎬ等:基于对象分类的遥感影像森林变化检测方法１/２大小ꎮ构造混淆矩阵ꎬ选择Ｋａｐｐａ系数结合总体精度作为分类结果的评价指标ꎬ其中总体分类精度表示正确分类的类别像元数与总的类别个数的比值ꎬ数值越大代表分类效果越好ꎮ由表１可以看出ꎬ单独使用ＰＣＡ没有很好达到去除冗余特征并提高分类精度的目标ꎻＩＮＤＷ特征在提高分类总精度方面的作用低于ＩＮＤＶꎻ使用ＰＣＡ㊁ＩＮＤＶ以及纹理的特征组合ꎬ其分类效果最佳ꎮ表１㊀基于不同特征分类精度与Ｋａｐｐａ系数Ｔａｂｌｅ１㊀ＴｏｔａｌａｃｃｕｒａｃｙａｎｄＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｓｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎｄｉｆｆｅｒｅｎｔｆｅａｔｕｒｅｓ特征Ｆｅａｔｕｒｅ总体分类精度ＴｏｔａｌａｃｃｕｒａｃｙＫａｐｐａ系数Ｋａｐｐａｃｏｅｆｆｉｃｉｅｎｔ原始光谱Ｓｐｅｃｔｒｕｍ０.８６３８０.８１２９光谱㊁归一化植被指数Ｓｐｅｃｔｒｕｍ㊁ＩＮＤＶ０.９６７３０.９２１６原始光谱㊁归一化水体指数Ｓｐｅｃｔｒｕｍ㊁ＩＮＤＷ０.８６５２０.８１６５原始光谱㊁归一化植被指数和归一化水体指数Ｓｐｅｃｔｒｕｍ㊁ＩＮＤＶａｎｄＩＮＤＷ０.９６２９０.９１１５主成分分析ＰＣＡ０.９５５１０.８８９７主成分分析㊁归一化植被指数和纹理ＰＣＡ㊁ＩＮＤＶａｎｄｔｅｘｔｕｒｅ０.９７１５０.９３１２３.２㊀不同分类方法对比分析不同分类方法的效果比较见表２ꎬ可以看出基于光谱或基于特征组合的面向对象分类均优于传统分类ꎮ表２㊀不同分类方法的Ｋａｐｐａ系数对比Ｔａｂｌｅ２㊀ＣｏｍｐａｒｉｓｏｎｏｆＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｓｏｆｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓ分类方法ＣｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄＫａｐｐａ系数Ｋａｐｐａｃｏｅｆｆｉｃｉｅｎｔ原始光谱Ｓｐｅｃｔｒｕｍ基于主成分分析㊁归一化植被指数和纹理ＰＣＡ㊁ＩＮＤＶａｎｄｔｅｘｔｕｒｅ神经网络分类Ｎｅｕｒａｌｎｅｔｗｏｒｋｃｌａｓｓｉｆｉｃａｔｉｏｎ０.８１２９０.９３１２最大似然分类Ｍａｘｉｍｕｍｌｉｋｅｌｉｈｏｏｄｃｌａｓｓｉｆｉｃａｔｉｏｎ０.９０１７０.９０４０面向对象最近邻分类Ｏｂｊｅｃｔ￣ｏｒｉｅｎｔｅｄｋＮＮｃｌａｓｓｉｆｉｃａｔｉｏｎ０.９３０２０.９７５２为了实现后续的森林变化检测ꎬ首先将植被细分为森林地㊁耕地㊁草地ꎬ将建筑用地和裸土归为其他ꎮ按照１ʒ４的比例基于对象重新选择训练样本与测试样本ꎬ构造混淆矩阵ꎬ并得到分类结果的总体分类精度以及Ｋａｐｐａ系数[２０]ꎮＫａｐｐａ系数代表分类与完全随机的分类产生错误减少的比例ꎬ相对于总体精度更具有参考性ꎬ两者的值均在０和１之间ꎮ基于对象的最近邻分类结果如图３ꎬ图中深灰色部分为森林地覆盖区域ꎮ(ａ)２０１５年Ｙｅａｒ２０１５(ｂ)２０１６年Ｙｅａｒ２０１６图３㊀面向对象分类效果Ｆｉｇｕｒｅ３㊀Ｅｆｆｅｃｔｓｏｆｏｂｊｅｃｔ￣ｏｒｉｅｎｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｉｎ２０１５ａｎｄ２０１６４４６ 森㊀林㊀与㊀环㊀境㊀学㊀报第３９卷㊀利用试验所得最优参数对图像进行多尺度分割ꎬ配置特征空间ꎬ使用精度最高的最近邻分类算法得到不同评价指标下基于对象的细化分类结果(表３)ꎮ根据表３不同类别的生产者精度和用户精度计算出其分类的总体精度为０.９８６６ꎮ植被细分之后ꎬ根据每类的Ｋａｐｐａ系数计算出总体Ｋａｐｐａ系数为０.９７５２ꎮ表３㊀基于对象的细化分类结果评价Ｔａｂｌｅ３㊀Ｅｖａｌｕａｔｉｏｎｏｆｄｅｔａｉｌｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｂａｓｅｄｏｎｏｂｊｅｃｔ评价指标Ｅｖａｌｕａｔｉｏｎｉｎｄｅｘ水体Ｗａｔｅｒ其他Ｏｔｈｅｒ耕地Ｐｌｏｕｇｈ森林地Ｆｏｒｅｓｔ草地Ｇｒａｓｓｌａｎｄ生产者精度Ａｃｃｕｒａｃｙｏｆｐｒｏｄｕｃｅｒ１.００００１.０００００.９３０８０.９９６２１.００００用户精度Ａｃｃｕｒａｃｙｏｆｕｓｅｒ１.００００１.００００１.００００１.０００００.６０５９每类的Ｋａｐｐａ系数Ｋａｐｐａｃｏｅｆｆｉｃｉｅｎｔｏｆｅａｃｈｃｌａｓｓｉｆｉｃａｔｉｏｎ１.００００１.０００００.９１９１０.９８９１１.００００通过混淆矩阵计算漏分误差(指本属于地表真实分类ꎬ但没有被分类器分到相应类别中的像元数)和错分误差(指被分为用户感兴趣的类ꎬ而实际上属于另一类的像元)ꎬ生产者精度/％＝１００－漏分误差ꎮ用户精度/％＝１００－错分误差ꎮ基于多尺度分割的面向对象最近邻分类算法基本可以保证研究区的水体与其他分类不出错ꎬ森林地的错分误差与漏分误差都很低ꎮ根据３个方面以及总体的精度评价结果可以看出ꎬ基于对象针对更高层次的细化分类也具有良好的适用性ꎬ能够在上述监督分类的基础上进一步将植被分为耕地㊁森林地㊁草地ꎮ高层次植被细化分类对于后续进一步实现森林变化检测提高准确度具有重要意义ꎮ３.３㊀变化检测结果根据上述试验结果ꎬ基于最佳特征组合并通过最佳分类方法分别得到２０１５与２０１６年的分类结果ꎬ将此结果导入到ＥＮＶＩ５.３软件并利用ＣｈａｎｇｅＤｅｔｅｃｔｉｏｎ中的ＴｈｅｍａｔｉｃＣｈａｎｇｅＷｏｒｋｆｌｏｗ得出较为准确的变化检测矢量结果ꎬ然后将矢量结果导入ＡｒｃＧＩＳ１０.４软件中利用编辑器控制属性参数进一步矢量筛选保留森林的变化ꎮ属性列表控制条件为:ｃｌａｓｓ＿Ｔ１＝ 森林地 ｏｒｃｌａｓｓ＿Ｔ２＝ 森林地 ꎻａｒｅａ>＝６６６.７ｍ２ꎬ不满足这两个条件的矢量利用编辑器进行删减ꎮ其中包含森林地的增长与消减ꎬ森林地的消减在矢量结果上反应为相同位置下ꎬ２０１５年的地物类别为森林地ꎬ而２０１６年的为除森林地之外的其他地物ꎬ森林地的增长则相反ꎮ具体消长面积可直接在ＡｒｃＧＩＳ中点击矢量图斑进行查看ꎬ矢量结果如图４(ｃ)ꎬ对比２０１５与２０１６年的原始灰度图ꎬ可以明显看到产生变化的区域也存在大量变化图斑ꎮ(ａ)２０１５年原始灰度图(ｂ)２０１６年原始灰度图(ｃ)变化检测森林地筛选矢量结果Ｏｒｉｇｉｎａｌｇｒａｙｓｃａｌｅｍａｐｉｎ２０１５Ｏｒｉｇｉｎａｌｇｒａｙｓｃａｌｅｍａｐｉｎ２０１６Ｖｅｃｔｏｒｒｅｓｕｌｔｓｏｆｆｏｒｅｓｔｌａｎｄｃｈａｎｇｅｄｅｔｅｃｔｉｏｎ图４㊀森林变化检测结果Ｆｉｇｕｒｅ４㊀Ｆｏｒｅｓｔｃｈａｎｇｅｄｅｔｅｃｔｉｏｎｒｅｓｕｌｔｓ４㊀结论本研究针对高分辨率遥感影像基于不同特征的神经网络分类进行了特征的对比ꎬ然后针对基于相同特征的两种传统监督分类方法与面向对象分类方法进行了方法的对比ꎬ旨在找出最适用于宜昌典型地形对应ＧＦ￣２四波段影像数据的高效率高精度的分类方法ꎮ通过两幅不同时相的ＧＦ￣２遥感影像对比分析ꎬ５４６ ㊀第６期雷鸣ꎬ等:基于对象分类的遥感影像森林变化检测方法６４６ 森㊀林㊀与㊀环㊀境㊀学㊀报第３９卷㊀采用基于邻域差分绝对值与标准差比定义了多尺度分割参数评价函数ꎬ用来确定图像分割中的分割尺度㊁形状因子以及紧凑度ꎬ在分割基础上结合影像自身光谱特征㊁ＩＮＤＶ㊁ＰＣＡ以及纹理特征对分割对象进行监督分类ꎬ最终结果显示基于对象的分类方法有明显优势ꎬ其分类总体精度可达０.９８６６ꎬＫａｐｐａ系数可达０.９７５２ꎬ良好的分类结果反映更加完整的变化情况ꎮＧＦ￣２影像满足宜昌地区进行变化检测的分辨率要求ꎬ具有很好的应用价值ꎬ对于利用ＧＦ￣２遥感影像进行森林变化检测具有一定的适用性ꎮ参考文献[１]尹伟伦.全球森林与环境关系研究进展[Ｊ].森林与环境学报ꎬ２０１５ꎬ３５(１):１－７.[２]李春干ꎬ梁文海.面向对象遥感图像森林变化检测的工程化应用方法[Ｊ].林业资源管理ꎬ２０１５(６):１３７－１４３. [３]谷鑫志ꎬ陈尔学ꎬ李增元ꎬ等.多极化星载ＳＡＲ森林覆盖变化检测方法[Ｊ].林业科学ꎬ２０１９ꎬ５５(５):７４－８４. [４]张雨ꎬ林辉ꎬ臧卓ꎬ等.高光谱遥感影像森林信息提取方法比较[Ｊ].中南林业科技大学学报ꎬ２０１３ꎬ３３(１):７５－７９.[５]ＳＨＡＯＰꎬＳＨＩＷꎬＨＡＯＭ.Ｉｎｄｉｃａｔｏｒ￣ｋｒｉｇｉｎｇ￣ｉｎｔｅｇｒａｔｅｄｅｖｉｄｅｎｃｅｔｈｅｏｒｙｆｏｒｕｎｓｕｐｅｒｖｉｓｅｄｃｈａｎｇｅｄｅｔｅｃｔｉｏｎｉｎｒｅｍｏｔｅｌｙｓｅｎｓｅｄｉｍａｇｅｒｙ[Ｊ].ＩＥＥＥＪｏｕｒｎａｌｏｆＳｅｌｅｃｔｅｄＴｏｐｉｃｓｉｎＡｐｐｌｉｅｄＥａｒｔｈＯｂｓｅｒｖａｔｉｏｎｓａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１９ꎬ１１(１２):４６４９－４６６３.[６]ＳＨＡＯＰꎬＳＨＩＷꎬＨＥＰꎬｅｔａｌ.Ｎｏｖｅｌａｐｐｒｏａｃｈｔｏｕｎｓｕｐｅｒｖｉｓｅｄｃｈａｎｇｅｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎａｒｏｂｕｓｔｓｅｍｉ￣ｓｕｐｅｒｖｉｓｅｄＦＣＭｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１６ꎬ８(３):２６４.[７]付强ꎬ代华兵ꎬ薛晓坡.高分辨率遥感影像森林覆盖变化检测研究[Ｊ].林业资源管理ꎬ２０１３(５):７６－７９. [８]任冲.中高分辨率遥感影像森林类型精细分类与森林资源变化监测技术研究[Ｄ].北京:中国林业科学研究院ꎬ２０１６.[９]李春干ꎬ代华兵.基于统计检验的面向对象高分辨率遥感图像森林变化检测[Ｊ].林业科学ꎬ２０１７ꎬ５３(５):７４－８１. [１０]李梦颖ꎬ邢艳秋ꎬ刘美爽ꎬ等.基于支持向量机的Ｌａｎｄｓａｔ￣８影像森林类型识别研究[Ｊ].中南林业科技大学学报ꎬ２０１７ꎬ３７(４):５２－５８.[１１]张正健ꎬ李爱农ꎬ雷光斌ꎬ等.基于多尺度分割和决策树算法的山区遥感影像变化检测方法:以四川攀西地区为例[Ｊ].生态学报ꎬ２０１４ꎬ３４(２４):７２２２－７２３２.[１２]李世明ꎬ王志慧ꎬ李增元ꎬ等.基于邻近相关图像和决策树分类的森林景观变化检测[Ｊ].林业科学ꎬ２０１１ꎬ４７(９):６９－７４.[１３]孙晓艳ꎬ杜华强ꎬ韩凝ꎬ等.面向对象多尺度分割的ＳＰＯＴ５影像毛竹林专题信息提取[Ｊ].林业科学ꎬ２０１３ꎬ４９(１０):８０－８７.[１４]冯文卿ꎬ张永军.利用多尺度融合进行面向对象的遥感影像变化检测[Ｊ].测绘学报ꎬ２０１５ꎬ４４(１０):１１４２－１１５１. [１５]张涛ꎬ杨晓梅ꎬ童立强ꎬ等.基于多尺度图像库的遥感影像分割参数优选方法[Ｊ].国土资源遥感ꎬ２０１６ꎬ２８(４):５９－６３.[１６]张玉沙ꎬ黄岩ꎬ谭琨ꎬ等.基于多分类器集成和对象的城市典型地物要素变化检测:以ＺＹ￣３影像为例[Ｊ].地理与地理信息科学ꎬ２０１８ꎬ３４(３):５４－６０.[１７]梁文海ꎬ刘吉凯ꎬ张伟ꎬ等.基于面向对象方法的ＧＦ￣２影像桉树林信息提取[Ｊ].浙江农林大学学报ꎬ２０１７ꎬ３４(４):７２１－７２９.[１８]李静.基于ＧＦ￣２的新疆巴州地区主要地物类型信息提取方法研究[Ｄ].北京:北京林业大学ꎬ２０１６.[１９]张丽云ꎬ赵天忠ꎬ夏朝宗ꎬ等.遥感变化检测技术在林业中的应用[Ｊ].世界林业研究ꎬ２０１６ꎬ２９(２):４４－４８. [２０]陈远丽ꎬ路春燕ꎬ刘金福ꎬ等.漳江口湿地变化的遥感监测[Ｊ].森林与环境学报ꎬ２０１９ꎬ３９(１):６１－６９.(责任编辑:江㊀英)㊀㊀。
基于遥感和GIS的湖泊变化分析
基于遥感和GIS的湖泊变化分析湖泊作为自然景观的一部分，对于地球的生态系统具有重要意义。
然而，随着气候变化和人类活动的影响，许多湖泊正在发生变化。
为了更好地了解湖泊的变化趋势和影响因素，科学家们运用遥感和地理信息系统（GIS）技术进行湖泊变化分析。
本文将探讨基于遥感和GIS的湖泊变化分析的方法及其应用。
遥感技术是通过卫星、航空器或其他传感器获取地球表面信息的技术。
利用遥感技术，科学家们可以获取湖泊的空间分布和时间演变的信息。
其中，卫星影像是最常用的遥感数据源之一。
通过获取多时相的卫星影像，科学家们可以对湖泊的面积、形态和水体质量进行定量分析。
首先，通过比较不同时期湖泊的影像，可以推测湖泊变化的差异。
例如，可以通过计算湖泊面积的变化来确定湖泊的水位变化。
此外，还可以利用卫星影像测算湖泊的体积和深度变化。
通过这些定量数据，科学家们可以研究湖泊变化的规律以及可能的影响因素。
其次，地理信息系统（GIS）是一种用于存储、分析和显示地理数据的工具。
通过将遥感数据与地理信息系统相结合，可以更好地理解湖泊的变化情况。
例如，可以对湖泊周围的土地利用进行分类和变化分析，从而推测人类活动对湖泊变化的影响。
此外，还可以通过GIS技术对湖泊中的污染物扩散进行模拟和预测，为湖泊管理和保护提供科学依据。
在湖泊变化分析中，除了遥感和GIS技术，还需要结合地面调查和实验数据进行综合分析。
例如，可以通过测量湖泊水质进行实地采样，以验证遥感数据中反映的湖泊质量变化。
同时，还可以通过地面观测和水文测量来获取湖泊的内部测量数据，为湖泊变化分析提供更加准确的依据。
基于遥感和GIS的湖泊变化分析在许多领域都具有应用前景。
首先，对于环境保护和资源管理部门来说，了解湖泊的变化趋势可以帮助制定合理的保护措施。
例如，可以根据湖泊变化情况进行水资源规划和管理，以更好地满足人类活动和生态系统的需求。
其次，对于科学研究人员来说，湖泊变化分析可以提供关于气候变化和人类活动影响的重要数据。
查干湖湿地生物多样性现状及保护措施分析
查干湖湿地生物多样性现状及保护措施分析摘要：查干湖湿地处中国吉林省西北部半干旱地区，位于内蒙古自治区、黑龙江省和吉林省的金三角地区境内，是重要的生物多样性保护区。
本文分析了查干湖湿地生物多样性现状及其保护措施。
研究发现，查干湖湿地拥有丰富的鸟类、鱼类、两栖爬行动物和植物资源，其中许多物种是珍稀濒危物种。
但是，该湿地受到生态系统退化、人类活动和气候变化的威胁，生物多样性正在逐渐减少。
为了保护查干湖湿地的生物多样性，本文提出了一系列保护措施，包括加强生态监测、加强湿地恢复和修复、限制人类活动等。
关键词：查干湖湿地；生物多样性；保护措施；珍稀濒危物种；生态监测一、查干湖湿地生物多样性现状分析（一）查干湖湿地的地理环境和气候特点查干湖大部位于吉林省西北部的前郭尔罗斯蒙古族自治县境内，地理坐标为东经124°03′-124°34′，北纬45°09′-45°30′。
西邻乾安县，北接大安市，处于嫩江与霍林河交汇的水网地区，是霍林河尾闾的一个堰塞湖。
面积约为452平方千米，周围是一片起伏的丘陵地带，湖泊面积较大，湖底深度较浅，平均深度2.5米，最深处达6米。
它是中国最大的高山湖泊之一，也是世界著名的湿地保护区。
查干湖地处亚寒带、寒带过渡带，属于典型的温带大陆性季风气候，四季分明，冬季漫长寒冷，夏季短暂凉爽。
年平均气温为4.5℃左右，年平均降水量在450毫米左右，年平均日照2879.8小时。
（二）查干湖湿地的生物多样性调查结果植被类型：查干湖湿地的植被群落主要包括水生植物群落、沼泽植物群落、菖蒲群落、水稗草群落和人工植被（农田）群落等，其中湿地表季节性积水，形成以塔头苔草为优势种形成斑点状的，高约25-40cm，直径约50cm的草丘，盖度为90%以上。
伴生植物有小叶章、水蓼、狐尾藻等动物种类：查干湖湿地是国内外知名的候鸟栖息地和繁殖地，保护区内野生动植物种类丰富，呈现物种多样性、珍稀性及生境的典型性等重要特征。
青海省生态环境十年变化遥感调查与评价
青海省生态环境十年变化遥感调查与评价2000～2010年，是中国经济高速增长的十年，是中国生态保护与生态建设力度最大的十年，也是青海省全面实施“生态立省”战略的十年。
为全面系统地考察十年来全国生态环境状况、变化趋势和存在的生态环境问题，2011年12月环境保护部与中国科学院联合启动“全国生态环境十年变化（2000—2010年）遥感调查与评估项目”（以下简称“全国生态十年项目”），组织中科院等16家研究所和环保部系统、各省区环保部门共同完成该项遥感调查评估工作，为建立国家和重点区域生态环境定期评估制度开展积极探索。
鉴于生态环境的宏观性、空间性和动态性等特点，基于分散站点的常规监测已不能满足国家生态监管的需要，必须发挥卫星遥感技术的优势，天地协同开展全国生态环境及动态变化的调查与评估。
此次开展的全国生态环境十年变化遥感调查与评估，充分利用我国自主研制的环境卫星数据，以多源卫星遥感技术为主，结合地面调查与监测工作，实施天地一体化的作业，不仅对于全面发挥我国自主环境卫星的作用具有重要意义，而且对于建立满足新时期国家生态环境保护工作需要的生态环境调查制度和技术体系至关重要，将为强化国家生态环境监管、探索建立国家生态环境新型调查制度形成坚实的技术后盾。
青海省生态环境十年变化遥感调查与评估项目由青海省环境保护厅组织实施，由青海省生态环境遥感监测中心为主要承担单位，农牧、林业、水利、国土、气象、交通、住建等部门协作；完成野外核查、生态系统参数野外观测、典型区样本核查、遥感调查数据复核、社会经济数据收集整理等工作，建立了青海生态十年调查专题数据库。
本项目研究采用多源遥感数据（空间分辨率为30～250米）、国家统一技术规范和调查评估指标与方法体系，项目成果已于2014年11月通过环保部组织验收。
一青海省生态系统格局与质量十年变化十年间，在青海省域层面，各类生态系统格局和质量总体保持稳定，在强化生态保护和气候暖湿化过程的共同作用下，趋势向好。
基于面向对象分类方法的遥感影像变化检测_陈阳
第23卷第6期2008年12月山东建筑大学学报J OU RNAL OF S HANDONG JI ANZHU UN I VER SI TYV o.l 23N o .6D ec .2008收稿日期:2008-05-26基金项目:上海市科委重点课题资助(05d z 12006)作者简介:陈阳(1971-),女,山东寿张人,同济大学遥感技术应用研究中心在读博士,主要研究方向为遥感影像与G I S 结合应用.文章编号:1673-7644(2008)06-0515-06基于面向对象分类方法的遥感影像变化检测陈阳,陈映鹰,林怡(同济大学遥感技术应用研究中心,上海200092)摘要:介绍了一种利用G IS 数据辅助实现遥感影像变化检测的方法。
该方法将面向对象的概念引入遥感影像分类中,使分类的目标不仅可以是影像的像素,也可以是表示一个G IS 对象的全部像素集合(像素组)。
在影像分类中,为减少工作量和降低分类精度对训练样区选择经验的依赖性,最大似然分类中的训练样区由现有G IS 数据对象引导生成。
实验表明该方法在针对面状对象进行变化检测时具有良好的效果。
关键词:变化检测;面向对象;监督分类中图分类号:TP208 文献标识码:AObject -oriented cl assification of re mote sensi ngdata for change detecti onCHEN Y ang ,CHEN Y ing -ying ,LIN Y i(R esea rch Cen ter for R e m ote Sensing T echnology and A ppli cation ,T ong jiU n i versity ,Shangha i 200092,Ch i na)Abst ract :This paper introduces a m ethod regar d i n g the re m ote sensi n g data fo r change detection by u -si n g g is database .I n th ism e t h od ,the concept of objec-t oriented has been i n troduced in ,and there -fo re ,the objects of t h e c lassification can not on l y be a si n gle p i x e l of an i m age but also pixel setsw hich represent g is ob j e cts .I n addition ,when re m ote sensi n g da ta are classified by usi n g the super -vised m ax i m um li k eli h ood classificati o n m ethod,the trai n i n g areas can be generated fro m the g is data -base to reduce the w orkload and avo i d the dependence on operator p s experiences .Experi m ents has de m onstrated that th ism ethod is effective on detecti n g the change of area ob j e cts .K ey w ords :change detection ;ob j e c-t oriented ;superv ised m ax i m um li k eli h ood c l a ssification0 引言遥感变化检测技术是遥感信息科学的重要研究领域,是当前遥感数据处理技术的主要发展方向[1]。
青海湖地区生态环境动态变化遥感监测
青海湖地区生态环境动态变化遥感监测高会军;李小强;张峰;霍晓斌【期刊名称】《中国地质灾害与防治学报》【年(卷),期】2005(16)3【摘要】由于青海湖地区的生态环境较为脆弱,且人类活动进一步加剧,人口、资源与环境的矛盾日渐突出,因此,近年来,青海湖及其周边地区的生态环境出现了明显变化,主要表现在水位下降及水域面积减小、草原退化、沙质荒漠化土地面积扩大等.文章采用1975年MSS卫星图像及1987、2000年TM卫星图像作为遥感信息源,并结合地理信息系统方法,旨在查明青海湖地区耕地、沙质荒漠化土地和水域等生态环境要素的时空演化规律,为青海湖地区实现资源开发与环境协调发展提供科学依据.监测结果表明,25a来,青海湖地区的耕地及沙质荒漠化土地面积出现明显的扩大,而水域面积出现明显缩小,同时由于湖周各河流土壤侵蚀的加剧,在部分河流入湖处泥沙淤积较为严重,生态环境出现明显恶化.【总页数】4页(P100-103)【作者】高会军;李小强;张峰;霍晓斌【作者单位】中煤航测遥感局,陕西,西安,710054;中国科学院地球环境所,陕西,西安,710075;中煤航测遥感局,陕西,西安,710054;中煤航测遥感局,陕西,西安,710054【正文语种】中文【中图分类】P64;P66【相关文献】1.化德县七号乡生态环境遥感监测及其动态变化研究 [J], 王海燕;云青山;陶赛西雅拉图;苏金华2.山东省生态环境遥感监测及其动态变化研究 [J], 李晶;孟祥亮;张玉梅3.南通市生态环境遥感监测及其动态变化研究 [J], 王平4.成都市生态环境质量动态变化遥感监测分析 [J], 李成绕;薛东剑;张露;陈文烯5.环青海湖地区草地蝗虫发生遥感监测方法研究 [J], 邓自旺;周晓兰;倪绍祥;邓自发;谢小玲;屠其璞因版权原因，仅展示原文概要，查看原文内容请购买。
查干湖研究报告结论
查干湖研究报告结论查干湖是位于中国内蒙古自治区额尔古纳市的一座天然淡水湖泊，是中国北方最大的内陆湖泊之一。
对于查干湖的研究可以从水质、生态环境和气候变化等方面进行。
首先，对于查干湖的水质研究表明，湖水的总硬度较低，水质属于优质饮用水。
湖水中总氮、总磷等营养物质的含量相对较低，水体富营养化现象不严重。
然而，在城市化和农业发展的背景下，查干湖周边农田和养殖业的影响逐渐显现，湖水中磷、硅和硝态氮等物质的含量有所上升，需要加强农业和养殖业的监管才能有效控制水质污染。
其次，查干湖的生态环境研究显示，湖泊和湿地生态系统十分丰富多样。
湖泊中存在着大量的浮游植物、浮游动物、底栖动物和鱼类等生物种类。
湖泊的湿地区域则是许多候鸟的栖息地和迁徙通道。
然而，随着人类活动的增加和生态环境的恶化，查干湖的生态系统受到了一定的威胁。
湿地的退化、水生物物种数量和种群数量的下降需要引起我们的重视，保护和恢复查干湖的生态环境亟待加强。
最后，查干湖的气候变化研究表明，湖泊周边的气候呈现出明显的干旱化趋势。
降水量的减少和温度的升高对湖泊的水量、水质和生物多样性产生了重要的影响。
此外，气候变化还对湖泊周边的农田和养殖业产生了一定的负面效应。
因此，应该采取措施应对气候变化的影响，如合理利用水资源，加强水资源的管理和保护，降低农业和养殖业对水资源的需求。
综上所述，查干湖的研究表明，湖泊的水质属于优质饮用水，但需要加强农业和养殖业的监管以避免水质污染。
湖泊的生态环境丰富多样，但面临生态系统退化和物种数量下降的问题，需加强保护和恢复工作。
湖泊周边气候变化的影响较为明显，应采取措施适应和缓解气候变化的影响。
以上研究结论为查干湖的管理和保护提供了科学依据。
基于GIS的查干湖水质遥感监测系统研究的开题报告
基于GIS的查干湖水质遥感监测系统研究的开题报告一、选题背景查干湖位于中国内蒙古自治区呼伦贝尔市附近，是典型的典型的典型的高寒草甸湖泊，也是典型的典型淡水湖泊群落之一，水源地和著名的养生胜地。
随着城市化进程和环境污染的加剧，查干湖水质状况受到了严重的威胁。
因此，建立一套基于GIS的查干湖水质遥感监测系统，将对保护该湖的水质地位、改善环境质量、提高湖泊生态环境以及实现可持续发展具有重要的现实意义和深远的历史意义。
二、研究目的本研究旨在建立基于GIS的查干湖水质遥感监测系统，实现对查干湖水质进行长期、实时、全面、精确的遥感监测，为查干湖水环境保护和管理提供科学依据和技术支持。
三、研究内容本研究将围绕以下内容展开：1.收集和整理查干湖的红外遥感数据和其他相关数据，建立水质监测数据库，包括湖泊水位、水温、氧化还原电位、溶解氧等实时监测数据。
2.利用遥感图像处理技术，提取查干湖水域信息，构建湖泊水域空间数据库，利用空间分析方法实现遥感数据与实时监测数据的融合，实现对某一时期内水质状况的评估。
3.利用地理信息系统（GIS）平台，构建水质遥感监测与评价模型，包括查干湖水质评价指标体系、水质评价模型，以及监测报告生成与展示。
四、研究意义1.提高水环境保护和管理的科学性和精准度，为湖泊生态环境和水资源的可持续发展注入新的动力。
2.为强化环境监测与管理的实时性、动态性、全面性和准确性服务。
3.进一步提高我国GIS应用水平，为将GIS应用推向更广阔的领域奠定基础。
五、研究方案本研究将采用实地调研与文献调查相结合的方法，以决策支持系统（DSS）为核心，根据遥感数据和实时监测数据，利用GIS空间分析方法，实现对查干湖水质监测和评价。
具体实施步骤如下：1.收集和整理查干湖的红外遥感数据和其他相关数据。
2.建立查干湖水质监测数据库，包括实时监测数据和遥感数据等。
3.利用遥感图像处理技术，提取查干湖水域信息，构建湖泊水域空间数据库。
查干湖研究报告结论
查干湖研究报告结论
根据查干湖研究报告的数据和分析，可以得出以下结论：
1. 查干湖的水质状况较好。
研究发现，查干湖水体总溶解固体、氨氮、总磷、总氮等指标均在国家相关标准范围内，说明湖泊的水质状况良好。
2. 查干湖生态系统相对稳定。
研究表明，湖泊的生物多样性水平相对较高，植物和动物种类丰富，生态系统中各种生物间的相互关系相对平衡，维持了该湖泊的生态系统稳定。
3. 查干湖的水资源利用可持续性较强。
研究显示，湖泊周边的居民和农业活动对湖泊的水资源利用较为合理，水资源的供需关系较为平衡，没有出现明显的水资源过度开发和浪费现象。
4. 查干湖存在一定的环境问题。
研究发现，湖泊的水位波动较大，可能导致湖岸带的植被退化和土壤侵蚀；湖泊的周边区域存在部分水土流失和农药污染等问题；湖泊周边的工业活动可能对湖泊产生一定的污染和影响。
因此，需要加强湖泊的生态保护和环境治理工作。
总的来说，查干湖的水质良好，生态系统相对稳定，水资源利用可持续性较强，但也存在一定的环境问题需要解决。
为了保护湖泊的生态环境和水资源，需要采取有效的措施进行治理和保护。
基于面向对象的长株潭地区遥感影像分类方法
基于面向对象的长株潭地区遥感影像分类方法易凤佳;李仁东;常变蓉【期刊名称】《华中师范大学学报（自然科学版）》【年(卷),期】2014(048)006【摘要】结合Landsat TM遥感影像和环境减灾卫星HJ-1-A、B影像数据,基于面向对象的遥感影像分类技术实现长株潭地区土地利用/覆被的分类提取.综合利用隶属度函数和最邻近分类方法设置分类规则,逐步提取林地、湿地、耕地、人工表面的地物信息.以地形复杂多样的长株潭地区为研究区,收集整理具有代表性的样点用于分类和精度评价.结果表明,利用隶属度函数方法分类结果基本能满足生产者和用户的需要,但是林地、耕地内部二级类精度相对较低,错分比较严重,采用最邻近分类优化分类结果后,研究区总体分类精度达到86.05％,耕地和林地一级类分类精度分别提高到73.63％和87.1％.【总页数】7页(P910-916)【作者】易凤佳;李仁东;常变蓉【作者单位】中国科学院测量与地球物理研究所,武汉430077;湖北省环境与灾害监测评估重点实验室,武汉430077;中国科学院大学,北京100049;中国科学院测量与地球物理研究所,武汉430077;湖北省环境与灾害监测评估重点实验室,武汉430077;中国科学院测量与地球物理研究所,武汉430077;湖北省环境与灾害监测评估重点实验室,武汉430077;中国科学院大学,北京100049【正文语种】中文【中图分类】P962【相关文献】1.基于像素和面向对象的高分辨率遥感影像分类方法比较 [J], 曾晓丽;吴彩燕;曾特林2.基于GLC面向对象遥感影像分类方法的研究与应用 [J], 窦鹏;翟亮;张继贤3.一种基于特征选择的面向对象遥感影像分类方法 [J], 王永吉;孟庆岩;杨健;孙云晓;李鹏;邢武杰4.基于GF-2遥感影像的面向对象分类方法比较研究 [J], 刘星雷; 鲁铁定; 龚循强5.基于规则面向对象的遥感影像分类方法在信息提取中的应用 [J], 杨维超因版权原因，仅展示原文概要，查看原文内容请购买。
青海湖地区荒漠化演化遥感动态分析的开题报告
青海湖地区荒漠化演化遥感动态分析的开题报告一、选题背景和意义青海湖是中国四大淡水湖之一，是中国西部地区的一个重要自然景观和旅游资源。
然而，近年来，由于人类活动和气候变化等多种因素，青海湖地区的环境问题日益突出。
青海湖周边地区的草原和沙漠面积不断扩大，土地荒漠化现象严重，严重影响了当地的生态环境和社会经济发展。
因此，对青海湖地区荒漠化演化的研究具有重要意义，可以为当地的生态保护和可持续发展提供科学依据。
近年来，遥感技术的发展已经为青海湖地区荒漠化演化研究提供了很好的手段。
遥感技术可以获取大量的地理信息数据，通过对这些数据的分析和处理，可以揭示青海湖地区荒漠化演化的规律和趋势，为当地的生态保护和可持续发展提供科学依据。
二、研究内容和方法1. 研究内容本研究的主要内容是对青海湖地区的荒漠化演化进行遥感动态分析，包括以下方面：(1) 青海湖地区荒漠化演化的历史变化趋势分析；(2) 青海湖地区荒漠化类型的划分和分布情况分析；(3) 青海湖地区荒漠化的形成和发展机理分析。
2. 研究方法本研究的研究方法主要包括以下几个方面：(1) 遥感数据获取。
本研究将获取青海湖地区多期卫星遥感图像数据，并将其进行处理和分析，揭示荒漠化演化的历史变化趋势。
(2) 图像处理和分析。
本研究将利用遥感图像处理软件，对得到的遥感图像数据进行归一化、去云、分类等处理，并进行荒漠化类型的划分和分布情况分析。
(3) 荒漠化形成机理分析。
本研究将结合相关的环境地质学理论和遥感图像数据，对青海湖地区荒漠化的形成和发展机理进行分析和研究。
三、研究预期结果和创新性本研究的预期结果为：(1) 揭示青海湖地区荒漠化演化的历史变化趋势和分布特征，分析不同类型荒漠化的成因和发展机理。
(2) 探讨荒漠化对青海湖地区的生态环境和社会经济发展的影响，为生态保护和可持续发展提供科学依据。
(3) 借助遥感技术，提供一种新的方法和手段，可为荒漠化监测和生态环境保护等领域提供参考。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第31卷第2期2009年6月地球科学与环境学报Journal of Earth Sciences and EnvironmentVol.31No.2J un.2009 收稿日期:2008208220 基金项目:中国石油天然气股份有限公司基础研究计划项目(04051826) 作者简介:申晋利(19722),女,山西晋城人,工学博士研究生,从事遥感技术应用研究。
E 2mail :shenjinli2008@基于面向对象分类方法的查干湖地区生态环境变化遥感分析申晋利1,张军龙2(11中国石油勘探开发研究院测井遥感研究所,北京100083;21中国地震局地震预测研究所,北京100036)摘要:利用遥感技术结合高精度GPS 野外定位技术,应用面向对象分类方法,利用1988年和2004年两期遥感数据对生态敏感区域———查干湖自然保护区的生态环境进行了土地利用类型遥感提取、GPS 野外验证,结果表明,查干湖地区16年来水体面积减少了139136km 2,盐碱地增加了106183km 2,碱斑面积增加了107121km 2,环境恶化现象严重。
初步分析了环境变化的原因并提出了治理建议,探讨了基于多特征的面向对象分类方法的具体应用。
关键词:查干湖;生态环境;敏感区域;面向对象中图分类号:X87;TP79;S287 文献标志码:A 文章编号:167226561(2009)022*******E cosystem R esearch of Chaganhu Conservation Zone B ased onR emote Sensing Data and Object 2oriented Classif icationSH EN Jin 2li 1,ZHAN G J un 2long 2(1.Department of Well 2logging and Remote Sensing Technology ,Research Institute of Petroleum Ex ploration and Development ,PetroChina,Beijing 100083,China;2.Insititute of Earthquake Science ,Chinese Earthquake A dminist ration ,Beijing 100036,China )Abstract :With the accurate positioning technology of GPS ,this paper applies the technology of remote sensing to the sensitive region ,the Chaganhu conservation zone.Validated in the field with GPS ,the land use/cover classification of twelve classes is extracted ,and the main features of the environment changes are concluded.The results indicate that in the past 16years from 1988to 2004,the environment has deteriorated seriously.The area of water has decreased by 139.36km 2,the area of salty alkali soil has increased by 106.83km 2,and the area of absolute alkali land has increased by 107.21km 2.The authors make Preliminary analysis on the reason is made and some feasible suggestions to recover the environment is proposed.K ey w ords :Chaganhu ;ecosystem ;sensitive region ;object 2oriented classification0 引言对区域土地利用的环境变化监测是全球环境变化研究的重要组成部分[122]。
传统的调查方法工期长,误差大,费用高。
遥感技术以其快速、准确、准时、周期性短等优势在大中尺度的环境变化监测中具有明显的优势,在国内外得到了广泛应用[3]。
传统的影像分类主要是基于像素的,处理信息量丰富的高分辨率影像数据时,往往产生严重的“椒盐”现象,极大地影响了分类结果。
笔者采用了新出现的面向对象分类方法,较好地解决了传统分类方法的“椒盐”现象,大大提高了分类精度,保证了调查数据的准确性和可靠性[4]。
同时利用2个时相的Landsat 的TM 数据,监测油田所在的敏感区域的环境变化,分析这种变化的原因,并提出恢复环境的合理建议。
研究区以查干湖水域为主,以湖泊湿地和沼泽湿地为主要特征,属于生态敏感区。
该湖位于东经123°53′36″～124°34′16″、北纬45°06′05″～45°21′37″之间,气候属半干旱、半湿润的大陆性气候,多年平均气温4～5℃,年均降水量400～600mm。
1984年建成的“引松”渠,使查干湖的生态环境得到了明显改善,成为了野生动物栖息、觅食的场所,是候鸟迁徙过程中重要的通道和集散地,对保护生物多样性具有重要意义[5]。
同时,本区分布有很多的工矿企业,矿产的开采会直接影响地表的土壤、植被、河流、湿地,道路的修建、工矿用地和居民人口的增加也都会对生态环境造成不同程度的影响和破坏。
因此,应用环境遥感监测技术,了解矿产开采地区的生态环境背景及其变化状况,对研究区环境综合治理方案的制定以及保护区环保部门的监督实施都有着重要意义。
1 研究方法1.1 数据选取与处理研究所采用的数据是美国陆地卫星Landsat 的TM数据,成像时间分别是1988年10月2日和2004年10月14日,时间跨度为16年,影像清晰,无云覆盖,能够满足研究需要。
本研究参照国家测绘局2001年颁布的测绘行业标准《基础地理信息数字产品1∶10000、1∶50000数字正射影像图》[6]的要求,采用1∶50000地形图结合野外GPS实地控制点采集和野外实地验证的方式进行几何精校正处理,实际点位误差RM S<50m。
研究区数据采用1954北京坐标系、高斯2克吕格投影和6°分带方式。
配准采用井位、道路河流明显交叉点、建筑物、裸地边角等明显标志点作为控制点位置,用多项式拟合方法对遥感影像进行配准。
1.2 研究方法1.2.1 面向对象分类面向对象分类的基础是多尺度分割,它用于以任意选定的尺度进行影像对象提取[7]。
使用不同尺度的分割来构建影像对象层次网络。
每一次分割结果形成影像对象层次网络中的一层,影像对象层次网络能够同时表征不同尺度的影像信息,精对象是粗对象的子对象,每个对象知道其上下文、邻对象、父对象及子对象[8]。
基于这种层次网络结构,对象内部之间的相互关系可以定义。
分割是将影像细分为不同的独立区域,通过分割,整个影像被分为有意义的影像对象,分割过程是基于可调整的色彩和形状的同质或异质标准来进行的。
工作流程见图1。
图1 工作流程Fig.1 Workflow Chart1.2.2 分类器的选择面向对象分类方法由最临近分类器和模糊隶属度分类器组成[9],二者都可以利用不同的对象特征,如光谱值、形状或纹理来进行分类,不仅利用影像对象的属性特征,还利用影像对象间的关系特征来获得高级分类结果。
对象的属性特征包括颜色、纹理、形状、面积和大小等,而传统分类方法是根据一个个单独的、无意义的像素或矩形区域的光谱值进行分类的。
类间特征包括与相邻对象的关系,如类层次中的父对象、子对象。
结合“全国土地分类(试行)”标准,根据本区域特点,制定了本次实验的土地分类系统:淡水域、碱泡、碱斑、居民地、裸地、碱蓬、盐碱地、草地、旱地、水田、林地、芦苇等共12种地物类型[10]。
笔者应用模糊隶属度函数进行分类。
2 结果与讨论2.1 查干湖地区土地利用类型变化趋势应用面向对象分类方法得到了两个时相的土地利用分类图(图2、3),并进行了分类结果数据统计,得出查干湖地区的土地利用/覆盖类型的统计数据(表1)。
水域(包括淡水域和咸水泡)作为本区域最主要的环境因子变化是最明显的,图4直观显示了研究区水域的分布及变化情况,研究区北部和西部的变化最为显著。
水域的变化直接影响区域内自然景观和植被的变化。
水域面积大幅度减少的直接后果就是盐碱化程度加剧,大量水泡面积缩小甚至完全消失,同时盐碱地面积却成倍增长,环境状况312第2期 申晋利,等:基于面向对象分类方法的查干湖地区生态环境变化遥感分析图2 查干湖区域1988年土地利用分类Fig.2 Classif ication Map of Chaganhu R egion in1988图3 查干湖区域2004年土地利用分类Fig.3 Classif ication Map of Chaganhu R egion in 2004表1 查干湖区域1988年与2004年土地利用分类统计T ab.1 Area Statistic of the Land Use in Chaganhu R egion类型1988210202面积/km 2占总面积/%2004210214面积/km 2占总面积/%变化量/km2淡水域492.5932.84353.2323.55-139.36 井场0.2300.9400.71旱地459.6030.64455.1830.34-4.42芦苇23.85 1.5945.73 3.0521.88居民地17.22 1.1526.00 1.738.78碱斑27.61 1.84134.828.99107.21裸地190.9412.7375.53 5.03-115.41林地11.730.7827.73 1.8516.00碱蓬112.687.51109.147.28-3.54草地 5.360.3617.06 1.1411.70碱泡40.23 2.6823.30 1.55-16.93盐碱地118.107.87224.4314.96106.83水田007.050.477.05合计1500.14100.001500.14100.00日益恶化。
从上述图表可以看出,查干湖区域的生态环境在1988年到2004年的16年时间里呈现不断恶化的趋势,水域面积大面积减少,碱斑和盐碱地迅速扩张,虽然芦苇、草地面积都有一定的增加,但也阻挡不了环境恶化的总趋势。