删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

人类活动信息多尺度遥感影像提取的适用性比较——以灵武白芨滩自然保护区为例

本站小编 Free考研考试/2021-12-29

江东¹^,, 阎晓曦¹^,², 付晶莹¹^,

1. 中国科学院地理科学与资源研究所资源利用与环境修复重点实验室,北京 100101

2.中国科学院大学,北京 100049

Applicability comparison of human activity extraction by multi-scale remote sensing imageries：A case study in Lingwu Baijitan National Nature Reserve

JIANGDong¹^,, YANXiaoxi¹^,², FUJingying¹^,

1. Key Laboratory of Resources Utilization and Environmental Remediation,Institute of Geographic Sciences and Natural Resources Research,Chinese Academy of Sciences,Beijing 100101,China

2. University of Chinese Academy of Sciences,Beijing 100049,China

通讯作者:通讯作者:付晶莹,E-mail:fujy@igsnrr.ac.cn
收稿日期:2016-01-10
修回日期:2016-07-19
网络出版日期:2016-08-25
版权声明:2016《资源科学》编辑部《资源科学》编辑部
基金资助:

国家高分辨率对地观测重大专项项目（30-Y30B13-9003-14/16-04;05-Y30B02-9001-13/15）

作者简介:
-->作者简介：江东,男,安徽寿县人,博士,研究员,研究方向为资源环境遥感应用。E-mail:jiangd@igsnrr.ac.cn

展开

摘要
人类活动干扰是自然保护区监测的主要内容,目前遥感技术已成为保护区人类活动干扰信息获取的重要手段。随着不同时空分辨率遥感数据源的不断涌现,如何选取最适宜的遥感数据源进行干扰信息识别,是目前本领域需要解决的问题。本研究选取目前常用的资源卫星（Landsat-8）、高分卫星（GF-1等）,针对保护区常见的6种人类活动干扰类型,选择2~30m多种影像进行了人类活动干扰信息识别,通过比较不同尺度数据的人类活动干扰信息提取结果,为自然保护区人类活动监测选择最适宜数据源提供支持。灵武白芨滩自然保护区的研究结果表明,较高分辨率的影像提取人类活动干扰的效果较好,内部均匀、分布集中、面积较大的人类活动干扰类型提取可以选取中、低分辨率影像为数据源,而分布离散、破碎、面积较小、细节要求较高的人类活动干扰类型提取需要选取高分辨率影像为数据源。研究成果可为保护区监测方案的制定提供决策依据。

关键词：影像分辨率;自然保护区;人类活动干扰;人类活动信息识别;多尺度遥感提取;白芨滩自然保护区
Abstract
Human activity information extraction is a primary part of nature reserve monitoring,and remote sensing technology has become a significant method to obtain human activity information. However,with the rapid development of remote sensing technology,various remote sensing data resources with multi-spectral and multi-spatial resolution are available. It cannot be ignored that data sources of different scales have significant effects on nature reserve monitoring. How to choose the most suitable data source for human activity information extraction and nature reserve monitoring is a key problem to be solved. In this study,we choose commonly used Landsat-8 satellite and GF-1 satellite’s imageries of resolution 2m panchromatic band,and resolution 8m/16m/30m multi-spectral bands,for six different kinds of human activity information extraction. By telling the difference among human activity information extracted from different scale data sources,we attempted to provide support for the selection of the most suitable data source in nature reserve monitoring. A case study is carried out for Lingwu Baijitan National Nature Reserve in Yinchuan, Ningxia,showing that imageries with higher resolution gets a better result of human activity extraction. Well-distributed,centralized and large area human activity landscapes could choose medium and low resolution imageries as the data source, while uneven distributed, fragmentized and small area human activity landscapes which has high requirements of details should choose high resolution imageries as data source. Research result is supposed to provide decision support for the establishment of nature reserve monitoring schemes in China.

Keywords：image resolution;nature reserve;human activity;human activity information extraction;Baijitan National Nature Reserve

-->0
PDF (2065KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNote Ris Bibtex 收藏本文-->
江东, 阎晓曦, 付晶莹. 人类活动信息多尺度遥感影像提取的适用性比较——以灵武白芨滩自然保护区为例[J]. , 2016, 38(8): 1409-1422 https://doi.org/10.18402/resci.2016.08.01
JIANG Dong, YAN Xiaoxi, FU Jingying. Applicability comparison of human activity extraction by multi-scale remote sensing imageries：A case study in Lingwu Baijitan National Nature Reserve[J]. 资源科学, 2016, 38(8): 1409-1422 https://doi.org/10.18402/resci.2016.08.01

1 引言

自然保护区是自然的缩影,自然保护区的建立对自然环境、自然资源保护及保持生态环境平衡都有着十分重要的意义。从1956年中国建立第一个国家级自然保护区,至2014年,中国已经建立428个国家级自然保护区,占地面积约946 600km^2[1]。自然保护区的监测需要从保护区多样性、稀有性、代表性、适用性、自然性、人类活动干扰程度等方面进行保护区现状的分析,其中人类活动干扰程度可以单独用以生态环境评估^[2]。
与城市、农田、水体等相对聚集的生态系统不同,自然保护区中的人类活动干扰分布呈现小而破碎的分布特征,原因有二：①中国国家级自然保护区多分布于人类活动较弱的区域。赵广华等在2013年的研究表明中国内陆的国家级自然保护区大多分布于海拔较高,低温干燥,植被生产力和人类活动干扰程度均较低的地区^[3];②保护区范围内生产设施的建设受到严格的控制,多数生产设施的建设被限制在保护区的实验区范围内。根据《中华人民共和国自然保护区条例》第十八条规定,自然保护区分为核心区、缓冲区和实验区;其中核心区内禁止任何单位和个人进入,除特殊批准外,不允许进入从事科学研究观测活动,缓冲区只准进行科学研究观测活动,实验区内可进入从事科学试验、教学实习、参观考察、旅游及驯化、繁殖珍稀、濒危野生动植物等活动^[4]。
国内外自然保护区遥感监测主要呈现以下特征：
（1）遥感与地面调查相结合,已经成为保护区监测的主要手段。中国国家级自然保护区多分布于人类活动较弱的区域,且受保护程度高,导致全方位的实地考察难度大于其他类型的生态系统,而遥感数据是地球表面的宏观展示,为自然保护区监测提供便利,已经成为保护区监测的重要数据来源。如Ghulam等使用1999-2000年的Landsat和IKONOS-2融合数据监测Betampona自然保护区的热带森林退化情况^[5]。Daldegan等采用遥感与GIS结合的方法研究巴西Serra do Tombador自然保护区火源复发的空间格局^[6]。国内,崔文连等基于2003年和2009年遥感影像,进行崂山自然保护区人类活动的监测与评价^[7]。王晓江等基于4个时相的MODIS NDVI数据研究内蒙古大青山自然保护区植被覆盖度的动态变化特征^[8]。
目前常用的遥感信息源为空间分辨率为30m左右资源卫星,例如Landsat系列、中巴资源卫星系列、中国的HJ-1等,以及针对局地目标的高分辨率卫星,例如GeoEye-1、WorldView系列、Quick Bird等。近年来,中国国产高分辨率卫星成功运转,极大丰富了中国遥感数据的来源,如资源3号、天汇、GF-1、GF-2等,并促进了中国高分辨率遥感应用方面的研究。如明冬萍等总结以往高分辨率影像（航空影像）信息提取技术的主要难点和不足,提出基于特征基元的高分辨率遥感影像多尺度信息提取技术框架,并指出研究中存在的难点和今后研究重点^[9]。侯海倩等利用资源3号卫星GEC级影像数据实现了利用资源3数据对海冰厚度的提取,研究表明资源3数据对不同密集度和厚度的冰有较好的区分^[10]。
（2）随着高分辨率影像的发展,面向对象的影像分类技术发展迅猛。Dos Santos等在2013年提出一种遥感影像多尺度分割交互分类方法,以通过最佳尺度下的特征值优化训练样本的选择^[11]。Khurshid H等提出基于逻辑回归的影像分割和变化自动分类方法,并采用多光谱多时相的SPOT 5数据对巴基斯坦2010年洪水进行检测^[12]。吴鹏天昊等采用高分影像纹理分维单调变化的灾害自动识别方法,基于Worldview 0.5m全色影像准确地识别出2011年3月日本地震海啸灾区的海水淹没区和密集房屋损毁区^[13]。张雨等基于资源3号卫星影像构建适合植被信息提取的资源3号卫星决策树模型,对广西省桂林市漓江流域进行植被信息提取和精度检验,得出资源3号影像数据较适合森林植被信息提取,特别是针叶林和阔叶林^[14]。
（3）影像分类技术的多尺度效应显著。国外,Ruiliang Pu等采用Worldview-2和IKONOS两种高分辨率影像数据对美国福罗里达州塔帕市的七种城市树种进行检测,其中六种城市树种使用Worldview-2影像的分类精度比IKONOS提高了16%~18%,而精度提高的原因可归结于空间分辨率的提高和波段的增加^[15]。国内,左琛等通过比较资源3号卫星影像与同一量级分辨率的SPOT 6卫星影像得出资源3影像在地物边缘细节分辨率上有一定差距,在信息量、信噪比方面与国外卫星不分伯仲^[16]。程乾等基于国产GF-1卫星数据采用面向对象的方法提取杭州湾南岸滨海陆地土地覆盖信息,获得总体精度90.4%的分类结果,同时与资源3号影像相比得出GF-1卫星在植被和水体等地物信息提取方面更具优势^[17]。
本文旨在研究不同分辨率遥感影像在人类活动干扰提取时的适用性,探索适用于自然保护区不同人类活动干扰类型提取的遥感信息源。面对各种不同时空分辨率遥感数据源,如何选取最适宜的遥感数据源进行干扰信息识别,是目前该领域需要解决的问题。本文选取GF-1分辨率2m全色影像、GF-1分辨率8m、16m多光谱影像和Landsat-8分辨率30m多光谱影像为数据源,以灵武自然保护区为案例,研究和分析人类活动干扰多尺度遥感信息提取的适宜性,为保护区监测方案的制定提供依据。

2 研究区概况与数据来源

2.1 研究区概况

选择灵武白芨滩国家级自然保护区为案例区。该保护区位于宁夏回族自治区灵武市境内,地理坐标为37°54

\begin{matrix} ' \end{matrix}

N-38°22

\begin{matrix} ' \end{matrix}

N,106°23

\begin{matrix} ' \end{matrix}

E-106°48

\begin{matrix} ' \end{matrix}

E,南北长61km,东西宽21km,占地面积748.43km²,其中,核心区面积313.18 km²,缓冲区面积186.06km²,实验区面积249.19km^2[18]。灵武自然保护区地处宁夏东北部的鄂尔多斯台地,位于毛乌苏沙漠边缘,海拔1250m。气候为典型的大陆性季风气候,春迟秋早,四季分明,干燥,雨量少而集中,蒸发强烈,气候干燥,晴天多,雨雷少,寒冬长,夏热短,温差大,日照长,光能丰富,冬春季风、沙天较多。保护区内动植物资源比较丰富,类型多样,有国家一级保护植物发菜,二级保护植物沙芦苇及珍稀濒危植物沙冬青等。研究区内的水资源补给主要是大气降水,地表河流在大部分时间为干涸状,属于严重缺水区。灵武白芨滩国家级自然保护区的位置见图1。

显示原图|下载原图ZIP|生成PPT
图1灵武白芨滩国家级自然保护区位置及分区
-->Figure 1Geographic position and subregion of Lingwu Baijitan National Nature Reserve
-->

2.2 数据来源

研究数据分为矢量边界数据和灵武白芨滩国家级自然保护区影像数据,矢量数据由国家环保部卫星环境应用中心提供,影像数据则选取中国GF-1卫星的分辨率2m的全色波段影像,分辨率8m、16m的多光谱影像,以及Landsat-8卫星分辨率30m的多光谱影像^[19-21]。GF-1卫星是中国第一颗高分辨率卫星,于2013年4月26日在酒泉卫星发射中心发射成功,由中国航天科技集团公司所属空间技术研究院航天东方红卫星有限公司研制。GF-1卫星搭载的光谱相机共6台,其中2台是分辨率2m全色/分辨率8m多光谱相机,4台是分辨率16m的多光谱相机。该卫星工程突破了多项关键技术,对于提升中国卫星研制水平、提供比较稳定的高分辨率数据源具有重要意义。
研究使用的影像数据基本情况见表1。
Table 1
表1
表1影像数据介绍
Table 1Information of imageries

卫星	传感器	波段名称	波段范围或中心波长 /μm	空间分辨率 /m	影像景数 /景	成像时间 /年-月-日
GF-1	WFV1	蓝色波段	0.450~0.520	16	1	2014-04-29
	WFV2	绿色波段	0.520~0.590	16
	WFV3	红色波段	0.630~0.690	16
	WFV4	近红外波段	0.770~0.890	16
	PMS1/PMS2	蓝色波段	0.450~0.520	8	3	2014-05-19
		绿色波段	0.520~0.590	8
		红色波段	0.630~0.690	8
		近红外波段	0.770~0.890	8
	PMS1/PMS2	全色波段	0.450~0.900	2	3	2014-05-19
Landsat-8	OLI	深蓝波段	0.433~0.453	30	1	2014-07-28
		蓝色波段	0.450~0.515	30
		绿色波段	0.525~0.600	30
		红色波段	0.630~0.680	30
		近红外波段	0.845~0.885	30
		短波红外波段1	1.560~1.660	30
		短波红外波段2	2.100~2.300	30
		全色波段	0.500~0.680	15
		卷云波段	1.360~1.390	30
	TIRS	热红外波段1	10.900	100
		热红外波段2	12.000	100

新窗口打开
研究区的影像数据经过预处理后见图2。

显示原图|下载原图ZIP|生成PPT
图22014年灵武白芨滩国家级自然保护区4种分辨率影像
-->Figure 2Remote sensing imageries with 4 resolutions of Lingwu Baijitan National Nature Reserve in 2014
-->

3 研究方法

研究采用4种不同分辨率影像（分别是2014年4月29日GF-1 2m、8m影像,2014年5月19日GF-1 16m影像和2014年7月28日Landsat-8 30m影像）进行人类活动干扰提取和适用性分析,主要步骤包括三部分：①面向对象的影像分类和人类活动干扰信息提取;②人类活动干扰信息提取精度评价;③不同分辨率遥感信息源适用性分析。

3.1 面向对象影像分类和人类活动干扰提取

3.1.1 人类活动干扰类型
人类活动干扰类型是指与农业生产、工矿开发、交通等人类活动有关的地物类型^[22]。在综合国内外相关文献资料基础上,结合中国环保行业的实际监测需求,采用的人类活动干扰类型分为6种,见表2（见第1413页）。
Table 2
表2
表2自然保护区人类干扰类型
Table 2Human activity landscapes and definitions for nature reserves

分类代码	地物类型	定义
1	农业用地	直接或间接为农业生产而利用的土地
2	居民点	因生产和生活需要而形成的集聚定居地点
3	工矿用地	独立设置的工厂、车间、建筑安装的生产场地等,及在矿产资源开发利用的基础上形成和发展起来的工业区、矿业区
4	道路	供各种无轨车辆和行人通行的基础设施
5	其他人工设施	无法准确划分到以上4种人类活动类别中的人工设施
6	其他	没有受到人类活动干扰的地物类型

新窗口打开
3.1.2 多尺度分割和面向对象影像分类
基于eCognition Developer 8.9平台,运用面向对象方法对研究区人类活动干扰信息提取的主要流程为影像分割、选取特征值与训练区和对象分类,技术流程图见图3^[23]。

显示原图|下载原图ZIP|生成PPT
图3面向对象分类技术流程
-->Figure 3Technique flowchart of object-oriented classification
-->

影像分割是将影像划分为一系列互不重叠的满足异质性要求的斑块或影像对象,是面向对象分类的前序工作,分割而成的影像对象是面向对象分类的基本单元^[24]。多尺度分割是一种自底向上的基于最小异质性的区域合并影像分割算法,分割结果受多尺度分割参数的控制。算法中,多尺度分割参数由波段权重、异质性因子和分割尺度组成,异质性因子通过光谱因子和形状因子加权求得,形状因子由紧致度和平滑度加权求得。其中波段权重决定了影像每个波段参与计算时所占的权重;分割尺度用以限制分割结果中影像对象异质性大小;形状因子和紧致度权重的设置则会影响分割结果中影像对象的形状特征。在实验中通过调整波段权重、分割尺度、形状因子和紧致度因子以达到较好的分割结果^[25-27]。多尺度分割参数构成见图4。

显示原图|下载原图ZIP|生成PPT
图4多尺度分割参数示意注：此图参考文献^[27]。
-->Figure 4Multi-scale segmentation parameters
-->

影像分割完毕后定义和选取合适的特征值参数组成分类特征空间,并通过选取合适的训练样本为影像分类作准备。影像对象作为面向对象分类的基本单元,不仅具有光谱特征,同时具有形状、纹理等特征。在灵武自然保护区的研究中选取eCognition developer8.9带有的光谱、形状、纹理及自定义的面积周长比、ndvi等特征值。训练区则选取各类型较为纯净、具有代表性的影像对象组成训练样本。
影像分类采用eCognition developer8.9提供的基于最近邻分类方法。最近邻分类法是最小距离分类算法的扩展算法,将训练集中每个样本作为评判依据,寻找距离待分类样本最近的训练集中的样本,以此为依据进行分类。当不确定所选取的特征空间是否合理时,可以通过软件提供的特征空间优化函数计算出最优的特征值组合。由于分类结果对样本选择具有较强的依赖性,在每次分类完成后需对分类结果进行精度评价,针对错分、误分影像对象的特征,要调整前述步骤中的相应参数重新分类,直到得到比较满意的分类结果。

3.2 精度评价方法

精度评价是影像分类工作中非常必要的步骤,研究采用基于混淆矩阵的分类精度评价方法,计算和比较4种分辨率影像面向对象分类结果的总体精度、用户精度和制图精度。研究选取了1081个随机样本点,采用人工目视识别,结合更高分辨率影像及部分地面验证的方法确定样本点所属地物类型作为真实分类结果,用作评价实验中面向对象分类结果的依据,样本点的位置分布见图5^[28]。

显示原图|下载原图ZIP|生成PPT
图5研究区样本点示意
-->Figure 5Sample points in study area
-->

例如得到的混淆矩阵如表3,其中行表示真实分类数据,列表示实验分类数据。
Table 3
表3
表3混淆矩阵示例
Table 3Confusion matrix sample

地物类型	A₁	A₂	…	A_n
A₁	a₁₁	a₁₂	…	a₁_n
A₂	a₂₁	a₂₂	…	a₂_n
…	…	…	…	…
An	an1	an2	…	ann

注：行表示真实分类中各地物类型像元个数,列表示实验中各地物类型像元个数。

新窗口打开
总体精度的计算公式为^[28]：

\begin{matrix} η_{0} = \frac{\overset{N}{\sum_{i = 1}} a_{ii}}{\overset{N}{\sum_{j = 1}} \overset{N}{\sum_{i = 1}} a_{ij}} \end{matrix}

（1）
式中

\begin{matrix} η_{0} \end{matrix}

为总体精度;

\begin{matrix} N \end{matrix}

为地物类型总数;

\begin{matrix} i ， j \end{matrix}

分别为第

\begin{matrix} i ， j \end{matrix}

类地物类型;

\begin{matrix} a_{ij} \end{matrix}

为实际为第

\begin{matrix} i \end{matrix}

类地物类型在实验中被分类为第

\begin{matrix} j \end{matrix}

类地物类型的样本点个数;

\begin{matrix} a_{ii} \end{matrix}

为第

\begin{matrix} i \end{matrix}

类地物类型正确分类的样本点个数。
第

\begin{matrix} A_{i} \end{matrix}

类的用户精度计算公式为^[28]：

\begin{matrix} η_{ui} = \frac{a_{ii}}{\overset{N}{\sum_{j = 1}} a_{ij}} \times 100 % \end{matrix}

（2）
式中

\begin{matrix} η_{ui} \end{matrix}

为用户精度;其他变量同上。
第

\begin{matrix} A_{j} \end{matrix}

类的制图精度的计算公式为^[28]：

\begin{matrix} η_{uj} = \frac{a_{jj}}{\overset{N}{\sum_{i = 1}} a_{ij}} \end{matrix}

（3）
式中

\begin{matrix} η_{uj} \end{matrix}

为制图精度;其他变量同上。

4 结果与讨论

4.1 多尺度分割结果

借助eCognition平台提供的多尺度分割算法对4种尺度的影像进行分割,采用的多尺度分割参数见表4。其中,不同类型的典型地物在不同尺度影像上的分割结果见图6-图11（见第1415-1416页）。
Table 4
表4
表4多尺度分割参数
Table 4Multi-scale segmentation parameters

影像	分辨率 /m	分割尺度	形状因子权重	紧致度权重	多边形个数/个
GF-1	2	500	0.1	0.5	2 629
GF-1	8	150	0.1	0.5	1 872
GF-1	16	50	0.1	0.5	3 526
Landsat-8	30	100	0.1	0.5	5 847

新窗口打开

显示原图|下载原图ZIP|生成PPT
图62014年研究区4种分辨率影像的道路多尺度分割结果比较
-->Figure6Comparison of multi-scale segmentation results of road in 4 resolutions in 2014
-->

显示原图|下载原图ZIP|生成PPT
图72014年研究区4种分辨率影像的工矿用地多尺度分割结果比较
-->Figure7Comparison of multi-scale segmentation results of industry land in 4 resolutions in 2014
-->

显示原图|下载原图ZIP|生成PPT
图82014年研究区4种分辨率影像的农业用地的多尺度分割结果比较
-->Figure8Comparison of multi-scale segmentation results of crops land in 4 resolutions in 2014
-->

显示原图|下载原图ZIP|生成PPT
图92014年研究区4种分辨率影像的居民点的多尺度分割结果比较
-->Figure9Comparison of multi-scale segmentation results of residential land in 4 resolutions in 2014
-->

显示原图|下载原图ZIP|生成PPT
图102014年研究区4种分辨率影像的其他人工设施的多尺度分割结果比较
-->Figure10Comparison of multi-scale segmentation results of other facilities in 4 resolutions in 2014
-->

显示原图|下载原图ZIP|生成PPT
图112014年研究区4种分辨率影像的其他类型地物的多尺度分割结果比较
-->Figure11Comparison of multi-scale segmentation results of other landscapes in 4 resolutions in 2014
-->

4.2 分类结果

基于eCognition平台的影像分割结果,采用软件提供的基于最近邻分类方法的监督分类法进行面向对象分类,结果见图12（见第1416页）。

显示原图|下载原图ZIP|生成PPT
图 12研究区4种分辨率影像地物类型分类结果示意
-->Figure12Diagram of classification results of 4 resolution images in study area
-->

4.3 精度计算结果

4种不同分辨率影像的分类混淆矩阵计算结果见表5-表8（见第1417页）。根据上述混淆矩阵,精度计算结果和适用性评价如表9（见第1418页）。
Table 5
表5
表52014年研究区分辨率2m的影像地物类型分类混淆矩阵
Table 5Classification confusion matrix of resolution 2m image in study area in 2014

地物类型	农业用地	居民点	工矿用地	道路	其他人工设施	非人类活动干扰类型
农业用地	120	0	2	0	0	29
居民点	9	93	0	0	0	13
工矿用地	1	0	111	0	0	20
道路	0	0	0	225	0	45
其他人工设施	0	0	0	0	78	9
其他	23	14	10	31	9	239

注：混淆矩阵表格中的数据表示正确分类、错分或误分的样本点个数。

新窗口打开
Table 6
表6
表62014年研究区分辨率8m的影像地物类型分类混淆矩阵
Table 6Classification confusion matrix of resolution 8m image in study area in 2014

地物类型	农业用地	居民点	工矿用地	道路	其他人工设施	其他
农业用地	121	10	0	0	0	20
居民点	13	97	0	0	0	5
工矿用地	2	0	99	0	0	31
道路	9	0	9	122	9	121
其他人工设施	0	0	8	0	52	27
其他	17	11	8	19	14	257

注：混淆矩阵表格中的数据表示正确分类、错分或误分的样本点个数。

新窗口打开
Table 7
表7
表72014年研究区分辨率16m的影像地物类型分类混淆矩阵
Table 7Classification confusion matrix of resolution 16m image in study area in 2014

地物类型	农业用地	居民点	工矿用地	道路	其他人工设施	其他
农业用地	130	0	5	0	0	16
居民点	23	83	0	0	0	9
工矿用地	7	0	87	0	0	38
道路	15	0	6	23	1	225
其他人工设施	0	0	0	0	43	44
其他	27	15	7	1	11	265

注：混淆矩阵表格中的数据表示正确分类、错分或误分的样本点个数。

新窗口打开
Table 8
表8
表82014年研究区分辨率30m的影像地物类型分类混淆矩阵
Table 8Classification confusion matrix of resolution 30m image in study area in 2014

地物类型	农业用地	居民点	工矿用地	道路	其他人工设施	其他
农业用地	127	0	4	0	1	19
居民点	17	97	0	0	0	1
工矿用地	1	0	90	0	0	41
道路	10	0	9	43	0	208
其他人工设施	0	0	0	0	59	28
其他	11	28	6	3	12	266

注：混淆矩阵表格中的数据表示正确分类、错分或误分的样本点个数。

新窗口打开
Table 9
表9
表94种分辨率影像中人类活动干扰地物类型精度计算及适用性评价
Table 9Accuracy and applicability evaluation of human activity landscapes of 4 resolution imageries

地物类型	影像	用户精度/%	制图精度/%	适用性
农业用地	GF-1卫星分辨率2m	78.43	79.47	好
	GF-1卫星分辨率8m	74.69	80.13	较好
	GF-1卫星分辨率16m	64.36	65.91	较好
	Landsat-8分辨率30m	76.51	84.11	较好
居民点	GF-1卫星分辨率2m	86.92	80.87	好
	GF-1卫星分辨率8m	82.20	84.35	较好
	GF-1卫星分辨率16m	84.69	72.17	差
	Landsat-8分辨率30m	77.60	84.35	差
工矿用地	GF-1卫星分辨率2m	90.24	84.09	较好
	GF-1卫星分辨率8m	79.84	75.00	较好
	GF-1卫星分辨率16m	82.86	65.91	一般
	Landsat-8分辨率30m	82.57	68.18	一般
道路	GF-1卫星分辨率2m	87.89	83.33	好
	GF-1卫星分辨率8m	86.52	45.19	较好
	GF-1卫星分辨率16m	97.22	12.96	差
	Landsat-8分辨率30m	91.67	12.22	差
其他人工设施	GF-1卫星分辨率2m	89.66	89.66	好
	GF-1卫星分辨率8m	69.33	59.77	较好
	GF-1卫星分辨率16m	78.18	49.43	较好
	Landsat-8分辨率30m	81.94	67.82	差

新窗口打开

4.4 结果分析

4.4.1 总体精度分析
经采样点验证基于混淆矩阵计算得到的分类精度结果见图13（见第1418页）。根据图13a可知,随着影像分辨率的降低,农业用地的用户精度在分辨率16m的GF-1卫星影像处取得最低值,其他3种分辨率下几乎相等;而居民点的用户精度在分辨率16m处稍微升高,其他随分辨率降低而精度降低;工矿用地在分辨率2m最高,其他3种分辨率下几乎不变;道路的用户精度在16m处最高而其他3种情况下几乎不变;其他人类活动干扰在分辨率2m处用户精度最高。根据图13b可知,几乎所有类型的地物都在16m处取得最低精度值。在其他3种分辨率情况下,随着影像分辨率的降低,农业用地和居民点的制图精度几乎不变,工矿用地和道路的制图精度呈下降趋势。

显示原图|下载原图ZIP|生成PPT
图 13研究区4种分辨率影像中各地物类型的用户精度和制图精度比较
-->Figure 13Comparison of producer’s accuracy and mapping accuracy of different landscapes of 4 resolution imageries in study area
-->

4.4.2 研究区典型地物类型提取效果细节分析
（1）农业用地提取效果的细节展示与分析如图14所示（见第1419页）。从图14可知,在农业用地的提取中,分辨率2m的全色影像提取结果的边界与实际比较吻合,但由于全色影像的光谱分辨率低,导致将部分草地误分为农业用地;分辨率8m的结果中边界比较粗糙,但与分辨率2m的全色波段相比,其光谱分辨率更高,光谱信息更加丰富,因此可以避免将草地误分为农业用地的情况;分辨率16m的影像结果边界参差不齐;分辨率30m的分类结果也可以较准确地提取农业用地。

显示原图|下载原图ZIP|生成PPT
图 142014年研究区4种分辨率下农业用地的分类结果细节比较
-->Figure 14Details of crops land extraction result of 4 resolutions in study area in 2014
-->

（2）居民点提取效果的细节展示与分析见图15（见第1419页）。如图15所示,由于保护区周围居民稀少,居民点分布非常破碎,因此在居民点提取过程中有一定难度。居民点在分辨率2m的影像提取结果相对较好,基本能够正确提取,分辨率8m的影像提取结果不完整,而分辨率16m和30m的影像提取结果有较多的错分和误分地物,精度较低。

显示原图|下载原图ZIP|生成PPT
图152014年研究区4种分辨率下居民点的分类结果细节比较
-->Figure 15Details of residential land extraction result of 4 resolutions in study area in 2014
-->

（3）道路提取效果的细节展示与分析如图16所示（见第1419页）。分辨率2m和分辨率8m的影像可以比较完整地提取出保护区内的道路,其中分辨率2m的影像可以区分两条并行道路而分辨率8m的影像不能分辨两条并行道路。分辨率16m的影像可能会将道路周围特征相似的地物误分为道路,分辨率30m的影像则很可能提取不出保护区内的道路。再以保护区内较宽的一条道路为例比较分辨率2m的全色影像与分辨率8m的多光谱影像在自然保护区道路提取中的精度和适用性,分别计算分辨率2m的影像和分辨率8m的影像的提取精度得到表10（见第1420页）中的数据。表10的数据表明,分辨率2m的全色影像与分辨率8m的多光谱影像相比,在保护区道路提取中可以获得更高精度。

显示原图|下载原图ZIP|生成PPT
图162014年研究区4种分辨率下道路的分类结果细节比较
-->Figure16Details of road extraction result of 4 resolutions in study area in 2014
-->

Table 10
表10
表10分辨率2m和分辨率8m影像对典型道路提取的精度对照
Table 10Accuracy comparison of typical road extracted with resolution 2m and 8m images

卫星	分辨率/m	用户精度/%	制图精度/%
GF-1	2	83.78	89.42
GF-1	8	79.57	71.15

新窗口打开
（4）其他人工设施提取效果的细节展示与分析见图17。以水坝为例比较研究区内其他人类活动干扰的精度细节,由图17可知,分辨率2m的影像可以较准确地提取水坝范围,分辨率8m的分类结果存在误分现象,而且边界参差不齐;分辨率16m的影像基本上可以提取出水坝信息,而分辨率30m的影像则几乎无法得到水坝的边界。

显示原图|下载原图ZIP|生成PPT
图17研究区4种分辨率下其他人工设施的分类结果细节比较
-->Figure 17Details of other facilities extraction result in four resolutions
-->

5 结论

本研究以灵武白芨滩国家级自然保护区为研究区域,使用常见资源卫星Landsat-8和GF-1卫星分辨率2m、8m、16m、30m的影像数据提取该保护区内存在的农业用地、工矿用地、道路等人类活动干扰信息,并根据提取结果精度进行了影像分辨率对人类活动干扰提取的适用性的研究。灵武白芨滩自然保护区的案例研究表明：
（1）总体来说,保护区人类活动干扰信息识别精度受到影像空间分辨率和光谱分辨率的共同影响。一般来说,影像空间分辨率和光谱分辨率越高,人类活动干扰信息的识别精度越好。高空间分辨率的影像可以识别人类活动干扰类型中的精细地物,如GF-1 2m全色影像可以准确提取保护区道路信息,空间分辨率较低的多光谱影像可以用于提取集中分布的均匀地物类型,如Landsat-8 30m多光谱影像可以满足保护区农业用地的提取需求。
（2）保护区内的人类活动干扰地物类型的分布相对细小、破碎,不同人类活动干扰类型的提取对数据源的要求也有所不同。如保护区内农业用地分布相对集中,而且内部均匀,面积也相对较大,因此分辨率30m的Landsat-8卫星影像数据已经可以满足自然保护区的农业用地监测需求。保护区内居民点面积较小,分布比较破碎,周围一般分布有农业用地,使用分辨率2m或8m的卫星影像可以较好地提取保护区居民点信息。工矿用地结构比较复杂,道路对细节要求较高,因此需要使用分辨率2m的卫星影像进行提取。
（3）高空间分辨率影像在地物细节提取中有一定的优势,但是在保护区人类活动干扰地物类型提取中也表现出一定的弱点,在实际工作中应以满足业务需求为目标,酌情选取合适数据源。如高空间分辨率卫星影像光谱分辨率相对较低,容易因光谱信息不足造成错分或误分;高空间分辨率影像时间分辨率相对较低,保护区较大时要获取全覆盖影像需要较长时间;高空间分辨率影像数据量大,处理工作量较大。
The authors have declared that no competing interests exist.

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]	王京歌. 中国自然保护区的现状与问题 [J]. 生态经济,2015,31(3):10-13. [本文引用: 1] [Wang J G.Status and problems of nature reserve in China [J]. Ecological Economy,2015,31(3):10-13.] [本文引用: 1]
[2]	吴东辉,李玉龙,江东,等. 可可西里国家级自然保护区人类活动干扰状况遥感监测研究 [J]. 甘肃科学学报,2015,27(4):37-44. [本文引用: 1] [Wu D H,Li Y L,Jiang D.Research of remote sensing monitoring on human activity impacts on Hoh Xil National Nature Reserve [J]. Journal of Gansu Sciences,2015,27(4):37-44.] [本文引用: 1]
[3]	赵广华,田瑜,唐志尧,等. 中国国家级陆地自然保护区分布及其与人类活动和自然环境的关系 [J]. 生物多样性,2013,21(6):658-665. [本文引用: 1] [ Zhao G H,Tian Y,Tang Z Y,et al.Distribution of terrestrial national nature reserves in relation to human activities and natural environments in China [J]. Biodiversity Science,2013,21(6):658-665.] [本文引用: 1]
[4]	佚名. 中华人民共和国自然保护区条例 [J]. 中华人民共和国国务院公报,1994,(12):991-998. [本文引用: 1] [Anonymity. Regulations of the People's Republic of China on natural reserves [J]. China Academic Journal Electronic Publishing House,1994,(12):991-998.] [本文引用: 1]
[5]	Ghulam A.Monitoring tropical forest degradation in Betampona Nature Reserve,Madagascar using multisource remote sensing data fusion [J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing,2014,7(12):4960-4971. [本文引用: 1]
[6]	Daldegan G A,Carvalho D O,Guimaraes R F,et al.Spatial patterns of fire recurrence using remote sensing and GIS in the Brazilian Savanna:Serra do Tombador Nature Reserve,Brazil [J]. Remote Sensing,2014,6(10):9873-9894. [本文引用: 1]
[7]	崔文连,刘杰,刘善伟,等. 崂山自然保护区人类活动遥感监测与评价 [J]. 海洋科学,2015,39(2):118-121. [本文引用: 1] [Cui W L,Liu J,Liu S W,et al.Monitoring and assessment of human activities in Laoshan nature reserve by satellite remote sensing [J]. Marine Sciences,2015,39(2):118-121.] [本文引用: 1]
[8]	王晓江,胡尔查,李爱平,等. 基于MODIS NDVI的内蒙古大青山自然保护区植被覆盖度的动态变化特征 [J]. 干旱区资源与环境,2014,28(8):61-65. [本文引用: 1] [Wang X J,Hu E C,Li A P,et al.Dynamic changes of vegetation coverage in Daqingshan Nature Reserve based on MODIS NDVI image [J]. Journal of Arid Land Resources and Environment,2014,28(8):61-65.] [本文引用: 1]
[9]	明冬萍,骆剑承,沈占锋,等. 高分辨率遥感影像信息提取与目标识别技术研究 [J]. 测绘科学,2005,30(3):18-20. [本文引用: 1] [ Ming D P,Luo J C,Shen Z F,et al.Research on information extraction and target recognition from high resolution remote sensing image [J]. Science of Surveying and Mapping,2005,30(3):18-20.] [本文引用: 1]
[10]	侯海倩,李家国,米晓飞,等. 基于资源3号卫星的海冰监测研究 [J]. 遥感信息,2014,(6):36-40. [本文引用: 1] [ Hou H Q,Li J G,Mi X F,et al.Sea ice monitoring by ZY-3 satellite [J]. Remote Sensing Infor-mation,2014,(6):36-40.] [本文引用: 1]
[11]	Dos S J A,Gosselin P H,Philipp-Foliguet S,et al. Interactive multiscale classification of high-resolution remote sensing images [J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing,2013,6(4):2020-2034. [本文引用: 1]
[12]	Khurshid H,Khan M F.Segmentation and classification using logistic regression in remote sensing imagery [J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing,2015,8(1):224-232. [本文引用: 1]
[13]	吴鹏天昊,吴立新,沈永林,等. 基于高分影像纹理分维变化的灾害自动识别方法 [J]. 地理与地理信息科学,2012,28(2):9-13. [本文引用: 1] [Wu P T H,Wu L X,Shen Y,et al. Disaster auto-recognition method based on HSR-image's texture fractal monotonous change [J]. Geography and Geo-Information Science,2012,28(2):9-13.] [本文引用: 1]
[14]	张雨,林辉. 资源3号卫星影像的植被信息提取 [J]. 中南林业科技大学学报,2014,(11):130-134. [本文引用: 1] [ Zhang Y,Lin H.Extraction of vegetation information based on resources satellite No.3(ZY-3)data [J]. Journal of Central South University of Forestry & Tech-nology,2014,(11):130-134.] [本文引用: 1]
[15]	Pu R,Landry S.A comparative analysis of high spatial resolution IKONOS and WorldView-2 imagery for mapping urban tree species [J]. Remote Sensing of Environment,2012,124(9):516-533. [本文引用: 1]
[16]	左琛,范文革. 资源3号卫星与SPOT 6卫星影像特征参数评定与比较 [J]. 北京测绘,2015,(4):39-42. [本文引用: 1] [Zuo C,Fan W G.The evaluation and comparison of spectral characteristics of ZY-3 and SPOT-6 satellite images [J]. Beijing Surveying and Mapping,2015,(4):39-42.] [本文引用: 1]
[17]	程乾,陈金凤. 基于高分1号杭州湾南岸滨海陆地土地覆盖信息提取方法研究 [J]. 自然资源学报,2015,30(2):350-360. [本文引用: 1] [Cheng Q,Chen J F.Research on the extraction method of landcover information in southern coastal land of Hangzhou Bay based on GF-1 image [J]. Journal of Natural Resources,2015,30(2):350-360.] [本文引用: 1]
[18]	王才,杨玉刚,王兴东. 基于防沙治沙的生态旅游发展探讨-以宁夏灵武白芨滩国家级自然保护区为例 [J]. 宁夏农林科技,2011,52(3):33-35. [本文引用: 1] [ Wang C,Yang Y G,Wang X D.Discussion on ecotourism development based on prevention and control of desertification-Baijitan National Nature Reserve as an example [J]. Ningxia Journal of Agriculture and Forestry Science and Technology,2011,52(3):33-35.] [本文引用: 1]
[19]	陆春玲,王瑞,尹欢. “高分一号”卫星遥感成像特性 [J]. 航天返回与遥感,2014,35(4):67-73. [本文引用: 1] [Lu C L,Wang R,Yin H.GF-1 satellite remote sensing characters [J]. Spacecraft Recovery & Remote Sensing,2014,35(4):67-73.] [本文引用: 1]
[20]	Irons J R,Dwyer J L,Barsi J A.The next Landsat satellite:The Landsat data continuity mission [J]. Remote Sensing of Environ-ment,2012,122(4):11-21.
[21]	徐涵秋,唐菲. 新一代Landsat系列卫星:Landsat 8遥感影像新增特征及其生态环境意义 [J]. 生态学报,2013,33(11):3249-3257. [本文引用: 1] [Xu H Q,Tang F.Analysis of new characteristics of the first Landsat 8 image and their eco-environmental significance [J]. Acta Ecologica Sinica,2013,33(11):3249-3257.] [本文引用: 1]
[22]	Yue T X,Fan Z M,Liu J Y.Scenarios of land cover in China [J]. Global & Planetary Change,2007,55(4):317-342. [本文引用: 1]
[23]	莫利江,曹宇,胡远满,等. 面向对象的湿地景观遥感分类-以杭州湾南岸地区为例 [J]. 湿地科学,2012,10(2):206-213. [本文引用: 1] [ Mo L J,Cao Y,Hu Y M,et al.Object-oriented classification for satellite remote sensing of wetlands:A case study in Southern Hangzhou Bay Area [J]. Wetland Science,2012,10(2):206-213.] [本文引用: 1]
[24]	Blaschke T.Object based image analysis for remote sensing [J]. Isprs Journal of Photogrammetry & Remote Sensing,2010,65(1):2-16. [本文引用: 1]
[25]	陈杰. 高分辨率遥感影像面向对象分类方法研究[D] . 长沙:中南大学,2010. [本文引用: 1] [Chen J.Study on Object-based Classification of High-resolution Remote Sensing Imagery[D]. Changsha:Central South University,2010.] [本文引用: 1]
[26]	马浩然. 基于多层次分割的遥感影像面向对象森林分类[D] . 北京:北京林业大学,2014. [Ma H R.Object-based Remote Sensing Image Classification of Forest Based on Multi-level Segmentation[D]. Beijing:Beijing Forestry University,2014.]
[27]	Definiens AG. Definiens Developer 7 Reference Book [DB/OL]. , 2007.URL [本文引用: 2]
[28]	Holden H, LeDrew E. Accuracy assessment of hyperspectral classification of coral reef features [J]. Geocarto International,2000,15(2):7-14. [本文引用: 4]

人类活动信息多尺度遥感影像提取的适用性比较——以灵武白芨滩自然保护区为例

本站小编 Free考研考试/2021-12-29

Applicability comparison of human activity extraction by multi-scale remote sensing imageries：A case study in Lingwu Baijitan National Nature Reserve

1 引言