文章信息
- 贾明明, 任春颖, 刘殿伟, 王宗明, 汤旭光, 董张玉
- JIA Mingming, REN Chunying, LIU Dianwei, WANG Zongming, TANG Xuguang, DONG Zhangyu
- 基于环境星与MODIS时序数据的面向对象森林植被分类
- Object-oriented forest classification based on combination of HJ-1 CCD and MODIS-NDVI data
- 生态学报, 2014, 34(24): 7167-7174
- Acta Ecologica Sinica, 2014, 34(24): 7167-7174
- http://dx.doi.org/10.5846/stxb201310112438
-
文章历史
- 收稿日期:2013-10-11
- 修订日期:2014-10-23
2. 中国科学院大学, 北京 100049
2. Graduate School of Chinese Academy of Sciences, Beijing 100049, China
森林是地球上最重要的生态系统之一,它不仅为人类提供经济来源,而且对水资源调节,水土保持以及人类废物代谢调节起着重要的作用。森林资源状况及其变化,不仅影响地区乃至全球环境的变化,而且对社会经济的可持续发展影响深远。因此,开展森林资源调查与监测意义重大。20世纪70年代以来,逐渐发展的遥感技术为研究森林资源的现状与动态提供了理想的工具。但是,由于林区特殊的地理环境和生物分布特点,森林植被普遍存在“同物异谱”和“异物同谱”的现象,使得遥感分类成为研究难点。为提高森林植被的分类精度,国内外学者进行了大量的研究,其中地物光谱特征与多源遥感数据相结合进行分类已成为研究热点。Dyk[1]等利用高光谱数据和多光谱数据对加拿大森林进行分类,得到的最高分类精度为90.0%。冯恒栋[2]以我国东北东部典型林区为试验区,使用Landsat TM遥感数据,运用BP神经网络和模糊C均值聚类两种方法对遥感图像进行分类,结果表明这两种新方法与传统的监督分类和非监督分类相比优势明显。竞霞[3]等采用分区和多时相遥感数据结合的方法对密云山区森林植被进行分类研究,结果证明该方法具有明显的技术优势。张超[4]等使用ETM+和DEM数据,选取海拔、坡向、坡度、和NDVI 4个指标,基于灌木林的空间分布特征,对西藏灌木林进行遥感分类,总体精度86.24%,个别灌木类型精度达95%。严恩萍[5]使用ALOS遥感数据,并加入NDVI和主成分分析,应用决策树方法提取广西平南县内的阔叶林信息,并将调整的决策树算法应用于SPOT和TM数据,取得了较高的分类精度。
面向对象方法是指通过对影像的分割,使同质像元组成大小不同的对象[6],突破了传统遥感影像分类方法以像元为基本分类和处理单元的局限性,以含有更多语义信息的多个相邻像元组成的对象为处理单元,可以实现较高层次的遥感图像分类和目标地物提取[7]。传统的基于像元分类方法是以像元为基本单元,参与信息提取的因子是像元的光谱信息[8],遥感影像的分类结果存在严重的“椒盐现象”,并且对于波谱信息类似而形状、纹理信息不同的地类错分现象严重。而面向对象的遥感图像分类方法不仅基于光谱特征,还利用影像的、质地纹理对影像进行分割和分类,分类结果避免了斑点噪声,具有良好的整体性。面向对象分类方法使用形状和拓扑特征增强空间信息,尽可能将现实地物和影像对象相匹配,提高了地物分类结果的价值。近年来,面向对象分类方法在国内外广泛地应用于各种数据源的遥感图像分类中,如IKONOS[9, 10]、ALOS[11]、SPOT 5[7]、Landsat TM[12, 13]、NOAA-AVHRR[14]等,均不同程度上提高了遥感图像分类的精度。
本文旨在探讨一种综合应用环境星数据(HJ-1 CCD)和MODIS时序数据的面向对象森林植被遥感分类方法,这种方法在传统的仅利用HJ-1CCD提供的光谱、纹理、形状和拓扑等空间信息的基础上,引入了MODIS时序数据提供的物候信息,进一步提高分类精度。研究过程中运用eCognition,ArcGIS等软件完成面向对象分类及相关地学分析。
1 研究区概况研究区为吉林省东部地区,行政范围包括延边朝鲜族自治州、白山市和通化市,其地理坐标为40°52′—44°36′N,125°15′—131°18′E(图 1)。研究区内有数条东北—西南走向的山脉,山脉之间常有宽谷盆地,构成盆-山地形,属长白山脉的中段。气候类型属于温带海洋性季风气候,降水主要集中在5—9月份,冬季降水少,气温低,1月份平均气温在-19—-14℃之间,0℃以下的寒冷期长达160到200d,相对湿度大。长白山地区的主要植被类型有,落叶阔叶林、落叶针叶林、常绿针叶林、针阔混交林、以及落叶阔叶灌木林。区内植被为长白山植物区系,针叶树 主要有:红松(Pinus koraiensis)、落叶松(Larix gmelinii)、云杉(Picea asperata)、冷杉(Abies fabri)、臭松(Symplocarpus foetidus)、长白赤松(Pinus sylvestris Linn. var. sylvestriformis)等;阔叶树主要是:椴树(Tilia tuan Szyszyl.)、柞树(Xylosma racemosum)、杨树(Populus L.)、枫桦(Betula costata)、白桦(Betula platyphylla)等;灌木主要是榛子(Corylus chinensis)、忍冬(Lonicera japonica Thunb.)、胡枝子(Lespedeza bicolor Turcz.)、绣线菊(Spiraea salicifolia)等。
2 材料与方法 2.1 数据来源及预处理本文使用2010年8月的3景HJ-1 CCD卫星影像(轨道号分别为:446-60,447-60,446-64)。首先利用ENVI软件中的FLAASH模型进行大气校正,然后以TM为参考影像用二次多项式法进行几何精纠正,纠正误差控制在0.5个像元,再利用DEM进行正射纠正,最后将3景HJ-1 CCD影像进行拼接和裁剪。
使用NASA(美国国家航空航天局)网站提供MODIS产品中的MOD13Q1_V005产品,MOD13Q1数据内容包括11个波段,为16天合成的陆地植被指数数据。分类所用数据为2010第81天到2010年第273天,该时间段正是吉林省东部地区植被的生长期。MODIS数据预处理主要有以下几个步骤:(1)格式转换,即利用ENVI软件提取原始数据中的NDVI指数层、近红外和中红外反射率层,并转换为ENVI软件HDR格式;(2)投影变换,即根据研究区地理位置和范围,将提取出的数据转换为与环境星数据相同的投影;(3)波段叠加,即将处理好的数据按照时间顺序进行排序叠加,整合为一个含有13个图层的时间序列数据。
2.2 高质量MODIS时间序列数据集的重构归一化植被指数(NDVI)是植被生长状态的最佳指示因子,与植被叶面积、生物量及覆盖度有密切的相关性,在同一区域,相同植被类型的物候特征相同,具有相近的NDVI时间序列曲线[15]。NDVI时间序列曲线是反映植被生物学特征相随时间变化的最佳指示因子,也是季节变化和人为活动影响的重要指示器[16]。其计算公式为:
式中,ρnir和ρred分别代表近红外和红波段的反射率。
Savizky-Golay(S-G)滤波是Savizky和Golay[17]1964年提出的一种最小二乘卷积拟合方法来平滑和计算一组相邻值或光谱值的导数。这个滤波器可以应用于任何具备相同间隔的连续且多少有些平滑的数据,NDVI的时间序列是满足此条件的。
图 2为对比S-G滤波迭代前后典型落叶阔叶林的NDVI曲线,可看出原始MODIS数据存在噪声,通过S-G滤波迭代,可以有效地平滑原NDVI曲线,最大程度地逼近初始包络线,反映出各种土地覆盖类型的NDVI的时序变化特征。
2.3 面向对象分类方法面向对象分类的操作平台是eCognition软件,它是由德国Definiens公司开发的,采用了面向对象、多尺度影像分割、模糊规则的处理与分析技术。
2.3.1 待分类影像数据集的重构将含有4个波段的HJ-1 CCD数据、含有13个 波段的MODIS-NDVI数据依次载入到eCognition软 件中,生成的待分类影像共17个图层。其中Layer 1— Layer 4为HJ-1 CCD的band 1—band 4;Layer 5—Layer 17依次为MODIS数据第81—273天的NDVI图像。
2.3.2 图像分割体系本文使用基于多尺度的图像分割方法。在多尺度分割中,尺度不同,生成的影像对象多边形的大小和数量也不同,一般而言,分割尺度值越大,所生成的对象层内多边形面积就越大且数目越小,反之亦然[18]。本研究仅HJ-1 CCD数据参与影像分割,4个波段的权重值均设置为1,其余波段的权重均为0。由于HJ-1 CCD数据空间分辨率是30m,能够识别地物的最小面积为900 m2,而MOD13Q1数据空间分辨率是250m,能够识别的最小面积为62500m2,是HJ-1 CCD数据的69.4倍,因此在对环境星数据分割时,选择一个最大分割尺度为70。环境星数据的分割尺度不仅要满足数据综合的需求,也要考虑地物自身的特征,因此本研究另外采用两种较小的分割尺度分别进行多尺度分割,分割参数如表 1所示,分割效果如图 3所示。
权重因子 Weight | 层次 Levels | ||
Level1 | Level2 | Level3 | |
分割尺度 Scale | 70 | 15 | 6 |
彩色因子 Color | 0.7 | 0.8 | 0.9 |
形状因子 Shape | 0.3 | 0.2 | 0.1 |
光滑度 Smooth | 0.6 | 0.6 | 0.6 |
紧致度 Compact | 0.4 | 0.4 | 0.4 |
应用单一时相的环境星数据很难区分森林的二级类型,因此本文引入植被物候信息对其进行分类。图 4是吉林省东部地区森林二级类型样本MODIS-NDVI时序数据曲线和HJ1-CCD光谱响应曲线。首先通过对HJ-1 CCD数据进行多尺度分割,获得影像对象,然后获取对象的物候信息,根据森林二级类型的物候信息特征和光谱信息特征进行面向对象的分类。具体步骤为:
首先,建立森林覆盖区域的掩膜,对森林覆盖区域进行多尺度分割,分割参数首先设置为表 1中的Level 1,测试分割参数是否合适。若不合适则参照Level 2、Level 3重新分割。
然后,参照图 4中森林二级类型样本MODIS-NDVI时序数据曲线和HJ-1 CCD光谱响应曲线,确定区分森林二级类型的特征值,完成森林植被二级类型的分类。图 4中,森林二级类型的参考样点森林覆盖率均在95%以上,可以视为无土壤背景干扰。如图 4所示,常绿针叶林与落叶针叶林的HJ-1 CCD光谱响应曲线相似,但MODIS-NDVI时序曲线差别明显;落叶阔叶林、针阔混交林、落叶灌木林的HJ-1 CCD光谱响应曲线相似,但是MODIS-NDVI时序曲线差异明显。因此分类过程中,首先根据HJ-1 CCD光谱响应曲线的特征将森林植被分成两大类,即针叶林和非针叶林。针叶林类型中,常绿针叶林的NDVI值在第81和97天明显高于落叶针叶林。非针叶林类型中,首先利用针阔混交林第81天的NDVI值明显小于其它两种类型建立规则,将针阔混交林分出;然后根据落叶阔叶林第129天的NDVI值明显高于落叶阔叶灌木林特征建立规则区分落叶阔叶林和落叶阔叶灌木林。本研究分类流程及具体分类规则和参数如图 5所示。
3 结果与分析 3.1 分类结果与精度评价本研究首先根据地物在HJ-1 CCD影像上的色调、纹理等特征,运用面向对象的方法,先进行多尺度分割,然后根据对象的光谱、形状、拓扑关系等特征,综合物候特征和地形特征对吉林省东部地区土地覆盖进行逐层分类,特别是森林二级类型的逐层分类,分类结果见图 6。
地面调查开展于2010年8月13日至23日、2011年8月5日到10日,两次野外作业共获得采样点506个,另外获取了吉林省环保部于2012年8月实地调查样点509个,样点共计1015个。由于吉林省东部地区森林二级类型年际变化不大,因此本研究认为这些样点均可反映2010年地表真实类型,其中308个采样点作为样本数据参与分类,余下707个样点作为验证点,样点类型全面,数量充足,采样点的空间分布均匀。利用ERDAS IMAGINE的Accuracy Assessment工具进行分类精度评价,得到分类精度评价结果,如表 2所示。吉林省东部地区土地覆盖分类的总体精度为91.5%,Kappa系数为0.88。其中落叶阔叶林的制图精度和用户精度均达到了90%以上,其它森林二级类型的分类精度均接近90%。
分类结果 Classification Results | 地表真实类型 Ground Truth | ||||||
12 | 13 | 14 | 15 | 22 | 非森林 | 合计 | |
落叶阔叶林Broadleaved Deciduous Forest (12) | 198 | 0 | 9 | 6 | 2 | 0 | 215 |
常绿针叶林Evergreen Coniferous Forest (13) | 0 | 60 | 0 | 2 | 0 | 1 | 63 |
落叶针叶林Deciduous Coniferous Forest (14) | 2 | 3 | 119 | 9 | 1 | 1 | 135 |
针阔混交林Mixed Broadleaf-conifer Forest (15) | 2 | 2 | 4 | 136 | 1 | 1 | 146 |
落叶灌木林Deciduous Shrub (22) | 1 | 4 | 1 | 4 | 52 | 1 | 63 |
非森林Non Forest | 1 | 0 | 1 | 1 | 0 | 82 | 85 |
合计 Total | 204 | 69 | 134 | 158 | 56 | 86 | 707 |
用户精度 User Accuracy/% | 92.1 | 95.2 | 88.1 | 93.2 | 82.5 | 96.5 | |
制图精度Producer Accuracy/% | 97.1 | 87.0 | 88.8 | 86.1 | 92.9 | 95.3 | |
总体精度 =91.51% Kappa=0.88 |
选取森林二级类型全面的典型区,截取HJ-1 CCD数据,输入eCognition软件,首先分别建立落叶阔叶林、常绿针叶林、落叶针叶林、针阔混交林、落叶灌木林样本,然后利用eCognition中自带的最邻近距离法分类器进行分类。图 7中A 为直接利用最邻近距离法的分类结果,B为本研究的分类结果。表 3 是无MODIS时序数据参与的分类精度评价表。通过图 7A、B和表 3可以得出,未加入MODIS数据的分类结果森林分布杂乱无章,特别是落叶阔叶林和落叶灌木林、落叶针叶林和常绿针叶林存在严重的混分现象;未加入MODIS-NDVI时序数据的分类结果受到地形背景的影响非常大。产生这种结果的原因主要有:(1)在HJ-1 CCD图像上各种森林类型的纹理、形态和拓扑特征十分相似;(2)由于HJ-1 CCD数据的波段有限,典型区的地势起伏较大,地形阴影对分类结果的影响非常大;(3)由于HJ-1 CCD数据光谱信息有限,落叶阔叶林和落叶灌木林光谱信息类似,同样落叶针叶林和常绿针叶林光谱信息相近。因此,常规的面向对象分类方法仅依靠图像的光谱、纹理、形态等空间信息很难区分森林二级类型。加入MODIS时序数据后,森林二级类型的物候特征得到充分利用,根据不同森林植被类型的物候特征不同,可以简便、准确地提取森林二级类型。
分类结果Classification results | 地表真实类型 Ground truth | ||||||
12 | 13 | 14 | 15 | 22 | 非森林 | 合计 | |
落叶阔叶林Broadleaved deciduous forest (12) | 15 | 0 | 3 | 6 | 4 | 0 | 28 |
常绿针叶林Evergreen coniferous forest (13) | 0 | 16 | 0 | 2 | 0 | 0 | 18 |
落叶针叶林Deciduous coniferous forest (14) | 0 | 4 | 11 | 7 | 0 | 0 | 22 |
针阔混交林Mixed Broadleaf-conifer Forest (15) | 3 | 0 | 1 | 17 | 3 | 0 | 24 |
落叶灌木林Deciduous shrub (22) | 5 | 2 | 1 | 1 | 11 | 3 | 23 |
非森林Non Forest | 0 | 0 | 0 | 0 | 0 | 2 | 2 |
合计 Total | 23 | 22 | 16 | 34 | 17 | 5 | 117 |
用户精度User accuracy/% | 53.6 | 88.9 | 50.0 | 70.8 | 47.8 | 100.0 | |
制图精度Producer accuracy/% | 65.2 | 72.7 | 68.7 | 51.5 | 64.7 | 40.0 | |
总体精度= 61.5% Kappa= 0.53 |
为解决森林二级类型遥感分类难题,本研究选取吉林省东部为研究区,将MODIS时序数据引入面向对象分类方法中,利用HJ-1 CCD数据的光谱、纹理、形态等特征和MODIS时序数据提供的物候特征进行土地覆盖类型的分类、特别是森林二级类型的分类。主要结论如下:
(1)在多尺度分割过程Level 1分割尺度为70,过大,分割结果包含较多的混合对象;而Level 3分割尺度为6,尺度较小,适合于人工表面和其它细小地物,而对于相对原始的吉林省东部森林植被类型并不合适,较小的尺度导致影像对象破碎,重要空间信息丢失;Level 2分割尺度为15,尺度中等,适于吉林省东部森林等植被对象的分割。
(2)与无MODIS时序数据参与的分类结果相比,加入了MODIS时序数据的分类结果具有更高的分类精度。本研究的总体分类精度达到91.5%,Kappa系数为0.88。其中落叶阔叶林与落叶灌木林主要通过第81天和第129天的NDVI值区分出来;常绿针叶林和落叶针叶林通过MODIS-NDVI时序数据的最小值区分。而无MODIS时序数据参与的分类,其总体分类精度为61.5%,Kappa系数为0.53,落叶阔叶林与阔叶灌木林,常绿针叶林和落叶针叶林混分严重。
需要注意的是,在森林二级类型特征值确定过程中,确保一个二级类型与其他类型分离的先决条件是每个森林二级类型都应有其特有的特征。显然这要求一种好的特征分析方法来分析大量特征,不仅能识别众多对象类的特有特征,更要能确定适宜分类的特征阈值强度。但是如此全面的特征分析法尚未在eCognition中实现,目前常用的方法是通过试错方式选择阈值,根据所获得的分类结果决定采用还是放弃。同样,本研究的分类规则集和参数设置具有区域适应性和卫星数据状态适应性,应用本方法对其它区域的森林二级类型进行分类时,需要采用试错法根据当地森林覆盖率、卫星数据状态等具体情况适当调整阈值。
本研究采用的基于面向对象方法融合HJ-1 CCD与MODIS时序数据的土地覆盖分类方法,不仅充分考虑了HJ-1 CCD数据的光谱、纹理、形状等信息,还充分利用了MODIS时序数据的物候信息,科学、有效地提高了森林二级类型的分类精度。与仅利用HJ-1 CCD数据的面向对象方法相比,其优越性已在3.2中阐述。本方法的缺点在于(1)在数据预处理过程中,必须对HJ-1 CCD数据和MODIS数据进行严格的配准,由于两种影像的分辨率差距较大,配准过程耗时较长;(2)由于MODIS数据空间分辨率较低,本方法适用于某种植被类型面积较大的区域,对于植被类型较为细碎的地物不甚适用。本研究的重点是对森林的二级类型进行分类,湿地、草地、耕地、人工表面等类型的分类规则与参数尚待深入研究。
[1] | Goodenough D G, Dyk A, Niemann K O, Pearlman J S, Chen H, Han T, Murdoch M, West C. Processing Hyperion and ALI for forest classification. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(6): 1321-1331. |
[2] | Feng H D. Remote Sensing Image Classification of Forest Vegetation based on Artificial Neural Networks and Fuzzy Classification [D]. Changchun: Northeast Normal University, 2009. |
[3] | Jing X, Wang J D, Wang J H, Huang W J, Liu L Y. Classifying forest vegetation using sub-region classification based on multi-temporal remote sensing images. Remote Sensing Technology and Application, 2008, 23(4): 394-397. |
[4] | Zhang C, Huang Q L, Zhu X L, Zhang X H, Pubu D Z, Dan Z. Remote sensing classification technique of shrub in Tibet based on ETM+ and DEM. Scientia Silvae Sinicae, 2011, 47(1): 15-21. |
[5] | Yan E P. Study on Extraction of Broad-levaed Forest Information based on Medium and High Spatial Resolution Remote Sensing Image [D]. Changsha: Central South University of Forestry and Technology, 2011. |
[6] | Chen Y H, Feng T, Shi P J, Wang J F. Classification of remot sensing image based on object oriented and class rules. Geomatics and Information Science of Wuhan University, 2006, 31(4): 316-320. |
[7] | Cao B, Qin Q M, Ma H J, Qiu Y F. Application of object-oriented approach to SPOT5 image classification: a case study in Haidian District, Beijing City. Geography and Geo-Information Science, 2006, 22(2): 46-54. |
[8] | Wang J F, Bao S T. Application of object-oriented interpretation to information classification on remote sensing image. Tropical Geography, 2006, 26(3): 234-238, 242-242. |
[9] | Bhaskaran S, Paramananda S, Ramnarayan M. Per-pixel and object-oriented classification methods for mapping urban features using IKONOS satellite data. Applied Geography, 2010, 30(4): 650-665. |
[10] | Han N, Wu J, Tahmassebi A R S, Xu H W, Wang K. NDVI-based lacunarity texture for improving identification of Torreya using object-oriented method. Agricultural Sciences in China, 2011, 10(9): 1431-1444. |
[11] | Mai K L, Zhang W H. Object-oriented classification approach for remote sensing imagery information extraction in Loess Hilly-gully Region. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(4): 153-158. |
[12] | Gamanya R, De Maeyer P, De Dapper M. Object-oriented change detection for the city of Harare, Zimbabwe. Expert Systems with Applications, 2009, 36(1): 571-588. |
[13] | Chen Y L, Mo W H, Mo J F, Wang J H, Zhong S Q. Object-oriented classification for the extraction of rice planting area in south. Remote Sensing Technology and Application, 2011, 26(2): 163-168. |
[14] | Gitas L Z, Mitri G H, Ventura G. Object-based image classification for burned area mapping of Creus Cape, Spain, using NOAA-AVHRR imagery. Remote Sensing of Environment, 2004, 92(3): 409-413. |
[15] | Zhang J, Ge J P, Guo Q X. The relation between the change of NDVI of the main vegetational types and the climatic factors in the northeast of China. Acta Ecologica Sinica, 2001, 21(4): 522-527. |
[16] | Zhao Y S. Principles and Methods of Remote Sensing Application. Beijing: Science Press, 2003. |
[17] | Savitzky A, Golay M J E. Smoothing and differentiation of data by simplified least squares procedures. Analytical Chemistry, 1964, 36(8): 1627-1639. |
[18] | Zhang J, Zhu G, Li Y. Scale effect and optimal scale in object-oriented information extraction of high spatial resolution remote sensing image. Science of Surveying and Mapping, 2011, 36(2): 107-109, 58-58. |
[2] | 冯恒栋. 基于人工神经网络和模糊分类的森林植被遥感图像分类研究 [D]. 长春: 东北师范大学, 2009. |
[3] | 竞霞, 王锦地, 王纪华, 黄文江, 刘良云. 基于分区和多时相遥感数据的山区植被分类研究. 遥感技术与应用, 2008, 23(4): 394-397. |
[4] | 张超, 黄清麟, 朱雪林, 张晓红, 普布顿珠, 旦增. 基于ETM+和DEM的西藏灌木林遥感分类技术. 林业科学, 2011, 47(1): 15-21. |
[6] | 陈云浩, 冯通, 史培军, 王今飞. 基于面向对象和规则的遥感影像分类研究. 武汉大学学报: 信息科学版, 2006, 31(4): 316-320. |
[7] | 曹宝, 秦其明, 马海建, 邱云峰. 面向对象方法在SPOT5遥感图像分类中的应用——以北京市海淀区为例. 地理与地理信息科学, 2006, 22(2): 46-54. |
[8] | 王建芳, 包世泰. 面向对象解译方法在遥感影像地物分类中的应用. 热带地理, 2006, 26(3): 234-238, 242-242. |
[11] | 买凯乐, 张文辉. 黄土丘陵沟壑区遥感影像信息面向对象分类方法提取. 农业机械学报, 2011, 42(4): 153-158. |
[13] | 陈燕丽, 莫伟华, 莫建飞, 王君华, 钟仕全. 基于面向对象分类的南方水稻种植面积提取方法. 遥感技术与应用, 2011, 26(2): 163-168. |
[15] | 张军, 葛剑平, 国庆喜. 中国东北地区主要植被类型NDVI变化与气候因子的关系. 生态学报, 2001, 21(4): 522-527. |
[16] | 赵英时. 遥感应用分析原理与方法. 北京: 科学出版社, 2003. |
[18] | 张俊, 朱国龙, 李妍. 面向对象高分辨率影像信息提取中的尺度效应及最优尺度研究. 测绘科学, 2011, 36(2): 107-109, 58-58. |