文献类型：期刊文章

作　　者：黄邵东[1] 徐伟恒[1,2,3] 熊源[1] 吴超[1] 代飞[1,2,3] 徐海峰[1] 王雷光[2,3] 寇卫利[1]

HUANG Shao-dong;XU Wei-heng;XIONG Yuan;WU Chao;DAI Fei;XU Hai-feng;WANG Lei-guang;KOU Wei-li(College of Big Data and Intelligent Engineering,Southwest Forestry University,Kunming 650233,China;Institute of Big Data and Artificial Intelligence,Southwest Forestry University,Kunming 650233,China;Key Laboratory of National Forestry and Grassland Administration on Forestry and Ecological Big Data,Southwest Forestry University,Kunming 650233,China)

机构地区：[1]西南林业大学大数据与智能工程学院,云南昆明650233 [2]西南林业大学大数据与智能工程研究院,云南昆明650233 [3]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

出　　处：《光谱学与光谱分析》

基　　金：国家自然科学基金项目(32060320,31860181,31860182,31760181,61702442);云南省重大科技专项计划项目(202002AD080002,2019ZE005);云南省应用基础研究项目(2018FB105);云南省教育厅科学研究基金项目(2020Y0378);西南林业大学科研启动基金项目(111821)资助。

年　　份：2021

卷　　号：41

期　　号：8

起止页码：2565-2571

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、PUBMED、RCCSE、SCIE、SCOPUS、WOS、ZGKJHX、核心刊

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ED3_(Modified))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(OA)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UA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。

关 键 词：茶园 面向对象 GF-1  纹理特征 空间特征  多光谱 监督分类  

分 类 号：TP751.2]