多光譜遙感影像植被覆蓋分類研究進展

閆利， 江維薇

(武漢大學測繪學院，武漢　430079)

多光譜遙感影像植被覆蓋分類研究進展

閆利， 江維薇

(武漢大學測繪學院，武漢430079)

摘要：利用多光譜遙感影像進行植被覆蓋分類是目前遙感技術(shù)應(yīng)用的熱點研究領(lǐng)域之一。在廣泛調(diào)研文獻的基礎(chǔ)上，綜述了近年來多光譜遙感影像植被分類研究現(xiàn)狀和進展，較全面深入地分析了各種植被分類特征、分類算法的優(yōu)缺點、適應(yīng)性和應(yīng)用情況，指出了當前面臨的難點和挑戰(zhàn)，并對未來發(fā)展趨勢進行了展望。未來多光譜遙感影像的植被分類不僅要從分類算法上進行創(chuàng)新，提高分類器的自動化程度、分類效率和學習速度，擴大適用范圍，增強魯棒性，而且同樣不能忽視對植被分類新特征的挖掘，提高特征的可分性，融合多源數(shù)據(jù)、利用多時相影像、挖掘更多新特征參與植被分類是未來的發(fā)展趨勢。

關(guān)鍵詞：多光譜遙感； 植被覆蓋； 分類特征； 分類方法

0引言

植被覆蓋分類對于研究全球氣候、生態(tài)、水文、環(huán)境、規(guī)劃、氣象和防災(zāi)減災(zāi)等具有重要意義[1]，是植被研究中最復(fù)雜的問題之一。目前，植被覆蓋分類常用的多光譜影像有Landsat TM，Landsat ETM+，SPOT，IKONOS，OrbView-3，QuickBird，GeoEge-1以及各種多光譜航片等。相對于雷達影像、高光譜影像，多光譜影像更易獲取，能夠同時滿足低成本、高時效、多尺度及多目的的植被分類。

隨著國際和國內(nèi)一系列植被調(diào)查研究工作的實施，多光譜影像越來越普遍深入地應(yīng)用于各種植被覆蓋分類中，特別是高分辨率多光譜影像，給植被分類帶來新的機遇和挑戰(zhàn)。中低分辨率多光譜影像主要用于大尺度植被群落級的分類，對于植被物種級分類比較困難[3]。高分辨率遙感影像能在較小的空間尺度上表達植被的細節(jié)變化，進行大比例尺制圖，不僅能夠用于區(qū)域尺度的植被群落級分類，對于局部小尺度物種級植被精細分類更具潛力[5]。

本文在廣泛調(diào)研國內(nèi)外文獻的基礎(chǔ)上，概括和歸納了目前多光譜影像植被覆蓋分類研究現(xiàn)狀，分析了當前面臨的難點和挑戰(zhàn)，并對未來的發(fā)展趨勢進行了展望，旨在為多光譜遙感影像植被覆蓋分類技術(shù)研究的深化提供參考。

1植被分類特征

植被分類特征主要包括光譜特征、空間特征、時間特征等。光譜特征是目前比較成熟、使用最廣泛的分類特征，空間特征的研究尚處于初步探索階段，時間特征由于多時相數(shù)據(jù)獲取的成本和天氣因素等限制也較滯后。此外，在多光譜遙感影像植被覆蓋分類中，必需而適宜的輔助數(shù)據(jù)常常被視作“額外的分類特征”。

1.1光譜特征

在植被分類中，除了原始波段的灰度值，各種基于植被光譜反射特性的植被指數(shù)在多光譜遙感影像植被分類中發(fā)揮了重要作用，然而每種植被指數(shù)都有一定的適用范圍。如比值植被指數(shù)(ratio vegetation index，RVI)沒有考慮外部諸多因子的影響，對土壤、大氣輻射效應(yīng)的影響敏感，并且當植被覆蓋度小于30%時，不能較好地區(qū)分植被； 歸一化差值植被指數(shù)(normalized difference vegetation index，NDVI)適用于全球或各大陸等大空間尺度的植被動態(tài)監(jiān)測，但是對土壤背景的變化較為敏感[8]； 大氣阻抗植被指數(shù)(atmospherically resistant vegetation index，ARVI)進行預(yù)處理時需要的大氣實況參數(shù)往往較難獲得； 增強型植被指數(shù)(enhanced vegetation index，EVI)受限于傳感器的限制，要求必須含有藍色波段等。植被指數(shù)多用于植被與非植被的區(qū)分，對于更精細的植被類別，往往難以進行有效區(qū)分。

1.2空間特征

空間特征主要包括地物影像的紋理、形狀、大小、結(jié)構(gòu)等特征。由于遙感影像上植被的復(fù)雜性和多樣性，植被的空間特征往往難以進行準確的算法描述。目前，除了紋理特征外，其他空間特征在植被覆蓋分類中少有報道。

紋理分析方法大多是針對較規(guī)則的人工紋理圖像提出的，對遙感影像上紋理極其復(fù)雜多變的自然地物，往往應(yīng)用受限。在植被覆蓋分類中，只有灰度共生矩陣、Gabor變換、馬爾科夫隨機場等紋理特征得到較多的應(yīng)用[9]，常常作為光譜特征的輔助特征，能夠在一定程度上提高植被覆蓋分類的精度。

1.3時間特征

目前，植被遙感分類中時間特征的研究剛剛起步，主要是基于植被物候現(xiàn)象的多時相光譜變化分析，例如NDVI的時間變化曲線[12]等，并且針對農(nóng)作物和落葉林的探索相對較多[13]，而其他植被種類(如常綠林、草地等)探索較少。同時，植被物候現(xiàn)象同樣也不能忽視多時相空間變化分析，例如幼樹與成樹的葉形態(tài)不同，構(gòu)成的紋理粗細也不一樣。因此，獲取包含植物生長季節(jié)變化在內(nèi)的連續(xù)觀測數(shù)據(jù)，結(jié)合物候?qū)W，深入挖掘植被的各種時間特征是未來的研究趨勢。

1.4輔助數(shù)據(jù)

在遙感影像植被分類中，適當結(jié)合一些非遙感信息能夠有效增強植被的類別可分性，提高分類精度。例如根據(jù)各種植被的生長習性可以限定分布區(qū)域從而達到植被類別的區(qū)分： 一些類別的垂柳等主要分布在河岸等地形凹陷的水系旁，因此可以利用高程、坡度、坡向以及與水道的距離等地形信息的輔助數(shù)據(jù)來作為額外的特征進行區(qū)分。輔助數(shù)據(jù)類型眾多，常用于植被分類中的主要有土壤類型信息、地形信息以及歷史數(shù)據(jù)等，如高程、坡度、坡向、地質(zhì)、土地覆蓋歷史數(shù)據(jù)、GIS提供的空間數(shù)據(jù)等。

2分類方法

傳統(tǒng)的圖像分類算法有K均值法、ISODATA算法、最小距離分類法、極大似然分類法等，多應(yīng)用于中低分辨率遙感影像的大尺度群落級植被覆蓋整體分類。非參數(shù)的分類新方法，如人工神經(jīng)網(wǎng)絡(luò)、支持向量機、決策樹分類、專家系統(tǒng)、組合分類器等不依賴于特征點的分布特性，在復(fù)雜的地表環(huán)境下能夠獲得比傳統(tǒng)分類器更高的分類精度[14]，對于更精細的植被物種級分類表現(xiàn)有更大的潛力。

人工神經(jīng)網(wǎng)絡(luò)具有較強的學習、存儲、容錯、非線性處理能力以及不受數(shù)據(jù)統(tǒng)計特性的影響，在復(fù)雜的植被制圖中是一種較有效的植被信息提取方法[17]，常用于森林結(jié)構(gòu)分類[18]、樹木死亡率調(diào)查[19]、植被生長和病蟲害動態(tài)監(jiān)測[20]等。但其分類時間復(fù)雜度高，處理大數(shù)據(jù)量困難，參數(shù)難以確定，存在局部極值問題和過擬合問題。

支持向量機(support vector machine，SVM)適用于小樣本統(tǒng)計學習，很大程度上解決了維數(shù)災(zāi)難問題，泛化性能高，較好地解決了神經(jīng)網(wǎng)絡(luò)的過擬合問題。因其良好的穩(wěn)定性和具有相對較高的精度，在植被分類中得到廣泛的應(yīng)用[21]，對于純樣本不足的植被分類，例如森林林型分類中易出現(xiàn)混交林，在影像上只能選取有限的針葉林、闊葉林和竹林等純像元樣本，SVM表現(xiàn)出一定的優(yōu)勢[23]。但是，SVM在核函數(shù)選擇和參數(shù)設(shè)置上缺乏理論依據(jù)以及推廣到多類分類上存在分類效率低的問題。

決策樹分類器結(jié)構(gòu)清晰簡單、規(guī)則直觀易理解，對于輸入數(shù)據(jù)空間特征和分類標識具有很好的彈性和穩(wěn)健性。因此，決策樹算法常常用于輔助數(shù)據(jù)充足，植被類型與其他自然條件(土壤類型、地形因子等)緊密相關(guān)的植被分類問題，例如在能夠獲取植被生長規(guī)律、物候參數(shù)、地表溫度和高程、坡度等一些輔助數(shù)據(jù)的情況下，常常通過建立決策樹分類體系來實現(xiàn)植被分類[24]。但決策樹算法基礎(chǔ)比較復(fù)雜，對樣本的數(shù)量和質(zhì)量具有較強的依賴。

專家系統(tǒng)能夠綜合利用多種類型的數(shù)據(jù)，得到越來越多的重視。但是由于構(gòu)建知識庫的龐大耗費(費時費力以及輔助數(shù)據(jù)成本花費高等)和知識庫的通用性問題，目前利用專家系統(tǒng)進行植被分類往往事與愿違，在植被分類中的應(yīng)用較少，多是在針對特定植被類型[27]或特定區(qū)域[28]時才用。

近年來，組合分類器開發(fā)已經(jīng)成為一個重要的研究課題，它為遙感影像的植被分類提供了一個新的選擇[29]。但是多分類器組合方法和技術(shù)尚處在初步實驗階段，缺乏理論指導，例如如何提出有效的規(guī)則來組合子分類器的分類結(jié)果，以獲得更高的精度是組合分類器仍需深入研究的一個關(guān)鍵問題。

3植被分類面臨的困難和挑戰(zhàn)

3.1遙感影像植被類別定義的問題

植被分類是植被生態(tài)學研究中最復(fù)雜、充滿爭論的問題之一，直到現(xiàn)在并沒有一個能為該領(lǐng)域?qū)＜夜餐邮艿摹⒔y(tǒng)一的分類系統(tǒng)[30]。植被分類往往只能針對不同的目的和需求，采用不同的分類系統(tǒng)，如以土地利用調(diào)查為目的的植被分類通常采用GB/T21010—2007標準，而林業(yè)樹種調(diào)查、農(nóng)作物識別等更多的植被分類問題尚無固定分類標準。Heinl[31]等通過實驗證明了正確定義類別對于影像分類的重要性。在遙感影像上清晰準確定義植被類別，降低模糊性是獲得良好分類精度的前提，但目前對于這一問題尚沒有理論可依。Wilkinson[32]指出類別是人類賦予的概念，與衛(wèi)星傳感器接收和量測的物理信號并沒有直接關(guān)系。類別定義與影像之間的矛盾是導致遙感影像植被分類復(fù)雜的主要原因。

3.2遙感數(shù)據(jù)本身的局限性

遙感影像承載的信息量有限，主要包含光譜、空間和時間信息，并且一種遙感數(shù)據(jù)難以同時兼顧光譜、空間和時間分辨率，例如高光譜影像往往空間分辨率不高，而高空間分辨率影像往往光譜信息相對不足[33]。遙感影像包含的信息僅僅是植被信息的一部分，更多的如植被的生長習性、地形土壤條件等信息卻是遙感影像所鞭長莫及的，而這些信息恰恰都是植被可辨識的重要信息。遙感數(shù)據(jù)本身具有的局限性，造成信息的缺損是植被分類問題復(fù)雜的因素之一。融合多源遙感數(shù)據(jù)、添加非遙感信息的輔助數(shù)據(jù)以增強植被的可分性是提高植被分類水平的一個重要手段。

3.3植被分類特征問題

目前，在多光譜遙感影像植被分類中，空間特征和時間特征不足嚴重制約了植被分類水平，僅依靠光譜特征和部分空間特征(紋理特征)只能完成相對簡單和中度復(fù)雜的植被的分類任務(wù)，如植被與非植被的區(qū)分等。對更加復(fù)雜的植被精細類別區(qū)分等問題，由于各種植被類別具有相似的光譜特征，并且涉及到更復(fù)雜的空間關(guān)系，必須借助更多的空間和時間特征信息。

此外，植被特征的研究缺乏針對性，沒有充分考慮植被特性，造成特征可分性不強。除植被指數(shù)[34]外，植被特征的研究大多沿用數(shù)字圖像處理中的特征，既未有效地結(jié)合多光譜影像的特點，也沒有針對植被特性進行分析，因此對植被的區(qū)分能力較弱。例如紋理特征雖然提出了大量算法，但是針對植被的紋理分析寥寥無幾，從而導致在植被分類的實際應(yīng)用中，紋理特征尚無法起到顯著的作用，往往只能作為提高精度的補充特征之一。

3.4植被分類的自動化問題

自動化問題是遙感分類中經(jīng)久不衰的研究熱點和難點。Datcu[35]提出以人為中心的概念，認為目前階段還不能以計算機代替人，如遇到復(fù)雜的情況時，計算機不能像人(尤指相關(guān)領(lǐng)域的專家和專業(yè)技術(shù)人員)那樣進行準確的分析，不具備人的高超的視覺能力[36]。目前，植被分類不僅無法脫離人工干預(yù)，而且對操作人員的專業(yè)能力要求高。一個完整的植被分類從選擇合適的影像數(shù)據(jù)和訓練樣本，進行圖像預(yù)處理，確定分類方法，提取分類特征，進行分類后處理，直到精度評價等[37]都離不開工作人員的經(jīng)驗和專業(yè)知識。專家系統(tǒng)的開發(fā)為植被的自動化分類帶來了新的機遇，但是由于植被是一種極其復(fù)雜的自然現(xiàn)象，具有多樣性和變化性，考慮地域、時間、傳感器等因素，要構(gòu)建通用性較高的知識庫是一項十分困難而艱巨的工作，現(xiàn)階段要完全實現(xiàn)植被分類自動化尚有一定困難。基于這一點，針對植被的多樣性，在分類中充分融合操作人員的專業(yè)知識和經(jīng)驗，盡可能地減少人工干預(yù)次數(shù)，降低對操作員專業(yè)度的依賴，這將會大大促進植被分類的實用性、應(yīng)用范圍和生產(chǎn)效率的提高。

3.5植被分類的精細化程度

目前，多光譜影像植被分類主要停留在群落級，物種級分類較少。以GB/T21010—2007標準為例，一級植被類包括林地、草地、園地等，進一步細分成二級植被類，如林地的二級類別包括有林地、灌木林地、其他林地等。國內(nèi)外相關(guān)文獻主要集中在植被與非植被類別的區(qū)分[38]，一級植被分類也有相關(guān)研究[5]，而植被二級分類以及更精細的類別區(qū)分較少。植被精細類別區(qū)分除了要借助高分辨率影像外，對參與分類的植被特征、分類方法具有更高的要求。近幾十年來，雖然出現(xiàn)了大量的分類特征和分類算法，但是仍然無法滿足植被精細化分類的需求，植被精細分類回到了主要依靠人工目視解譯的階段。植被特征和分類算法上的突破是提高植被分類精細化程度的關(guān)鍵。

3.6輔助數(shù)據(jù)問題

必要的輔助數(shù)據(jù)作為額外的分類特征，能夠增強光譜相似地物的類別可分性[41]，顯著提高遙感影像的整體分類精度[43]，甚至一些特定的輔助數(shù)據(jù)能夠?qū)崿F(xiàn)分類樣本的自動采集，能有效地提高分類的自動化程度[45]。

但是，現(xiàn)有的輔助數(shù)據(jù)在時間和空間上的覆蓋范圍小、時效性差、不夠完備，限制了在遙感影像植被分類中的實際應(yīng)用。例如對地震或洪災(zāi)等地區(qū)進行災(zāi)后植被分類，往往難以獲取實時地形資料； 又如土壤類型、地表溫度、降雨量等輔助數(shù)據(jù)的覆蓋范圍、時效性等常常難以滿足遙感分類的需求。其次，輔助數(shù)據(jù)的質(zhì)量常常會被忽略。在遙感影像植被分類中，通常默認所采用的輔助數(shù)據(jù)反映了真實情況而具有可靠性，并不考慮輔助數(shù)據(jù)本身的精度對植被分類最終精度的影響。因此，必須充分了解輔助數(shù)據(jù)的誤差范圍及其影響程度，否則會使分類結(jié)果適得其反。然而目前在許多研究和應(yīng)用實踐中，輔助數(shù)據(jù)的準確性、精確度以及代表性等并未得到應(yīng)有重視。

3.7通用性問題

一個完整的植被分類方法(包括分類特征計算、分類器選擇等)能夠在多大范圍通用，決定了該方法的實用性。限制植被分類方法通用性的主要原因有： ①植被分類特征和分類器計算中多涉及復(fù)雜的參數(shù)設(shè)置，如基于對象分類中的分割參數(shù)[47]、模糊自適應(yīng)共振網(wǎng)絡(luò)分類中警戒線、學習率等參數(shù)[48]，以及各種特征計算中的閾值、窗口大小、方向參數(shù)等[49]，參數(shù)設(shè)置缺乏足夠的理論依據(jù)，只能根據(jù)經(jīng)驗和不斷試驗來設(shè)置，穩(wěn)定性較差，需要不斷重新設(shè)定。②植被分類方法存在實驗驗證不充分的問題。許多研究通常基于當前處理的一幅或幾幅影像考慮，存在一定的片面性，而后通過有限的實驗來驗證方法的適用性，也往往不充分。

4展望

隨著遙感技術(shù)的不斷發(fā)展，信息的獲取將越來越容易、越來越全面，融合多源數(shù)據(jù)、利用多時相影像來挖掘更多新特征參與植被分類是未來的發(fā)展趨勢，而更多新問題也將展現(xiàn)在研究人員面前。技術(shù)的革新(研究更先進的分類器、獲取更高分辨率的影像等)無法解決植被遙感分類中的所有問題，但是能夠有效地提高目前的分類水平。未來多光譜遙感影像的植被分類不僅要從分類算法上進行創(chuàng)新，提高分類器的自動化程度、分類效率、學習速度，擴大適用范圍，增強魯棒性，而且同樣不能忽視植被分類新特征的挖掘，提高特征的可分性。

參考文獻(References)：

[1]李鈺溦,賈坤,魏香琴,等.中國北方地區(qū)植被覆蓋度遙感估算及其變化分析[J].國土資源遙感,2015,27(2):112-117.doi:10.6046/gtzyyg.2015.02.18.

Li Y W,Jia K,Wei X Q,et al.Fractional vegetation cover estimation in northern China and its change analysis[J].Remote Sensing for Land and Resources,2015,27(2):112-117.doi:10.6046/gtzyyg.2015.02.18.

[2]嚴婷婷,邊紅楓,廖桂項,等.森林濕地遙感信息提取方法研究現(xiàn)狀[J].國土資源遙感,2014,26(2):11-18.doi:10.6046/gtzyyg.2014.02.03.

Yan T T,Bian H F,Liao G X,et al.Research status of methods for mapping forested wetlands based on remote sensing[J].Remote Sensing for Land and Resources,2014,26(2):11-18.doi:10.6046/gtzyyg.2014.02.03.

[3]Kalliola R,Syrjanen K.To what extent are vegetation types visible in satellite imagery?[J].Annales Botanici Fennici,1991,28(1):45-57.

[4]Harvey K R,Hill G J E.Vegetation mapping of a tropical freshwater swamp in the Northern Territory,Australia:A comparison of aerial photography,Landsat TM and SPOT satellite imagery[J].International Journal of Remote Sensing,2001,22(15):2911-2925.

[5]田新光,張繼賢,張永紅.基于IKONOS影像的海岸帶土地覆蓋分類[J].遙感信息,2007(5):44-47.

Tian X G,Zhang J X,Zhang Y H.Land use/land cover classification of coastal zone using object oriented method based on IKONOS imagery[J].Remote Sensing Information,2007(5):44-47.

[6]張友水,馮學智,都金康,等.IKONOS影像在城市綠地提取中的應(yīng)用[J].地理研究,2004,23(2):274-280.

Zhang Y S,Feng X Z,Du J K,et al.Study on extraction of urban green space from IKONOS remote sensing images[J].Geographical Research,2004,23(2):274-280.

[7]Zhang X Y,Feng X Z,Jiang H.Object-oriented method for urban vegetation mapping using IKONOS imagery[J].International Journal of Remote Sensing,2010,31(1/2):177-196.

[8]Baret F,Guyot G.Potentials and limits of vegetation indices for LAI and APAR assessment[J].Remote Sensing of Environment,1991,35(2/3):161-173.

[9]Daliman S,Rahman S A,Bakar S A,et al.Segmentation of oil palm area based on GLCM-SVM and NDVI[C]//Proceedings of the IEEE Region 10 Symposium.Kuala Lumpur:IEEE,2014:645-650.

[10]黃秋燕,肖鵬峰,馮學智,等.一種基于TV-Gabor模型的高分辨率遙感圖像農(nóng)田信息提取方法[J].遙感信息,2014,29(2):79-84,90.

Huang Q Y,Xiao P F,Feng X Z,et al.Cropland information extraction from high resolution remote sensing image based on TV-Gabor model[J].Remote Sensing Information,2014,29(2):79-84,90.

[11]Wu Y,Wang C H,Yu L,et al.Using MRF approach to wetland classification of high spatial resolution remote sensing imagery:A case study in Xixi Westland National Park,Hangzhou,China[C]//Proceedings of the Second IITA International Conference on Geoscience and Remote Sensing.Qingdao:IEEE,2010,2:525-528.

[12]蔡學良,崔遠來.基于異源多時相遙感數(shù)據(jù)提取灌區(qū)作物種植結(jié)構(gòu)[J].農(nóng)業(yè)工程學報,2009,25(8):124-130.

Cai X L,Cui Y L.Crop planting structure extraction in irrigated areas from ulti-sensor and multi-temporal remote sensing data[J].Transactions of the Chinese Society of Agricultural Engineering,2009,25(8):124-130.

[13]Zhong L H,Gong P,Biging G S.Efficient corn and soybean mapping with temporal extendability:A multi-year experiment using Landsat imagery[J].Remote Sensing of Environment,2014,140:1-13.

[14]Murthy C S,Raju P V,Badrinath K V S.Classification of wheat crop with multi-temporal images:Performance of maximum likelihood and artificial neural networks[J].International Journal of Remote Sensing,2003,24(23):4871-4890.

[15]Ayhan E,Kansu O.Analysis of image classification methods for remote sensing[J].Experimental Techniques,2012,36(1):18-25.

[16]Szuster B W,Chen Q,Borger M.A comparison of classification techniques to support land cover and land use analysis in tropical coastal zones[J].Applied Geography,2011,31(2):525-532.

[17]Filippi A M,Jensen J R.Fuzzy learning vector quantization for hyperspectral coastal vegetation classification[J].Remote Sensing of Environment,2006,100(4):512-530.

[18]Lindeman M,Liu J,Qi J,et al.Using artificial neural networks to map the spatial distribution of understorey bamboo from remote sensing data[J].International Journal of Remote Sensing,2004,25(9):1685-1700.

[19]Gopal S,Woodcock C.Remote sensing of forest change using artificial neural networks[J].IEEE Transactions on Geoscience and Remote Sensing,1996,34(2):398-404.

[20]Hilbert D W,Ostendorf B.The utility of artificial neural networks for modelling the distribution of vegetation in past,present and future climates[J].Ecological Modelling,2001,146(1/3):311-327.

[21]Kuemmerle T,Chaskovskyy O,Knom J,et al.Forest cover change and illegal logging in the Ukrainian Carpathians in the transition period from 1988 to 2007[J].Remote Sensing of Environment,2009,113(6):1194-1207.

[22]Su L H.Optimizing support vector machine learning for semi-arid vegetation mapping by using clustering analysis[J].ISPRS Journal of Photogrammetry and Remote Sensing,2009,64(4):407-413.

[23]王修信,秦麗梅,羅玲,等.遙感圖像森林林型SVM分類的多特征選擇[J].計算機工程與應(yīng)用,2013,49(20):259-262.

Wang X X,Qin L M,Luo L,et al.Multi-feature selection in remote sensing forest species classification with SVM[J].Computer Engineering and Applications,2013,49(20):259-262.

[24]Joy S M,Reich R M,Reynolds R T.A non-parametric,supervised classification of vegetation types on the Kaibab National Forest using decision trees[J].International Journal of Remote Sensing,2003,24(9):1835-1852.

[25]De Colstoun E B,Story M H,Thompson C,et al.Vegetation mapping using multi-temporal ETM+ data and a decision tree classifier[C]//2002 IEEE International Geoscience and Remote Sensing Symposium.Toronto,Ontario,Canada:IEEE,2002,5:2890-2892.

[26]孫小添,邢艷秋,李增元,等.基于MODIS影像的決策樹森林類型分類研究[J].西北林學院學報,2013,28(6):139-144.

Sun X T,Xing Y Q,Li Z Y,et al.Forest type classification by decision tree based on MODIS images[J].Journal of Northwest Forestry University,2013,28(6):139-144.

[27]張雪紅.基于知識與規(guī)則的紅樹林遙感信息提取[J].南京信息工程大學學報:自然科學版,2011,3(4):341-345.

Zhang X H.Remote sensing information extraction of mangrove based on knowledge and rules[J].Journal of Nanjing University of Information Science & Technology:Natural Science Edition,2011,3(4):341-345.

[28]甘淑,袁希平,何大明.遙感專家分類系統(tǒng)在滇西北植被信息提取中的應(yīng)用試驗研究[J].云南大學學報:自然科學版,2003,25(6):553-557.

Gan S,Yuan X P,He D M.An application of vegetation classification in Northwest Yunnan with remote sensing expert classifier[J].Journal of Yunnan university:Natural sciences edition,2003,25(6):553-557.

[29]藍曉丹.面向?qū)ο蟮腟POT5遙感圖像多分類器森林分類研究[D].南寧:廣西大學,2010.

Lan X D.Multiple Classier Combination Forest Classification of SPOT5 Remote Sensing Image Based on Object-oriented Approach[D].Nanning:Guangxi University,2010.

[30]宋永昌.中國常綠闊葉林分類試行方案[J].植物生態(tài)學報,2004,28(4):435-448.

Song Y C.Tentative classification scheme of evergreen broad-leaved forests of china[J].Acta Phytoecologica Sinica,28(4):435-448.

[31]Heinl M,Walde J,Tappeiner G,et al.Classifiers vs input variables-The drivers in image classification for land cover mapping[J].International Journal of Applied Earth Observation and Geoinformation,2009,11(6):423-430.

[32]Wilkinson G G.Results and implications of a study of fifteen years of satellite image classification experiments[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(3):433-440.

[33]董廣軍,張永生,范永弘.PHI高光譜數(shù)據(jù)和高空間分辨率遙感圖像融合技術(shù)研究[J].紅外與毫米波學報,2006,25(2):123-126.

Dong G J,Zhang Y S,Fan Y H.Image fusion for hyperspectral date of PHI and high-resolution aerial image[J].Journal of Infrared and Millimeter Waves,2006,25(2):123-126.

[34]郭鈮.植被指數(shù)及其研究進展[J].干旱氣象,2003,21(4):71-75.

Guo N.Vegetation index and its advances[J].Arid Meteorology,2003,21(4):71-75.

[35]Datcu M,Seidel K.Human-centered concepts for exploration and understanding of earth observation images[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(3):601-609.

[36]舒寧.關(guān)于遙感影像處理智能系統(tǒng)的若干問題[J].武漢大學學報:信息科學版,2011,36(5):527-530.

Shu N.Some aspects of intelligent system for remote sensing image processing[J].Geomatics and Information Science of Wuhan University,2011,36(5):527-530.

[37]Lu D S,Weng Q H.A survey of image classification methods and techniques for improving classification performance[J].International Journal of Remote Sensing,2007,28(5):823-870.

[38]Cakir H I,Khorram S,Nelson S A.Correspondence analysis for detecting land cover change[J].Remote Sensing of Environment,2006,102(3):306-317.

[39]Zheng C H,Zeng C S,Chen Z Q,et al.A study on the changes of landscape pattern of estuary wetlands of the Minjiang River[J].Wetland Science,2006,4(1):29-34.

[40]Schroeder T A,Cohen W B,Song C H,et al.Radiometric correction of multi-temporal Landsat data for characterization of early successional forest patterns in western Oregon[J].Remote Sensing of Environment,2006,103(1):16-26.

[41]Cohen Y,Shoshany M.Integration of remote sensing,GIS and expert knowledge in national knowledge-based crop recognition in Mediterranean environment[J].International Archives of Photogrammetry and Remote Sensing,2000,33:280-286.

[42]Raclot D,Colin F,Puech C.Updating land cover classification using a rule-based decision system[J].International Journal of Remote Sensing,2005,26(7):1309-1321.

[43]Recio J A,Hermosilia T,Ruiz L A,et al.Analysis of the addition of qualitative ancillary data on parcel-based image classification[J].International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences,2009,38:1-4.

[44]Saha A K,Arora M K,Csaplovics E,et al.Land cover classification using IRS LISS III image and DEM in a rugged terrain:A case study in Himalayas[J].Geocarto International,2005,20(2):33-40.

[45]Walter V.Automatic change detection in GIS databases based on classification of multispectral data[J].International Archives of Photogrammetry and Remote Sensing,2000,33:1138-1145.

[46]Heipke C,Straub B.Towards the automatic GIS update of vegetation areas from satellite imagery using digital landscape model as prior information[J].Automatic Extraction of GIS Objects from Digital Imagery,1999,32:167-174.

[47]Peng P,Gao W,Liu X G,et al.An improved strategy for object-oriented multi-scale remote sensing image segmentation[C]//Proceedings of the1st International Conference on Information Science and Engineering.Nanjing:IEEE,2009,1149-1152.

[48]駱劍承,王欽敏,周成虎,等.基于自適應(yīng)共振模型的遙感影像分類方法研究[J].測繪學報,2002,31(2):145-150.

Luo J C,Wang Q M,Zhou C H,et al.Adaptive resonance theory for classification of remotely sensed image[J].Acta Geodaetica et Cartographic Sinica,2002,31(2):145-150.

[49]薄華,馬縛龍,焦李成.圖像紋理的灰度共生矩陣計算問題的分析[J].電子學報,2006,34(1):155-158.

Bo H,Ma F L,Jiao L C.Research on computation of GLCM of image texture[J].Acta Electronica Sinica,2006,34(1):155-158.

(責任編輯： 李瑜)

Progress in the study of vegetation cover classification of multispectral remote sensing imagery

YAN Li, JIANG Weiwei

(SchoolofGeodesyandGeomatics,WuhanUniversity,Wuhan430079,China)

Abstract:Vegetation cover classification using multispectral remote sensing imagery is a hot research area, in which various new methods emerge endlessly. On the basis of reading a large number of references, the authors summarized in this paper the status and progress of vegetation cover classification with multispectral remote sensing imagery, analyzed advantages and disadvantages, adaptation and application of each vegetation classification feature and method, pointed out current difficulties and challenge, and predicted future development trend. The analysis suggests that future vegetation cover classification of multispectral remote sensing imagery needs not only innovation of classifier in the aspects of improvement of automation, efficiency, learning rate, adaptation and robustness, but also feature mining of vegetation classification. For the purpose of enhancing such aspects as using feature reparability and fusing multisource data, the adoption of multi-temporal images and the tapping of more new features in vegetation classification seem to be future trends.

Keywords:multispectral remote sensing; vegetation cover; classification feature; classification methods

doi:10.6046/gtzyyg.2016.02.02

收稿日期：2014-10-18；

修訂日期：2015-03-20

中圖法分類號：TP 79

文獻標志碼：A

文章編號：1001-070X(2016)02-0008-06

第一作者簡介：閆利(1966-)，男，教授，主要從事攝影測量、遙感圖像處理和三維激光成像掃描測量技術(shù)的研究。Email: lyan@sgg.whu.edu.cn。

通信作者：江維薇(1988-)，女，博士研究生，主要從事遙感圖像處理方面的研究。Email: 626834986@qq.com。

引用格式： 閆利，江維薇.多光譜遙感影像植被覆蓋分類研究進展[J].國土資源遙感,2016,28(2):8-13.(Yan L,Jiang W W.Progress in the study of vegetation cover classification of multispectral remote sensing imagery[J].Remote Sensing for Land and Resources,2016,28(2):8-13.)