基于多時相遙感數據的吉林西部土地覆被分類提取

李曉東，姜琦剛

（1. 吉林大學地球探測科學與技術學院，長春 130012； 2. 白城師范學院，白城 137000）

基于多時相遙感數據的吉林西部土地覆被分類提取

李曉東1,2，姜琦剛1※

（1. 吉林大學地球探測科學與技術學院，長春 130012； 2. 白城師范學院，白城 137000）

為深化計算機自動提取土地覆被類型在遙感分類研究中的應用，以吉林西部的鎮賚縣為試驗區，利用Landsat8多時相遙感數據的季節變化信息、地表植被、水體與土壤等特征參量，構建多維分類特征數據集對試驗區進行土地覆被分類研究，提取了11種地表覆被類型。結果表明：1）多維變量組合方案的總體分類精度為95.50%，Kappa系數為0.9504。該方案自動提取地類達到了一個比較理想的分類結果，方案有效可行；2）方案中，3個主要特征分類變量的引入能很好改善易混淆地類的可分性，尤其，地表植被季節變化信息和土地信息的引入能明顯提高土地覆被的分類精度；3）實際情況表明，引入的分類特征量不是越多越好，只有將多種分類特征有效結合才能夠提高土地覆被分類精度。該文為農牧交錯帶上的土地覆被遙感監測提供了一個可行的方案，該方案有效可行。

遙感；植被；算法；吉林西部；多時相遙感圖像；土地覆被分類；物候信息

0 引言

土地利用/土地覆被分類研究一直是受全球關注的核心和熱點領域[1]。隨著3S技術的迅猛發展，全球范圍的土地覆蓋分類得到深入研究，并積累了多尺度土地覆蓋分類的豐富經驗[2-4]。近年來3S技術的迅猛發展大大拓寬了傳統地表生態遙感監測的視野，推進了常規方法的研究深度，同時也顯示了3S技術作為一種新型監測手段和途徑的未來發展潛力。遙感技術的發展使大區域、長時間序列的變化監測成為可能。光譜數據為地表植被相關研究提供了更豐富的數據源[5-7]。索玉霞等[8]基于2006年250 m的MODIS-16d合成數據，利用NDVI數據序列集中的時序信息、地形信息和溫度信息構建決策分類樹，對中亞地區進行了土地覆被類型分類研究，達到了比較理想的分類結果，指出利用多時相數據進行土地覆蓋分類是發展趨勢；郭艷芬等[9]針對青南高原復雜的地形地貌，通過分區處理，利用植被指數的特性，將基于時間序列的NDVI數據所反映的植被物候信息，DEM輔助信息和GIS數據加入監督分類系統，提高了土地覆被類型的分類精度；張景等[10]，譚磊等[11]充分挖掘數據的多光譜、多時相特征，提高了土地覆被分類精度。土地覆被遙感分類提取是一個復雜的、綜合化過程，提高土地覆被分類精度一直是遙感應用研究的難點和重點。

本文選擇吉林西部的鎮賚縣為試驗區。鎮賚縣生態環境復雜，光譜特征近似的沙化與鹽堿化土地、農耕物候一致的水田與旱田和影像特征類似的稀疏林地與草地等大面積存在的易混淆地類增加了本區土地覆被類型分類提取的難度，是分類方案的主要解決問題。本文的創新點是基于空間變異理論設計了一個土地覆被分類提取方案。該方案基于陸地資源衛星的NDVI月值數據集（2014年1－12月），通過半方差、均方差和標準方差等運算得到具有明確物理意義和物候信息的指標因子，構建遙感分類數據集，自動分類提取土地覆被類型。研究成果對本區域生態資源調查具有一定的理論和實踐意義，同時為有關行政部門制定該區生態環境保護和重建政策與規劃提供一定的參考依據。

1 研究區概況與數據來源

1.1 研究區概況

鎮賚縣的地理坐標范圍為 123°42′34.74″～123°55′20.63″E，45°49′14″～46°1′50″N，海拔范圍在120～210 m。研究區屬于溫帶大陸性季風氣候，四季分明，雨熱同期。鎮賚縣位于農牧交錯帶上，地貌類型由東北平原向大興安嶺山地過渡，是東北土地“三化”的典型區。研究區內擁有廣闊的灘地，土壤滲水能力差，土壤為草甸土、黑鈣土分布。東北地區變暖的氣候對加大了地表的蒸發量，加劇了環湖和近水域周圍的堿泡與鹽堿地的分布，農牧交錯帶上植被覆蓋類型復雜，空間分布格局獨特[12]。如圖1所示。

圖1 研究區位置分布圖Fig.1 Distribution map of study area

1.2 數據來源與預處理

本文所用數據為陸地資源衛星Land sat8影像數據，見表1。數據來自美國地質調查局（united states geological survey，USGS）網上發布的免費數據（http://glovis.usgs.gov/）。數據獲取時間為2014年1－12月全年數據，選擇研究區域上空云量少于10%的數據作為每月的月值數據。數據產品級別標示為L1T，做過地形參與的幾何校正，一般情況下可以直接使用而不需要做幾何校正。研究區地勢低平，傳感器獲取反射輻射能量均恒，所以本文主要進行了大氣校正處理。校正過程在ENVI軟件平臺上實現，運算算法FLAASH大氣校正模型。輔助數據為2007年東北地區土地利用現狀數據（東北生態地質調查項目，編號1212010911084），以及源于中國科學院國際科學數據鏡像網站下載的DEM 30m分辨率數字高程數據產品。

表1 數據利用情況表Table 1 Usage of Landsat8 imagery

2 研究方法

變程是半方差函數的最大變異值，具有明確的物理意義。半方差計算需要時間序列很長，但多季相遙感分類可以充分利用有限特點，不同的植被類型生長特點是不一樣的，以此為依據構建多維數據空間進行地物的遙感分類提取，改善分類精度和簡化計算方法。

2.1 分類體系的確定

為了進一步科學合理的分析，本文參考了姜琦剛的東北生態環境資源調查分類方案[12]和劉紀遠的土地資源分類系統[13]，結合試驗區實際情況，確定提取的土地覆被類型為：水域、濕地（主要為有植被生長的自然沼澤濕地和灘地）、堿泡（常年有水，無植被生長）、鹽堿地、沙化土地、林地、草地、水田和旱地、建筑用地及其他（包括無植被覆蓋或少植被覆蓋地類）共11種土地覆被類型（6個一級地類，5個二級地類）。

2.2 多時相土地覆被分類方案

2.2.1 分類特征信息的提取方法

方案選擇地表植被、水體和土壤狀況信息作為主要指標因子，并通過計算NDVI數據集的半方差和標準方差作為這些指標因子的主要提取途徑。

1）半方差。將NDVI數據作為一個時間序列集，計算出任意2個時間點上的NDVI數據半方差數值，構建時間點對的時長跨度與該點對半方差的函數關系——變異函數。半方差值為任意時間點對上的NDVI實際計算值，在綜合所有時間點對數值后，最大半方差值就可以用來說明試驗區地表植被的年內最好生長狀況。計算的數學表達式為

區域化變量Z(x)在點x和x+h處的值Z(x)與Z(x+h)方差的一半稱為區域化變量Z(x)的半變異函數，記為r(h)。

2）變程。不同類型植被的生長趨勢是不同的，生長季的持續期是有區別的。由于衛星數據的時間分辨率，這個區別簡單依據NDVI數據集計算半方差函數很難分析出來，但生長季的持續期與植被長勢呈半方差函數關系，本文利用Gaussian函數對半方差函數的因變量——年內長勢進行擬合可以得到變程，反映生長季的持續期長度。式中為Gaussian函數的擬合半方差數值。

3）局部均方差。也被稱為平均局部方差，利用一個3×3的移動窗口在遙感圖像上順序滑動，來計算窗口內的標準差均值，并作為中心樣點與周圍樣點的局部方差，最后形成局部方差曲線圖，以像素尺寸變化來描述方差的變化[14]。衛星影像數據的局部方差能夠較好地描述地表植被的細節信息，所以可以將NDVI數據的局部方差作為一種特征分類變量，或也可以認為NDVI數據的局部方差包含了地表植被在空間分布上的重要結構信息[15]。

4）標準差。又稱均方差，能反映一個數據集的離散程度。一個較大的標準差，代表大部分數值和其平均值之間差異較大；一個較小的標準差，代表這些數值較接近平均值。一般來說標準差較大，說明研究區內因為植被生長而引起的地表自然景觀改變更顯著；標準差較小，說明生長季內地表自然景觀變化比較穩定。

2.2.2 分類組合方案的構建

1）地表植被季節變化信息。在R語言平臺上調用gstat（geostatistics packages）和 geoR（package for geostatistical data analysis）程序包——專用于地統計學分析[16]，編寫逐像元計算算法分析1－12個月的NDVI時序數據的半方差，并提取達到最大值時的峰值點位置，擬合函數選用高斯函數，計算變程作為地物連續變化的特征信息。地表植被季變化信息是NDVI時序數據集的半方差函數的變程值，這些特征信息表征地表植被的生長季節的跨度和年內植被最好長勢。計算結果作為分類數據的主要變量。

2）地表植被空間特征信息。紋理的局部均方差計算是依據研究區內2014年5－10月（研究區生長季）的NDVI均值，綜合考慮鄰域計算中參數設定情況，最后確定局部均方差算法按3×3的窗口進行計算，計算結果作為分類數據參考變量。

3）水體信息。在遙感軟件ERDAS平臺上，通過標準差計算獲得水體指數（NDWI）。水體信息來自于2014 年5－10月的同源衛星數據，試驗區嫩江正值豐水期，地表支流（洮兒河，霍林河等）水量充盈。利用Land sat 8影像的綠光波段和近紅外波段的比值構建歸一化差異水體指數[17]。水體信息作為分類數據的第3個變量。

4）土地利用信息。土地信息的提取與水體信息同時期的NDBI指數標準差。歸一化建筑指數（normalized difference built-up index，NDBI）[18]對低植被覆蓋度土地有更好的指導意義，適用于半干旱地區的土地類型遙感監測。研究區的土地利用信息作為分類數據的第4變量。

通過主成分分析消除波段間的相關性，確定地物分類類別，在ENVI遙感軟件平臺下采集樣點訓練樣區，進行有監督分類，分類算法采用支持向量機算法。

本文通過構建多維特征空間分類數據集完成地表植被季變信息結合SVM的土地覆被分類方案的設計，具體流程如圖2所示。

圖2 土地覆被類型識別算法主要流程Fig.2 Main flow chart of land covers type identification

2.3 選取驗證樣本

分類精度檢驗的常用方法是野外調查和高清分辨率影像參照2種方法。為最大限度地保證選取樣本的代表性，全文以2007年東北地區土地利用現狀統計資料為主要驗證數據，結合輔助數據（Google Earth高分辨率同期影像）。在遙感影像圖上選出各類具有代表性的樣區，把選取的樣本隨機分為兩部分：70%用于分類，30%用于精度評價。

3 分類結果與評價

3.1 分類結果

本文方案確定參與分類的土地面積共計5 294.894 km2，提取土地覆被類型有恒定水域、沼澤、灘地、鹽堿地、荒地與其他、水田、旱田、林地、草地共計11種。各個地類面積及分布見表2和圖3。

表2 研究區地類面積統計表Table 2 Statistical area of different land types in study area

圖3 研究區分類結果Fig.3 Classification result of study area

由表2可知：自然濕地（主要存在形式為恒定水域、沼澤和嫩江河漫灘地）面積占16.44%；旱地是鎮賚縣的主要生態景觀類型，現有面積（占縣域總面積的22.30%）遠遠大于其他所有地類。

由分類結果圖3看出：1）水田多分布在嫩江西側低洼易積水的地區，是本區域的主要人工濕地類型；2）鎮賚縣城以南、以北范圍內集中分布著主要的旱地耕作區，是研究區最主要的農耕形式。

3.2 方案分析與評價

本文從分類精度和易混淆地類可分性兩個方面對分類方案進行比較分析。

3.2.1 分類精度對比分析

基于分類結果，本文選取30%的土地覆被類型樣本與分類結果進行運算得到分類混淆矩陣，各土地覆被類別的分類精度結果如表3。

表3 研究區分類精度的對比分析Table 3 Accuracy analysis of different classification for study area

從總體分類精度和Kappa系數兩方面考慮，本文只對2種分類效果較好的分類算法進行了對比分析。由分類結果可知：1）本方案的總體分類精度和Kappa系數分別為95.50%、0.9504；2）所有與地表植被有關或者受氣候因子影響，具備季節變化特點的地類都得到了較好的提取；3）與最大似然分類相比，本方案不僅保證了土地覆被的總體分類精度，而且所有覆被類型都得到了較好的分類效果。

3.2.2 易混淆地類可分性分析

在試驗區，合理的訓練樣本直接影響到后期的分類精度。Jeffries-Matusita（JM）距離指標是光譜可分性的指標，是針對2個土地覆被類型之間是否存在可分性的一種度量，也是類型間平均差異狀況的一種度量。一般來說，JM距離的參數值范圍為0～2.0，JM距離大于1.9說明樣本之間可分離性好，屬于合格樣本；小于1.5，需要重新選擇樣本；小于1，考慮將兩類樣本合成一類樣本[15]。

試驗區的易混淆土地覆被類型由地類間的可分離性大小決定。具體實現過程：選擇試驗區2014年第191天（地表植被生長盛期內的資源衛星光譜數據）的OLI數據B2-B5+紋理信息組合數據，計算各個地類間的可分離度（JM距離小于1.9的地類認定為易混淆的地類），結果見表4，最后確定易混淆地類共14對，涉及試驗區的10種地類。

表4 易混淆類別表Table 4 Confused feature of class

結果表明，方案在試驗區內某些易混地類的遙感分類提取上有著以下幾方面的優勢：1）地表植被季變信息結合SVM的土地覆被分類方案實現了林地的有效遙感分類提取（可分性>1.9，分類精度為98.57%）。林地與周圍農作物具有相同的植被長勢，但是林地的物候信息遠遠長于農作物；2）旱地與水田也具有相近似的生長指數，基于原始波段進行分類得不到理想的分類效果。本方案通過兩者相差10d左右的物候信息結合試驗區的水體信息，將水田和旱地的分類精度提高至99.79%、97.73%，可分性>1.9；3）灘地與沼澤光譜信息相近似，方案通過兩者不同的植被生長期和植被生長繁盛程度，將灘地和沼澤的分類精度提高至98.07%、99.9%，可分性>1.9。

綜上，本方案改變了傳統的遙感分類機理，分類結果不再是表征某一時間點上的地表狀況，而是表示研究區內地表生態狀況的持續特點和時間跨度信息。多個分類特征變量的有效組合可以提高各土地覆被類別之間的可分性。

本文方案是將常規分類特征變量（植被、水體和土地信息）與植被物候信息結合所構建的多時相土地覆被分類方法。該方案的最大特點：方案數據量小，只有5個分類特征變量組合，但很好地改善了分類精度和簡化了計算方法。充分挖掘遙感數據的多時相特征和試驗區地物的變化機理（季節變化信息）是進一步提高土地覆被分類精度的重要途徑之一[19-20]。本文的分類方案另一特點：不同類型植被的生長趨勢是不同的，生長季的持續期是有區別的。由于land sat8衛星數據的時間分辨率較低（月值數據），這個區別簡單依據衛星數據（NDVI數據集）計算半方差數值很難分析出來，本文依據生長季的持續期與植被長勢是半方差函數關系，利用Gaussian函數對半方差函數的因變量——年內長勢進行擬合可以得到變程，既彌補了時間分辨率較低的不足，又很好地反映了生長季的持續期長度。

4 結論

1）遙感分類方案提取了試驗區的11種地表覆被類型，總體分類精度與Kappa系數分別為95.50%、0.9504，地表植被季變信息結合SVM的組合方案是試驗區土地覆被分類的最優選擇分類方案。

2）本文構建了一個多維特征空間數據集分類方案。主要指標因子是基于標準差和半方差函數等空間統計方法提取的地表生態因子季節變化信息，某一分類特征變量的引入并不能改善所有土地覆被類型的遙感提取精度，但是地表植被物候信息和土地信息的引入能明顯改善試驗區土地覆被的整體分類精度。

本文還存在以下需要進一步探討的問題：1）研究區的物候信息具有明確的區域特點，現有的組合方案是基于北方的單峰型植被生長區域。對于自然生態環境復雜的南方地區，如何充分利用物候信息是需要進一步深入討論的；2）分類算法不同是否對統一分類方案產生影響也是需要進一步確定；3）基于Landsat8多時相遙感數據的地表植被季變信息結合SVM的土地覆被分類方案對試驗區地表土地覆被可以提取到二級類別，并且仍具有很好的可分性，該方案對實地土地資源調查的可行性需要進一步研究。

[1] 張景華，封志明，姜魯光. 土地利用/土地覆被分類系統研究進展[J]. 資源科學，2011，33(6)：1195－1203. Zhang Jinghua, Feng Zhiming, Jiang Luguang. Progress on studies of land use/land cover classification systems[J]. Resources Science, 2011, 33(6): 1195－1203. (in Chinese with English abstract)

[2] 李秀彬. 全球環境變化研究的核心領域：土地利用/土地覆被變化的國際研究動向[J]. 地理學報，1996，51(6)：553－558. Li Xiubin. A review of the international researches on land use/land cover change[J]. Acta Geographica Sinica, 1996, 51(6): 553－558. (in Chinese with English abstract)

[3] 王芳芳，吳世新，楊涵. 基于3S的近15a新疆LUCC時空變化研究及分析[J]. 中國沙漠，2009，29(4)：636－640. Wang Fangfang, Wu Shixin, Yang Han. Study on spatiotemporal variations of land use/cover in Xinjiang based on 3S technology[J]. Journal of Desert Research, 2009, 29(4): 636－640. (in Chinese with English abstract)

[4] Muchoney D, Borak J. Application of the MODIS global supervised classification refuel to vegetation and land cover mapping of Central America[J]. Intel Remote Sensing, 2000, 21(1): 1115－1138.

[5] Richards J A, Jia X P. Remote Sensing Digital Image Analysis Introduction[M]. 4th ed. Berlin, Germany: Springer-Verlag, 2006.

[6] Vailaya A, Figueiredo M A T, Jain A K. Image classification for content based indexing[J]. IEEE Transactions on Image Processing, 2001, 10(1): 117－130.

[7] 左玉珊，王衛，郝彥莉，等. 基于MODIS影像的土地覆被分類研究：以京津冀地區為例[J]. 地理科學進展，2014，33(11)：1556－1565. Zuo Yushan, Wang Wei, Hao Yanli, et al. Land cover classification based on MODIS images: Taking the Beijing-Tianjin-Hebei region as an example[J]. Progress in Geography, 2014, 33(11): 1556－1565. (in Chinese with English abstract)

[8] 索玉霞，王正興. 基于決策樹和MODIS植被指數時間序列的中亞土地覆蓋分類[J]. 世界地理研究，2008，17(3)：126－130. Suo Yuxia, Wang Zhengxing. Land cover classification of middle Asia based on decision tree and MODIS vegetation index time serials[J]. World Regional Studies, 2008, 17(3): 126－130. (in Chinese with English abstract)

[9] 郭艷芬，劉志紅，謝明元. 基于植被物候特征與監督分類的青南高原信息提取[J]. 遙感技術與應用，2009，24(2)：223－227. Guo Yanfen, Liu Zhihong, Xie Mingyuan. Vegetation information extraction in the South Qinghai Plateau using phenology and supervised classification[J]. Remote Sensing Technology and Application, 2009, 24(2): 223－227. (in Chinese with English abstract)

[10] 張景，姚鳳梅，徐永明，等. 基于MODIS的土地覆蓋遙感分類特征的評價與比較[J]. 地理科學，2010，30(2)：249－253. Zhang Jing, Yao Fengmei, Xu Yongming, et al. Comparison and evaluation of classification features in land cover based on remote sensing[J]. Scientia Geographica Sinica, 2010, 30(2): 249－253. (in Chinese with English abstract)

[11] 譚磊，趙書河，羅云霄，等. 基于對象特征的山東省丘陵地區多時相遙感土地覆被自動分類[J]. 生態學報，2014，34(24)：7251－7260. Tan Lei, Zhao Shuhe, Luo Yunxiao, et al. Application of object-oriented image analysis to land-cover classification in hilly areas[J]. Acta Ecologica Sinica, 2014, 34(24): 7251－7260. (in Chinese with English abstract)

[12] 姜琦剛，賈大成，李遠華，等. 東北地區生態地質環境遙感監測[M]. 北京：地質出版社，2013.

[13] 劉紀遠. 國家資源環境遙感宏觀調查與動態監測研究[M].北京：中國科學技術出版社，1996.

[14] 鄭輝. 局部方差與變異函數方法對比的遙感影像空間格局探測機制研究[D]. 北京：中科院大學，2014：12－14. Zheng Hui. Study the Fundamentals of Detecting Spatial Pattern in Remote Sensing Images by Comparing Average Local Variance with Semi-variograms[D]. Beijing: University of Chinese Academy of Sciences, 2014: 12－14. (in Chinese with English abstract)

[15] 趙英時. 遙感應用分析原理與方法[M]. 北京：科學出版社，2003.

[16] 徐愛萍，舒紅. 空間數據分析與R語言實踐[M]. 北京：清華大學出版社，2013：2.

[17] 吳際通，譚偉，喻理飛. 基于TM/ETM+影像的不同水體指數對比研究[J]. 測繪科學，2013，38(4)：192－194. Wu Jitong, Tan Wei, Yu Lifei. Comparative study of different water indexes based on TM/ETM+ imagery[J]. Science of Surveying and Mapping, 2013, 38(4): 192－194. (in Chinese with English abstract)

[18] 連懿，陳圣波，王亞楠，等. 基于決策樹模型的吉林西部居民地分布信息提取[J]. 安徽農業科學，2010，38(10)： 5241－5243. Lian Yi, Chen Shengbo, Wang Ya’nan, et al. Extraction to the residential distribution information in West Jilin based on decision tree model[J]. Anhui Agri Sci, 2010, 38(10): 5241－5243. (in Chinese with English abstract)

[19] 王宗明，國志興，宋開山，等. 2000－2005年三江平原土地利用/覆被變化對植被凈初級生產力的影響研究[J]. 自然資源學報，2009，24(1)：136－146. Wang Zongming, Guo Zhixing, Song Kaishan, et al. Effects of land use/cover change on net primary productivity of Sanjiang Plain, during 2000－2005[J]. Journal of Natural Resources, 2009, 24(1): 136－146. (in Chinese with English abstract)

[20] 趙銳鋒，陳亞寧，李衛紅，等. 塔里木河干流區土地覆被變化與景觀格局分析[J]. 地理學報，2009，64(1)：95－106. Zhao Ruifeng, Chen Yaning, Li Weihong, et al. Land cover change and landscape pattern in the Mainstream of the Tarim River[J]. Acta Geographica Sinica, 2009, 64(1): 95－106. (in Chinese with English abstract)

Extracting land cover types in western Jilin based on multi-temporal remote sensing data

Li Xiaodong1,2, Jiang Qigang1※
(1. College of GeoExploration Science and Technology, Jilin University, Changchun 130012, China; 2. Baicheng Normal College, Baicheng 137000, China)

Recently, it’s still difficult to entirely replace the artificial visual interpretation for the computer automatic classification, which is used to extract land cover types' information from the remote sensing imagery, because the automatic method needs more efforts to improve the precision of the classification results. Furthermore, this problem has become the key joint of the automatic classification extraction. How to extract land cover types’ information in western area of Jilin, is one of the important problems, and the confused land cover types needs to be distinguished. The aim of this study is to deepen the application of remote sensing classification method that is used to extract land cover information automatically and quickly from the satellite imagery. The western area of Jilin is selected as the main research area. A new total solution to extract land cover information, based on the spatial variation theory, has been designed for the convenient automatic classification with the remote sensing technology. The remote sensing classification scheme is carried out by coding the R language algorithm and operating the remote sensing software ERDAS platform. The land cover types in Zhenlai County in the western area of Jilin, have been extracted and monitored through the combined utilization of 4 indices, including semivariance value of normalized difference vegetation index (NDVI) dataset, local variance of image texture, modified soil-adjusted vegetation index and normalized difference water index, which have significant meaning for the land cover types in the transition zone between cropping area and nomadic area. These variances have definite physical meaning (including vegetation, water, and soil drought conditions), so that the phenological information was used to build a multi-dimensional feature space classification data set. The results indicated that: 1) A total of 11 land cover types are extracted, using the multi-temporal remote sensing information to build a multidimensional classification characteristics data set based on the Landsat 8 data. The overall classification accuracy of the algorithm is 95.50%; the Kappa coefficient of classification is 0.9504. The automatic extracting approach implemented obtains a comparatively ideal classification result; 2) The introduction of 3 characteristic variables of the classification in the scheme significantly improves the separability of the confused land cover types. Considering the vegetation classification, the vegetation growth information has practical life-activity significance, and is a real-time dynamic method for the vegetation change monitoring; 3) Improving the land cover classification accuracy is not to introduce more characteristic parameters of the classification, but to effectively combine multiple appropriate classification variables. The new method can broaden the application vision and the scope of the ecological remote sensing investigation of surface vegetation. Moreover, the introduction of new variables not only makes the macro monitoring more convenient, but also improves the accuracy of classification of remote sensing interpretation. It’s noted that the extracted classification has obvious regional feature, and the regional feature is consistent with the farming cultivation characteristics on the Northeast Plain. In a word, the results can provide a credible approach and valuable example for extracting and monitoring land cover type in farming-pastoral transitional zone. It is feasible to use the spatial variation theory to extract and monitor land cover type by combining the several evaluation indices.

remote sensing; vegetation; algorithms; western Jilin; multi-temporal remote sensing images; land cover types; phenological information

10.11975/j.issn.1002-6819.2016.09.024

S127; TP79

A

1002-6819(2016)-09-0173-06

李曉東，姜琦剛. 基于多時相遙感數據的吉林西部土地覆被分類提取[J]. 農業工程學報，2016，32(9)：173－178.

10.11975/j.issn.1002-6819.2016.09.024 http://www.tcsae.org

Li Xiaodong, Jiang Qigang. Extracting land cover types in western Jilin based on multi-temporal remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(9): 173－178. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2016.09.024 http://www.tcsae.org

2015-11-03

2016-02-25

東北地區國土遙感綜合調查（中國地質調查局項目：12120115063701）

李曉東，山東東營人，博士，講師，資源環境遙感方向。吉林省長春市吉林大學，130012。Email：xiaodonglee@126.com

※通信作者：姜琦剛，江蘇鎮江人，博士，教授，地學信息工程方向。吉林省長春市吉林大學，130012。Email：sky_0013@163.com

·農業生物環境與能源工程·