基于面向對象的GF-1遙感影像采煤沉陷區濕地分類

程琳琳，董雪梅，詹佳琪，張 也

（中國礦業大學（北京）地球科學與測繪工程學院，北京 100083）

0 引 言

濕地對于物種多樣性的保持、氣候調節、地下水補充、凈化污染物等具有重要作用，同時還兼具休閑娛樂等功能。近代由于人類的不合理開發利用，造成濕地資源的逐漸枯竭，如何可持續地開發利用濕地已引起高度關注，對濕地的分類也成為了國內外學者研究的熱點[1]。由于濕地地理位置的特殊性，傳統的測量手段難以獲取和監測其信息。遙感技術作為一種新的觀測手段，以其快速、大范圍、無需深入等特點在濕地研究中得到了廣泛應用[2-4]。基于遙感影像的濕地分類方法隨著計算機技術的發展也在不斷改進，從最早的目視判讀到基于像元的分類，再到決策樹分類等。隨著衛星遙感技術的發展，影像分辨率的提高，出現了面向對象的分類方法[5-12]。但綜觀目前已有的研究，多集中于對天然濕地或水體進行分類。采煤沉陷區的濕地是人工濕地，受煤炭開采的影響，其形成是一個長期的動態過程，地質環境更為復雜多變，生態結構相比一般濕地更為脆弱，研究區域尺度較小，對了解濕地的各種自然條件等造成很大阻礙，加之中國的復墾方向以耕地為主，因此，對采煤沉陷區濕地的分類，已有的研究鮮有涉及。

中國 95%以上的煤炭資源來自井工開采，其采出造成大面積的土地下沉，尤其在高潛水位礦區形成大面積積水，嚴重影響了生產生活。掌握采煤沉陷區濕地的類別和分布，可為其復墾、規劃及管理提供科學依據[13-14]。目前，人工濕地遙感分類面臨的主要問題是各種分類算法的應用具有局限性，為保證分類的精度，需針對不同的遙感數據或不同的濕地類型使用不同的最優分類算法[15]。但天然濕地的形成受氣候、溫度、地勢等因素的影響，不同區域差異較大，難以用同一種或相似的方法進行分類；而采煤沉陷區濕地的形成是人工干擾下的結果，不同礦區的濕地類型通常較為一致,易于用同一種或相似的方法進行分類。因此，本文擬以兗州煤田采煤沉陷區為例，探討基于GF-1遙感影像和面向對象的采煤沉陷區濕地分類方法。

1 研究區概況與數據來源

1.1 研究區概況

兗州煤田位于山東省西南部，橫跨兗州、鄒城、曲阜三市，主要有楊村、南屯、鮑店、東灘、興隆莊、北宿六對礦井，面積為258 km2（見圖1）。煤田內部地形平坦，由東北向西南平緩降低，地面高程36～72 m。除降雨較多的7、8月份外，其余月份降雨較少，春季易出現干旱現象。區內的河流主要有泗河、白馬河、沙河和泥河，均是季節性河流，干旱季節無水。該煤田地下潛水位高，潛水位平均埋深約為3～4 m，煤礦開采造成的土地破壞形式主要表現為地表下沉塌陷和積水，主要分布兗州市和鄒城市部分城鎮。

1.2 數據來源

1）遙感數據

兗州煤田的降雨多集中在7、8月份，為了區分季節性積水區和常年積水區，同時兼顧提取植被型濕地的需要，應考慮降雨量小且植被特征較明顯的時期，經比較，最終選取2015年5月13日的GF-1遙感影像。該幅影像質量相對較好，只有少量薄云，各種濕地類型在影像上較容易區分，滿足研究需要。

圖1 兗州煤田地理位置圖Fig.1 Location map of Yanzhou coal field

2）其他數據

（1）其他圖件資料：全國30 m分辨率的DEM數據；濟寧市國土資源局提供的 2015年兗州市土地利用現狀圖、2015年鄒城市土地利用現狀圖、2015年曲阜市土地利用現狀圖，比例尺1∶50 000。

（2）輔助資料：濟寧市國土資源局提供的兗州煤田采礦權邊界矢量圖。

2 兗州煤田采煤沉陷區的濕地類型

采煤沉陷區濕地的形成是一個動態過程。地下的煤炭資源被采出前，其原始應力是平衡的，被采出后會形成采空區，原始應力遭到破壞，地表出現下沉塌陷最終形成下沉盆地，沉陷區的積水水位比地下水水位低時，出現積水。兗州煤田屬高潛水位地區，具有地勢平坦、潛水位埋深小、可采煤層數量多、煤層厚度大和地表下沉系數大等特點，地表沉陷積水嚴重。有些沉陷區下沉深度較大，一直受地下水補給，常年被水覆蓋，形成常年積水；有些下沉深度較小的沉陷區，在降雨量大的季節出現積水，在降雨量小的季節沒有積水，形成季節積水[16]。

由于該煤田開采時間長，存在較多的常年積水區域，大部分被復墾為水產養殖濕地，主要為池塘養殖。在GF-1影像上，水產養殖濕地有明顯的硬化邊界，形狀規則，多數為矩形。靠近城區的常年積水區域有 2處被復墾為景觀濕地。景觀濕地在GF-1影像上也比較規則，有明顯的硬化邊界。由于該煤田一直在開采，部分沉陷區尚未穩沉，加之復墾的階段性，存在不易復墾或者沒有復墾的常年積水區域和季節積水區域，即未復墾的常年積水濕地和未復墾的季節積水濕地。未復墾的常年積水濕地周圍水位較淺，易生長植被，為植被型濕地，植被類型主要為蘆葦[17]。除此之外，該煤田內還有季節性河流。綜上所述，依據區域特征和復墾結果，兗州煤田采煤沉陷區濕地的類型及其特點如表1所示。

表1 兗州煤田采煤沉陷區的濕地類型及特點Table 1 Types and characteristics of wetlands in coal mining subsidence area of Yanzhou coal field

3 遙感影像分割與分割參數選擇

采用面向對象的分類方法，為了獲得較高精度的分類結果，必須先對影像數據進行很好的分割[18]。由于研究區內的河流是季節性河流，在降雨量小的月份，一條河流有很多不同的特征，如果分段提取則分類精度較低；而景觀濕地的特征與大部分水產養殖濕地的特征一致，一般的分割方法很難獲得二者較準確的影像對象，將二者區分開來，后續的分類也很難獲得較高的精度。因此，為提高河流濕地和景觀濕地的分割和分類精度，應盡量通過土地利用現狀圖、土地利用規劃圖或其他相關資料獲取兩者的位置、邊界等信息。本文從土地利用現狀圖中提取河流和景觀濕地的矢量（Area1），基于Area1進行兩者影像的分割和分類；其他區域的矢量（Area2）通過研究區范圍與河流濕地和景觀濕地的矢量（Area1）擦除獲得，基于Area2進行其他類型濕地的分割和分類。多光譜和全色影像融合后的GF-1影像，具有紅、綠、藍、近紅外4個波段，在提取植被型濕地時，4、3、2波段組合的標準假彩色影像，植被顯示為紅色，易于與其他地類區分；提取其他地類時，在 3、2、1波段組合的真彩色影像上更為直觀，波段權重均為1。

3.1 河流濕地和景觀濕地影像的棋盤分割

Area1矢量數據參與分割運算可以獲得河流和景觀濕地最優的分割結果。分割的方法主要影響分割的效率，但對于分割結果的精度影響不大，為了提高分割效率，選取eCognition Developer8.7軟件中最簡單的棋盤分割方法對河流和景觀濕地進行分割[16]。使用該方法時，分割對象間具有規則的拓撲鄰接關系和父子對象之間的上下文規則關系。每個分割塊的大小可以依據各個分割塊棋盤的均方差最小的原則來計算，也可自己設定。基于矢量進行河流和景觀濕地影像分割的目的即獲得與矢量一致的影像對象，故具體分割時，設定分割塊的大小大于矢量數據長和寬像素大小的最大值以獲得與矢量一致的影像對象。分割結果如圖2所示。

圖2 河流濕地和景觀濕地分割結果Fig.2 Segmentation results of river wetland and landscape wetland

通過分析分割結果及對比影像可知，分割得到的影像對象主要為原始的面狀矢量，研究區內除矢量部分，其余區域被分為一個影像對象。對比分割結果和土地利用現狀圖可知，河流和景觀濕地對應的影像對象與實際地物完全吻合，后續影像分類時可以完全正確地對二者進行提取。

3.2 沉陷區其余濕地影像的多尺度分割

除河流濕地和景觀濕地外，研究區內其余濕地為水產養殖濕地、植被型濕地、未復墾的常年積水濕地和未復墾的季節積水濕地。這 4類濕地在高光譜影像上的的光譜特征、紋理特征和幾何特征等不盡相同，因此不同組成部分的尺度值也不同，即具有多尺度特征，故選擇多尺度分割算法對沉陷區其余濕地的影像進行分割[19]。

對 Area2區域內的影像進行多尺度分割需確定的參數主要為分割尺度和異質性因子權重[20]。分割尺度的大小決定著濕地邊界的完整性。異質性因子包括形狀異質性因子和光譜異質性因子，二者權重之和為1，確定了形狀異質性因子的權重，則光譜異質性因子的權重也隨之確定[21]。形狀異質性又包括緊致度異質性和光滑度異質性，二者權重之和為1，在分析時確定緊致度異質性因子的權重即可[21]。分割尺度的改變最為直觀，在其他參數不變的條件下，首先改變分割尺度，比較不同分割尺度下的分割結果，以選擇合適的分割尺度；之后先后改變形狀因子和緊致度因子權重，對比分割結果，選取最為合適的參數。以水產養殖濕地分割參數選擇為例，由圖3a可知，分割尺度為100時，影像對象比較破碎，故調大分割尺度。在形狀因子和緊致度因子權重保持不變的情況下，分割尺度依次增大到180和230。當分割尺度為180時，如圖3b所示，較大的和較小的水產養殖濕地都分割的比較破碎，不能很好的與邊界吻合。當分割尺度為230時，如圖3c所示，分割效果較好，所以分割尺度確定為230。在分割尺度確定的情況下，不改變緊致度因子權重，僅改變形狀因子權重。由于水產養殖濕地比較規整，形狀因子權重設定的起始值可以略大，如圖3d所示，形狀因子權重設為0.7時，分割得到的影像對象與大、小水產養殖濕地的邊界較吻合。保持分割尺度和形狀因子權重不變，緊致度因子權重依次增大為0.4、0.8和0.9。如圖3f、3g和3h所示，隨著緊致度因子權重增大，得到的影像對象越接近水產養殖濕地的形狀。而如果分割尺度再增大，如圖3i所示，分割結果沒有太大變化。綜合考慮大、小水產養殖濕地的分割結果與邊界的吻合度、光譜信息的均質性，最終分割參數設定為230、0.7和0.9（參數因子依次為分割尺度、形狀因子權重和緊致度因子權重，下同），最終分割結果如圖3h所示。

圖3 典型水產養殖濕地原圖與不同分割參數結果Fig.3 Original image and results with different segmentation parameters of typical aquaculture wetland

同理采用上述方法，確定的植被型濕地分割尺度為180、形狀因子權重為0.2、緊致度因子權重為0.1；未復墾的常年積水濕地的分割尺度為 250、形狀因子權重為0.6、緊致度因子權重為0.7；未復墾的季節積水濕地分割尺度為170、形狀因子權重為0.2、緊致度因子權重為0.1。

完成影像的分割后，采用分層分類的方法進行濕地分類，從分割尺度最小的一層開始分類，分割尺度最大的放在最后一層進行分類，最后將各層的分類結果通過層間的繼承關系繼承到某一層中完成分類。不同的濕地具有各自的相對最優分割參數，但分類的層數由分割尺度決定，分割層次越多，分類過程就越復雜[22-23]。有些地物的分割尺度存在相似性，可以在同一尺度下進行分割。所以應對最終得到的分割參數進行綜合分析，以獲得局部最優分割參數，在提高分類精度的同時提高分類效率[24]。植被型濕地和未復墾的季節積水濕地面積都相對較小，分割尺度相差較小且都沒有明顯邊界，故將兩者放在同一分類層次中，分割尺度為180，形狀因子權重為 0.2，緊致度因子權重為 0.1。根據最終的分割參數，后續的分類層次設為3層。

4 面向對象的濕地分類

4.1 河流濕地和景觀濕地的分類

河流濕地和景觀濕地影像對象是其各自矢量，故采取較為簡單的標準最鄰近分類方法[25]，無需定義分類規則和層次，且分類快速。選取各個類別的樣本，對每類樣本進行特征統計并分析，以該特征為中心，計算影像對象距離各類樣本特征的距離，將距離最近的影像對象歸為相對應的類別[26-28]。

式中d為影像對象o與樣本s間的距離；sfv是樣本s的f特征的特征值；ofv是影像對象的f特征的特征值；σf是特征f的標準差。河流濕地的影像對象比較狹長，景觀濕地的影像對象比較規則，二者的長寬比（γ）差異較明顯，故河流濕地和景觀濕地的影像特征選擇長寬比（γ），該特征能很好地區分兩者，通過計算得到兩者的特征閾值分別為長寬比（γ）大于5.0和小于1.2。

4.2 沉陷區其余濕地的分類

4.2.1 分類層次建立

根據基于矢量的多尺度分割及對分割參數的綜合分析，未復墾的常年積水濕地的分割尺度為250，形狀因子權重為0.6，緊致度因子權重為0.7，作為L1層；水產養殖濕地分割尺度為230，形狀因子權重為0.7，緊致度因子權重為0.9，作為L2層；植被型濕地和未復墾的季節積水濕地放在同一分類層次中，分割尺度為180，形狀因子權重為0.2，緊致度因子權重為0.1，作為L3層；由此建立三層分類層次。分類規則采用自下而上的規則[29]，先從分割尺度小的L3層開始分類，提取植被型濕地和未復墾的季節積水濕地；繼而在分割尺度相對較大的L2層繼續分類，提取水產養殖濕地；然后在分割尺度最大的L1層分類，提取未復墾的常年積水濕地；最后將各層提取得到的濕地類型合并到L2層中。

4.2.2 影像特征的選擇和分類規則的建立

水產養殖濕地主要是池塘養殖，形狀比較規則，大多為矩形，分割得到的影像對象也較為規則，長寬比（γ）與其他地物有較明顯差異，歸一化植被指數（normalized difference vegetation index）能很好地反映植被覆蓋狀況，故可用其區分植被和水體，且水產養殖濕地與未復墾的常年積水濕地的面積多有差異，故其影像特征選擇為歸一化植被指數（NDVI）、長寬比（γ）和面積（A），未復墾的常年積水濕地的影像特征則選擇歸一化植被指數（NDVI）和面積（A）。植被型濕地的紋理比較不規則，近紅外波段能提供更多的植被信息，而 NDVI能比較容易地區分植被和其他地物[30-31]，灰度共生矩陣的均值（gray-level co-occurrence matrix mean）是影像對象局部的灰度均值，反映遙感影像的紋理特征。故植被型濕地的影像特征選擇灰度共生矩陣的均值（GLCM mean）、近紅外波段的均值（NIR mean）和NDVI。未復墾的季節積水濕地在影像上比較暗，紋理不規則，故選擇的特征為光譜亮度（Brightness）和灰度共生矩陣的均值（GLCM mean），各層次濕地的分類規則如表2所示。

表2 三層次濕地分類規則Table 2 Classification rules of three layers

4.2.3 分類方法

根據以上分類規則，采用模糊分類法進行分類。通過不斷試驗，將各濕地類別的離散特征值范圍轉換為范圍[0,1]，利用模糊邏輯函數來分類賦值。該函數分析各類別的特征后返回一個隸屬度值，將各影像對象分到隸屬度值最高的類別中[32]。

采用模糊分類法得到水產養殖濕地、植被型濕地、未復墾的常年積水濕地和未復墾的季節積水濕地 4類濕地的分類結果。將這 4類濕地的分類結果與河流濕地和景觀濕地的分類結果合并到同一圖層，得到研究區所有濕地類型的分類結果，導出SHP格式的結果圖。

5 分類結果與評價

兗州煤田采煤沉陷區的河流濕地、景觀濕地、水產養殖濕地、植被型濕地、未復墾的常年積水濕地和未復墾的季節積水濕地的最終分類結果如圖 4所示。可以看出，椒鹽現象較少，分類效果良好。

為更好地評價分類結果，采用實地驗證和混淆矩陣的方法進一步進行定量的精度評價[33]，選取 141個樣點對分類結果進行野外實地調查驗證，圖 5為采煤沉陷區的實地驗證樣點分布，得到的混淆矩陣精度評價結果如表3所示。

圖4 兗州煤田采煤沉陷區濕地分類結果Fig.4 Classification results of wetland in Yanzhou coal mining subsidence area

圖5 兗州煤田采煤沉陷區濕地分類實地驗證樣點分布圖Fig.5 Distribution map of sample spot for verification of classification result of wetland in Yanzhou coal mining subsidence area

由表 3可知，實地驗證結果良好，總體精度為96.95%，Kappa系數達到 0.958 4。河流濕地和景觀濕地的分類精度為100%，水產養殖濕地和未復墾的季節積水濕地的用戶精度和生產者精度均大于 90%，其余濕地存在著少許錯分的現象，出現這種現象的原因主要是由于異物同譜現象的存在，某一濕地分割得到的影像對象的特征函數值與分類時選擇的其他濕地（錯分對象）分割得到的影像對象的特征函數值一致，所以被錯分到其他濕地。

中國高潛水位煤礦區主要分布在山東、安徽、河南等省，煤礦開采后地表沉陷積水易形成濕地，其濕地類型與本文的濕地類型一致，因此，本文的分類方法同樣也適用于這些高潛水位采煤沉陷區。

表3 基于面向對象的兗州煤田采煤沉陷區濕地分類結果評價Table 3 Assessment of classification results of wetland in Yanzhou coal mining subsidence area based on object-oriented method

6 結 論

本文以山東省兗州煤田為研究區，基于GF-1遙感影像，采用面向對象的方法對其沉陷區的濕地進行了分類。為提高季節性河流和景觀濕地的分類精度，從土地利用現狀圖中提取兩者的矢量（Area1），基于Area1進行兩者影像的分割和分類；其他區域的矢量（Area2）通過研究區范圍與河流濕地和景觀濕地的矢量（Area1）擦除獲得，基于Area2進行其他類型濕地的分割和分類。對河流濕地和景觀濕地的影像進行基于矢量的棋盤分割，采用標準最鄰近法進行分類。水產養殖濕地、植被型濕地、未復墾的常年積水濕地和未復墾的季節積水濕地的影像采用基于矢量的多尺度分割，通過反復試驗獲取最優分割參數，進而進行綜合分析得到局部最優分割參數，由此確定分類層次，選取易于區分各類型濕地的影像特征建立分類規則，采用模糊分類法進行分類。選擇了 141個樣點對分類結果進行野外實地驗證，通過混淆矩陣進行精度評價。結果表明：各濕地類別的提取效果良好，景觀濕地和河流濕地的生產者精度和用戶精度均達到100%，總體精度達到96.95%，Kappa系數達到0.958 4。因此，本文提出的分類方法適宜于采煤沉陷區濕地的分類。該研究可為采煤沉陷區濕地的分類提供借鑒，為兗州煤田濕地的復墾、規劃及管理提供科學依據。

由于研究區內的河流是季節河流，在枯水期部分河段易被錯分為其他地類；景觀濕地的特征則與大部分水產養殖濕地的特征一致，分類難度較大，本文基于土地利用現狀圖提取河流濕地和景觀濕地的矢量的做法提高了分類精度。如不能獲取土地利用現狀圖，則應通過其他相關資料事先獲取季節性河流濕地和景觀濕地的位置、邊界等信息以提高分類精度。

此外，限于數據資料等的不足，本文的分類精度仍有一定的提升空間。如在雨水充沛的時期，未復墾的季節積水濕地會出現積水，其特征和未復墾的常年積水濕地特征一致，若能獲取更高分辨率的DEM數據，則可進一步提高未復墾的季節積水濕地和未復墾的常年積水濕地的提取精度；若能獲取研究區范圍內的地表濕度數據以及影像時相范圍的大氣數據，則可進一步提高水體和植被型濕地的分類精度等。同時，本文在進行多尺度影像分割時，采用的是大量的對比試驗，雖然獲得了相對最優的分割尺度，但耗費了很長的時間。各類型濕地的特征參數也是通過大量數據的對比分析而獲取，耗時較長并影響了提取精度，有待在今后的研究中進一步改進。

[參 考 文 獻]

[1] 李玉鳳，劉紅玉. 濕地分類和濕地景觀分類研究進展[J].濕地科學，2014，12(1)：102－108.Li Yufeng, Liu Hongyu. Advance in wetland classification and wetland landscape classification researches[J]. Wetland Science, 2014, 12(1): 102－108. (in Chinese with English abstract)

[2] 劉紅玉，李玉鳳，曹曉，等. 我國濕地景觀研究現狀、存在的問題與發展方向[J]. 地理學報，2009，64(11)：1394－1401.Liu Hongyu, Li Yufeng, Cao Xiao, et al. The current problems and perspectives of landscape research of wetlands in China[J]. Acta Geographica Sinca, 2009, 64(11): 1394－1401. (in Chinese with English abstract)

[3] 張樹文，顏鳳芹，于靈雪，等. 濕地遙感研究進展[J]. 地理科學，2013，33(11)：1406－1412.Zhang Shuwen, Yan Fengqin, Yu Lingxue, et al. Application of remote sensing technology to wetland research[J]. Scientia Geographica Sinica, 2013, 33(11): 1406－1412. (in Chinese with English abstract)

[4] 周德民，宮輝力，胡金明，等. 中國濕地衛星遙感的應用研究[J]. 遙感技術與應用，2006(6)：577－583.Zhou Demin, Gong Huili, Hu Jinming, et al. Application of satellite remote sensing technology to wetland research[J].Remote Sensing Technology and Application, 2006(6): 577－583. (in Chinese with English abstract)

[5] 韋瑋，李增元，譚炳香. 高光譜遙感技術在濕地研究中的應用[J]. 世界林業研究，2010，23(3)：18－23.Wei Wei, Li Zengyuan, Tan Bingxiang. A review of application of hyperspectral remote sensing to wetland study[J]. World Forestry Research, 2010, 23(3): 18－23. (in Chinese with English abstract)

[6] Khatami R, Mountrakis G, Stehman S V. A meta-analysis of remote sensing research on supervised pixel-based land-cover image classification processes: General guidelines for practitioners and future research[J]. Remote Sensing of Environment, 2016, 177: 89－100.

[7] Hussain E, Shan J. Object-based urban land cover classification using rule inheritance over very high-resolution multisensor and multitemporal data[J]. Mapping Sciences &Remote Sensing, 2016, 53(2): 164－182.

[8] Mirzapour F, Ghassemian H. Object-based multispectral image segmentation and classification[C]// International Symposium on Telecommunications. Tehran: Institute of Electrical and Electronics Engineers Inc., 2014: 430－435.

[9] Lizarazo I, Elsner P. Fuzzy segmentation for object-based image classification[J]. International Journal of Remote Sensing, 2009, 30(6): 1643－1649.

[10] Rittl T, Cooper M, Heck R J, et al. Object-based method outperforms per-pixel method for land cover classification in a protected area of the Brazilian Atlantic Rainforest Region[J]. Pedosphere, 2013, 23(3): 290－297.

[11] 費鮮蕓，王婷，魏雪麗. 基于多尺度分割的遙感影像濱海濕地分類[J]. 遙感技術與應用，2015，30(2)：298－303.Fei Xianyun, Wang Ting, Wei Xueli. Coastal wetland classification based on multi-scale image segmentation using high spatial RS image[J]. Remote Sensing Technology and Application, 2015, 30(2): 298－303. (in Chinese with English abstract)

[12] 謝靜，王宗明，毛德華，等. 基于面向對象方法和多時相HJ－1影像的濕地遙感分類——以完達山以北三江平原為例[J]. 濕地科學，2012，10(4)：429－438.Xie Jing, Wang Zongming, Mao Dehua, et al. Remote sensing classification of wetlands using object-oriented method and multi-season HJ-1 Images-a case study in the Sanjiang Plain North of the Wandashan Mountain[J].Wetland Science,2012, 10 (4): 429－438. (in Chinese with English abstract)

[13] 程琳琳，趙云肖，陳良. 高潛水位采煤沉陷區土地損毀程度評價[J]. 農業工程學報，2017，33(21)：253－260.Cheng Linlin, Zhao Yunxiao, Chen Liang. Evaluation of land damage degree of mining subsidence area with high groundwater level[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017,33(21): 253－260. (in Chinese with English abstract)

[14] 肖武. 井工煤礦區邊采邊復的復墾時機優選研究[D]. 北京：中國礦業大學，2012.Xiao Wu. Optimization of Reclamation Time for Concurrent Mining and Reclamation in Underground Coal Mining Area[D]. Beijing: China University of Minging and Technology(Beijing), 2012. (in Chinese with English abstract)

[15] 孫楠，朱渭寧，程乾. 基于多年遙感數據分析長江河口海岸帶濕地變化及其驅動因子[J]. 環境科學學報，2017，37(11)：4366－4373.Sun Nan, Zhu Weining, Cheng Qian. Remote sensing time-series analysis of wetland variations and driving factors in estuarine and coastal regions of Yangtze River[J]. Acta Scientiae Circumstantiae, 2017, 37(11): 4366－4373. (in Chinese with English abstract)

[16] 許冬，吳侃. 濟寧煤礦區地表塌陷積水時空演變[J]. 遼寧工程技術大學學報，2014，33(10)：1307－1311.Xu Dong, Wu Kan. Spatial-temporal evolution of collapse waterlogged region in Jining coal mining district[J]. Journal of Liaoning Technical University, 2014, 33(10): 1307－1311.(in Chinese with English abstract)

[17] 付艷華，胡振琪，肖武，等. 高潛水位煤礦區采煤沉陷濕地及其生態治理[J]. 濕地科學，2016，14(5)：671－676.Fu Yanhua, Hu Zhenqi, Xiao Wu, et al. Subsidence wetlands in coal mining areas with high water level and their ecological restoration[J]. Wetland Science, 2016, 14(5):671－676. (in Chinese with English abstract)

[18] 李娜，包妮沙，吳立新，等. 面向對象礦區復墾植被分類最優分割尺度研究[J]. 測繪科學，2016，41(4)：66－71，76.Li Na, Bao Nisha, Wu Lixin, et al. Study of optimal segmentation scale in object-based classification for rehabilitated vegetation in coal mining site[J]. Science of Surveying and Mapping, 2016, 41(4): 66－71, 76. (in Chinese with English abstract)

[19] 孟雪，郜昌建，高媛赟，等. 基于森林小班的高分影像融合及地類信息提取[J]. 林業資源管理，2016(2)：98－105，115.Meng Xue, Gao Changjian, Gao Yuanyun, et al. Land use information extraction and high resolution image fusion based on forest resource sub-compartment[J]. Forest Resources Management, 2016(2): 98－105,115. (in Chinese with English abstract)

[20] 陳冬梅，馮策元，周建民，等. 面向對象的農村用地信息遙感提取技術應用——以寧夏西吉為例[J]. 城市發展研究，2017，24(9)：127－132.Chen Dongmei, Feng Ceyuan, Zhou Jianmin, et al.Applications of object-oriented rural land use information extraction by remote sensing technology: A case study of Xiji County, Ningxia Province[J]. Urban Development Studies,2017, 24(9): 127－132. (in Chinese with English abstract)

[21] 馬燕妮，明冬萍，楊海平. 面向對象影像多尺度分割最大異質性參數估計[J]. 遙感學報，2017，21(4)：566－578.Ma Yanni, Ming Dongping, Yang Haiping. Scale estimation of object-oriented image analysis based on spectral-spatial statistics[J]. Journal of Remote Sensing , 2017, 21(4): 566－578. (in Chinese with English abstract)

[22] 佃袁勇，方圣輝，姚崇懷. 多尺度分割的高分辨率遙感影像變化檢測[J]. 遙感學報，2016，20(1)：129－137.Dian Yuanyong, Fang Shenghui, Yao Chonghuai. Change detection for high-resolution images using multilevel segment method[J]. Journal of Remote Sensing, 2016, 20(1):129－137. (in Chinese with English abstract)

[23] 劉煥軍，盛磊，于勝男，等. 基于氣候分區與遙感技術的大興安嶺濕地信息提取[J]. 生態學雜志，2017，36(7)：2068－2076.Liu Huanjun, Sheng Lei, Yu Shengnan, et al. Wetland information extraction based on climate division and remote sensing technology in Daxing’an Mountains[J]. Chinese Journal of Ecology, 2017, 36(7): 2068－2076. (in Chinese with English abstract)

[24] 胡佳，林輝，孫華，等. 濕地類型遙感影像分割最優尺度選擇[J]. 中南林業科技大學學報，2015，35(11)：32－37.Hu Jia, Lin Hui, Sun Hua, et al. Select optimal segmentation scale of wetlands using remote sensing data[J]. Journal of Central South University of Forestry & Technology, 2015,35(11): 32－37. (in Chinese with English abstract)

[25] Ponttuset J, Arbelaez P, Barron J, et al. Multiscale combinatorial grouping for image segmentation and object proposal generation[J]. IEEE Trans Pattern Anal Mach Intell,2017, 39(1): 128－140.

[26] 王彩艷，王璦玲，王介勇，等. 基于面向對象的海岸帶土地利用信息提取研究[J]. 自然資源學報，2014，29(9)：1589－1597.Wang Caiyan, Wang Ailing, Wang Jieyong, et al. Coastal zone land use information extraction based on object-oriented classification method[J]. Journal of Natural Resources, 2014,29(9): 1589－1597. (in Chinese with English abstract)

[27] 易鳳佳，李仁東，常變蓉. 基于面向對象的長株潭地區遙感影像分類方法[J]. 華中師范大學學報(自然科學版)，2014，48(6)：910－916.Yi Fengjia, Li Rendong, Chang Bianrong. A atudy on the remote sensing image of Changzhutan area based on the object-oriented classification techniques[J]. Journal of Huazhong Nationa Normal University(Nat.Sci), 2014, 48(6):910－916. (in Chinese with English abstract)

[28] Belgiu M, Drǎgu? L, Strobl J. Quantitative evaluation of variations in rule-based classifications of land cover in urban neighbourhoods using WorldView-2 imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 87: 205－215.

[29] 張華，張改改，吳睿. 基于GF－1衛星數據的面向對象的民勤綠洲植被分類研究[J]. 干旱區地理，2017，40(4)：831－838.Zhang Hua, Zhang Gaigai, Wu Rui. Object-based vegetable classification based on GF-1 imagery in Minqin Oasis[J].Arid Land Geography, 2017, 40(4): 831－838. (in Chinese with English abstract)

[30] 胡秀娟，徐涵秋，黃紹霖，等. WorldView－2近紅外光譜波段反演馬尾松植被信息的比較研究[J]. 地球信息科學學報，2016，18(4)：537－543.Hu Xiujuan, Xu Hanqiu, Huang Shaolin, et al. Comparison between the two near infrared bands of WorldView-2 imagery in their applications in Pinus Massoniana forest[J].Journal of Geo-information Science, 2016, 18(4): 537－543.(in Chinese with English abstract)

[31] 孫斌，李增元，郭中，等. 高分一號與Landsat TM數據估算稀疏植被信息對比[J]. 遙感信息，2015，30(5)：48－56.Sun Bin, Li Zengyuan, Guo Zhong, et al. Comparison of sparse vegetation information estimation based on GF-1 and Landsat multi-spectral data[J]. Remote Sensing Information,2015, 30(5): 48－56. (in Chinese with English abstract)

[32] 謝國雪，黃文校，盧遠，等. 基于高分辨率遙感影像的桑樹信息提取研究——以廣西鹿寨縣為例[J]. 中國農業資源與區劃，2015，36(2)：44－53.Xie Guoxue, Huang Wenxiao, Lu Yuan, et al. Information extraction of silkworm-croping areas based on high spatial resolution remote sensing images: A case study of Luzai County, Guangxi, China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2015, 36(2): 44－53. (in Chinese with English abstract)

[33] 牛增懿，丁建麗，李艷華，等. 基于高分一號影像的土壤鹽漬化信息提取方法[J]. 干旱區地理，2016，39(1)：171－181.Niu Zengyi, Ding Jianli, Li Yanhua, et al. Soil salinization information extraction method based on GF-1 image[J]. Arid Land Geography, 2016, 39(1): 171－181. (in Chinese with English abstract)