The Life Cycle and Life Span of Namibian Fairy Circles
1
2012
... 斑块状植被是世界上干旱—半干旱区常见的植被组成形态和景观类型,一般被认为是由于区域有限的水分—养分限制的产物,其演替速率快、生物多样性强、生物量高、具有减缓地表径流侵蚀及防风固沙、防止土壤养分流失等功能而受到广泛关注,一直是干旱—半干旱区生态系统研究的热点.斑块状植被(受区域降水、植被、地形、地质和土壤的空间异质性及人类活动干扰的影响),常呈条带状、环状、斑点状、圆形等结构,著名的如西南部非洲纳米比亚的“仙女环”[1],是干旱—半干旱地区、海岸滩涂等水分匮乏环境中常见的景观类型.它们一般形成于年降雨量50~750 mm的区域,但并非限定在特定的土壤和植被,土壤可以为砂质、粉砂、黏土,植被可为林、灌、草[2].一个斑块状植被的大小可从0.5 m2到1 200 m2不等[2-3].对于它们的形成、结构和演替研究以及它们与环境的交互作用分析能够提高人们对干旱—半干旱地区和海岸带滩涂湿地生态系统动态及其重要的生态水文过程的理解,具有重要的理论研究意义和应用价值[3-9]. ...
Self-replication of Localized Vegetation Patches in Scarce Environments
2
2016
... 斑块状植被是世界上干旱—半干旱区常见的植被组成形态和景观类型,一般被认为是由于区域有限的水分—养分限制的产物,其演替速率快、生物多样性强、生物量高、具有减缓地表径流侵蚀及防风固沙、防止土壤养分流失等功能而受到广泛关注,一直是干旱—半干旱区生态系统研究的热点.斑块状植被(受区域降水、植被、地形、地质和土壤的空间异质性及人类活动干扰的影响),常呈条带状、环状、斑点状、圆形等结构,著名的如西南部非洲纳米比亚的“仙女环”[1],是干旱—半干旱地区、海岸滩涂等水分匮乏环境中常见的景观类型.它们一般形成于年降雨量50~750 mm的区域,但并非限定在特定的土壤和植被,土壤可以为砂质、粉砂、黏土,植被可为林、灌、草[2].一个斑块状植被的大小可从0.5 m2到1 200 m2不等[2-3].对于它们的形成、结构和演替研究以及它们与环境的交互作用分析能够提高人们对干旱—半干旱地区和海岸带滩涂湿地生态系统动态及其重要的生态水文过程的理解,具有重要的理论研究意义和应用价值[3-9]. ...
... [2-3].对于它们的形成、结构和演替研究以及它们与环境的交互作用分析能够提高人们对干旱—半干旱地区和海岸带滩涂湿地生态系统动态及其重要的生态水文过程的理解,具有重要的理论研究意义和应用价值[3-9]. ...
Soil Physicochemical Properties Associated with Quasi-circular Vegetation Patches in the Yellow River Delta, China
2
2019
... 斑块状植被是世界上干旱—半干旱区常见的植被组成形态和景观类型,一般被认为是由于区域有限的水分—养分限制的产物,其演替速率快、生物多样性强、生物量高、具有减缓地表径流侵蚀及防风固沙、防止土壤养分流失等功能而受到广泛关注,一直是干旱—半干旱区生态系统研究的热点.斑块状植被(受区域降水、植被、地形、地质和土壤的空间异质性及人类活动干扰的影响),常呈条带状、环状、斑点状、圆形等结构,著名的如西南部非洲纳米比亚的“仙女环”[1],是干旱—半干旱地区、海岸滩涂等水分匮乏环境中常见的景观类型.它们一般形成于年降雨量50~750 mm的区域,但并非限定在特定的土壤和植被,土壤可以为砂质、粉砂、黏土,植被可为林、灌、草[2].一个斑块状植被的大小可从0.5 m2到1 200 m2不等[2-3].对于它们的形成、结构和演替研究以及它们与环境的交互作用分析能够提高人们对干旱—半干旱地区和海岸带滩涂湿地生态系统动态及其重要的生态水文过程的理解,具有重要的理论研究意义和应用价值[3-9]. ...
... [3-9]. ...
Self-organized Patchiness and Catastrophic Shifts in Ecosystems
0
2004
Form and Function of Grass Ring Patterns in Arid Grasslands: The Role of Abiotic Controls
0
2008
干旱地区斑块状植被格局形成的水分驱动机制及其研究进展
0
2012
干旱地区斑块状植被格局形成的水分驱动机制及其研究进展
0
2012
Vegetation Pattern Formation in Semiarid Systems Without Facilitative Mechanisms
0
2013
Ring Formation in Clonal Plants
0
2014
Clarifying Misunderstandings Regarding Vegetation Self-organisation and Spatial Patterns of Fairy Circles in Namibia: A Response to Recent Termite Hypotheses
1
2015
... 斑块状植被是世界上干旱—半干旱区常见的植被组成形态和景观类型,一般被认为是由于区域有限的水分—养分限制的产物,其演替速率快、生物多样性强、生物量高、具有减缓地表径流侵蚀及防风固沙、防止土壤养分流失等功能而受到广泛关注,一直是干旱—半干旱区生态系统研究的热点.斑块状植被(受区域降水、植被、地形、地质和土壤的空间异质性及人类活动干扰的影响),常呈条带状、环状、斑点状、圆形等结构,著名的如西南部非洲纳米比亚的“仙女环”[1],是干旱—半干旱地区、海岸滩涂等水分匮乏环境中常见的景观类型.它们一般形成于年降雨量50~750 mm的区域,但并非限定在特定的土壤和植被,土壤可以为砂质、粉砂、黏土,植被可为林、灌、草[2].一个斑块状植被的大小可从0.5 m2到1 200 m2不等[2-3].对于它们的形成、结构和演替研究以及它们与环境的交互作用分析能够提高人们对干旱—半干旱地区和海岸带滩涂湿地生态系统动态及其重要的生态水文过程的理解,具有重要的理论研究意义和应用价值[3-9]. ...
现代黄河三角洲类圆形植被斑块时空动态遥感分析
1
2016
... 斑块状植被分布及其空间格局特征是研究斑块状植被形成、演替、扩展机制的基础,也是表征斑块状植被适应自然和人类活动影响的长期变化的关键指标之一[10].尽管传统的基于地面调查的方法可以很好地检测斑块状植被分布及其空间格局,但传统方法也具有明显的劣势,如受人力、物力、财力和时间限制,调查研究范围不可能太大,只能选择研究区典型样带来研究,长时间监测研究不易.尽管长期定位观测和多次的调查可以获得一定时间重复的数据,但这种获取数据的方式本身并不能提供整个研究区斑块状植被格局动态,也无法及时响应相关驱动因素的动态变化[11-13].随着遥感技术的发展,对地观测系统逐渐形成,可以快速重复获取大面积的对地观测数据,为利用遥感技术检测斑块状植被奠定了基础,具有巨大的应用潜力,可大大提高对干旱—半干旱区斑块状植被格局动态及演替机制的认知[14]. ...
现代黄河三角洲类圆形植被斑块时空动态遥感分析
1
2016
... 斑块状植被分布及其空间格局特征是研究斑块状植被形成、演替、扩展机制的基础,也是表征斑块状植被适应自然和人类活动影响的长期变化的关键指标之一[10].尽管传统的基于地面调查的方法可以很好地检测斑块状植被分布及其空间格局,但传统方法也具有明显的劣势,如受人力、物力、财力和时间限制,调查研究范围不可能太大,只能选择研究区典型样带来研究,长时间监测研究不易.尽管长期定位观测和多次的调查可以获得一定时间重复的数据,但这种获取数据的方式本身并不能提供整个研究区斑块状植被格局动态,也无法及时响应相关驱动因素的动态变化[11-13].随着遥感技术的发展,对地观测系统逐渐形成,可以快速重复获取大面积的对地观测数据,为利用遥感技术检测斑块状植被奠定了基础,具有巨大的应用潜力,可大大提高对干旱—半干旱区斑块状植被格局动态及演替机制的认知[14]. ...
Monitoring Vegetation Dynamics in Semi-arid African Rangelands: Use and Limiations of Earth Observation Data to Characterize Vegetation Structure
1
1998
... 斑块状植被分布及其空间格局特征是研究斑块状植被形成、演替、扩展机制的基础,也是表征斑块状植被适应自然和人类活动影响的长期变化的关键指标之一[10].尽管传统的基于地面调查的方法可以很好地检测斑块状植被分布及其空间格局,但传统方法也具有明显的劣势,如受人力、物力、财力和时间限制,调查研究范围不可能太大,只能选择研究区典型样带来研究,长时间监测研究不易.尽管长期定位观测和多次的调查可以获得一定时间重复的数据,但这种获取数据的方式本身并不能提供整个研究区斑块状植被格局动态,也无法及时响应相关驱动因素的动态变化[11-13].随着遥感技术的发展,对地观测系统逐渐形成,可以快速重复获取大面积的对地观测数据,为利用遥感技术检测斑块状植被奠定了基础,具有巨大的应用潜力,可大大提高对干旱—半干旱区斑块状植被格局动态及演替机制的认知[14]. ...
A Comparison of Spatial and Spectral Image Resolution for Mapping Invasive Plants in Coastal California
1
2007
... 航拍图像利用始于上世纪40年代,长久以来都是斑块状植被检测的重要数据源[15-16].Frenkel等[17]利用1939~1981年航拍图像研究了美国俄勒冈州考克斯岛圆形狐米草斑块(面积在90~3 000 m2)的形成和扩展,结果表明:圆形狐米草斑块出现在多年平均低潮线以上1.83~2.05 m的范围内,他们认为狐米草无性生长是单一植被斑块近邻扩展的原因.Kadmon等[15]利用正射校正的历史航拍图像(空间分辨率75 cm)研究了地中海马奎斯地区的卡梅尔山的东侧树冠覆盖率和灌丛(面积2~3 m)的动态变化.Becker等[18]基于系列航拍图像(1∶78 000)研究了纳米比亚西北部卡奥科兰(Kaokoland)“仙女环”(直径5~8 m)的形成、空间分布特征及格局动态.Couteron等[16]基于数字化的航拍图像定量分析了西非布基纳法索西北部和尼日尔南部的半干旱区稀疏草原植被斑块空间格局,并基于传播抑制模型对斑块状植被格局进行了模拟.Barbier等[19]利用历史航拍图像研究了尼日尔西南部植被格局的时空变化,结果表明空间分辨率2 m的航拍图像可满足10 m尺度植被格局的研究.Strand等[20]利用1 m空间分辨率航拍图像提取了美国爱达荷州西南部奥维希高原北美西部刺柏(树冠直径2~9 m)的空间分布,分析了其从北美西部刺柏扩展到山艾灌丛草原景观的过程.Underwood等[12]利用可见近红外高光谱成像光谱仪(AVIRIS)航拍图像对加利福尼亚海岸侵入植被制图进行了比较研究,发现空间分辨率4 m,174个波段的全分辨率图像检测精度最高.Kakembo[21]基于系列航拍图像分析了南非干燥台地高原裸斑—灌丛景观格局形成和发展趋势.Odindi等[22]基于系列彩红外航拍图像(空间分辨率1 m)提取了南非东开普省灌丛入侵面积及空间格局动态. ...
Using SPOT 5 Fusion-ready Imagery to Detect Chinese Tamarisk (Saltcedar) with Mathematical Morphological Method
3
2014
... 斑块状植被分布及其空间格局特征是研究斑块状植被形成、演替、扩展机制的基础,也是表征斑块状植被适应自然和人类活动影响的长期变化的关键指标之一[10].尽管传统的基于地面调查的方法可以很好地检测斑块状植被分布及其空间格局,但传统方法也具有明显的劣势,如受人力、物力、财力和时间限制,调查研究范围不可能太大,只能选择研究区典型样带来研究,长时间监测研究不易.尽管长期定位观测和多次的调查可以获得一定时间重复的数据,但这种获取数据的方式本身并不能提供整个研究区斑块状植被格局动态,也无法及时响应相关驱动因素的动态变化[11-13].随着遥感技术的发展,对地观测系统逐渐形成,可以快速重复获取大面积的对地观测数据,为利用遥感技术检测斑块状植被奠定了基础,具有巨大的应用潜力,可大大提高对干旱—半干旱区斑块状植被格局动态及演替机制的认知[14]. ...
... 随着上世纪90年代末商用高分辨率卫星遥感的面世,越来越多的斑块状植被检测制图开始利用卫星遥感数据来开展研究.Liu等[28]发现利用Landsat 7 ETM+多光谱图像(融合后图像空间分辨率15 m),结合光谱吸收特征计算,可以较好地检测黄河三角洲新生的类圆形植被斑块(面积115~1 200 m2).Taylor等[29]比较了Landsat TM(空间分辨率30 m)、QuickBird(空间分辨率2.4 m)、SPOT 5图像(空间分辨率10 m)马缨丹制图能力,发现Landsat TM适合用来检测浓密的马缨丹,图像光谱分辨率和波段范围比空间分辨率更重要.Liu等[13]利用SPOT 5融合图像(空间分辨率2.5 m)成功提取了黄河三角洲类圆形植被斑块.Zhang等[30]比较了SPOT 5融合图像(空间分辨率2.5 m)、ALOS卫星融合图像(空间分辨率2.5 m)和资源三号图像(空间分辨率5.8 m)类圆形植被斑块检测能力,发现SPOT 5融合图像识别精度最高,ALOS融合图像识别精度最低.Boggs[31]发现利用SPOT 5卫星图像(空间分辨率2.5 m)能获得与QuickBird卫星图像(空间分辨率60 cm)相似的稀疏草原中树的覆盖率制图精度.Liu等[32]比较了中巴地球资源卫星04星(CBERS-04,空间分辨率5 m)、高分一号卫星(GF-1,空间分辨率2 m)、高分二号卫星(GF-2,空间分辨率0.8 m)全色图像类圆形植被斑块识别能力,发现CBERS-04全色图像与GF-1全色图像识别能力相近,可满足类圆形植被斑块识别需要,当要进行更精细制图时,GF-2全色图像应该被使用.Wang等[33]利用PALSAR(空间分辨率25 m)和Landsat(空间分辨率30 m)数据分析了1984~2010年刺柏林入侵半湿润-半干旱北美大草原的过程.Fernandes等[34]比较WorldView-2高分辨率卫星图像(8个波段,空间分辨率2 m)和航拍图像(4个波段,空间分辨率50 cm)识别芦竹时空分布的能力,发现WorldView-2图像具有更高的芦竹面积总体估算精度,当局部精细制图需要时,分辨率更高的航拍图像应该被使用. ...
... 斑块状植被具有独特的形态特征,特别是环状、斑点状和圆形或椭圆形植被斑块,因而可以利用其与其他植被和土地覆盖类型形态上的差异来进行检测.Perez等[54]利用色彩和形态分析技术提取了麦田中的杂草斑块.Strand 等[20]和Shekede 等[36]在利用小波变换进行斑块状植被提取时,考虑了斑块状植被圆形的形态和光滑的边界,利用了与之相接近的小波函数.Vogt等[55]基于二值化的土地覆盖图利用基于形态学的图像处理方法检测了像元级的空间格局.Liu等[56]利用Canny边缘检测算子和椭球度测量指标,成功从ALOS高分辨率影像上识别了植被斑块,检测精度89%.Liu等[13]利用数学形态学方法成功检测了黄河三角洲柽柳群落斑块,检测精度93.4%.刘庆生等[57]基于资源三号卫星图像,利用圆霍夫曼变换法成功检测了类圆形植被斑块,检测精度为84%,比基于K-均值法分类效果好. ...
Periodic Versus Scale-free Patterns in Dryland Vegetation
1
2010
... 斑块状植被分布及其空间格局特征是研究斑块状植被形成、演替、扩展机制的基础,也是表征斑块状植被适应自然和人类活动影响的长期变化的关键指标之一[10].尽管传统的基于地面调查的方法可以很好地检测斑块状植被分布及其空间格局,但传统方法也具有明显的劣势,如受人力、物力、财力和时间限制,调查研究范围不可能太大,只能选择研究区典型样带来研究,长时间监测研究不易.尽管长期定位观测和多次的调查可以获得一定时间重复的数据,但这种获取数据的方式本身并不能提供整个研究区斑块状植被格局动态,也无法及时响应相关驱动因素的动态变化[11-13].随着遥感技术的发展,对地观测系统逐渐形成,可以快速重复获取大面积的对地观测数据,为利用遥感技术检测斑块状植被奠定了基础,具有巨大的应用潜力,可大大提高对干旱—半干旱区斑块状植被格局动态及演替机制的认知[14]. ...
Studying Long-term Vegetation Dynamics Using Digital Processing of Historical Aerial Photographs
3
1999
... 航拍图像利用始于上世纪40年代,长久以来都是斑块状植被检测的重要数据源[15-16].Frenkel等[17]利用1939~1981年航拍图像研究了美国俄勒冈州考克斯岛圆形狐米草斑块(面积在90~3 000 m2)的形成和扩展,结果表明:圆形狐米草斑块出现在多年平均低潮线以上1.83~2.05 m的范围内,他们认为狐米草无性生长是单一植被斑块近邻扩展的原因.Kadmon等[15]利用正射校正的历史航拍图像(空间分辨率75 cm)研究了地中海马奎斯地区的卡梅尔山的东侧树冠覆盖率和灌丛(面积2~3 m)的动态变化.Becker等[18]基于系列航拍图像(1∶78 000)研究了纳米比亚西北部卡奥科兰(Kaokoland)“仙女环”(直径5~8 m)的形成、空间分布特征及格局动态.Couteron等[16]基于数字化的航拍图像定量分析了西非布基纳法索西北部和尼日尔南部的半干旱区稀疏草原植被斑块空间格局,并基于传播抑制模型对斑块状植被格局进行了模拟.Barbier等[19]利用历史航拍图像研究了尼日尔西南部植被格局的时空变化,结果表明空间分辨率2 m的航拍图像可满足10 m尺度植被格局的研究.Strand等[20]利用1 m空间分辨率航拍图像提取了美国爱达荷州西南部奥维希高原北美西部刺柏(树冠直径2~9 m)的空间分布,分析了其从北美西部刺柏扩展到山艾灌丛草原景观的过程.Underwood等[12]利用可见近红外高光谱成像光谱仪(AVIRIS)航拍图像对加利福尼亚海岸侵入植被制图进行了比较研究,发现空间分辨率4 m,174个波段的全分辨率图像检测精度最高.Kakembo[21]基于系列航拍图像分析了南非干燥台地高原裸斑—灌丛景观格局形成和发展趋势.Odindi等[22]基于系列彩红外航拍图像(空间分辨率1 m)提取了南非东开普省灌丛入侵面积及空间格局动态. ...
... [15]利用正射校正的历史航拍图像(空间分辨率75 cm)研究了地中海马奎斯地区的卡梅尔山的东侧树冠覆盖率和灌丛(面积2~3 m)的动态变化.Becker等[18]基于系列航拍图像(1∶78 000)研究了纳米比亚西北部卡奥科兰(Kaokoland)“仙女环”(直径5~8 m)的形成、空间分布特征及格局动态.Couteron等[16]基于数字化的航拍图像定量分析了西非布基纳法索西北部和尼日尔南部的半干旱区稀疏草原植被斑块空间格局,并基于传播抑制模型对斑块状植被格局进行了模拟.Barbier等[19]利用历史航拍图像研究了尼日尔西南部植被格局的时空变化,结果表明空间分辨率2 m的航拍图像可满足10 m尺度植被格局的研究.Strand等[20]利用1 m空间分辨率航拍图像提取了美国爱达荷州西南部奥维希高原北美西部刺柏(树冠直径2~9 m)的空间分布,分析了其从北美西部刺柏扩展到山艾灌丛草原景观的过程.Underwood等[12]利用可见近红外高光谱成像光谱仪(AVIRIS)航拍图像对加利福尼亚海岸侵入植被制图进行了比较研究,发现空间分辨率4 m,174个波段的全分辨率图像检测精度最高.Kakembo[21]基于系列航拍图像分析了南非干燥台地高原裸斑—灌丛景观格局形成和发展趋势.Odindi等[22]基于系列彩红外航拍图像(空间分辨率1 m)提取了南非东开普省灌丛入侵面积及空间格局动态. ...
... Liu等[32]基于CBERS-04、GF-1和GF-2全色图像,运用K-均值法进行了类圆形植被斑块提取研究,取得了较好的检测结果.Kadmon等[15]利用最大似然法成功将正射校正后的航拍图像分类为树、灌丛和矮灌丛3类.Backes等[45]利用最大似然法进行了杂草斑块检测,发现QuickBird影像可以用来识别宽叶杂草斑块,对于非宽叶杂草斑块识别能力有限.Odindi等[22]基于最大似然法对高分辨率彩红外航片图像计算的垂直植被指数数据进行了灌丛信息提取,总体的Kappa系数值为0.85.Liu[46]基于CBERS-04多光谱数据反演的缨帽变换亮度和绿度成分构建了决策树分类规则集,较好地识别了类圆形植被斑块,准确率、召回率及F值分别为60.3%、56.8%和0.588.Wang等[33]通过分别构建森林、常绿森林和刺柏林分类决策树,最终成功检测了刺柏林,总精度达96%.因墨西哥帽小波的球形和光滑边界类似于航拍图像中刺柏的形态,故Strand等[20]比较了二维离散墨西哥帽小波变换与灰度阈值发检测航拍图像中的刺柏效果,发现小波检测结果更准确,阈值法易受背景的阴影影响.因Haar小波有能力检测灌丛斑块的边缘信息,Shekede等[36]利用Haar小波变换检测了灌丛的扩展.Liu等[43]基于多季相CBERS-04影像的4个光谱波段和归一化植被指数等9个植被指数进行了随机森林分类,早春三月的图像植被、土壤和水体分类的总精度达98%,3~10月组合影像总体分类精度达99%,但是类圆形植被斑块的识别精度仍较低,准确率、召回率及F值分别为66.3%、43.9%和0.528,主要受斑块状植被间粘连影响. ...
Periodic Spotted Patterns in Semi-arid Vegetation Explained by a Propagation-inhibition Model
2
2001
... 航拍图像利用始于上世纪40年代,长久以来都是斑块状植被检测的重要数据源[15-16].Frenkel等[17]利用1939~1981年航拍图像研究了美国俄勒冈州考克斯岛圆形狐米草斑块(面积在90~3 000 m2)的形成和扩展,结果表明:圆形狐米草斑块出现在多年平均低潮线以上1.83~2.05 m的范围内,他们认为狐米草无性生长是单一植被斑块近邻扩展的原因.Kadmon等[15]利用正射校正的历史航拍图像(空间分辨率75 cm)研究了地中海马奎斯地区的卡梅尔山的东侧树冠覆盖率和灌丛(面积2~3 m)的动态变化.Becker等[18]基于系列航拍图像(1∶78 000)研究了纳米比亚西北部卡奥科兰(Kaokoland)“仙女环”(直径5~8 m)的形成、空间分布特征及格局动态.Couteron等[16]基于数字化的航拍图像定量分析了西非布基纳法索西北部和尼日尔南部的半干旱区稀疏草原植被斑块空间格局,并基于传播抑制模型对斑块状植被格局进行了模拟.Barbier等[19]利用历史航拍图像研究了尼日尔西南部植被格局的时空变化,结果表明空间分辨率2 m的航拍图像可满足10 m尺度植被格局的研究.Strand等[20]利用1 m空间分辨率航拍图像提取了美国爱达荷州西南部奥维希高原北美西部刺柏(树冠直径2~9 m)的空间分布,分析了其从北美西部刺柏扩展到山艾灌丛草原景观的过程.Underwood等[12]利用可见近红外高光谱成像光谱仪(AVIRIS)航拍图像对加利福尼亚海岸侵入植被制图进行了比较研究,发现空间分辨率4 m,174个波段的全分辨率图像检测精度最高.Kakembo[21]基于系列航拍图像分析了南非干燥台地高原裸斑—灌丛景观格局形成和发展趋势.Odindi等[22]基于系列彩红外航拍图像(空间分辨率1 m)提取了南非东开普省灌丛入侵面积及空间格局动态. ...
... [16]基于数字化的航拍图像定量分析了西非布基纳法索西北部和尼日尔南部的半干旱区稀疏草原植被斑块空间格局,并基于传播抑制模型对斑块状植被格局进行了模拟.Barbier等[19]利用历史航拍图像研究了尼日尔西南部植被格局的时空变化,结果表明空间分辨率2 m的航拍图像可满足10 m尺度植被格局的研究.Strand等[20]利用1 m空间分辨率航拍图像提取了美国爱达荷州西南部奥维希高原北美西部刺柏(树冠直径2~9 m)的空间分布,分析了其从北美西部刺柏扩展到山艾灌丛草原景观的过程.Underwood等[12]利用可见近红外高光谱成像光谱仪(AVIRIS)航拍图像对加利福尼亚海岸侵入植被制图进行了比较研究,发现空间分辨率4 m,174个波段的全分辨率图像检测精度最高.Kakembo[21]基于系列航拍图像分析了南非干燥台地高原裸斑—灌丛景观格局形成和发展趋势.Odindi等[22]基于系列彩红外航拍图像(空间分辨率1 m)提取了南非东开普省灌丛入侵面积及空间格局动态. ...
Introduction, Establishment and Spread of Spartina Patens on Cox Island, Siuslaw Estuary, Oregon
3
1988
... 航拍图像利用始于上世纪40年代,长久以来都是斑块状植被检测的重要数据源[15-16].Frenkel等[17]利用1939~1981年航拍图像研究了美国俄勒冈州考克斯岛圆形狐米草斑块(面积在90~3 000 m2)的形成和扩展,结果表明:圆形狐米草斑块出现在多年平均低潮线以上1.83~2.05 m的范围内,他们认为狐米草无性生长是单一植被斑块近邻扩展的原因.Kadmon等[15]利用正射校正的历史航拍图像(空间分辨率75 cm)研究了地中海马奎斯地区的卡梅尔山的东侧树冠覆盖率和灌丛(面积2~3 m)的动态变化.Becker等[18]基于系列航拍图像(1∶78 000)研究了纳米比亚西北部卡奥科兰(Kaokoland)“仙女环”(直径5~8 m)的形成、空间分布特征及格局动态.Couteron等[16]基于数字化的航拍图像定量分析了西非布基纳法索西北部和尼日尔南部的半干旱区稀疏草原植被斑块空间格局,并基于传播抑制模型对斑块状植被格局进行了模拟.Barbier等[19]利用历史航拍图像研究了尼日尔西南部植被格局的时空变化,结果表明空间分辨率2 m的航拍图像可满足10 m尺度植被格局的研究.Strand等[20]利用1 m空间分辨率航拍图像提取了美国爱达荷州西南部奥维希高原北美西部刺柏(树冠直径2~9 m)的空间分布,分析了其从北美西部刺柏扩展到山艾灌丛草原景观的过程.Underwood等[12]利用可见近红外高光谱成像光谱仪(AVIRIS)航拍图像对加利福尼亚海岸侵入植被制图进行了比较研究,发现空间分辨率4 m,174个波段的全分辨率图像检测精度最高.Kakembo[21]基于系列航拍图像分析了南非干燥台地高原裸斑—灌丛景观格局形成和发展趋势.Odindi等[22]基于系列彩红外航拍图像(空间分辨率1 m)提取了南非东开普省灌丛入侵面积及空间格局动态. ...
... 斑块状植被遥感检测方法随着遥感技术的发展而进步.早期的方法主要为目视解译或人机交互的方式来进行斑块状植被信息提取[17-19,44],如借助测面仪从航拍图像中获取斑块状植被的面积等信息[17].这种方式费时、费力、工作量大,随着计算机技术的进步,数字图像处理技术应运而生,成为斑块状植被遥感检测的主流. ...
... [17].这种方式费时、费力、工作量大,随着计算机技术的进步,数字图像处理技术应运而生,成为斑块状植被遥感检测的主流. ...
The Fairy Circles of Kaokoland (North-West Namibia) Origin, Distribution, and Characteristics
1
2000
... 航拍图像利用始于上世纪40年代,长久以来都是斑块状植被检测的重要数据源[15-16].Frenkel等[17]利用1939~1981年航拍图像研究了美国俄勒冈州考克斯岛圆形狐米草斑块(面积在90~3 000 m2)的形成和扩展,结果表明:圆形狐米草斑块出现在多年平均低潮线以上1.83~2.05 m的范围内,他们认为狐米草无性生长是单一植被斑块近邻扩展的原因.Kadmon等[15]利用正射校正的历史航拍图像(空间分辨率75 cm)研究了地中海马奎斯地区的卡梅尔山的东侧树冠覆盖率和灌丛(面积2~3 m)的动态变化.Becker等[18]基于系列航拍图像(1∶78 000)研究了纳米比亚西北部卡奥科兰(Kaokoland)“仙女环”(直径5~8 m)的形成、空间分布特征及格局动态.Couteron等[16]基于数字化的航拍图像定量分析了西非布基纳法索西北部和尼日尔南部的半干旱区稀疏草原植被斑块空间格局,并基于传播抑制模型对斑块状植被格局进行了模拟.Barbier等[19]利用历史航拍图像研究了尼日尔西南部植被格局的时空变化,结果表明空间分辨率2 m的航拍图像可满足10 m尺度植被格局的研究.Strand等[20]利用1 m空间分辨率航拍图像提取了美国爱达荷州西南部奥维希高原北美西部刺柏(树冠直径2~9 m)的空间分布,分析了其从北美西部刺柏扩展到山艾灌丛草原景观的过程.Underwood等[12]利用可见近红外高光谱成像光谱仪(AVIRIS)航拍图像对加利福尼亚海岸侵入植被制图进行了比较研究,发现空间分辨率4 m,174个波段的全分辨率图像检测精度最高.Kakembo[21]基于系列航拍图像分析了南非干燥台地高原裸斑—灌丛景观格局形成和发展趋势.Odindi等[22]基于系列彩红外航拍图像(空间分辨率1 m)提取了南非东开普省灌丛入侵面积及空间格局动态. ...
Self-organized Vegetation Patterning as a Fingerprint of Climate and Human Impact on Semi-arid Ecosystems
2
2006
... 航拍图像利用始于上世纪40年代,长久以来都是斑块状植被检测的重要数据源[15-16].Frenkel等[17]利用1939~1981年航拍图像研究了美国俄勒冈州考克斯岛圆形狐米草斑块(面积在90~3 000 m2)的形成和扩展,结果表明:圆形狐米草斑块出现在多年平均低潮线以上1.83~2.05 m的范围内,他们认为狐米草无性生长是单一植被斑块近邻扩展的原因.Kadmon等[15]利用正射校正的历史航拍图像(空间分辨率75 cm)研究了地中海马奎斯地区的卡梅尔山的东侧树冠覆盖率和灌丛(面积2~3 m)的动态变化.Becker等[18]基于系列航拍图像(1∶78 000)研究了纳米比亚西北部卡奥科兰(Kaokoland)“仙女环”(直径5~8 m)的形成、空间分布特征及格局动态.Couteron等[16]基于数字化的航拍图像定量分析了西非布基纳法索西北部和尼日尔南部的半干旱区稀疏草原植被斑块空间格局,并基于传播抑制模型对斑块状植被格局进行了模拟.Barbier等[19]利用历史航拍图像研究了尼日尔西南部植被格局的时空变化,结果表明空间分辨率2 m的航拍图像可满足10 m尺度植被格局的研究.Strand等[20]利用1 m空间分辨率航拍图像提取了美国爱达荷州西南部奥维希高原北美西部刺柏(树冠直径2~9 m)的空间分布,分析了其从北美西部刺柏扩展到山艾灌丛草原景观的过程.Underwood等[12]利用可见近红外高光谱成像光谱仪(AVIRIS)航拍图像对加利福尼亚海岸侵入植被制图进行了比较研究,发现空间分辨率4 m,174个波段的全分辨率图像检测精度最高.Kakembo[21]基于系列航拍图像分析了南非干燥台地高原裸斑—灌丛景观格局形成和发展趋势.Odindi等[22]基于系列彩红外航拍图像(空间分辨率1 m)提取了南非东开普省灌丛入侵面积及空间格局动态. ...
... 斑块状植被遥感检测方法随着遥感技术的发展而进步.早期的方法主要为目视解译或人机交互的方式来进行斑块状植被信息提取[17-19,44],如借助测面仪从航拍图像中获取斑块状植被的面积等信息[17].这种方式费时、费力、工作量大,随着计算机技术的进步,数字图像处理技术应运而生,成为斑块状植被遥感检测的主流. ...
Wavelet Estimation of Plant Spatial Patterns in Multitemporal Aerial Photography
3
2006
... 航拍图像利用始于上世纪40年代,长久以来都是斑块状植被检测的重要数据源[15-16].Frenkel等[17]利用1939~1981年航拍图像研究了美国俄勒冈州考克斯岛圆形狐米草斑块(面积在90~3 000 m2)的形成和扩展,结果表明:圆形狐米草斑块出现在多年平均低潮线以上1.83~2.05 m的范围内,他们认为狐米草无性生长是单一植被斑块近邻扩展的原因.Kadmon等[15]利用正射校正的历史航拍图像(空间分辨率75 cm)研究了地中海马奎斯地区的卡梅尔山的东侧树冠覆盖率和灌丛(面积2~3 m)的动态变化.Becker等[18]基于系列航拍图像(1∶78 000)研究了纳米比亚西北部卡奥科兰(Kaokoland)“仙女环”(直径5~8 m)的形成、空间分布特征及格局动态.Couteron等[16]基于数字化的航拍图像定量分析了西非布基纳法索西北部和尼日尔南部的半干旱区稀疏草原植被斑块空间格局,并基于传播抑制模型对斑块状植被格局进行了模拟.Barbier等[19]利用历史航拍图像研究了尼日尔西南部植被格局的时空变化,结果表明空间分辨率2 m的航拍图像可满足10 m尺度植被格局的研究.Strand等[20]利用1 m空间分辨率航拍图像提取了美国爱达荷州西南部奥维希高原北美西部刺柏(树冠直径2~9 m)的空间分布,分析了其从北美西部刺柏扩展到山艾灌丛草原景观的过程.Underwood等[12]利用可见近红外高光谱成像光谱仪(AVIRIS)航拍图像对加利福尼亚海岸侵入植被制图进行了比较研究,发现空间分辨率4 m,174个波段的全分辨率图像检测精度最高.Kakembo[21]基于系列航拍图像分析了南非干燥台地高原裸斑—灌丛景观格局形成和发展趋势.Odindi等[22]基于系列彩红外航拍图像(空间分辨率1 m)提取了南非东开普省灌丛入侵面积及空间格局动态. ...
... Liu等[32]基于CBERS-04、GF-1和GF-2全色图像,运用K-均值法进行了类圆形植被斑块提取研究,取得了较好的检测结果.Kadmon等[15]利用最大似然法成功将正射校正后的航拍图像分类为树、灌丛和矮灌丛3类.Backes等[45]利用最大似然法进行了杂草斑块检测,发现QuickBird影像可以用来识别宽叶杂草斑块,对于非宽叶杂草斑块识别能力有限.Odindi等[22]基于最大似然法对高分辨率彩红外航片图像计算的垂直植被指数数据进行了灌丛信息提取,总体的Kappa系数值为0.85.Liu[46]基于CBERS-04多光谱数据反演的缨帽变换亮度和绿度成分构建了决策树分类规则集,较好地识别了类圆形植被斑块,准确率、召回率及F值分别为60.3%、56.8%和0.588.Wang等[33]通过分别构建森林、常绿森林和刺柏林分类决策树,最终成功检测了刺柏林,总精度达96%.因墨西哥帽小波的球形和光滑边界类似于航拍图像中刺柏的形态,故Strand等[20]比较了二维离散墨西哥帽小波变换与灰度阈值发检测航拍图像中的刺柏效果,发现小波检测结果更准确,阈值法易受背景的阴影影响.因Haar小波有能力检测灌丛斑块的边缘信息,Shekede等[36]利用Haar小波变换检测了灌丛的扩展.Liu等[43]基于多季相CBERS-04影像的4个光谱波段和归一化植被指数等9个植被指数进行了随机森林分类,早春三月的图像植被、土壤和水体分类的总精度达98%,3~10月组合影像总体分类精度达99%,但是类圆形植被斑块的识别精度仍较低,准确率、召回率及F值分别为66.3%、43.9%和0.528,主要受斑块状植被间粘连影响. ...
... 斑块状植被具有独特的形态特征,特别是环状、斑点状和圆形或椭圆形植被斑块,因而可以利用其与其他植被和土地覆盖类型形态上的差异来进行检测.Perez等[54]利用色彩和形态分析技术提取了麦田中的杂草斑块.Strand 等[20]和Shekede 等[36]在利用小波变换进行斑块状植被提取时,考虑了斑块状植被圆形的形态和光滑的边界,利用了与之相接近的小波函数.Vogt等[55]基于二值化的土地覆盖图利用基于形态学的图像处理方法检测了像元级的空间格局.Liu等[56]利用Canny边缘检测算子和椭球度测量指标,成功从ALOS高分辨率影像上识别了植被斑块,检测精度89%.Liu等[13]利用数学形态学方法成功检测了黄河三角洲柽柳群落斑块,检测精度93.4%.刘庆生等[57]基于资源三号卫星图像,利用圆霍夫曼变换法成功检测了类圆形植被斑块,检测精度为84%,比基于K-均值法分类效果好. ...
Vegetation Patchiness and Implications for Landscape Function: The Case of Pteronia Incana Invader Species in Ngqushwa Rural Municipality, Eastern Cape, South Africa
1
2009
... 航拍图像利用始于上世纪40年代,长久以来都是斑块状植被检测的重要数据源[15-16].Frenkel等[17]利用1939~1981年航拍图像研究了美国俄勒冈州考克斯岛圆形狐米草斑块(面积在90~3 000 m2)的形成和扩展,结果表明:圆形狐米草斑块出现在多年平均低潮线以上1.83~2.05 m的范围内,他们认为狐米草无性生长是单一植被斑块近邻扩展的原因.Kadmon等[15]利用正射校正的历史航拍图像(空间分辨率75 cm)研究了地中海马奎斯地区的卡梅尔山的东侧树冠覆盖率和灌丛(面积2~3 m)的动态变化.Becker等[18]基于系列航拍图像(1∶78 000)研究了纳米比亚西北部卡奥科兰(Kaokoland)“仙女环”(直径5~8 m)的形成、空间分布特征及格局动态.Couteron等[16]基于数字化的航拍图像定量分析了西非布基纳法索西北部和尼日尔南部的半干旱区稀疏草原植被斑块空间格局,并基于传播抑制模型对斑块状植被格局进行了模拟.Barbier等[19]利用历史航拍图像研究了尼日尔西南部植被格局的时空变化,结果表明空间分辨率2 m的航拍图像可满足10 m尺度植被格局的研究.Strand等[20]利用1 m空间分辨率航拍图像提取了美国爱达荷州西南部奥维希高原北美西部刺柏(树冠直径2~9 m)的空间分布,分析了其从北美西部刺柏扩展到山艾灌丛草原景观的过程.Underwood等[12]利用可见近红外高光谱成像光谱仪(AVIRIS)航拍图像对加利福尼亚海岸侵入植被制图进行了比较研究,发现空间分辨率4 m,174个波段的全分辨率图像检测精度最高.Kakembo[21]基于系列航拍图像分析了南非干燥台地高原裸斑—灌丛景观格局形成和发展趋势.Odindi等[22]基于系列彩红外航拍图像(空间分辨率1 m)提取了南非东开普省灌丛入侵面积及空间格局动态. ...
Comparison of Pixel and Sub-pixel based Techniques to Separate Pteronia Incana Invaded Areas Using Multi-temporal High-resolution Imagery
2
2009
... 航拍图像利用始于上世纪40年代,长久以来都是斑块状植被检测的重要数据源[15-16].Frenkel等[17]利用1939~1981年航拍图像研究了美国俄勒冈州考克斯岛圆形狐米草斑块(面积在90~3 000 m2)的形成和扩展,结果表明:圆形狐米草斑块出现在多年平均低潮线以上1.83~2.05 m的范围内,他们认为狐米草无性生长是单一植被斑块近邻扩展的原因.Kadmon等[15]利用正射校正的历史航拍图像(空间分辨率75 cm)研究了地中海马奎斯地区的卡梅尔山的东侧树冠覆盖率和灌丛(面积2~3 m)的动态变化.Becker等[18]基于系列航拍图像(1∶78 000)研究了纳米比亚西北部卡奥科兰(Kaokoland)“仙女环”(直径5~8 m)的形成、空间分布特征及格局动态.Couteron等[16]基于数字化的航拍图像定量分析了西非布基纳法索西北部和尼日尔南部的半干旱区稀疏草原植被斑块空间格局,并基于传播抑制模型对斑块状植被格局进行了模拟.Barbier等[19]利用历史航拍图像研究了尼日尔西南部植被格局的时空变化,结果表明空间分辨率2 m的航拍图像可满足10 m尺度植被格局的研究.Strand等[20]利用1 m空间分辨率航拍图像提取了美国爱达荷州西南部奥维希高原北美西部刺柏(树冠直径2~9 m)的空间分布,分析了其从北美西部刺柏扩展到山艾灌丛草原景观的过程.Underwood等[12]利用可见近红外高光谱成像光谱仪(AVIRIS)航拍图像对加利福尼亚海岸侵入植被制图进行了比较研究,发现空间分辨率4 m,174个波段的全分辨率图像检测精度最高.Kakembo[21]基于系列航拍图像分析了南非干燥台地高原裸斑—灌丛景观格局形成和发展趋势.Odindi等[22]基于系列彩红外航拍图像(空间分辨率1 m)提取了南非东开普省灌丛入侵面积及空间格局动态. ...
... Liu等[32]基于CBERS-04、GF-1和GF-2全色图像,运用K-均值法进行了类圆形植被斑块提取研究,取得了较好的检测结果.Kadmon等[15]利用最大似然法成功将正射校正后的航拍图像分类为树、灌丛和矮灌丛3类.Backes等[45]利用最大似然法进行了杂草斑块检测,发现QuickBird影像可以用来识别宽叶杂草斑块,对于非宽叶杂草斑块识别能力有限.Odindi等[22]基于最大似然法对高分辨率彩红外航片图像计算的垂直植被指数数据进行了灌丛信息提取,总体的Kappa系数值为0.85.Liu[46]基于CBERS-04多光谱数据反演的缨帽变换亮度和绿度成分构建了决策树分类规则集,较好地识别了类圆形植被斑块,准确率、召回率及F值分别为60.3%、56.8%和0.588.Wang等[33]通过分别构建森林、常绿森林和刺柏林分类决策树,最终成功检测了刺柏林,总精度达96%.因墨西哥帽小波的球形和光滑边界类似于航拍图像中刺柏的形态,故Strand等[20]比较了二维离散墨西哥帽小波变换与灰度阈值发检测航拍图像中的刺柏效果,发现小波检测结果更准确,阈值法易受背景的阴影影响.因Haar小波有能力检测灌丛斑块的边缘信息,Shekede等[36]利用Haar小波变换检测了灌丛的扩展.Liu等[43]基于多季相CBERS-04影像的4个光谱波段和归一化植被指数等9个植被指数进行了随机森林分类,早春三月的图像植被、土壤和水体分类的总精度达98%,3~10月组合影像总体分类精度达99%,但是类圆形植被斑块的识别精度仍较低,准确率、召回率及F值分别为66.3%、43.9%和0.528,主要受斑块状植被间粘连影响. ...
Airborne Vision-based Mapping and Classification of Large Farmland Environments
1
2010
... 近年来,随着低空无人机遥感技术的快速发展,逐渐成为航拍图像获取的重要工具,因其具有飞行高度低、控制简单、成像数据空间分辨率高,可搭载高光谱传感器获得高光谱分辨率数据,搭载激光雷达可获得植被高度信息,图像受云污染少等优势,在植被制图等方面得到了广泛应用.Bryson等[23]利用低空无人机航拍图像(空间分辨率4 cm)获取了不同的植物种分布.Koc-San等[24]利用无人机航拍图像实现了柑橘树的自动检测.邱燕宁 等[25]基于无人机航拍影像(空间分辨率2 cm)研究了宁夏沙坡头草方格生态恢复区内植被群落空间格局变化.Zhang等[26]发展了一种可见光无人机航拍图像(空间分辨率50 cm)提取中国新疆西南部艾比湖植被分布信息的新方法.张和钰等[27]基于无人机航拍影像(空间分辨率1.5 cm)提取了戈壁区稀疏植被覆盖度及其空间分布特征.由此可见,利用低空无人机遥感技术将成为今后基于航拍图像进行斑块状植被检测制图的重要方向.需要提及的是,与早期航拍图像一样,多个较窄航带间的几何配准和拼接,以及各航带间光谱数据的相对辐射归一化仍将是今后航拍图像斑块状植被检测中面临的主要问题之一. ...
. Automatic Citrus Tree Extraction from UAV Images and Digital Surface Models Using Circular Hough Transform
1
2018
... 近年来,随着低空无人机遥感技术的快速发展,逐渐成为航拍图像获取的重要工具,因其具有飞行高度低、控制简单、成像数据空间分辨率高,可搭载高光谱传感器获得高光谱分辨率数据,搭载激光雷达可获得植被高度信息,图像受云污染少等优势,在植被制图等方面得到了广泛应用.Bryson等[23]利用低空无人机航拍图像(空间分辨率4 cm)获取了不同的植物种分布.Koc-San等[24]利用无人机航拍图像实现了柑橘树的自动检测.邱燕宁 等[25]基于无人机航拍影像(空间分辨率2 cm)研究了宁夏沙坡头草方格生态恢复区内植被群落空间格局变化.Zhang等[26]发展了一种可见光无人机航拍图像(空间分辨率50 cm)提取中国新疆西南部艾比湖植被分布信息的新方法.张和钰等[27]基于无人机航拍影像(空间分辨率1.5 cm)提取了戈壁区稀疏植被覆盖度及其空间分布特征.由此可见,利用低空无人机遥感技术将成为今后基于航拍图像进行斑块状植被检测制图的重要方向.需要提及的是,与早期航拍图像一样,多个较窄航带间的几何配准和拼接,以及各航带间光谱数据的相对辐射归一化仍将是今后航拍图像斑块状植被检测中面临的主要问题之一. ...
基于无人机影像的草方格生态恢复区植被空间格局演化研究
1
2019
... 近年来,随着低空无人机遥感技术的快速发展,逐渐成为航拍图像获取的重要工具,因其具有飞行高度低、控制简单、成像数据空间分辨率高,可搭载高光谱传感器获得高光谱分辨率数据,搭载激光雷达可获得植被高度信息,图像受云污染少等优势,在植被制图等方面得到了广泛应用.Bryson等[23]利用低空无人机航拍图像(空间分辨率4 cm)获取了不同的植物种分布.Koc-San等[24]利用无人机航拍图像实现了柑橘树的自动检测.邱燕宁 等[25]基于无人机航拍影像(空间分辨率2 cm)研究了宁夏沙坡头草方格生态恢复区内植被群落空间格局变化.Zhang等[26]发展了一种可见光无人机航拍图像(空间分辨率50 cm)提取中国新疆西南部艾比湖植被分布信息的新方法.张和钰等[27]基于无人机航拍影像(空间分辨率1.5 cm)提取了戈壁区稀疏植被覆盖度及其空间分布特征.由此可见,利用低空无人机遥感技术将成为今后基于航拍图像进行斑块状植被检测制图的重要方向.需要提及的是,与早期航拍图像一样,多个较窄航带间的几何配准和拼接,以及各航带间光谱数据的相对辐射归一化仍将是今后航拍图像斑块状植被检测中面临的主要问题之一. ...
基于无人机影像的草方格生态恢复区植被空间格局演化研究
1
2019
... 近年来,随着低空无人机遥感技术的快速发展,逐渐成为航拍图像获取的重要工具,因其具有飞行高度低、控制简单、成像数据空间分辨率高,可搭载高光谱传感器获得高光谱分辨率数据,搭载激光雷达可获得植被高度信息,图像受云污染少等优势,在植被制图等方面得到了广泛应用.Bryson等[23]利用低空无人机航拍图像(空间分辨率4 cm)获取了不同的植物种分布.Koc-San等[24]利用无人机航拍图像实现了柑橘树的自动检测.邱燕宁 等[25]基于无人机航拍影像(空间分辨率2 cm)研究了宁夏沙坡头草方格生态恢复区内植被群落空间格局变化.Zhang等[26]发展了一种可见光无人机航拍图像(空间分辨率50 cm)提取中国新疆西南部艾比湖植被分布信息的新方法.张和钰等[27]基于无人机航拍影像(空间分辨率1.5 cm)提取了戈壁区稀疏植被覆盖度及其空间分布特征.由此可见,利用低空无人机遥感技术将成为今后基于航拍图像进行斑块状植被检测制图的重要方向.需要提及的是,与早期航拍图像一样,多个较窄航带间的几何配准和拼接,以及各航带间光谱数据的相对辐射归一化仍将是今后航拍图像斑块状植被检测中面临的主要问题之一. ...
New Research Methods for Vegetation Information Extraction based on Visible Light Remote Sensing Images from an Unmanned Aerial Vehicle (UAV)
1
2019
... 近年来,随着低空无人机遥感技术的快速发展,逐渐成为航拍图像获取的重要工具,因其具有飞行高度低、控制简单、成像数据空间分辨率高,可搭载高光谱传感器获得高光谱分辨率数据,搭载激光雷达可获得植被高度信息,图像受云污染少等优势,在植被制图等方面得到了广泛应用.Bryson等[23]利用低空无人机航拍图像(空间分辨率4 cm)获取了不同的植物种分布.Koc-San等[24]利用无人机航拍图像实现了柑橘树的自动检测.邱燕宁 等[25]基于无人机航拍影像(空间分辨率2 cm)研究了宁夏沙坡头草方格生态恢复区内植被群落空间格局变化.Zhang等[26]发展了一种可见光无人机航拍图像(空间分辨率50 cm)提取中国新疆西南部艾比湖植被分布信息的新方法.张和钰等[27]基于无人机航拍影像(空间分辨率1.5 cm)提取了戈壁区稀疏植被覆盖度及其空间分布特征.由此可见,利用低空无人机遥感技术将成为今后基于航拍图像进行斑块状植被检测制图的重要方向.需要提及的是,与早期航拍图像一样,多个较窄航带间的几何配准和拼接,以及各航带间光谱数据的相对辐射归一化仍将是今后航拍图像斑块状植被检测中面临的主要问题之一. ...
基于无人机影像的戈壁区植被空间分布特征及其主要影响因素研究
1
2020
... 近年来,随着低空无人机遥感技术的快速发展,逐渐成为航拍图像获取的重要工具,因其具有飞行高度低、控制简单、成像数据空间分辨率高,可搭载高光谱传感器获得高光谱分辨率数据,搭载激光雷达可获得植被高度信息,图像受云污染少等优势,在植被制图等方面得到了广泛应用.Bryson等[23]利用低空无人机航拍图像(空间分辨率4 cm)获取了不同的植物种分布.Koc-San等[24]利用无人机航拍图像实现了柑橘树的自动检测.邱燕宁 等[25]基于无人机航拍影像(空间分辨率2 cm)研究了宁夏沙坡头草方格生态恢复区内植被群落空间格局变化.Zhang等[26]发展了一种可见光无人机航拍图像(空间分辨率50 cm)提取中国新疆西南部艾比湖植被分布信息的新方法.张和钰等[27]基于无人机航拍影像(空间分辨率1.5 cm)提取了戈壁区稀疏植被覆盖度及其空间分布特征.由此可见,利用低空无人机遥感技术将成为今后基于航拍图像进行斑块状植被检测制图的重要方向.需要提及的是,与早期航拍图像一样,多个较窄航带间的几何配准和拼接,以及各航带间光谱数据的相对辐射归一化仍将是今后航拍图像斑块状植被检测中面临的主要问题之一. ...
基于无人机影像的戈壁区植被空间分布特征及其主要影响因素研究
1
2020
... 近年来,随着低空无人机遥感技术的快速发展,逐渐成为航拍图像获取的重要工具,因其具有飞行高度低、控制简单、成像数据空间分辨率高,可搭载高光谱传感器获得高光谱分辨率数据,搭载激光雷达可获得植被高度信息,图像受云污染少等优势,在植被制图等方面得到了广泛应用.Bryson等[23]利用低空无人机航拍图像(空间分辨率4 cm)获取了不同的植物种分布.Koc-San等[24]利用无人机航拍图像实现了柑橘树的自动检测.邱燕宁 等[25]基于无人机航拍影像(空间分辨率2 cm)研究了宁夏沙坡头草方格生态恢复区内植被群落空间格局变化.Zhang等[26]发展了一种可见光无人机航拍图像(空间分辨率50 cm)提取中国新疆西南部艾比湖植被分布信息的新方法.张和钰等[27]基于无人机航拍影像(空间分辨率1.5 cm)提取了戈壁区稀疏植被覆盖度及其空间分布特征.由此可见,利用低空无人机遥感技术将成为今后基于航拍图像进行斑块状植被检测制图的重要方向.需要提及的是,与早期航拍图像一样,多个较窄航带间的几何配准和拼接,以及各航带间光谱数据的相对辐射归一化仍将是今后航拍图像斑块状植被检测中面临的主要问题之一. ...
Monitoring Vegetation Recovery at Abandoned Land
1
2015
... 随着上世纪90年代末商用高分辨率卫星遥感的面世,越来越多的斑块状植被检测制图开始利用卫星遥感数据来开展研究.Liu等[28]发现利用Landsat 7 ETM+多光谱图像(融合后图像空间分辨率15 m),结合光谱吸收特征计算,可以较好地检测黄河三角洲新生的类圆形植被斑块(面积115~1 200 m2).Taylor等[29]比较了Landsat TM(空间分辨率30 m)、QuickBird(空间分辨率2.4 m)、SPOT 5图像(空间分辨率10 m)马缨丹制图能力,发现Landsat TM适合用来检测浓密的马缨丹,图像光谱分辨率和波段范围比空间分辨率更重要.Liu等[13]利用SPOT 5融合图像(空间分辨率2.5 m)成功提取了黄河三角洲类圆形植被斑块.Zhang等[30]比较了SPOT 5融合图像(空间分辨率2.5 m)、ALOS卫星融合图像(空间分辨率2.5 m)和资源三号图像(空间分辨率5.8 m)类圆形植被斑块检测能力,发现SPOT 5融合图像识别精度最高,ALOS融合图像识别精度最低.Boggs[31]发现利用SPOT 5卫星图像(空间分辨率2.5 m)能获得与QuickBird卫星图像(空间分辨率60 cm)相似的稀疏草原中树的覆盖率制图精度.Liu等[32]比较了中巴地球资源卫星04星(CBERS-04,空间分辨率5 m)、高分一号卫星(GF-1,空间分辨率2 m)、高分二号卫星(GF-2,空间分辨率0.8 m)全色图像类圆形植被斑块识别能力,发现CBERS-04全色图像与GF-1全色图像识别能力相近,可满足类圆形植被斑块识别需要,当要进行更精细制图时,GF-2全色图像应该被使用.Wang等[33]利用PALSAR(空间分辨率25 m)和Landsat(空间分辨率30 m)数据分析了1984~2010年刺柏林入侵半湿润-半干旱北美大草原的过程.Fernandes等[34]比较WorldView-2高分辨率卫星图像(8个波段,空间分辨率2 m)和航拍图像(4个波段,空间分辨率50 cm)识别芦竹时空分布的能力,发现WorldView-2图像具有更高的芦竹面积总体估算精度,当局部精细制图需要时,分辨率更高的航拍图像应该被使用. ...
Accuracy Comparison of Quickbird, Landsat TM and SPOT 5 Imagery for Lantana Camara Mapping
1
2011
... 随着上世纪90年代末商用高分辨率卫星遥感的面世,越来越多的斑块状植被检测制图开始利用卫星遥感数据来开展研究.Liu等[28]发现利用Landsat 7 ETM+多光谱图像(融合后图像空间分辨率15 m),结合光谱吸收特征计算,可以较好地检测黄河三角洲新生的类圆形植被斑块(面积115~1 200 m2).Taylor等[29]比较了Landsat TM(空间分辨率30 m)、QuickBird(空间分辨率2.4 m)、SPOT 5图像(空间分辨率10 m)马缨丹制图能力,发现Landsat TM适合用来检测浓密的马缨丹,图像光谱分辨率和波段范围比空间分辨率更重要.Liu等[13]利用SPOT 5融合图像(空间分辨率2.5 m)成功提取了黄河三角洲类圆形植被斑块.Zhang等[30]比较了SPOT 5融合图像(空间分辨率2.5 m)、ALOS卫星融合图像(空间分辨率2.5 m)和资源三号图像(空间分辨率5.8 m)类圆形植被斑块检测能力,发现SPOT 5融合图像识别精度最高,ALOS融合图像识别精度最低.Boggs[31]发现利用SPOT 5卫星图像(空间分辨率2.5 m)能获得与QuickBird卫星图像(空间分辨率60 cm)相似的稀疏草原中树的覆盖率制图精度.Liu等[32]比较了中巴地球资源卫星04星(CBERS-04,空间分辨率5 m)、高分一号卫星(GF-1,空间分辨率2 m)、高分二号卫星(GF-2,空间分辨率0.8 m)全色图像类圆形植被斑块识别能力,发现CBERS-04全色图像与GF-1全色图像识别能力相近,可满足类圆形植被斑块识别需要,当要进行更精细制图时,GF-2全色图像应该被使用.Wang等[33]利用PALSAR(空间分辨率25 m)和Landsat(空间分辨率30 m)数据分析了1984~2010年刺柏林入侵半湿润-半干旱北美大草原的过程.Fernandes等[34]比较WorldView-2高分辨率卫星图像(8个波段,空间分辨率2 m)和航拍图像(4个波段,空间分辨率50 cm)识别芦竹时空分布的能力,发现WorldView-2图像具有更高的芦竹面积总体估算精度,当局部精细制图需要时,分辨率更高的航拍图像应该被使用. ...
Mapping of Circular or Elliptical Vegetation Community Patches: A Comparative Use of SPOT-5, ALOS and ZY-3 Imagery
2
2015
... 随着上世纪90年代末商用高分辨率卫星遥感的面世,越来越多的斑块状植被检测制图开始利用卫星遥感数据来开展研究.Liu等[28]发现利用Landsat 7 ETM+多光谱图像(融合后图像空间分辨率15 m),结合光谱吸收特征计算,可以较好地检测黄河三角洲新生的类圆形植被斑块(面积115~1 200 m2).Taylor等[29]比较了Landsat TM(空间分辨率30 m)、QuickBird(空间分辨率2.4 m)、SPOT 5图像(空间分辨率10 m)马缨丹制图能力,发现Landsat TM适合用来检测浓密的马缨丹,图像光谱分辨率和波段范围比空间分辨率更重要.Liu等[13]利用SPOT 5融合图像(空间分辨率2.5 m)成功提取了黄河三角洲类圆形植被斑块.Zhang等[30]比较了SPOT 5融合图像(空间分辨率2.5 m)、ALOS卫星融合图像(空间分辨率2.5 m)和资源三号图像(空间分辨率5.8 m)类圆形植被斑块检测能力,发现SPOT 5融合图像识别精度最高,ALOS融合图像识别精度最低.Boggs[31]发现利用SPOT 5卫星图像(空间分辨率2.5 m)能获得与QuickBird卫星图像(空间分辨率60 cm)相似的稀疏草原中树的覆盖率制图精度.Liu等[32]比较了中巴地球资源卫星04星(CBERS-04,空间分辨率5 m)、高分一号卫星(GF-1,空间分辨率2 m)、高分二号卫星(GF-2,空间分辨率0.8 m)全色图像类圆形植被斑块识别能力,发现CBERS-04全色图像与GF-1全色图像识别能力相近,可满足类圆形植被斑块识别需要,当要进行更精细制图时,GF-2全色图像应该被使用.Wang等[33]利用PALSAR(空间分辨率25 m)和Landsat(空间分辨率30 m)数据分析了1984~2010年刺柏林入侵半湿润-半干旱北美大草原的过程.Fernandes等[34]比较WorldView-2高分辨率卫星图像(8个波段,空间分辨率2 m)和航拍图像(4个波段,空间分辨率50 cm)识别芦竹时空分布的能力,发现WorldView-2图像具有更高的芦竹面积总体估算精度,当局部精细制图需要时,分辨率更高的航拍图像应该被使用. ...
... 随着高分辨率遥感影像的不断应用发现由于单个像元已不再能捕捉感兴趣的分类目标,传统的基于像元的分类方法应用于高分辨率影像时会出现分类精度下降的问题[47].为了克服这一问题,基于对象的方法应运而生,其不仅能利用对象的空间信息,而且也包括纹理、形态和空间相互关系等信息[48].McGlynn等[49]利用基于对象的方法和高分辨率航拍图像检测了灌丛的空间分布和扩展格局.Levin等[50]利用基于对象的方法和融合后的SPOT 5图像(空间分辨率2.5 m)识别了破碎农田景观中森林斑块和孤立树,识别精度为80%~90%.Boggs[31]比较了基于像元的归一化植被指数阈值法和基于对象的方法,发现基于对象的SPOT 5影像树冠识别方法适用于南部非洲稀疏草原树冠覆盖格局特征的研究,总体精度在72%~81%之间.Browning等[51]利用基于对象的方法监测了新墨西哥州奇瓦瓦沙漠(Chihuahuan Desert)灌丛的时空动态,灌丛分类的总精度优于90%.Fernandes等[34]基于WorldView-2影像利用基于对象的方法成功检测了河岸生境中的芦竹群落.Zhang 等[30]利用基于对象的方法比较了SPOT 5、ALOS和资源三号影像类圆形植被斑块识别能力,总精度分别为75%~84%、25%~35%、72%~83%. ...
Assessment of SPOT 5 and QuickBird Remotely Sensed Imagery for Mapping Tree Cover in Savannas
2
2010
... 随着上世纪90年代末商用高分辨率卫星遥感的面世,越来越多的斑块状植被检测制图开始利用卫星遥感数据来开展研究.Liu等[28]发现利用Landsat 7 ETM+多光谱图像(融合后图像空间分辨率15 m),结合光谱吸收特征计算,可以较好地检测黄河三角洲新生的类圆形植被斑块(面积115~1 200 m2).Taylor等[29]比较了Landsat TM(空间分辨率30 m)、QuickBird(空间分辨率2.4 m)、SPOT 5图像(空间分辨率10 m)马缨丹制图能力,发现Landsat TM适合用来检测浓密的马缨丹,图像光谱分辨率和波段范围比空间分辨率更重要.Liu等[13]利用SPOT 5融合图像(空间分辨率2.5 m)成功提取了黄河三角洲类圆形植被斑块.Zhang等[30]比较了SPOT 5融合图像(空间分辨率2.5 m)、ALOS卫星融合图像(空间分辨率2.5 m)和资源三号图像(空间分辨率5.8 m)类圆形植被斑块检测能力,发现SPOT 5融合图像识别精度最高,ALOS融合图像识别精度最低.Boggs[31]发现利用SPOT 5卫星图像(空间分辨率2.5 m)能获得与QuickBird卫星图像(空间分辨率60 cm)相似的稀疏草原中树的覆盖率制图精度.Liu等[32]比较了中巴地球资源卫星04星(CBERS-04,空间分辨率5 m)、高分一号卫星(GF-1,空间分辨率2 m)、高分二号卫星(GF-2,空间分辨率0.8 m)全色图像类圆形植被斑块识别能力,发现CBERS-04全色图像与GF-1全色图像识别能力相近,可满足类圆形植被斑块识别需要,当要进行更精细制图时,GF-2全色图像应该被使用.Wang等[33]利用PALSAR(空间分辨率25 m)和Landsat(空间分辨率30 m)数据分析了1984~2010年刺柏林入侵半湿润-半干旱北美大草原的过程.Fernandes等[34]比较WorldView-2高分辨率卫星图像(8个波段,空间分辨率2 m)和航拍图像(4个波段,空间分辨率50 cm)识别芦竹时空分布的能力,发现WorldView-2图像具有更高的芦竹面积总体估算精度,当局部精细制图需要时,分辨率更高的航拍图像应该被使用. ...
... 随着高分辨率遥感影像的不断应用发现由于单个像元已不再能捕捉感兴趣的分类目标,传统的基于像元的分类方法应用于高分辨率影像时会出现分类精度下降的问题[47].为了克服这一问题,基于对象的方法应运而生,其不仅能利用对象的空间信息,而且也包括纹理、形态和空间相互关系等信息[48].McGlynn等[49]利用基于对象的方法和高分辨率航拍图像检测了灌丛的空间分布和扩展格局.Levin等[50]利用基于对象的方法和融合后的SPOT 5图像(空间分辨率2.5 m)识别了破碎农田景观中森林斑块和孤立树,识别精度为80%~90%.Boggs[31]比较了基于像元的归一化植被指数阈值法和基于对象的方法,发现基于对象的SPOT 5影像树冠识别方法适用于南部非洲稀疏草原树冠覆盖格局特征的研究,总体精度在72%~81%之间.Browning等[51]利用基于对象的方法监测了新墨西哥州奇瓦瓦沙漠(Chihuahuan Desert)灌丛的时空动态,灌丛分类的总精度优于90%.Fernandes等[34]基于WorldView-2影像利用基于对象的方法成功检测了河岸生境中的芦竹群落.Zhang 等[30]利用基于对象的方法比较了SPOT 5、ALOS和资源三号影像类圆形植被斑块识别能力,总精度分别为75%~84%、25%~35%、72%~83%. ...
Comparison of CBERS-04, GF-1, and GF-2 Satellite Panchromatic Images for Mapping Quasi-Circular Vegetation Patches in the Yellow River Delta, China
4
2018
... 随着上世纪90年代末商用高分辨率卫星遥感的面世,越来越多的斑块状植被检测制图开始利用卫星遥感数据来开展研究.Liu等[28]发现利用Landsat 7 ETM+多光谱图像(融合后图像空间分辨率15 m),结合光谱吸收特征计算,可以较好地检测黄河三角洲新生的类圆形植被斑块(面积115~1 200 m2).Taylor等[29]比较了Landsat TM(空间分辨率30 m)、QuickBird(空间分辨率2.4 m)、SPOT 5图像(空间分辨率10 m)马缨丹制图能力,发现Landsat TM适合用来检测浓密的马缨丹,图像光谱分辨率和波段范围比空间分辨率更重要.Liu等[13]利用SPOT 5融合图像(空间分辨率2.5 m)成功提取了黄河三角洲类圆形植被斑块.Zhang等[30]比较了SPOT 5融合图像(空间分辨率2.5 m)、ALOS卫星融合图像(空间分辨率2.5 m)和资源三号图像(空间分辨率5.8 m)类圆形植被斑块检测能力,发现SPOT 5融合图像识别精度最高,ALOS融合图像识别精度最低.Boggs[31]发现利用SPOT 5卫星图像(空间分辨率2.5 m)能获得与QuickBird卫星图像(空间分辨率60 cm)相似的稀疏草原中树的覆盖率制图精度.Liu等[32]比较了中巴地球资源卫星04星(CBERS-04,空间分辨率5 m)、高分一号卫星(GF-1,空间分辨率2 m)、高分二号卫星(GF-2,空间分辨率0.8 m)全色图像类圆形植被斑块识别能力,发现CBERS-04全色图像与GF-1全色图像识别能力相近,可满足类圆形植被斑块识别需要,当要进行更精细制图时,GF-2全色图像应该被使用.Wang等[33]利用PALSAR(空间分辨率25 m)和Landsat(空间分辨率30 m)数据分析了1984~2010年刺柏林入侵半湿润-半干旱北美大草原的过程.Fernandes等[34]比较WorldView-2高分辨率卫星图像(8个波段,空间分辨率2 m)和航拍图像(4个波段,空间分辨率50 cm)识别芦竹时空分布的能力,发现WorldView-2图像具有更高的芦竹面积总体估算精度,当局部精细制图需要时,分辨率更高的航拍图像应该被使用. ...
... Liu等[32]基于CBERS-04、GF-1和GF-2全色图像,运用K-均值法进行了类圆形植被斑块提取研究,取得了较好的检测结果.Kadmon等[15]利用最大似然法成功将正射校正后的航拍图像分类为树、灌丛和矮灌丛3类.Backes等[45]利用最大似然法进行了杂草斑块检测,发现QuickBird影像可以用来识别宽叶杂草斑块,对于非宽叶杂草斑块识别能力有限.Odindi等[22]基于最大似然法对高分辨率彩红外航片图像计算的垂直植被指数数据进行了灌丛信息提取,总体的Kappa系数值为0.85.Liu[46]基于CBERS-04多光谱数据反演的缨帽变换亮度和绿度成分构建了决策树分类规则集,较好地识别了类圆形植被斑块,准确率、召回率及F值分别为60.3%、56.8%和0.588.Wang等[33]通过分别构建森林、常绿森林和刺柏林分类决策树,最终成功检测了刺柏林,总精度达96%.因墨西哥帽小波的球形和光滑边界类似于航拍图像中刺柏的形态,故Strand等[20]比较了二维离散墨西哥帽小波变换与灰度阈值发检测航拍图像中的刺柏效果,发现小波检测结果更准确,阈值法易受背景的阴影影响.因Haar小波有能力检测灌丛斑块的边缘信息,Shekede等[36]利用Haar小波变换检测了灌丛的扩展.Liu等[43]基于多季相CBERS-04影像的4个光谱波段和归一化植被指数等9个植被指数进行了随机森林分类,早春三月的图像植被、土壤和水体分类的总精度达98%,3~10月组合影像总体分类精度达99%,但是类圆形植被斑块的识别精度仍较低,准确率、召回率及F值分别为66.3%、43.9%和0.528,主要受斑块状植被间粘连影响. ...
... 另外,有不少学者开展了基于像元和基于对象的检测方法斑块状植被识别效果的比较研究,但并未获得统一的结论.Ghosh等[52]比较了基于WorldView-2影像,利用基于像元的最大似然法分类器和基于像元与对象的支持向量机和随机森林分类器检测斑块状竹子的能力,发现基于对象的方法检测精度高于基于像元的方法,其中基于对象的支持向量机分类获得了最高精度,总精度为91%.Castillejo-Gonzalez等[47]利用QuickBird影像,评估了基于像元和基于对象的六种分类算法(平行六面体、马氏距离、最大似然、光谱角制图、支持向量机、决策树算法)检测小麦田中的野燕麦斑块的能力,发现基于像元和基于对象的马氏距离和支持向量机分类器获得了最好的分类结果,总体精度在80%~99%之间.Liu等[32]比较了基于像元的K-均值法和基于对象的支持向量机分类器的类圆形植被斑块识别结果,发现两种方法的检测精度基本相当.Shi等[53]比较了基于像元的随机森林和基于对象的支持向量机的类圆形植被斑块识别结果,发现基于对象的方法更适宜检测生长季获取的高分影像,而基于像元的方法更适合检测非生长季获取的高分影像;总体上基于对象的支持向量机方法分类精度更高;与基于对象的方法相比,基于像元的方法更易受到季节性影响. ...
... 综上可知,由于所用图像质量、季相,斑块状植被大小和类型等方面的差异,基于像元的方法、基于对象的方法、基于形态学的方法及各种分类器的前人斑块状植被遥感检测能力的比较结果大不相同.这也佐证了Fassnacht等[58]的研究结果:当所用遥感数据满足分类器参数要求和检测目标的分辨率需求时,通常分类器的选择将不再显得那么重要.一般地,当斑块状植被之间、斑块状植被与其他形态相邻植被等存在粘连情况时,斑块状植被遥感检测精度较低[32,43,46],需要对其进行分割后,再进行检测.粘连斑块分割技术已在单个树冠识别[59-60]、粘连细胞计数[61-63]等方面有广泛的应用,常见的算法有分水岭变换[64],标记分水岭变换[65]、水平集[66]、凹点法[67]和活动轮廓[68]等算法,可借鉴其他领域开展的研究,将这些分割方法引入或经过一定的修订后用于斑块状植被遥感检测. ...
Characterizing the Encroachment of Juniper Forests into Sub-humid and Semi-arid Prairies from 1984 to 2010 Using PALSAR and Landsat Data
2
2018
... 随着上世纪90年代末商用高分辨率卫星遥感的面世,越来越多的斑块状植被检测制图开始利用卫星遥感数据来开展研究.Liu等[28]发现利用Landsat 7 ETM+多光谱图像(融合后图像空间分辨率15 m),结合光谱吸收特征计算,可以较好地检测黄河三角洲新生的类圆形植被斑块(面积115~1 200 m2).Taylor等[29]比较了Landsat TM(空间分辨率30 m)、QuickBird(空间分辨率2.4 m)、SPOT 5图像(空间分辨率10 m)马缨丹制图能力,发现Landsat TM适合用来检测浓密的马缨丹,图像光谱分辨率和波段范围比空间分辨率更重要.Liu等[13]利用SPOT 5融合图像(空间分辨率2.5 m)成功提取了黄河三角洲类圆形植被斑块.Zhang等[30]比较了SPOT 5融合图像(空间分辨率2.5 m)、ALOS卫星融合图像(空间分辨率2.5 m)和资源三号图像(空间分辨率5.8 m)类圆形植被斑块检测能力,发现SPOT 5融合图像识别精度最高,ALOS融合图像识别精度最低.Boggs[31]发现利用SPOT 5卫星图像(空间分辨率2.5 m)能获得与QuickBird卫星图像(空间分辨率60 cm)相似的稀疏草原中树的覆盖率制图精度.Liu等[32]比较了中巴地球资源卫星04星(CBERS-04,空间分辨率5 m)、高分一号卫星(GF-1,空间分辨率2 m)、高分二号卫星(GF-2,空间分辨率0.8 m)全色图像类圆形植被斑块识别能力,发现CBERS-04全色图像与GF-1全色图像识别能力相近,可满足类圆形植被斑块识别需要,当要进行更精细制图时,GF-2全色图像应该被使用.Wang等[33]利用PALSAR(空间分辨率25 m)和Landsat(空间分辨率30 m)数据分析了1984~2010年刺柏林入侵半湿润-半干旱北美大草原的过程.Fernandes等[34]比较WorldView-2高分辨率卫星图像(8个波段,空间分辨率2 m)和航拍图像(4个波段,空间分辨率50 cm)识别芦竹时空分布的能力,发现WorldView-2图像具有更高的芦竹面积总体估算精度,当局部精细制图需要时,分辨率更高的航拍图像应该被使用. ...
... Liu等[32]基于CBERS-04、GF-1和GF-2全色图像,运用K-均值法进行了类圆形植被斑块提取研究,取得了较好的检测结果.Kadmon等[15]利用最大似然法成功将正射校正后的航拍图像分类为树、灌丛和矮灌丛3类.Backes等[45]利用最大似然法进行了杂草斑块检测,发现QuickBird影像可以用来识别宽叶杂草斑块,对于非宽叶杂草斑块识别能力有限.Odindi等[22]基于最大似然法对高分辨率彩红外航片图像计算的垂直植被指数数据进行了灌丛信息提取,总体的Kappa系数值为0.85.Liu[46]基于CBERS-04多光谱数据反演的缨帽变换亮度和绿度成分构建了决策树分类规则集,较好地识别了类圆形植被斑块,准确率、召回率及F值分别为60.3%、56.8%和0.588.Wang等[33]通过分别构建森林、常绿森林和刺柏林分类决策树,最终成功检测了刺柏林,总精度达96%.因墨西哥帽小波的球形和光滑边界类似于航拍图像中刺柏的形态,故Strand等[20]比较了二维离散墨西哥帽小波变换与灰度阈值发检测航拍图像中的刺柏效果,发现小波检测结果更准确,阈值法易受背景的阴影影响.因Haar小波有能力检测灌丛斑块的边缘信息,Shekede等[36]利用Haar小波变换检测了灌丛的扩展.Liu等[43]基于多季相CBERS-04影像的4个光谱波段和归一化植被指数等9个植被指数进行了随机森林分类,早春三月的图像植被、土壤和水体分类的总精度达98%,3~10月组合影像总体分类精度达99%,但是类圆形植被斑块的识别精度仍较低,准确率、召回率及F值分别为66.3%、43.9%和0.528,主要受斑块状植被间粘连影响. ...
Optimal Attributes for the Object based Detection of Giant Reed in Riparian Habitats: A Comparative Study between Airborne High Spatial Resolution and WorldView-2 Imagery
2
2014
... 随着上世纪90年代末商用高分辨率卫星遥感的面世,越来越多的斑块状植被检测制图开始利用卫星遥感数据来开展研究.Liu等[28]发现利用Landsat 7 ETM+多光谱图像(融合后图像空间分辨率15 m),结合光谱吸收特征计算,可以较好地检测黄河三角洲新生的类圆形植被斑块(面积115~1 200 m2).Taylor等[29]比较了Landsat TM(空间分辨率30 m)、QuickBird(空间分辨率2.4 m)、SPOT 5图像(空间分辨率10 m)马缨丹制图能力,发现Landsat TM适合用来检测浓密的马缨丹,图像光谱分辨率和波段范围比空间分辨率更重要.Liu等[13]利用SPOT 5融合图像(空间分辨率2.5 m)成功提取了黄河三角洲类圆形植被斑块.Zhang等[30]比较了SPOT 5融合图像(空间分辨率2.5 m)、ALOS卫星融合图像(空间分辨率2.5 m)和资源三号图像(空间分辨率5.8 m)类圆形植被斑块检测能力,发现SPOT 5融合图像识别精度最高,ALOS融合图像识别精度最低.Boggs[31]发现利用SPOT 5卫星图像(空间分辨率2.5 m)能获得与QuickBird卫星图像(空间分辨率60 cm)相似的稀疏草原中树的覆盖率制图精度.Liu等[32]比较了中巴地球资源卫星04星(CBERS-04,空间分辨率5 m)、高分一号卫星(GF-1,空间分辨率2 m)、高分二号卫星(GF-2,空间分辨率0.8 m)全色图像类圆形植被斑块识别能力,发现CBERS-04全色图像与GF-1全色图像识别能力相近,可满足类圆形植被斑块识别需要,当要进行更精细制图时,GF-2全色图像应该被使用.Wang等[33]利用PALSAR(空间分辨率25 m)和Landsat(空间分辨率30 m)数据分析了1984~2010年刺柏林入侵半湿润-半干旱北美大草原的过程.Fernandes等[34]比较WorldView-2高分辨率卫星图像(8个波段,空间分辨率2 m)和航拍图像(4个波段,空间分辨率50 cm)识别芦竹时空分布的能力,发现WorldView-2图像具有更高的芦竹面积总体估算精度,当局部精细制图需要时,分辨率更高的航拍图像应该被使用. ...
... 随着高分辨率遥感影像的不断应用发现由于单个像元已不再能捕捉感兴趣的分类目标,传统的基于像元的分类方法应用于高分辨率影像时会出现分类精度下降的问题[47].为了克服这一问题,基于对象的方法应运而生,其不仅能利用对象的空间信息,而且也包括纹理、形态和空间相互关系等信息[48].McGlynn等[49]利用基于对象的方法和高分辨率航拍图像检测了灌丛的空间分布和扩展格局.Levin等[50]利用基于对象的方法和融合后的SPOT 5图像(空间分辨率2.5 m)识别了破碎农田景观中森林斑块和孤立树,识别精度为80%~90%.Boggs[31]比较了基于像元的归一化植被指数阈值法和基于对象的方法,发现基于对象的SPOT 5影像树冠识别方法适用于南部非洲稀疏草原树冠覆盖格局特征的研究,总体精度在72%~81%之间.Browning等[51]利用基于对象的方法监测了新墨西哥州奇瓦瓦沙漠(Chihuahuan Desert)灌丛的时空动态,灌丛分类的总精度优于90%.Fernandes等[34]基于WorldView-2影像利用基于对象的方法成功检测了河岸生境中的芦竹群落.Zhang 等[30]利用基于对象的方法比较了SPOT 5、ALOS和资源三号影像类圆形植被斑块识别能力,总精度分别为75%~84%、25%~35%、72%~83%. ...
Object-oriented Image Analysis for Mapping Shrub Encroachment from 1937 to 2003 in Southern New Mexico
1
2004
... 为了更好地揭示斑块状植被的形成和扩展过程,往往将早期历史存档航拍图像与最近成像的卫星遥感影像相结合使用.Laliberte等[35]综合利用1937~1996年11景航拍图像(空间分辨率86 cm)和2003年1景QuickBird卫星图像(空间分辨率60 cm)分析了新墨西哥州南部灌丛扩展变化过程.Shekede等[36]综合利用多时相航拍图像(1∶20 000)和高分辨率GeoEye卫星遥感影像(空间分辨率1.64 m)分析了斑块状木本植物扩展侵入津巴布韦稀疏草原的动态过程. ...
Wavelet-based Detection of Bush Encroachment in a Savanna Using Multi-Temporal Aerial Photographs and Satellite Imagery
4
2015
... 为了更好地揭示斑块状植被的形成和扩展过程,往往将早期历史存档航拍图像与最近成像的卫星遥感影像相结合使用.Laliberte等[35]综合利用1937~1996年11景航拍图像(空间分辨率86 cm)和2003年1景QuickBird卫星图像(空间分辨率60 cm)分析了新墨西哥州南部灌丛扩展变化过程.Shekede等[36]综合利用多时相航拍图像(1∶20 000)和高分辨率GeoEye卫星遥感影像(空间分辨率1.64 m)分析了斑块状木本植物扩展侵入津巴布韦稀疏草原的动态过程. ...
... 大量研究表明植被的物候信息对于树种识别、森林覆盖度估算、作物分类、灌丛扩展制图和土地覆盖变化监测具有重要的作用[36-42],现在已有研究分析了多时相遥感数据斑块状植被的识别能力.Liu等[43]研究发现单景影像使用时,与夏季、秋季和冬季影像相比,早春季节的CBERS-04(空间分辨率5 m)类圆形植被斑块识别精度最高,多季节影像组合使用时,早春和冬季组合识别精度最优. ...
... Liu等[32]基于CBERS-04、GF-1和GF-2全色图像,运用K-均值法进行了类圆形植被斑块提取研究,取得了较好的检测结果.Kadmon等[15]利用最大似然法成功将正射校正后的航拍图像分类为树、灌丛和矮灌丛3类.Backes等[45]利用最大似然法进行了杂草斑块检测,发现QuickBird影像可以用来识别宽叶杂草斑块,对于非宽叶杂草斑块识别能力有限.Odindi等[22]基于最大似然法对高分辨率彩红外航片图像计算的垂直植被指数数据进行了灌丛信息提取,总体的Kappa系数值为0.85.Liu[46]基于CBERS-04多光谱数据反演的缨帽变换亮度和绿度成分构建了决策树分类规则集,较好地识别了类圆形植被斑块,准确率、召回率及F值分别为60.3%、56.8%和0.588.Wang等[33]通过分别构建森林、常绿森林和刺柏林分类决策树,最终成功检测了刺柏林,总精度达96%.因墨西哥帽小波的球形和光滑边界类似于航拍图像中刺柏的形态,故Strand等[20]比较了二维离散墨西哥帽小波变换与灰度阈值发检测航拍图像中的刺柏效果,发现小波检测结果更准确,阈值法易受背景的阴影影响.因Haar小波有能力检测灌丛斑块的边缘信息,Shekede等[36]利用Haar小波变换检测了灌丛的扩展.Liu等[43]基于多季相CBERS-04影像的4个光谱波段和归一化植被指数等9个植被指数进行了随机森林分类,早春三月的图像植被、土壤和水体分类的总精度达98%,3~10月组合影像总体分类精度达99%,但是类圆形植被斑块的识别精度仍较低,准确率、召回率及F值分别为66.3%、43.9%和0.528,主要受斑块状植被间粘连影响. ...
... 斑块状植被具有独特的形态特征,特别是环状、斑点状和圆形或椭圆形植被斑块,因而可以利用其与其他植被和土地覆盖类型形态上的差异来进行检测.Perez等[54]利用色彩和形态分析技术提取了麦田中的杂草斑块.Strand 等[20]和Shekede 等[36]在利用小波变换进行斑块状植被提取时,考虑了斑块状植被圆形的形态和光滑的边界,利用了与之相接近的小波函数.Vogt等[55]基于二值化的土地覆盖图利用基于形态学的图像处理方法检测了像元级的空间格局.Liu等[56]利用Canny边缘检测算子和椭球度测量指标,成功从ALOS高分辨率影像上识别了植被斑块,检测精度89%.Liu等[13]利用数学形态学方法成功检测了黄河三角洲柽柳群落斑块,检测精度93.4%.刘庆生等[57]基于资源三号卫星图像,利用圆霍夫曼变换法成功检测了类圆形植被斑块,检测精度为84%,比基于K-均值法分类效果好. ...
Object-based Urban Tree Species Classification Using Bi-temporal WorldView-2 and WorldView-3 Images
0
2015
Assessing the Potential of Multi-seasonal WorldView-2 Imagery for Mapping West African Agroforstry Tree Species
0
2016
Mapping of Forest Alliance with Simulated Multi-seasonal Hyperspectral Satellite Imagery
0
2018
Best Accuracy Land Use/Land Cover (LULC) Classification to Derive Crop Types Using Multitemporal, Multisensor, and Multi-polarization SAR Satellite Images
0
2016
Detailed Dynamic Land Cover Mapping of Chile: Accuracy Improvement by Integrating Multi-temporal Data
0
2016
Land Use Classification and Change Detection by Using Multi-temporal Remotely Sensed Imagery: The Case of Chunati Wildlife Sancturay, Bangladesh
1
2018
... 大量研究表明植被的物候信息对于树种识别、森林覆盖度估算、作物分类、灌丛扩展制图和土地覆盖变化监测具有重要的作用[36-42],现在已有研究分析了多时相遥感数据斑块状植被的识别能力.Liu等[43]研究发现单景影像使用时,与夏季、秋季和冬季影像相比,早春季节的CBERS-04(空间分辨率5 m)类圆形植被斑块识别精度最高,多季节影像组合使用时,早春和冬季组合识别精度最优. ...
Evaluating the Potential of Multi-Seasonal CBERS-04 Imagery for Mapping the Quasi-Circular Vegetation Patches in the Yellow River Delta Using Random Forest
3
2019
... 大量研究表明植被的物候信息对于树种识别、森林覆盖度估算、作物分类、灌丛扩展制图和土地覆盖变化监测具有重要的作用[36-42],现在已有研究分析了多时相遥感数据斑块状植被的识别能力.Liu等[43]研究发现单景影像使用时,与夏季、秋季和冬季影像相比,早春季节的CBERS-04(空间分辨率5 m)类圆形植被斑块识别精度最高,多季节影像组合使用时,早春和冬季组合识别精度最优. ...
... Liu等[32]基于CBERS-04、GF-1和GF-2全色图像,运用K-均值法进行了类圆形植被斑块提取研究,取得了较好的检测结果.Kadmon等[15]利用最大似然法成功将正射校正后的航拍图像分类为树、灌丛和矮灌丛3类.Backes等[45]利用最大似然法进行了杂草斑块检测,发现QuickBird影像可以用来识别宽叶杂草斑块,对于非宽叶杂草斑块识别能力有限.Odindi等[22]基于最大似然法对高分辨率彩红外航片图像计算的垂直植被指数数据进行了灌丛信息提取,总体的Kappa系数值为0.85.Liu[46]基于CBERS-04多光谱数据反演的缨帽变换亮度和绿度成分构建了决策树分类规则集,较好地识别了类圆形植被斑块,准确率、召回率及F值分别为60.3%、56.8%和0.588.Wang等[33]通过分别构建森林、常绿森林和刺柏林分类决策树,最终成功检测了刺柏林,总精度达96%.因墨西哥帽小波的球形和光滑边界类似于航拍图像中刺柏的形态,故Strand等[20]比较了二维离散墨西哥帽小波变换与灰度阈值发检测航拍图像中的刺柏效果,发现小波检测结果更准确,阈值法易受背景的阴影影响.因Haar小波有能力检测灌丛斑块的边缘信息,Shekede等[36]利用Haar小波变换检测了灌丛的扩展.Liu等[43]基于多季相CBERS-04影像的4个光谱波段和归一化植被指数等9个植被指数进行了随机森林分类,早春三月的图像植被、土壤和水体分类的总精度达98%,3~10月组合影像总体分类精度达99%,但是类圆形植被斑块的识别精度仍较低,准确率、召回率及F值分别为66.3%、43.9%和0.528,主要受斑块状植被间粘连影响. ...
... 综上可知,由于所用图像质量、季相,斑块状植被大小和类型等方面的差异,基于像元的方法、基于对象的方法、基于形态学的方法及各种分类器的前人斑块状植被遥感检测能力的比较结果大不相同.这也佐证了Fassnacht等[58]的研究结果:当所用遥感数据满足分类器参数要求和检测目标的分辨率需求时,通常分类器的选择将不再显得那么重要.一般地,当斑块状植被之间、斑块状植被与其他形态相邻植被等存在粘连情况时,斑块状植被遥感检测精度较低[32,43,46],需要对其进行分割后,再进行检测.粘连斑块分割技术已在单个树冠识别[59-60]、粘连细胞计数[61-63]等方面有广泛的应用,常见的算法有分水岭变换[64],标记分水岭变换[65]、水平集[66]、凹点法[67]和活动轮廓[68]等算法,可借鉴其他领域开展的研究,将这些分割方法引入或经过一定的修订后用于斑块状植被遥感检测. ...
Origin of the Enigmatic, Circular, Barren Patches (‘Fairy Rings’) of the Pro-Namib
1
2001
... 斑块状植被遥感检测方法随着遥感技术的发展而进步.早期的方法主要为目视解译或人机交互的方式来进行斑块状植被信息提取[17-19,44],如借助测面仪从航拍图像中获取斑块状植被的面积等信息[17].这种方式费时、费力、工作量大,随着计算机技术的进步,数字图像处理技术应运而生,成为斑块状植被遥感检测的主流. ...
Classification of Weed Patches in QuickBird Images: Verification by Ground Truth Data
1
2006
... Liu等[32]基于CBERS-04、GF-1和GF-2全色图像,运用K-均值法进行了类圆形植被斑块提取研究,取得了较好的检测结果.Kadmon等[15]利用最大似然法成功将正射校正后的航拍图像分类为树、灌丛和矮灌丛3类.Backes等[45]利用最大似然法进行了杂草斑块检测,发现QuickBird影像可以用来识别宽叶杂草斑块,对于非宽叶杂草斑块识别能力有限.Odindi等[22]基于最大似然法对高分辨率彩红外航片图像计算的垂直植被指数数据进行了灌丛信息提取,总体的Kappa系数值为0.85.Liu[46]基于CBERS-04多光谱数据反演的缨帽变换亮度和绿度成分构建了决策树分类规则集,较好地识别了类圆形植被斑块,准确率、召回率及F值分别为60.3%、56.8%和0.588.Wang等[33]通过分别构建森林、常绿森林和刺柏林分类决策树,最终成功检测了刺柏林,总精度达96%.因墨西哥帽小波的球形和光滑边界类似于航拍图像中刺柏的形态,故Strand等[20]比较了二维离散墨西哥帽小波变换与灰度阈值发检测航拍图像中的刺柏效果,发现小波检测结果更准确,阈值法易受背景的阴影影响.因Haar小波有能力检测灌丛斑块的边缘信息,Shekede等[36]利用Haar小波变换检测了灌丛的扩展.Liu等[43]基于多季相CBERS-04影像的4个光谱波段和归一化植被指数等9个植被指数进行了随机森林分类,早春三月的图像植被、土壤和水体分类的总精度达98%,3~10月组合影像总体分类精度达99%,但是类圆形植被斑块的识别精度仍较低,准确率、召回率及F值分别为66.3%、43.9%和0.528,主要受斑块状植被间粘连影响. ...
Using the CBERS-04 Multispectral Data Tasseled Cap Transformation to Detect the Quasi-Circular Vegetation Patches
2
2019
... Liu等[32]基于CBERS-04、GF-1和GF-2全色图像,运用K-均值法进行了类圆形植被斑块提取研究,取得了较好的检测结果.Kadmon等[15]利用最大似然法成功将正射校正后的航拍图像分类为树、灌丛和矮灌丛3类.Backes等[45]利用最大似然法进行了杂草斑块检测,发现QuickBird影像可以用来识别宽叶杂草斑块,对于非宽叶杂草斑块识别能力有限.Odindi等[22]基于最大似然法对高分辨率彩红外航片图像计算的垂直植被指数数据进行了灌丛信息提取,总体的Kappa系数值为0.85.Liu[46]基于CBERS-04多光谱数据反演的缨帽变换亮度和绿度成分构建了决策树分类规则集,较好地识别了类圆形植被斑块,准确率、召回率及F值分别为60.3%、56.8%和0.588.Wang等[33]通过分别构建森林、常绿森林和刺柏林分类决策树,最终成功检测了刺柏林,总精度达96%.因墨西哥帽小波的球形和光滑边界类似于航拍图像中刺柏的形态,故Strand等[20]比较了二维离散墨西哥帽小波变换与灰度阈值发检测航拍图像中的刺柏效果,发现小波检测结果更准确,阈值法易受背景的阴影影响.因Haar小波有能力检测灌丛斑块的边缘信息,Shekede等[36]利用Haar小波变换检测了灌丛的扩展.Liu等[43]基于多季相CBERS-04影像的4个光谱波段和归一化植被指数等9个植被指数进行了随机森林分类,早春三月的图像植被、土壤和水体分类的总精度达98%,3~10月组合影像总体分类精度达99%,但是类圆形植被斑块的识别精度仍较低,准确率、召回率及F值分别为66.3%、43.9%和0.528,主要受斑块状植被间粘连影响. ...
... 综上可知,由于所用图像质量、季相,斑块状植被大小和类型等方面的差异,基于像元的方法、基于对象的方法、基于形态学的方法及各种分类器的前人斑块状植被遥感检测能力的比较结果大不相同.这也佐证了Fassnacht等[58]的研究结果:当所用遥感数据满足分类器参数要求和检测目标的分辨率需求时,通常分类器的选择将不再显得那么重要.一般地,当斑块状植被之间、斑块状植被与其他形态相邻植被等存在粘连情况时,斑块状植被遥感检测精度较低[32,43,46],需要对其进行分割后,再进行检测.粘连斑块分割技术已在单个树冠识别[59-60]、粘连细胞计数[61-63]等方面有广泛的应用,常见的算法有分水岭变换[64],标记分水岭变换[65]、水平集[66]、凹点法[67]和活动轮廓[68]等算法,可借鉴其他领域开展的研究,将这些分割方法引入或经过一定的修订后用于斑块状植被遥感检测. ...
Evaluation of Pixel- and Object-based Approaches for Mapping Wild Oat (Avena sterilis) Weed Patches in Wheat Fields Using QuickBird Imagery for Site-Specific Management
2
2014
... 随着高分辨率遥感影像的不断应用发现由于单个像元已不再能捕捉感兴趣的分类目标,传统的基于像元的分类方法应用于高分辨率影像时会出现分类精度下降的问题[47].为了克服这一问题,基于对象的方法应运而生,其不仅能利用对象的空间信息,而且也包括纹理、形态和空间相互关系等信息[48].McGlynn等[49]利用基于对象的方法和高分辨率航拍图像检测了灌丛的空间分布和扩展格局.Levin等[50]利用基于对象的方法和融合后的SPOT 5图像(空间分辨率2.5 m)识别了破碎农田景观中森林斑块和孤立树,识别精度为80%~90%.Boggs[31]比较了基于像元的归一化植被指数阈值法和基于对象的方法,发现基于对象的SPOT 5影像树冠识别方法适用于南部非洲稀疏草原树冠覆盖格局特征的研究,总体精度在72%~81%之间.Browning等[51]利用基于对象的方法监测了新墨西哥州奇瓦瓦沙漠(Chihuahuan Desert)灌丛的时空动态,灌丛分类的总精度优于90%.Fernandes等[34]基于WorldView-2影像利用基于对象的方法成功检测了河岸生境中的芦竹群落.Zhang 等[30]利用基于对象的方法比较了SPOT 5、ALOS和资源三号影像类圆形植被斑块识别能力,总精度分别为75%~84%、25%~35%、72%~83%. ...
... 另外,有不少学者开展了基于像元和基于对象的检测方法斑块状植被识别效果的比较研究,但并未获得统一的结论.Ghosh等[52]比较了基于WorldView-2影像,利用基于像元的最大似然法分类器和基于像元与对象的支持向量机和随机森林分类器检测斑块状竹子的能力,发现基于对象的方法检测精度高于基于像元的方法,其中基于对象的支持向量机分类获得了最高精度,总精度为91%.Castillejo-Gonzalez等[47]利用QuickBird影像,评估了基于像元和基于对象的六种分类算法(平行六面体、马氏距离、最大似然、光谱角制图、支持向量机、决策树算法)检测小麦田中的野燕麦斑块的能力,发现基于像元和基于对象的马氏距离和支持向量机分类器获得了最好的分类结果,总体精度在80%~99%之间.Liu等[32]比较了基于像元的K-均值法和基于对象的支持向量机分类器的类圆形植被斑块识别结果,发现两种方法的检测精度基本相当.Shi等[53]比较了基于像元的随机森林和基于对象的支持向量机的类圆形植被斑块识别结果,发现基于对象的方法更适宜检测生长季获取的高分影像,而基于像元的方法更适合检测非生长季获取的高分影像;总体上基于对象的支持向量机方法分类精度更高;与基于对象的方法相比,基于像元的方法更易受到季节性影响. ...
Evaluating Pixel and Object Based Image Classification Techniques for Mapping Plant Invasions from UAV Derived Aerial Imagery: Harrisia Pomanensis as a Case Study
1
2017
... 随着高分辨率遥感影像的不断应用发现由于单个像元已不再能捕捉感兴趣的分类目标,传统的基于像元的分类方法应用于高分辨率影像时会出现分类精度下降的问题[47].为了克服这一问题,基于对象的方法应运而生,其不仅能利用对象的空间信息,而且也包括纹理、形态和空间相互关系等信息[48].McGlynn等[49]利用基于对象的方法和高分辨率航拍图像检测了灌丛的空间分布和扩展格局.Levin等[50]利用基于对象的方法和融合后的SPOT 5图像(空间分辨率2.5 m)识别了破碎农田景观中森林斑块和孤立树,识别精度为80%~90%.Boggs[31]比较了基于像元的归一化植被指数阈值法和基于对象的方法,发现基于对象的SPOT 5影像树冠识别方法适用于南部非洲稀疏草原树冠覆盖格局特征的研究,总体精度在72%~81%之间.Browning等[51]利用基于对象的方法监测了新墨西哥州奇瓦瓦沙漠(Chihuahuan Desert)灌丛的时空动态,灌丛分类的总精度优于90%.Fernandes等[34]基于WorldView-2影像利用基于对象的方法成功检测了河岸生境中的芦竹群落.Zhang 等[30]利用基于对象的方法比较了SPOT 5、ALOS和资源三号影像类圆形植被斑块识别能力,总精度分别为75%~84%、25%~35%、72%~83%. ...
Characterization of Shrub Distribution Using High Spatial Resolution Remote Sensing: Ecosystem Implications for a Former Chihuahuan Desert Grassland
1
2006
... 随着高分辨率遥感影像的不断应用发现由于单个像元已不再能捕捉感兴趣的分类目标,传统的基于像元的分类方法应用于高分辨率影像时会出现分类精度下降的问题[47].为了克服这一问题,基于对象的方法应运而生,其不仅能利用对象的空间信息,而且也包括纹理、形态和空间相互关系等信息[48].McGlynn等[49]利用基于对象的方法和高分辨率航拍图像检测了灌丛的空间分布和扩展格局.Levin等[50]利用基于对象的方法和融合后的SPOT 5图像(空间分辨率2.5 m)识别了破碎农田景观中森林斑块和孤立树,识别精度为80%~90%.Boggs[31]比较了基于像元的归一化植被指数阈值法和基于对象的方法,发现基于对象的SPOT 5影像树冠识别方法适用于南部非洲稀疏草原树冠覆盖格局特征的研究,总体精度在72%~81%之间.Browning等[51]利用基于对象的方法监测了新墨西哥州奇瓦瓦沙漠(Chihuahuan Desert)灌丛的时空动态,灌丛分类的总精度优于90%.Fernandes等[34]基于WorldView-2影像利用基于对象的方法成功检测了河岸生境中的芦竹群落.Zhang 等[30]利用基于对象的方法比较了SPOT 5、ALOS和资源三号影像类圆形植被斑块识别能力,总精度分别为75%~84%、25%~35%、72%~83%. ...
Mapping Forest Patches and Scattered Trees from SPOT Images and Testing Their Ecological Importance for Woodland Birds in a Fragmented Agricultural Landscape
1
2009
... 随着高分辨率遥感影像的不断应用发现由于单个像元已不再能捕捉感兴趣的分类目标,传统的基于像元的分类方法应用于高分辨率影像时会出现分类精度下降的问题[47].为了克服这一问题,基于对象的方法应运而生,其不仅能利用对象的空间信息,而且也包括纹理、形态和空间相互关系等信息[48].McGlynn等[49]利用基于对象的方法和高分辨率航拍图像检测了灌丛的空间分布和扩展格局.Levin等[50]利用基于对象的方法和融合后的SPOT 5图像(空间分辨率2.5 m)识别了破碎农田景观中森林斑块和孤立树,识别精度为80%~90%.Boggs[31]比较了基于像元的归一化植被指数阈值法和基于对象的方法,发现基于对象的SPOT 5影像树冠识别方法适用于南部非洲稀疏草原树冠覆盖格局特征的研究,总体精度在72%~81%之间.Browning等[51]利用基于对象的方法监测了新墨西哥州奇瓦瓦沙漠(Chihuahuan Desert)灌丛的时空动态,灌丛分类的总精度优于90%.Fernandes等[34]基于WorldView-2影像利用基于对象的方法成功检测了河岸生境中的芦竹群落.Zhang 等[30]利用基于对象的方法比较了SPOT 5、ALOS和资源三号影像类圆形植被斑块识别能力,总精度分别为75%~84%、25%~35%、72%~83%. ...
Temporal Dynamics of Shrub Proliferation: Linking Patches to Landscapes
1
2011
... 随着高分辨率遥感影像的不断应用发现由于单个像元已不再能捕捉感兴趣的分类目标,传统的基于像元的分类方法应用于高分辨率影像时会出现分类精度下降的问题[47].为了克服这一问题,基于对象的方法应运而生,其不仅能利用对象的空间信息,而且也包括纹理、形态和空间相互关系等信息[48].McGlynn等[49]利用基于对象的方法和高分辨率航拍图像检测了灌丛的空间分布和扩展格局.Levin等[50]利用基于对象的方法和融合后的SPOT 5图像(空间分辨率2.5 m)识别了破碎农田景观中森林斑块和孤立树,识别精度为80%~90%.Boggs[31]比较了基于像元的归一化植被指数阈值法和基于对象的方法,发现基于对象的SPOT 5影像树冠识别方法适用于南部非洲稀疏草原树冠覆盖格局特征的研究,总体精度在72%~81%之间.Browning等[51]利用基于对象的方法监测了新墨西哥州奇瓦瓦沙漠(Chihuahuan Desert)灌丛的时空动态,灌丛分类的总精度优于90%.Fernandes等[34]基于WorldView-2影像利用基于对象的方法成功检测了河岸生境中的芦竹群落.Zhang 等[30]利用基于对象的方法比较了SPOT 5、ALOS和资源三号影像类圆形植被斑块识别能力,总精度分别为75%~84%、25%~35%、72%~83%. ...
A Comparison of Selected Classification Algorithms for Mapping Bamboo Patches in Lower Gangetic Plains Using Very High Resolution WorldView 2 Imagery
1
2014
... 另外,有不少学者开展了基于像元和基于对象的检测方法斑块状植被识别效果的比较研究,但并未获得统一的结论.Ghosh等[52]比较了基于WorldView-2影像,利用基于像元的最大似然法分类器和基于像元与对象的支持向量机和随机森林分类器检测斑块状竹子的能力,发现基于对象的方法检测精度高于基于像元的方法,其中基于对象的支持向量机分类获得了最高精度,总精度为91%.Castillejo-Gonzalez等[47]利用QuickBird影像,评估了基于像元和基于对象的六种分类算法(平行六面体、马氏距离、最大似然、光谱角制图、支持向量机、决策树算法)检测小麦田中的野燕麦斑块的能力,发现基于像元和基于对象的马氏距离和支持向量机分类器获得了最好的分类结果,总体精度在80%~99%之间.Liu等[32]比较了基于像元的K-均值法和基于对象的支持向量机分类器的类圆形植被斑块识别结果,发现两种方法的检测精度基本相当.Shi等[53]比较了基于像元的随机森林和基于对象的支持向量机的类圆形植被斑块识别结果,发现基于对象的方法更适宜检测生长季获取的高分影像,而基于像元的方法更适合检测非生长季获取的高分影像;总体上基于对象的支持向量机方法分类精度更高;与基于对象的方法相比,基于像元的方法更易受到季节性影响. ...
Comparing Pixel-based Random Forest and the Object-based Support Vector Machine Approaches to Map the Quasi-circular Vegetation Patches Using Individual Seasonal Fused GF-1 Imagery
1
2020
... 另外,有不少学者开展了基于像元和基于对象的检测方法斑块状植被识别效果的比较研究,但并未获得统一的结论.Ghosh等[52]比较了基于WorldView-2影像,利用基于像元的最大似然法分类器和基于像元与对象的支持向量机和随机森林分类器检测斑块状竹子的能力,发现基于对象的方法检测精度高于基于像元的方法,其中基于对象的支持向量机分类获得了最高精度,总精度为91%.Castillejo-Gonzalez等[47]利用QuickBird影像,评估了基于像元和基于对象的六种分类算法(平行六面体、马氏距离、最大似然、光谱角制图、支持向量机、决策树算法)检测小麦田中的野燕麦斑块的能力,发现基于像元和基于对象的马氏距离和支持向量机分类器获得了最好的分类结果,总体精度在80%~99%之间.Liu等[32]比较了基于像元的K-均值法和基于对象的支持向量机分类器的类圆形植被斑块识别结果,发现两种方法的检测精度基本相当.Shi等[53]比较了基于像元的随机森林和基于对象的支持向量机的类圆形植被斑块识别结果,发现基于对象的方法更适宜检测生长季获取的高分影像,而基于像元的方法更适合检测非生长季获取的高分影像;总体上基于对象的支持向量机方法分类精度更高;与基于对象的方法相比,基于像元的方法更易受到季节性影响. ...
Colour and Shape Analysis Techniques for Weed Detection in Cereal Fields
1
2000
... 斑块状植被具有独特的形态特征,特别是环状、斑点状和圆形或椭圆形植被斑块,因而可以利用其与其他植被和土地覆盖类型形态上的差异来进行检测.Perez等[54]利用色彩和形态分析技术提取了麦田中的杂草斑块.Strand 等[20]和Shekede 等[36]在利用小波变换进行斑块状植被提取时,考虑了斑块状植被圆形的形态和光滑的边界,利用了与之相接近的小波函数.Vogt等[55]基于二值化的土地覆盖图利用基于形态学的图像处理方法检测了像元级的空间格局.Liu等[56]利用Canny边缘检测算子和椭球度测量指标,成功从ALOS高分辨率影像上识别了植被斑块,检测精度89%.Liu等[13]利用数学形态学方法成功检测了黄河三角洲柽柳群落斑块,检测精度93.4%.刘庆生等[57]基于资源三号卫星图像,利用圆霍夫曼变换法成功检测了类圆形植被斑块,检测精度为84%,比基于K-均值法分类效果好. ...
Mapping Spatial Patterns with Morphological Image Processing
1
2007
... 斑块状植被具有独特的形态特征,特别是环状、斑点状和圆形或椭圆形植被斑块,因而可以利用其与其他植被和土地覆盖类型形态上的差异来进行检测.Perez等[54]利用色彩和形态分析技术提取了麦田中的杂草斑块.Strand 等[20]和Shekede 等[36]在利用小波变换进行斑块状植被提取时,考虑了斑块状植被圆形的形态和光滑的边界,利用了与之相接近的小波函数.Vogt等[55]基于二值化的土地覆盖图利用基于形态学的图像处理方法检测了像元级的空间格局.Liu等[56]利用Canny边缘检测算子和椭球度测量指标,成功从ALOS高分辨率影像上识别了植被斑块,检测精度89%.Liu等[13]利用数学形态学方法成功检测了黄河三角洲柽柳群落斑块,检测精度93.4%.刘庆生等[57]基于资源三号卫星图像,利用圆霍夫曼变换法成功检测了类圆形植被斑块,检测精度为84%,比基于K-均值法分类效果好. ...
Using ALOS High Spatial Resolution Image to Detect Vegetation Patches
1
2011
... 斑块状植被具有独特的形态特征,特别是环状、斑点状和圆形或椭圆形植被斑块,因而可以利用其与其他植被和土地覆盖类型形态上的差异来进行检测.Perez等[54]利用色彩和形态分析技术提取了麦田中的杂草斑块.Strand 等[20]和Shekede 等[36]在利用小波变换进行斑块状植被提取时,考虑了斑块状植被圆形的形态和光滑的边界,利用了与之相接近的小波函数.Vogt等[55]基于二值化的土地覆盖图利用基于形态学的图像处理方法检测了像元级的空间格局.Liu等[56]利用Canny边缘检测算子和椭球度测量指标,成功从ALOS高分辨率影像上识别了植被斑块,检测精度89%.Liu等[13]利用数学形态学方法成功检测了黄河三角洲柽柳群落斑块,检测精度93.4%.刘庆生等[57]基于资源三号卫星图像,利用圆霍夫曼变换法成功检测了类圆形植被斑块,检测精度为84%,比基于K-均值法分类效果好. ...
资源三号卫星不同空间分辨率图像斑状植被检测比较研究
1
2014
... 斑块状植被具有独特的形态特征,特别是环状、斑点状和圆形或椭圆形植被斑块,因而可以利用其与其他植被和土地覆盖类型形态上的差异来进行检测.Perez等[54]利用色彩和形态分析技术提取了麦田中的杂草斑块.Strand 等[20]和Shekede 等[36]在利用小波变换进行斑块状植被提取时,考虑了斑块状植被圆形的形态和光滑的边界,利用了与之相接近的小波函数.Vogt等[55]基于二值化的土地覆盖图利用基于形态学的图像处理方法检测了像元级的空间格局.Liu等[56]利用Canny边缘检测算子和椭球度测量指标,成功从ALOS高分辨率影像上识别了植被斑块,检测精度89%.Liu等[13]利用数学形态学方法成功检测了黄河三角洲柽柳群落斑块,检测精度93.4%.刘庆生等[57]基于资源三号卫星图像,利用圆霍夫曼变换法成功检测了类圆形植被斑块,检测精度为84%,比基于K-均值法分类效果好. ...
A Review of Studies on Tree Species Classification from Remotely Sensed Data
1
2016
... 综上可知,由于所用图像质量、季相,斑块状植被大小和类型等方面的差异,基于像元的方法、基于对象的方法、基于形态学的方法及各种分类器的前人斑块状植被遥感检测能力的比较结果大不相同.这也佐证了Fassnacht等[58]的研究结果:当所用遥感数据满足分类器参数要求和检测目标的分辨率需求时,通常分类器的选择将不再显得那么重要.一般地,当斑块状植被之间、斑块状植被与其他形态相邻植被等存在粘连情况时,斑块状植被遥感检测精度较低[32,43,46],需要对其进行分割后,再进行检测.粘连斑块分割技术已在单个树冠识别[59-60]、粘连细胞计数[61-63]等方面有广泛的应用,常见的算法有分水岭变换[64],标记分水岭变换[65]、水平集[66]、凹点法[67]和活动轮廓[68]等算法,可借鉴其他领域开展的研究,将这些分割方法引入或经过一定的修订后用于斑块状植被遥感检测. ...
An Individual Tree Crown Delineation Method based on Multi-scale Segmentation of Imagery
1
2012
... 综上可知,由于所用图像质量、季相,斑块状植被大小和类型等方面的差异,基于像元的方法、基于对象的方法、基于形态学的方法及各种分类器的前人斑块状植被遥感检测能力的比较结果大不相同.这也佐证了Fassnacht等[58]的研究结果:当所用遥感数据满足分类器参数要求和检测目标的分辨率需求时,通常分类器的选择将不再显得那么重要.一般地,当斑块状植被之间、斑块状植被与其他形态相邻植被等存在粘连情况时,斑块状植被遥感检测精度较低[32,43,46],需要对其进行分割后,再进行检测.粘连斑块分割技术已在单个树冠识别[59-60]、粘连细胞计数[61-63]等方面有广泛的应用,常见的算法有分水岭变换[64],标记分水岭变换[65]、水平集[66]、凹点法[67]和活动轮廓[68]等算法,可借鉴其他领域开展的研究,将这些分割方法引入或经过一定的修订后用于斑块状植被遥感检测. ...
基于标记控制分水岭分割方法的高分辨率遥感影像单木树冠提取
1
2016
... 综上可知,由于所用图像质量、季相,斑块状植被大小和类型等方面的差异,基于像元的方法、基于对象的方法、基于形态学的方法及各种分类器的前人斑块状植被遥感检测能力的比较结果大不相同.这也佐证了Fassnacht等[58]的研究结果:当所用遥感数据满足分类器参数要求和检测目标的分辨率需求时,通常分类器的选择将不再显得那么重要.一般地,当斑块状植被之间、斑块状植被与其他形态相邻植被等存在粘连情况时,斑块状植被遥感检测精度较低[32,43,46],需要对其进行分割后,再进行检测.粘连斑块分割技术已在单个树冠识别[59-60]、粘连细胞计数[61-63]等方面有广泛的应用,常见的算法有分水岭变换[64],标记分水岭变换[65]、水平集[66]、凹点法[67]和活动轮廓[68]等算法,可借鉴其他领域开展的研究,将这些分割方法引入或经过一定的修订后用于斑块状植被遥感检测. ...
基于标记控制分水岭分割方法的高分辨率遥感影像单木树冠提取
1
2016
... 综上可知,由于所用图像质量、季相,斑块状植被大小和类型等方面的差异,基于像元的方法、基于对象的方法、基于形态学的方法及各种分类器的前人斑块状植被遥感检测能力的比较结果大不相同.这也佐证了Fassnacht等[58]的研究结果:当所用遥感数据满足分类器参数要求和检测目标的分辨率需求时,通常分类器的选择将不再显得那么重要.一般地,当斑块状植被之间、斑块状植被与其他形态相邻植被等存在粘连情况时,斑块状植被遥感检测精度较低[32,43,46],需要对其进行分割后,再进行检测.粘连斑块分割技术已在单个树冠识别[59-60]、粘连细胞计数[61-63]等方面有广泛的应用,常见的算法有分水岭变换[64],标记分水岭变换[65]、水平集[66]、凹点法[67]和活动轮廓[68]等算法,可借鉴其他领域开展的研究,将这些分割方法引入或经过一定的修订后用于斑块状植被遥感检测. ...
基于水平集和凹点区域检测的粘连细胞分割方法
1
2016
... 综上可知,由于所用图像质量、季相,斑块状植被大小和类型等方面的差异,基于像元的方法、基于对象的方法、基于形态学的方法及各种分类器的前人斑块状植被遥感检测能力的比较结果大不相同.这也佐证了Fassnacht等[58]的研究结果:当所用遥感数据满足分类器参数要求和检测目标的分辨率需求时,通常分类器的选择将不再显得那么重要.一般地,当斑块状植被之间、斑块状植被与其他形态相邻植被等存在粘连情况时,斑块状植被遥感检测精度较低[32,43,46],需要对其进行分割后,再进行检测.粘连斑块分割技术已在单个树冠识别[59-60]、粘连细胞计数[61-63]等方面有广泛的应用,常见的算法有分水岭变换[64],标记分水岭变换[65]、水平集[66]、凹点法[67]和活动轮廓[68]等算法,可借鉴其他领域开展的研究,将这些分割方法引入或经过一定的修订后用于斑块状植被遥感检测. ...
基于水平集和凹点区域检测的粘连细胞分割方法
1
2016
... 综上可知,由于所用图像质量、季相,斑块状植被大小和类型等方面的差异,基于像元的方法、基于对象的方法、基于形态学的方法及各种分类器的前人斑块状植被遥感检测能力的比较结果大不相同.这也佐证了Fassnacht等[58]的研究结果:当所用遥感数据满足分类器参数要求和检测目标的分辨率需求时,通常分类器的选择将不再显得那么重要.一般地,当斑块状植被之间、斑块状植被与其他形态相邻植被等存在粘连情况时,斑块状植被遥感检测精度较低[32,43,46],需要对其进行分割后,再进行检测.粘连斑块分割技术已在单个树冠识别[59-60]、粘连细胞计数[61-63]等方面有广泛的应用,常见的算法有分水岭变换[64],标记分水岭变换[65]、水平集[66]、凹点法[67]和活动轮廓[68]等算法,可借鉴其他领域开展的研究,将这些分割方法引入或经过一定的修订后用于斑块状植被遥感检测. ...
多特征聚类与粘连分离模型的细胞抹片图像分割与分类
0
2017
多特征聚类与粘连分离模型的细胞抹片图像分割与分类
0
2017
血液红细胞图像自适应标记分水岭分割算法
1
2017
... 综上可知,由于所用图像质量、季相,斑块状植被大小和类型等方面的差异,基于像元的方法、基于对象的方法、基于形态学的方法及各种分类器的前人斑块状植被遥感检测能力的比较结果大不相同.这也佐证了Fassnacht等[58]的研究结果:当所用遥感数据满足分类器参数要求和检测目标的分辨率需求时,通常分类器的选择将不再显得那么重要.一般地,当斑块状植被之间、斑块状植被与其他形态相邻植被等存在粘连情况时,斑块状植被遥感检测精度较低[32,43,46],需要对其进行分割后,再进行检测.粘连斑块分割技术已在单个树冠识别[59-60]、粘连细胞计数[61-63]等方面有广泛的应用,常见的算法有分水岭变换[64],标记分水岭变换[65]、水平集[66]、凹点法[67]和活动轮廓[68]等算法,可借鉴其他领域开展的研究,将这些分割方法引入或经过一定的修订后用于斑块状植被遥感检测. ...
血液红细胞图像自适应标记分水岭分割算法
1
2017
... 综上可知,由于所用图像质量、季相,斑块状植被大小和类型等方面的差异,基于像元的方法、基于对象的方法、基于形态学的方法及各种分类器的前人斑块状植被遥感检测能力的比较结果大不相同.这也佐证了Fassnacht等[58]的研究结果:当所用遥感数据满足分类器参数要求和检测目标的分辨率需求时,通常分类器的选择将不再显得那么重要.一般地,当斑块状植被之间、斑块状植被与其他形态相邻植被等存在粘连情况时,斑块状植被遥感检测精度较低[32,43,46],需要对其进行分割后,再进行检测.粘连斑块分割技术已在单个树冠识别[59-60]、粘连细胞计数[61-63]等方面有广泛的应用,常见的算法有分水岭变换[64],标记分水岭变换[65]、水平集[66]、凹点法[67]和活动轮廓[68]等算法,可借鉴其他领域开展的研究,将这些分割方法引入或经过一定的修订后用于斑块状植被遥感检测. ...
The Watershed Transform: Definitions, Algorithms and Parallelization Strategies
1
2001
... 综上可知,由于所用图像质量、季相,斑块状植被大小和类型等方面的差异,基于像元的方法、基于对象的方法、基于形态学的方法及各种分类器的前人斑块状植被遥感检测能力的比较结果大不相同.这也佐证了Fassnacht等[58]的研究结果:当所用遥感数据满足分类器参数要求和检测目标的分辨率需求时,通常分类器的选择将不再显得那么重要.一般地,当斑块状植被之间、斑块状植被与其他形态相邻植被等存在粘连情况时,斑块状植被遥感检测精度较低[32,43,46],需要对其进行分割后,再进行检测.粘连斑块分割技术已在单个树冠识别[59-60]、粘连细胞计数[61-63]等方面有广泛的应用,常见的算法有分水岭变换[64],标记分水岭变换[65]、水平集[66]、凹点法[67]和活动轮廓[68]等算法,可借鉴其他领域开展的研究,将这些分割方法引入或经过一定的修订后用于斑块状植被遥感检测. ...
Maker based Watershed Transformation for Image Segmentation
1
2013
... 综上可知,由于所用图像质量、季相,斑块状植被大小和类型等方面的差异,基于像元的方法、基于对象的方法、基于形态学的方法及各种分类器的前人斑块状植被遥感检测能力的比较结果大不相同.这也佐证了Fassnacht等[58]的研究结果:当所用遥感数据满足分类器参数要求和检测目标的分辨率需求时,通常分类器的选择将不再显得那么重要.一般地,当斑块状植被之间、斑块状植被与其他形态相邻植被等存在粘连情况时,斑块状植被遥感检测精度较低[32,43,46],需要对其进行分割后,再进行检测.粘连斑块分割技术已在单个树冠识别[59-60]、粘连细胞计数[61-63]等方面有广泛的应用,常见的算法有分水岭变换[64],标记分水岭变换[65]、水平集[66]、凹点法[67]和活动轮廓[68]等算法,可借鉴其他领域开展的研究,将这些分割方法引入或经过一定的修订后用于斑块状植被遥感检测. ...
Advanced Level Set-based Cell Tracking in Time-lapse Fluorescence Microscopy
1
2010
... 综上可知,由于所用图像质量、季相,斑块状植被大小和类型等方面的差异,基于像元的方法、基于对象的方法、基于形态学的方法及各种分类器的前人斑块状植被遥感检测能力的比较结果大不相同.这也佐证了Fassnacht等[58]的研究结果:当所用遥感数据满足分类器参数要求和检测目标的分辨率需求时,通常分类器的选择将不再显得那么重要.一般地,当斑块状植被之间、斑块状植被与其他形态相邻植被等存在粘连情况时,斑块状植被遥感检测精度较低[32,43,46],需要对其进行分割后,再进行检测.粘连斑块分割技术已在单个树冠识别[59-60]、粘连细胞计数[61-63]等方面有广泛的应用,常见的算法有分水岭变换[64],标记分水岭变换[65]、水平集[66]、凹点法[67]和活动轮廓[68]等算法,可借鉴其他领域开展的研究,将这些分割方法引入或经过一定的修订后用于斑块状植被遥感检测. ...
Automatic Segmentation for Cell Images based on Bottleneck Detection and Ellipse Fitting
1
2016
... 综上可知,由于所用图像质量、季相,斑块状植被大小和类型等方面的差异,基于像元的方法、基于对象的方法、基于形态学的方法及各种分类器的前人斑块状植被遥感检测能力的比较结果大不相同.这也佐证了Fassnacht等[58]的研究结果:当所用遥感数据满足分类器参数要求和检测目标的分辨率需求时,通常分类器的选择将不再显得那么重要.一般地,当斑块状植被之间、斑块状植被与其他形态相邻植被等存在粘连情况时,斑块状植被遥感检测精度较低[32,43,46],需要对其进行分割后,再进行检测.粘连斑块分割技术已在单个树冠识别[59-60]、粘连细胞计数[61-63]等方面有广泛的应用,常见的算法有分水岭变换[64],标记分水岭变换[65]、水平集[66]、凹点法[67]和活动轮廓[68]等算法,可借鉴其他领域开展的研究,将这些分割方法引入或经过一定的修订后用于斑块状植被遥感检测. ...
Accurate Morphology Preserving Segmentation of Overlapping Cells based on Active Contours
1
2016
... 综上可知,由于所用图像质量、季相,斑块状植被大小和类型等方面的差异,基于像元的方法、基于对象的方法、基于形态学的方法及各种分类器的前人斑块状植被遥感检测能力的比较结果大不相同.这也佐证了Fassnacht等[58]的研究结果:当所用遥感数据满足分类器参数要求和检测目标的分辨率需求时,通常分类器的选择将不再显得那么重要.一般地,当斑块状植被之间、斑块状植被与其他形态相邻植被等存在粘连情况时,斑块状植被遥感检测精度较低[32,43,46],需要对其进行分割后,再进行检测.粘连斑块分割技术已在单个树冠识别[59-60]、粘连细胞计数[61-63]等方面有广泛的应用,常见的算法有分水岭变换[64],标记分水岭变换[65]、水平集[66]、凹点法[67]和活动轮廓[68]等算法,可借鉴其他领域开展的研究,将这些分割方法引入或经过一定的修订后用于斑块状植被遥感检测. ...