罗开盛，陶福禄



融合面向对象与缨帽变换的湿地覆被类别遥感提取方法

罗开盛1,2，陶福禄1※

（1. 中国科学院地理科学与资源研究所陆地表层格局与模拟院重点实验室，北京 100101；2. 中国科学院大学, 北京 100049）

为了有效提取湿地覆被类别遥感信息，该文基于国产环境星影像（HJ-CCD）和Landsat7遥感影像（ETM）提出了一种融合面向对象技术和缨帽变换的提取湿地覆被信息的方法，并对东洞庭湖区的湿地进行提取。遥感提取结果的总体精度90.02%，Kappa系数0.88，高于传统的分类方法分类的量化结果；获得的结果没有“椒盐现象”且比较紧致。试验结果表明融合面向对象和缨帽变换的方法能够有效的提取湿地覆被类别，精度高，效果好。研究结果为有效地利用遥感手段提取湿地覆被信息提供参考。

遥感；分类；湿地；面向对象；HJ-CCD影像；缨帽变换

0 引 言

湿地是地球上独特的生态系统，具有涵养水源、蓄洪抗灾、降解污染、维持生物多样性、提供多种资源、调节气候等一系列的功能，被称为“地球之肾”[1-3]。遥感技术的快速发展为湿地信息的获取提供了契机。从遥感数据源而言，湿地遥感研究中，常用的多光谱影像数据源[4-10]有MSS、TM/ETM、SPOT影像。高光谱影像、雷达影像也越来越多地被应用于湿地研究中[11-12]。Landsat TM（ETM）、SPOT影像等性价比高，易获取，数据处理简单，适合二级湿地的动态监测，目前应用最为普遍。湿地遥感分类方法也取得了较大进展，主要有监督分类和非监督分类。在国内外湿地遥感研究中，最小距离分类法和最大似然分类法是较常用的监督分类方法[13-14]。非监督分类的应用也比较广泛[15-17]，分类结果需要野外调查样点来验证。当两类地物光谱差异很小时，非监督分类的效果较差。近年来也出现了一些新方法，例如支持向量机法。但总的来说由于“同谱异物”现象的存在，各湿地类别的光谱容易混淆，湿地类型提取精度难以取得实质性的突破，成为湿地遥感发展的瓶颈。而传统基于像元的分类方法仅仅利用地物的光谱信息显然无法克服这一难题。面向对象技术可以充分挖掘地物的除光谱以外的空间、拓扑等各种特征，因此近年来许多学者利用该技术进行土地覆被信息的提取[15-19]。结合光谱及其他特征，融合多种方法可能是解决湿地光谱混淆，提高湿地提取精度的重要途径，但是这方面的研究鲜有报道。

环境减灾卫星（HJ-1A/1B）于2008年9月成功发射，其搭载CCD相机4个波段，分辨率为30 m，重访周期 3 d。国产环境卫星对生态环境进行动态监测，为环境质量的快速科学评估和环境保护工作提供科学依据[19]。近年来也有相关学者利用HJ-CCD影像对地表覆被信息进行提取，例如罗开盛等[20]利用HJ-CCD为主要数据源对湖南麻阳县的各种土地信息进行了提取。但总体上利用HJ-CCD影像提取地表覆被类型的研究相对较少，对湿地信息进行提取的研究更是鲜有报道。国产环境星影像资源有待进一步利用和发挥其预期的作用。

基于此，本文以HJ-CCD和ETM遥感影像为数据源，融合面向对象技术和缨帽变换方法，提出了一种提取湿地覆被的遥感提取方法-面向对象和缨帽变化组合法（以下简称组合法），对东洞庭湖的湿地覆被进行提取。以期探索出有效提取湿地覆被类别的遥感方法；探索克服湿地光谱混淆的难题的途径；促进遥感技术和国产环境星影像在湿地覆被动态监测中的应用。

1 原理与方法

1.1 研究区域概况

研究区介于112°3′～112°20′E与28°43′～29°01′N之间，处于洞庭湖湿地的东侧，包括东洞庭湖湿地自然保护区以及周边的洞庭湖湿地（图1）。该区位于中亚热带向北亚热带过渡气候区，由于受东亚季风和洞庭湖庞大水体的影响，气候温和湿润、光照充足、四季分明。年均温度17 ℃；1月的平均气温为4.4 ℃；7月最高温为29.2 ℃。年日照时数1 600 h，年降雨量1 295.4 mm。该区是中国鸟类和亚洲水禽的重要栖息地。

图1 东洞庭试验区

1.2 试验数据选取与处理

本研究的数据源包括：2010年夏季（6月8日）的HJ/A-CCD遥感影像；2010年冬季（12月20日）的Landsat ETM影像；2010年1 : 10万湖南土地覆被分类图；2010年野外实地采样数据。数据的预处理包括投影转换，几何校正和辐射校正。

1.3 湿地遥感提取的分类系统

利用遥感手段的湿地分类系统不同于其湿地研究的分类系统，通常考虑遥感的监测能力而比较宏观。尽管国内外有学者进行探索，但分类体系和分类方法带有很强的区域特征，可比性差。联合国粮农组织和联合国环境规划署开发了土地覆被分类方法（land cover classification system，LCCS）能够弥补以上缺点。目前LCCS已纳入国际标准化组织批准进程，成为国际碳收支认证的土地覆被分类标准。因此，本文采用张磊等[21]根据LCCS建立的中国湿地覆被分类系统（表1）。

1.4 面向对象技术

面向对象分类技术是应用到土地覆被信息提取的新技术，由于它可以充分利用影像的光谱、空间、拓扑等各种信息而得到众多研究者的认可。面向对象技术和传统分类技术有着本质上的不同，因为它的基质是包含物理意义的对象。面向对象技术在土地覆被中的应用是一次革命性的变化[22-23]。本试验在e-Cognition软件平台中进行，它是目前面向对象技术中最具代表性的专业软件。

分割是面向对象技术遥感信息提取的基础。本文采用基于相邻像元异质性最小的区域合并算法。这种算法首先以一个种子进行并行生长，然后又以此为种子合并同质性比较大的相邻像元，直到达到一定的阈值（分割参数）后停止[24]。尺度值越大，分割获得的对象越少，单位对象的面积越大。尺度越小，分割的对象越多，单位对象的面积越小。但是尺度过大会出现“湮没现象”，造成一些地物信息无法提取；尺度过小会增加分类中阈值设置的工作量。由于不同地物类别有其特性和空间结构，因而需要采用多尺度分割方法，即对影像进行不同尺度的分割，然后在不同的分割层上进行不同湿地类别信息的提取（图2）。目前还没有自动获得最优分割尺度的有效方法，反复试验然后目视判断是比较可靠的方法[24]。

表1 湿地覆被遥感信息提取分类体系

注：：覆盖度/郁闭度，%；：植被高度，m；：水一年覆盖时间，月。

Note: Letterindicates the coverage/canopy density, %; letterrepresents the height of vegetation and unit is the meter; letterrepresents the period of water submerging and the unit is month

图2 影像多尺度分割格局

1.5 缨帽变换

缨帽变换（tasseled cap transformation，TC）。TC对原始数据进行正交变换，去除原始影像各波段间的冗余信息，变换后的结果具有重要的物理意义。对于Ｌandsat7 ETM数据，其结果有6个输出波段：亮度、绿度与湿度，第四分量、第五分量和第六分量都为噪声[25-26]。经过反复试验表明湿度分量可用于识别湿地与普通陆地以及植被性湿地与非植被性湿地，绿度分量可用于区分森林湿地，灌丛湿地、草本湿地等植被性湿地类型。

2 结果与分析

2.1 影像的多尺度分割

本文采用多层多尺度分割法，在不同的分割层上进行湿地覆被的提取。经反复试验，最后确定在分割尺度为80、30和15三个层上提取湿地覆被。尺度为80的影像层中把非湿地信息剔除出去。尺度为30的影像层上提取森林湿地、灌丛湿地和草本湿地信息。尺度为15的影像层上提取河流、湖泊、水渠、水库/坑塘等湿地信息。

2.2 湿地覆被信息提取的特征选择

结合相关知识和野外实地考察分析获得提取湿地的特征。本文用于湿地信息提取的特征主要包括各波段光谱及派生特征、纹理特征、结构特征和几何特征：1）湿度分量，主要用于区分湿地与非湿地（普通陆地）；2）绿度分量，主要用于区分森林湿地、灌丛湿地、草本湿地等植被性湿地；3）夏季标准归一化植被指数（NDVI）与冬季NDVI之和（累积NDVI，代表）；4）冬季的NDVI（）；5）纹理特征中的灰度共生矩阵（Grey Level Co-occurrence Matrix，GLCM，用代表）；6）长宽比（），即对象外接矩形的长和宽的比值；7）对象的长度Length（）；Length是对象外接矩形的对角线长度。8）形状指数SI（）。

2.3 湿地覆被遥感信息提取的过程

2.3.1 湿地覆被遥感信息提取的流程

本文采用二分决策树进行湿地覆被的提取。此方法的每个节点上只有互补的两个子类别，最后节点上的类别即我们所要获得的地物类别[24]。先将整个遥感影像分为湿地和非湿地两类。然后将湿地分解为植被性湿地和非植被性湿地。植被性湿地按一年中生物量大小可分为森林湿地、灌丛湿地和草本湿地。然后首先将草本湿地提取出来，即将植被性湿地分为草本湿地和非草本湿地。非草本湿地再分解成森林湿地和灌丛湿地。非植被性湿地可分为线状湿地和面状湿地。线状湿地进一步分为河流和水渠，而面状湿地划分为湖泊和人工的水库/坑塘（图3）。

2.3.2 基于组合法的湿地提取过程

将ETM影像在ENVI软件平台中进行缨帽变换，获得6个分量。将分别代表亮度、绿度和湿度的前3个变量以图层形式分别输出。统一坐标投影后，在ENVI软件中通过波段叠加的方式与HJ-CCD的4个波段进行融合，形成一幅具有7个波段的融合影像。将融合的新影像输入e-Cognition软件中进行湿地覆被的遥感信息提取试验。在影像分割过程中，对7个波段进行相同尺度的分割以保证边界的一致性。

湿地由水和土壤组成，它的湿度指数值介于土壤和水之间。TC变换后的第一分量即湿度分量能够很好地表征这一特性。湿度分量反映了土壤的湿度状况，其对于湿地信息的提取具有十分重要的参考价值。一般来说，随着土壤含水量的增加，可见光和红外波段反射率降低。反复试验后发现阈值为42时比较合适，大于42的为湿地，其余为非湿地（陆地）。湿地有一部分带有浓厚的植被特性，我们称之为植被性湿地，其他的为非植被性湿地。两者在光谱特征上差异很大，冬季的NDVI是区分两者的最佳指标。反复试验表明NDVI大于0.2的为植被性湿地，反之为非植被性湿地。

注：V7的单位是像元数；V1、V2、V3、V4、V5、V6和V8为无量纲数值

非植被性湿地按照空间特征明显可以分为面状湿地以及线状湿地。本文中的面状湿地包括水库/坑塘和湖泊，而线状湿地包括水渠和河流。长度指标（length）是表征空间形状特征的重要指标。我们首先得将非植被湿地对象进行合并，然后使用此特征。反复试验表明长度为210个像元是线状湿地和面状湿地的临界点。从图1可以看到河流与水渠在充水的时候光谱差异相当小，仅仅利用光谱特征是无法区分的，但河流与水渠的外接矩形的长宽比差异很大，同时在纹理特征上水渠的密度大得多。长宽比大于等于3且灰度共生矩阵值大于等于1.1的线性湿地归为水渠，其他则为河流。湖泊是自然形成的，而水库/坑塘是带有明显人工烙印地物类别。因此水库/坑塘的形状更加规则。利用形状指数表征这一差别。试验表明形状指数小于等于1.24的为水库/坑塘，反之为湖泊。

植被性湿地和非植被性湿地之间的光谱差异比较大，利用光谱指标进行运算的方法来拉大它们之间的差异。草本湿地与灌木湿地及森林湿地在单个季节的生物量差异可能比较小，但冬夏累积生物量差异是比较大。利用累积NDVI表征这一差异，先将草本湿地从植被性湿地中提取出来。灌丛湿地与森林湿地的光谱特征有一定的差异，试验表明利用TC变换后的绿度分量能够将二者区分，阈值是36。

2.4 结果评价与比较

2.4.1 结果评价

从效果上看，组合法获得的结果比较紧致，并不显得破碎，保持了较高的类别与形状一致性，各类型的区分较为明显，不同类型的边界几何形态较为清晰，椒盐噪声相对较少（图4），能够克服传统基于像元方法的“椒盐现象”。这主要是因为面向对象技术是基于有意义的对象，而不是细小的像元。2010年研究区湿地总面积为766.33 km2（95.03%）。森林湿地33.00 km2，水库/坑塘49.33 km2，河流139.89 km2，湖泊23.86 km2，灌丛湿地192.41 km2，草本湿地322.76 km2。

图4 湿地覆被类别遥感信息提取结果

精度验证是在对成果进行定性评价的基础上的定量分析[25]。利用ENVI 4.8软件的Generate random sample工具随机产生400个样本点，结合2010年的1 : 10万湖南土地覆被分类图及野外样点，通过叠加判读样本点的湿地覆被类型，进而生成混淆矩阵。评价指标是制图精度和用户精度，以及分类总精度和Kappa系数。组合法分类结果的总精度为90.02%；Kappa系数为0.882 1。

2.4.2 与传统方法提取结果的比较

为了进一步验证组合法在中低分辨率影像的湿地遥感分类中的有效性，并比较该方法与传统基于像元方法之间的差异与优劣，本文利用ENVI 4.8软件的监督分类模块，最大似然、最小距离、平行六面体、神经网络、马氏距离、支持向量机（support vector machine，SVM）、均值（Means）及迭代自组织数据分析技术（ISODATA）等传统基于像元的分类方法对研究区的湿地覆被进行了提取，并将分类结果精度与组合法进行了比较[28]（表2、图5和图6）。

对比9种方法的总体精度和Kappa系数，组合法的最高。ISODATA分类结果的总体精度和Kappa系数最低，分别为17.38%和0.107 6。基于像元的分类结果的总精度小于65%，Kappa系数小于0.6，而组合法的总体精度为90.02%，Kappa系数为0.882 1。总体上而言，组合法分类结果的总体精度和Kappa系数都高于传统方法。9种方法总体可以归为4类，即非监督分类法、监督分类法、改进的基于像元分类法和组合法。非监督分类法包括ISODATA和Means；监督分类法包括平行六面体、最小距离、马氏距离、最大似然和神经网络；改进的基于像元分类法指支持向量机法（SVM）。从表2可知非监督分类各方法的总体精度和Kappa系数最低，监督分类的总体精度和Kappa系数高一些；改进的基于像元分类法在基于像元的各分类方法中总体精度和Kappa系数最高，但都低于组合法。

表2 9种方法的分类总精度和Kappa系数比较

图5 9种分类方法各湿地类别分类精度

图5中各种方法湿地覆被类别中，除了森林湿地之外，组合法的用户精度和制图精度都是最高的。最小距离法获得的森林湿地结果的制图精度最高。组合法提取的植被性湿地（森林湿地，灌丛湿地和草本湿地）的用户精度都要远远高于其他方法，制图精度也最高，这主要融合了缨帽变换，充分利用湿度和绿度分量的结果。组合法提取的湖泊、水库/坑塘以及水渠的用户精度和制图精度要明显高于其他方法。湖泊、水库/坑塘以及水渠的光谱特征十分相似，仅仅利用光谱特征很难区分。但面向对象技术可以通过识别它们在空间和形状上的差异，有效地将它们区分。但是用组合法提取的结果中，非植被性湿地的效果要比植被性湿地更好。这主要是因为面向对象技术的主要优势不在充分利用地物的光谱特征，而是空间和空间结构等特征。9种方法中水渠的分类精度都不高，主要是因为水渠的宽度太小以及相邻景观产生遮蔽干扰。

3 结论与讨论

本文基于HJ-CCD和ETM影像提出了一种湿地覆被类别遥感信息提取的方法-面向对象和缨帽变换组合法并对东洞庭湖的湿地覆被进行了提取。获得的结果目视效果紧致且平滑，能够与地物的边界保持较好的一致性。总体精度为90.02%，Kappa系数达到0.88。通过与传统的分类方法比较，本文方法能够有效的消除“椒盐现象”，精度较高。

湿地是一个完整的生态系统，有植被性的二级湿地覆被类别，也有非植被性的二级类别。面向对象分类技术相对传统方法最大的优势是能够利用湿地的空间信息，空间结构信息以及上下文关系。这对于非植被性湿地类别的提取很有效，本文的研究也表明了这一点。但是植被性的湿地还是需要利用光谱特征，因为很多利用光谱信息构建的指标能够反映生物量，土壤含水量，植被生长等各种状况。但面向对象技术的基质是对象，而不是像元，这是一种本质性的变化。今后需要基于对象去进一步挖掘有效提取植被性湿地的光谱差异的方法。由于目前没有自动且有效获取最优分割尺度的方法，因此本文中的最优分割尺度是通过反复试验后目视判断获得的，其结果会存在一定的误差。

[1] 牟晓杰，刘兴土，阎百兴，等. 中国滨海湿地分类系统[J]. 湿地科学，2015，13(1)：19－26. Mou Xiaojie, Liu Xingtu, Yan Baixing, et al. Classification system of coastal wetlands in China[J]. Wetland Science, 2015, 13(1): 19－26. (in Chinese with English Abstract)

[2] Spencer T, Schürch M, Nicholls R J, et al. Global coastal wetland change under sea-level rise and related stresses: The DIVA Wetland Change Model[J]. Global and Planetary Change, 2016, 139: 15－30.

[3] Moor H, Hylander K, Norberg J. Predicting climate change effects on wetland ecosystem services using species distribution modeling and plant functional traits[J]. Ambio, 2015, 44(1): 113－126.

[4] Frohn R C, D，Amico E, Lane C, et al. Multi-temporal sub-pixel Landsat ETM+ classification of isolated wetlands in Cuyahoga county, Ohio, USA[J]. Wetlands, 2012, 32(2): 289－299.

[5] Houhoulls P F, Mlchene W K. Detecting wetland change: a rule-based approach using NWI and SPOT-XS Data[J]. Photogrammetric Engineering and Remote Sensing, 2000, 66(2): 205－211.

[6] Wright C, Gallant A. Improved wetland remote sensing in Yellowstone National Park using classification trees to combine TM imagery and ancillary environmental data[J]. Remote Sensing of Environment, 2007, 107(4): 582－605.

[7] 王永丽，于君宝，董洪芳，等. 黄河三角洲滨海湿地的景观格局空间演变分析[J]. 地理科学，2012，32(6)：717－724. Wang Yongli, Yu Junbao, Dong Hongfang, et al. Spatial evolution of landscape pattern of coastal wetlands in yellow river Delta[J]. Scientia Geographica Sinica, 2012, 32(6): 717－724. (in Chinese with English Abstract)

[8] 蔡为民，杨世媛，汪苏燕，等. 不同土地利用方式下的七里海湿地临界评价研究[J]. 地理科学，2012，32(4)：499－505.

[9] Zomer R J, Trabucco A, Ustin S L. Building spectral libraries for wetlands land cover classification and hyper-spectral remote sensing[J]. J Environ Manage, 2009, 90(7): 2170－2177.

[10] 王莉雯，卫亚星. 湿地生态系统雷达遥感监测研究进展[J]. 地理科学进展，2011，30(9)：1107－1117. Wang Liwen, Wei Yaxing. Progress in monitoring wetland ecosystems by radar remote sensing[J]. Progress in Geography, 2011, 30(9): 1107－1117. (in Chinese with English Abstract)

[11] Lo C P, Watson L J. The influence of geographic sampling methods on vegetation map accuracy evaluation in a swampy environment[J]. Photogrammetric Engineering and Remote Sensing, 1998, 64(12): 1189－1200.

[12] MacAlister C, Mahaxay M. Mapping wetlands in the Lower Mekong Basin for wetland resource and conservation management using Landsat ETM images and field survey data[J]. J Environ Manage, 2009, 90(7): 2813－2823.

[13] 薛星宇，刘红玉. 基于ALOS影像的盐城海滨湿地遥感信息分类方法研究[J]. 遥感技术与应用，2012，27(2)：248－255. Xue Xingyu, Liu Hongyu. Study on the classification approaches of Yancheng coastial Wetlands based on ALOS image[J]. Remote Sensing Technology and Application, 2012, 27(2): 248－255. (in Chinese with English Abstract)

[14] Shi W, Miao Z, Wang Q, et al. Spectral–spatial classification and shape features for urban road centerline extraction[J]. Geoscience and Remote Sensing Letters, IEEE, 2014, 11(4): 788－792.

[15] Ramiya A M, Nidamanuri R R, Krishnan R. Object-oriented semantic labelling of spectral–spatial LiDAR point cloud for urban land cover classification and buildings detection[J]. Geocarto International, 2016, 31(2): 121－139.

[16] 罗开盛，李仁东. 长沙市近10年土地利用变化过程与未来趋势分析[J]. 中国科学院大学学报，2014，31(5)：632－639. Luo Kaisheng, Li Rendong. Land use change process in recent ten years and trends analysis in Changsha in future[J]. Journal of University of Chinese Academy of Science, 2014, 31(5): 632－639. (in Chinese with English Abstract)

[17] 罗开盛，李仁东，常变蓉. 利用面向对象技术进行大尺度土地覆被调查方法[J]. 中国科学院大学学报，2013，30(6)：54－59. Luo Kaisheng, Li Rendong, Chang Bianrong. Application in land cover extraction classification objected-oriented techniques and HJ image in large scale[J]. Journal of University of Chinese Academy of Science, 2013, 30(6)：54－59. (in Chinese with English Abstract)

[18] 于文婧，刘晓娜，孙丹峰，等. 基于HJ-CCD数据和决策树法的干旱半干旱灌区土地利用分类[J]. 农业工程学报，2016，32(2)：212－219. Yu Wenjing, Liu Xiaona, Sun Danfeng, et al. Land use classification in arid and semi-arid irrigated area based on HJ-CCD data and decision tree method[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(2):

212－219. (in Chinese with English Abstract)

[19] 罗开盛，李仁东，常变蓉，等. 面向对象的最优分割尺度选择研究进展[J]. 世界科技研究与发展，2013，35(1)：75－79.

Luo Kaisheng, Li Rendong, Chang Bianrong, et al. Research progress in choosing object-oriented optimal segmentation scale[J]. World Sci-tech R&D, 2013, 35(1): 75－79. (in Chinese with English Abstract)

[20] 罗开盛，李仁东. 基于ＨＪ影像的面向对象土地覆被分类方法[J]. 华中师范大学学报（自然科学版）2013，47(4)：566－570.

Luo Kaisheng, Li Rendong, Object oriented land cover extraction classification techniques on HJ images[J]. Journal of Huazhong Normal University (Nat. Sci), 2013, 47(4): 566－570. (in Chinese with English Abstract)

[21] 张磊，吴炳方，李晓松，等. 基于碳收支的中国土地覆被分类系统[J]. 生态学报，2014，34(24)：7158－7166.Zhang Lei，Wu Bingfang，Li Xiaosong，et al. Classification system of China land cover for carbon budget. Acta Ecologica Sinica, 2014, 34(24): 7158－7166. (in Chinese with English Abstract)

[22] Han L, Han X. Tasseled cap transformation for HJ multispectral remote sensing data[C]//International Conferenceon Intelligent Earth Observing and Applications. International Society for Optics and Photonics, 2015: 2－8.

[23] Lück W, van Niekerk A. Evaluation of a rule-based compositing technique for Landsat-5 TM and Landsat-7 ETM+images[J]. International Journal of Applied Earth Observation and Geo-information, 2016, 47: 1－14.

[24] 冉有华，李文君，陈贤章. TM图像土地利用分类精度验证与评估-以定西县为例[J]. 遥感技术与应用，2003，18(2)：81－86. Ran Youhua, Li Wenjun, Chen Xianzhang. Verification and assessment of land use classification by using TM image— taking dingxi county as an example[J]. Remote Se sing Technology and Application, 2003, 18(2): 81－86. (in Chinese with English Abstract)

[25] 赵英时. 遥感应用分析原理与方法[M]. 北京：科学出版社. 2003：202－204. Zhao Yingshi. The principle and method of analysis of remote sensing application[M]. Beijing: China Science Press. 2003：202－204. (in Chinese with English Abstract)

Method for wetland type extraction using remote sensing combing object-oriented and tasseled cap transformation

Luo Kaisheng1,2, Tao Fulu1※

(1.100101; 2100049)

Wetland is one of the most important ecosystems, and it has high social benefit, economic benefit and scientific research value. However, wetland resources are bearing a heavy pressure because of various natural and anthropogenic factors. The degradation of the wetland quality and quantity has aroused widespread concerns. To conserve and manage wetland resources, it is important to monitor wetlands and their adjacent uplands. Satellite remote sensing has several advantages, such as wild coverage, saving time and labor, multi-temporal, multi-platform, containing a large amount of information, and so on, when monitoring wetland resources especially in large geographic areas. In early work, the satellite imagery used the visual interpretation for classification, which is still used widely today. The most commonly used computer classification methods are unsupervised classification and supervised classification. However, it is difficult to make great progress on improving the accuracy of remote sensing classification because of “different things with the same spectrums” in wetlands. Spectrum confusion among wetlands seriously restricts the extraction of wetland information and the application of remote sensing technology in the monitoring of the wetland. But the traditional pixel-based methods cannot overcome this difficulty because it only used the spectral features of imagery, ignoring other information that the remote sensing imagery carries, although it has been universally applied in land cover information extraction for many years. In order to over this difficulty and promote the application of remote sensing technology in dynamic monitoring of wetland, a new hybrid classification approach for wetland was proposed in this paper, which combined the object-oriented technology and the tasseled cap transformation method. The new proposed approach was further checked by a case study of wetland extraction based on the HJ-CCD and Landsat ETM (enhanced thematic mapper) remote sensing images in 2010 in the eastern Dongting Lake region. We yielded a better classification result using the new approach. The overall accuracy was 90.02% and the Kappa coefficient was 0.88, which were much higher than that of the traditional pixel-based methods. Meanwhile, this method significantly reduced the disturbance of salt-and-pepper noise, and the results were quite compact and smooth compared with that using other traditional classification methods. A higher accuracy was obtained for the proposed approach for vegetation wetlands including wood wetland, shrub wetland and grass wetland, which was attributed to the full mining of imagery spectral information through the tasseled cap transformation. The accuracy of the hybrid approach was much higher than that of others for river, channel, reservoir and lake whose spectrums were extremely similar. This was mainly because the object-oriented technology could fully utilize spatial and shape information of imagery. Hence, according to the experiment results, the proposed approach combing the object-oriented technology and the tasseled cap transformation is an effective method in wetland extraction using the remote sensing technology and can overcome the difficulty of spectrum similarity, which is mainly attributed to making full use of spatial feature on the basis of exploring the spectral features through the tasseled cap transformation. Meanwhile, we can conclude that Chinese HJ-CCD images are an important data source for monitoring the dynamics of wetland.

remote sensing; classification; wetlands; object-oriented technology; HJ-CCD imagery;tasseled cap transformation

10.11975/j.issn.1002-6819.2017.03.027

P954; S127

A

1002-6819(2017)-03-0198-06

2016-03-28

2016-11-01

国家自然科学基金（91325302）

罗开盛，男，湖南新宁人，博士生，环境遥感方向。北京中国科学院地理科学与资源研究所，100101。Email：zhgkxylksh@163.com

陶福禄，男，河南洛阳人，研究员，遥感应用方向。北京中国科学院地理科学与资源研究所，100101。Email：taofl@igsnrr.ac.cn

罗开盛，陶福禄.融合面向对象与缨帽变换的湿地覆被类别遥感提取方法[J]. 农业工程学报，2017，33(3)：198－203. doi：10.11975/j.issn.1002-6819.2017.03.027 http://www.tcsae.org

Luo Kaisheng, Tao Fulu.Method for wetland type extraction using remote sensing combing object-oriented and tasseled cap transformation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(3): 198－203. (in Chinese with English Abstract) doi：10.11975/j.issn.1002-6819.2017.03.027 http://www.tcsae.org