下载:
-
GF-2卫星是中国第1颗空间分辨率优于1 m的民用光学遥感卫星，卫星可提供1 m全色/4 m多光谱分辨率平面影像，在森林资源调查、土地利用动态监测、环境保护与监测等领域提供服务支撑，发挥重要作用。目前，中国已经成功绘制全国林地“一张图”，是通过高分辨率遥感影像、全国林地落界数据、二类调查资料、基础地理信息等多源数据集合，以林地界线为核心内容，构建的中国林业有史以来可动态监测、及时决策的林地资源管理系统[1]，取得了较好的应用效果，高分辨率遥感影像作为其中重要的一部分，主要用来提取林地及林木参数等信息，为林业数据库的建设提供了重要的基础数据支撑。因此，应用高分辨率国产卫星数据解决实际问题成为林业发展的重要趋势。影像融合是对遥感影像数据高效利用的重要手段，它综合了影像在光谱分辨率和空间分辨率上的优势，既提高了多光谱影像的分辨率，又保留其多光谱特性，从而增强解译的可靠性，提高分类精度[2]。在以往的研究中，遥感影像融合算法主要包括彩色技术、数学运算、图形变换等3种。彩色技术包括HSV变换（hue-saturation-value，颜色空间变换）等；数学运算包括Brovey变换（彩色标准化变换）等；图形变换包括PC变换（principle components，主成分变换）、HPF变换（high-pass fusion，高通滤波变换），GS变换（gram-schmidt，正交化变换）、Pansharp变换（超分辨率贝叶斯变换）等[3]。HSV算法采用全色影像替换多光谱影像的亮度分量，使HSV变换在增强多光谱影像空间细节表现能力的同时，也带来了较大的光谱失真；Brovey变换只能而且必须同时对3个波段进行融合运算，该变换在增强影像的同时保持了原多光谱影像的光谱信息[4]；PC变换可以使所有的波段参与融合，可以更好地保留图像的光谱信息[5]；HPF变换对于影像纹理和细节处理方面效果较好，但色彩的层次感一般[6]；GS变换有明确的数学意义，对待融合的遥感影像无波段数限制，并且具有较高的光谱信息保持度；Pansharp变换对人为主观因素与数据本身质量的依赖性较小，光谱和细节特征保真度高[7]。针对不同的数据源，郑中等[8]，郭会敏等[9]，王海江等[10]，王华斌等[11]，陈春华等[12]分别对QuickBird，GF-1，资源一号02C星，资源三号，WorldView-2卫星数据全色和多光谱数据进行影像融合试验，并通过质量评价选择出适宜于影像的最优融合方法。目前研究中对于GF-2影像的融合基本未见报道，其影像数据特征与QuickBird，WorldView-2等卫星数据不完全一致，适合于现有卫星影像的融合方法不一定适合于GF-2卫星影像。因此，针对目前常用的融合方法，探究适合于林地信息提取的GF-2影像融合算法，为林业行业中大范围使用GF-2影像融合应用提供参考具有重要意义。本研究以GF-2高分辨国产卫星数据为数据源，采用6种常用的影像融合算法针对林区样地影像进行融合试验，通过目视分析和定量比较进行影像融合质量评价，并通过面向对象分类方法对不同地类进行提取分析，研究不同影像融合算法在地类信息提取上的适用性，最终选择出适宜于GF-2影像林地信息提取的融合算法，为林地信息提取、林地变化动态监测等应用提供参考。
-
本研究区位于北京市延庆县，经纬度范围为40°27′~40°32′N，115°44′~115°52′E，研究范围为10 km × 10 km。数据使用GF-2遥感数据，采集时间2015年5月2日，基本无云，影像质量较好。包括有林地、灌木林地、水体、耕地、未利用地等多种地物类型，且各种地物所占比例相当。
为保证影像融合的质量，全色影像与多光谱影像对应像元需保证较高的一致性，因此，试验在GIS中进行几何校正，并使用ENVI以1:10 000数字高程模型（DEM）及0.5 m航片作为基准影像进行正射校正，校正误差控制在1个像素以内。
-
本研究采用高分辨影像应用较多的6种融合算法对GF-2全色和多光谱影像进行融合试验：HSV变换[4]、Brovey变换[4, 13]、PC变换[14]、HPF变换[6]、GS变换[15]和Pansharp变换[16]。其中HPF变换由ERDAS IMAGINE 2014软件实现，Pansharp变换基于PCI Geomatica 2013软件平台，其余融合算法均由ENVI 5.0软件实现。由于HSV变换和Brovey变换融合多光谱影像只能由3个波段参与，因此，本研究分别选择BAND2（G），BAND3（R），BAND4（NIR）与全色波段进行融合，其余融合算法均采用四波段多光谱影像和全色影像融合。
-
为了比较不同方法的融合效果，用2种方法进行评价[16-18]：一是基于视觉效果的定性分析，关注影像的整体亮度、光谱保真度、清晰度和空间纹理特征等，这种方法简单且具有主观性，依赖于评价者的经验；二是基于数理统计的定量特征分析，能减少对融合影像评价的随机性使评价结果更客观，主要从整体影像特征和不同地类纹理特征等方面进行评价分析，整体影像特征主要包括均值、平均梯度、光谱相关系数、高频信息融入度等指标，纹理特征包括熵值、二阶矩等指标。为了更好地判断融合影像的纹理特征，本研究参照参考文献[3]，选择水域、建筑用地、耕地、林地等4块不同的区域进行熵值与二阶矩指标分区域分析。本研究中，光谱相关系数和二阶矩指标的计算由ENVI软件实现，其余指标的计算都由Matlab实现。定量分析指标公式[15-19]如下。均值：
$$ v = \frac{1}{{M \times N}}\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {F\left( {i,j} \right)} } 。 $$ (1) 式（1）中：M，N为图像的行列数，F（i, j）为融合后影像的灰度值。平均梯度：
$$ \bar G = \frac{1}{{\left( {M - 1} \right) \times \left( {N - 1} \right)}} \times \sum\limits_{i = 1}^{M - 1} {\sum\limits_{j = 1}^{N - 1} {\sqrt {\frac{{{{\left( {{F_{\left( {i,j} \right)}} + {F_{\left( {i + 1,j} \right)}}} \right)}^2} + {{\left( {{F_{\left( {i,j} \right)}} + {F_{\left( {i,j + 1} \right)}}} \right)}^2}}}{2}} } } 。 $$ (2) 式（2）中：M，N为图像的行列数，F（i, j）为融合后影像的灰度值。光谱相关系数：
$$ C = \frac{{\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {\left\{ {\left| {{R_{\left( {i,j} \right)}} - {v_R}} \right| \times \left| {{F_{\left( {i,j} \right)}} - {v_F}} \right|} \right\}} } }}{{\sqrt {\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {\left\{ {{{\left| {{R_{\left( {i,j} \right)}} - {v_R}} \right|}^2}} \right\}} } \times \sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {\left\{ {{{\left| {{F_{\left( {i,j} \right)}} - {v_F}} \right|}^2}} \right\}} } } }}。 $$ (3) 式（3）中：R（i, j）为融合前多光谱影像的灰度值，vR，vF分别为融合前后2幅多光谱影像的均值。高频信息融入度：
$$ H = \frac{{\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {\left\{ {\left| {{P_{\left( {i,j} \right)}} - {v_P}} \right| \times \left| {{F_{\left( {i,j} \right)}} - {v_F}} \right|} \right\}} } }}{{\sqrt {\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {\left\{ {{{\left| {{P_{\left( {i,j} \right)}} - {v_P}} \right|}^2}} \right\}} } \times \sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {\left\{ {{{\left| {{F_{\left( {i,j} \right)}} - {v_F}} \right|}^2}} \right\}} } } }}。 $$ (4) 式（4）中：P（i, j）为重采样到融合后影像像元大小的全色影像的灰度值，vP分别为重采样后全色影像的均值。熵值：
$$ E = - \sum\limits_{i = 1}^L {{P_i}{{\log }_2}{P_i}} 。 $$ (5) 式（5）中：Pi为影像中灰度值为i的概率密度，L为图像灰度级数。二阶矩：
$$ {S_{\rm{M}}} = \sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {G{{\left( {{X_{i,j}}} \right)}^2}} } 。 $$ (6) 式（6）中：G（Xi，j）为灰度共生矩阵元素。
-
为探讨各方法对林区影像的适用性，研究基于eCognition软件采用面向对象的KNN分类方法，通过多尺度分割，利用对象的灰度信息、空间特征、纹理信息等，进行地类提取分析，对6种融合算法的效果进一步对比，并建立基于地类提取结果与外业实地调查结果面积的混淆矩阵，进行定量评估，评估指标包括总体精度、生产者精度、使用者精度及Kappa系数。为了进一步探究不同融合算法对不同森林类型的提取效果，研究增加有林地地类的分类结果。
-
从各融合影像中截取1块包含多种地类的子区域（图 1）。6种算法融合后的影像空间分辨率较原始多光谱影像都有了较大的提高，更容易判读。其中HSV和HPF融合影像中建筑物、道路及水体轮廓最为清晰，更利于该地类的提取；Brovey和HSV融合算法的植被区纹理更清晰，层次感和对比度更好。PC融合算法在纹理效果上没有得到明显提高，林区边缘清晰度较低，融合效果较差；GS融合算法则在色调上有较大的改变，目视效果不佳；Pansharp融合影像颗粒感较强，目视效果一般。因此，从目视经验角度认为，对于GF-2卫星影像，使用Brovey和HSV融合算法在林地信息提取上较另外4种算法更为适合。
图 1 融合影像目视对比图
Figure 1. Visual contrast on fusion images
-
均值反映影像像素的平均灰度值即平均亮度，均值适中则色调自然。除了Brovey和HSV方法，其余4种方法各波段均值与原始影像均值接近，说明Brovey和HSV算法光谱信息损失较为严重，其余融合结果亮度适中（表 1）。平均梯度反映影像的清晰度，其值越大表示影像层次越丰富、对比度越大。在本次试验中6种方法各波段平均梯度在原始影像上都有了较大程度的提升，除了HSV融合结果的B波段外平均梯度增幅均在50%以上，说明其融合结果的清晰度和对比度提高显著。光谱相关系数反映影像光谱信息的保持性，相关系数越高说明融合对于原始影像光谱信息改变越小。HPF融合结果在R，G，B波段上的值最大（＞0.4）；在NIR波段上，HSV算法的值高达0.8，保持光谱特征上优于其他算法。高频信息融入度反映融合影像波段与全色波段的相关性，其值越大表示融合影像更好地继承了全色波段的空间信息特征。Pansahrp和GS算法在R，G，B波段的值都远高于其他几种算法，NIR波段上HSV和Pansahrp算法的值超过0.5，更好地继承了全色波段的空间信息。另外，植被反射率极高的NIR波段对于林地信息提取具有重要的意义，除HPF算法在NIR波段光谱相关系数低于其他波段，GS算法在NIR波段高频信息融入度低于其他波段，其余各算法在光谱相关系数和高频信息融入度上均优于其他波段，表明NIR波段在继承光谱信息和全色波段的空间信息特征上比其他波段更有优越性。HSV算法下光谱相关系数和高频信息融入度分别达到0.823和0.570，Pansharp算法次之，分别为0.603和0.501。由此推测，这2种影像融合算法在林地信息提取上具有更大的潜力。
表 1 原多光谱影像各波段与融合影像整体影像特征对比表
Table 1. Contrast on indexes of each band between multi-spectral image and fusion images
影像/方法 波段 均值 平均梯度 相关系数 高频信息融人度 原始影像 R 1 198.725 3.124 G 1 295.094 3.679 B 1 203.466 4.255 NIR 2 006.270 6.043 PAN 305.893 12.847 彩色标准变换 (Brovey) G 106.712 13.285 0.105 0.328 B 86.911 9.939 0.215 0.298 NIR 112.739 12.815 0.740 0.373 颜色空间变换 (HSV) G 103.394 6.254 0.261 0.207 B 83.878 4.257 0.240 0.223 NIR 108.964 4.961 0.823 0.570 正交化变换 (GS) R 1 197.940 54.319 0.210 0.475 G 1 294.331 55.066 0.204 0.474 B 1 202.743 54.543 0.242 0.479 NIR 2 007.082 57.072 0.279 0.376 高通滤波变换 (HPF) R 1 120.665 54.261 0.403 0.287 G 1 217.212 54.707 0.404 0.293 B 1 125.426 55.394 0.403 0.297 NIR 2 011.079 21.692 0.111 0.481 主成分变换 (PC) R 1 117.781 41.135 0.170 0.357 G 1 214.369 42.257 0.172 0.356 B 1 122.488 41.237 0.166 0.361 NIR 2 011.442 50.553 0.181 0.375 超分辨率贝叶斯变换（Pansharp) R 1 086.786 53.438 0.103 0.427 G 1 091.470 53.829 0.358 0.437 B 1 183.465 55.879 0.358 0.432 NIR 2 011.589 60.308 0.603 0.501 说明：相关系数表示融合后波段与原始多光谱对应波段的相关性。 -
随机选择水域、建筑用地、耕地、林地等4块区域分析其熵值与二阶矩指标，其中，林地、耕地与建筑用地50 m×50 m样地各30块，水域50 m×50 m样地15块，10 m×10 m样地10块。熵值表示影像所包含的信息量，熵值越大则影像空间细节丰富。分析熵值指标统计图（图 2），影像融合对于林地的熵值增加最为明显，HSV，Pansharp等2种融合算法信息熵分别为2.10，1.82，较原多光谱影像信息熵（1.45）均提高达25%以上，信息量改善良好。二阶矩又叫能量，二阶矩越小说明影像灰度分布均匀、纹理细致。分析二阶矩指标统计图（图 3）发现林地的二阶矩增益较为明显。在林地中，HSV和Pansharp融合影像的二阶矩分别为0.13，0.19，较原始多光谱影像二阶矩（0.31）均有显著改善，其中HSV改善效率超过50%。综合2个纹理特征指标，HSV和Pansharp算法对纹理具有稳定和显著的改善，其中HSV在增益效果上更具优势，融合影像信息量最大，纹理最为细致。
图 2 熵值指标统计图
Figure 2. Statistical chart of entropy indexes
图 3 二阶矩指标统计图
Figure 3. Statistical chart of second moment indexes
-
为了探究各融合算法下的影像质量及在林地信息提取上的应用效果，本研究利用面向对象多尺度分割的方法，结合光谱、纹理和空间信息等特征值进行KNN分类，分割尺度为220，形状因子0.1，紧实度因子0.5，分类结果部分区域如图 4所示。本研究利用原始多光谱影像，结合2014年森林资源二类调查数据，选择7种地类的典型样本共274个作为分类样本，并实测全球定位系统（GPS）点148个作为验证样本（表 2）。使用eCognition软件建立基于样本的混淆矩阵，分类精度见表 3。
图 4 融合影像分类结果图
Figure 4. Classification results of fusion images
表 2 研究区各地类样本数量表
Table 2. Sample's number of surface features on the study area
地类 分类样本 验证样本 有林地 80 43 草地 36 20 耕地 40 21 苗圃 20 7 水域 25 16 城矿居民用地 38 21 未利用地 35 20 总数 274 148 表 3 研究区地类分类精度对比表
Table 3. Contrast on classification accuracy of surface features on study area
地类 精度（生产者精度/使用者精度)/% Mul Brovey HSV GS HPF PC Pansharp 有林地 83.02/71.43 86.05/90.24 97.67/87.50 79.60/66.67 83.72/90.70 75.12/66.37 86.05/67.27 草地 95.00/86.36 99.61/99.36 95.00/99.80 77.17/79.93 99.16/76.92 99.31/86.96 95.00/99.20 耕地 33.33/87.5 57.14/99.80 61.90/92.86 29.05/50.00 47.62/99.24 66.67/60.87 57.14/75.00 苗圃 86.71/54.54 99.03/50.00 85.71/85.71 71.43/45.45 57.14/57.14 71.43/71.43 98.79/50.00 水域 43.75/98.17 87.50/98.00 93.75/99.62 99.05/94.12 93.75/93.75 93.75/88.23 93.75/93.75 城矿居民用地 85.71/60.00 90.48/59.38 66.67/58.33 71.43/53.57 80.95/56.67 57.14/35.3 52.38/68.75 未利用地 50.00/71.43 70.00/93.33 80.00/80.00 35.00/75.00 75.00/88.24 30.62/8.53 40.00/66.67 总精度/Kappa系数 72.30/0.66 83.10/0.79 85.14/0.82 71.52/0.62 80.40/0.76 63.51/0.56 78.75/0.68 从总体精度和Kappa系数指标来看，HSV变换融合结果分类精度最高，总精度为85.14%，Kappa系数0.82，较原始多光谱影像分类精度提高了约13%，其次是Brovey，HPF及Pansharp变换，PC变换融合影像分类精度为63.51%，低于原始多光谱影像分类精度（72.30%），说明对于GF-2影像来说并不是所有融合变换都能增强影像信息提取的能力。
在对有林地信息提取精度上，HSV和Brovey变换生产者精度分别为97.67%，86.05%，使用者精度分别为87.50%，90.24%，较其他融合变换有明显的优势，GS变换和PC变换不适宜提取林地，生产者角度和使用者精度均较低。
对草地分类中，除GS变换和HPF变换使用者精度较低外，其余变换均较高，Brovey，HSV和Pansharp变换使用者精度都超过90%，适宜草地的提取。对耕地提取中，除GS变换外，其余5种变换都较原始多光谱影像分类有所提高，其中Brovey变换使用者精度最高，PC变换生产者精度最高，适于耕地提取。苗圃地提取分析中，Brovey和Pansharp变换生产者精度较高都在95%以上，HSV变换使用者精度最高约85.71%。其他3种方法不适宜苗圃地类提取。水域提取分析中，对比其他地类提取，6种融合图像的生产者精度和使用者精度均较高。相比较而言PC变换不适宜提取水体，生产者精度较低。城矿居民用地提取分析中仅Brovey变换在生产者精度上有了显著的提升，适于城矿居民用地的提取。
为了进一步研究不同融合变换影像对有林地地类中森林类型信息提取效果，本研究利用上一步中有林地地类矢量与影像中NDVI大于0.35且Brightness小于1 500的矢量叠加，重叠区作为有林地范围，进行再次分割和KNN分类，分为阔叶林、针叶林、混交林3个地类。分割尺度为100，形状因子0.1，紧实度因子0.5。分类样本共128个，并实测GPS点阔叶林30个、针叶林30个以及混交林30个作为验证样本，使用eCognition软件建立基于样本的混淆矩阵，分类精度见表 4。
表 4 研究区有林地内分类精度对比表
Table 4. Contrast on classification accuracy of woodland on study area
林分 精度（生产者精度/使用者精度)/% Mul Brovey HSV GS HPF PC Pansharp 阔叶林 73.33/62.86 86.67/76.92 73.44/59.10 90.00/71.05 80.00/55.26 76.67/64.52 83.33/70.37 针叶林 57.70/60.00 80.77/84.00 67.70/48.39 61.54/69.57 63.85/63.63 54.30/54.17 65.54/57.12 混交林 22.45/33.33 70.00/46.67 54.30/38.46 32.64/40.00 44.56/50.00 32.64/27.27 40.00/36.36 总精度/Kappa系数 59.10/0.47 75.72/0.63 66.67/0.51 68.18/0.54 71.10/0.59 64.54/0.51 72.58/0.60 可见，Brovey和Pansharp变换融合结果在有林地内分类精度最高，总体精度分别达到75.72%和72.58%，Kappa系数分别达到0.63和0.60，其次是HPF和GS变换，PC变换融合结果分类精度最低。阔叶林分类生产者精度普遍高于针叶林，GS，Brovey，Pansharp和HPF变换均达到80%以上，混生林总体分类精度低，仅有Brovey和HPF变换融合结果在生产者精度及使用者精度均能达到50%以上。因此，在森林类型层次的林地信息提取中采用Brovey或Pansharp融合算法更为适宜。
-
影像融合是为了使不同数据源实现优势互补，从而对影像数据高效利用。针对基于GF-2影像面向林地信息提取的遥感影像融合算法选择问题，本研究选择6种具有代表性的融合算法（HSV变换，Brovey变换，PC变换，HPF变换，GS变换，Pansharp变换），在采用目视与定量特征分析的传统影像质量评价基础上，辅助面向对象分类林地信息效果分析。在融合影像整体质量方面，HSV和Pansharp变换目视效果较好，其中Pansharp变换在在光谱继承和增强信息纹理方面取得了较好的平衡，光谱相关系数及高频信息融入度都较高，对纹理具有稳定和显著的改善。传统的目视及定量指标分析有一定的合理性，但也缺乏针对性，难以对不同层次的森林类型的信息提取作出比较，具有局限性。
在基于融合影像的面向对象分类中，HSV，Brovey，HPF变换总体分类精度较高，其余3种方法在个别类型中具有明显劣势。对于林地信息提取的最优融合算法需根据应用的具体层次来选择，在有林地层次的信息提取中HSV变换较为适宜，在森林类型信息提取则采用Brovey和Pansharp变换更为有效。因此，综合融合影像整体质量及分类精度，针对GF-2影像的林地信息提取，HSV及Pansharp变换的融合效果优于其他4种算法，可为GF-2影像在林业行业大规模融合提供参考。不同融合方法对不同地类信息的提取各有优势。在进行森林动态监测、地类信息提取、地块变化等不同林业遥感工作中，需考虑具体情况及地类信息比例选择合适的融合方法。
-
感谢中国林业科学研究院资源信息研究所为本研究提供的GF-2卫星影像数据。
Comparison of fusion algorithms for GF-2 data from extracted forestland information
-
摘要: 针对林业部门目前常用的遥感影像融合算法，探究适合于林地信息提取的GF-2影像融合算法。以GF-2卫星1 m全色/4 m多光谱分辨率平面影像为数据源，采用HSV变换（hue-saturation-value，颜色空间变换），Brovey变换（彩色标准化变换），PC变换（principle components，主成分变换），HPF变换（high-pass fusion，高通滤波变换），GS变换（gram-schmidt，正交化变换），Pansharp变换（超分辨率贝叶斯变换）等6种常用融合算法，通过目视和定量特征分析对融合效果进行评价，并结合面向对象分类方法对融合后影像进行地类信息提取和分析，探讨6种融合算法对GF-2影像在林区地类提取的适宜性。研究结果表明：基于Brovey和HSV算法的融合结果目视效果良好，清晰度与纹理增强明显；这2种融合算法影像在不同地类信息的提取上各有优势，HSV算法融合结果在不同地类的提取上效果最好，分类总精度可达85.14%，Brovey算法融合结果则在森林类型的提取上具有最高的分类总精度，为75.72%；其余4种融合算法在图像质量及其他地类提取中各有优势，具体融合算法的选取需根据应用目的和影区应用区域的实际情况而定。该研究可为林业部门提高GF-2卫星的适用性及大规模应用提供参考。Abstract: To obtain an optimal method for image enhancement of GF-2 forestry area data, six frequently-used methods were analyzed:Brovey transformation; hue, saturation, and value (HSV) transformation; Principle Component (PC) spectral sharpening; high pass filter (HPF) spectral sharpening; Gram-Schmidt spectral sharpening; and Pansharp transformation. Qualitative and quantitative analyses were used to assess the effect and quality of the fusion images. Indexes include mean, average gradient, high-frequency information integration, correlation index, entropy index and second moment index. Among them, correlation index and second moment index were calculate by ENVI, other indexes were all by Matlab. Furthermore, to access an appropriate fusion method for GF-2 forestland data extraction, fusion images were classified by performance of fusion methods at two information extraction levels based on an object-oriented classification method. All the transformations used the same parameter and methods on each level, and use the same samples to classify and accuracy check. Results showed that correlation index and high-frequency information integration of HSV transformation could reach 0.823 and 0.570, respectively. In addition, the entropy index and second moment index could improved 25% and 50% compared to original multiple image, respectively. It had a better visual effect with obvious enhanced clarity and texture features. For classification experiments, HSV and Brovey transformations had their own superiority for the extraction of different classes with the HSV transformation having the highest overall classification accuracy of 85.1% and the Brovey transformation having the highest accuracy on the second level of 75.7%. The other four methods had different advantages for quality and information extraction of the fusion images. Thus, the final selection of fusion methods should consider practical forestry application and image information which could provide a reference for GF-2 images to be applied on a large scale in forested areas.
-
Key words:
- forest management /
- image fusion /
- forestland /
- GF-2 data /
- object-oriented image classification
-
杜鹃群落是以杜鹃属Rhododendron植物为优势种的植被类型,主要分布于中国西南地区海拔较高的山地[1]。全世界杜鹃属植物约960种,中国约650种,是杜鹃属分布中心,也是杜鹃花生物多样性最高的国家,除新疆地区之外,全国其他省(市、自治区)均有分布,其中以西南地区分布最为广泛。贵州省是杜鹃原生种分布区数量最多的省份之一,是杜鹃花中国中心分布区向外扩张的过渡地带,有着丰富的原生种和大量可能的新种和变种[2]。有关学者先后对杜鹃植物开展了种子萌发特性、形态解剖、抗旱评价、引种驯化、繁殖利用、群落特征以及多样性保护及保育研究[3-5]。但对于杜鹃群落生物多样性的研究较少,尤其采用群落数量分类学方法对杜鹃群落生物多样性研究鲜有报道。采用群落数量分类方法结合群丛特性进行分析,能够定量解析群丛特性、组成特点,更加准确地反映杜鹃与其他植物种类间的关系。在对退化杜鹃群落进行恢复中,以群丛为单位进行恢复,提高了其可操作性。本研究选择贵阳市乌当区万亩杜鹃群落作为研究对象,采用典型样地调查、群落数量分类及多样性分析等方法展开研究,旨在筛选出万亩杜鹃群落生物多样性最高的群丛,为杜鹃群落生物多样性保护提供技术指导,奠定理论基础。
1. 材料与方法
1.1 研究区域概况
本研究选择贵阳市乌当区典型杜鹃群落为研究对象。乌当区位于贵阳市东北部,属贵阳城市规划的9个组团之一,地处26°55′～26°33′N,106°30′～107°03′E。乌当区属亚热带季风湿润气候,具有明显的高原性气候的特点,冬无严寒,夏无酷暑,光、热、水同季,垂直气候差异明显,年平均降水量1 179.8~1 271.0 mm。年平均气温14.6 ℃。森林覆盖率达49.36%。由于地形、地貌类型多样,形成多种小气候,宜于农业生产,大部分地区可满足农作物1 a 2熟,蔬菜1 a 3~4熟的需要。主要灾害性天气有干旱、倒春寒、冰雹、秋季连阴雨、秋风、凝冻[6]。区境内河流均属于长江流域乌江水系,河床狭窄,比降大,流速较快。全区土壤为黄壤区,黄棕壤、石灰土、紫色土和冲积土[7]。植被属于黔中山原湿润性灰岩常绿栎林、常绿落叶混交林及马尾松Pinus massoniana林区,主要树种有青栲Cyclobalanopsis glauca,丝栗栲Castanopsis fargesii,细叶青冈栎Cyclobalanopsis gracilis,柞木 Quercus mongolica等,落叶树种有枫香Liquidambar formosana,光皮桦 Betula luminifera等。次生植被有大面积天然牧草和灌丛草坡[8-9]。
1.2 研究方法与材料
采用典型样地调查法,对贵阳市乌当区杜鹃群落进行调查。在贵阳市乌当区杜鹃群落分布区域随机布设调查样点15处,分别在每个调查样点区域内随机设置10 m × 10 m典型群落调查样方3个,共计调查样方45个,统计每个调查样方内的植物种类、生活型、密度、高度、盖度、频度等群落特征指标,用于群落数量分类与多样性等指标的计算。
1.3 统计分析
贵阳乌当杜鹃群落调查数据统计分析与整理,均采用SPSS 18.0软件和Microsoft Office Excel 2007软件完成。
1.3.1 群落数量分类
结合《中国植被》和实际生态学意义,采用TWINSPAN分类法,对贵阳乌当杜鹃群落进行群落数量分类。
1.3.2 重要值
采用重要值(Ⅵ,对贵阳乌当杜鹃群落进行分析,计算公式[10-11]：
$I{V_{Ii}} = \left( {\frac{{{D_i}}}{{\sum {{D_i}} }} + \frac{{{F_i}}}{{{{\sum F }_i}}} + \frac{{{C_i}}}{{\sum {{C_i}} }}} \right) \div 3 \times 100\% $
其中： VIi表示第i种物种的重要值；Di表示第i种物种的密度；Fi表示第i种物种的频度；Ci表示第i种物种的盖度(乔木层中Ci表示第i中物种的显著度)。
1.3.3 α多样性测度
采用Margalef指数、Simpson指数和Shannon-Wiener指数对贵阳乌当杜鹃群落物种多样性进行分析,计算公式为[10-13]：
$\begin{array}{l} {\rm{M}}\arg {\rm{alef}}指数R = \frac{{S - 1}}{{\ln N}};\\ {\rm{Simpson}}指数D = \sum\limits_{i = 1}^s {{{({p_i})}^2}} ;\\ {\rm{Simpson}} - {\rm{Wiener}}指数H = - \sum\limits_{i = 1}^s {({p_i}ln{p_i})} \end{array}。$
其中：S表示植被群落中物种数目,N表示群丛中全部物种个体总数,Pi为第i种的相对重要值。
1.3.4 均匀性测度
采用Pielou均匀性指数对贵阳乌当杜鹃群落进行分析,计算公式为[11]：
${\rm{Pielou}}均匀性指数E = \frac{H}{{\ln S}}。$
其中：H 表示Shannon-Wiener多样性指数,S表示植被群落中物种数目。
2. 结果与分析
2.1 万亩杜鹃群落分类
采用TWINSPAN分类法,对贵阳乌当杜鹃群落15个调查样点进行等级分类,经过4次划分,得到为4组。结合《中国植被》和实际生态意义,采用第4级的分类结果,将贵阳乌当杜鹃群落划分为4组(图 1),结合分类将4个组命名为4个植物群丛。群丛Ⅰ：锈叶杜鹃Rhododendron siderophyllum+白栎Quercus fabrei群丛,包括样点2和样点6。群丛Ⅱ：锈叶杜鹃+白栎+麻栎Quercus acutissima群丛,包括样点1,样点4,样点9,样点3,样点5和样点7。群丛Ⅲ：锈叶杜鹃+麻栎群丛,包括样点10,样点12,样点13和样点15号。群丛Ⅳ：锈叶杜鹃+麻栎+藤黄Garcinia hanburyi群丛,包括样点8,样点11和样点14。
图 1 乌当杜鹃群落15个样点TWINSPAN树状分类图Figure 1. TWINSPAN classification of 15 sampling pointies in the Wudang of the Rhododendron community表 1 贵阳乌当杜鹃群丛重要值特征Table 1. Important values trait of the Rhododendron communities in Wudang，Guiyang科名 种名 生活型 重要值 群丛I 群丛Ⅱ 群丛Ⅲ 群丛Ⅳ 杜鹃花科Ericaceae 镑叶杜鹃Rhododendron siderophyllum S 48.72 29.80 36.23 48.74 杜鹃花科Ericaceae 小果南烛Lyonia ovalifolia S 6.02 5.51 5.26 — 杜鹃花科Ericaceae 映山红Rhododendron S 7.32 8.12 8.27 4.66 壳斗科Dagaceae 麻栋Quercus acutissima T 8.91 28.55 11.34 10.28 壳斗科Dagaceae 栲 Castanopsis fargesii T — 3.55 5.80 0.80 壳斗科Dagaceae 白栋Quercus fabrei S 13.66 11.45 1.90 7.90 禾本科Gramineae 五节芒 Miscanthus floridulus P — 0.17 — — 禾本科Gramineae 茅叶荩草 Arthraxon lanceolatus P — — 0.64 — 禾 本 科 Gramineae 芒 Miscanthus sinensis P — — 0.88 1.04 蕨科 Pteridiaceae 蕨 Pteridium aquilinum P — 1.32 2.13 — 蕨科 Pteridiaceae 密毛蕨 Pteridium reyolutum P — — 0.76 5.07 桑科 Moraceae 小构树 Broussonetia CasinoCi S — — 0.40 — 桑科 Moraceae 專草 Humulus scandens P — — 0.67 — 藤黄科 Guttiferae 藤黄 Farcinia hanburyi T — — — 8.82 藤黄科 Guttiferae 金丝桃 Hypericum monogynum S — 1.11 — — 百合科Liliaceae 拔葜 Smilax china CS 0.67 8.34 — — 车前科 Plantaginaceae 车 前 草 Plantago asiatica P — — 0.37 — 豆科 Leguminosae 三叶崖豆藤 Millettia unijuga CS — 1.39 — — 金缕梅科 Hamamelidaceae 枫香 Liquidambar formosana T — — — 2.23 菊科 Compositae 艾蒿 Artemisia vulgaris P — — 0.46 — 茜草科Rubiaceae 鸡矢藤 Paederia scandens CS — — 1.19 — 蔷薇科Rosaceae 插田泡Rubus coreanus S — — 1.52 2.88 忍冬科 Caprifoliaceae 珍珠荚莲 liburnum/oetidum S 3.88 — 7.40 — 莎草科 Cyperaceae 莎 草 Cyperus rotundus P — 0.34 — — 山茶科Theaceae 怜木 Juryajaponica S 3.33 — 5.96 4.36 杉科 Taxodiaceae 杉木 Cunninghamia lanceolata T 7.50 — — — 石松科 Lycopodiaceae 石松 Lycopodium clavatum P — — 2.71 — 石竹科 Caryophyllaceae 银柴胡 Fypsophilaoldhamiana P — — 0.37 — 五加科 Araliaceae 檧木 Aralia chinensis S — — 5.75 2.53 虎耳草科 Saxifragaceae 滇鼠刺 Ktea ilicifolia S — 0.36 — — 苋科 Amaranthaceae 牛漆 Achyranthes bidentata P — — — 0.69 说明：共计植物31种，其中群丛Ⅰ9种，群丛Ⅱ13种，群丛Ⅲ21种，群丛Ⅳ13种。“—”表示该样地中未发现该种植物；“T”表示乔木植物（tree）；“P”表示多年生植物（perennial plant）；“S”表示灌木（shrubbery）；“CS”表示攀援灌木（climbing shrub）。 2.2 乌当杜鹃群落数量特征
群丛Ⅲ中,杜鹃花科Ericaceae,壳斗科Fagaceae分别共出现3种植物,分别占群丛出现种的14.29%；禾本科Gramineae,蕨科Pteridiaceae,桑科Moraceae分别出现2种植物,分别占群丛出现种的9.52%,其他科共出现9种植物,占群丛出现种的42.86%。群丛Ⅳ中,壳斗科出现3种植物,占群丛出现种的23.08%,杜鹃花科出现2种植物,占群丛出现种的15.38%；其他科共出现7种植物,占群丛出现种的53.85%。
对贵阳乌当杜鹃群落植物生活型分析发现,乔木植物5种,占群落出现种的16.13%；灌木植物14种(其中攀援灌木植物3种,占群落出现种的9.68%),占群落出现种的45.16%；草本植物12种(均为多年生草本植物)占群落出现种的38.71%。对贵阳乌当杜鹃群落4种群丛植物组成生活型分析发现,群丛Ⅰ中共出现9种植物,其中乔木2种,占群丛出现植物种的22.22%；灌木植物7种(其中攀援植物1种,占群丛出现种的11.11%),占群丛出现种的77.78%；群丛中未出现草本植物种类。群丛Ⅱ中共出现13类植物,其中乔木2种,占群丛出现植物种的15.38%；灌木植物8种(其中攀援植物2种,占群丛出现种的15.38%),占群丛出现种的61.54%；草本植物3种,占群丛出现种的23.08%。群丛Ⅲ中共出现21种植物,其中乔木2种,占群丛出现植物种的9.52%；灌木植物10种(其中攀援植物1种,占群丛出现种的4.76%),占群丛出现种的47.62%；草本植物9种,占群丛出现种的42.86%。群丛Ⅳ中共出现13种植物,其中乔木4种,占群丛出现植物种的30.77%；灌木植物6种,占群丛出现种的46.15%；草本植物3种,占群丛出现种的23.08%。
对贵阳乌当杜鹃群丛植物重要值分析发现,群丛Ⅰ中,锈叶杜鹃重要值最高,为48.72%,白栎次之,为13.66%；群丛Ⅱ中,锈叶杜鹃重要值最高,为29.80%,麻栎次之,为28.55%,白栎重要值为11.45%；群丛Ⅲ中,锈叶杜鹃重要值最高,为36.23%,麻栎次之,为11.34%；群丛Ⅳ中,锈叶杜鹃重要值最高,为48.74%,麻栎次之,为10.28%。
综上所述,乌当杜鹃群落是以锈叶杜鹃为主,白栎、麻栎为辅的群落类型。
2.3 杜鹃群落α多样性分析
贵阳乌当杜鹃群落Margalef丰富度指数分析如表 2所示。Margalef丰富度指数从高到低的变化趋势为群丛Ⅲ(4.714),群丛Ⅱ(3.306),群丛Ⅳ(3.081),群丛Ⅰ(2.111)。
表 2 贵阳乌当杜鹃群落α多样性与均匀性指数特征Table 2. Index trait of α diversity and evenness of Rhododendron communities in Wudang，Guiyang群丛 R D H E Ⅰ 2.111 0.719 1.665 0.758 Ⅱ 3.306 0.798 1.873 0.730 Ⅲ 4.714 0.828 2.270 0.745 Ⅳ 3.081 0.729 1.830 0.714 贵阳乌当杜鹃群落Simpson多样性指数、Shannon-Wiener多样性指数分析如表 2所示。Simpson多样性指数从高到低的变化趋势为群丛Ⅲ(0.828),群丛Ⅱ(0.798),群丛Ⅳ(0.729),群丛Ⅰ(0.719)；Shannon-Wiener多样性指数从高到低的变化趋势为群丛Ⅲ(2.270),群丛Ⅱ(1.873),群丛Ⅳ(1.830),群丛Ⅰ(1.665)。
贵阳乌当杜鹃群落Pielou均匀性指数分析如表 2所示。Pielou均匀性指数从高到低的变化趋势为群丛Ⅰ(0.758),群丛Ⅲ(0.745),群丛Ⅱ(0.730),群丛Ⅳ(0.714)。
综上所述,贵阳乌当杜鹃群落Margalef丰富度指数、Simpson多样性指数、Shannon-Wiener多样性指数均呈现出群丛Ⅲ＞群丛Ⅱ＞群丛Ⅳ＞群丛Ⅰ的趋势,而Pielou均匀性指数则呈现出群丛Ⅰ＞群丛Ⅲ＞群丛Ⅱ＞群丛Ⅳ。
3. 结论与讨论
3.1 结论
贵阳乌当杜鹃群落可分为4种植物群丛,依次为群丛Ⅰ：锈叶杜鹃+白栎群丛；群丛Ⅱ：锈叶杜鹃+白栎+麻栎群丛；群丛Ⅲ：锈叶杜鹃+麻栎群丛；群丛Ⅳ：锈叶杜鹃+麻栎+藤黄群丛。杜鹃群落主要以杜鹃科、壳斗科、禾本科植物为主；在贵阳乌当杜鹃群落中锈叶杜鹃种群占绝对优势,麻栎、白栎种群次之,因此,杜鹃群落主要是以锈叶杜鹃为主,麻栎、白栎为辅的植物群落结构类型。贵阳乌当杜鹃群丛Margalef丰富度指数、Simpson多样性指数、Shannon-Wiener多样性指数均呈现出群丛Ⅲ＞群丛Ⅱ＞群丛Ⅳ＞群丛Ⅰ的趋势,而Pielou均匀性指数则呈现出群丛Ⅰ＞群丛Ⅲ＞群丛Ⅱ＞群丛Ⅳ。贵阳乌当杜鹃群落多样性保护应当遵从群丛Ⅲ的植物结构类型进行保护,对群丛Ⅰ,群丛Ⅱ和群丛Ⅳ进行适当修复,使其结构接近群丛Ⅲ的结构类型。
3.2 讨论
本研究针对贵阳乌当万亩杜鹃林群落进行多样性研究,按植物群落的自然演替规律,该群落处于灌木或灌丛群落阶段,正向乔灌群落阶段演替,并非顶级群落及地带性植被类型,因此,处于不稳定阶段。目前,贵阳市乌当区想要打造万亩杜鹃林,作为贵阳城郊以观赏杜鹃花的休闲旅游区,但随着群落演替的进行,杜鹃群落的变化会直接影响旅游观光效果,因此,进一步研究贵阳乌当万亩杜鹃林最佳群落结构、物种组成、物种多样性、人工正向干扰或结构调整,对旅游观光效果及群落的相对稳定性有重要意义。正如黔西的百里杜鹃,目前观光效果很好,在长期人为正向干扰下,其群落结构具相对稳定性,但从物种多样性及演替规律来看,目前的结构是否为最佳,有待于进一步研究。
-
表 1 原多光谱影像各波段与融合影像整体影像特征对比表
Table 1. Contrast on indexes of each band between multi-spectral image and fusion images
影像/方法 波段 均值 平均梯度 相关系数 高频信息融人度 原始影像 R 1 198.725 3.124 G 1 295.094 3.679 B 1 203.466 4.255 NIR 2 006.270 6.043 PAN 305.893 12.847 彩色标准变换 (Brovey) G 106.712 13.285 0.105 0.328 B 86.911 9.939 0.215 0.298 NIR 112.739 12.815 0.740 0.373 颜色空间变换 (HSV) G 103.394 6.254 0.261 0.207 B 83.878 4.257 0.240 0.223 NIR 108.964 4.961 0.823 0.570 正交化变换 (GS) R 1 197.940 54.319 0.210 0.475 G 1 294.331 55.066 0.204 0.474 B 1 202.743 54.543 0.242 0.479 NIR 2 007.082 57.072 0.279 0.376 高通滤波变换 (HPF) R 1 120.665 54.261 0.403 0.287 G 1 217.212 54.707 0.404 0.293 B 1 125.426 55.394 0.403 0.297 NIR 2 011.079 21.692 0.111 0.481 主成分变换 (PC) R 1 117.781 41.135 0.170 0.357 G 1 214.369 42.257 0.172 0.356 B 1 122.488 41.237 0.166 0.361 NIR 2 011.442 50.553 0.181 0.375 超分辨率贝叶斯变换（Pansharp) R 1 086.786 53.438 0.103 0.427 G 1 091.470 53.829 0.358 0.437 B 1 183.465 55.879 0.358 0.432 NIR 2 011.589 60.308 0.603 0.501 说明：相关系数表示融合后波段与原始多光谱对应波段的相关性。 
下载: 导出CSV
表 2 研究区各地类样本数量表
Table 2. Sample's number of surface features on the study area
地类 分类样本 验证样本 有林地 80 43 草地 36 20 耕地 40 21 苗圃 20 7 水域 25 16 城矿居民用地 38 21 未利用地 35 20 总数 274 148
下载: 导出CSV
表 3 研究区地类分类精度对比表
Table 3. Contrast on classification accuracy of surface features on study area
地类 精度（生产者精度/使用者精度)/% Mul Brovey HSV GS HPF PC Pansharp 有林地 83.02/71.43 86.05/90.24 97.67/87.50 79.60/66.67 83.72/90.70 75.12/66.37 86.05/67.27 草地 95.00/86.36 99.61/99.36 95.00/99.80 77.17/79.93 99.16/76.92 99.31/86.96 95.00/99.20 耕地 33.33/87.5 57.14/99.80 61.90/92.86 29.05/50.00 47.62/99.24 66.67/60.87 57.14/75.00 苗圃 86.71/54.54 99.03/50.00 85.71/85.71 71.43/45.45 57.14/57.14 71.43/71.43 98.79/50.00 水域 43.75/98.17 87.50/98.00 93.75/99.62 99.05/94.12 93.75/93.75 93.75/88.23 93.75/93.75 城矿居民用地 85.71/60.00 90.48/59.38 66.67/58.33 71.43/53.57 80.95/56.67 57.14/35.3 52.38/68.75 未利用地 50.00/71.43 70.00/93.33 80.00/80.00 35.00/75.00 75.00/88.24 30.62/8.53 40.00/66.67 总精度/Kappa系数 72.30/0.66 83.10/0.79 85.14/0.82 71.52/0.62 80.40/0.76 63.51/0.56 78.75/0.68
下载: 导出CSV
表 4 研究区有林地内分类精度对比表
Table 4. Contrast on classification accuracy of woodland on study area
林分 精度（生产者精度/使用者精度)/% Mul Brovey HSV GS HPF PC Pansharp 阔叶林 73.33/62.86 86.67/76.92 73.44/59.10 90.00/71.05 80.00/55.26 76.67/64.52 83.33/70.37 针叶林 57.70/60.00 80.77/84.00 67.70/48.39 61.54/69.57 63.85/63.63 54.30/54.17 65.54/57.12 混交林 22.45/33.33 70.00/46.67 54.30/38.46 32.64/40.00 44.56/50.00 32.64/27.27 40.00/36.36 总精度/Kappa系数 59.10/0.47 75.72/0.63 66.67/0.51 68.18/0.54 71.10/0.59 64.54/0.51 72.58/0.60
下载: 导出CSV
-
[1] 梅青. 全国林地"一张图"大数据时代的经典力作[EB/OL]. http://www.greentimes.com/green/news/yaowen/zhxw/content/2013-10/23/content_235974.htm, 2013-10-23. [2] 赵英时.遥感应用分析原理与方法[M].北京:科学出版社, 2003:251-262. [3] 李霖, 佘梦媛, 罗恒. ZY-3卫星全色与多光谱影像融合方法比较[J].农业工程学报, 2014, 30(16):157-165. LI Lin, SHE Mengyuan, LUO Heng. Comparison on fusion algorithms of ZY-3 panchromatic and multi-spectral images[J]. Trans Chin Soc Agric Eng, 2014, 30(16):157-165. [4] 杨丽萍, 夏敦胜, 陈发虎. Landsat 7 ETM+全色与多光谱数据融合算法的比较[J].兰州大学学报 (自然科学版), 2007, 43(4):7-11. YANG Liping, XIA Dunsheng, CHEN Fahu. On fusion algorithms of Landsat 7 ETM+PAN and multi-spectral images[J]. J Lanzhou Univ Nat Sci, 2007, 43(4):7-11. [5] 高志雄. 基于ZY-3卫星的森林分类及郁闭度提取方法研究[D]. 北京: 北京林业大学, 2015. GAO Zhixiong. Study on the Forest Classification and Crown Density Extraction Method Based on ZY-3 Image Data[D]. Beijing:Beijing Forestry University, 2015. [6] 郑著彬, 李俊, 任静丽. HPF图像融合技术在大理市遥感影像中的运用探讨[J].云南地理环境研究, 2007, 19(6):96-98. ZHENG Zhubin, LI Jun, REN Jingli. Discussion for technology of HPF resolution merge using in Dali's remote sensing image[J]. Yunnan Geogr Environ Res, 2007, 19(6):96-98. [7] 赵珍梅, 马伟, 王润生. 3种高保真遥感影像融合方法效果评价与分析[J].地址与勘探, 2010, 46(4):705-710. ZHAO Zhenmei, MA Wei, WANG Runsheng. Evaluation and analysis of there methods of fusion remote sensing images with high fidelity of information[J]. Geol Explor, 2010, 46(4):705-710. [8] 郑中, 祁元, 张金龙.基于光谱角和光谱距离评价指标的遥感影像融合算法比较研究:以QuickBird数据为例[J].遥感技术与应用, 2013, 28(3):437-443. ZHENG Zhong, QI Yuan, ZHANG Jinlong. Comparing with different remote sensing image fusion method based on evaluation index of spectral angle and spectral distance:taking Quickbird datas as example[J]. Rem Sens Technol Appl, 2013, 28(3):437-443. [9] 郭会敏, 洪运富, 李营, 等.基于高分一号卫星影像的多种融合算法比较[J].地理与地理信息科学, 2015, 31(1):23-26. GUO Huimin, HONG Yunfu, LI Ying, et al. Comparison of fusion methods used for GF-1 satellite image[J]. Geogr Geo-Inf Sci, 2015, 31(1):23-26. [10] 王海江, 王周龙, 李丽宏, 等.基于高平衡阶多进制多小波包变换的遥感影像融合[J].农业工程学报, 2015, 31(1):178-186. WANG Haijiang, WANG Zhoulong, LI Lihong, et al. Remote sensing image fusion based on high-balanced multi-band multiwavelet packet transform[J]. Trans Chin Soc Agric Eng, 2015, 31(1):178-186. [11] 王华斌, 李国元, 张本奎, 等.资源三号卫星影像融合算法对比分析[J].测绘科学, 2015, 40(1):47-51. WANG Huabin, LI Guoyuan, ZHANG Benkui, et al. Construct and analysis of different fusion algorithms for ZY-3 satellite images[J]. Sci Surv Mapp, 2015, 40(1):47-51. [12] 陈春华, 苏逸平, 邹崇尧. WorldView-2遥感影像融合算法实验研究[J].地理空间信息, 2013, 11(6):72-74. CHEN Chunhua, SU Yiping, ZOU Chongyao. Study on remote sensing image fusion algorithm[J]. Geospat Inf, 2013, 11(6):72-74. [13] 许民. 高分辨率遥感影像融合方法研究及融合效果评价: 以ALOS和SPOT的全色与多光谱影像为例[D]. 兰州: 兰州大学, 2010. XU Min. Reseach on High Resolution Remotely Sensed Image Fusion Methods and Evaluation of Fusion Quality:A Case Study of Mutlti-spectral and Panchromatic Data of ALOS and SPOT[D]. Lanzhou:Lanzhou University, 2010 [14] 黄先德, 周群, 王兴.资源三号卫星全色与多光谱影像融合算法[J].测绘通报, 2015(1):109-114. HUANG Xiande, ZHOU Qun, WANG Xing. Fusion of resources satellite-3 remote sensing panchromatic and multispectral Images[J]. Bull Surv Mapp, 2015(1):109-114. [15] 郑丽. SPOT多光谱影像与全色影像融合研究[J].佳木斯大学学报 (自然科学版), 2015, 33(6):868-871. ZHENG Li. Research on the SPOT multi-spectral image and panchromatic image fusion[J]. J Jiamusi Univ Nat Sci Ed, 2015, 33(6):868-871. [16] 任德智, 潘刚, 葛丽雯.基于Titan Image软件的QuickBird影像融合[J].东北林业大学学报, 2013, 41(3):131-134. REN Dezhi, PAN Gang, GE Liwen. Image fusion of QuickBird based on Titan Image software[J]. 2013, 41(3):131-134. [17] 王乐, 牛雪峰, 魏斌, 等.遥感影像融合质量评价方法研究[J].测绘通报, 2015(2):77-79. WNAG Le, NIU Xuefeng, WEI Bin, et al. Study on quality evaluation methods for remotely sensed images fusion[J]. Bull Surv Mapp, 2015(2):77-79. [18] 孟京辉, 陆元昌, 刘刚, 等.基于ETM+遥感图像的图像融合试验及评价方法[J].南京林业大学学报 (自然科学版), 2010, 34(1):69-72. MENG Jinghui, LU Yuanchang, LIU Gang, et al. Trail of image fusion methods and quality assessment for ETM+ image[J]. J Nanjing For Univ Nat Sci Ed, 2010, 34(1), 69-72. [19] 王广杰, 周介铭, 杨存建, 等.基于不同算法的遥感影像融合分析[J].四川师范大学学报 (自然科学版), 2011, 34(2):255-259. WANG Guangjie, ZHOU Jieming, YANG Cunjian, et al. Analysis of remote sensing image fusion based on different algorithms[J]. J Sichuan Norm Univ Nat Sci, 2011, 34(2):255-259. 期刊类型引用(4)
1. 付婷，欧静，龙海燕，黄家涌，郝磊. 淡紫杜鹃典型植物群落结构及其多样性特征分析. 北方园艺. 2022(04): 62-68 . 
百度学术2. 黄梅，戴晓勇，杨成华，邓伦秀，袁丛军，李鹤，龙海燕，冯育才. 阔柄杜鹃典型植物群落的结构及其多样性特征分析. 西部林业科学. 2020(02): 113-120+136 . 百度学术3. 韦海霞，袁丛军，李鹤，龙海燕，杨冰，冯邦贤，戴晓勇. 梵净山稀果杜鹃群落结构及物种多样性初步研究. 四川林业科技. 2020(04): 38-43 . 百度学术4. 葛英亮，于水利，时文歆，杨帆，漆晴. 应用Illumina MiSeq高通量测序技术解析O_3-BAC饮用水处理过程细菌多样性变化. 食品科学. 2016(16): 223-228 . 百度学术其他类型引用(4)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.2017.02.019
点击查看大图
计量
- 文章访问数: 3025
- HTML全文浏览量: 588
- PDF下载量: 326
- 被引次数: 8
