陳 煒，陳利軍，陳 軍，陳 浩，周曉光，謝 波

(1. 中南大學(xué)地球科學(xué)與信息物理學(xué)院，湖南 長沙 410083； 2. 國家基礎(chǔ)地理信息中心，北京 100830； 3. 湖南科技大學(xué)地理空間信息技術(shù)國家地方聯(lián)合工程實(shí)驗(yàn)室，湖南 湘潭 411201)

GlobeLand30濕地細(xì)化分類研究

陳 煒1，2，陳利軍2，陳 軍2，陳 浩3，周曉光1，謝 波3

(1. 中南大學(xué)地球科學(xué)與信息物理學(xué)院，湖南 長沙 410083； 2. 國家基礎(chǔ)地理信息中心，北京 100830； 3. 湖南科技大學(xué)地理空間信息技術(shù)國家地方聯(lián)合工程實(shí)驗(yàn)室，湖南 湘潭 411201)

基于30 m地表覆蓋數(shù)據(jù)產(chǎn)品完成濕地精細(xì)化分類，能夠更好地滿足當(dāng)前較高分辨率及較詳盡全球濕地?cái)?shù)據(jù)的應(yīng)用需求。本文在深入分析濕地分類體系與細(xì)化方法的基礎(chǔ)上，提出以濕地細(xì)化類別的定義、多元知識的分層分類、亞類數(shù)據(jù)精細(xì)化提取為主線的總體研究思路，制定了基于先驗(yàn)知識的對象系統(tǒng)篩選、基于森林?jǐn)?shù)據(jù)的同位像元提取、基于最佳閾值的極大似然掩膜的主體分類方法，并應(yīng)用于數(shù)據(jù)生產(chǎn)實(shí)踐獲得8個(gè)亞類信息。該方法克服了常規(guī)手段普遍存在的周期長、效率低等弊端，實(shí)現(xiàn)了全球較高分辨率濕地亞類數(shù)據(jù)的快速精確制圖，總體分類精度達(dá)82.6%，對地理世情及其他地表覆蓋研究具有借鑒意義。

濕地細(xì)化；分層分類；全球地表覆蓋數(shù)據(jù)(GlobeLand30)；亞類信息

濕地是由潮濕或淺積水地帶發(fā)育而成的水生生物群和水成土壤的地理綜合體[1]。作為一種特殊的自然資源，它在物種保護(hù)、環(huán)境改善、氣候調(diào)節(jié)及生態(tài)平衡方面發(fā)揮著重要作用，其相應(yīng)研究日益成為國際環(huán)保界的熱點(diǎn)[2-3]。利用野外調(diào)查等傳統(tǒng)方式監(jiān)測濕地，操作范圍小、效率低，質(zhì)量難以保證。遙感技術(shù)為濕地研究提供了強(qiáng)有力的技術(shù)支撐，在資源清查、分析提取方面優(yōu)勢顯著[4-5]。隨著濕地遙感應(yīng)用的深入，各種統(tǒng)計(jì)方法、機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺等技術(shù)與濕地分類領(lǐng)域深度融合[6]。顧及濕地內(nèi)在特征及計(jì)算機(jī)分類特點(diǎn)，綜合運(yùn)用自然、生態(tài)和人文等多元知識輔助遙感自動分類，從而確保濕地?cái)?shù)據(jù)質(zhì)量，是當(dāng)前亟待解決的難題，同時(shí)大尺度的濕地細(xì)分通過將計(jì)算機(jī)自動分類與專家解譯相結(jié)合來平衡精度與效率[6-8]。

作為研究不可或缺的信息支撐，全球濕地?cái)?shù)據(jù)主要存在于水系、湖泊及各地表覆蓋數(shù)據(jù)集。全球湖泊和濕地?cái)?shù)據(jù)庫(global lakes and wetlands database，GLWD)是綜合性的濕地專題數(shù)據(jù)，依據(jù)已有濕地資料和地圖匯編而成，包含河流、湖泊、水庫矢量邊界信息及不同濕地類型數(shù)據(jù)，因數(shù)據(jù)源、分類系統(tǒng)及信息更新等問題其適用性較低[9]。2003年國際濕地局聯(lián)合歐空局啟動GlobWetland項(xiàng)目，旨在論證對地觀測技術(shù)在濕地管理與監(jiān)測方面是否可行，尚未完成全球濕地遙感專題制圖[10]。20世紀(jì)90年代以來，研究者開始逐步采用全球地表覆蓋產(chǎn)品提供的濕地信息[11-13]。歐盟和美國利用AVHRR、MODIS、SPOT VGT等粗分辨率影像資料，相繼研制出空間分辨率為300 m或1 km的地表覆蓋數(shù)據(jù)(IGBP-DISCover、UMD、BU-MODIS、GLC2000、GlobCover2005、GlobCover2009)，學(xué)者從面積、類型、空間一致性等方面檢核認(rèn)為濕地的總體分類精度偏低、空間細(xì)節(jié)不夠，難以滿足需求[10,14-15]。

GlobeLand30是我國成功研制的全球首套30 m分辨率地表覆蓋數(shù)據(jù)，涵蓋濕地等分布信息[16-19]。其濕地層是指陸地和海洋系統(tǒng)中各種沼生、濕生區(qū)域的總稱，包括沼澤、紅樹林、灘涂、鹽沼等，不包括水田、裸露礫石河灘地和珊瑚礁(瀉湖)。與以往數(shù)據(jù)相比，其具有更高的空間分辨率、更好的空間一致性和較高的精度；然而尚缺乏亞類信息，在一定程度上制約了其可用性。當(dāng)前濕地應(yīng)用研究迫切需要有關(guān)全球濕地分布、類型、面積等詳盡信息，客觀上為GlobeLand30濕地細(xì)化研究提供了機(jī)遇和動力。本文基于兩期GlobeLand30濕地?cái)?shù)據(jù)，開展了濕地亞類制圖總體技術(shù)研究與產(chǎn)品研制工作，以期得到類型更加精細(xì)、結(jié)構(gòu)更加完備的濕地亞類信息，力圖為全球濕地管理保護(hù)、生態(tài)恢復(fù)及價(jià)值評估、環(huán)境變化和可持續(xù)發(fā)展研究等提供有力的信息支撐。

1 總體思路

受“同物異譜、同譜異物”現(xiàn)象、分類算法、遙感數(shù)據(jù)源等因素的制約，利用遙感技術(shù)完成全球濕地亞類數(shù)據(jù)制圖難度很大。基于GlobeLand30濕地層進(jìn)行細(xì)化分類，不僅能夠克服因遙感影像光譜、紋理特征存在的大區(qū)域制圖難題，而且規(guī)避濕地遙感分類方法只適用于特定影像條件或局部區(qū)域，針對全球多源影像和濕地復(fù)雜特性時(shí)，單一方法難以取得較好分類效果的弊端。

1.1 濕地細(xì)化類別的定義

國內(nèi)外濕地的定義有很多，如Ramsar分類框架[22]、《濕地分類》(GB/T 24708—2009)等，這些濕地類型往往依據(jù)實(shí)地調(diào)查而制定，很難通過遙感手段獲取?；谶b感對濕地進(jìn)行大尺度細(xì)分，宏觀提取只能到二級類別。作為全球首套30 m分辨率的地表覆蓋數(shù)據(jù)集GlobeLand30，其濕地亞類的提出必須要兼顧遙感本身的特點(diǎn)。基于以上分析，研究制定了潮間帶森林沼澤(含紅樹林)、潮間沼澤、淤泥質(zhì)海灘、河口三角洲、河流洪泛濕地、季節(jié)性湖泊沼澤、森林沼澤、沼澤濕地8個(gè)亞類，圖1為濕地亞類在遙感影像上的表現(xiàn)特征。

圖1 GlobeLand30濕地亞類的影像特征

GlobeLand30濕地亞類的提出不僅可與國際濕地局建議的分類框架接軌，而且可以與國內(nèi)外分類體系進(jìn)行相互關(guān)聯(lián)和轉(zhuǎn)換，為濕地?cái)?shù)據(jù)的應(yīng)用與共享奠定了堅(jiān)實(shí)的基礎(chǔ)。表1給出了濕地亞類的詳細(xì)定義，并與其他分類體系進(jìn)行了比對。

1.2 多元知識的分層分類

針對GlobeLand30濕地細(xì)化問題，研究提出多元知識的分層分類策略，即依據(jù)地理區(qū)域、地貌類型、植被形態(tài)等指標(biāo)因子，并顧及相互間的內(nèi)在關(guān)聯(lián)實(shí)現(xiàn)GlobeLand30濕地層的細(xì)分。首先考慮濕地地域分布格局，從整體上將濱海濕地和內(nèi)陸濕地進(jìn)行分離；其次依據(jù)典型濕地的地理地貌特點(diǎn)，實(shí)現(xiàn)濕地系統(tǒng)的篩選；最后基于植被的形態(tài)特征，完成沼澤類濕地的再分類。在保障分層分類策略實(shí)現(xiàn)的同時(shí)，對各環(huán)節(jié)進(jìn)行嚴(yán)密的質(zhì)量控制(如圖2所示)。

1.3 亞類數(shù)據(jù)精細(xì)化提取

計(jì)算機(jī)分類技術(shù)極大地提高了濕地制圖的效率，但精度也受地物特征、訓(xùn)練樣本選擇、分類器配置及閾值設(shè)定的影響。濕地復(fù)雜的內(nèi)部特征導(dǎo)致依賴計(jì)算機(jī)自動分類難以取得較好的效果。因此，從高質(zhì)量的全球濕地亞類數(shù)據(jù)產(chǎn)品的要求出發(fā)，將計(jì)算機(jī)分類與專家分析能力有機(jī)結(jié)合，平衡濕地分類精度與效率。

2 方 法

2.1 基于先驗(yàn)知識的對象系統(tǒng)篩選

長期以來，為了有效保障地物數(shù)據(jù)的質(zhì)量，學(xué)者們在改進(jìn)遙感自動分類方法的同時(shí)，結(jié)合自然、人文和生態(tài)等先驗(yàn)知識輔助分類。針對濱海濕地和內(nèi)陸濕地的地域分布特征，研究結(jié)合先驗(yàn)知識實(shí)現(xiàn)初始分類，即利用2000、2010年海岸線數(shù)據(jù)和DEM(SRTM DEM和ASTER GDEM)高程信息建立空間緩沖區(qū)進(jìn)行區(qū)域分離。在此基礎(chǔ)上，依據(jù)河口三角洲、湖泊、河流濕地的自然地理分布特征及本身結(jié)構(gòu)[23]，疊合全球兩期GlobeLand30河流與湖泊數(shù)據(jù)，通過專家解譯完成對象系統(tǒng)的篩選(如圖3所示)。

2.2 基于森林?jǐn)?shù)據(jù)的同位像元提取

森林沼澤分類一直是濕地遙感信息提取研究的難點(diǎn)，涉及地形、土壤、水文等地理生態(tài)環(huán)境特征及遙感影像本身的特點(diǎn)，僅利用遙感信息獲得全球森林沼澤幾乎無法完成。本研究充分發(fā)揮GlobeLand30的數(shù)據(jù)優(yōu)勢，依據(jù)沼澤類濕地的植被形態(tài)特征，通過疊合同尺度、同分辨率、同時(shí)相的全球森林信息，實(shí)現(xiàn)表征森林沼澤的同位像元獲取(如圖4所示)。由于馬里蘭森林?jǐn)?shù)據(jù)在每個(gè)像素柵格上以0～100之間的百分?jǐn)?shù)來表示，因此需準(zhǔn)確掌握森林分位數(shù)的合理值。該比例的確定以各區(qū)域?yàn)檠芯繂卧ㄟ^反復(fù)抽樣試驗(yàn)的人機(jī)交互方式實(shí)現(xiàn)，并利用Google Earth高分辨率影像對邊界、類型、區(qū)域進(jìn)行目視判斷選取最佳經(jīng)驗(yàn)性數(shù)值。

2.3 基于最佳閾值的極大似然掩膜

(1)

(2)

(3)

式中，t和t+1分別代表當(dāng)前和下次迭代所用的估計(jì)值；I、J代表圖像的行數(shù)和列數(shù)；X(i,j)表示圖像中第i行j列的灰度值。當(dāng)鄰近兩次迭代計(jì)算的P(wi)、mi和δi的值小于給定的閾值ε(ε=10-8)時(shí)，迭代終止。應(yīng)用EM算法的關(guān)鍵是如何確定待估計(jì)參數(shù)的初始值，根據(jù)灰度圖像的自身特點(diǎn)，選取合理閾值以構(gòu)造高置信度灰度子集，實(shí)現(xiàn)待定參數(shù)初始值的估計(jì)。基于灰度直方圖中目標(biāo)值集中于中間區(qū)域，背景值在左右兩邊的分布特征，利用如下方法在直方圖左右各選取閾值Tn、Tc

(4)

(5)

(6)

式中，α∈(0,1)為權(quán)重調(diào)節(jié)因子。以子集Sn={X(i,j)|X(i,j)Tc}作為背景灰度的初始典型樣本集，其余則歸為目標(biāo)樣本Su={X(i,j)|Tn≤X(i,j)≤Tc}。然后以此為基礎(chǔ)分別按式(5)計(jì)算先驗(yàn)概率、均值和標(biāo)準(zhǔn)差的初始值。得到分布參數(shù)初始估計(jì)后，代入式(2)、式(4)進(jìn)行迭代運(yùn)算，更新參數(shù)直至收斂，確定此時(shí)估計(jì)參數(shù)值，并通過式(6)計(jì)算圖像分類閾值Tn、Tc。當(dāng)Tn≤X(i,j)≤Tc，則X(i,j)∈wc，歸屬目標(biāo)類；否則X(i,j)∈wn，歸屬背景類。利用最優(yōu)空間掩膜剔除目標(biāo)類中包含的非濕地信息，再通過最大似然法將淤泥質(zhì)海灘準(zhǔn)確提取出來(如圖5所示)。獲得森林沼澤及淤泥質(zhì)海灘的同時(shí)，對沼澤類濕地進(jìn)行掩膜處理得到潮間沼澤和沼澤濕地。

圖5 基于最佳閾值的極大似然掩膜提取流程

3 工程實(shí)現(xiàn)

3.1 基礎(chǔ)數(shù)據(jù)

研究采用的基礎(chǔ)數(shù)據(jù)為全球兩期30 m地表覆蓋數(shù)據(jù)集GlobeLand30、全球Landsat TM影像、全球30 m分辨率森林?jǐn)?shù)據(jù)(Global_Forest)、兩期全球DEM數(shù)據(jù)(包括SRTM DEM和ASTER GDEM)、Google Earth高分影像和海岸線數(shù)據(jù)(見表2)。

表2 數(shù)據(jù)源及其用途

3.2 規(guī)模化生產(chǎn)

產(chǎn)品研制是將主體分類方法與生產(chǎn)規(guī)范、質(zhì)量控制等成套的技術(shù)體系相結(jié)合，應(yīng)用于標(biāo)準(zhǔn)化產(chǎn)品生產(chǎn)的過程。GlobeLand30濕地細(xì)化涉及693個(gè)圖幅，兩期共計(jì)1386個(gè)圖幅。工程實(shí)現(xiàn)首先完成數(shù)據(jù)收集與處理，其次按照分層分類流程批量完成區(qū)域分離和對象篩選，以及基于植被形態(tài)的計(jì)算機(jī)分類。其中重點(diǎn)解決的難題包括參考資料的收集與篩選、顧及濕地空間結(jié)構(gòu)的完整性、基于植被形態(tài)閾值范圍的調(diào)整、計(jì)算機(jī)自動分類效率的提高、數(shù)據(jù)產(chǎn)品的質(zhì)量控制等。

受作業(yè)人員綜合素質(zhì)、資料采集與處理、算法特點(diǎn)等因素影響，在產(chǎn)品的研制過程中質(zhì)量問題無法避免。為實(shí)現(xiàn)更精確的全球濕地分類制圖，工程實(shí)踐中需對數(shù)據(jù)成果進(jìn)行優(yōu)化。一方面，通過對象化過濾、聚類等技術(shù)剔除像元級圖斑或?qū)ζ鋱D斑進(jìn)行重新分類，并利用形態(tài)學(xué)算子或像元閾值，解決各分類數(shù)據(jù)內(nèi)存在的空間連續(xù)性問題；另一方面，依據(jù)測繪產(chǎn)品規(guī)定，并參照測繪產(chǎn)品質(zhì)量控制體系，由工作人員通過1∶1比例逐圖幅進(jìn)行完整全面的整體檢查。對于數(shù)據(jù)分類精度不達(dá)標(biāo)的圖幅應(yīng)查明原因，針對具體問題制定相應(yīng)的修改方案并嚴(yán)格落實(shí)，直至數(shù)據(jù)精度符合既定要求為止。進(jìn)而通過分類賦值、順序疊加與拼接、數(shù)據(jù)集成等操作形成最終的GlobeLand30濕地亞類數(shù)據(jù)產(chǎn)品。

3.3 精度評價(jià)

基于位置信息或非位置信息對分類結(jié)果進(jìn)行評價(jià)，是精度分析常用的兩種方式[25]。研究基于位置信息評價(jià)分類結(jié)果，為保證每個(gè)類別均能在采樣中出現(xiàn)，采用分層采樣即對每個(gè)類別隨機(jī)選擇樣本點(diǎn)。樣本個(gè)數(shù)按8類地物統(tǒng)計(jì)面積比進(jìn)行近似分配，對分類精度進(jìn)行最優(yōu)無偏估計(jì)。由于樣本點(diǎn)的數(shù)量直接影響精度評價(jià)的合理性，樣本數(shù)量過多或過少都不科學(xué)，本文依據(jù)式(7)的計(jì)算方法對樣本點(diǎn)進(jìn)行選取[26]

N=B/4C2

(7)

式中，N為樣本點(diǎn)個(gè)數(shù)；B由自由度為1的卡方檢驗(yàn)(1-α/K)的臨界值確定，α為精度評估要求，K為分類數(shù)；C為置信度偏差。

將GlobeLand30濕地細(xì)分為8個(gè)類別(如圖6所示)，假設(shè)置信度達(dá)95%，允許的誤差范圍為5%，在沒有先驗(yàn)知識的情況下，B=γ2(1，0.993 8)=7.475，由式(7)得出至少需要748個(gè)樣本點(diǎn)才能保證精度驗(yàn)證的準(zhǔn)確性。研究利用ArcGIS軟件對分類數(shù)據(jù)隨機(jī)生成1000個(gè)采樣點(diǎn)，結(jié)合Google Earth高分辨率影像統(tǒng)計(jì)分類正確和錯誤的樣本數(shù)量，從而構(gòu)建精度檢驗(yàn)混淆矩陣，并計(jì)算分類精度及Kappa系數(shù)，已達(dá)到對濕地細(xì)分結(jié)果進(jìn)行精度評價(jià)的目的(見表3)。

圖6 濕地細(xì)分效果

表3 濕地細(xì)分精度

由表3可知，GlobeLand30濕地細(xì)化分類制圖總體精度達(dá)82.6%，Kappa系數(shù)為0.781，具備較好的一致性特點(diǎn)，能夠達(dá)到基本精度要求。從分類的精度看，基于人工解譯的對象篩選能達(dá)到較好的分類效果。潮間帶森林沼澤和森林沼澤的制圖精度、用戶精度較高，達(dá)85%左右，說明基于植被形態(tài)分類其閾值比例設(shè)置較為合理。相較之下沼澤濕地和淤泥質(zhì)海灘精度則略偏低，體現(xiàn)出一定的漏分和錯分現(xiàn)象。原因主要有兩方面：一是在宏觀尺度上無植被類像元數(shù)據(jù)量較少，部分像元代表了幾種混合地物的特征，受混合特征影響后期處理誤分為沼澤濕地，導(dǎo)致精度降低；另一方面雖然無植被類濕地典型，灰度圖像表現(xiàn)出與植被覆蓋類型差異的特征，然而受時(shí)相、水文等因素影響無法對稀薄的覆蓋類型進(jìn)行全部剔除。盡管閾值設(shè)定合理、科學(xué)，但僅利用NDVI指標(biāo)進(jìn)行淤泥質(zhì)海灘的提取還存在一定的局限。

4 結(jié)論與展望

本研究針對GlobeLand30濕地?cái)?shù)據(jù)細(xì)化問題，創(chuàng)建了層次化的總體技術(shù)方法，用于研制出兩期全球濕地亞類數(shù)據(jù)產(chǎn)品，總體精度達(dá)80%以上，較好地滿足了當(dāng)前的應(yīng)用研究需求。在保證精度的同時(shí)，克服了常規(guī)手段普遍存在的周期長、效率低、受客觀條件限制難以完成等弊端，實(shí)現(xiàn)了全球尺度上較高分辨率濕地亞類數(shù)據(jù)的快速精確制圖，為全球濕地管理保護(hù)、生態(tài)恢復(fù)及可持續(xù)發(fā)展研究等提供了重要的信息支撐。鑒于全球范圍內(nèi)濕地類型復(fù)雜各異，對沼澤濕地等存在一定的錯分和漏分，在今后的實(shí)踐中應(yīng)進(jìn)一步完善，并提高方法的自動化應(yīng)用水平。下一步工作將對兩期濕地亞類數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，完成全球濕地空間分布格局及10年變化(2000—2010年)統(tǒng)計(jì)分析報(bào)告，為國際、國內(nèi)的相應(yīng)機(jī)構(gòu)提供可靠的決策參考。

[1] 李祿康.濕地與濕地公約[J].世界林業(yè)研究,2001,14(1):1-7.

[2] 楊永興.國際濕地科學(xué)研究的主要特點(diǎn)、進(jìn)展與展望[J].地理科學(xué)進(jìn)展,2002,21(2):111-120.

[3] 呂憲國,黃錫疇.我國濕地研究進(jìn)展——獻(xiàn)給中國科學(xué)院長春地理研究所成立40周年[J].地理科學(xué),1998,18(4):2-9.

[4] 李建平,張柏,張泠，等.濕地遙感監(jiān)測研究現(xiàn)狀與展望[J].地理科學(xué)進(jìn)展,2007,26(1):33-43.

[5] 張樹文,顏鳳芹，于靈雪，等.濕地遙感研究進(jìn)展[J].地理科學(xué),2013,33(11)：1406-1412.

[6] CHEN J, LIAO A, CAO X, et al. Global Land Cover Mapping at 30 m Resolution: A POK-based Operational Approach[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 103: 7-27.

[7] 廖安平,陳利軍,陳軍,等. 全球陸表水體高分辨率遙感制圖[J].中國科學(xué)(地球科學(xué)),2014,44(8): 1634-1645.

[8] 張委偉,陳軍,廖安平,等.顧及多元知識的GlobeLand30檢核優(yōu)化模型[J].中國科學(xué)(地球科學(xué)), 2016，46(9):1149-1161.

[9] LEHNER B, D?LL P. Development and Validation of a Global Database of Lakes, Reservoirs and Wetlands[J]. Journal of Hydrology,2004,296(1):1-22.

[10] 牛振國,單玉秀,張海英.全球土地覆蓋GlobCover2009數(shù)據(jù)中的中國區(qū)域濕地?cái)?shù)據(jù)精度評價(jià)[J].濕地科學(xué),2012, 10(4): 389-395.

[11] TOWNSHEND J, JUSTICE C, LI W,et al. GLC Classifi-cation by Remote Sensing:Present Capabilities and Future Possibilities[J]. Remote Sensing of Environment,1991,35(2-3):243-255.

[12] DEFRIES R S,TOWNSHEND J R G. GLC Characterization from Satellite Data:From Research to Operational Implementation[J]. Global Ecology & Biogeography,1999,8(5):367-379.

[13] VERBURG P H,NEUMANN W,LINDA N L. Challenges in Using Land Use and Land Cover Data for Glodal Change Studies[J].Glodal Change Biology,2011,17(2):974-989.

[14] HEROLD M,MAYAUX P,WOODCOCK C,et al.Some Challenges in GLC Mapping: An Assessment of Agreement and Accuracy in Existing 1 km Datasets[J]. Remote Sensing of Environment,2008,112(5):2538-2556.

[15] 宮鵬.遙感科學(xué)與技術(shù)中的一些前沿問題[J].遙感學(xué)報(bào),2009,13(1):13-22.

[16] 廖安平,彭舒,吳昊,等.30 m全球地表覆蓋遙感制圖生產(chǎn)體系與實(shí)踐[J].測繪通報(bào),2015(10):4-8.

[17] 陳利軍,陳軍,廖安平,等.30 m全球地表覆蓋遙感分類方法初探[J].測繪通報(bào),2012(S0):350-353.

[18] CHEN Jun,BAN Yifang,LI Songnian．China:Open Access to Earth Land-cover Map[J].Nature,2014,514(7523):434.

[19] 陳軍,陳晉,廖安平,等.全球30m地表覆蓋遙感制圖的總體技術(shù)[J].測繪學(xué)報(bào),2014,43(6):551-557.

[20] 唐小平,黃桂林.中國濕地分類系統(tǒng)的研究[J].林業(yè)科學(xué)研究,2003,16(5):531-539.

[21] 牛振國,宮鵬,程曉,等.中國濕地初步遙感制圖及相關(guān)地理特征分析[J]. 中國科學(xué)(地球科學(xué)), 2009, 39(2): 188-203.

[22] 國家林業(yè)局《濕地公約》履約辦公室.濕地公約履約指南[M].北京:中國林業(yè)出版社,2001:16-17.

[23] 于興河,李勝利,李順利.三角洲沉積的結(jié)構(gòu)——成因分類與編圖方法[J].沉積學(xué)報(bào),2013,31(5):782-797.

[24] 李琳琳.遙感圖像分割中閾值的自動選取技術(shù)研究[D].蘭州：蘭州大學(xué),2012.

[25] 魏飛鳴.基于對象信息的遙感影像分類研究[D].成都:電子科技大學(xué),2008.

[26] TORTORA R.A Note on Sample Size Estimation for Multinomial Population[J].The American Statistician,1978,32(3):100-102.

ResearchonWetlandSub-classificationfromGlobeLand30

CHEN Wei1，2，CHEN Lijun2，CHEN Jun2，CHEN Hao3，ZHOU Xiaoguang1，XIE Bo3
(1. School of Geosciences and Info-physics, Central South University，Changsha 410083,China； 2. National Geomatics Center of China，Beijing 100830,China； 3. National-local Joint Engineering Laboratory of Geo-spatial Information Technology, Hunan University of Science and Technology，Xiangtan 411201，China)

Wetland data of the Globaland30 have been classified into 8 subclasses by the improved method, which could meet the application requirements of high resolution and detailed global wetland data. This paper proposed the research framework of wetland classification, formulated the classification method, and analyzed the 8 subclasses at a global scale. The framework was composed of the definition of wetland subclass, the hierarchical classification of multiple knowledge and methods of sub date extraction. The data have been classified by the object filtering of prior knowledge, the parity pixel extraction of forest data and mask method of the maximum likelihood algorithm. The method overcomed the shortcomings of the conventional methods, such as long cycle and low efficiency, and realized the fast and accurate mapping of the global high resolution wetland subclass data,the accuracy for general wetland subclass is 82.6%. This research would be useful for monitoring and studying the land cover information in the further.

wetland sub-classification; hierarchical classification; global land cover data (GlobeLand30); subclass information

陳煒，陳利軍，陳軍，等.GlobeLand30濕地細(xì)化分類研究[J].測繪通報(bào)，2017(10)：22-28.

10.13474/j.cnki.11-2246.2017.0310.

2017-01-05;

2017-05-28

國家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)(2013AA122802)

陳 煒(1991— )，男，碩士，主要研究方向?yàn)閿z影測量與遙感。E-mail：365266097@qq.com

陳利軍

P237

A

0494-0911(2017)10-0022-07