亓興蘭 肖豐慶 劉 健 張李平

( 1. 福建林業(yè)職業(yè)技術(shù)學(xué)院，福建 南平 353000；2. 南平市農(nóng)業(yè)農(nóng)村局，福建 南平 353000；3. 福建農(nóng)林大學(xué)林學(xué)院，福建 福州 350002；4. 3S技術(shù)與資源優(yōu)化利用福建省高校重點(diǎn)實(shí)驗(yàn)室，福建 福州 350002)

馬尾松毛蟲（Dendrolimus punctatus）是馬尾松（Pinus massoniana）林的主要害蟲，危害大、發(fā)生頻繁，嚴(yán)重的話會(huì)爆發(fā)成災(zāi)，使馬尾松的生長(zhǎng)受到嚴(yán)重影響[1]。遙感作為一種全新的監(jiān)測(cè)技術(shù)手段，由于其大范圍及實(shí)時(shí)監(jiān)測(cè)等獨(dú)特的優(yōu)越性，在生產(chǎn)上也逐漸用來(lái)監(jiān)測(cè)森林病蟲害。馬尾松受到蟲害侵襲時(shí)，針葉卷曲枯黃并失葉，樹冠稀疏，引起光譜反射率的下降，其中以近紅外波段最為顯著?；诖?，國(guó)內(nèi)外學(xué)者基于影像光譜結(jié)構(gòu)的變化，利用相應(yīng)的光譜特征指數(shù)如歸一化植被指數(shù)（NDVI）等來(lái)進(jìn)行蟲害的監(jiān)測(cè)，是完全可行的并取得一定的成果。如孫福洋等[2]根據(jù)時(shí)間序列MODIS-NDVI數(shù)據(jù)與地面調(diào)查數(shù)據(jù)，構(gòu)建了區(qū)域森林病蟲害理賠指數(shù)，可有效監(jiān)測(cè)針葉林的受災(zāi)（中度、重度）情況。劉文雅[3]獲取松材線蟲病完整發(fā)病周期的松樹冠層的高光譜數(shù)據(jù)與相應(yīng)時(shí)期的生理生化參數(shù)（葉綠素含量、類胡蘿卜素含量和含水量），應(yīng)用多種方法對(duì)高光譜數(shù)據(jù)與生理參數(shù)之間的關(guān)系進(jìn)行模擬研究，分析比較模型精度并進(jìn)行模型的驗(yàn)證，最終篩選出最優(yōu)估測(cè)模型。朱程浩等[4]基于TM、ETM+數(shù)據(jù)，構(gòu)造光譜特征指數(shù)RVI，對(duì)油松的受災(zāi)程度進(jìn)行了有效監(jiān)測(cè)。王震等[5-6]測(cè)量受害馬尾松的反射光譜，分析獲取的受害林木光譜反射曲線，研究了綠光區(qū)、紅光區(qū)和近紅外區(qū)反射光譜的變化特征?？v觀前人的研究，其主要是基于遙感影像的光譜信息進(jìn)行病蟲害的監(jiān)測(cè)及蟲害信息的提取，對(duì)于紋理信息卻沒有涉及。伴隨著中高分辨率遙感影像在森林病蟲害監(jiān)測(cè)中的應(yīng)用，對(duì)于影像紋理信息的發(fā)掘與應(yīng)用就提上了日程。關(guān)于紋理信息在森林病蟲害監(jiān)測(cè)及蟲害信息提取中的發(fā)掘與應(yīng)用及對(duì)蟲害監(jiān)測(cè)影響程度，還未見相關(guān)研究報(bào)道。

基于此，本研究以國(guó)家馬尾松毛蟲蟲害監(jiān)測(cè)站點(diǎn)之一的福建沙縣作為研究區(qū)，基于SPOT-5遙感影像與地面調(diào)查數(shù)據(jù)等，提取多尺度紋理信息，與光譜特征結(jié)合參與分類，探討紋理特征對(duì)蟲害信息提取的作用及提取精度的影響，旨在有效解決遙感用于森林病蟲害的關(guān)鍵技術(shù)問(wèn)題，為林業(yè)遙感監(jiān)測(cè)應(yīng)用提供參考。

1 材料與方法

1.1 數(shù)據(jù)來(lái)源與處理

遙感數(shù)據(jù)為2004年研究區(qū)SPOT-5遙感影像（多光譜影像：分辨率10 m；全色影像：分辨率2.5 m）。對(duì)影像進(jìn)行幾何校正、正射校正等預(yù)處理，最后對(duì)影像裁剪，獲得所需影像。

其他數(shù)據(jù)有2004年沙縣蟲害地面調(diào)查數(shù)據(jù)（蟲口密度、立地等級(jí)等），沙縣1∶10 000地形圖，沙縣森林資源GIS數(shù)據(jù)庫(kù)（森林資源圖形數(shù)據(jù)與屬性數(shù)據(jù)、森林資源調(diào)查樣地資料等）。

1.2 影像光譜與紋理特征融合

1.2.1 影像融合方法

1）主成分變換融合（PCA）[7]。首先對(duì)多光譜圖像進(jìn)行主成分變換，獲得第一主成分分量圖像，然后以全色圖像代替，進(jìn)行主成分逆變換即可。此法可以壓縮數(shù)據(jù)、濃縮信息量。

2）乘積變換融合（Multiplicative）[8]。多光譜影像的各波段分別與全色波段相乘，然后乘積組合合成新的波段圖像，從而達(dá)到細(xì)節(jié)反差的目的。

3）Brovey變換融合[9]。首先影像多光譜波段進(jìn)行歸一化處理，再與全色影像相乘，可以銳化影像，原多光譜影像信息也得以保留。

4）IHS變換融合[10]。首先影像多光譜波段進(jìn)行歸一化處理，再與全色影像相乘，可以銳化影像，原多光譜影像信息也得以保留。

5）高通濾波融合（HPF）[11]。基于小的高通濾波器，全色影像處理獲得高頻數(shù)據(jù)，然后此高頻數(shù)據(jù)基于像元對(duì)像元加到多光譜數(shù)據(jù)中，即把空間信息加到波譜信息中。

6）Gram-schmidt變換法[12]。與PCA融合類似，首先基于多光譜波段構(gòu)造一假的全色波段，并作為第一波譜波段與多光譜波段進(jìn)行Gramschmidt變換，獲得第一個(gè)波段，再用真的全色波段代替其進(jìn)行Gram-schmidt反變換。

7）HSV融合[13]。HSV融合中，H代表色度，S代表飽和度，V為顏色亮度，首先在HSV色度空間，用全色影像替代V，同時(shí)進(jìn)行H、S重采樣，如此用全色影像替換后，再變換回RGB空間即可。

1.2.2 影像融合結(jié)果評(píng)價(jià)

分析評(píng)價(jià)融合結(jié)果，主觀評(píng)價(jià)采取目視，分析比較結(jié)果；而客觀評(píng)價(jià)則利用評(píng)價(jià)指標(biāo)進(jìn)行計(jì)算定量分析，各評(píng)價(jià)指標(biāo)及其計(jì)算方法如下。

1）均值：均值反映圖像融合前后平均亮度的變化，其值小，則表明融合后的影像保留原始光譜信息好。

2）熵：熵反映圖像融合前后信息量豐富程度變化，其值大，則融合圖像信息量豐富，融合效果好。

式中：E（x）指熵，Pi為一比值，分子為灰度值等于i的像元數(shù)，分母為影像總像元數(shù)。

3）清晰度：清晰度反映圖像地物邊界等灰度差異及細(xì)節(jié)表達(dá)能力，其值越大，則表明圖像越清晰。

式中： 指清晰度，f（xi，yj）指坐標(biāo)（xi，yj）處像元值，M指影像像元的行數(shù)，N指影像像元的列數(shù)。

4）標(biāo)準(zhǔn)差：標(biāo)準(zhǔn)差值大，則各地物圖像灰度反差大，可更好地分辨各種地物，主要表達(dá)圖像地物灰度分布。

式中：σ 指標(biāo)準(zhǔn)差，Z（xi，yj）為坐標(biāo)（xi，yj）處像元值， 為像元均值，M指影像像元的行數(shù)，N指影像像元的列數(shù)。

5）相關(guān)系數(shù)：相關(guān)系數(shù)值大，則融合圖像從源圖像中獲得的信息多，融合效果好，主要表達(dá)圖像光譜特征變化與否。

式中：ρ指相關(guān)系數(shù)，F(xiàn)（xi, yj）指融合前影像坐標(biāo)（xi, yj）處像元值，A（xi, yj）指融合后影像坐標(biāo)（xi, yj）處像元值， 指融合后影像像元均值，指融合前影像像元均值。

1.3 蟲害信息提取

1.3.1 蟲害等級(jí)劃分

依據(jù)國(guó)家林業(yè)局《林業(yè)有害生物發(fā)生及成災(zāi)標(biāo)準(zhǔn)》（LY/T 1681—2006），馬尾松毛蟲蟲害程度劃分輕度、中度、重度3個(gè)標(biāo)準(zhǔn)等級(jí)[14-15]。因此本研究按照蟲口密度把蟲害分為健康（≤5條/株）、輕度（6～13條/株）、中度（14～30條/株）、重度（≥31條/株）4個(gè)等級(jí)。

1.3.2 最佳紋理特征量與最佳窗口尺度確定方法

本研究利用熵值大小比較法[16-17]與監(jiān)督分類法來(lái)確定最佳紋理特征量與最佳窗口尺度。首先計(jì)算各紋理特征量的熵值并進(jìn)行比較分析，通過(guò)熵值的大小來(lái)判斷其紋理信息情況；其次利用監(jiān)督分類法進(jìn)行試驗(yàn)，各紋理分別與光譜波段組合疊加，基于馬氏距離法進(jìn)行監(jiān)督分類，比較分類結(jié)果來(lái)確定最佳紋理特征量與最佳窗口尺度。本研究中利用灰度共生矩陣法[18-19]提取8個(gè)紋理特征量，分別為均值、相異性、協(xié)同性、角二階矩、方差、對(duì)比度、熵、相關(guān)性。設(shè)置5個(gè)窗口尺度分別為 3×3、5×5、7×7、9×9、11×11，步長(zhǎng)分別為 1、2、3、5。

1.3.3 分類方法

支持向量機(jī)（SVM）法基于統(tǒng)計(jì)學(xué)習(xí)理論，可以解決線形可分?jǐn)?shù)據(jù)和線形不可分?jǐn)?shù)據(jù)的分類問(wèn)題。SVM法架構(gòu)基礎(chǔ)為VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理，可以基于少量的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最優(yōu)解決方案，其與問(wèn)題維數(shù)無(wú)關(guān)并可解決函數(shù)復(fù)雜性的問(wèn)題，有很好的推廣能力，為復(fù)雜數(shù)據(jù)的分類問(wèn)題的解決提供幫助[14,20-21]。對(duì)于SVM分類，關(guān)鍵在于核函數(shù)的選擇，常用的核函數(shù)有4種，分別為線性、多項(xiàng)式、高斯徑向基和S形等。本研究中采用高斯徑向基函數(shù)進(jìn)行分類，其中對(duì)于樣本數(shù)目的選擇，基于野外調(diào)查數(shù)據(jù)，通過(guò)人為干預(yù)選點(diǎn)的方式產(chǎn)生，各種受害程度的林分對(duì)應(yīng)的樣本數(shù)都為210。

2 結(jié)果與分析

2.1 影像融合結(jié)果評(píng)價(jià)

2.1.1 目視評(píng)價(jià)

受害區(qū)域部分影像融合結(jié)果見圖1。由圖1可知，每一種融合方法的圖像效果都得到了提高，在光譜信息保持不變的基礎(chǔ)上，空間信息得到改善加強(qiáng)，增強(qiáng)了影像的分辨率、清晰度等。從光譜變化上來(lái)看，各種融合算法在圖像色彩保持上稍有不同，其中，保持最好的是高通濾波融合方法，其次是IHS變換融合方法。圖像色調(diào)變亮的是主成分變換融合方法，圖像色調(diào)變暗的是乘積變換融合方法?；诳臻g紋理結(jié)構(gòu)變化分析，融合后圖像清晰度提高，紋理內(nèi)容豐富，細(xì)節(jié)表現(xiàn)能力也得到加強(qiáng)，各種地物如河流、道路、農(nóng)田等邊界變得突出明朗，地物差異明顯，各種地物如城鎮(zhèn)、山林等更容易區(qū)別開來(lái)，圖像清晰度提高。其中表現(xiàn)最好的是高通濾波融合與IHS融合方法，加強(qiáng)了不同程度覆蓋的植被間的區(qū)分。Brovey變換融合最差，不過(guò)相比較于原始圖像，其清晰度仍是得到了加強(qiáng)，其余融合方法效果處于兩者之間。

圖 1 圖像融合結(jié)果Fig. 1 Image fusion results

2.1.2 定量評(píng)價(jià)

影像融合定量評(píng)價(jià)指標(biāo)結(jié)果見表1。相比于原圖像，高通濾波融合與IHS融合，最大程度地保留了原光譜信息，其均值幾乎沒有變化；而乘積變換融合則最差，其融合圖像均值減低最多，圖像色調(diào)變暗；其他融合方法的光譜特征保持一般。高通濾波融合與IHS變換融合方法的相關(guān)系數(shù)最高，說(shuō)明其很好地保持了原始圖像的光譜信息?；跇?biāo)準(zhǔn)差、熵、清晰度分析，高通濾波融合與IHS變換融合方法圖像的值均最高，則說(shuō)明這2種融合方法效果最好，提高了圖像空間信息的細(xì)節(jié)表達(dá)。

表 1 定量評(píng)價(jià)指標(biāo)結(jié)果Table 1 Quantitative evaluation of indicator results

續(xù)表 1

綜上分析，在空間分辨率提高與光譜信息保留方面，效果最好的是高通濾波融合與IHS變換融合方法。綜合光譜特征與紋理分析，本研究的遙感數(shù)據(jù)選取高通濾波融合圖像。

2.2 最佳紋理特征量與最佳窗口尺度

目視比較分析各尺度的紋理特征量，效果最好的是窗口大小7×7、步長(zhǎng)2。因此，在該窗口大小為7×7尺度下，分別計(jì)算8個(gè)紋理特征量的熵值，結(jié)果見表2。由表2可知，熵值最大者為熵，說(shuō)明其紋理信息相比于其他紋理特征量豐富。

表 2 各紋理特征量的熵值Table 2 Entropy value of each texture feature quantity

其次采用監(jiān)督分類法進(jìn)行試驗(yàn)，從3×3窗口開始，逐漸增大，提取不同大小窗口尺度的紋理。各紋理分別與光譜波段組合疊加，基于馬氏距離法進(jìn)行監(jiān)督分類。比較分析分類結(jié)果表3，發(fā)現(xiàn)各紋理量組合都能提高分類精度，其中提高最大的是方差。基于分類結(jié)果分析，本研究采用方差紋理。

表 3 監(jiān)督分類結(jié)果Table 3 Supervised classification results

同時(shí)分析表4，窗口尺度變大，則精度也變大，在窗口7×7時(shí)，達(dá)到最大值，而后分類精度卻逐漸降低。因此，基于SVM分類提取蟲害信息，多尺度紋理特征其紋理窗口尺度選擇3×3、5×5、7×7，分類結(jié)果見圖2a；單尺度紋理特征其紋理窗口尺度選擇7×7，分類結(jié)果見圖2b。同時(shí)為了比較分析，僅基于SPOT-5多光譜影像，利用最大似然法分類提取蟲害信息，結(jié)果圖2c。

表 4 基于不同窗口單尺度紋理蟲害信息提取Table 4 Single-scale texture pest information extraction based on different windows

圖 2 蟲害信息提取結(jié)果Fig. 2 Pest information extraction result

2.3 分類精度比較

利用野外調(diào)查資料、圖面材料與圖庫(kù)資料等，基于使用者精度等進(jìn)行分類結(jié)果評(píng)價(jià)，各種方法分類結(jié)果見表5。

表 5 3種方法分類結(jié)果Table 5 The classification result of 3 methods

由表5比較可知，結(jié)合單尺度紋理和光譜特征的蟲害信息提取與結(jié)合多尺度紋理與光譜特征的蟲害信息提取，相比較于單單基于光譜信息的最大似然法分類，其分類精度都有了很大提高。其中，前者分類總精度提高了8.33%，Kappa系數(shù)提高了0.113 6，后者分類總精度提高了10.00%，Kappa系數(shù)提高了0.132 3。這說(shuō)明引入紋理特征，對(duì)于提高圖像分類正確率是非常有益的，提高了蟲害信息提取精度。其原因是引入紋理特征并與光譜波段特征進(jìn)行充分地結(jié)合，大大提高了圖像的信息量，對(duì)于馬尾松毛蟲蟲害的光譜響應(yīng)能力也是極大地增強(qiáng)。同時(shí)其分類方法SVM分類能夠進(jìn)一步地推廣多維輸入向量，這些對(duì)于圖像分類非常有幫助，可以提高蟲害信息提取精度。對(duì)于SVM分類，基于多尺度紋理分類相比于單尺度紋理分類，其分類總精度提高了1.67%，說(shuō)明多源信息的引入及多尺度窗口的選擇可以提高圖像細(xì)節(jié)表達(dá)能力，對(duì)于圖像分類正確率的提高是大有裨益的，可以提高蟲害信息提取精度。

結(jié)合單尺度紋理和光譜特征分類、基于光譜特征最大似然法分類，各種受害程度林分的分類精度最高的是重度受害林分，其次為健康林分，精度最低的為輕度受害林分。對(duì)于結(jié)合多尺度紋理和光譜特征分類，精度最高的是健康林分，精度最低的為輕度受害林分。

由圖2可知，健康林分成片狀分布，分類效果最好。輕度受害林分破碎化現(xiàn)象最嚴(yán)重，這是因?yàn)槠渑c健康林分的光譜與紋理相似，夾雜在健康林分中，所以破碎化現(xiàn)象較嚴(yán)重。重度受害林分與中度受害林分圖面分類效果一般。最容易混淆的是健康林分與輕度受害林分，這是因?yàn)檩p度受害林分其失葉較少，其光譜反映也不明顯，所以很容易與健康林分混淆。重度受害林分與中度受害林分也有較多錯(cuò)分現(xiàn)象，究其原因：一是林木本身因子（如健康程度、林齡等）對(duì)光譜的影響，二是地形因子如坡向的影響。僅依賴光譜信息的最大似然法蟲害分類，輕度受害林分與健康林分混淆現(xiàn)象更突出，圖面地物呈破碎化趨勢(shì)且斑點(diǎn)多、“椒鹽”現(xiàn)象嚴(yán)重。相比之下，融合紋理特征與光譜信息的SVM分類就有效避免了上述現(xiàn)象，減少了圖面細(xì)碎的斑點(diǎn)，地物分布不零散破碎化，基本成斑塊狀。其中，相比較于單尺度紋理特征的SVM分類，多尺度紋理特征SVM分類由于其對(duì)地物紋理特征的多尺度描述，所以進(jìn)一步減少了圖面的細(xì)碎斑點(diǎn)。特別對(duì)于重度受害馬尾松林分，其各林分受害面積不同，且多為瑣碎分布的小面積斑塊，由于其紋理尺度的差異性，對(duì)于這些小斑塊，基于單尺度紋理已經(jīng)不能提取其出來(lái)，而結(jié)合多尺度紋理，卻能有效解決這一問(wèn)題，提高圖面分類表現(xiàn)。

3 結(jié)論與討論

本研究以SPOT-5影像為遙感數(shù)據(jù)源，結(jié)合地面調(diào)查等其他數(shù)據(jù)，融合影像光譜與紋理特征，引入多尺度紋理特征提取蟲害信息，并比較分類結(jié)果。結(jié)果表明，單純依賴光譜信息的最大似然法分類，其分類精度最低，圖面表現(xiàn)也較差；基于光譜與多尺度紋理特征的SVM方法，其分類精度最高，圖面表現(xiàn)也較好。這說(shuō)明，單純依賴光譜特征，對(duì)地物識(shí)別率不高，存在一定的局限；而基于光譜特征，引入紋理特征，特別是結(jié)合多尺度紋理特征分類，則能有效解決此類問(wèn)題，提高地物識(shí)別率，增強(qiáng)信息提取效果。

本研究只是基于圖像信息結(jié)合地面調(diào)查資料，在圖像分類基礎(chǔ)上提取蟲害信息，而馬尾松毛蟲蟲害的發(fā)生發(fā)展，是受溫度、濕度、地形等因子的影響而發(fā)展的過(guò)程，如何應(yīng)用這些因子特別是氣候因素如溫度、濕度進(jìn)行蟲害遙感監(jiān)測(cè)，提高信息提取精度，還需要進(jìn)一步探討。

[ 參 考 文 獻(xiàn) ]

[1]龐正轟. 馬尾松毛蟲災(zāi)害預(yù)測(cè)預(yù)報(bào)綜合技術(shù)研究[D]. 北京： 北京林業(yè)大學(xué), 2004.

[2]孫福洋, 王建和, 付偉, 等. 基于 MODIS-NDVI數(shù)據(jù)的大區(qū)域森林病蟲害理賠指數(shù)構(gòu)建及應(yīng)用 [J]. 林業(yè)資源管理, 2017(6)： 149-152, 158.

[3]劉文雅. 松材線蟲病脅迫下松樹生理參數(shù)的高光譜遙感估測(cè)模型研究[D]. 南京： 南京林業(yè)大學(xué), 2017.

[4]朱程浩, 瞿帥, 張曉麗. 油松毛蟲災(zāi)害遙感監(jiān)測(cè)及其影響因子分析 [J]. 遙感學(xué)報(bào), 2016, 20(4)： 653-664.

[5]王震, 張曉麗, 安樹杰. 松材線蟲病危害的馬尾松林木光譜特征分析 [J]. 遙感技術(shù)與應(yīng)用, 2007, 22(3)：367-370.

[6]王勝, 潘潔, 張衡, 等. 基于高光譜遙感影像的森林病蟲害監(jiān)測(cè)研究進(jìn)展 [J]. 林業(yè)資源管理, 2014(3)：134-140.

[7]Johnson P D Jr, Harris G A, Hankerson D C. Introduction to Information Theory and Data Compression[M].New York： Chapman and Hall/CRC, 2003.

[8]譚永生. 像素級(jí)中高分辨率遙感影像融合研究[D].杭州： 浙江大學(xué), 2007.

[9]Ehlers M. Multisensor image fusion techniques in remote sensing [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1991, 46(1)： 19-30.

[10]Harris J R, Murray R, Hirose T. IHS transform for the integration of radar imagery with other remotely sensed data [J]. Photogrammetric Engineering and Remote Sensing, 1990, 56： 1631-1641.

[11]陳超, 江濤, 岳遠(yuǎn)平, 等. 像素級(jí)遙感圖像融合方法研究 [J]. 國(guó)土資源信息化, 2008(5)： 30-34.

[12]陳超. 遙感數(shù)據(jù)融合智能化處理方法研究[D]. 青島：山東科技大學(xué), 2009.

[13]陳德超, 周海波, 陳中原, 等. TM與SPOT影像融合算法比較研究 [J]. 遙感技術(shù)與應(yīng)用, 2001, 16(2)：110-115.

[14]亓興蘭. SPOT-5遙感影像馬尾松毛蟲害信息提取技術(shù)研究[D]. 福州： 福建農(nóng)林大學(xué), 2011.

[15]國(guó)家林業(yè)局植樹造林司, 國(guó)家林業(yè)局森林病蟲害防治總站. 森林病蟲害防治知識(shí)問(wèn)答[M]. 北京： 中國(guó)林業(yè)出版社, 1999： 2-5.

[16]陳晨, 張友靜. 基于多尺度紋理和光譜信息的SVM分類研究 [J]. 測(cè)繪科學(xué), 2009, 34(1)： 29-31.

[17]沈璐, 權(quán)亞楠, 禹哲珠, 等. 一種結(jié)合紋理特征的極化SAR圖像SVM分類方法 [J]. 北京測(cè)繪, 2018(10)：1235-1239.

[18]王宏勝. 基于面向?qū)ο蟮膬呻A段村域無(wú)人機(jī)影像土地利用分類研究[D]. 成都： 西南交通大學(xué), 2018.

[19]王美雅, 許章華. 馬尾松毛蟲危害下的馬尾松紋理特征分析 [J]. 江西農(nóng)業(yè)大學(xué)學(xué)報(bào), 2015, 37(4)： 653-662.

[20]Caccetta P A, Campbell N A, Evans F H, et al. Mapping and monitoring land use and condition change in theSouth-West of Western Australia using remote sensing and other data[C]//Proceedings of the Information Security Solutions Europe (ISSE2000) Conference,Barcelona, 27-29 September 2000.

[21]萬(wàn)意, 李長(zhǎng)春, 趙旭輝, 等. 基于SVM的光學(xué)遙感影像分類與評(píng)價(jià) [J]. 測(cè)繪地理信息, 2018, 43(6)： 74-77.