丘鳴語 甘淑

摘 要：監(jiān)測土地覆蓋變化是目前高分辨率遙感的重要應(yīng)用領(lǐng)域，城市覆蓋地物變更速度快、地物類型復(fù)雜，使用傳統(tǒng)方法提取監(jiān)測難度較大。針對此問題，選擇云南省大理白族自治州上官鎮(zhèn)為研究區(qū)，以GF-2 PMS遙感影像為數(shù)據(jù)源；采用面向?qū)ο蟮姆椒▽ρ芯繀^(qū)進(jìn)行最優(yōu)分割尺度分割，選取最優(yōu)特征組合用于構(gòu)建模糊分類規(guī)則，分層次進(jìn)行地物提取，最終獲得研究區(qū)地物類型分布圖。運(yùn)用混淆矩陣方法進(jìn)行精度評價(jià)，面向?qū)ο蟮亩鄬哟我?guī)則分類法提取分類效果良好，分類總體精度達(dá)79.95%，Kappa系數(shù)為0.74。與基于像元的分類方法和單一尺度下面向?qū)ο蟮奶崛》诸惙ㄏ啾龋嫦驅(qū)ο蟮亩鄬哟我?guī)則分類法精度明顯提高，說明本方法運(yùn)用于復(fù)雜地物提取分類具有較好可行性。

關(guān)鍵詞：面向?qū)ο?；GF-2；多層次分類；最優(yōu)分割尺度；多尺度分割

中圖分類號：P237

文獻(xiàn)標(biāo)志碼：A

隨著遙感技術(shù)的發(fā)展，越來越多的遙感衛(wèi)星進(jìn)入太空，其能實(shí)時(shí)、多尺度提供影像的特點(diǎn)，為快速準(zhǔn)確獲取地面信息、監(jiān)測地表變化提供了更多可能。

真實(shí)的土地覆蓋、利用數(shù)據(jù)對國土資源空間優(yōu)化、提升土地利用規(guī)劃和管理水平至關(guān)重要［1-3］。目前，常用的中低分辨率影像，如MODIS、Landsant等可用于大尺度監(jiān)測，但其分辨率也限制了它無法運(yùn)用于復(fù)雜地形、精細(xì)地物的分類提?。桓叻直媛视跋竦某霈F(xiàn)彌補(bǔ)了這一缺陷，高分辨率影像具有高精度、高空間分辨率等特點(diǎn)，更適用于小型地物提取與精細(xì)的地物分類，但其在帶來更多空間信息的同時(shí)也帶來了噪聲與信息冗余［4］。目前，高分辨率影像的使用更加依賴于算法和目視解譯，從而降低了效率，因此，如何去除干擾，快速、自動(dòng)化的精確提取地物并分類仍是目前的研究熱點(diǎn)。

目前遙感圖像識別分類大致可分為基于像元的分類、基于深度學(xué)習(xí)的分類、面向?qū)ο蟮姆诸悾?］?；谙裨姆诸惙椒ㄒ韵裨獮閱挝贿M(jìn)行分類，難以充分利用高分辨率影像的紋理等特征，還會(huì)出現(xiàn)椒鹽現(xiàn)象或因信息冗余帶來地物漏分、錯(cuò)分［6］；基于深度學(xué)習(xí)的分類方法于近年迅速興起并被廣泛應(yīng)用，其泛化性強(qiáng)且效果良好，但其需要大量樣本進(jìn)行訓(xùn)練的特性導(dǎo)致其難以被廣泛應(yīng)用；面向?qū)ο蟮姆诸惙椒ㄊ菍⒂跋穹指顬槎鄠€(gè)對象，將每個(gè)對象作為最小單元，結(jié)合光譜、形狀、紋理等特征進(jìn)行處理，充分運(yùn)用信息的同時(shí)避免椒鹽噪聲以提高提取分類精度［7-8］。目前，國內(nèi)外對于復(fù)雜、典型地物提取分類進(jìn)行了大量研究，郭玉寶等［9］采用基于像元的方法用GF-1影像對城市用地進(jìn)行分類，證明隨機(jī)森林算法（random forest，RF）的精度高于支持向量基（support vector machine，SVM）和最大似然法；馬燕妮等［10］依據(jù)空間統(tǒng)計(jì)和光譜統(tǒng)計(jì)獲取理論最優(yōu)分割尺度，分析分型演化多尺度分割與影像譜空間統(tǒng)計(jì)的特征關(guān)系，將基于光譜空間統(tǒng)計(jì)的影像分析尺度參數(shù)方法運(yùn)用到分型演化多尺度分割算法，取得了較好結(jié)果；于莉楠等［11］采用基于拓?fù)洳逯岛凸庾V特征提取方法，證明該方法在提取復(fù)雜城區(qū)邊界方面具有較好的穩(wěn)健性和較高的精度；張春森等［12］結(jié)合自然地物的光譜和紋理特征，提出面向?qū)ο蟮牡湫妥匀坏匚锇胱詣?dòng)提取方法，依據(jù)全連接條件隨機(jī)場描述全局信息，結(jié)合不同地物的提取準(zhǔn)則，最終增加了地物的提取分類效率。

本文運(yùn)用面向?qū)ο蠓椒?，通過多尺度分割選取最優(yōu)分割尺度，根據(jù)地物特點(diǎn)選取對應(yīng)分割尺度，結(jié)合特征空間優(yōu)選出的特征組合構(gòu)建模糊分類規(guī)則集，分層次提取出八類地物，探索基于GF-2衛(wèi)星影像在復(fù)雜地物中的提取分類方法。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)

研究區(qū)為云南省大理白族自治州大理市（25°56′21″N-25°57′38″N，100°5′44″E-100°6′37″E），如圖1所示。研究區(qū)內(nèi)包含洱海羅時(shí)江入湖口、羅時(shí)江濕地生態(tài)公園、上官鎮(zhèn)，涵蓋城市、農(nóng)田、湖泊、濕地、河流、林地等多種地物。

1.2 試驗(yàn)數(shù)據(jù)及其預(yù)處理

試驗(yàn)采用一景GF-2 PMS遙感數(shù)據(jù)（拍攝日期2020年11月19日），包括1 m分辨率全色波段和4個(gè)4 m分辨率多光譜波段（藍(lán)、綠、紅、近紅外）［13］。在ENVI5.3中進(jìn)行大氣校正、正射校正預(yù)處理，運(yùn)用NNDiffuse PAN Sharpening算法融合全色與多光譜數(shù)據(jù)，得到1 m分辨率融合影像后裁剪出大小為1 500×2 350像素的研究影像。

2 面向?qū)ο蟮亩鄬哟我?guī)則分類方法

2.1 多尺度分割及最優(yōu)分割尺度選取

使用多尺度分割方法對影像進(jìn)行不同尺度分割，選取各類地物對應(yīng)最優(yōu)分割尺度［14］；建立多個(gè)層次的分類規(guī)則集，對每個(gè)層次中的地物結(jié)合上述特征優(yōu)選組合構(gòu)建模糊分類規(guī)則，最終形成多層次分類規(guī)則集進(jìn)行地物提取分類試驗(yàn)。

影像分割是面向?qū)ο筇卣魈崛〉闹匾襟E，對象的提取和分類是依據(jù)分割后的對象區(qū)域來進(jìn)行的，分割效果主要由波段、尺度、形狀和緊致度四方面決定，選取合適的分割尺度可在最大程度上避免出現(xiàn)“過分割”、“欠分割”現(xiàn)象，以保證分類精度［15］。不同地物因其自身特征在不同分割尺度下分割效果不同，面對復(fù)雜地物為保證分割效果，采取多尺度分割方法進(jìn)行影像分割并進(jìn)行最優(yōu)分割尺度選取能最大程度保證分割質(zhì)量。

多尺度分割中分割尺度越大，則分割出的對象越少；除此之外，分割結(jié)果還與所選波長權(quán)重相關(guān)，某些地物在某個(gè)波段中會(huì)明顯區(qū)別于其他地物，本試驗(yàn)選取分割波段權(quán)重為 1∶1∶1∶1；分割結(jié)果同時(shí)還與分割對象的異質(zhì)性相關(guān)，異質(zhì)性通過光譜因子和形狀因子來表現(xiàn)，其中形狀因子又由光滑度與緊致度組成［16］。在eCognition中主要通過形狀因子和緊致度因子來實(shí)現(xiàn)，二者的設(shè)定范圍都在0～1之間，形狀因子設(shè)置越小，則分割對象越細(xì)碎，緊致度因子設(shè)置越大，則在分割地物越細(xì)致。因此，分割過程中要綜合不同地物特點(diǎn)設(shè)置相應(yīng)的分割尺度、形狀因子及緊致度因子才能獲得較好的分割結(jié)果。在面對湖泊、大片林地等大面積連續(xù)地物時(shí)，應(yīng)選擇大分割尺度結(jié)合較大形狀因子、較小緊致度的方案進(jìn)行分割以防止地物過于破碎；而在面對細(xì)小河流、鄉(xiāng)間小路等小型地物時(shí)，應(yīng)選擇小分割尺度、較小形狀因子和較大緊致度因子以進(jìn)行更貼接近地物邊界的分割。

本試驗(yàn)的最優(yōu)分割尺度選取使用EPS2結(jié)合目視解譯完成［17］。EPS2是運(yùn)用于eCognition軟件的多尺度分割算法的最佳分割尺度計(jì)算軟件，其原理以不同分割尺度下影像對象同質(zhì)性的局部方差（LV）作為分割對象層的平均標(biāo)準(zhǔn)差，使用LV的變化率值 RLV體現(xiàn)最佳分割尺度，當(dāng)LV呈現(xiàn)峰值時(shí)為最佳分割尺度。RLV計(jì)算公式為：

RLV=LV（L）-LL（L-1）LV（L-1）×100（1）

LV（L）為目標(biāo)層L層對象層的平均標(biāo)準(zhǔn)差，LV（L-1）為目標(biāo)層L層下一次L-1層中對象層的平均標(biāo)準(zhǔn)差。

ESP2中計(jì)算出的最優(yōu)分割尺度并不是唯一的，對于不同地物均其最優(yōu)分割尺度。ESP2內(nèi)獲取最優(yōu)尺度分割值如圖3所示。

設(shè)置不同分割尺度、形狀因子及緊致度因子，結(jié)合分割情況進(jìn)行目視解譯，可將8類地物分為3個(gè)層次進(jìn)行提取，劃分尺度如表1所示。

2.2 面向?qū)ο蠓诸愄卣鬟x取及特征空間優(yōu)化

與傳統(tǒng)基于像元提取分類方法相比，面向?qū)ο蠓椒梢砸爰y理特征等對象級特征，以克服地物間存在“同物異譜、同譜異物”的現(xiàn)象，對象特征是影像分析與信息提取的主要依據(jù)［18-19］?？紤]到不同地物的特點(diǎn)，本試驗(yàn)選取紅波段均值IMean_Red、綠波段均值IMea_Green、歸一化植被指數(shù)INDVI、歸一化差分水體指數(shù)INDWI、燃燒面積指數(shù)IBAI、土壤調(diào)節(jié)植被指數(shù)ISAVI、土壤亮度指數(shù)ISBI等15個(gè)光譜特征，面積指數(shù)IArea、不對稱指數(shù)IAsymmetry等7個(gè)幾何特征及灰度共生矩陣相關(guān)性指數(shù)IGLCM_Correlation、灰度共生矩陣均值指數(shù)IGLCM_Mean、灰度共生矩陣熵指數(shù)IGLCM_Entropy等9個(gè)紋理特征共31維特征進(jìn)行分類。

在構(gòu)建地物分類規(guī)則前，為避免特征冗余先選擇出每類地物的樣本，運(yùn)用特征空間優(yōu)化工具優(yōu)選出各類地物間特征值相差最大的特征，通過統(tǒng)計(jì)獲取其各類特征的最大值、最小值、均值等數(shù)據(jù)，以體現(xiàn)各類地物特征值差異。

識別精度不會(huì)因?yàn)檫x取特征數(shù)量增加而不斷提升，過多的特征會(huì)出現(xiàn)冗余且導(dǎo)致計(jì)算量增加，造成特征空間內(nèi)部互相干擾的信息，從而降低識別精度，因此，需要進(jìn)行最優(yōu)特征組合選?。?0］。試驗(yàn)計(jì)算31維特征下各地物間分離度，發(fā)現(xiàn)當(dāng)特征維度達(dá)到18維時(shí)，地物間分離度最佳達(dá)1.832（圖4）。選取的特征可以在規(guī)則集構(gòu)建時(shí)為建立規(guī)則提供參考，也可運(yùn)用于面向?qū)ο蟮膯我怀叨认绿崛》诸悺＿x取特征空間的最優(yōu)特征組合如表2所示。

2.3 分類規(guī)則建立

根據(jù)由大到小的分割尺度建立3個(gè)分類層次 L1、L2、L3，在各層次中結(jié)合地物特點(diǎn)參考優(yōu)選特征進(jìn)行規(guī)則構(gòu)建，最終在本層次提取出地物，同時(shí)在低層次中的屬性繼承高層次中的未分類地物的特征，從而完成3個(gè)層次8類地物的分類。規(guī)則如表3所示：

3 試驗(yàn)結(jié)果分析討論

3.1 單一尺度分類處理及精度評價(jià)

首先，針對面向?qū)ο蟮膯我怀叨确诸悾趀Cognition中，使用多尺度分割方法對影像進(jìn)行不同尺度分割，運(yùn)用EPS2結(jié)合目視解譯選取一個(gè)最優(yōu)分割尺度［14］。在已分割對象中選取460個(gè)對象共8類地物，使用上述特征空間優(yōu)選工具得到的最優(yōu)特征組合，采取貝葉斯分類算法（Bayes）、K最近鄰分類算法（K-nearest neighbor， KNN）、決策樹法（decision tree， DT）、RF、SVM進(jìn)行地物提取分類試驗(yàn)，其次，開展基于像元的單一尺度下提取分類。在ENVI5.3中進(jìn)行基于像元的監(jiān)督分類法SVM、最近鄰分類算法（neares tneighbor， NN）和無監(jiān)督分類法迭代自組織聚類算法（ISOData）、K均值聚類算法（K-Means）地物提取分類試驗(yàn)。

為了進(jìn)行分類精度對比分析，采用ArcMap生成384個(gè)隨機(jī)點(diǎn)，基于GF-2PMS影像與Geogle Earth影像進(jìn)行進(jìn)行目視解譯，對基于像元單一尺度分類（SVM、NN、ISODATA、K-Means）、面向?qū)ο蠓诸悊我怀叨确诸悾⊿VM、DT、KNN、Bayes、RF）和多尺度分類規(guī)則集共10種方法得出的分類結(jié)果，利用ENVI5.3及eCognition內(nèi)置TTA Mask建立混淆矩陣進(jìn)行精度評價(jià)。

3.2 分類結(jié)果視圖對比分析

基于像元分類（SVM、NN、ISODATA、K-Means）、面向?qū)ο蠓诸悊我怀叨确诸悾⊿VM、DT、KNN、Bayes、RF）和面向?qū)ο蟮亩鄬哟我?guī)則分類的分類結(jié)果如圖5所示。從分類結(jié)果圖中可看出基于像元方法存在嚴(yán)重的椒鹽現(xiàn)象，各類地物間錯(cuò)分嚴(yán)重，難以區(qū)分河流、道路這類細(xì)小地物；面向?qū)ο髥我怀叨忍崛》椒ㄖ?，建筑和道路、耕地和林地之間錯(cuò)分嚴(yán)重。

3.3 分類結(jié)果精度對比分析

由表4可見面向?qū)ο蟮亩鄬哟我?guī)則分類方法精度最高且質(zhì)量最好，總體分類精度和Kappa系數(shù)達(dá)79.95%和0.74，基于像元的分類法中，監(jiān)督分類方法SVM整體精度最高，總體分類精度和Kappa系數(shù)為67.38%和0.58，無監(jiān)督分類法效果均較差；在面向?qū)ο蟮膯我粚哟畏诸惙椒ㄖ蠷F法分類精度最高，總體分類精度和Kappa系數(shù)為72.46%和0.65。除面向?qū)ο蟮腞F法和多層次規(guī)則分類方法外，其余方法Kappa系數(shù)均低于0.6，即分類質(zhì)量較差。

4 結(jié)論

本文運(yùn)用多尺度分割方法進(jìn)行分割，引入多尺度分割、多層次分類法，根據(jù)不同分割層次下的地物特征，建立相應(yīng)的分類規(guī)則進(jìn)行地物提取分類；分別與單一尺度下基于像元的、面向?qū)ο蟮姆诸惙椒ㄟM(jìn)行對比試驗(yàn)，結(jié)論如下：

1）基于像元的分類方法中，所有方法對于湖泊的分類效果均較好，河流這類細(xì)小水體常常被錯(cuò)分，大棚、坑塘中監(jiān)督分類的精度明顯優(yōu)于無監(jiān)督分類，所有方法均存在林地與田地、建筑物與道路的錯(cuò)分；就整體而言SVM方法效果最佳，總體分類精度和Kappa系數(shù)分別為67.38%和0.58，但結(jié)果中依然存在河流、耕地、林地、道路錯(cuò)分的情況。

2）面向?qū)ο蟮姆诸惙椒ㄖ?，單一尺度下的分類方法中RF法分類效果最好；多尺度分割下構(gòu)建規(guī)則集的分類方法效果最佳，總體分類精度和Kappa系數(shù)分別為79.95%和0.74，其繼承上一層地物屬性的特性使其可以更精細(xì)的區(qū)分提取地物，但此方法中耕地與林地的分類效果還有待提升。

3）所有方法中對于林地和耕地的分類均有錯(cuò)分，影像拍攝時(shí)間為11月，此時(shí)云南田地并非全部休耕，部分田地仍在種植冬小麥，林地與冬小麥種植地的光譜特征、紋理特征較相似，導(dǎo)致了二者在分類時(shí)易混淆；對于此現(xiàn)象可考慮引入具有植物紅邊、中紅外波段的遙感影像，運(yùn)用稻、麥類作物指數(shù)與林地進(jìn)行區(qū)分。本文提取的地物類型坑塘為云南常見的冬日蓄水方法，在冬天未耕種田地中蓄水，此類地物具有季節(jié)性，形態(tài)獨(dú)特且光譜特征不同與常年蓄水的水池，前人的研究中較少出現(xiàn)，是一類典型的季節(jié)性濕地地物，可深入研究。

4）在尺度的選取和規(guī)則集的構(gòu)建過程中，ESP2提供的最優(yōu)分割尺度、優(yōu)選特征更多時(shí)候只能作為大致參考，構(gòu)建規(guī)則更依賴統(tǒng)計(jì)分析結(jié)果和經(jīng)驗(yàn)來人工確定特征值，因此，受經(jīng)驗(yàn)和效率影響較大，后期可考慮結(jié)合機(jī)器學(xué)習(xí)方法進(jìn)行特征選取、特征值確定，以提高分類效率和精度。同時(shí)本研究僅面向?qū)ο蠡蚧谙裨姆椒ㄟM(jìn)行分類，后續(xù)可考慮根據(jù)地物特點(diǎn)，進(jìn)行像元與對象特征聯(lián)合分類，或引入多分辨率、多實(shí)像、多源數(shù)據(jù)進(jìn)行聯(lián)合分類，以期提高分類精度。

參考文獻(xiàn)：

[1]鞠洪潤， 左麗君， 張?jiān)鱿椋?等. 中國土地利用空間格局刻畫方法研究［J］. 地理學(xué)報(bào)， 2020， 75（1）： 143-159.

［2］ 方創(chuàng)琳， 李廣東， 張薔. 中國城市建設(shè)用地的動(dòng)態(tài)變化態(tài)勢與調(diào)控［J］. 自然資源學(xué)報(bào)， 2017， 32（3）： 363-376.

［3］ 匡文慧. 城市土地利用/覆蓋變化與熱環(huán)境生態(tài)調(diào)控研究進(jìn)展與展望［J］. 地理科學(xué)， 2018， 38（10）： 1643-1652.

［4］ 楊朝斌， 張樹文， 卜坤， 等. 高分辨率遙感影像在城市LUCC中的應(yīng)用［J］. 中國科學(xué)院大學(xué)學(xué)報(bào)， 2016， 33（3）： 289-297.

［5］ MA L， LI M C， MA X X， et al. A review of supervised object-based land-cover image classification［J］. Isprs Journal of Photogrammetry & Remote Sensing， 2017， 130： 277-293.

［6］ 趙生銀， 安如， 朱美如. 聯(lián)合像元-深度-對象特征的遙感圖像城市變化檢測［J］. 測繪學(xué)報(bào)， 2019， 48（11）： 1452-1463.

［7］ 洪亮， 楚森森， 彭雙云， 等. 顧及全局和局部最優(yōu)的高分辨率遙感影像多尺度分割優(yōu)化算法［J］. 遙感學(xué)報(bào)， 2020， 24（12）： 1464-1475.

［8］ 楊宇暉， 顏梅春， 李致家， 等. 南方丘陵地區(qū)復(fù)雜地表“同物異譜”分類處理模型［J］. 國土資源遙感， 2016， 28（2）： 79-83.

［9］ 郭玉寶， 池天河， 彭玲， 等. 利用隨機(jī)森林的高分一號遙感數(shù)據(jù)進(jìn)行城市用地分類［J］. 測繪通報(bào)， 2016（5）： 73-76.

［10］馬燕妮， 明冬萍， 楊海平. 面向?qū)ο笥跋穸喑叨确指钭畲螽愘|(zhì)性參數(shù)估計(jì)［J］. 遙感學(xué)報(bào)， 2017， 21（4）： 566-578.

［11］于莉楠， 寧曉剛， 王浩， 等. 拓?fù)洳逯蹬c光譜特征結(jié)合的復(fù)雜城區(qū)邊界提?。跩］. 測繪學(xué)報(bào)， 2019， 48（8）： 1004-1013.

［12］張春森， 賈欣， 吳蓉蓉， 等. 面向?qū)ο蟾叻诌b感影像典型自然地物半自動(dòng)提?。跩］. 地球信息科學(xué)學(xué)報(bào)， 2021， 23（6）： 1050-1062.

［13］孫攀， 董玉森， 陳偉濤， 等. 高分二號衛(wèi)星影像融合及質(zhì)量評價(jià)［J］. 國土資源遙感， 2016， 28（4）： 108-113.

［14］CHEN L S， HAN Q Z， LIN Y L， et al. Object-based multi-features Wetland classification method of GF-2 PMS imagery［J］. IOP Conference Series： Earth and Environmental Science， 2021， 865（1）：12-45.

［15］王蕾， 楊武年， 任金銅， 等. GF-2影像面向?qū)ο蟮湫统菂^(qū)地物提取方法［J］. 測繪通報(bào)， 2018（1）： 138-142.

［16］宋明輝. 基于高分二號數(shù)據(jù)的面向?qū)ο蟪鞘型恋乩梅诸愌芯浚跩］. 遙感技術(shù)與應(yīng)用， 2019， 34（3）： 547-552.

［17］DRGU L， EISANK C. Automated object-based classification of topography from SRTM data［J］. Geomorphology， 2012， 141（4）： 21-33.

［18］林雨準(zhǔn)， 張保明， 徐俊峰， 等. 多特征多尺度相結(jié)合的高分辨率遙感影像建筑物提?。跩］. 測繪通報(bào)， 2017（12）： 53-57.

［19］楊朝輝， 白俊武， 陳志輝， 等. 利用Sentinel-2A影像的面向?qū)ο筇卣鳚竦貨Q策樹分類方法［J］. 測繪科學(xué)技術(shù)學(xué)報(bào)， 2019， 36（3）： 262-268.

［20］黃邵東， 徐偉恒， 熊源， 等. 結(jié)合紋理和空間特征的多光譜影像面向?qū)ο蟛鑸@提?。跩］. 光譜學(xué)與光譜分析， 2021， 41（8）： 2565-2571.

（責(zé)任編輯：于慧梅）

Experimental Analysis of Object-Oriented Multi-level Rules

Classification Method for Remote Sensing Information

Extraction of Ground Objects

QIU Mingyu1， GAN Shu*1，2

（1.Faculty of Land Resources and Engineering， Kunming University of Science and Technology， Kunming 650093， China;

2.Application Engineering Research Center of Spatial Information Surveying and Mapping Technology in Plateau and Mountainous Areas Set by Universities in Yunnan Province， Kunming 650093， China）

Abstract：

Monitoring land cover change is an important application field of high-resolution remote sensing， but the change speed of urban cover features is fast and the types of features are complex， so it is difficult to extract and monitor the land cover change using traditional methods. To solve this problem， Shangguan Town， Dali Bai Autonomous Prefecture， Yunnan Province is selected as the study area， and GF-2 PMS remote sensing image is used as the data source. The object-oriented method is used to carry out the optimal segmentation scale of the study area， the optimal feature combination is selected to construct the fuzzy classification rules， the ground features are extracted at different levels， and finally the distribution map of ground feature types in the study area is obtained. Then the confusion matrix method is used to evaluate the accuracy， and the object-oriented multi-level rule classification method is proved to be effective： the overall accuracy of classification is 79.95% and the kappa coefficient is 0.74. Compared with the pixel-based classification method and the single scale object-oriented extraction classification method， the accuracy of the object-oriented multi-level rule classification method is significantly improved， which shows that this method is feasible for the extraction and classification of complex ground objects.

Key words：

object-oriented; GF-2; multi-level classification; optimal segmentation scale; multi-scale segmentation

收稿日期：2022-06-20

基金項(xiàng)目： 國家自然科學(xué)基金重點(diǎn)資助項(xiàng)目（41861054）

作者簡介：丘鳴語（1998—），女，在讀碩士，研究方向：遙感圖像處理方面的研究，E-mail：ageli123@qq.com.

通訊作者：甘 淑，E-mail：gs@kust.edu.cn.