基于多时相遥感数据的吉林西部土地覆被分类提取

李晓东，姜琦刚

（1. 吉林大学地球探测科学与技术学院，长春 130012； 2. 白城师范学院，白城 137000）

基于多时相遥感数据的吉林西部土地覆被分类提取

李晓东1,2，姜琦刚1※

（1. 吉林大学地球探测科学与技术学院，长春 130012； 2. 白城师范学院，白城 137000）

为深化计算机自动提取土地覆被类型在遥感分类研究中的应用，以吉林西部的镇赉县为试验区，利用Landsat8多时相遥感数据的季节变化信息、地表植被、水体与土壤等特征参量，构建多维分类特征数据集对试验区进行土地覆被分类研究，提取了11种地表覆被类型。结果表明：1）多维变量组合方案的总体分类精度为95.50%，Kappa系数为0.9504。该方案自动提取地类达到了一个比较理想的分类结果，方案有效可行；2）方案中，3个主要特征分类变量的引入能很好改善易混淆地类的可分性，尤其，地表植被季节变化信息和土地信息的引入能明显提高土地覆被的分类精度；3）实际情况表明，引入的分类特征量不是越多越好，只有将多种分类特征有效结合才能够提高土地覆被分类精度。该文为农牧交错带上的土地覆被遥感监测提供了一个可行的方案，该方案有效可行。

遥感；植被；算法；吉林西部；多时相遥感图像；土地覆被分类；物候信息

0 引言

土地利用/土地覆被分类研究一直是受全球关注的核心和热点领域[1]。随着3S技术的迅猛发展，全球范围的土地覆盖分类得到深入研究，并积累了多尺度土地覆盖分类的丰富经验[2-4]。近年来3S技术的迅猛发展大大拓宽了传统地表生态遥感监测的视野，推进了常规方法的研究深度，同时也显示了3S技术作为一种新型监测手段和途径的未来发展潜力。遥感技术的发展使大区域、长时间序列的变化监测成为可能。光谱数据为地表植被相关研究提供了更丰富的数据源[5-7]。索玉霞等[8]基于2006年250 m的MODIS-16d合成数据，利用NDVI数据序列集中的时序信息、地形信息和温度信息构建决策分类树，对中亚地区进行了土地覆被类型分类研究，达到了比较理想的分类结果，指出利用多时相数据进行土地覆盖分类是发展趋势；郭艳芬等[9]针对青南高原复杂的地形地貌，通过分区处理，利用植被指数的特性，将基于时间序列的NDVI数据所反映的植被物候信息，DEM辅助信息和GIS数据加入监督分类系统，提高了土地覆被类型的分类精度；张景等[10]，谭磊等[11]充分挖掘数据的多光谱、多时相特征，提高了土地覆被分类精度。土地覆被遥感分类提取是一个复杂的、综合化过程，提高土地覆被分类精度一直是遥感应用研究的难点和重点。

本文选择吉林西部的镇赉县为试验区。镇赉县生态环境复杂，光谱特征近似的沙化与盐碱化土地、农耕物候一致的水田与旱田和影像特征类似的稀疏林地与草地等大面积存在的易混淆地类增加了本区土地覆被类型分类提取的难度，是分类方案的主要解决问题。本文的创新点是基于空间变异理论设计了一个土地覆被分类提取方案。该方案基于陆地资源卫星的NDVI月值数据集（2014年1－12月），通过半方差、均方差和标准方差等运算得到具有明确物理意义和物候信息的指标因子，构建遥感分类数据集，自动分类提取土地覆被类型。研究成果对本区域生态资源调查具有一定的理论和实践意义，同时为有关行政部门制定该区生态环境保护和重建政策与规划提供一定的参考依据。

1 研究区概况与数据来源

1.1 研究区概况

镇赉县的地理坐标范围为 123°42′34.74″～123°55′20.63″E，45°49′14″～46°1′50″N，海拔范围在120～210 m。研究区属于温带大陆性季风气候，四季分明，雨热同期。镇赉县位于农牧交错带上，地貌类型由东北平原向大兴安岭山地过渡，是东北土地“三化”的典型区。研究区内拥有广阔的滩地，土壤渗水能力差，土壤为草甸土、黑钙土分布。东北地区变暖的气候对加大了地表的蒸发量，加剧了环湖和近水域周围的碱泡与盐碱地的分布，农牧交错带上植被覆盖类型复杂，空间分布格局独特[12]。如图1所示。

图1 研究区位置分布图Fig.1 Distribution map of study area

1.2 数据来源与预处理

本文所用数据为陆地资源卫星Land sat8影像数据，见表1。数据来自美国地质调查局（united states geological survey，USGS）网上发布的免费数据（http://glovis.usgs.gov/）。数据获取时间为2014年1－12月全年数据，选择研究区域上空云量少于10%的数据作为每月的月值数据。数据产品级别标示为L1T，做过地形参与的几何校正，一般情况下可以直接使用而不需要做几何校正。研究区地势低平，传感器获取反射辐射能量均恒，所以本文主要进行了大气校正处理。校正过程在ENVI软件平台上实现，运算算法FLAASH大气校正模型。辅助数据为2007年东北地区土地利用现状数据（东北生态地质调查项目，编号1212010911084），以及源于中国科学院国际科学数据镜像网站下载的DEM 30m分辨率数字高程数据产品。

表1 数据利用情况表Table 1 Usage of Landsat8 imagery

2 研究方法

变程是半方差函数的最大变异值，具有明确的物理意义。半方差计算需要时间序列很长，但多季相遥感分类可以充分利用有限特点，不同的植被类型生长特点是不一样的，以此为依据构建多维数据空间进行地物的遥感分类提取，改善分类精度和简化计算方法。

2.1 分类体系的确定

为了进一步科学合理的分析，本文参考了姜琦刚的东北生态环境资源调查分类方案[12]和刘纪远的土地资源分类系统[13]，结合试验区实际情况，确定提取的土地覆被类型为：水域、湿地（主要为有植被生长的自然沼泽湿地和滩地）、碱泡（常年有水，无植被生长）、盐碱地、沙化土地、林地、草地、水田和旱地、建筑用地及其他（包括无植被覆盖或少植被覆盖地类）共11种土地覆被类型（6个一级地类，5个二级地类）。

2.2 多时相土地覆被分类方案

2.2.1 分类特征信息的提取方法

方案选择地表植被、水体和土壤状况信息作为主要指标因子，并通过计算NDVI数据集的半方差和标准方差作为这些指标因子的主要提取途径。

1）半方差。将NDVI数据作为一个时间序列集，计算出任意2个时间点上的NDVI数据半方差数值，构建时间点对的时长跨度与该点对半方差的函数关系——变异函数。半方差值为任意时间点对上的NDVI实际计算值，在综合所有时间点对数值后，最大半方差值就可以用来说明试验区地表植被的年内最好生长状况。计算的数学表达式为

区域化变量Z(x)在点x和x+h处的值Z(x)与Z(x+h)方差的一半称为区域化变量Z(x)的半变异函数，记为r(h)。

2）变程。不同类型植被的生长趋势是不同的，生长季的持续期是有区别的。由于卫星数据的时间分辨率，这个区别简单依据NDVI数据集计算半方差函数很难分析出来，但生长季的持续期与植被长势呈半方差函数关系，本文利用Gaussian函数对半方差函数的因变量——年内长势进行拟合可以得到变程，反映生长季的持续期长度。式中为Gaussian函数的拟合半方差数值。

3）局部均方差。也被称为平均局部方差，利用一个3×3的移动窗口在遥感图像上顺序滑动，来计算窗口内的标准差均值，并作为中心样点与周围样点的局部方差，最后形成局部方差曲线图，以像素尺寸变化来描述方差的变化[14]。卫星影像数据的局部方差能够较好地描述地表植被的细节信息，所以可以将NDVI数据的局部方差作为一种特征分类变量，或也可以认为NDVI数据的局部方差包含了地表植被在空间分布上的重要结构信息[15]。

4）标准差。又称均方差，能反映一个数据集的离散程度。一个较大的标准差，代表大部分数值和其平均值之间差异较大；一个较小的标准差，代表这些数值较接近平均值。一般来说标准差较大，说明研究区内因为植被生长而引起的地表自然景观改变更显著；标准差较小，说明生长季内地表自然景观变化比较稳定。

2.2.2 分类组合方案的构建

1）地表植被季节变化信息。在R语言平台上调用gstat（geostatistics packages）和 geoR（package for geostatistical data analysis）程序包——专用于地统计学分析[16]，编写逐像元计算算法分析1－12个月的NDVI时序数据的半方差，并提取达到最大值时的峰值点位置，拟合函数选用高斯函数，计算变程作为地物连续变化的特征信息。地表植被季变化信息是NDVI时序数据集的半方差函数的变程值，这些特征信息表征地表植被的生长季节的跨度和年内植被最好长势。计算结果作为分类数据的主要变量。

2）地表植被空间特征信息。纹理的局部均方差计算是依据研究区内2014年5－10月（研究区生长季）的NDVI均值，综合考虑邻域计算中参数设定情况，最后确定局部均方差算法按3×3的窗口进行计算，计算结果作为分类数据参考变量。

3）水体信息。在遥感软件ERDAS平台上，通过标准差计算获得水体指数（NDWI）。水体信息来自于2014 年5－10月的同源卫星数据，试验区嫩江正值丰水期，地表支流（洮儿河，霍林河等）水量充盈。利用Land sat 8影像的绿光波段和近红外波段的比值构建归一化差异水体指数[17]。水体信息作为分类数据的第3个变量。

4）土地利用信息。土地信息的提取与水体信息同时期的NDBI指数标准差。归一化建筑指数（normalized difference built-up index，NDBI）[18]对低植被覆盖度土地有更好的指导意义，适用于半干旱地区的土地类型遥感监测。研究区的土地利用信息作为分类数据的第4变量。

通过主成分分析消除波段间的相关性，确定地物分类类别，在ENVI遥感软件平台下采集样点训练样区，进行有监督分类，分类算法采用支持向量机算法。

本文通过构建多维特征空间分类数据集完成地表植被季变信息结合SVM的土地覆被分类方案的设计，具体流程如图2所示。

图2 土地覆被类型识别算法主要流程Fig.2 Main flow chart of land covers type identification

2.3 选取验证样本

分类精度检验的常用方法是野外调查和高清分辨率影像参照2种方法。为最大限度地保证选取样本的代表性，全文以2007年东北地区土地利用现状统计资料为主要验证数据，结合辅助数据（Google Earth高分辨率同期影像）。在遥感影像图上选出各类具有代表性的样区，把选取的样本随机分为两部分：70%用于分类，30%用于精度评价。

3 分类结果与评价

3.1 分类结果

本文方案确定参与分类的土地面积共计5 294.894 km2，提取土地覆被类型有恒定水域、沼泽、滩地、盐碱地、荒地与其他、水田、旱田、林地、草地共计11种。各个地类面积及分布见表2和图3。

表2 研究区地类面积统计表Table 2 Statistical area of different land types in study area

图3 研究区分类结果Fig.3 Classification result of study area

由表2可知：自然湿地（主要存在形式为恒定水域、沼泽和嫩江河漫滩地）面积占16.44%；旱地是镇赉县的主要生态景观类型，现有面积（占县域总面积的22.30%）远远大于其他所有地类。

由分类结果图3看出：1）水田多分布在嫩江西侧低洼易积水的地区，是本区域的主要人工湿地类型；2）镇赉县城以南、以北范围内集中分布着主要的旱地耕作区，是研究区最主要的农耕形式。

3.2 方案分析与评价

本文从分类精度和易混淆地类可分性两个方面对分类方案进行比较分析。

3.2.1 分类精度对比分析

基于分类结果，本文选取30%的土地覆被类型样本与分类结果进行运算得到分类混淆矩阵，各土地覆被类别的分类精度结果如表3。

表3 研究区分类精度的对比分析Table 3 Accuracy analysis of different classification for study area

从总体分类精度和Kappa系数两方面考虑，本文只对2种分类效果较好的分类算法进行了对比分析。由分类结果可知：1）本方案的总体分类精度和Kappa系数分别为95.50%、0.9504；2）所有与地表植被有关或者受气候因子影响，具备季节变化特点的地类都得到了较好的提取；3）与最大似然分类相比，本方案不仅保证了土地覆被的总体分类精度，而且所有覆被类型都得到了较好的分类效果。

3.2.2 易混淆地类可分性分析

在试验区，合理的训练样本直接影响到后期的分类精度。Jeffries-Matusita（JM）距离指标是光谱可分性的指标，是针对2个土地覆被类型之间是否存在可分性的一种度量，也是类型间平均差异状况的一种度量。一般来说，JM距离的参数值范围为0～2.0，JM距离大于1.9说明样本之间可分离性好，属于合格样本；小于1.5，需要重新选择样本；小于1，考虑将两类样本合成一类样本[15]。

试验区的易混淆土地覆被类型由地类间的可分离性大小决定。具体实现过程：选择试验区2014年第191天（地表植被生长盛期内的资源卫星光谱数据）的OLI数据B2-B5+纹理信息组合数据，计算各个地类间的可分离度（JM距离小于1.9的地类认定为易混淆的地类），结果见表4，最后确定易混淆地类共14对，涉及试验区的10种地类。

表4 易混淆类别表Table 4 Confused feature of class

结果表明，方案在试验区内某些易混地类的遥感分类提取上有着以下几方面的优势：1）地表植被季变信息结合SVM的土地覆被分类方案实现了林地的有效遥感分类提取（可分性>1.9，分类精度为98.57%）。林地与周围农作物具有相同的植被长势，但是林地的物候信息远远长于农作物；2）旱地与水田也具有相近似的生长指数，基于原始波段进行分类得不到理想的分类效果。本方案通过两者相差10d左右的物候信息结合试验区的水体信息，将水田和旱地的分类精度提高至99.79%、97.73%，可分性>1.9；3）滩地与沼泽光谱信息相近似，方案通过两者不同的植被生长期和植被生长繁盛程度，将滩地和沼泽的分类精度提高至98.07%、99.9%，可分性>1.9。

综上，本方案改变了传统的遥感分类机理，分类结果不再是表征某一时间点上的地表状况，而是表示研究区内地表生态状况的持续特点和时间跨度信息。多个分类特征变量的有效组合可以提高各土地覆被类别之间的可分性。

本文方案是将常规分类特征变量（植被、水体和土地信息）与植被物候信息结合所构建的多时相土地覆被分类方法。该方案的最大特点：方案数据量小，只有5个分类特征变量组合，但很好地改善了分类精度和简化了计算方法。充分挖掘遥感数据的多时相特征和试验区地物的变化机理（季节变化信息）是进一步提高土地覆被分类精度的重要途径之一[19-20]。本文的分类方案另一特点：不同类型植被的生长趋势是不同的，生长季的持续期是有区别的。由于land sat8卫星数据的时间分辨率较低（月值数据），这个区别简单依据卫星数据（NDVI数据集）计算半方差数值很难分析出来，本文依据生长季的持续期与植被长势是半方差函数关系，利用Gaussian函数对半方差函数的因变量——年内长势进行拟合可以得到变程，既弥补了时间分辨率较低的不足，又很好地反映了生长季的持续期长度。

4 结论

1）遥感分类方案提取了试验区的11种地表覆被类型，总体分类精度与Kappa系数分别为95.50%、0.9504，地表植被季变信息结合SVM的组合方案是试验区土地覆被分类的最优选择分类方案。

2）本文构建了一个多维特征空间数据集分类方案。主要指标因子是基于标准差和半方差函数等空间统计方法提取的地表生态因子季节变化信息，某一分类特征变量的引入并不能改善所有土地覆被类型的遥感提取精度，但是地表植被物候信息和土地信息的引入能明显改善试验区土地覆被的整体分类精度。

本文还存在以下需要进一步探讨的问题：1）研究区的物候信息具有明确的区域特点，现有的组合方案是基于北方的单峰型植被生长区域。对于自然生态环境复杂的南方地区，如何充分利用物候信息是需要进一步深入讨论的；2）分类算法不同是否对统一分类方案产生影响也是需要进一步确定；3）基于Landsat8多时相遥感数据的地表植被季变信息结合SVM的土地覆被分类方案对试验区地表土地覆被可以提取到二级类别，并且仍具有很好的可分性，该方案对实地土地资源调查的可行性需要进一步研究。

[1] 张景华，封志明，姜鲁光. 土地利用/土地覆被分类系统研究进展[J]. 资源科学，2011，33(6)：1195－1203. Zhang Jinghua, Feng Zhiming, Jiang Luguang. Progress on studies of land use/land cover classification systems[J]. Resources Science, 2011, 33(6): 1195－1203. (in Chinese with English abstract)

[2] 李秀彬. 全球环境变化研究的核心领域：土地利用/土地覆被变化的国际研究动向[J]. 地理学报，1996，51(6)：553－558. Li Xiubin. A review of the international researches on land use/land cover change[J]. Acta Geographica Sinica, 1996, 51(6): 553－558. (in Chinese with English abstract)

[3] 王芳芳，吴世新，杨涵. 基于3S的近15a新疆LUCC时空变化研究及分析[J]. 中国沙漠，2009，29(4)：636－640. Wang Fangfang, Wu Shixin, Yang Han. Study on spatiotemporal variations of land use/cover in Xinjiang based on 3S technology[J]. Journal of Desert Research, 2009, 29(4): 636－640. (in Chinese with English abstract)

[4] Muchoney D, Borak J. Application of the MODIS global supervised classification refuel to vegetation and land cover mapping of Central America[J]. Intel Remote Sensing, 2000, 21(1): 1115－1138.

[5] Richards J A, Jia X P. Remote Sensing Digital Image Analysis Introduction[M]. 4th ed. Berlin, Germany: Springer-Verlag, 2006.

[6] Vailaya A, Figueiredo M A T, Jain A K. Image classification for content based indexing[J]. IEEE Transactions on Image Processing, 2001, 10(1): 117－130.

[7] 左玉珊，王卫，郝彦莉，等. 基于MODIS影像的土地覆被分类研究：以京津冀地区为例[J]. 地理科学进展，2014，33(11)：1556－1565. Zuo Yushan, Wang Wei, Hao Yanli, et al. Land cover classification based on MODIS images: Taking the Beijing-Tianjin-Hebei region as an example[J]. Progress in Geography, 2014, 33(11): 1556－1565. (in Chinese with English abstract)

[8] 索玉霞，王正兴. 基于决策树和MODIS植被指数时间序列的中亚土地覆盖分类[J]. 世界地理研究，2008，17(3)：126－130. Suo Yuxia, Wang Zhengxing. Land cover classification of middle Asia based on decision tree and MODIS vegetation index time serials[J]. World Regional Studies, 2008, 17(3): 126－130. (in Chinese with English abstract)

[9] 郭艳芬，刘志红，谢明元. 基于植被物候特征与监督分类的青南高原信息提取[J]. 遥感技术与应用，2009，24(2)：223－227. Guo Yanfen, Liu Zhihong, Xie Mingyuan. Vegetation information extraction in the South Qinghai Plateau using phenology and supervised classification[J]. Remote Sensing Technology and Application, 2009, 24(2): 223－227. (in Chinese with English abstract)

[10] 张景，姚凤梅，徐永明，等. 基于MODIS的土地覆盖遥感分类特征的评价与比较[J]. 地理科学，2010，30(2)：249－253. Zhang Jing, Yao Fengmei, Xu Yongming, et al. Comparison and evaluation of classification features in land cover based on remote sensing[J]. Scientia Geographica Sinica, 2010, 30(2): 249－253. (in Chinese with English abstract)

[11] 谭磊，赵书河，罗云霄，等. 基于对象特征的山东省丘陵地区多时相遥感土地覆被自动分类[J]. 生态学报，2014，34(24)：7251－7260. Tan Lei, Zhao Shuhe, Luo Yunxiao, et al. Application of object-oriented image analysis to land-cover classification in hilly areas[J]. Acta Ecologica Sinica, 2014, 34(24): 7251－7260. (in Chinese with English abstract)

[12] 姜琦刚，贾大成，李远华，等. 东北地区生态地质环境遥感监测[M]. 北京：地质出版社，2013.

[13] 刘纪远. 国家资源环境遥感宏观调查与动态监测研究[M].北京：中国科学技术出版社，1996.

[14] 郑辉. 局部方差与变异函数方法对比的遥感影像空间格局探测机制研究[D]. 北京：中科院大学，2014：12－14. Zheng Hui. Study the Fundamentals of Detecting Spatial Pattern in Remote Sensing Images by Comparing Average Local Variance with Semi-variograms[D]. Beijing: University of Chinese Academy of Sciences, 2014: 12－14. (in Chinese with English abstract)

[15] 赵英时. 遥感应用分析原理与方法[M]. 北京：科学出版社，2003.

[16] 徐爱萍，舒红. 空间数据分析与R语言实践[M]. 北京：清华大学出版社，2013：2.

[17] 吴际通，谭伟，喻理飞. 基于TM/ETM+影像的不同水体指数对比研究[J]. 测绘科学，2013，38(4)：192－194. Wu Jitong, Tan Wei, Yu Lifei. Comparative study of different water indexes based on TM/ETM+ imagery[J]. Science of Surveying and Mapping, 2013, 38(4): 192－194. (in Chinese with English abstract)

[18] 连懿，陈圣波，王亚楠，等. 基于决策树模型的吉林西部居民地分布信息提取[J]. 安徽农业科学，2010，38(10)： 5241－5243. Lian Yi, Chen Shengbo, Wang Ya’nan, et al. Extraction to the residential distribution information in West Jilin based on decision tree model[J]. Anhui Agri Sci, 2010, 38(10): 5241－5243. (in Chinese with English abstract)

[19] 王宗明，国志兴，宋开山，等. 2000－2005年三江平原土地利用/覆被变化对植被净初级生产力的影响研究[J]. 自然资源学报，2009，24(1)：136－146. Wang Zongming, Guo Zhixing, Song Kaishan, et al. Effects of land use/cover change on net primary productivity of Sanjiang Plain, during 2000－2005[J]. Journal of Natural Resources, 2009, 24(1): 136－146. (in Chinese with English abstract)

[20] 赵锐锋，陈亚宁，李卫红，等. 塔里木河干流区土地覆被变化与景观格局分析[J]. 地理学报，2009，64(1)：95－106. Zhao Ruifeng, Chen Yaning, Li Weihong, et al. Land cover change and landscape pattern in the Mainstream of the Tarim River[J]. Acta Geographica Sinica, 2009, 64(1): 95－106. (in Chinese with English abstract)

Extracting land cover types in western Jilin based on multi-temporal remote sensing data

Li Xiaodong1,2, Jiang Qigang1※
(1. College of GeoExploration Science and Technology, Jilin University, Changchun 130012, China; 2. Baicheng Normal College, Baicheng 137000, China)

Recently, it’s still difficult to entirely replace the artificial visual interpretation for the computer automatic classification, which is used to extract land cover types' information from the remote sensing imagery, because the automatic method needs more efforts to improve the precision of the classification results. Furthermore, this problem has become the key joint of the automatic classification extraction. How to extract land cover types’ information in western area of Jilin, is one of the important problems, and the confused land cover types needs to be distinguished. The aim of this study is to deepen the application of remote sensing classification method that is used to extract land cover information automatically and quickly from the satellite imagery. The western area of Jilin is selected as the main research area. A new total solution to extract land cover information, based on the spatial variation theory, has been designed for the convenient automatic classification with the remote sensing technology. The remote sensing classification scheme is carried out by coding the R language algorithm and operating the remote sensing software ERDAS platform. The land cover types in Zhenlai County in the western area of Jilin, have been extracted and monitored through the combined utilization of 4 indices, including semivariance value of normalized difference vegetation index (NDVI) dataset, local variance of image texture, modified soil-adjusted vegetation index and normalized difference water index, which have significant meaning for the land cover types in the transition zone between cropping area and nomadic area. These variances have definite physical meaning (including vegetation, water, and soil drought conditions), so that the phenological information was used to build a multi-dimensional feature space classification data set. The results indicated that: 1) A total of 11 land cover types are extracted, using the multi-temporal remote sensing information to build a multidimensional classification characteristics data set based on the Landsat 8 data. The overall classification accuracy of the algorithm is 95.50%; the Kappa coefficient of classification is 0.9504. The automatic extracting approach implemented obtains a comparatively ideal classification result; 2) The introduction of 3 characteristic variables of the classification in the scheme significantly improves the separability of the confused land cover types. Considering the vegetation classification, the vegetation growth information has practical life-activity significance, and is a real-time dynamic method for the vegetation change monitoring; 3) Improving the land cover classification accuracy is not to introduce more characteristic parameters of the classification, but to effectively combine multiple appropriate classification variables. The new method can broaden the application vision and the scope of the ecological remote sensing investigation of surface vegetation. Moreover, the introduction of new variables not only makes the macro monitoring more convenient, but also improves the accuracy of classification of remote sensing interpretation. It’s noted that the extracted classification has obvious regional feature, and the regional feature is consistent with the farming cultivation characteristics on the Northeast Plain. In a word, the results can provide a credible approach and valuable example for extracting and monitoring land cover type in farming-pastoral transitional zone. It is feasible to use the spatial variation theory to extract and monitor land cover type by combining the several evaluation indices.

remote sensing; vegetation; algorithms; western Jilin; multi-temporal remote sensing images; land cover types; phenological information

10.11975/j.issn.1002-6819.2016.09.024

S127; TP79

A

1002-6819(2016)-09-0173-06

李晓东，姜琦刚. 基于多时相遥感数据的吉林西部土地覆被分类提取[J]. 农业工程学报，2016，32(9)：173－178.

10.11975/j.issn.1002-6819.2016.09.024 http://www.tcsae.org

Li Xiaodong, Jiang Qigang. Extracting land cover types in western Jilin based on multi-temporal remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(9): 173－178. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2016.09.024 http://www.tcsae.org

2015-11-03

2016-02-25

东北地区国土遥感综合调查（中国地质调查局项目：12120115063701）

李晓东，山东东营人，博士，讲师，资源环境遥感方向。吉林省长春市吉林大学，130012。Email：xiaodonglee@126.com

※通信作者：姜琦刚，江苏镇江人，博士，教授，地学信息工程方向。吉林省长春市吉林大学，130012。Email：sky_0013@163.com

·农业生物环境与能源工程·