基于面向对象的GF-1遥感影像采煤沉陷区湿地分类

程琳琳，董雪梅，詹佳琪，张 也

（中国矿业大学（北京）地球科学与测绘工程学院，北京 100083）

0 引 言

湿地对于物种多样性的保持、气候调节、地下水补充、净化污染物等具有重要作用，同时还兼具休闲娱乐等功能。近代由于人类的不合理开发利用，造成湿地资源的逐渐枯竭，如何可持续地开发利用湿地已引起高度关注，对湿地的分类也成为了国内外学者研究的热点[1]。由于湿地地理位置的特殊性，传统的测量手段难以获取和监测其信息。遥感技术作为一种新的观测手段，以其快速、大范围、无需深入等特点在湿地研究中得到了广泛应用[2-4]。基于遥感影像的湿地分类方法随着计算机技术的发展也在不断改进，从最早的目视判读到基于像元的分类，再到决策树分类等。随着卫星遥感技术的发展，影像分辨率的提高，出现了面向对象的分类方法[5-12]。但综观目前已有的研究，多集中于对天然湿地或水体进行分类。采煤沉陷区的湿地是人工湿地，受煤炭开采的影响，其形成是一个长期的动态过程，地质环境更为复杂多变，生态结构相比一般湿地更为脆弱，研究区域尺度较小，对了解湿地的各种自然条件等造成很大阻碍，加之中国的复垦方向以耕地为主，因此，对采煤沉陷区湿地的分类，已有的研究鲜有涉及。

中国 95%以上的煤炭资源来自井工开采，其采出造成大面积的土地下沉，尤其在高潜水位矿区形成大面积积水，严重影响了生产生活。掌握采煤沉陷区湿地的类别和分布，可为其复垦、规划及管理提供科学依据[13-14]。目前，人工湿地遥感分类面临的主要问题是各种分类算法的应用具有局限性，为保证分类的精度，需针对不同的遥感数据或不同的湿地类型使用不同的最优分类算法[15]。但天然湿地的形成受气候、温度、地势等因素的影响，不同区域差异较大，难以用同一种或相似的方法进行分类；而采煤沉陷区湿地的形成是人工干扰下的结果，不同矿区的湿地类型通常较为一致,易于用同一种或相似的方法进行分类。因此，本文拟以兖州煤田采煤沉陷区为例，探讨基于GF-1遥感影像和面向对象的采煤沉陷区湿地分类方法。

1 研究区概况与数据来源

1.1 研究区概况

兖州煤田位于山东省西南部，横跨兖州、邹城、曲阜三市，主要有杨村、南屯、鲍店、东滩、兴隆庄、北宿六对矿井，面积为258 km2（见图1）。煤田内部地形平坦，由东北向西南平缓降低，地面高程36～72 m。除降雨较多的7、8月份外，其余月份降雨较少，春季易出现干旱现象。区内的河流主要有泗河、白马河、沙河和泥河，均是季节性河流，干旱季节无水。该煤田地下潜水位高，潜水位平均埋深约为3～4 m，煤矿开采造成的土地破坏形式主要表现为地表下沉塌陷和积水，主要分布兖州市和邹城市部分城镇。

1.2 数据来源

1）遥感数据

兖州煤田的降雨多集中在7、8月份，为了区分季节性积水区和常年积水区，同时兼顾提取植被型湿地的需要，应考虑降雨量小且植被特征较明显的时期，经比较，最终选取2015年5月13日的GF-1遥感影像。该幅影像质量相对较好，只有少量薄云，各种湿地类型在影像上较容易区分，满足研究需要。

图1 兖州煤田地理位置图Fig.1 Location map of Yanzhou coal field

2）其他数据

（1）其他图件资料：全国30 m分辨率的DEM数据；济宁市国土资源局提供的 2015年兖州市土地利用现状图、2015年邹城市土地利用现状图、2015年曲阜市土地利用现状图，比例尺1∶50 000。

（2）辅助资料：济宁市国土资源局提供的兖州煤田采矿权边界矢量图。

2 兖州煤田采煤沉陷区的湿地类型

采煤沉陷区湿地的形成是一个动态过程。地下的煤炭资源被采出前，其原始应力是平衡的，被采出后会形成采空区，原始应力遭到破坏，地表出现下沉塌陷最终形成下沉盆地，沉陷区的积水水位比地下水水位低时，出现积水。兖州煤田属高潜水位地区，具有地势平坦、潜水位埋深小、可采煤层数量多、煤层厚度大和地表下沉系数大等特点，地表沉陷积水严重。有些沉陷区下沉深度较大，一直受地下水补给，常年被水覆盖，形成常年积水；有些下沉深度较小的沉陷区，在降雨量大的季节出现积水，在降雨量小的季节没有积水，形成季节积水[16]。

由于该煤田开采时间长，存在较多的常年积水区域，大部分被复垦为水产养殖湿地，主要为池塘养殖。在GF-1影像上，水产养殖湿地有明显的硬化边界，形状规则，多数为矩形。靠近城区的常年积水区域有 2处被复垦为景观湿地。景观湿地在GF-1影像上也比较规则，有明显的硬化边界。由于该煤田一直在开采，部分沉陷区尚未稳沉，加之复垦的阶段性，存在不易复垦或者没有复垦的常年积水区域和季节积水区域，即未复垦的常年积水湿地和未复垦的季节积水湿地。未复垦的常年积水湿地周围水位较浅，易生长植被，为植被型湿地，植被类型主要为芦苇[17]。除此之外，该煤田内还有季节性河流。综上所述，依据区域特征和复垦结果，兖州煤田采煤沉陷区湿地的类型及其特点如表1所示。

表1 兖州煤田采煤沉陷区的湿地类型及特点Table 1 Types and characteristics of wetlands in coal mining subsidence area of Yanzhou coal field

3 遥感影像分割与分割参数选择

采用面向对象的分类方法，为了获得较高精度的分类结果，必须先对影像数据进行很好的分割[18]。由于研究区内的河流是季节性河流，在降雨量小的月份，一条河流有很多不同的特征，如果分段提取则分类精度较低；而景观湿地的特征与大部分水产养殖湿地的特征一致，一般的分割方法很难获得二者较准确的影像对象，将二者区分开来，后续的分类也很难获得较高的精度。因此，为提高河流湿地和景观湿地的分割和分类精度，应尽量通过土地利用现状图、土地利用规划图或其他相关资料获取两者的位置、边界等信息。本文从土地利用现状图中提取河流和景观湿地的矢量（Area1），基于Area1进行两者影像的分割和分类；其他区域的矢量（Area2）通过研究区范围与河流湿地和景观湿地的矢量（Area1）擦除获得，基于Area2进行其他类型湿地的分割和分类。多光谱和全色影像融合后的GF-1影像，具有红、绿、蓝、近红外4个波段，在提取植被型湿地时，4、3、2波段组合的标准假彩色影像，植被显示为红色，易于与其他地类区分；提取其他地类时，在 3、2、1波段组合的真彩色影像上更为直观，波段权重均为1。

3.1 河流湿地和景观湿地影像的棋盘分割

Area1矢量数据参与分割运算可以获得河流和景观湿地最优的分割结果。分割的方法主要影响分割的效率，但对于分割结果的精度影响不大，为了提高分割效率，选取eCognition Developer8.7软件中最简单的棋盘分割方法对河流和景观湿地进行分割[16]。使用该方法时，分割对象间具有规则的拓扑邻接关系和父子对象之间的上下文规则关系。每个分割块的大小可以依据各个分割块棋盘的均方差最小的原则来计算，也可自己设定。基于矢量进行河流和景观湿地影像分割的目的即获得与矢量一致的影像对象，故具体分割时，设定分割块的大小大于矢量数据长和宽像素大小的最大值以获得与矢量一致的影像对象。分割结果如图2所示。

图2 河流湿地和景观湿地分割结果Fig.2 Segmentation results of river wetland and landscape wetland

通过分析分割结果及对比影像可知，分割得到的影像对象主要为原始的面状矢量，研究区内除矢量部分，其余区域被分为一个影像对象。对比分割结果和土地利用现状图可知，河流和景观湿地对应的影像对象与实际地物完全吻合，后续影像分类时可以完全正确地对二者进行提取。

3.2 沉陷区其余湿地影像的多尺度分割

除河流湿地和景观湿地外，研究区内其余湿地为水产养殖湿地、植被型湿地、未复垦的常年积水湿地和未复垦的季节积水湿地。这 4类湿地在高光谱影像上的的光谱特征、纹理特征和几何特征等不尽相同，因此不同组成部分的尺度值也不同，即具有多尺度特征，故选择多尺度分割算法对沉陷区其余湿地的影像进行分割[19]。

对 Area2区域内的影像进行多尺度分割需确定的参数主要为分割尺度和异质性因子权重[20]。分割尺度的大小决定着湿地边界的完整性。异质性因子包括形状异质性因子和光谱异质性因子，二者权重之和为1，确定了形状异质性因子的权重，则光谱异质性因子的权重也随之确定[21]。形状异质性又包括紧致度异质性和光滑度异质性，二者权重之和为1，在分析时确定紧致度异质性因子的权重即可[21]。分割尺度的改变最为直观，在其他参数不变的条件下，首先改变分割尺度，比较不同分割尺度下的分割结果，以选择合适的分割尺度；之后先后改变形状因子和紧致度因子权重，对比分割结果，选取最为合适的参数。以水产养殖湿地分割参数选择为例，由图3a可知，分割尺度为100时，影像对象比较破碎，故调大分割尺度。在形状因子和紧致度因子权重保持不变的情况下，分割尺度依次增大到180和230。当分割尺度为180时，如图3b所示，较大的和较小的水产养殖湿地都分割的比较破碎，不能很好的与边界吻合。当分割尺度为230时，如图3c所示，分割效果较好，所以分割尺度确定为230。在分割尺度确定的情况下，不改变紧致度因子权重，仅改变形状因子权重。由于水产养殖湿地比较规整，形状因子权重设定的起始值可以略大，如图3d所示，形状因子权重设为0.7时，分割得到的影像对象与大、小水产养殖湿地的边界较吻合。保持分割尺度和形状因子权重不变，紧致度因子权重依次增大为0.4、0.8和0.9。如图3f、3g和3h所示，随着紧致度因子权重增大，得到的影像对象越接近水产养殖湿地的形状。而如果分割尺度再增大，如图3i所示，分割结果没有太大变化。综合考虑大、小水产养殖湿地的分割结果与边界的吻合度、光谱信息的均质性，最终分割参数设定为230、0.7和0.9（参数因子依次为分割尺度、形状因子权重和紧致度因子权重，下同），最终分割结果如图3h所示。

图3 典型水产养殖湿地原图与不同分割参数结果Fig.3 Original image and results with different segmentation parameters of typical aquaculture wetland

同理采用上述方法，确定的植被型湿地分割尺度为180、形状因子权重为0.2、紧致度因子权重为0.1；未复垦的常年积水湿地的分割尺度为 250、形状因子权重为0.6、紧致度因子权重为0.7；未复垦的季节积水湿地分割尺度为170、形状因子权重为0.2、紧致度因子权重为0.1。

完成影像的分割后，采用分层分类的方法进行湿地分类，从分割尺度最小的一层开始分类，分割尺度最大的放在最后一层进行分类，最后将各层的分类结果通过层间的继承关系继承到某一层中完成分类。不同的湿地具有各自的相对最优分割参数，但分类的层数由分割尺度决定，分割层次越多，分类过程就越复杂[22-23]。有些地物的分割尺度存在相似性，可以在同一尺度下进行分割。所以应对最终得到的分割参数进行综合分析，以获得局部最优分割参数，在提高分类精度的同时提高分类效率[24]。植被型湿地和未复垦的季节积水湿地面积都相对较小，分割尺度相差较小且都没有明显边界，故将两者放在同一分类层次中，分割尺度为180，形状因子权重为 0.2，紧致度因子权重为 0.1。根据最终的分割参数，后续的分类层次设为3层。

4 面向对象的湿地分类

4.1 河流湿地和景观湿地的分类

河流湿地和景观湿地影像对象是其各自矢量，故采取较为简单的标准最邻近分类方法[25]，无需定义分类规则和层次，且分类快速。选取各个类别的样本，对每类样本进行特征统计并分析，以该特征为中心，计算影像对象距离各类样本特征的距离，将距离最近的影像对象归为相对应的类别[26-28]。

式中d为影像对象o与样本s间的距离；sfv是样本s的f特征的特征值；ofv是影像对象的f特征的特征值；σf是特征f的标准差。河流湿地的影像对象比较狭长，景观湿地的影像对象比较规则，二者的长宽比（γ）差异较明显，故河流湿地和景观湿地的影像特征选择长宽比（γ），该特征能很好地区分两者，通过计算得到两者的特征阈值分别为长宽比（γ）大于5.0和小于1.2。

4.2 沉陷区其余湿地的分类

4.2.1 分类层次建立

根据基于矢量的多尺度分割及对分割参数的综合分析，未复垦的常年积水湿地的分割尺度为250，形状因子权重为0.6，紧致度因子权重为0.7，作为L1层；水产养殖湿地分割尺度为230，形状因子权重为0.7，紧致度因子权重为0.9，作为L2层；植被型湿地和未复垦的季节积水湿地放在同一分类层次中，分割尺度为180，形状因子权重为0.2，紧致度因子权重为0.1，作为L3层；由此建立三层分类层次。分类规则采用自下而上的规则[29]，先从分割尺度小的L3层开始分类，提取植被型湿地和未复垦的季节积水湿地；继而在分割尺度相对较大的L2层继续分类，提取水产养殖湿地；然后在分割尺度最大的L1层分类，提取未复垦的常年积水湿地；最后将各层提取得到的湿地类型合并到L2层中。

4.2.2 影像特征的选择和分类规则的建立

水产养殖湿地主要是池塘养殖，形状比较规则，大多为矩形，分割得到的影像对象也较为规则，长宽比（γ）与其他地物有较明显差异，归一化植被指数（normalized difference vegetation index）能很好地反映植被覆盖状况，故可用其区分植被和水体，且水产养殖湿地与未复垦的常年积水湿地的面积多有差异，故其影像特征选择为归一化植被指数（NDVI）、长宽比（γ）和面积（A），未复垦的常年积水湿地的影像特征则选择归一化植被指数（NDVI）和面积（A）。植被型湿地的纹理比较不规则，近红外波段能提供更多的植被信息，而 NDVI能比较容易地区分植被和其他地物[30-31]，灰度共生矩阵的均值（gray-level co-occurrence matrix mean）是影像对象局部的灰度均值，反映遥感影像的纹理特征。故植被型湿地的影像特征选择灰度共生矩阵的均值（GLCM mean）、近红外波段的均值（NIR mean）和NDVI。未复垦的季节积水湿地在影像上比较暗，纹理不规则，故选择的特征为光谱亮度（Brightness）和灰度共生矩阵的均值（GLCM mean），各层次湿地的分类规则如表2所示。

表2 三层次湿地分类规则Table 2 Classification rules of three layers

4.2.3 分类方法

根据以上分类规则，采用模糊分类法进行分类。通过不断试验，将各湿地类别的离散特征值范围转换为范围[0,1]，利用模糊逻辑函数来分类赋值。该函数分析各类别的特征后返回一个隶属度值，将各影像对象分到隶属度值最高的类别中[32]。

采用模糊分类法得到水产养殖湿地、植被型湿地、未复垦的常年积水湿地和未复垦的季节积水湿地 4类湿地的分类结果。将这 4类湿地的分类结果与河流湿地和景观湿地的分类结果合并到同一图层，得到研究区所有湿地类型的分类结果，导出SHP格式的结果图。

5 分类结果与评价

兖州煤田采煤沉陷区的河流湿地、景观湿地、水产养殖湿地、植被型湿地、未复垦的常年积水湿地和未复垦的季节积水湿地的最终分类结果如图 4所示。可以看出，椒盐现象较少，分类效果良好。

为更好地评价分类结果，采用实地验证和混淆矩阵的方法进一步进行定量的精度评价[33]，选取 141个样点对分类结果进行野外实地调查验证，图 5为采煤沉陷区的实地验证样点分布，得到的混淆矩阵精度评价结果如表3所示。

图4 兖州煤田采煤沉陷区湿地分类结果Fig.4 Classification results of wetland in Yanzhou coal mining subsidence area

图5 兖州煤田采煤沉陷区湿地分类实地验证样点分布图Fig.5 Distribution map of sample spot for verification of classification result of wetland in Yanzhou coal mining subsidence area

由表 3可知，实地验证结果良好，总体精度为96.95%，Kappa系数达到 0.958 4。河流湿地和景观湿地的分类精度为100%，水产养殖湿地和未复垦的季节积水湿地的用户精度和生产者精度均大于 90%，其余湿地存在着少许错分的现象，出现这种现象的原因主要是由于异物同谱现象的存在，某一湿地分割得到的影像对象的特征函数值与分类时选择的其他湿地（错分对象）分割得到的影像对象的特征函数值一致，所以被错分到其他湿地。

中国高潜水位煤矿区主要分布在山东、安徽、河南等省，煤矿开采后地表沉陷积水易形成湿地，其湿地类型与本文的湿地类型一致，因此，本文的分类方法同样也适用于这些高潜水位采煤沉陷区。

表3 基于面向对象的兖州煤田采煤沉陷区湿地分类结果评价Table 3 Assessment of classification results of wetland in Yanzhou coal mining subsidence area based on object-oriented method

6 结 论

本文以山东省兖州煤田为研究区，基于GF-1遥感影像，采用面向对象的方法对其沉陷区的湿地进行了分类。为提高季节性河流和景观湿地的分类精度，从土地利用现状图中提取两者的矢量（Area1），基于Area1进行两者影像的分割和分类；其他区域的矢量（Area2）通过研究区范围与河流湿地和景观湿地的矢量（Area1）擦除获得，基于Area2进行其他类型湿地的分割和分类。对河流湿地和景观湿地的影像进行基于矢量的棋盘分割，采用标准最邻近法进行分类。水产养殖湿地、植被型湿地、未复垦的常年积水湿地和未复垦的季节积水湿地的影像采用基于矢量的多尺度分割，通过反复试验获取最优分割参数，进而进行综合分析得到局部最优分割参数，由此确定分类层次，选取易于区分各类型湿地的影像特征建立分类规则，采用模糊分类法进行分类。选择了 141个样点对分类结果进行野外实地验证，通过混淆矩阵进行精度评价。结果表明：各湿地类别的提取效果良好，景观湿地和河流湿地的生产者精度和用户精度均达到100%，总体精度达到96.95%，Kappa系数达到0.958 4。因此，本文提出的分类方法适宜于采煤沉陷区湿地的分类。该研究可为采煤沉陷区湿地的分类提供借鉴，为兖州煤田湿地的复垦、规划及管理提供科学依据。

由于研究区内的河流是季节河流，在枯水期部分河段易被错分为其他地类；景观湿地的特征则与大部分水产养殖湿地的特征一致，分类难度较大，本文基于土地利用现状图提取河流湿地和景观湿地的矢量的做法提高了分类精度。如不能获取土地利用现状图，则应通过其他相关资料事先获取季节性河流湿地和景观湿地的位置、边界等信息以提高分类精度。

此外，限于数据资料等的不足，本文的分类精度仍有一定的提升空间。如在雨水充沛的时期，未复垦的季节积水湿地会出现积水，其特征和未复垦的常年积水湿地特征一致，若能获取更高分辨率的DEM数据，则可进一步提高未复垦的季节积水湿地和未复垦的常年积水湿地的提取精度；若能获取研究区范围内的地表湿度数据以及影像时相范围的大气数据，则可进一步提高水体和植被型湿地的分类精度等。同时，本文在进行多尺度影像分割时，采用的是大量的对比试验，虽然获得了相对最优的分割尺度，但耗费了很长的时间。各类型湿地的特征参数也是通过大量数据的对比分析而获取，耗时较长并影响了提取精度，有待在今后的研究中进一步改进。

[参 考 文 献]

[1] 李玉凤，刘红玉. 湿地分类和湿地景观分类研究进展[J].湿地科学，2014，12(1)：102－108.Li Yufeng, Liu Hongyu. Advance in wetland classification and wetland landscape classification researches[J]. Wetland Science, 2014, 12(1): 102－108. (in Chinese with English abstract)

[2] 刘红玉，李玉凤，曹晓，等. 我国湿地景观研究现状、存在的问题与发展方向[J]. 地理学报，2009，64(11)：1394－1401.Liu Hongyu, Li Yufeng, Cao Xiao, et al. The current problems and perspectives of landscape research of wetlands in China[J]. Acta Geographica Sinca, 2009, 64(11): 1394－1401. (in Chinese with English abstract)

[3] 张树文，颜凤芹，于灵雪，等. 湿地遥感研究进展[J]. 地理科学，2013，33(11)：1406－1412.Zhang Shuwen, Yan Fengqin, Yu Lingxue, et al. Application of remote sensing technology to wetland research[J]. Scientia Geographica Sinica, 2013, 33(11): 1406－1412. (in Chinese with English abstract)

[4] 周德民，宫辉力，胡金明，等. 中国湿地卫星遥感的应用研究[J]. 遥感技术与应用，2006(6)：577－583.Zhou Demin, Gong Huili, Hu Jinming, et al. Application of satellite remote sensing technology to wetland research[J].Remote Sensing Technology and Application, 2006(6): 577－583. (in Chinese with English abstract)

[5] 韦玮，李增元，谭炳香. 高光谱遥感技术在湿地研究中的应用[J]. 世界林业研究，2010，23(3)：18－23.Wei Wei, Li Zengyuan, Tan Bingxiang. A review of application of hyperspectral remote sensing to wetland study[J]. World Forestry Research, 2010, 23(3): 18－23. (in Chinese with English abstract)

[6] Khatami R, Mountrakis G, Stehman S V. A meta-analysis of remote sensing research on supervised pixel-based land-cover image classification processes: General guidelines for practitioners and future research[J]. Remote Sensing of Environment, 2016, 177: 89－100.

[7] Hussain E, Shan J. Object-based urban land cover classification using rule inheritance over very high-resolution multisensor and multitemporal data[J]. Mapping Sciences &Remote Sensing, 2016, 53(2): 164－182.

[8] Mirzapour F, Ghassemian H. Object-based multispectral image segmentation and classification[C]// International Symposium on Telecommunications. Tehran: Institute of Electrical and Electronics Engineers Inc., 2014: 430－435.

[9] Lizarazo I, Elsner P. Fuzzy segmentation for object-based image classification[J]. International Journal of Remote Sensing, 2009, 30(6): 1643－1649.

[10] Rittl T, Cooper M, Heck R J, et al. Object-based method outperforms per-pixel method for land cover classification in a protected area of the Brazilian Atlantic Rainforest Region[J]. Pedosphere, 2013, 23(3): 290－297.

[11] 费鲜芸，王婷，魏雪丽. 基于多尺度分割的遥感影像滨海湿地分类[J]. 遥感技术与应用，2015，30(2)：298－303.Fei Xianyun, Wang Ting, Wei Xueli. Coastal wetland classification based on multi-scale image segmentation using high spatial RS image[J]. Remote Sensing Technology and Application, 2015, 30(2): 298－303. (in Chinese with English abstract)

[12] 谢静，王宗明，毛德华，等. 基于面向对象方法和多时相HJ－1影像的湿地遥感分类——以完达山以北三江平原为例[J]. 湿地科学，2012，10(4)：429－438.Xie Jing, Wang Zongming, Mao Dehua, et al. Remote sensing classification of wetlands using object-oriented method and multi-season HJ-1 Images-a case study in the Sanjiang Plain North of the Wandashan Mountain[J].Wetland Science,2012, 10 (4): 429－438. (in Chinese with English abstract)

[13] 程琳琳，赵云肖，陈良. 高潜水位采煤沉陷区土地损毁程度评价[J]. 农业工程学报，2017，33(21)：253－260.Cheng Linlin, Zhao Yunxiao, Chen Liang. Evaluation of land damage degree of mining subsidence area with high groundwater level[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017,33(21): 253－260. (in Chinese with English abstract)

[14] 肖武. 井工煤矿区边采边复的复垦时机优选研究[D]. 北京：中国矿业大学，2012.Xiao Wu. Optimization of Reclamation Time for Concurrent Mining and Reclamation in Underground Coal Mining Area[D]. Beijing: China University of Minging and Technology(Beijing), 2012. (in Chinese with English abstract)

[15] 孙楠，朱渭宁，程乾. 基于多年遥感数据分析长江河口海岸带湿地变化及其驱动因子[J]. 环境科学学报，2017，37(11)：4366－4373.Sun Nan, Zhu Weining, Cheng Qian. Remote sensing time-series analysis of wetland variations and driving factors in estuarine and coastal regions of Yangtze River[J]. Acta Scientiae Circumstantiae, 2017, 37(11): 4366－4373. (in Chinese with English abstract)

[16] 许冬，吴侃. 济宁煤矿区地表塌陷积水时空演变[J]. 辽宁工程技术大学学报，2014，33(10)：1307－1311.Xu Dong, Wu Kan. Spatial-temporal evolution of collapse waterlogged region in Jining coal mining district[J]. Journal of Liaoning Technical University, 2014, 33(10): 1307－1311.(in Chinese with English abstract)

[17] 付艳华，胡振琪，肖武，等. 高潜水位煤矿区采煤沉陷湿地及其生态治理[J]. 湿地科学，2016，14(5)：671－676.Fu Yanhua, Hu Zhenqi, Xiao Wu, et al. Subsidence wetlands in coal mining areas with high water level and their ecological restoration[J]. Wetland Science, 2016, 14(5):671－676. (in Chinese with English abstract)

[18] 李娜，包妮沙，吴立新，等. 面向对象矿区复垦植被分类最优分割尺度研究[J]. 测绘科学，2016，41(4)：66－71，76.Li Na, Bao Nisha, Wu Lixin, et al. Study of optimal segmentation scale in object-based classification for rehabilitated vegetation in coal mining site[J]. Science of Surveying and Mapping, 2016, 41(4): 66－71, 76. (in Chinese with English abstract)

[19] 孟雪，郜昌建，高媛赟，等. 基于森林小班的高分影像融合及地类信息提取[J]. 林业资源管理，2016(2)：98－105，115.Meng Xue, Gao Changjian, Gao Yuanyun, et al. Land use information extraction and high resolution image fusion based on forest resource sub-compartment[J]. Forest Resources Management, 2016(2): 98－105,115. (in Chinese with English abstract)

[20] 陈冬梅，冯策元，周建民，等. 面向对象的农村用地信息遥感提取技术应用——以宁夏西吉为例[J]. 城市发展研究，2017，24(9)：127－132.Chen Dongmei, Feng Ceyuan, Zhou Jianmin, et al.Applications of object-oriented rural land use information extraction by remote sensing technology: A case study of Xiji County, Ningxia Province[J]. Urban Development Studies,2017, 24(9): 127－132. (in Chinese with English abstract)

[21] 马燕妮，明冬萍，杨海平. 面向对象影像多尺度分割最大异质性参数估计[J]. 遥感学报，2017，21(4)：566－578.Ma Yanni, Ming Dongping, Yang Haiping. Scale estimation of object-oriented image analysis based on spectral-spatial statistics[J]. Journal of Remote Sensing , 2017, 21(4): 566－578. (in Chinese with English abstract)

[22] 佃袁勇，方圣辉，姚崇怀. 多尺度分割的高分辨率遥感影像变化检测[J]. 遥感学报，2016，20(1)：129－137.Dian Yuanyong, Fang Shenghui, Yao Chonghuai. Change detection for high-resolution images using multilevel segment method[J]. Journal of Remote Sensing, 2016, 20(1):129－137. (in Chinese with English abstract)

[23] 刘焕军，盛磊，于胜男，等. 基于气候分区与遥感技术的大兴安岭湿地信息提取[J]. 生态学杂志，2017，36(7)：2068－2076.Liu Huanjun, Sheng Lei, Yu Shengnan, et al. Wetland information extraction based on climate division and remote sensing technology in Daxing’an Mountains[J]. Chinese Journal of Ecology, 2017, 36(7): 2068－2076. (in Chinese with English abstract)

[24] 胡佳，林辉，孙华，等. 湿地类型遥感影像分割最优尺度选择[J]. 中南林业科技大学学报，2015，35(11)：32－37.Hu Jia, Lin Hui, Sun Hua, et al. Select optimal segmentation scale of wetlands using remote sensing data[J]. Journal of Central South University of Forestry & Technology, 2015,35(11): 32－37. (in Chinese with English abstract)

[25] Ponttuset J, Arbelaez P, Barron J, et al. Multiscale combinatorial grouping for image segmentation and object proposal generation[J]. IEEE Trans Pattern Anal Mach Intell,2017, 39(1): 128－140.

[26] 王彩艳，王瑷玲，王介勇，等. 基于面向对象的海岸带土地利用信息提取研究[J]. 自然资源学报，2014，29(9)：1589－1597.Wang Caiyan, Wang Ailing, Wang Jieyong, et al. Coastal zone land use information extraction based on object-oriented classification method[J]. Journal of Natural Resources, 2014,29(9): 1589－1597. (in Chinese with English abstract)

[27] 易凤佳，李仁东，常变蓉. 基于面向对象的长株潭地区遥感影像分类方法[J]. 华中师范大学学报(自然科学版)，2014，48(6)：910－916.Yi Fengjia, Li Rendong, Chang Bianrong. A atudy on the remote sensing image of Changzhutan area based on the object-oriented classification techniques[J]. Journal of Huazhong Nationa Normal University(Nat.Sci), 2014, 48(6):910－916. (in Chinese with English abstract)

[28] Belgiu M, Drǎguţ L, Strobl J. Quantitative evaluation of variations in rule-based classifications of land cover in urban neighbourhoods using WorldView-2 imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 87: 205－215.

[29] 张华，张改改，吴睿. 基于GF－1卫星数据的面向对象的民勤绿洲植被分类研究[J]. 干旱区地理，2017，40(4)：831－838.Zhang Hua, Zhang Gaigai, Wu Rui. Object-based vegetable classification based on GF-1 imagery in Minqin Oasis[J].Arid Land Geography, 2017, 40(4): 831－838. (in Chinese with English abstract)

[30] 胡秀娟，徐涵秋，黄绍霖，等. WorldView－2近红外光谱波段反演马尾松植被信息的比较研究[J]. 地球信息科学学报，2016，18(4)：537－543.Hu Xiujuan, Xu Hanqiu, Huang Shaolin, et al. Comparison between the two near infrared bands of WorldView-2 imagery in their applications in Pinus Massoniana forest[J].Journal of Geo-information Science, 2016, 18(4): 537－543.(in Chinese with English abstract)

[31] 孙斌，李增元，郭中，等. 高分一号与Landsat TM数据估算稀疏植被信息对比[J]. 遥感信息，2015，30(5)：48－56.Sun Bin, Li Zengyuan, Guo Zhong, et al. Comparison of sparse vegetation information estimation based on GF-1 and Landsat multi-spectral data[J]. Remote Sensing Information,2015, 30(5): 48－56. (in Chinese with English abstract)

[32] 谢国雪，黄文校，卢远，等. 基于高分辨率遥感影像的桑树信息提取研究——以广西鹿寨县为例[J]. 中国农业资源与区划，2015，36(2)：44－53.Xie Guoxue, Huang Wenxiao, Lu Yuan, et al. Information extraction of silkworm-croping areas based on high spatial resolution remote sensing images: A case study of Luzai County, Guangxi, China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2015, 36(2): 44－53. (in Chinese with English abstract)

[33] 牛增懿，丁建丽，李艳华，等. 基于高分一号影像的土壤盐渍化信息提取方法[J]. 干旱区地理，2016，39(1)：171－181.Niu Zengyi, Ding Jianli, Li Yanhua, et al. Soil salinization information extraction method based on GF-1 image[J]. Arid Land Geography, 2016, 39(1): 171－181. (in Chinese with English abstract)