珠海一号高光谱影像在黄土高原大型煤矿区分类中的应用

王宏宇,周伟,2,3*,官炎俊,胡文琛

珠海一号高光谱影像在黄土高原大型煤矿区分类中的应用

王宏宇1,周伟1,2,3*,官炎俊1,胡文琛1

1. 中国地质大学（北京）土地科学技术学院, 北京 100083 2. 自然资源部土地整治重点实验室, 北京 100035 3. 自然资源部矿区生态修复工程技术创新中心, 北京 100083

本文选取珠海一号影像数据，以哨兵二号数据为参考，将平朔矿区按权属划分五个子研究区，采用面向对象结合最邻近特征的分类方法，融合光谱特征、纹理特征、植被指数等特征因子，对珠海一号矿区土地利用分类精度进行评价。研究结果表明：(1)珠海一号分类总体精度为78.87%，Kappa系数为0.7285；哨兵二号分类总体精度为78.38%，Kappa系数为0.7203，珠海一号分类精度略高于哨兵二号；(2)部分耕地、草地、裸地产生误分，可能由于选取影像成像时间过晚地物特征相似导致。总体来说，珠海一号高光谱数据光谱及空间分辨率高，具有应用于矿区生态监测、复垦区植被演替特征等研究的潜力。

珠海一号;高光谱遥感; 矿区分类

矿区土地复垦效果监测的首要任务是获取矿区植被及土地类型信息，传统人工野外调查手段获取大面积矿区信息耗时耗力，而遥感技术凭借其成本低、时效性高的优势特点，在矿区生态领域中得到广泛重视[1]。当前，遥感技术在矿区生态环境监测的应用主要包括矿区土地类型识别与分类[2]、植被类型演化及退化监测[3]、土壤水分养分及重金属污染监测[4]、地表沉降水体监测[5]、大气污染反演监测[6]、生态系统多样性监测[7]等，监测效果的优劣与良好的数据质量和合适的技术方法息息相关。

近年来，Sentinel-2作为开源多光谱影像的代表已经得到广泛应用，其在进行矿区植被和生态监测[8]，农业资源动态监测[9]，作物、森林、天然草原和其他植被区域的广泛物候研究[10]，土地覆被分类[11]等方面的应用价值已得到充分验证。但是目前关于珠海一号、高分五号等高光谱卫星在矿区遥感监测的应用研究还较少。高光谱遥感光谱波段多，对小区域目标识别的精准度高，并且高光谱遥感的监测普及和商业化应用也为露天矿的精准识别和系统研究提供了扎实的数据基础。

在土地类型识别与分类中主要应用技术包括基于像元分类[12]、面向对象分类[13]及深度学习分类[14]。分类算法可以使用无监督和监督算法，无监督分类是一种以不同地物在特征空间中类别特征的差别为依据的无先验的图像分类[15]；监督算法使用训练样本进行分类，训练样本由用户根据经验或实地调查选取，人为决策直接参与决定训练数据并影响最终结果[16]，与无监督分类相比，监督算法准确性普遍较高。

平朔矿区位于黄土高原生态脆弱区，经过三十多年高强度开采，不仅引发了一系列环境问题，同时存在诱发地质灾害、生态退化和景观破坏设施等风险[17]。经过一代代人多年的实践，矿区生态恢复已取得一定的成效，后续进行矿区生态环境监测及时发现矿区生态变化区域尤为重要[18]。本文以山西省朔州市平朔矿区为研究区，选取珠海一号高光谱数据和哨兵二号多光谱数据，进行矿区土地利用类型识别分类并比较分类精度，探究珠海一号高光谱数据在地物分类及未来进行生态系统多样性监测的潜力，为矿区环境动态监测提供一种新的思路。

1 数据来源及研究方法

1.1 研究区概况

平朔矿区位于山西省北部朔州市境内，地处黄土高原东部；平朔露天煤矿是中国最大的露天煤矿区，覆盖了安太堡、安家岭和东露天矿；矿区长23 km，宽22 km，勘探面积380 km2，已探明地质储量1.275×1010t。研究区如图1所示，总面积38315 hm2，地理坐标为东经112°10′～112°30′，北纬39°23′～39°37′，海拔高度为1200～1600 m，具有典型的干旱和半干旱大陆性季风气候，年平均降水量约为450 mm，其中大部分降雨发生在6-9月份，年平均气温为4.8～7.8 ℃，夏季炎热多雨，冬季寒冷干燥。地形为黄土丘陵低地，植被覆盖稀疏，水蚀风蚀严重，加之长期开采的影响，平朔矿区生态环境脆弱[19,20]。

图 1 平朔矿区位置示意图

平朔矿区土地利用类型复杂多样，为减小地物特征之间相互干扰，同时加快数据处理速度，将平朔矿区按权属划分为五个子研究区进行珠海一号与哨兵二号土地利用分类精度对比（图2）。

图2 平朔矿区子研究区示意图

第一分区包括安太堡井工矿、安太堡露天矿、双碾合作区矿、露天不采区矿，总面积95.26 km2；第二分区包括东露天矿、张崖沟矿、韩村矿，总面积72.06 km2；第三分区包括井东矿、平鲁城市规划区、潘家窑合作区矿，总面积5426 km2；第四分区包括马东矿、扬涧矿，总面积55.62 km2；第五分区包括安家岭井工矿、安家岭露天矿、东易合作区矿、刘家口矿，总面积105.95 km2。

1.2 数据来源

本研究选用珠海一号(OHS ZhuHai-1)卫星遥感影像及哨兵二号（Sentinel-2B）影像数据。其中，珠海一号高光谱卫星影像采集时间为2021年10月11日，空间分辨率为10 m；共有32个光谱波段，其中包括3个蓝波段(440～490 nm)、7个绿波段(500～600 nm)、5个红波段(610～690 nm)、4个红边波段(700～750 nm)和13个近红外波段(760～940 nm)。Sentinel-2B遥感影像采集时间为2021年10月2日，最优波段空间分辨率为10 m；光谱波段共13个，包括可见光波段、近红外波段及短波红外波段等。两组影像云量均较少，大气环境较好。

1.3 总体工作流程

图3展示了本文的总体工作流程，概述了以下方法：（a）珠海一号和哨兵二号数据的预处理；（b）使用eCognition 9.0进行面向对象分类；（c）构建标准最邻近总体特征空间；（d）对分类结果进行精度验证。

图 3 总体工作流程

1.4 数据预处理

珠海一号高光谱遥感影像的预处理均在ENVI 5.3软件平台完成，基本流程包括波段组合、辐射定标、大气校正和正射校正，将原始影像生产为具有准确几何定位的反射率数据。大气校正主要目的是消除由大气影响所造成的辐射误差，反演地物真实的反射率。正射校正是对影像进行几何畸变纠正的一个过程，主要目的是将对由地形、相机几何特性以及与传感器相关的误差所造成的明显的几何畸变进行处理。最后，利用Frame Subset将影像按平朔矿区分区裁剪并导出为TIFF格式。对于Sentinel-2B遥感影像使用ESA官方提供的SNAP软件和Sen2cor插件对下载的原始影像进行大气校正，得到L2A级数据；选取光谱分辨率相近的波段，对影像进行波段重组，采用最近邻插值法将所有波段重采样为10 m分辨率，并输出为ENVI标准格式；对影像利用Frame Subset按平朔矿区分区裁剪并导出为TIFF格式，以便后续在eCognition软件平台操作。

1.5 面向对象分类

1.5.1 面向对象分割分析在遥感影像预处理的基础上，利用eCognition 9.0软件选取多尺度分割工具对影像进行地物分割。多尺度分割算法属于区域合并分割算法，在进行分割时，首先要分析图像对象，明确其光谱特征、形状特征等。多尺度分割算法的理论基础是最小异质性，即自下而上合并像素，逐步扩大均匀区域的面积，缩小异质区域的面积。

图 4 ESP最优分割尺度评价

在进行影像分割时，为保证较高的分类精度，首要任务是计算最优分割尺度以及设置合理分割参数。本文使用ESP(Estimation of Scale Parameter)工具计算影像的最优分割尺度。该工具计算了不同分割尺度对影像对象局部同质性(Local Variance,LV)的影响，表示为同质性局部变化率(rates of change of LV,ROC-LV)。当ROC-LV出现峰值时，该点对应的分割尺度即为局部最优分割尺度。由图4可知，影像的最优分割尺度均存在多个，但第一个最优分割尺度均在30左右，因此统一选取分割尺度为30；考虑到其中1和3分区耕地分布较多，将形状因子和紧致度因子分别为0.4和0.5，其他分区形状因子和紧致度因子分别为0.1和0.5，按上述参数设置对影像进行分割。

1.5.2 分类样本选取及特征空间构建分类特征空间的构建需要在分类样本选取的基础之上进行，采用eCognition样本选择器，在每个分区内将每种地类选择10-15个训练样本，样本选择需要遵循代表性、随机性和差异性的原则，使样本能够最大限度包含地类特殊特征，以提高地物可分离度。

表1 总体特征空间及分区特征空间选取

根据地类类型的特点，本文构建包含21个特征的初始特征空间（表1）。其中包括，珠海一号和哨兵二号影像各五个波段组成光谱特征集，其中珠海一号选择波段2、7、13、19、23，哨兵二号选择波段2、3、4、6、8，分别作为可见光、红边及近红外波段；选取NDVI、SAVI和RVI组成遥感指数特征集；选取采用全方位灰度共生矩阵来描述对象的纹理特征，如GLCM Homogeneity、GLCM Entropy等；以及描述对象形状及边缘特征的形状特征。将21维特征组合为一个特征空间，利用eCognition计算5类样本在此特征空间中的分离度，通过比较所选类别的特征，找出在不同类别的样本之间产生最大平均最小距离的特征组合，各地物在此特征空间下具有最佳的区分度，则此特征空间为最优特征组合。由图5可以看出耕地、草地、林地之间易出现分离度较低情况，裸地和城镇村及工矿用地与其他地类区分性较好，这符合客观规律，在进行分类时应着重关注耕地、草地与林地的分类结果。

通过此方法得出各分区最优特征组合，特征空间维数在13～17之间，分离度在1.021～1.805之间，在此基础上再增加特征将会造成分类特征冗余，即造成地物样本之间的区分度趋势逐渐下降。其中，Mean NIR、NDVI、SAVI、RVI在所有分区中均属于最佳特征空间，这由于影像采集时间是十月份，草地、林地等地类红波段和近红外波段反射率相差较大，故由此计算的NDVI、SAVI和RVI能较好用于区分地类；此外，GLCM StdDev、GLCM Correlation以及形状特征能较好地应用于区分耕地和城镇村及工矿用地，这两种地类形状及边界较为规整，与其他地类在形状方面区分度较高。

图 5 土地利用类型分离度

2.5.3 标准最邻近特征分类与基于用户定义对象特征的隶属度函数分类不同，最近邻特征分类是通过一组不同类别的样本来获取对象特征，进而判断待分类对象与样本对象特征距离的方法。该过程包括，通过给系统提供某些影像对象作为样本来训练系统；根据最相似的样本邻居对图像对象进行分类。

其中，为样本对象与影像对象之间的距离；V()为特征f的样本对象的特征值；V()特征的影像对象的特征值；σ为特征的特征值的标准偏差。

基于距离，计算多维指数隶属函数：()=-kd2

=ln(1/F)

参数决定了Z(D)的减小速率；F为函数斜率，一般取值为0.2。参数函数斜率越小，隶属度函数值越小，影像对象必须更接近样本对象才能被分类。

1.6 精度验证

本文样本数据的获取方式主要包括2类，一类为通过2021年9月实地调查设定的样本点；另一类为插入随机样本点，并利用Google Earth 1.19 m分辨率影像，通过人为目视解译判别用地类型。

实地调查情况及样本点分布见图6。本文共获取样本点共300个，其中耕地样本点41个，草地样本点74个，林地样本点73个，城镇村及工矿用地样本点59个，裸地样本点53个，用于验证珠海一号和哨兵二号数据分类精度。

图 6 地类样本实地情况及样本点分布

a.林地 Woodland；b.耕地 Cultivated land；c.草地 Grassland；d.城镇村及工矿用地和裸地 Urban village, industrial and mining land and bare land；e.样本点分布 Distribution of sample points

2 结果与分析

2.1 分类结果

基于成像清晰且时间相近的平朔矿区的珠海一号影像和哨兵二号影像，选取位置相同、数量相同的训练样本，利用总特征空间筛选最优特征组合，通过最邻近特征分类方法进行地物分类，分类结果如图7。分类结果显示，平朔矿区第一分区以林地、草地、城镇村及工矿用地为主，第二分区以林地、耕地、草地为主，第三分区以耕地、城镇村及工矿用地、草地为主，第四分区草地、耕地、林地面积最大，第五分区以草地、林地、城镇村及工矿用地为主。

珠海一号和哨兵二号影像分类结果总体上具有一致性。其中，第三和第五分区一致性较好，分类结果差异较小；第一和第二分区在草地与耕地、林地与耕地之间存在一定程度分类差异；第四分区草地与林地之间存在分类差异，珠海一号分类结果中林地面积大于哨兵二号。

图 7 矿区分类结果（a.珠海一号；b.哨兵二号）

2.2 精度评价

对珠海一号和哨兵二号的地物分类结果通过混淆矩阵结合Kappa系数进行分类精度验证并进行对比，得到两种影像的生产者精度、用户精度及总体精度等（表2、表3）。珠海一号分类总体精度为78.87%，Kappa系数为0.7285；哨兵二号分类总体精度为78.38%，Kappa系数为0.7203。珠海一号数据分类结果中，裸地和草地生产者精度最低分别为62.00%和80.00%，耕地和草地用户精度最低分别为64.71%和76.92%。哨兵二号分类结果中，裸地和林地生产者精度最低分别为62.00%和75.68%，耕地和草地用户精度最低分别为70.83%和72.41%。

表 2 珠海一号分类精度评价结果

表 3 哨兵二号分类精度评价结果

图 8 子研究区分类精度参数统计

从子研究区分类结果来看，珠海一号影像在第一、第二和第三分区分类总体精度和Kappa系数低于哨兵二号影像，而第四和第五分区高于哨兵二号影像；在第五分区珠海一号精度最高为83.00%，可能由于此区域草地、林地较多更易于区分。珠海一号数据城镇村及工矿用地样本生产者精度较高，裸地、城镇村及工矿用地和林地用户精度较高，表明在珠海一号分类结果中有较少的城镇村及工矿用地被错分为其他土地利用类型，同时在分类结果中有较少的地类被错分为裸地、城镇村及工矿用地和林地；珠海一号数据城镇村及工矿用地和草地样本生产者精度较高，裸地、城镇村及工矿用地和林地用户精度较高，与珠海一号数据表现基本一致。

3 讨论

3.1 珠海一号在矿区生态监测应用的潜力

矿区开采会对土壤地貌景观造成极大的破坏，导致植物群落结构退化，物种丰富度减少，引发水土流失、土地退化等问题。在对矿区进行生态修复过程中，必然会引起地类快速变化，主要是植被类型的不断演替，如复垦物种的消失及外来物种的入侵[21]。对于矿区的生态监测就成为判断生态修复成效，合理统筹调整生态修复方案的有效手段，矿区生态监测需要满足及时性、准确性，同时要兼顾成本效益等多重需求[22]。在以往的研究中，MODIS空间分辨率过低，导致分类结果较差，难以应用于地类复杂的矿区进行生态监测；Landsat数据空间分辨率较低，且重访周期过长，可能导致可用图像数量不足；高分辨率影像能够精准进行矿区生态监测，但如高分卫星影像，获取难度大，数据采集成本过高，目前不适合大面积应用与学术研究使用[23]。

在本研究中选取的哨兵二号影像数据，具有开源、多光谱、分辨率高、重访周期短的特点，已经被各国学者广泛使用[8-11,24]；与之相比珠海一号数据，属于高光谱数据拥有32个波段，光谱分辨率为2.5 nm，空间分辨率与哨兵二号最高分辨率一致，单颗卫星重访周期为六天，八颗卫星综合重访周期为一天，同样具有进行矿区生态监测、农业资源动态监测、农作物估产等应用潜力。

从本文研究结果来看，对珠海一号和哨兵二号影像使用相同分割尺度进行多尺度分割，如图7，哨兵二号分割结果更细致，但可能导致对影像的过分割，导致地物破碎，珠海一号对地物的完整性保留较好；在相同的特征空间组合下，均采用最邻近特征分类，样本珠海一号分类总体精度和Kappa系数稍高于哨兵二号，仅相差0.39%和0.0082。从分区精度来看，第一、第二和第三分区哨兵二号分类精度和Kappa系数高于珠海一号，而第四和第五分区结果相反，这可能是由于样本选择不当造成的影响。在之后的研究中，可以使用珠海一号进行平朔矿区生态系统多样性监测，通过识别不同年限复垦区植被类型，揭示复垦区植被演替特征，为加强土地复垦管理提供及时准确的依据[25]。

图 9 影像分割结果细部图（a.珠海一号；b.哨兵二号）

3.2 珠海一号分类精度提高方法

利用高光谱遥感对矿区进行生态监测，关键在于分类精度的提高。已有研究中，提高分类精度的方法主要包括，对分割方法的改进、分类方法的优化组合、多源遥感数据结合使用等[26]。高光谱影像由于波段相近，存在同物异谱、同谱异物的情况，如果采用传统的基于像元的分割方法，很容易出现“椒盐现象”。面向对象的分割方法可以有效避免出现波段之间相互干扰的情况，成为高光谱影像信息提取的主要方法[27]。目前使用最多的分类方法为监督分类和基于深度学习的分类方法，主要包括支持向量机、随机森林、BP神经网络和空-谱结合的方法等，此类均建立在使用者对待分类影响区域有一定了解的基础上，通过输入的分类规则对影像进行分类[28,29]。

研究结果表明，裸地的生产者精度、耕地和草地的用户精度较低，原因是研究区影像采集时间是十月份，部分复垦区草地和耕地已经收割，其光谱特征与裸地相似，因此导致错分。在后期研究中可以选取基于物候时序与深度学习相结合的方法，并可以采取更详细的分类体系，通过分层分类的方式缩小分类范围，减少错分提高分类精度，为进一步研究平朔矿区复垦区生态系统多样性提供基础[30,31]。

珠海一号拥有4个红边波段，红边波段处于近红外与红光波段交界处快速变化的区域，对植被生长状况较敏感，Sentinel-2的红边波段就被广泛应用于植被长势监测和地上生物量估算等方面[32]。将珠海一号应用于平朔矿区时可参考Sentinel-2应用方式，添加如REIPI(Red-Edge Inflection Point Index)、IRECI(Inverted Red-Edge Chlorophyll Index)等红边指数进行植被分类[33,34]；已有研究将Sentinel-1与Sentinel-2应用于城市、农耕区等地区进行土地利用分类研究[9,35]，并获得较好的分类精度，可以尝试与Sentinel-1数据结合，综合光谱特征、纹理特征、红边植被指数、雷达特征等进行矿区生态监测。

3.3 不确定性与局限性

为了减少地类错综杂乱对分类结果的影响，本研究将平朔矿区分为五个区域进行土地利用分类，在各研究分区内珠海一号表现较好，但应用于地类更复杂、范围更大的研究区可能会产生精度下降等情况。同时，本研究采用的面向对象结合最邻近特征分类的方法较为简单，只能作为珠海一号是否具有进行矿区土地利用分类、生态植被监测潜力的初步验证，还需要在后续实践研究中探寻珠海一号高光谱影像的最佳应用方式。最邻近特征分类属于监督分类的一种，训练样本的选择人为因素较强，十月份影像部分草地、耕地、裸地从影像上看相似性较高，可能导致部分样本分类类别并非真实类别。

在进行平朔矿区年际植被变化监测时，由于受到云的影响，很难保证存在相同时间的成像效果良好的影像，当影像缺失时，应寻找相近时间影像进行代替，同时可以结合矿区各种复垦植被物候特征消除成像时间带来的误差。

4 结论

本文以面向对象分类方法对平朔矿区的珠海一号及哨兵二号遥感影像进行解译实验，运用多尺度分割、分类对比分析，获取最佳分割尺度，结合光谱特征、纹理信息、几何信息和遥感指数作为影像分类特征，使用标准最邻近特征分类，有效提取出耕地、草地、林地、城镇村及工矿用地和裸地5类土地利用类型特征要素信息，分类精度分别为78.87%和78.38%，较好地实现了平朔矿区土地利用类型的遥感影像数据解译。

研究结果表明，珠海一号分类结果存在一定的误分现象，若能进一步结合Sentinel-1或资源3号遥感立体信息，提取数字高程模型数据综合运用到分类中，可能会进一步提高分类精度，相关研究有待深入开展。探究高光谱遥感影像在矿区生态监测方面的应用价值与方法，不仅对矿区复垦成果评估、矿区生态高质量发展具有积极意义，同时能够成为高光谱卫星影像发展的实证参考。

[1] Li HK, Xu F, Li Q. Remote sensing monitoring of land damage and restoration in rare earth mining areas in 6 counties in southern Jiangxi based on multisource sequential images [J]. Journal of Environmental Management, 2020,267:110653

[2] Chen WT, Li XJ, Wang LZ. Fine land cover classification in an open pit mining area using optimized support vector machine and worldview-3 imagery [J]. Remote Sensing, 2019,12(1):82

[3] Zhang YL, Shen WJ, Li MS,. Integrating landsat time series observations and corona images to characterize forest change patterns in a mining region of nanjing, eastern china from 1967 to 2019 [J]. Remote Sensing, 2020,12(19):3191

[4] Wei LF, Yuan ZR, Wang ZX,. Hyperspectral inversion of soil organic matter content based on a combined spectral index model [J]. Sensors, 2020,20(10):2777

[5] He TT, Xiao W, Zhao YL,. Continues monitoring of subsidence water in mining area from the eastern plain in China from 1986 to 2018 using Landsat imagery and Google Earth Engine [J]. Journal of Cleaner Production, 2021,279:123610

[6] 简小妹,周伟,袁涛.乌海矿区AOD时空变化特征及影响因素[J].遥感信息,2020,35(3):63-70

[7] 肖武,张文凯,吕雪娇,等.西部生态脆弱区矿山不同开采强度下生态系统服务时空变化——以神府矿区为例[J].自 然资源学报,2020,35(1):68-81

[8] 吴群英,苗彦平,陈秋计,等.基于Sentinel-2的荒漠化矿区生态环境监测[J/OL].采矿与岩层控制工程学 报,2022(1):1-8[2021-12-08].https://doi.org/10.13532/j.jmsce.cn10-1638/td.20210617.001.

[9] Van Tricht K, Gobin A, Gilliams S,Synergistic use of Radar Sentinel-1 and optical Sentinel-2 Imagery for Crop Mapping: A Case Study for Belgium [J]. Remote Sensing, 2018,10(10):1642

[10] Liu L, Xiao XM, Qin YW,. Mapping cropping intensity in China using time series Landsat and Sentinel-2 images and Google Earth Engine [J]. Remote Sensing of Environment, 2020,239:111624

[11] De Fioravante P, Luti T, Cavalli A,Multispectral Sentinel-2 and SAR Sentinel-1 integration for automatic land cover classification [J]. Land, 2021,10(6):611

[12] 孙珂.融合超像元与峰值密度特征的遥感影像分类[J].国土资源遥感,2020,32(4):41-45

[13] Ma L, Schmitt M, Zhu XX. Uncertainty analysis of object-based land-cover classification using Sentinel-2 time-series data [J]. Remote Sensing, 2020,12(22):12223798

[14] Li JJ, Xi BB, Li YS,. Hyperspectral classification based on texture feature enhancement and deep belief networks [J]. Remote Sensing, 2018,10(3):396

[15] Qu JR, Qiu XL, Ding CB,. Unsupervised classification of polarimetric SAR image based on geodesic distance and non-gaussian distribution feature [J]. Sensors, 2021,21(4):1317

[16] Salata S. The utilization of supervised classification sampling for environmental monitoring in Turin (Italy) [J]. Sustainability, 2021,13(5):1818

[17] Guan YJ, Zhou W, Bai ZK,. Delimitation of supervision zones based on the soil property characteristics in a reclaimed opencast coal mine dump on the Loess Plateau, China [J]. Science of the Total Environment, 2021,772:145006

[18] Li J, Pei YQ, Zhao SH,. A review of remote sensing for environmental monitoring in China [J]. Remote Sensing, 2020,12(7):1130

[19] Zhou W, Yang K, Bai ZK,The development of topsoil properties under different reclaimed land uses in the Pingshuo opencast coalmine of Loess Plateau of China [J]. Ecological Engineering, 2017,100:237-245

[20] Wu JS, Zhu QL, Qiao N,. Ecological risk assessment of coal mine area based on “source-sink” landscape theory – A case study of Pingshuo mining area [J]. Journal of Cleaner Production, 2021,295:126371

[21] 赵冰清,白中科,郭东罡,等.黄土区露天煤矿排土场人工林下植被发育动态[J].地学前缘,2021,28(4):153-164

[22] 李军,彭苏萍,张成业,等.矿区生态环境定量遥感监测评价技术框架与应用[J/OL].矿业科学学报:1-17[2021-12-08].

https://doi.org/10.19606/j.cnki.jmst.2022.01.002.

[23] Li P, Xia HM, Zhao XY,. Mapping winter crops using a phenology algorithm, time-series Sentinel-2 and Landsat-7/8 images, and Google Earth Engine [J]. Remote Sensing, 2021,13(13):2510

[24] 姚杰鹏,杨磊库,陈探,等.基于Sentinel-1,2和Landsat 8时序影像的鄱阳湖湿地连续变化监测研究[J].遥感技术与 应用,2021,36(4):760-776

[25] Guan YJ, Zhou W, Bai ZK,. Soil nutrient variations among different land use types after reclamation in the Pingshuo opencast coal mine on the Loess Plateau, China [J]. Catena, 2020,188:104427

[26] 赵伍迪,李山山,李安,等.结合深度学习的高光谱与多源遥感数据融合分类[J].遥感学报,2021,25(7):1489-1502

[27] Oreti L, Giuliarelli D, Tomao A,. Object oriented classification for mapping mixed and pure forest stands using very-high resolution imagery [J]. Remote Sensing, 2021,13(13):2508

[28] 周子涵,倪欢,马林飞.面向高光谱遥感图像分类的连续空间依赖增强型空—谱卷积神经网络[J].地理与地理信息 科学,2021,37(6):32-40

[29] Yin JR, Qi CS, Chen QQ,. Spatial-spectral network for hyperspectral image classification: A 3-D CNN and Bi-LSTM framework [J]. Remote Sensing, 2021,13(12):2353

[20] Malcolm JR, Brousseau B, Jones T,. Use of Sentinel-2 Data to improve multivariate tree species composition in a forest resource inventory [J]. Remote Sensing, 2021,13(21):4297

[31] 刘瑞清,李加林,孙超,等.基于Sentinel-2遥感时间序列植被物候特征的盐城滨海湿地植被分类[J].地理学报,2021,76(7):1680-1692

[32] Sasan V, Javad S, Kamran A,. Improving accuracy estimation of forest aboveground biomass based on incorporation of ALOS-2 PALSAR-2 and Sentinel-2A imagery and Machine Learning: A Case Study of the Hyrcanian Forest Area (Iran) [J]. Remote Sensing, 2018,10(2):1188

[33] 蒋馥根,孙华,李成杰,等.联合GF-6和Sentinel-2红边波段的森林地上生物量反演[J].生态学报,2021,41(20):8222-8236

[34] 李恒凯,王利娟,肖松松.基于多源数据的南方丘陵山地土地利用随机森林分类[J].农业工程学报,2021,37(7):244-251

[35] Tavares PA, Beltrão NES, Guimarães US,. Integration of Sentinel-1 and Sentinel-2 for Classification and LULC Mapping in the Urban Area of Belém, Eastern Brazilian Amazon [J]. Sensors (Basel, Switzerland), 2019,19(5):1140

The Application of Hyperspectral Images from Zhuhai-1 in Classification for the Large-scale Coal Fields on Loess Plateau

WANG Hong-yu1, ZHOU Wei1,2,3*, GUAN Yan-jun1, HU Wen-chen1

1.100083,2.100035,3.100083,

In this paper, the Zhuhai-1 image data is selected, and the Sentinel-2 data is used as a reference to divide the Pingshuo mining area into five sub-study areas according to ownership. The object-oriented classification method combined with the nearest features is adopted, and the spectral features, texture features, vegetation index, etc. are integrated. The characteristic factor is used to evaluate the accuracy of land use classification in Zhuhai-1 mining area. The research results show that: (1) The overall classification accuracy of Zhuhai-1 is 78.87%, and the Kappa coefficient is 0.7285; the overall classification accuracy of Sentinel-2 is 78.38%, and the Kappa coefficient is 0.7203. The classification accuracy of Zhuhai-1 is slightly higher than that of Sentinel-2. (2) The misclassification of some cultivated land, grassland and bare land may be caused by the similarity of the features of the ground objects when the imaging time is too late. In general, Zhuhai-1 hyperspectral data has high spectral and spatial resolution, and has the potential to be applied to research on ecological monitoring of mining areas and vegetation succession characteristics in reclamation areas.

Zhuhai-1; hyperspectral remote sensing; mining area classification

TP79

A

1000-2324(2022)01-0098-011

10.3969/j.issn.1000-2324.2022.01.016

2021-12-03

2022-01-12

国家自然科学基金:黄土高原大型露天煤矿区复垦土壤空间异质性特征及指示意义(41571508)

王宏宇(1998-),男,硕士,主要从事自然资源遥感监测和生态修复研究. E-mail:why63@cug.edu.cn

Author for correspondence. E-mail:zhouw@cugb.edu.cn