基于QuickBird遥感图像黑石顶森林景观格局分析.pdf(2)

同时，生态系统受其高一等级水平上 的环境所约束。约束力的范围和边界构成约束体系。约束体系的重要性在于它可 以用来预测某一生态系统是否属于某一约束体系内。这是因为不同的生态系统属 于不同的约束体系的缘故。关于不同等级水平之间的关系，Grene(1987)认为， 各等级水平是靠信息的传递和联系来维持等级结构的整体性质。O’Neill等(1988) 认为，每个等级水平都具有其一定的时间和空间尺度。各等级水平的系统的功能中山大学2006届硕士学位论文：绪论 和结构也不同。等级理论要求，不同等级水平上的系统的性质，应该分别加以研 究。在把等级理论应用到景观生态时，Wu(1999)认为，因为构成单元(patch) 在垂直方向的松散(100se)和水平方向的耦连(couple)，整个生态系统可以被 完全地分解。松散指地是可分解性，而耦连意味着抵抗分解。在特定地尺度下， 缀块与同一个等级的其他缀块连耦连，和更高、更低水平地组织松散联系。 图1．1一个等级理论的示例。图中左边的部分为不同水平的缀块结构。不同水平的缀块间 的松散联系和同一个水平问缀块的相互耦连。图中右边的部分展示出把一个森林和农业景观0)， 分解为3个等级水平：海洋基底中的岛屿缀块(Level十1)，～个森林缀块(focal，Level 表示单独的树冠缀块(Level．1)(引自Bumett＆Blaschke，2003)。

Aoftheleftsideofthe showsinter-holon Fig．1一l sample hierarchyconcept．Thedia擎am structure．Aofinorfluxtherangegradientsecosystemprocessesproduces‘loosecoupling’andofaofsurfacesbetweenholons．Theside theshows generationrightfigurehypotheticalislandofaforestandintothreehierarchicallevels：thepatch decomposition agriculturallandscape inaseaforestindividualtreesasmatrix(holon+1)，apatch(focal，holono)，andpatches(holon一1) (Burnett＆Blaschke，2003)． (Hierarchicalpatchdynamics)，把景观作为一个缀块镶嵌体，能很好地观察认识 景观生态系统，构建景观模型。

是实现森林植被格局－生态过程耦合－时空尺度转换有机结合的重要研究方法。即在单一尺度上的观测结果只能反映该观测尺度上的格局与过程。大气污染物扩散模型可以较好的展示污染物在大气中的输送、扩散、迁移过程，模型为低空小尺度扩散模型，具有多种尺度区域，可精确到米级，在气象条件下，以特定监测物质为基础，结合环境在线监测数据、气象数据、污染物质的存储量等信息、排污清单等，动态输出空气污染物的浓度分布和演变，实时分析污染物对周边环境的影响，为环境监管治理、突发环境事故应急、响应、指挥、污染物超标排放溯源提供依据。

多光谱影像的分辨率为８ｍ，全色 万方数据 朱成杰等：面向对象的高分辨率遥感影像分割精度评价方法 影像融合后影像分辨率为２ｍ。因此，如何采用多角度对多种传感器甚至是多平台之间获取的遥感影像数据进行信息提取和自动分类的要求变得愈发强烈，以弥补单一依靠人工目视判读的遥感影像信息分类的不足。光谱响应特征在多光谱遥感影像地物识别中是最直接也是最重要的解译元素，地表的各种地物由于物质组成和结构不同而据有独特的波普反射和辐射特征，在图像上反映为各类地物亮度值的差异，因此可以根据这种亮度值的差异来识别不同的物体。

使用传统的、基于象元的分析方法，引起了一个不可避免的问题——可修改arealunit 区域单元问题(modifiable 是指用于空间分析的区域单元“可修改”本质以及它对分析及建模结果的形象。 格局与过程所出现的空间是连续的：在取样或分析空间数据时，把这一个空间按 某种基本面积单元划分的方法就有无穷多种方法。由此所致的有关丽积单元选择 的主观任意性问题，会给空间分析的结果造成影响。可修改区域单元问题正是由 于基本面积单元在选择上的任意性而造成的。区域单元可修改本质体现在两个方 面：空间数据聚合的水平和用于收集数据的区域单元的定义或划分。前者是指比 例尺的影响，后者指分区的影响(Chang，2002)。EO数据的成像过程，就好像把一张规则的“渔网”放在连续的地表上，“套 取”出EO影像数据。显然，“渔网”的网眼(对应于成像象元的大小)和放鼍的 方向、位置可以任意变化，同一个地区可以产生多个不同的影像。在同一个地区， 不同的传感器生成不同影像性质、象元大小的影像，即使是同一种传感器，也会 因为成像时间、成像角度的不同而生成不同的影像，这就是EO数据中的MAUP。所以在EO数据中，每个象元不一定具有真实的对应物，同时存在一定程度的 不确定性；而传统的基于象元的分析方法，并不能可以克服MAUP。

克服MAuP 问题的一个方法就是，使用具有现实意义的地理单元而不是任意的象元，作为分etal．，2001)：这需要全新的、 析的基本单元(Fotheringham＆Wong，1991；Hay 基于对象的分析方法。 1．3．2基于对象的景观分析方法产生的因素在过去的十年中，高分辨率(H—res)的商业遥感影像的越来越容易得到，这 些分辨率达到5m甚至更高的遥感影像得到广泛的应用。在这种趋势的存在下， 促使了统治了接近30年的基于象元的(pixel．based)、多光谱的分析方法慢慢的转et口L， 2003)。多尺度指示出多空间尺度(dimension)，在不同尺度下，要素、格局、中山大学2006届硕士学位论文：基于OuickBird遥感图像的黑石顶森林景观格局分析 过程可以被观察和度量。而基于对象是对连续的生态系统的离散而得到的具体元 素。在遥感影像中，与对象对应的是图像对象(imageobject)，图像对象是指在 图像中的一组相连的、具有相似DN值的象元：图像对象由图像分割算法提取产 生，对应于现实地物，如单个房屋、树冠等。基于对象的方法伴随H—res、VHR(veryhighresolution)EO数据的发展而来，2．5m，Ikonoslm， 因为这些H—res、VHR数据在有着极高空间分辨率(Spot5 QuirkBird0．6m)的同时，光谱分辨率相对于中分辨率的TM，MODIS等来说相对 不足。

把传统的分析方法应用到这些EO数据上，一方面会导致在极高的空间分 辨率下的空间信息得不到利用，而另一方面，低光谱分辨率导致光谱特征空间中， 象元与象元问的可分离性低。正是这些H—res、VHR数据特点，强烈地促使了基 于对象的、多尺度分析方法的产生。对于各种H—res、VHR(very 高，单个的象元往往不是真实的地理对象，而是对应于地理对象的局部。在极高 的空间分辨率下，DN相似的、相互连接的局部区域内的一组象元构成一个具有 真实意义的图像对象，对应于现实世界中的物体，如单个树冠、～个建筑物等。同时ecognition 建筑物指数,土壤指数，人类感知的世界，并不是一个由象元构成的世界，而是一个由离散对 象所构成的连续体。离散的对象的大小、形状、空间排列和上下文关系都会随着 方法会因为同物异谱、同谱异物等原因，一般很难产生非常符合人类视觉效果的 分析、分类结果。一 1．3．3基于对象的、多尺度的景观分析方法基于上述，结合等级缀块动态理论框架、面向对象的关系模型和先进的GIS 和Rs技术，产生的基于对象的、多尺度分析方法(Multiscaleobject—specific analysis，MOSS)，能更好地用于生态景观分析，以及克服一些传统方法的缺陷。

岗位描述：1.根据数据产品的设计进行数据探索、选择和实现数据挖掘算法、构建数据挖掘 模型，对算法和模型进行优化。 另外，影像分割的结果与分割参数相关，不同的参数 会产生不同的影像对象数据集，因此样本数与波段 数的关系在不同的分割尺度会有所不同。尺度:50 尺度:100 尺度:150 尺度:200 尺度:50 尺度:100 尺度:150 尺度:200结论： 通过改变分割参数进行试验， 初步分析结果显示， 针对 0.2m 的影像数据， 尺度参数(scale)设置为 50 或者 100、 形状参数(shape)设置为 0.1 或者 0.2、 紧致度参数(compactness)设置为0.5 或者 0.6 较合适。

上述的基于对象的、多尺度的景观分析方法(MOSS)是结合HPD理论产生 的，完全体现HPD理论中的缀块镶嵌体巢式等级系统、格局一过程一尺度等的观 点：根据特定的分析任务，选取体现生态学过程的尺度或者焦点的尺度，对遥感 影像进行多尺度分割，并构建对象关系模型。在对象关系模型下，每一个尺度都 具有确切的生态学意义：而确定尺度下的图像对象对应于生态系统中这个分析／ 观察尺度下的构成单元——缀块。HPD的另一个观点：系统动态是各个尺度上缀 块动态的总体反映，则可以通过分析对象关系模型下，各个尺度的图像对象之间 的变化与联系，以及在尺度变化的时候，某种生态过程／自然属性随着尺度的变 化规律。 1．3．3．2基于对象的、多尺度的景观分析方法的优点使用基于对象的、多尺度的景观分析方法用于景观分析，有以下的优势UserGuide，2004)：(1)除了单纯的光谱信息外，图像对象还包含 (eCognition0中山大学2006届硕士学位论文：基于QuiekBird遥感图像的黑石顶森林景观格局分析 了很多额外属性可用于分类：形状、纹理、对象在整个对象模型中的位萱；(2) 多尺度分割根据图像中的局部异质性把整个图像中相邻的区域分割为不同的对 象。

即使这些异质性是由纹理或者是噪音所产生；(3)图像对象由连接的、DN 值相似的象元所构成，所以即使图像对象中出现由于噪音或其他原因而产生的噪 音象元，其影ni…lH“-被对象的其他象元所抵消。与基于象元的方法相比，拥有更高 的信噪比。在分类中，基于象元的分类仅仅是根据象元的光谱值，容易受到噪音 的干扰，而基于对象的分类方法，分类的特征依据多样，特征之间的彼此独立， 提高了分类的健壮性和精度；(4)没有～个尺度是适用于一个景观系统中所有的 单元(Hay，2005)，每一个分类的任务都有它特定的尺度。使用多尺度的分割 方法能产生任何尺度的对象，满足不同的要求、数据和任务；(5)分割所产生的 对象的数目远远少于原来的象元数目。分割后的分析处理过程所面对的是分割产 生的对象，所以比起原来的象元数目来说，运算量大大减少。即使在对象上加入 大量的基于知识库的判断，也能维持很快的运算速度；(6)应用多尺度分割技术 能分割出任意尺度的对象。构成的对象关系模型同时拥有不同等级的对象。对象 的等级关系可阻用于各种分析，比如，～个图像对象可以根据它的子对象的属性 来分类；(7)应用图像分割产成的对象用于分类，可以避免传统的、基于象元的 分类方法产生的“胡椒粉和盐”的现象，得到更科学的，符合人类视觉思维习惯 的景观格局。

1．4基于对象的、多尺度景观分析方法的实现 1．4．1图像分割与对象模型的构建图像分割是基于对象的分析方法，对象自动检测和自动提取的基础，图像分 割在其他科学领域早已存在而且相当成熟(Haralcik，1973)，比如零件生产线的 缺陷零件自动检测；生物医学领域的对象(癌细胞、血细胞)自动识辨技术，这 些技术虽然成熟并具有令人满意的结果，也仅仅是局限于特定的领域或者是需要 特定的数据。近10年来，伴随H—rgs的航空遥感影像和卫星遥感影像的发展，在 地球科学领域，很多有希望的新算法和应用程序不断出现：基于对象特征的森林et 类型制图(Hay＆Niemann，1994；HayaL，1996)，具体到树冠的分类(Gougeon， 1995)，基于对象的尺度分析和尺度上推(Hay中山大学2006届硕二L学位论文：绪论 类型制图(Hallela1．，2003)。 林树冠识辨(Leckie优秀的图像分割算法必须具有高性能、可重复操作性、健壮性等的特性，一 般来说，多尺度分割所使用的是白上而下(bottom—up)的分割算法。目前，常 见的自上而下算法有：全局阈值算法(globalthresholdingalgorithms)、区域增growingalgorithms)、纹理分割算法(texturesegmentation 长算法(region algorithms)、基于知识库的方法(knowledge—basedapproaches)、水线分割算法 (watershedsegmentationalgorithms)。