论文部分内容阅读
摘要针对Landsat-8 OLI和GF-1 WFV传感器参数的特点，选择支持向量机（SVM）分类方法分别对咸宁市同一时段的Landsat-8遥感影像和GF-1遥感影像进行土地利用分类研究。结果表明，Landsat-8在耕地与林地、水域与裸地可分离性方面高于GF-1，提取的林地面积占比和耕地面积占比更接近于真实值；Landsat-8和GF-1的分类总精度分别为85.76%和88.38%，Kappa系数分别为0.807 1和0.820 4，说明GF-1的分类效果好于Landsat-8；GF-1具有较高的分辨率优势，对分布零散的地物识别效果优于Landsat-8。
关键词遥感影像；监督分类；可分离度；Kappa系数
中图分类号S127文献标识码
A文章编号0517-6611（2017）31-0213-03
AbstractAccording to the characteristics of Landsat8 OLI and GF1 WFV sensor parameters， the support vector machine （SVM） classification method was used to classify Landsat8 remote sensing images and GF1 remote sensing images at the same time in Xianning City. The results showed that the separation of water area Landsat8 in the cultivated land，forest land， and bare land was higher than that of GF1， and the proportion of extracted forest land and cultivated land was closer to the real value.The classification total accuracy of Landsat8 and GF1 were 85.76% and 88.38% respectively， and Kappa coefficients were 0.807 1 and 0.820 4 respectively. The classification effect of GF1 was better than that of Landsat8. GF1 had higher resolution advantages， and the classification effect of the fragmented landform type was better than that of Landsat8.
Key wordsRemote sensing images；Supervised classification；Separability；Kappa coefficient
鉴于土地利用变化是某一地区水文、气候和旱情监测重要的基础数据，土地利用变化研究也愈发的重要。土地利用数据获取的主要数据源是遥感数据，原因在于遥感数据具有范围广、时效性强以及成本相对较低。为了获取较为全面精确的数据，自20世纪以来国内外发射了很多搭载新型卫星的传感器，针对数据需求的不一样，传感器也呈现不同的参数特点[1]。Landsat系列卫星作为使用最普遍的卫星，也存在难以保证数据一致性的缺点；另外，对零碎物体分类精度低一直都是Landsat系列卫星的软肋，而高空间分辨率影像恰好拥有这些优点，因此土地利用变化数据常用高空间分辨率影像作为数据来源。目前，已知的高空间分辨率卫星（如SPOT、IKONOS等）在区域研究中应用较多，但由于波段少、幅宽小等局限性，在研究中仍需要进行不同时相数据的拼接操作，且价格昂贵[2]。高分一号（GF-1）卫星虽然具有重访周期短、多种分辨率与大幅宽结合等优点，但也存在波段数少的问题[3]。因此，掌握中高等分辨率影像的特點，对各自提取的土地利用数据进行比较研究具有实际意义。笔者选取Landsat-8 OLI和GF-1 WFV 2种传感器，对咸宁市2种传感器同一时段提取的土地利用数据进行定性和定量分析。
1材料与方法
1.1研究区概况与数据来源
咸宁市位于湖北东南部，长江中游南岸，下辖一区一市四县（咸安区、赤壁市、嘉鱼县、通山县、崇阳县、通城县），总面积9 861 km2，处于幕阜山脉向江汉平原过渡地带。咸宁市南部属幕阜山系余脉，北部属于江汉平原。咸宁市区的植被为常绿阔叶林，含有丰富的树木资源种类，2012年全市的植被覆盖率达到53.4%[4]。
研究所用的Landsat-8和GF-1数据分别来自地理空间数据云和遥感集市，其中Landsat-8数据4景，GF-1数据1景。成像时间选择在植被生长较好的季节，原因是因为该时间段的植被覆盖率比较好，解译出来的结果可靠性更高。另外，在数据选取时还要考虑到云量的百分比，云量越低，云层对地物解译的影响越小，越便于地物的正确解译[5]。Landsat-8数据为研究区2016年的遥感影像，空间分辨率为30 m；GF-1数据为同期的数据，空间分辨率为16 m[6]。Landsat-8和GF-1数据特征见表1。
1.2研究方法
采用遥感影像土地利用数据提取对比及3S综合分析法，以RS、GIS和GPS为理论基础，以ENVI、ArcGIS分析处理软件为核心，实现对2种传感器影像土地利用数据提取的综合比较分析。以RS技术为支撑，以咸宁市全市范围的中分辨率的Landsat-8影像和高分辨率GF-1影像作为研究的数据源，以ENVI 5.1遥感软件为主，以ArcGIS软件为辅，对影像数据进行相关分析处理，主要包括辐射定标、大气校正、数据融合、裁剪和拼接、影像解译、结果定性定量对比分析等。遥感影像分类准确性是后续分析的基础，支持向量机（Support vector machine，SVM）分类可以利用径向基函数将低维空间向量机映射到高维空间，从而在高维空间寻找线性分隔超平面使线性分隔最大。常用的径向基函数公式为： K（X，XC）=exp（-‖x-xc‖22σ2） （1）
式中， K（X，XC） 为空间中任一点 X 到某一中心 XC 之间欧氏距离的单调函数，XC 为核函数中心，σ为函数的宽度参数（径向作用范围）[7]。
SVM解决了小样本情况下的机器学习问题，是一种有坚实理论基础的新颖的小样本学习方法。从本质上看，它避开了从归纳到演绎的传统过程，实现了高效的从训练样本到预报样本的“转导推理”，大大简化了通常的分类和回归等问题，提高泛化性能，解决高维和非线性问题，又可以避免神经网络结构选择和局部极小点问题。利用SVM进行遥感影像分类具有较高的分类精度，具有明显的技术优势与应用前景。该研究技术路线如图1所示。
1.3土地利用数据提取
1.3.1分类系统制定。
分类体系建立参考国土资源部《土地利用现状分类》一级分类系统，并考虑所用数据及研究区土地覆盖类型的特点，最终确定将研究区的土地利用类型划分为林地、草地、水域、耕地、建设用地以及裸地6类。
1.3.2土地利用分类。
该研究选用计算机自动分类法中的支持向量机（SVM）分类作为监督分类方法，主要原因是因为该方法能够自动寻找对分类有较大区分能力的支持向量，能最大化地拉开类与类之间的间隔，且具有较高的精确度[8]。由于原始影像数据及不同分类器自身的原因等，对计算机自
动分类的结果一般需要进行分类后处理，如合并分类结果中的细小斑块、孤立点去除后进行筛选和聚类处理。再经过上述支持向量机分类的方法将中高等遥感影像中各地类分离出来，同样还会存在一部分像元偏离了径向基函数中σ的径向作用范围，从而在分类时可能出现一些错分或者漏分的现象，导致精度要求难以达到要求，因而需要对分类后的结果进行分类后处理，后处理结果如图2所示。
2结果与分析
利用上述支持向量机的分类方法对2幅遥感影像进行分类，直观地对比了2幅分类结果图，发现林地的面积最大，分布在咸宁市各个区域，且以中西部、北部和东南部为主，建设用地分布的大致范围也都在6个城区的位置，Landsat-8和GF-1影像的分类结果较为一致，分类结果见图3。
2.1样本可分离性比较
光谱可分离性（Spectral separability）是衡量各类别可分离性，确定各类别间差异程度的重要指标，这也在一定程度上反映后续监督分类的精度。由光谱可分离度的计算结果可知，Landsat-8和GF-1農田和林地分离度分别1.949 02和1.916 03，水域和裸土的类别可分离度为1.999 23和1.999 08，这说明在蓝光波段、绿光波段和红光波段Landsat-8各地物的反射率略大于GF-1，Landsat-8在光谱可分离性方面优于GF-1。
2.2分类面积比较
能够最直观地反映2种影像监督分类后主要地类差异的就是各地类的面积。在对分类结果分析后提取了在2个传感器上各地类的面积，再经过分类统计后分别获得了Landsat-8和GF-1各个影像ROIs地类面积和所占百分比的对比数据，由于分类面积统计中包含未分类的面积（背景面积），因此真实的地类面积百分比=地类百分比/（1-未分类百分比）×100%，可以根据此公式计算出各地类占总面积的百分比，主要地类面积百分比如表2所示。
从表2可以看出，Landsat-8分辨出的林地面积百分比（55.69%）高于GF-1（48.34%），据统计咸宁市林地覆盖率在53%左右，因此基于Landsat-8图像上分类出的林地更接近于真实值。
Landsat-8耕地面积百分比为18.49%，GF-1耕地面积百分比为12.39%，从分类后的结果来看，耕地大多分布在咸宁市的北部，根据实地考察目视解译的结果可知，嘉鱼县（咸宁市北部）北部基本为种植基地和少部分的水产养殖基地，再对比地类分布图可看出GF-1错将少部分耕地分为林地，因此Landsat-8在林地与耕地的分类能力上要好于GF-1，主要是因为传感器的不同，使得红光与近红外波段的光谱响应函数不同，造成GF-1在林地上的接收信号弱于Landsat-8。建设用地和草地在GF-1影像上的面积百分比均比Landsat-8影像更接近于真实值（5.92%和1312%），说明在零碎分布地物类型方面GF-1的分类效果要好于Landsat-8。
2.3分类精度评价
为了检验分类样本的精度和准确性，需要对样本分类图进行校验和检测，像监督分类一样选取训练样本，但这些样本需要选择纯净像元，所谓纯净像元就是一个或者多个相同灰度值的像元，且每个地类需要的样本数不宜过多，然后采用支持向量机方法进行分类，并对分类结果进行精度评价。
Landsat-8的分类总精度为85.76%，比GF-1的分类总精度（88.38%）低，分类结果较为理想。二者的Kappa系数分别为0.807 1 和0.820 4，均大于0.8，数据可靠性很高，且GF-1的Kappa系数大于Landsat-8，说明GF-1分类效果较好。对比Ground Truth中耕地的数据发现，Landsat-8对耕地的真实性（80.03%）高于GF-1（77.04%），其主要原因是波谱响应函数的差异造成GF-1将有些耕地误分为林地，Landsat-8在耕地方面的分类精度要高于GF-1。
GF-1对建设用地的分类精度明显高于Landsat-8，因为在研究区分布较多水域、细小河流、村庄和城镇的区域地物类型较为复杂，在具有更高分辨率的GF-1影像上混合像元少，细节信息和纹理较Landsat-8更明显，从而分类效果更好。GF-1将部分未使用耕地或者部分收割农田划分为裸地，是造成裸地分类精度低于Landsat-8的主要原因。
3结论
不同传感器参数的数据对土地利用分类结果有不同的影响，Landsat-8在耕地与林地、水域与裸地的地物可分离性方面高于GF-1，而且对提取出的林地面积百分比和耕地面积百分比更接近于真实值，原因是波谱响应函数造成的差异使得Landsat-8对林地类型的接受信号好于GF-1。另外，Landsat-8蓝光波段、绿光波段和红光波段的光谱可分离性方面优于GF-1，因此在林地方面Landsat-8的分类精度高于GF-1。GF-1的混淆矩阵中，建设用地的真实性明显比Landsat-8的要高，而且GF-1具有较高的分辨率优势，这也可以说明GF-1对零碎分布地物类型的分类效果要好于Landsat-8。
总体来看，GF-1的分类效果要好于Landsat-8。Landsat-8和GF-1的分类精度分别为85.76%和88.38%，其Kappa系数分别为0.807 1和0.820 4。Landsat-8数据幅宽相对窄、重访周期长、分辨率低等局限性限制了该系列卫星只适合中低尺度的研究，而GF-1的高空间分辨率影像数据的大幅宽与重访周期短等优点使其在土地利用数据提取方面效果显著，精度较高，因此在土地覆盖分类研究中具有更广阔的应用前景。
参考文献
[1]
董墨，王树力.基于中分辨率遥感影像土地利用类型信息提取及动态[J].东北林业大学学报，2016（3）：95-100.
[2] 李芬.资源三号卫星数据在土地利用遥感监测中的应用研究[D].长春：吉林大学，2013.
[3] 宋军伟，张友静，李鑫川，等.基于GF1与Landsat8影像的土地覆盖分类比较[J].地理科学进展，2016，35（2）：255-263.
[4] 方世明，郑斌.区域城市化与经济协调发展测度研究：以咸宁市为例[J].中国地质大学学报（社会科学版）， 2010，10（5）：112-118.
[5] 桂玲，孙华，陈利.基于中等分辨率遥感影像的桃源县竹林信息提取研究[J].中国农学通报， 2012，28（1）：85-91.
[6] 孙家波，曲杰卿，张超，等.基于高分辨率遥感影像的土地利用信息提取系统的设计与实现[J].测绘与空间地理信息，2012，35（11）：12-15.
[7] 刘世英，李宗仁，皮英楠.基于Landsat8与GF1卫星数据的青海省湿地遥感调查及成果[J].青海国土经略，2016（1）：55-59.
[8] 卢伟，文鸿雁，李淑.基于SVM的遥感影像空间特征提取和分类研究[J].山西建筑，2009，35（5）：10-12.
关键词遥感影像；监督分类；可分离度；Kappa系数
中图分类号S127文献标识码
A文章编号0517-6611（2017）31-0213-03
AbstractAccording to the characteristics of Landsat8 OLI and GF1 WFV sensor parameters， the support vector machine （SVM） classification method was used to classify Landsat8 remote sensing images and GF1 remote sensing images at the same time in Xianning City. The results showed that the separation of water area Landsat8 in the cultivated land，forest land， and bare land was higher than that of GF1， and the proportion of extracted forest land and cultivated land was closer to the real value.The classification total accuracy of Landsat8 and GF1 were 85.76% and 88.38% respectively， and Kappa coefficients were 0.807 1 and 0.820 4 respectively. The classification effect of GF1 was better than that of Landsat8. GF1 had higher resolution advantages， and the classification effect of the fragmented landform type was better than that of Landsat8.
Key wordsRemote sensing images；Supervised classification；Separability；Kappa coefficient
鉴于土地利用变化是某一地区水文、气候和旱情监测重要的基础数据，土地利用变化研究也愈发的重要。土地利用数据获取的主要数据源是遥感数据，原因在于遥感数据具有范围广、时效性强以及成本相对较低。为了获取较为全面精确的数据，自20世纪以来国内外发射了很多搭载新型卫星的传感器，针对数据需求的不一样，传感器也呈现不同的参数特点[1]。Landsat系列卫星作为使用最普遍的卫星，也存在难以保证数据一致性的缺点；另外，对零碎物体分类精度低一直都是Landsat系列卫星的软肋，而高空间分辨率影像恰好拥有这些优点，因此土地利用变化数据常用高空间分辨率影像作为数据来源。目前，已知的高空间分辨率卫星（如SPOT、IKONOS等）在区域研究中应用较多，但由于波段少、幅宽小等局限性，在研究中仍需要进行不同时相数据的拼接操作，且价格昂贵[2]。高分一号（GF-1）卫星虽然具有重访周期短、多种分辨率与大幅宽结合等优点，但也存在波段数少的问题[3]。因此，掌握中高等分辨率影像的特點，对各自提取的土地利用数据进行比较研究具有实际意义。笔者选取Landsat-8 OLI和GF-1 WFV 2种传感器，对咸宁市2种传感器同一时段提取的土地利用数据进行定性和定量分析。
1材料与方法
1.1研究区概况与数据来源
咸宁市位于湖北东南部，长江中游南岸，下辖一区一市四县（咸安区、赤壁市、嘉鱼县、通山县、崇阳县、通城县），总面积9 861 km2，处于幕阜山脉向江汉平原过渡地带。咸宁市南部属幕阜山系余脉，北部属于江汉平原。咸宁市区的植被为常绿阔叶林，含有丰富的树木资源种类，2012年全市的植被覆盖率达到53.4%[4]。
研究所用的Landsat-8和GF-1数据分别来自地理空间数据云和遥感集市，其中Landsat-8数据4景，GF-1数据1景。成像时间选择在植被生长较好的季节，原因是因为该时间段的植被覆盖率比较好，解译出来的结果可靠性更高。另外，在数据选取时还要考虑到云量的百分比，云量越低，云层对地物解译的影响越小，越便于地物的正确解译[5]。Landsat-8数据为研究区2016年的遥感影像，空间分辨率为30 m；GF-1数据为同期的数据，空间分辨率为16 m[6]。Landsat-8和GF-1数据特征见表1。
1.2研究方法
采用遥感影像土地利用数据提取对比及3S综合分析法，以RS、GIS和GPS为理论基础，以ENVI、ArcGIS分析处理软件为核心，实现对2种传感器影像土地利用数据提取的综合比较分析。以RS技术为支撑，以咸宁市全市范围的中分辨率的Landsat-8影像和高分辨率GF-1影像作为研究的数据源，以ENVI 5.1遥感软件为主，以ArcGIS软件为辅，对影像数据进行相关分析处理，主要包括辐射定标、大气校正、数据融合、裁剪和拼接、影像解译、结果定性定量对比分析等。遥感影像分类准确性是后续分析的基础，支持向量机（Support vector machine，SVM）分类可以利用径向基函数将低维空间向量机映射到高维空间，从而在高维空间寻找线性分隔超平面使线性分隔最大。常用的径向基函数公式为： K（X，XC）=exp（-‖x-xc‖22σ2） （1）
式中， K（X，XC） 为空间中任一点 X 到某一中心 XC 之间欧氏距离的单调函数，XC 为核函数中心，σ为函数的宽度参数（径向作用范围）[7]。
SVM解决了小样本情况下的机器学习问题，是一种有坚实理论基础的新颖的小样本学习方法。从本质上看，它避开了从归纳到演绎的传统过程，实现了高效的从训练样本到预报样本的“转导推理”，大大简化了通常的分类和回归等问题，提高泛化性能，解决高维和非线性问题，又可以避免神经网络结构选择和局部极小点问题。利用SVM进行遥感影像分类具有较高的分类精度，具有明显的技术优势与应用前景。该研究技术路线如图1所示。
1.3土地利用数据提取
1.3.1分类系统制定。
分类体系建立参考国土资源部《土地利用现状分类》一级分类系统，并考虑所用数据及研究区土地覆盖类型的特点，最终确定将研究区的土地利用类型划分为林地、草地、水域、耕地、建设用地以及裸地6类。
1.3.2土地利用分类。
该研究选用计算机自动分类法中的支持向量机（SVM）分类作为监督分类方法，主要原因是因为该方法能够自动寻找对分类有较大区分能力的支持向量，能最大化地拉开类与类之间的间隔，且具有较高的精确度[8]。由于原始影像数据及不同分类器自身的原因等，对计算机自
动分类的结果一般需要进行分类后处理，如合并分类结果中的细小斑块、孤立点去除后进行筛选和聚类处理。再经过上述支持向量机分类的方法将中高等遥感影像中各地类分离出来，同样还会存在一部分像元偏离了径向基函数中σ的径向作用范围，从而在分类时可能出现一些错分或者漏分的现象，导致精度要求难以达到要求，因而需要对分类后的结果进行分类后处理，后处理结果如图2所示。
2结果与分析
利用上述支持向量机的分类方法对2幅遥感影像进行分类，直观地对比了2幅分类结果图，发现林地的面积最大，分布在咸宁市各个区域，且以中西部、北部和东南部为主，建设用地分布的大致范围也都在6个城区的位置，Landsat-8和GF-1影像的分类结果较为一致，分类结果见图3。
2.1样本可分离性比较
光谱可分离性（Spectral separability）是衡量各类别可分离性，确定各类别间差异程度的重要指标，这也在一定程度上反映后续监督分类的精度。由光谱可分离度的计算结果可知，Landsat-8和GF-1農田和林地分离度分别1.949 02和1.916 03，水域和裸土的类别可分离度为1.999 23和1.999 08，这说明在蓝光波段、绿光波段和红光波段Landsat-8各地物的反射率略大于GF-1，Landsat-8在光谱可分离性方面优于GF-1。
2.2分类面积比较
能够最直观地反映2种影像监督分类后主要地类差异的就是各地类的面积。在对分类结果分析后提取了在2个传感器上各地类的面积，再经过分类统计后分别获得了Landsat-8和GF-1各个影像ROIs地类面积和所占百分比的对比数据，由于分类面积统计中包含未分类的面积（背景面积），因此真实的地类面积百分比=地类百分比/（1-未分类百分比）×100%，可以根据此公式计算出各地类占总面积的百分比，主要地类面积百分比如表2所示。
从表2可以看出，Landsat-8分辨出的林地面积百分比（55.69%）高于GF-1（48.34%），据统计咸宁市林地覆盖率在53%左右，因此基于Landsat-8图像上分类出的林地更接近于真实值。
Landsat-8耕地面积百分比为18.49%，GF-1耕地面积百分比为12.39%，从分类后的结果来看，耕地大多分布在咸宁市的北部，根据实地考察目视解译的结果可知，嘉鱼县（咸宁市北部）北部基本为种植基地和少部分的水产养殖基地，再对比地类分布图可看出GF-1错将少部分耕地分为林地，因此Landsat-8在林地与耕地的分类能力上要好于GF-1，主要是因为传感器的不同，使得红光与近红外波段的光谱响应函数不同，造成GF-1在林地上的接收信号弱于Landsat-8。建设用地和草地在GF-1影像上的面积百分比均比Landsat-8影像更接近于真实值（5.92%和1312%），说明在零碎分布地物类型方面GF-1的分类效果要好于Landsat-8。
2.3分类精度评价
为了检验分类样本的精度和准确性，需要对样本分类图进行校验和检测，像监督分类一样选取训练样本，但这些样本需要选择纯净像元，所谓纯净像元就是一个或者多个相同灰度值的像元，且每个地类需要的样本数不宜过多，然后采用支持向量机方法进行分类，并对分类结果进行精度评价。
Landsat-8的分类总精度为85.76%，比GF-1的分类总精度（88.38%）低，分类结果较为理想。二者的Kappa系数分别为0.807 1 和0.820 4，均大于0.8，数据可靠性很高，且GF-1的Kappa系数大于Landsat-8，说明GF-1分类效果较好。对比Ground Truth中耕地的数据发现，Landsat-8对耕地的真实性（80.03%）高于GF-1（77.04%），其主要原因是波谱响应函数的差异造成GF-1将有些耕地误分为林地，Landsat-8在耕地方面的分类精度要高于GF-1。
GF-1对建设用地的分类精度明显高于Landsat-8，因为在研究区分布较多水域、细小河流、村庄和城镇的区域地物类型较为复杂，在具有更高分辨率的GF-1影像上混合像元少，细节信息和纹理较Landsat-8更明显，从而分类效果更好。GF-1将部分未使用耕地或者部分收割农田划分为裸地，是造成裸地分类精度低于Landsat-8的主要原因。
3结论
不同传感器参数的数据对土地利用分类结果有不同的影响，Landsat-8在耕地与林地、水域与裸地的地物可分离性方面高于GF-1，而且对提取出的林地面积百分比和耕地面积百分比更接近于真实值，原因是波谱响应函数造成的差异使得Landsat-8对林地类型的接受信号好于GF-1。另外，Landsat-8蓝光波段、绿光波段和红光波段的光谱可分离性方面优于GF-1，因此在林地方面Landsat-8的分类精度高于GF-1。GF-1的混淆矩阵中，建设用地的真实性明显比Landsat-8的要高，而且GF-1具有较高的分辨率优势，这也可以说明GF-1对零碎分布地物类型的分类效果要好于Landsat-8。
总体来看，GF-1的分类效果要好于Landsat-8。Landsat-8和GF-1的分类精度分别为85.76%和88.38%，其Kappa系数分别为0.807 1和0.820 4。Landsat-8数据幅宽相对窄、重访周期长、分辨率低等局限性限制了该系列卫星只适合中低尺度的研究，而GF-1的高空间分辨率影像数据的大幅宽与重访周期短等优点使其在土地利用数据提取方面效果显著，精度较高，因此在土地覆盖分类研究中具有更广阔的应用前景。
参考文献
[1]
董墨，王树力.基于中分辨率遥感影像土地利用类型信息提取及动态[J].东北林业大学学报，2016（3）：95-100.
[2] 李芬.资源三号卫星数据在土地利用遥感监测中的应用研究[D].长春：吉林大学，2013.
[3] 宋军伟，张友静，李鑫川，等.基于GF1与Landsat8影像的土地覆盖分类比较[J].地理科学进展，2016，35（2）：255-263.
[4] 方世明，郑斌.区域城市化与经济协调发展测度研究：以咸宁市为例[J].中国地质大学学报（社会科学版）， 2010，10（5）：112-118.
[5] 桂玲，孙华，陈利.基于中等分辨率遥感影像的桃源县竹林信息提取研究[J].中国农学通报， 2012，28（1）：85-91.
[6] 孙家波，曲杰卿，张超，等.基于高分辨率遥感影像的土地利用信息提取系统的设计与实现[J].测绘与空间地理信息，2012，35（11）：12-15.
[7] 刘世英，李宗仁，皮英楠.基于Landsat8与GF1卫星数据的青海省湿地遥感调查及成果[J].青海国土经略，2016（1）：55-59.
[8] 卢伟，文鸿雁，李淑.基于SVM的遥感影像空间特征提取和分类研究[J].山西建筑，2009，35（5）：10-12.