基于时空波段集构建与面向对象的高空间分辨率遥感影像林地占用检测

doi:10.13466/j.cnki.lczyyj.2025.05.012

林草资源研究 ›› 2025›› Issue (5): 105-113.doi: 10.13466/j.cnki.lczyyj.2025.05.012

基于时空波段集构建与面向对象的高空间分辨率遥感影像林地占用检测

刘晓双¹^,²(), 贾毅立¹^,²(), 赵义兵¹^,²

1.国家林业和草原局西北调查规划院, 西安 710048
2.旱区生态水文与灾害防治国家林草局重点实验室, 西安 710048

收稿日期:2024-10-29 修回日期:2025-08-28 出版日期:2025-10-28 发布日期:2026-04-17
通讯作者: 贾毅立,正高级工程师,主要研究方向为森林调查规划设计。Email:664300285@qq.com
作者简介:刘晓双,高级工程师,主要研究方向为森林资源监测。Email:148442221@qq.com
基金资助:
“十四五”国家重点研发计划“典型森林生态系统韧性调控机制与适应性管理”(2023YFE0105100-5);国家林草局自主研发项目计划“基于计算机自动识别技术的森林资源遥感监测方法研究”(2020-LC-1-08)

Forest land occupation detection in high spatial resolution remote sensing based on spatiotemporal waveband set construction and object-oriented approach

LIU Xiaoshuang¹^,²(), JIA Yili¹^,²(), ZHAO Yibing¹^,²

1. Northwest Surveying and Planning Institute of National Forestry and Grassland Administration, Xi'an 710048,Shaanxi, China
2. Key Laboratory of National Forestry Administration on Ecological Hydrology and Disaster Prevention in Arid Regions, Xi'an 710048, China

Received:2024-10-29 Revised:2025-08-28 Online:2025-10-28 Published:2026-04-17

摘要/Abstract

摘要：

为提高森林资源监测自动化水平与效率,满足高空间分辨率、大尺度、混合时相及多数据源条件下的森林资源监测需求,采用时空波段集构建与面向对象的多尺度聚类分割方法,对林地占用区域变化进行检测。以陕西省凤翔区为研究区,基于2020年和2021年2期高分一号、高分六号和资源三号3种遥感影像数据,进行波段筛选与特征集构建,通过多尺度区域生长聚类方法将像元级影像聚合为对象单元;在对象级层面综合利用光谱数字量化值与NDVI特征设定阈值,实现林地占用区域的自动检测。结果表明:时空波段集构建与面向对象的多尺度分割方法能够有效分割变化区域和非变化区域,林地占用自动检测精度为82.9%,自动检测得到的地块轮廓与实际占地轮廓之间接近度评价为“较高”以上的结果占75.3%,边界提取准确性和检测效率优势显著。相较于主流的基于像元或面向对象的分类后检测法,时空结合的高维分割方法可有效简化操作流程,在林地占用地块检测中能辅助目视解译,提升对森林资源破坏行为的发现效率。

关键词: 林地占用, 变化检测, 面向对象, 波段集构建, 多尺度分割

Abstract:

To enhance the automation level and efficiency of forest resource monitoring,we adopted spatiotemporal waveband set construction to meet the requirements of high spatial resolution,large scale,mixed temporal phases,and multi-source data.Object-oriented multi-scale clustering segmentation was employed to conduct change detection in forest-occupied areas.Taking Fengxiang District in Shaanxi Province as an example,data band screening and waveband set construction for two periods(2020 and 2021)were carried out using three types of remote sensing image data:Gaofen-1,Gaofen-6,and Ziyuan-3.Through multi-scale region-growing clustering,pixel-level images were aggregated into object units.At the object level,a threshold was set using the joint features of spectral digital numbers and NDVI to achieve automatic detection of forest-occupied areas.The results show that the spatiotemporal waveband set construction and multi-scale object-oriented segmentation method can effectively separate changed areas from unchanged areas.The automatic detection accuracy of occupied forest land was 82.9%.75.3% of the automatic detection plot contour and the actual occupied land contour were evaluated as "high",and the edge extraction accuracy and detection efficiency had significant advantages.Compared with the mainstream post-classification detection methods based on pixels or object-oriented approaches,this method effectively simplifies the operation process by using high-dimensional segmentation that combines space and time,and can be applied to detect changes in forest-occupied land plots,assisting visual interpretation,thereby improving the detection efficiency of behavior that damages forest resources.

Key words: occupied forest, change detection, object-oriented, waveband set construction, multi-scale segmentation

中图分类号:

S771.8
TP79

刘晓双, 贾毅立, 赵义兵. 基于时空波段集构建与面向对象的高空间分辨率遥感影像林地占用检测[J]. 林草资源研究, 2025,(5): 105-113.

LIU Xiaoshuang, JIA Yili, ZHAO Yibing. Forest land occupation detection in high spatial resolution remote sensing based on spatiotemporal waveband set construction and object-oriented approach[J]. Forest and Grassland Resources Research, 2025,(5): 105-113.

图/表 9

表1

图1

表2

表3

图2

表4

表5

表6

表7

参考文献 36

[1]	张煜星, 王雪军, 黄国胜, 等. 森林面积多阶遥感监测方法[J]. 林业科学, 2017, 53(7):94-104.
[2]	吴田军, 胡晓东, 夏列钢, 等. 基于对象级分类的土地覆盖动态变化及趋势分析[J]. 遥感技术与应用, 2014, 29(4):600-606. doi: 10.11873/j.issn.1004-0323.2014.4.0600
[3]	林欣怡, 汪小钦, 汤紫霞, 等. 基于面向对象CNN和RF的不同空间分辨率遥感影像农业大棚提取研究[J]. 遥感技术与应用, 2024, 39(2):315-327. doi: 10.11873/j.issn.1004-0323.2024.2.0315
[4]	刘宣广, 李蒙蒙, 汪小钦, 等. 基于面向对象孪生神经网络的高分辨率遥感影像建筑物变化检测[J]. 遥感学报, 2024, 28(2):437-454.
[5]	ZHOU Huiping, JIANG Hong, HUANG Qinghua. Landscape and water quality change detection in urban wetland:A post-classification comparison method with IKONOS data[J]. Procedia Environmental Sciences, 2011, 10:1726-1731. doi: 10.1016/j.proenv.2011.09.271
[6]	ARDILA J P, BIJKER W, TOLPEKIN V A, et al. Multitemporal change detection of urban trees using localized region-based active contours in VHR images[J]. Remote Sensing of Environment, 2012, 124:413-426. doi: 10.1016/j.rse.2012.05.027
[7]	SANTOSH C, KRISHNAIAH C, PRAVEEN G D. Land use/land cover and change detection in chikodi taluk,belagavi district,karnataka using object based image classification[J]. International Journal of Engineering and Advanced Technology(IJEAT), 2019, 9(1):1522-1527.
[8]	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. doi: 10.11849/zrzyxb.2014.09.013
[9]	ROBERTSON L D, KING D J. Comparison of pixeland object-based classification in land cover change mapping[J]. International Journal of Remote Sensing, 2011, 32(6):1505-1529. doi: 10.1080/01431160903571791
[10]	WU Qiong, ZHONG Ruofei, ZHAO Wenji, et al. A comparison of pixel-based decision tree and objectbased Support Vector Machine methods for land-cover classification based on aerial images and airborne lidar data[J]. International Journal of Remote Sensing, 2017, 38(23):7176-7195. doi: 10.1080/01431161.2017.1371864
[11]	吴金胜, 刘红利, 张锦水. 无人机遥感影像面向对象分类方法估算市域水稻面积[J]. 农业工程学报, 2018, 34(1):70-77.
[12]	周小成, 庄海东, 陈铭潮, 等. 面向小班对象的森林资源变化遥感监测方法:以福建省厦门市为例[J]. 资源科学, 2013, 35(8):1710-1718.
[13]	杨振兴, 文哲, 张贵, 等. 基于Sentinel-2A数据的森林覆盖变化研究[J]. 中南林业科技大学学报, 2020, 40(8):53-62.
[14]	王崇阳, 田昕. 基于GF-1 PMS数据的森林覆盖变化检测[J]. 遥感技术与应用, 2021, 36(1):208-216. doi: 10.11873/j.issn.1004-0323.2021.1.0208
[15]	MORGAN J L, GERGEL S E. Quantifying historic landscape heterogeneity from aerial photographs using object-based analysis[J]. Landscape Ecology, 2010, 25(7):985-998. doi: 10.1007/s10980-010-9474-1
[16]	HURSKAINEN P, ADHIKARI H, SILJANDER M, et al. Auxiliary datasets improve accuracy of object-based land use/land cover classification in heterogeneous savanna landscapes[J]. Remote Sensing of Environment, 2019, 233:1726-1731.
[17]	林津, 洪宇, 林志玮, 等. 福建泉州湾河口湿地时空动态及其驱动机理[J]. 北京林业大学学报, 2021, 43(6):75-82.
[18]	汪红, 刘兴明, 赵传燕, 等. 基于面向对象的RF算法白水江自然保护区土地利用及景观格局时空演变特征分析[J]. 兰州大学学报(自然科学版), 2021, 57(4):427-436.
[19]	QIN Yao, NIU Zhi, CHEN Feng. Object-based land cover change detection for cross-sensor images[J]. International Journal of Remote Sensing, 2013, 34(19):6723-6737. doi: 10.1080/01431161.2013.805282
[20]	PLATT R V, OGRA M V, BADOLA R, et al. Conservation-induced resettlement as a driver of land cover change in India:An object-based trend analysis[J]. Applied Geography, 2016, 69:75-86. doi: 10.1016/j.apgeog.2016.02.006
[21]	OLMANSON L G, BAUER M E. Land cover classification of the Lake of the Woods/Rainy River Basin by object-based image analysis of landsat and lidar data[J]. Lake and Reservoir Management, 2017, 33(4):335-346. doi: 10.1080/10402381.2017.1373171
[22]	王宁, 陈方, 于博. 基于形态学开运算的面向对象滑坡提取方法研究[J]. 遥感技术与应用, 2018, 33(3):520-529. doi: 10.11873/j.issn.1004-0323.2018.3.0520
[23]	李强, 张景发, 罗毅, 等. 2017年“8.8”九寨沟地震滑坡自动识别与空间分布特征[J]. 遥感学报, 2019, 23(4):785-795.
[24]	SONG Qian, ZHOU Qingbo, WU Wenbin, et al. Mapping regional cropping patterns by using GF-1 WFV sensor data[J]. Journal of Integrative Agriculture, 2017, 16(2):337-347. doi: 10.1016/S2095-3119(16)61392-8
[25]	DORNIK A, DRAGUT L, URDEA P. Classification of soil types using geographic object-based image analysis and random forests[J]. Pedosphere, 2018, 28(6):913-925. doi: 10.1016/S1002-0160(17)60377-1
[26]	李方方, 刘正军, 徐强强, 等. 面向对象随机森林方法在湿地植被分类的应用[J]. 遥感信息, 2018, 33(1):111-116.
[27]	张正健, 李爱农, 雷光斌, 等. 基于多尺度分割和决策树算法的山区遥感影像变化检测方法:以四川攀西地区为例[J]. 生态学报, 2014, 34(24):7222-7232.
[28]	MAO Xuegang, HOU Jiyu. Object-based forest gaps classification using airborne LiDAR data[J]. Journal of Forestry Research, 2019, 30(2):617-627. doi: 10.1007/s11676-018-0652-3
[29]	陈雪, 马建文, 戴芹. 基于贝叶斯网络分类的遥感影像变化检测[J]. 遥感学报, 2005, 9(6):667-672.
[30]	李亮, 舒宁, 王凯, 等. 融合多特征的遥感影像变化检测方法[J]. 测绘学报, 2014, 43(9):945-953. doi: 10.13485/j.cnki.11-2089.2014.0138
[31]	贾永红, 谢志伟, 吕臻, 等. 一种新的遥感影像变化检测方法[J]. 武汉大学学报(信息科学版), 2016, 41(8):1001-1006.
[32]	刘巨峰, 刘勇, 蒋月, 等. 集成基于对象影像分析与贝叶斯软融合的土地覆被变化检测[J]. 兰州大学学报(自然科学版), 2020, 56(2):196-204.
[33]	逄锦娇, 孙睿, 王汶. 高分辨率影像配准误差对土地覆盖分类和变化检测的影响[J]. 遥感技术与应用, 2014, 29(3):498-505. doi: 10.11873/j.issn.1004-0323.2014.3.0498
[34]	杨超, 邬国锋, 李清泉, 等. 植被遥感分类方法研究进展[J]. 地理与地理信息科学, 2018, 34(4):24-32.
[35]	连喜红, 祁元, 王宏伟, 等. 基于面向对象的青海湖环湖区居民地信息自动化提取[J]. 遥感技术与应用, 2020, 35(4):775-785. doi: 10.11873/j.issn.1004-0323.2020.4.0775
[36]	陆海霞, 刘勇, 张寅丹, 等. 集成机器学习与面向地理对象影像分类的大区域林地信息提取及其泛化能力探讨[J]. 兰州大学学报(自然科学版), 2020, 56(3):363-370.

年份	数据源	全色分辨率/m	多光谱分辨率/m	轨道号	获取日期
2020	高分一号	2.0	8.0	E107.1 N34.6	2020-07-30
				E107.1 N34.6	2020-07-30
				E107.1 N34.7	2020-07-25
				E107.7 N34.1	2020-07-23
	资源三号	2.1	5.8	041711_019138	2020-07-14
	资源三号	2.1	5.8	041711_019139	2020-07-14
2021	高分一号	2.0	8.0	E106.9N34.7	2021-06-05
	高分六号	2.0	8.0	E107.8N34.3	2021-06-24
	资源三号	2.1	5.8	022305_020138	2021-06-05
	资源三号	2.1	5.8	022305_020139	2021-06-05

波段编号	年份	波段名称	波长/nm
Band1	2020	近红外(Near-infrared)	770~890
Band2	2020	红(Red)	630~690
Band3	2020	绿(Green)	520~590
Band4	2021	近红外(Near-infrared)	770~890
Band5	2021	红(Red)	630~690
Band6	2021	绿(Green)	520~590

评价指标	评价标准	评价结果/个		评价结论
评价指标	评价标准	是	否	评价结论
欠分割	$\frac{{L}_{\mathrm{C}\mathrm{H}}}{L}$<1 记为“是”,反之记为“否”。	0	13	合格
过分割	$\frac{{\overline{S}}_{\mathrm{F}\mathrm{W}\mathrm{N}}}{\frac{}{\overline{S}}}$<80% 记为“是”,反之记为“否”。	0	13	合格

检测方法	检测结果	对照组		评价结果
检测方法	检测结果	检出	未检出	生产者精度(检出率)	遗漏率
自动检测	检出	97	34	82.9%	17.1%
自动检测	未检出	20		82.9%	17.1%

综合评价	评价等级
综合评价	高	较高	一般	低
标准	[90%,100%]	[80%,90%)	[60%,80%)	[0,60%)
个数	51	22	11	13
占比/%	52.6	22.7	11.3	13.4

基于时空波段集构建与面向对象的高空间分辨率遥感影像林地占用检测

Forest land occupation detection in high spatial resolution remote sensing based on spatiotemporal waveband set construction and object-oriented approach

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 36

相关文章 15

编辑推荐

Metrics

本文评价

两期影像及检测效果	评价等级
两期影像及检测效果	高	较高	一般	低
2020年影像
2021年影像
人工解译图斑
自动检测图斑

综合评价	检测精度		检测效率
综合评价	生产者精度 (检出率)/%	轮廓接近度较高以上占比/%	单位面积耗时/ (min/km²)
基于时空波段集构建与面向对象的检测方法	82.9	75.3	12
基于像元分类后检测法	79.5	25.8	67
基于对象分类后检测法	84.2	62.7	43

[1]	谢文春, 李强峰, 李艳春, 吴振山, 杨正凡. 基于面向对象的吉林一号遥感影像湿地植被群落分类[J]. 林业资源管理, 2023, 0(1): 141-152.
[2]	周辰琴, 余拥军, 方陆明, 刘雨真, 胡建锦. 飞行高度与郁闭度对水杉冠幅提取影响的研究[J]. 林业资源管理, 2022, 0(1): 150-156.
[3]	兰玉芳, 石小华, 马胜利, 王照利, 靳新. 中分卫星遥感技术在森林资源动态监测中的应用[J]. 林业资源管理, 2021, 0(3): 154-159.
[4]	张殿岱, 王雪梅. 基于高分辨率遥感影像的植被分类方法比较[J]. 林业资源管理, 2021, 0(3): 108-113.
[5]	金忠明, 曹姗姗, 王蕾, 孙伟. 天山云杉林无人机可见光影像树冠信息提取方法研究[J]. 林业资源管理, 2020, 0(1): 125-135.
[6]	赵勋, 岳彩荣. 基于遥感数据的林地变化检测方法研究[J]. 林业资源管理, 2019, 0(1): 101-108.
[7]	梁文海, 刘吉凯, 陈琦, 陈显栋, 钟仕全. 基于面向对象方法的GF-2影像桉树信息提取对比分析[J]. 林业资源管理, 2017, 0(6): 54-59.
[8]	王枚梅, 林家元, 林沂, 李翊. 基于无人机可见光影像的亚高山针叶林树冠参数信息自动提取[J]. 林业资源管理, 2017, 0(4): 82-88.
[9]	牟怀义. 多源高分辨率卫星遥感影像监测林地动态变化研究[J]. 林业资源管理, 2016, 0(4): 107-113.
[10]	李春干, 梁文海. 面向对象遥感图像森林变化检测的工程化应用方法[J]. 林业资源管理, 2015, 0(6): 137-143.
[11]	孟雪, 温小荣, 林国忠, 佘光辉. 基于资源3号卫星的面向对象地类信息提取方法研究[J]. 林业资源管理, 2015, 0(4): 104-108.
[12]	滕全晓, 徐天蜀. 基于ALOS遥感影像植被分类方法的比较研究[J]. 林业资源管理, 2015, 0(4): 69-72.
[13]	杨飞, 刘丽峰, 王学成. 基于面向对象方法和SPOT5的丘陵山区林地分类研究[J]. 林业资源管理, 2014, 0(5): 92-99.
[14]	牟智慧, 杨广斌. 基于TM影像面向对象的桉树信息提取[J]. 林业资源管理, 2014, 0(2): 119-125.
[15]	付强, 代华兵, 薛晓坡. 高分辨率遥感影像森林覆盖变化检测研究[J]. 林业资源管理, 2013, 0(5): 76-79.