基于高分辨率遙感影像的面向?qū)ο蟪鞘型恋馗脖环诸惐容^研究

1、第卷第期年月遙感技術(shù)與應(yīng)用基于高分辨率遙感影像的面向?qū)ο蟪鞘型恋馗脖环诸惐容^研究，仇江嘯，王效科（中國科學(xué)院生態(tài)環(huán)境研究中心城市與區(qū)域生態(tài)國家重點實驗室，北京；）中國科學(xué)院研究生院，北京摘要：針對高分辨率遙感影像的城市土地覆被信息提取，根據(jù)分類目的與精度要求的不同，分別引入了優(yōu)化與廣義兩種面向?qū)ο蠓诸惙桨?，并對分類的結(jié)果進行分析比較。結(jié)果表明：優(yōu)化方案的分類結(jié)果總體上要比廣義方案好，前者的總體精度為相比后者的，提高了而總體但是該方案效率低，可移植性差；，系數(shù)提高了，廣義方案的分類結(jié)果雖然精度略低，但是該方案具有很強的適用性與可移植性，能夠在精度可控范圍內(nèi)，很大程度提實現(xiàn)系統(tǒng)而有效的自動分類；在

2、利用其高分類效率，廣義方案得到的分類結(jié)果具有一致的精度，建立城市生態(tài)模型中能夠保證數(shù)據(jù)之間的系統(tǒng)性與魯棒性。因此，利用優(yōu)化方案能夠提高分類結(jié)果的絕對精度，而廣義方案對于實時精確獲取城市土地覆被信息、小尺度上定量監(jiān)測與評價城市化的生態(tài)后果以及有效開展城市土地規(guī)劃與管理具有更重要的意義。關(guān)鍵詞：土地覆被分類；高分辨率遙感影像；面向?qū)ο?；?yōu)化分類方案；廣義分類方案（）中圖分類號：；文獻標(biāo)志碼：文章編號：引言城市化趨勢的不斷加速，劇烈地改變了地表形態(tài)和原本自然的生態(tài)學(xué)過程，使得局部區(qū)域生態(tài)系過程、功能和動態(tài)變化受到顯著的影響或統(tǒng)的結(jié)構(gòu)、，發(fā)生不可逆轉(zhuǎn)的變化因此有必要對城市化的生。城市土地覆被態(tài)后果及時

3、進行定量監(jiān)測和評價單個像素的光譜灰度特征參與分類，不能有效利用導(dǎo)高分辨率遙感影像豐富的空間結(jié)構(gòu)和紋理信息，致分類結(jié)果存在嚴(yán)重的“椒鹽效應(yīng)”視覺效果差，區(qū)分“同物異譜”和“異物同譜”現(xiàn)象的能力也十分有限，；并不適合高分辨率遙感影像的信息提取目視解譯雖然可以獲得較好的分類結(jié)果，但效率低，具有主觀性強和非定量性的缺陷，分類技術(shù)的可移植性差。為了能充分利用高分辨率遙感影像描述復(fù)雜地物的優(yōu)越性，實現(xiàn)城市詳細地表信息的精確提取，面。該分類方法處向?qū)ο蟮男畔⑻崛〖夹g(shù)應(yīng)運而生變化對城市地表徑流、生境分布、局部氣候等有重要，是決定城市生態(tài)環(huán)境質(zhì)量的重要因素，同的影響時也是城市生態(tài)評價、合理規(guī)劃與建設(shè)的基礎(chǔ)，因而

4、快速準(zhǔn)確地獲取其信息十分重要。隨著遙感技術(shù)的發(fā)展，高分辨率遙感影像以其細節(jié)更加清晰、信息更加豐富等特點，應(yīng)用越來越廣泛，尤其在用地類型多樣、結(jié)構(gòu)復(fù)雜以及高度空間異質(zhì)性的城市環(huán)境中實。然而，現(xiàn)土地覆被信息的精確提取傳統(tǒng)的基于，理的基本單元是“影像對象”而不是單個的像，“影像對象”是通過多尺度影像分割產(chǎn)生的，元即按照一定的均質(zhì)性條件對原始影像中的像元進行，區(qū)域合并形成同質(zhì)相鄰像元的集合體因而不僅更多的是可以利用影像可以利用地物的光譜信息，的空間位置、形狀特征、紋理參數(shù)以及上下文之間的像素的分類技術(shù)針對的是中低分辨率影像，只利用；收稿日期：修訂日期：基金項目：中國科學(xué)院知識創(chuàng)新工程重要方向項目（和城

5、市與區(qū)域生態(tài)國家重點實驗室自主項目（）共同資助。，：作者簡介：仇江嘯（男，碩士研究生，從事遙感地學(xué)應(yīng)用和城市景觀格局研究。）。，通訊作者：王效科（男，研究員，博士生導(dǎo)師，主要從事區(qū)域和城市生態(tài)、生物地球化學(xué)循環(huán)和遙感技術(shù)應(yīng)用研究。）：。遙感技術(shù)與應(yīng)用第卷語義關(guān)系等屬性，同時還能有效地結(jié)合多源數(shù)據(jù)（如，雷達和專題數(shù)據(jù)等）在決策專家支持的模糊分類思。相比想指導(dǎo)下確定分割對象最終的所屬類別研究區(qū)域與數(shù)據(jù)來源本文以北京市五環(huán)以內(nèi)的建成區(qū)為研究區(qū)域，總面積為該區(qū)域地勢平坦，平均海拔較傳統(tǒng)的影像分類方法，面向?qū)ο笮畔⑻崛〖夹g(shù)采用多尺度影像分割和基于分割的分類，從模擬人類視覺理解的角度出發(fā)，將像素集合得到有

6、意義的對實現(xiàn)原始影像從目標(biāo)尺度空間到語義尺度空間象，的表達，最大程度地利用影像的空間和光譜信息，更。加適合城市用地的精確分類左右，屬暖溫帶半濕潤氣候區(qū)，是北京的政治、科研、教育文化和居民居住中心。改革開放以來，隨著現(xiàn)北京市建代化建設(shè)全面開展和城市化進程的加劇，成區(qū)的用地結(jié)構(gòu)和空間形態(tài)發(fā)生了很大的變化。本研究利用北京市年月獲取的并選取中心城區(qū)遙感影像，列×該區(qū)域清晰地反映城市行的區(qū)域作為研究區(qū)，的空間結(jié)構(gòu)，涵蓋了典型的用地類型，體現(xiàn)了城市環(huán)境的高度異質(zhì)性與復(fù)雜性，如圖所示。研究采用綠、紅、近紅外個的遙感影像具有藍、多光譜波段和一個全色波段，空間分辨率分別為和。原始影像的全色波段以地形圖

7、為基準(zhǔn)，利用多項式和最鄰近內(nèi)插法進行幾何精校正，保證誤差在一個像元之內(nèi)。多光譜波段利用以校正后的全色波段為地理空間參考，并的模塊進行自動匹配校正，控制誤差小于幾何校正的數(shù)學(xué)基礎(chǔ)選個像元，擇投影坐標(biāo)系統(tǒng)和橢球體。近年來，國內(nèi)外很多研究探討基于高分辨率遙感影像的面向?qū)ο蠓诸惙椒ㄌ崛〕鞘型恋馗脖恍畔?、監(jiān)測城市景觀格局的動態(tài)變化，得到了較好的結(jié)。但是，果很少有關(guān)于不同面向?qū)ο蠓诸惙桨傅某鞘型恋馗脖环诸惐容^研究。本文基于北京市中心城區(qū)的根據(jù)分類高分辨率遙感影像，目的和精度要求的不同，在的支持分別引入優(yōu)化與廣義兩種面向?qū)ο蠓诸惙桨柑嵯拢〕鞘型恋馗脖恍畔?，并對兩者的分類結(jié)果進行了，優(yōu)化分類方案”是通過選擇

8、訓(xùn)練分析比較。所謂“樣本建立特征空間，利用最鄰近函數(shù)與模糊隸屬函，數(shù)參與分類，而“廣義分類方案”則是采用獨立于樣本空間的模糊分類規(guī)則進行分類。圖研究區(qū)位置及多光譜遙感數(shù)據(jù)研究方法本文在多尺度影像分割和分類體系的基礎(chǔ)上，采用優(yōu)化和廣義兩種不同面向?qū)ο蠓诸惙桨笇ρ芯繀^(qū)進行土地覆被信息提取試驗，并對分類結(jié)果進行比較分析。優(yōu)化分類方案結(jié)合最鄰近分類與模糊隸屬函數(shù)分類法，旨在最大可能地提高單一影像的分類精度，而廣義分類方案的目的是提高分類系統(tǒng)和實現(xiàn)有效而系統(tǒng)的分類規(guī)則的適用性與可移植性，自動分類。第期仇江嘯等：基于高分辨率遙感影像的面向?qū)ο蟪鞘型恋馗脖环诸惐容^研究多尺度影像分割多尺度影像分割不僅是面向?qū)?/p>

9、象信息提取和目而且能夠表達不同尺度上的標(biāo)識別的前提和基礎(chǔ)，景觀特征和空間異質(zhì)性，分割質(zhì)量的高低也直接影響后續(xù)處理的精度，因而如何確定最優(yōu)分割參數(shù)就。多尺度分割產(chǎn)生不同尺度的影顯得尤為重要色和形狀參數(shù)共同構(gòu)成了影像多尺度分割中的均質(zhì)性標(biāo)準(zhǔn)，其中顏色因子，即影像的光譜特征，是區(qū)分因而在影像分割的過程很多地物類別的重要依據(jù)，中通常被設(shè)為較高的值，而形狀因子則是由緊湊度和光滑度兩個參數(shù)組成，這個因子有利于城市土地分類中規(guī)則地物和顯著紋理特征地物的提取。為了能夠充分利用影像的光譜和空間信息，本研究在影像分割的過程中同時導(dǎo)入全色波段和多光譜波段，并根據(jù)研究區(qū)地物的特點，通過尺度參數(shù)分析工具反復(fù)嘗試得出不同

10、地物最適宜的分割參數(shù)，在此基礎(chǔ)上構(gòu)建具有。一級小兩個層次的多尺度影像分割等級網(wǎng)（表）尺度對象層生成的影像對象數(shù)量最多、面積最小，能二級大尺度對象層在夠表達需要分類的最小地物；一級對象層的基礎(chǔ)上用光譜差異模式（），進行二次分割（尺度大小為該層置于一級之上。各對象層次之間存在繼承關(guān)系，上層較大影像對象是由下層子對象合并而成（）。圖有助于利用類像對象層之間存在屬性間繼承關(guān)系，別之間的語義關(guān)系和拓?fù)湫畔崿F(xiàn)更為準(zhǔn)確、精細的信息提取。影響多尺度影像分割的參數(shù)主要包括尺度、顏色和形狀參數(shù)，其中尺度是影像分割過程中最重要的一個參數(shù)，它是判斷某個像素是否合并到鄰近影像對象的標(biāo)準(zhǔn)，決定了影像對象允許合并的最大程

11、分割尺度越小，生成的多邊形數(shù)目越度。一般而言，多，面積越小，形狀越破碎。最優(yōu)分割尺度值是分割得到的多邊形不僅可以清晰勾畫出不同地物類型的而且能夠用一個或幾個對象來表示出這種地邊界，物。最優(yōu)分割參數(shù)的選擇通常依賴于影像的分辨率一般通過試驗對比獲得。顏和待提取的目標(biāo)地物，表多尺度影像分割參數(shù)及不同層上提取的土地覆被信息描述等級層次分割模式分割尺度顏色同質(zhì)性標(biāo)準(zhǔn)一級多尺度形狀多光譜圖層權(quán)重全色二級光譜差異最大光譜差異值緊湊度光滑度，建筑、道路、裸地、水體參數(shù)設(shè)置林地、草地提取信息圖影像分割流程及分割結(jié)果，分割尺度為用于提取城市植被類別信一級：息，包括林地與草地?？紤]到研究區(qū)植被空間分布較為破碎的特點

12、，在影像分割過程中賦予全色波段更高的權(quán)重，以提取面積較小的植被單元；另外附加一個遙感技術(shù)與應(yīng)用第卷（植被指數(shù)）參與分割，可以很好地區(qū)分植被與非植被信息。由于光譜特征是表征植被的重要信息，所以顏色因子，。設(shè)為緊湊度和光滑度分別為和二級：利用光譜差異模式進行二次分割，分割尺度為。由于初始分割生成的影像對象過于破碎，不利于較大的具有典型形狀特征地物（如建筑、道路等）的提取，通過光譜差異模式的二次分割能夠合并把相同覆被類相鄰的具有相似光譜特征值的對象，型的對象歸并成更規(guī)整、更符合實際形狀特征的對象，在該層提取建筑、道路、裸地和水體較為理想。分類體系優(yōu)化與廣義兩種面向?qū)ο蠓诸惙桨妇捎孟嗤?。具體的分類體

13、系，逐級提取土地覆被信息（圖）來說，在一級對象層中，在對影像直方圖分選取峰值作為模糊成員函數(shù)閾值提取析的基礎(chǔ)上，植被信息，利用光譜特征在植被信息中確定林地和草地類別的歸屬。圖優(yōu)化與廣義面向?qū)ο蠓诸惙桨傅姆诸愺w系首先繼承一級對象層中的植在二級對象層中，被信息，并以此為掩膜，利用光譜特征提取水體，由于水體的深淺和渾濁度不同，在影像中反映出來的光譜特征也截然不同，因此需要建立兩個不同的類在水體提取時設(shè)置最小隸別用于水體信息的提取，屬度值為其次，在植被與水體掩膜的基礎(chǔ)上，；進一步提取出裸地與硬化地面。但是，在硬化地面中區(qū)分道路與建筑時，發(fā)現(xiàn)兩者具有相似的光譜響應(yīng)特征，因而僅僅依靠光譜的差異不能進行很好

14、地區(qū)分，但研究發(fā)現(xiàn)兩者的幾何特征有明顯的不同，所以結(jié)合相應(yīng)的幾何特征參數(shù)（形狀指數(shù)和長寬比）就能過達到很好的分類效果。考慮到城市中建筑材顏色和類型各異，其在影像中表現(xiàn)的光譜特征也質(zhì)、因此在提取建筑時建立種不同的類別。隨之不同，最后，將一級與二級對象層中提取的結(jié)果進行疊加并合并相同的覆被類型，得到最終的分類結(jié)果。優(yōu)化面向?qū)ο蠓诸惙桨竷?yōu)化面向?qū)ο蠓诸惙桨冈诖_定的分類體系和影像分割基礎(chǔ)上，結(jié)合最鄰近分類與模糊隸屬函數(shù)分類法，以盡可能提高單一影像的分類精度。其中，最鄰近分類法通過選擇具有代表性的訓(xùn)練區(qū)樣本定義多并根據(jù)影像對象的特征與最近的相鄰特維特征空間，征之間的空間距離計算該對象的隸屬度值，選擇隸屬

15、）。度值最大的類別作為此影像對象的類別（圖本研究中采用的是標(biāo)準(zhǔn)最鄰近分類法（），共選擇通過個樣本對象，特征空間優(yōu)化工具（定）義最適宜類別提取的優(yōu)化特征空間，降低特征維數(shù)，以提高目標(biāo)識別效率與區(qū)分能力，并在此基礎(chǔ)上通實現(xiàn)不過對樣本的光譜分析建立合適的分類系統(tǒng)，同層次上土地覆被信息的提取，采用的函數(shù)及參數(shù)設(shè)置見表。第期仇江嘯等：基于高分辨率遙感影像的面向?qū)ο蟪鞘型恋馗脖环诸惐容^研究圖標(biāo)準(zhǔn)最鄰近分類法與模糊隸屬函數(shù)分類法表優(yōu)化面向?qū)ο蠓诸惙桨钢幸?guī)則及函數(shù)的參數(shù)設(shè)置提取信息植被模糊隸屬函數(shù)藍光波段：型：型建筑長寬比：型形狀指數(shù)：型水體、裸地、林地、草地、道路）亮度、藍、綠、紅、近紅、（）亮度、藍、綠、

16、紅、近紅、（最鄰近函數(shù)的特征空間）為影像對象所采用的各個參數(shù)的標(biāo)準(zhǔn)最近鄰函數(shù)的特征值（注：亮度值定義為影像對象所采用的特征參數(shù)中，長寬比為影像對象協(xié)方差所有多光譜波段的均值，矩陣特征值的比值，可近似計算為影像對象外接矩形的長度和寬度之比；而形狀指數(shù)則是描述影像對象規(guī)則程度的一個參數(shù)具體算法如下：長寬比：其中：、分別為影像對象外接矩形的長度和寬度。形狀指數(shù)：其中：和分別是影像對象的周長和面積。而對于僅僅依靠光譜難以區(qū)分的類別，比如硬化路面中的建筑與道路，可以結(jié)合模糊隸屬函數(shù)分該方法是基于規(guī)則的分類方法，通過分析影像類法，對象以及對象間的特征屬性，建立規(guī)則模型進行分類，其思想以模糊集合理論為基礎(chǔ)，

17、認(rèn)為影像對象所是”與“非”的剛性關(guān)系，而是不確屬的類別并不是“定的，通過成員函數(shù)計算的模糊隸屬度值來表示，這種方法在使用一個或極少的最顯著特征就可以區(qū)分。本研究在提取待提取類別的時候最有成效（圖）植被信息以及在硬化地面中區(qū)分道路和建筑時使用），相關(guān)成員函數(shù)（圖提高了分類的效率與精度。圖模糊成員函數(shù)標(biāo)準(zhǔn)化修正的參數(shù)設(shè)置廣義面向?qū)ο蠓诸惙桨竷?yōu)化分類方案雖然分類結(jié)果的精度較高，但是這種方案也存在不可忽視的缺陷。首先，該方案利用訓(xùn)練區(qū)樣本的定義多維特征空間，因此在每次分類的過程中都需要進行重復(fù)的樣本選擇以及繁瑣的其次，由于該分類方案使用的最鄰近特征空間優(yōu)化；遙感技術(shù)與應(yīng)用第卷函數(shù)是依賴基于特定影像樣本

18、的特征空間而存在的，可移植性差，分類規(guī)制不能直接適用在同一影像再的不同區(qū)域或者具有相同質(zhì)量的不同的影像中；者，優(yōu)化分類方案應(yīng)用到不同影像中得到的分類結(jié)果的精度不一致，因而需要對每次的分類結(jié)果分別進行精度評價。鑒于優(yōu)化分類方案的不足，本研究提出了另一種廣義面向?qū)ο蠓诸惙桨?，該方案采用獨立于樣本空間的模糊分類規(guī)則區(qū)分不同的土地覆被類型，具首先對有更高的適用性與可移植性。具體來說，個類別的樣本光譜直方圖進行分析，并根據(jù)類別的光譜響應(yīng)特征交互生成每一個類別指定特征的模糊成員函數(shù)，最終得到不依賴于樣本空間、可移植性高具體采用的函數(shù)及參數(shù)設(shè)置見表。的分類規(guī)則，表廣義面向?qū)ο蠓诸惙桨钢幸?guī)則及函數(shù)的參數(shù)設(shè)置提

19、取信息植被模糊隸屬函數(shù)藍光波段：型：型建筑長寬比：型形狀指數(shù)：型建筑（灰）建筑（紅）建筑（黃）水體（深）型水體（淺）型型林地草地裸地道路交互生成的標(biāo)準(zhǔn)化模糊成員函數(shù)亮度藍光綠光紅光近紅外交互生成的標(biāo)準(zhǔn)化模糊成員函數(shù)，只顯示閾值范圍的缺省函數(shù)類型為正態(tài)型注：前者的分類規(guī)則依賴于樣與優(yōu)化分類方案相比，本的特征空間，后者的分類規(guī)則是由樣本光譜交互生并利用標(biāo)準(zhǔn)化工成獨立于樣本空間的模糊成員函數(shù)，），具對其參數(shù)進行標(biāo)準(zhǔn)化修正（圖提高了模糊成員函數(shù)的可移植性，因而能夠把小區(qū)域的分類規(guī)則應(yīng)用在不同影像或不同研究中，最大程度提高分類規(guī)則的適用性與可移植性，分類結(jié)果如圖所示。分類結(jié)果為了直觀地比較優(yōu)化和廣義方案

20、分類結(jié)果的精度，考慮到研究區(qū)的特點，采用分層隨機抽取樣點的方法進行精度計算，共選擇了這些抽樣個樣點，因而更能準(zhǔn)確地反點在空間和類別上呈均勻分布，。在隨機樣點的基礎(chǔ)上，應(yīng)出分類結(jié)果的精度參考已有的輔助資料，對每個抽樣點進行精確的參，考類別確定，得到混淆矩陣并計算相應(yīng)的生產(chǎn)圖廣義面向?qū)ο蠓诸惙桨傅姆诸惤Y(jié)果者精度、用戶精度、總體精度以及精系數(shù)，度評價結(jié)果如表和表所示。由表可以看出：優(yōu)第期仇江嘯等：基于高分辨率遙感影像的面向?qū)ο蟪鞘型恋馗脖环诸惐容^研究化面向?qū)ο蠓诸惙桨傅目傮w精度為比廣，義面向?qū)ο蠓诸惙桨傅目傮w精度提高了而總體，系數(shù)提高了。就單個類別的分類結(jié)果來看，優(yōu)化方案的精度也較廣義方案高。在優(yōu)化

21、方案的分類結(jié)果中，道路與建筑之間容易錯分，主要原因是部分道路與亮色建筑的光譜響應(yīng)特征相似；而在廣義分類方案中，林地錯分成道，主要是由于建筑陰影的影響，使得部路的較多分在陰影中的林地被歸為了道路，同時也發(fā)現(xiàn)部分。裸地與蓋度低的草地也容易混淆表優(yōu)化方案分類結(jié)果的混淆矩陣和精度評價建筑建筑道路林地草地裸地水體用戶精度道路林地草地裸地水體生產(chǎn)者精度系數(shù)總體精度；總體系數(shù)表廣義方案分類結(jié)果的混淆矩陣和精度評價建筑建筑道路林地草地裸地水體用戶精度道路林地草地裸地水體生產(chǎn)者精度系數(shù)總體精度；總體系數(shù)結(jié)語本文在多尺度影像分割和分類體系的基礎(chǔ)上，基于采用優(yōu)化和廣義兩高分辨率遙感影像，種面向?qū)ο蠓诸惙桨阜謩e進行了

22、北京市中心城區(qū)土總體來說，地覆被分類的比較研究。研究結(jié)果表明，面向?qū)ο蟮姆诸惤Y(jié)果在視覺上更符合自然界地物的克服了傳統(tǒng)基于像素分類方法的“椒鹽”噪客觀特征，聲的影響，在精度上也比傳統(tǒng)影像分類方法有了很大程度的提高。一方面是因為面向?qū)ο蟮男畔⑻崛〖挤诸惖幕g(shù)是基于人類視覺理解的多尺度影像分割，本單元是根據(jù)同質(zhì)性原則得到的具有實際意義的影而不再是單個像素，因而在分類過程中能夠像對象，有效結(jié)合影像的多維信息，包括光譜特征、空間結(jié)構(gòu)、紋理信息以及上下文關(guān)系等；另一方面，面向?qū)ο蠓植粌H能夠利用最鄰近分類，還可以類的算法多元化，結(jié)合模糊成員函數(shù)參與分類。因此，面向?qū)ο蟮姆诸惣夹g(shù)在基于高分辨率遙感影像的城市土

23、地覆被信息提取時，具有很大的優(yōu)勢與潛力。再者，根據(jù)不同的分類目標(biāo)和精度要求，本研究并對兩提出了優(yōu)化與廣義兩種面向?qū)ο蠓诸惙桨?，種分類結(jié)果進行定性、定量的分析比較，得到以下結(jié)論：優(yōu)化方案的分類結(jié)果總體上來說要比廣義方案的分類結(jié)果好，從總體精度和系數(shù)上來看，前者比后者分別提高了而就單和，前者絕大部分類別的生產(chǎn)者精度、用戶個類別而言，因此，在對分精度以及系數(shù)也均比后者高，應(yīng)采用優(yōu)化分類結(jié)果的絕對精度要求高的情況下，類方案，但是該方案的缺點是適用性差、分類時工作量大；但由廣義方案的分類結(jié)果雖然精度略低，因而于其分類規(guī)則具有很強的適用性與可移植性，該方案不再局限于單一的影像分類中，能夠在保證減少絕大部分的冗余工作，提高精度可控的范圍內(nèi)，面向?qū)ο蠓诸惖男剩瑢崿F(xiàn)有效而系統(tǒng)的自動分類；遙感技術(shù)與應(yīng)用第卷得廣義方案的分類規(guī)則應(yīng)用到不用影像分類中，到的結(jié)果在精度上具有一致性，因此該分類方案提取的土地覆被信息在建立城市生態(tài)模型中能夠確保。數(shù)據(jù)之間的系統(tǒng)性與魯棒性，（：周春艷，王萍，張振勇，等，）基于面向?qū)ο笮畔⑻崛〖夹g(shù)的城市用地分類遙感技術(shù)與（）：應(yīng)用，：，（）：，（）：，（）：，本研究的創(chuàng)新之處在于：同時導(dǎo)入多光譜與全色波段參與影