近年来，城市用地类型多样、结构复杂，实现城市用地的精确分类，需要利用具有丰富空间结构和纹理信息的高分辨率遥感影像[1]. 又因城市绿地与植被信息易于改善城市的生态环境、外观风貌和旅游游憩条件，且城市用地的空间结构识别与植被绿化问题已经成为当前研究热点. 因此，研究基于高分辨率遥感影像的植被信息提取方法，对城市规划、国土资源管理等方面有着重要的意义和作用.

从化学分析、光谱分析资料看Y的含量在磷灰石中最高，并且未见到钇的独立矿物，且磷灰石中钇的含量在矿石各粒级相对稳定、变化不大，结合钇的地球化学性质，推测钇以类质同象存在于磷灰石中。而磷灰石又是矿石的主要矿物应为工业利用的主要对象。

周春艳等[1]指出传统基于像素的分类技术主要针对中低分辨率遥感影像，利用单个像素的光谱灰度特征参与分类，不能有效利用高分辨率遥感影像丰富的空间结构和纹理信息，视觉效果差，而且传统的监督分类法中的最大似然法无法区分道路和明亮色建筑物，而面向对象的提取技术可以利用道路的空间特征和影像对象的等级隶属特性将两者区分开. 目前，国内外很多研究表明[2-5]，基于高分辨率遥感影像使用面向对象分类方法提取城市土地覆被信息研究取得了较好的结果. 如仇江啸等[6]针对高分辨率遥感影像引入了优化和广义两种面向对象分类方案，研究表明优化方案的分类结果好于广义方案，但是效率低，可移植性差；广义方案精度略低，但是适用性与可移植性好. 王彩艳等[7]705-714针对资源三号卫星遥感影像，基于面向对象分类法中的隶属度函数分类方法，利用易康软件有效地提取了高分辨率影像中的城市内部用地信息，但是多尺度分割时的分割参数和信息提取时的特征选择及阈值设置等都有一定的主观性. 赵志明等[8]在利用资源三号卫星影像提取建筑物高度信息时，采用面向对象分类方法也成功提取了建筑物轮廓线和阴影信息.

当前，传统的基于像素的遥感分类方法主要依据图像像素光谱特征的相似度进行遥感信息提取，很少考虑结构纹理和关联信息，适用于低分辨率遥感影像中的变化分析，很难用于图像细节丰富的高分辨率遥感影像. 而面向对象分类方法可以依据高分辨率影像的纹理信息、形状信息和上下文等信息，建立自动提取遥感信息的规则，进而提取感兴趣的地物信息[9]. 因此，本文以河北省雄安新区为例，基于高分辨率资源三号卫星遥感影像，为了从影像中提取图像的植被信息，同时保证提取精度与提取效率，在面向对象分类技术中引入了归一化植被指数规则来提高分类精度，进而实现了半自动化的信息提取.

EK2S制种异交结实率高。该不育系盛花期在抽穗后 2～6 d，日开花高峰期在 10：00—11：00，柱头外露率较高，柱头活力强，包颈粒率较低，对赤霉素敏感，制种赤霉素用量为375 g／hm2左右可以解除包颈，分两次喷施，第一次在抽穗5%～10%时喷施，隔天再喷施一次。2017年在湖北省农业科学院粮食作物研究所核心试验区安排了5个EK2S组合的制种试验，花期安排在8月20日左右，其平均异交结实率为56.9%，而相同条件下广占63S为33.8%。

1　研究区概况

实验以河北省雄安新区为研究对象. 雄安新区规划范围涉及河北省雄县、容城、安新3县及周边部分区域，位于太行山东麓，是京津冀地区中心城市之一. 北邻北京市和张家口市，东接廊坊市和沧州市，南与石家庄市和衡水市相连，西部与山西省接壤，介于北纬38°10′～40°00′，东经113°40′～116°20′之间，面积约为1 462 km2，且环绕着华北地区最大的淡水湖——白洋淀，区位优势明显.

2　数据及预处理

2.1　数据

本文使用波段4、波段3和波段2三个波段组合，真实地表的绿色植被区域在影像上显示为红色、砖红色和深红色区域，植被较为集中的地方绿地颜色较为鲜红. 研究区绿地周围伴有水域，颜色偏深蓝色和黑色. 这样可以使研究区标准假彩色与提取后的绿地信息进行很好的目视对比. 在分类过程中采用面向对象分类技术集合临近像元为对象来识别感兴趣的光谱要素，实验区的植被在光谱特性上，通过计算NDVI，明显区别于其他地物，呈现为红色块状.

2.2　数据预处理

针对资源三号卫星影像，由于商业软件无法获取详细的轨道参数，没有相对应的物理模型模块支持，又因资源三号测绘卫星严密成像几何模型转换成PRC模型的拟合精度优于0.15%像元[7]705-714，资源三号测绘卫星可以使用RPC模型代替严密成像几何模型进行测图和其他应用[10]317-322. 因此，本文根据RPC参数，采用有理函数模型和多项式纠正方法进行处理.

在数据预处理过程中，通过大气校正消除大气散射、吸收、反射引起的误差，还原地物的真实信息，是预处理中必不可少的环节；通过几何校正消除因大气传输、传感器本身、地球曲率等因素造成的几何畸变. 原始实验数据已经做了几何校正和相对辐射校正，消除了传感器自身和大气辐射引起的辐射噪声以及由于影像存在薄雾或地形高差较大引起的辐射误差情况.

因此，本文采用无地面控制点，双线性的重采样法，并赋予固定的Fixed决策高程值的正射校正，来消除地形起伏引起的图像变形. 根据县界矢量数据，利用ArcGIS裁剪得到河北省雄安新区的影像数据，如图1所示.

图1　研究区域

实心球投掷项目一直在初中体育课田径部分占有很重要的地位，尤其是作为体育中考的重要项目，虽然是选择性项目，但仍然越来越多地被学生、家长所关注，成为近些年中考体育的重点关注项目。就原地双手向前投掷实心球而言，是发展上肢肌肉的速度力量和爆发力、全身用力素质、腰腹背肌力量以及身体灵活性、协调性的运动项目。对于上肢肌肉的速度力量、快速爆发用力要求较高；对于腰腹背肌的收展用力要求较高；对于全身的灵活协调用力要求较高；对于自身的动作控制力要求较高。

图2　融合前随机选取区域影像

图3　融合后随机选取区域影像

3　植被信息提取

3.1　图像分类及信息提取

图4　数据处理流程图

针对中高分辨率遥感图像特点，将多源数据应用到图像分类，一般采用面向对象特征分类法[11]. 该方法充分利用全色影像的高分辨率，多光谱影像的空间信息、光谱信息和纹理信息进行分割，从而得到高精度结果，数据的处理流程如图4所示. 利用ENVI 中的Find Object 和Feature Extraction模块来进行影像对象的构建和影像对象的分类. 使用基于边缘的分割算法进行分割，通过不同尺度上边界的差异控制，产生从粗到细的多尺度分割，且不同尺度分割产生的图斑效果影响分类精确度，所以需要设置合理的分割系数. 但是分割系数过低，可能导致一些特征被错分，一个特征也有可能被分成很多部分，文献[12]采用合并的方法来解决此问题. 合并算法有Full Lambda Schedule和Fast Lambda两种. 在数据预处理时，需设置合理的分割系数与合并系数，但选取设定规则的阈值有一定主观性，根据文献[7]需要多次反复试验确定. 因此，本文通过多次反复实验最终确定分割系数为50.0，合并系数为98.7，使分类结果达到相对最理想的效果. 图5和图6分别为图像分割预览和分割对象合并预览.

图5　图像分割

图6　分割对象合并

在分割和合并处理后，需要建立分类类别，设置对应的分类属性. 归一化植被指数(Normalized Different Vegetation Index，NDVI)是常用的植被指数，NDVI值的大小代表着绿色植被在像元中的数量. 相关研究通过对比归一化植被指数法、比值植被指数法、差值植被指数法和转换型植被指数法发现，NDVI对地物信息提取的分类精度最高[13]. 将NDVI作为分类规则，在易康软件中反复试验，设置合适的NDVI阈值，最终实现了植被与非植被的分离[14].

3.2　结果分析

实验数据包括资源三号卫星提供的影像数据文件(*.tif)、影像元数据文件(*.xml)和有理函数模型参数文件(rpc.txt)以及全国省界矢量边界(*.shp). 资源三号卫星是我国第一颗民用高分辨率光学传输型立体测绘卫星，该卫星波段有蓝、绿、红、近红外四个波段[10-11]，波长分别为0.45～0.52 μm，0.52～0.59 μm，0.63～0.69 μm，0.77～0.89 μm.

研究区的植被覆盖主要有两种：林地和裸地. 裸地纹理上较为光滑细腻，结构规则，呈方块状、条状和梯形状. 林地形状不规则，分布不均匀，较裸地有明显的凸性，纹理较为粗糙. 通过分析纹理，可以建立植被覆盖类型的解译标志.

利用融合后的影像作为参考影像，随机选取518×488大小的训练样本，在参考影像上进行目视解译，生成具有类别属性值的样本. 将训练样本得到的分类成果图与之相应的位置上的分类成果进行对比分析. 同时，根据文献[13]，本文加入NDVI规则对植被信息提取. 因研究区属于待开发区域，地物类型主要是林地、裸地和房屋，利用训练样本的分类信息与实验区的分类信息进行对比分析，采用混淆矩阵方法来表达分类精度. 混淆矩阵精度评价结果进行了3次，第1次总体分类精度达到93.4%，第2次精度评价总体分类精度达到95.8%，第3次精度评价总体分类精度为88.8%，通过3次实验取平均值得到本文方法的分类精度为92.7%. 表1为3次分类结果及其平均值，表2为文献[13]中方法与本文方法的对比.

四点直线度监测示意如图2所示。图2中，针对4个间隙测点相对对于悬浮架的坐标A(x1,z1)、B(x2,z2)、C(x3,z3) 、D(x4,z4)，采用最小二乘法拟合获取同一时刻4个间隙测点的第一拟合直线，再根据4个间隙测点与对应拟合直线的偏差值获取中低速磁浮轨道在当前时刻所处位置的四点直线度。

表1　3次分类结果对比　%

分类次数第1次第2次第3次取平均值分类精度93.495.888.892.7

表2　不同分类法分类结果精度评定对比　%

分类方法NDVI比值植被指数差值植被指数转换型植被指数本文方法分类精度90.756.788.786.092.7

经过对比发现，本文使用方法的分类精度比文献[13]方法有一定的提高，但是也有错分区域和漏分区域，错分区域主要为明亮色裸地区域和阴影区域，明亮色裸地区域如图7中的三角形，阴影区域如图7中的长方形；漏分区域主要是植被覆盖度低的区域.

透过阴影可以判断航片位置、判读地物高度，但是它的存在不利于影像信息分类及提取. 又因植被信息分布不均衡，形状大小不一，导致所选择的植被区域和其他目标分辨率不高，容易造成混分，且对训练样本的选择具有一定的主观性，因此，上述原因会对分类结果产生一定的影响.

图7　实验区原始图像

图8　成果图

4　结论

本文基于资源三号卫星遥感影像对雄安新区进行植被信息提取研究，欲从高分辨率的资源三号卫星影像中提取信息的同时保证提取精度与提取效率. 为此，借助ENVI和ArcGIS软件，充分利用全色影像的高分辨率，多光谱影像的空间信息、光谱信息和纹理信息，采用基于样本信息的面向对象分类技术，利用已知样本数据来识别未知对象，根据有限的样本信息来寻找特定训练样本的学习精度和学习能力间的最佳契合点. 同时加入NDVI规则信息，以获得最好的分类结果，进而实现了半自动化植被信息提取，使分类精度达到了92.7%. 实验结果表明，本文所用方法在平原区对于植被信息提取具有较好的可行性.

[6]　仇江啸，王效科. 基于高分辨率遥感影像的面向对象城市土地覆被分类比较研究[J]. 遥感技术与应用, 2010(5): 653-661.

然而，由于选择规则阈值仍然有一定的人为主观性，尤其是训练样本的分类，对实验者的目视解译能力要求比较高，需要一定的经验. 因此，该方法在其它区域的适用性问题，仍需要进行大量样本数据的验证，这也是下一步研究的重点.

参考文献：

[1]　周春艳，王萍，张振勇，等. 基于面向对象信息提取技术的城市用地分类[J]. 遥感技术与应用, 2008(1): 31-35.

[2]　苏伟，李京，陈云浩，等. 基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例[J]. 遥感学报, 2007(4): 521-530.

[3]　Volker Walter. Object-based classification of remote sensing data for change detection[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2004, 58(3-4): 225-238.

[4]　Im J，Jensen J R，Tullis J A. Object-based change detection using correlation image analysis and image segmentation[J]. International Journal of Remote Sensing, 2008, 29(2): 399-423.

[12]　张雨果. 基于面向对象的遥感影像梯田信息提取研究[D]. 陕西杨凌：西北农林科技大学, 2016.

日本鬼子盘踞在悬崖绝壁的一座古寺，凭借居高临下的有利地势死守，一梭梭子弹和炮弹，呼啸着落入石道崎岖蜿蜒的半山腰，爆炸声铺天盖地，响彻云霄。

在二语水平测试中，组1平均分为30.50/50，标准差为 3.50，属于中低水平;组 2平均分为35.55/50，标准差为2.81，属于中高水平。学生成绩分布均衡，测试效度与信度良好。

[7]　王彩艳，王瑷玲，王介勇，等. 基于面向对象的北京市区城市内部用地信息提取[J]. 自然资源学报, 2015(4): 705-714.

自然教学资源的分配取决于经济发展水平，这一方面国家干预分配还是比较容易的，就和援疆计划一样只要有所调控还是可以保证边远山区的小学生们也能享有到一样的先进的教学资源，可以使用到多媒体教学，能够得到体音美的设施配件，可以全面发展。至于优秀师资的调配国家现在既然已经做了学生就近入学的调配，就应该继续尝试保证优秀师资的分配，这样就不会出现学生不就近入学而要花大力气跑远距离趋向名校里的名师。

遥感影像数据融合之前，需要重新选择地面控制点进行正射校正，以解决因空间配准问题而导致的重影现象. 进行空间配准时，通过比较多次不同的最小匹配分值，得到最佳匹配分值为0.8. 空间配准完成后，选择全色和配准后的多光谱数据进行融合处理，采用对图像光谱保真度较好的Gram-Schmidt Pan Sharpening方法进行融合，使融合后影像不仅具有很好的清晰度，而且具有高分辨率的光谱信息特征. 图2和图3为任意选取雄县西南角的某一区域融合影像前后的对比图，其影像中心地理坐标大约为东经116°2′28.44″，北纬38°56′54.83″.

首先，有关部门应当对消费领域的一些“标准”“概念”进行明确统一的界定。比如儿童票到底按什么标准出售？不同行业是否有必要进一步细分？类似需要完善的细节有很多：饭店“加收服务费”的告知该写在什么地方、字号多大？服装退货时“包装须完整”涵盖哪些要素？等等。市场管理者多一些“较真”，不仅可以减少“解释权在商家”导致的消费纠纷，也能培养消费者的守规矩意识，提高买卖双方默契程度，理顺消费流程，提升消费体验。

[8]　赵志明，周小成，付乾坤，等. 基于资源三号影像的建筑物高度信息提取方法[J]. 国土资源遥感, 2015(3): 19-24.

[9]　纪敏，李辉，石晓春. 面向对象的城市土地利用分类[J]. 地理空间信息, 2009(3): 62-65.

[10]　李德仁. 我国第一颗民用三线阵立体测图卫星——资源三号测绘卫星[J]. 测绘学报, 2012(3): 317-322.

[11]　王彩艳. 基于ZY- 3影像的北京市六环以内城市用地信息提取及特征分析[D]. 泰安：山东农业大学, 2015.

2014年，山东高速接手山东黄金，成为山东男篮新的赞助商。新东家的目标更高，提出了“三年夺冠”的计划。高速男篮的自信并非没有理由，首先山东高速的发展蒸蒸日上，开得出更高的价码，而球队的新生力量正在快速成长。更重要的是，当时山东高速的董事长孙亮、男篮俱乐部的老总李志科，都对体育有很深刻的了解。

在智慧西江建设方面，继续推进西江可视化和智能化建设，继续跟踪做好肇庆（云浮）段船舶交通管理系统建设的后续工作。

[5]　Zhou W， Troy A. An object-oriented approach for analysing and characterizing urban landscape at the parcel level[J]. International Journal of Remote Sensing, 2008, 29(11): 3119-3135.

[13]　徐建辉，苏娅. 高分辨率遥感影像在城市绿地信息提取中的应用研究[J]. 资源开发与市场, 2010(4): 291-293,288.

[14]　程灿然，杨树文，石鹏卿. 基于高分一号卫星遥感影像的城市绿地提取对比研究[J]. 矿山测量, 2017(3): 12-16.

[15]　尤淑撑，刘顺喜. 一种顾及先验知识与光谱分类信息的土地利用/覆被遥感分类方法[J].地理与地理信息科学,2010,26(3):41-43.

[16]　费鲜芸. 高分辨率遥感影像在城市绿地信息提取中的应用研究[D]. 泰安：山东农业大学, 2006.

该团各个基层单位本着“加强文化交流融合，促进各民族文化发展繁荣”的精神，积极组织结亲干部和少数民族结亲户，共同学习了国家颁布的《宗教事务管理条例》，以及民族团结先进事迹，畅谈了维护祖国统一，加强民族团结，维护社会稳定的重要意义。向少数民族职工群众发放了民族团结教育书刊和新疆历史读本。还向少数民族职工群众赠送了民族团结主题书法作品。

[17]　店新明，张过，祝小勇，等.资源三号测绘卫星三线阵成像几何模型构建与精度初步验证[J],测绘学报，2012,41(2):191-198.

[18]　许丽杰，田峰，刘建军. 基于ENVI的遥感图像分类方法研究比较[J/OL].世界有色金属,2016(12):18-20.

[19]　张雨，林辉. 资源3号卫星影像的植被信息提取[J]. 中南林业科技大学学报,2014, 34(11):130-134.

[20]　沈家晓，董燕生，程晓娟，等. 资源三号卫星影像快速大气校正方法[J].测绘科学，2015,40(4):87-91.

[21]　赵志明，周小成，付乾坤，等. 基于资源三号影像的建筑物高度信息提取方法[J].国土资源遥感, 2015,27(3): 19-24.