基于大比例尺航片的針葉樹種分類1)

王 敏 李鳳日 王二麗 郭志英

(東北林業(yè)大學(xué)，哈爾濱，150040)

樹種分類是森林資源管理中重要的組成部分，對(duì)科學(xué)研究和實(shí)際生產(chǎn)應(yīng)用都有著十分重要的意義。傳統(tǒng)的實(shí)地調(diào)查既消耗大量的時(shí)間、人力、物力和財(cái)力，又無法提供整個(gè)區(qū)域的樹種分類信息。隨著航空航天技術(shù)、傳感器技術(shù)和圖像處理技術(shù)的飛速發(fā)展，遙感圖像在森林資源調(diào)查方面得到了廣泛的應(yīng)用［1］，同時(shí)，利用高分辨率的衛(wèi)星影像或大比例尺數(shù)字航片對(duì)樹種進(jìn)行分類的技術(shù)，也日益成熟。Masato Katoh［2］基于高分辨率的IKONOS數(shù)據(jù)提取出天然針闊混交林中的單株闊葉樹，最高精度達(dá)到87%;Masato Katoh等［3］利用大比例尺航空像片，采用單株樹冠的提取方法，對(duì)日本針葉林中的偏柏、赤松、日本落葉松、柳杉和其他針葉樹以及闊葉的樹冠進(jìn)行提取，總體分類精度為78%;近幾年，隨著人工智能理論和技術(shù)的發(fā)展，遙感植被分類研究也日益趨向于智能化。目前，在植被分類中主要應(yīng)用的智能方法是人工神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)。劉旭升等［4］將森林資源分布圖作為一個(gè)獨(dú)立波段與3個(gè)多光譜波段同時(shí)輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，結(jié)果表明，與最大似然法相比，地理輔助數(shù)據(jù)參與的BP神經(jīng)網(wǎng)絡(luò)分類總體精度提高了10.5%;王旭紅等［5］通過對(duì)地學(xué)知識(shí)、規(guī)則庫、推理機(jī)和專家分類器的研究，提出了一套適用于太白紅杉信息提取的專家分類系統(tǒng)。由于傳感器空間分辨率的限制以及地物的復(fù)雜多樣性，混合像元普遍存在于遙感圖像中，如果將該像元?dú)w為一類，必然會(huì)帶來分類誤差，導(dǎo)致精度下降［6］，因此混合像元分解(Spectral Unmixing)是近年來伴隨著高光譜遙感技術(shù)的不斷發(fā)展而逐漸興起的一種遙感圖像處理技術(shù)［7］。筆者以大比例尺數(shù)字航片為基礎(chǔ)，分別用監(jiān)督分類、以光譜信息和DEM信息作為專家知識(shí)的專家分類，以及按權(quán)重對(duì)混合像元分解提取感興趣物質(zhì)的子像元分類的方法，對(duì)針葉林樹種分類進(jìn)行研究，最終選取合適的方法并以較高的精度提取出紅松、落葉松、云杉和冷杉的分類專題圖，為專業(yè)信息提取、動(dòng)態(tài)變化監(jiān)測(cè)或遙感數(shù)據(jù)庫的建立等進(jìn)一步的研究奠定基礎(chǔ)。

1 研究區(qū)域概況

涼水國(guó)家級(jí)自然保護(hù)區(qū)位于黑龍江省伊春市帶嶺區(qū)的中心，地理坐標(biāo)為東經(jīng)128°55＇44″～128°48＇08″，北緯 47°14＇42″～47°07＇22″，總面積為 12 133.0 hm2，總蓄積量為 170.0 萬 m3，森林覆蓋率98%。保護(hù)區(qū)屬于中國(guó)—日本森林植物亞區(qū)東北區(qū)，長(zhǎng)白植物亞區(qū)小興安嶺南部區(qū)，植物區(qū)系組成比較豐富，種屬分布廣泛，保存了比較完整而典型的小興安嶺地帶性頂級(jí)植被——闊葉紅松混交林。囊括了原始闊葉紅松混交林、經(jīng)過擇伐的闊葉紅松混交林以及紅松、落葉松等人工林［8］。典型喬木有紅松(Pinus koraiensis)、紅皮云杉(Picea koraiensis)、冷杉(Abies nephrolepis)、興安落葉松(Larix gmelini)、水曲柳(Fraxinus mandshurica)、胡桃楸(Junglus mandshurica)、黃波欏(Phellodendron amurense)、椴樹(Tilia amuren-sis)、色樹(Acer mono)、蒙古櫟(Quercus mongolica)、楓樺(Betula costata)、白樺(Batula platyphlla)、山楊(Populus davidiana)、大青楊(Populus ussuriensis)等。

2 研究方法

2.1 航片的準(zhǔn)備

文中所用的遙感數(shù)據(jù)是2009年9月對(duì)涼水自然保護(hù)區(qū)拍攝的航片，比例尺為1∶2 000，總覆蓋面積約為1.2 km×1.6 km。航空相機(jī)選用哈蘇DigiCAM－H/22，像素高達(dá)2 200萬，鏡頭焦距100 mm，共獲取空間分辨為0.2 m的CCD影像189幅。本文用涼水自然保護(hù)區(qū)的189張數(shù)字高程模型(DEM)和正射影像(DOM)作為數(shù)據(jù)源。

2.2 樣地?cái)?shù)據(jù)收集與整理

2008年7月，復(fù)測(cè)了涼水自然保護(hù)區(qū)60塊固定樣地，樣地面積均為0.06 hm2。固定樣地按系統(tǒng)抽樣布設(shè)在國(guó)家新編1/50 000地形圖公里網(wǎng)交點(diǎn)上，采用差分GPS確定中心點(diǎn)坐標(biāo)，并以中心樁作為固定樣地的標(biāo)志，分別向正東、正南、正西、正北4個(gè)方向引17.3 m設(shè)立東、西、南、北樁，以北樁為樣地坐標(biāo)原點(diǎn)。每個(gè)樣地逐株調(diào)查了樹種、胸徑、樹高、冠長(zhǎng)、冠幅(東、南、西、北4個(gè)半徑)以及單株立木在樣地中的X和Y軸坐標(biāo)。將各樣地?cái)?shù)據(jù)由EXCEL表格形式轉(zhuǎn)為DBF格式，并導(dǎo)入ArcGIS9.3生成帶有屬性的矢量文件，為后續(xù)訓(xùn)練樣地的選擇和分類精度檢驗(yàn)奠定基礎(chǔ)。

2.3 數(shù)據(jù)的預(yù)處理

研究區(qū)域?yàn)楦哂糸]度的原始紅松針闊葉混交林，由于受地形、地貌以及天氣的影響，會(huì)使同一幅航片曝光程度不同，導(dǎo)致航片上地物的光譜特征發(fā)生變化。因而，根據(jù)地面各種地物在遙感圖像中的顏色、陰影、形狀、紋理、大小、位置和相關(guān)布局的差異［9］，對(duì)航片進(jìn)行目視判讀，在ArcGIS9.3中勾繪出曝光程度相同或相似的地區(qū)，然后將其轉(zhuǎn)成AOI(Area Of Interest)對(duì)原始航片進(jìn)行切割，以實(shí)現(xiàn)分類前航片的分區(qū)處理，減弱“同物異譜”和“同譜異物”對(duì)分類的影響。同時(shí)，將樣地矢量圖層與航片疊加顯示，從60塊固定樣地中隨機(jī)選擇40塊，作為分類時(shí)的訓(xùn)練樣地，以便從整體上把握立木的特征。反復(fù)對(duì)紅松、落葉松、云杉、冷杉的光譜特征及空間特征進(jìn)行目視判讀訓(xùn)練，充分掌握針葉林樹種在色調(diào)、顏色、紋理、形狀上的差異，并用樣地?cái)?shù)據(jù)對(duì)訓(xùn)練區(qū)精度進(jìn)行控制，使訓(xùn)練區(qū)各樹種識(shí)別精度控制在95%以上。余下20塊樣地作為分類精度檢驗(yàn)樣地。圖1為調(diào)查區(qū)域訓(xùn)練樣地和檢驗(yàn)樣地分布圖。

2.4 監(jiān)督分類

在地形、光照等相同外部條件下，利用ERDAS IMAGINE9.2中的光譜剖面(Spectral Profile)分析功能，提取白樺、其他闊葉、紅松、云杉、冷杉、落葉松的光譜曲線，結(jié)果如圖2所示。從圖2中可以看出，闊葉林樹種和針葉林樹種具有明顯不同的光譜特征，而且光譜特征的變化范圍較大，所以基于大比例尺航片監(jiān)督分類，可以高精度提取針葉林分類專題影像［10］。文中用最大似然監(jiān)督分類的方法對(duì)闊葉林和針葉林分類，在40塊訓(xùn)練樣地里分別建立紅松、落葉松、云杉、冷杉、白樺、其他闊葉、空地和其他地物的分類模板。為保證分類精度，通過40塊固定樣地控制分類模板精度，使其在95%以上。分類后用重編碼(Recode)功能將紅松、落葉松、云杉、冷杉合并為一類，白樺和其他闊葉合并為一類，空地及其他地物單獨(dú)為一類，重新賦予顏色值，提高直觀表達(dá)效果。將分類后圖像及20塊檢驗(yàn)樣地?cái)?shù)據(jù)與對(duì)應(yīng)區(qū)域內(nèi)的航片疊加顯示，隨機(jī)選擇了1380個(gè)像元建立混淆矩陣，對(duì)監(jiān)督分類進(jìn)行精度檢驗(yàn)，如表1所示。局部監(jiān)督分類結(jié)果如圖3。

圖1 調(diào)查區(qū)域訓(xùn)練樣地和檢驗(yàn)樣地分布

圖2 不同樹種光譜特征曲線

圖3 局部監(jiān)督分類結(jié)果

表1 針葉林和闊葉林監(jiān)督分類結(jié)果

2.5 針葉林專題影像圖的提取

為獲取針葉林專題影像圖，對(duì)監(jiān)督分類的結(jié)果進(jìn)行重編碼(Recode Classes)，將闊葉林、空地及其他地物的屬性值賦為0，針葉林的屬性值賦為1，獲得針葉林分類專題圖像。用8鄰域聚類統(tǒng)計(jì)(Clump)的方法自動(dòng)計(jì)算分類專題圖中每個(gè)分類圖斑面積，打開其屬性表查看小圖斑面積。將分類影像與航片反復(fù)比對(duì)，確定面積小于1 m2的小圖斑不可能是主林層中的單一樹冠，采用過濾分析(Sieve)的方法予以剔除。將處理完成后的分類影像導(dǎo)入ArcGIS9.3，執(zhí)行Raster to Polygon命令，選中Simplify Polygons簡(jiǎn)化生成的矢量多邊形，并設(shè)置相應(yīng)的環(huán)境(Environments)參數(shù)，完成柵格圖像到矢量多邊形的轉(zhuǎn)換。增加多邊形的面積屬性，計(jì)算矢量多邊形的面積，進(jìn)一步將面積小于1 m2的多邊形用圖斑合并功能(Dissolve)合并到相鄰相同屬性的圖斑中，并用平滑功能(Smooth)對(duì)多邊形進(jìn)行平滑處理，使生成的多邊形更加符合樹冠邊界。將處理好的多邊形轉(zhuǎn)換為AOI，用圖像裁切功能(Subset)對(duì)原始圖像進(jìn)行切割，最終得到針葉林專題影像圖，如圖4所示。

圖4 局部切割后針葉林專題圖

2.6 專家分類

規(guī)則的建立是專家系統(tǒng)知識(shí)庫的核心內(nèi)容，本文以光譜、坡度、坡向等信息為規(guī)則建立知識(shí)庫，對(duì)針葉林專題影像進(jìn)行分類。用監(jiān)督分類的方法分別提取紅松、落葉松、云杉、冷杉的光譜特征，獲得光譜(Spectrum)信息;運(yùn)用ArcView GIS3.3對(duì)DEM做坡度(Slope)和坡向(Aspect)分析，根據(jù)針葉林中各樹種的生境及立地條件特征，確定它們生長(zhǎng)的坡度和坡向范圍;全面提取針葉林樹種信息后，運(yùn)用ERDAS中知識(shí)庫建立模塊(Create Knowledge Base)構(gòu)建專家知識(shí)庫，如圖5所示。保存專家知識(shí)庫，用知識(shí)分類器模塊(Knowledge Classifier)對(duì)針葉林專題影像進(jìn)行分類，分類結(jié)果如圖6所示。將分類后圖像及20塊檢驗(yàn)樣地?cái)?shù)據(jù)與對(duì)應(yīng)區(qū)域內(nèi)的航片疊加顯示，隨機(jī)選擇像元建立混淆矩陣，對(duì)專家分類結(jié)果進(jìn)行檢驗(yàn)。

圖5 專家知識(shí)庫

圖6 專家分類模型匹配結(jié)果

2.7 子像元分類

子像元分類的原理是對(duì)混合像元按照所設(shè)定的比例分解，使用多光譜圖像來檢測(cè)比像元更小的或者非純像元的專題信息，檢測(cè)和分離與感興趣物質(zhì)隔離的成分，從而提高分類的準(zhǔn)確度［11］。其技術(shù)過程如圖7所示。

圖7 子像元分類技術(shù)流程

在產(chǎn)生訓(xùn)練集與分類特征之前，用圖像質(zhì)量確認(rèn)功能確定針葉林專題圖像中的重復(fù)數(shù)據(jù)行，增強(qiáng)圖像質(zhì)量。然后用AOI工具在紅松、落葉松、云杉和冷杉的訓(xùn)練樣地里定義訓(xùn)練集，確定包含特定的感興趣物質(zhì)的像元和子像元，以便確定分解比例和分類特征。以紅松為例說明訓(xùn)練集的定義:根據(jù)樣地中紅松在航片上的位置，用AOI工具選擇純紅松像元90個(gè)，紅松+落葉松、紅松+云杉、紅松+冷杉的混合像元共10個(gè)作為紅松訓(xùn)練集，其中紅松為感興趣物質(zhì)，其他針葉樹種是背景物質(zhì)，則感興趣物質(zhì)像元比例為90%。訓(xùn)練集定義完成后，用手工方法提取分類特征并對(duì)其進(jìn)行評(píng)價(jià)，經(jīng)過反復(fù)試驗(yàn)發(fā)現(xiàn):當(dāng)設(shè)置感興趣物質(zhì)像元比例為90%、感興趣物質(zhì)置信度水平為0.8、并執(zhí)行重復(fù)數(shù)據(jù)行濾波(DLA Filter Process)時(shí)，產(chǎn)生的分類特征最優(yōu)。在感興趣物質(zhì)分類時(shí)，設(shè)定分類容差值為1.0、分類數(shù)為4，執(zhí)行感興趣物質(zhì)分類的效果最佳。再利用Raster－Attribute查看檢測(cè)結(jié)果的數(shù)量和分類的物質(zhì)像元比例，并調(diào)節(jié)疊加文件中每個(gè)類的顏色及效果以便分析。子像元分類結(jié)果局部如圖8～圖11所示。將分類后圖像及20塊檢驗(yàn)樣地?cái)?shù)據(jù)與對(duì)應(yīng)區(qū)域內(nèi)的航片疊加顯示，隨機(jī)選擇像元建立混淆矩陣，對(duì)子像元分類精度進(jìn)行檢驗(yàn)。

3 結(jié)果與分析

3.1 分類精度評(píng)價(jià)與分析

遙感圖像分類精度評(píng)價(jià)以位置精度為主。位置精度評(píng)價(jià)，是指將分出的類別與其所在的空間位置進(jìn)行統(tǒng)一檢查。目前普遍采用混淆矩陣分析法。分類精度的主要指標(biāo)有:生產(chǎn)精度、用戶精度、總體精度、漏分精度、錯(cuò)分精度和Kappa系數(shù)等［12］。本文用隨機(jī)選取的20塊實(shí)測(cè)樣地作為精度評(píng)價(jià)的實(shí)地驗(yàn)證數(shù)據(jù)，對(duì)監(jiān)督分類、專家分類、子像元分類得到的結(jié)果進(jìn)行精度評(píng)價(jià)。其結(jié)果如表2～表4所示。

圖8 紅松分類結(jié)果

圖9 落葉松分類結(jié)果

圖10 云杉分類結(jié)果

圖11 冷杉分類結(jié)果

表2 針葉林專題影像監(jiān)督分類結(jié)果

對(duì)比分析表2～表4可得:僅利用光譜信息的監(jiān)督分類總體精度較低，為59.4%;專家分類將坡度、坡向等非光譜信息加入后，分類精度提高到74.9%，比監(jiān)督分類精度提高15%;子像元分類精度提高到86.0%，比監(jiān)督分類精度提高27%;子像元分類與專家分類相比，分類精度提高11%，Kappa系數(shù)提高23%。此外，紅松和落葉松的分類精度較高，在專家分類和子像元分類中的分類精度大于80%;云杉和冷杉的分類精度較低。3種分類方法中，分類精度均未達(dá)到80%，其中監(jiān)督分類最低，均低于60%。由圖2知，云杉和冷杉的光譜相近，因此監(jiān)督分類方法精度較低。專家分類將DEM等輔助信息添加到知識(shí)庫中，雖然在一定程度上提高了分類精度，但云杉和冷杉在生境及立地條件方面也極其相近，并且存在混合像元干擾問題，所以云杉和冷杉的分類精度依然相對(duì)較低。綜上可知，子像元分類精度較監(jiān)督分類和專家分類高，而且操作較專家分類簡(jiǎn)單，不需要其他先驗(yàn)知識(shí)的參與，尤其適用于對(duì)先驗(yàn)知識(shí)較少的原始針葉林樹種進(jìn)行分類。

表3 針葉林專題影像專家分類結(jié)果

表4 針葉林專題影像子像元分類結(jié)果

將云杉和冷杉組合作為整體對(duì)樹種進(jìn)行分類，其分類結(jié)果如表5～表7所示。

表5 云杉和冷杉組合后監(jiān)督分類結(jié)果

表6 云杉和冷杉組合后專家分類結(jié)果

表7 云杉和冷杉組合后子像元分類結(jié)果

分析表5～表7并與表2～表4對(duì)比可以看出，將云杉和冷杉作為整體對(duì)針葉樹種進(jìn)行分類，3種分類方法的精度均有提高，其中監(jiān)督分類的精度提高程度最高，說明監(jiān)督分類受光譜信息變化的影響較大，對(duì)于微小的光譜特征差異無法識(shí)別。專家分類精度提高14%，表明將坡度、坡向等非光譜信息作為分類的依據(jù)可以提高分類精度，但是由于混合像元的影響，專家分類無法檢測(cè)非純像元中的感興趣物質(zhì)，光譜信息在一定程度上仍然是制約地物分類精度的關(guān)鍵因子。而子像元分類精度僅提高5%，說明按照權(quán)重對(duì)混合像元分解提取感興趣物質(zhì)，可以檢測(cè)微小的光譜特征差異，云杉和冷杉組合前后分類總體精度變化不大。

3.2 誤差分析

本試驗(yàn)的誤差主要來源于3方面:

①研究區(qū)域是原始紅松針闊混交林，地形復(fù)雜，盡管對(duì)航片進(jìn)行分割處理，“同物異譜”和“同譜異物”的現(xiàn)象仍不能完全消除，對(duì)監(jiān)督分類和子像元分類產(chǎn)生一定的影響。

②專家分類時(shí)將坡度、坡向信息加入，會(huì)錯(cuò)誤地剔除一部分針葉林樹種。例如，對(duì)紅松進(jìn)行專家分類時(shí)剔除了平坦地區(qū)，由于坡度的影響也會(huì)剔除臺(tái)地的紅松，導(dǎo)致小部分紅松漏分，從而產(chǎn)生誤差。

③在子像元分類時(shí)，盡管確定的混合像元比例已經(jīng)最優(yōu)，但是不一定適合整張航片，從而導(dǎo)致局部地區(qū)的像元被錯(cuò)分，從而產(chǎn)生誤差。

4 結(jié)論與討論

基于針葉林專題影像圖分別用監(jiān)督分類、專家分類、子像元分類3種方法對(duì)針葉林樹種分類進(jìn)行研究，分類精度分別為82%、88%和91%。按照權(quán)重對(duì)混合像元分解提取感興趣物質(zhì)的子像元分類，降低了混合像元對(duì)分類的影響，且操作較專家分類簡(jiǎn)單，不需要先驗(yàn)知識(shí)的參與，更適合原始針葉林的樹種分類。另外，在整個(gè)分類過程中用固定樣地?cái)?shù)據(jù)對(duì)分類訓(xùn)練區(qū)精度進(jìn)行控制，可保證訓(xùn)練區(qū)的可靠性，降低主觀因素的影響。用隨機(jī)選取的20塊樣地的實(shí)測(cè)數(shù)據(jù)對(duì)分類精度檢驗(yàn)，比傳統(tǒng)的從圖像到圖像的精度檢驗(yàn)更具有客觀性。

專家分類過程中若將紋理信息加入專家分類，精度有望進(jìn)一步提高。另外，將子像元分類和專家分類相結(jié)合的方法，即在子像元基礎(chǔ)上檢測(cè)感興趣物質(zhì)并加入非光譜信息對(duì)分類精度進(jìn)行控制、提高分類精度的方法，還需要進(jìn)一步研究。

［1］辛海強(qiáng)，聞?shì)x，張昱.ERDAS軟件在森林資源分類工作中應(yīng)用［J］.測(cè)繪科學(xué)，2003，28(2):39 －41.

［2］Katoh M.Classifying tree species in a northern mixed forest using high－resolution IKONOS data［J］.J For Res，2004，9(1):7 －14.

［3］Katoh M，Gougeon F A，Leckie D G.Application of high－resolution airborne data using individual tree crowns in Japanese conifer plantations［J］.J For Res，2009，14(1):10 －19.

［4］劉旭升，張曉麗.基于BP神經(jīng)網(wǎng)絡(luò)的森林植被遙感分類研究［J］.林業(yè)資源管理，2005(1):51 －54.

［5］王旭紅，肖平.基于知識(shí)庫分類法在植被提取中的應(yīng)用研究［J］.測(cè)繪通報(bào)，2004(7):48 －50.

［6］惠巍巍，衣德萍，廖彩霞，等.混合像元分解研究綜述［J］.林業(yè)科技情報(bào)，2007，39(1):2 －3.

［7］Keshave N，Mustard J F.Spectral unmixing［J］.Signal Processing Magazine，IEEE，2002，19(1):44 －57.

［8］劉傳照，張鵬，任淑文，等.涼水自然保護(hù)區(qū)森林資源的保護(hù)與經(jīng)營(yíng)問題探討［J］.國(guó)土與自然資源研究，1991(1):58－63.

［9］孫家柄.遙感原理與應(yīng)用［M］.武漢:武漢大學(xué)出版社，2003.

［10］李超，岳樹峰，王勝蕾，等.大比例尺航片正射影像中的樹冠提?。跩］.東北林業(yè)大學(xué)學(xué)報(bào)，2010，38(9):71 －77.

［11］黨安榮，賈海峰，陳曉峰，等.ERDAS IMAGINE遙感圖像處理教程［M］.北京:清華大學(xué)出版社，2010.

［12］趙英時(shí).遙感應(yīng)用分析原理與方法［M］.北京:科學(xué)出版社，2003.