基于高分辨率遙感林分面積提取方法研究

韓學鋒,徐 歡

(天津石油職業(yè)技術(shù)學院,天津市 301607)

基于高分辨率遙感林分面積提取方法研究

韓學鋒,徐 歡

(天津石油職業(yè)技術(shù)學院,天津市 301607)

面積是森林資源調(diào)查的重要內(nèi)容之一,同時也是森林蓄積總量計算時必要參數(shù)。針對高分辨率遙感影像空間分辨率高,而光譜分辨率低的特點,探討了綜合利用紋理特征和光譜特征提高分類精度,進而提高林分面積的方法。

高分率遙感;林分面積;分類

面積是森林資源調(diào)查的重要內(nèi)容之一,同時也是森林蓄積總量計算時必要參數(shù)。傳統(tǒng)的森林面積的調(diào)查方法是抽樣調(diào)查,這種技術(shù)方法已經(jīng)比較成熟,但是此方法需要大量的地面調(diào)查,因而也就需要大量的人力和物力。過去林業(yè)上衛(wèi)星遙感數(shù)據(jù)多用中低分辨率衛(wèi)星遙感數(shù)據(jù),但分辨率低,面積估測精度不高。高分辨率影像多用航空相片,但航空相片成本高,而且使用時有一定的空域限制。隨著高分辨率遙感數(shù)據(jù)如QuickBird影像的應用及價格的降低,高分辨率衛(wèi)星遙感數(shù)據(jù)將更多地應用于林業(yè)遙感,所以研究基于高分辨率遙感的森林面積提取方法顯得十分重要。

一、遙感影像波段間的相關(guān)性分析

遙感影像分類依據(jù)的是地物反映在各波段的像元值。在遙感成像過程中,由于受傳感器、大氣狀況、地形等因素影響,往往會產(chǎn)生“同物異譜,異物同譜”現(xiàn)象。因此在分類前對研究區(qū)的背景情況以及傳感器波段、遙感影像特征、地物光譜特性有較為深入的了解,也是必要的。QuickBird多光譜數(shù)據(jù)設(shè)置有藍光、綠光、紅光、近紅外4個波段。不同的波段具有不同的光譜特征和應用領(lǐng)域,如何選擇最佳的波段組合,以綜合更多的信息呢?這還需要波段間的相關(guān)性分析。從研究區(qū)2002年Quick2 Bird影像4個波段間的相關(guān)性分析(表1),可知不同波段之間具有不同的相關(guān)性。波段組合應該盡量選擇信息相關(guān)性小的波段組合。從表3中可以看出波段2、3、4是最佳的波段組合(表1和表2中Band1,Band2,Band3,Band4分別代表QuickBird影像的不同的波段)。

表1 研究區(qū)QuickBird影像各波段間的相關(guān)系數(shù)

表2 波段組合相關(guān)系數(shù)和

二、遙感影像的紋理特征

紋理是遙感影像的重要信息,是進行目視判讀和計算機自動解譯的重要基礎(chǔ)。遙感影像專題信息提取時,如果在原始影像光譜信息的基礎(chǔ)上加上紋理信息可以使信息提取的準確性和精度提高。目前紋理特征的分析方法主要包括基于時頻的方法、基于模型的方法、基于結(jié)構(gòu)的方法以及基于統(tǒng)計的方法等。已有研究文獻資料共識是:灰度共現(xiàn)矩陣的效果最好。基于灰度共生矩陣的紋理識別方法正是利用圖像灰度值在空間上的某種相關(guān)性來表達圖像的統(tǒng)計特征。

1.灰度共生矩陣法

給定影像空間,量化級數(shù)為L,可定義共生矩陣為:取定方向為θ和距離d,在方向為θ的直線上,相距為d距離上,灰度分別為i和j的點對出現(xiàn)的頻數(shù)作為這個矩陣的第(i,j)的陣元值。共現(xiàn)矩陣能夠反映圖像的主要紋理特征。紋理越粗,相近的像素越具有相近的灰度,共生矩陣對角線附近的陣元值也就越大,相反則越小。

2.共現(xiàn)矩陣的主要標度方法

設(shè)在給定d,θ參數(shù)下的共生矩陣的陣元歸一化為P(i,j),共現(xiàn)矩陣的主要標度方法有:角二階矩、相異性、熵、同質(zhì)性、方差、均值、對比度?；叶裙采仃囀且曰瑒哟翱跒橛嬎銌卧?滑動窗口的大小是紋理特征計算的重要參數(shù)。本文對于每一個特征都以4種滑動窗口進行了計算即:3 3 3,5 3 5,7 3 7,9 3 9四種滑動窗口。通過多次試驗,反復比較認為采用d=1,N=9的步距比較合適,即9 3 9矩陣各像元同相鄰的8像元做運算得出共生矩陣。

三、植被指數(shù)

不同波段的植被——土壤系統(tǒng)的反射率因子以一定的形式組合成一個參數(shù)時,能夠表現(xiàn)出與植被特征參數(shù)間的函數(shù)關(guān)系,這種多波段反射率因子的組合就稱為植被指數(shù)。

比較常用的植被指數(shù)有:差值植被指數(shù),比值植被指數(shù),歸一化植被指數(shù)。已有研究表明NDV I能夠精度較高地從高分辨率影像中提取植被覆蓋區(qū)域。

NDV I被定義為近紅外波段與可見光紅波段數(shù)值之差與這兩個波段數(shù)值之和的比值:

我們只討論研究區(qū)內(nèi)的土地覆蓋類型的分類。通過實地考察和林場森林資源調(diào)查資料確定研究區(qū)主要土地覆蓋類型為:闊葉林、針葉林、裸地、草地。由于本研究區(qū)為山區(qū),地形起伏比較大,影像上同種地物受地形的影響表現(xiàn)出陰坡和陽坡的色調(diào)差異,但闊葉林的分布較少,只在陽坡有少量的分布,所以只將針葉林分為針葉1代表陽坡針葉林、針葉2代表陰坡針葉林。

從研究區(qū)采樣100個點位,進行統(tǒng)計得到各種地物植被指數(shù)的統(tǒng)計特征值及對應的各地物ND2 V I值的分布區(qū)間(見表3)。

表3 各種土地覆蓋類型的NDV I統(tǒng)計值

圖1 各種地物的NDV I所處區(qū)間

從圖1和表3中可以看出,各種地物NDV I取值區(qū)間具有明顯的差異,特別是植被和非植被的區(qū)分,植被覆蓋區(qū)的NDV I值一般都大于0.281,裸地和陰影等非植被的NDV I則一般都小于0.281。

四、土地覆蓋類型分類

本文主要討論怎樣通過土地覆蓋類型的分類將林地提取出來以便高精度地完成小班調(diào)查參數(shù)中小班面積和實際面積這一項指標,同時也為計算小班總蓄積量的計算提供了面積參數(shù)。傳統(tǒng)的基于光譜信息的分類已經(jīng)不能滿足高分辨率遙感分類的需要,應通過組合光譜信息、紋理信息以及植被指數(shù)進行分類提取森林實際覆蓋面積,然后與小班進行疊加,獲取小班的總面積和實際森林覆蓋面積。

為了更好地研究土地利用的分類,分為兩步進行。首先研究植被和非植被的分類提取植被覆蓋區(qū),然后研究植被分類方法,通過植被分類研究森林的提取方法。

1.植被覆蓋區(qū)的提取

通過上面各種地物NDV I值分布區(qū)間的分析可知植被和非植被的NDV I值具有明顯的差異,可據(jù)此將其分類。根據(jù)植被和非植被的統(tǒng)計特征值如表3和圖1,本文將NDV I大于0.281的區(qū)域,設(shè)為植被覆蓋區(qū),小于0.281的區(qū)域設(shè)為非植被覆蓋區(qū)。為了檢驗其精度,本文通過目視解譯和實地調(diào)查從研究區(qū)內(nèi)選擇了226855個非植被(主要是裸地)樣本和96696個植被樣本作為驗證數(shù)據(jù),建立混淆矩陣,計算相關(guān)指標,得到如下精度評價結(jié)果(表4)。從表4來看基于NDV I植被與非植被有較高的分類精度,總體精度達到了94.4%,Kappa系數(shù)達到了0.87,分類精度能夠滿足林業(yè)調(diào)查需要。

2.植被覆蓋分類

從NDV I的分類中只是提取了植被覆蓋區(qū)域,就本文研究區(qū)而言,其中還有草地和林地之分。但只通過植被的光譜信息很難將它們區(qū)分開來,為了能夠比較精確地將林地從各種植被覆蓋區(qū)中提取出來還需要紋理等信息的輔助。

不同的地物有不同的光譜特征和紋理特征值區(qū)間,但不能通過單一的特征對其分類,所以要研究綜合不同地物的不同特征進行分類。決策樹是一種很好地綜合各種分類規(guī)則進行分類的方法。首先通過不同地物的不同特征值生成判別規(guī)則,然后通過這些規(guī)則建立決策樹的根節(jié)點和各分支節(jié)點組成決策樹。決策樹分類法對于輸入數(shù)據(jù)的空間特征和分類標志具有更好的彈性和魯棒性。決策樹分類法已經(jīng)被用于解決很多分類問題,但應用在遙感分類的研究成果并不多見。

本文通過軟件ERDAS和規(guī)則制定軟件C4.5中進行分類規(guī)則的制定,然后根據(jù)分類樹和分類規(guī)則進行剪枝,得到一個置信度較高的分類樹和分類規(guī)則(表5)。最后在 ERDAS知識分類器中對研究區(qū)融合后影像進行分類以及分類后處理,最后將分類后影像中的闊葉林和針葉林地進行合并。通過ENV I感興趣區(qū)的檢驗法得到混淆矩陣(表5),來評估其精度。從表6中可知分類的總體精度為91.933%,Kappa系數(shù)為0.8043,分類精度較高,能夠滿足森林資源調(diào)查的需要。

表4 植被與非植被的分類精度評價

表5 分類規(guī)則

五、小班總面積和有效面積的量算

將分類后的柵格數(shù)據(jù)結(jié)果轉(zhuǎn)化為矢量數(shù)據(jù),然后導入到A rcGis中與小班邊界圖進行疊加,最后利用ARCGIS自帶的面積計算功能就得到小班的總面積和有林地面積(見表7)。

表6 植被分類精度評價

表7 部分小班面積和有林地面積的計算結(jié)果

[1]周廷剛,郭達志,盛業(yè)華.灰度矢量多波段遙感影像紋理特征及其描述[J].西安科技學院學報,2000,(04).

[2]舒寧.衛(wèi)星遙感影像紋理分析與分形分維方法[J].武漢測繪科技大學學報,1998,(04).

[3]孫即詳.圖像分析[M].北京:科學出版社,2005.

[4]徐希孺.遙感物理[M].北京:北京大學出版社,2005.

[5]Friedl M A,Brodeley C E.Decision Tree Classification of Land Cover from Remotely Sensed Data[J].Remote Sens.Eviron,1997,61:399-40.

A bs tra c t:A rea is one of the important objects w hen investigating forest resources and a necessary parameter w hen calculating forest stock volume.This paper exp lores how to make a comp rehensive use of textural and spectral features to enhance the accuracy of classification,thus to extract stand areamore p recisely.

Ke y w o rd s:high resolution;remote sensing;stand area;classification

Study on the W ay of Using High-resolution Rem ote-sensing Technique to Extract Stand A rea

HAN Xue-feng,XU Huan

(Tianjin Petroleum Vocational and Technical College,Tianjin 301607 China)

TP79

A

1673-582X(2011)02-0055-04

2010-10-10

韓學鋒(1980-),男,山東聊城人,天津石油職業(yè)技術(shù)學院教師,碩士,主要從事工程測量和攝影測量教學與研究工作;徐歡(1983-),女,河北省臨西人,天津石油職業(yè)技術(shù)學院教師,碩士,主要從事信號處理教學與研究。