高光譜遙感影像森林信息提取方法比較

張 雨，林 輝，臧 卓，嚴(yán)恩萍，東啟亮

（中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心，湖南 長沙 410004）

高光譜遙感影像森林信息提取方法比較

張 雨，林 輝，臧 卓，嚴(yán)恩萍，東啟亮

（中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心，湖南 長沙 410004）

以湖南省株洲市攸縣黃豐橋林場為研究對象，運(yùn)用最小距離、馬氏距離、最大似然、光譜角制圖、光譜信息散度、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)7種分類方法對Hyperion高光譜數(shù)據(jù)進(jìn)行森林信息提取。通過對信息提取結(jié)果進(jìn)行比較分析得出：針對Hyperion影像信息提取的7種方法中，支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和馬氏距離3種分類方法較適合森林信息的提取，總體精度分別為67.39%、66.30%、62.68%；最大似然法在針葉林信息提取中的效果較好，其精度為67.31%；支持向量機(jī)法最適合提取闊葉林信息，其精度為80.19%，遠(yuǎn)遠(yuǎn)高于其它6種分類方法；運(yùn)用馬氏距離和神經(jīng)網(wǎng)絡(luò)法提取竹林信息精度最高，分別達(dá)到了84.21%和81.58%。

高光譜遙感；Hyperion數(shù)據(jù)；森林信息提?。稽S豐橋林場

遙感技術(shù)自20世紀(jì)70年代引入中國林業(yè)應(yīng)用以來，因其具有宏觀性、綜合性、動(dòng)態(tài)性以及成本低等特點(diǎn)，已經(jīng)成為研究森林資源現(xiàn)狀及其森林動(dòng)態(tài)變化的理想手段[1]。近年來隨著現(xiàn)代遙感技術(shù)的發(fā)展以及不同衛(wèi)星傳感器對地觀測的應(yīng)用，遙感數(shù)據(jù)源不斷豐富，已有很多學(xué)者將多種分類方法應(yīng)用于傳統(tǒng)遙感數(shù)據(jù)源（如ETM、TM、SPOT5、CBERS等）進(jìn)行森林信息提取，取得了比較好的效果，而直接將這些方法應(yīng)用于高光譜數(shù)據(jù)進(jìn)行森林信息提取的研究比較少見[2-10]。

成像高光譜遙感數(shù)據(jù)與傳統(tǒng)多光譜遙感數(shù)據(jù)相比，具有圖譜合一的特點(diǎn)，即影像中每個(gè)像元既包含了確定地物成分的精細(xì)光譜信息，又蘊(yùn)涵地物空間屬性的幾何信息，非常有利于地物的精細(xì)識別和分類，不僅能大大改善對植被類型的識別和分類精度，提高植被參數(shù)的估測和反演精度，而且能夠估測各種植物化學(xué)成分，如植物葉內(nèi)的N、P、K、糖類、淀粉、蛋白質(zhì)、纖維素和葉綠素等，為評價(jià)植物長勢、估計(jì)森林生物量從理論和實(shí)踐上提供可靠的保證[11-13]。

本文中通過運(yùn)用最小距離、馬氏距離、最大似然、光譜角制圖、光譜信息散度、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)7種分類方法對Hyperion數(shù)據(jù)進(jìn)行分類，通過對Hyperion數(shù)據(jù)分類結(jié)果的分析，了解哪種分類方法最適合對Hyperion數(shù)據(jù)進(jìn)行森林分類，同時(shí)可以了解哪種分類方法更適合提取哪種森林類型。

1 研究區(qū)概況

黃豐橋國有林場呈帶狀跨株洲市攸縣東西部，東經(jīng) 113°04′～ 113°43′，北緯 27°06′～ 27°04′，屬亞熱帶季風(fēng)濕潤氣候區(qū)，年平均氣溫17.8℃，年降水量1 410.8 mm，林場境內(nèi)森林生長茂盛，主要分布有杉木Cunninghamia lanceolata林、馬尾松Pinus massoniana林、闊葉林和竹林等林分類型。

2 數(shù)據(jù)源及其處理

2.1 數(shù)據(jù)源

研究所采用的主要數(shù)據(jù)有：Hyperion高光譜數(shù)據(jù)、最新1∶10000地形圖、2008年攸縣森林資源更新數(shù)據(jù)。

Hyperion 是以推掃方式獲取可見光—近紅外（VNIR，400～1 000 nm）和短波紅外（SWIR，900～2 500 nm）光譜數(shù)據(jù)，其產(chǎn)品分兩級：Level0和Level1， Level0是原始數(shù)據(jù)，僅用來生產(chǎn)成Level1產(chǎn)品[14]。論文所使用的是Level1產(chǎn)品，有242個(gè)波段，其中波段1～70為可見光到近紅外波段（VNIR），波段71～242為短波紅外波段（SWIR）；光譜分辨率是10 nm，空間分辨率是30 m[15]。

2.2 數(shù)據(jù)處理

對成像高光譜數(shù)據(jù)進(jìn)行預(yù)處理，首先利用ENVI4.8軟件去除Hyperion數(shù)據(jù)中未經(jīng)過定標(biāo)的波段、重復(fù)的波段、受水汽影響嚴(yán)重的波段和成像質(zhì)量差的波段，最后保留161個(gè)波段，即8～ 57、79～ 120、131～ 165、183～ 184、187～218。然后對Hyperion數(shù)據(jù)161個(gè)波段進(jìn)行壞線的修復(fù)、垂直條紋的去除、Smile效應(yīng)糾正、FLAASH大氣校正和幾何校正等預(yù)處理。處理前后影像如圖1所示。

圖1 處理前(a)和處理后(b) Hyperion影像比較Fig.1 Comparison of Hyperion images before(a) and after(b) processed

3 森林分類與精度分析

3.1 監(jiān)督分類

在ENVI4.8軟件中，以中心波長為752.43、1 507.73、640.50 nm 3個(gè)波段組合顯示Hyperion數(shù)據(jù)，進(jìn)行感興趣區(qū)域的選取，將研究區(qū)分為杉木林、馬尾松林、闊葉林、竹林和非林地5類。

運(yùn)用最小距離、馬氏距離、最大似然、光譜角制圖、光譜信息散度、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)7種分類方法對Hyperion數(shù)據(jù)進(jìn)行分類。由于分類結(jié)果圖比較零碎，需要對分類結(jié)果進(jìn)行后處理。在ENVI4.8中輸入一個(gè)3×3變換核尺寸，并用變換核中占主要地位的像元類別數(shù)代替中心像元的類別數(shù)，生成的研究區(qū)域分類結(jié)果如圖2所示。

從圖2中可以看出，不同分類方法的分類結(jié)果相差較大，其中（a）最小距離法和(c)最大似然法的分類結(jié)果圖上基本上只顯示2種地類的分類結(jié)果，(d)光譜角制圖法和(e)光譜信息散度法的分類結(jié)果圖與真實(shí)地類的分類結(jié)果圖相差也很大，(b)馬氏距離、(f)神經(jīng)網(wǎng)絡(luò)和(g)支持向量機(jī)3種方法的分類結(jié)果圖與真實(shí)地類圖較接近。

3.2 精度分析

精度評價(jià)采用了基于誤差矩陣的統(tǒng)計(jì)方法。采用隨機(jī)抽樣法，以2008年攸縣森林資源更新數(shù)據(jù)為依據(jù)，選取了276個(gè)地面檢查點(diǎn)，其中52個(gè)落在杉木林中，24個(gè)落在馬尾松林中，106個(gè)落在闊葉林中，38個(gè)落在竹林中，56個(gè)落在非林地中，對分類結(jié)果進(jìn)行精度評價(jià)，結(jié)果見表1～表7。

圖2 研究區(qū)Hyperion數(shù)據(jù)分類結(jié)果Fig.2 Hyperion data classif i cation results in research region

表1 最小距離法Table 1 Minimum distance method

從表1可以看出，276個(gè)檢查點(diǎn)在最小距離法的分類結(jié)果中，集中分布在闊葉林、竹林、非林地3種地物中，而分布在杉木林和馬尾松林中只有9個(gè)點(diǎn)，這種分類方法不適合對高維的高光譜數(shù)據(jù)進(jìn)行分類。

從表2可以看出，馬氏距離法的總體分類精度達(dá)到了62.68%，Kappa系數(shù)為0.519 7。杉木、馬尾松、闊葉林、非林地4種地物的分類精度相差不多，均達(dá)到了50%以上，竹林信息的提取精度較高，達(dá)到了84.21%。

表2 馬氏距離法Table 2 Mahalanobis distance method

表3 最大似然法Table 3 Maximum likelihood method

從表3可以看出， 276個(gè)檢查點(diǎn)在最大似然法的分類結(jié)果中，集中分布在杉木林、闊葉林、非林地3種地物中，而分布在馬尾松林和竹林中只有12個(gè)點(diǎn)，故這種分類方法不適合對高維的高光譜數(shù)據(jù)進(jìn)行分類。

表4 光譜角制圖法Table 4 Spectral angle mapping method

光譜角制圖(SAM) 分類法是一種光譜匹配技術(shù)，所謂光譜匹配是通過研究2個(gè)光譜曲線的相似度來判斷地物的歸屬類別，這種方法常見于高光譜遙感領(lǐng)域，參考光譜曲線可從地物標(biāo)準(zhǔn)光譜數(shù)據(jù)庫中獲取, 也可從待分類圖像上獲取[16]。但是從表4可以看出，直接應(yīng)用SAM這種分類方法對Hyperion數(shù)據(jù)進(jìn)行森林類型的識別與分類，分類精度并不高，總體精度只有44.20%。

表5 光譜信息散度法Table 5 Spectral information divergence methos

光譜信息散度（SID）法是通過計(jì)算像元光譜和參考光譜之間的光譜信息散度SID（spectral information divergence）來確定之間的相似性，通過表5可以看出，這種分類方法的分類精度較差，4種有林地的分類精度均在60%以下。

從表6可以看出，運(yùn)用神經(jīng)網(wǎng)絡(luò)對Hyperion數(shù)據(jù)進(jìn)行森林信息提取時(shí)，闊葉林、竹林和非林地的提取精度均達(dá)到了60.00%以上，其中竹林的分類精度達(dá)到了81.58%，總體精度達(dá)到了66.30%，Kappa系數(shù)為0.547 0。

表6 神經(jīng)網(wǎng)絡(luò)法Table 6 Neural networks method

表7 支持向量機(jī)法Table 7 Support vector machine method

從表7可以看出，運(yùn)用神經(jīng)網(wǎng)絡(luò)對Hyperion數(shù)據(jù)進(jìn)行森林信息提取時(shí)，闊葉林、竹林的分類精度均較好，分別達(dá)到了80.19%和73.68%，總體精度達(dá)到了67.39%，Kappa系數(shù)為0.552 3。

表8 分類結(jié)果精度匯總Table 8 Accuracy summary of classification methods

從表8可以看出：運(yùn)用不同的分類方法對Hyperion數(shù)據(jù)進(jìn)行分類，精度差異很大；用不同的方法提取同一種林地，結(jié)果差異也很大。馬氏距離、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)這3種分類方法的總體精度均達(dá)到了60.00%以上，Kappa系數(shù)達(dá)到了0.500 0以上。在這7種分類方法中，雖然最大似然法總體分類精度最低，Kappa系數(shù)最小，但是其杉木林的分類精度最高，達(dá)到了67.31%。馬氏距離法提取馬尾松和竹林這2種地類的精度均較其它6種方法好，尤其是竹林信息的提取準(zhǔn)確度達(dá)到了84.21%。支持向量機(jī)提取闊葉林信息的準(zhǔn)確度達(dá)到了80.19%，遠(yuǎn)遠(yuǎn)好于其它6種分類方法。

4 結(jié) 論

運(yùn)用最小距離、馬氏距離、最大似然、光譜角填圖、光譜信息散度、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)7種分類方法對Hyperion高光譜數(shù)據(jù)進(jìn)行森林信息提取研究，主要結(jié)論如下：

（1）不同的分類方法結(jié)果差異很大。這7種分類方法中支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和馬氏距離3種分類方法較適合對Hyperion進(jìn)行分類，總體精度分別為67.39%、66.30%、62.68%。

（2）采用不同的方法提取同一種林地，結(jié)果差異也較大。最大似然法提取針葉林信息效果較好，其精度為67.31%。支持向量機(jī)法提取闊葉林信息效果最佳，其精度為80.19%，遠(yuǎn)遠(yuǎn)好于其它6種分類方法。運(yùn)用馬氏距離和神經(jīng)網(wǎng)絡(luò)2種方法提取竹林信息均較好，精度分別達(dá)到了84.21%和81.58%。

（3）Hyperion高光譜數(shù)據(jù) 161個(gè)波段參與森林分類總體精度不高，但是其闊葉林和竹林的提取準(zhǔn)確度較高，分別達(dá)到了80.19%和84.21%。

由于Hyperion高光譜數(shù)據(jù)161個(gè)波段參與分類，波段之間的冗余度太高，以后研究需要對Hyperion數(shù)據(jù)進(jìn)行降維處理，減少波段數(shù)目，充分利用其光譜分辨率高的優(yōu)勢，進(jìn)一步提高分類精度。

[1] 葛宏立.遙感圖像森林資源信息提取與分析研究[M].北京:科學(xué)出版社,2007.

[2] 鄒 蒲,王云鵬,王 志，等.基于ETM+圖像的混合像元線性分解方法在澳門植被信息提取中的應(yīng)用及效果評價(jià)[J].華南師范大學(xué)學(xué)報(bào):自然科學(xué)版,2007(02):131-136.

[3] 張 超,黃清麟,朱雪林,等. 基于ETM+和DEM的西藏灌木林遙感分類技術(shù)[J].林業(yè)科學(xué),2011(01):15-21.

[4] 韓振魁,朱長青.TM衛(wèi)片技術(shù)在森林資源二類調(diào)查中的應(yīng)用[J].內(nèi)蒙古林業(yè)調(diào)查設(shè)計(jì),2005,28(4):60-61.

[5] 張錦水,何春陽,潘耀忠,等.基于SVM 的多源信息復(fù)合的高空間分辨率遙感數(shù)據(jù)分類研究[J].遙感學(xué)報(bào),2006,10(1):49-57.

[6] 嚴(yán)恩萍.中高分辨率遙感影像闊葉林信息提取[D].長沙:中南林業(yè)科技大學(xué),2011.

[7] 孫 華,林 輝,熊育久,等.Spot5 影像統(tǒng)計(jì)分析及最佳組合波段選擇[J].遙感信息,2006,4:57-61.

[8] 王照利,黃 生,張敏中,等.森林資源調(diào)查中SPOT5遙感圖像處理方法探討[J].陜西林業(yè)科技,2005,(1):27-29,55.

[9] 羅 揚(yáng),朱 軍,王志民,等.中巴資源衛(wèi)星數(shù)據(jù)在貴州森林資源調(diào)查中的應(yīng)用[J].南京林業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版,2005, 29(2):92-94.

[10] 馬春林,昝 梅.基于中巴衛(wèi)星數(shù)據(jù)的森林資源信息提取[J].新疆師范大學(xué)學(xué)報(bào):自然科學(xué)版,2006,25(3): 166-168.

[11] 蒲瑞良,宮 鵬.高光譜遙感及其應(yīng)用[M].北京:高等教育出版社,2000.

[12] 譚炳香.高光譜遙感森林應(yīng)用研究探討[J].世界林業(yè)研究,2003,16(2):33-37.

[13] 臧 卓,林 輝,楊敏華.ICA與PCA在高光譜數(shù)據(jù)降維分類中的對比研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2011,31(11):19-22.

[14] 譚炳香.高光譜遙感森林類型識別及其郁閉度定量估測研究[D].北京:中國林業(yè)科學(xué)研究院,2006:51-59.

[15] 柳萍萍,林 輝,孫 華,等.高光譜數(shù)據(jù)的降維處理方法研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2011,31(11): 34-38.

[16] 樊彥國,李翔宇,張 磊,等.基于多波段分析的無閾值自動(dòng)光譜角制圖分類法[J].地理與地理信息科學(xué),2010,26(2):38-42.

Comparison among methods that extract forest information from hyper-spectral remote sensing image

ZHANG Yu, LIN Hui, ZANG Zhuo, YAN En-ping, DONG Qi-liang
(Research Center of Forest Remote Sensing & Information Engineering, Central South University of Forestry & Technology,Changsha 410004, Hunan, China)

Taking Huangfengqiao forest farm as the studied object, which is located in Youxian county, Zhuzhou City, Hunan Province,the forest information was extracted from hyper-spectral remote sensing image by using 7 kinds of classification method such as minimum distance,Mahalanobis distance, maximum likelihood,spectral angle mapping, spectral information divergence, neural network,support vector machine. Comparing the results of information extraction shows that among 7 kinds of methods of Hyperion image information extraction, support vector machine, neural network and mahalanobis distance were more suitable for forest information extraction,with overall accuracy of 67.39%,66.30%,62.68% respectively. The effect of maximum likelihood method extracted the coniferous forest information was batter than other’s with an accuracy of 67.31%. The support vector machine was most suitable for extracting the information of broad-leaved forest, with an accuracy of 80.19%, the accuracy was much higher than the other six.Mahalanobis distance and neural network mthods were the two maximam ways to extract the bamboo forest information,with accuracy of 84.21% and 81.58% respectively.

hyperspectral remote sensing; Hyperion data; forest information extraction; Huangfengqiao forest farm

S771.8

A

1673-923X(2013)01-0075-05

2012-10-25

“十二五”國家高技術(shù)研究發(fā)展計(jì)劃（863計(jì)劃）課題（2012AA102001）：“數(shù)字化森林資源監(jiān)測關(guān)鍵技術(shù)研究”；林業(yè)公益性行業(yè)科研專項(xiàng)（201104028）：“林分結(jié)構(gòu)與生長模擬技術(shù)研究”；國家重大專項(xiàng)項(xiàng)目（E0305/1112/02）；湖南省高校科技成果產(chǎn)業(yè)化培育項(xiàng)目(11CY019)

張 雨（1989-），女，遼寧錦州人，碩士研究生，研究方向：林業(yè)信息技術(shù)；E-mail：770179029@qq.com

林 輝（1965-），女，湖北黃岡人，教授，博士，博士生導(dǎo)師，主要從事森林經(jīng)理學(xué)、遙感技術(shù)與地理信息系統(tǒng)的教學(xué)和科研工作

[本文編校：謝榮秀]