基于高光譜遙感數(shù)據(jù)的森林優(yōu)勢(shì)樹種組識(shí)別1)

王璐 范文義

(東北林業(yè)大學(xué)，哈爾濱，150040)

責(zé)任編輯:王廣建。

高光譜遙感是指在電磁波譜的紫外、可見光、近紅外和中紅外區(qū)域獲取許多非常窄且連續(xù)的圖像數(shù)據(jù)的技術(shù)［1］。高光譜遙感是20世紀(jì)末人類對(duì)地觀測(cè)方面取得的重大技術(shù)突破之一。成像光譜儀為每個(gè)像元提供數(shù)十至數(shù)百個(gè)窄波段光譜信息，能產(chǎn)生一條完整而連續(xù)的光譜曲線，它以納米級(jí)的光譜分辨率，用幾十到幾百個(gè)波段同時(shí)對(duì)地物成像，從而獲得地物的連續(xù)且精細(xì)的光譜信息［2］。

常規(guī)的森林經(jīng)理調(diào)查主要使用大比例尺的航片或較高空間分辨率遙感圖像進(jìn)行解譯，進(jìn)行森林優(yōu)勢(shì)樹種組識(shí)別受到多光譜遙感光譜分辨率的限制，難以滿足實(shí)際生產(chǎn)的需求［3］。隨著高光譜遙感數(shù)據(jù)產(chǎn)品的日益豐富，開始有學(xué)者使用CASI、Hyperion等高光譜數(shù)據(jù)對(duì)森林樹種類型進(jìn)行識(shí)別研究，其中有關(guān)光譜特征的選擇和提取是一個(gè)重要的研究方向［4］。張良培等［5］用高光譜對(duì)植物物種進(jìn)行識(shí)別;Zhang等［6］用HYDICE高光譜數(shù)據(jù)進(jìn)行熱帶森林植被的分類研究;Martin等［7］結(jié)合不同森林樹種之間特有的生化特性和高光譜數(shù)據(jù)(AVIRIS)與樹種葉片化學(xué)成分之間建立的關(guān)系，鑒別了11種森林類型;Davison等［8］對(duì)使用機(jī)載CASI高光譜數(shù)據(jù)監(jiān)測(cè)加拿大安大略湖森林參數(shù)的能力進(jìn)行了評(píng)價(jià);G．Goodenough等［9］使用Hyperion、ALI和ETM等遙感數(shù)據(jù)，對(duì)加拿大維多利亞地區(qū)的5種森林類型進(jìn)行了分類;宮鵬等［10］利用高分辨率光譜儀實(shí)地測(cè)得光譜數(shù)據(jù)，識(shí)別美國(guó)加州的6種主要針葉樹種，采用相鄰窄波段逐步加寬的方法，測(cè)試不同波段寬度對(duì)樹種識(shí)別精度的影響。

由于機(jī)載成像光譜儀成像成本很高，國(guó)內(nèi)多采用EO－1Hyperion高光譜數(shù)據(jù)對(duì)森林類型或樹種組的識(shí)別研究，2008年9月，我國(guó)發(fā)射的HJ－1A衛(wèi)星的HSI數(shù)據(jù)填補(bǔ)了目前國(guó)產(chǎn)數(shù)據(jù)在高光譜傳感器領(lǐng)域的空白。本文以黑龍江省大興安嶺塔河地區(qū)的HIS 2級(jí)產(chǎn)品高光譜遙感數(shù)據(jù)為數(shù)據(jù)源，通過對(duì)高光譜影像進(jìn)行5種變換(一階微分變換、對(duì)數(shù)變換、對(duì)數(shù)變換后的一階微分變換、二階微分變換、三階微分變換)尋求適用于該研究區(qū)域優(yōu)勢(shì)樹種組識(shí)別的最佳變換方法。

1 研究區(qū)與數(shù)據(jù)

1．1 研究區(qū)概況

塔河林業(yè)局地處東經(jīng)123°～125°，北緯52°～53°，位于黑龍江省西北部，居大興安嶺地區(qū)的中心地帶，邊境線長(zhǎng)173 km，總面積為14 420 km2。境內(nèi)多低山丘陵，最高海拔1 396．7 m，最低海拔209．8 m，平均海拔450 m。屬寒溫帶大陸性氣候，氣候變化顯著，冬季漫長(zhǎng)干燥而寒冷，夏季短暫而濕熱，塔河縣年平均氣溫－2．4℃，年平均降水量463．2 mm，主要集中在7、8月份。森林覆蓋率為81%;蓄積量5 340萬m3，主要樹種有白樺(Betula platyphylla Suk．)、落葉松(Larix spp．)、山 楊(Pobulus davidiana)、樟子松(mongolica Litv)、楊樹(Populus L．)、云杉(Piceaasperata)等。

1．2 數(shù)據(jù)收集

環(huán)境與災(zāi)害監(jiān)測(cè)預(yù)報(bào)小衛(wèi)星星座A、B星(HJ－1A/1B星)于2008年9月成功發(fā)射，HJ－1A星搭載了高光譜成像儀HSI，光譜范圍為450～950 nm，115個(gè)波段，空間分辨率為100 m，幅寬為50 km，側(cè)擺能力為±30°，重訪周期為4 d，可實(shí)現(xiàn)對(duì)研究區(qū)的快速重復(fù)觀測(cè)。本文以HSI的2級(jí)數(shù)據(jù)產(chǎn)品(軌道號(hào)為455－49－A1，采集時(shí)間為2013年7月17日)進(jìn)行該區(qū)域優(yōu)勢(shì)樹種組的識(shí)別研究。與常規(guī)的多光譜遙感數(shù)據(jù)如TM、SPOT相比，由于HIS的光譜分辨率大為提高，所以對(duì)于不同樹種組的精細(xì)光譜特征識(shí)別能力大幅度提升，雖然HIS數(shù)據(jù)的空間分辨率較低(100 m)，但是對(duì)于林分類型相對(duì)簡(jiǎn)單的大興安嶺地區(qū)森林優(yōu)勢(shì)樹種組識(shí)別具有很大潛力。

本文用2012年塔河林業(yè)局的二類調(diào)查數(shù)據(jù)來進(jìn)行該區(qū)域優(yōu)勢(shì)樹種組分類系統(tǒng)制定和分類精度的檢驗(yàn)。

2 研究方法

2．1 分類系統(tǒng)的制定

根據(jù)2007年8月國(guó)家《土地利用現(xiàn)狀分類》統(tǒng)一標(biāo)準(zhǔn)，將研究區(qū)一級(jí)分類分為林地和非林地，其中的非林地包括耕地、水體、道路、園地、草地、建筑用地等。本文主要研究二級(jí)分類中的林地分類。根據(jù)國(guó)家林業(yè)局二類調(diào)查的《森林資源規(guī)劃設(shè)計(jì)調(diào)查主要技術(shù)規(guī)定》，結(jié)合該區(qū)域森林資源二類調(diào)查數(shù)據(jù)，根據(jù)樹種組成，將該研究區(qū)域的林分類型確定為白樺林、落葉松林、山楊林和樟子松林。

由于楊樹、柳樹和云杉等其他樹種占林分組成不到20%，將其合并至光譜特征相似的優(yōu)勢(shì)樹種組中。由圖1可知，柳樹和楊樹的光譜曲線與山楊的相似度較高，因此，將柳樹、楊樹合并至山楊林;云杉合并至光譜曲線距其最相近的樟子松林。林分類型不是二類調(diào)查的直接結(jié)果，林分類型需要根據(jù)優(yōu)勢(shì)樹種組重新劃分，森林資源管理過程中各種數(shù)表的建立和生長(zhǎng)過程的模擬都是根據(jù)林分類型分別進(jìn)行的，因此，研究應(yīng)用遙感數(shù)據(jù)提取林分類型就顯得特別重要。

圖1 大氣校正后的植被光譜曲線

2．2 特征選擇與特征提取

2．2．1 特征選擇

高光譜數(shù)據(jù)的導(dǎo)數(shù)光譜可以有效的消除光譜數(shù)據(jù)之間的系統(tǒng)誤差，削弱大氣的吸收、輻射、散射對(duì)目標(biāo)光譜的影響［11］。本研究對(duì)高光譜數(shù)據(jù)進(jìn)行一階、二階、三階的變換，消除背景噪聲，更直觀有效的分辨重疊光譜。光譜數(shù)據(jù)經(jīng)過對(duì)數(shù)變換后，有利于分類特征選擇，因此對(duì)光盤數(shù)據(jù)在對(duì)數(shù)變換的基礎(chǔ)上做一階微分處理來達(dá)到一個(gè)較好的效果［7］。由于“綠峰”和“紅邊”是植被特有的光譜特征，不同樹種的光譜曲線在此區(qū)域的差別比較明顯，本文選用500～780 nm的波段作為研究區(qū)間［12］，并對(duì)其進(jìn)行5種數(shù)據(jù)變換。主要包括:一階微分變換(d(R)=式中:r為波段號(hào)，Δλ為波段距離);對(duì)數(shù)變換(log(R));對(duì)數(shù)變換后的一階微分變換(d(log(R)));二階微分變換(d2(R));三階微分變換(d3(R))。

對(duì)5種變換結(jié)果在植被光譜的“綠峰”和“紅邊”上的光譜特征差異進(jìn)行分析表明，一階微分變換后，在“綠峰”波段附近各樹種光譜曲線交叉重疊，但在“紅邊”附近的709～740 nm(波段寬度31 nm)樹種特征差別明顯;對(duì)數(shù)變換后，560～582 nm(波段寬度22 nm)波段范圍內(nèi)樹種的光譜曲線由高到低排序?yàn)樯綏?、樟子松、白樺、落葉松，729～779 nm(波段寬度50 nm)范圍內(nèi)為山楊、白樺、樟子松、落葉松;對(duì)數(shù)導(dǎo)數(shù)變換后和二階三階微分變換后，“紅邊”差異的波段范圍分別為699～719 nm(波段寬度20 nm)、734～740 nm(波段寬度6 nm)、729～747 nm(波段寬度18 nm)。由以上分析看出，除對(duì)數(shù)變換外，其余4種變換方法的“綠峰”部分都很難看出特征差異。因此，本文選擇“紅邊”范圍內(nèi)(680～780 nm)的20個(gè)波段進(jìn)行后面的特征提取。

2．2．2 特征提取

最小噪聲分離變換(MNF)是一種可以將變換后的各成分按照信噪比的順序來排列的特征提取方法。不僅可以識(shí)別和分離數(shù)據(jù)中的噪聲，還能降低高光譜影像的維數(shù)，消除各波段之間的冗余性和高度的相關(guān)性。其實(shí)質(zhì)是兩次主成分變換，都是針對(duì)一組多元隨機(jī)變量進(jìn)行線性變換，不同的是MNF變換可以根據(jù)圖像質(zhì)量來進(jìn)行排列，信噪比則是作為衡量圖像質(zhì)量的量化指標(biāo)［13］。針對(duì)特征選擇中的5種變換方法的分析，進(jìn)一步對(duì)波段進(jìn)行選擇。本文最終對(duì)原始數(shù)據(jù)和5種變換后數(shù)據(jù)的680～780 nm的20個(gè)波段分別進(jìn)行MNF變換，變換后的有用信息分別集中在每種數(shù)據(jù)的前5個(gè)波段內(nèi)，因此用這些波段進(jìn)行后面的分類。

2．3 分類方法

2．3．1 訓(xùn)練樣本的提取

基于2012年塔河林業(yè)局的二類調(diào)查數(shù)據(jù)的小班數(shù)據(jù)，選擇其中優(yōu)勢(shì)樹種占林分組成八成以上的若干像元作為訓(xùn)練樣本。

2．3．2 分類及精度驗(yàn)證

支持向量機(jī)(SVM)是一種建立在統(tǒng)計(jì)學(xué)理論基礎(chǔ)上的機(jī)器學(xué)習(xí)分類方法［14］，其基本思想是以結(jié)構(gòu)風(fēng)險(xiǎn)的最小化為原則，構(gòu)造一個(gè)分類超平面作為判決面，使得訓(xùn)練樣本中的兩類數(shù)據(jù)能被盡可能遠(yuǎn)的分開。SVM可以自動(dòng)尋找對(duì)分類有較大區(qū)分能力的支持向量構(gòu)造分類器，使類與類之間的間隔最大。Gualtieri［15］在1998年首次用SVM進(jìn)行高光譜影像的分類實(shí)驗(yàn)后，發(fā)現(xiàn)SVM可以解決小樣本下的Hughes現(xiàn)象，此外，還有Zhu等［16］利用SVM方法對(duì)ASTER數(shù)據(jù)進(jìn)行了分類，表明SVM方法在訓(xùn)練速度和分類精度方面都有很好的優(yōu)越性。

本次實(shí)驗(yàn)中，用自動(dòng)提取75%的樣本數(shù)據(jù)作為訓(xùn)練樣本，用剩下25%的樣本數(shù)據(jù)作為檢驗(yàn)樣本，對(duì)原始高光譜數(shù)據(jù)和5種變換后的MNF提取的5個(gè)波段分別進(jìn)行分類比較，通過計(jì)算混淆矩陣，統(tǒng)計(jì)出各樹種總體的分類精度，比較分類結(jié)果優(yōu)劣。

3 結(jié)果及評(píng)價(jià)

3．1 整體評(píng)價(jià)

用SVM方法對(duì)原始數(shù)據(jù)和5種數(shù)據(jù)變換進(jìn)行分類后的總精度以及Kappa系數(shù)的比較見表1。由表1可知，二階微分變換能夠取得最佳效果，精度可達(dá)到89．5%，Kappa系數(shù)為0．802;稍差的是三階微分變換，精度為89．2%，Kappa系數(shù)為0．797，精度只比二階微分變換低0．3%;直接對(duì)影像進(jìn)行一階微分變換也取得較好的效果，精度為86．8%，Kappa系數(shù)為0．753;對(duì)數(shù)后的一階微分變換只比直接對(duì)影像一階微分變換的精度低了0．1%。與影像未經(jīng)變換的精度相比，最高的3種變換方法精度分別超過未經(jīng)影像變換的4．8%、4．5%、2．1%，Kappa系數(shù)分別增長(zhǎng)0．087、0．082、0．038，且3種變換方法均是微分變換。僅是對(duì)數(shù)變換也有提高分類精度的效果，但相對(duì)于其他變換方法精度提高較小，僅提高1．5%。對(duì)數(shù)變換后的微分變換也比未經(jīng)變換的精度提高了2．0%，這說明大多數(shù)的微分變換對(duì)于高光譜數(shù)據(jù)都有提高精度的效果。值得注意的是，一階微分、二階微分和三階微分三種變換方法相比，二階高于一階2．7%，但三階低于二階0．3%，說明雖然微分變換能在精度上有很大的提高，但并不是微分階數(shù)越高效果越好，顯然，本研究中二階微分變換效果最佳。

表1 原始數(shù)據(jù)與5種變換后數(shù)據(jù)的分類總精度

3．2 樹種間評(píng)價(jià)

4個(gè)優(yōu)勢(shì)樹種組在原始數(shù)據(jù)和5種變換后的數(shù)據(jù)分類后的制圖精度和用戶精度以及總平均精度見表2。由表2可知，白樺林、落葉松林的5種變換后的數(shù)據(jù)精度均高于未經(jīng)變換的原始數(shù)據(jù)，制圖精度分別提高了1．5%～4．1%和1%～4．7%，用戶精度分別提高了0．7%～1．8%和2．6%～6．2%;山楊林的對(duì)數(shù)變換后的用戶精度降低了0．4%，樟子松林一階微分變換后的用戶精度降低了0．7%，二階微分變換下的4個(gè)優(yōu)勢(shì)樹種組各自的制圖精度和用戶精度均高于其他變換方法，平均精度為94．7%和91．2%，總平均精度為90．5%。

4 結(jié)論與討論

運(yùn)用高光譜遙感數(shù)據(jù)提取光譜特征，對(duì)地物分類是高光譜遙感研究的熱點(diǎn)，目前大多數(shù)研究采用Hyperion、CASI等數(shù)據(jù)源，HJ－1A衛(wèi)星是我國(guó)自助發(fā)射的衛(wèi)星，對(duì)該衛(wèi)星HSI傳感器所獲取的高光譜數(shù)據(jù)進(jìn)行研究，有利于推廣該數(shù)據(jù)的應(yīng)用范圍。本文運(yùn)用HIS 2級(jí)產(chǎn)品數(shù)據(jù)對(duì)影像數(shù)據(jù)的預(yù)處理、植被光譜特征的選擇進(jìn)行了研究。用MNF最小分離變換來實(shí)現(xiàn)影像的去噪和降維，將影像的主要信息集中在影像的前5個(gè)波段內(nèi)進(jìn)行分類。

表2 6種數(shù)據(jù)的各優(yōu)勢(shì)樹種組的分類精度 %

對(duì)影像數(shù)據(jù)進(jìn)行一階微分變換、對(duì)數(shù)變換、對(duì)數(shù)后的一階微分變換、二階微分變換、三階微分變換。5種變換方法的分類精度均高于原始數(shù)據(jù)，二階微分變換總精度最高，為89．5%，Kappa系數(shù)為0．802;微分變換的整體效果優(yōu)于對(duì)數(shù)變換，二階微分精度高于一階微分2．7%，但三階微分低于二階微分0．3%，說明微分變化并不是階數(shù)越高效果越好，研究結(jié)果表明二階微分變換效果最佳。

林分類型分類精度取決于植被的光譜特征差異。由于研究區(qū)域內(nèi)落葉松林和樟子松林的光譜曲線相似度比較高，差異不明顯，因此，混分現(xiàn)象嚴(yán)重，導(dǎo)致分類效果比其他類型差。以后將嘗試引入一些新的影響因子(如:紋理、地形等)，進(jìn)一步提高林分類型的分類精度。

［1］浦瑞良，宮鵬．高光譜遙感及其應(yīng)用［M］．北京:高等教育出版社，2003．

［2］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．

［3］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．

［4］蘇紅軍，杜培軍，，盛業(yè)華．高光譜遙感數(shù)據(jù)光譜特征提取算法與分類研究［J］．計(jì)算機(jī)應(yīng)用研究，2008，25(2):390－394．

［5］張良培，鄭蘭芬，童慶禧．利用高光譜對(duì)生物變量進(jìn)行估計(jì)［J］．遙感學(xué)報(bào)，1997，1(2):111－114．

［6］Zhang J，Rivard B，Sánchez-Azofeifa A，et al．Intra-and interclass spectral variability of tropical tree species at La Selva，Costa Rica:Implications for species identification using HYDICE imagery［J］．Remote Sensing of Environment，2006，105(2):129－141．

［7］Martin M E．Determining forest species composition using high spectral resolution remote sensing dates［J］．Environ，1998，65(3):249－254．

［8］Davison D，Achal S，Mah S，et al．Determination of Tree Species and Tree Stem Densities in Nborthem Ontario Forest using Airborne CASI data［C］．Ottario:Proc of Fouth International Airborne Remote Sensing Conference and Exhibition，1999．

［9］Goodenough D G，Bboga A S．Monitoring Forests with Hyperion and ALI［C］．Toronte:ProcIGARSS，2002．

［10］宮鵬，浦瑞良，郁彬．不同季相針葉樹種高光譜數(shù)據(jù)識(shí)別分析［J］．遙感學(xué)報(bào)，1998，2(3):211－217．

［11］王志輝，丁麗霞．基于葉片高光譜特性分析的樹種識(shí)別［J］．光譜學(xué)與光譜分析，2010，30(7):1825－1829．

［12］劉麗娟，龐勇，范文義，等．機(jī)載LiDAR和高光譜融合實(shí)現(xiàn)溫帶天然林樹種識(shí)別［J］．遙感學(xué)報(bào)，2013，17(3):679－695．

［13］Boardman JW，Kruse FA．Automated Spectral Analysis:A Geological Example Using AVIRISData，North Grapevine Mountains［C］．Michigan:Proceeding 10th Thematic Conference on Geologic Remote Sensing，Environmental Research Institute of Michigan，Ann Arbor，MI，1994:407－418．

［14］湯井田，胡丹，龔智敏．基于SVM的SAR圖像分類研究［J］．遙感技術(shù)與應(yīng)用，2008，23(3):341－345．

［15］Vachon P W，West JC．Spectral estimation techniques for multilook SAR images of ocean waves［J］．Canada Centre for Remote Sensing，1992，30(3):568－577．

［16］Zhu G B，Blumberg D G．Classification Using ASTER Data and SVM Algorithms:The Case Study of Beer Sheva，Israel［J］．Remote Sensing of Environment，2002，80(2):233－240．