基于QuickBird影像的退耕地林分類型識別方法研究

顧留碗, 王 崠, 吳 見, 王帥帥

(1.滁州學(xué)院 地理信息與旅游學(xué)院, 安徽 滁州 239000; 2.安徽省地理信息集成應(yīng)用協(xié)同創(chuàng)新中心, 安徽 滁州 239000)

?

基于QuickBird影像的退耕地林分類型識別方法研究

顧留碗1,2, 王 崠1,2, 吳 見1,2, 王帥帥1,2

(1.滁州學(xué)院 地理信息與旅游學(xué)院, 安徽 滁州 239000; 2.安徽省地理信息集成應(yīng)用協(xié)同創(chuàng)新中心, 安徽 滁州 239000)

摘要：[目的] 減少遙感數(shù)據(jù)的噪聲影響,提高光譜信息的傳統(tǒng)林分類識別方法的提取精度。 [方法] 在MNF變換融合處理的基礎(chǔ)上,采用一種基于光譜和空間信息相結(jié)合的分類方法,融入空間信息對研究區(qū)不同林分遙感信息進(jìn)行提取。 [結(jié)果] 該方法可以有效地抑制分類結(jié)果的“麻點(diǎn)”現(xiàn)象,對各類型林分信息的平均提取精度達(dá)83.6%,高于傳統(tǒng)最大似然法11.6%。 [結(jié)論] 融入空間信息的林分信息提取方法可以有效地改善分類效果,能夠提高分類精度,在退耕地林分信息提取和變化監(jiān)測等方面具有一定的實(shí)際意義。

關(guān)鍵詞：空間信息; QuickBird; 退耕地; MNF; 林分類型

傳統(tǒng)的退耕地遙感信息提取技術(shù)主要包括監(jiān)督分類、非監(jiān)督分類和目視解譯技術(shù)。遙感信息與地面目標(biāo)往往存在一一對應(yīng)的關(guān)系，可以從研究地物目標(biāo)的光譜特征直接進(jìn)行提取信息[1-3]。因此，基于光譜特征的退耕地林分類型信息提取技術(shù)已有了許多研究，主要的提取方法有基于距離計(jì)量和貝葉斯準(zhǔn)則的監(jiān)督與非監(jiān)督分類法。該方法計(jì)算相對簡單，實(shí)施方便，能夠?qū)崿F(xiàn)計(jì)算機(jī)的自動分類，國內(nèi)外許多研究都是基于該方法進(jìn)行的[4-6]，但此類方法的缺陷是分類精度較低，結(jié)果不能直接使用。由于解譯精度的要求，目視解譯一直以來備受研究人員的青睞，是目前運(yùn)用最為成熟的解譯技術(shù)，而目視解譯的效率很低，費(fèi)時費(fèi)力。隨后，以斑塊為單位的面向?qū)ο蠹夹g(shù)在林分信息提取研究中得到了應(yīng)用，也取得了一定的研究成果[7-9]。

由于現(xiàn)實(shí)地物常常分布不均衡，加之遙感數(shù)據(jù)易受噪聲干擾，這些方法的信息提取結(jié)果常常出現(xiàn)“麻點(diǎn)”現(xiàn)象，即某一地物類別里面具有其他類別的像元，造成分類結(jié)果較差。有研究表明，實(shí)際地物的分布在空間上通常具有連續(xù)性，即一種地類的周圍或鄰近區(qū)域仍然是這種地類的概率最大，因此在影像分類時引入空間信息可以改善分類效果[10]，如SRSSHF算法等，此項(xiàng)信息在林分類型信息提取中非常重要，是提高分類精度，改善“麻點(diǎn)”現(xiàn)象的關(guān)鍵。

本文在基于MNF變換影像融合處理的基礎(chǔ)上，采用一種基于光譜和空間信息相結(jié)合的分類方法，對研究區(qū)的退耕地林分類型信息進(jìn)行提取，旨在有效改善“麻點(diǎn)”現(xiàn)象。

1基于空間信息的分類方法

在MNF變換融合后，進(jìn)一步執(zhí)行基于空間信息的林分信息提取。采用D代表影像數(shù)據(jù)立方體，以Dij描述坐標(biāo)(i,j)處的光譜值，i=1,2,…,M；j=1,2,…,N，M，N各表示影像像元的行與列數(shù)。采用S(M行，N列)的分塊矩陣，并且以Sij描述坐標(biāo)(i,j)位置的Dij相對應(yīng)的塊數(shù)。同時，設(shè)置一個分塊閾值μ，采用x與y兩條不同的光譜曲線，并以F(x,y)描述這2條光譜曲線的相似度。如果F(x,y)≤μ，則此兩條光譜曲線相似度較高，可歸屬相同的塊；如果F(x,y)>μ，則此2條光譜曲線相似度較低，定義為不同的塊[10-11]。具體操作步驟[10]為：

(1) 將影像數(shù)據(jù)第1行與第1列的像元塊數(shù)定義成1，即S11=1。

(2) 如果

F(D1,j,D1,j-1)≤μ

(1)

則：S1,j-1=S1j。

反之S1,j-1=S1j+1(j=2,3,…,N)

(3) 如果j= 1，設(shè)

F=min〔F(Di1,Di-1,1)； (Di1,Di-1,2)〕

(2)

F(Di1,Dlm)=t

(3)

當(dāng)t≤μ時，Si1=Slm；反之Si1=max(S+1)。

如果j≠1，設(shè)

F=min〔F(Dij,Di-1,j-1)；F(Dij,Di-1,j)；

F(Dij,Di-1,j+1)；F(Dij,Di,j-1)〕

(4)

F(Dij,Dlm)=t

(5)

當(dāng)t≤μ時，Sij=Slm；

反之，Si1=max(S)+1(i=2,3,…,M;j=2,3,…,N)。

(4) 計(jì)算D中相同塊數(shù)的全部像元的影像光譜均值。例如，S中只有Sij=Si,j+1=Si+1,j=c，那么D中相應(yīng)坐標(biāo)位置的光譜值計(jì)算為：

(6)

(5) 在D中計(jì)算出相同塊數(shù)的光譜均值后，進(jìn)一步采用合適的分類方法進(jìn)行分類。

采用方格—影像像元及其光譜，計(jì)算像元。全部像元分塊完成以后，計(jì)算具有相同塊數(shù)值的像元光譜均值，得到影像G，該影像各像元不再是帶有噪聲的原始光譜，而是相同塊數(shù)像元的均值光譜，可有效抑制噪聲。像元分塊時，同時利用了影像空間和光譜信息，因此可認(rèn)為具有相同塊數(shù)值的像元是相同的類別，這個假設(shè)在大部分影像中是合理的[10]。在獲取影像G的基礎(chǔ)上，進(jìn)一步選取分類方法進(jìn)行分類，可有效避免“麻點(diǎn)”現(xiàn)象。

本研究以歐氏距離法對光譜進(jìn)行相似性判定，在分塊后的進(jìn)一步分類過程中是把樣本平均光譜跟各塊的均值光譜比較，將F(x, y)以dxy替換[10]:

(7)

式中：x=(bx1,bx2,…,bxn)； y=(by1,by2,…,byn)； n——波段數(shù)。

分塊過程中，當(dāng)dxy<μ時，x與y塊數(shù)相同，反之不同；對影像G進(jìn)行分類時，引人另一個閾值σ，當(dāng)dxy<σ時，x與y類別相同，反之不同。

2基于空間信息的退耕地林分類型信息提取

2.1　研究區(qū)概況及數(shù)據(jù)預(yù)處理

延慶縣位于北京市西北部，地理坐標(biāo)為40°16′03″—40°47′28″N，115°43′45″—116°34′10″E，屬連接內(nèi)蒙、河北壩上與北京平原地區(qū)的過渡地帶，是華北地區(qū)五大風(fēng)廊之一，也是風(fēng)沙進(jìn)入北京城的咽喉要道。延慶縣屬大陸季風(fēng)氣候區(qū)，是暖溫帶與中溫帶，半濕潤與干旱氣候的過度地帶，四季分明，全年平均氣溫8.7 ℃，各季節(jié)之間和晝夜之間溫差大。由于森林植被狀況差，降水量少而不均，每年平均降水量為493 mm，最高年份達(dá)到600 mm，降水量的集中使其每年都有不同程度的山洪，泥石流發(fā)生，造成嚴(yán)重的經(jīng)濟(jì)損失。張山營鎮(zhèn)位于延慶縣西北部，該鎮(zhèn)自2000年開始實(shí)施京津風(fēng)沙源工程，到2003年共完成工程面積12 600 hm2。

獲取覆蓋試驗(yàn)區(qū)的2007年9月12日的QuickBird數(shù)據(jù)，其中含有2.44 m分辨率的多光譜數(shù)據(jù)和0.6 m分辨率的全色波段。利用地面采集的GPS點(diǎn)作為控制點(diǎn)對圖像做正射糾正，誤差為0.3個像元，滿足精度需求。通過手持GPS獲取野外調(diào)查數(shù)據(jù)，在每一種林分類型中隨機(jī)選取60個抽樣點(diǎn)，記錄林分類型。

2.2　退耕地林分類型分類體系構(gòu)建

在進(jìn)行林分類型信息提取之前，首先對影像覆蓋的研究區(qū)進(jìn)行實(shí)地調(diào)查，調(diào)查的內(nèi)容包含樹種、GPS定位坐標(biāo)、不同林分類型的大致區(qū)域等，同時記錄林分之間的混雜情況。根據(jù)研究區(qū)的具體情況，將林分類型分為6種類型(見表1)。

表1　研究區(qū)退耕地林分類型分類體系

2.3　基于MNF變換的影像融合

為了將多光譜影像的光譜信息與全色影像的高空間分辨率的優(yōu)勢相結(jié)合，本研究采用一種基于MNF變換的影像融合方式對影像進(jìn)行處理，具體流程[12]如下。

(1) 對幾何配準(zhǔn)后的多光譜影像執(zhí)行MNF(minimum noise fraction)正變換，同時選取性質(zhì)相似平面小區(qū)域，在全部影像中對小區(qū)域統(tǒng)計(jì)的噪聲進(jìn)行運(yùn)用；

(2) 將MNF 變換的第1分量與全色影像進(jìn)行直方圖匹配，獲取一致的方差和均值；

(3) 采用直方圖匹配后的全色影像取代MNF 變換的第1分量；

(4) 將MNF變換的取余分量與直方圖匹配后的全色影像相結(jié)合，執(zhí)行MNF逆變換，獲取提高空間分辨率的融合結(jié)果。

2.4基于空間信息的退耕地林分類型信息提取結(jié)果

本研究采用基于光譜和空間信息相結(jié)合的分類方法對研究區(qū)的退耕地林分類型遙感信息進(jìn)行了提取。最大似然法是目前遙感影像分類中最為流行的分類方法之一，發(fā)展比較成熟，以該方法作為對比，能夠體現(xiàn)本文方法與目前普遍采用的方法之間的差異，因此本文也采用了最大似然法對影像進(jìn)行了分類。

2.5　精度評價

采用手持GPS進(jìn)行野外樣點(diǎn)定位，每種林分類型隨機(jī)選取60個樣點(diǎn)，記錄每個樣點(diǎn)的具體坐標(biāo)，對照實(shí)地記錄的坐標(biāo)信息，在本文方法和最大似然法獲取的結(jié)果圖上進(jìn)行驗(yàn)證，如果記錄的坐標(biāo)信息對應(yīng)的實(shí)地調(diào)查和影像分類類型一致，則該點(diǎn)分類正確，否則為分類錯誤。以正確分類的點(diǎn)數(shù)占總調(diào)查點(diǎn)數(shù)的百分比計(jì)算林分信息的提取精度。本文方法和最大似然法的精度驗(yàn)證方法一致(表2)。實(shí)地?cái)?shù)據(jù)的調(diào)查時間為2007年9月至10月。

從表2可以看出，采用基于空間和光譜信息相結(jié)合的方法對研究區(qū)不同類型林分的平均分類精度達(dá)83.6%，與此相比，僅采用最大似然法的平均分類精度僅為72.0%。在本文方法中，對油松的識別正確率最高，達(dá)到88.3%，對山杏的識別正確率最低，為76.7%。根據(jù)實(shí)地調(diào)查，主要原因是山杏分布零散，且樹體的生長較小。采用最大似然法對楊樹的識別率最高達(dá)76.7%，對山杏的識別正確率仍為最低，為68.3%。融合光譜與空間信息進(jìn)行分類時，可以有效抑制“麻點(diǎn)”現(xiàn)象，6種林分類型基本都可以被整塊地提?。蛔畲笏迫环▎渭円怨庾V信息進(jìn)行林分類型信息提取，“麻點(diǎn)”現(xiàn)象較為嚴(yán)重，不同類型林分之間存在較多的錯分現(xiàn)象。盡管本文采用的基于空間與光譜信息結(jié)合的林分類型信息提取方法同樣具有錯分現(xiàn)象，但總體效果較傳統(tǒng)方法有較大改善，基本滿足了實(shí)際調(diào)查的需求。

表2　不同林分類型分類結(jié)果精度評價

3結(jié)論與討論

3.1　討 論

遙感數(shù)據(jù)主要依據(jù)灰度值的空間梯度變化對不同地物的差異進(jìn)行識別。隨著遙感技術(shù)的不斷發(fā)展，數(shù)據(jù)分辨率也逐步提高，但在地物相似性大、混合像元比重高、地類類別較多等情況下，傳統(tǒng)的單一尺度下紋理特征分類方法和基于光譜統(tǒng)計(jì)的分類方法常常出現(xiàn)嚴(yán)重的漏分、錯分、分類破碎等情況。在綜合實(shí)地考察和影像分析的基礎(chǔ)上，發(fā)現(xiàn)實(shí)際地物的分布在空間上通常具有連續(xù)性，在影像分類時引入空間信息可以改善分類效果，同時也對該思想做了一定的前期探索，如參考文獻(xiàn)[11]采用高光譜遙感數(shù)據(jù)對不同植被類型做了分類，有效改善了“麻點(diǎn)”現(xiàn)象，提高了分類精度。本研究是繼文獻(xiàn)[11]后的進(jìn)一步研究，不是針對所有植被類型，而是只針對林業(yè)用地，將林地進(jìn)一步細(xì)分，與傳統(tǒng)方法相比，同樣取得了較好的效果。本研究表明，空間信息的引入在林分類型信息提取中具有非常重要的作用。

3.2　結(jié) 論

通常情況下，遙感數(shù)據(jù)受噪聲影響較大，造成許多以光譜信息為基礎(chǔ)的分類方法提取林分信息時，常常出現(xiàn)“麻點(diǎn)”現(xiàn)象，使得分類效果不佳。本文采用基于MNF變換的影像融合法對原始影像進(jìn)行了增強(qiáng)處理，進(jìn)而采用一種基于光譜和空間信息相結(jié)合的分類方法，對研究區(qū)的林分信息進(jìn)行了提取，有效地改善了“麻點(diǎn)”現(xiàn)象，得到如下結(jié)論：

(1) 基于光譜與空間信息融合的分類方法也需要與樣本平均光譜作比較，實(shí)質(zhì)上也是一種監(jiān)督分類的方法，是對現(xiàn)有監(jiān)督分類方法的一種補(bǔ)充和改進(jìn)，可以有效地抑制分類結(jié)果的“麻點(diǎn)”現(xiàn)象，對各類型林分信息的平均提取精度高于傳統(tǒng)最大似然法11.6%。

(2) 地物的空間連續(xù)性是本研究方法假設(shè)的前提，如果同一類型地物在空間上分布不連續(xù)，則本研究方法的適用性會降低，如何解決此類問題，是今后的主要研究方向。

(3) 本文中的方法僅僅采用了一個樣區(qū)進(jìn)行試驗(yàn)，獲取了較好的結(jié)果，對于其他樣區(qū)是否同樣具有優(yōu)勢，有待進(jìn)一步探索。

空間與光譜信息相結(jié)合的分類方法，在一定程度上可以有效提高退耕地林分信息的分類精度，在退耕地林分信息提取和變化監(jiān)測等方面具有一定的實(shí)際意義。

[參考文獻(xiàn)]

[1]張杰夫.廣州市城市綠地提取方法研究[J].廣州農(nóng)業(yè)科學(xué),2011,11(4):180-181.

[2]郭成軒,耿堅(jiān)偉.基于TM影像的城市生態(tài)綠地格局分析與評價[J].國土資源遙感,2003,57(3):33-36.

[3]嚴(yán)海英.基于對象的城市綠地信息提取技術(shù)的研究[J].地理空間信息,2008,6(2):9-11.

[4]吳見,彭道黎.基于面向?qū)ο蟮腝uickBird影像退耕地樹冠信息提取[J].光譜學(xué)與光譜分析,2010,30(9):2532-2535.

[5]Townshend J R G, Huang C, Kalluri S N V, et al. Beware of per-pixel characterization of land cover[J]. International Journal of Remote Sensing, 2000,21(4):839-843.

[6]Flanders D, Hall-Beyer M, Pereverzoff J. Preliminary evaluation of eCognition object-based software for cut block delineation and feature extraction[J]. Canadian Journal of Remote Sensing, 2003,29(4):441-452.

[7]Chen Bo, Bao Zhiyi. Urban Forestry: The new forestry affected by urbanization[J]. World Forestry Research, 2005,18(1):28-32.

[8]蘇偉,李京,陳云浩,等.基于多尺度影像分割的面向?qū)ο蟪鞘型恋馗脖环诸愌芯?以馬來西亞吉隆坡市城市中心區(qū)為例[J].遙感學(xué)報,2007,11(4):521-530.

[9]熊軼群,吳健平.面向?qū)ο蟮某鞘芯G地信息提取方法研究[J].華東師范大學(xué)學(xué)報:自然科學(xué)版,2006(4):84-90.

[10]耿修瑞,張霞,陳正超,等.一種基于空間連續(xù)性的高光譜圖像分類方法[J].紅外與毫米波學(xué)報,2004,23(4):299-302.

[11]吳見,彭道黎.基于空間信息的高光譜遙感植被分類技術(shù)[J].農(nóng)業(yè)工程學(xué)報,2012,28(5):150-153.

[12]顧海燕,李海濤,楊景輝.基于最小噪聲分離變換的遙感影像融合方法[J].國土資源遙感,2007(2):53-55.

A Study on Identification Method of Stand Type in Farmland Returning to Woodland Based on QuickBird Image

GU Liuwan1,2, WANG Dong1,2, WU Jian1,2, WANG Shuaishuai1,2

(1.GeographyInformationandTourismCollege,ChuzhouUniversity,Chuzhou,Anhui239000,China; 2.AnhuiCenterforCollaborativeInnovationinGeographicalInformationIntegrationandApplication,Chuzhou,Anhui239000,China)

Abstract：[Objective] To reduce the side effects of noises for remote sensing data and improve the accuracy of spatial information of traditional stand type classification. [Methods] Minimum noise fraction(MNF) was used to deal with the image. Then a kind of classification method with the combination of spatial and spectral information was applied to complete the stand type classification in study area based on remote sensing information. [Results] This identification method can effectively restrain the phenomenon of “hard spots”. The average accuracy of all stand types information was 83.6% and 11.6% higher than the maximum likelihood method. [Conclusion] The stand type classification method of combining spatial information can effectively weaken the noises to a certain extent and improve classification accuracy. This method could provide references for other related researchs on remote sensing information extraction of stand types based on spatial information.

Keywords:spatial information; QuickBird; farmland returning to woodland; MNF; stand type

文獻(xiàn)標(biāo)識碼：B

文章編號：1000-288X(2015)03-0172-04

中圖分類號：TP79

收稿日期：2014-01-25修回日期：2014-04-23

資助項(xiàng)目：滁州學(xué)院優(yōu)秀青年人才基金重點(diǎn)項(xiàng)目“平原河網(wǎng)區(qū)高保真數(shù)字高程模型研究”(2013RC009); 滁州學(xué)院校級科研啟動資助項(xiàng)目(2012qd18); 安徽高等學(xué)校省級自然科學(xué)研究項(xiàng)目(KJ2013B189)

第一作者：顧留碗(1981—),男(漢族),江蘇省南通市人,碩士,講師,主要從事森林監(jiān)測評價研究。E-mail:xiangfeidewujian@126.com。