基于隨機(jī)森林算法的涼水自然保護(hù)區(qū)蓄積量反演研究

汪康寧　馬　婷　呂　杰

(西安科技大學(xué)測(cè)繪科學(xué)與技術(shù)學(xué)院，陜西 西安 710054)

?

基于隨機(jī)森林算法的涼水自然保護(hù)區(qū)蓄積量反演研究

汪康寧馬婷呂杰

(西安科技大學(xué)測(cè)繪科學(xué)與技術(shù)學(xué)院，陜西 西安 710054)

以黑龍江涼水自然保護(hù)區(qū)為研究對(duì)象，采用GF-1衛(wèi)星遙感影像為數(shù)據(jù)源，提取遙感影像在不同窗口大小下的紋理特征信息，與遙感影像自身的光譜信息相結(jié)合；利用隨機(jī)森林算法，結(jié)合地面蓄積量采樣點(diǎn)數(shù)據(jù)，建立涼水自然保護(hù)區(qū)蓄積量反演模型。結(jié)果表明：只基于衛(wèi)星光譜的反演模型的相關(guān)系數(shù)為0.59，基于衛(wèi)星光譜與紋理特征的蓄積量反演模型的相關(guān)系數(shù)為0.65；當(dāng)窗口大小為3 × 3時(shí)，森林蓄積量反演效果最好。研究表明，基于衛(wèi)星光譜信息和紋理特征信息，利用隨機(jī)森林算法進(jìn)行森林蓄積量反演在森林資源調(diào)查方面具有良好的應(yīng)用前景。

蓄積量；反演；隨機(jī)森林；保護(hù)區(qū)；高分一號(hào)衛(wèi)星；遙感影像；紋理特征

森林蓄積量是評(píng)價(jià)森林的重要指標(biāo)之一，是森林固碳能力的重要標(biāo)志[1]。傳統(tǒng)的森林蓄積量調(diào)查以局部人工地面實(shí)測(cè)方法為主，該方法存在調(diào)查周期長(zhǎng)、數(shù)據(jù)更新慢、人力物力耗費(fèi)大等缺點(diǎn)[2]。遙感技術(shù)作為一種對(duì)地觀測(cè)方法，可以實(shí)現(xiàn)對(duì)森林的大面積實(shí)時(shí)觀測(cè)，使森林蓄積量的快速實(shí)時(shí)估測(cè)成為可能。目前，基于遙感影像的森林蓄積量估測(cè)研究主要有2個(gè)方面：一是挖掘遙感影像中與森林結(jié)構(gòu)相關(guān)性較強(qiáng)的信息進(jìn)行反演估測(cè)，如利用多元數(shù)據(jù)的光譜信息、紋理特征、植被指數(shù)及衍生植被指數(shù)等信息構(gòu)建反演模型[3-5]；二是使用新的回歸算法構(gòu)建反演模型，從最初的多元線性回歸模型到目前的多元非線性模型[6]、BP神經(jīng)網(wǎng)絡(luò)[7]、K近鄰分類(lèi) (KNN)[8]等。隨機(jī)森林作為一種機(jī)器學(xué)習(xí)算法，已經(jīng)在點(diǎn)云數(shù)據(jù)分類(lèi)、土地利用分類(lèi)、生態(tài)評(píng)價(jià)等測(cè)繪學(xué)與地理學(xué)研究中得到應(yīng)用[9-11]。目前基于遙感影像的森林蓄積量估測(cè)主要使用構(gòu)建線性模型的方法，針對(duì)黑龍江涼水地區(qū)基于隨機(jī)森林算法構(gòu)建非線性蓄積量估測(cè)模型的研究還沒(méi)有。本研究以黑龍江涼水自然保護(hù)區(qū)為研究對(duì)象，使用高分一號(hào)衛(wèi)星遙感影像的光譜信息與紋理特征，結(jié)合實(shí)地實(shí)測(cè)數(shù)據(jù)，利用隨機(jī)森林算法構(gòu)建蓄積量反演模型，為森林蓄積量估測(cè)提供了一種新的方法。

1　研究區(qū)自然概況

本研究選擇研究區(qū)域?yàn)楹邶埥∫链菏袔X區(qū)的涼水國(guó)家級(jí)自然保護(hù)區(qū)。該保護(hù)區(qū)位于小興安嶺東坡，地處北緯47°6′49″～47°46′10″，東經(jīng)128°47′8″～128°57′19″，總面積約為121.33 km2。保護(hù)區(qū)內(nèi)以紅松 (Pinuskoraiensis) 為主的天然林占絕對(duì)優(yōu)勢(shì)，同時(shí)還有云杉 (Piceaasperata) 林、山楊 (Populusdavidiana) 林、白樺 (Betulaplatyphylla) 林分布，森林覆蓋率為98%。

2　研究方法

2.1隨機(jī)森林算法

隨機(jī)森林 (random forests) 是Leo Breiman等[12]人提出的一種基于決策樹(shù)的機(jī)器學(xué)習(xí)算法，它實(shí)質(zhì)上是一種使用分類(lèi)回歸樹(shù)作為元分類(lèi)器構(gòu)建而成的集成分類(lèi)器，如圖1所示。該算法在執(zhí)行回歸和分類(lèi)任務(wù)時(shí)可以獲得比單個(gè)分類(lèi)器更好的表現(xiàn)。

圖1隨機(jī)森林示意圖

Fig.1Diagram of random forests

本研究中，隨機(jī)森林算法使用德國(guó)地學(xué)研究中心 (GFZ) 提供的EnMAP (environmental mapping and analysis program) 工具實(shí)現(xiàn)。

2.2數(shù)據(jù)來(lái)源

2.2.1遙感數(shù)據(jù)

本研究使用的遙感數(shù)據(jù)為 “高分一號(hào)” 遙感影像。 “高分一號(hào)” 衛(wèi)星是一種由我國(guó)自行研制并發(fā)射的高分辨率對(duì)地觀測(cè)衛(wèi)星，其上搭載的PMS相機(jī)成像幅寬60 km，可以獲取2 m分辨率的全色黑白圖像和8 m分辨率的多光譜彩色圖像。其中8 m分辨率的多光譜彩色圖像包括4個(gè)波段，分別為藍(lán)色波段 (450～520 nm)、綠色波段 (520～590 nm)、紅色波段 (630～690 nm) 和近紅外波段 (770～890 nm)。

本研究采用的數(shù)據(jù)是2013年10月16日由 “高分一號(hào)” 衛(wèi)星拍攝的涼水自然保護(hù)區(qū)8 m分辨率多光譜彩色圖像。

2.2.2野外調(diào)查數(shù)據(jù)

地面調(diào)查數(shù)據(jù)來(lái)源于涼水國(guó)家級(jí)自然保護(hù)區(qū)，在保護(hù)區(qū)內(nèi)以大約1 km的采樣間隔劃分矩形樣地，每個(gè)樣地大小為24 m × 24 m。精確統(tǒng)計(jì)了每塊樣地的蓄積量、林分組成以及海拔、坡度等地形因子。同時(shí)針對(duì)林區(qū)內(nèi)的少量非植被覆蓋區(qū)，如水體、道路建筑物等區(qū)域，也設(shè)立了部分樣地，其蓄積量為0。最終共得到試驗(yàn)樣地192塊，隨機(jī)選取135塊作為訓(xùn)練樣地，57塊作為驗(yàn)證樣地。

2.3數(shù)據(jù)處理

2.3.1遙感影像預(yù)處理

遙感影像在成像過(guò)程中，由于傳感器平臺(tái)、地球自轉(zhuǎn)、地球曲率等原因，造成原始圖像存在幾何變形；而大氣的吸收和散射作用、地形因素、傳感器誤差等因素，也會(huì)對(duì)傳感器接收輻射值產(chǎn)生干擾。因此，對(duì) “高分一號(hào)” 遙感影像進(jìn)行輻射定標(biāo)與FLAASH大氣校正。之后進(jìn)行正射校正，保證校正誤差在1個(gè)像元以內(nèi)，利用涼水地區(qū)小班矢量邊界對(duì)進(jìn)行正射校正的遙感影像進(jìn)行裁剪，得到研究區(qū)影像數(shù)據(jù)。最后對(duì)遙感影像進(jìn)行重采樣，得到分辨率為24 m的遙感影像，作為試驗(yàn)使用的遙感影像。

2.3.2紋理特征分析

紋理特征是細(xì)小物體在影像上大量重復(fù)出現(xiàn)所形成的規(guī)律與特征。傳統(tǒng)的紋理特征提取方法有灰度共生矩陣 (GLCM)[13]、空間自相關(guān)[14]、小波多頻道、多方向特征[15]等?；诨叶裙采仃囂崛〉募y理特征，其在遙感影像分類(lèi)與回歸中的良好表現(xiàn)，已經(jīng)得到國(guó)內(nèi)外學(xué)者的證明[16]。故本研究選取了八個(gè)基于二階矩陣的紋理濾波進(jìn)行圖像紋理提取，紋理的計(jì)算都是基于遙感影像的第一主成分 (PCA) 進(jìn)行的，分別是均值 (mean)、方差 (variance)、協(xié)同性 (homogeneity)、對(duì)比度 (contrast)、相異性 (dissimilarity)、信息熵 (entropy)、二階矩 (second moment) 和相關(guān)性 (correlation)。紋理特征計(jì)算公式見(jiàn)表1。

表1　基于灰度共生矩陣的紋理特征

在提取遙感圖像紋理特征時(shí)，需要確定灰度共生矩陣的窗口大小。目前灰度共生矩陣窗口大小與蓄積量反演的精度尚未有明確的關(guān)系。故本研究選取3 × 3、5 × 5、7 × 7、9 × 9、11 × 11 5種窗口大小進(jìn)行試驗(yàn)，分別提取5種窗口大小的紋理特征，與遙感圖像光譜信息相結(jié)合，力求確定一個(gè)最佳蓄積量反演模型。

3　結(jié)果與分析

3.1紋理特征對(duì)蓄積量反演模型的影響

將灰度共生矩陣窗口大小設(shè)置為3 × 3，隨機(jī)森林模型中決策樹(shù)數(shù)量設(shè)置為100，聯(lián)合光譜信息與紋理特征進(jìn)行森林蓄積量估測(cè)，與單獨(dú)使用光譜信息進(jìn)行估測(cè)的結(jié)果對(duì)比，反演精度見(jiàn)表2，對(duì)比結(jié)果見(jiàn)圖2。

表2　模型精度表

圖2基于光譜信息與3 × 3窗口下紋理特征的涼水自然保護(hù)區(qū)蓄積量估測(cè)與反演

Fig.2(a) Forest volume estimation based on spectral; (b) Forest volume estimation based on spectral and textural feature in 3 × 3 window

表2表明：加入遙感影像的紋理特征提高了森林蓄積量估測(cè)模型的精度，紋理特征與森林蓄積量之間存在良好的相關(guān)性。預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果的相關(guān)性見(jiàn)圖3。圖3表明，聯(lián)合反演模型的相關(guān)性明顯優(yōu)于單一反演模型，在低蓄積量區(qū)域尤為明顯。

3.2窗口大小對(duì)蓄積量反演模型的影響

基于5種不同窗口大小灰度共生矩陣提取的紋理特征分別與遙感影像光譜信息聯(lián)合，利用隨機(jī)森林算法構(gòu)建蓄積量估測(cè)模型，模型精度見(jiàn)表3。

表3　不同灰度共生矩陣窗口大小下的蓄積量反演模型精度

圖3基于光譜信息與紋理特征模型的實(shí)測(cè)值與估測(cè)值的相關(guān)性

Fig.3(a) Correlation between measured value and estimated value based on spectral; (b) Correlation between measured value and estimated value based on spectral information and textural feature

由表3可知，隨著灰度共生矩陣窗口大小的增大，蓄積量反演模型相關(guān)系數(shù)逐漸變小，其原因?yàn)? × 3窗口所代表的實(shí)際面積 (5 184 m2) 與實(shí)際樣地面積 (576 m2) 大小最為接近，故其相關(guān)系數(shù)最大。隨著窗口大小的增加，窗口所代表的實(shí)際面積遠(yuǎn)大于實(shí)際樣地面積，從而對(duì)紋理特征起到了平滑的作用，反而使森林蓄積量反演模型精度下降。

3.3決策樹(shù)數(shù)目對(duì)蓄積量反演模型的影響

隨機(jī)森林算法中，需要設(shè)置決策樹(shù)數(shù)量，本研究選取在3 × 3窗口下生成的紋理特征，與遙感圖像光譜信息結(jié)合，探究不同數(shù)量決策樹(shù)對(duì)隨機(jī)森林反演森林蓄積量模型精度的影響，結(jié)果見(jiàn)圖4。

圖4決策樹(shù)數(shù)量與均方根誤差的關(guān)系

Fig.4Relationship of number of decision tree and RMSE

由圖4可知，當(dāng)決策樹(shù)數(shù)量達(dá)到1 500之后，均方根誤差RMSE逐漸保持穩(wěn)定。較少的決策樹(shù)可以保證運(yùn)算時(shí)間減少，故決策樹(shù)數(shù)量選為1 500較為適宜。

4　結(jié)論與討論

本研究利用隨機(jī)森林算法構(gòu)建反演模型進(jìn)行森林蓄積量估測(cè)，結(jié)果表明遙感影像中的光譜信息和紋理特征與森林蓄積量之間存在較強(qiáng)的相關(guān)性，利用遙感影像對(duì)森林蓄積量進(jìn)行估測(cè)是可行的。

聯(lián)合光譜信息與紋理特征的反演模型反演精度明顯高于單獨(dú)利用光譜信息的反演模型，表明紋理特征可以提高森林蓄積量預(yù)測(cè)精度。

在本研究中，蓄積量反演模型在低蓄積量區(qū)域反演精度較好，在高蓄積量區(qū)域預(yù)測(cè)值明顯小于實(shí)際值，出現(xiàn)這種情況的原因在于利用多光譜遙感影像估測(cè)森林蓄積量存在飽和度問(wèn)題，飽和度閾值應(yīng)在15左右，導(dǎo)致估測(cè)蓄積量在15以上的區(qū)域時(shí)估測(cè)值明顯偏小。

[1]孟憲宇. 測(cè)樹(shù)學(xué)[M]. 北京: 中國(guó)林業(yè)出版社, 1996.

[2]劉志華, 常禹, 陳宏偉. 基于遙感、地理信息系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)的呼中林區(qū)森林蓄積量估測(cè)[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2008, 19(9): 1891-1896.

[3]劉俊, 畢華興, 朱沛林, 等. 基于ALOS遙感數(shù)據(jù)紋理及紋理指數(shù)的柞樹(shù)蓄積量估測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(7): 245-254.

[4]王月婷, 張曉麗, 楊慧喬, 等. 基于Landsat 8衛(wèi)星光譜與紋理信息的森林蓄積量估算[J]. 浙江農(nóng)林大學(xué)學(xué)報(bào), 2015, 32(3): 384-391.

[5]王佳, 宋珊蕓, 劉霞, 等. 結(jié)合影像光譜與地形因子的森林蓄積量估測(cè)模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(5): 216-220.[6]張凝, 馮仲科, 馮躍文, 等. 旺業(yè)甸試驗(yàn)林場(chǎng)針葉林蓄積量估測(cè)模型的研究[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào), 2013, 33(11): 83-87.

[7]許云棟, 舒清態(tài), 李圣嬌, 等. 基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的香格里拉高山松蓄積量模型研究[J]. 西北林學(xué)院學(xué)報(bào), 2015, 30(6): 190-195.

[8]王靖, 吳見(jiàn). 干旱半干旱區(qū)森林蓄積量高光譜遙感估測(cè)技術(shù)[J]. 東北林業(yè)大學(xué)學(xué)報(bào), 2014, 42(1): 69-70.

[9]Gislason P, Benediktsson J. Random Forests for land cover classification[J]. Pattern Recognition Letters, 2006, 27(4): 294-300.

[10]張雷, 王琳琳. 隨機(jī)森林算法基本思想及其在生態(tài)學(xué)中的應(yīng)用: 以云南松分布模擬為例[J]. 生態(tài)學(xué)報(bào), 2014, 34(3): 650-659.

[11]孫雪蓮, 舒清態(tài). 基于隨機(jī)森林回歸模型的思茅松人工林生物量遙感估測(cè)[J]. 林業(yè)資源管理, 2015(1): 71-76.

[12]Breiman L. Random Forests[J]. Machine learning, 2001, 45(1): 5-32.

[13]Haralick R, Shanmugan K, Dinstein I. Textural Features for Image Classification[C]. IEEE Transactions on Systems,Man,and Cybernetics,1973, 3(6): 610-621.

[14]Soe W. Myint, Nina S. N. Lam, J. M. Tyler. Wavelets for urban spatial feature discrimination: comparisons with fractal, spatial autocorrelation,and spatial Co-occurrence approaches[J]. Photogrammetric Engineering & Remote Sensing, 2004, 70(7): 803-812.

[15]Mallat S G. A theory for multiresolution signal decomposition: the wavelet representation[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 1989, 11(7): 674-693.

[16]Kuplich T M, Curran P J, Atkinson P M. Relating SAR image texture to the biomass of regenerating tropical forest[J]. International Journal of Remote Sensing, 2005, 26(21): 4829-4854.

(責(zé)任編輯曹龍)

Stock Volume Estimation Research Based on Random Forest Algorithm in Liangshui Nature Reserve

Wang Kangning, Ma Ting, Lv Jie

(College of Geomatics, Xi′an University of Science and Technology, Xi′an Shaanxi 710054, China)

This research taking Liangshui Nature Reserve in Heilongjiang as study area, using GF-1 satellite image as data source, textural features under different window sizes and spectral feature were extracted from GF-1 image. Forest stock volume inversion model were constructed using random forest algorithm and Liangshui forest volume data obtained by field investigation. Experimental results showed the coefficient of determinationR2was 0.59 for the spectrally based volume estimation model, and the coefficient of determinationR2was 0.65 for the spectral and textural feature combining model. When window size is set to 3 × 3, the forest stock volume inversion model achieves the best result. The result indicate that forest stock volume estimation based on spectral and textural feature from satellite image using random forests has potential application in forest inventory.

stock volume, inversion, random forest, nature reserve, GF-1 satellite, remote sensing image, textural feature

10. 11929/j. issn. 2095-1914. 2016. 05. 021

2016-04-13

高分辨率對(duì)地觀測(cè)系統(tǒng)重大專(zhuān)項(xiàng) (民用部分) 應(yīng)用示范系統(tǒng)項(xiàng)目 (21-Y30B05-9001-13/15-7) 資助；國(guó)家自然科學(xué)基金項(xiàng)目 (51409204、41401496) 資助；陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃 (2015JQ4105) 資助；江西省數(shù)字國(guó)土重點(diǎn)實(shí)驗(yàn)開(kāi)放基金項(xiàng)目 (DLLJ2015604) 資助；2016年陜西省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目 (1402) 資助；陜西省教育廳科研計(jì)劃項(xiàng)目 (16JK1496) 資助。

呂杰 (1982—)，男，博士，講師。研究方向：林業(yè)遙感研究。Email: rsxust@163.com。

S771.8

A

2095-1914(2016)05-0125-05

第1作者：汪康寧 (1993—)，男，碩士生。研究方向：林業(yè)遙感研究。Email: xustwkn@sina.com。