基于高光譜影像的樹種分類1)

于麗柯 于穎 柳向宇 杜一塵 張涵

(東北林業(yè)大學(xué)，哈爾濱，150040)

?

基于高光譜影像的樹種分類1)

于麗柯 于穎 柳向宇 杜一塵 張涵

(東北林業(yè)大學(xué)，哈爾濱，150040)

應(yīng)用環(huán)境與災(zāi)害監(jiān)測預(yù)報小衛(wèi)星(HJ-1A)的超光譜成像儀(HSI)高光譜影像，對大興安嶺地區(qū)塔河林區(qū)進(jìn)行樹種分類。HSI數(shù)據(jù)經(jīng)過去條帶和大氣校正預(yù)處理，獲取準(zhǔn)確的樹種光譜信息，分別采用波譜角填圖法和線性波譜分離法進(jìn)行樹種分類。結(jié)果表明：在樹種識別中，基于線性波譜分離的方法較基于波譜角填圖法要優(yōu)越，線性波譜分離方法的總體精度為72.0%，Kappa系數(shù)為0.600；波譜角填圖法的總體精度為62.5%，Kappa系數(shù)為0.459。

高光譜；超光譜成像儀(HSI)；樹種分類；光譜角填圖；線性波譜分離

We classified the tree species in Tahe County in Daxing’an Mountains with the HSI hyperspectral image acquired by the small satellite constellation of environmental and disaster monitoring and forecasting (HJ-1A). The HSI data can only obtain precise tree species spectral information after removing strips and correcting the atmospheric effect of remote sensing image. We classified the tree species by spectral angle mapping (SAM) method and linear spectral separation, respectively. The overall precision of spectral angle mapping was 62.5% with Kappa of 0.459, and that of linear spectral separation was 72.0% with Kappa of 0.60, indicating that the classification method based on linear spectral separation could get better result than spectral angle mapping in tree species classification.

森林作為地球上最大的陸地生態(tài)系統(tǒng)，正確地識別森林樹種是利用和保護(hù)森林資源的基礎(chǔ)和依據(jù)[1]。20世紀(jì)末出現(xiàn)的高光譜遙感技術(shù)，在光譜分辨率上具有很大的優(yōu)勢，這種特征能夠準(zhǔn)確地探測到具有細(xì)微光譜差異的各種地物類型，在提高森林樹種識別精度上具有重大意義。目前，關(guān)于高光譜遙感識別算法有多種，主要分為基于光譜特征、光譜匹配、統(tǒng)計分析方法[2]?；诠庾V特征是以植物光譜通常包括一系列的特征吸收譜帶，每一樹種特征吸收譜帶不同，且有較穩(wěn)定的波長位置和特征形態(tài)，通過光譜微分技術(shù)得到光譜拐點及最大最小反射率波長位置等各種光譜特征參數(shù)，指示出不同樹種間的差異；基于光譜匹配是通過對地物光譜與參考光譜的匹配或地物光譜與數(shù)據(jù)庫的比較，求算它們之間的相似性或差異性[3]，較為典型的有光譜角度匹配(SAM)、光譜相似匹配(SCM)和交叉相關(guān)光譜匹配(CCSM)等；基于統(tǒng)計分析方法是針對高光譜遙感數(shù)據(jù)的特點，對其進(jìn)行特征提取，對光譜間相關(guān)性進(jìn)行特征壓縮和提取的技術(shù)主要包括：最小噪音變換(MNF)、主成分分析(PCA)、典范變量分析等。

在樹種識別的研究中，基于光譜特征技術(shù)已經(jīng)比較完善，宮鵬等[4]利用CASI高光譜數(shù)據(jù)，通過光譜微分技術(shù)對美國加州的6種針葉樹種進(jìn)行識別，證實了高光譜遙感在樹種識別領(lǐng)域的可行性；陳爾學(xué)等[5]利用EO-1Hyperion高光譜遙感數(shù)據(jù)及外業(yè)測量數(shù)據(jù)，通過幾種高光譜統(tǒng)計模式識別方法的比較，發(fā)現(xiàn)采用更為精確的二階統(tǒng)計量方法，能有效的提高樹種類型識別的精度；張銀濤[6]采用特征波段選擇的方法對葉片非成像高光譜數(shù)據(jù)以及EO-1Hyperion遙感影像進(jìn)行樹種分類，取得了較好的效果；劉麗娟等[7]利用機(jī)載Lidar和高光譜CASI數(shù)據(jù)融合對溫帶樹種進(jìn)行識別，結(jié)果表明，融合后的樹種分類總體精度及Kappa系數(shù)(83.88%，0.80)均優(yōu)于利用其中單一數(shù)據(jù)進(jìn)行分類的結(jié)果。然而，國內(nèi)很多學(xué)者常采用國外高光譜遙感數(shù)據(jù)進(jìn)行植被識別與分類研究，基于國內(nèi)高光譜數(shù)據(jù)(如環(huán)境與減災(zāi)監(jiān)測預(yù)報小衛(wèi)星A的HSI高光譜數(shù)據(jù))對樹種識別的研究比較少，并且因環(huán)境與減災(zāi)小衛(wèi)星發(fā)射時間較短，利用現(xiàn)行的分類方法(如最大似然法、決策樹分類法、光譜匹配法等)對HSI高光譜數(shù)據(jù)進(jìn)行樹種分類的研究實例不多。

本研究以大興安嶺地區(qū)塔河縣內(nèi)林區(qū)的一景HSI影像作為數(shù)據(jù)源，分別利用波譜角填圖和線性波譜分離進(jìn)行樹種識別和分類，并對這2種方法進(jìn)行樹種識別和分類的能力進(jìn)行評估，以找到更好地適合HSI數(shù)據(jù)樹種分類的方法。

1 研究區(qū)概況

大興安嶺地區(qū)塔河林業(yè)局(東經(jīng)123°20′～125°5′，北緯52°7′～53°20′)位于大興安嶺伊勒呼里山北麓，屬低山丘陵地形，地勢西南部海拔較東北部高。該區(qū)屬寒溫帶大陸性季風(fēng)氣候，冬季寒冷漫長，夏季濕熱短暫，平均氣溫-2.4 ℃，年均降水量470 mm，海拔高度為175～477 m。區(qū)內(nèi)森林茂密，森林覆蓋率81.05%，主要喬木樹種為興安落葉松(Larixgmelinii)、白樺(Betulaplatyphylla)、樟子松(Pinussylvestrisvar.mongolica)，少量分布有山楊(Pobulusdavidiana)、黑樺(Betuladahurica)、云杉(Piceaasperata)等。研究范圍如圖1所示。

圖1 研究區(qū)HSI影像

2 研究方法

2.1 數(shù)據(jù)獲取

本研究選用環(huán)境與減災(zāi)監(jiān)測預(yù)報小衛(wèi)星(HJ-1A)的HSI高光譜數(shù)據(jù)為基本數(shù)據(jù)源。HJ-lA攜帶超光譜成像儀(HSI)擁有115個波段，平均光譜分辨率5 nm，空間分辨率100 m，刈幅50 km，重訪周期96 h。

本研究下載了研究區(qū)內(nèi)一景HJ-1A高光譜影像2級產(chǎn)品，影像獲取時間為2013年9月1日，產(chǎn)品名稱為HJ1A-HSI-454-48-B2-20130901-L20001045757。景序列號為1090824，空間分辨率100 m，波段115個，產(chǎn)品格式為HDF5，產(chǎn)品級別LEVEL2，Path/Row為455/48，景中心經(jīng)/緯度124.363234/53.053899。同時收集了研究區(qū)的二類調(diào)查小班數(shù)據(jù)。

2.2 HSI數(shù)據(jù)預(yù)處理

研究區(qū)獲取的HSI數(shù)據(jù)為HDF5格式的2級產(chǎn)品，利用ENVI5.1遙感圖像處理軟件打開時，影像不顯示投影、坐標(biāo)等信息不能直接對其進(jìn)行操作，需要先進(jìn)行格式轉(zhuǎn)換；由于大氣的散射、吸收、傳感器自身的影響及地面起伏的變化等，使獲取的地物光譜信息中某些波段受到較大影響[8]，有很大的噪聲存在。因此，對所獲得的HSI影像必須進(jìn)行預(yù)處理，技術(shù)路線如圖2所示。

圖2 技術(shù)路線圖

利用中國資源衛(wèi)星中心提供的HSI產(chǎn)品格式轉(zhuǎn)換軟件V1.1，可將其轉(zhuǎn)換成通用的遙感數(shù)據(jù)GEOTIFF，利用ENVI軟件打開時，能使其顯示為帶有投影等信息的影像。大氣校正時，采用ENVI5.1軟件中自帶的FLAASH大氣校正模塊進(jìn)行大氣校正。采用“全局去條紋”[9]的方法進(jìn)行去條紋處理。二類調(diào)查小班數(shù)據(jù)用于提取研究區(qū)的植被區(qū)。

2.3 提取端元

傳統(tǒng)的端元提取方法有純像元指數(shù)算法(PPI)、N-FINDR算法、最小體積變換法(MVT)等。PPI算法是目前較常用的方法，它能求出所有像元的純凈像元指數(shù)。通過設(shè)定一個閾值，還可將某個范圍像元篩選出來。由于波段中存在系統(tǒng)噪聲的影響，在PPI計算之前先對預(yù)處理后的影像進(jìn)行最小噪聲分離(MNF)，實現(xiàn)信號與噪聲的分離，這樣計算得到的PPI結(jié)果準(zhǔn)確。本研究中PPI計算的閾值及迭代次數(shù)按照ENVI5.1軟件默認(rèn)參數(shù)設(shè)置。

端元的確定是利用光譜角填圖法及線性波譜分離法進(jìn)行樹種分類的關(guān)鍵。目前確定端元的方法主要有兩種：第一種方法是通過散點圖確定最終端元波譜，即通過波譜在圖像特征空間中的分布，估計研究區(qū)內(nèi)端元數(shù)目及相應(yīng)的波譜；另一種方法是嘗試法，根據(jù)其他資料對研究區(qū)的了解分析，先選定幾個端元進(jìn)行光譜混合分析，再對分解結(jié)果分析，如果不符合要求，再嘗試其它的端元組合方案。本研究選用散點圖法，該方法可在ENVI5.1軟件中實現(xiàn)，有較強(qiáng)實用性。

對計算的PPI結(jié)果，利用軟件中ROI的閾值設(shè)定(一般盡可能選中全部可能的純凈像元)選取像元，然后導(dǎo)入n維可視化(n-D Visualizer)工具中。經(jīng)過多角度旋轉(zhuǎn)，n維散點圖呈多邊形。根據(jù)該工具運(yùn)行原理，在維散點圖中，相同地物的點總是集中分布。由此，可通過創(chuàng)建感興趣區(qū)圈定多邊形中集中分布的散點來確定端元。結(jié)合二類調(diào)查小班矢量圖，判斷研究區(qū)內(nèi)主要優(yōu)勢樹種(興安落葉松、白樺、樟子松)，可用來調(diào)整端元。結(jié)合小班矢量圖確定的端元波譜如圖3所示。

2.4 樹種分類

波譜角填圖分類。波譜角填圖(SAM)是基于已知的參照波譜(端元波譜)和高光譜影像每個像元波譜曲線的匹配程度對圖像進(jìn)行分類。該算法是通過計算像元波譜與端元波譜間的夾角(將它們看做維數(shù)等于波段數(shù)的空間向量)大小，判定2個波譜間的相似程度[10]。角度越大，認(rèn)為兩者差異越大。假設(shè)進(jìn)行匹配的2條波譜曲線分別為r1、r2，波段數(shù)為N，計算公式可描述為：

(1)

其中：?為波譜夾角，N為波段數(shù)，r1、r2為待匹配的光譜矢量。

圖3 提取的研究區(qū)端元波譜

線性波譜分離分類。在線性混合模型中，將像元在某一波段的反射率表示為像元中端元組分的波譜的線性組合。假設(shè)組成混合像元的幾種基本組分的光譜以線性的方式組合成混合像元的光譜[11]，模型可描述如下式：

且需滿足條件

(2)

式中：ρjk是第j個像元在波段k中的反射率值；fij是第i個端元類型在像元j中占的比重；cik是在波段k中第i個端元類型的反射率值；L是在第j像元中的端元類型數(shù);ε表示殘余誤差值。

Xiao Jingfeng等[12]利用線性光譜混合模型，對美國新墨西哥州中部地區(qū)提取構(gòu)造的3種不同的端元組合類型進(jìn)行混合分解，并用高分辨率影像為參考數(shù)據(jù)進(jìn)行精度評價，得到較高精度結(jié)果。

應(yīng)用ENVI5.1軟件實現(xiàn)線性波譜分離法樹種分類，得到端元波譜對應(yīng)的豐度圖像及樹種分類結(jié)果。

3 結(jié)果與分析

3.1 波譜角填圖分類

利用提取的端元波譜采用波譜角填圖法對經(jīng)過預(yù)處理的研究區(qū)HSI影像植被區(qū)進(jìn)行分類，應(yīng)用ENVI5.1軟件自帶的光譜角填圖法實現(xiàn)樹種分類。光譜角填圖法植被分類結(jié)果如圖4所示。

3.2 線性波譜分離分類

利用提取的端元波譜采用線性波譜分離法對經(jīng)過預(yù)處理的研究區(qū)HSI影像植被區(qū)進(jìn)行分類，應(yīng)用ENVI5.1軟件實現(xiàn)線性波譜分離法的樹種分類，得到端元波譜對應(yīng)的一組豐度圖像(見圖5)及樹種分類結(jié)果(見圖6)。豐度圖中，灰度越亮的地方代表分解的豐度影像所對應(yīng)的純凈像元越多，反之，純凈像元越少。

圖4 基于光譜角填圖法的分類結(jié)果

圖5 基于線性波譜分離法的豐度圖

3.3 精度分析與評價

在影像分類結(jié)果圖上，結(jié)合地面調(diào)查資料和小班矢量化數(shù)據(jù)，隨機(jī)選取248個樣點，分別計算基于光譜角填圖法的混淆矩陣(見表1)和基于線性波譜分離的混淆矩陣(見表2)，進(jìn)行精度評價。波譜角填圖法的總體精度為62.5%，kappa系數(shù)為0.469；線性波譜分離法的總體精度為72.0%，kappa系數(shù)為0.600。比較2種分類方法的總體精度與kappa系數(shù)可看出基于混合像元分解的線性波譜分離方法的總體精度較高。

圖6 基于線性波譜分離法的分類結(jié)果

地物類型白樺興安落葉松樟子松河流總計白樺75108093興安落葉松174819286樟子松112012144河流0232025總計103804223248總體精度=62.5% kappa=0.469

表2 基于線性波譜分離法的混淆矩陣

4 結(jié)論與討論

應(yīng)用2種方法對研究區(qū)的主要樹種進(jìn)行分類。有研究表明，李俊明[13]利用HJ-1A高光譜數(shù)據(jù)通過波段選擇的方法進(jìn)行樹種分類，其分類精度達(dá)75%～95%；于龍[14]利用Hyperion高光譜數(shù)據(jù)采用最大似法、波譜角填圖及線性混合像元分解等方法進(jìn)行樹種分類，獲得分類精度均不低于65%。比較2種分類方法的總體精度與kappa系數(shù)可看出，基于混合像元分解的線性波譜分離法優(yōu)于基于光譜匹配的波譜角填圖法，其分類精度與其他研究者的分類結(jié)果較一致。這2種方法都存在不同程度的誤判和錯分，導(dǎo)致這種現(xiàn)象的原因有很多?；诠庾V匹配的波譜角填圖法需要端元矢量與像元矢量進(jìn)行角度匹配，匹配角度閾值的設(shè)定可能影響了光譜匹配的效果，導(dǎo)致分類精度低；基于混合像元分解的線性波譜分離需要端元波譜對圖像進(jìn)行豐度反演，端元波譜的提取是這種分類方法的基礎(chǔ)，對分類結(jié)果有直接影響。由于混合像元內(nèi)的地物分布復(fù)雜，用簡單的線性組合不能很好的描述真實地物。在數(shù)據(jù)預(yù)處理階段，經(jīng)大氣校正后的圖像中，植被的光譜曲線雖得到較好的校正，但植被反射率值偏低，實際地物同物異譜和同譜異物現(xiàn)象的存在，以及確定端元時也需要研究者的經(jīng)驗，這些均會影響提取的端元波譜，最終影響分類的精度。期望在以后的研究中，能從各個步驟確保光譜曲線的提取精度，并通過野外調(diào)查采集地面實測光譜，檢驗提取的光譜曲線，從而提高分類方法的精度。

[1] 劉旭升，張曉麗.森林植被遙感分類研究進(jìn)展與對策[J].林業(yè)資源管理,2004(1):61-64.

[2] 曾慶偉，武紅敢.基于高光譜遙感技術(shù)的森林樹種識別研究進(jìn)展[J].林業(yè)資源管理,2009(5):109-114.

[3] 朱煒，李東，沈飛，等.高光譜遙感森林樹種分類研究進(jìn)展[J].浙江林業(yè)科技,2013,33(2):84-90.

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

[5] 陳爾學(xué)，李增元，譚炳香，等.高光譜數(shù)據(jù)森林類型統(tǒng)計模式識別方法比較評價[J].林業(yè)科學(xué),2007,43(1):84-89.

[6] 張銀濤.高光譜數(shù)據(jù)的樹種分類波段選擇研究[D].臨安：浙江農(nóng)林大學(xué),2014.

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

[8] 李俊明，邢艷秋，楊超，等.基于環(huán)境與災(zāi)害監(jiān)測預(yù)報小衛(wèi)星的樹種識別[J].東北林業(yè)大學(xué)學(xué)報,2013,41(11):41-45.

[9] 譚炳香，李增元，陳爾學(xué)，等.EO-1 Hyperion高光譜數(shù)據(jù)的預(yù)處理[J].遙感信息，2005(6):36-41.

[10] 杜鳳蘭，田慶久，夏學(xué)齊.遙感圖像分類方法評析與展望[J].遙感技術(shù)與應(yīng)用，2004，19(6):521-525.

[11] 陶秋香，陶華學(xué)，張連蓬.線性混合光譜模型在植被高光譜遙感分類中的應(yīng)用研究[J].勘察科學(xué)技術(shù)，2004(1):21-24.

[12] XIAO J F, MOODY A. A comparison of methods for estimating fractional green vegetation cover within a desert-to-upland transition zone in central New Mexico, USA[J]. Remote Sensing of Environment，2005,98(2/3):237-250.

[13] 李俊明.基于HJ-1A高光譜遙感樹種識別的研究[D].哈爾濱：東北林業(yè)大學(xué),2013.

[14] 于龍.基于高光譜遙感數(shù)據(jù)的樹種組分類方法探討[D].臨安：浙江農(nóng)林大學(xué),2013.

Tree Species Classification with Hyperspectral Image//

Yu Like, Yu Ying, Liu Xiangyu, Du Yichen, Zhang Han

(Northeast Forestry University, Harbin 150040, P. R. China)//Journal of Northeast Forestry University，2016,44(9)：40-43,57.

Hyperspectral； Hyperspectral imager； Tree species classification； Spectral angle mapping； Linear spectral separation

于麗柯，女，1992年7月生，東北林業(yè)大學(xué)林學(xué)院，本科生。E-mail:dyulike@163.com。

于穎，東北林業(yè)大學(xué)林學(xué)院，講師。E-mail:yuying4458@163.com。

2016年1月5日。

S771.8

1)東北林業(yè)大學(xué)大學(xué)生創(chuàng)新實驗項目(201410225154)。

責(zé)任編輯：王廣建。