基于證據(jù)理論組合多分類規(guī)則實現(xiàn)大區(qū)域植被遙感分類研究*

胡 博，鞠洪波,劉 華，郝 瀧，劉 海

(中國林業(yè)科學研究院資源信息研究所，北京 100091)

基于證據(jù)理論組合多分類規(guī)則實現(xiàn)大區(qū)域植被遙感分類研究*

胡 博，鞠洪波**,劉 華，郝 瀧，劉 海

(中國林業(yè)科學研究院資源信息研究所，北京 100091)

遙感；大區(qū)域；證據(jù)理論；植被分類

利用遙感技術對森林、濕地、荒漠等進行調(diào)查監(jiān)測[1-5]，提供科學有效的數(shù)據(jù)支撐具有重要的研究意義。我國的森林資源不僅分布遼闊，還時時處于變化中，利用遙感數(shù)據(jù)時效性和宏觀性的特點，科學、快速、準確地提取大區(qū)域植被類型及其變化規(guī)律信息是森林資源現(xiàn)代化管理的主要內(nèi)容之一。

面向國家級或省級的大區(qū)域植被遙感分類大多基于中低分辨率遙感影像的像元特征，隨著分類研究的發(fā)展，研究人員發(fā)現(xiàn)單分類算法存在不同程度的錯分和誤分現(xiàn)象，但不同分類器錯分和誤分的像素并不集中也沒有統(tǒng)一規(guī)律，說明不同的分類器之間的性能存在差異。也就是說，分類器間存在互補性，某一分類算法錯分或誤分的樣本在另一分類器中存在正確識別的可能，基于這一發(fā)現(xiàn)產(chǎn)生了多分類器組合分類思想[6-9]，多分類器組合的新分類方法也得到越來越廣泛的實驗驗證和應用。

證據(jù)理論是以A. P. Dempster的研究工作為基礎發(fā)展起來的，Dempster的研究是用概率范圍去模擬事件發(fā)生的不確定性，G.Shafer將證據(jù)理論推廣研究應用于處理不確定性信息，因此證據(jù)理論也稱為D-S理論。證據(jù)理論的主要特征包括：(1)發(fā)展了Bayes概率理論，具有表達不確定信息的能力，相比Bayes概率理論，證據(jù)理論的先驗數(shù)據(jù)更容易獲取，具有靈活性。(2)證據(jù)理論是一種可以綜合多源信息的融合方法[10-13]。證據(jù)理論的合成規(guī)則，可以對不同來源的專家知識進行很好的融合，并且對數(shù)據(jù)格式的限制較低。因此，采用證據(jù)理論進行多分類器組合，將不同分類規(guī)則得到的同一區(qū)域的不同分類結(jié)果優(yōu)勢信息進行融合，可以得到一個精度更高的綜合分類結(jié)果。

本研究基于證據(jù)理論原理實現(xiàn)大區(qū)域植被遙感分類。已有證據(jù)理論分類的研究，大多將多光譜波段作為融合的證據(jù)源，或者對多種專題數(shù)據(jù)進行信息融合，而多光譜遙感數(shù)據(jù)較難避免云和陰影的影響，專題數(shù)據(jù)存在時效性不統(tǒng)一的問題。實驗數(shù)據(jù)選取16天合成一期的2001年23期NDVI時序數(shù)據(jù)，減少云影噪聲影響的同時能夠反映植被完整的物候周期信息。通過IDL程序?qū)⒍喾诸愐?guī)則處理得到的植被類型特征信息歸一化處理為基本概率賦值作為證據(jù)源數(shù)據(jù)，依據(jù)證據(jù)理論實現(xiàn)多源信息綜合，將組合結(jié)果依據(jù)最大信任度原則確定植被類型。另外，為了避免不同證據(jù)源低信任值相近可能導致的“Zadeh”悖論問題，設置了超集假設參與組合。實驗過程中盡量減少人為干預，依靠分類算法挖掘?qū)嶒灁?shù)據(jù)的時間空間特征，實現(xiàn)了大區(qū)域植被類型信息客觀、快速、高效地提取。

1 實驗區(qū)域與實驗數(shù)據(jù)

1.1 實驗區(qū)域概況

本研究選取寒溫帶針葉林區(qū)域作為實驗區(qū)，該區(qū)域位于127°20′ E以西，49°20′ N以北的大興安嶺北部及其支脈伊勒呼里山地，總面積約為211 600 km2。

該區(qū)域植被覆蓋率高，地帶性植被以興安落葉松(Larixgmelini(Rupr.) Rupr.)林為主，其間有少量灌木分布，是我國重要的木材產(chǎn)地。由于研究區(qū)屬于寒溫帶氣候，分布著大量的永久凍土層，水分下滲困難，形成零星水體，地表積水使?jié)竦貜V泛發(fā)育，其中草本沼澤分布在海拔900 m以下地帶，海拔300 m以下有森林草原帶分布。該區(qū)域平坦谷地區(qū)域有農(nóng)業(yè)分布但農(nóng)業(yè)不發(fā)達[14]。

1.2 實驗數(shù)據(jù)

本實驗參考2001年1:100萬中國植被圖矢量數(shù)據(jù)中寒溫帶針葉林區(qū)域的植被分布信息以及2000年中國土地覆蓋1 km柵格數(shù)據(jù)(簡稱WESTDC)中實驗區(qū)域的非植被分布信息[15-16]。

根據(jù)實驗區(qū)域宏觀大范圍特點，選取空間分辨率250 m的MODIS影像作為實驗數(shù)據(jù)。為降低云、影的影響，選擇MODIS的L3級科學數(shù)據(jù)集中陸地專題產(chǎn)品MODIS13Q1中的歸一化植被指數(shù)(NDVI)時序數(shù)據(jù)文件[17]，該產(chǎn)品每期間隔為16天。減少云影影響的同時，利用2001年23期NDVI影像數(shù)據(jù)體現(xiàn)的各類植被的生長物候周期信息，參考已有資料數(shù)據(jù)實現(xiàn)該區(qū)域植被遙感分類。

以上矢量、柵格數(shù)據(jù)均具有空間坐標信息，且進行過影像配準，精度限制在一個像元內(nèi)。

2 研究方法

組合多分類規(guī)則的證據(jù)理論大區(qū)域植被遙感分類總體思路，如圖1所示。

圖1 D-S理論多分類器組合分類技術路線Fig.1 Methodological framework of classifier combined by multiple classifiers with D-S theory

2.1 分類系統(tǒng)設計和樣本快速采集

2.1.1 辨識框架和分類系統(tǒng)設計 寒溫帶針葉林區(qū)域的植被類型包括喬木、灌木、草地、濕地、農(nóng)田。同時，該區(qū)域內(nèi)還存在零星水體和建筑等非植被地類，非植被地類參考WESTDC中實驗區(qū)的水體和建筑分布掩膜，不參與分類。

本實驗參考證據(jù)理論中辨識框架的概念設計分類系統(tǒng)。假定辨識框架中包括3個基本假設：{A, B, C}，辨識框架的假設結(jié)構(gòu)將接受包括所有假設組合的證據(jù)，即[A]、[B]、[C]、[A,B]、[A,C]、[B,C]、[A,B,C]。前3個假設每個假設包括1個基本要素，稱為單體假設。其余為非單體假設。含有辨識框架中全部基本要素的非單體假設，稱為超集，如{A, B, C}的超集為假設[A,B,C]。

本實驗辨識框架設計為Ω={喬木，灌木，草地，濕地，農(nóng)田}，可能出現(xiàn)的假設為32個，包括空集(Φ)和超集(θ)。由于遙感影像像素值唯一且認為每一像素唯一對應一類，因此不考慮非單體假設，僅保留[喬木]、[灌木]、[草地]、[濕地]、[農(nóng)田]假設，即分類系統(tǒng)中的植被類型。

2.1.2 大區(qū)域植被樣本快速采集 本實驗參考1:100萬植被圖、WESTDC中國土地覆蓋圖，結(jié)合實驗區(qū)域2001年MODIS時序NDVI影像的非監(jiān)督分類結(jié)果，利用矢、柵數(shù)據(jù)的空間特征，將實驗影像非監(jiān)督分類的類型信息關聯(lián)為隨機樣點屬性，依據(jù)該屬性中包含的非監(jiān)督分類類型數(shù)和各類型的樣點比例，對比類別間樣本可分離性指標、標準差變化，實現(xiàn)樣本純化。經(jīng)實驗驗證，純化后的植被樣本與WESTDC中植被空間分布基本一致，主要植被類型空間分布精確程度為84.82%，該采樣方法適用于宏觀大區(qū)域植被遙感監(jiān)督分類。

中國植被圖表明實驗區(qū)植被覆蓋以喬木、草地和濕地為主。植被覆蓋率為喬木67.40%、草地18.04%和濕地12.48%。灌木0.97%，農(nóng)田1.08%兩類植被在實驗區(qū)域較少分布。依據(jù)快速采樣方法得到的各類樣本中樣點數(shù)為喬木3 489個，草地409個，濕地212個，灌木31個，農(nóng)田31個。

2.2 證據(jù)理論組合多分類規(guī)則

2.2.1 多證據(jù)源的基本概率賦值 基本概率賦值(BPA)，也稱作概率分配函數(shù)。表示證據(jù)對假設組合的支持，并不表示其子集的概率。通常用字母“m”來表示。

定義1：設函數(shù)m：2Ω->[0,1]，且滿足

存在2Ω上的基本概率賦值m，m(A)表示當前環(huán)境下辨識框架中元素A的精確信任程度，m(A)稱為A的基本概率賦值，也稱作概率分配函數(shù)?；靖怕寿x值不是概率，m是2Ω上而非Ω上的基本概率。辨識框架中各元素基本概率賦值的和為1。對于給定假設的BPA值可以通過主觀判斷或經(jīng)驗數(shù)據(jù)來得到。

將實驗數(shù)據(jù)與快速采樣得到的植被樣本，通過最小距離非參數(shù)分類規(guī)則、最大似然參數(shù)分類規(guī)則和利用植被時序特征的波譜角分類3個分類規(guī)則計算，得到3個規(guī)則下的植被類型特征數(shù)據(jù)，共15幅影像。

依據(jù)歸一化公式通過IDL程序讀取各規(guī)則的植被類型特征影像，實現(xiàn)歸一化處理[18]得到三個證據(jù)源的植被類型的概率賦值信息(mBpa)，表達不同證據(jù)源信息對各植被類型的支持程度。

其中，i為植被類型，m為基本概率賦值，X為分類規(guī)則，Xi為各分類規(guī)則得到某一植被類型的特征值。

2.2.2 證據(jù)理論組合多證據(jù)源數(shù)據(jù) 對于相同的事件，證據(jù)源的不同會得到不同的基本概率賦值，不同證據(jù)源的基本概率賦值可以通過正交規(guī)則進行合并。合并規(guī)則是證據(jù)理論的核心，概括為公式表達：

設m1和m2是兩個不同的基本概率賦值，則其正交和m=m1⊕m2滿足

其中，K=1-∑x∩y=Φm1(x)×m2(y)或者K=∑x∩y≠Φm1(x)×m2(y)

如果K≠0，則正交和m也是一個基本概率賦值；如果K=0，則不存在正交和m，稱m1與m2矛盾。

證據(jù)理論組合不同證據(jù)源數(shù)據(jù)過程中，考慮不同證據(jù)源低信任值相近可能導致“Zadeh悖論”現(xiàn)象產(chǎn)生，因此，通過在證據(jù)源中設置超集假設，即超集θ=[喬木，灌木，草地，濕地，農(nóng)田]的值來避免影響。本研究中超集的基本概率賦值設置為最大的植被特征像元BPA的0.01，最大的植被特征像元BPA為原值的0.99。

將最大似然、最小距離和時序SAM分類規(guī)則得到的類型特征影像歸一化為基本概率賦值，作為證據(jù)源數(shù)據(jù)。多證據(jù)源數(shù)據(jù)依據(jù)證據(jù)理論的正交合并規(guī)則進行組合，得到多證據(jù)源下各類型的組合BPA。

依據(jù)證據(jù)理論中信任函數(shù)定義，可以得到各類型的信任函數(shù)數(shù)據(jù)。通過最大信任度原則(CBV)，將信任值最大的類型，作為該像素可能體現(xiàn)的類型信息。即CBVk=max{Belief(Xi)}，像素對應的植被類型為k。

3 結(jié)果與分析

3.1 證據(jù)累積過程分析

本實驗辨識框架為{喬木、灌木、草地、濕地、農(nóng)田}，超集假設Θ=[喬木、灌木、草地、濕地、農(nóng)田]。以影像行列定位為(1000,1000)的像素P的類型確定過程為例。

實驗區(qū)域時序NDVI影像結(jié)合快速采集的樣本數(shù)據(jù)，通過最小距離、最大似然和時序SAM規(guī)則生成的類型特征影像，經(jīng)過歸一化處理得到多證據(jù)源的基本概率賦值。P點處的3個證據(jù)源的基本概率賦值，如表1所示：

表1 3個證據(jù)源基本概率賦值

將歸一化處理得到的三組證據(jù)源數(shù)據(jù)，依據(jù)證據(jù)理論合并原理進行兩兩規(guī)則證據(jù)源組合和3個規(guī)則證據(jù)源的組合。P點處的組合證據(jù)源的基本概率賦值，如表2所示：

表2 證據(jù)理論組合分類器像素值

依據(jù)信任函數(shù)原理，單一元素假設的信任函數(shù)即為該元素的基本概率賦值。因此，實驗中各類型的信任函數(shù)值與各類型的基本概率賦值相等，即Belief(i)=mBpa(i)，其中i為對應的類型。

最后，由最大信任度原則確定實驗影像中P點處喬木類的基本概率賦值最大，因此P為喬木類。

表2中組合證據(jù)源的基本概率賦值表明，P點處喬木和灌木分別是第一優(yōu)勢類和第二優(yōu)勢類。兩兩規(guī)則證據(jù)源組合的mBpa(喬木)與mBpa(灌木)的差值分別為0.079、0.048、0.07，3個規(guī)則證據(jù)源組合的mBpa(喬木)與mBpa(灌木)的差值為0.1，差值增大。喬木類型特征隨著合成次數(shù)的增加而增大，與非喬木類型的特征差異更為顯著。

因此，通過證據(jù)理論合成規(guī)則，合成證據(jù)源越多合成次數(shù)越多，優(yōu)勢類的基本概率賦值與其他類的差值越大，類型特征優(yōu)勢越明顯。

3.2 分類結(jié)果精度評價與分析

在實驗區(qū)域隨機布設2 000個樣點，將中國植被圖與WESTDC土地覆蓋圖中同一類型重疊的區(qū)域視為真實地類分布，落于真實地類分布區(qū)域內(nèi)的樣點作為實驗的驗證樣本。

單分類器得到的分類結(jié)果的生產(chǎn)精度、用戶精度和總體精度，以及3個單分類器的各平均精度，如表3所示：

兩兩規(guī)則組合分類得到的分類結(jié)果的生產(chǎn)精度、用戶精度和總體精度，以及組合分類器的各平均精度，如表4所示：

表3 單分類器分類結(jié)果精度分析

表4 兩兩組合分類器分類結(jié)果精度分析

表3中最大似然分類器的精度最高，總精度為69.88%，最小距離分類器次之，總精度為66.60%，時序SAM分類器的總精度最小為62.77%，單分類器的平均總精度為66.42%。

表4中最大似然與最小距離規(guī)則組合的分類結(jié)果精度最高，其總精度為78.14%，時序SAM與最小距離規(guī)則組合的分類結(jié)果精度最低，其總精度為72.56%，兩兩規(guī)則組合分類結(jié)果的平均總精度為75.63%，大于單分類器的平均總精度。對比單分類規(guī)則和兩兩規(guī)則組合分類結(jié)果中各類植被的平均生產(chǎn)精度和平均用戶精度，兩兩規(guī)則組合分類結(jié)果的各平均精度都有提高。

可見證據(jù)理論組合分類規(guī)則的方法對分類總精度、各類型生產(chǎn)精度和用戶精度均有不同程度的提高；并且參與組合的單分類規(guī)則精度越高，越能有效提高組合分類的精度。

生產(chǎn)精度、用戶精度和總體精度與單分類器、兩兩規(guī)則組合分類器的平均精度對比分析，如表5所示：

表5 分類結(jié)果精度分析

表5中單分類器分類結(jié)果的平均總精度為66.42%，兩兩規(guī)則組合分類結(jié)果的平均總精度為75.63%，3個規(guī)則組合分類結(jié)果的總精度最高為80.84%。對比單分類規(guī)則、兩兩規(guī)則組合、3個規(guī)則組合分類結(jié)果中各類植被的平均生產(chǎn)精度和平均用戶精度，3個規(guī)則組合分類結(jié)果的各精度最高。因此，證據(jù)理論可以實現(xiàn)多分類算法的組合，并且證據(jù)源越多，越能提高分類精度。

4 結(jié)論

(1)本研究針對大區(qū)域植被遙感分類，基于證據(jù)理論組合多分類規(guī)則實現(xiàn)了寒溫帶針葉林區(qū)域的植被遙感分類研究。比較分析了組合分類器與單分類器的分類精度，認為證據(jù)理論組合分類算法相比單分類算法，實現(xiàn)了分類總精度、各類型生產(chǎn)精度和用戶精度的提高。

(2)實驗表明基于證據(jù)理論實現(xiàn)多分類規(guī)則組合的過程中，參與組合的證據(jù)源越多，分類結(jié)果的可信程度越高，分類結(jié)果的精度越高；參與組合的證據(jù)源對實驗區(qū)描述越準確，對分類結(jié)果精度的提高越顯著。因此，開展更多單分類算法的比較研究，探索更適合參與組合的單分類算法，以實現(xiàn)更好的分類效果作為進一步的研究內(nèi)容。

(3)本研究利用多種單分類算法挖掘時序數(shù)據(jù)信息，通過證據(jù)理論對來自于不同分類規(guī)則的證據(jù)源信息進行融合，綜合了多分類算法的優(yōu)勢特征。相比多光譜數(shù)據(jù)的合成分類，減少云影影響的同時結(jié)合了植被物候信息；相比專題資料數(shù)據(jù)的合成結(jié)果，能夠更客觀的體現(xiàn)遙感影像的時間空間特點，更好的反映實驗區(qū)域植被分布的時效性信息。該方法人為干預較少，能夠快速、高效地實現(xiàn)大區(qū)域植被類型信息的提取。

[1] Darren Pouliot, RasimLatifovic, Natalie Zabcic,etal.Development and assessement of a 250 m spatial resolution MODIS annual land cover time series(2000-2011) for the forest region of Canada derived from change-based updating [J]. Remote Sensing of Environment,2014,140:731-743.

[2] 陳 巧，陳永富，鞠洪波.基于3S技術的天保區(qū)植被變化監(jiān)測方法研究[J]. 林業(yè)科學研究，2013,26(6):736-743.

[3] 劉 華, 鞠洪波, 鄒文濤,等.長江源典型區(qū)濕地對區(qū)域氣候變化的響應[J].林業(yè)科學研究, 2013,26(4):406-413.

[4] 姚愛東，車騰騰，姜麗娜,等.甘肅民勤縣荒漠化區(qū)未利用地的遙感分類研究[J]. 林業(yè)科學研究，2014,27(2):195-200

[5] 劉 華，陳永富，鞠洪波,等.美國森林資源監(jiān)測技術對我過森林資源一體化監(jiān)測體系建設的啟示[J].世界林業(yè)研究, 2012,25(6):64-68.

[6] Doan H T, Foody G M.Increaseing soft classification accuracy through the use of an ensamble of classifiers[J].International Journal of Remote Sensing，2007,28(20):4606-4623.

[7] 柏延臣，王勁峰.結(jié)合多分類器的遙感數(shù)據(jù)專題分類方法研究[J].遙感學報，2005,9(5):555-563.

[8] 夏俊士，杜培軍，張 偉.遙感影像多分類器集成的關鍵技術與系統(tǒng)實現(xiàn)[J].科技導報，2011,29(25):22-26

[9] 張智超,范文義,孫舒婷.基于多種分類器組合的森林類型信息提取技術研究[J].森林工程, 2015,31(3):75-80.

[10] Koki I, Kenlo N, Tsuguki K,etal. Creation of new globalland cover map with map integration[J]. Journal of Geographic Information System,2011,03(3):160-165.

[11] Hoyosa A P, García-Haroa F J, San-Miguel-Ayanz J. Amethodology to generate a synergetic land-cover map byfusion of different land-cover products[J]. International Journal of Applied Earth Observation and Geoinformation, 2012,19(10): 72-87.

[12] 陳 博.遙感圖像融合及應用研究[M].北京:中國科學技術大學, 2009.

[13] 王 欣.多傳感器數(shù)據(jù)融合問題的研究[D].吉林:吉林大學,2006.

[14] 韓 杰，溫瑞勇，遲占穎.淺談大小興安嶺森林植被分布[J].內(nèi)蒙古科技與經(jīng)濟，2004,(16):111-113.

[15] 李俊祥，達良俊，王玉潔,等.基于NOAA-AVHRR數(shù)據(jù)的中國東部地區(qū)植被遙感分類研究[J].植物生態(tài)學報，2005,29(3):436-443.

[16] 冉有華，李 新，盧 玲.基于多源數(shù)據(jù)融合方法的中國1km土地覆蓋分類制圖[J].地球科學進展，2009,24(2):192-203.

[17] 廖 靖，覃先林，周汝良.利用2種植被指數(shù)監(jiān)測中國6種典型森林生長期的比較研究[J].西南林業(yè)大學學報，2014,34(3):57-61.

[18] 李華朋,張樹清,孫 妍,等.集成多時相ETM+影像的證據(jù)推理濕地遙感分類[J].吉林大學學報:地球科學版, 2011,41(4):1246-1252.

(責任編輯：彭南軒)

Combining Multiple Classifiers Based on Evidence Theory for Large Scale Vegetation Types Classification by Remote Sensing Images

HUBo,JUHong-bo,LIUHua,HAOShuang,LIUHai

(Research Institute of Forestry Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China)

remote sensing; large area; evidence theory; vegetation classification

2016-05-20 基金項目： 國家863計劃課題(2012AA102001)。 作者簡介： 胡 博(1985—)，女，河北人，博士研究生，主要從事森林資源監(jiān)測技術研究. * 感謝國家自然科學基金委員會“中國西部環(huán)境與生態(tài)科學數(shù)據(jù)中心”提供WESTDC數(shù)據(jù)。 ** 通訊作者：鞠洪波(1956—)，男，黑龍江人，研究員，博士生導師，林業(yè)信息技術.

10.13275/j.cnki.lykxyj.2017.02.002

S771.8

A

1001-1498(2017)02-0194-06