基于面向?qū)ο蠓椒ǖ腉F-2影像桉樹(shù)林信息提取

梁文海，劉吉?jiǎng)P，張 偉，李新偉，鐘仕全

（1.廣西林業(yè)勘測(cè)設(shè)計(jì)院，廣西 南 寧 5 30000；2.安徽科技學(xué)院，安徽 鳳 陽(yáng) 2 33100；3.廣西壯族自治區(qū)氣象減災(zāi)研究所/國(guó)家衛(wèi)星氣象中心遙感應(yīng)用試驗(yàn)基地，廣西 南 寧530022）

基于面向?qū)ο蠓椒ǖ腉F-2影像桉樹(shù)林信息提取

梁文海1，劉吉?jiǎng)P2，張 偉2，李新偉2，鐘仕全3

（1.廣西林業(yè)勘測(cè)設(shè)計(jì)院，廣西 南 寧 5 30000；2.安徽科技學(xué)院，安徽 鳳 陽(yáng) 2 33100；3.廣西壯族自治區(qū)氣象減災(zāi)研究所/國(guó)家衛(wèi)星氣象中心遙感應(yīng)用試驗(yàn)基地，廣西 南 寧530022）

高分2號(hào)（GF-2）是中國(guó)研制的空間分辨率最高的民用遙感衛(wèi)星。為探討GF-2遙感數(shù)據(jù)對(duì)林業(yè)資源信息的監(jiān)測(cè)能力，以廣西橫縣平朗鄉(xiāng)桉樹(shù)Eucalyptus林為研究對(duì)象，基于面向?qū)ο蟮膱D像分析方法，通過(guò)對(duì)影像多種特征的分析與提取，建立桉樹(shù)林信息提取的知識(shí)規(guī)則，實(shí)現(xiàn)桉樹(shù)林空間分布的準(zhǔn)確提取，最終桉樹(shù)林提取的用戶精度和生產(chǎn)者精度分別達(dá)81.4%和86.4%。結(jié)果表明：利用GF-2數(shù)據(jù)基于面向?qū)ο笏枷氲蔫駱?shù)林提取精度能夠滿足林業(yè)部門對(duì)于快速準(zhǔn)確提取林業(yè)資源信息的生產(chǎn)需求。GF-2衛(wèi)星因其高時(shí)空分辨率的特性可作為林業(yè)資源覆蓋變化多尺度高精度檢測(cè)的重要數(shù)據(jù)源。圖5表4參25

森林測(cè)計(jì)學(xué)；GF-2影像；桉樹(shù)；面向?qū)ο?/p>

林業(yè)資源提取及其動(dòng)態(tài)變化檢測(cè)不僅對(duì)掌握林業(yè)資源消長(zhǎng)、分布規(guī)律和更新林業(yè)資源數(shù)據(jù)庫(kù)意義重大，而且對(duì)控制林業(yè)資源消耗、林業(yè)發(fā)展和決策至關(guān)重要。傳統(tǒng)的林業(yè)資源調(diào)查主要以地面采集為主，工作量大、效率低、周期長(zhǎng)，難以滿足 “年度出數(shù)”的林業(yè)資源監(jiān)測(cè)需求［1］。遙感技術(shù)因其宏觀性、動(dòng)態(tài)性、重復(fù)訪問(wèn)等特點(diǎn)，被廣泛應(yīng)用于林業(yè)資源監(jiān)測(cè)中［2-3］。利用遙感數(shù)據(jù)進(jìn)行林業(yè)資源監(jiān)測(cè)，是林業(yè)遙感領(lǐng)域的研究熱點(diǎn)之一。周蔚［4］利用2期陸地衛(wèi)星專題制圖儀（TM）遙感影像，結(jié)合森林小班數(shù)據(jù)更新方法，通過(guò)對(duì)比最大似然法和支持向量機(jī)算法實(shí)現(xiàn)森林資源的動(dòng)態(tài)監(jiān)測(cè)與估計(jì)。黃春波等［5］利用2001－2012年每年生長(zhǎng)季節(jié)（5－10月）的Landsat TM影像，根據(jù)森林植被的統(tǒng)計(jì)學(xué)特征，通過(guò)融合歸一化差值植被指數(shù)（NDVI）構(gòu)建綜合森林特征指數(shù)，并以時(shí)間序列的綜合森林特征指數(shù)實(shí)現(xiàn)森林變化的動(dòng)態(tài)監(jiān)測(cè)。伍靜［6］利用TM數(shù)據(jù)對(duì)廣西高峰林場(chǎng)的速生桉林地遙感分類技術(shù)展開(kāi)相關(guān)探討，運(yùn)用多種分類法：一般監(jiān)督分類法、神經(jīng)網(wǎng)絡(luò)分類法、決策樹(shù)分類法、混合像元線性分解法實(shí)施分類試驗(yàn)，發(fā)現(xiàn)地形因子參與分類的決策樹(shù)分類法對(duì)速生桉分類效果最好。隨著遙感系統(tǒng)圖像分辨率的提高，高分辨率影像因其豐富的地物信息與純凈的光譜特征等優(yōu)勢(shì)，被越來(lái)越多地應(yīng)用到林業(yè)資源監(jiān)測(cè)中［7-8］。傳統(tǒng)基于像素的分類方法被廣泛應(yīng)用于林業(yè)資源監(jiān)測(cè)，但主要是應(yīng)用于中低分辨率影像，對(duì)高分辨率影像而言存在許多問(wèn)題，如分類精度低，椒鹽噪聲明顯等。面向?qū)ο蟮姆诸惙椒ㄔ?0世紀(jì)70年代被應(yīng)用于遙感影像的解譯中，可以克服此類缺點(diǎn)，且有較好的視覺(jué)效果，是當(dāng)前林業(yè)資源高分辨率研究的主流方法［2,8-9］。付強(qiáng)等［10］利用國(guó)產(chǎn)天繪1號(hào)和資源1號(hào)遙感影像，采用面向?qū)ο蠖喑叨确指詈突谔卣髦甸撝档姆椒ㄌ崛〔煞ホE地，進(jìn)而采取分類后比較法檢測(cè)森林覆蓋變化。周小成等［11］選用Rapideye高分辨率衛(wèi)星遙感影像，提出了面向小班對(duì)象的森林覆蓋變化信息半自動(dòng)遙感提取方法。代華兵［12］深入探討了SPOT5遙感數(shù)據(jù)預(yù)處理、森林遙感分類、小班蓄積量遙感估測(cè)的方法，為SPOT5遙感數(shù)據(jù)在森林資源監(jiān)測(cè)中的應(yīng)用提供可行的科學(xué)依據(jù)和技術(shù)方法支持。綜上所述，對(duì)林業(yè)資源監(jiān)測(cè)大多采用國(guó)外高分辨率數(shù)據(jù)，國(guó)產(chǎn)高分?jǐn)?shù)據(jù)的應(yīng)用少見(jiàn)于報(bào)道［10,13-15］。2013年，中國(guó)高分辨率對(duì)地觀測(cè)系統(tǒng)衛(wèi)星——“高分1號(hào)”（GF-1）衛(wèi)星成功發(fā)射，開(kāi)啟了中國(guó)高分辨率對(duì)地觀測(cè)的新篇章；2014年， “高分2號(hào)”（GF-2）衛(wèi)星發(fā)射成功，其搭載2臺(tái)高分辨率1 m全色、4 m多光譜相機(jī)，標(biāo)志著中國(guó)遙感衛(wèi)星進(jìn)入了亞米級(jí)的 “高分時(shí)代”。查閱文獻(xiàn)發(fā)現(xiàn)，尚無(wú)利用GF數(shù)據(jù)進(jìn)行林業(yè)動(dòng)態(tài)變化檢測(cè)的研究。為此，本研究選用國(guó)產(chǎn)GF-2高分辨率數(shù)據(jù)，利用面向?qū)ο蟮姆治龇椒ㄑ芯縂F-2數(shù)據(jù)對(duì)桉樹(shù)信息的監(jiān)測(cè)能力，可為國(guó)產(chǎn)高分辯率數(shù)據(jù)應(yīng)用于林業(yè)資源監(jiān)測(cè)奠定基礎(chǔ)，同時(shí)也為國(guó)產(chǎn)高分辨率數(shù)據(jù)對(duì)地遙感監(jiān)測(cè)提供適當(dāng)?shù)膮⒖肌?/p>

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)位于廣西東南部的平朗鄉(xiāng)（圖1），地處22°08′～23°30′N，108°48′～109°37′E，地形四周高、中間低，形成寬谷平原和盆地，地貌以丘陵和平原為主。平朗鄉(xiāng)位于北回歸線以南，屬于南亞熱帶季風(fēng)氣候區(qū)，水熱資源豐富，樹(shù)種繁多，林木生長(zhǎng)迅速，是發(fā)展林業(yè)的重要基地。全鄉(xiāng)總面積為129.5 km2，山林面積8 000.0 hm2，占研究區(qū)總面積的61.7%，多為松、桉、杉、楓等。平朗鄉(xiāng)是廣西桉樹(shù)產(chǎn)業(yè)的優(yōu)勢(shì)產(chǎn)區(qū)與特色產(chǎn)區(qū)，且該鄉(xiāng)地塊破碎，作為研究區(qū)有典型性與示范性。

1.2 數(shù)據(jù)源

圖1 研究區(qū)位置與樣本分布Figure1 Location of the study area and sampling points distribution in the study area

遙感數(shù)據(jù)為GF-2衛(wèi)星數(shù)據(jù)。GF-2是中國(guó)迄今為止研制的空間分辨率最高的民用遙感衛(wèi)星，全色空間分辨率為1m，光譜范圍為 0.45~0.90μm；多光譜空間分辨率為4m，包括藍(lán)、綠、紅、近紅外4個(gè)波段，光譜范圍分別為 0.45~0.52μm，0.52~0.59μm，0.63~0.69μm，0.77~0.89μm［16］。數(shù)據(jù)來(lái)源于中國(guó)資源衛(wèi)星應(yīng)用中心（http://www.cresda.com/CN/），級(jí)別為L(zhǎng)1A，時(shí)相為2015年10月22日。輔助數(shù)據(jù)有2013年底的森林資源調(diào)查成果數(shù)據(jù)，航空正射影像（0.5m分辨率），1∶30萬(wàn)數(shù)字高程模型（DEM）數(shù)據(jù)，野外實(shí)測(cè)的桉樹(shù)提取驗(yàn)證樣本空間分布數(shù)據(jù)（圖1）。

2 面向?qū)ο蟮蔫駱?shù)信息提取

傳統(tǒng)的基于像素的分析方法，如監(jiān)督分類和非監(jiān)督分類，難以利用高分遙感數(shù)據(jù)豐富的紋理、空間、功能特征等，無(wú)法表達(dá)對(duì)目標(biāo)之間、目標(biāo)與環(huán)境之間的整體結(jié)構(gòu)信息，應(yīng)用于高分?jǐn)?shù)據(jù)時(shí)，其結(jié)果難以令人滿意。面向?qū)ο蟮姆治龇椒軌驈浹a(bǔ)基于像素的分析方法的局限性，從而實(shí)現(xiàn)更高級(jí)的圖像理解和分析，對(duì)高分?jǐn)?shù)據(jù)的解譯效果要優(yōu)于基于像素的分析效果［8,17-19］，因此本研究利用國(guó)產(chǎn)GF-2高分辨率數(shù)據(jù)，基于面向?qū)ο蟮姆治龇椒ń㈣駱?shù)提取的知識(shí)規(guī)則，從而實(shí)現(xiàn)桉樹(shù)空間分布的準(zhǔn)確提取。

面向?qū)ο蟮蔫駱?shù)信息提取是在遙感（RS）與地理信息系統(tǒng)（GIS）平臺(tái)下，先對(duì)GF-2數(shù)據(jù)預(yù)處理以提高圖像分析的精度，再通過(guò)多尺度分割建立目標(biāo)對(duì)象，分析目標(biāo)對(duì)象的光譜、紋理特征創(chuàng)建桉樹(shù)信息提取的規(guī)則，最后根據(jù)規(guī)則提取桉樹(shù)信息、后處理及精度評(píng)價(jià)，具體技術(shù)路線見(jiàn)圖2。

2.1 數(shù)據(jù)預(yù)處理

為了消除遙感數(shù)據(jù)的誤差，提高解譯的精度，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。本研究所涉及的 GF-2衛(wèi)星數(shù)據(jù)的預(yù)處理主要包括正射校正、融合與鑲嵌以及影像裁剪。①影像校正。以橫縣航片（0.5m分辨率）為基準(zhǔn)影像，結(jié)合數(shù)字高程模型（DEM）數(shù)據(jù)，先對(duì)GF-2全色影像正射校正，校正精度控制在1個(gè)像元以內(nèi)；待全色影像校正完成后，以全色為參考影像，結(jié)合DEM數(shù)據(jù)，再對(duì)同景多光譜影像正射校正，校正精度控制在0.5個(gè)像元內(nèi)。②影像融合。采用主成分變換法（principal component）對(duì)全色影像與多光譜影像進(jìn)行融合。待融合完成后，對(duì)融合影像進(jìn)行勻色處理。③影像裁剪。為減少多余數(shù)據(jù)，加快提取效率，以平朗鄉(xiāng)鄉(xiāng)界為邊界，對(duì)影像進(jìn)行裁剪，得到研究區(qū)的GF-2影像（圖1）。

2.2 主成分分析

圖2 面向?qū)ο蟮蔫駱?shù)信息提取流程圖Figure 2 Flow chart of eucalyptus extraction based on object-oriented method

面向?qū)ο蟮姆椒ㄝ^基于像素的方法優(yōu)勢(shì)之一是在于能充分利用對(duì)象的多種特征，如光譜特征、紋理特征、幾何以及相鄰對(duì)象之間的關(guān)聯(lián)特征等，以實(shí)現(xiàn)圖像的精確分類［14］。其中紋理特征能夠兼顧宏觀特性和微觀細(xì)節(jié)，且具有較強(qiáng)的穩(wěn)定性，是面向?qū)ο蟮膱D像分析中最常見(jiàn)的特征之一［20-21］。

GF-2影像波段間相關(guān)性高，冗余信息多，且每個(gè)波段都可生成8組紋理特征信息，為獲取信息量大、相互獨(dú)立的紋理特征需降維處理。主成分分析法（PCA）是盡可能在不丟失原始波段信息情況下，以正交線性變換的方法將主要波段信息壓縮到少數(shù)幾個(gè)波段上，以減少數(shù)據(jù)量，綜合波段主要成分，增強(qiáng)圖像信息［6］。利用專業(yè)遙感軟件進(jìn)行主成分變換去除影像的冗余信息，并利用變換后的第1波段PCA1（特征值8 481.79，信息比97.86%）替代原始數(shù)據(jù)提取紋理特征。

2.3 影像多尺度分割

影像分割是面向?qū)ο蠓治龇椒ǖ年P(guān)鍵步驟，目的是將影像分割成同質(zhì)的影像對(duì)象，將屬于桉樹(shù)林的對(duì)象分割出來(lái)，進(jìn)行基于知識(shí)規(guī)則的桉樹(shù)林類型提取。分割算法選擇多尺度分割（multi-resolution segmentation），關(guān)鍵是選擇合適的尺度參數(shù)，得到近似桉樹(shù)林冠層真實(shí)輪廓的對(duì)象。若尺度參數(shù)過(guò)小，影像分割破碎，目標(biāo)地類被分為多個(gè)對(duì)象，不利于提取，如圖3A；若尺度參數(shù)過(guò)大，影像分割得不夠完整，單個(gè)對(duì)象內(nèi)包含多個(gè)目標(biāo)地類，不能準(zhǔn)確提取，如圖3C和圖3D。本研究兼顧多尺度分割線與目標(biāo)地類分界線吻合，且分割對(duì)象不致于太破碎的原則，經(jīng)多次試驗(yàn)，確定參與分割波段為藍(lán)、綠、紅、近紅4個(gè)波段，分割尺度參數(shù)為50，形狀指數(shù)為0.1，致緊度為0.5，其他默認(rèn)。多尺度分割的結(jié)果如圖3B，分割對(duì)象近似于地類真實(shí)輪廓，為準(zhǔn)確提取桉樹(shù)林信息提供了基礎(chǔ)。

圖3 不同分割尺度效果圖Figure 3 Image segmentation comparison with different scale parameters

2.4 特征分析與特征篩選

在特征分析前，要先建立目標(biāo)地類的遙感解譯標(biāo)志，以便于后續(xù)分析。根據(jù)遙感影像特征（光譜、紋理、形狀等），通過(guò)疊加森林資源調(diào)查成果專題數(shù)據(jù)，同時(shí)參考其他輔助數(shù)據(jù)確定未變化地類的解譯標(biāo)志，對(duì)于變化地類則通過(guò)影像特征與野外實(shí)地調(diào)查數(shù)據(jù)建立解譯標(biāo)志。綜合考慮 GF-2影像的可解譯程度與地塊的破碎程度，將平朗鄉(xiāng)地類初分為耕地、居住區(qū)、水體、宜林荒山、有林地與裸地等6類，其中有林地可細(xì)分為闊葉林、針葉林與桉樹(shù)林。由于裸地易與居住區(qū)中的鎮(zhèn)（村）混淆，將兩者合并，統(tǒng)稱為亮地表，最終地類分為耕地、亮地表、水體、宜林荒山與有林地等5類。面向?qū)ο蟮膱D像分析方法不僅可以利用高空間分辨率遙感影像上地物的光譜特征，還可以充分利用影像豐富的紋理、形狀、結(jié)構(gòu)及空間關(guān)系等相關(guān)信息［22］，從而能夠深入分析和挖掘影像的細(xì)節(jié)信息。相比較基于像元的影像局部分析法，面向?qū)ο蟮姆诸惙椒◤恼w上把握對(duì)象的特征信息，使得其總體分類精度提高。

影像對(duì)象的特征是面向?qū)ο蟮膱D像分析的依據(jù)。利用影像對(duì)象的各種特征信息識(shí)別地物，特征不是越多越好，過(guò)多的特征反而會(huì)影響信息處理的效率，因此，首先需要對(duì)對(duì)象特征集中分析，篩選參與分類的特征，然后采取基于知識(shí)規(guī)則的方法建立提取桉樹(shù)信息的規(guī)則集。本研究根據(jù)5種地類的解譯標(biāo)志，選擇均勻分布于研究區(qū)的地類樣本，統(tǒng)計(jì)分析其光譜特征和紋理特征。光譜特征包括歸一化差值植被指數(shù)（NDVI），均值（mean），亮度（brightness），最大差值（max.diff），紋理特征包括熵（entropy），對(duì)比度（contrast），均值（mean），角二矩陣（angular second moment），標(biāo)準(zhǔn)差（standard deviation），異質(zhì)性（dissimilarity），同質(zhì)性（homogeneity），相關(guān)性（correlation）。經(jīng)分析篩選后，建立基于知識(shí)規(guī)則的提取模型。2.4.1 光譜特征分析與篩選 光譜特征是影像上地類光譜的反映，與分割對(duì)象的灰度值有關(guān)，是圖像分析最重要的因子之一。由表1可知：水體在近紅外波段反射率（nir）不超過(guò)78（最小值為76.91），而其他地類的反射率均大于78（最大值為79.93），利用近紅外波段反射率可剔除掉水體信息。歸一化差值植被指數(shù)（NDVI）是植被監(jiān)測(cè)中最常用的指數(shù)之一，亮地表的NDVI最大值為0.12，除水體外其他地類的NDVI最小值為0.18（宜林荒山的最小值為0.18），利用NDVI可以進(jìn)一步剔除掉亮地表與少量荒山林地信息。此步驟通過(guò)對(duì)nir和NDVI設(shè)置合適的閾值，最大可能地保留了植被信息，保證桉樹(shù)信息提取的準(zhǔn)確性。

表1 地類光譜特征統(tǒng)計(jì)Table 1 Spectral values of different land cover types

表2 地類灰度共生矩陣紋理特征統(tǒng)計(jì)Table 2 Gray level co-occurrencematrix（GLCM）textures of different land cover types

2.4.2 紋理特征分析與篩選 紋理特征描述了各像元之間在空間分布上的局部模式及其排列規(guī)則，反映了影像本身的屬性［23］?；叶裙采仃嚕℅LCM）能反映圖像灰度關(guān)于紋理方向、相鄰間隔等因素，以及紋理間變化幅度的綜合信息。不同的地物具有各自獨(dú)特的紋理特征，可通過(guò)紋理特征來(lái)提取目標(biāo)信息，紋理特征常用主成分分析的PCA1影像的8個(gè)紋理量共同表達(dá)（表2）。此步驟是在光譜特征分析與篩選的基礎(chǔ)上，通過(guò)分析研究區(qū)內(nèi)不同林種的紋理特征，篩選出對(duì)象特征間相關(guān)系數(shù)最小，特征信息量保留最多的紋理特征。由表2可知：8組紋理特征中，桉樹(shù)的對(duì)比度（contrast）與同質(zhì)性（homogeneity）均與其他2種有林地差異明顯，可作為桉樹(shù)信息提取的紋理對(duì)象特征。進(jìn)一步分析，對(duì)比度特征，桉樹(shù)最小值為27.54，針葉林和闊葉林的最大值分別為27.67和27.23；同質(zhì)性特征，桉樹(shù)最大值為0.21，針葉林和闊葉林的最小值分別為0.20和0.17。而其他紋理特征均存在不同程度的值域重疊，不利于目標(biāo)地類的提取。因此在光譜特征分析的基礎(chǔ)上，結(jié)合對(duì)比度與同質(zhì)性對(duì)象特征，創(chuàng)建桉樹(shù)信息提取的知識(shí)規(guī)則。

2.5 桉樹(shù)林信息提取

根據(jù)研究區(qū)地物特征分析與篩選的結(jié)果，選擇反射率、歸一化差值植被指數(shù)、對(duì)比度和同質(zhì)性特征作為桉樹(shù)林信息提取的對(duì)象特征，經(jīng)過(guò)多次試驗(yàn)，確定對(duì)象特征合適的閾值，創(chuàng)建知識(shí)規(guī)則，實(shí)現(xiàn)桉樹(shù)林信息的準(zhǔn)確提取。基于面向?qū)ο蟮挠跋穹诸惙椒?，首先?duì)反射率設(shè)置閾值區(qū)分開(kāi)水體與非水體，然后再利用歸一化差值植被指數(shù)從非水體中提取出林地信息，最后利用2個(gè)紋理特征值對(duì)林種細(xì)分，最終獲得準(zhǔn)確的桉樹(shù)林信息。在分類過(guò)程中構(gòu)建決策樹(shù)分類樹(shù)，在其對(duì)應(yīng)的層次創(chuàng)建相應(yīng)的分類規(guī)則，具體設(shè)置見(jiàn)圖4。

3 結(jié)果與分析

3.1 桉樹(shù)信息提取結(jié)果

本研究基于光譜特征與紋理特征通過(guò)創(chuàng)建相應(yīng)的分類知識(shí)規(guī)則，提取研究的桉樹(shù)信息，得到平朗鄉(xiāng)桉樹(shù)信息的空間分布（圖5）。分類后合并碎小圖斑，局部手動(dòng)編輯修正，輸出統(tǒng)計(jì) 2015年平朗鄉(xiāng)桉樹(shù)種植面積為3 750 hm2，主要分布在該鄉(xiāng)中南部和東南部，因?yàn)樵搮^(qū)域水熱條件良好，地勢(shì)平坦，有利于桉樹(shù)的速生豐產(chǎn)。

3.2 精度分析

根據(jù)森林資源調(diào)查成果數(shù)據(jù)與野外實(shí)地調(diào)查數(shù)據(jù)，矢量化出140個(gè)驗(yàn)證樣本（其中桉樹(shù)林70個(gè)，其他70個(gè)），均勻分布于研究區(qū)。利用驗(yàn)證樣本通過(guò)混淆矩陣（表3）的方式評(píng)價(jià)桉樹(shù)信息提取的精度：總體精度為84.3%，Kappa系數(shù)達(dá)到 0.73，用戶精度和生產(chǎn)者精度分別為81.4%和86.4%。

文獻(xiàn)［5］和［24］的研究區(qū)與本研究的研究區(qū)具有類似的地形特點(diǎn)，且采用的方法都是面向?qū)ο蠓诸惙椒ǎ瑢?duì)桉樹(shù)林信息分類提取的精度具有可比性（表4）。由表4可知：文獻(xiàn)［25］中桉樹(shù)林提取的生產(chǎn)者精度和用戶精度均低于80%，分析發(fā)現(xiàn)，文中涉及的對(duì)象特征僅為光譜特征，缺乏紋理特征，且影像空間分辨率為5 m。文獻(xiàn)［24］中精度高于本文精度，主要原因是參與分類的對(duì)象特征數(shù)量多，但其語(yǔ)義知識(shí)規(guī)則復(fù)雜繁瑣，不利用模型的魯棒性。

圖4 桉樹(shù)林信息提取規(guī)則Figure 4 Knowledge rules of eucalyptus extraction

圖5 平朗鄉(xiāng)2015年桉樹(shù)空間分布Figure 5 Spatial distribution of eucalyptus in Pinglang County in 2015

將提取結(jié)果與森林資源調(diào)查成果數(shù)據(jù)疊加對(duì)比發(fā)現(xiàn)，錯(cuò)分為桉樹(shù)的圖斑主要是馬尾松Pinusmassoniana的成林或過(guò)熟林。主要是紋理特征差異不明顯造成的。一般情況下，桉樹(shù)林的紋理較規(guī)則、粗糙，而其他樹(shù)種人工林紋理細(xì)膩，而馬尾松成林或過(guò)熟林紋理特征也規(guī)則、粗糙，因而容易混淆。另外桉樹(shù)幼林也較容易誤分為其他地類，主要是因?yàn)殍駱?shù)幼林的光譜特征與其他植被光譜特征相近，同時(shí)紋理規(guī)則卻相對(duì)細(xì)膩，對(duì)象特征差異不顯著。因此，如何通過(guò)桉樹(shù)林與其他有林地影像特征的微小差異，精確地識(shí)別出桉樹(shù)林，以進(jìn)一步提高桉樹(shù)林的提取精度還有待研究。由此可見(jiàn)，GF-2高分?jǐn)?shù)據(jù)可作為桉樹(shù)等速生林識(shí)別提取的重要數(shù)據(jù)源，同時(shí)基于面向?qū)ο蟮姆椒勺鳛殍駱?shù)林遙感監(jiān)測(cè)的重要思路。

表3 桉樹(shù)林信息提取精度分析Table 3 Confusionmatrix of eucalyptus extraction

表4 桉樹(shù)林提取精度對(duì)比Table 4 Contrast of eucalyptus extraction

4 討論

桉樹(shù)作為中國(guó)南方最重要的經(jīng)濟(jì)速生林種之一，栽植、速長(zhǎng)和砍伐周期交替頻繁，利用遙感影像準(zhǔn)確采集桉樹(shù)林變化信息，在大規(guī)模工程化應(yīng)用中，最基本的要求是簡(jiǎn)單、實(shí)用和精度可靠。由于南方地形復(fù)雜，地勢(shì)破碎，基于像素的圖像分析方法難以滿足林業(yè)部門的實(shí)際精度要求，本研究提出的面向?qū)ο蠓椒ㄊ窃诹謽I(yè)部門經(jīng)過(guò)長(zhǎng)期實(shí)踐的基礎(chǔ)上提出的，操作流程簡(jiǎn)單實(shí)用，且采集結(jié)果經(jīng)過(guò)外業(yè)應(yīng)用證明，是比較符合桉樹(shù)林（變化）信息遙感采集的大規(guī)模工程化應(yīng)用的。

平朗鄉(xiāng)地貌以丘陵和平原為主，地塊相對(duì)破碎，樹(shù)種繁多，代表了南方大部分桉樹(shù)林產(chǎn)區(qū)的特點(diǎn)，應(yīng)用本研究的方法，可以確保較高的信息采集精度，可直接應(yīng)用其他具有類似特點(diǎn)的桉樹(shù)林產(chǎn)區(qū)。但對(duì)于地勢(shì)起伏較大的林區(qū)，為確保較高的采集精度，可在本研究方法的基礎(chǔ)上，引入地理基礎(chǔ)數(shù)據(jù)，如DEM數(shù)據(jù)，把林區(qū)按照坡度分區(qū)，分別選擇各自分區(qū)適宜的對(duì)象特征以實(shí)現(xiàn)桉樹(shù)（變化）信息遙感監(jiān)測(cè)的精度。

總之，經(jīng)過(guò)工程化應(yīng)用后發(fā)現(xiàn)，GF-2衛(wèi)星數(shù)據(jù)空間分辨率高，重復(fù)獲取能力強(qiáng)，可作縣域及以上區(qū)域尺度下林業(yè)資源覆蓋變化多尺度高精度檢測(cè)的重要數(shù)據(jù)源，基于面向?qū)ο蟮膱D像分析方法對(duì)復(fù)雜地形下桉樹(shù)信息具有較高的遙感監(jiān)測(cè)精度。面向?qū)ο笏枷氲暮诵脑谟谟跋穹指畛叨鹊脑O(shè)置、對(duì)象特征提取與穩(wěn)定高效規(guī)則集模型的建立。在不存在通用分割尺度的前提下，如何設(shè)置分割尺度參數(shù)，需要研究；如何從眾多對(duì)象特征中快速準(zhǔn)確地篩選信息量大、獨(dú)立性強(qiáng)的特征，也值得研究；如何建立高效的知識(shí)規(guī)則模型，既保證合適的分類精度，又兼顧模型的魯棒性，是面向?qū)ο笏枷胪茝V需要解決的關(guān)鍵問(wèn)題。

5 結(jié)論

本研究利用國(guó)產(chǎn)GF-2高分辨率數(shù)據(jù)，基于面向?qū)ο蟮姆治龇椒ㄑ芯縂F-2數(shù)據(jù)對(duì)桉樹(shù)信息的監(jiān)測(cè)能力。以廣西平朗鄉(xiāng)為例，通過(guò)對(duì)影像多種特征的分析與提取，建立桉樹(shù)林信息提取的知識(shí)規(guī)則，實(shí)現(xiàn)了桉樹(shù)林的準(zhǔn)確提取，得到以下結(jié)論：①基于面向?qū)ο蟮乃枷?，利用GF-2數(shù)據(jù)，通過(guò)建立規(guī)則集能準(zhǔn)確提取桉樹(shù)的空間分布信息，用戶精度和生產(chǎn)者精度分別達(dá)81.4%和86.4%，能夠滿足林業(yè)部門對(duì)于快速、準(zhǔn)確提取林業(yè)資源的生產(chǎn)需求。②GF-2衛(wèi)星數(shù)據(jù)空間分辨率高，重復(fù)獲取能力強(qiáng)，可作為林業(yè)資源覆蓋變化多尺度高精度檢測(cè)的重要數(shù)據(jù)源。③盡管基于面向?qū)ο笏枷氲姆椒蓪?shí)現(xiàn)對(duì)桉樹(shù)林的準(zhǔn)確提取，但提取方法復(fù)雜，對(duì)于大尺度并行處理、規(guī)模工程化應(yīng)用的提取流程和方法體系，還需要進(jìn)一步探索。

［1］ 李春干，梁文海.面向?qū)ο筮b感圖像森林變化監(jiān)測(cè)的工程化應(yīng)用方法［J］.林業(yè)資源管理，2015，12（6）：137－143.

LIChungan,LIANGWenhai.The engineering application of object-based forest change detection using high-resolution remote sensing image［J］.For Resour Manage,2015,12（6）:137－143.

［2］ 張麗云，趙天忠，夏朝宗，等.遙感變化檢測(cè)技術(shù)在林業(yè)中的應(yīng)用［J］.世界林業(yè)研究，2016，29（2）：44－48.

ZHANG Liyun,ZHAO Tianzhong,XIA Chaozong,et al.Application of change detection technologies of remote sensing to forestry［J］.World For Res,2016,29（2）:44－48.

［3］ 徐菲楠，祁元，王建華，等.面向?qū)ο蟮暮诤酉掠魏影读种脖桓采w信息分類［J］.遙感技術(shù)與應(yīng)用，2015，30（5）：996－1005.

XU Feinan,QIYuan,WANG Jianhua,et al.Riparian forest vegetation coverage information classification based on object-orientedmethod in Heihe River［J］.Remote Sens Technol Appl,2015,30（5）:996－1005.

［4］ 周蔚.基于TM的森林資源地類動(dòng)態(tài)估計(jì)方法及應(yīng)用［D］.南京：南京林業(yè)大學(xué)，2010.

ZHOU Wei.Estimation Method of Forest Resources Land Type Variations and Its Application Based on TM Images［D］.Nanjing:Nanjing Forestry University,2010.

［5］ 黃春波，佃袁勇，周志翔，等.基于時(shí)間序列統(tǒng)計(jì)特性的森林變化監(jiān)測(cè)［J］.遙感學(xué)報(bào)，2015，19（4）：657－668.

HUANG Chunbo,DIAN Yuanyong,ZHOU Zhixiang,et al.Forest change detection based on time series images with statistical properties［J］.JRemote Sens,2015,19（4）:657－668.

［6］ 伍靜.基于TM的速生桉遙感分類技術(shù)研究［D］.南寧：廣西大學(xué)，2014.

WU Jing.Research on Classification of Fast-Growing Eucalyptus Based on TM by Using Remote Sensing Technology［D］.Nanning:GuangxiUniversity,2014.

［7］ 雷光斌，李愛(ài)農(nóng)，譚劍波，等.基于多源多時(shí)相遙感影像的山地森林分類決策樹(shù)模型研究［J］.遙感技術(shù)與應(yīng)用，2016，31（1）：31－41.

LEIGuangbin,LIAinong,TAN Jianbo,et al.Forest typesmapping inmountainous area usingmulti-source and multitemporal satellite images and decision treemodels［J］.Remote Sens Technol Appl,2016,31（1）:31－41.

［8］ 郭亞鴿，于信芳，江東，等.面向?qū)ο蟮纳种脖粓D像識(shí)別分類方法［J］.地球信息科學(xué)學(xué)報(bào)，2012，14（4）：514－522.

GUO Yage,YU Xinfang,JIANG Dong,et al.Study on forest classification based on object oriented techniques［J］.J Geo-Inf Sci,2012,14（4）:514－522.

［9］ 王久玲，黃進(jìn)良，王立輝，等.面向?qū)ο蟮亩鄷r(shí)相HJ星影像甘蔗識(shí)別方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2014，30（11）：145－151.

WANG Jiuling,HUANG Jinliang,WANG Lihui,et al.Identification of sugarcane based on object-oriented analysis using time-series HJCCD data［J］.Trans Chin Soc Agric Eng,2014,30（11）:145－151.

［10］ 付強(qiáng)，代華兵，薛曉坡.高分辨率遙感影像森林覆蓋變化檢測(cè)研究［J］.林業(yè)資源管理，2013，10（5）：76－79.

FU Qiang,DAIHuabing,XUE Xiaopo.Forest cover change detection by using high-resolution remote sensing image［J］.For Resour Manage,2013,10（5）:76－79.

［11］ 周小成，莊海東，陳銘潮，等.面向小班對(duì)象的森林資源變化遙感監(jiān)測(cè)方法：以福建省廈門市為例［J］.資源科學(xué)，2013，35（8）：1710－1718.

ZHOU Xiaocheng,ZHUANG Haidong,CHEN Mingchao,et al.A method to extract forest cover change by object-oriented classification［J］.Resour Sci,2013,35（8）:1710－1718.

［12］ 代華兵.SPOT5遙感數(shù)據(jù)在森林資源監(jiān)測(cè)中的應(yīng)用研究［D］.南寧：廣西大學(xué)，2006.

DAIHuabing.The Application of SPOT5 Remote Sensing Data in Forestry Surveying［D］.Nanning:Guangxi University,2006.

［13］ HOU Zhengyang,XU Qing,NUUTINEN T,etal.Extraction of remote sensing based forestmanagement units in tropical forests［J］.Remote Sens Environ,2013,130:1－10.

［14］ 扈晶晶.基于HJ-1和ZY-3遙感圖像的農(nóng)田防護(hù)林信息提取研究［D］.北京：北京林業(yè)大學(xué)，2014.

HU Jingjing.The Farmland Shelterbelts Extraction Based on The HJ-1 and ZY-3 Satellite Remote Sensing Iamges［D］.Beijing:Beijing Forestry University,2014.

［15］ 祖笑峰，覃先林，尹凌宇，等.基于高分一號(hào)影像光譜指數(shù)識(shí)別火燒跡地的決策樹(shù)方法［J］.林業(yè)資源管理，2015，8（4）：73－78.

ZU Xiaofeng,QIN Xianlin,YIN Lingyu,et al.Decision treemethod for burned area identification based on the spectral index of GF-1WFV image［J］.For Resour Manage,2015,8（4）:73－78.

［16］ 劉肖姬，梁樹(shù)能，吳小娟，等.“高分二號(hào)”衛(wèi)星數(shù)據(jù)遙感滑坡災(zāi)害識(shí)別研究：以云南東川為例［J］.航天返回與遙感，2015，36（4）：93－99.

LIU Xiaoji,LIANG Shuneng,WU Xiaojuan,et al.Interpretation of landslide in Dongchuan District of Yunnan Province using GF-2 satellite data［J］.Spacecr Recov Remote Sens,2015,36（4）:93－99.

［17］ 朱俊杰，范湘濤，杜小平，等.面向?qū)ο蟮母叻直媛蔬b感圖像分析［M］.北京：科學(xué)出版社，2014.

［18］ 胡榮明，魏曼，楊成斌，等.以SPOT5遙感數(shù)據(jù)為例比較基于像素與面向?qū)ο蟮姆诸惙椒ǎ跩］.遙感技術(shù)與應(yīng)用，2012，27（3）：366－371.

HU Rongming,WEIMan,YANG Chenbin,et al.Talking SPOT5 remote sensing data for example to compare pixelbased and object-oriented classfication［J］.Remote Sens Technol Appl,2015,30（5）:996-1005.

［19］ 牟智慧，楊廣斌.基于TM影像面向?qū)ο蟮蔫駱?shù)信息提?。跩］.林業(yè)資源管理，2014，4（2）：119－125.

MOU Zhihui,YANG Guangbin.The extraction of Eucalyptus information based on TM data using object-oriented method［J］.For Resour Manage,2014,4（2）:119－125.

［20］ 劉吉?jiǎng)P，鐘仕全，徐雅，等.基于多時(shí)相GF-1WFV數(shù)據(jù)的南方丘陵地區(qū)甘蔗種植面積提?。跩］.廣東農(nóng)業(yè)科學(xué)，2014（18）：149－154.

LIU Jikai,ZHONG Shiquan,XU Ya,et al.Sugarcane extraction in the southern hills usingmulti-temporal GF-1WFV data［J］.Guangdong Agric Sci,2014（18）:149－154.

［21］ 潘一凡，張顯峰，于泓峰，等.聯(lián)合快舟一號(hào)影像紋理信息的城市土地覆蓋分類［J］.遙感技術(shù)與應(yīng)用，2016，31（1）：194－202.

PAN Yifan,ZHANG Xianfeng,YU Hongfeng,et al.Land cover classification in Shihezi City by combing the KZ-1 texture and Landsat-8 OLIspectral information［J］.Remote Sens Technol Appl,2016,31（1）:194－202.

［22］ 白曉燕，陳曉宏，王兆禮.基于面向?qū)ο蠓诸惖耐恋乩眯畔⑻崛〖捌鋾r(shí)空變化研究［J］.遙感技術(shù)與應(yīng)用，2015，30（4）：798－809.

BAIXiaoyan,CHEN Xiaohong,WANG Zhaoli.A study on land use information extraction based on object-oriented classification technology and the temporal-spatial variation［J］.Remote Sens Technol Appl,2015,30（4）:798－809.

［23］ 郭海會(huì)，王卷樂(lè)，周玉潔，等.面向?qū)ο蟮嫩蛾?yáng)湖南磯濕地國(guó)家級(jí)自然保護(hù)區(qū)燒荒地信息提?。跩］.地球信息科學(xué)學(xué)報(bào)，2015，16（3）：499－506.

GUO Haihui,WANG Juanle,ZHOU Yujie,et al.Themoorburn information extraction on Poyang Lake NanjiWetland Nature Eeserve Area based on the object-oriented classificationmethod［J］.JGeo-Inf Sci,2015,16（3）:499－506.

［24］ 蔡耀君.基于面向?qū)ο蠹夹g(shù)的RapidEye影像桉樹(shù)林信息提取研究［D］.南寧：廣西師范學(xué)院，2015.

CAI Yaojun.Study on Extraction of RapidEye Image of Eucalyptus Forest Information Based on Object Oriented Technology［D］.Nanning:Guangxi Teachers Education University,2015.

［25］ 王學(xué)成，楊飛.基于面向?qū)Ψ椒诸惙椒ǖ腞apideye桉樹(shù)提取［J］.桉樹(shù)科技，2014，31（3）：10－16.

WANG Xuecheng,YANG Fei.Extraction of Eucalyptus plantationsmetrics using Rapideye imagery with object-oriented classificationmethod［J］.Eucalypt Sci Technol,2014,31（3）:10－16.

Extracting Eucalyptus information using GF-2 images based on an object-oriented method

LIANGWenhai1,LIU Jikai2,ZHANGWei2,LIXinwei2,ZHONG Shiquan3
（1.Guangxi Forest Inventory and Planning Institute,Nanning 530000,Guangxi,China;2.University of Science and Technology of Anhui,Fengyang 233100,Anhui,China;3.Guangxi Institute of Meteorology,Nanning/Remote Sensing Application and Test Base of National Satellite Meteorology Centre,Nanning 530022,Guangxi,China）

Remote sensing data from the Chinese GF-2 satellite,the highest spatial resolution satellite for civilian satellites so far,was used to explore satellite performance for forest resource information monitoring.This research took Pinglang County as the study area,analyzed characteristics of different objects,such as spectrum, normalized difference vegetation index（NDVI）,and texture;extracted Eucalyptus data based on themethod of object-oriented classification using GF-2 satellite data;and then evaluated classification accuracy（Confusion Matrix）.Results showed that the object-oriented classificationmethod was an effective technicalmethod for extraction of Eucalyptus information with classification precision reaching 81.4% （producer’s accuracy）and 86.4% （user’s accuracy）.Thus,GF-2 satellite data with high temporal and spatial resolution could provide a potential data source for remote sensingmonitoring of forest resource information.［Ch,5 fig.4 tab.25 ref.］

forestmeasuration;GF-2 images;Eucalyptus;object-oriented

S758.5；TP75

A

2095-0756（2017）-04-0721-09

10.11833/j.issn.2095-0756.2017.04.019

2016-07-11；

2016-11-06

安徽科技學(xué)院引進(jìn)人才基金資助項(xiàng)目（ZRC2014396，ZHYJ201601，ZHYJ201603）；安徽高校自然科學(xué)研究計(jì)劃資助項(xiàng)目（KJ2016A173，KJ2016A168）

梁文海，從事遙感圖像處理與應(yīng)用研究。E-mail：lwxlwhlwy@163.com。通信作者：鐘仕全，高級(jí)工程師，從事衛(wèi)星遙感應(yīng)用研究。E-mail：liujkahstu@163.com