基于DOM及LiDAR的多尺度分割與面向?qū)ο罅窒斗诸?/h1>
2017-10-11 01:34:25毛學剛侯吉宇白雪峰范文義
農(nóng)業(yè)機械學報 2017年9期 關(guān)鍵詞：分類
毛學剛 侯吉宇 白雪峰 范文義
(1.東北林業(yè)大學林學院， 哈爾濱 150040； 2.東北農(nóng)業(yè)大學水利與土木工程學院， 哈爾濱 150030； 3.農(nóng)業(yè)部農(nóng)業(yè)水資源高效利用重點實驗室， 哈爾濱 150030)
基于DOM及LiDAR的多尺度分割與面向?qū)ο罅窒斗诸?/p>
毛學剛1侯吉宇1白雪峰2,3范文義1
(1.東北林業(yè)大學林學院， 哈爾濱 150040； 2.東北農(nóng)業(yè)大學水利與土木工程學院， 哈爾濱 150030； 3.農(nóng)業(yè)部農(nóng)業(yè)水資源高效利用重點實驗室， 哈爾濱 150030)
為研究分割尺度對航空正射影像(DOM)與LiDAR數(shù)據(jù)協(xié)同面向?qū)ο罅窒斗指钆c分類的影響，以東北典型的天然次生林帽兒山實驗林場東林施業(yè)區(qū)為試驗區(qū)，對DOM與LiDAR數(shù)據(jù)進行多尺度分割與面向?qū)ο罅窒斗诸?。分割過程中，采用基于DOM分割、基于LiDAR數(shù)據(jù)分割、DOM&LiDAR協(xié)同分割3種分割方案。每種分割方案采用10種尺度。在每種尺度應用兩種數(shù)據(jù)提取的光譜和高度兩種特征，采用支持向量機分類器(SVM)進行林隙分類。研究結(jié)果表明：3種分割與分類方案分類精度隨尺度的增大整體呈現(xiàn)下降的趨勢，與ED3(Modified)趨勢相反?；贚iDAR數(shù)據(jù)在尺度參數(shù)10獲得了最優(yōu)分割結(jié)果。在所有尺度上(10～100)，基于LiDAR數(shù)據(jù)分割與分類精度高于其他兩種數(shù)據(jù)源的分類精度，相比單獨使用DOM優(yōu)勢更加明顯?；贚iDAR數(shù)據(jù)分割與分類方案在尺度參數(shù)10時獲得了最高分類精度(Kappa系數(shù)為80%)。3種分割與分類方案最優(yōu)尺度的分類精度顯著高于其他尺度分類精度。分割尺度對面向?qū)ο罅窒斗诸惤Y(jié)果有重要影響。
林隙； 影像分割； LiDAR； 航空正射影像； CHM； 支持向量機
引言
林隙主要是指由自然因素(病蟲害、干旱、火災、雪壓)或人為干擾導致單株或多株樹木個體死亡所造成的冠層中的一小塊缺口[1]。林隙能夠?qū)е铝窒挛h(huán)境的改變(如太陽能、水和營養(yǎng)物)，影響林下生物多樣性和生境[2]。林隙在森林的再生、周轉(zhuǎn)和森林生態(tài)系統(tǒng)整體動態(tài)變化中起著重要的作用[1]。
與費時費力的人工實地量測相比，遙感是一種高效、準確、快速的林隙識別技術(shù)手段。遙感不僅能夠?qū)⒐趯又械牧窒稖蚀_提取出來，而且還可以對森林冠層中的自然干擾或人為干擾產(chǎn)生的林隙進行動態(tài)監(jiān)測。高空間分辨率的衛(wèi)星影像、航空正射影像(DOM)以及LiDAR數(shù)據(jù)已經(jīng)被應用于林隙識別[3-9]。DOM和LiDAR數(shù)據(jù)結(jié)合提供的光譜信息和冠層垂直高度信息可以相互補充，有利于林隙的識別和提取[10]。面向?qū)ο蟮姆椒ū粡V泛應用于地物識別和提取，該方法不僅可以避免傳統(tǒng)基于像元分類方法產(chǎn)生的“椒鹽”現(xiàn)象[11-13]，而且產(chǎn)生的對象特征也可用于分類[14-17]。在面向?qū)ο蠓诸惙椒ㄖ?，影像分割是面向?qū)ο蠓诸惖年P(guān)鍵步驟，產(chǎn)生分割對象的準確程度直接影響分類精度[18-19]。目前已經(jīng)提出了許多影像分割算法，如均值漂移分割[20-21]、分形網(wǎng)絡演化算法[22]和分水嶺分割算法[23-25]。大多數(shù)分割算法都需要用戶自定義一個參數(shù)(尺度參數(shù))，該參數(shù)控制分割對象內(nèi)的同質(zhì)性、分割對象間的異質(zhì)性以及分割大小。對于林隙對象來說，影像分割獲取正確的林隙對象對于林隙識別和提取至關(guān)重要。影像分割最優(yōu)尺度參數(shù)的確定并不容易，自動獲得最優(yōu)尺度參數(shù)仍然具有挑戰(zhàn)性和不確定性。許多研究采用反復試驗、目視解譯的方法來確定最優(yōu)尺度參數(shù)[7,26]。
為研究采用不同尺度參數(shù)分割DOM與LiDAR數(shù)據(jù)的效果，定量評價尺度參數(shù)對面向?qū)ο罅窒斗指钆c分類的影響，本研究選取東北典型的天然次生林帽兒山實驗林場東林施業(yè)區(qū)為試驗區(qū)，協(xié)同使用DOM與機載LiDAR數(shù)據(jù)進行面向?qū)ο罅窒斗指钆c分類，定量評價分割尺度對不同遙感數(shù)據(jù)(DOM、LiDAR數(shù)據(jù)、DOM&LiDAR協(xié)同)的面向?qū)ο罅窒斗指钆c分類的影響。
1 試驗區(qū)與數(shù)據(jù)
1.1 試驗區(qū)
研究區(qū)為黑龍江省尚志市境內(nèi)的東北林業(yè)大學帽兒山試驗林場 (45°15′～45°29′N、127°23′～127°43′E)，南北長26 km，東西寬20 km，總面積約為2.6×104hm2。植被屬于長白山植物區(qū)系，是由地帶性頂級植被闊葉紅松(Pinuskoraiensis)林經(jīng)人為干擾破壞后形成的較典型的東北東部天然次生林。次生林類型多樣且具有代表性，群落類型有硬闊葉林、軟闊葉林、針葉林、針闊混交林。試驗區(qū)為帽兒山實驗林場東林施業(yè)區(qū)，南北長6.7 km，東西寬5.7 km，總面積約為3 011 hm2(圖1)。選擇該區(qū)域作為試驗區(qū)，因為該區(qū)域林隙類型、大小和結(jié)構(gòu)各有不同。
圖1 試驗區(qū)位置(帽兒山試驗林場)Fig.1 Location of experimental site (Maoershan experimental forest farm)
1.2 遙感數(shù)據(jù)
LiDAR數(shù)據(jù)采集使用LiCHy機載觀測系統(tǒng)，飛行平臺采用國產(chǎn)運-10飛機，采集時間為2016年9月14—15日(落葉季節(jié))，數(shù)據(jù)采集時天氣晴朗無云。LiCHy機載觀測系統(tǒng)集激光雷達測距、航空影像拍攝、高光譜數(shù)據(jù)獲取、全球定位系統(tǒng)(GPS)和慣性導航系統(tǒng)(INS)于一體[27]。激光雷達采用LMS-Q680i全波形激光雷達掃描儀。LMS-Q680i全波形激光雷達掃描儀包括一個單束窄帶激光器和一個接收系統(tǒng)，激光器工作波長為1 550 nm，激光束發(fā)散角為0.5 mrad，波形數(shù)據(jù)的記錄間隔為1 ns，最大脈沖重復頻率為400 kHz，地表定位精度為水平0.2 m，垂直0.15 m(平地)。獲得點云數(shù)據(jù)的平均密度為3.6點/m2，經(jīng)過與差分GPS實測高程的比較，獲取的LiDAR數(shù)據(jù)的高程精度小于0.3 m，平面精度小于0.5 m。航空影像數(shù)據(jù)由CCD相機(Digi CAM-60數(shù)字式航空攝像機)同步獲取。數(shù)據(jù)的獲取及飛行設(shè)計由協(xié)作方(中國林業(yè)科學研究院)完成，最終提供的數(shù)據(jù)包括DOM(圖2)、LiDAR數(shù)據(jù)提取的數(shù)字高程模型(DEM)和數(shù)字表面模型(DSM)，LiDAR數(shù)據(jù)及DOM的處理方法見PANG等[27]的研究結(jié)果。森林冠層高度模型(Canopy height model，CHM)由DSM和DEM數(shù)據(jù)相減獲得，空間分辨率為2 m，數(shù)據(jù)類型為浮點型(float型)(圖3)。為使DOM與CHM空間分辨率保持一致，采用最鄰近值方法對其進行重采樣得到空間分辨率為2 m的DOM。DOM和CHM數(shù)據(jù)都為TIFF格式，使用的是西安80地理坐標系和高斯克呂格3度帶投影坐標系。
圖2 航空正射影像及樣本Fig.2 Aeria orthophoto and samples
圖3 LiDAR提取的冠層高度模型(CHM)Fig.3 Canopy height model extracted by LiDAR(CHM)
1.3 輔助數(shù)據(jù)
以DOM作為底圖(20 cm)，結(jié)合CHM數(shù)據(jù)及野外調(diào)查數(shù)據(jù)，手工數(shù)字化一套參考多邊形，其中包括214個林隙多邊形(19 745個像素)、89個非林隙的多邊形(24 908個像素)和隨機選擇的96個樹冠多邊形(24 444個像素)。在該套參考多邊形中隨機選擇53個林隙多邊形(10 325個像素)、25個非林隙的多邊形(15 447個像素)和17個樹冠多邊形(14 809個像素)作為面向?qū)ο蠓诸惖挠柧殬颖荆Ｓ嗟?61個林隙多邊形(9 420個像素)、64個非林隙多邊形(9 461個像素)和79個冠層多邊形(9 635個像素)作為檢驗樣本。
2 研究方法
面向?qū)ο蠓椒ㄟM行林隙分類包括3個過程：影像分割即創(chuàng)建對象；對象特征提??；基于對象特征分類。采用3種分割方案(基于DOM分割；基于LiDAR數(shù)據(jù)分割；DOM&LiDAR協(xié)同分割)進行多尺度影像分割，對于每種分割方案都試驗10種分割尺度(10～100，步長為10)，采用修正的歐氏距離3(ED3(Modified))評價分割結(jié)果[10]。根據(jù)DOM與LiDAR數(shù)據(jù)提取對象光譜與高度特征，采用支持向量機(SVM)分類器進行林隙分類。對不同尺度的分割-分類方案采用同一套驗證樣本進行精度檢驗，定量評價分割尺度對不同遙感數(shù)據(jù)的面向?qū)ο罅窒斗指钆c分類的影響，技術(shù)路線如圖4所示。
2.1 影像分割
采用eCognition Developer 8.7軟件的分割算法(多尺度分割(MRS))。MRS采用的是區(qū)域合并算法，分割過程由尺度、形狀、緊密度和輸入圖層所占權(quán)重4個參數(shù)控制[17]。分割的大小主要由尺度參數(shù)決定，因此設(shè)置不同的尺度參數(shù)，其余3個參數(shù)采用默認值，進行影像分割。在相同分割尺度下，采用3種分割方案(表1)。
圖4 林隙分類流程圖Fig.4 Flow chart of forest gap classification procedure
2.2 對象特征提取
分類過程中所采用的對象特征是根據(jù)DOM的光譜(Blue、Green、Red)與LiDAR數(shù)據(jù)提取的高度信息(CHM)計算獲得(表2)。除計算了每個分割對象不同數(shù)據(jù)層的均值和標準差外，還計算了鄰域平均差分(Mean diff to neighbors)[28]。對象的幾何特征(形狀、緊密度)并沒有采用，因為林隙的形狀和緊密度多種多樣。本研究總共選取了12個特征，其中9個特征來自DOM，3個特征來自CHM(表2)。
2.3 面向?qū)ο蠓诸?/h3>
根據(jù)選擇的訓練樣本及提取的對象特征，采用eCognition Developer 8.7軟件的SVM分類器進行林隙、非林隙和樹冠3種類型分類。SVM分類器是通過非線性變換將輸入空間變換到一個高維的特征空間，然后在這個新的高維特征空間中求取最優(yōu)分類超平面[29]。對輸入數(shù)據(jù)的這種變換是通過核函數(shù)進行的(線性(Linear)、多項式、徑向基(RBF)、S形)。對于3種分割方案，應用12個對象特征指標(表2)作為輸入數(shù)據(jù)。采用帶有Linear核函數(shù)的SVM分類器進行分類，其主要原因包括：SVM分類器是非參數(shù)方法，不要求假設(shè)數(shù)據(jù)分布和特征獨立性；選擇的數(shù)據(jù)集(林隙、非林隙和樹冠樣本)是線性可分的，采用帶有Linear核函數(shù)的SVM分類器已足夠用；帶有Linear核函數(shù)的SVM分類器相對簡單且運算速度快。本研究共獲得了30種分類結(jié)果。
表1 3種分割方案參數(shù)Tab.1 Parameters for three segmentation schemes
表2 面向?qū)ο蠓诸惖膶ο筇卣鱐ab.2 Image object metrics used in classifications
2.4 分割質(zhì)量評價
本研究采用ED3(Modified)指標進行分割質(zhì)量評價[10]。該指標的優(yōu)點是當與一個參考多邊形的重疊區(qū)域超過參考多邊形或被分割對象的50%時，被分割對象才被標記為相應參考多邊形的分割。ED3(Modified)在0～1之間的歸一化指數(shù)計算方法為
(1)
式中E——歐氏距離3(Modified)ri——參考多邊形I——參考多邊形的數(shù)量sj——對應參考多邊形j的分割多邊形Ji——對應參考多邊形i的分割多邊形數(shù)量
A——多邊形面積
E越低表示分割質(zhì)量越高。手工數(shù)字化采用35個林隙參考多邊形、20個非林隙參考多邊形(圖2)，共55個參考多邊形作為分割參考對象。應用ArcGIS10.0軟件計算E對分割質(zhì)量進行評價。最佳分割結(jié)果由E最低值確定。
2.5 分類結(jié)果精度評價
對3種分割與分類方案的30種分類結(jié)果進行精度評價，采用Kappa系數(shù)評價指標[30]。LANDIS 等[31]將Kappa系數(shù)的大小劃分為6個區(qū)段，分別代表一致性的強弱程度。當Kappa 系數(shù)小于0 時，一致性程度極差；0～0.20，一致性程度微弱；0.21～0.40，弱；0.41～0.60，中度；0.61～0.80，顯著(或一致性高)；0.81～1.00，極佳。對Kappa系數(shù)的比較，可以獲得以下兩種結(jié)果：分割尺度對林隙分類精度的影響； DOM&LiDAR協(xié)同與單獨使用一種數(shù)據(jù)分類是否具有優(yōu)勢。Kappa-Z用于檢驗不同尺度分類結(jié)果的Kappa系數(shù)是否差異顯著[32]?；诘戎档牧慵僭O(shè)，Z統(tǒng)計的計算方法為
(2)
式中k1、k2——Kappa系數(shù)的兩個值V(k1)、V(k2)——兩個Kappa系數(shù)的方差
Kappa系數(shù)的方差參考FOODY計算方法[32]。如果Z統(tǒng)計值大于臨界值(1.96，95%置信區(qū)間)，則拒絕零假設(shè)(H0)。
3 結(jié)果與分析
3.1 影像分割質(zhì)量評價
在所有尺度(10～100)上基于LiDAR數(shù)據(jù)分割ED3(Modified)值(0.64±0.13)與基于DOM分割及二者協(xié)同分割ED3(Modified)值(AO：0.64±0.09；AL：0.64±0.09)的平均值并無明顯差別，但基于LiDAR數(shù)據(jù)分割ED3(Modified)值變化較大(圖5)。3種分割方案基本都保持了相同的變化特征，即在10～40尺度參數(shù)隨著分割尺度的增大，ED3(Modified)值升高，40～100尺度參數(shù)上ED3(Modified)值并無明顯區(qū)別。3種分割在10尺度ED3(Modified)值差異最明顯，其他尺度參數(shù)3種分割方案差異不明顯，且都在尺度參數(shù)10獲得了最優(yōu)分割結(jié)果(AO：ED3(Modified)為0.48；AL：ED3(Modified)為0.31；LI：ED3(Modified)為0.46)。因此3種分割方案的最優(yōu)分割尺度均為10。單獨使用LiDAR數(shù)據(jù)分割尺度參數(shù)為10的ED3(Modified)值最低，這也是3種分割方案中ED3(Modified)最低值(圖5)，因此為最佳分割結(jié)果。
圖5 3種分割方案尺度參數(shù)在10～100的分割結(jié)果ED3(Modified)值Fig.5 ED3(Modified)values for tree species segmentation results at scale parameter ranging between 10 and 100
3.2 林隙分割結(jié)果
對分割所得對象的可視化檢查可知，分割對象的特征(面積和形狀)受尺度參數(shù)影響。在10尺度參數(shù)分割，3種分割方案能夠較好地分割林隙，但隨著分割尺度的增大，對于林隙的分割來說都存在明顯分割不足的現(xiàn)象。除尺度參數(shù)影響外，在分割過程中所使用的數(shù)據(jù)也會影響分割對象的面積和形狀。在10尺度參數(shù)分割，基于DOM分割與DOM&LiDAR協(xié)同分割都輕微受到陰影影響(圖6e、6i)，使得分割多邊形與參考多邊形邊界不能很好的重合。從目視結(jié)果來看，基于LiDAR數(shù)據(jù)在10尺度參數(shù)的分割效果最好(圖6a)，這與采用ED3(Modified)評價指標結(jié)果吻合?；贚iDAR數(shù)據(jù)分割時，隨著尺度的增大分割不足的現(xiàn)象比相同尺度下的其他兩種分割方案嚴重(圖6b～6d)，其他兩種分割方案在20～40尺度優(yōu)于單獨使用LiDAR分割質(zhì)量，但是相同尺度下的另外兩種分割方案并沒有完全將林隙按照真正的林隙邊界分割出來。
3.3 3種分割方案精度評價與比較
隨著尺度的增大，3種分割與分類方案分類精度整體呈現(xiàn)下降的趨勢，與ED3(Modified)趨勢相反，說明與參考對象匹配良好的分割能夠得到更高精度的分類結(jié)果。在所有尺度上，基于LiDAR數(shù)據(jù)分割與分類方案分類精度(Kappa)明顯高于其他2種分割與分類方案(表3)?；贒OM分割-分類方案分類精度非常不理想(Kappa為16%～39%)，尤其是尺度參數(shù)在70～100時，一致性程度微弱。DOM&LiDAR協(xié)同分割與分類方案的Kappa系數(shù)只有在尺度參數(shù)10上Kappa系數(shù)大于60%，一致性程度高?；贚iDAR數(shù)據(jù)分割-分類方案在尺度參數(shù)10～30上Kappa系數(shù)大于60%，且尺度參數(shù)10上Kappa系數(shù)為80%，一致性極佳。DOM&LiDAR協(xié)同分割和分類與單獨DOM相比能夠提高分類精度但效果并不是最理想的。單獨使用LiDAR數(shù)據(jù)分割，并使用LiDAR提取的高度特征進行林隙分類是效果最理想且最有效的面向?qū)ο罅窒斗诸惙椒ā?/p>
本研究將3種分割方案獲得最高分類精度的尺度參數(shù)定義為最優(yōu)尺度參數(shù)?；贒OM分割-分類方案的最高分類精度為39%(尺度參數(shù)為20)；DOM&LiDAR協(xié)同分割-分類方案的最高分類精度為68%(尺度參數(shù)為10)；基于LiDAR數(shù)據(jù)分割-分類方案的最高分類精度為80%(尺度參數(shù)為10)，這也是30種分類結(jié)果中的最高精度。因此，基于DOM分割-分類方案最優(yōu)尺度參數(shù)為20，其他2種分割-分類方案最優(yōu)尺度參數(shù)均為10。
基于DOM分割-分類方案其他尺度與最優(yōu)尺度分類精度最高相差23%，平均相差12%；其他兩種分割-分類方案其他尺度與最優(yōu)尺度分類精度最高相差43%(表3中LI/HE)和42%(表3中AL/SP+HE)，平均相差26%(表3中LI/HE)和30%(表3中AL/SP+HE)。不同尺度之間分類精度存在明顯差異(表3)。表3還總結(jié)了最優(yōu)尺度與其他尺度的Kappa-Z檢驗結(jié)果，進一步說明了3種分割-分類方案最優(yōu)尺度的分類精度均顯著高于其他尺度分類精度(Z值均大于1.96)，尺度參數(shù)對分類結(jié)果有重要影響。
圖6 3種分割方案的林隙分割結(jié)果示例Fig.6 Examples of forest gap segmentation results by three segmentation schemes
%
注：K為Kappa系數(shù)，K20為尺度參數(shù)20時的Kappa系數(shù)，K10為尺度參數(shù)10時的Kappa系數(shù)。
4 討論
許多因素會影響影像分割結(jié)果，分割尺度作為最重要的因素之一，直接影響著最后的分類結(jié)果[33]。在eCognition Developer 8.7軟件中尺度參數(shù)是抽象概念，然而尺度參數(shù)的值直接影響著分割對象的大小，大尺度產(chǎn)生大面積對象，小尺度產(chǎn)生小面積對象[22]。最優(yōu)分割尺度是針對要研究的特定應用問題而言的，對不同的應用目的，其最優(yōu)尺度是不盡相同的。本研究的最優(yōu)分割尺度定義為能得到最高分類精度的尺度，因此3種分割-分類方案都定義了單一的最優(yōu)分割尺度(AO/SP：20；LI/HE：10；AL/SP+HE：10)，之前的研究也已經(jīng)定義單一最優(yōu)尺度來獲得最高分類精度[18-19]。通過影像分割質(zhì)量評價和最后分類精度的評價可以看出，不同分割尺度對于分類精度有著重要的影響，分割質(zhì)量好的結(jié)果往往會產(chǎn)生精度較高的分類結(jié)果。本研究對最優(yōu)尺度進行了限定，即獲得最高分類精度的尺度，另一方面本研究獲得了林隙分類精度隨尺度參數(shù)變化而變化的趨勢后確定的最優(yōu)尺度，每次實驗都進行了嚴格的精度驗證，因此該最優(yōu)尺度參數(shù)具有很好的通用性。
基于LiDAR數(shù)據(jù)分割與其他兩種分割相比分割的質(zhì)量更好(LI：ED3(Modified)為0.31)，基于LiDAR數(shù)據(jù)在所有尺度上都比基于DOM分割獲得更高的分類精度，尤其在小尺度更明顯，這主要是因為LiDAR提取的CHM能更好地體現(xiàn)林分的同質(zhì)性，林隙邊界比DOM的邊界清晰，并且能夠消除陰影的影響，YANG等[10]也有過類似的結(jié)論。在所有尺度上單獨使用DOM進行林隙分類精度都不理想，主要原因是在于：分類過程中受DOM的陰影影響很大；由于冠層間的遮擋以及不同觀測角度和太陽高度角變化會引起太陽光輻射的變化導致林隙光譜的不確定性；林隙最主要特征是與冠層之間垂直高度的差異，DOM并不能提供高度信息。DOM&LiDAR協(xié)同分割-分類方案并不是最優(yōu)方案，主要原因有：雖然DOM影像的光譜特征能夠彌補林隙對象高度特征某些方面的不足，但是本研究所采用的DOM缺少紅外波段且受陰影影響較大，相比之下DOM所提供的光譜信息并不完整；本研究區(qū)域中林分類型復雜，非林隙種類除空地外還有較多的農(nóng)田道路建筑也對分類精度產(chǎn)生影響。
對象特征是面向?qū)ο筮b感信息提取的依據(jù)。本研究只采用光譜和高度特征主要是兩方面的原因：本研究側(cè)重研究分割尺度對DOM與LiDAR數(shù)據(jù)協(xié)同面向?qū)ο罅窒斗指钆c分類的影響；采用更多的特征比如增加紋理特征，并不會影響最優(yōu)尺度的選擇以及不同分割尺度分類精度的相對差異。
5 結(jié)論
(1)在所有尺度下(10～100)單獨使用LiDAR數(shù)據(jù)分割-分類精度明顯高于其他兩種分類方案的分類精度，相比單獨使用DOM優(yōu)勢更加明顯。
(2)基于LiDAR數(shù)據(jù)分割在尺度參數(shù)10上進行分割對象，并使用LiDAR提取的高度共同特征進行面向?qū)ο罅窒斗诸惈@得了最高精度(Kappa系數(shù)為80%)。
(3)對3種分割-分類方案30種分類結(jié)果的精度評價發(fā)現(xiàn)，3種分割-分類方案最優(yōu)尺度的分類精度顯著高于其他尺度分類精度。定義一個單一的最優(yōu)分割尺度比較合適。
(4)影像分割的結(jié)果除了尺度參數(shù)影響外，分割過程中所使用的數(shù)據(jù)特性也會影響分割對象面積和形狀。
(5)分割尺度對面向?qū)ο罅窒斗诸惤Y(jié)果有著重要影響，匹配良好的分割和參考對象能夠得到更高精度的分類結(jié)果。
1 ST-ONGE B, VEPAKOMMA U, SéNéCAL J F, et al. Canopy gap detection and analysis with airborne laser scanning. Forestry applications of airborne Laser scanning[M]. Berlin:Springer,2014.
2 VEPAKOMMA U, ST-ONGE B, KNEESHAW D. Response of a boreal forest to canopy opening: assessing vertical and lateral tree growth with multi-temporal lidar data[J].Ecological Applications, 2011,21(1):99-121.
3 ASNER G P, KELLER M, PEREIRA R, et al. Canopy damage and recovery after selective logging in Amazonia: field and satellite studies[J]. Ecological Applications, 2004,14(4): S280-S298.
4 NEGRON-JUAREZ R I, CHAMBERS J Q, MARRA D M, et al. Detection of subpixel treefall gaps with Landsat imagery in Central Amazon forests[J]. Remote Sensing of Environment, 2011,115(12):3322-3328.
5 CLARK M L, CLARK D B, ROBERTS D A. Small-footprint lidar estimation of sub-canopy elevation and tree height in a tropical rain forest landscape[J]. Remote Sensing of Environment, 2004,91(1):68-89.
6 HE Y H, FRANKLIN S E, GUO X L, et al. Narrow-linear and small-area forest disturbance detection and mapping from high spatial resolution imagery[J]. Journal of Applied Remote Sensing, 2009,3(1):2701-2712.
7 MALAHLELA O, CHO M A, MUTANGA O. Mapping canopy gaps in an indigenous subtropical coastal forest using high-resolution WorldView-2 data[J]. International Journal of Remote Sensing, 2014,35(17):6397-6417.
8 VEPAKOMMA U, ST-ONGE B, KNEESHAW D. Spatially explicit characterization of boreal forest gap dynamics using multi-temporal lidar data[J]. Remote Sensing of Environment, 2008,112(5):2326-2340.
9 GAULTON R, MALTHUS T J. LiDAR mapping of canopy gaps in continuous cover forests: a comparison of canopy height model and point cloud based techniques[J]. International Journal of Remote Sensing, 2010,31(5):1193-1211.
10 YANG J, JONES T, CASPERSEN J, et al. Object-based canopy gap segmentation and classification: quantifying the pros and cons of integrating optical and LiDAR data[J]. Remote Sensing, 2015,7(12): 15917-15932.
11 JOHANSEN K, ARROYO L A, PHINN S, et al. Comparison of geo-object based and pixel-based change detection of riparian environments using high spatial resolution multi-spectral imagery[J]. Photogrammetric Engineering and Remote Sensing, 2010,76(2):123-136.
12 張猛,曾永年,朱永森.面向?qū)ο蠓椒ǖ臅r間序列MODIS數(shù)據(jù)濕地信息提取——以洞庭湖流域為例[J]. 遙感學報, 2017,21(3)：479-492. ZHANG Meng,ZENG Yongnian,ZHU Yongsen.Wetland mapping of Donting Lake Basin based on time-series MODIS data and object-oriented method[J]. Journal of Remote Sensing,2017,21(3):479-492. (in Chinese)
13 張超,劉佳佳,陳英義,等. 土地整治區(qū)田塊空間形態(tài)變化遙感監(jiān)測與評價[J/OL]. 農(nóng)業(yè)機械學報,2017,48(1):104-111. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170114&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2017.01.014. ZHANG Chao,LIU Jiajia,CHEN Yingyi,et al.Remote sensing monitor and evaluation on patch morphology changing in land consolidation areas[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(1):104-111. (in Chinese)
14 BONNET S, GAULTON R, LEHAIRE F, et al. Canopy gap mapping from airborne laser scanning: an assessment of the positional and geometrical accuracy[J]. Remote Sensing, 2015,7(9):11267-11294.
15 羅開盛,陶福祿.融合面向?qū)ο笈c纓帽變換的濕地覆被類別遙感提取方法[J]. 農(nóng)業(yè)工程學報, 2017, 33(3):198-203. LUO Kaisheng,TAO Fulu. Method for wetland type extraction using remote sensing combing object-oriented and tasseled cap transformation[J]. Transactions of the CSAE,2017,33(3):198-203. (in Chinese)
16 劉舒,姜琦剛,馬玥,等.基于多目標遺傳隨機森林特征選擇的面向?qū)ο鬂竦胤诸怺J/OL]. 農(nóng)業(yè)機械學報, 2017,48(1):119-127. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170116& journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2017.01.016. LIU Shu,JIANG Qigang,MA Yue,et al. Object-oriented wetland classification based on hybrid feature selection method combining with relief F, multi-objective genetic algorithm and random forest [J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(1):119-127. (in Chinese)
17 路春燕,王宗明,賈明明,等. 基于ENVISAT ASAR、LANDSAT TM與DEM的泥炭沼澤信息提取方法[J]. 武漢大學學報：信息科學版, 2017, 42(2):185-192. LU Chunyan,WANG Zongming JIA Mingming,et al. Peatland extraction based on ENVISAT ASAR,Landset TM and DEM data[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2):185-192. (in Chinese)
18 KIM M, MADDEN M, WARNER T. Estimation of optimal image object size for the segmentation of forest stands with multispectral IKONOS imagery[M]∥Object-Based Image Analysis. Berlin: Springer,2008:291-307.
19 WANG L, SOUSA W P, GONG P. Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery[J]. International Journal of Remote Sensing, 2004,25(24):5655-5668.
20 COMANICIU D, MEER P. Mean shift: a robust approach toward feature space analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002,24(5):603-619.
21 MICHEL J, YOUSSEFI D, GRIZONNET M. Stable mean-shift algorithm and its application to the segmentation of arbitrarily large remote sensing images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015,53(2):952-964.
22 BENZ U C, HOFMANN P, WILLHAUCK G, et al. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information[J]. International Journal of Photogrammetry and Remote Sensing,2004, 58(3-4):239-258.
23 LI P, GUO J, SONG B, et al. A multilevel hierarchical image segmentation method for urban impervious surface mapping using very high resolution imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2011,4(1):103-116.
24 LI D, ZHANG G, WU Z, et al. An edge embedded marker-based watershed algorithm for high spatial resolution remote sensing image segmentation[J]. IEEE Transactions on Image Processing, 2010,19 (10):2781-2787.
25 VINCENT L, SOILLE P. Watersheds in digital spaces: an efficient algorithm based on immersion simulations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1991,13(6):583-598.
26 CHO M A, MATHIEU R, ASNER G P, et al. Mapping tree species composition in South African savannas using an integrated airborne spectral and LiDAR system[J]. Remote Sensing of Environment, 2012,125(10):214-226.
27 PANG Y, LI Z, JU H, et al. LiCHy: the CAF’s LiDAR, CCD and hyperspectral integrated airborne observation system[J]. Remote Sensing, 2016,8(5):398.
28 BAATZ M. ECognition user guide[M].Munich: Definiens imaging GmbH,2010.
29 VAPNIK V N. The nature of statistical learning theory[M]. Berlin:Springer-Verlag,2000.
30 JANSSEN L L F, WEI F J M. Accuracy assessment of satellite derived land-cover data: a review[J]. Photogrammetric Engineering and Remote Sensing,1994,60(4):419-426.
31 LANDIS J R, KOCH G G. The measurement of observer agreement for categorical data[J]. Biometrics, 1977,33(1):159-174.
32 FOODY G M. Assessing the accuracy of land cover change with imperfect ground reference data[J]. Remote Sensing of Environment, 2010,114(10):2271-2285.
33 KE Y, QUACKENBUSH L J, IM J. Synergistic use of QuickBird multispectral imagery and LIDAR data for object-based forest species classification[J]. Remote Sensing of Environment, 2010,114(6):1141-1154.
MultiscaleForestGapSegmentationandObject-orientedClassificationBasedonDOMandLiDAR
MAO Xuegang1HOU Jiyu1BAI Xuefeng2,3FAN Wenyi1
(1.SchoolofForestry,NortheastForestryUniversity,Harbin150040,China2.SchoolofWaterConservancyandCivilEngineering,NortheastAgriculturalUniversity,Harbin150030,China3.KeyLaboratoryofEfficientUtilizationofAgriculturalWaterResources,MinistryofAgriculture,Harbin150030,China)
Aiming to study the effect of segmentation scale on object based segmentation and classification of forest gap through fusion of aerial orthophoto (DOM) and LiDAR data, the typical natural secondary forest in Maoershan Experimental Forest Farm Donglin Industry Zone of northeastern China was selected as the experimental area. The DOM and airborne LiDAR were used for multiscale segmentation and object-oriented forest gap classification. In the process of image segmentation, three segmentation schemes (segmentation of DOM, segmentation of LiDAR data and segmentation of a fusion of DOM and LiDAR data) were adopted. For each segmentation scheme, 10 segmentation scales were set, then based on the segmentation results, spectral and height features extracted from DOM and LiDAR data were used for object-oriented forest gap classification with the support vector machine (SVM) classifier. The results showed that the classification accuracies of three segmentation and classification schemes showed a decline trend with the increase of scale, which was opposite with trend of ED3 (Modified). Based on the LiDAR data at scale parameter of 10, the best segmentation result was got. At all scale (10～100), the classification accuracy based on LiDAR segmentation and classification was higher than that based on two other data segmentation and classification schemes, and had the more obvious advantage than using only DOM. Based on scheme of LiDAR data segmentation and classification at scale parameter of 10, the highest classification accuracy was got with Kappa coefficient of 80%. The classification accuracies of three segmentation and classification schemes at the optimal scale were significantly higher than these at other scales. The segmentation scale had important effect on the object-oriented forest gaps classification.
forest gap; image segmentation; LiDAR; aerial orthophoto; CHM; support vector machine
S771.8
A
1000-1298(2017)09-0152-08
10.6041/j.issn.1000-1298.2017.09.019
2017-06-04
2017-07-08
國家自然科學基金項目(31300533)和農(nóng)業(yè)部農(nóng)業(yè)水資源高效利用重點實驗室開放課題項目(2015001、2015003)
毛學剛(1981—)，男，講師，博士生，主要從事遙感圖像處理及遙感分類研究，E-mail： maoxuegang@aliyun.com
范文義(1965—)，男，教授，博士生導師，主要從事林業(yè)遙感研究,E-mail： fanwy@163.com
猜你喜歡
2021年本刊分類總目錄西北民族大學學報(自然科學版)(2021年4期)2021-12-29 02:54:24 分類算一算數(shù)學小靈通(1-2年級)(2021年4期)2021-06-09 06:25:56 垃圾分類的困惑你有嗎大眾健康(2021年6期)2021-06-08 19:30:06 星星的分類小聰仔(科普版)(2020年12期)2021-01-18 09:16:52 我給資源分分類東方少年·布老虎畫刊(2020年4期)2020-06-08 15:48:10 垃圾分類，你準備好了嗎學生天地(2019年32期)2019-08-25 08:55:22 分類討論求坐標中學生數(shù)理化·七年級數(shù)學人教版(2019年4期)2019-05-20 10:06:32 數(shù)據(jù)分析中的分類討論中學生數(shù)理化·七年級數(shù)學人教版(2018年6期)2018-06-26 08:36:06 按需分類小天使·一年級語數(shù)英綜合(2017年11期)2017-12-05 18:49:56 教你一招：數(shù)的分類初中生世界·七年級(2017年9期)2017-10-13 22:27:46
毛學剛 侯吉宇 白雪峰 范文義
(1.東北林業(yè)大學林學院， 哈爾濱 150040； 2.東北農(nóng)業(yè)大學水利與土木工程學院， 哈爾濱 150030； 3.農(nóng)業(yè)部農(nóng)業(yè)水資源高效利用重點實驗室， 哈爾濱 150030)
基于DOM及LiDAR的多尺度分割與面向?qū)ο罅窒斗诸?/p>
毛學剛1侯吉宇1白雪峰2,3范文義1
(1.東北林業(yè)大學林學院， 哈爾濱 150040； 2.東北農(nóng)業(yè)大學水利與土木工程學院， 哈爾濱 150030； 3.農(nóng)業(yè)部農(nóng)業(yè)水資源高效利用重點實驗室， 哈爾濱 150030)
為研究分割尺度對航空正射影像(DOM)與LiDAR數(shù)據(jù)協(xié)同面向?qū)ο罅窒斗指钆c分類的影響，以東北典型的天然次生林帽兒山實驗林場東林施業(yè)區(qū)為試驗區(qū)，對DOM與LiDAR數(shù)據(jù)進行多尺度分割與面向?qū)ο罅窒斗诸?。分割過程中，采用基于DOM分割、基于LiDAR數(shù)據(jù)分割、DOM&LiDAR協(xié)同分割3種分割方案。每種分割方案采用10種尺度。在每種尺度應用兩種數(shù)據(jù)提取的光譜和高度兩種特征，采用支持向量機分類器(SVM)進行林隙分類。研究結(jié)果表明：3種分割與分類方案分類精度隨尺度的增大整體呈現(xiàn)下降的趨勢，與ED3(Modified)趨勢相反?；贚iDAR數(shù)據(jù)在尺度參數(shù)10獲得了最優(yōu)分割結(jié)果。在所有尺度上(10～100)，基于LiDAR數(shù)據(jù)分割與分類精度高于其他兩種數(shù)據(jù)源的分類精度，相比單獨使用DOM優(yōu)勢更加明顯?；贚iDAR數(shù)據(jù)分割與分類方案在尺度參數(shù)10時獲得了最高分類精度(Kappa系數(shù)為80%)。3種分割與分類方案最優(yōu)尺度的分類精度顯著高于其他尺度分類精度。分割尺度對面向?qū)ο罅窒斗诸惤Y(jié)果有重要影響。
林隙； 影像分割； LiDAR； 航空正射影像； CHM； 支持向量機
引言
林隙主要是指由自然因素(病蟲害、干旱、火災、雪壓)或人為干擾導致單株或多株樹木個體死亡所造成的冠層中的一小塊缺口[1]。林隙能夠?qū)е铝窒挛h(huán)境的改變(如太陽能、水和營養(yǎng)物)，影響林下生物多樣性和生境[2]。林隙在森林的再生、周轉(zhuǎn)和森林生態(tài)系統(tǒng)整體動態(tài)變化中起著重要的作用[1]。
與費時費力的人工實地量測相比，遙感是一種高效、準確、快速的林隙識別技術(shù)手段。遙感不僅能夠?qū)⒐趯又械牧窒稖蚀_提取出來，而且還可以對森林冠層中的自然干擾或人為干擾產(chǎn)生的林隙進行動態(tài)監(jiān)測。高空間分辨率的衛(wèi)星影像、航空正射影像(DOM)以及LiDAR數(shù)據(jù)已經(jīng)被應用于林隙識別[3-9]。DOM和LiDAR數(shù)據(jù)結(jié)合提供的光譜信息和冠層垂直高度信息可以相互補充，有利于林隙的識別和提取[10]。面向?qū)ο蟮姆椒ū粡V泛應用于地物識別和提取，該方法不僅可以避免傳統(tǒng)基于像元分類方法產(chǎn)生的“椒鹽”現(xiàn)象[11-13]，而且產(chǎn)生的對象特征也可用于分類[14-17]。在面向?qū)ο蠓诸惙椒ㄖ?，影像分割是面向?qū)ο蠓诸惖年P(guān)鍵步驟，產(chǎn)生分割對象的準確程度直接影響分類精度[18-19]。目前已經(jīng)提出了許多影像分割算法，如均值漂移分割[20-21]、分形網(wǎng)絡演化算法[22]和分水嶺分割算法[23-25]。大多數(shù)分割算法都需要用戶自定義一個參數(shù)(尺度參數(shù))，該參數(shù)控制分割對象內(nèi)的同質(zhì)性、分割對象間的異質(zhì)性以及分割大小。對于林隙對象來說，影像分割獲取正確的林隙對象對于林隙識別和提取至關(guān)重要。影像分割最優(yōu)尺度參數(shù)的確定并不容易，自動獲得最優(yōu)尺度參數(shù)仍然具有挑戰(zhàn)性和不確定性。許多研究采用反復試驗、目視解譯的方法來確定最優(yōu)尺度參數(shù)[7,26]。
為研究采用不同尺度參數(shù)分割DOM與LiDAR數(shù)據(jù)的效果，定量評價尺度參數(shù)對面向?qū)ο罅窒斗指钆c分類的影響，本研究選取東北典型的天然次生林帽兒山實驗林場東林施業(yè)區(qū)為試驗區(qū)，協(xié)同使用DOM與機載LiDAR數(shù)據(jù)進行面向?qū)ο罅窒斗指钆c分類，定量評價分割尺度對不同遙感數(shù)據(jù)(DOM、LiDAR數(shù)據(jù)、DOM&LiDAR協(xié)同)的面向?qū)ο罅窒斗指钆c分類的影響。
1 試驗區(qū)與數(shù)據(jù)
1.1 試驗區(qū)
研究區(qū)為黑龍江省尚志市境內(nèi)的東北林業(yè)大學帽兒山試驗林場 (45°15′～45°29′N、127°23′～127°43′E)，南北長26 km，東西寬20 km，總面積約為2.6×104hm2。植被屬于長白山植物區(qū)系，是由地帶性頂級植被闊葉紅松(Pinuskoraiensis)林經(jīng)人為干擾破壞后形成的較典型的東北東部天然次生林。次生林類型多樣且具有代表性，群落類型有硬闊葉林、軟闊葉林、針葉林、針闊混交林。試驗區(qū)為帽兒山實驗林場東林施業(yè)區(qū)，南北長6.7 km，東西寬5.7 km，總面積約為3 011 hm2(圖1)。選擇該區(qū)域作為試驗區(qū)，因為該區(qū)域林隙類型、大小和結(jié)構(gòu)各有不同。
圖1 試驗區(qū)位置(帽兒山試驗林場)Fig.1 Location of experimental site (Maoershan experimental forest farm)
1.2 遙感數(shù)據(jù)
LiDAR數(shù)據(jù)采集使用LiCHy機載觀測系統(tǒng)，飛行平臺采用國產(chǎn)運-10飛機，采集時間為2016年9月14—15日(落葉季節(jié))，數(shù)據(jù)采集時天氣晴朗無云。LiCHy機載觀測系統(tǒng)集激光雷達測距、航空影像拍攝、高光譜數(shù)據(jù)獲取、全球定位系統(tǒng)(GPS)和慣性導航系統(tǒng)(INS)于一體[27]。激光雷達采用LMS-Q680i全波形激光雷達掃描儀。LMS-Q680i全波形激光雷達掃描儀包括一個單束窄帶激光器和一個接收系統(tǒng)，激光器工作波長為1 550 nm，激光束發(fā)散角為0.5 mrad，波形數(shù)據(jù)的記錄間隔為1 ns，最大脈沖重復頻率為400 kHz，地表定位精度為水平0.2 m，垂直0.15 m(平地)。獲得點云數(shù)據(jù)的平均密度為3.6點/m2，經(jīng)過與差分GPS實測高程的比較，獲取的LiDAR數(shù)據(jù)的高程精度小于0.3 m，平面精度小于0.5 m。航空影像數(shù)據(jù)由CCD相機(Digi CAM-60數(shù)字式航空攝像機)同步獲取。數(shù)據(jù)的獲取及飛行設(shè)計由協(xié)作方(中國林業(yè)科學研究院)完成，最終提供的數(shù)據(jù)包括DOM(圖2)、LiDAR數(shù)據(jù)提取的數(shù)字高程模型(DEM)和數(shù)字表面模型(DSM)，LiDAR數(shù)據(jù)及DOM的處理方法見PANG等[27]的研究結(jié)果。森林冠層高度模型(Canopy height model，CHM)由DSM和DEM數(shù)據(jù)相減獲得，空間分辨率為2 m，數(shù)據(jù)類型為浮點型(float型)(圖3)。為使DOM與CHM空間分辨率保持一致，采用最鄰近值方法對其進行重采樣得到空間分辨率為2 m的DOM。DOM和CHM數(shù)據(jù)都為TIFF格式，使用的是西安80地理坐標系和高斯克呂格3度帶投影坐標系。
圖2 航空正射影像及樣本Fig.2 Aeria orthophoto and samples
圖3 LiDAR提取的冠層高度模型(CHM)Fig.3 Canopy height model extracted by LiDAR(CHM)
1.3 輔助數(shù)據(jù)
以DOM作為底圖(20 cm)，結(jié)合CHM數(shù)據(jù)及野外調(diào)查數(shù)據(jù)，手工數(shù)字化一套參考多邊形，其中包括214個林隙多邊形(19 745個像素)、89個非林隙的多邊形(24 908個像素)和隨機選擇的96個樹冠多邊形(24 444個像素)。在該套參考多邊形中隨機選擇53個林隙多邊形(10 325個像素)、25個非林隙的多邊形(15 447個像素)和17個樹冠多邊形(14 809個像素)作為面向?qū)ο蠓诸惖挠柧殬颖荆Ｓ嗟?61個林隙多邊形(9 420個像素)、64個非林隙多邊形(9 461個像素)和79個冠層多邊形(9 635個像素)作為檢驗樣本。
2 研究方法
面向?qū)ο蠓椒ㄟM行林隙分類包括3個過程：影像分割即創(chuàng)建對象；對象特征提??；基于對象特征分類。采用3種分割方案(基于DOM分割；基于LiDAR數(shù)據(jù)分割；DOM&LiDAR協(xié)同分割)進行多尺度影像分割，對于每種分割方案都試驗10種分割尺度(10～100，步長為10)，采用修正的歐氏距離3(ED3(Modified))評價分割結(jié)果[10]。根據(jù)DOM與LiDAR數(shù)據(jù)提取對象光譜與高度特征，采用支持向量機(SVM)分類器進行林隙分類。對不同尺度的分割-分類方案采用同一套驗證樣本進行精度檢驗，定量評價分割尺度對不同遙感數(shù)據(jù)的面向?qū)ο罅窒斗指钆c分類的影響，技術(shù)路線如圖4所示。
2.1 影像分割
采用eCognition Developer 8.7軟件的分割算法(多尺度分割(MRS))。MRS采用的是區(qū)域合并算法，分割過程由尺度、形狀、緊密度和輸入圖層所占權(quán)重4個參數(shù)控制[17]。分割的大小主要由尺度參數(shù)決定，因此設(shè)置不同的尺度參數(shù)，其余3個參數(shù)采用默認值，進行影像分割。在相同分割尺度下，采用3種分割方案(表1)。
圖4 林隙分類流程圖Fig.4 Flow chart of forest gap classification procedure
2.2 對象特征提取
分類過程中所采用的對象特征是根據(jù)DOM的光譜(Blue、Green、Red)與LiDAR數(shù)據(jù)提取的高度信息(CHM)計算獲得(表2)。除計算了每個分割對象不同數(shù)據(jù)層的均值和標準差外，還計算了鄰域平均差分(Mean diff to neighbors)[28]。對象的幾何特征(形狀、緊密度)并沒有采用，因為林隙的形狀和緊密度多種多樣。本研究總共選取了12個特征，其中9個特征來自DOM，3個特征來自CHM(表2)。
2.3 面向?qū)ο蠓诸?/h3>
根據(jù)選擇的訓練樣本及提取的對象特征，采用eCognition Developer 8.7軟件的SVM分類器進行林隙、非林隙和樹冠3種類型分類。SVM分類器是通過非線性變換將輸入空間變換到一個高維的特征空間，然后在這個新的高維特征空間中求取最優(yōu)分類超平面[29]。對輸入數(shù)據(jù)的這種變換是通過核函數(shù)進行的(線性(Linear)、多項式、徑向基(RBF)、S形)。對于3種分割方案，應用12個對象特征指標(表2)作為輸入數(shù)據(jù)。采用帶有Linear核函數(shù)的SVM分類器進行分類，其主要原因包括：SVM分類器是非參數(shù)方法，不要求假設(shè)數(shù)據(jù)分布和特征獨立性；選擇的數(shù)據(jù)集(林隙、非林隙和樹冠樣本)是線性可分的，采用帶有Linear核函數(shù)的SVM分類器已足夠用；帶有Linear核函數(shù)的SVM分類器相對簡單且運算速度快。本研究共獲得了30種分類結(jié)果。
表1 3種分割方案參數(shù)Tab.1 Parameters for three segmentation schemes
表2 面向?qū)ο蠓诸惖膶ο筇卣鱐ab.2 Image object metrics used in classifications
2.4 分割質(zhì)量評價
本研究采用ED3(Modified)指標進行分割質(zhì)量評價[10]。該指標的優(yōu)點是當與一個參考多邊形的重疊區(qū)域超過參考多邊形或被分割對象的50%時，被分割對象才被標記為相應參考多邊形的分割。ED3(Modified)在0～1之間的歸一化指數(shù)計算方法為
(1)
式中E——歐氏距離3(Modified)ri——參考多邊形I——參考多邊形的數(shù)量sj——對應參考多邊形j的分割多邊形Ji——對應參考多邊形i的分割多邊形數(shù)量
A——多邊形面積
E越低表示分割質(zhì)量越高。手工數(shù)字化采用35個林隙參考多邊形、20個非林隙參考多邊形(圖2)，共55個參考多邊形作為分割參考對象。應用ArcGIS10.0軟件計算E對分割質(zhì)量進行評價。最佳分割結(jié)果由E最低值確定。
2.5 分類結(jié)果精度評價
對3種分割與分類方案的30種分類結(jié)果進行精度評價，采用Kappa系數(shù)評價指標[30]。LANDIS 等[31]將Kappa系數(shù)的大小劃分為6個區(qū)段，分別代表一致性的強弱程度。當Kappa 系數(shù)小于0 時，一致性程度極差；0～0.20，一致性程度微弱；0.21～0.40，弱；0.41～0.60，中度；0.61～0.80，顯著(或一致性高)；0.81～1.00，極佳。對Kappa系數(shù)的比較，可以獲得以下兩種結(jié)果：分割尺度對林隙分類精度的影響； DOM&LiDAR協(xié)同與單獨使用一種數(shù)據(jù)分類是否具有優(yōu)勢。Kappa-Z用于檢驗不同尺度分類結(jié)果的Kappa系數(shù)是否差異顯著[32]?；诘戎档牧慵僭O(shè)，Z統(tǒng)計的計算方法為
(2)
式中k1、k2——Kappa系數(shù)的兩個值V(k1)、V(k2)——兩個Kappa系數(shù)的方差
Kappa系數(shù)的方差參考FOODY計算方法[32]。如果Z統(tǒng)計值大于臨界值(1.96，95%置信區(qū)間)，則拒絕零假設(shè)(H0)。
3 結(jié)果與分析
3.1 影像分割質(zhì)量評價
在所有尺度(10～100)上基于LiDAR數(shù)據(jù)分割ED3(Modified)值(0.64±0.13)與基于DOM分割及二者協(xié)同分割ED3(Modified)值(AO：0.64±0.09；AL：0.64±0.09)的平均值并無明顯差別，但基于LiDAR數(shù)據(jù)分割ED3(Modified)值變化較大(圖5)。3種分割方案基本都保持了相同的變化特征，即在10～40尺度參數(shù)隨著分割尺度的增大，ED3(Modified)值升高，40～100尺度參數(shù)上ED3(Modified)值并無明顯區(qū)別。3種分割在10尺度ED3(Modified)值差異最明顯，其他尺度參數(shù)3種分割方案差異不明顯，且都在尺度參數(shù)10獲得了最優(yōu)分割結(jié)果(AO：ED3(Modified)為0.48；AL：ED3(Modified)為0.31；LI：ED3(Modified)為0.46)。因此3種分割方案的最優(yōu)分割尺度均為10。單獨使用LiDAR數(shù)據(jù)分割尺度參數(shù)為10的ED3(Modified)值最低，這也是3種分割方案中ED3(Modified)最低值(圖5)，因此為最佳分割結(jié)果。
圖5 3種分割方案尺度參數(shù)在10～100的分割結(jié)果ED3(Modified)值Fig.5 ED3(Modified)values for tree species segmentation results at scale parameter ranging between 10 and 100
3.2 林隙分割結(jié)果
對分割所得對象的可視化檢查可知，分割對象的特征(面積和形狀)受尺度參數(shù)影響。在10尺度參數(shù)分割，3種分割方案能夠較好地分割林隙，但隨著分割尺度的增大，對于林隙的分割來說都存在明顯分割不足的現(xiàn)象。除尺度參數(shù)影響外，在分割過程中所使用的數(shù)據(jù)也會影響分割對象的面積和形狀。在10尺度參數(shù)分割，基于DOM分割與DOM&LiDAR協(xié)同分割都輕微受到陰影影響(圖6e、6i)，使得分割多邊形與參考多邊形邊界不能很好的重合。從目視結(jié)果來看，基于LiDAR數(shù)據(jù)在10尺度參數(shù)的分割效果最好(圖6a)，這與采用ED3(Modified)評價指標結(jié)果吻合?；贚iDAR數(shù)據(jù)分割時，隨著尺度的增大分割不足的現(xiàn)象比相同尺度下的其他兩種分割方案嚴重(圖6b～6d)，其他兩種分割方案在20～40尺度優(yōu)于單獨使用LiDAR分割質(zhì)量，但是相同尺度下的另外兩種分割方案并沒有完全將林隙按照真正的林隙邊界分割出來。
3.3 3種分割方案精度評價與比較
隨著尺度的增大，3種分割與分類方案分類精度整體呈現(xiàn)下降的趨勢，與ED3(Modified)趨勢相反，說明與參考對象匹配良好的分割能夠得到更高精度的分類結(jié)果。在所有尺度上，基于LiDAR數(shù)據(jù)分割與分類方案分類精度(Kappa)明顯高于其他2種分割與分類方案(表3)?；贒OM分割-分類方案分類精度非常不理想(Kappa為16%～39%)，尤其是尺度參數(shù)在70～100時，一致性程度微弱。DOM&LiDAR協(xié)同分割與分類方案的Kappa系數(shù)只有在尺度參數(shù)10上Kappa系數(shù)大于60%，一致性程度高?；贚iDAR數(shù)據(jù)分割-分類方案在尺度參數(shù)10～30上Kappa系數(shù)大于60%，且尺度參數(shù)10上Kappa系數(shù)為80%，一致性極佳。DOM&LiDAR協(xié)同分割和分類與單獨DOM相比能夠提高分類精度但效果并不是最理想的。單獨使用LiDAR數(shù)據(jù)分割，并使用LiDAR提取的高度特征進行林隙分類是效果最理想且最有效的面向?qū)ο罅窒斗诸惙椒ā?/p>
本研究將3種分割方案獲得最高分類精度的尺度參數(shù)定義為最優(yōu)尺度參數(shù)?；贒OM分割-分類方案的最高分類精度為39%(尺度參數(shù)為20)；DOM&LiDAR協(xié)同分割-分類方案的最高分類精度為68%(尺度參數(shù)為10)；基于LiDAR數(shù)據(jù)分割-分類方案的最高分類精度為80%(尺度參數(shù)為10)，這也是30種分類結(jié)果中的最高精度。因此，基于DOM分割-分類方案最優(yōu)尺度參數(shù)為20，其他2種分割-分類方案最優(yōu)尺度參數(shù)均為10。
基于DOM分割-分類方案其他尺度與最優(yōu)尺度分類精度最高相差23%，平均相差12%；其他兩種分割-分類方案其他尺度與最優(yōu)尺度分類精度最高相差43%(表3中LI/HE)和42%(表3中AL/SP+HE)，平均相差26%(表3中LI/HE)和30%(表3中AL/SP+HE)。不同尺度之間分類精度存在明顯差異(表3)。表3還總結(jié)了最優(yōu)尺度與其他尺度的Kappa-Z檢驗結(jié)果，進一步說明了3種分割-分類方案最優(yōu)尺度的分類精度均顯著高于其他尺度分類精度(Z值均大于1.96)，尺度參數(shù)對分類結(jié)果有重要影響。
圖6 3種分割方案的林隙分割結(jié)果示例Fig.6 Examples of forest gap segmentation results by three segmentation schemes
%
注：K為Kappa系數(shù)，K20為尺度參數(shù)20時的Kappa系數(shù)，K10為尺度參數(shù)10時的Kappa系數(shù)。
4 討論
許多因素會影響影像分割結(jié)果，分割尺度作為最重要的因素之一，直接影響著最后的分類結(jié)果[33]。在eCognition Developer 8.7軟件中尺度參數(shù)是抽象概念，然而尺度參數(shù)的值直接影響著分割對象的大小，大尺度產(chǎn)生大面積對象，小尺度產(chǎn)生小面積對象[22]。最優(yōu)分割尺度是針對要研究的特定應用問題而言的，對不同的應用目的，其最優(yōu)尺度是不盡相同的。本研究的最優(yōu)分割尺度定義為能得到最高分類精度的尺度，因此3種分割-分類方案都定義了單一的最優(yōu)分割尺度(AO/SP：20；LI/HE：10；AL/SP+HE：10)，之前的研究也已經(jīng)定義單一最優(yōu)尺度來獲得最高分類精度[18-19]。通過影像分割質(zhì)量評價和最后分類精度的評價可以看出，不同分割尺度對于分類精度有著重要的影響，分割質(zhì)量好的結(jié)果往往會產(chǎn)生精度較高的分類結(jié)果。本研究對最優(yōu)尺度進行了限定，即獲得最高分類精度的尺度，另一方面本研究獲得了林隙分類精度隨尺度參數(shù)變化而變化的趨勢后確定的最優(yōu)尺度，每次實驗都進行了嚴格的精度驗證，因此該最優(yōu)尺度參數(shù)具有很好的通用性。
基于LiDAR數(shù)據(jù)分割與其他兩種分割相比分割的質(zhì)量更好(LI：ED3(Modified)為0.31)，基于LiDAR數(shù)據(jù)在所有尺度上都比基于DOM分割獲得更高的分類精度，尤其在小尺度更明顯，這主要是因為LiDAR提取的CHM能更好地體現(xiàn)林分的同質(zhì)性，林隙邊界比DOM的邊界清晰，并且能夠消除陰影的影響，YANG等[10]也有過類似的結(jié)論。在所有尺度上單獨使用DOM進行林隙分類精度都不理想，主要原因是在于：分類過程中受DOM的陰影影響很大；由于冠層間的遮擋以及不同觀測角度和太陽高度角變化會引起太陽光輻射的變化導致林隙光譜的不確定性；林隙最主要特征是與冠層之間垂直高度的差異，DOM并不能提供高度信息。DOM&LiDAR協(xié)同分割-分類方案并不是最優(yōu)方案，主要原因有：雖然DOM影像的光譜特征能夠彌補林隙對象高度特征某些方面的不足，但是本研究所采用的DOM缺少紅外波段且受陰影影響較大，相比之下DOM所提供的光譜信息并不完整；本研究區(qū)域中林分類型復雜，非林隙種類除空地外還有較多的農(nóng)田道路建筑也對分類精度產(chǎn)生影響。
對象特征是面向?qū)ο筮b感信息提取的依據(jù)。本研究只采用光譜和高度特征主要是兩方面的原因：本研究側(cè)重研究分割尺度對DOM與LiDAR數(shù)據(jù)協(xié)同面向?qū)ο罅窒斗指钆c分類的影響；采用更多的特征比如增加紋理特征，并不會影響最優(yōu)尺度的選擇以及不同分割尺度分類精度的相對差異。
5 結(jié)論
(1)在所有尺度下(10～100)單獨使用LiDAR數(shù)據(jù)分割-分類精度明顯高于其他兩種分類方案的分類精度，相比單獨使用DOM優(yōu)勢更加明顯。
(2)基于LiDAR數(shù)據(jù)分割在尺度參數(shù)10上進行分割對象，并使用LiDAR提取的高度共同特征進行面向?qū)ο罅窒斗诸惈@得了最高精度(Kappa系數(shù)為80%)。
(3)對3種分割-分類方案30種分類結(jié)果的精度評價發(fā)現(xiàn)，3種分割-分類方案最優(yōu)尺度的分類精度顯著高于其他尺度分類精度。定義一個單一的最優(yōu)分割尺度比較合適。
(4)影像分割的結(jié)果除了尺度參數(shù)影響外，分割過程中所使用的數(shù)據(jù)特性也會影響分割對象面積和形狀。
(5)分割尺度對面向?qū)ο罅窒斗诸惤Y(jié)果有著重要影響，匹配良好的分割和參考對象能夠得到更高精度的分類結(jié)果。
1 ST-ONGE B, VEPAKOMMA U, SéNéCAL J F, et al. Canopy gap detection and analysis with airborne laser scanning. Forestry applications of airborne Laser scanning[M]. Berlin:Springer,2014.
2 VEPAKOMMA U, ST-ONGE B, KNEESHAW D. Response of a boreal forest to canopy opening: assessing vertical and lateral tree growth with multi-temporal lidar data[J].Ecological Applications, 2011,21(1):99-121.
3 ASNER G P, KELLER M, PEREIRA R, et al. Canopy damage and recovery after selective logging in Amazonia: field and satellite studies[J]. Ecological Applications, 2004,14(4): S280-S298.
4 NEGRON-JUAREZ R I, CHAMBERS J Q, MARRA D M, et al. Detection of subpixel treefall gaps with Landsat imagery in Central Amazon forests[J]. Remote Sensing of Environment, 2011,115(12):3322-3328.
5 CLARK M L, CLARK D B, ROBERTS D A. Small-footprint lidar estimation of sub-canopy elevation and tree height in a tropical rain forest landscape[J]. Remote Sensing of Environment, 2004,91(1):68-89.
6 HE Y H, FRANKLIN S E, GUO X L, et al. Narrow-linear and small-area forest disturbance detection and mapping from high spatial resolution imagery[J]. Journal of Applied Remote Sensing, 2009,3(1):2701-2712.
7 MALAHLELA O, CHO M A, MUTANGA O. Mapping canopy gaps in an indigenous subtropical coastal forest using high-resolution WorldView-2 data[J]. International Journal of Remote Sensing, 2014,35(17):6397-6417.
8 VEPAKOMMA U, ST-ONGE B, KNEESHAW D. Spatially explicit characterization of boreal forest gap dynamics using multi-temporal lidar data[J]. Remote Sensing of Environment, 2008,112(5):2326-2340.
9 GAULTON R, MALTHUS T J. LiDAR mapping of canopy gaps in continuous cover forests: a comparison of canopy height model and point cloud based techniques[J]. International Journal of Remote Sensing, 2010,31(5):1193-1211.
10 YANG J, JONES T, CASPERSEN J, et al. Object-based canopy gap segmentation and classification: quantifying the pros and cons of integrating optical and LiDAR data[J]. Remote Sensing, 2015,7(12): 15917-15932.
11 JOHANSEN K, ARROYO L A, PHINN S, et al. Comparison of geo-object based and pixel-based change detection of riparian environments using high spatial resolution multi-spectral imagery[J]. Photogrammetric Engineering and Remote Sensing, 2010,76(2):123-136.
12 張猛,曾永年,朱永森.面向?qū)ο蠓椒ǖ臅r間序列MODIS數(shù)據(jù)濕地信息提取——以洞庭湖流域為例[J]. 遙感學報, 2017,21(3)：479-492. ZHANG Meng,ZENG Yongnian,ZHU Yongsen.Wetland mapping of Donting Lake Basin based on time-series MODIS data and object-oriented method[J]. Journal of Remote Sensing,2017,21(3):479-492. (in Chinese)
13 張超,劉佳佳,陳英義,等. 土地整治區(qū)田塊空間形態(tài)變化遙感監(jiān)測與評價[J/OL]. 農(nóng)業(yè)機械學報,2017,48(1):104-111. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170114&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2017.01.014. ZHANG Chao,LIU Jiajia,CHEN Yingyi,et al.Remote sensing monitor and evaluation on patch morphology changing in land consolidation areas[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(1):104-111. (in Chinese)
14 BONNET S, GAULTON R, LEHAIRE F, et al. Canopy gap mapping from airborne laser scanning: an assessment of the positional and geometrical accuracy[J]. Remote Sensing, 2015,7(9):11267-11294.
15 羅開盛,陶福祿.融合面向?qū)ο笈c纓帽變換的濕地覆被類別遙感提取方法[J]. 農(nóng)業(yè)工程學報, 2017, 33(3):198-203. LUO Kaisheng,TAO Fulu. Method for wetland type extraction using remote sensing combing object-oriented and tasseled cap transformation[J]. Transactions of the CSAE,2017,33(3):198-203. (in Chinese)
16 劉舒,姜琦剛,馬玥,等.基于多目標遺傳隨機森林特征選擇的面向?qū)ο鬂竦胤诸怺J/OL]. 農(nóng)業(yè)機械學報, 2017,48(1):119-127. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170116& journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2017.01.016. LIU Shu,JIANG Qigang,MA Yue,et al. Object-oriented wetland classification based on hybrid feature selection method combining with relief F, multi-objective genetic algorithm and random forest [J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(1):119-127. (in Chinese)
17 路春燕,王宗明,賈明明,等. 基于ENVISAT ASAR、LANDSAT TM與DEM的泥炭沼澤信息提取方法[J]. 武漢大學學報：信息科學版, 2017, 42(2):185-192. LU Chunyan,WANG Zongming JIA Mingming,et al. Peatland extraction based on ENVISAT ASAR,Landset TM and DEM data[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2):185-192. (in Chinese)
18 KIM M, MADDEN M, WARNER T. Estimation of optimal image object size for the segmentation of forest stands with multispectral IKONOS imagery[M]∥Object-Based Image Analysis. Berlin: Springer,2008:291-307.
19 WANG L, SOUSA W P, GONG P. Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery[J]. International Journal of Remote Sensing, 2004,25(24):5655-5668.
20 COMANICIU D, MEER P. Mean shift: a robust approach toward feature space analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002,24(5):603-619.
21 MICHEL J, YOUSSEFI D, GRIZONNET M. Stable mean-shift algorithm and its application to the segmentation of arbitrarily large remote sensing images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015,53(2):952-964.
22 BENZ U C, HOFMANN P, WILLHAUCK G, et al. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information[J]. International Journal of Photogrammetry and Remote Sensing,2004, 58(3-4):239-258.
23 LI P, GUO J, SONG B, et al. A multilevel hierarchical image segmentation method for urban impervious surface mapping using very high resolution imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2011,4(1):103-116.
24 LI D, ZHANG G, WU Z, et al. An edge embedded marker-based watershed algorithm for high spatial resolution remote sensing image segmentation[J]. IEEE Transactions on Image Processing, 2010,19 (10):2781-2787.
25 VINCENT L, SOILLE P. Watersheds in digital spaces: an efficient algorithm based on immersion simulations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1991,13(6):583-598.
26 CHO M A, MATHIEU R, ASNER G P, et al. Mapping tree species composition in South African savannas using an integrated airborne spectral and LiDAR system[J]. Remote Sensing of Environment, 2012,125(10):214-226.
27 PANG Y, LI Z, JU H, et al. LiCHy: the CAF’s LiDAR, CCD and hyperspectral integrated airborne observation system[J]. Remote Sensing, 2016,8(5):398.
28 BAATZ M. ECognition user guide[M].Munich: Definiens imaging GmbH,2010.
29 VAPNIK V N. The nature of statistical learning theory[M]. Berlin:Springer-Verlag,2000.
30 JANSSEN L L F, WEI F J M. Accuracy assessment of satellite derived land-cover data: a review[J]. Photogrammetric Engineering and Remote Sensing,1994,60(4):419-426.
31 LANDIS J R, KOCH G G. The measurement of observer agreement for categorical data[J]. Biometrics, 1977,33(1):159-174.
32 FOODY G M. Assessing the accuracy of land cover change with imperfect ground reference data[J]. Remote Sensing of Environment, 2010,114(10):2271-2285.
33 KE Y, QUACKENBUSH L J, IM J. Synergistic use of QuickBird multispectral imagery and LIDAR data for object-based forest species classification[J]. Remote Sensing of Environment, 2010,114(6):1141-1154.
MultiscaleForestGapSegmentationandObject-orientedClassificationBasedonDOMandLiDAR
MAO Xuegang1HOU Jiyu1BAI Xuefeng2,3FAN Wenyi1
(1.SchoolofForestry,NortheastForestryUniversity,Harbin150040,China2.SchoolofWaterConservancyandCivilEngineering,NortheastAgriculturalUniversity,Harbin150030,China3.KeyLaboratoryofEfficientUtilizationofAgriculturalWaterResources,MinistryofAgriculture,Harbin150030,China)
Aiming to study the effect of segmentation scale on object based segmentation and classification of forest gap through fusion of aerial orthophoto (DOM) and LiDAR data, the typical natural secondary forest in Maoershan Experimental Forest Farm Donglin Industry Zone of northeastern China was selected as the experimental area. The DOM and airborne LiDAR were used for multiscale segmentation and object-oriented forest gap classification. In the process of image segmentation, three segmentation schemes (segmentation of DOM, segmentation of LiDAR data and segmentation of a fusion of DOM and LiDAR data) were adopted. For each segmentation scheme, 10 segmentation scales were set, then based on the segmentation results, spectral and height features extracted from DOM and LiDAR data were used for object-oriented forest gap classification with the support vector machine (SVM) classifier. The results showed that the classification accuracies of three segmentation and classification schemes showed a decline trend with the increase of scale, which was opposite with trend of ED3 (Modified). Based on the LiDAR data at scale parameter of 10, the best segmentation result was got. At all scale (10～100), the classification accuracy based on LiDAR segmentation and classification was higher than that based on two other data segmentation and classification schemes, and had the more obvious advantage than using only DOM. Based on scheme of LiDAR data segmentation and classification at scale parameter of 10, the highest classification accuracy was got with Kappa coefficient of 80%. The classification accuracies of three segmentation and classification schemes at the optimal scale were significantly higher than these at other scales. The segmentation scale had important effect on the object-oriented forest gaps classification.
forest gap; image segmentation; LiDAR; aerial orthophoto; CHM; support vector machine
S771.8
A
1000-1298(2017)09-0152-08
10.6041/j.issn.1000-1298.2017.09.019
2017-06-04
2017-07-08
國家自然科學基金項目(31300533)和農(nóng)業(yè)部農(nóng)業(yè)水資源高效利用重點實驗室開放課題項目(2015001、2015003)
毛學剛(1981—)，男，講師，博士生，主要從事遙感圖像處理及遙感分類研究，E-mail： maoxuegang@aliyun.com
范文義(1965—)，男，教授，博士生導師，主要從事林業(yè)遙感研究,E-mail： fanwy@163.com
猜你喜歡
西北民族大學學報(自然科學版)(2021年4期)2021-12-29 02:54:24
數(shù)學小靈通(1-2年級)(2021年4期)2021-06-09 06:25:56
大眾健康(2021年6期)2021-06-08 19:30:06
小聰仔(科普版)(2020年12期)2021-01-18 09:16:52
東方少年·布老虎畫刊(2020年4期)2020-06-08 15:48:10
學生天地(2019年32期)2019-08-25 08:55:22
中學生數(shù)理化·七年級數(shù)學人教版(2019年4期)2019-05-20 10:06:32
中學生數(shù)理化·七年級數(shù)學人教版(2018年6期)2018-06-26 08:36:06
小天使·一年級語數(shù)英綜合(2017年11期)2017-12-05 18:49:56
初中生世界·七年級(2017年9期)2017-10-13 22:27:46
