GF-2影像多特征組合的毛竹林信息精細(xì)提取

郭孝玉 ，康 繼 ，劉 健

（1.福建省資源環(huán)境監(jiān)測(cè)與可持續(xù)經(jīng)營(yíng)利用重點(diǎn)實(shí)驗(yàn)室，福建 三明 365104；2.竹資源開(kāi)發(fā)利用福建省高校重點(diǎn)實(shí)驗(yàn)室，福建 三明 365104；3.三明學(xué)院 資源與化工學(xué)院，福建 三明 365104）

毛竹（Phyllostachys pubescens）是我國(guó)重要的森林資源，具有生長(zhǎng)快、經(jīng)濟(jì)價(jià)值高等特點(diǎn)，主要分布于南方山區(qū)和丘陵地帶[1-2]。傳統(tǒng)竹資源調(diào)查監(jiān)測(cè)周期長(zhǎng)、耗費(fèi)的人力物力較大，調(diào)查成果精度有限，無(wú)法快速地完成大面積資源清查和監(jiān)測(cè)[3-4]。衛(wèi)星遙感圖像尤其是高空間分辨率影像(0.2～2 m)對(duì)竹林信息的精細(xì)提取有重要應(yīng)用價(jià)值。隨著我國(guó)高分二號(hào)(GF-2)衛(wèi)星數(shù)據(jù)的應(yīng)用，我國(guó)遙感衛(wèi)星已進(jìn)入亞米級(jí)高分辨率時(shí)代，并已成功應(yīng)用于龍竹葉面積指數(shù)的遙感估測(cè)[2]和其它森林信息的提取[1-2]。遙感影像的空間分辨率提高后，混合像元的比例顯著降低，地物的紋理、形態(tài)大小等細(xì)節(jié)信息更清晰，綜合光譜與紋理特征能有效地解決遙感識(shí)別中“異物同譜”“同物異譜”等問(wèn)題[5-6]，能夠更精確提取森林類(lèi)型的邊界，為自然資源的精細(xì)監(jiān)測(cè)提供高效服務(wù)支撐[3]。但由于高空間分辨率圖像中光譜分辨率的限制，影像中地物光譜特征隨季節(jié)變化有較大差異，基于單一時(shí)相的毛竹林信息提取技術(shù)應(yīng)用于不同季相就可能導(dǎo)致嚴(yán)重的樹(shù)種類(lèi)型錯(cuò)分。多時(shí)相遙感數(shù)據(jù)蘊(yùn)含植物物候信息，已有研究表明增加物候特征有利于竹林與其他森林間的分類(lèi)識(shí)別[7]。目前，對(duì)高空分辨率圖像的已有研究中未考慮物候特征在毛竹林信息的提取應(yīng)用，因此構(gòu)建一種毛竹葉物候光譜特征，融合光譜、紋理、物候等特征，體現(xiàn)葉物候光譜的毛竹林信息提取技術(shù)具有重要意義。

竹林遙感信息提取方法已有很多種，主要有目視解譯法和面向像元的圖像分類(lèi)法。目視解譯方法要求有豐富的專(zhuān)業(yè)經(jīng)驗(yàn)和充足的野外實(shí)地調(diào)查資料，效率低、容易產(chǎn)生誤判[8]。面向像元的計(jì)算機(jī)分類(lèi)法的應(yīng)用研究較多：早期有監(jiān)督分類(lèi)與非監(jiān)督分類(lèi)，監(jiān)督分類(lèi)常用的有馬氏距離、最大似然法（maximum likehood estimator，簡(jiǎn)稱(chēng)MLE）、神經(jīng)網(wǎng)絡(luò)法等[3,9]，非監(jiān)督分類(lèi)一般采取 K-Mean和 ISODATA等方法[9-10]。隨著計(jì)算機(jī)技術(shù)的發(fā)展，融合光譜、地形因子、紋理等多特征應(yīng)用于植被遙感分類(lèi)中，發(fā)展了支持向量機(jī)（support vector machine，SVM）、隨機(jī)森林（random forests，RF）等機(jī)器學(xué)習(xí)算法的分類(lèi)處理方法[10-13]。本研究基于國(guó)產(chǎn)GF-2數(shù)據(jù)，以廣泛分布于福建永安地區(qū)的毛竹林為對(duì)象，構(gòu)建一種體現(xiàn)毛竹林信息的葉物候特征（leaf phenology characteristic，LPC），融合光譜、紋理和物候等多特征，分析比較引入葉物候特征對(duì)毛竹林分類(lèi)精度的影響，比較確定毛竹林信息精細(xì)提取的最佳方法，以期為中亞熱帶植被分類(lèi)遙感中毛竹林空間分布信息的調(diào)查與監(jiān)測(cè)提供參考。

1 實(shí)驗(yàn)數(shù)據(jù)與研究方法

1.1 研究地區(qū)與數(shù)據(jù)采集

選取永安天寶巖自然保護(hù)區(qū)作為研究區(qū)域 （N117°28′3"-117°35′28"，E25°50′51"-26°1′20"），結(jié)合近期的森林資源二類(lèi)調(diào)查成果，對(duì)毛竹林分布狀況進(jìn)行調(diào)查和監(jiān)測(cè)。毛竹林有大小年現(xiàn)象，毛竹竹葉從3月初到8月的生長(zhǎng)呈現(xiàn)有規(guī)律變化，毛竹的3～4月為換葉出筍期、5～6月為新老竹展葉期，7～9月是新老竹的綠葉期，毛竹林葉面積發(fā)生明顯變化，葉物候現(xiàn)象與中亞熱帶山地其它森林間有明顯差異，竹林的光譜特征也會(huì)產(chǎn)生有規(guī)律的響應(yīng)。以竹林展葉前后兩個(gè)關(guān)鍵物候期的高分二號(hào)多光譜影像為基礎(chǔ)（2018年4月19日和2018年10月28日），包括3景分辨率1 m的全色影像數(shù)據(jù)和3景分辨率 4 m的多光譜影像數(shù)據(jù)，數(shù)據(jù)投影坐標(biāo)系為 WGS_1984_UTM_Zone_50N，地理坐標(biāo)系為GCS_WGS_1984。2019、2020年分別于7-11月對(duì)研究區(qū)內(nèi)的主要植被類(lèi)型進(jìn)行野外調(diào)查，共調(diào)查260個(gè)樣區(qū)，分別設(shè)置67塊毛竹林、61塊馬尾松林、64塊闊葉林、68塊杉木林，這4種植被類(lèi)型分別獲取4 139、36 541、5 027、1 902個(gè)像素樣本。結(jié)合0.54 m高空間分辨率的遙感影像，道路、建筑、水體、裸地典型樣區(qū)調(diào)查分別獲取496、1 004、2 618、933個(gè)像素樣本。采用高精度北斗手持GPS定位儀采集不同地物類(lèi)型采樣點(diǎn)的經(jīng)緯度坐標(biāo)和地面高程信息。

1.2 特征選擇方法

數(shù)據(jù)處理與特征選擇研究工作的方法包含3個(gè)步驟。

（1）高分二號(hào)影像預(yù)處理，使用ENVI 5.3版本軟件 （exelis visual information solutions，INC.;2015）對(duì)影像進(jìn)行預(yù)處理，包含輻射定標(biāo)、FLAASH大氣校正、結(jié)合有理多項(xiàng)式系數(shù)（RPC）文件對(duì)影像進(jìn)行正射校正，使用NN Diffuse Pan Sharpening算法對(duì)全色和多光譜影像進(jìn)行融合，使用壞點(diǎn)修復(fù)工具對(duì)影像進(jìn)行修復(fù)，最后通過(guò)鑲嵌和裁剪得到研究區(qū)的數(shù)據(jù)。

（2）光譜和紋理特征提取與比較選擇，基于第一步驟基礎(chǔ)上再應(yīng)用ENVI5.3軟件的Band Math工具進(jìn)行光譜、紋理等特征提取。首先提取9個(gè)光譜特征參數(shù)，包含4個(gè)原始波段，5個(gè)植被指數(shù)為歸一化植被指數(shù)(NDVI)、比值植被指數(shù)(SR)、增強(qiáng)植被指數(shù)（EVI）、大氣阻抗植被指數(shù)（ARVI）、寬動(dòng)態(tài)范圍植被指數(shù)(WDRVI)，采用方差分析與多重均值比較（least-significant difference，LSD）檢驗(yàn)法選擇毛竹林與其它森林類(lèi)型均有顯著差異的光譜特征。其次，使用灰度共生矩陣方法提取影像的紋理特征。對(duì)預(yù)處理后的影像進(jìn)行主成分變換，提取4月份和10月份的第一主成分，再以第一主成分提取其紋理特征。為了較好反映粗細(xì)紋理特征，步長(zhǎng)取1，經(jīng)過(guò)多次窗口大小設(shè)置與J-M（jeffries-matusita）距離法[14]比較并確定最佳窗口大小為21×21，選擇灰度共生矩陣(GLCM)常用的均值、信息熵、方差等8個(gè)空間統(tǒng)計(jì)紋理特征[3]，采用方差分析與LSD均值比較法確定毛竹林與其它森林類(lèi)型間有顯著差異的紋理特征，通過(guò)優(yōu)選確定參與影像分類(lèi)的紋理特征。

（3）基于第二步基礎(chǔ)上比較選擇的光譜特征構(gòu)建毛竹林葉物候特征指數(shù)。比較選擇4月與10月光譜特征中可分離的較好的NDVI與ARVI作為基礎(chǔ)數(shù)據(jù)，構(gòu)建10月與4月NDVI、ARVI兩期影像的差值葉物候特征（DLPC_NDVI、DLPC_ARVI）和乘積葉物候特征（PLPC_NDVI、PLPC_ARVI），通過(guò)LSD多重檢驗(yàn)，篩選毛竹林與闊葉林、杉木林、馬尾松林有顯著差異的葉物候特征。

1.3 影像分類(lèi)方法

構(gòu)建優(yōu)選的 “光譜+紋理”特征集，以?xún)?yōu)選4月份的5種植被指數(shù)（NDVI_4、SR_4、EVI_4、ARVI_4、WDRVI_4）作為光譜特征和 4 個(gè)紋理特征（Mean_4、Entropy_4、Variance_4、Contrast_4）等生成9波段的新特征集影像。在“光譜+紋理”特征集的基礎(chǔ)上加入表征葉物候特征參數(shù)的NDVI差值DLPC_NDVI與乘積PLPC_NDVI合成11個(gè)波段的“光譜+紋理+物候”新特征集。使用最大似然法、支持向量機(jī)、隨機(jī)森林等3種分類(lèi)器[15-17]對(duì)影像特征集進(jìn)行分類(lèi)比較，探討物候特征對(duì)毛竹林分類(lèi)精度的影響，通過(guò)精度評(píng)價(jià)選擇毛竹林最佳分類(lèi)方法。

2 結(jié)果與分析

2.1 多特征選擇

毛竹林與闊葉樹(shù)、馬尾松、杉木林之間的植被指數(shù)LSD多重均值比較檢驗(yàn)結(jié)果見(jiàn)表1。研究表明4月份的5種植被指數(shù)在不同樹(shù)種間均達(dá)顯著差異，說(shuō)明毛竹林與馬尾松、闊葉樹(shù)、杉木林間具有良好的可分性，而10月份的植被指數(shù)中只有ARVI、NDVI適合提取毛竹林信息，表明4月份的高分二號(hào)影像是毛竹林信息提取的關(guān)鍵物候期?；?月份影像提取的第一主成分的貢獻(xiàn)率達(dá)98.4%，依據(jù)J-M距離法比較確定紋理特征在窗口為21×21時(shí)，毛竹林與闊葉林、杉木林、馬尾松林分離度最好，且計(jì)算機(jī)提取速度較快。研究中所選取的均值、方差、信息熵及對(duì)比度等4個(gè)紋理特征值包含95%的信息量，說(shuō)明具有較大的信息載荷。不同樹(shù)種間葉物候特征指數(shù)的LSD檢驗(yàn)結(jié)果見(jiàn)表2，基于10月與4月高分二號(hào)影像NDVI、ARVI所提取的差值葉物候特征（DLPC）和乘積葉物候特征（PLPC）在不同樹(shù)種之間的方差分析均差異顯著（P<0.05），LSD檢驗(yàn)分析結(jié)果表明基于NDVI構(gòu)建的葉物候特征（DLPC_NDVI、PLPC_NDVI）在不同樹(shù)種間均差異顯著（P<0.05），也說(shuō)明歸一化植被指數(shù)（NDVI）比大氣阻抗植被指數(shù)(ARVI)在毛竹林分類(lèi)中效果更好。

表1 不同樹(shù)種植被指數(shù)間的LSD檢驗(yàn)分析結(jié)果

表2 不同樹(shù)種間葉物候特征指數(shù)的LSD顯著檢驗(yàn)

2.2 毛竹林信息提取與對(duì)比分析

在光譜、紋理特征優(yōu)選基礎(chǔ)上增加葉物候特征，采用3種分類(lèi)器對(duì)比兩種特征集組合方案對(duì)毛竹林信息分類(lèi)提取精度的影響，研究結(jié)果見(jiàn)表3。增加物候特征后不同分類(lèi)方法的總體分類(lèi)精度提高了0.54%～0.69%，Kappa系數(shù)均提高了0.01；對(duì)毛竹林專(zhuān)題信息提取而言，毛竹林的制圖精度提高明顯，其中最大似然法提高9.35%，RF和SVM分類(lèi)器分別提高了12.83%、3.39%。相同特征組合中，3種分類(lèi)器中的SVM分類(lèi)提取精度均表現(xiàn)出最高分類(lèi)精度?；凇肮庾V+紋理+葉物候特征”組合方案中，基于SVM的最佳分類(lèi)提取總體精度和Kappa系數(shù)分別為90.29%、0.84，毛竹林專(zhuān)題信息提取精度達(dá)92.75%，分類(lèi)結(jié)果見(jiàn)圖1。為了目視檢驗(yàn)分類(lèi)效果，選擇永安西洋鎮(zhèn)桂溪村典型區(qū)域進(jìn)行分類(lèi)后目視解譯，結(jié)果表明毛竹林信息提取準(zhǔn)確性較高，圖中裸地主要為休耕地，在4月和10月的高分影像中未有農(nóng)作物覆蓋的區(qū)域。

圖1 基于SVM的最佳提取分類(lèi)結(jié)果

表3 不同特征組合對(duì)毛竹林信息提取精度的影響

3 結(jié)論

通過(guò)光譜特征、紋理特征優(yōu)選分析，發(fā)現(xiàn)4月GF-2影像是毛竹林信息提取的關(guān)鍵物候期，優(yōu)選的 5 個(gè)光譜特征（NDVI、SR、EVI、ARVI、WDRVI）和 4 個(gè)紋理特征（均值、方差、信息熵及對(duì)比度）均能較好區(qū)分毛竹林與其它森林類(lèi)型，減少了植被類(lèi)型錯(cuò)分的情況?；贜DVI構(gòu)建的葉物候特征適用于毛竹林信息的分類(lèi)提取，對(duì)亞熱帶山地常見(jiàn)的不同森林類(lèi)型的響應(yīng)比較敏感。本研究提出的光譜、紋理和葉物候等多特征融合方案能明顯提高毛竹林專(zhuān)題信息的提取精度，其中對(duì)隨機(jī)森林法（RF）提高最為明顯，支持向量機(jī)法分類(lèi)結(jié)果最好，總體精度達(dá)90.29%，毛竹林的專(zhuān)題制圖精度達(dá)92.75%。