高分二號影像樹種分類最優(yōu)分割尺度的非監(jiān)督選擇

關鍵詞：高分二號； 最優(yōu)分割尺度； 有效尺度區(qū)間； 非監(jiān)督選擇； 樹種分類

中圖分類號：S757；TP75 文獻標識碼：A DOI：10. 7525/j. issn. 1006-8023. 2024. 06. 006

0引言

森林是陸地生態(tài)系統(tǒng)中的占地面積最大、結構系統(tǒng)最復雜的重要組成部分，快速有效地獲取森林資源的種類、空間分布、數量是實現(xiàn)森林資源科學管理、可持續(xù)發(fā)展的必要條件，提高樹種分類的精度是關鍵［1-2］。隨著我國航天事業(yè)的發(fā)展，衛(wèi)星遙感技術能夠提供更易獲得、更豐富、更精確的地物信息，高分二號（GF-2）影像因具有米級空間分辨率在森林類型識別、樹種分類領域被廣泛應用［3］。為充分利用圖像光譜和紋理信息并防止出現(xiàn)“椒鹽現(xiàn)象”，目前高空間分辨率遙感影像分類基本采用面向對象的分析方法［4-5］。而分割是面向對象分析的前提，分割結果很大程度決定了地物信息提取和分類的結果，因此影像分割是樹種分類的必要條件［6-7］。

目前分割方法有基于像素閾值、基于邊緣監(jiān)測和基于區(qū)域生長或分裂的幾種類型。得益于eCognition商業(yè)軟件的出現(xiàn)，針對高空間分辨率影像的分割研究，目前常用的影像分割技術是基于區(qū)域生長的多分辨率分割算法（multi-resolution segmentation，MRS）［8］。由于影像分割的結果主要依賴于分割尺度，大量研究關注于最優(yōu)分割尺度（optimal scale parameter，OSP）的選擇，方法分為監(jiān)督分割質量檢和非監(jiān)督分割質量分析（也稱為非監(jiān)督分割尺度評價）。其中，非監(jiān)督分割尺度評價對于不同遙感影像的普適性較高，主要依靠面積加權方差（Weighted Variance，WV）作為對象內同質性評價指標，莫蘭指數Ⅰ（Moran’s Ⅰ，MI）作為對象間異質性評價指標。其中效果較好的是分割尺度自動評價（Estimated Scale Parameter，ESP）、全局評價指數（Global Score，GS）和總體優(yōu)度（Overall Goodness Fmeasure，OGF）［9］。ESP估計得到的OSP過多，且無法精準得到不同類型地物的OSP，GS 得到的單一OSP無法同時實現(xiàn)不同地物的良好分割，而OGF評價指數能夠獲得不同偏向的OSP，但目前該指數僅在城市建設用地的提取上驗證過有效性。

以往OSP 的提取是基于人為設置的尺度區(qū)間（即經驗尺度區(qū)間），然而這樣不可避免地產生主觀性，得到的分割尺度嚴重偏向過分割或欠分割［10］。

已有的研究結果發(fā)現(xiàn)，對于景觀單一的影像從建筑物群中提取單個建筑物、從山區(qū)中分離出不同的山地類型分割所需要的OSP 在尺度100 左右［11-12］。對于地物類型豐富的影像，為了實現(xiàn)不同地物類型的分離，分割在一個尺度下實現(xiàn)將導致結果出現(xiàn)過分割或欠分割，這是因為不同的地物類型存在不同的光譜、紋理和形狀特征，最本質的差距在于同一標準下各地物的同質區(qū)域大小不同。對于影像分辨率在1～2 m的森林遙感影像，分離不同森林類型或樹種類型的OSP 可能在50～400［13-14］。這是因為森林普遍存在這樣的分布模式，不同樹種隨機分布、純林與混交林共存、混交林樹種組成與混合比例不一致，導致即使是單一景觀的森林影像也存在不同大小的同質區(qū)域，從而需要在幾個尺度下才能實現(xiàn)影像整體的較好分割。因此，不同樹種的OSP并不一定局限于某一尺度區(qū)間。廖娟［15］為了在復雜影像中提取不同地物的同質區(qū)域，在“粗”到“細”分割的3種尺度區(qū)間中分別提取OSP，有效解決了不同類型地物分割結果不同步的問題，但“粗”到“細”分割的尺度區(qū)間依然沒有一個明確的界定。鑒于此，為了實現(xiàn)影像樹種分類，更合理的方案應該是獲取該影像所有可能的分割結果，根據影像的特點確定影像的有效尺度區(qū)間，再通過比較分割質量確定OSP。而陳春雷等［16］和Wang等［17］的研究表明，公共邊加權的對象鄰域間差異性可以突出不同分割尺度間的差異，因此可以用該方法來指示有效尺度區(qū)間。

綜上所述，聯(lián)合公共邊加權的對象間異質性指標和面積加權方差構建有效尺度區(qū)間估計函數（Effective Scale Estimation Function，ESF），并利用ESF估計影像分割尺度的“有效尺度區(qū)間”，運用OGF評價指數提取各個區(qū)間的OSP，從而形成一種完全無監(jiān)督的OSP選取方法，避免經驗尺度區(qū)間導致OSP的提取出現(xiàn)偏差。通過非監(jiān)督提取不同有效尺度區(qū)間上的OSP，可以快速實現(xiàn)復雜森林所有地物類型的最佳分割，更適用于不同森林類型組成的GF-2影像面向對象提取和樹種分類任務。

1研究方法與數據處理

1. 1研究區(qū)概況

研究區(qū)位于黑龍江省伊春市大箐山縣涼水國家級自然保護區(qū)（128° 47′8″E～128° 57′19\"E，47°6′49″N～47°16′10″N），保護區(qū)面積為121. 33 hm2，森林覆蓋率為98%。區(qū)內有各種森林類型，該區(qū)地帶性植被是以紅松（Pinus koraiensis）為主的溫帶針闊葉混交林，具有較大的典型性和代表性。其他主要樹種為云杉（Picea asperata）、落葉松（Larix gmelinii）、冷杉（Abies fabri）和白樺（Betula platyphylla）等。

1. 2數據來源及預處理

本研究采用的影像數據為2017年7月7日獲取的GF-2相對輻射校正數據，影像波譜有紅光波段、綠光波段、藍光波段、近紅外波段以及全色波段。多光譜波段影像像元分辨率高達3. 2 m，全色波段影像像元分辨率高達0. 8m。

基于ENVI 5. 3軟件對GF-2遙感影像進行預處理，主要是對影像進行輻射校正和大氣校正，從而盡可能消除傳感器測量值與目標光譜反射率的誤差以及進行正射校正和地理配準，從而減少幾何畸變的問題。首先根據當年影像波段的增益量和偏移量（獲取于中國資源衛(wèi)星應用中心https：//www.cresda. com/zgzywxyyzx/index. html）對GF-2影像自帶的定標數據進行校驗，從而完成輻射校正；然后根據影像獲取時間和衛(wèi)星軌道高度等信息，利用快速大氣校正模型（fast line-of-sight atmospheric analysisof spectral hypercubes，F(xiàn)LAASH）對影像進行大氣校正；接著基于該影像自帶的有理多項式系數模型（Rational Polynomial Coefficients，RPC）文件在RPC正射校正流程化工具中對參數進行優(yōu)化解算，結合30 m分辨率先進星載熱發(fā)射和反射輻射儀全球數字高程模型（advanced spaceborne thermal emissionand reflection radiometer global digital elevationmodel，ASTER DEM）數據（獲取于https：//portal.opentopography. org）對影像進行了3次卷積法重采樣處理，得到最終的正射校正影像；再采用最近鄰融合全色銳化（nearest neighbor diffusion pan sharpening）算法對全色波段和多光譜波段進行影像融合，得到影像分辨率為1 m；最后使用谷歌地圖選擇20個地面控制點，并利用仿射變換模型對影像進行了地理配準，配準后的整體均方根誤差（Root MeanSquare Error，RMSE）小于1 m，滿足幾何校正要求。根據涼水保護區(qū)的邊界矢量文件對影像進行區(qū)域的裁剪和鑲嵌。

本研究在保護區(qū)中選擇一片較為典型的森林區(qū)域進行試驗，該區(qū)域樹種組成豐富，純林和混交林、人工林和天然林的比例較為均衡，對應的影像像素大小為1 000×1 000。地面數據為研究區(qū)2017年森林二類調查矢量數據，包含小班的優(yōu)勢樹種及樹種組成系數等，覆蓋區(qū)域含有白樺、紅松、落葉松、云杉、冷杉5種優(yōu)勢樹種，相應的小班數量分別為4、10、1、3、3個。試驗區(qū)的森林類型有白樺純林、紅松純林、帶狀人工落葉松林、塊狀人工云杉林，以及白樺、紅松、云杉和冷杉混交林。

1. 3研究方法

1. 3. 1 MRS影像分割

基于eCognition Developer 10. 3軟件實現(xiàn)MRS算法。這是一種自底向上的區(qū)域生長合并算法，并依次合并滿足同質性準則的一對對象。該算法需要設定3類參數，分別為影像各個波段權重、分割尺度和同質性準則參數組合。對于同質性準則參數組合，一般設置形狀因子和緊致度因子即可。

試驗中，影像波段的權重比為藍光波段、綠光波段、紅光波段、近紅外波段之比等于1∶1∶1∶1。而同質性準則參數組合通過遍歷參數的方式，以符合影像樹種邊緣及大小為標準判斷形狀因子和緊致度因子的取值，最終形狀因子權重為0. 5，緊致度因子權重為0. 7。為評估影像所有可能的分割尺度的分割效果，影像從像素級別開始，依次合并圖中合并代價最低的2個對象，最后將一整幅影像作為一個對象［18］。MRS算法具有參數少、能夠靈活實現(xiàn)不同應用目的的優(yōu)勢，同時在算法執(zhí)行過程中僅有合并區(qū)域產生變化，使不同尺度下影像分割結果具有可比性［19］。

1. 3. 2有效尺度估計與非監(jiān)督分割尺度評價

按照最相似的對象對最先被合并的原則，MRS算法執(zhí)行過程中，對象對合并的初始階段將發(fā)生在各類地物內部。然而，GF-2影像具有空間分辨率高、光譜特征細節(jié)化的特點，即使是同質性較強的地物（如水域）也存在一定的類內方差［20］。圖像分割的本質是形成同質區(qū)域，因此圖像各地物內部首先形成若干個同質區(qū)域，因此這段過程可以稱為“均勻合并”［21］。隨著分割尺度的提高，相鄰相似對象對不斷減少，圖像對象將逐漸構成地物而不是地物的同質區(qū)域，分割尺度將逐漸接近各類地物的OSP。

由此可以假設，在對象對合并的初始階段，像素點分別合并成各樹冠亮部、陰影區(qū)域，這個過程為“均勻合并”。隨著合并的進行，相似相鄰的樹冠亮部與陰影將被合并成較大的樹冠區(qū)域，當區(qū)域內某類樹種的相鄰位置均為異類樹種時，對應的分割尺度為該樹種的OSP。不難理解，樹冠和陰影絕對分離的狀態(tài)為絕對過分割，因此“均勻合并”的結束尺度可以視為圖像的“有效合并起點”，所有可能的OSP應該在“有效合并起點”之后。而不同地物類型具有不同的OSP，本研究定義圖像中OSP的最小值到最大值區(qū)間的任一分割尺度為有效尺度（EffectiveScale，ES，式中記為ES）。以往研究發(fā)現(xiàn)，公共邊加權的對象鄰域間差異性可以增大對象間異質性，從而突出不同分割尺度間的分割質量差異，因此可以用該方法來指示分割尺度的有效性。

本研究中，首先計算公共邊加權的對象鄰域間差異性指標C 估計“有效合并起點”，計算公式為

2結果與分析

2. 1有效尺度估計結果與最優(yōu)分割尺度

MRS算法所記錄的全局尺度為［0.69，1378. 06］，通過對各對象同質性、異質性指標分量進行加權平均、歸一化及聯(lián)合處理，得到全局尺度上歸一化后的MI、WV、C和ESF隨分割尺度變化的曲線，如圖1所示。

由圖1（a）可以看出，代表對象內部同質性的歸一化WV總體呈減小趨勢，表明對象內部同質性逐漸下降；代表對象外部異質性的歸一化MI總體上先急劇增加，說明影像對象外部異質性逐漸增加，在尺度450后圍繞一定水平上下波動，說明異質較大的對象對被迫合并，以及影像對象數量減少導致統(tǒng)計不穩(wěn)定。代表對象間增大型異質性的歸一化C 與MI有一定區(qū)別，C的變化趨勢總體分為3個部分，在較小尺度區(qū)間急劇下降，達到一個最低點后持續(xù)升高，在較大的分割尺度區(qū)間持續(xù)降低。由圖1（b）可以看出，不同α 因子的ESF都有一個相似的變化趨勢，整體上先減小達到一個極小值，然后增大達到一個極大值，最后再減小。與影像整個分割尺度的變化范圍相比，不同α 因子的ESF在達到極小值前分割尺度的變化范圍很小。在ESF急劇下降的尺度區(qū)間內，ESF的變化是由歸一化后的WV和C的急劇減小導致的，ESF升高是由C 增加導致的，因此ESF的極小值也能反映“有效合并起點”?！坝行Ш喜⑵瘘c”后ESF反映了影像中較大公共邊對象對的異質性，因此改變α可以調整不同區(qū)間定義較大公共邊對象對的閾值。

ESF_α=1的第1個極小值確定的“有效尺度起點”為尺度53. 78，“有效尺度起點”后極大值為尺度102. 64，其與ESF_α=2極大值確定的有效尺度區(qū)間Ⅰ為［102. 64，150. 25］，其與ESF_{α=0. 5} 極大值確定的有效尺度區(qū)間Ⅱ為［150. 25，251. 43］，與ESF_{α=0. 33}極大值確定的有效尺度區(qū)間Ⅲ為［150. 25，372. 38］。

在不同區(qū)間上對MI和WV進行歸一化、聯(lián)合計算，OGF指示的OSP，如圖2所示。

由圖2可以看出，OGF在不同的尺度區(qū)間上和不同β 下都有不同的變化趨勢，所對應的OSP有不同的分布。

由圖2（a）可知，不同β 因子下的OGF在全局尺度下的變化都有一個相似的趨勢，總體上為先急劇增大，然后緩慢或波動性減小。同時，全局尺度下的所有OSP集中在整個尺度區(qū)間的較小值。全局尺度下，β 因子的值越大，較小尺度的OGF越大于較大尺度的OGF，OSP將偏向較小尺度；β 因子的值越小，較大尺度的OGF越大，OSP將偏向較大尺度，但OSP依然處于尺度區(qū)間的較小值。

由圖2（b）—圖2（d）可知，不同β 因子下的OGF在有效尺度區(qū)間的變化波動較大。有效尺度區(qū)間Ⅰ的OGF 總體有1～2 個峰值段，較大β 因子下的OGF對應的OSP集中在區(qū)間的前半段，較小β 因子下則集中在區(qū)間的后半段。有效尺度區(qū)間Ⅱ和Ⅲ的OGF都有1～3個較明顯的峰值段，不同β 因子下所對應的OSP的跨度較大。綜合這3個子圖可以發(fā)現(xiàn)，有效尺度區(qū)間上的OSP跨度較大。

將圖2中不同β 因子的OGF對應的OSP列出便于進一步分析和評估，結果見表1。

由表1結果可知，不同β 因子的OGF和OSP之間并不是簡單的線性變化，而是具有“閾值效應”，即β 因子在一定的閾值內，OGF得到的OSP是一樣的。在全局尺度、有效尺度區(qū)間Ⅰ、Ⅱ和Ⅲ上，OGF指數在7個不同的β 因子水平下分別得到了6、5、3和4個不同的OSP。

2. 2分割質量檢驗結果

2. 2. 1監(jiān)督分割精度分析

為評價有效尺度區(qū)間對提取OSP的有效性，篩選出以下感興趣尺度并對相應的分割結果進行分割質量檢驗，有效尺度區(qū)間的起點（ESFmin）、終點（ESFmax）和區(qū)間內的OSP，以及全局尺度得到的OSP。圖3為按照各類樹種區(qū)域計算的不同尺度下Precision、Recall和F-measure指標。

Precision對欠分割敏感，值越低表明欠分割越嚴重，該值隨著合并過程越來越小；Recall對過分割敏感，值越低表明過分割越嚴重，該值隨著合并過程越來越大，但當該值減小時，說明其他類型地物侵占了該類型的區(qū)域。以F-measure極大值對應的分割尺度作為最佳分割的分割尺度。

由圖3結果可知，白樺純林、紅松純林、人工落葉松林在尺度328. 42 得到了最佳分割，人工云杉林、紅松混交林和冷杉混交林則在尺度194. 21得到了最佳分割，白樺混交林和云杉混交林則在尺度152. 49得到了最佳分割。在所有尺度區(qū)間的OGF得到的OSP中，白樺純林、紅松純林、人工云杉林、人工落葉松林、白樺混交林、紅松混交林、云杉混交林和冷杉混交林的最高F-measure分別為0.8399、0.796 2、0.7352、0. 8733、0. 8082、0. 7311、0.760 2和0. 7909。由表1和圖3的結果看，有效尺度區(qū)間Ⅲ得到的分割結果實現(xiàn)所有森林類型的最佳分割，且區(qū)間內OGF確定的OSP所得分類精度優(yōu)于或等于鄰近尺度的分割精度。

另外，除了紅松混交林外，其他森林類型在最佳分割下Precision 均大于0.8，說明本研究提取的OSP是有效的；白樺純林、人工落葉松林和白樺混交林在最佳分割下的Recall均大于0.8，其他森林類型的Recall較低，說明MRS算法在森林影像中容易導致過分割。觀察純林和人工林在感興趣尺度區(qū)間上的分割精度，隨著分割尺度的增加，Precision而呈“線性”緩慢降低，白樺純林和人工落葉松林的Recall逐步增加，紅松純林和人工云杉林的Recall則分別在尺度328. 47和尺度194. 21后出現(xiàn)下降，說明存在較明顯的欠分割。觀察混交林在感興趣尺度區(qū)間上的分割精度，隨著分割尺度的增加，Precision呈“指數”下降，Recall則先上升后下降，下降說明混交林有被其他類型地物侵占的情況。另外在尺度194. 21后，紅松混交林和冷杉混交林的Recall的下降幅度較白樺混交林和云杉混交林的小，說明前2種森林類型區(qū)域被侵占的情況較輕微。

2. 2. 2目視判讀

以F-measure作為評價標準，用谷歌影像檢驗各森林類型的最佳分割結果，如圖4所示。

由圖4可知，各森林類型的最佳分割效果均符合人眼視覺，特別是白樺純林、紅松純林、人工落葉松林以及紅松混交林。在尺度328. 42下，白樺純林與周圍的紅松混交林、云杉混交林、冷杉混交林相分離，紅松純林與周圍的白樺純林相分離；在尺度194. 21下，紅松混交林與周圍的白樺純林和云杉混交林相分離，冷杉混交林與周圍的白樺混交林和云杉混交林相分離，但存在一定的欠分割情況，人工云杉林的分割邊界與實際情況相符，但有一定的過分割情況；在尺度152. 49下，白樺混交林和云杉混交林都與周圍的冷杉混交林有一定的混合情況。

3討論

圖1（a）中，C 變化的前2個部分（前一段急劇下降與后一段同MI 一起升高，MI 持續(xù)升高）形成對比，說明對象間異質性增加分為2個階段。這是因為在對象對合并初期，各相鄰對象對的公共邊差異較小，對象間的差異由樹冠陰影和亮部間的差異決定，當對象合并到一定階段時，對象間的差異再由公共邊較長的對象對間的差異決定。

從定量與定性的結果可知，各森林類型的最佳分割結果出現(xiàn)在不同的分割尺度下。MRS算法的分割結果普遍存在一定程度的過分割，這可能是因為林分中普遍存在陰影，導致樹冠亮部與暗部的對象內部像元灰度值有差異，從而影響MRS分割算法對對象光譜異質性的判斷。對所有森林類型來說，全局尺度下得到的OSP 集中在整個尺度的前5. 33%，對應的Recall值均在0. 5以下表明了嚴重過分割，這是因為當某些樹冠亮部和暗部分別實現(xiàn)較優(yōu)的分割時，影像整體的對象間異質性急劇增加，結合這時精細尺度的對象內部高同質性將導致OGF指數指示的OSP偏向過分割尺度。有效尺度區(qū)間Ⅰ、Ⅱ和Ⅲ的結果表明，OGF對尺度區(qū)間的依賴較大，ESF需要調整合適的α 才能找到準確的有效尺度區(qū)間。

隨著區(qū)域合并的進行，不同的分割尺度得到的分割結果呈階段性變化。由圖3可知，Recall值在尺度9. 22～73. 45，4 個混交林的Recall 平均值比純林和人工林的大2～3倍，說明在小尺度階段，混交林區(qū)域的對象合并更接近地物大小；當混交林達到最佳分割后，Recall和Precision迅速降低，而純林的Recall不斷增加且Precision 沒有明顯降低，說明混交林之間開始進行異類合并，純林內部同質區(qū)域依然進行同類合并。這是由于森林類型內在的空間分布導致的，因為混交林由不同樹種組成，在同樣的尺度（對應地物的面積大小）下混交林內部的同質性低于純林，因此混交林和純林達到最佳分割的尺度具有先后性。在尺度194. 21后，紅松混交林和冷杉混交林區(qū)域被侵占的情況較白樺混交林和云杉混交林的少，這是因為紅松的樹冠紋理比其他3種樹種的更粗糙，不容易被合并其他類型里；而冷杉混交林的周圍基本為白樺或云杉，冷杉與白樺在光譜上差異較大，冷杉在影像上的顏色較云杉的更亮一些，同時該區(qū)域的冷杉分布較集中，因此也不容易被合并到其他類型中；白樺在混交林中分布較少且常伴生于冷杉混交林中，云杉混交林的分布區(qū)域比較不規(guī)則，且容易被周圍的紅松合并。在尺度49. 95前，各森林類型Precision 基本不變且均高于0. 9433，說明對象對合并初期發(fā)生在各地物內部，也印證C 可以指示影像的“有效合并起點”（尺度53.78）。由圖3和圖4可知，優(yōu)勢樹種相同的白樺純林和白樺混交林，其最佳分割出現(xiàn)在不同的分割尺度上，而優(yōu)勢樹種不同的白樺純林和紅松純林，其最佳分割結果出現(xiàn)在同一分割尺度上，因此可以認為樹種不同導致的分割尺度差異小于森林類型不同導致的分割尺度差異，原因可能是GF-2遙感影像存在“像元混合”的情況，對于茂密森林來說，單株樹冠紋理與樹種組成的紋理相比影響較小。而人工云杉林的OSP小于人工落葉松林，可能是因為前者為塊狀人工林，與后者帶狀人工林相比內部的陰影更少，紋理更平滑；同時前者與周圍紅松純林和白樺混交林光譜或紋理相差較小，尺度過大會導致異類合并，而后者周圍均為光譜差距較大的樹種。

劉金麗［24］的研究設置了經驗尺度序列（50～500，步長為25）并得出1個OSP（尺度259），沒有同時實現(xiàn)不同樹種或森林類型的較好分割；毛學剛等［25］的研究同樣設置了經驗尺度序列（25～250，步長為25）并得出3個樹種的OSP（尺度75、100、150），但所得OSP 并不一定是所有分割尺度的最佳值。而本研究則比較了影像所有可能的分割尺度，得出了3個OSP（尺度152. 49、194. 21、328. 47），實現(xiàn)了該算法下不同森林類型的最佳分割，避免遺漏較優(yōu)的分割結果。

通過得出影像所有可能的分割結果，比較了本研究得出的OSP和相鄰尺度的分割精度，本方法的優(yōu)點在于可以調整α 得到適合影像類型的有效尺度區(qū)間，使不同的森林類型得到了最佳分割效果（Fmeasure均高于0. 7），避免在錯誤的尺度區(qū)間上進行分割結果的提取。通過整合各森林類型的最佳分割結果，能夠滿足影像整體分割效果最佳，有利于復雜森林的樹種分類，解決了目前無法同時實現(xiàn)影像不同地物最佳分割的問題。對于同樣使用區(qū)域合并型算法進行分割的其他類型的影像，可以從所有可能的分割結果中提取有效尺度區(qū)間，然后基于OGF 得出適應于影像本身的OSP。然而研究也存在一定局限，只能提取分割算法對圖像產生的最佳分割結果，無法提高影像分割的質量，今后可以在本研究的基礎上進一步比較不同分割算法對樹種分類任務的適用性。

4結論

利用MRS 算法分割GF-2 遙感影像，計算每一分割結果的對象間異質性指數（MI）、對象內部同質性指數（WV）和公共邊加權的局部對象間差異指數（C），提出有效尺度估計函數ESF并結合OGF對影像OSP進行非監(jiān)督選擇，最后采用監(jiān)督分割質量分析（Precision、Recall 和F-measure）和目視判讀的方式驗證本方法的有效性。定量和定性的結果表明，OGF 對尺度區(qū)間的依賴很大但可以指示影像的OSP，所得分割結果的F-measure均高于0. 7，ESF確定有效尺度區(qū)間能夠有效避免純林、人工林的OSP處于過分割階段，使不同森林類型相分離。GF-2遙感影像優(yōu)勢樹種的OSP不僅和樹種有關，還和森林類型有關，因此后續(xù)利用分割結果進行特征提取和樹種分類時，應按照不同的森林類型提取分割結果。