王 敏 李凤日 王二丽 郭志英
(东北林业大学,哈尔滨,150040)
树种分类是森林资源管理中重要的组成部分,对科学研究和实际生产应用都有着十分重要的意义。传统的实地调查既消耗大量的时间、人力、物力和财力,又无法提供整个区域的树种分类信息。随着航空航天技术、传感器技术和图像处理技术的飞速发展,遥感图像在森林资源调查方面得到了广泛的应用[1],同时,利用高分辨率的卫星影像或大比例尺数字航片对树种进行分类的技术,也日益成熟。Masato Katoh[2]基于高分辨率的IKONOS数据提取出天然针阔混交林中的单株阔叶树,最高精度达到87%;Masato Katoh等[3]利用大比例尺航空像片,采用单株树冠的提取方法,对日本针叶林中的偏柏、赤松、日本落叶松、柳杉和其他针叶树以及阔叶的树冠进行提取,总体分类精度为78%;近几年,随着人工智能理论和技术的发展,遥感植被分类研究也日益趋向于智能化。目前,在植被分类中主要应用的智能方法是人工神经网络和专家系统。刘旭升等[4]将森林资源分布图作为一个独立波段与3个多光谱波段同时输入BP神经网络进行训练,结果表明,与最大似然法相比,地理辅助数据参与的BP神经网络分类总体精度提高了10.5%;王旭红等[5]通过对地学知识、规则库、推理机和专家分类器的研究,提出了一套适用于太白红杉信息提取的专家分类系统。由于传感器空间分辨率的限制以及地物的复杂多样性,混合像元普遍存在于遥感图像中,如果将该像元归为一类,必然会带来分类误差,导致精度下降[6],因此混合像元分解(Spectral Unmixing)是近年来伴随着高光谱遥感技术的不断发展而逐渐兴起的一种遥感图像处理技术[7]。笔者以大比例尺数字航片为基础,分别用监督分类、以光谱信息和DEM信息作为专家知识的专家分类,以及按权重对混合像元分解提取感兴趣物质的子像元分类的方法,对针叶林树种分类进行研究,最终选取合适的方法并以较高的精度提取出红松、落叶松、云杉和冷杉的分类专题图,为专业信息提取、动态变化监测或遥感数据库的建立等进一步的研究奠定基础。
凉水国家级自然保护区位于黑龙江省伊春市带岭区的中心,地理坐标为东经128°55'44″~128°48'08″,北纬 47°14'42″~47°07'22″,总面积为 12 133.0 hm2,总蓄积量为 170.0 万 m3,森林覆盖率98%。保护区属于中国—日本森林植物亚区东北区,长白植物亚区小兴安岭南部区,植物区系组成比较丰富,种属分布广泛,保存了比较完整而典型的小兴安岭地带性顶级植被——阔叶红松混交林。囊括了原始阔叶红松混交林、经过择伐的阔叶红松混交林以及红松、落叶松等人工林[8]。典型乔木有红松(Pinus koraiensis)、红皮云杉(Picea koraiensis)、冷杉(Abies nephrolepis)、兴安落叶松(Larix gmelini)、水曲柳(Fraxinus mandshurica)、胡桃楸(Junglus mandshurica)、黄波椤(Phellodendron amurense)、椴树(Tilia amuren-sis)、色树(Acer mono)、蒙古栎(Quercus mongolica)、枫桦(Betula costata)、白桦(Batula platyphlla)、山杨(Populus davidiana)、大青杨(Populus ussuriensis)等。
文中所用的遥感数据是2009年9月对凉水自然保护区拍摄的航片,比例尺为1∶2 000,总覆盖面积约为1.2 km×1.6 km。航空相机选用哈苏DigiCAM-H/22,像素高达2 200万,镜头焦距100 mm,共获取空间分辨为0.2 m的CCD影像189幅。本文用凉水自然保护区的189张数字高程模型(DEM)和正射影像(DOM)作为数据源。
2008年7月,复测了凉水自然保护区60块固定样地,样地面积均为0.06 hm2。固定样地按系统抽样布设在国家新编1/50 000地形图公里网交点上,采用差分GPS确定中心点坐标,并以中心桩作为固定样地的标志,分别向正东、正南、正西、正北4个方向引17.3 m设立东、西、南、北桩,以北桩为样地坐标原点。每个样地逐株调查了树种、胸径、树高、冠长、冠幅(东、南、西、北4个半径)以及单株立木在样地中的X和Y轴坐标。将各样地数据由EXCEL表格形式转为DBF格式,并导入ArcGIS9.3生成带有属性的矢量文件,为后续训练样地的选择和分类精度检验奠定基础。
研究区域为高郁闭度的原始红松针阔叶混交林,由于受地形、地貌以及天气的影响,会使同一幅航片曝光程度不同,导致航片上地物的光谱特征发生变化。因而,根据地面各种地物在遥感图像中的颜色、阴影、形状、纹理、大小、位置和相关布局的差异[9],对航片进行目视判读,在ArcGIS9.3中勾绘出曝光程度相同或相似的地区,然后将其转成AOI(Area Of Interest)对原始航片进行切割,以实现分类前航片的分区处理,减弱“同物异谱”和“同谱异物”对分类的影响。同时,将样地矢量图层与航片叠加显示,从60块固定样地中随机选择40块,作为分类时的训练样地,以便从整体上把握立木的特征。反复对红松、落叶松、云杉、冷杉的光谱特征及空间特征进行目视判读训练,充分掌握针叶林树种在色调、颜色、纹理、形状上的差异,并用样地数据对训练区精度进行控制,使训练区各树种识别精度控制在95%以上。余下20块样地作为分类精度检验样地。图1为调查区域训练样地和检验样地分布图。
在地形、光照等相同外部条件下,利用ERDAS IMAGINE9.2中的光谱剖面(Spectral Profile)分析功能,提取白桦、其他阔叶、红松、云杉、冷杉、落叶松的光谱曲线,结果如图2所示。从图2中可以看出,阔叶林树种和针叶林树种具有明显不同的光谱特征,而且光谱特征的变化范围较大,所以基于大比例尺航片监督分类,可以高精度提取针叶林分类专题影像[10]。文中用最大似然监督分类的方法对阔叶林和针叶林分类,在40块训练样地里分别建立红松、落叶松、云杉、冷杉、白桦、其他阔叶、空地和其他地物的分类模板。为保证分类精度,通过40块固定样地控制分类模板精度,使其在95%以上。分类后用重编码(Recode)功能将红松、落叶松、云杉、冷杉合并为一类,白桦和其他阔叶合并为一类,空地及其他地物单独为一类,重新赋予颜色值,提高直观表达效果。将分类后图像及20块检验样地数据与对应区域内的航片叠加显示,随机选择了1380个像元建立混淆矩阵,对监督分类进行精度检验,如表1所示。局部监督分类结果如图3。
图1 调查区域训练样地和检验样地分布
图2 不同树种光谱特征曲线
图3 局部监督分类结果
表1 针叶林和阔叶林监督分类结果
为获取针叶林专题影像图,对监督分类的结果进行重编码(Recode Classes),将阔叶林、空地及其他地物的属性值赋为0,针叶林的属性值赋为1,获得针叶林分类专题图像。用8邻域聚类统计(Clump)的方法自动计算分类专题图中每个分类图斑面积,打开其属性表查看小图斑面积。将分类影像与航片反复比对,确定面积小于1 m2的小图斑不可能是主林层中的单一树冠,采用过滤分析(Sieve)的方法予以剔除。将处理完成后的分类影像导入ArcGIS9.3,执行Raster to Polygon命令,选中Simplify Polygons简化生成的矢量多边形,并设置相应的环境(Environments)参数,完成栅格图像到矢量多边形的转换。增加多边形的面积属性,计算矢量多边形的面积,进一步将面积小于1 m2的多边形用图斑合并功能(Dissolve)合并到相邻相同属性的图斑中,并用平滑功能(Smooth)对多边形进行平滑处理,使生成的多边形更加符合树冠边界。将处理好的多边形转换为AOI,用图像裁切功能(Subset)对原始图像进行切割,最终得到针叶林专题影像图,如图4所示。
图4 局部切割后针叶林专题图
规则的建立是专家系统知识库的核心内容,本文以光谱、坡度、坡向等信息为规则建立知识库,对针叶林专题影像进行分类。用监督分类的方法分别提取红松、落叶松、云杉、冷杉的光谱特征,获得光谱(Spectrum)信息;运用ArcView GIS3.3对DEM做坡度(Slope)和坡向(Aspect)分析,根据针叶林中各树种的生境及立地条件特征,确定它们生长的坡度和坡向范围;全面提取针叶林树种信息后,运用ERDAS中知识库建立模块(Create Knowledge Base)构建专家知识库,如图5所示。保存专家知识库,用知识分类器模块(Knowledge Classifier)对针叶林专题影像进行分类,分类结果如图6所示。将分类后图像及20块检验样地数据与对应区域内的航片叠加显示,随机选择像元建立混淆矩阵,对专家分类结果进行检验。
图5 专家知识库
图6 专家分类模型匹配结果
子像元分类的原理是对混合像元按照所设定的比例分解,使用多光谱图像来检测比像元更小的或者非纯像元的专题信息,检测和分离与感兴趣物质隔离的成分,从而提高分类的准确度[11]。其技术过程如图7所示。
图7 子像元分类技术流程
在产生训练集与分类特征之前,用图像质量确认功能确定针叶林专题图像中的重复数据行,增强图像质量。然后用AOI工具在红松、落叶松、云杉和冷杉的训练样地里定义训练集,确定包含特定的感兴趣物质的像元和子像元,以便确定分解比例和分类特征。以红松为例说明训练集的定义:根据样地中红松在航片上的位置,用AOI工具选择纯红松像元90个,红松+落叶松、红松+云杉、红松+冷杉的混合像元共10个作为红松训练集,其中红松为感兴趣物质,其他针叶树种是背景物质,则感兴趣物质像元比例为90%。训练集定义完成后,用手工方法提取分类特征并对其进行评价,经过反复试验发现:当设置感兴趣物质像元比例为90%、感兴趣物质置信度水平为0.8、并执行重复数据行滤波(DLA Filter Process)时,产生的分类特征最优。在感兴趣物质分类时,设定分类容差值为1.0、分类数为4,执行感兴趣物质分类的效果最佳。再利用Raster-Attribute查看检测结果的数量和分类的物质像元比例,并调节叠加文件中每个类的颜色及效果以便分析。子像元分类结果局部如图8~图11所示。将分类后图像及20块检验样地数据与对应区域内的航片叠加显示,随机选择像元建立混淆矩阵,对子像元分类精度进行检验。
遥感图像分类精度评价以位置精度为主。位置精度评价,是指将分出的类别与其所在的空间位置进行统一检查。目前普遍采用混淆矩阵分析法。分类精度的主要指标有:生产精度、用户精度、总体精度、漏分精度、错分精度和Kappa系数等[12]。本文用随机选取的20块实测样地作为精度评价的实地验证数据,对监督分类、专家分类、子像元分类得到的结果进行精度评价。其结果如表2~表4所示。
图8 红松分类结果
图9 落叶松分类结果
图10 云杉分类结果
图11 冷杉分类结果
表2 针叶林专题影像监督分类结果
对比分析表2~表4可得:仅利用光谱信息的监督分类总体精度较低,为59.4%;专家分类将坡度、坡向等非光谱信息加入后,分类精度提高到74.9%,比监督分类精度提高15%;子像元分类精度提高到86.0%,比监督分类精度提高27%;子像元分类与专家分类相比,分类精度提高11%,Kappa系数提高23%。此外,红松和落叶松的分类精度较高,在专家分类和子像元分类中的分类精度大于80%;云杉和冷杉的分类精度较低。3种分类方法中,分类精度均未达到80%,其中监督分类最低,均低于60%。由图2知,云杉和冷杉的光谱相近,因此监督分类方法精度较低。专家分类将DEM等辅助信息添加到知识库中,虽然在一定程度上提高了分类精度,但云杉和冷杉在生境及立地条件方面也极其相近,并且存在混合像元干扰问题,所以云杉和冷杉的分类精度依然相对较低。综上可知,子像元分类精度较监督分类和专家分类高,而且操作较专家分类简单,不需要其他先验知识的参与,尤其适用于对先验知识较少的原始针叶林树种进行分类。
表3 针叶林专题影像专家分类结果
表4 针叶林专题影像子像元分类结果
将云杉和冷杉组合作为整体对树种进行分类,其分类结果如表5~表7所示。
表5 云杉和冷杉组合后监督分类结果
表6 云杉和冷杉组合后专家分类结果
表7 云杉和冷杉组合后子像元分类结果
分析表5~表7并与表2~表4对比可以看出,将云杉和冷杉作为整体对针叶树种进行分类,3种分类方法的精度均有提高,其中监督分类的精度提高程度最高,说明监督分类受光谱信息变化的影响较大,对于微小的光谱特征差异无法识别。专家分类精度提高14%,表明将坡度、坡向等非光谱信息作为分类的依据可以提高分类精度,但是由于混合像元的影响,专家分类无法检测非纯像元中的感兴趣物质,光谱信息在一定程度上仍然是制约地物分类精度的关键因子。而子像元分类精度仅提高5%,说明按照权重对混合像元分解提取感兴趣物质,可以检测微小的光谱特征差异,云杉和冷杉组合前后分类总体精度变化不大。
本试验的误差主要来源于3方面:
①研究区域是原始红松针阔混交林,地形复杂,尽管对航片进行分割处理,“同物异谱”和“同谱异物”的现象仍不能完全消除,对监督分类和子像元分类产生一定的影响。
②专家分类时将坡度、坡向信息加入,会错误地剔除一部分针叶林树种。例如,对红松进行专家分类时剔除了平坦地区,由于坡度的影响也会剔除台地的红松,导致小部分红松漏分,从而产生误差。
③在子像元分类时,尽管确定的混合像元比例已经最优,但是不一定适合整张航片,从而导致局部地区的像元被错分,从而产生误差。
基于针叶林专题影像图分别用监督分类、专家分类、子像元分类3种方法对针叶林树种分类进行研究,分类精度分别为82%、88%和91%。按照权重对混合像元分解提取感兴趣物质的子像元分类,降低了混合像元对分类的影响,且操作较专家分类简单,不需要先验知识的参与,更适合原始针叶林的树种分类。另外,在整个分类过程中用固定样地数据对分类训练区精度进行控制,可保证训练区的可靠性,降低主观因素的影响。用随机选取的20块样地的实测数据对分类精度检验,比传统的从图像到图像的精度检验更具有客观性。
专家分类过程中若将纹理信息加入专家分类,精度有望进一步提高。另外,将子像元分类和专家分类相结合的方法,即在子像元基础上检测感兴趣物质并加入非光谱信息对分类精度进行控制、提高分类精度的方法,还需要进一步研究。
[1]辛海强,闻辉,张昱.ERDAS软件在森林资源分类工作中应用[J].测绘科学,2003,28(2):39 -41.
[2]Katoh M.Classifying tree species in a northern mixed forest using high-resolution IKONOS data[J].J For Res,2004,9(1):7 -14.
[3]Katoh M,Gougeon F A,Leckie D G.Application of high-resolution airborne data using individual tree crowns in Japanese conifer plantations[J].J For Res,2009,14(1):10 -19.
[4]刘旭升,张晓丽.基于BP神经网络的森林植被遥感分类研究[J].林业资源管理,2005(1):51 -54.
[5]王旭红,肖平.基于知识库分类法在植被提取中的应用研究[J].测绘通报,2004(7):48 -50.
[6]惠巍巍,衣德萍,廖彩霞,等.混合像元分解研究综述[J].林业科技情报,2007,39(1):2 -3.
[7]Keshave N,Mustard J F.Spectral unmixing[J].Signal Processing Magazine,IEEE,2002,19(1):44 -57.
[8]刘传照,张鹏,任淑文,等.凉水自然保护区森林资源的保护与经营问题探讨[J].国土与自然资源研究,1991(1):58-63.
[9]孙家柄.遥感原理与应用[M].武汉:武汉大学出版社,2003.
[10]李超,岳树峰,王胜蕾,等.大比例尺航片正射影像中的树冠提取[J].东北林业大学学报,2010,38(9):71 -77.
[11]党安荣,贾海峰,陈晓峰,等.ERDAS IMAGINE遥感图像处理教程[M].北京:清华大学出版社,2010.
[12]赵英时.遥感应用分析原理与方法[M].北京:科学出版社,2003.