基于大比例尺航片的针叶树种冠幅的提取

王二丽，李凤日，王 敏，郭志英

(东北林业大学林学院，哈尔滨150040)

树冠是树木的重要组成部分，是树木进行光合作用的重要场所，是其生长所需能量的重要来源之一［1］，也是在遥感影像中最容易反映树木信息的部位。树冠的大小、形态及反映在遥感影像上的光谱信息，是提取森林各种参数的重要依据。如果能在高空间分辨率遥感影像上提取出树冠大小信息，则可大幅度的减少外业的工作量和调查费用，提高调查的速度［2］。近些年来，国内外许多林业工作者及其相关领域的研究人员分别利用遥感影像对林木冠幅信息的提取进行了相关的探索和研究。Masato Katoh等［3］利用单株立木冠幅提取技术 (ITC)提取出针阔混交林中单株立木树冠，直径大于6.2m的树冠提取误差在11.6%以下，总体精度达到78%。林丽莎［4］应用模式识别技术，对各个可见树的树冠进行手扶跟踪检测，求得了冠幅的平均直径。冯益明等［5］以高空间分辨率遥感影像Quick-Bird的全色波段为数据源，应用空间统计学半方差理论，对人工纯林冠幅尺寸进行估计。蔡文峰等［6］利用全数字摄影测量工作站VirtuoZo系统IGS数字测图方法提取了林木冠幅信息。

但是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，单木树冠信息自动提取技术具有相当的难度，至今还处于研究阶段［7］。目前树冠信息主要依靠目视解译的方法及针对某些特定的林分 (如人工林)提出的有关算法来进行提取。本文基于子像元分类专题图，通过栅格矢量之间的转换并加入有关人工的参与，提取出上层单株针叶树木冠幅，为森林的半自动化量测提供参考。

1 研究区域概况

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和落叶松等人工林［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)、黄菠萝 (Phellodendron amurense)、椴树 (Tilia amurensis)、色树 (Acer mono)、蒙古栎 (Quercus mongolica)、枫桦 (Betula costata)、白桦 (Batula platyphlla)、山杨 (Populus davidiana)和大青杨(Populus ussuriensis)等。

2 数据的收集与预处理

本文所用的遥感数据是2009年9月对凉水自然保护区拍摄的航片，航摄比例尺为1∶2 000，总覆盖面积约为1.2 km×1.6 km，共获取空间分辨为0.2 m的CCD影像189幅。2009年结合凉水自然保护区森林资源调查，复测了60块固定样地，面积均为0.06 hm2，部分调查因子统计量见表1。将样地数据由EXCEL表格形式转为DBF格式，导入ArcGIS9.3生成带有属性的矢量文件，为后续训练样地选择和提取精度检验及提取信息奠定基础。

图1 调查区域训练样地和检验样地Fig.1 Distribution of plots for training and test

3 研究方法

3.1 分类专题图的提取

子像元分类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，可以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［10］。其技术过程如图2所示。将样地数据与航片叠加显示，根据样地的树种属性用AOI(Area of Interest)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。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，执行感兴趣物质分类，其分类结果如图3～图5所示，分别提取红松、落叶松、云杉和冷杉的分类专题图。

表1 固定样地部分调查因子Tab.1 Partial invested factors from PSPs

从60块固定样地中随机选择40块，作为分类时的训练样地。反复对红松、落叶松、云杉和冷杉的光谱特征、空间特征进行目视判读训练，建立针叶林树种的解译标志［9］，见表2。余下20块样地作为分类精度检验样地。调查区域训练样地和检验样地分布图如图1所示。

表2 针叶树种的判读标志Tab.2 Interpretation signs of the conifers

图2 子像元分类技术流程Fig.2 Procedure of sub-pixel classification

图3 局部分类结果图Fig.3 Partial classification result

3.2 树冠信息提取精度分析

遥感图像分类精度分为非位置精度和位置精度，位置精度分析目前普遍采用混淆矩阵的方法，而Kappa系数则是一个测定两幅图之间吻合度或精度的指标，当Kappa系数大于0.75时则认为已经取得相当满意的一致程度，可以将分类结果用于后续实验［11］。本文用样地数据对子像元分类精度进行检验，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计算Kappa系数，其结果见表3。分类总体精度为86.1%，Kappa系数为0.79，满足进一步进行冠幅提取的精度要求。

表3 子像元分类结果 (Kappa系数:0.79)Tab.3 Result of sub-pixel classification(Kappa coefficient=0.79)

3.3 树冠及冠幅提取

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，采用过滤分析 (Sieve)的方法剔除面积小于1m2的小图斑。

运用ArcGIS9.3中栅格转矢量 (Raster to Polygon)功能，将子像元分类处理后的栅格图像转换成多边形，即对分类图进行矢量化，提取图斑的边界线，生成矢量弧段，再由这些矢量弧段生成具有拓扑关系的矢量多边形［12－16］。结合目视解译利用ArcGIS9.3的多边形平滑功能 (Smooth)，对多边形进行平滑处理，减弱栅格转换为矢量过程中由于数据转换模型本身的误差带来的影响［13］，使其最大限度的符合实际中的树冠影像。将多边形矢量文件与航片进行反复对比，删除分类过程中被错分的立木。对于分类中漏分及转换过程中损失较大的树冠，采用人工交互的方式勾划树冠边界，并对其进行平滑整合处理。在多边形的属性表中增加Area和Length字段，计算生成多边形的面积及周长。经过与航片的反复对比，确定面积小于1.5m2的多边形为转换过程中产生噪音多边形直接剔除。各树种矢量多边形与航片匹配的结果如图4所示。由表2针叶树种的判读标志中可知，红松、落叶松、云杉和冷杉在航片上反映出的树冠呈圆形的较多，因此将立木树冠拟为圆形冠幅，用面积及周长求得的平均半径作为每株立木的在航片上测量冠幅。

由于在航片中能够识别的树冠只是上层林木的树冠，通过样地数据与航片的反复对比分析，确定在郁闭度较高的天然林中只有树高大于18 m的树木，才有可能进入主林层被判读出来。在所收集的60块样地数据属性表中查询出树高大于18 m的针叶林木，共选出红松211株、落叶松108株、云杉和冷杉115株。由于郁闭度较高，主林层间的林木也有相互遮挡的现象，以及受到分类时立木被漏分子错分的影响，最终通过分类专题影像图训练样地和检验样地能够提取出的红松分别为126和39株，落叶松91和16株，云杉和冷杉74和25株，同时将实际测量的东、西、南、北平均冠幅作为实际冠幅。

图4 局部多边形匹配结果Fig.4 Partial polygons matched with image

4 误差分析

4.1 误差分析

分类提取的立木冠幅与样地实测冠幅之间的基本分析结果见表4。从表中可以看出，红松提取冠幅的平均相对误差为0.165 0，平均精度达到83.50%。落叶松提取的冠幅平均相对误差为0.156 5，平均精度达到84.35%。云杉和冷杉提取的冠幅的平均相对误差0.177 4，精度较红松和落叶松低，达到82.26%。误差的主要原因有以下三方面:

表4 提取冠幅值与实测冠幅值分析结果Tab.4 Analysis of crown extraction from aerial photographs and PSPs

(1)在分类专题图上提取冠幅的精度易受分类精度的影响。子像元分类过程所制定的感兴趣物质比例并不适合于整个航片，局部地区树种被错分、漏分。

(2)基于分类影像专题图，栅格转矢量过程中产生的误差。由于转换模型的误差及不确定性，导致多边形边线的位置及面积的误差，最终提取的树冠与实际的树冠仍存在差异，提取的树冠可能不是完整的树冠，仅是实际树冠的一部分，造成测量误差。

(3)部分取决于判读员素质。受到太阳光照及地形的影响，各航片曝光程度的不同，对于针叶立木在航片上表现出的光谱特性也随之发生变化。而对错分、漏分立木这部分进行人工交互提取冠幅时，由于判读员对不同曝光程度下航片上各针叶树种表现出的光谱特性认知程度的差异，可能错误的提取其他树种冠幅作为本树种的冠幅，从而产生较大的误差。再者将树冠拟为圆形冠幅及将4个方向的冠幅平均作为实际测量的冠幅也是误差的来源之一。

4.2 相关性分析

将从训练样地提取的数据和样地实测数据在SPSS17.0软件中进行相关分析，并以散点图表示航片上提取的林木冠幅和实际冠幅的线性关系。红松、落叶松、云杉和冷杉冠幅散点图及残差图分别如图5～图7所示。在SPSS17.0中对建立航片上提取的数据x和样地实测数据y的一元线性回归模型:

式中:a、b分别为回归常数和回归系数。

剔除异常点，建立模型并对回归方程和回归系数进行检验，拟合结果见表5。

表5 拟合回归模型参数估计值及拟合统计量Tab.5 Estimated value of regression model and statistic

由表5中可以看到各因子PF均为0，模型的线性关系显著成立。各提取因子的相关系数分别为0.890、0.864、0.919，表现了较好的相关性，均达到显著水平。

将检验样地数据代入建立的回归模型，得到对应的预测数据，并与实际测量数据进行回归统计假设检验，各树种冠幅散点图及残差图如图8～10所示，参数估计值及统计量见表6。

图5 红松冠幅散点图及残差图Fig.5 Scatter diagram and residual plot of Pinus koraiensis crown diameter

图6 落叶松冠幅散点图及残差图Fig.6 Scatter diagram and residual plot of Larix crown diameter

图7 云杉和冷杉冠幅散点图及残差图Fig.7 Scatter diagram and residual plot of Abies and Picea crown diameter

图8 红松冠幅散点图及残差图Fig.8 Scatter diagram and residual plot of Pinus koraiensis crown diameter

图9 落叶松冠幅散点图及残差图Fig.9 Scatter diagram and residual plot of Larix crown diameter

图10 云杉和冷杉冠幅散点图及残差图Fig.10 Scatter diagram and residual plot of Abies and Picea crown diameter

表6 模型参数估计值及统计量Tab.6 Estimated value of regression model and statistic

由表6可以看出各因子PF值均为0，通过检验，检验结果无显著性差异。经计算预估精度分别为83.60%、81.46%和83.57%，较平均精度均有所提高。

5 结论与讨论

本文在子像元分类的基础上，通过栅格矢量的转换，在一定的程度上减少了人为的工作量。并结合目视解译提取出上层针叶林木的树冠，与实际的测量冠幅进行了精度分析和误差的定性分析，红松冠幅、落叶松冠幅、云杉和冷杉冠幅的提取精度分别达到83.50%、84.35%和82.26%，预测精度分别达到83.60%、81.46%和83.57%，在实际应用中可以用建立回归方程的方法替代原始测量的结果。因此利用航片提取上层林木的冠幅，可以减少外业工作量，提高调查速度，并可进行有关森林蓄积量的估测。

对于栅格矢量之间的转换，如果能调整有关的算法，提高转换的精度，则后续的工作可以大大减少人为因素的影响，使结果更具有客观性。子像元分类误差具有向下传播的特性，因此应严格控制子像元的分类误差，减弱子像元的分类对后续工作的影响。若对航片进行分区处理减少曝光和地形等因素的影响来提高分类精度同时提高判读员的素质，则冠幅提取精度有望能够进一步提高。如何结合其他的方法，利用计算机自动提取树冠信息都需要进一步的研究。

［1］邓 广.高空间分辨率遥感影像单株立木识别与树冠分割算法研究［D］.北京:中国林业科学研究院，2009.

［2］智长贵.基于航片的正射影像林相图制作及森林测量研究［D］.哈尔滨:东北林业大学，2005.

［3］Masato Katoh，Francois A Gougeon，Donald G Leckie.Application of high－resolution airborne data using individual tree crowns in Japanese conifer plantations［J］.J For Res，2009(14):10 －19.

［4］林丽莎.航空遥感GIS数字图象的森林定量检测研究［D］.哈尔滨:东北林业大学，2001.

［5］冯益明，李增元，张 旭.基于高空间分辨率影像的林分冠幅估计［J］.林业科学，2006，42(5):110 －113.

［6］蔡文峰，李凤日.基于VirtuoZo系统对林木冠幅信息的提取［J］.森林工程，2010，26(2):4 －7.

［7］刘晓双，黄建文，鞠洪波.高空间分辨率遥感的单木树冠自动提取方法与应用［J］.浙江林学院学报，2010，27(1):126 －133.

［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］.土与自然资源研究，1991(1):58－63.

［9］胥丽红.森林参数数字摄影测量提取技术的应用研究［D］.哈尔滨:东北林业大学，2010.

［10］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.

［11］韦玉春，汤国安，杨 昕，等.遥感数字图像处理教程［M］.北京:科学出版社，2011.

［12］王亚可.基于遥感分类图的矢量化算法研究及应用［D］.开封:河南大学，2010.

［13］张立富，吕东方，袁 明，等.3D激光扫描技术及其在森林测绘中的应用［J］.林业机械与木工设备，2011，39(8):30 －32.

［14］张建武，孙庆辉，刘玉峰，等.面要素栅矢转换不确定性分析［J］.测绘科学技术学报，2008，25(4):275 －279.

［15］周 南，徐天蜀.云冷杉林生物量遥感估测模型研究［J］.林业调查规划，2010，35(4):29 －31.

［16］谢进金，林兴军.基于遥感分层技术的南平县森林蓄积抽样调查方法研究［J］.林业调查规划，2011，36(1):8 －11.