基于SPOT5遥感影像的小班区划技术1)

吴春争 冯益明 舒清态 李增元 武红敢 车腾腾

(西南林业大学，昆明，650224) (中国林业科学研究院荒漠化研究所) (西南林业大学) (中国林业科学研究院资源信息研究所)

遥感技术的应用是森林资源调查技术的主要发展方向。近年来，随着高分辨率图像的产生，以SPOT5为主的高空间分辨率遥感数据被广泛应用于森林资源调查中［1］。当前，在对高空间分辨率遥感影像分类方法上，面向对象的影像分类方法由于能够充分挖掘高空间分辨率遥感数据中的纹理、形状及空间关系等信息而得到了广泛应用［2-4］。而传统基于像元的分类方法，仅仅利用了单一的影像光谱信息，根据待分类像元与某类像元的亮度特征的相似性来将它们划分归类，未能充分利用遥感图像提供的大小、形状、纹理、相邻像素间的关系等形状和空间位置特征，从而导致对高空间分辨率遥感数据分类时，像元级分类方法的精度较基于对象分类方法低。高空间分辨率遥感数据的获取在近年森林资源调查中主要采用两种技术方法［5］：一是以地形图为工作手图进行野外现场勾绘;二是通过计算机人机交互判读，直接在计算机上采用屏矢量化方法勾绘小班边界，通过目视解译方法判读土地各类、优势树种等调查因子。显然，基于高空间分辨率遥感影像进行目视解译是当前小班区划的一种趋势［6］。但不同人在目视解译时，对影像的判读存在差异，也易造成区划的不一致。为此，本文借助自主开发设计的森林资源调查系统，在森林资源小班区划边界控制条件下，采用基于面向对象和规则的影像分类方法对SPOT5遥感影像进行多尺度、多层次的分割分类［7-8］，并以此为基础，按照小班区划划分条件，对不符合小班区划要求的区域进行手工交互操作，完成小班边界提取的工作，为森林资源调查提供有效途径。

1 试验区及数据源

研究地区为金沟岭林场，位于吉林省汪清县境内东北部，东经 130°05'～130°19'、北纬 43°17'～43°25'，总面积 16 286 hm2。金沟岭属长白山系老爷岭山脉雪岭支脉，地貌属低山丘陵，海拔300～1 200 m，坡度一般在10°～25°，个别陡坡在35°以上。林区属季风型气候，全年平均气温为3.9℃左右，多年平均年降水量650 mm。该林区属吉林省东部山地温带湿润针阔叶混交林地带的长白山红松云冷杉针阔混交林小区，其原生植被为红松针阔混交林，但经过长期的经营活动及其他人为干扰，部分天然红松针阔混交林已经演替成多种森林类型，还有相当部分经人工造林成为落叶松、红松和云杉纯林。

数据来源于吉林省汪清林业局的SPOT5全色与多光谱数据，影像范围为 130°05'～130°19'E、43°17'～43°25'N，影像获取时间为2008年10月12日，空间分辨率为2.5 m。此外，还有SPOT5影像正射校正用的1∶10 000的DEM数据。在影像分类前需要对影像进行正射校正、图像光谱增强等处理［9］，使其更利于图像分割及信息的提取。从性价比来说，选用SPOT5影像进行森林资源规划设计调查，相对其他高分辨率影像，如QuickBird和IKNOS有较明显的优势。此外，还选用了大的地性线及林班边界参与影像分割。

2 研究方法

2.1 面向对象分类技术流程

研究采用基于面向对象的分类方法进行多尺度分割和多层次分类实现地物的分层提取。其具体流程如图1所示。首先，在大的地性线与已有林班线等边界控制条件下，对SPOT5遥感影像进行多尺度分割，并输出矢量化结果，建立“对象”的拓扑关系。其次，借用多尺度分割结果，综合考虑影像分割的上下文关系，结合分割对象的特征标识，对影像分割结果进行地块类型识别，形成小班区划初步结果。从初步结果中提取出有林地，并在有林地地块控制范围内再次运行分割算法，输出矢量化结果，与第一次的分割矢量化结果进行叠加分析，形成小班区划第二次结果。如果对第二次小班区划结果不满意，则进行手工交互修改，形成最终的小班区划结果。

图1 面向对象分类技术流程

2.2 影像多尺度分割

在系统中对影像进行多尺度分割。图像分割是面向对象技术的基础［10］，是将一幅图像分割为空间上连续的、互不重叠的和一致性的区域［11］。

在文中，影像的分割结合基于SPOT5影像的林业分类标准(表1)分两次进行：先进行较大尺度的分割，对分割图像进行基于规则的分类，得到有林地(乔木林);其次再对乔木林进行较小尺度的分割，即基于分类的分割，旨在有林地中提取三级类，即对针叶林、阔叶林和混交林进行提取。其中，SPOT5影像的4个波段及地性线和林班边界专题图层都参与了分割。为达到对地物的有效分割，经过反复试验并通过目视比较，得到最终分割的参数，见表2。

2.3 分类规则及信息提取

多尺度分割后，影像的基本单元已不是单个像元，而是由同质像元组成的多边形对象。面向每一多边形对象，可计算出所包含像元的光谱信息，以及多边形的形状信息、纹理信息、位置信息、多边形间的拓扑关系信息等。具体的分类规则可以充分利用对象所提供的各种信息进行组合，以提取具体的地物。不同层次可以针对特定地物建立各自规则。

表1 基于SPOT5影像的林地分类系统

表2 分割参数

分类系统的建立是规则建立的基础，文中根据研究的目的，结合表1中的基于SPOT5林业分类标准建立了分类体系，见图2。根据前期对研究区域的考察，试验区中不包含红树林和竹林，故在类层次结构建立中不包括这两类。

图2 类层次结构

利用系统中的模糊阈值分类方法分析影像对象，将各个类别的规则转化为一系列的表达式。分类规则可以只有一个条件或者包含几个条件的组合。因为有可能一个对象需要满足大量的条件才可以赋给某一类。条件组合用“逻辑与and”、“逻辑或 or”和“逻辑非 not”连接起来，具体的规则如表3所示，其中判据值大小的确定主要依靠人机交互来完成。

在层1中，通过设置隶属函数，利用基于规则分类的方法初次提取出表3中的5种地物。由于归一化植被指数(Normalized Difference Vegetation Index，以I表示)值对区分植被与非植被比较有效，所以可以用其来区分开建筑物、道路等林业其他用地与植被。另外，林业其他用地在近红外波段的灰度共生矩阵光谱均值较其他地类有较高的数值，用此特征和指数I进行“逻辑与”组合提取出林业其他用地。由于疏林地的郁闭度小于或等于0.3，通过观察，疏林地在指数I值域里有较小的值，在红光波段与近红外波段有较大的光谱值，故组合这些条件提取出疏林地。灌木林在影像上的纹理同质性与异质性表现较敏感，而且在短波红外波段上有较高的光谱值，选取适当的逻辑组合提取出了灌木林。在SPOT5影像中，苗圃地的纹理较均匀，且在红光波段上有较高的标准差，进而提取出苗圃地，最后在层1中将剩余未分类部分归为有林地，层1的分类结果见图3。

表3 影像分类规则

图3 层1的分类结果

通过以上基于规则的分类，5种地物分类已经完成，但有林地斑块面积还很大，每个斑块内还包含多个森林覆盖类型，还需要作进一步的详细分类，因此在层1中，针对有林地进行小尺度的分割，并生成新的图层，形成了层2。根据对历年森林资源设计调查资料的分析，在层2中将有林地类型细分为针叶林、阔叶林和针阔混交林3个类型。针阔之间主要依据纹理来区分，针叶林的颗粒感较细，阔叶林有较强的颗粒感。另外，针叶林在影像中有较小的亮度值，而阔叶林在红光波段和近红外波段有较高的光谱值，综合这些特征，用“逻辑或”连接它们提取针叶林与阔叶林。最后，将未分类的部分归为针阔混交林。在影像自动化分类中难免会有错分和漏分的影像对象，需要适当地利用手工交互进行修改，最终的分类结果见图4。

2.4 编辑分类结果

影像分割、分类结果经过栅格矢量化处理后，利用系统中小班遥感区划编辑功能模块对输出矢量结果不符合规定的部分进行编辑处理。首先对其进行光滑处理，并参考影像及小班划分约束条件，对不符合小班区划要求的斑块进行适当的手工交互编辑，形成的小班区划结果如图5所示。

图4 层2的分类结果

图5 小班区划结果

3 精度评价

遥感分类结果和地面实际情况总是存在一定的误差，对分类结果进行精度评价和分析是检验技术手段可行性的有效方法。本文利用混淆矩阵［12］、分类总体精度和kappa系数对分类结果进行精度评价，验证样地以2007年该区域二类调查数据为基础，并经实地调查确认，如表4所示。从表中4可以发现，利用该方法进行分类，结果是令人满意的，能够满足基本林业生产需求。

表4 分类精度评价像素

4 结果与讨论

研究中，采取大的地性线与已有林班线为边界控制条件，对影像进行边界控制条件下的多尺度、多层次分割，在此基础上进行小班区划，得到了较好区划精度。可以为解决森林资源自动区划提供一种有效途径。

采用基于面向对象的分类方法，不仅利用对象的光谱特征，而且更充分利用了对象的空间特征，这使得一些通过光谱特征很难区分或者根本无法区分的地物很容易被提取出来。此外，研究中采用的面向对象遥感图像分类方法，不仅能够充分利用高分辨率遥感图像丰富的空间信息，自动提取现实世界中的地理目标，而且还能输出带有属性表的多边形，解决森林资源用图的及时更新。

虽然基于多级分割和规则设置的面向对象分类方法能取得较高的分类精度，但是在分类过程中分割尺度和规则的选取设置都需要人工参与，对分类者的要求较高，因此，降低人为干预和提高效率问题，值得进一步的研究。

基于遥感影像计算机自动解译的小班区划结果与人为的主观区划结果肯定存在一定的差异，但遥感影像计算机自动解译的结果符合实际生产应用，基本达到了要求。

［1］郑天水.SPOT5卫星遥感信息在森林资源调查中的应用现状与解决思路［J］.林业调查规划，2006，31(5)：24-28.

［2］Barrile V，Bilotta G.Object-oriented analysis applied to high resolution satellite data［J］.WSEASTransactions on Signal Processing，2008，4(3)：68-75.

［3］Benz U C，Hofmann P，Willhauck G，et al.Multi-resolution，object-oriented fuzzy analysis of remote sensing data for GIS-ready information［J］.ISPRS Journal of Photogrammetry ＆ Remote Sensing，2004，58(3/4)：239-258.

［4］林先成，李永树.面向对象的成都平原高分辨率遥感影像分类研究［J］.西南交通大学学报，2010，45(3)：366-372.

［5］李春干，代华兵，谭必增，等.基于SPOT5图像分割的森林小班边界自动提取［J］.林业科学研究，2010，23(1)：53-58.

［6］张艮龙，冯益明，贾建华，等.基于SPOT5遥感影像的小班区划探讨［J］.浙江林学院学报，2010，27(2)：299-303.

［7］陈云浩，冯通，史培军，等.基于面向对象和规则的遥感影像分类研究［J］.武汉大学学报：信息科学版，2006，31(4)：316-320.

［8］彭海涛，柯长青.基于多层分割的面向对象遥感影像分类方法研究［J］.遥感技术与应用，2010，25(1)：149-154.

［9］任俊芳，侯四国，隋春玲.基于SPOT5卫星遥感图像融合配准技术研究［J］.测绘科学与工程，2009，29(1)：15-18.

［10］Chubey M S，Franklin SE，Wulder M A.Object-based analysis of ikonos-2 imagery for extraction of forest inventory parameters［J］.Photogrammetric Engineering ＆ Remote Sensing，2006，72(4)：383-394.

［11］Baatz M，Schäpe A.Multiresolution segmentation：an optimization approach for high quality multi-scale image segmentation［C］//Strobl J，Blaschke T.Angewandte geographische informationsverarbeitung Ⅻ.Karlsruhe：Wichmann Verlag，2000：12-23.

［12］王文宇，李博.基于eCognition的高分辨率遥感图像的自动识别分类技术［J］.北京建筑工程学院学报，2006，22(4)：26-29.