基于高分辨率遥感林分面积提取方法研究

韩学锋,徐 欢

(天津石油职业技术学院,天津市 301607)

基于高分辨率遥感林分面积提取方法研究

韩学锋,徐 欢

(天津石油职业技术学院,天津市 301607)

面积是森林资源调查的重要内容之一,同时也是森林蓄积总量计算时必要参数。针对高分辨率遥感影像空间分辨率高,而光谱分辨率低的特点,探讨了综合利用纹理特征和光谱特征提高分类精度,进而提高林分面积的方法。

高分率遥感;林分面积;分类

面积是森林资源调查的重要内容之一,同时也是森林蓄积总量计算时必要参数。传统的森林面积的调查方法是抽样调查,这种技术方法已经比较成熟,但是此方法需要大量的地面调查,因而也就需要大量的人力和物力。过去林业上卫星遥感数据多用中低分辨率卫星遥感数据,但分辨率低,面积估测精度不高。高分辨率影像多用航空相片,但航空相片成本高,而且使用时有一定的空域限制。随着高分辨率遥感数据如QuickBird影像的应用及价格的降低,高分辨率卫星遥感数据将更多地应用于林业遥感,所以研究基于高分辨率遥感的森林面积提取方法显得十分重要。

一、遥感影像波段间的相关性分析

遥感影像分类依据的是地物反映在各波段的像元值。在遥感成像过程中,由于受传感器、大气状况、地形等因素影响,往往会产生“同物异谱,异物同谱”现象。因此在分类前对研究区的背景情况以及传感器波段、遥感影像特征、地物光谱特性有较为深入的了解,也是必要的。QuickBird多光谱数据设置有蓝光、绿光、红光、近红外4个波段。不同的波段具有不同的光谱特征和应用领域,如何选择最佳的波段组合,以综合更多的信息呢?这还需要波段间的相关性分析。从研究区2002年Quick2 Bird影像4个波段间的相关性分析(表1),可知不同波段之间具有不同的相关性。波段组合应该尽量选择信息相关性小的波段组合。从表3中可以看出波段2、3、4是最佳的波段组合(表1和表2中Band1,Band2,Band3,Band4分别代表QuickBird影像的不同的波段)。

表1 研究区QuickBird影像各波段间的相关系数

表2 波段组合相关系数和

二、遥感影像的纹理特征

纹理是遥感影像的重要信息,是进行目视判读和计算机自动解译的重要基础。遥感影像专题信息提取时,如果在原始影像光谱信息的基础上加上纹理信息可以使信息提取的准确性和精度提高。目前纹理特征的分析方法主要包括基于时频的方法、基于模型的方法、基于结构的方法以及基于统计的方法等。已有研究文献资料共识是:灰度共现矩阵的效果最好。基于灰度共生矩阵的纹理识别方法正是利用图像灰度值在空间上的某种相关性来表达图像的统计特征。

1.灰度共生矩阵法

给定影像空间,量化级数为L,可定义共生矩阵为:取定方向为θ和距离d,在方向为θ的直线上,相距为d距离上,灰度分别为i和j的点对出现的频数作为这个矩阵的第(i,j)的阵元值。共现矩阵能够反映图像的主要纹理特征。纹理越粗,相近的像素越具有相近的灰度,共生矩阵对角线附近的阵元值也就越大,相反则越小。

2.共现矩阵的主要标度方法

设在给定d,θ参数下的共生矩阵的阵元归一化为P(i,j),共现矩阵的主要标度方法有:角二阶矩、相异性、熵、同质性、方差、均值、对比度。灰度共生矩阵是以滑动窗口为计算单元的,滑动窗口的大小是纹理特征计算的重要参数。本文对于每一个特征都以4种滑动窗口进行了计算即:3 3 3,5 3 5,7 3 7,9 3 9四种滑动窗口。通过多次试验,反复比较认为采用d=1,N=9的步距比较合适,即9 3 9矩阵各像元同相邻的8像元做运算得出共生矩阵。

三、植被指数

不同波段的植被——土壤系统的反射率因子以一定的形式组合成一个参数时,能够表现出与植被特征参数间的函数关系,这种多波段反射率因子的组合就称为植被指数。

比较常用的植被指数有:差值植被指数,比值植被指数,归一化植被指数。已有研究表明NDV I能够精度较高地从高分辨率影像中提取植被覆盖区域。

NDV I被定义为近红外波段与可见光红波段数值之差与这两个波段数值之和的比值:

我们只讨论研究区内的土地覆盖类型的分类。通过实地考察和林场森林资源调查资料确定研究区主要土地覆盖类型为:阔叶林、针叶林、裸地、草地。由于本研究区为山区,地形起伏比较大,影像上同种地物受地形的影响表现出阴坡和阳坡的色调差异,但阔叶林的分布较少,只在阳坡有少量的分布,所以只将针叶林分为针叶1代表阳坡针叶林、针叶2代表阴坡针叶林。

从研究区采样100个点位,进行统计得到各种地物植被指数的统计特征值及对应的各地物ND2 V I值的分布区间(见表3)。

表3 各种土地覆盖类型的NDV I统计值

图1 各种地物的NDV I所处区间

从图1和表3中可以看出,各种地物NDV I取值区间具有明显的差异,特别是植被和非植被的区分,植被覆盖区的NDV I值一般都大于0.281,裸地和阴影等非植被的NDV I则一般都小于0.281。

四、土地覆盖类型分类

本文主要讨论怎样通过土地覆盖类型的分类将林地提取出来以便高精度地完成小班调查参数中小班面积和实际面积这一项指标,同时也为计算小班总蓄积量的计算提供了面积参数。传统的基于光谱信息的分类已经不能满足高分辨率遥感分类的需要,应通过组合光谱信息、纹理信息以及植被指数进行分类提取森林实际覆盖面积,然后与小班进行叠加,获取小班的总面积和实际森林覆盖面积。

为了更好地研究土地利用的分类,分为两步进行。首先研究植被和非植被的分类提取植被覆盖区,然后研究植被分类方法,通过植被分类研究森林的提取方法。

1.植被覆盖区的提取

通过上面各种地物NDV I值分布区间的分析可知植被和非植被的NDV I值具有明显的差异,可据此将其分类。根据植被和非植被的统计特征值如表3和图1,本文将NDV I大于0.281的区域,设为植被覆盖区,小于0.281的区域设为非植被覆盖区。为了检验其精度,本文通过目视解译和实地调查从研究区内选择了226855个非植被(主要是裸地)样本和96696个植被样本作为验证数据,建立混淆矩阵,计算相关指标,得到如下精度评价结果(表4)。从表4来看基于NDV I植被与非植被有较高的分类精度,总体精度达到了94.4%,Kappa系数达到了0.87,分类精度能够满足林业调查需要。

2.植被覆盖分类

从NDV I的分类中只是提取了植被覆盖区域,就本文研究区而言,其中还有草地和林地之分。但只通过植被的光谱信息很难将它们区分开来,为了能够比较精确地将林地从各种植被覆盖区中提取出来还需要纹理等信息的辅助。

不同的地物有不同的光谱特征和纹理特征值区间,但不能通过单一的特征对其分类,所以要研究综合不同地物的不同特征进行分类。决策树是一种很好地综合各种分类规则进行分类的方法。首先通过不同地物的不同特征值生成判别规则,然后通过这些规则建立决策树的根节点和各分支节点组成决策树。决策树分类法对于输入数据的空间特征和分类标志具有更好的弹性和鲁棒性。决策树分类法已经被用于解决很多分类问题,但应用在遥感分类的研究成果并不多见。

本文通过软件ERDAS和规则制定软件C4.5中进行分类规则的制定,然后根据分类树和分类规则进行剪枝,得到一个置信度较高的分类树和分类规则(表5)。最后在 ERDAS知识分类器中对研究区融合后影像进行分类以及分类后处理,最后将分类后影像中的阔叶林和针叶林地进行合并。通过ENV I感兴趣区的检验法得到混淆矩阵(表5),来评估其精度。从表6中可知分类的总体精度为91.933%,Kappa系数为0.8043,分类精度较高,能够满足森林资源调查的需要。

表4 植被与非植被的分类精度评价

表5 分类规则

五、小班总面积和有效面积的量算

将分类后的栅格数据结果转化为矢量数据,然后导入到A rcGis中与小班边界图进行叠加,最后利用ARCGIS自带的面积计算功能就得到小班的总面积和有林地面积(见表7)。

表6 植被分类精度评价

表7 部分小班面积和有林地面积的计算结果

[1]周廷刚,郭达志,盛业华.灰度矢量多波段遥感影像纹理特征及其描述[J].西安科技学院学报,2000,(04).

[2]舒宁.卫星遥感影像纹理分析与分形分维方法[J].武汉测绘科技大学学报,1998,(04).

[3]孙即详.图像分析[M].北京:科学出版社,2005.

[4]徐希孺.遥感物理[M].北京:北京大学出版社,2005.

[5]Friedl M A,Brodeley C E.Decision Tree Classification of Land Cover from Remotely Sensed Data[J].Remote Sens.Eviron,1997,61:399-40.

A bs tra c t:A rea is one of the important objects w hen investigating forest resources and a necessary parameter w hen calculating forest stock volume.This paper exp lores how to make a comp rehensive use of textural and spectral features to enhance the accuracy of classification,thus to extract stand areamore p recisely.

Ke y w o rd s:high resolution;remote sensing;stand area;classification

Study on the W ay of Using High-resolution Rem ote-sensing Technique to Extract Stand A rea

HAN Xue-feng,XU Huan

(Tianjin Petroleum Vocational and Technical College,Tianjin 301607 China)

TP79

A

1673-582X(2011)02-0055-04

2010-10-10

韩学锋(1980-),男,山东聊城人,天津石油职业技术学院教师,硕士,主要从事工程测量和摄影测量教学与研究工作;徐欢(1983-),女,河北省临西人,天津石油职业技术学院教师,硕士,主要从事信号处理教学与研究。