张 雨,林 辉,臧 卓,严恩萍,东启亮
(中南林业科技大学 林业遥感信息工程研究中心,湖南 长沙 410004)
高光谱遥感影像森林信息提取方法比较
张 雨,林 辉,臧 卓,严恩萍,东启亮
(中南林业科技大学 林业遥感信息工程研究中心,湖南 长沙 410004)
以湖南省株洲市攸县黄丰桥林场为研究对象,运用最小距离、马氏距离、最大似然、光谱角制图、光谱信息散度、神经网络、支持向量机7种分类方法对Hyperion高光谱数据进行森林信息提取。通过对信息提取结果进行比较分析得出:针对Hyperion影像信息提取的7种方法中,支持向量机、神经网络和马氏距离3种分类方法较适合森林信息的提取,总体精度分别为67.39%、66.30%、62.68%;最大似然法在针叶林信息提取中的效果较好,其精度为67.31%;支持向量机法最适合提取阔叶林信息,其精度为80.19%,远远高于其它6种分类方法;运用马氏距离和神经网络法提取竹林信息精度最高,分别达到了84.21%和81.58%。
高光谱遥感;Hyperion数据;森林信息提取;黄丰桥林场
遥感技术自20世纪70年代引入中国林业应用以来,因其具有宏观性、综合性、动态性以及成本低等特点,已经成为研究森林资源现状及其森林动态变化的理想手段[1]。近年来随着现代遥感技术的发展以及不同卫星传感器对地观测的应用,遥感数据源不断丰富,已有很多学者将多种分类方法应用于传统遥感数据源(如ETM、TM、SPOT5、CBERS等)进行森林信息提取,取得了比较好的效果,而直接将这些方法应用于高光谱数据进行森林信息提取的研究比较少见[2-10]。
成像高光谱遥感数据与传统多光谱遥感数据相比,具有图谱合一的特点,即影像中每个像元既包含了确定地物成分的精细光谱信息,又蕴涵地物空间属性的几何信息,非常有利于地物的精细识别和分类,不仅能大大改善对植被类型的识别和分类精度,提高植被参数的估测和反演精度,而且能够估测各种植物化学成分,如植物叶内的N、P、K、糖类、淀粉、蛋白质、纤维素和叶绿素等,为评价植物长势、估计森林生物量从理论和实践上提供可靠的保证[11-13]。
本文中通过运用最小距离、马氏距离、最大似然、光谱角制图、光谱信息散度、神经网络和支持向量机7种分类方法对Hyperion数据进行分类,通过对Hyperion数据分类结果的分析,了解哪种分类方法最适合对Hyperion数据进行森林分类,同时可以了解哪种分类方法更适合提取哪种森林类型。
黄丰桥国有林场呈带状跨株洲市攸县东西部,东经 113°04′~ 113°43′,北纬 27°06′~ 27°04′,属亚热带季风湿润气候区,年平均气温17.8℃,年降水量1 410.8 mm,林场境内森林生长茂盛,主要分布有杉木Cunninghamia lanceolata林、马尾松Pinus massoniana林、阔叶林和竹林等林分类型。
研究所采用的主要数据有:Hyperion高光谱数据、最新1∶10000地形图、2008年攸县森林资源更新数据。
Hyperion 是以推扫方式获取可见光—近红外(VNIR,400~1 000 nm)和短波红外(SWIR,900~2 500 nm)光谱数据,其产品分两级:Level0和Level1, Level0是原始数据,仅用来生产成Level1产品[14]。论文所使用的是Level1产品,有242个波段,其中波段1~70为可见光到近红外波段(VNIR),波段71~242为短波红外波段(SWIR);光谱分辨率是10 nm,空间分辨率是30 m[15]。
对成像高光谱数据进行预处理,首先利用ENVI4.8软件去除Hyperion数据中未经过定标的波段、重复的波段、受水汽影响严重的波段和成像质量差的波段,最后保留161个波段,即8~ 57、79~ 120、131~ 165、183~ 184、187~218。然后对Hyperion数据161个波段进行坏线的修复、垂直条纹的去除、Smile效应纠正、FLAASH大气校正和几何校正等预处理。处理前后影像如图1所示。
图1 处理前(a)和处理后(b) Hyperion影像比较Fig.1 Comparison of Hyperion images before(a) and after(b) processed
在ENVI4.8软件中,以中心波长为752.43、1 507.73、640.50 nm 3个波段组合显示Hyperion数据,进行感兴趣区域的选取,将研究区分为杉木林、马尾松林、阔叶林、竹林和非林地5类。
运用最小距离、马氏距离、最大似然、光谱角制图、光谱信息散度、神经网络、支持向量机7种分类方法对Hyperion数据进行分类。由于分类结果图比较零碎,需要对分类结果进行后处理。在ENVI4.8中输入一个3×3变换核尺寸,并用变换核中占主要地位的像元类别数代替中心像元的类别数,生成的研究区域分类结果如图2所示。
从图2中可以看出,不同分类方法的分类结果相差较大,其中(a)最小距离法和(c)最大似然法的分类结果图上基本上只显示2种地类的分类结果,(d)光谱角制图法和(e)光谱信息散度法的分类结果图与真实地类的分类结果图相差也很大,(b)马氏距离、(f)神经网络和(g)支持向量机3种方法的分类结果图与真实地类图较接近。
精度评价采用了基于误差矩阵的统计方法。采用随机抽样法,以2008年攸县森林资源更新数据为依据,选取了276个地面检查点,其中52个落在杉木林中,24个落在马尾松林中,106个落在阔叶林中,38个落在竹林中,56个落在非林地中,对分类结果进行精度评价,结果见表1~表7。
图2 研究区Hyperion数据分类结果Fig.2 Hyperion data classif i cation results in research region
表1 最小距离法Table 1 Minimum distance method
从表1可以看出,276个检查点在最小距离法的分类结果中,集中分布在阔叶林、竹林、非林地3种地物中,而分布在杉木林和马尾松林中只有9个点,这种分类方法不适合对高维的高光谱数据进行分类。
从表2可以看出,马氏距离法的总体分类精度达到了62.68%,Kappa系数为0.519 7。杉木、马尾松、阔叶林、非林地4种地物的分类精度相差不多,均达到了50%以上,竹林信息的提取精度较高,达到了84.21%。
表2 马氏距离法Table 2 Mahalanobis distance method
表3 最大似然法Table 3 Maximum likelihood method
从表3可以看出, 276个检查点在最大似然法的分类结果中,集中分布在杉木林、阔叶林、非林地3种地物中,而分布在马尾松林和竹林中只有12个点,故这种分类方法不适合对高维的高光谱数据进行分类。
表4 光谱角制图法Table 4 Spectral angle mapping method
光谱角制图(SAM) 分类法是一种光谱匹配技术,所谓光谱匹配是通过研究2个光谱曲线的相似度来判断地物的归属类别,这种方法常见于高光谱遥感领域,参考光谱曲线可从地物标准光谱数据库中获取, 也可从待分类图像上获取[16]。但是从表4可以看出,直接应用SAM这种分类方法对Hyperion数据进行森林类型的识别与分类,分类精度并不高,总体精度只有44.20%。
表5 光谱信息散度法Table 5 Spectral information divergence methos
光谱信息散度(SID)法是通过计算像元光谱和参考光谱之间的光谱信息散度SID(spectral information divergence)来确定之间的相似性,通过表5可以看出,这种分类方法的分类精度较差,4种有林地的分类精度均在60%以下。
从表6可以看出,运用神经网络对Hyperion数据进行森林信息提取时,阔叶林、竹林和非林地的提取精度均达到了60.00%以上,其中竹林的分类精度达到了81.58%,总体精度达到了66.30%,Kappa系数为0.547 0。
表6 神经网络法Table 6 Neural networks method
表7 支持向量机法Table 7 Support vector machine method
从表7可以看出,运用神经网络对Hyperion数据进行森林信息提取时,阔叶林、竹林的分类精度均较好,分别达到了80.19%和73.68%,总体精度达到了67.39%,Kappa系数为0.552 3。
表8 分类结果精度汇总Table 8 Accuracy summary of classification methods
从表8可以看出:运用不同的分类方法对Hyperion数据进行分类,精度差异很大;用不同的方法提取同一种林地,结果差异也很大。马氏距离、神经网络、支持向量机这3种分类方法的总体精度均达到了60.00%以上,Kappa系数达到了0.500 0以上。在这7种分类方法中,虽然最大似然法总体分类精度最低,Kappa系数最小,但是其杉木林的分类精度最高,达到了67.31%。马氏距离法提取马尾松和竹林这2种地类的精度均较其它6种方法好,尤其是竹林信息的提取准确度达到了84.21%。支持向量机提取阔叶林信息的准确度达到了80.19%,远远好于其它6种分类方法。
运用最小距离、马氏距离、最大似然、光谱角填图、光谱信息散度、神经网络、支持向量机7种分类方法对Hyperion高光谱数据进行森林信息提取研究,主要结论如下:
(1)不同的分类方法结果差异很大。这7种分类方法中支持向量机、神经网络和马氏距离3种分类方法较适合对Hyperion进行分类,总体精度分别为67.39%、66.30%、62.68%。
(2)采用不同的方法提取同一种林地,结果差异也较大。最大似然法提取针叶林信息效果较好,其精度为67.31%。支持向量机法提取阔叶林信息效果最佳,其精度为80.19%,远远好于其它6种分类方法。运用马氏距离和神经网络2种方法提取竹林信息均较好,精度分别达到了84.21%和81.58%。
(3)Hyperion高光谱数据 161个波段参与森林分类总体精度不高,但是其阔叶林和竹林的提取准确度较高,分别达到了80.19%和84.21%。
由于Hyperion高光谱数据161个波段参与分类,波段之间的冗余度太高,以后研究需要对Hyperion数据进行降维处理,减少波段数目,充分利用其光谱分辨率高的优势,进一步提高分类精度。
[1] 葛宏立.遥感图像森林资源信息提取与分析研究[M].北京:科学出版社,2007.
[2] 邹 蒲,王云鹏,王 志,等.基于ETM+图像的混合像元线性分解方法在澳门植被信息提取中的应用及效果评价[J].华南师范大学学报:自然科学版,2007(02):131-136.
[3] 张 超,黄清麟,朱雪林,等. 基于ETM+和DEM的西藏灌木林遥感分类技术[J].林业科学,2011(01):15-21.
[4] 韩振魁,朱长青.TM卫片技术在森林资源二类调查中的应用[J].内蒙古林业调查设计,2005,28(4):60-61.
[5] 张锦水,何春阳,潘耀忠,等.基于SVM 的多源信息复合的高空间分辨率遥感数据分类研究[J].遥感学报,2006,10(1):49-57.
[6] 严恩萍.中高分辨率遥感影像阔叶林信息提取[D].长沙:中南林业科技大学,2011.
[7] 孙 华,林 辉,熊育久,等.Spot5 影像统计分析及最佳组合波段选择[J].遥感信息,2006,4:57-61.
[8] 王照利,黄 生,张敏中,等.森林资源调查中SPOT5遥感图像处理方法探讨[J].陕西林业科技,2005,(1):27-29,55.
[9] 罗 扬,朱 军,王志民,等.中巴资源卫星数据在贵州森林资源调查中的应用[J].南京林业大学学报:自然科学版,2005, 29(2):92-94.
[10] 马春林,昝 梅.基于中巴卫星数据的森林资源信息提取[J].新疆师范大学学报:自然科学版,2006,25(3): 166-168.
[11] 蒲瑞良,宫 鹏.高光谱遥感及其应用[M].北京:高等教育出版社,2000.
[12] 谭炳香.高光谱遥感森林应用研究探讨[J].世界林业研究,2003,16(2):33-37.
[13] 臧 卓,林 辉,杨敏华.ICA与PCA在高光谱数据降维分类中的对比研究[J].中南林业科技大学学报,2011,31(11):19-22.
[14] 谭炳香.高光谱遥感森林类型识别及其郁闭度定量估测研究[D].北京:中国林业科学研究院,2006:51-59.
[15] 柳萍萍,林 辉,孙 华,等.高光谱数据的降维处理方法研究[J].中南林业科技大学学报,2011,31(11): 34-38.
[16] 樊彦国,李翔宇,张 磊,等.基于多波段分析的无阈值自动光谱角制图分类法[J].地理与地理信息科学,2010,26(2):38-42.
Comparison among methods that extract forest information from hyper-spectral remote sensing image
ZHANG Yu, LIN Hui, ZANG Zhuo, YAN En-ping, DONG Qi-liang
(Research Center of Forest Remote Sensing & Information Engineering, Central South University of Forestry & Technology,Changsha 410004, Hunan, China)
Taking Huangfengqiao forest farm as the studied object, which is located in Youxian county, Zhuzhou City, Hunan Province,the forest information was extracted from hyper-spectral remote sensing image by using 7 kinds of classification method such as minimum distance,Mahalanobis distance, maximum likelihood,spectral angle mapping, spectral information divergence, neural network,support vector machine. Comparing the results of information extraction shows that among 7 kinds of methods of Hyperion image information extraction, support vector machine, neural network and mahalanobis distance were more suitable for forest information extraction,with overall accuracy of 67.39%,66.30%,62.68% respectively. The effect of maximum likelihood method extracted the coniferous forest information was batter than other’s with an accuracy of 67.31%. The support vector machine was most suitable for extracting the information of broad-leaved forest, with an accuracy of 80.19%, the accuracy was much higher than the other six.Mahalanobis distance and neural network mthods were the two maximam ways to extract the bamboo forest information,with accuracy of 84.21% and 81.58% respectively.
hyperspectral remote sensing; Hyperion data; forest information extraction; Huangfengqiao forest farm
S771.8
A
1673-923X(2013)01-0075-05
2012-10-25
“十二五”国家高技术研究发展计划(863计划)课题(2012AA102001):“数字化森林资源监测关键技术研究”;林业公益性行业科研专项(201104028):“林分结构与生长模拟技术研究”;国家重大专项项目(E0305/1112/02);湖南省高校科技成果产业化培育项目(11CY019)
张 雨(1989-),女,辽宁锦州人,硕士研究生,研究方向:林业信息技术;E-mail:770179029@qq.com
林 辉(1965-),女,湖北黄冈人,教授,博士,博士生导师,主要从事森林经理学、遥感技术与地理信息系统的教学和科研工作
[本文编校:谢荣秀]