基于专题层的林地信息提取

王 静，吕建军，高 伟，林 妍，成晓英

（1.中国地质大学（武汉） 信息工程学院，湖北 武汉 430074）

林业小斑区划为林业各种调查提供位置和边界基础，是林地调查最基础的步骤[1]。目前的小斑区划研究多以影像信息为主要依据，忽略了矢量数据中包含的原始小斑信息。随着遥感影像分辨率的不断提高，面向对象的信息提取技术被广泛应用于森林分类中，但是相比传统的方法还是相对较少[2]。

2011～2012年，湖南省进行了基于2.5 m分辨率的SPOT5正射影像的林地落界与保护规划编制工作。本文以湖南林地落界与保护规划的部分地区数据为研究对象，结合原始矢量小斑数据及人工勾绘与野外调查的结果，对小斑区划及面向对象的信息提取进行了研究。

1 实验数据及预处理

实验数据包含遥感影像数据和原始矢量数据。遥感影像是SPOT5正射影像图，采集于2008～2010年间，分辨率为2.5 m，已经过正射校正、配准与融合等预处理，且经过标准图幅裁剪，影像内部含有公里格网、内图廓线等整饰内容。矢量数据为shp格式，记录了该地区早期的森林分布概况与相应的小斑属性信息。

遥感影像中的整饰内容对后期的图像分割与分类会产生一定影响。本文使用MapGIS RSP遥感影像处理平台提供的“坏线去除”功能，将遥感影像中的黄色公里格网线作为“坏线”进行处理。去除公里格网的影像还不能直接使用，蓝色的内图廓线仍然存在，需要通过裁剪将图廓线内的影像信息保留，作为最终的实验数据。

2 小斑区划自动提取

小斑是进行森林资源调查和森林经营、组织生产的基本单位，一般把林分因子、立地条件、经营措施、采伐方式、集材系统相同的林分划为一个小斑。要进行森林资源的调查和管理，首先必须划分小斑[3]。本文主要研究了基于图像分割的小斑自动区划。通过计算机对图像进行自动分割，得到矢量图层，每个矢量区影像对象表示一个小斑，从而得到小斑区划矢量数据。

2.1 专题层参与的图像分割技术

仅使用遥感影像进行图像分割来提取小斑边界，其区划结果由影像自身的光谱和形状信息决定，没有体现原始小斑数据的价值。为了提高与原始小斑边界位置的重合率，本文考虑将原始小斑边界位置信息作为专题层，参与图像分割过程，约束分割结果。

本文对参与图像分割的专题层的处理思想如下：

1）按照原始小斑中的“小斑位置”属性将原始小斑矢量数据进行栅格化，将栅格化后的图像裁剪到与当前影像相同范围，作为参与分割的专题层。

2）专题层与原始遥感影像进行波段合成，获得一幅比原始影像多一个波段的影像。

3）分割时，专题层作为合成影像的最后一个波段，并可根据实际需要设置其参与分割的权重。

通过对专题层的处理，将其转化为影像的一个波段信息，然后按照传统的多尺度分割流程进行分割，即专题层参与的图像分割技术。本文实验使用的软件是MapGIS中的遥感影像信息提取系统，可根据实际需要对专题层权重任意设置，以此来改变专题层对分割结果的影响程度。

2.2 专题层约束下的小斑区划

采用图像分割技术进行小斑自动提取的难点在于分割参数的确定，包括各影像层的波段权重、分割尺度、形状参数等。根据研究区影像统计信息可知，各波段标准差和信息熵均相差甚微，最大值与最小值之比均接近于1，因此影像3个波段权重设置时不必考虑标准差比值和信息熵比值方案，只研究3个波段权重均设为1的情况下分割尺度对分割结果的影响即可。根据有关研究，实验的形状参数设为0.2[4]。

2.2.1 专题层权重为0时的小斑区划

将专题层参与分割的权重值设为0，即专题层不参与分割，将分割尺度分别设为30、55、75、90、100、125、150、170、200、230、250等11个尺度进行分割实验[5]，将分割结果矢量图层与原始小斑数据在遥感影像上叠加显示，通过初步目视评判，可知在125、150、170的尺度下，分割结果与原始小斑区划较为接近。尺度小于125时分割过于细碎，大多数小斑被划分为多个对象；而大于170时分割过于粗糙，被非林地包围的较小的林地小斑大多没有被划分出来。

本文采用小斑面积差值法进行精度评定，即在矢量小斑数据上随机选择一定数量的小斑样本，以影像对象与参考样本小斑重合率在50%以上且二者面积误差小于50%的对象作为正确提取的小斑，计算其占样本小斑总数的比例。利用该方法计算得出尺度为125时分割效果最理想，其精度可达61.9%；150尺度次之，精度为47.6%。由于实验中的对比小斑和其面积属性来自于早期原始小斑矢量数据，随着时间的推移地物本身已发生了变化，小斑数据本身与遥感影像套合有一定偏差，实际的小斑区划精度可能还会稍高。

2.2.2 专题层权重为0.7时的小斑区划

原始小斑矢量数据记录了小斑的形状与位置信息，因此可将其栅格化为记录小斑区划特征的专题层，参与小斑区划的分割过程。考虑到实验中所用专题层反映的是早期小斑分布情况，因此波段权重设为0.7，其他分割参数不变。该实验精度与专题层不参与分割时的实验精度对比如图1所示。

虽然从整体精度而言，加入专题层精度没有明显增加，但是对于正确提取的小斑而言，其面积重合率有明显增加，面积误差也明显下降。

3 最佳小斑区划尺度下特征库的构建及林地信息提取[6-8]

3.1 最佳小斑区划尺度下特征库的构建

特征是遥感影像信息提取的关键。将影像特征库中的特征通过逻辑组合，形成描述地物类别的特征知识[9]。将所有地物类的特征知识通过一定的组织关系结合在一起，形成信息提取所必需的特征库。

寻找地物的特征知识，关键是确定最优分割尺度。最优分割尺度是分割后的影像对象与其对应的特定地物目标边界要能最佳地吻合，即影像多边形对象既不能太“破碎”，也不能出现太“模糊”或“混合”现象[10]。实际操作时，由于研究区影像自身光谱因素的影响，加之影像上地物分布较分散，在大尺度下很难将小班块的居民地、林地分离出来，往往与牧草地混合在一起，不利于分类。因此，直接考虑在小斑区划实验所得的最佳小斑区划尺度下进行特征选取与特征知识规则的建立。为了保证特征库的通用性，本文更多地考虑了影像对象的光谱、形状、纹理特征，表1即为最终选定的用于分类的各地类特征。

表1 研究区数据用于分类的所有特征规则表

将表1中每个类所列的特征规则以一定的逻辑关系组织起来，形成每一类的特征知识，即可建立分类所用的特征库。

在利用特征库进行分类时，要根据影像的具体地物信息，选择最优的特征组合。由于成像条件的影响，同一类地物在不同的影像上某一个特征的值域也不一致，这时可根据一些选定的样本计算其特征值，通过样本的特征值值域来调整分类的特征规则值域。

3.2 基于特征库的森林分类

由原始小斑属性可知，实验区的地物类型主要为道路、水域、林地、居民地、耕地、牧草地。根据小斑区划最佳分割参数进行图像分割，即分割尺度为125，各波段权重均为1，形状参数为0.2，紧致度为0.5，分别给每类选定一定数量的样本，作为选择分类时特征规则与特征值域范围的依据。基于该特征库进行分类，结果如图2所示。

样本同时也作为最终分类结果精度评价的参考信息。根据选定的样本进行精度评定，分析各样本被分入各个类别的可能性，得到评价结果，见表2。

表2 分类结果精度评价表

3.3 基于专题层完善的特征库林地信息提取

由于本文的研究数据量有限，每个影像上的林种类型都较少，且不同影像上相同林种类型很少，难以建立林地树种、林地类型特征库，无法对林地进行深一层的分类。为了解决这种影像信息量不足的问题，本文将专题层信息引入特征库的构建，根据专题层信息完善特征库，实现对林地进一步的信息提取。

将实验区原始小斑数据按照“优势树种”属性信息进行栅格化。研究区主要的优势树种类型有杉木、湿地松、中生阔叶树、马尾松和灌木5类。针对每种类型，分析其专题层波段的灰度值，结合林地已有的特征知识，分别建立相应的特征知识规则，构建特征库。基于该特征库进行林地信息提取，如图3所示。

每种地类选择一定数量的样地，以对象样本来计算分类精度，结果见表3。不难看出，对于非林地的每种地类，分割精度基本保持不变，原始的小斑所在区域林地明显被细分，而没有原始数据覆盖的范围则只划分到林地。同时，分类结果对原始小斑亦有一定的更新作用，如图4 a中所示的原始小斑属性为马尾松，而随着时间的推移，从图4 b上分析得知该地块明显已有水域、牧草地出现，不是一个完整的小斑了，必须进行划分。经信息提取得到的结果如图4 c所示，它与实际地物类型是吻合的。

表3 分类结果精度评价表

4 结 语

1）建立特征库时，特征规则的选择、特征值域的确定以及特征规则的逻辑组合都是手动实现的，存在一定的主观性，且需花费大量时间来找到其中的最优组合。如何实现计算机对特征规则的自动优化组合，是下一步研究工作的重点。

2）在利用专题层属性信息对林地进一步分类时，由于是将专题层“优势树种”属性信息直接赋予影像对象参与分类，因此，如果林地内部属性发生了变化，如原始小斑中的灌木在长时间内变成了马尾松，利用这种方法则检测不出，分类结果会与实际不符。如何解决这一问题，也是今后的研究方向。

[1]华朝朗. SPOT5卫星数据在县级森林资源调查中的应用研究[J]. 林业调查规划，2005，30(3)：8-12

[2]高伟，刘修国，彭攀，等. 一种改进的高分辨率遥感图像分割方法[J]. 地球科学，2010，35(3)：421-425

[3]张艮龙. 基于高空间分辩率遥感影像的森林资源调查小班区划[D]. 西安：西安科技大学，2010

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

[5]何柏华，李春干. 基于DEM与SPOT5的小斑边界自动提取[J].南京林业大学学报：自然科学版，2010，34(5)：47-50

[6]Carpenter G A，Gjaja M N, Gopal S，et al. ART Neural Networks for Remote Sensing Vegetation Classification from Landsat TM and Terrain Data[J]. IEEE Transactions on Geoscience and Remote Sensing，1999，35(2)：308-325

[7]李莉. 面向对象的高分辨率遥感影像信息提取研究[D]. 成都：成都理工大学，2012

[8]Thomas K. A Comparison of Multispectral and Multitemporal Information in High Spatial Resolution Imagery for Classification of Individual Tree Species in a Temperate Hardwood Forest[J].Remote Sensing Environ，2001，75(1)：100-112

[9]高伟. 基于特征知识库的遥感信息提取技术研究[D]. 武汉：中国地质大学，2010

[10]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)：316-319