基于GF-1遥感影像的森林植被类型提取算法研究——以四川长宁县为例

刘丽娜， 石军南， 曹明勇， 刘伟乐

(中南林业科技大学 林业遥感信息工程研究中心, 长沙 410004)

基于GF-1遥感影像的森林植被类型提取算法研究
——以四川长宁县为例

刘丽娜， 石军南， 曹明勇， 刘伟乐

(中南林业科技大学 林业遥感信息工程研究中心, 长沙 410004)

森林植被类型的提取一直是遥感领域信息提取的难点与重点，在以四川省长宁县为研究区的研究中，选用GF-1影像为实验数据，利用NDVI和NDWI两种指数区分植被与非植被以及水体与非水体，反复试验得出区分植被阈值为0.4，区分水体阈值为1.7； 采用基于边缘检测的分割算法，分割阈值设置为30，合并阈值设置为90，纹理内核的大小设置为12，效果最佳。通过影像对象的特征组合建立最佳的分类规则，与传统的分类方法相比，分类精度高达88.65%，Kappa系数为0.85，是一种高效且比较切实可行的方法。

信息提取； 森林植被； GF-1卫星； 面向对象； 长宁县

森林是陆地生态系统的主体，植被是环境的重要因子，是反应区域生态环境质量的最好标志，遥感技术的飞速发展，开辟了植被信息获取的新途径[1-3]。高分一号是我国2013年4月发射的第一颗高分辨率对地观测卫星，具有覆盖率广、数据易获取、高时间分辨率、高空间分辨率等特点，但其在林业上的应用研究还相对较少[4-6]。传统的影像分类方法是主要包括监督分类和非监督分类，监督分类即先进行训练再进行分类，也就是先学习再分类法，非监督分类是一种自下向上的数据驱动方法[7-10]；决策树方法是多元统计分类中的一种方法[11]。遥感影像分割是目标识别和遥感信息提取的基础和重点，通过识别单个像元尺寸的影像对象，将其与具有同质性标准的对象进行合并，通过异质性的计算来表达影像区域的同质性，分割后得到的影像对象除具有光谱特征外，还具有纹理、形状、上下文关系等特征[12-15]。国内外已有众多学者对此展开了研究，朱光良等[16]以浙江海宁市TM图像为基础进行土地利用分类精度评价，王惠英等[17]利用IKONOS影像对北京朝阳区进行信息提取，采用多尺度分割，通过对研究区进行不同的参数组合设置进而进行对比，最高精度为95.67%。本文选用国产最新类型高分一号影像为实验数据，四川省长宁县为研究区，针对高分一号影像特点，进行辐射校正，几何校正，影像增强等图像预处理，并对预处理后的影像进行波段运算，寻找出适合GF-1遥感影像森林植被信息提取的最佳波段组合。运用支持向量机算法、决策树分类算法与面向对象分割技术提取植被信息，提取竹林、乔木林、火烧迹地、水域、耕地、建筑用地六种类型，并结合实测数据，进行精度评价，分析比较三种算法的提取速度与精度。

1 研究区概况

长宁县地处宜宾市中南部，处于28°15′—28°48′N和104°44′—105°03′E，位于四川盆地南缘，地貌以丘陵为主。全县最低海拔246 m ,最高海拔1409 m ，属四川盆地中亚热带湿润性季风气候，温暖湿润，无霜期长，雨热同季，四季分明，年均气温18.3 ℃，年均降雨量1141.7 mm，日照时数987.6 h，无霜期多达357 d。

2 数据预处理

高分一号(GF-1)卫星是我国高分辨率对地观测系统的首发卫星，卫星上搭载了4台幅宽大于200 km的16 m空间分辨率视场(Wide Field of View，WFV)成像仪，可成功获取视场拼接幅宽大于800 km的对地观测遥感数据，为各种定量化应用提供有效的数据源，详见表1。

表1 GF—1数据多波段主要特征和功能波段序号波段名称波长范围/μm主要功能1蓝色波段0.45～0.52对水体有穿透力。可区分土壤、植被、森林类型、海岸线等2绿色波段0.52～0.59研究植物长势与病虫害,绿色反射率、植物分类、水中含沙量3红色波段0.63～0.69植物类型,叶绿色吸收率,悬浮泥沙,城市轮廓以及水陆界限4近红波段0.77～0.89可区分水陆界限、水系、道路、居民点与进行植物分类。

2.1 数据预处理

本研究主要对GF-1遥感影像进行了辐射校正和图像配准处理。辐射校正过程包括辐射定标与大气校正，主要用以消除依附于辐射亮度中的各种失真，选择ENVI软件特有的FLAASH快速大气校正模块，通过输入大气模型、地面平均高程、气溶胶模型、影像中心位置、初始能见度、获取时间等参数。为了提高信息提取的精度，研究对预处理后的GF-1遥感影像进行了波段运算，找出最适合森林植被类型提取的最佳波段组合。

2.2 GF-1最佳波段组合分析

将多波段遥感影像信息通过最佳波段组合合成彩色图像是遥感影像处理的重要步骤。为了扩大各类森林植被间的差别，利用遥感影像的绿光波段和近红外波段进行了波段加权处理，计算公式为：

Bn1=a×B2+(1-a)×B4

其中a是权重值，取0～1，Bn1为重新生成的绿光波段，经过反复试验，a取0.8，结果最佳。

为了让植被之外的地物颜色更加真实，研究利用归一化植被指数NDVI，对植被和非植被区进行区分，首先计算出NDVI，再对波段进行加权处理，计算公式为：

Bn2=(NDVIgt 0.4)×Bn1+(NDVIle 0.4)×B2

Bn2为重新生成的绿光波段，将进行波段运算后的新波段代替原来绿光波段，通过标准差，信息熵以及最佳波段指数(Optimum Index Factor，OIF)的定量指标确定其最佳波段组合。

第4波段与加权处理后新绿光波段标准差大于其余3个波段的标准差，说明4波段的信息量优于其他三个波段，从信息熵的大小中也可以得到相同的结论。另外从信息量的角度考虑，带有第4波段的波段组合OIF都大于65，但是234波段组合超过另外两类组合将近10%，因此选择234波段组合为最优，考虑到目视效果，确定最终的RGB为B4Bn2B1。

3 结果与分析

3.1 基于支持向量机算法的信息提取

支持向量机分类(SVM)是一种建立在统计学理论基础上的机器学习方法，自动寻找那些对分类有较大区分能力的支持向量，可以将类与类之间的间隔最大化，提高分类的准确性。根据植被的特征采集训练样本，样本为竹林、乔木林、火烧迹地、水域、耕地、建筑用地六种类型，为了提高分类时的精度，研究计算了各个样本类型之间的可分离性，运用Jeffries-Matusita, Transformed Divergence参数表示。这两个参数值在0～2.0之间，>1.9说明样本之间可分离性好，属于合格样本；<1.8，需要重新选择样本；<1，考虑将两类样本合成一类样本，本文选取的样本分离度均在1.9～2.0之间。对分类结果进行评价，确定分类的精度和可靠性。研究采用混淆矩阵法进行精度验证，匹配原有分类代码，得到最终分类结果如图1所示。

图1 支持向量机分类结果图

3.2 基于决策树分类的信息提取

专家知识决策树分类的步骤大体上可分为四步：知识(规则)定义、规则输入、决策树运行和分类后处理。通过典型地物波谱分析以及反复试验结果表明，NDVI>阈值0.4即为植被区，否则为非植被区。在非植被区，采用归一化差异水体指数NDWI，即NDWI<阈值1.7即为水域，否则为建设用地或火烧迹地；在植被区，为了区别耕地与其他林地，选取GF-1遥感影像的RGB三个波段试验。经过对比分析，GF-1的蓝光波段对叶绿素和叶绿素浓度反应敏感，对区分干燥的土壤及茂密的植被效果较好，阈值60阈值0即为竹林，否则即为乔木林。具体的决策树模型如图2所示，由于在分类过程会产生面积很小的图斑，本研究采用Majority/Minority分析方法，定义一个变换核尺寸，用变换核中占主要地位的像元类别代替中心像元的类别。

3.3 基于面向对象分割的信息提取

面向对象分割技术根据临近像素亮度、纹理、颜色等对影像进行分割，是一种基于边缘检测的分割算法，分割效果的好坏一定程度决定了分类效果的精确性。经过反复验证，研究设定的阈值为35。采用基于边缘检测的分割算法，一些特征会被错分，一个特征被分成了很多部分，需要结合合并算法才能达到最佳效果，经过验证合并阈值设置为90，纹理内核的大小设置为12，效果最佳，对分离出来的植被信息，运用规则分类方法提取竹林、乔木林、火烧迹地、水域、耕地、建筑用地六种类型，分类结果如图3所示。

图2 GF-1遥感影像决策树分类模型图

图3 面向对象分割算法分类结果图

3.4 提取信息结果检测及评价

通过精度分析，能够确定分类的有效性以及改变分类模型，从而提高分类精度。本研究通过野外调查固定样点记录的地类经纬度以及长宁县二类调查数据，精确地在遥感图像上选取各类地表真实感兴趣区，建立混淆矩阵，计算各种统计量，并进行统计分析，分别计算得出三种算法的Kappa系数、总体精度、制图精度、用户精度等，结果如表2所示。

表2 分类精度结果统计表算法名称总体精度/%用户精度/%制图精度/%Kappa系数支持向量机算法 70.5669.8577.120.69决策树分类算法 79.6278.5381.890.78面向对象分割算法87.2885.4788.650.85

由表2可知，基于面向对象分割技术提取森林植被信息的总体精度为88.65%，Kappa系数为0.85，高于支持向量机算法以及决策树分类算法，三种算法均得到了比较好的分类结果。

4 结论与讨论

通过对基于GF-1遥感影像的森林植被类型提取算法研究，得出以下结论：

1) 通过地类波谱信息以及各植被指数的分析，并找出GF-1遥感影像森林信息提取精度较高的算法，三种算法均达到了分类的要求，为计算机分类的流程化和自动化提供了基础；

2) 对影像反复进行波段运算，寻找出适合信息提取的最佳波段RGB组合为B4Bn2B1。第二波段为经过运算后的新波段，并利用NDVI和NDWI两种指数区分植被与非植被以及水体与非水体，反复试验得出区分植被阈值为0.4，区分水体阈值为1.7。

3) 面向对象的分类方法能够充分利用高分一号影像丰富的光谱、形状和纹理信息以及对象间的关系，通过影像对象的特征组合建立最佳的分类规则，精度比传统方法分类要高。

本文仅利用了研究区的光谱统计特征，未能深入挖掘该数据的光谱特性，若能充分利用其丰富的光谱信息，可显著提高分类效率和精度，从而使该卫星遥感数据具有更为广泛的研究价值和应用前景。

[1] 张雨,林辉，臧卓，等.高光谱遥感影像森林信息提取方法比较[J].中南林业科技大学学报,2013,33(01):75-79.

[2] 陈利,林辉,孙华,等 .基于决策树分类的森林信息提取研究[J].中南林业科技大学学报,2013,33(01):46-51.

[3] 姜洋,李艳.浙江省森林信息提取及其变化的空间分布[J].生态学报,2014,34(24):7261-7270.

[4] 刘刚,张雨.多源遥感数据森林信息的提取和比较分析[J].中南林业科技大学学报,2012,32(10):158-161.

[5] 郑国强,赵清,朱鹏,等.济南市城市森林信息提取及景观格局分析[J].资源科学,2008,30(05):786-791.

[6] 谭炳香,李增元,陈尔学,等.高光谱遥感森林信息提取研究进展[J].林业科学研究,2008,21(z1):105-111.

[7] 杨冉冉.基于ALOS数据的遥感森林分类研究[D].北京：首都师范大学,2013.

[8] 王荣.高分辨率遥感影像信息提取方法的研究[D].兰州：兰州交通大学,2013.

[9] 赵芳.测树因子遥感获取方法研究[D].北京：北京林业大学,2014.

[10] 王鑫.基于小波分析的高分辨率遥感影像森林边缘信息提取[D].杭州：浙江农林大学,2011.

[11] 严婷婷,边红枫,廖桂项,等.森林湿地遥感信息提取方法研究现状[J].国土资源遥感,2014,26(02):11-18.

[12] 韩爱惠.森林生物量及碳储量遥感监测方法研究[D].北京：北京林业大学,2009.

[13] 张霞.森林信息监测用无线传感器网络节点的研究[D].北京：北京林业大学,2010.

[14] 郭佳忱.基于SVM方法的长白山森林植被信息提取的研究[J].吉林林业科技,2010,39(1):14-17.

[15] 朱光良，刘南.浙江省海宁市TM图像土地利用自动分类精度评价方法的试验研究[J].遥感学报,1999,3(2):145-147.

[17] 王惠英,苏伟,周军其.基于多分类器组合面向对象遥感影像信息提取方法[J].测绘工程,2009,18(5):23-26.

[18] Bock M,Xofis P,Mitchley J,et al.Object-oriented methods for habitar mapping at multiple scales-Case studies from Northern Germany and Wye Downs[J].Journal for Nature Conservation,2005(S2-3):75-89.

StudyontheBxtractionofForestVegetationTypesBasedonGF-1RemoteSensingImage:With the Example of Changning County in Sichuan

LIU Lina， SHI Junnan， CAO Mingyong， LIU Weile

(Research Center of Forest Remote Sensing & Information Engineering, Central South University of Forestry &

Technology, Changsha 410004, Hunan, China)

The extraction of forest vegetation types has been the difficulty and focus on information extraction in the field of remote sensing. Taking Changning country in Sichuan province as the experimental area, based on the GF-1 images as date source, UsingNDVIandNDWIindexes to distinguish between vegetation and non vegetation , water body and non water body, the threshold of distinguishing vegetation was 0.4, and the water body threshold was 1.7. Using the segmentation algorithm based on edge detection, set the segmentation threshold to 30, set the combined threshold to 90, and set the texture kernel to 12, the classification results were the best. Compared with the traditional classification method, the object-oriented classification accuracy was as high as 88.65% and theKappacoefficient was 0.85. The result showed that the object-oriented classification was an effective and feasible method.

information extraction； forest vegetation； GF-1 satellite； object-oriented； Changning

2015-12-08

中国博士后科学基金项目(2014M562147)；湖南省创新平台与人才计划(科技人才)项目(2015RS4048)。

刘丽娜(1991-)，女，湖南郴州人. 硕士研究生，研究方向是林业遥感和地理信息系统。

石军南(1965-)，男，教授，硕士生导师，主要研究森林经理学、遥感技术和地理信息系统。

TP 79

A

1003-6075(2015)04-0027-05

10.16166/j.cnki.cn43-1095.2015.04.008