基于多时相SAR数据和SPOT数据的盘古林场林分类型识别

李明泽 付 瑜 于 颖 范文义

(东北林业大学，哈尔滨 150040)

基于多时相SAR数据和SPOT数据的盘古林场林分类型识别

李明泽 付 瑜 于 颖*范文义

(东北林业大学，哈尔滨 150040)

林分类型信息的提取是遥感影像分类中的热点和难点。而大兴安岭地区又是我国重点林区和天然林主要分布区之一，植被类型丰富，种类繁多，为林分类型精确识别带来了很大的难度。为了比较和提高林分类型的分类精度，研究以大兴安岭地区盘古林场为实验区，综合利用SPOT-5影像和不同时相的RADARSAT-2全极化SAR影像，采用3种分类方案及最大似然分类方法对研究区遥感影像进行分类，并比较不同分类方案对林分类型识别的精度。3种方案分别是：(1)单独采用SPOT影像对林分类型进行识别；(2)对全极化SAR数据进行极化分解提取参数并结合SPOT数据参与分类；(3)结合SPOT数据与多时相全极化SAR分解参数进行分类。结果表明：对比SPOT、加入单时相和加入多时相3种方案的分类结果，方案三加入多时相SAR影像与SPOT数据对白桦林、落叶松林、樟子松林和云杉林的分类中总分类精度最高，为84.64%，Kappa系数为0.79，对林分类型的识别最为有效，而单用SPOT数据对林分类型识别的精度最低，精度为76.66%，Kappa系数为0.70。

林分类型分类；多时相；多源遥感信息；极化分解

森林植被覆盖了全球大范围区域，在全球碳循环和环境变化中发挥着重要的作用。为了正确评估森林在全球碳平衡中的重要作用，对森林的研究成为人们日益关注的重点[1]。而林分类型识别又是森林研究的基础，在森林的动态监测、森林生物量反演、森林碳储量估算等方面起到了基础作用。所以为了更快更准确的获取林分类型信息，利用遥感对地观测技术对林分类型进行精确识别已经成为当下发展的必然趋势。

常用于林分类型识别的遥感数据包括TM、SPOT等一些光学影像，根据不同地物在遥感影像上的光谱信息、纹理信息的差别来区分不同的林分类型，但是受天气等外界因素的影响有时会出现“同物异谱”或“同谱异物”现象，使光学遥感在提取森林类型信息中带来了困难。尤其对于大兴安岭地区植被种类较多、分布十分广泛，单单从光谱特征上难以精确识别林分的类型信息。例如王立海等[2]利用TM遥感图像对吉林省典型的针阔混交林进行辩识，分类精度为76.00%。孙华等[3]在森林资源调查中利用最大似然法在SPOT影像中进行森林分类，其分类精度为78.9%，分类研究的结果表明单独使用光谱信息对森林类型的识别精度较低。随着微波遥感的出现，因其全天时、全天候、穿透云雨的能力，以及提供丰富信息的优势，已经成为光学遥感的有益补充。国内外已经有许多学者利用微波PolSAR全极化数据提取类型信息，如Rahman[4]指出SAR影像在植被识别中能很好提供植被信息来区分森林分非森林；Touzi等[5]用机载PolSAR的C波段对森林类型分类，结果表明在HH、HV、VV的提供极化信息下，可以明显改善在无叶条件下森林类型的区分。近些年，随着遥感技术的发展和不同卫星传感器对地观测技术的应用，遥感呈现出多平台、多传感器，以及多光谱、多空间、多时相分辨率等特征。与单一的遥感数据源相比，不同的遥感数源融合获得更精准的林分类型识别结果。N.Gokhan等[6]利用ALOS PalSAR数据与TM数据融合后对在对森林植被的提取上比融合前精度提高了4%。Laurin等[7]利用ALOS PALSAR、RADARSAT-2、SPOT等多种遥感数据并添加林冠高程模型，对阿尔卑斯山脉地区的植被进行分类，得到了高达97.7%的分类精度。

本研究以盘古林场为例，结合多时相C波段全极化RADARSAT-2和SPOT5光学影像数据，通过分析不同林分类型在极化中的散射特性、光谱信息以及在8、11月不同时相特征中的差别，对全极化SAR数据进行极化分解参数提取，并和光学遥感数据的参数进行结合。利用最大似然法对实验数据进行林分类型分类，以获取更高的分类精度。

图1 研究区域位置Fig.1 The location of study site

1 研究区域概况

本研究的实验区域为黑龙江省大兴安岭地区塔河县塔河林业局盘古林场。塔河县位于黑龙江省西北部大兴安岭地区，是中国最北部的两个县份之一。盘古林场位于塔河县城西北部地处123°20′02″E～124°21′40″E，52°16′38″N～52°47′4″N(图1)，面积1 120.7 km2，海波800～1 400 m，属于寒温带大陆性气候，气候变化显著，年均气温-2.4℃，气温最大年较差47.2℃，年平均降水量为300～450 mm，主要集中在7、8月。地表覆盖种类多样，有森林、水体、农田、城市、道路等。其中森林覆盖率达88%，拥有十分丰富的森林资源。主要树种组成为：乔木树种有落叶松(Larixgmelinii)、樟子松(Pinussylvestrisvar.mongolica)、白桦(Betulaplatyphylla)、山杨(Populusdavidiana)、红皮云杉(Piceakoraiensis)、鱼鳞云杉(Piceajezoensis)等。

2 数据与方法

2.1 遥感数据源

本研究获取了两景RADARSAT-2全极化数据以及高分辨率SPOT5数据作为分类的辅助数据。RADARSAT-2是一颗搭载C波段传感器的高分辨率商用雷达卫星，由加拿大太空署与MDA公司合作，于2007年12月14日发射升空。C波段的波长范围是3.75～7.5 cm，当入射波较短的时候，后向散射回波的信息主要来自于树的冠层。RADARSAT-2数据的轨道重复周期是24天，本研究选择了植被生长茂盛的8月和大部分叶子凋落的11月两期具有相同轨道参数的全极化POLSAR数据。具体参数见表1。SPOT-5是由法国国家空间研究中心设计制造的地球观测卫星，于2001年底发射与太阳同步，其中全色波段分辨率最高达2.5 m，多光谱数据分为B1(0.49～0.61 μm)、B2(0.49～0.61 μm)、B3(0.78～0.89 μm)。除了遥感数据外还分别获取了研究区域的森林资源二类清查的小班分布图，用于林分类型的识别及分类结果的精度验证。

表1 遥感数据参数信息

2.2 数据预处理

本文中所涉及的数据预处理主要包括影像的滤波、地形校正、几何校正、多时相SAR数据的配准和全极化SAR数据光学影像的数据配准等。首先对SPOT-5数据进行全色和多光谱数据的融合，得到融合后分辨率为2.5m的影像，并进行大气校正、影像拼接等预处理。

利用ProSARpro软件对数据进行全极化SAR影像进行多视化处理、精制极化Lee滤波[8]、正射校正、两幅影像与SPOT影像进行几何校正和配准。为了结合光学数据和SAR数据，对全极化SAR影像采用最邻近法重采样成2.5 m分辨率。

2.3 分类方法

2.3.1 分类系统制定

依据《土地利用现状分类标准》[9]和《黑龙江省市县林区森林资源二类调查操作细则》，并结合遥感影像和森林资源二类清查数据制定分类系统。研究区域截取盘古林场的一部分，影像中覆盖的林分类型主要有针叶混交林、针阔混交林、白桦林、樟子松林、落叶松林和云杉林。因为实验数据中SPOT为2.5 m高分辨率数据，RADARSAT-2是8 m分辨率的微波数据，认为像元中的地物是单一的，即均是纯像元，所以在林分类型划分中不进行混交林的分类，结合以上考虑将实验区林分类型分类的分类系统指定为白桦林、樟子松林、落叶松林、云杉林和非林地(主要为裸地)五类。

2.3.2 RADARSAT-2分类特征参数提取

许多全极化SAR数据分类方法是基于极化分解理论的[10]，对全极化SAR数据提取目标的散射特性可以反映地物特征，一般有相干极化的目标分解和非相干极化的目标分解。由于自然界存在的目标复杂，要选用非相干目标分解方法进行分解。本研究将RADARSAT数据提取的参数分成3类：第1类由基础数据直接提取的参数协方差矩阵、相干矩阵、特征值；第2类是由不同极化分解理论包括Cloude分解[11]、Krogager分解[12]、Freeman分解[13]、Huynen分解[14]、Holm分解[15]、Yamaguchi分解[16]、VanZyl分解[17]、Barens分解[15]得到的分解参数，例如：比较常用的Cloud-pottier分解方法，通过[T3]相干矩阵得到散射熵H、散射角α以及反熵A等极化参数；第3类的极化特征参数包括雷达植被指数[18]和总功率。每幅RADARSAT-2影像中可以提取出47个特征参数(表2)。

如果采用所有的极化特征参数进行分类，过高的特征参数会造成运算量的加大，而且这些特征参数有很大的自相关性，过多的用于分类会对分类结果产生噪声，甚至有的参数无法对林分类型进行区分，所以要先对这些参数进行剔除。分别对8和11月两幅遥感影像的47个特征参数以及两期数据94个参数与5个林分类别进行相关性分析，并进行相关性检验。选择在置信区间内(置信区间设为99%)有高度相关的参数参与分类。另外，在选择分类参数中为了减小地形对分类结果的影响在参与分类的参数中添加研究区域的DEM数字高程模型作为辅助数据，DEM数据是NASA于2011年10月发布的ASTER GDEM V2数据，分辨率为30 m×30 m(表3)。

表2 RADARSAT-2极化分解提取参数

表3 影像分类参数

注：(8)为8月 RADARSAT-2影像提取的参数；(11)为11月 RADARSAT-2影像提取的参数

Note:(8) is parameters of RADARSAT-2 image; (11) is parameters of RADARSAT-2 image.

2.3.3 基于最大似然法分类

最大似然法是常用的监督分类算法，是建立在贝叶斯准则的基础上的，在两类或多类判决中，用统计方法根据贝叶斯判决准则法建立非线性判别函数集，假定图像中各类分布函数为正态分布，并选择训练区，计算各分类样区的归属概率，而进行分类的一种图像分类方法。在遥感图像分类中，最大似然法的应用十分广泛，这种分类方法同通过对感兴趣区域的统计和计算得到每个类别的方差和均值，确定一个分类函数，然后将待分类图像中的每一个像元代入分类函数中，将函数返回值最大的类别作为被扫描像元的归属类别，从而达到分类的效果。

研究利用最大似然分类方法，采用3种方案对遥感影像进行分类。(1)依据不同林分类型在SPOT影像上的光谱特性不同，单独采用SPOT影像对林分类型进行识别；(2)依据不同林分类型在极化中的散射特性的差别，对全极化SAR数据进行极化分解提取参数并结合SPOT数据参与分类；(3)依据不同林分类型在多时相全极化SAR数据中极化分解参数的不同，结合SPOT数据与多时相全极化SAR分解参数进行分类。

3 结果与分析

3.1 样本分离度

Jeffries-Matusita(J-M)距离分离度[19]是可以检测在不同地物的训练样本ROI的可分离性。J-M距离表明ROI在统计上的分离，数据范围在0～2，当J-M距离值越接近2表明样本的分离性越好，具有可分性[20]。根据森林资源二类清查的小班分布图和高分辨率spot影像，选择不同林分类别特征明显的训练样本，均匀的选取白桦林、樟子松林、落叶松林各200个训练样本，云杉林和非林地五类50个训练样本。并且分布整幅遥感影像。

分别对3种分类方案中每种林分类型与其他3种林分类型之间的J-M距离分离度：白桦林—落叶松林、白桦林—樟子松林、白桦林—云杉林、落叶松林—樟子松林、落叶松林—云杉林、樟子松林—云杉林(图2)。图2可以看出，在结合SPOT与8月RADARSAT影像中白桦林和一些针叶林如落叶松林、樟子松林、云杉林的分离不是很好，由于8月树木生长较为茂盛，结构特征较为相近，针叶林和阔叶林的散射特性较为随机，散射特性也较为相似。而在结合SPOT与11月RADARSAT影像中，阔叶林的叶子基本凋落，剩下特征比较明显的树干，没有了阔叶林的影响，通过比较落叶松林、云杉林、樟子松林的散射特性以及光谱特性可以得到很好的区分，所以SPOT与11月RADARSAT影像的样本的可分离性明显高于8月月份分类后影像。在单独的SPOT光学影像中落叶松林—云杉林和樟子松林—云杉林的分离效果不明显，这也是要加入全极化SAR的一些参数的原因。而多时相影像恰恰结合了8和11月RADARSAT影像的散射特性和光学影像的光谱特征，这使得训练样本在不同林分类型中的可分离性越好。

图2 训练样本Jeffries-Matusita(J-M)距离分离度Fig.2 Jeffries-Matusita(J-M) distance separation of training sample

3.2 分类结果及分析

方案一对SPOT影像分类时，总分类精度为76.66%，Kappa系数为0.70，从分类结果可以看出白桦林和其它针叶林可以很好的区分，但是在与非林地的区分上有一点混淆，因为一些疏林地的白桦林被当作裸地划分为非林地，而樟子松林、云杉林、以及落叶松林在不同程度是上都有混淆。用单独的光谱特性来区分实验区的林分类型是不够准确的，所以要本研究添加了RADARSAT-2影像极化特性，作为光学数据的有益补充。

方案二在结合SPOT与8月RADARSAT影像分类结果中，总分类精度为81.81%，Kappa系数为0.74。当把通过RADARSAT影像分解后的参数加到分类参数中去，林分类型分类的总精度明显有所提高。微波数据更具有穿透力，有效的解决了在SPOT数据中一些疏林地中的白桦和非林地的错分现象，但是相对于3种针叶林的精度提高的较少，因为8月植被生长的较为茂盛，散射特性较为随机、复杂。

在结合SPOT与11月RADARSAT影像分类结果中，总分类精度为82.20%，Kappa系数为0.76。总体分类精度优于8月的分类精度，白桦林的叶子全部掉落，使得影像在落叶松林、樟子松林、云杉林的分辨能力得到提升。但是白桦林与非林地的精度有了小幅度的下降，由于叶子的凋落，使得微波散射分量多来自于树干与地表或树干、地表多次散射，造成白桦林与非林地有一部分混淆。

方案三在结合SPOT与8和11月RADARSAT影像分类结果中，总分类精度为84.65%，Kappa系数为0.79。与单独的SPOT影像、SPOT结合8月RADARSAT影像和11月RADARSAT影像的分类结果相比无论是总精度还是各个类别的精度都有改善，因为多时相的参数结合了不同时相和光学影像的参数特征，并结合了8和11月RADARSAT影像极化特征参数，使得不同时相的参数特征相互弥补，因为与针叶林相比阔叶林的生长周期较短，在不同时间内SAR影像的回波信息是不同的，这对林分类型的识别有很大的帮助。

4 讨论

本文以黑龙江省大兴安岭地区盘古林场为实验区，研究结合主被动遥感及多时相数据在东北地区的林分类型识别，通过分析微波遥感数据和光学遥感数据在不同林分类型中的极化信息和光谱信息以及多时相特征的差别，利用最大似然分类方法对研究区域进行林分类型的识别，以获取研究区域高精度的森林利用信息。

表4 3种方案分类精度

注：PA.生产者精度；UA.用户精度

Note:PA. Producer accuracy; UA. User accuracy

图3 盘古林场林分类型分类结果图 a.为方案一SPOT影像分类图；b.为方案二结合SPOT与8月RADARSAT影像分类图；c.为方案二结合SPOT与11月RADARSAT影像分类图；d.为方案三结合SPOT与多时相RADARSAT影像分类图Fig.3 classification results of Pangu Forest Farm forest types a. Scheme one classification images of SPOT data; b. Scheme two classification images of RADARSAT in August and SPOT; c. Scheme two classification images of RADARSAT in November and SPOT; d. Scheme three classification images of SPOT and multi-temporal RADARSAT

研究通过提取分析不同时相8和11月的极化分解参数，并结合SPOT5光学遥感数据，利用最大似然分类方法分别对SPOT影像，SPOT5结合8月RADARSAT影像、SPOT5结合11月RADARSAT影像、SPOT5结合多时相RADARSAT影像分别进行林分类型的识别，以获得更高的分类精度。在利用SPOT5影像分类时由于只利用了光学影像中的光谱信息，对于林分类型中光谱特征较为相近的针叶林识别出现了混淆现象，分类精度为76.66%。而加入了全极化SAR数据后分类精度提高到81.814%。进一步引入多时相RADARSAT影像，增加了不同时间下的极化特征，这些极化特征相互补充，弥补各自的不足，提高了总体的分类精度，多时相的分类精度为84.6482%。

虽然本研究是将不同时相的多源遥感数据应用于大兴安岭地区林分类型的识别中，虽然得到了一些初步的结论，但是仍有许多问题要在未来研究中改进。主要有：由于林地的复杂性为提取类型特征带来了一定困难，对于全极化SAR数据提取林地的特征，还可以进行提取尝试分析其纹理信息，加入分类参数中。本文在特征选取时进行了相关性分析来剔除冗余特征，在后续的研究中可以利用其他的特征选择方法选取参数参与分类，来更高效精确的对研究区域进行林分类型信息的识别。另外本研究尚未涉及对RADARSAT影像的干涉相干信息的提取，在以后的研究中可以结合干涉信息的提取对提高识别林分类型信息的识别进行更深层次的研究。

1.寇文正,肖燕,张瑞玺.应用遥感技术进行森林资源监测方法的研究[J].环境遥感,1990,5(2):102-109.

Kou Wenzheng,Xiao Yan,Zhang Reixi.The Study of Methodology of Forest Resources Monitoring on the Base of Remote sensing Technique[J].Remote sensing of Environment,1990,5(2):102-109.

2.王立海,赵正勇.基于BP神经网络的针阔混交林TM遥感图像自动分类技术研究[J].林业科学,2005,41(6):95-100.

Wang Lihai.Zhao Zhengyong.Automatically Classifying and Identifying the TM Remote Sensing Images of Forest Mixed with Conifer and Broadleaves Using Improved BP ANN[J].Scientia Silvae Sinicae,2005,41(6):95-100.

3.孙华.SPOT5在森林资源调查中的应用研究[D].长沙:中南林业科技大学,2006.

Sun Hua.The Research of Spot5 Application in Forest Inventory[D].Changsha:Central South University of forestry and technology,2006.

4.Rahman M M,Sumantyo J T S.Mapping tropical forest cover and deforestation using synthetic aperture radar(SAR) images[J].Applied Geomatics,2010,2(3):113-121.

5.Touzi R,Landry R,Charbonneau F J.Forest type discrimination using calibrated C-band polarimetric SAR data[J].Canadian Journal of Remote Sensing,2004,30(3):543-551.

6.Kasapoglu N G,Anfinsen S N,Eltoft T.Fusion of optical and multifrequency polsar data for forest classification[J].IEEE International Geoscience & Remote Sensing,2012,53(60):3355-3358.

7.G Vaglio Laurin,F Del Frate,Pasolli L,et al.Discrimination of vegetation types in alpine sites with ALOS PALSAR-,RADARSAT-2-,and lidar-derived information[J].International Journal of Remote Sensing,2013,34(19):6898-6913.

8.Cloude S R,Pottier E.A review of target decomposition theorems in radar polarimetry[J].Geoscience & Remote Sensing IEEE Transactions on,1996,34(2):498-518.

9.CGTZY Bu,CGTZY Bu.Ministry of Land and Resources,P.R.C[EB/OL].2007.

10.Maghsoudi Y,Collins M,Leckie D G.Polarimetric classification of Boreal forest using nonparametric feature selection and multiple classifiers[J].International Journal of Applied Earth Observa,2012,19(10):139-150.

11.Cloude S R,Pottier E.An entropy based classification scheme for land application of polarimetric SAR[J].IEEE Transactions on Geoscience & Remote Sensing,1997,35(1):68-78.

12.Krogager E.Properties of the Sphere,Diplane,Helix(target scattering matrix) decomposition[M].Proc.of JIPR-3,Mar,1995.

13.Freeman A,Durden S L.A three-component scattering model for polarimetric SAR data[J].Geoscience & Remote Sensing IEEE Transactions on,1998,36(3):963-973.

14.Richard Huynen J.Phenomenological theory of radar targets[M].Electromagnetic Scattering,1978:653-712.

15.Holm,William A,Barnes R M.On radar polarization mixed target state decomposition techniques[J].Radar Conference,1988:249-254.

16.Yamaguchi Y,Yajima Y,Yamada H.A four-component decomposition of POLSAR images based on the coherency matrix [J].IEEE.Geoscience and Remote Sensing Letters,2006,3(3):292-296.

17.Evans D L,Farr T G,et al.Radar polarimetry:analysis tools and applications[J].Geoscience & Remote Sensing IEEE Transactions on,1988,26(6):774-789.

18.Ling F,Li Z,Chen E,et al.Comparison Of Alos Palsar Rvi And Landsat Tm Ndvi For Forest Area Mapping[J].Asian-pacific Conference on Synthetic Aperture Radar,2009:132-135.

19.Richards J A,Jia X.Remote Sensing Digital Image Analysis:An Introduction,3rd ed.ed.; Springer-Verlag:Berlin,Germany[M].//New York:NY,USA,1999.

20.马娜,胡云锋.基于最佳波段指数和J-M距离可分性的高光谱数据最佳波段组合选取研究[J].遥感技术与应用,2010,25(3):358-365.

Ma Na,Hu Yunfeng.Determination on the Optimum Band Combination of HJ-1A Hyperspectral Data in the Case Region of Dongguan Based on Optimum Index Factor and J-M Distance[J].Remote Sensing Technology And Application,2010,25(3):358-365

National Natural Science Foundation of China(NSFC)(31470640,31500518,31500519)

introduction：LI Ming-Ze(1978—),doctor,associate professor,forestry remote sensing and GIS.

date:2016-03-10

ForestTypeClassificationBasedonMulti-temporalSARandSPOTRemoteSensingDatainPanguForestFarm

LI Ming-Ze FU Yu YU Ying*FAN Wen-Yi

(Northeast Forestry University,Harbin 150040)

Information extraction of forest type is difficult in remote sensing image classification. Daxing’an Mountains is an important forestry area in China mainly covered with natural forests, rich with a wide range of plants resources, which makes it difficult to accurately identify the forest types in this region. In order to compare and improve the accuracy of classification result, taking Pangu Forest Farm in Daxing’an Mountains as the study area, we proposed three methods to classify forest types by the maximum likelihood method combining with SPOT-5 and two different temporal RADARSAT-2 fully polarimetric SAR remote sensing data. We designed three schemes to classify the forest types and compared the accuracy. In the three schemes, SPOT image was only used to distinguish forest types, some descriptive parameters extracted from SAR polarimetry(POLSAR) images and the SPOT data were used for classification, and the integration of parameters extracted from multi-temporal of full polarimetric SAR(PolSAR) images with SPOT data was used for classification. The most effective method to identify white birch, larch, Pinus sylvestris and spruce among three proposed schemes was the third using multi-temporal SAR and SPOT remote sensing image. The classification accuracy and the Kappa coefficient were 84.64% and 0.79, respectively. However, the accuracy of forest type classification by using SPOT data individually was the lowest of 76.66% with the Kappa coefficient of 0.70.

forest type classification;multi-temporal;multi-sources Remote Sensing information;polarization decomposition

国家自然科学基金项目(31470640,31500518,31500519)

李明泽(1978—)，男，博士，副教授，主要从事林业遥感及地理信息系统的研究。

* 通信作者：E-mail:yuying4458@163.com

2016-03-10

* Corresponding author：E-mail:yuying4458@163.com

S771.8

A

10.7525/j.issn.1673-5102.2016.04.018