基于高光谱遥感图像的树种（树种组）分类

王志辉 张乐 徐惠军 刘天阳 鲍永新



基于高光谱遥感图像的树种（树种组）分类

王志辉 张乐 徐惠军 刘天阳 鲍永新

（浙江远卓科技有限公司 浙江杭州 310012）

高光谱遥感图像各波段间存在着高相关性和高冗余度，在处理方面上具有一定的困难。使用光谱一阶、二阶微分法对高光谱遥感图像进行处理，增强像元亮度值的差异，选择树种特征差异性较大的特征波段进行组合降维，再利用野外实地调查的样地作为分类训练样本进行分类，然后用位置精度评价对原始影像及光谱一阶、二阶分类结果进行精度评价及分析比较。结果表明，光谱一阶、二阶微分法所选取的波段总体分类精度与Kappa系数都比原始图像分类结果高，其总体分类精度分别为90.20%与91.30%，Kappa系数分别为0.85与0.86；而原始图像分类的总体分类精度与Kappa系数分别为80.20%与0.78。由此可知，光谱一阶、二阶微分法所选取的波段对毛竹、雷竹、杂竹、杉木、马尾松、常绿阔叶树和落叶阔叶树等7个树种（树种组）区分较为有效。

高光谱遥感图像；像元亮度值；光谱一阶、二阶微分；树种（树种组）分类

森林作为地球上可再生自然资源及陆地生态系统的主体，它为人类的生存和发展提供了丰富的物质资源，在维持生态过程和生态平衡中发挥着重要的作用。正确地识别森林树种是利用和保护森林资源的基础和依据。

现行的树种识别方法主要是依靠一些成本高、费时、费力的野外调查方法（主要是根据树种的形态学角度来划分，如茎、叶、花、果、种子的外部形态等特征来识别和鉴定树木的种类）或利用大比例尺的航片来进行判读（比例尺超过1:10000）。王璐、范文义等通过对影像数据进行一阶微分变换、对数变换、对数变换后的导数变换、二阶微分变换、三阶微分变换以后，分别对原始数据和5种变换后数据进行MNF（最小噪声分离变换）变换，后用SVM（支持向量机）分类器分别对6种数据监督分类，都获得了良好的分类精度，总平均精度为90.5%[1]。刘怀鹏等利用WorldView-2数据，利用递归特征消除降低数据维数，结合基于纹理结合光谱信息，采用最大似然分类和支持向量机方法，成功识别出垂柳、国槐、油松、新疆杨、圆柏、白杵等呼和浩特市主城区7种绿化树种，最大似然分类法总体精度为86.39%，Kappa系数为0.8410，支持向量机分类法的总体精度为83.59%，Kappa系数为0.8082[2-3]。王妮等利用Quickbird数据，利用主成分分析法对数据进行去相关分析，然后探讨不同移动窗口大小对纹理特征的影响，并采用最大似然分类方法，对中山陵园风景区内的杂阔、国外松、黑松、栎类、枫香、马尾松等主要树种进行了识别，其中纹理提取窗口19×19下精度最高，达到66.32%，Kappa系数为0.58[4]。周利鹏、马金辉等利用HYPERION高光谱影像，采用基于纯净像元指数（PPI）的端元提取方法，提取了6类端元，用波谱特征拟合方法（SFF）、波谱角分类（SAM）方法和二进制编码方法（BE）识别出核桃、矮灌木、橡树、刺柏、冷杉和灌木蒿[5]。Petropoulos 等分别采用支持向量机和基于对象的分类方法，对Hyperion高光谱影像进行土地覆盖类型分类，虽2种分类效果均较好，但基于对象的分类方法精度更高[6]。刘丽娟等利用机载LiDAR和高光谱数据融合对北方复杂森林树种进行识别时，发现融合数据树种分类精度高于仅高光谱数据的精度，总体精度达到83.88%，Kappa系数为0.8[7]。CAO等研究利用全波形激光雷达数据对亚热带森林树种分类，结果表明，6 类树种的总体分类精度为68.60%，4类树种为75.80%，而针叶林和阔叶林2类为86.20%[8]。ALONZO等将高分辨率高光谱图像与LiDAR数据融合，在基于冠层尺度上对美国某些地区常见的29类树种进行分类，结果表明，融合LiDAR数据后，分类精度提高了4.2个百分点[9]。吕杰、郝宁燕等构建支持向量机分类模型和随机森林分类模型，对黑龙江凉水自然保护区森林优势树种进行分类，结果表明，基于随机森林模型的分类结果总精度和Kappa系数分别为81.01%和0.76，较支持向量机分类方法有明显提高[10]。然而，高光谱遥感图像各波段间存在着高相关性和高冗余度，通过选择所需的波段来降维不会对结果有太大的影响，但会大大地降低计算量，从信息处理实效性角度来看，通过选择波段来降低数据维数有很大的现实意义。

本研究首先使用光谱一阶、二阶微分法对有林地高光谱遥感图像数据进行处理，增强像元亮度值的差异，选择差异性较大的特征波段进行组合降维，再使用监督分类中的最大似然法对所选取的波段组合图像进行分类，采用野外实地调查的样地（分类的树种及树种组样地）作为分类训练样本，对毛竹、雷竹、杂竹、杉木、马尾松、常绿阔叶树和落叶阔叶树等7个树种（树种组）分类，并对其分类结果进行精度评价及分析比较。

1 数据与方法

1.1 研究区概况及数据处理

研究试验地位于临安市高虹镇、杭州市余杭区百丈镇和鸬鸟镇、安吉县山川乡和天荒坪镇交界处。

Hyperion 影像是世界上第一个民用的全波谱范围连续成像的星载高光谱影像数据源，在356～2577nm范围内共有242个波段，波段宽度约为10nm，空间分辨率为30m。在分类之前，对研究区Hyperion遥感图像进行了预处理，首先从原始图像242个波段中筛选出不包含坏波段且信息量相对较多的126个波段，而后对它进行辐射校正和大气校正等预处理，经过预处理后的高光谱遥感图像见图1。

由于本研究试验区森林覆盖率较高，非林地所占比例虽小，但对树种的分类却有较大影响。另外，有林地与非林地之间的像元亮度值差异也较大，故本研究首先使用基于变换的主成分分析法对原始高光谱遥感图像降维，后利用传统的监督分类方法从原始分类图像中把居民点、农地和水体等非林地去除，即得到有林地高光谱遥感图像数据，图中白色部分是去除的非林地区域，详见图2。

1.2 分类训练样本获取

本研究根据森林树种的实际情况，将需分类的树种确定为毛竹、雷竹、杂竹、杉木、马尾松、常绿阔叶树和落叶阔叶树等7个树种（树种组）。每个树种（树种组）选择30个以上样地，共计260个样地，每个样地调查面积均大于5000平方米，即遥感图为5个像元以上。野外实地调查时，使用手持GPS沿着每个样地走一圈得到样地范围与位置。利用ArcGIS软件对调查的样地进行投影定义、转换等处理，与遥感图像坐标匹配，以便用作分类训练样本及像元亮度值提取。

1.3 像元亮度值提取

根据野外实地调查的样地位置，利用ERDAS IMAGINE软件从有林地高光谱遥感图像（如图2）中提取毛竹、雷竹、杂竹、杉木、马尾松、常绿阔叶树和落叶阔叶树等7个树种（树种组）的像元亮度值，提取的像元亮度值数量最多的是毛竹、有6569个，最少的是雷竹、有4086个。将每个树种（树种组）的像元亮度值进行平均，即得到每个树种（树种组）的像元亮度值，见图3。

图1 研究区示意图

图2 有林地示意图

1.4 方法

光谱一阶、二阶微分是常用的光谱处理方法[11]。一方面，它能够有效地消除光谱数据之间的系统误差、消弱大气辐射、散射和吸收等背景噪声对目标光谱的影响；另一方面，光谱微分可以增强光谱曲线在坡度上的细微变化[12]，分辨重叠光谱，便于提取可识别地物的光谱吸收峰参数[13]。光谱一阶、二阶微分的计算公式分别为式（1）和式（2）：

2 结果与分析

2.1 原始图像像元亮度值

图3显示了树种（树种组）像元亮度值曲线。从图中可看出，树种（树种组）像元亮度值曲线形状具有相似性，但在一些波段里也存在着差别，而这些差别正反映不同树种的特征。从中选择差异比较显著的波段，分别为32、36、42、46、59、70、77、93、107、120波段，共计10个（图中柱形状标识表明所选取的差异波段，下文相同，不再叙述）。

图3 树种（树种组）原始图像像元亮度值曲线图

2.2 一阶微分像元亮度值

树种（树种组）一阶微分像元亮度值曲线如图4所示，选择差异比较明显的波段，共计6个波段，分别为24、45、46、59、76、106波段。从图中可以看出，一阶微分像元亮度值曲线有4个差异比较大的波段，分别为24、59、76、106波段，其他45、46等2个波段差异稍微较小。由此可知，这些波段都可用于树种（树种组）的分类。

图4 树种（树种组）一阶微分像元亮度值曲线图

2.3 二阶微分像元亮度值

图5是树种（树种组）二阶微分像元亮度值曲线，差异较大的波段都位于曲线的波峰或波谷。从图中可见，树种（树种组）二阶微分像元亮度值的差异比一阶微分像元亮度值的差异更加明显。共有8个波段差异比较明显，分别为23、45、58、59、75、76、105、106波段，差异较大的是58、59、75、76、105、106波段，较小的是23、45波段。从上面分析比较可知，这些波段都可用来对树种（树种组）进行分类。

图5 树种（树种组）二阶微分像元亮度值曲线图

3 树种（树种组）分类

根据以上原始图像像元亮度值、一阶微分像元亮度值和二阶微分像元亮度值所选取的差异性波段进行波段组合，再使用监督分类中的最大似然法对所选取的波段组合图像进行分类，分类训练样本采用野外实地调查的训练样本。由于分类结果比较零碎，故本文采用图像的邻域分析技术，设置3×3窗口的领域范围（聚类统计领域大小为8）和多数值分析函数计算领域中心像元的值，从而得到斑块较整齐的分类专题图，分类结果分别见图6、图7与图8。

图6 原始图像分类图

图7 一价微分分类图

图8 二价微分分类图

4 分类结果精度评价及分析比较

为检验一阶、二阶微分法的分类效果，本文使用位置精度评价对其分类结果图与原始图像的分类结果图进行了精度评价及分析比较，其总体分类精度与Kappa系数如表1所示。从表1可知，一阶、二阶微分法所选取的波段总体分类精度与Kappa系数都比原始图像分类结果高，其总体分类精度分别为90.20%与91.30%，Kappa系数分别为0.85与0.86；而原始图像分类的总体分类精度与Kappa系数分别为80.20%与0.78。由此可知，一阶、二阶微分法所选取的波段都能有效地把毛竹、雷竹、杂竹、杉木、马尾松、常绿阔叶树和落叶阔叶树等7个树种（树种组）区分出来。

表1 三种波段选择法分类图的总体分类精度与Kappa系数

5 结论与讨论

5.1 结论

本文使用传统监督分类中的最大似然法对原始光谱、光谱一阶微分法、光谱二阶微分法所选取的波段组合图进行分类，从分类的结果来看，光谱一阶微分法总体分类精度与Kappa系数分别为90.20%和0.85；光谱二阶微分法总体分类精度与Kappa系数分别为91.30%和0.86；而原始图像总体分类精度为80.20%，Kappa系数为0.78。结果表明，光谱一阶、二阶微分法的总体分类精度与Kappa系数都比原始图像高，由此可知，光谱一阶、二阶微分法对毛竹、雷竹、杂竹、杉木、马尾松、常绿阔叶树和落叶阔叶树等7个树种（树种组）的区分出来比较有效。

5.2 讨论

与多光谱遥感图像相比，高光谱遥感图像的突出特点是光谱分辨率的提高，使得许多原先利用多光谱遥感信息不能解决的问题，现在利用高光谱数据可以得到解决。但高光谱遥感图像的维数高，数据冗余带来处理上的困难，当样本不是很多的情况下，用很多特征进行分类器设计，无论是计算的复杂程度还是分类器的性能来看都是不适宜的。因此，有必要在分类前，在不损失有用信息的前提下提取有效信息进行降维再分类。

高光谱遥感图像特征提取和分类是图像处理领域中一个实际存在且具有挑战性的问题，它涉及的知识面宽且涵盖内容丰富。本文的研究结果将为利用高光谱遥感图像数据进行特征提取和降维及分类提供理论支撑与参考，也可应用于林业调查、林地变更调查、各类树种（树种组）分类等工作。

[1] 王璐,范文义.基于高光谱遥感数据的森林优势树种组识别[J].东北林业大报,2015,43（5）: 134-137.

[2] 刘怀鹏,安慧君,王冰,等.基于递归纹理特征消除的WorldView-2树种分类[J].北京林业大学学报,2015, 37（8）:53-59.

[3] 刘怀鹏.基于WorldView-Ⅱ数据的呼和浩特市绿化树种分类研究[D].内蒙古农业大学,2013.

[4] 王妮,彭世揆,李明诗.基于树种分类的高分辨率遥感数据纹理特征分析[J].浙江农林大学学报,2012, 29（2）:210-217.

[5] 周利鹏,马金辉.基于高光谱影像的舟曲曲瓦沟树种识别[J].安徽农业科学,2014,42（16）: 5298—5301+5323.

[6] Petropoulos G P, Kalaitzidis C, Vadrevu K P. Support vector machines and object-based classification for obtaining land-use/cover cartography from Hyperion hyperspectral imagery[J].Computers and Geosciences,2012, 41: 99-107.

[7] 刘丽娟,庞勇,范文义,等.机载LiDAR和高光谱融合实现温带天然林树种识别[J].遥感学报,2013,17（3）:679 - 695.

[8] CAO Lin, COOPS N C, INNES J L, et al. Tree species classification in subtropical forests using small-footprint full-waveform LiDAR data[J].Int J Appl Earth Obs,2016, 49: 39 - 51.

[9] ALONZO M, BOOKHAGEN B, ROBERTS D A. Urban tree species mapping using hyperspectral and lidar data fusion[J].Remote Sens Environ,2014,148:70-83.

[10]吕杰,郝宁燕,李崇贵，等.利用随机森林和纹理特征的森林类型识别[J]. 遥感信息, 2017,32（6）: 109 - 114.

[11]LI Ming-zhou（李明州）. Technologies and Applications of Spectral Analysis（光谱分析技术和应用）. Beijing: Science Press（北京:科学出版社）, 2006. 122, 163.

[12]TONG Qing-xi, ZHANG Bing, ZHENG Lan-fen（童庆禧,张兵,郑兰芬）. Hyperspectral Remote Sensing─Principle, Technology and Application（高光谱遥感─原理,技术与应用）. Beijing: Higher Education Press（北京:高等教育出版社）, 2006. 158.

[13] Salehia B, Zoej M J V. Remote Sens. Environ., 2002, 36: 332.

Classification of tree species or tree groups based on hyperspectral remote sensing images

Wang Zhihui，ZhangLe，XuHuijun，LiuTianyang，BaoYongxin

（）

There are high correlation and high redundancy between each band of hyperspectral remote sensing images, which is difficult to deal with. This article uses the spectra of the first order and second order differential method to the hyperspectral remote sensing image pixels, brightness values, enhance the pixels, differences in brightness values, choose bigger differences between the characteristics of the band for dimension reduction, then using the field investigation of sample area classified as classification the training sample, location accuracy evaluation is used after the original classification figure and spectral classification figure for the first order and second order accuracy evaluation and comparative analysis. The results showed that the spectra of the first order and second order differential method selected band overall classification accuracy and Kappa coefficient is higher than the original image classification results, the total classification accuracy are 90.20% and 91.30% respectively, Kappa coefficient of 0.85 and 0.86 respectively; The overall classification accuracy and Kappa coefficient of original image classification were 80.20% and 0.78 respectively. Accordingly, the spectra of the first order and second order differential method selected wavelengths can effectively put the bamboo, LeiZhu, miscellaneous bamboo, fir, pinus massoniana, evergreen broadleaf and deciduous hardwood such as 7 distinguish forest tree species or tree species groups.

Hyperspectral remote sensing images; Pixel brightness value; First order and second order differentiation of spectrum; Classification of tree species or tree groups

TP75

A

1004-7743（2019）02-0061-06

2019-02-25