基于多元遥感影像的森林资源管理方法

李随贵

(甘肃省国营漳县木寨岭林场，甘肃 漳县 748300)

1 引言

森林资源管理是一种具有组织性的活动，以森林资源作为活动目标，主要活动任务是对森林资源检查、保护、利用等[1]。林木等森林环境作为林业生产活动进行的基础，森林资源的状况必须得到及时监测。因为森林资源消长的动态变化受人为因素影响较大，所以一套科学的管理体系可以有效加强对森林资源的监督[2]。在森林资源管理中一项主要内容就是对森林资源调查、规划与设计，通过数据统计制定森林经营方案，实现森林资源合理管理。在管理过程中，需要以森林资源信息作为管理方案制定的基础。遥感技术开始逐渐推广应用，并且在科技不断发展后，开始通过光学、热红外和微波等不同方式获取遥感影像信息，也就是多元遥感影像。利用多元遥感影像获取的森林资源信息具有互补性、合作性，以及冗余性的特点，相比其他的遥感影像获取方法得到的判断结果更加可靠[3]。文中基于多元遥感影像，设计了森林资源管理方法，希望可以提升森林资源管理效果。

2 森林资源管理方法设计

2.1 基于多元遥感影像获取森林资源信息

森林资源的多元遥感数据获取是通过民用卫星为载体，采用星载传感器使用不同方式得到相关森林资源多元图像[4]。然后针对获取的原始多光谱、全色影像进行预处理，如图1所示。

经过处理后的多元遥感影像需要进行影像融合。所谓的影像融合指的是将多元传感器收集的影像信息进行处理，将同一目标所有的影像数据综合成为高分辨率的影像[5]。为后续的影像分割精度提升打下基础，有利于增强最终的森林资源管理效果。文中设计应用Pansharp方法实现影像融合，利用最小二乘逼近法将遥感影像中的信息和细纹进行了良好保存。由于该方法没有受到波段数的约束，因此成为目前普遍认可遥感影像融合的算法[6]。最终将多元遥感影像汇总，可形成较为精准的森林资源信息。

2.2 完成森林遥感影像分割

针对预处理完成的森林资源遥感影像，首先进行各向异性扩散滤波帮助影像完成图像平滑处理。采用各向异性扩散滤波算法，实际上就是在同质区域内完成最大限度的分布，从而抑制边缘区域分布，这个过程应用了非线性各向异性扩散方程，如下所示。

(1)

式(1)中，μ0表示原始遥感影像，x,y分别表示图像中数值，t作为一个变量存在，是时间和迭代次数的代表，所以μ(x,y,t)表示平滑处理后的影像。Δμ和div分别表示梯度算子和散度算子，λ是运行时的扩散速率。此外，c作为一个扩散系数存在，其表达式为：

c(x,y,t)=g(||Δμ(x,y,t)||)

(2)

完成滤波处理后，通过分割尺度的选择实现影像分割。通常情况下，不同的森林资源类别适宜于信息提取的最优分割尺度也是有差异的。最优分割尺度考量是以遥感影像光谱特征和形状特征为依据，最优分割尺度如图2所示。

图2 最优分割尺度示意

依据图2所示的最优分割尺度，采用Mean shift算法，以高斯核函数作为均值漂移的核函数，编写分割软件。该软件通过MATLAB接口的应用完成森林遥感影像分割。

2.3 提取影像中森林资源特征

通过森林资源的遥感影像分割降低了每个地形分区分类管理难度，但是这种方式针对平原区、山地丘陵区这种大类别的划分起到作用，无法将森林资源详细管理，因此，本文设计将分层提取方法应用在森林资源管理中。针对现有的分层提取方法做出了拓展，明确分层提取在地物较复杂的区域产生的重要作用，实现森林资源全面、多层次的分析。依据不同的规则完成森林资源中不同类别的地物目标综合识别管理。影像中森林资源特征的提取需要从光谱特征、纹理特征、专题指数特征几方面进行分析。以光谱特征为例，为了更好地区分森林资源类别，通过地物波段比率特征曲线进行特征提取，不同森林资源的特征曲线如图3所示。

图3 地物波段比率特征曲线

文中采用地形分区、分层提取结合的方式，依托于光谱特征将易于分辨的森林资源从影像中提取出来。在实际应用中，首先对不同季相多光谱遥感数据进行分析，针对影像中各波段光谱反射率指标值的离散程度选取相关信息。分析不同森林资源光谱特征，并依据光谱特征结果，以分层提取模型完成森林植被特征的提取。最后，通过纹理特征进一步提取森林植被类别特征信息。

2.4 实现森林资源管理

面对提取特征后的遥感影像，通过分类规则的制定，实现森林资源有效管理。森林资源管理工作的实现，主要通过以下几个部分：第一，依据地形分区和已有数据进行森林资源的预划分。在森林资源预划分的过程中可以依据地貌区域类型，获取遥感影像的最优分割尺度。第二，针对多元遥感影像的特征离散性，由于获取时相的差异会造成影像特征之间的离散性差别较大。所以，需要筛选适合森林资源管理的影像信息。第三，面向森林资源内部情况，由于森林资源通过多种地物类型构成的，依据多元遥感影像进行森林资源管理时无法产生良好的管理效果。因此，在实际应用前需要进行多元影像的融合以及分类预实验。第四，针对不同类型的森林资源影像样本获取过程进行分析，将不同样本属性、特征进行统计，采用CART决策树算法构建多种森林资源管理规则，最终依据管理规则集实现森林资源管理。

3 实验分析

3.1 实验准备

为了验证文中设计的管理方法在实际应用中具有良好的效果，特进行了实验。实验选取某一处森林区域作为实验地点。文中设计的基于多元遥感影像的森林资源管理方法的应用效果，以森林植被的分类精度作为评价标准。精度验证方法是通过将该森林区域内地物样本在实际类别，和通过管理方法得出的分类结果进行比较得出的数据。文中选取用户精度(UA)作为评判指标，指某一类别正确分类个数占该类别的分类总数的比率，其计算公式为：

(3)

式(3)中，分类项目正确分类数量用xij来表示，该类别的分类总数用xi+来表示。

3.2 实验结果分析

为了保证实验结果的说服力，选择两种传统森林资源管理方法在同样条件下进行森林资源分类管理。选取阔叶林、针叶林、灌木林、耕地、水体、裸地六种类别的森林资源作为研究对象，三种森林资源管理方法的资源分类精度验证结果如表1所示。

表1 三种管理方法的森林资源管理精度 %

根据表1可以发现针对不同的森林资源类别，分类结果有所差别。其中识别精度最高的是水体，三种方法分类都达到了100% 用户精度，相对而言最难以识别的是耕地资源。但是，文中设计的管理方法无论在任何类别资源的分类上都呈现出更高的精度。通过计算可以得出文中管理方法的森林资源平均分类精度达到了82.77%，而两种传统管理方法分别为77.05%、74.84%。因此，文中设计的森林资源管理方法在实际应用中展现了更加优秀的管理效果。

4 结语

本文以森林资源管理方法设计为重点内容，通过多元遥感影像方式的应用，实现森林资源更加精确分类，完成了森林资源有效管理。文中设计的方法虽然具有良好的管理效果，但是经过未来的进一步研究，将会设计出更全面的管理方法。