GF-2影像多特征组合的毛竹林信息精细提取

郭孝玉 ，康 继 ，刘 健

（1.福建省资源环境监测与可持续经营利用重点实验室，福建 三明 365104；2.竹资源开发利用福建省高校重点实验室，福建 三明 365104；3.三明学院 资源与化工学院，福建 三明 365104）

毛竹（Phyllostachys pubescens）是我国重要的森林资源，具有生长快、经济价值高等特点，主要分布于南方山区和丘陵地带[1-2]。传统竹资源调查监测周期长、耗费的人力物力较大，调查成果精度有限，无法快速地完成大面积资源清查和监测[3-4]。卫星遥感图像尤其是高空间分辨率影像(0.2～2 m)对竹林信息的精细提取有重要应用价值。随着我国高分二号(GF-2)卫星数据的应用，我国遥感卫星已进入亚米级高分辨率时代，并已成功应用于龙竹叶面积指数的遥感估测[2]和其它森林信息的提取[1-2]。遥感影像的空间分辨率提高后，混合像元的比例显著降低，地物的纹理、形态大小等细节信息更清晰，综合光谱与纹理特征能有效地解决遥感识别中“异物同谱”“同物异谱”等问题[5-6]，能够更精确提取森林类型的边界，为自然资源的精细监测提供高效服务支撑[3]。但由于高空间分辨率图像中光谱分辨率的限制，影像中地物光谱特征随季节变化有较大差异，基于单一时相的毛竹林信息提取技术应用于不同季相就可能导致严重的树种类型错分。多时相遥感数据蕴含植物物候信息，已有研究表明增加物候特征有利于竹林与其他森林间的分类识别[7]。目前，对高空分辨率图像的已有研究中未考虑物候特征在毛竹林信息的提取应用，因此构建一种毛竹叶物候光谱特征，融合光谱、纹理、物候等特征，体现叶物候光谱的毛竹林信息提取技术具有重要意义。

竹林遥感信息提取方法已有很多种，主要有目视解译法和面向像元的图像分类法。目视解译方法要求有丰富的专业经验和充足的野外实地调查资料，效率低、容易产生误判[8]。面向像元的计算机分类法的应用研究较多：早期有监督分类与非监督分类，监督分类常用的有马氏距离、最大似然法（maximum likehood estimator，简称MLE）、神经网络法等[3,9]，非监督分类一般采取 K-Mean和 ISODATA等方法[9-10]。随着计算机技术的发展，融合光谱、地形因子、纹理等多特征应用于植被遥感分类中，发展了支持向量机（support vector machine，SVM）、随机森林（random forests，RF）等机器学习算法的分类处理方法[10-13]。本研究基于国产GF-2数据，以广泛分布于福建永安地区的毛竹林为对象，构建一种体现毛竹林信息的叶物候特征（leaf phenology characteristic，LPC），融合光谱、纹理和物候等多特征，分析比较引入叶物候特征对毛竹林分类精度的影响，比较确定毛竹林信息精细提取的最佳方法，以期为中亚热带植被分类遥感中毛竹林空间分布信息的调查与监测提供参考。

1 实验数据与研究方法

1.1 研究地区与数据采集

选取永安天宝岩自然保护区作为研究区域 （N117°28′3"-117°35′28"，E25°50′51"-26°1′20"），结合近期的森林资源二类调查成果，对毛竹林分布状况进行调查和监测。毛竹林有大小年现象，毛竹竹叶从3月初到8月的生长呈现有规律变化，毛竹的3～4月为换叶出笋期、5～6月为新老竹展叶期，7～9月是新老竹的绿叶期，毛竹林叶面积发生明显变化，叶物候现象与中亚热带山地其它森林间有明显差异，竹林的光谱特征也会产生有规律的响应。以竹林展叶前后两个关键物候期的高分二号多光谱影像为基础（2018年4月19日和2018年10月28日），包括3景分辨率1 m的全色影像数据和3景分辨率 4 m的多光谱影像数据，数据投影坐标系为 WGS_1984_UTM_Zone_50N，地理坐标系为GCS_WGS_1984。2019、2020年分别于7-11月对研究区内的主要植被类型进行野外调查，共调查260个样区，分别设置67块毛竹林、61块马尾松林、64块阔叶林、68块杉木林，这4种植被类型分别获取4 139、36 541、5 027、1 902个像素样本。结合0.54 m高空间分辨率的遥感影像，道路、建筑、水体、裸地典型样区调查分别获取496、1 004、2 618、933个像素样本。采用高精度北斗手持GPS定位仪采集不同地物类型采样点的经纬度坐标和地面高程信息。

1.2 特征选择方法

数据处理与特征选择研究工作的方法包含3个步骤。

（1）高分二号影像预处理，使用ENVI 5.3版本软件 （exelis visual information solutions，INC.;2015）对影像进行预处理，包含辐射定标、FLAASH大气校正、结合有理多项式系数（RPC）文件对影像进行正射校正，使用NN Diffuse Pan Sharpening算法对全色和多光谱影像进行融合，使用坏点修复工具对影像进行修复，最后通过镶嵌和裁剪得到研究区的数据。

（2）光谱和纹理特征提取与比较选择，基于第一步骤基础上再应用ENVI5.3软件的Band Math工具进行光谱、纹理等特征提取。首先提取9个光谱特征参数，包含4个原始波段，5个植被指数为归一化植被指数(NDVI)、比值植被指数(SR)、增强植被指数（EVI）、大气阻抗植被指数（ARVI）、宽动态范围植被指数(WDRVI)，采用方差分析与多重均值比较（least-significant difference，LSD）检验法选择毛竹林与其它森林类型均有显著差异的光谱特征。其次，使用灰度共生矩阵方法提取影像的纹理特征。对预处理后的影像进行主成分变换，提取4月份和10月份的第一主成分，再以第一主成分提取其纹理特征。为了较好反映粗细纹理特征，步长取1，经过多次窗口大小设置与J-M（jeffries-matusita）距离法[14]比较并确定最佳窗口大小为21×21，选择灰度共生矩阵(GLCM)常用的均值、信息熵、方差等8个空间统计纹理特征[3]，采用方差分析与LSD均值比较法确定毛竹林与其它森林类型间有显著差异的纹理特征，通过优选确定参与影像分类的纹理特征。

（3）基于第二步基础上比较选择的光谱特征构建毛竹林叶物候特征指数。比较选择4月与10月光谱特征中可分离的较好的NDVI与ARVI作为基础数据，构建10月与4月NDVI、ARVI两期影像的差值叶物候特征（DLPC_NDVI、DLPC_ARVI）和乘积叶物候特征（PLPC_NDVI、PLPC_ARVI），通过LSD多重检验，筛选毛竹林与阔叶林、杉木林、马尾松林有显著差异的叶物候特征。

1.3 影像分类方法

构建优选的 “光谱+纹理”特征集，以优选4月份的5种植被指数（NDVI_4、SR_4、EVI_4、ARVI_4、WDRVI_4）作为光谱特征和 4 个纹理特征（Mean_4、Entropy_4、Variance_4、Contrast_4）等生成9波段的新特征集影像。在“光谱+纹理”特征集的基础上加入表征叶物候特征参数的NDVI差值DLPC_NDVI与乘积PLPC_NDVI合成11个波段的“光谱+纹理+物候”新特征集。使用最大似然法、支持向量机、随机森林等3种分类器[15-17]对影像特征集进行分类比较，探讨物候特征对毛竹林分类精度的影响，通过精度评价选择毛竹林最佳分类方法。

2 结果与分析

2.1 多特征选择

毛竹林与阔叶树、马尾松、杉木林之间的植被指数LSD多重均值比较检验结果见表1。研究表明4月份的5种植被指数在不同树种间均达显著差异，说明毛竹林与马尾松、阔叶树、杉木林间具有良好的可分性，而10月份的植被指数中只有ARVI、NDVI适合提取毛竹林信息，表明4月份的高分二号影像是毛竹林信息提取的关键物候期。基于4月份影像提取的第一主成分的贡献率达98.4%，依据J-M距离法比较确定纹理特征在窗口为21×21时，毛竹林与阔叶林、杉木林、马尾松林分离度最好，且计算机提取速度较快。研究中所选取的均值、方差、信息熵及对比度等4个纹理特征值包含95%的信息量，说明具有较大的信息载荷。不同树种间叶物候特征指数的LSD检验结果见表2，基于10月与4月高分二号影像NDVI、ARVI所提取的差值叶物候特征（DLPC）和乘积叶物候特征（PLPC）在不同树种之间的方差分析均差异显著（P<0.05），LSD检验分析结果表明基于NDVI构建的叶物候特征（DLPC_NDVI、PLPC_NDVI）在不同树种间均差异显著（P<0.05），也说明归一化植被指数（NDVI）比大气阻抗植被指数(ARVI)在毛竹林分类中效果更好。

表1 不同树种植被指数间的LSD检验分析结果

表2 不同树种间叶物候特征指数的LSD显著检验

2.2 毛竹林信息提取与对比分析

在光谱、纹理特征优选基础上增加叶物候特征，采用3种分类器对比两种特征集组合方案对毛竹林信息分类提取精度的影响，研究结果见表3。增加物候特征后不同分类方法的总体分类精度提高了0.54%～0.69%，Kappa系数均提高了0.01；对毛竹林专题信息提取而言，毛竹林的制图精度提高明显，其中最大似然法提高9.35%，RF和SVM分类器分别提高了12.83%、3.39%。相同特征组合中，3种分类器中的SVM分类提取精度均表现出最高分类精度。基于“光谱+纹理+叶物候特征”组合方案中，基于SVM的最佳分类提取总体精度和Kappa系数分别为90.29%、0.84，毛竹林专题信息提取精度达92.75%，分类结果见图1。为了目视检验分类效果，选择永安西洋镇桂溪村典型区域进行分类后目视解译，结果表明毛竹林信息提取准确性较高，图中裸地主要为休耕地，在4月和10月的高分影像中未有农作物覆盖的区域。

图1 基于SVM的最佳提取分类结果

表3 不同特征组合对毛竹林信息提取精度的影响

3 结论

通过光谱特征、纹理特征优选分析，发现4月GF-2影像是毛竹林信息提取的关键物候期，优选的 5 个光谱特征（NDVI、SR、EVI、ARVI、WDRVI）和 4 个纹理特征（均值、方差、信息熵及对比度）均能较好区分毛竹林与其它森林类型，减少了植被类型错分的情况。基于NDVI构建的叶物候特征适用于毛竹林信息的分类提取，对亚热带山地常见的不同森林类型的响应比较敏感。本研究提出的光谱、纹理和叶物候等多特征融合方案能明显提高毛竹林专题信息的提取精度，其中对随机森林法（RF）提高最为明显，支持向量机法分类结果最好，总体精度达90.29%，毛竹林的专题制图精度达92.75%。