基于面向?qū)ο蠓诸惙椒ǖ腞apideye桉樹提取

王學(xué)成，楊 飛

(1. 山東理工大學(xué)建筑工程學(xué)院，山東 淄博 255000；2. 中國(guó)科學(xué)院地理科學(xué)與資源研究所 資源與環(huán)境信息系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100101)

桉樹(Eucalyptus)是重要的速生豐產(chǎn)林樹種之一，已被全世界90多個(gè)國(guó)家和地區(qū)引種。我國(guó)引種桉樹最早始于19世紀(jì)90年代，至2013年底栽培面積達(dá)450萬(wàn)hm2，主要分布在廣西、廣東、海南等省區(qū)[1]。

遙感是一種快速大面積宏觀監(jiān)測(cè)的技術(shù)手段，利用遙感影像對(duì)區(qū)域內(nèi)桉樹種植面積進(jìn)行變化監(jiān)測(cè)，能夠及時(shí)掌握區(qū)域內(nèi)的桉樹資源信息，為林業(yè)等相關(guān)部門決策提供有力的依據(jù)。目前，利用遙感影像提取特定地物信息已有大量相關(guān)研究。傳統(tǒng)的分類方法主要基于像元分類，極易出現(xiàn)“椒鹽現(xiàn)象”，分辨率越高、這種現(xiàn)象愈嚴(yán)重。面向?qū)ο蠓诸惙椒?，以影像?duì)象為分類單元，綜合考慮了像元的光譜信息、對(duì)象內(nèi)部的結(jié)構(gòu)、紋理以及相鄰對(duì)象之間的關(guān)聯(lián)信息，可以在很大程度上減少“椒鹽現(xiàn)象”的出現(xiàn)，提高分類精度[2-3]。黃慧萍等[4]和韓玲玲等[5]使用面向?qū)ο蠓诸惙椒▽?duì)遙感影像進(jìn)行城市綠地提取，韓凝等[6]使用面向?qū)ο蠓诸惙椒▽?duì)IKONOS影像進(jìn)行香榧(Torreya grandis)分布信息提取，陳燕麗等[7]使用面向?qū)ο蠓诸惙椒▽?duì) SPOT 5影像進(jìn)行水稻(Oryza latifolia)種植面積提取，歲秀珍等[8]使用面向?qū)ο蠓诸惙椒▽?duì) TM 影像進(jìn)行水體信息提取，還有學(xué)者使用面向?qū)ο蠓诸惙椒▽?duì)遙感影像進(jìn)行小麥(Triticum aestivum)種植面積提取[9-11]。至今為止，已有部分學(xué)者開始初步利用遙感技術(shù)反演桉樹葉面積指數(shù)、種植密度、生物量等試驗(yàn)研究[12-13]，但遙感技術(shù)在桉樹空間提取方面應(yīng)用仍較缺乏，目前僅見少量學(xué)者開始嘗試研究。付曉等[14]利用傳統(tǒng)監(jiān)督和非監(jiān)督分類方法以及TM影像對(duì)桉樹資源空間分布進(jìn)行多時(shí)期動(dòng)態(tài)監(jiān)測(cè)，提取精度大致可達(dá)85%。牟智慧等[15]利用面向?qū)ο蠓椒ㄌ崛?種森林類型，進(jìn)而提取桉樹空間分布信息，分類精度為86.67%。

本研究以廣東省肇慶市部分地區(qū)為例，采用面向?qū)ο蠓诸惙椒?，?duì)高分辨率Rapideye影像進(jìn)行桉樹提取并進(jìn)行精度評(píng)價(jià)，從而與最小距離法進(jìn)行比較分析，旨在為廣大林業(yè)工作者進(jìn)行桉樹信息提取提供參考。

1 研究區(qū)概況和數(shù)據(jù)處理

1.1 研究區(qū)概況

肇慶市位于廣東省中西部、西江中游，其地理坐標(biāo)為東經(jīng) 111°21′ ～ 112°52′，北緯 22°47′ ～ 24°24′之間，地勢(shì)以丘陵低山為主，屬亞熱帶季風(fēng)氣候。境內(nèi)森林資源豐富，森林覆蓋率高達(dá) 65.1%，商品林面積80萬(wàn)hm2，占林業(yè)用地總面積的74.9%。本研究選取肇慶市部分地區(qū)(肇慶市市轄區(qū)和高要市)為研究區(qū)(圖1)，位于肇慶市南部，北接廣寧縣、四會(huì)市，西臨德慶縣、云浮市。

圖1 研究區(qū)示意圖

1.2 影像處理

利用ENVI軟件平臺(tái)，以肇慶市TM影像為基準(zhǔn)影像，對(duì)Rapideye影像進(jìn)行幾何校正，結(jié)合DEM數(shù)據(jù)，對(duì)Rapideye影像進(jìn)行正射校正；利用ArcGIS軟件平臺(tái)，將樣本驗(yàn)證點(diǎn)保存為矢量格式，附上驗(yàn)證點(diǎn)屬性。

1.3 影像分類方法

最小距離法是一種傳統(tǒng)的監(jiān)督分類方法，以像元作為基本分類單元，計(jì)算待分類像元到各個(gè)樣本區(qū)域的距離，將待分類像元分類為距離最小的類別。

面向?qū)ο蠓诸惙椒ㄒ杂跋駥?duì)象作為基本分類單元，可在一定程度上減少或避免“椒鹽現(xiàn)象”的產(chǎn)生。本研究利用面向?qū)ο蠓诸愜浖Cognition進(jìn)行桉樹信息提取，其中最鄰近法和隸屬度函數(shù)法為eCognition軟件平臺(tái)中最為常見的分類方法。

最鄰近法：與最小距離法有相似之處，需要選取樣本進(jìn)行訓(xùn)練，最鄰近法通過樣本對(duì)象特征空間計(jì)算得出的隸屬度、均值距離以及最小距離來判定待分類對(duì)象所屬類別，適合對(duì)象特征相近或重疊度較高的地物之間的識(shí)別[16]。

隸屬度函數(shù)法：又稱成員函數(shù)法，根據(jù)所選樣本對(duì)象特征生成一個(gè)隸屬度從0到1的函數(shù)，影像分類時(shí)，根據(jù)待分類的影像對(duì)象反應(yīng)的各個(gè)類別的隸屬度值，將對(duì)象分類為隸屬度值最高的類別，適合對(duì)象特征比較明顯的地物之間的識(shí)別。

1.4 Rapideye影像分類

1.4.1 信息提取流程

根據(jù)本研究目的以及研究區(qū)所處地理環(huán)境，本研究對(duì)Rapideye影像進(jìn)行解譯，首先使用隸屬度函數(shù)法將影像分類為植被與非植被兩個(gè)類別，使用最鄰近法將植被類別分類為桉樹、闊葉林、針葉林、針闊混交林、其它林地、草地以及部分農(nóng)田，然后將非植被和部分農(nóng)田合并為其它用地，總計(jì)7個(gè)分類類別，具體信息提取流程如圖2。

圖2 Rapideye影像信息提取流程圖

1.4.2 影像分割

影像分割是面向?qū)ο蠓诸惙椒ê蛡鹘y(tǒng)監(jiān)督分類方法的重要區(qū)別，影像分割后才能生成影像對(duì)象。面向?qū)ο蠓诸惙椒ㄖ?，影像分割是必不可少的關(guān)鍵環(huán)節(jié)，分割質(zhì)量的好壞直接影響著影像解譯結(jié)果。目前有多種影像分割方法，大致可分為兩種，即“定性”和“定量”，“定性”又可稱之為試錯(cuò)法[17]，即進(jìn)行多次影像分割實(shí)驗(yàn)，最終影像分割參數(shù)及其他相關(guān)參數(shù)。本研究中，為避免此類信息混在一起，經(jīng)過多次試錯(cuò)，最后確定分割參數(shù)為70，光譜因子為0.8，形狀因子為0.2，緊湊度為0.5，光滑度為0.5，紅：綠：藍(lán)：紅邊：近紅波段權(quán)重比分別是1:1:1:1:1。

1.4.3 建立解譯標(biāo)志

建立遙感影像的地類信息標(biāo)志，實(shí)質(zhì)為選擇樣本，進(jìn)行樣本訓(xùn)練，篩選出合適的樣本對(duì)象特征參與影像解譯過程。本研究所采用的面向?qū)ο蠓诸惙椒▽㈦`屬度函數(shù)法和最鄰近法相結(jié)合，對(duì)Rapideye影像進(jìn)行解譯。隸屬度函數(shù)法，適合對(duì)象特征差異比較明顯的地類信息之間，選取少量特征即可，本研究使用歸一化植被指數(shù)(NDVI)，這一特征有利于區(qū)分植被信息和非植被信息；最鄰近法，適合對(duì)象特征比較相近或重疊度較高的地類信息之間，需要多個(gè)特征參與到影像分類中，通過比較類別間的對(duì)象特征值，本研究最終選取影像對(duì)象的亮度值、紅綠藍(lán)3個(gè)波段的波段均值以及影像對(duì)象的最大差分值，總計(jì)5個(gè)對(duì)象特征參與到影像分類中。

1.4.4 分類過程簡(jiǎn)介

在eCognition軟件中，調(diào)節(jié)NDVI的閾值，區(qū)分植被與非植被，經(jīng)過多次調(diào)節(jié)，最終確定 NDVI值大于0.07為植被信息，其余為非植被信息，分類結(jié)束后，將篩選好的5個(gè)對(duì)象特征添加到最鄰近法分類器中，進(jìn)行第二層次分類，分類結(jié)束后，將分類結(jié)果分別導(dǎo)出[18]。

1.4.5 精度評(píng)價(jià)

精度評(píng)價(jià)是遙感影像解譯中必不可少的步驟，本研究總共選取212個(gè)樣本驗(yàn)證點(diǎn)對(duì)研究區(qū)影像的解譯結(jié)果進(jìn)行精度評(píng)價(jià)，并通過構(gòu)建混淆矩陣，計(jì)算兩種分類方法的Kappa系數(shù)。其中所選取的樣本驗(yàn)證點(diǎn)均來源于谷歌高分辨率影像，由于谷歌高分辨率影像拍攝時(shí)間與 Rapideye影像實(shí)驗(yàn)數(shù)據(jù)的拍攝時(shí)間相近，均為2011年11月，而且桉樹的紋理特征在谷歌高分辨率影像中十分明顯，因此，所選樣本驗(yàn)證點(diǎn)的屬性其正確性可以保證。

2 結(jié)果與分析

2.1 分類結(jié)果

利用面向?qū)ο蠓诸惙椒ê妥钚【嚯x法提取桉樹的結(jié)果分別如圖 3-A、圖3-B和圖4-A、圖 4-B所示。根據(jù)ArcGIS統(tǒng)計(jì)結(jié)果，本研究使用面向?qū)ο蠓诸惙椒ㄌ崛¤駱浞N植面積為38 828.42 hm2，分別占研究區(qū)面積的 19.18%和研究區(qū)林地面積的33.64%；本研究使用最小距離法提取桉樹種植面積為30 723.04 hm2，分別占研究區(qū)面積的15.17%和研究區(qū)林地面積的28.97%。從提取結(jié)果的空間分布可以看出，使用面向?qū)ο蠓诸惙椒ㄌ崛¤駱湫畔?，主要分布于高要市境?nèi)，特別是南部丘陵地區(qū)種有大面積桉樹，而肇慶市市轄區(qū)桉樹種植面積較少，境內(nèi)僅西北丘陵地區(qū)及南部丘陵地區(qū)種有少量桉樹。使用最小距離法提取桉樹信息，研究區(qū)內(nèi)桉樹分布均勻，沒有出現(xiàn)大面積成片桉樹林，特別是高要市南部地區(qū)，桉樹種植面積明顯少于面向?qū)ο蠓诸惙椒ㄌ崛〉蔫駱浞N植面積。

圖3 分類結(jié)果

圖4 桉樹分類提取結(jié)果

表1 面向?qū)ο蠓诸惙椒ň仍u(píng)價(jià)

表2 最小距離法精度評(píng)價(jià)

2.2 精度檢驗(yàn)

利用Excel統(tǒng)計(jì)功能，構(gòu)建樣本驗(yàn)證點(diǎn)的混淆矩陣，計(jì)算兩種分類方法的分類精度以及Kappa系數(shù)(表1、表2)。根據(jù)評(píng)價(jià)結(jié)果顯示：面向?qū)ο蠓诸惙椒ㄖ?，影像分類的總體精度為82.08%，Kappa系數(shù)為0.74；最小距離法中，影像分類的總體精度為56.60%，Kappa系數(shù)為0.44。

將面向?qū)ο蠓诸惤Y(jié)果與最小距離法進(jìn)行對(duì)比(表3)，使用面向?qū)ο蠓诸惙椒ㄌ崛¤駱?，其生產(chǎn)精度和用戶精度均為78.85%，遠(yuǎn)高于使用最小距離法提取桉樹的生產(chǎn)精度 56.76%和用戶精度 40.38%，相差20%以上；比較兩種分類方法的總體精度，面向?qū)ο蠓诸惙椒ǖ目傮w精度 82.08%遠(yuǎn)高于最小距離法的總體精度56.60%，同樣高出20%以上。由此可見，相比于基于像元的最小距離法，使用面向?qū)ο蠓诸惙椒ㄌ崛¤駱?，能夠取得不錯(cuò)的效果。

表3 桉樹提取精度對(duì)比

桉樹、闊葉林等林地信息的樣本對(duì)象特征比較相近，對(duì)象特征值重疊度較高，在分類過程中，容易造成“同譜異物”或“同物異譜”錯(cuò)誤的發(fā)生。根據(jù)評(píng)價(jià)結(jié)果(表1、表2)顯示，利用面向?qū)ο蠓诸惙椒▽?duì)影像解譯時(shí)，所選取的52個(gè)桉樹樣本驗(yàn)證點(diǎn)，41個(gè)正確分類為桉樹，11個(gè)被錯(cuò)分為其它類別，而利用最小距離法對(duì)影像解譯時(shí)，所選取的52個(gè)桉樹樣本驗(yàn)證點(diǎn)，只有21個(gè)正確分類為桉樹。由此可見，雖然使用面向?qū)ο蠓椒ǚ诸惒荒芡耆苊狻巴锂愖V”等錯(cuò)誤的發(fā)生，但是相比于最小距離法，隸屬度函數(shù)法與最鄰近法相結(jié)合的面向?qū)ο蠓诸惙椒?，能夠有效地減少此類錯(cuò)誤的發(fā)生，提高分類精度。

桉樹屬于闊葉林的一種，根據(jù)本研究所選的對(duì)象特征(光譜特征)，桉樹的對(duì)象特征與闊葉林、針闊混交林、針葉林的對(duì)象特征的重疊度依次減小，桉樹錯(cuò)分為闊葉林的可能性最大，針闊混交林的可能性次之，針葉林的可能性最小。根據(jù)結(jié)果(表1、表2)顯示，使用面向?qū)ο蠓诸惙椒ㄟM(jìn)行解譯，桉樹錯(cuò)分為這3種林地信息個(gè)數(shù)中，樣本驗(yàn)證點(diǎn)錯(cuò)分為闊葉林的個(gè)數(shù)最多，針闊混交林次之，針葉林最少，與本研究根據(jù)地類之間對(duì)象特征的重疊度推測(cè)的結(jié)果相似。而使用最小距離法進(jìn)行解譯，桉樹錯(cuò)分為這3種林地信息個(gè)數(shù)中，樣本驗(yàn)證點(diǎn)錯(cuò)分為針葉林的個(gè)數(shù)最多(13個(gè))，闊葉林次之(5個(gè))，針闊混交林最少(2個(gè))，與本研究之前推測(cè)的結(jié)果完全不同。由此可見，對(duì)高分辨率遙感影像進(jìn)行桉樹提取時(shí)，使用隸屬度函數(shù)法與最鄰近法相結(jié)合的面向?qū)ο蠓诸惙椒?，不僅提取效果好，而且相比于最小距離法，其穩(wěn)定性更好。

面向?qū)ο蠓诸惙椒ㄖ械淖钹徑?，進(jìn)行影像分類時(shí)，由待分類對(duì)象到各個(gè)樣本之間的最小距離、均值距離以及通過樣本對(duì)象特征空間計(jì)算得出的隸屬度，共同決定待分類對(duì)象所屬類別[6,16]，而非僅由樣本對(duì)象特征空間計(jì)算得出的隸屬度決定待分類對(duì)象的所屬類別，這可在一定程度上減少“同譜異物”錯(cuò)誤分類，提高分類精度。相比之下，本研究所采用的最小距離法，其分類原理是將待分類像元?jiǎng)澐值骄嚯x它最近距離的類別[19-20]，而沒有考慮待分類像元與所選樣本之間的特征相似問題，致使最小距離法分類精度較低。

3 結(jié)論

(1) 對(duì)于桉樹信息的提取，使用隸屬度函數(shù)法與最鄰近法相結(jié)合的面向?qū)ο蠓诸惙椒?，能夠較好地提取遙感影像中的桉樹空間分布信息。

(2) 相比于最小距離法，使用面向?qū)ο蠓诸惙椒?，不僅分類效果好，而且分類效果的穩(wěn)定性優(yōu)于最小距離法。

[1] 陳少雄,陳小菲.我國(guó)桉樹經(jīng)營(yíng)的技術(shù)問題與思考[J].桉樹科技,2013,30(3):52-59.

[2] 張秀英,馮學(xué)智,江洪.面向?qū)ο蠓诸惖奶卣骺臻g優(yōu)化[J].遙感學(xué)報(bào),2009,13(4):664-669.

[3] 陶超,譚毅華,蔡華杰.面向?qū)ο蟮母叻直媛蔬b感影像城區(qū)建筑物分級(jí)提取方法[J].測(cè)繪學(xué)報(bào),2010,39(1):39-45.[4] 黃慧萍,吳炳方,李苗苗,等.高分辨率影像城市綠地快速提取技術(shù)與應(yīng)用[J].遙感學(xué)報(bào),2004,8(1):68-74.

[5] 韓玲玲,費(fèi)鮮蕓,田牧歌.面向?qū)ο蟮奶┌彩谐鞘懈綄倬G地信息提取[J].淮海工學(xué)院學(xué)報(bào)(自然科學(xué)版),2012,21(3):43-47.

[6] 韓凝,張秀英,王小明,等.基于面向?qū)ο蟮腎KONOS影像香榧樹分布信息提取研究[J].浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版),2009,35(6):670-676.

[7] 陳燕麗,莫偉華,莫建飛,等.基于面向?qū)ο蠓诸惖哪戏剿痉N植面積提取方法[J].遙感技術(shù)與應(yīng)用,2011,26(2):163-168.

[8] 歲秀珍,阮仁宗,馬榮華,等.面向?qū)ο蟮膶?duì)尺度水體信息提取[J].地理空間信息,2012,10(6):72-75.

[9] 李衛(wèi)國(guó),蔣楠.基于面向?qū)ο蠓诸惖亩←湻N植面積提取[J].麥類作物學(xué)報(bào),2012,32(4):701-705.

[10] 王啟田,林祥國(guó),王志軍,等.利用面向?qū)ο蠓诸惙椒ㄌ崛《←湻N植面積的研究[J].測(cè)繪科學(xué),2008,33(2):143-146.

[11] 范磊,程永政,王來剛,等.基于多尺度分割的面向?qū)ο蠓诸惙椒ㄌ崛《←湻N植面積[J].中國(guó)農(nóng)業(yè)資源與區(qū)劃,2010,31(6):44-51.

[12] Maire G,Marsden C,Verhoef W,et al.Leaf area index estimation with MODIS reflectance time series and model inversion during full rotations of Eucalyptus plantations[J].Remote Sensing of Environment,2011,115(2):586-599.

[13] Zhou J,Proisy C,Descombes X,et al.Mapping local density of young Eucalyptus plantations by individual tree detection in high spatial resolution satellite images[J].Forest Ecology and Management,2013(301):129-141.

[14] 付曉,王學(xué)軍,韓愛惠,等.紙漿源地桉樹資源遙感動(dòng)態(tài)監(jiān)測(cè)與分析[J].北京林業(yè)大學(xué)學(xué)報(bào),2008,30(增刊1):89-93.

[15] 牟智慧,楊廣斌.基于 TM 影像面向?qū)ο蟮蔫駱湫畔⑻崛J].林業(yè)資源管理,2014(2):119-125.

[16] 蘇簪鈾,邱炳文,陳崇成.基于面向?qū)ο蠓诸惣夹g(shù)的景觀信息提取研究[J].遙感應(yīng)用,2009,10(2):42-46.

[17] 于歡,張樹清,孔博,等.面向?qū)ο筮b感影像分類的最優(yōu)分割尺度選擇研究[J].中國(guó)圖像圖形學(xué)報(bào),2010,15(2):352-360.

[18] Definients Image GmbH.ecognition User Guide[M].Germany:2004.

[19] 趙春霞,錢樂祥.遙感影像監(jiān)督分類與非監(jiān)督分類的比較[J].河南大學(xué)學(xué)報(bào)(自然科學(xué)版),2004,34(3):90-93.

[20] 閆琰,董秀蘭,李燕.基于 ENVI的遙感圖像監(jiān)督分類方法比較研究[J].北京測(cè)繪,2011,3(4):14-16.