傅鋒, 王新杰, 汪錦, 王娜, 佟濟宏

(1.北京林業(yè)大學林學院,北京 100083； 2.北京林業(yè)大學生物科學與技術學院,北京 100083)

0 引言

科學經(jīng)營森林資源需要以森林植被的精準識別為基礎。近幾十a(chǎn)來，遙感已成為森林資源管理與監(jiān)測的重要手段，不僅快速高效而且成本較低。林分尺度上的樹種和齡組信息是森林資源調(diào)查與管理的關鍵因子，也是林業(yè)遙感分類研究的焦點。中低空間分辨率衛(wèi)星數(shù)據(jù)僅適于研究區(qū)域尺度的森林參數(shù)[1-4],而航空影像成本高，難以進行大面積的制圖及監(jiān)測，且時效性差。高空間分辨率衛(wèi)星具有穩(wěn)定的平臺、較大的視場以及規(guī)律的拍攝周期，影像上不同樹種的紋理清晰可辨，成為林分尺度森林資源調(diào)查的理想數(shù)據(jù)源。

Immitzer等[5]以WorldView-2影像為數(shù)據(jù)源，采用面向?qū)ο蟮碾S機森林算法對澳大利亞Burgenland區(qū)的10種主要樹種進行分類，總體精度達82.0%； Pu等[6]對比了IKONOS和WorldView-2在美國Tampa城市7種樹種分類上的精度差異； 劉懷鵬等[7]采用WorldView-2數(shù)據(jù)，基于紋理結合光譜信息識別呼和浩特市主城區(qū)7種綠化樹種，最大似然法總體識別精度為86.4%； 王妮等[8]采用QuickBird數(shù)據(jù)和最大似然法，對南京中山陵園的主要樹種進行了識別，精度最高為66.3%。研究表明，高空間分辨率影像在植被分類乃至樹種識別上具有重大潛力[9-13]，結合影像豐富的紋理、空間信息和輔助數(shù)據(jù)能大大提高分類精度。但現(xiàn)有樹種識別研究主要基于外國數(shù)據(jù)源，基于國產(chǎn)衛(wèi)星影像的研究較少。

高分二號(GF-2)衛(wèi)星于2014年8月19日成功發(fā)射，是我國研制的首顆空間分辨率達到“亞m”級別的民用遙感衛(wèi)星[14]。為探索GF-2衛(wèi)星影像在樹種識別上的潛力，推動該數(shù)據(jù)在我國森林資源監(jiān)測中的應用，以福建將樂國有林場為研究區(qū)，開展杉木、馬尾松和毛竹的樹種識別和齡組劃分研究。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

將樂國有林場位于福建省三明市將樂縣，是南方集體林區(qū)的典型代表，地處武夷山脈東南部、金溪河畔，坐標為N26°25′～27°04′，E117°05′～117°40′間； 地貌多以中、低山丘陵為主，海拔在400～800 m； 屬亞熱帶季風氣候區(qū)，雨水充足，年平均氣溫18.7 ℃，無霜期達270 d； 土壤以紅壤和黃紅壤為主。研究區(qū)內(nèi)主要樹種有杉木、馬尾松和毛竹等。

1.2 數(shù)據(jù)源及其預處理

本研究采用的遙感數(shù)據(jù)為GF-2 L1A級數(shù)據(jù)，成像時間為2017年5月14日。數(shù)據(jù)包括全色波段和4個多光譜波段(空間分辨率分別為0.81 m和3.24 m)。多光譜波段包括： 0.45～0.52 μm(Blue)，0.52～0.59 μm(Green)，0.63～0.69 μm(Red)和0.77～0.89 μm(NIR)?；A數(shù)據(jù)包括1∶ 1萬比例尺地形圖、2016年二類調(diào)查數(shù)據(jù)以及實測的主要樹種冠層反射率數(shù)據(jù)。

通過地形圖等高線矢量化生成覆蓋研究區(qū)的數(shù)字高程模型(digital elevation model，DEM)數(shù)據(jù)。影像預處理依次進行了輻射定標、FLAASH大氣校正、正射校正、圖像融合和研究區(qū)裁剪等步驟。在ENVI 5.3軟件中以地形圖和DEM為基準進行正射校正，均方根誤差(root mean square error，RMSE)控制在1個像元以內(nèi)[15]； 圖像融合采用Gram-Schmidt Spectral Sharpening方法[16]。

數(shù)據(jù)預處理后提取研究區(qū)的歸一化植被指數(shù)(normalized difference vegetation index，NDVI)，根據(jù)DEM數(shù)據(jù)生成坡度和坡向。將融合后的GF-2影像的4個波段、NDVI、坡度、坡向以及DEM合并為8波段的待分類影像。

2 研究方法

2.1 光譜特征分析

選取研究區(qū)中的馬尾松、毛竹和杉木(包括幼齡林、中齡林、成熟林3個齡組)3個典型樹種，進行實地光譜測量和采樣，室內(nèi)分析其光譜特征。光譜測量采用美國ASD公司生產(chǎn)FieldSpec HandHeld光譜儀，波長范圍為325～920 nm。光譜測定選擇在晴朗無風的正午進行。對每一樹種冠層的光譜重復測定10次，取均值作為該樹種的反射光譜[17]。測定光譜數(shù)據(jù)后，通過光譜處理軟件ViewSpecPro對測得的原始光譜數(shù)據(jù)進行篩選，去除無效和錯誤的數(shù)據(jù)，用以后續(xù)分析。

2.2 影像分割和屬性提取

面向?qū)ο蟮姆诸惙椒鼙苊馐芴柟庹?、地形和觀測角度影響導致的誤差[18]。采用eCognition軟件多尺度分割工具對待分類影像進行多尺度分割。其中，NDVI是植被生長狀態(tài)及植被覆蓋度的最佳指示，將權重設置為2，GF-2各光譜波段權重為1，DEM、坡度和坡向不參與分割。固定形狀權重為0.1，緊致度權重為0.5，分割尺度閾值范圍為50～800，步長為50。根據(jù)影像是否過分割或者欠分割，目視判讀分割結果，確定研究區(qū)GF-2影像的適宜分割尺度閾值為200。

基于影像多尺度分割結果進行屬性提取。為保留高空間分辨率影像的紋理信息，引入灰度共生矩陣(gray-level co-occurrence matrix，GLCM)的8個紋理屬性[19]。紋理屬性考慮方向，包括4方向紋理(0°，45°，90°，135°)和全方向紋理。屬性提取得到25個光譜屬性、160個紋理屬性(32個全方向和128個4方向紋理)和15個輔助數(shù)據(jù)。屬性提取如表1所示。

表1 面向?qū)ο蟮挠跋駥傩蕴崛?/p>

面向?qū)ο筇崛〉墓庾V、紋理和輔助數(shù)據(jù)屬性達200個，一方面屬性之間存在高度的相關性，另一方面數(shù)據(jù)冗余對分類器而言也是災難[20]，因此需要進行屬性的選擇。屬性選擇采用Weka統(tǒng)計軟件，分2步進行[21]： ①采用單個屬性評估器GainRatioAttributeEval + Ranker，通過屬性的信息增益率來評估屬性對目標類別的重要性； ②采用屬性子集評估器WrapperSubsetEval + BestFirst包裝器方法，基于隨機森林分類器來評估屬性子集，對每個屬性子集采用交叉驗證估計學習方案的準確性。隨機森林法需要設置2個參數(shù)： 基分類器采用的屬性數(shù)K和決策樹的數(shù)量I。采用Weka軟件提供的元學習器CVParameterSelection優(yōu)化訓練數(shù)據(jù)交叉驗證的準確性，搜索以獲得最佳的K和I。篩選出的最優(yōu)屬性集內(nèi)部相關性最低，參數(shù)優(yōu)化得到最有利于分類的參數(shù)設置。

2.3 分類器及分類方案

隨機森林算法是一種基于統(tǒng)計學習理論的組合分類器，它利用bootsrap重抽樣方法從原始樣本中抽取多個樣本，對每個bootsrap樣本進行決策樹建模，然后組合多棵決策樹的預測，通過投票得出最終預測結果[22]。該算法較好地解決了單分類器在性能上無法提升的問題[23]，具有很高的預測準確率，對異常值和噪聲具有很好的容忍度，且不容易出現(xiàn)過擬合。目前隨機森林算法在遙感地類劃分上的研究較多[24-25]，在森林分類上的應用不斷增加[26-27]，而在高空間分辨率遙感影像的樹種精細識別上則研究很少。

為定量分析光譜、紋理和輔助數(shù)據(jù)在樹種分類中的作用，根據(jù)光譜屬性、紋理屬性和輔助數(shù)據(jù)不同組合的7種方案進行分類。光譜屬性是遙感分類中常用的屬性，將光譜屬性分別與4方向紋理、全方向紋理進行結合(方案2和3)，對比僅采用光譜屬性(方案5)和僅采用紋理屬性(方案6和7)的分類結果，探索研究區(qū)樹種分類精度最高的分類方案。輔助數(shù)據(jù)參與分類(方案1和4)用于判斷地形因素是否影響研究區(qū)的樹種分布。不同分類方案及其屬性數(shù)量如表2所示。

表2 不同分類方案及其屬性數(shù)量

2.4 結果分析及精度評價

采用F值進行精度評價，其將制圖精度和用戶精度合并為一個量，并趨向于接近制圖精度和用戶精度中比較小的那個值。F值高則可以確保制圖精度和用戶精度都較高。F的計算公式為

(1)

式中：UA為用戶精度；PA為制圖精度。

根據(jù)7種分類方案的分類結果確定最優(yōu)分類方案。在研究區(qū)隨機抽取385個樣點，實地調(diào)查結合GF-2影像目視解譯，確定每個樣點的樹種類別。針對最優(yōu)方案分類結果建立混淆矩陣[28-29]，計算制圖精度和用戶精度，生成馬尾松、毛竹和杉木的樹種(齡組)分布圖。

3 結果與分析

3.1 樹種光譜特征分析

圖1為研究區(qū)5種樹種(齡組)冠層光譜曲線。

圖1 將樂林場5種樹種(齡組)冠層光譜曲線

從圖1中可見，5種樹種(齡組)冠層光譜曲線的趨勢大致相同?？梢姽獠ǘ?90 nm和680 nm附近，存在葉綠素強烈吸收的藍光吸收帶和紅光吸收帶，反射率分別為0.04～0.09和0.05～0.10； 在540～560 nm附近出現(xiàn)“綠峰”，反射率達到0.10～0.16； 近紅外波段位于685～760 nm光譜區(qū)形成“紅邊”反射陡坡，其光譜反射率值隨波長從小于0.10急劇升高至0.42以上。從樹種光譜特征差異上看： 在可見光和近紅外波段，毛竹的冠層反射率高于杉木各齡組和馬尾松，且在560～670 nm和760 nm之后差異顯著。5種樹種(齡組)的“紅邊”高度和斜率存在差異，斜率上表現(xiàn)為杉木成熟林>杉木中齡林>毛竹>馬尾松>杉木幼齡林，“紅邊”高度上表現(xiàn)為毛竹>杉木成熟林>杉木中齡林>杉木幼齡林>馬尾松。結合實測光譜曲線和GF-2波段范圍，綠光波段和近紅外波段信息是馬尾松、毛竹和杉木齡組區(qū)分的關鍵波段。

3.2 屬性篩選及參數(shù)優(yōu)化

采用Weka軟件中的屬性子集評估器WrapperSubsetEval + BestFirst包裝器和隨機森林分類器進行最優(yōu)屬性子集的篩選，通過元學習器CVParameterSelection進行參數(shù)優(yōu)化，依次篩選出7種分類方案下的最優(yōu)屬性集及其參數(shù)。篩選結果及參數(shù)優(yōu)化如表3所示。

表3 不同分類方案下屬性篩選及參數(shù)優(yōu)化

①mean_NDVI表示NDVI波段的光譜均值； COR_45_NIR表示近紅外波段在45°方向的相關性紋理值，依此類推。

屬性篩選及參數(shù)優(yōu)化結果可知，7種分類方案的最優(yōu)屬性子集特征數(shù)為7～11個，基分類器分類使用的屬性數(shù)為3～5個，生成的基分類器決策樹數(shù)量最小100棵，最多達到3 000棵。從最優(yōu)屬性子集包含的屬性分析，光譜屬性中mean_NDVI，mean_NIR，SD_NDVI，SD_Blue，skewness_Green和skewness_Blue，4方向紋理中HOM_0_NIR，COR_45_NIR，COR_45_Green和DIS_135_Green，以及全方向紋理中CON_All_Red，CON_All_Blue，DIS_All_NIR，DIS_All_Blue，COR_All_NIR和COR_All_Red被反復篩選出來作為最優(yōu)屬性子集。這些屬性特征表征了杉木、馬尾松和毛竹在光譜和紋理屬性上的差異所在。輔助數(shù)據(jù)中mean_Aspect和SD_DEM屬性反映了坡向均值和高程在樹種分布上的影響。

3.3 分類精度及定量分析

圖2為7種分類方案樹種分類結果的F精度統(tǒng)計。由分類結果可知，結合光譜和紋理屬性(方案1—3)顯著提高了樹種識別以及齡組劃分的精度。結合4方向紋理屬性(方案2)總體精度為87.4%，優(yōu)于結合全方向紋理(方案3)85.2%的分類精度。僅采用光譜屬性分類(方案5)較單獨采用紋理屬性(方案6和7)分類精度提高達15.0%以上。地形因素中的坡向和高程對總體精度的影響小于1%。各樹種分類精度上，馬尾松的分類精度最高，僅采用紋理屬性(方案6和7)識別馬尾松的精度低于80%，但僅采用光譜屬性的分類精度(方案5)高達94.2%。采用光譜結合4方向紋理、輔助數(shù)據(jù)的方案1總體精度最高，為88.0%，Kappa系數(shù)為0.86，各樹種分類精度依次為： 馬尾松>杉木幼齡林>毛竹>杉木成熟林>杉木中齡林。

圖2 7種分類方案下樹種分類F精度

基于僅利用光譜屬性的方案5進行差值計算，定量分析2種紋理屬性和輔助數(shù)據(jù)對樹種分類精度的影響。僅利用光譜屬性識別5種樹種(齡組)的總體分類精度為78.4%，Kappa系數(shù)為0.75； 杉木3種齡組之間混分嚴重，中齡林的分類精度僅為61.5%。加入全方向紋理屬性(方案3)和4方向紋理屬性后(方案2)，總體分類精度分別提高6.8%和9.0%。從杉木齡組上分析，全方向紋理屬性加入后杉木幼齡林、中齡林和成熟林分類精度分別提高了18.7%，13.5%和4.7%，加入4方向紋理屬性后分類精度分別提高21.0%，17.0%和9.5%。分析原因，隨著杉木林年齡的增長，冠形越來越開闊且相鄰樹冠間互相交織密不可分，因此紋理上的可分性逐漸降低。對杉木的齡組而言，4方向紋理屬性對分類精度的貢獻大于全方向紋理。加入紋理屬性使得馬尾松的分類精度分別下降1.0%和0.4%(方案2和3)，說明紋理的優(yōu)勢并未很好地體現(xiàn)在馬尾松的識別方面，馬尾松的分類不必加入紋理屬性。

輔助數(shù)據(jù)參與分類(方案1和4)總體精度分別比未參與時增加了0.6%。坡向?qū)γ竦姆诸惥扔绊懘笥?%，但對馬尾松和杉木的精度影響很小。研究區(qū)的人為經(jīng)營活動是影響樹種分布的關鍵，就樹種分類而言地形因素可以忽略不計。

3.4 混淆矩陣和分類結果

排除地形因素，光譜+4方向紋理(方案2)的分類精度最高，為87.4%，Kappa系數(shù)為0.85。該方案混淆矩陣和制圖精度、用戶精度計算結果如表4所示。

表4 基于GF-2影像的樹種分類混淆矩陣

由表4可知： ①馬尾松的分類效果較毛竹和杉木齡組而言效果較好，制圖精度和用戶精度均優(yōu)于90%，從影像上分析，混分的情況主要發(fā)生在陰影區(qū)域的毛竹和杉木成熟林； ②毛竹與馬尾松、杉木幼、中齡林存在混分現(xiàn)象； ③杉木相鄰齡組混分現(xiàn)象比較嚴重，幼齡林有5.3%被分為中齡林，中齡林中有6.5%和11.3%被分類為幼齡林和成熟林，成熟林有8.3%被分為中齡林，相鄰齡組之間無法有效區(qū)分是造成杉木各齡組分類精度較低的主要原因，幼齡林和成熟林之間不存在任何混分現(xiàn)象。

定性地觀察影像的分類結果(圖3)，面向?qū)ο蠓诸惤Y果有效避免了“椒鹽噪聲”現(xiàn)象。通過目視解譯和林相圖對比發(fā)現(xiàn)，分類效果比較理想，表現(xiàn)出杉木、馬尾松和毛竹原本的分布趨勢。杉木和馬尾松主要為人工種植，分類后在影像上表現(xiàn)為大面積斑塊集中分布； 毛竹常為小面積塊狀或帶狀分布于低海拔山溝和房前屋后； 其他闊葉林零星分布在林分間隙。分類結果符合實際。

圖3 面向?qū)ο蟮碾S機森林分類結果

4 結論

本研究基于國產(chǎn)高空間分辨率的GF-2影像和隨機森林法對南方集體林區(qū)的馬尾松、毛竹及杉木的3個齡組進行分類，為GF-2影像應用于南方集體林區(qū)森林資源調(diào)查和管理提供了借鑒。研究結論如下：

1)光譜結合4方向紋理的分類方案總體精度為87.4%，Kappa系數(shù)為0.85，馬尾松、毛竹和杉木3個齡組得到了有效分類。杉木相鄰齡組存在混分現(xiàn)象，幼齡林和成熟林完全區(qū)分。表明GF-2數(shù)據(jù)在樹種識別及齡組劃分上具有很大潛力，是林分尺度森林資源調(diào)查的理想數(shù)據(jù)源。

2)實測樹種的冠層光譜曲線，各樹種在光譜上反射率差異明顯，光譜曲線“紅邊”高度和斜率存在差異，表現(xiàn)為杉木成熟林>杉木中齡林>毛竹>馬尾松>杉木幼齡林。結合GF-2影像波段設置，表明綠光波段和近紅外波段是馬尾松、毛竹和杉木齡組區(qū)分的關鍵。

3)結合影像豐富的紋理信息能大大提高分類精度。將光譜和紋理結合的分類方案，分類精度較僅利用光譜屬性和僅利用紋理屬性高，這與劉懷鵬等[7]和陳玲等[30]的研究結論相同。光譜結合4方向紋理比結合全方向紋理能取得更好的分類效果； 針對本研究區(qū)，輔助數(shù)據(jù)(地形)對分類影響不大，人為經(jīng)營活動是影響樹種分布規(guī)律的主要因素。

4)樹種的生長形態(tài)和冠層特征決定紋理屬性對分類的影響。紋理屬性對馬尾松的分類精度影響很小，但有利于杉木幼齡林和中齡林分類精度的提高。

利用高空間分辨率影像進行樹種分類依然存在著許多新的挑戰(zhàn)。本研究的不足之處在于未考慮馬尾松、杉木和毛竹的混交情況以及研究區(qū)其他常綠闊葉樹種的分類。不同紋理屬性如何影響樹種分類精度的機理還需要進一步深入探索。