吳春爭 馮益明 舒清態(tài) 李增元 武紅敢 車騰騰

(西南林業(yè)大學(xué)，昆明，650224) (中國林業(yè)科學(xué)研究院荒漠化研究所) (西南林業(yè)大學(xué)) (中國林業(yè)科學(xué)研究院資源信息研究所)

遙感技術(shù)的應(yīng)用是森林資源調(diào)查技術(shù)的主要發(fā)展方向。近年來，隨著高分辨率圖像的產(chǎn)生，以SPOT5為主的高空間分辨率遙感數(shù)據(jù)被廣泛應(yīng)用于森林資源調(diào)查中［1］。當(dāng)前，在對高空間分辨率遙感影像分類方法上，面向?qū)ο蟮挠跋穹诸惙椒ㄓ捎谀軌虺浞滞诰蚋呖臻g分辨率遙感數(shù)據(jù)中的紋理、形狀及空間關(guān)系等信息而得到了廣泛應(yīng)用［2-4］。而傳統(tǒng)基于像元的分類方法，僅僅利用了單一的影像光譜信息，根據(jù)待分類像元與某類像元的亮度特征的相似性來將它們劃分歸類，未能充分利用遙感圖像提供的大小、形狀、紋理、相鄰像素間的關(guān)系等形狀和空間位置特征，從而導(dǎo)致對高空間分辨率遙感數(shù)據(jù)分類時，像元級分類方法的精度較基于對象分類方法低。高空間分辨率遙感數(shù)據(jù)的獲取在近年森林資源調(diào)查中主要采用兩種技術(shù)方法［5］：一是以地形圖為工作手圖進(jìn)行野外現(xiàn)場勾繪;二是通過計算機人機交互判讀，直接在計算機上采用屏矢量化方法勾繪小班邊界，通過目視解譯方法判讀土地各類、優(yōu)勢樹種等調(diào)查因子。顯然，基于高空間分辨率遙感影像進(jìn)行目視解譯是當(dāng)前小班區(qū)劃的一種趨勢［6］。但不同人在目視解譯時，對影像的判讀存在差異，也易造成區(qū)劃的不一致。為此，本文借助自主開發(fā)設(shè)計的森林資源調(diào)查系統(tǒng)，在森林資源小班區(qū)劃邊界控制條件下，采用基于面向?qū)ο蠛鸵?guī)則的影像分類方法對SPOT5遙感影像進(jìn)行多尺度、多層次的分割分類［7-8］，并以此為基礎(chǔ)，按照小班區(qū)劃劃分條件，對不符合小班區(qū)劃要求的區(qū)域進(jìn)行手工交互操作，完成小班邊界提取的工作，為森林資源調(diào)查提供有效途徑。

1 試驗區(qū)及數(shù)據(jù)源

研究地區(qū)為金溝嶺林場，位于吉林省汪清縣境內(nèi)東北部，東經(jīng) 130°05'～130°19'、北緯 43°17'～43°25'，總面積 16 286 hm2。金溝嶺屬長白山系老爺嶺山脈雪嶺支脈，地貌屬低山丘陵，海拔300～1 200 m，坡度一般在10°～25°，個別陡坡在35°以上。林區(qū)屬季風(fēng)型氣候，全年平均氣溫為3.9℃左右，多年平均年降水量650 mm。該林區(qū)屬吉林省東部山地溫帶濕潤針闊葉混交林地帶的長白山紅松云冷杉針闊混交林小區(qū)，其原生植被為紅松針闊混交林，但經(jīng)過長期的經(jīng)營活動及其他人為干擾，部分天然紅松針闊混交林已經(jīng)演替成多種森林類型，還有相當(dāng)部分經(jīng)人工造林成為落葉松、紅松和云杉純林。

數(shù)據(jù)來源于吉林省汪清林業(yè)局的SPOT5全色與多光譜數(shù)據(jù)，影像范圍為 130°05'～130°19'E、43°17'～43°25'N，影像獲取時間為2008年10月12日，空間分辨率為2.5 m。此外，還有SPOT5影像正射校正用的1∶10 000的DEM數(shù)據(jù)。在影像分類前需要對影像進(jìn)行正射校正、圖像光譜增強等處理［9］，使其更利于圖像分割及信息的提取。從性價比來說，選用SPOT5影像進(jìn)行森林資源規(guī)劃設(shè)計調(diào)查，相對其他高分辨率影像，如QuickBird和IKNOS有較明顯的優(yōu)勢。此外，還選用了大的地性線及林班邊界參與影像分割。

2 研究方法

2.1 面向?qū)ο蠓诸惣夹g(shù)流程

研究采用基于面向?qū)ο蟮姆诸惙椒ㄟM(jìn)行多尺度分割和多層次分類實現(xiàn)地物的分層提取。其具體流程如圖1所示。首先，在大的地性線與已有林班線等邊界控制條件下，對SPOT5遙感影像進(jìn)行多尺度分割，并輸出矢量化結(jié)果，建立“對象”的拓?fù)潢P(guān)系。其次，借用多尺度分割結(jié)果，綜合考慮影像分割的上下文關(guān)系，結(jié)合分割對象的特征標(biāo)識，對影像分割結(jié)果進(jìn)行地塊類型識別，形成小班區(qū)劃初步結(jié)果。從初步結(jié)果中提取出有林地，并在有林地地塊控制范圍內(nèi)再次運行分割算法，輸出矢量化結(jié)果，與第一次的分割矢量化結(jié)果進(jìn)行疊加分析，形成小班區(qū)劃第二次結(jié)果。如果對第二次小班區(qū)劃結(jié)果不滿意，則進(jìn)行手工交互修改，形成最終的小班區(qū)劃結(jié)果。

圖1 面向?qū)ο蠓诸惣夹g(shù)流程

2.2 影像多尺度分割

在系統(tǒng)中對影像進(jìn)行多尺度分割。圖像分割是面向?qū)ο蠹夹g(shù)的基礎(chǔ)［10］，是將一幅圖像分割為空間上連續(xù)的、互不重疊的和一致性的區(qū)域［11］。

在文中，影像的分割結(jié)合基于SPOT5影像的林業(yè)分類標(biāo)準(zhǔn)(表1)分兩次進(jìn)行：先進(jìn)行較大尺度的分割，對分割圖像進(jìn)行基于規(guī)則的分類，得到有林地(喬木林);其次再對喬木林進(jìn)行較小尺度的分割，即基于分類的分割，旨在有林地中提取三級類，即對針葉林、闊葉林和混交林進(jìn)行提取。其中，SPOT5影像的4個波段及地性線和林班邊界專題圖層都參與了分割。為達(dá)到對地物的有效分割，經(jīng)過反復(fù)試驗并通過目視比較，得到最終分割的參數(shù)，見表2。

2.3 分類規(guī)則及信息提取

多尺度分割后，影像的基本單元已不是單個像元，而是由同質(zhì)像元組成的多邊形對象。面向每一多邊形對象，可計算出所包含像元的光譜信息，以及多邊形的形狀信息、紋理信息、位置信息、多邊形間的拓?fù)潢P(guān)系信息等。具體的分類規(guī)則可以充分利用對象所提供的各種信息進(jìn)行組合，以提取具體的地物。不同層次可以針對特定地物建立各自規(guī)則。

表1 基于SPOT5影像的林地分類系統(tǒng)

表2 分割參數(shù)

分類系統(tǒng)的建立是規(guī)則建立的基礎(chǔ)，文中根據(jù)研究的目的，結(jié)合表1中的基于SPOT5林業(yè)分類標(biāo)準(zhǔn)建立了分類體系，見圖2。根據(jù)前期對研究區(qū)域的考察，試驗區(qū)中不包含紅樹林和竹林，故在類層次結(jié)構(gòu)建立中不包括這兩類。

圖2 類層次結(jié)構(gòu)

利用系統(tǒng)中的模糊閾值分類方法分析影像對象，將各個類別的規(guī)則轉(zhuǎn)化為一系列的表達(dá)式。分類規(guī)則可以只有一個條件或者包含幾個條件的組合。因為有可能一個對象需要滿足大量的條件才可以賦給某一類。條件組合用“邏輯與and”、“邏輯或 or”和“邏輯非 not”連接起來，具體的規(guī)則如表3所示，其中判據(jù)值大小的確定主要依靠人機交互來完成。

在層1中，通過設(shè)置隸屬函數(shù)，利用基于規(guī)則分類的方法初次提取出表3中的5種地物。由于歸一化植被指數(shù)(Normalized Difference Vegetation Index，以I表示)值對區(qū)分植被與非植被比較有效，所以可以用其來區(qū)分開建筑物、道路等林業(yè)其他用地與植被。另外，林業(yè)其他用地在近紅外波段的灰度共生矩陣光譜均值較其他地類有較高的數(shù)值，用此特征和指數(shù)I進(jìn)行“邏輯與”組合提取出林業(yè)其他用地。由于疏林地的郁閉度小于或等于0.3，通過觀察，疏林地在指數(shù)I值域里有較小的值，在紅光波段與近紅外波段有較大的光譜值，故組合這些條件提取出疏林地。灌木林在影像上的紋理同質(zhì)性與異質(zhì)性表現(xiàn)較敏感，而且在短波紅外波段上有較高的光譜值，選取適當(dāng)?shù)倪壿嫿M合提取出了灌木林。在SPOT5影像中，苗圃地的紋理較均勻，且在紅光波段上有較高的標(biāo)準(zhǔn)差，進(jìn)而提取出苗圃地，最后在層1中將剩余未分類部分歸為有林地，層1的分類結(jié)果見圖3。

表3 影像分類規(guī)則

圖3 層1的分類結(jié)果

通過以上基于規(guī)則的分類，5種地物分類已經(jīng)完成，但有林地斑塊面積還很大，每個斑塊內(nèi)還包含多個森林覆蓋類型，還需要作進(jìn)一步的詳細(xì)分類，因此在層1中，針對有林地進(jìn)行小尺度的分割，并生成新的圖層，形成了層2。根據(jù)對歷年森林資源設(shè)計調(diào)查資料的分析，在層2中將有林地類型細(xì)分為針葉林、闊葉林和針闊混交林3個類型。針闊之間主要依據(jù)紋理來區(qū)分，針葉林的顆粒感較細(xì)，闊葉林有較強的顆粒感。另外，針葉林在影像中有較小的亮度值，而闊葉林在紅光波段和近紅外波段有較高的光譜值，綜合這些特征，用“邏輯或”連接它們提取針葉林與闊葉林。最后，將未分類的部分歸為針闊混交林。在影像自動化分類中難免會有錯分和漏分的影像對象，需要適當(dāng)?shù)乩檬止そ换ミM(jìn)行修改，最終的分類結(jié)果見圖4。

2.4 編輯分類結(jié)果

影像分割、分類結(jié)果經(jīng)過柵格矢量化處理后，利用系統(tǒng)中小班遙感區(qū)劃編輯功能模塊對輸出矢量結(jié)果不符合規(guī)定的部分進(jìn)行編輯處理。首先對其進(jìn)行光滑處理，并參考影像及小班劃分約束條件，對不符合小班區(qū)劃要求的斑塊進(jìn)行適當(dāng)?shù)氖止そ换ゾ庉嫞纬傻男“鄥^(qū)劃結(jié)果如圖5所示。

圖4 層2的分類結(jié)果

圖5 小班區(qū)劃結(jié)果

3 精度評價

遙感分類結(jié)果和地面實際情況總是存在一定的誤差，對分類結(jié)果進(jìn)行精度評價和分析是檢驗技術(shù)手段可行性的有效方法。本文利用混淆矩陣［12］、分類總體精度和kappa系數(shù)對分類結(jié)果進(jìn)行精度評價，驗證樣地以2007年該區(qū)域二類調(diào)查數(shù)據(jù)為基礎(chǔ)，并經(jīng)實地調(diào)查確認(rèn)，如表4所示。從表中4可以發(fā)現(xiàn)，利用該方法進(jìn)行分類，結(jié)果是令人滿意的，能夠滿足基本林業(yè)生產(chǎn)需求。

表4 分類精度評價像素

4 結(jié)果與討論

研究中，采取大的地性線與已有林班線為邊界控制條件，對影像進(jìn)行邊界控制條件下的多尺度、多層次分割，在此基礎(chǔ)上進(jìn)行小班區(qū)劃，得到了較好區(qū)劃精度?？梢詾榻鉀Q森林資源自動區(qū)劃提供一種有效途徑。

采用基于面向?qū)ο蟮姆诸惙椒?，不僅利用對象的光譜特征，而且更充分利用了對象的空間特征，這使得一些通過光譜特征很難區(qū)分或者根本無法區(qū)分的地物很容易被提取出來。此外，研究中采用的面向?qū)ο筮b感圖像分類方法，不僅能夠充分利用高分辨率遙感圖像豐富的空間信息，自動提取現(xiàn)實世界中的地理目標(biāo)，而且還能輸出帶有屬性表的多邊形，解決森林資源用圖的及時更新。

雖然基于多級分割和規(guī)則設(shè)置的面向?qū)ο蠓诸惙椒苋〉幂^高的分類精度，但是在分類過程中分割尺度和規(guī)則的選取設(shè)置都需要人工參與，對分類者的要求較高，因此，降低人為干預(yù)和提高效率問題，值得進(jìn)一步的研究。

基于遙感影像計算機自動解譯的小班區(qū)劃結(jié)果與人為的主觀區(qū)劃結(jié)果肯定存在一定的差異，但遙感影像計算機自動解譯的結(jié)果符合實際生產(chǎn)應(yīng)用，基本達(dá)到了要求。

［1］鄭天水.SPOT5衛(wèi)星遙感信息在森林資源調(diào)查中的應(yīng)用現(xiàn)狀與解決思路［J］.林業(yè)調(diào)查規(guī)劃，2006，31(5)：24-28.

［2］Barrile V，Bilotta G.Object-oriented analysis applied to high resolution satellite data［J］.WSEASTransactions on Signal Processing，2008，4(3)：68-75.

［3］Benz U C，Hofmann P，Willhauck G，et al.Multi-resolution，object-oriented fuzzy analysis of remote sensing data for GIS-ready information［J］.ISPRS Journal of Photogrammetry ＆ Remote Sensing，2004，58(3/4)：239-258.

［4］林先成，李永樹.面向?qū)ο蟮某啥计皆叻直媛蔬b感影像分類研究［J］.西南交通大學(xué)學(xué)報，2010，45(3)：366-372.

［5］李春干，代華兵，譚必增，等.基于SPOT5圖像分割的森林小班邊界自動提?。跩］.林業(yè)科學(xué)研究，2010，23(1)：53-58.

［6］張艮龍，馮益明，賈建華，等.基于SPOT5遙感影像的小班區(qū)劃探討［J］.浙江林學(xué)院學(xué)報，2010，27(2)：299-303.

［7］陳云浩，馮通，史培軍，等.基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究［J］.武漢大學(xué)學(xué)報：信息科學(xué)版，2006，31(4)：316-320.

［8］彭海濤，柯長青.基于多層分割的面向?qū)ο筮b感影像分類方法研究［J］.遙感技術(shù)與應(yīng)用，2010，25(1)：149-154.

［9］任俊芳，侯四國，隋春玲.基于SPOT5衛(wèi)星遙感圖像融合配準(zhǔn)技術(shù)研究［J］.測繪科學(xué)與工程，2009，29(1)：15-18.

［10］Chubey M S，F(xiàn)ranklin SE，Wulder M A.Object-based analysis of ikonos-2 imagery for extraction of forest inventory parameters［J］.Photogrammetric Engineering ＆ Remote Sensing，2006，72(4)：383-394.

［11］Baatz M，Sch?pe A.Multiresolution segmentation：an optimization approach for high quality multi-scale image segmentation［C］//Strobl J，Blaschke T.Angewandte geographische informationsverarbeitung Ⅻ.Karlsruhe：Wichmann Verlag，2000：12-23.

［12］王文宇，李博.基于eCognition的高分辨率遙感圖像的自動識別分類技術(shù)［J］.北京建筑工程學(xué)院學(xué)報，2006，22(4)：26-29.