張 洪,沈金祥

(云南國土資源職業(yè)學院 數字國土與土地管理學院,云南 昆明 652501)

基于時序光譜特征匹配的中分辨率遙感橡膠林提取

張 洪,沈金祥

(云南國土資源職業(yè)學院 數字國土與土地管理學院,云南 昆明 652501)

紋理與物候是橡膠林區(qū)別于天然林及其他地類的有效診斷特征。對多時序中分辨率遙感影像合成的多譜影像提取出橡膠林端元光譜,通過光譜角及光譜信息散度計算像元時序光譜與橡膠林端元時序光譜間的匹配度,最后通過匹配度閾值的調整提取出橡膠林信息。實驗結果表明,采用時序光譜特征匹配法能夠有效地提取出中分辨率遙感影像中的橡膠林信息,精度在93%以上,且光譜信息散度較光譜角匹配能取得更高的精度。

時序光譜特征;橡膠林；信息提取;光譜角匹配;光譜信息散度

0 引言

橡膠林是熱帶地區(qū)土地利用變化后建立的主要人工林生態(tài)系統(tǒng),橡膠種植業(yè)已成為熱帶地區(qū)許多國家經濟的重要組成部分,且近些年來呈現不斷增長的趨勢,甚至在產膠低的不宜種植區(qū)也開始種植橡膠林。橡膠林的種植對于熱帶地區(qū)生物多樣性的破壞作用是顯而易見的,且早已引起了生態(tài)學家的極大關注[1-3]。

精確獲取橡膠林的時空分布信息對于研究橡膠林的演變過程與趨勢,統(tǒng)籌經濟、社會與環(huán)境發(fā)展,科學開發(fā)規(guī)劃橡膠林具有極為重要的作用。快速發(fā)展的遙感對地觀測技術為橡膠林的監(jiān)測提供了強有力的技術保障。作為典型的人工林,橡膠一般種植在坡度較緩的山坡上,行距15 m左右,株距4.5 m左右,這在遙感影像上表現出極強的紋理性。此外,橡膠林也具有典型的物候特征,即1月上旬至2月中旬的集中落葉期、2月下旬至3月中旬的快速生長期。紋理與物候也正是橡膠林區(qū)別于天然林及其他地類的有效診斷特征,這已成為遙感影像橡膠林提取的理論依據。近些年來,眾多學者針對多類型的遙感數據源提出了多種橡膠林的提取技術方法,并取得了一定的效果[4-11]。

盡管高分辨率影像能夠清晰地分辨出橡膠林的空間紋理特征,但目前在影像分析上對于紋理特征的有效表達和計算仍有較多不確定性。中分辨率遙感影像獲取成本低,時相信息豐富,能夠很好地表達出橡膠林的物候特征。為此,本文提出一種基于中分辨率遙感影像、提取效果較好且計算又較為簡單的方法——基于時序光譜特征匹配(Temporal Spectrum Match, TSM)的遙感影像橡膠林識別方法,通過光譜角匹配(SAM)及光譜信息散度(SID)算法對樣本與多時相遙感影像像元時序光譜特征的匹配來識別和提取遙感影像中的橡膠林。

1 研究方法

基于TSM的遙感影像橡膠林識別方法以多時相遙感數據作為輸入,通過樣本時序光譜特征的采集及與影像像元時序光譜的匹配,調整合適的匹配度閾值提取橡膠林信息。圖1為整個技術方法體系。

圖1 橡膠林信息提取方法流程

1.1 影像預處理

影像預處理工作主要包括遙感數據的輻射校正、幾何校正(正射校正)、波段合并等。輻射校正是將原始影像像元灰度值(DN值)還原成真實的地物反射率值的過程。由于涉及至少兩個時期的多景遙感影像,輻射校正處理是不同景遙感影像間具有可比性的保障。輻射校正包括輻射定標及大氣校正兩個過程。輻射定標將遙感影像各個波段的灰度值(DN值)轉換為具有物理意義的反射率值(0～1之間的值),即轉換為大氣頂層反射率。大氣校正是在大氣頂層反射率計算后進一步考慮和消除太陽輻射兩次穿越大氣層到頂對地觀測平臺時大氣成分對太陽輻射的散射、吸收等,其計算過程較為復雜,目前常用的模型有基于輻射傳輸機理的6S及MODTRAN兩類模型。

幾何校正是建立遙感影像與地面目標間的幾何映射關系的過程,平坦區(qū)通過若干地面控制點結合校正模型即可以完成校正處理。對于山區(qū)則需要考慮地形起伏的影像,在地面控制點支撐的同時,還需加入地面高程模型(DEM)才能得到較好的校正精度。幾何校正是時間系列影像疊加分析成功的關鍵因素,是能夠從落葉期與生長期多個時期遙感影像取得準確光譜變異特征的重要保障。

影像預處理階段的另一項工作是波段合并,即對生長期與落葉期的多波段影像進行波段合并,以形成單景多波段影像。

1.2 樣本時序光譜采集

結合橡膠林的實地采集樣本及較高空間分辨率影像,在落葉期與生長期合成的單景多波段影像上選擇相應的若干像元樣本,形成橡膠林時序光譜曲線。由于橡膠林行距、株距較大,林中混合有土壤或其他林下植被信息,因此采集的影像像元樣本通常是混合樣本。為了提高后續(xù)的橡膠林時序光譜匹配的精度,將對采集的橡膠林像元樣本進行亞像元分析,提取出純凈的橡膠林時序光譜曲線。

1.3 光譜匹配度的計算

計算光譜匹配度的方法包括光譜角匹配(SAM)及光譜信息散度匹配(SID)兩種,均是通過計算樣本光譜曲線與目標光譜曲線間的相似程度來確定目標的類別歸屬概率大小。SAM通過在高維空間中以夾角的形式對多、高光譜影像像元光譜曲線與光譜庫中的地物標準光譜曲線進行相似性比較,其計算公式[12]為:

上式中：nb為波段數目；ti、ri分別為測試光譜及參考光譜在第i波段的反射率值。

SID基于信息論和概率統(tǒng)計,通過信息散度來考慮像元光譜與參考光譜間的相似性[13]。假設參考光譜R={R1,R2,R3,R4,…,Rn},像元目標光譜P={P1,P2,P3,P4,…,Pn},則SID的計算公式為:SID(R,P)=D(R||P)+D(P||R),式中:

無論是SAM匹配還是SID匹配，它們對參考光譜與目標光譜進行匹配的重要優(yōu)勢在于不考慮各個波段上取值的絕對差異性,而僅從整體上看兩條曲線的相似程度。對于遙感影像而言,只要保證正確的波段關系,則光譜曲線匹配就可以取得較好的效果。這里的參考光譜為上述采集的橡膠林樣本光譜曲線,測試光譜則是由像元各波段反射率值形成的光譜曲線。對橡膠林落葉期與生長期合成的影像,分別利用上述SAM及SID計算公式逐像元計算其光譜曲線與參考光譜間的SAM值及SID值。

1.4 提取處理

計算出來的SAM及SID影像,其取值越接近0值,則說明像元光譜與橡膠林樣本光譜的匹配度越高,即像元為橡膠林的概率就越大。通過調整和設置閾值,即可提取出影像中的橡膠林分布區(qū)域。在提取完成后,還需進行小斑塊的合并與移除、多景提取結果的拼接及裁剪等后處理操作。

2 結果與分析

2.1 實驗數據及其預處理

選擇橡膠林種植面積較大的云南西雙版納地區(qū)作為實驗區(qū),該地區(qū)1976年橡膠林種植面積只占總面積的1.1%左右;到2003年上升至11.3%,20多年擴張了近10倍[1]。在數據源方面,選擇輻射和空間定位精度較高的Landsat8OLI(由glovis.usgs.gov網站免費下載)。覆蓋全區(qū)域的數據有3景,全部為2015年數據,時間跨度為2月下旬(落葉期)至3月上中旬(快速生長期),相關信息如表1。

數據預處理工作在ENVI 5.1軟件平臺上完成。該版本ENVI支持Landsat 8 OLI數據的讀取。在下載、解壓壓縮包后讀取MTL.txt即讀入OLI各波段的影像數據。通過Radiometric calibration模塊將影像DN值直接轉換為大氣校正模塊Flaash所需的輻射值,再由Flaash模塊完成大氣校正處理,最終轉換為地表反射率值。實驗區(qū)主要為山區(qū),結合野外采集的控制點及地形圖數據采集的地面控制點,在90 m SRTM DEM支持下完成數據的正射校正處理。同軌兩個時期的影像選擇{Blue, Green, Red, NIR, SWIR1, SWIR2}6個波段進行波段合并處理,最后產生12個波段的影像文件。

2.2 實驗結果與分析

2.2.1 橡膠林時序光譜的采集 結合高分辨率衛(wèi)星影像及野外采集的樣本點,在全圖均勻選擇樣本區(qū),共有超過2500個像元樣本。利用連續(xù)最大角凸錐(SMACC)對這些像素進行端元提取,提取出真實的橡膠林時序光譜(如圖2所示)。

a:落葉期影像(NIR、RED、GREEN); b:生長期影像(NIR、RED、GREEN);

從圖2中的{NIR、RED、GREEN}合成的標準假彩色影像(圖2a、圖2b)對比以及光譜曲線(圖2c、圖2d)對比均可以看出：無論是落葉期與快速生長期間的對比,還是橡膠林與天然林的對比,在NIR波段上的光譜反射率差異都是最大的,快速生長期在NIR波段有一個較大的反射峰；除此之外,在綠波段位置上,快速生長期也形成有一個較為明顯的小反射峰。

2.2.2 基于TSM的橡膠林提取 盡管在近紅外波段及綠波段上,落葉期與生長期的橡膠林反射率,以及橡膠林與天然林間的反射率均有較大的差異性,但僅利用絕對的差異性仍難以有效提取出橡膠林信息。在ENVI中,對落葉期與快速生長期{Blue、Green、Red、NIR、SWIR1、SWIR2}合成影像,用上述SMACC提取出的橡膠林時序光譜分別計算SAM與SID值,依據精度評價結果調整閾值,直至最終得到較高精度的橡膠林提取結果。對覆蓋西雙版納的129045、130044、130045分別進行提取,并對提取結果進行拼接與裁剪。對初步提取結果還需進行一些后處理操作,主要包括小斑塊的合并與去除、部分錯誤區(qū)域的編輯處理等。最后得到西雙版納地區(qū)2015年的橡膠林分布圖(圖3)。

a:落葉期; b:快速生長期; c: SAM計算結果; d: SID計算結果;

通過野外采集及影像上手工采集的檢驗樣本進行精度檢驗,SAM與SID提取橡膠林信息的總體精度分別為93.2%及94.8%。相對來說,在本次實驗中,SID光譜匹配方法能夠取得更高的精度。采用這兩種匹配方法對橡膠林的提取結果均能夠滿足實際應用需求。圖3的結果還表明,西雙版納地區(qū)橡膠林主要集中在溫度更高的南部地區(qū),其中景洪市和勐臘縣種植更為廣泛。統(tǒng)計結果顯示,該地區(qū)橡膠林面積在2700 km2左右,占該地區(qū)面積的14%左右。

3 結論與討論

由于“同物異譜、異物同譜”現象的客觀存在,應用單一遙感影像通常難以準確地識別出目標信息。對于具有典型物候特征的地物目標,通過多時相遙感影像擴展識別“譜”特征,能夠顯著提高識別的準確性。在本研究中,通過SMACC提純后的橡膠林時序光譜,計算出的SAM及SID值代表了與橡膠林時序光譜的擬合度,通過設置一定的閾值即可以提取出橡膠林分布數據。然而,遙感數據呈現出的落葉期橡膠林并未完全落葉或葉片變黃,快速生長期也并非完全生長出綠葉。因此,客觀上會不可避免地存在“少提取”部分不符合時序光譜特征的橡膠林區(qū)域的問題。同時,如果為了盡可能地避免發(fā)生“少提取”問題而調整閾值，則又會發(fā)生“多提取”的問題。更多時期的遙感影像可以形成更為復雜的時序光譜曲線；如能加入地形、坡度或其他專題圖層等橡膠林分布的限制性因子,則有望能夠進一步提高橡膠林的識別精度?；跁r序光譜匹配的橡膠林識別方法也將為具有典型物候特征的其他植被類型的識別提供可借鑒的研究思路。

[1] Li H M, Aide T M, Ma Y X, et al. Demand for rubber is causing the loss of high diversity rain forest in SW China[J]. Biodiversity and Conservation, 2007, 16(6): 1731-1745.

[2] 沙麗清.西雙版納熱帶季節(jié)雨林、橡膠林及水稻田生態(tài)系統(tǒng)碳儲量和土壤碳排放研究[D].西雙版納:中國科學院西雙版納熱帶植物園,2008.

[3] Zhang M, Schaefer D A, Chan O C, et al. Decomposition differences of labile carbon from litter to soil in a tropical rain forest and rubber plantation of Xishuangbanna, southwest China[J]. European Journal of Soil Biology, 2013, 55: 55-61.

[4] Ekadinata A, Widayati A, Vincent G. Rubber agroforest identification using object-based classification in Bungo district, Jambi, Indonesia[C]//Chiang Mai: 25th Asian Conference on Remote Sensing, 2004.

[5] 李亞飛,劉高煥,黃翀.基于HJ-1CCD數據的西雙版納地區(qū)橡膠林分布特征[J].中國科學,2011,41:166-176.

[6] Feng Z M, Jiang L G, Liu X N, et al. Rubber plantations in Xishuangbanna: remote sensing identification and digital mapping[J]. Resources Science, 2012, 34(9): 1769-1780.

[7] Li Z, Fox J M. Mapping rubber tree growth in mainland Southeast Asia using time-series MODIS 250 m NDVI and statistical data[J]. Applied Geography, 2012, 32(2): 420-432.

[8] Senf C, Pflugmacher D, Linden S, et al. Mapping rubber plantations and natural forests in Xishuangbanna (Southwest China) using multi-spectral phenological metrics from MODIS time series[J]. Remote Sensing, 2013, 5(6): 2795-2812.

[9] Dong J W, Xiao X M, Chen B Q, et al. Mapping deciduous rubber plantations through integration of PALSAR and multi-temporal Landsat imagery[J]. Remote Sensing of Environment, 2013, 134: 392-402.

[10] Dong J W, Xiao X M, Sheldon S, et al. Mapping tropical forests and rubber plantations in complex landscapes by integrating PALSAR and MODIS imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 74: 20-33.

[11] Kou W L, Xiao X M, Dong J W, et al. Mapping deciduous rubber plantation areas and stand ages with PALSAR and Landsat images[J]. Remote Sensing, 2015, 7(1): 1048-1073.

[12] Kruse F A, Lefkoff A B, Boardman J B, et al. The spectral image processing system (SIPS)-interactive visualization and analysis of imaging spectrometer data[J]. Remote Sensing of Environment, 1993, 44: 145-163.

[13] Du Y Z, Chang C L, Ren H, et al. New hyperspectral discrimination measure for spectral characterization[J]. Optical Engineering, 2004, 43(8): 1777-1786.

Extraction of Rubber Plantation Information from Medium-resolution Remote-sensing Images Based on Temporal Spectral Feature Matching

ZHANG Hong, SHEN Jin-xiang

(Department of Digital Land and Land Management，Yunnan Land and Resources Vocational College, Kunming 652501, China)

Texture and phenology was the effective diagnostic features to distinguish the rubber plantation from natural forests and other land types. Extracted the rubber plantation endmember from the multispectral image which synthesized with time series images, used the spectral angle and the spectral information divergence formula to calculate the temporal spectral fitting value between pixels and rubber plantation endmember, finally, extracted the rubber plantation information from fitting value image with the favorable threshold. Experimental results showed that the temporal spectral feature matching method could effectively extract rubber plantation information from the medium-resolution remote sensing image, and the accuracy was better than 93%, furthermore, the spectral information divergence matching could achieve higher accuracy than that of the spectral angle.

Temporal spectral feature; Rubber plantation extraction; Information extraction; Spectral angle matching; Spectral information divergence

2015-10-28

云南省應用基礎研究計劃面上項目(2013FB082)。

張洪(1968─),男,四川成都人,副教授,主要研究領域為攝影測量與遙感技術。

S794.1

A

1001-8581(2016)03-0093-05

表1 實驗數據列表

軌道號成像時間(

)1290452月21日(LC81290452015052LGN00);3月9日(LC81290452015068LGN00)1300442月28日(LC81300442015059LGN00);3月16日(LC81300442015075LGN00)1300452月28日(LC81300452015059LGN00);3月16日(LC81300452015075LGN00)

黃榮華)