黃 田,張 超,吉一濤,余哲修,羅恒春,張 一

(西南林業(yè)大學,昆明 650224)

基于端元提取的滇中典型森林類型識別研究

黃 田,張 超,吉一濤,余哲修,羅恒春,張 一

(西南林業(yè)大學,昆明 650224)

端元波譜的選擇對森林類型的識別精度和效率具有重要影響。以滇中地區(qū)典型森林植被為研究對象,基于Landsat8 OLI遙感影像數(shù)據(jù),結合二類調(diào)查數(shù)據(jù),在影像融合的基礎上提取典型森林植被的感興趣區(qū),通過最小噪聲分離變換及n維散點圖提取滇中典型森林植被(云南松、華山松、藍桉、柏木和櫟類)的波譜曲線,利用提取出的端元波譜,采用波譜角填圖法進行滇中典型森林類型的識別,采用混淆矩陣對分類結果進行精度評價；同時,與傳統(tǒng)的森林類型分類識別端元提取方法進行了對比分析。研究結果表明:1) 基于感興趣區(qū)端元提取的方法所得的分類結果較為理想,總體分類精度達83.46%,其中云南松84.78%、華山松96.88%、藍桉80.60%、柏木75.00%、櫟類57.69%。2) 基于幾何頂點的端元提取方法通過多次端元波譜提取、波譜分析仍僅能識別云南松、華山松、藍桉和櫟類,柏木無法識別；分類精度分別為云南松89.13%、華山松84.37%、藍桉76.12%、櫟類53.13%。基于傳統(tǒng)方法提取出的波譜近似程度較高,分類精度偏低,端元波譜不易識別。3) 基于感興趣區(qū)的端元提取方法方便快捷、精度較高,可避免無意義端元波譜對分類結果的混淆,能有效解決端元波譜無法識別的技術難題。

端元提取;光譜角填圖;森林類型;遙感圖像分類;滇中地區(qū)

傳統(tǒng)的森林資源調(diào)查受人為干擾影響較大,費時、費力[1]。采用遙感手段識別和提取森林資源的相關信息,能夠為森林資源有效保護和合理利用提供及時、準確的基礎數(shù)據(jù)[2]。近年來,在林業(yè)遙感領域進行森林類型的遙感分類中,基于端元波譜提取的方法已有較多探討和研究[3]。在遙感圖像上提取端元,通過分析植被的光譜特征對植被進行分類識別已成為研究熱點[4-6]。目前,國內(nèi)外已初步形成了半自動、全自動的端元提取算法,較為成熟的算法有純像元指數(shù)法[7]、幾何頂點法等。傳統(tǒng)的端元提取方法,如純凈像元指數(shù)法、幾何頂點提取法、最大角凸錐[8-10]算法等均可從圖像中提取端元波譜以及豐度信息,提供了快捷方便、自動化的端元波譜提取方法[11]。但是,提取出的端元近似程度高,分類精度偏低[12]，同時,準確識別提取出的端元波譜一直是亟待解決的科學問題,不能直接用于對地物類型的識別研究[13-14]。

森林類型/樹種的遙感識別一直是林業(yè)遙感領域中的技術瓶頸,國內(nèi)外學者至今未能探索出較理想的森林類型/樹種分類識別的技術和方法。為了解決準確識別端元波譜的難題,提高森林類型的識別精度,基于Landsat8 OLI遙感影像數(shù)據(jù),結合二類調(diào)查小班數(shù)據(jù),提取研究區(qū)典型森林植被的感興趣區(qū)；經(jīng)過MNF變換在散點圖上提取典型森林植被的波譜曲線；基于提取得到的典型森林植被波譜,采用SAM分類方法對典型森林植被進行識別研究,能夠為今后森林類型/樹種的遙感識別提供方法借鑒。

1 研究區(qū)概況

以云南省昆明市西山區(qū)為研究區(qū),地處東經(jīng)102°21′～102°45′,北緯24°41′～25°26′之間。西山地勢呈西北高、東南低的特征,最高海拔2 622m,最低海拔1 731m?？偯娣e791km2,其中山區(qū)、半山區(qū)占92%。屬亞熱帶半濕潤季風氣候,年平均氣溫15℃左右；年平均降水量900～1 200mm,主要集中在每年5—9月；全年日照時數(shù)2 328h,蒸發(fā)量1 856mm。植被類型豐富,2015年全區(qū)森林覆蓋率為58.6%,以云南松(Pinusyunnanensis)、華山松(PinusarmandiiFranch.)、藍桉(EucalyptusglobulusLabill.)、柏木(CupressusfunebrisEndl.)和櫟類(Quercusacutissima)等類型為主,因此本文遙感分類識別的對象主要為云南松、華山松、藍桉、柏木和櫟類。

2 研究方法

2.1 數(shù)據(jù)獲取及其預處理

研究區(qū)遙感影像來源于行列號為p129r43的landsat8 OLI多光譜遙感影像。影像拍攝時間為2017年5月1日,影像多光譜波段空間分辨率為30m,與全色波段融合后提高到15m。所用影像獲取時正處于夏季,植被生長特征明顯,且拍攝時天氣晴朗,區(qū)域內(nèi)無云。地物清晰,有利于植被信息提取。

訓練樣本和檢驗數(shù)據(jù)來源于2015年全國森林資源二類調(diào)查數(shù)據(jù),訓練樣本從西山區(qū)二調(diào)小班數(shù)據(jù)中獲取,提取研究區(qū)5種典型植被云南松、華山松、藍桉、柏木和櫟類的純林數(shù)據(jù)作為樣本數(shù)據(jù)。從小班數(shù)據(jù)中隨機選取272個樣點作為檢驗數(shù)據(jù),其中云南松54個檢驗點,華山松77個檢驗點,藍桉67個檢驗點,柏木56個檢驗點,櫟類52個檢驗點。

Landsat8 OLI數(shù)據(jù)為L1T級別,滿足精度要求,不必再做地形校正。因此僅對影像做輻射定標和大氣校正。由圖1可知,通過校正,影像大致去除了大氣散射引起的輻射誤差影響,植被反射率恢復正常。

圖1 大氣校正前后植被反射率對比圖

2.2 影像融合

為提高影像分辨率,分別采用了兩種融合方法,即Gran-Schmidt和NNDiffuse。將Landsat8 OLI影像多光譜波段與全色波段融合,融合后影像空間分辨率提高到15m。從圖2上可以看出:融合后的影像目視效果要優(yōu)于原始影像,NNDiffuse融合后的影像清晰度高于Gran-Schmidt融合后的影像,從NNDiffuse融合后的影像上可以清晰地識別出水體。從光譜反射曲線細節(jié)上來看,融合處理后的影像效果比原始高光譜影像好,不同融合方法融合后的影像的光譜細節(jié)相差不大。故后續(xù)研究過程采用NNDiffuse融合影像。

圖2 影像融合對比圖

2.3 MNF變換

MNF(最小噪聲分離)變換可以消除原始影像各波段之間的相關性并分離數(shù)據(jù)中的噪音,通常在選取端元之前先對原始影像進行空間變換。MNF轉換是當前被廣泛使用的一種空間變換方法。本研究即選用MNF轉換方法對原始影像進行空間轉換。圖3是原始圖像MNF變換后影像的波段信息分量分布情況。

圖3 各波段信息分量

由圖3可知西山區(qū)原始圖像經(jīng)過MNF轉換后,前四波段能夠涵蓋整幅圖像絕大部分的信息(90.38%),其中第一組分包含了64.5%的信息,第二、第三、第四波段分別包含了13.24%,7.13%,5%的信息。此外,各波段之間的相關性得到了去除,數(shù)據(jù)中的噪音得到了分離。結果表明采用MNF轉換后的前4個波段來選取端元是行之有效的方法。

2.4 端元波譜提取

1) 創(chuàng)建感興趣區(qū)。根據(jù)2015年全國森林資源二類調(diào)查小班數(shù)據(jù)的屬性信息,分別提取出西山區(qū)5種典型植被單種植被林種類型為純林的小班數(shù)據(jù)為樣本數(shù)據(jù),根據(jù)樣本數(shù)據(jù)形成不同植被純林的感興趣區(qū),基于預處理數(shù)據(jù)在MNF變換影像上結合各感興趣區(qū)構建n維散點圖,在n維散點圖上獲取端元波譜。

2) 構建n維散點圖。應用MNF變換后影像的前4個波段來構建4維散點圖,構建4維散點圖與最小噪聲分離變換(MNF)結果和純林感興趣區(qū)相結合,用于定位、識別、集聚數(shù)據(jù)集中最純的像元,來獲得純凈的端元波譜。n維散點圖實質(zhì)是一個n維數(shù)據(jù)到二維平面的映射。波譜被認為是n維散點圖中的點,n為波段數(shù)目。n維空間中點的坐標由n個值組成,是每個波段對應的像元值。可以根據(jù)這些點在n維空間中的分布估計端元波譜數(shù)目以及它們的相應的波譜。提取波譜,并對提取到的波譜賦值橫坐標為波長,縱坐標為反射率。用5種感興趣區(qū)分別和MNF變化結果做散點圖分析,重復5次選擇5類純凈端元。用波譜收集器收集端元波譜。

3) 光譜角填圖。光譜角制圖(Spectral Angle Mapping,SAM)是通過測試像元光譜與參考光譜之間的夾角來判斷光譜之間的相似程度,從而對光譜曲線進行匹配和分類,實現(xiàn)地物類型的判別[15]。夾角計算公式為:

(1)

式中:n為高光譜數(shù)據(jù)的波段數(shù),Xi為測試矢量,Yi為參考矢量。

3 結果與分析

3.1 SAM分類結果及精度驗證

結合上文提取出的端元波譜如圖4,基于融合效果較好的NNDiffuse融合后的影像,采用光譜角填圖方法進行分類。分類結果如圖5。

采用常見的精度評價方法—混淆矩陣(誤差矩陣)法,為n行n列的矩陣,其中n為分類的類別個數(shù)?；煜仃囃ㄟ^對比分類結果與地表真實信息進行誤差分析,將分類結果的評價顯示在一個矩陣中,矩陣的每一列代表一個真實類別,每列的數(shù)值代表實際像元類型在分類圖中對應的類別的數(shù)目,矩陣的對角線上是像元正確的分類數(shù)目。

圖4 端元波譜圖

圖5 SAM分類結果

根據(jù)西山區(qū)二調(diào)數(shù)據(jù)隨機提取出272個驗證點,形成的地表真實感興趣區(qū)對分類結果進行評價。對分類結果做混淆矩陣顯示分類結果精度,混淆矩陣結果如表1所示。

表1 研究區(qū)植被分類結果精度

由表1中可以看出,通過精度檢驗,Kappa系數(shù)為0.79,總體精度為83.46%,結果表明,分類精度較高。由表中統(tǒng)計數(shù)據(jù)可以看出,識別出的5種植被中,云南松、華山松和藍桉3種植被的識別精度相對較高,而柏木、櫟類精度相對較低?？蓺w結為以下兩點原因:

1) 端元波譜提取的誤差。在選擇感興趣區(qū)時受人為主觀因素的影響較大,因此選擇不同的感興趣區(qū)提取出來的端元波譜會有所偏差,會對森林植被識別精度造成一定的影響。

2) 從物種角度上來說,前3種植被是單一物種,對應一種波譜曲線,較易于提取出來,而柏木和櫟類中包含了不同的植被種類,不同植被波譜曲線各不相同,基于感興趣區(qū)提取的波譜曲線存在一定的局限性,無法代表柏木和櫟類所包含的所有物種。因此精度檢驗的結果是合理的。

由此可以得出初步的結論:對影像數(shù)據(jù)降維做MNF變換,結合感興趣區(qū)采用n維散點圖提取植被端元,采用SAM的分類方法對植被進行識別的方法是可取的。應用感興趣區(qū)提取端元波譜進行植被分類具有一定的可靠性,適用于中等分辨率(Landsat8)影像。

3.2 誤差來源及分析

基于感興趣區(qū)提取出端元波譜對滇中地區(qū)典型森林植被進行識別,識別出了云南松、華山松、藍桉、柏木和櫟類。總體分類精度83.46%,其中云南松84.78%、華山松96.88%、藍桉80.60%、柏木75.00%、櫟類57.69%。造成精度誤差的影響因素主要有以下幾個。

1) 感興趣區(qū)選取是否科學合理?；诟信d趣區(qū)提取端元波譜識別典型森林植被,識別精度受到端元波譜選擇的影響。感興趣區(qū)的選擇對端元波譜的提取有直接的作用,因此,感興趣區(qū)選取是否科學合理直接影響了森林植被識別的精度。感興趣區(qū)的選擇在單種植被覆蓋率80%～100%的純林中進行挑選,且要求感興趣具有一定的代表性,提取出的端元波譜才能在研究中具有普適性。感興趣區(qū)的選擇需要人為干預,受人為主觀影響較大,因此在選取感興趣區(qū)時一定要注意科學合理。

2) “同物異譜”,“異物同譜”現(xiàn)象的存在造成了一定的誤差。相同的地物由于它的紋理、形狀、分布等因素的影響,地物反射波譜曲線可能存在差異,造成了“同物異譜”的現(xiàn)象,這部分不同波譜曲線的相同地物無法被識別出來,常常需要結合經(jīng)驗和分布等特征對其進行判讀。同樣,不同的地物也可能具有相同的波譜曲線,導致不同地物由于波譜曲線相同被歸為一類,對識別精度造成一定的影響。

3) 基于Landsat8 OLI遙感影像數(shù)據(jù),Landsat8多光譜影像波段較少,光譜信息不全。從影像上提取端元波譜具有一定的局限性,會對森林植被識別精度造成一定的影響?？臻g分辨率為30m,經(jīng)過融合處理后影像空間分辨率提高到15m,每個像元的面積為225m2,我們在像元尺度上進行研究,假設一個像元內(nèi)只包含一種地物,對影像進行識別。但每個像元內(nèi)不可避免地包含了不同的地物,存在混合像元的現(xiàn)象,影響了識別精度。

3.3 SAM分類方法與傳統(tǒng)方法對比分析

為了更好地評價基于感興趣區(qū)的端元波譜提取方法對植被分類和識別效果,通過幾何頂點端元提取法與其進行對比,對其進行定性評價。

選用基于MNF變換數(shù)據(jù)降維后的影像,在n維散點圖上采用幾何頂點端元提取的方法,對同一幅NNDiffuse融合后的影像提取端元波譜,利用波譜分析工具識別端元波譜,采用波譜角填圖分類方法進行滇中典型森林類型的識別,并對分類結果進行精度評價。

經(jīng)過3次不同的波譜提取與波譜分析,應用幾何頂點的端元提取方法識別出了云南松、華山松、藍桉和櫟類,柏木則無法識別。第一次提取出6種端元波譜僅識別出了云南松、藍桉和水體,其它3種無法確定類別。識別精度分別為云南松89.13%、藍桉76.12%。第二次重新進行端元波譜提取和分析,提取出了7種端元波譜,通過波譜分析識別出了華山松、和櫟類。識別精度分別為華山松84.37%、櫟類53.13%。第三次將第一次和第二次的端元波譜合并,再次進行波譜識別,識別出了云南松、華山松、藍桉和櫟類,沒有識別出柏木,且13種端元波譜僅識別出了包括水體在內(nèi)的物種,其他8種端元波譜無法確定其類別。對兩種方法識別效果進行對比如表2所示。

表2 不同端元提取方法精度對比

對比分析可知:1) 基于感興趣區(qū)端元提取的方法識別出了云南松、華山松、藍桉、柏木和櫟類,基于幾何頂點端元提取的方法識別出了云南松、華山松、藍桉和櫟類,前一種方法識別出的森林植被類型多,而且更加準確。2) 幾何頂點算法通過3次計算,3次波譜分析才識別出了4種典型森林植被,而基于感興趣區(qū)的端元提取算法經(jīng)過一次計算識別出了5種植被波譜。這說明通過感興趣區(qū)端元提取算法可以緩解端元提取計算量大,費時費力等問題。3) 基于感興趣區(qū)端元提取的方法相對于其他端元提取算法,比如純凈像元指數(shù)法、幾何頂點提取法、最大角凸錐算法等,有效地解決了端元波譜無法確定類別的難題,避免了提取出一些無意義的端元波譜。雖然基于幾何頂點的端元提取方法識別出的云南松精度略高,但是基于幾何頂點的端元提取方法獲得的波譜曲線數(shù)量較多,端元波譜識別困難,很多提取出來的端元波譜無法確定分類類別。

綜上所述,在以后的研究工作和森林資源調(diào)查中,可以使用文中所用的方法,根據(jù)實測點的數(shù)據(jù)提取出感興趣區(qū),從中選擇端元波譜對森林植被進行識別,可以有效地節(jié)省一定的人力物力。

4 結論與討論

4.1 結論

1) 通過從感興趣區(qū)提取出端元波譜,有效解決了植被識別中端元波譜識別困難的問題。

2) 有效解決了傳統(tǒng)端元波譜提取方法近似程度高,分類精度低的問題。

3) 采用從感興趣區(qū)提取植被端元波譜的方法,與傳統(tǒng)的基于計算機自動識別的方法不同,是一種新的有益嘗試。通過分析發(fā)現(xiàn),通過Landsat8 OLI影像融合,基于地面實測樣點數(shù)據(jù),在影像上利用感興趣區(qū)提取出的典型森林植被類型端元波譜,基于端元波譜采用SAM分類方法對地面植被進行識別,并得到了較好的分類精度。

4) 實現(xiàn)了對不同森林植被的識別。識別出了云南松、華山松、藍桉、柏木和櫟類5種不同的植被類型。對波譜角填圖分類影像誤差分析表明,影像植被識別情況與野外實際情況大致相同,由此證明該分類方法具有較高的可行性。

4.2 討論

在以后的研究中可以采用該方法對高光譜影像進行植被識別。同時可以將基于感興趣區(qū)提取端元的方法應用到混合像元分解中。研究區(qū)域為西山區(qū),由于植被受時間變化的影響,二調(diào)數(shù)據(jù)在2015年采集,而影像是2017年5月的,所以這之間的植被變化會影響到植被識別的精度。在以后的研究中應該注意這個問題。

使用SAM的分類方法對植被進行分類,但分類過程中精度受到例如光譜分解精度、陰影等影響,需要對這些問題更好的解決。基于一景影像根據(jù)經(jīng)驗選取效果較好的SAM分類進行研究,沒有使用其他的分類方法。在以后的研究中應該用不同的方法進行比較和分析。

[1]劉濤,谷建才,陳鳳娟,等.“3S”技術在森林資源調(diào)查中的應用與展望[J].中國農(nóng)學通報,2008,24(11):156-159.

[2]劉旭升,張曉麗.基于BP神經(jīng)網(wǎng)絡的森林植被遙感分類研究[J].林業(yè)資源管理,2005(1):51-54.

[3]蔣金豹,尤笛,汪國平,等.蘋果輕微機械損傷高光譜圖像無損檢測[J].光譜學與光譜分析,2016,36(7):2224-2228.

[4]Berman M,Kiiveri H,Lagerstrom R,et al.ICE:a statistical approach to identifying endmembers in hyperspectralimages[J].IEEE Transactions on Geo-science and Remote Sensing,2004,42(10):2085-2095.

[5]楊可明,劉士文,王林偉,等.光譜最小信息熵的高光譜影像端元提取算法[J].光譜學與光譜分析,2014(8):2229-2233.

[6]柴穎,阮仁宗,柴國武,等.基于光譜特征的濕地植物種類識別[J].國土資源遙感,2016,28(3):86-90.

[7]潘梅娥,楊昆.基于環(huán)境一號HSI高光譜數(shù)據(jù)提取葉綠素a濃度的混合光譜分解模型研究[J].科學技術與工程,2017,17(6):71-76.

[8]Rogge D M,Rivard B,Zhang J,et al.Integration of spatial spectral information for the improved extraction of endmembers[J].Remote Sensing of Environment,2007,110(3):287-303.

[9]DeVries B,Decuyper M,Verbesselt J,et al.Tracking disturbance-regrowth dynamics in tropical forests using structural change detection and Landsat time series[J].Remote Sensing of Environment,2015,169:320-334.

[10]李二森,朱述龍,周曉明,等.高光譜圖像端元提取算法研究進展與比較[J].遙感學報,2011,15(4):659-679.

[11]Yuan Y J,Yin Y H,Dai E F,et al.Forest cover classification based on remote sensing threshold consistent with statistics in Heilongjiang Province[J].Progress in Geography,2016,35(5):655-663.

[12]Li E S,Zhu S L,Zhou X M,et al.The development and comparison of endmember extraction algorithms using hyperspectralimagery[J].Journal of Remote Sensing,2011,15(4):659-679.

[13]Cui B G,Zhang J,Ma Y,et al.High-resolution image-assisted endmember extraction of hyperspectralimage[J].Journal of Remote Sensing,2014,18(1):192-205.

[14]方俊龍,郭寶峰,沈宏海,等.一種改進的基于自動形態(tài)學的端元提取算法[J].激光技術,2017,41(1):106-112.

[15]Etteieb S,Louhaichi M,Kalaitzidis C,et al.Mediterranean forest mapping using hyper-spectral satellite imagery[J].Arabian Journal of Geosciences,2013,6(12):5017-5032.

Study on Remote Sensing Classification of Typical Forest Types in Central Yunnan Based on Endmember Extraction,ZHANG Yi

HUANG Tian,ZHANG Chao,JI Yitao,YU Zhexiu,LUO Hengchun,ZHANG Yi

(SouthwestForestryUniversity,Kunming650224,China)

The accuracy and efficiency of the recognition of forest types are strongly influenced by the choice of endmember spectra.Based on Landsat8 OLI remote sensing image,taking the typical forest vegetation in central Yunnan Province as the object of this study,combined with the forest resource inventory data,the ROIs of typical forest vegetation are extracted firstly on the basis of image fusion,then spectral curves of typical forest vegetation in Central Yunnan Province such asPinusyunnanensis,PinusarmandiiFranch.,EucalyptusglobulusLabill.,CupressusfunebrisEndl.andQuercusacutissimaare extracted by means of MNF and N-dimensional scattering plots.Based on these endmember spectra,the typical forest types in central Yunnan Province are identified by spectral angle mapping method,and the accuracy of classification is evaluated finally.Meanwhile,the traditional method of endmember extraction for traditional classification of forest types is used to compare with the new method in this study.The results showed as follows:1)The result of classification based on the method of endmember extraction in ROI is better,the overall accuracy was 83.46%,andPinusyunnanensis84.78%,PinusarmandiiFranch.96.88%,EucalyptusglobulusLabill.80.60%,CupressusfunebrisEndl.75.00%,Quercusacutissima57.69%.2) OnlyPinusyunnanensis,PinusarmandiiFranch.,EucalyptusglobulusLabill.andQuercusacutissimacan be identified through the method of endmember extraction based on geometric apex,using endmember spectral extraction and spectral analysis many times,but notCupressusfunebrisEndl.The identification accuracy was 89.13% forPinusyunnanensis,84.37% forPinusarmandiiFranch.,76.12% for Eucalyptus and 53.13% forQuercusacutissima.It is concluded that the spectra extracted by the traditional method have higher similarity,which has lower classification accuracy,and the endmember spectra is not easy to be recognized.3) The endmember extraction method based on ROI can avoid the confusion of classification results by meaningless endmember spectra for its higher efficiency,which can effectively solve the difficult problem of endmember spectra identification.

endmember extraction,spectral angle mapping,forest types,remote sensing image classification,central Yunnan

2017-06-23；

2017-07-19

國家自然科學基金項目“基于高光譜耦合建模的干旱遙感反演技術”(31460195)；國家自然科學基金項目“典型高原湖濱濕地植被高光譜遙感反演及時空演變過程”(31660236)

黃田(1992-),女,云南騰沖人,在讀碩士,主要從事林業(yè)遙感研究。Email:331797210@qq.com

張超(1980-),男,河北唐山人,副教授、博士,主要從事森林經(jīng)理學研究。Email:zhchgis@126.com

S757；TP79

A

1002-6622(2017)04-0110-07

10.13466/j.cnki.lyzygl.2017.04.017