王志輝 張樂 徐惠軍 劉天陽 鮑永新

?

基于高光譜遙感圖像的樹種（樹種組）分類

王志輝 張樂 徐惠軍 劉天陽 鮑永新

（浙江遠(yuǎn)卓科技有限公司 浙江杭州 310012）

高光譜遙感圖像各波段間存在著高相關(guān)性和高冗余度，在處理方面上具有一定的困難。使用光譜一階、二階微分法對高光譜遙感圖像進(jìn)行處理，增強(qiáng)像元亮度值的差異，選擇樹種特征差異性較大的特征波段進(jìn)行組合降維，再利用野外實(shí)地調(diào)查的樣地作為分類訓(xùn)練樣本進(jìn)行分類，然后用位置精度評價(jià)對原始影像及光譜一階、二階分類結(jié)果進(jìn)行精度評價(jià)及分析比較。結(jié)果表明，光譜一階、二階微分法所選取的波段總體分類精度與Kappa系數(shù)都比原始圖像分類結(jié)果高，其總體分類精度分別為90.20%與91.30%，Kappa系數(shù)分別為0.85與0.86；而原始圖像分類的總體分類精度與Kappa系數(shù)分別為80.20%與0.78。由此可知，光譜一階、二階微分法所選取的波段對毛竹、雷竹、雜竹、杉木、馬尾松、常綠闊葉樹和落葉闊葉樹等7個(gè)樹種（樹種組）區(qū)分較為有效。

高光譜遙感圖像；像元亮度值；光譜一階、二階微分；樹種（樹種組）分類

森林作為地球上可再生自然資源及陸地生態(tài)系統(tǒng)的主體，它為人類的生存和發(fā)展提供了豐富的物質(zhì)資源，在維持生態(tài)過程和生態(tài)平衡中發(fā)揮著重要的作用。正確地識別森林樹種是利用和保護(hù)森林資源的基礎(chǔ)和依據(jù)。

現(xiàn)行的樹種識別方法主要是依靠一些成本高、費(fèi)時(shí)、費(fèi)力的野外調(diào)查方法（主要是根據(jù)樹種的形態(tài)學(xué)角度來劃分，如莖、葉、花、果、種子的外部形態(tài)等特征來識別和鑒定樹木的種類）或利用大比例尺的航片來進(jìn)行判讀（比例尺超過1:10000）。王璐、范文義等通過對影像數(shù)據(jù)進(jìn)行一階微分變換、對數(shù)變換、對數(shù)變換后的導(dǎo)數(shù)變換、二階微分變換、三階微分變換以后，分別對原始數(shù)據(jù)和5種變換后數(shù)據(jù)進(jìn)行MNF（最小噪聲分離變換）變換，后用SVM（支持向量機(jī)）分類器分別對6種數(shù)據(jù)監(jiān)督分類，都獲得了良好的分類精度，總平均精度為90.5%[1]。劉懷鵬等利用WorldView-2數(shù)據(jù)，利用遞歸特征消除降低數(shù)據(jù)維數(shù)，結(jié)合基于紋理結(jié)合光譜信息，采用最大似然分類和支持向量機(jī)方法，成功識別出垂柳、國槐、油松、新疆楊、圓柏、白杵等呼和浩特市主城區(qū)7種綠化樹種，最大似然分類法總體精度為86.39%，Kappa系數(shù)為0.8410，支持向量機(jī)分類法的總體精度為83.59%，Kappa系數(shù)為0.8082[2-3]。王妮等利用Quickbird數(shù)據(jù)，利用主成分分析法對數(shù)據(jù)進(jìn)行去相關(guān)分析，然后探討不同移動窗口大小對紋理特征的影響，并采用最大似然分類方法，對中山陵園風(fēng)景區(qū)內(nèi)的雜闊、國外松、黑松、櫟類、楓香、馬尾松等主要樹種進(jìn)行了識別，其中紋理提取窗口19×19下精度最高，達(dá)到66.32%，Kappa系數(shù)為0.58[4]。周利鵬、馬金輝等利用HYPERION高光譜影像，采用基于純凈像元指數(shù)（PPI）的端元提取方法，提取了6類端元，用波譜特征擬合方法（SFF）、波譜角分類（SAM）方法和二進(jìn)制編碼方法（BE）識別出核桃、矮灌木、橡樹、刺柏、冷杉和灌木蒿[5]。Petropoulos 等分別采用支持向量機(jī)和基于對象的分類方法，對Hyperion高光譜影像進(jìn)行土地覆蓋類型分類，雖2種分類效果均較好，但基于對象的分類方法精度更高[6]。劉麗娟等利用機(jī)載LiDAR和高光譜數(shù)據(jù)融合對北方復(fù)雜森林樹種進(jìn)行識別時(shí)，發(fā)現(xiàn)融合數(shù)據(jù)樹種分類精度高于僅高光譜數(shù)據(jù)的精度，總體精度達(dá)到83.88%，Kappa系數(shù)為0.8[7]。CAO等研究利用全波形激光雷達(dá)數(shù)據(jù)對亞熱帶森林樹種分類，結(jié)果表明，6 類樹種的總體分類精度為68.60%，4類樹種為75.80%，而針葉林和闊葉林2類為86.20%[8]。ALONZO等將高分辨率高光譜圖像與LiDAR數(shù)據(jù)融合，在基于冠層尺度上對美國某些地區(qū)常見的29類樹種進(jìn)行分類，結(jié)果表明，融合LiDAR數(shù)據(jù)后，分類精度提高了4.2個(gè)百分點(diǎn)[9]。呂杰、郝寧燕等構(gòu)建支持向量機(jī)分類模型和隨機(jī)森林分類模型，對黑龍江涼水自然保護(hù)區(qū)森林優(yōu)勢樹種進(jìn)行分類，結(jié)果表明，基于隨機(jī)森林模型的分類結(jié)果總精度和Kappa系數(shù)分別為81.01%和0.76，較支持向量機(jī)分類方法有明顯提高[10]。然而，高光譜遙感圖像各波段間存在著高相關(guān)性和高冗余度，通過選擇所需的波段來降維不會對結(jié)果有太大的影響，但會大大地降低計(jì)算量，從信息處理實(shí)效性角度來看，通過選擇波段來降低數(shù)據(jù)維數(shù)有很大的現(xiàn)實(shí)意義。

本研究首先使用光譜一階、二階微分法對有林地高光譜遙感圖像數(shù)據(jù)進(jìn)行處理，增強(qiáng)像元亮度值的差異，選擇差異性較大的特征波段進(jìn)行組合降維，再使用監(jiān)督分類中的最大似然法對所選取的波段組合圖像進(jìn)行分類，采用野外實(shí)地調(diào)查的樣地（分類的樹種及樹種組樣地）作為分類訓(xùn)練樣本，對毛竹、雷竹、雜竹、杉木、馬尾松、常綠闊葉樹和落葉闊葉樹等7個(gè)樹種（樹種組）分類，并對其分類結(jié)果進(jìn)行精度評價(jià)及分析比較。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況及數(shù)據(jù)處理

研究試驗(yàn)地位于臨安市高虹鎮(zhèn)、杭州市余杭區(qū)百丈鎮(zhèn)和鸕鳥鎮(zhèn)、安吉縣山川鄉(xiāng)和天荒坪鎮(zhèn)交界處。

Hyperion 影像是世界上第一個(gè)民用的全波譜范圍連續(xù)成像的星載高光譜影像數(shù)據(jù)源，在356～2577nm范圍內(nèi)共有242個(gè)波段，波段寬度約為10nm，空間分辨率為30m。在分類之前，對研究區(qū)Hyperion遙感圖像進(jìn)行了預(yù)處理，首先從原始圖像242個(gè)波段中篩選出不包含壞波段且信息量相對較多的126個(gè)波段，而后對它進(jìn)行輻射校正和大氣校正等預(yù)處理，經(jīng)過預(yù)處理后的高光譜遙感圖像見圖1。

由于本研究試驗(yàn)區(qū)森林覆蓋率較高，非林地所占比例雖小，但對樹種的分類卻有較大影響。另外，有林地與非林地之間的像元亮度值差異也較大，故本研究首先使用基于變換的主成分分析法對原始高光譜遙感圖像降維，后利用傳統(tǒng)的監(jiān)督分類方法從原始分類圖像中把居民點(diǎn)、農(nóng)地和水體等非林地去除，即得到有林地高光譜遙感圖像數(shù)據(jù)，圖中白色部分是去除的非林地區(qū)域，詳見圖2。

1.2 分類訓(xùn)練樣本獲取

本研究根據(jù)森林樹種的實(shí)際情況，將需分類的樹種確定為毛竹、雷竹、雜竹、杉木、馬尾松、常綠闊葉樹和落葉闊葉樹等7個(gè)樹種（樹種組）。每個(gè)樹種（樹種組）選擇30個(gè)以上樣地，共計(jì)260個(gè)樣地，每個(gè)樣地調(diào)查面積均大于5000平方米，即遙感圖為5個(gè)像元以上。野外實(shí)地調(diào)查時(shí)，使用手持GPS沿著每個(gè)樣地走一圈得到樣地范圍與位置。利用ArcGIS軟件對調(diào)查的樣地進(jìn)行投影定義、轉(zhuǎn)換等處理，與遙感圖像坐標(biāo)匹配，以便用作分類訓(xùn)練樣本及像元亮度值提取。

1.3 像元亮度值提取

根據(jù)野外實(shí)地調(diào)查的樣地位置，利用ERDAS IMAGINE軟件從有林地高光譜遙感圖像（如圖2）中提取毛竹、雷竹、雜竹、杉木、馬尾松、常綠闊葉樹和落葉闊葉樹等7個(gè)樹種（樹種組）的像元亮度值，提取的像元亮度值數(shù)量最多的是毛竹、有6569個(gè)，最少的是雷竹、有4086個(gè)。將每個(gè)樹種（樹種組）的像元亮度值進(jìn)行平均，即得到每個(gè)樹種（樹種組）的像元亮度值，見圖3。

圖1 研究區(qū)示意圖

圖2 有林地示意圖

1.4 方法

光譜一階、二階微分是常用的光譜處理方法[11]。一方面，它能夠有效地消除光譜數(shù)據(jù)之間的系統(tǒng)誤差、消弱大氣輻射、散射和吸收等背景噪聲對目標(biāo)光譜的影響；另一方面，光譜微分可以增強(qiáng)光譜曲線在坡度上的細(xì)微變化[12]，分辨重疊光譜，便于提取可識別地物的光譜吸收峰參數(shù)[13]。光譜一階、二階微分的計(jì)算公式分別為式（1）和式（2）：

2 結(jié)果與分析

2.1 原始圖像像元亮度值

圖3顯示了樹種（樹種組）像元亮度值曲線。從圖中可看出，樹種（樹種組）像元亮度值曲線形狀具有相似性，但在一些波段里也存在著差別，而這些差別正反映不同樹種的特征。從中選擇差異比較顯著的波段，分別為32、36、42、46、59、70、77、93、107、120波段，共計(jì)10個(gè)（圖中柱形狀標(biāo)識表明所選取的差異波段，下文相同，不再敘述）。

圖3 樹種（樹種組）原始圖像像元亮度值曲線圖

2.2 一階微分像元亮度值

樹種（樹種組）一階微分像元亮度值曲線如圖4所示，選擇差異比較明顯的波段，共計(jì)6個(gè)波段，分別為24、45、46、59、76、106波段。從圖中可以看出，一階微分像元亮度值曲線有4個(gè)差異比較大的波段，分別為24、59、76、106波段，其他45、46等2個(gè)波段差異稍微較小。由此可知，這些波段都可用于樹種（樹種組）的分類。

圖4 樹種（樹種組）一階微分像元亮度值曲線圖

2.3 二階微分像元亮度值

圖5是樹種（樹種組）二階微分像元亮度值曲線，差異較大的波段都位于曲線的波峰或波谷。從圖中可見，樹種（樹種組）二階微分像元亮度值的差異比一階微分像元亮度值的差異更加明顯。共有8個(gè)波段差異比較明顯，分別為23、45、58、59、75、76、105、106波段，差異較大的是58、59、75、76、105、106波段，較小的是23、45波段。從上面分析比較可知，這些波段都可用來對樹種（樹種組）進(jìn)行分類。

圖5 樹種（樹種組）二階微分像元亮度值曲線圖

3 樹種（樹種組）分類

根據(jù)以上原始圖像像元亮度值、一階微分像元亮度值和二階微分像元亮度值所選取的差異性波段進(jìn)行波段組合，再使用監(jiān)督分類中的最大似然法對所選取的波段組合圖像進(jìn)行分類，分類訓(xùn)練樣本采用野外實(shí)地調(diào)查的訓(xùn)練樣本。由于分類結(jié)果比較零碎，故本文采用圖像的鄰域分析技術(shù)，設(shè)置3×3窗口的領(lǐng)域范圍（聚類統(tǒng)計(jì)領(lǐng)域大小為8）和多數(shù)值分析函數(shù)計(jì)算領(lǐng)域中心像元的值，從而得到斑塊較整齊的分類專題圖，分類結(jié)果分別見圖6、圖7與圖8。

圖6 原始圖像分類圖

圖7 一價(jià)微分分類圖

圖8 二價(jià)微分分類圖

4 分類結(jié)果精度評價(jià)及分析比較

為檢驗(yàn)一階、二階微分法的分類效果，本文使用位置精度評價(jià)對其分類結(jié)果圖與原始圖像的分類結(jié)果圖進(jìn)行了精度評價(jià)及分析比較，其總體分類精度與Kappa系數(shù)如表1所示。從表1可知，一階、二階微分法所選取的波段總體分類精度與Kappa系數(shù)都比原始圖像分類結(jié)果高，其總體分類精度分別為90.20%與91.30%，Kappa系數(shù)分別為0.85與0.86；而原始圖像分類的總體分類精度與Kappa系數(shù)分別為80.20%與0.78。由此可知，一階、二階微分法所選取的波段都能有效地把毛竹、雷竹、雜竹、杉木、馬尾松、常綠闊葉樹和落葉闊葉樹等7個(gè)樹種（樹種組）區(qū)分出來。

表1 三種波段選擇法分類圖的總體分類精度與Kappa系數(shù)

5 結(jié)論與討論

5.1 結(jié)論

本文使用傳統(tǒng)監(jiān)督分類中的最大似然法對原始光譜、光譜一階微分法、光譜二階微分法所選取的波段組合圖進(jìn)行分類，從分類的結(jié)果來看，光譜一階微分法總體分類精度與Kappa系數(shù)分別為90.20%和0.85；光譜二階微分法總體分類精度與Kappa系數(shù)分別為91.30%和0.86；而原始圖像總體分類精度為80.20%，Kappa系數(shù)為0.78。結(jié)果表明，光譜一階、二階微分法的總體分類精度與Kappa系數(shù)都比原始圖像高，由此可知，光譜一階、二階微分法對毛竹、雷竹、雜竹、杉木、馬尾松、常綠闊葉樹和落葉闊葉樹等7個(gè)樹種（樹種組）的區(qū)分出來比較有效。

5.2 討論

與多光譜遙感圖像相比，高光譜遙感圖像的突出特點(diǎn)是光譜分辨率的提高，使得許多原先利用多光譜遙感信息不能解決的問題，現(xiàn)在利用高光譜數(shù)據(jù)可以得到解決。但高光譜遙感圖像的維數(shù)高，數(shù)據(jù)冗余帶來處理上的困難，當(dāng)樣本不是很多的情況下，用很多特征進(jìn)行分類器設(shè)計(jì)，無論是計(jì)算的復(fù)雜程度還是分類器的性能來看都是不適宜的。因此，有必要在分類前，在不損失有用信息的前提下提取有效信息進(jìn)行降維再分類。

高光譜遙感圖像特征提取和分類是圖像處理領(lǐng)域中一個(gè)實(shí)際存在且具有挑戰(zhàn)性的問題，它涉及的知識面寬且涵蓋內(nèi)容豐富。本文的研究結(jié)果將為利用高光譜遙感圖像數(shù)據(jù)進(jìn)行特征提取和降維及分類提供理論支撐與參考，也可應(yīng)用于林業(yè)調(diào)查、林地變更調(diào)查、各類樹種（樹種組）分類等工作。

[1] 王璐,范文義.基于高光譜遙感數(shù)據(jù)的森林優(yōu)勢樹種組識別[J].東北林業(yè)大報(bào),2015,43（5）: 134-137.

[2] 劉懷鵬,安慧君,王冰,等.基于遞歸紋理特征消除的WorldView-2樹種分類[J].北京林業(yè)大學(xué)學(xué)報(bào),2015, 37（8）:53-59.

[3] 劉懷鵬.基于WorldView-Ⅱ數(shù)據(jù)的呼和浩特市綠化樹種分類研究[D].內(nèi)蒙古農(nóng)業(yè)大學(xué),2013.

[4] 王妮,彭世揆,李明詩.基于樹種分類的高分辨率遙感數(shù)據(jù)紋理特征分析[J].浙江農(nóng)林大學(xué)學(xué)報(bào),2012, 29（2）:210-217.

[5] 周利鵬,馬金輝.基于高光譜影像的舟曲曲瓦溝樹種識別[J].安徽農(nóng)業(yè)科學(xué),2014,42（16）: 5298—5301+5323.

[6] Petropoulos G P, Kalaitzidis C, Vadrevu K P. Support vector machines and object-based classification for obtaining land-use/cover cartography from Hyperion hyperspectral imagery[J].Computers and Geosciences,2012, 41: 99-107.

[7] 劉麗娟,龐勇,范文義,等.機(jī)載LiDAR和高光譜融合實(shí)現(xiàn)溫帶天然林樹種識別[J].遙感學(xué)報(bào),2013,17（3）:679 - 695.

[8] CAO Lin, COOPS N C, INNES J L, et al. Tree species classification in subtropical forests using small-footprint full-waveform LiDAR data[J].Int J Appl Earth Obs,2016, 49: 39 - 51.

[9] ALONZO M, BOOKHAGEN B, ROBERTS D A. Urban tree species mapping using hyperspectral and lidar data fusion[J].Remote Sens Environ,2014,148:70-83.

[10]呂杰,郝寧燕,李崇貴，等.利用隨機(jī)森林和紋理特征的森林類型識別[J]. 遙感信息, 2017,32（6）: 109 - 114.

[11]LI Ming-zhou（李明州）. Technologies and Applications of Spectral Analysis（光譜分析技術(shù)和應(yīng)用）. Beijing: Science Press（北京:科學(xué)出版社）, 2006. 122, 163.

[12]TONG Qing-xi, ZHANG Bing, ZHENG Lan-fen（童慶禧,張兵,鄭蘭芬）. Hyperspectral Remote Sensing─Principle, Technology and Application（高光譜遙感─原理,技術(shù)與應(yīng)用）. Beijing: Higher Education Press（北京:高等教育出版社）, 2006. 158.

[13] Salehia B, Zoej M J V. Remote Sens. Environ., 2002, 36: 332.

Classification of tree species or tree groups based on hyperspectral remote sensing images

Wang Zhihui，ZhangLe，XuHuijun，LiuTianyang，BaoYongxin

（）

There are high correlation and high redundancy between each band of hyperspectral remote sensing images, which is difficult to deal with. This article uses the spectra of the first order and second order differential method to the hyperspectral remote sensing image pixels, brightness values, enhance the pixels, differences in brightness values, choose bigger differences between the characteristics of the band for dimension reduction, then using the field investigation of sample area classified as classification the training sample, location accuracy evaluation is used after the original classification figure and spectral classification figure for the first order and second order accuracy evaluation and comparative analysis. The results showed that the spectra of the first order and second order differential method selected band overall classification accuracy and Kappa coefficient is higher than the original image classification results, the total classification accuracy are 90.20% and 91.30% respectively, Kappa coefficient of 0.85 and 0.86 respectively; The overall classification accuracy and Kappa coefficient of original image classification were 80.20% and 0.78 respectively. Accordingly, the spectra of the first order and second order differential method selected wavelengths can effectively put the bamboo, LeiZhu, miscellaneous bamboo, fir, pinus massoniana, evergreen broadleaf and deciduous hardwood such as 7 distinguish forest tree species or tree species groups.

Hyperspectral remote sensing images; Pixel brightness value; First order and second order differentiation of spectrum; Classification of tree species or tree groups

TP75

A

1004-7743（2019）02-0061-06

2019-02-25