徐婉婷，岳彩榮，朱泊東

（西南林業(yè)大學(xué)林學(xué)院，云南昆明 650224）

我國(guó)森林資源結(jié)構(gòu)復(fù)雜、分布廣泛、類(lèi)型多樣。遙感具有大尺度、多時(shí)相、連續(xù)觀測(cè)的特性，可作為森林資源信息獲取及動(dòng)態(tài)變化監(jiān)測(cè)的有效手段。自20世紀(jì)70 年代美國(guó)宇航局發(fā)射第1 號(hào)地球資源衛(wèi)星（Landsat 1）后，逐步開(kāi)始了利用遙感技術(shù)進(jìn)行森林植被分類(lèi)、植被信息提取的研究。新型遙感平臺(tái)及傳感器的出現(xiàn)，促進(jìn)了遙感技術(shù)的快速發(fā)展，航空航天乃至地面成像傳感器的時(shí)空分辨率不斷提高[1]，遙感數(shù)據(jù)的獲取能力不斷增強(qiáng)[2]，遙感技術(shù)正向著“三多”（多傳感器、多遙感平臺(tái)、多方位）“四高”（高空間分辨率、高光譜分辨率、高時(shí)相分辨率、高輻射分辨率）方向發(fā)展[3]。

馬浩然等[4]、王婷等[5]，分別選取QuickBird、ZY-3遙感數(shù)據(jù)，結(jié)合不同方法開(kāi)展森林植被分類(lèi)研究；周小成等[6]采用多特征優(yōu)選方法對(duì)無(wú)人機(jī)可見(jiàn)光遙感林分類(lèi)型進(jìn)行分類(lèi)；楊丹等[7]探討了U-Net 模型在多時(shí)相Landsat 8影像上的森林植被分類(lèi)效果；Churches等[8]基于2010、2011 年的Landsat TM 影像，對(duì)海地的森林植被分類(lèi)；Ke等[9]將QuickBird數(shù)據(jù)與低密度LiDAR 數(shù)據(jù)協(xié)同，驗(yàn)證了多數(shù)據(jù)源的森林分類(lèi)精度高于單一數(shù)據(jù)源；Chang等[10]將合成孔徑雷達(dá)和多光譜數(shù)據(jù)融合，展現(xiàn)了多源遙感數(shù)據(jù)融合后提高森林類(lèi)型分類(lèi)精度的優(yōu)勢(shì)；向海燕等[11]選取Landsat8-OLI和Sentinel-1A數(shù)據(jù)，余笑之[12]整合ZY-3、Sentinel-2 MSI、Landsat8-OLI 數(shù)據(jù)，探尋多源遙感數(shù)據(jù)在地物識(shí)別分類(lèi)中的潛力。

本文以云南省普洱市思茅區(qū)為研究區(qū)，選取2016年相同時(shí)相的Landsat 8 光學(xué)遙感數(shù)據(jù)和Sentinel-1 微波遙感數(shù)據(jù)為數(shù)據(jù)源，結(jié)合2016年云南省森林資源現(xiàn)地調(diào)查數(shù)據(jù)，參考森林資源監(jiān)測(cè)技術(shù)標(biāo)準(zhǔn)和高分辨率遙感圖像分析等相關(guān)理論[13]，通過(guò)對(duì)比不同影像融合方法、植被分類(lèi)方法的分類(lèi)精度，探索多源遙感數(shù)據(jù)在森林植被分類(lèi)上的優(yōu)勢(shì)，為基于多元遙感數(shù)據(jù)的森林植被分類(lèi)提供可行依據(jù)。

1 研究區(qū)概況

思茅區(qū)位于云南省南部、普洱市中南部，地處北緯22°27′～23°06′、東經(jīng)100°19′～101°27′。思茅區(qū)境內(nèi)地形復(fù)雜，氣候類(lèi)型多樣，海拔差異較大，最高海拔與最低海拔相差1 576.8 m，冬無(wú)嚴(yán)寒，夏無(wú)酷暑，四季溫和。植被類(lèi)型主要有季節(jié)性雨林、熱帶季雨林、常綠闊葉林、落葉闊葉林、人工植被等類(lèi)型。思茅區(qū)作為云南省重點(diǎn)林區(qū)之一，森林覆蓋率達(dá)70%以上，有天然氧吧之稱(chēng)。

2 研究方法

2.1 數(shù)據(jù)源

本研究選用的遙感數(shù)據(jù)包括Landsat 8 數(shù)據(jù)、Sentinel-1 數(shù)據(jù)。輔助數(shù)據(jù)包括云南省普洱市思茅區(qū)邊界矢量、2016年森林資源現(xiàn)地調(diào)查數(shù)據(jù)。

光學(xué)遙感數(shù)據(jù)選取了研究區(qū)2016 年1—2 月的兩景Landsat 8 OLI 光學(xué)影像，其中2 月影像云量為近兩年云量最低的，符合云量在10%以下最佳時(shí)相的要求，另外一景影像的云量在40%，成像效果不佳，便于作對(duì)照組。微波遙感獲取的Sentinel-1 影像數(shù)據(jù)來(lái)源于ESA（European Space Agency，歐洲航天局）網(wǎng)站，為覆蓋整個(gè)思茅區(qū)，本研究獲取了2016 年兩景Sentinel-1A影像。

2.2 分類(lèi)系統(tǒng)建立

根據(jù)林業(yè)相關(guān)技術(shù)規(guī)程及林業(yè)行業(yè)標(biāo)準(zhǔn)等，結(jié)合遙感影像對(duì)森林類(lèi)型的可分辨性，將研究區(qū)類(lèi)別劃分為針葉林、闊葉林、針闊混交林、灌木林、草地、農(nóng)地、水域、建設(shè)用地和未利用地9類(lèi)。

2.3 數(shù)據(jù)預(yù)處理

通過(guò)ENVI 軟件對(duì)Landsat 8 影像進(jìn)行了輻射定標(biāo)、大氣校正、影像裁剪、幾何精校正等預(yù)處理，并利用HSV 變換技術(shù)將全色與多光譜進(jìn)行融合。在獲得15 m分辨率的彩色圖像后，對(duì)彩色圖像進(jìn)行重采樣至與Sentinel-1 相同的10 m 空間分辨率。通過(guò)SNAP 軟件，對(duì)Sentinel-1 影像進(jìn)行了多視處理、輻射定標(biāo)、濾波處理、地形幾何校正等預(yù)處理，通過(guò)VV 極化得到10 m后向散射強(qiáng)度圖像。

2.4 訓(xùn)練樣本數(shù)據(jù)獲取

本研究選取的訓(xùn)練樣本主要來(lái)源于2016 年思茅區(qū)現(xiàn)地調(diào)查數(shù)據(jù)，將地面小班矢量數(shù)據(jù)疊合到遙感圖像，根據(jù)地物光譜特征和空間紋理特征，結(jié)合遙感影像的目視判讀，選取具有典型性和代表性的樣本區(qū)域，通過(guò)可分離性分析，確定為最終的訓(xùn)練樣本，用以區(qū)分針葉林、闊葉林、針闊混交林及草地等不同類(lèi)型。

2.5 圖像融合方法

光學(xué)圖像具有豐富的地物光譜信息、高空間分辨率的特點(diǎn)，結(jié)合SAR 圖像具有的全天時(shí)、全天候、豐富的紋理結(jié)構(gòu)及對(duì)地物較強(qiáng)的穿透能力等特性，通過(guò)頻率域空間或色彩空間匹配，融合生成具備互補(bǔ)信息的影像圖層。本文通過(guò)HSV 變換將Landsat 8 的15 m全色波段與30 m 多光譜進(jìn)行融合，獲得15 m 融合圖像，對(duì)融合影像重采樣至10 m。通過(guò)VV 極化得到Sentinel-1 的10 m 后向散射強(qiáng)度圖像。通過(guò)對(duì)兩種圖像的像素級(jí)融合，比對(duì)3種融合方式的分類(lèi)效果。

2.5.1 PCA變換

PCA（主成分）變換又被叫做K-L 變換，是基于統(tǒng)計(jì)特征原理，將具有多波段的遙感影像數(shù)據(jù)進(jìn)行正交線性變換。通過(guò)對(duì)影像數(shù)據(jù)進(jìn)行壓縮，把原始波段中主要信息盡可能聚集到少數(shù)幾個(gè)特征影像中，最后產(chǎn)生一組新的多光譜影像，達(dá)到以高分辨率數(shù)據(jù)取代多波段數(shù)據(jù)經(jīng)過(guò)主成分變換得到第一主成分的目的。

2.5.2 Gram-Schmidt變換

Gram-Schmidt（相位恢復(fù)）變換是建立在主成分變換的基礎(chǔ)上，旨在消除多波段信息的相關(guān)性和冗余性，通過(guò)影像矩陣的正交變換，保持各主成分的信息量，使得信息按照原始影像波段分布，具備較高的光譜保真度及空間紋理保原性。通過(guò)正交變換將第一分量由高空間分辨率的全色影像取代而獲得融合影像。

2.5.3 NNDiffuse變換

NNDiffuse變換是基于臨近擴(kuò)散算法對(duì)高空間分辨率全色波段影像進(jìn)行降采樣，保證分辨率一致，通過(guò)線性回歸方程將波段相同位置的像素快速運(yùn)算處理，得到光譜權(quán)重向量，通過(guò)權(quán)重向量對(duì)光譜規(guī)范化處理，得到與原影像相近的光譜信息，有效提高空間分辨率，較好地保留光譜信息。

2.6 分類(lèi)方法

2.6.1 最大似然法

最大似然法（Maximum Likelihood，ML）也稱(chēng)最大概似估計(jì)或貝葉斯分類(lèi)，是一種典型的基于貝葉斯準(zhǔn)則，運(yùn)用高斯概率密度函數(shù)作為概率密度函數(shù)，通過(guò)統(tǒng)計(jì)學(xué)方法建立判別函數(shù)集，計(jì)算每個(gè)類(lèi)別中各個(gè)像素的統(tǒng)計(jì)值得到概率密度函數(shù)值，把像素歸屬到概率最大的類(lèi)別中的監(jiān)督分類(lèi)方法。最大似然分類(lèi)被認(rèn)為是一種穩(wěn)定性較好、分類(lèi)精度較高的分類(lèi)器[14]。

2.6.2 人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是根據(jù)復(fù)雜生物神經(jīng)網(wǎng)絡(luò)的構(gòu)造與功能，將大量簡(jiǎn)單神經(jīng)元相互連接而成的非線性復(fù)雜生物網(wǎng)絡(luò)模型。利用神經(jīng)網(wǎng)絡(luò)所在環(huán)境的刺激作用，調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的參數(shù)（權(quán)值），依據(jù)待求解問(wèn)題設(shè)計(jì)參數(shù)的網(wǎng)絡(luò)結(jié)構(gòu)，將目標(biāo)函數(shù)作為網(wǎng)絡(luò)結(jié)構(gòu)的能量函數(shù)，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)演變得到穩(wěn)定狀態(tài)最小能量函數(shù)，基于能量函數(shù)確定問(wèn)題的最優(yōu)解[15]。

3 結(jié)果與分析

依據(jù)本文的分類(lèi)系統(tǒng)，選取相同時(shí)相不同云量的影像數(shù)據(jù)，基于PCA 變換法、Gram-Schmidt 變換法、NNDiffuse變換法進(jìn)行影像融合，采用最大似然法和人工神經(jīng)網(wǎng)絡(luò)法對(duì)研究區(qū)森林植被進(jìn)行分類(lèi)，并就分類(lèi)結(jié)果精度開(kāi)展對(duì)比分析，結(jié)果見(jiàn)表1。

表1 分類(lèi)精度對(duì)比結(jié)果

1）對(duì)于低云量遙感數(shù)據(jù)而言，融合后的分類(lèi)精度有所提升，其中經(jīng)過(guò)Gram-Schmidt 變換融合后的人工神經(jīng)網(wǎng)絡(luò)分類(lèi)效果最佳，總體精度達(dá)87.12%，Kappa 系數(shù)為0.851 8，總體精度較未融合的提升了6.74個(gè)百分點(diǎn)，Kappa系數(shù)提升了0.078 1。

2）對(duì)于高云量遙感數(shù)據(jù)而言，融合后的分類(lèi)精度有大幅度的提升，其中經(jīng)過(guò)NNDiffuse 變換融合后的人工神經(jīng)網(wǎng)絡(luò)分類(lèi)效果最佳，總體精度達(dá)73.92%，Kappa 系數(shù)為0.699 4，總體精度較未融合的提升了8.70個(gè)百分點(diǎn)，Kappa系數(shù)提升了0.101 2。

3）通過(guò)比對(duì)分類(lèi)結(jié)果發(fā)現(xiàn)，人工神經(jīng)網(wǎng)絡(luò)分類(lèi)法的分類(lèi)精度高于最大似然分類(lèi)法。在低云量數(shù)據(jù)中，基于Gram-Schmidt 變換融合后分類(lèi)精度最高；在高云量數(shù)據(jù)中，基于NNDiffuse 變換融合后分類(lèi)精度最高。

4 小結(jié)與討論

4.1 小結(jié)

本文以Landsat 8 和Sentinel-1 數(shù)據(jù)為數(shù)據(jù)源，結(jié)合2016 年森林資源現(xiàn)地調(diào)查小班數(shù)據(jù)，選取3 種影像融合方式進(jìn)行影像融合，選用2 種分類(lèi)方法，對(duì)思茅區(qū)森林植被進(jìn)行分類(lèi)研究，以探索多源遙感數(shù)據(jù)在森林植被分類(lèi)上的優(yōu)勢(shì)。對(duì)比兩種分類(lèi)方法的結(jié)果，得出以下結(jié)論：

1）人工神經(jīng)網(wǎng)絡(luò)分類(lèi)法的分類(lèi)精度高于最大似然分類(lèi)法，其中PCA 和Gram-Schmidt變換融合后的分類(lèi)精度要高于NNDiffuse變換融合后的分類(lèi)精度；

2）在低云量數(shù)據(jù)中，基于Gram-Schmidt 變換融合后的人工神經(jīng)網(wǎng)絡(luò)分類(lèi)效果最佳，總體精度達(dá)87.12%，Kappa 系數(shù)為0.851 8；在高云量數(shù)據(jù)中，基于NNDiffuse 變換融合后的人工神經(jīng)網(wǎng)絡(luò)分類(lèi)效果最佳，總體精度達(dá)73.92%，Kappa系數(shù)為0.699 4。

4.2 討論

在探索多源遙感數(shù)據(jù)進(jìn)行森林植被分類(lèi)過(guò)程中，數(shù)據(jù)來(lái)源、數(shù)據(jù)預(yù)處理、變換融合方式和分類(lèi)方法的不同，必然會(huì)導(dǎo)致分類(lèi)精度的差異。后續(xù)研究可以考慮更多因素，選取最優(yōu)分類(lèi)方式，提高分類(lèi)精度。

1）本研究的訓(xùn)練樣本是對(duì)照現(xiàn)地調(diào)查數(shù)據(jù)采用目視解譯選取的，由于針葉林、闊葉林和針闊混交林的訓(xùn)練樣本分離度不高，會(huì)導(dǎo)致分類(lèi)產(chǎn)生誤差。

2）本研究只選取了兩類(lèi)數(shù)據(jù)源進(jìn)行試驗(yàn)，后續(xù)可選取更多數(shù)據(jù)源，以此證明利用多源遙感數(shù)據(jù)進(jìn)行森林植被分類(lèi)的可行性，切實(shí)提高分類(lèi)精度。

3）本研究只進(jìn)行了像素級(jí)融合后的兩種分類(lèi)方法的分類(lèi)精度比對(duì)，并未對(duì)特征級(jí)融合和決策級(jí)融合的分類(lèi)精度比對(duì)，后續(xù)研究可以加入特征級(jí)融合和決策級(jí)融合，更加全面比對(duì)融合結(jié)果及分類(lèi)精度。

4）本次只研究了兩種常用的分類(lèi)方法和三種影像融合方式，并未對(duì)其他分類(lèi)方法和影像融合方式進(jìn)行研究，所得到的結(jié)果存在可靠性和代表性不足等問(wèn)題，后續(xù)研究可以嘗試更多分類(lèi)方法和融合方式來(lái)提升分類(lèi)精度。