王曉杰 范文義 李明澤 楊 琳

(東北林業(yè)大學(xué)，哈爾濱，150040)

大比例尺航片在樹種提取和空間定位方面有著廣闊的應(yīng)用前景，利用航片影像進行精確的樹種提取也是遙感分類研究的難點。航片在林業(yè)上的應(yīng)用始于20 世紀40年代，由于受到計算機技術(shù)水平、數(shù)字圖像處理水平等客觀因素的影響，早期的航片主要應(yīng)用于森林資源的判讀與調(diào)查、林相圖的制作等前期應(yīng)用［1］。隨著攝影測量技術(shù)的發(fā)展，特別是大比例尺航片的出現(xiàn)，數(shù)字化攝影測量在提取樹冠冠幅、立木高度、胸徑、林分的郁閉度等森林調(diào)查因子得到了很好的應(yīng)用，如:許延麗等［2］基于航片建立數(shù)字高程模型并提取林分高和郁閉度;王二麗等［3］基于航片提取針葉樹種冠幅等研究均取得了較高精度。然而，目前應(yīng)用航片進行單一樹種的株數(shù)提取并且實現(xiàn)空間定位的研究報道并不多。我國天然紅松林則集中分布于長白山和小興安嶺(伊春)山地，具有很高的經(jīng)濟價值和生態(tài)價值，是地帶性頂級的森林植被。紅松作為涼水自然保護區(qū)的主要保護對象，屬于國家Ⅱ級重點保護野生植物。本研究探索并提出一種基于大比例尺航片與二類調(diào)查數(shù)據(jù)相結(jié)合提取涼水自然保護區(qū)紅松株數(shù)和單株定位的方法，為調(diào)查保護區(qū)內(nèi)紅松的數(shù)量、質(zhì)量、分布情況和研究紅松的消長變化情況，特別為保護區(qū)未來的紅松保護提供精確的決策信息。

1 研究地概況

黑龍江省涼水自然保護區(qū)位于黑龍江省伊春市帶嶺區(qū)境內(nèi)，地理坐標為128°48'30″～128°55'50″E，47°7'39″～47°14'22″N。隸屬于東北林業(yè)大學(xué)。作為我國少有的原始林區(qū)之一，國家林業(yè)局于1980年批準劃為自然保護區(qū)，保護區(qū)年平均氣溫只有-0.3℃，全區(qū)海拔平均為400 m 左右，相對高度在80 ～300 m 之間。本區(qū)屬于低山丘陵地帶，山頂較渾圓，山體兩側(cè)多不對稱，一般南坡短而陡，北坡緩而長，研究區(qū)內(nèi)坡度主要分布在10° ～15°之間，土層厚度在30 ～60 cm。主要樹種有紅松(Pinus koraiensis)、冷杉(Abies nephrolepis)、云杉(Picea koraiensis)、楓樺(Betula costata)、水曲柳(Fraxinus mandshurica)、胡桃楸(Junglans mandshurica)、黃波欏(Phellodendron amurense)等寒溫帶常見樹種。保護區(qū)東西寬13.0 km，南北長17.0 km，總面積為12 133 hm2，森林總蓄積量170.0 萬m3，森林覆被率98%。

2 研究方法

2.1 影像數(shù)據(jù)獲取

本文采用的影像數(shù)據(jù)為2009年9月對涼水國家級自然保護區(qū)拍攝的比例尺為1∶ 2 000 的189張航片數(shù)據(jù)。在VirtuoZo 軟件平臺上應(yīng)用數(shù)字攝影測量方法與技術(shù)，完成了涼水自然保護區(qū)航片的空三加密，生成立體像對，建立保護區(qū)數(shù)字高程模型(DEM)，如圖1所示、數(shù)字正射影像圖(DOM)如圖2所示，作為研究的影像數(shù)據(jù)源。

圖1 涼水自然保護區(qū)DEM 圖

圖2 涼水自然保護區(qū)正射影像圖

2.2 角規(guī)數(shù)據(jù)獲取

在森林資源清查中角規(guī)由于理論嚴謹，操作簡單，被廣泛應(yīng)用。我國于1957年引入角規(guī)測樹方法，并逐步將其推廣和普遍采用。目前，我國各地區(qū)開展的森林經(jīng)理調(diào)查主要是應(yīng)用固定樣地調(diào)查和角規(guī)測樹法。本研究所選用的角規(guī)數(shù)據(jù)，是2009年在涼水自然保護區(qū)森林經(jīng)理調(diào)查時對各個小班隨機選取若干角規(guī)點進行測量所得到的。角規(guī)測樹是一種點抽樣，為了確保角規(guī)測樹的精度，對角規(guī)點的數(shù)目和空間布局都有嚴格的規(guī)定。本文選取紅松分布較為密集的第七林班作為研究區(qū)，并收集第七林班的8 個小班共18 個角規(guī)點數(shù)據(jù)。具體分布如圖3所示。

圖3 研究區(qū)位置及角規(guī)點分布

2.3 航片的針闊葉分類

遙感上的分層分類是近幾年興起的一種新的分類思想，分層分類思想強調(diào)將分類過程逐級進行，每層選用不同的分類標準和方法［4］。根據(jù)紅松提取的實際需求，本研究主要分為兩層:第一層根據(jù)針葉、闊葉兩個色差較大的林分類型進行監(jiān)督分類，提取針葉林;第二層根據(jù)研究區(qū)內(nèi)各針葉樹種在影像信息(灰度、紋理)和生長環(huán)境(坡度、坡向)信息的差異，采用決策樹方法提取紅松。根據(jù)研究區(qū)的實際情況以及航片的拍攝質(zhì)量，采用經(jīng)典分類器中的最大似然法對航片進行針闊葉的監(jiān)督分類，獲取涼水自然保護區(qū)第七林班的針闊葉分類圖。通過建立混淆矩陣，檢驗第七林班針闊葉林的分類精度:分類的總體精度為95.472 7%、Kappa 系數(shù)為0.914 4，達到了劃分針闊葉林的要求。

2.4 紅松樹冠影像的提取

結(jié)合多源數(shù)據(jù)的決策樹分類，是在專家知識的經(jīng)驗總結(jié)、簡單的數(shù)學(xué)統(tǒng)計和歸納方法基礎(chǔ)上，獲得分類規(guī)則并進行遙感分類。決策樹分類能夠?qū)⒁粋€復(fù)雜的分類過程分解成若干步，每一步僅區(qū)分一個類別，并利用不同的數(shù)據(jù)源、不同的特征集、不同的算法有針對性地解決問題［5］。

本文主要通過涼水自然保護區(qū)第七林班的針闊葉分類結(jié)果圖、灰度圖、基于灰度共生矩陣的紋理圖、坡度圖、坡向圖5種數(shù)據(jù)源對涼水自然保護區(qū)的紅松進行決策樹分類提取。其中，坡度和坡向信息是在涼水自然保護區(qū)的數(shù)字高程模型(DEM)的基礎(chǔ)上，利用地理信息系統(tǒng)軟件ArcMap 提取得到。而灰度信息和紋理信息，則根據(jù)研究的實際情況進行相應(yīng)處理［6］。在彩色航空影像中對樹種的紋理提取和光譜提取時，由于受到RGB3 個波段的共同影響，難以同時確定3 個波段的范圍，所以本研究通過對比平均值法、Adobe 算法和心理學(xué)公式算法3種灰度化公式后，發(fā)現(xiàn)Adobe 算法生成的灰度圖中能較好地區(qū)分紅松與其他針葉樹種，故而選取紅松與該區(qū)域的其他樹種差異較大的Adobe 灰度算法作為基礎(chǔ)數(shù)據(jù)。

(1)平均值法:A=R+G+B/3;

(2)Adobe 算法:A = (R2.2×0.2973 +G2.2×0.6274+B2.2×0.0753)1/22;

(3)心理學(xué)公式算法:A =R×0.299 +G ×0.587+B×0.114。

式中:R、G、B 分別代表航片的紅、綠、藍波段。

光譜特征和紋理特征是遙感圖像的兩大基本特征，也是進行遙感影像分類的兩個基本元素。現(xiàn)階段，對影像的分類主要是采用光譜特征而很少涉及紋理特征，而紋理特征表現(xiàn)的是圖像灰度在空間上的變化和重復(fù)［7］。目前，國內(nèi)外有多種紋理分析方法，其中灰度共生矩陣法(gray level co -occurrence matrix，GLCM)被公認為是應(yīng)用最廣泛、效果較好的方法［8］。本研究采用窗口大小為3 ×3 的灰度共生矩陣法提取影像的紋理信息，以紋理信息中的平均值參數(shù)作為判斷指標?；诙嘣磾?shù)據(jù)建立決策樹分類的分類規(guī)則如圖4和表1所示。

2.5 柵格數(shù)據(jù)矢量化與矢量數(shù)據(jù)處理

在地理信息系統(tǒng)軟件ArcMap 中使用Raster to Polygon 命令，將通過決策樹方法提取的紅松分類圖進行批量矢量化處理，在ArcMap 中對矢量圖進行平滑以及通過拓撲關(guān)系對在矢量化過程中線化和點化的數(shù)據(jù)運用屬性表操作進行刪除，對產(chǎn)生的矢量多邊形采用二次開發(fā)編寫VBA 程序進行面積和周長計算［9］，刪除面積和周長小于一定范圍的多邊形，初步得到第七林班提取的紅松株數(shù)為7 074 株。

圖4 決策樹分類流程

表1 決策樹分類的建立規(guī)則

2.6 紅松株數(shù)驗證方法

根據(jù)格羅森堡提出的角規(guī)測算方法演變而來的角規(guī)計算株數(shù)公式［9］，如公式(1)所示。根據(jù)公式計算得到每公頃紅松的株數(shù)(表2)，查看二類調(diào)查中對應(yīng)的小班面積，面積與每公頃紅松株數(shù)的乘積即為該小班內(nèi)紅松株數(shù)。計算得到的第七林班紅松的總株數(shù)為8 869 株，從而得出紅松的提取精度為79.76%。

式中:N 為每公頃株數(shù);Fg為斷面積系數(shù);Z 為計數(shù)木株數(shù);gj為第j 棵計數(shù)木斷面積。

表2 第七林班各小班紅松株數(shù)

2.7 紅松冠幅模型的建立及株數(shù)精確提取

在現(xiàn)實林分中往往存在著森林郁閉度較大的區(qū)域，幾株甚至幾十株紅松生長在一起，在樹冠影像圖上則表現(xiàn)為一個較大面積、較長周長的多邊形，這種現(xiàn)象對紅松株數(shù)的確定影響較大。本文采用面積約束和周長約束確定紅松株數(shù)。選取2009年涼水自然保護區(qū)森林經(jīng)理調(diào)查所得的21 個樣地中213 株紅松作為基礎(chǔ)數(shù)據(jù)，樣地面積均為0.06 hm2。紅松的主要調(diào)查因子統(tǒng)計量見表3。

表3 涼水自然保護區(qū)紅松基本因子

從213 株紅松中隨機抽取161 株作為建模樣本，52 株作為檢驗樣本，采用多元逐步回歸模型模擬紅松冠幅，基本形式為:

式中:R 為樹冠冠幅;D 為胸徑;H 為樹高;Zxg為第一活枝高;Cl為冠長;Cr為樹冠比;D/Dg為胸徑/林分平均胸徑;H/D 為樹高/胸徑;N 為樣地株數(shù);S 為斷面積;a0～a9為參數(shù)。

研究中采用冠幅4 個方向的均值作為實際樹冠冠幅。參數(shù)的選擇主要考慮紅松單木的生長規(guī)律及在不同林分密度下個體之間生物競爭的影響［10］。在SPSS 中設(shè)定以F 概率作為判斷是否引入和剔除變量的標準［11］，最終得到的冠幅模擬結(jié)果為:

R=0.925 +0.190(D/Dg)+0.17D。

結(jié)果表明，紅松樹冠的冠幅(R)與紅松胸徑(D)、紅松胸徑與林分斷面積平均胸徑(D/Dg)呈線性關(guān)系。將模型代入檢驗樣本中，得到實測冠幅與預(yù)測冠幅的分布情況，見圖5。

圖5 實測冠幅與估計冠幅對比

3 結(jié)果與分析

3.1 紅松株數(shù)驗證

采用決定系數(shù)、絕對誤差、相對絕對誤差、均方差誤差和相對均方差誤差5 個指標對模型的擬合和檢驗進行評價［12］，結(jié)果見表4。通過表4中檢驗指標可見，變量的決定系數(shù)為0.68，符合一般模型的擬合精度，并且絕對誤差、相對誤差都控制在0.5 m以內(nèi)，達到了提取紅松株數(shù)的基本要求，模型的總體精度為83.3%。

表4 冠幅模型檢驗指標

根據(jù)冠幅預(yù)測回歸模型R =0.925 +0.190(D/Dg)+0.017D，選取第七林班的6 個樣地點計算的林分平均胸徑(Dg)為38 cm。通過分析角規(guī)數(shù)據(jù)可知，第七林班的紅松胸徑集中在60 ～70 cm 之間，所以，當(dāng)胸徑D =60 cm 時，計算冠幅面積為15.8 m2，冠幅周長為14.08 m。根據(jù)樹冠冠幅的矢量多邊形面積和周長屬性，對大于面積和周長的臨界值的多邊形進行切割處理，精確提取紅松株數(shù)為8 017 株。計算經(jīng)過模型約束后提取的8 017 株紅松的提取精度為90.46%。

3.2 紅松單株空間定位及驗證

通過決策樹分類和柵格數(shù)據(jù)的矢量化，提取得了到紅松樹冠多邊形。為了精確地表示出每株紅松的空間位置，需提取每株紅松的X、Y 坐標。在Arc-Map 軟件中，打開紅松樹冠多邊形屬性表，增加兩個字段用于計算X、Y 坐標，選擇Calculate Geometry 工具，在property 中分別選擇X Coordinate of Centroid和Y Coordinate of Centroid 用于計算各多邊形質(zhì)心的坐標點［12］。

在第七林班中隨機建立5 個100 m ×100 m的空間樣地，用以對單株紅松空間定位進行精度檢驗，影像樣地的空間分布見圖6。用目視解譯的方法，判讀該樣地中的每株紅松，并且與分類提取的結(jié)果進行對比分析，效果見圖7。計算5個影像樣地的紅松定位精度，最終求得單株空間定位總體平均精度為82.74%，每個樣地的單體精度見表5。最終得到的第七林班的紅松分布如圖8所示。

圖6 影像樣地分布

圖7 影像樣地精度驗證

表5 紅松單株定位精度檢驗

圖8 涼水自然保護區(qū)第七林班紅松分布

4 結(jié)論與討論

根據(jù)格羅森堡提出的角規(guī)測算單位面積上任意通量的一般通式，計算每公頃紅松株數(shù)與對應(yīng)小班面積的乘積之和，即為第7 林班紅松的株數(shù)，為8 869 株。而經(jīng)過冠幅控制和矢量處理后提取的紅松株數(shù)為8 023 株，計算紅松株數(shù)精度為90.46%、空間定位精度為82.74%，比通過決策樹分類提取的紅松株數(shù)(7 074 株)的精度提高了10.70%。由此可見，在利用航片影像的常規(guī)分類方法提取樹種株數(shù)和空間定位的基礎(chǔ)上，結(jié)合角規(guī)調(diào)查等二類調(diào)查數(shù)據(jù)以及建立冠幅與胸徑、林分斷面積等測樹因子的線性模型，能較大程度地提高估算精度，在實際生產(chǎn)中具有一定的使用價值。但這種方法還存在一定的誤差，通過與實際的正射影像圖進行對比分析，發(fā)現(xiàn)誤差主要存在于兩個方面:1)在決策樹專家知識統(tǒng)計過程中，紅松樣本點亮度值和紋理值范圍的統(tǒng)計都是通過在正射影像圖上目視解譯所提取的紅松樣本進行確定的，對于樣本點的選擇主要根據(jù)工作人員的經(jīng)驗進行判讀，在一定程度上存在著人為產(chǎn)生的誤差;2)在冠幅預(yù)測模型建立過程中假設(shè)樹冠不存在偏冠、傾斜等因素的影響，而在實際過程中，這些因素是客觀存在的，所以對于紅松株數(shù)的確定也存在一定的誤差。

本研究可以在大比例尺航片的其他樹種提取及空間定位時作為參考。但由于決策樹分類方法是基于空間數(shù)據(jù)挖掘和先驗知識的監(jiān)督分類方法，因而了解紅松樹冠的冠形、色調(diào)、紋理等信息，對航片在曝光度、大氣折光等進行處理，可能在一定程度上會提高分類的精度。

［1］ 智長貴，郎奎建.帽兒山林場航空像片數(shù)字立體正射影像圖制作及應(yīng)用［J］.東北林業(yè)大學(xué)學(xué)報，2005，33(2):52 -55.

［2］ 許延麗，劉兆剛.基于航片建立數(shù)字高程模型及林分信息提?。跩］.東北林業(yè)大學(xué)學(xué)報，2009，37(11):88 -91.

［3］ 王二麗，李鳳日，王敏，等.基于大比例尺航片的針葉樹種冠幅的提?。跩］.森林工程，2011，27(6):16 -22.

［4］ Paul F，Huggel C，K??b A. Combining satellite multispectral image data and a digital elevation model for mapping debris-covered glaciers［J］. Remote Sensing Environt，2004，89(4):510 -518.

［5］ 沈煥飛，鐘燕飛，王毅，等. ENVI 遙感影像處理方法［M］. 武漢:武漢大學(xué)出版社，2009:236 -240.

［6］ 陳亮，張友靜，陳波.結(jié)合多尺度紋理的高分辨率遙感影像決策樹分類［J］.地理與地理信息科學(xué)，2007，23(4):18 -21.

［7］ 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，2012，29(2):210 -217.

［8］ Yang C C，Prasher S O，Enright P，et al. Application of decision tree technology for image classification using remote sensing data［J］. Agricultural Systems，2003，76(3):1101 -1117.

［9］ 李超，李鳳日，王勝蕾，等.基于大比例尺航片的單株立木坐標提?。跩］.東北林業(yè)大學(xué)學(xué)報，2010，38(12):31 -34.

［10］ 雷向東，張則路，陳曉光.長白落葉松等幾個樹種冠幅預(yù)測模型的研究［J］.北京林業(yè)大學(xué)學(xué)報，2006，28(6):75 -79.

［11］ 盧紋岱. SPSS 統(tǒng)計分析［M］.4 版. 北京:電子工業(yè)出版社，2010:236 -238.

［12］ 姜立春，杜樹立，李鳳日.基于隨機效應(yīng)的興安落葉松材積生長模擬［J］.應(yīng)用生態(tài)學(xué)報，2011，22(11):2963 -2969.