張乃靜,侯瑞霞,紀 平

(中國林業(yè)科學研究院資源信息研究所,北京 100091)

基于遙感影像和二類調(diào)查數(shù)據(jù)的林地類型分類方法對比研究
——以廣西憑祥市為例

張乃靜,侯瑞霞,紀 平

(中國林業(yè)科學研究院資源信息研究所,北京 100091)

基于Landsat 8 OLI遙感影像和森林資源二類調(diào)查數(shù)據(jù),對有林地、灌木林地、未成林地和非林地等林地類型,分別采用最大似然、神經(jīng)網(wǎng)絡、支持向量機和決策樹分類方法進行分類,驗證分類精度,并對分類效果進行對比評價。結果表明:支持向量機分類方法表現(xiàn)最好,分類精度為78.7%,Kappa系數(shù)為0.76；其次為神經(jīng)網(wǎng)絡和決策樹分類方法,分類精度分別為76.8%和72.5%,Kappa系數(shù)分別為0.72和0.68；最大似然法表現(xiàn)最差,分類精度為44.9%,Kappa系數(shù)為0.39。研究結果可為森林資源信息的快速提取提供理論依據(jù)。

遙感；二類調(diào)查；分類

0 引言

林地類型是評價某一地區(qū)森林狀況的重要因素,密切影響著森林蓄積、森林生物量和景觀格局等。傳統(tǒng)林地類型調(diào)查工作中需要人工調(diào)查的項目多,工作繁瑣,費時費力。隨著航空技術的發(fā)展,遙感分類技術越來越多得應用在森林資源調(diào)查中,大幅提高了林地分類的效率,改善了森林資源管理水平,遙感分類技術已成為林業(yè)資源調(diào)查和監(jiān)測的重要途徑[1]。

利用遙感影像進行林地類型分類一直是國內(nèi)外研究熱點之一,近年來,許多國內(nèi)外學者基于不同的遙感數(shù)據(jù)源,以遙感技術為手段,在宏觀和微觀不同的尺度范圍上對森林植被進行了空間分類提取研究,同時,構建了面向不同數(shù)據(jù)源、不同提取精度的方法體系。Shao等[2]使用改進型的非監(jiān)督分類對美國中東部小區(qū)域的喬木林進行Landsat 5遙感分類,取得了理想的結果；胡海清等[3]基于Landsat 7遙感圖像對大興安嶺地面可燃植被進行分類研究中發(fā)現(xiàn)最大似然法對某些林型的遙感分類有效,而對個別林型分類的精度較低；朱清苗[4]和劉旭生等[5]利用Landsat 7遙感影像分別對南京中山陵和內(nèi)蒙古中部林地進行分類研究,結果表明神經(jīng)網(wǎng)絡法是一種有效可靠的分類方法,其分類精度優(yōu)于最大似然法,而最大似然法不適用地物類型的詳細劃分；任瓊等[6]以生態(tài)公益林為研究對象,進行IKONOS遙感分類方法研究,表明支持向量機法分類精度較高(75.4%),而最大似然法優(yōu)于神經(jīng)網(wǎng)絡法；齊樂[7]和韓婷婷[8]等使用決策樹方法,結合DEM高程模型、光譜信息和植被指數(shù)等特征數(shù)據(jù),對云南省地物類型進行Landsat 5遙感分類,表明決策樹方法分類精度優(yōu)于最大似然等監(jiān)督分類方法,可應用與大面積地物類型的遙感分類,且有進一步的改進空間。通過以上對前人研究的總結可以發(fā)現(xiàn)，遙感分類過程中,所使用的分類方法在不同區(qū)域、對象或遙感影像來源的分類研究中表現(xiàn)出的性能可能不同,因此有必要在相同條件下對不同的遙感分類方法進行對比研究,以便找出適合研究區(qū)地物分類的方法。

本研究以廣西省憑祥市為例,基于Landsat 8 OLI遙感影像,以森林資源二類調(diào)查數(shù)據(jù)作為分類依據(jù)和驗證數(shù)據(jù),利用監(jiān)督分類(最大似然、神經(jīng)網(wǎng)絡、支持向量機)和決策樹分類方法對研究區(qū)林地類型分類,并進行精度驗證和效果評價,在相同條件下對比幾種分類方法的優(yōu)劣,為實現(xiàn)遙感和地面監(jiān)測的森林經(jīng)理數(shù)據(jù)集成,以及林業(yè)科學數(shù)據(jù)平臺森林資源信息的快速提取提供理論依據(jù)。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)自然概況

研究區(qū)位于廣西憑祥市(21°57′47″～22°19′27″N,106°39′50″～106°59′30″E),屬于中國林業(yè)科學院熱帶林業(yè)實驗中心實驗地,與越南接壤。研究區(qū)地帶性植被是季雨林,此外,常綠闊葉林分布在海拔700m以上的區(qū)域,是季雨林的一個垂直帶譜。研究區(qū)內(nèi)主要的植物有:人面子(DracontomelonmacrocarpumH.L.Li)、烏欖(CanariumpimelaLeenh.)、箭毒木(AntiaristoxicariaLesch.)、八寶樹(Duabangagrandiflora(Roxb.ex DC.) Walp.)、擬肉豆蔻(KnemaguangxiensisS.L.Mo et X.W.Wei)、風吹楠(Horsfieldiaamygdalina(Wallich) Warburg)和欖類植被等,這些植物生長在海拔400m以下區(qū)域。現(xiàn)有的原生植被森林中,熱帶雨林標志景觀較為常見,例如喬木板狀根、老莖生花、附生植物和藤本植物等。人工植被以馬尾松(PinusmassonianaLamb.)和杉木為主,其次是濕地松(PinuselliottiiEngelmann)、殼菜果(MytilarialaosensisLec.)、西樺(BetulaalnoidesBuch.-Ham.ex D.Don)、石梓(GmelinachinensisBenth.)、八角(IlliciumverumHook.f.)和紅椎(CastanopsishystrixMiq.)等。灌木樹種主要是鹽膚木(RhuschinensisMill.)、余甘子(PhyllanthusemblicaL.)、桃金娘(Rhodomyrtustomentosa(Ait.) Hassk.)、野牡丹(MelastomamalabathricumLinnaeus)和多苞藤春(AlphonseasquamosaFinet et Gagnep.)等,草本主要有金貓尾(SaccharumfallaxBalansa)、毛稈野古草(Arundinellahirta(Thunb.) Tanaka)、細毛鴨嘴草(IschaemumciliareRetzius)、五節(jié)芒(Miscanthusfloridulus(Lab.) Warb.ex Schum et Laut.)和蔓生莠竹(Microstegiumfasciculatum(Linnaeus) Henrard)等。

1.2 數(shù)據(jù)收集與分析

本研究收集了2014年研究區(qū)Landsat 8 OLI遙感影像(圖1),遙感衛(wèi)星過境時間分別是2014年9月25日、10月11日和12月30日,條帶號為126/45。其中9月和10月拍攝影像期間研究區(qū)有少量云存在,不利于信息提取,所以本研究使用的遙感圖像拍攝時間為12月30日,該圖像云量少,林相色彩變化大,有利于光譜信息的提取。數(shù)據(jù)采用UTM WGS-84投影,L1T級標準產(chǎn)品。波段1—7和波段9為多光譜波段,這8個波段遙感圖像的空間分辨率為30m。波段8為全色波段,該波段的空間分辨率為15m,由于波段1為深藍波段,用于觀測海岸帶的氣溶膠,波段9為短波波段,用于觀測卷云,所以本研究不考慮這3個波段,只研究與林地類型分類相關的2—7波段。

同時還收集了研究區(qū)2014年二類調(diào)查小班數(shù)據(jù)及矢量文件,包含小班5 631個,主要土地類型包括喬木林、灌木林、竹林、未成林地和無林地等5種土地類型。所有數(shù)據(jù)來源于林業(yè)科學數(shù)據(jù)中心(http://www.forestdata.cn)。研究使用軟件為ENVI 5.1,ArcGIS 9.2。

圖1 研究區(qū)位置

2 研究方法

2.1 林地類型劃分

林地類型的劃分是森林資源調(diào)查和監(jiān)測的基礎。結合遙感技術特點和研究區(qū)二類調(diào)查數(shù)據(jù)的實際情況,將研究區(qū)森林資源中的地類劃分為4個一級類型,即有林地、灌木林地、未成林地和非林地,有林地劃分為喬木林和竹林2個二級類型,喬木林劃分為純林和混交林2個三級類型,非林地不是本研究的重點,僅劃分為水體、建筑和農(nóng)田3個類型。具體劃分參見圖2。

2.2 遙感數(shù)據(jù)預處理

使用的Landsat 8 OLI數(shù)據(jù)已經(jīng)進行過輻射校正和幾何粗校正,除此之外還需要對影像進行輻射定標、大氣校正、幾何校正和裁剪等處理。如圖3所示,首先,對數(shù)據(jù)進行輻射定標,利用Landsat8 OLI定標線性模型對各波段的輻射亮度值進行求解,將圖像的象元灰度值(DN)轉化為輻射亮度值,然后采用ENVI中的FLAASH工具進行大氣校正,得到地表反射率,主要的輸入?yún)?shù)包括成像日期及時間、中心經(jīng)緯度、海拔高度、大氣模型、氣溶膠模型和初始能見度等。最后利用研究區(qū)地形圖作為基準數(shù)據(jù),通過選取道路和河流等交叉點來對Landsat影像進行幾何校正。根據(jù)研究區(qū)GIS矢量文件對遙感影像進行裁剪,得到研究區(qū)遙感圖像。

圖2 林地分類系統(tǒng)圖

圖3 遙感數(shù)據(jù)預處理流程圖

2.3 遙感分類方法

遙感分類是根據(jù)像元的灰度信息以及其它空間特征,判斷地物類別的過程。根據(jù)求解判別函數(shù)是否利用了類別的先驗知識,可將分類方法歸結為監(jiān)督分類法(Supervised Classification)、非監(jiān)督分類法(Unsupervised Classification)和基于知識的決策樹分類(Decision Tree Classification)[9]。本研究采用監(jiān)督分類(最大似然、神經(jīng)網(wǎng)絡、支持向量機)和決策樹分類方法對研究區(qū)林地類型進行分類。

2.3.1 非監(jiān)督分類

非監(jiān)督分類不需要對樣本進行訓練,也無需先驗知識。該分類方法中心思想是根據(jù)遙感圖像中地物的光譜特征或紋理各不相同,提取這些特征信息,通過統(tǒng)計分析這些信息的差別,最后查找、定義多個光譜特征相似的類別,達到分類的目的。常用非監(jiān)督分類方式有K-Means和ISO-DATA兩種方法[10-11]。本研究中決策樹分類部分涉及了ISO-DATA方法,其理論參見相關參考文獻。

2.3.2 監(jiān)督分類

監(jiān)督分類的思想是根據(jù)先驗知識確定判別函數(shù)和相應的判別準則,其中利用一定數(shù)量已知類別的樣本觀測值來確定判別函數(shù)中待定參數(shù)的過程稱之為學習或訓練,通過選擇特征參數(shù),建立判別函數(shù)或模型。然后依據(jù)樣本類別的特征來識別非樣本像元,將未知類別的樣本特征代入判別函數(shù)或模型,再依據(jù)判別準則對該樣本的所屬類別做出判定[12]。本研究將森林資源二類調(diào)查矢量數(shù)據(jù)與遙感圖像進行疊加,經(jīng)過人工判讀和圖像可分離性分析,提取與上述4類林地類型相對應的訓練樣本數(shù)據(jù),分別采用監(jiān)督分類中的最大似然、神經(jīng)網(wǎng)絡和支持向量機分類方法進行分類,得到分類影像,然后執(zhí)行分類后處理,將“小斑”聚類到周圍的大類中,得到分類圖像。最大似然、神經(jīng)網(wǎng)絡和支持向量機分類理論參見其他參考文獻[13-15]。

2.3.3 決策樹分類

決策樹分類方法是首先對遙感圖像進行波段組合、計算等預處理后,對遙感圖像進行再次組合,獲取遙感圖像各層次中地物類型的光譜特征、紋理、植被指數(shù)等因子,然后對各地物類型的特征數(shù)據(jù)進行統(tǒng)計歸類,制定一系列的分類規(guī)則,最終進行遙感分類的方法[16]。該方法分為決策樹分類規(guī)則的制定和決策樹分類執(zhí)行兩個步驟,決策樹規(guī)則的制定是分析研究區(qū)地物的基本組成,利用先驗知識,對無規(guī)則的樣本數(shù)據(jù)進行統(tǒng)計、推理和歸納,得到邊與節(jié)點構成的分類樹結構,即決策樹分類規(guī)則,該步驟實際是機器學習的過程。利用決策樹分類規(guī)則對遙感圖像進行分類,就是決策樹分類的步驟。由此可見決策樹規(guī)則的制定是決策樹分類的重點,影響著決策樹分類的質(zhì)量。

本研究首先利用Landsat 8 OLI遙感數(shù)據(jù)分別計算歸一化植被指數(shù)(NDVI)和增強植被指數(shù)(EVI),生成NDVI和EVI影像,公式如下:

式中：NIR表示近紅外波段;R表示紅光波段;B表示藍光波段。

然后對遙感影像進行ISO-DATA分類,將最小地物類別設定為5類、最大地物類別設定為10類、分類算法迭代次數(shù)設定為10次,進行分類后生成ISO-DATA分類結果。

最后將Landsat 8 OLI遙感數(shù)據(jù)中的band2,band3,band4,band5,NDVI,EVI,ISODATA和研究區(qū)數(shù)字高程模型(DEM)疊加生成新的數(shù)據(jù)文件,作為決策樹分類的特征數(shù)據(jù),通過分類回歸樹算法從樣本中獲取節(jié)點分類規(guī)則,建立分類模型生成初步分類結果,進行“小斑”處理后,生成決策樹分類結果圖像。

2.3.4 分類結果評價和精度驗證

采用混淆矩陣(Confusion Matrix)方法對分類結果進行精度評價,以研究區(qū)森林資源二類調(diào)查矢量文件作為地表實況信息,對分類結果進行評價,建立混淆矩陣,計算總體分類精度和各地物的分類精度,以及Kappa系數(shù),Kappa系數(shù)的大小可以反映不同土地類型和分類結果與真實地物空間分布的一致性。當Kappa系數(shù)小于0.4時,說明一致性不理想；當Kappa系數(shù)介于0.40～0.75時,說明二者一致性一般；當Kappa系數(shù)大于0.75時,說明二者具有很好的一致性[17]。

3 研究結果

3.1 監(jiān)督分類結果

從使用最大似然方法對遙感數(shù)據(jù)進行林地類型分類的混淆矩陣結果(表1)中可以看出,純林識別正確率(66.32%)最大,其次是水體、建筑、農(nóng)田、灌木、未成林地、混交林,竹林識別正確率最小,僅1.79%,原因是由于研究區(qū)內(nèi)竹林分布面積較小,參與訓練的數(shù)量不足,導致分類精度低。林業(yè)用地與非林地區(qū)分較好,其他分類效果不佳,Kappa系數(shù)僅0.39,分類結果與真實地物空間分布的一致性不理想,分類圖如圖4(a)所示。其原因是最大似然法注重遙感影像像素亮度的相似性,而忽略像素之間的聯(lián)系,導致了幾種林地類型分類精度較低。

表1 最大似然監(jiān)督分類混淆矩陣

神經(jīng)網(wǎng)絡監(jiān)督分類混淆矩陣如表2所示,水體、建筑和農(nóng)田等非林地由于光譜特征明顯,分類精度較高,均達到了95%以上,喬木林(純林+混交林)分類精度同樣較好(>95%),在對純林進行分類時,精度為51.27%,近48.31%的像素被錯誤識別為混交林；混交林分類精度為83.73%,灌木林和未成林地分類精度較低,竹林識別精度為0,原因與上文描述相同。整體分類精度為76.79%,Kappa系數(shù)為0.72,分類結果與真實地物空間分布的一致性一般,分類圖如圖4(b)所示。

支持向量機監(jiān)督分類混淆矩陣如表3所示,喬木林(純林+混交林)分類精度較好(約90%),非林地由于光譜特征便于區(qū)分,分類精度最高(>90%),相比之下,混交林、灌木林、未成林地分類精度較低,竹林依然未識別。分類總體精度為78.70%,Kappa系數(shù)為0.76,分類結果與真實地物空間分布的一致性較好,分類圖如圖4(c)所示。

表2 神經(jīng)網(wǎng)絡監(jiān)督分類混淆矩陣

表3 支持向量機監(jiān)督分類混淆矩陣

3.2 基于光譜信息和植被指數(shù)的決策樹分類結果

使用基于光譜信息和植被指數(shù)的決策樹對遙感數(shù)據(jù)進行林地類型分類的混淆矩陣結果如表4所示,林業(yè)用地和非林地之間的分類結果較好,但林業(yè)用地內(nèi)部分類精度不高,最高僅為68.65%(純林),其次為混交林(67.63%)、灌木(29.41%)和未成林地(28.80%),竹林未識別。分類總體精度為72.50%,Kappa系數(shù)為0.68,分類結果與真實地物空間分布的一致性一般,分類圖如圖4(d)所示。

表4 決策樹分類混淆矩陣

3.3 分類方法比較

各林地類型的分類精度如表5所示,支持向量機對純林的分類精度最好(81.25%),神經(jīng)網(wǎng)絡對混交林的分類精度最好(83.73%),而所有的方法對灌木、未成林地的分類精度不高,由于訓練數(shù)據(jù)的不足,導致了竹林無法識別。相比之下,除最大似然法以外,其它3種方法對非林地的識別精度均較高,原因是水體、建筑和農(nóng)田的光譜信息與森林植被差別明顯,易于識別。通過總體精度和Kappa系數(shù)來看,分類精度支持向量機最好,其次為神經(jīng)網(wǎng)絡和決策樹,最大似然法最差。

表5 各林地類型的分類精度

圖4 研究區(qū)林地類型分類圖

4 結論

1) 基于Landsat 8 OLI遙感數(shù)據(jù),使用最大似然法、神經(jīng)網(wǎng)絡法、支持向量機法和決策樹法對林地類型進行分類,經(jīng)過對幾種方法分類結果的對比,支持向量機法具有一定的優(yōu)勢,是一種有效的遙感影像分類方法,其次分別為神經(jīng)網(wǎng)絡法、決策樹法和最大似然法。

2) 遙感分類過程中,訓練數(shù)據(jù)的選擇對分類結果影響較大,例如本研究的分類方法對竹林無法進行識別,因為研究區(qū)內(nèi)竹林分布面積小,且零散分布,Landsat 8 OLI影像最小分辨率為30m,竹林反映在影像中像素數(shù)量較少,所以在分類時,訓練區(qū)難以選擇,導致訓練數(shù)據(jù)不足,分類結果較差。如何提高較少訓練樣本數(shù)據(jù)的地物分類精度需要進行更為深入的研究。

3) 根據(jù)前人研究,選擇了分類效果較好的決策樹分類方法,但在本研究中表現(xiàn)不佳。其原因可能是決策樹分類方法對于從影像數(shù)據(jù)中獲取的先驗知識依賴性較大,數(shù)據(jù)集層次越多,決策樹的建立難度越大,如何構建有效的決策樹,提高決策樹分類精度是需要進一步研究的問題。對于遙感分類研究,除光譜信息及其計算的植被指數(shù)外,紋理特征和幾何特征也是影像的重要特征,這些信息可能會有利于分類精度的提升,因此值得進行下一步深入的研究。

4) 遙感林地類型分類是一個復雜的過程。本研究對比了4種常見的分類方法的優(yōu)劣,但實際應用中,除了分類方法,分類過程中特征信息的提取也是影響分類精度的重要因素,分類特征需要著重考慮到林地植被覆蓋的特點和精度等信息,所以分類特征的選擇與提取也是一個值得深入研究的課題。

5) 基于遙感影像和二類調(diào)查數(shù)據(jù),對林地類型分類方法對比的研究可以為實現(xiàn)遙感和地面監(jiān)測的森林經(jīng)理數(shù)據(jù)集成和林業(yè)科學數(shù)據(jù)平臺森林資源信息的快速提取提供理論依據(jù)。

[1]張超,王妍.森林類型遙感分類研究進展[J].西南林學院學報,2010(6):83-89.

[2]Shao G,Pauli B P,Haulton G S,et al.Mapping hardwood forests through a two-stage unsupervised classification by integrating Landsat Thematic Mapper and forest inventory data[J].Journal of Applied Remote Sensing,2014,8(1):83546.

[3]胡海清,張喆,吳學偉.基于遙感的塔河林業(yè)局森林可燃物類型劃分[J].東北林業(yè)大學學報,2007,35(7):20-21.

[4]朱清苗.神經(jīng)元網(wǎng)絡在中山陵景區(qū)林業(yè)土地分類中的應用[D].南京：南京林業(yè)大學,2004.

[5]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.

[6]任瓊,江洪,陳健,等.基于支持向量機的生態(tài)公益林遙感分類研究[J].林業(yè)資源管理,2009(1):107-113.

[7]齊樂,岳彩榮.基于CART決策樹方法的遙感影像分類[J].林業(yè)調(diào)查規(guī)劃,2011,36(2):62-66.

[8]韓婷婷,習曉環(huán),王成,等.基于決策樹方法的云南省森林分類研究[J].遙感技術與應用,2014,29(5):744-751.

[9]張雷.基于3S技術的滇池流域土地利用變化研究[D].昆明:昆明理工大學,2012.

[10]王慧賢,靳惠佳,王嬌龍,等.K均值聚類引導的遙感影像多尺度分割優(yōu)化方法[J].測繪學報,2015(5):526-532.

[11]沈照慶,舒寧,龔衍,等.基于改進模糊ISODATA算法的遙感影像非監(jiān)督聚類研究[J].遙感信息,2008(5):28-32.

[12]張振華.區(qū)域地質(zhì)環(huán)境遙感調(diào)查數(shù)據(jù)分析及應用研究[D].北京：中國地質(zhì)大學,2009.

[13]陳敬柱,賀瑞霞,郭恒亮.最大似然法在植被信息識別提取中的應用[J].水文地質(zhì)工程地質(zhì),2004(2):94-96.

[14]惠文華.基于支持向量機的遙感圖像分類方法[J].地球科學與環(huán)境學報,2006(2):93-95.

[15]楊希,王鵬.基于BP神經(jīng)網(wǎng)絡的高分辨率遙感影像分類[J].測繪,2011,34(3):115-118.

[16]申文明,王文杰,羅海江,等.基于決策樹分類技術的遙感影像分類方法研究[J].遙感技術與應用,2007(3):333-338.

[17]王敏,高新華,陳思宇,等.基于Landsat 8遙感影像的土地利用分類研究——以四川省紅原縣安曲示范區(qū)為例[J].草業(yè)科學,2015(5):694-701.

Study on Classification Methods Based on Remote Sensing Image and Forest Resources Management Survey Data—Take Pingxiang,Guangxi Autonamous Region as an Example

ZHANG Naijing,HOU Ruixia,JI Ping

(ResearchInstituteofForestResourceInformationTechniques,ChineseAcademyofForestry,Beijing100091,China)

Based on Landsat-8 image and forest resources management survey data,different forest land types were classified by maximum likelihood classification (ML),neural net classification (NN),support vector machine classification (SVM) and decision tree classification (DT) methods,and then the precisions (P) of classifications were verified,and the performances of classifications were evaluated correlatively.The results show that the best performance was SVM (P=78.7%,Kappa=0.76),and the followings were NN (P=76.8%,Kappa=0.72) and DT (P=72.5%,Kappa=0.68),and the worst was ML (P=44.9%,Kappa=0.39).These results provide a theory basis for the rapid extraction of forest resources information of forestry science data platform.

remote sensing,forest resources management survey,classification

2017-05-02；

2017-07-05

中央級公益性科研院所基本科研業(yè)務費專項(CAFYBB2017SZ006)；國家國際科技合作專項項目(2014DFG32140)

張乃靜(1982-)，女，天津人，助理研究員，博士，研究方向為數(shù)據(jù)挖掘、信息系統(tǒng)與信息共享。 Email:zhangnaijing@ifrit.ac.cn

紀平(1964-)，女，天津人，碩士，研究員，研究方向為數(shù)據(jù)挖掘、信息系統(tǒng)與信息共享。Email:jiping@ifrit.ac.cn

S758；S771.8

A

1002-6622(2017)04-0089-08

10.13466/j.cnki.lyzygl.2017.04.014