劉金麗，陳 釗

(北京林業(yè)大學(xué)信息學(xué)院，北京 100083)

林分樹種組成及優(yōu)勢(shì)樹種(組)信息是森林資源調(diào)查的重要內(nèi)容，為森林經(jīng)營(yíng)管理提供著重要的數(shù)據(jù)支撐[1-2]。我國(guó)森林面積大，且地區(qū)分布不均，野外調(diào)查耗費(fèi)大量的人力、物力和財(cái)力。遙感技術(shù)憑借其探測(cè)范圍大、獲取資料速度快周期短、受地面條件限制少等，目前在森林資源調(diào)查、遙感影像樹種分類中得到了廣泛的應(yīng)用[3-4]。隨著搭載在衛(wèi)星上的傳感器分辨率的提升，高分影像的解譯成為研究的主流趨勢(shì)。隨著分辨率的顯著提高，高分影像上地物的色彩、紋理和幾何結(jié)構(gòu)信息更加清晰?；旌舷裨獪p少，純凈像元增多，對(duì)象化特征更為明顯，但同時(shí)數(shù)據(jù)量也有了顯著增加，對(duì)軟硬件的運(yùn)行條件有了更高的要求[5-6]。利用高分辨率遙感影像宏觀、高效的優(yōu)勢(shì)提高調(diào)查成果的時(shí)效性和精細(xì)程度，探索適合高分辨率遙感影像特點(diǎn)的信息提取模式和方法，對(duì)國(guó)產(chǎn)高分?jǐn)?shù)據(jù)行業(yè)應(yīng)用、滿足業(yè)務(wù)和信息需求，具有非常重要的學(xué)術(shù)價(jià)值和現(xiàn)實(shí)意義[7-8]。

近年來，面向?qū)ο蠓诸惓蔀檫b感影像分類的主流方法，分類對(duì)象也從傳統(tǒng)的像素轉(zhuǎn)化為具備光譜、形狀、紋理、上下文、空間關(guān)系等豐富特征的對(duì)象。已有研究表明，面向?qū)ο蟮姆诸惙椒ㄔ跇浞N類型信息提取中顯示出巨大潛力[9]。面向?qū)ο蠓诸悤r(shí)，對(duì)遙感影像進(jìn)行適宜尺度的分割并根據(jù)分割結(jié)果創(chuàng)建對(duì)象是首要面臨的問題[6]。通過分割，研究人員可以把一幅影像中光譜信息或紋理信息差異較大的鄰近區(qū)域分開，進(jìn)而得到內(nèi)部同質(zhì)性較高的對(duì)象集[10]。分割的最小對(duì)象是一個(gè)像元，隨著衛(wèi)星傳感器分辨率的提升，像元單位隨之減小，導(dǎo)致分割所得對(duì)象邊緣鋸齒明顯，不僅影響基于形狀特征的尺度評(píng)價(jià)結(jié)果，還會(huì)給后期整飾出圖造成一定的困難。

為探究分割參數(shù)的有效確定方法及減小對(duì)象鋸齒現(xiàn)象，本文以高分二號(hào)遙感影像為主要數(shù)據(jù)源，開展了Landsat 8多光譜數(shù)據(jù)輔助下的高分影像分割研究。

1 研究區(qū)概況與數(shù)據(jù)

1.1 研究區(qū)概況

本文研究選取黑龍江省伊春市樺皮羌子林場(chǎng)為研究區(qū)，地理坐標(biāo)為47°53′—48°03′N，129°24′—129°33′E，總面積約為11 854 hm2，如圖1所示。地勢(shì)東北高，西南低，山巒蜿蜒起伏，縱橫交錯(cuò)，局部為丘陵。境內(nèi)平均海拔500 m，平均坡度在10～15°之間，局部最大坡度在40°左右，高山寬谷地區(qū)呈凹形，谷地寬溝頭窄，坡度1～3°。該林場(chǎng)地處北溫帶，屬大陸濕潤(rùn)季風(fēng)氣候。四季氣溫差異較大，冷暖多變。研究區(qū)內(nèi)林分類型以闊葉混交林和針闊混交林為主，樹種類型豐富，主要有白樺、冷杉、楓樺、云杉、蒙古櫟、紫椴、落葉松等。

1.2 數(shù)據(jù)

1.2.1 GF-2影像

高分二號(hào)(GF-2)衛(wèi)星是國(guó)家高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)首批啟動(dòng)研制的衛(wèi)星，突破了亞米級(jí)高分辨率大幅寬成像等關(guān)鍵技術(shù)，打破我國(guó)高分辨率對(duì)地觀測(cè)數(shù)據(jù)依賴進(jìn)口的被動(dòng)局面[11]。

本文研究采用了2016年8月20日獲取的GF-2相對(duì)輻射校正產(chǎn)品(圖1)，影像包含4個(gè)多光譜波段和一個(gè)全色波段，波段及分辨率見表1。

表1 GF-2影像波段信息

1.2.2 Landsat 8/OLI影像

Landsat 8衛(wèi)星由美國(guó)航空航天局在2013年2月11日發(fā)射升空，其上攜帶2個(gè)傳感器，分別為OLI陸地成像儀(operational land imager)和TIRS熱紅外傳感器(thermal infrared sensor)。Landsat 8衛(wèi)星影像具有空間分辨率不高，單幅覆蓋面積大、獲取時(shí)間集中和不同波段合成對(duì)地物有不同增強(qiáng)的效果等特性[12-13]。

本文采用2017年6月23日獲取的Landsat 8/OLI夏季數(shù)據(jù)，影像包含8個(gè)多光譜波段和1個(gè)全色波段，波段及分辨率見表2。

表2 Landsat 8影像波段信息

2 研究方法

面向?qū)ο笥跋穹指畎?個(gè)過程：①影像預(yù)處理；②確定同質(zhì)性準(zhǔn)則組合參數(shù)；③確定尺度分割參數(shù)進(jìn)行分割。為了對(duì)比有無Landsat 8多光譜數(shù)據(jù)輔助對(duì)GF-2分割結(jié)果的影響，本文采用兩種分割方案：①單獨(dú)使用GF-2影像分割；②GF-2和Landsat 8影像協(xié)同分割。分別尋找適用于兩種分割方案的多尺度分割算法參數(shù)。對(duì)不同分割方案采用同樣的評(píng)價(jià)方法進(jìn)行分割結(jié)果評(píng)價(jià)，技術(shù)路線如圖2所示。

2.1 遙感影像預(yù)處理

基于ENVI 5.4軟件平臺(tái)對(duì)GF-2多光譜/全色數(shù)據(jù)和Landsat 8進(jìn)行預(yù)處理。在完成輻射定標(biāo)、大氣校正、正射校正后，采用Gram-Schmidt Pan Sharpening算法對(duì)GF-2的4 m分辨率多光譜數(shù)據(jù)和1 m分辨率全色數(shù)據(jù)進(jìn)行融合，采用NNDiffuse Pan Sharpening算法對(duì)Landsat 8的30 m分辨率多光譜數(shù)據(jù)和15 m分辨率全色數(shù)據(jù)進(jìn)行融合。最后基于二類調(diào)查小班矢量對(duì)兩景影像進(jìn)行了仿射變換校正，均方根誤差(root mean square error，RMS)分別為0.417 m和5.326 m，滿足了校正要求。

2.2 面向?qū)ο蠓指?/h3>

多尺度分割(multiresolution segmentation，MRS)是eCognition中內(nèi)嵌的分割方法，該算法適用于提取空間特征不一的圖像對(duì)象[14]。MRS算法的分割原理是，以單個(gè)像素為起始對(duì)象自下而上地進(jìn)行合并，根據(jù)對(duì)象內(nèi)同質(zhì)性、對(duì)象間異質(zhì)性對(duì)影像分割對(duì)象進(jìn)行充分的優(yōu)化，實(shí)現(xiàn)同一影像中不同尺度下的像素聚合。對(duì)于給定的任何影像，該算法可以根據(jù)應(yīng)用目的對(duì)像素進(jìn)行靈活的抽象和組合成形。

2.2.1 同質(zhì)性準(zhǔn)則組合參數(shù)

在MRS算法所需要的參數(shù)中，對(duì)分割結(jié)果影響較為顯著的是同質(zhì)性準(zhǔn)則組合參數(shù)和尺度參數(shù)[15]。在以往的研究中，有的是遍歷式尋找最優(yōu)組合參數(shù)或采用默認(rèn)的參數(shù)組合進(jìn)行分割，但經(jīng)本文試驗(yàn)證明，默認(rèn)參數(shù)并不理想，為尋求一組最優(yōu)分割參數(shù)組合，有必要開展逐步試驗(yàn)，分階段確定多尺度分割算法所用參數(shù)。

試驗(yàn)證明，在執(zhí)行MRS算法時(shí)不同參數(shù)組合對(duì)分割結(jié)果的影響差異明顯。試驗(yàn)將分割尺度設(shè)為200，分Ⅰ和Ⅱ兩個(gè)階段采取固定單一參數(shù)因子法來依次選取相對(duì)最佳的同質(zhì)性準(zhǔn)則組合參數(shù)。GF-2分割結(jié)果如圖3所示，I階段的試驗(yàn)結(jié)果表明，當(dāng)形狀因子為0.5、緊致度因子分別為0.1、0.5、0.7、0.9時(shí)，分割所得對(duì)象有的過于破碎，有的分割不足。相比于以上結(jié)果，緊致度因子為0.3時(shí)的分割結(jié)果更好一些，分割結(jié)果如圖所示。在Ⅱ階段實(shí)驗(yàn)中，將緊致度因子設(shè)為0.3，取不同的形狀因子繼續(xù)開展分割。Ⅱ階段的試驗(yàn)結(jié)果表明，當(dāng)緊致度因子為0.3、形狀因子分別為0.1、0.3、0.7、0.9時(shí)，分割所得對(duì)象過于破碎或分割不足的現(xiàn)象同樣存在。因此本文最終取形狀因子為0.5、緊致度因子為0.3作為GF-2影像的同質(zhì)性準(zhǔn)則參數(shù)組合，使不同樹種邊緣分割清晰，對(duì)象內(nèi)部同質(zhì)性高，錯(cuò)分割的情況相對(duì)最少。

2.2.2 多尺度分割

本文研究為探討Landsat 8對(duì)GF-2分割的影響，需確定分割尺度開展試驗(yàn)。一般來說，尺度的選擇是為了更好的分割結(jié)果，因此本文采用ESP2工具確定一定范圍內(nèi)的最優(yōu)分割尺度。

ESP2(estimating the scale parameter 2，ESP2)文獻(xiàn)[16]在2014年開發(fā)出來的用于評(píng)價(jià)不同尺度影像分割結(jié)果整體最大異質(zhì)性的工具。該工具利用影像分割結(jié)果整體局部方差均值隨分割尺度的變化率來評(píng)估與影像地物屬性相對(duì)應(yīng)的最優(yōu)尺度參數(shù)，并將變化率曲線的峰值作為影像對(duì)象整體最大異質(zhì)性的直觀反映。由于影像的豐富性，ESP2計(jì)算得到的最優(yōu)分割尺度往往是多個(gè)值[17]。ROC計(jì)算方法為

(1)

式中，L代表尺度為L(zhǎng)時(shí)的分割結(jié)果中所有對(duì)象LV均值；L-1代表尺度為L(zhǎng)-1分割結(jié)果中所有對(duì)象的LV均值。在計(jì)算ROC后繪制ROC隨尺度L的變化曲線，曲線中的峰值說明了依賴于某類地物對(duì)象特征的影像可以在該尺度上進(jìn)行最合適的分割。

2.3 分割結(jié)果評(píng)價(jià)

不同尺度下的分割結(jié)果各有差異，為以一個(gè)定量的標(biāo)準(zhǔn)去評(píng)價(jià)分割結(jié)果，諸多學(xué)者開展了評(píng)價(jià)方法的研究[15-16]。分割結(jié)果的好壞，主要體現(xiàn)在分割對(duì)象與實(shí)際地物斑塊在形狀、面積等幾何特征上的差異，因此本文采用了矢量距離指數(shù)作為一種評(píng)價(jià)指標(biāo)。除此之外，eCognition還提供了緊密度指數(shù)和形狀指數(shù)兩個(gè)評(píng)價(jià)指標(biāo)用于定量表示分割所得多邊形在邊緣與面積上的特征。緊密度指數(shù)和形狀指數(shù)均屬于對(duì)象特征集中的空間屬性，是根據(jù)圖像分割與合并結(jié)果產(chǎn)生的對(duì)象(多邊形)計(jì)算得到的。

2.3.1 矢量距離指數(shù)

矢量距離指數(shù)是基于對(duì)象匹配法，對(duì)比影像分割對(duì)象和實(shí)際地物邊界吻合度的一種分割尺度評(píng)價(jià)方法[14]。該指數(shù)將分割后影像對(duì)象的邊界定義為分割邊線，將分割目標(biāo)對(duì)象的實(shí)際地物邊界定義為參考多邊形，通過計(jì)算分割邊線和參考多邊形橫、縱兩方向距離來對(duì)分割結(jié)果進(jìn)行定量評(píng)價(jià)，其計(jì)算公式如下

(2)

式中，D為矢量距離指數(shù)；Hdi為第i條橫向距離線長(zhǎng)度；Vdj為第j條縱向距離線長(zhǎng)度；n1為橫向距離線總數(shù)；n2為縱向距離線總數(shù)。D的值越小，表明分割邊線和參考多邊形兩方向上的總距離差異越小，分割質(zhì)量越高。

2.3.2 緊密度指數(shù)

緊密度特征描述了對(duì)象的緊密性，與基于多邊形長(zhǎng)度的邊界指數(shù)類似，只不過緊密度是基于面積來計(jì)算的。然而，圖像對(duì)象越緊致，它的邊界長(zhǎng)度就越小。緊密度是根據(jù)對(duì)象長(zhǎng)度和寬度的乘積除以像素個(gè)數(shù)計(jì)算得出的，其計(jì)算公式為

(3)

式中，C是緊密度指數(shù)；lv是圖像對(duì)象V的長(zhǎng)度；wv是圖像對(duì)象V的寬度；#Pv是圖像對(duì)象中包含像素的總數(shù)。lv和wv與對(duì)象V的關(guān)系如圖4所示。

2.3.3 形狀指數(shù)

形狀指數(shù)描述了對(duì)象邊界的光滑度，對(duì)象邊界越光滑，其形狀指數(shù)越小。它是通過計(jì)算圖像對(duì)象的邊界長(zhǎng)度除以面積平方根的4倍得出的，其計(jì)算公式為

(4)

式中，S是形狀因子；bv是圖像對(duì)象V的邊界長(zhǎng)度；#Pv是圖像對(duì)象中包含像素的總數(shù)；bv與對(duì)象V的關(guān)系如圖4所示。

3 結(jié)果與分析

3.1 評(píng)價(jià)樣本

根據(jù)矢量距離指數(shù)法評(píng)價(jià)法原理，需要參考多邊形作為對(duì)比計(jì)算要素，其勾繪應(yīng)符合單一樹種斑塊在影像上的實(shí)際分布。郁閉度較大的林分中，樹木生長(zhǎng)旺盛，反映在影像上是均勻、密集的顆粒紋理，分割對(duì)象應(yīng)完整、邊緣光滑。郁閉度較小的林分，在影像上將會(huì)看到明顯的林隙，分割對(duì)象會(huì)因大大小小的林隙而變得破碎、 邊緣曲折不齊。本文研究根據(jù)各個(gè)郁閉度值對(duì)應(yīng)的小斑所占面積比，在GF-2遙感影像上依據(jù)分層抽樣原理勾畫了210個(gè)單樹種參考多邊形。緊密度指數(shù)和形狀指數(shù)為參考多邊形對(duì)應(yīng)的分割多邊形的指數(shù)平均值。

3.2 評(píng)價(jià)對(duì)象

基于上文的最佳同質(zhì)性準(zhǔn)則參數(shù)組合，本文研究在50～500的尺度參數(shù)值范圍內(nèi)開展以25為單位步長(zhǎng)遞增的多尺度分割試驗(yàn)，以確定ESP2工具的尺度計(jì)算范圍。試驗(yàn)結(jié)果顯示，當(dāng)尺度參數(shù)在100以下時(shí)，所得對(duì)象極為破碎，破壞了森林樹種組成的生長(zhǎng)結(jié)構(gòu)。尺度參數(shù)在400以上時(shí)，不能有效分割林分。因此本文選取了100～400之間的分割尺度，使用ESP2工具生成了ROC曲線如圖5所示。

研究區(qū)內(nèi)樹種類型十分豐富，影像上呈現(xiàn)出的地物類別層次較為復(fù)雜。相應(yīng)地，反映在ROC曲線上的變化也更具有挑戰(zhàn)性。這里，本文選出了較為明顯的11處峰值，對(duì)應(yīng)的尺度分別是116、132、144、200、243、259、281、305、323、335、383。

3.3 評(píng)價(jià)結(jié)果

在ESP2工具所得尺度上，GF-2影像單獨(dú)分割與兩數(shù)據(jù)協(xié)同分割的矢量距離指數(shù)、緊密度指數(shù)、形狀指數(shù)均有明顯差異，且三值明顯低于GF-2影像單獨(dú)分割，見表3。Landsat 8數(shù)據(jù)輔助下的高分影像分割可以降低對(duì)象邊緣鋸齒性，在一定程度上優(yōu)化分割結(jié)果。GF-2遙感影像分割在尺度參數(shù)259上的矢量距離指數(shù)最低(D=23 786)，GF-2與Landsat 8協(xié)同分割在尺度參數(shù)243上矢量距離指數(shù)最低(D=22 097)。

表3 分割結(jié)果評(píng)價(jià)

為探究Landsat 8參與分割對(duì)各指數(shù)值的影響程度，本文計(jì)算了兩數(shù)據(jù)共同分割下的各指數(shù)值相對(duì)差異占GF-2單獨(dú)分割各指數(shù)值的比例，結(jié)果如圖6所示。結(jié)果表明，D值的影響差異范圍在3.10～14.93%之間，C值的影響差異范圍在21.67～40.23%之間，S值的影響差異范圍在5.99～21.97%之間，在11個(gè)尺度上的提升均值分別為8.05%、28.40%、11.76%。

4 結(jié) 語

本文研究以黑龍江省伊春市樺皮羌子林場(chǎng)為研究區(qū)，設(shè)計(jì)試驗(yàn)探究了有無Landsat 8多光譜數(shù)據(jù)輔助下的GF-2影像分割結(jié)果，并計(jì)算了兩種分割方案的評(píng)價(jià)指數(shù)差異度。結(jié)果表明，在試驗(yàn)的所有尺度上，Landsat 8輔助下的分割結(jié)果各指數(shù)都優(yōu)于GF-2單獨(dú)分割，這為高分影像的分割優(yōu)化提供了很有價(jià)值的思路。另外，分割所受影響因素較多，為了讓后期對(duì)象特征提取的精度更高，下一步的研究計(jì)劃是開展因素更為全面、參數(shù)組合更為豐富的試驗(yàn)。

我國(guó)的高分專項(xiàng)工程已實(shí)施近8年之久，獲取的數(shù)據(jù)十分寶貴。開展高分專項(xiàng)所得數(shù)據(jù)的應(yīng)用研究，不僅是未來研究的應(yīng)有方向，更是國(guó)內(nèi)遙感影像解譯事業(yè)發(fā)展的必經(jīng)之路。另外，在知識(shí)與數(shù)據(jù)資源充分共享的當(dāng)下，研究人員也應(yīng)充分利用所有可得的數(shù)據(jù)，探究更為科學(xué)、有效的研究方案。