熊 昊,龐 勇,李春干,代華兵

(1.中國林業(yè)科學研究院資源信息研究所,北京 100091；2.廣西大學 林學院,南寧 530004；3.廣西林業(yè)勘測設計院,南寧 530011)

近年來,雖然多源遙感數據開始應用在森林資源規(guī)劃設計調查(簡稱森林資源二類調查)中,但是影像數據相對于其他數據源,因具有更易獲取、成本低、應用便捷等特點,仍在二類調查等森林資源調查監(jiān)測工作中廣泛應用。而影像的目視解譯在森林資源調查監(jiān)測中發(fā)揮了重要作用:目視解譯能夠為自動化分類算法提供訓練、測試數據集[1-2]；目視解譯方法可以直接從影像獲取統(tǒng)計數據[3]；目視解譯數據可以用于驗證由遙感方法制作的地圖,Hansen等[4]基于由影像目視解譯生成的參考數據對30m分辨率的全球森林覆蓋變化產品進行了校準和驗證；目視解譯可以和自動化方法綜合應用,De Sy V.等[5]利用UN-FAO的森林采伐數據對南美森林采伐后的土地利用類型進行了評估,該數據是使用自動分割和目視解譯方法共同獲取的；Pengra等[6]對500景全球范圍內的衛(wèi)星影像進行了自動分類后,用目視解譯的方法校正,形成了2m分辨率的森林覆蓋率參考圖；Beyal等[7]給目視解譯方法加入了植被指數形成了增強目視解譯；目視解譯可以用于得出森林發(fā)生變化的原因[8],Curtis等[9]用自動化方法獲取了森林損失的區(qū)域后,使用目視解譯方法進一步將各區(qū)域區(qū)分為采伐區(qū)、火燒跡地、病蟲害區(qū)域、林農輪作區(qū)域等。

在目視解譯中,影像分辨率的影響較大。目前,在目視解譯研究中,國內常用的影像分辨率為 2.5～5m[10]或更低[11]。使用這些影像進行區(qū)劃和優(yōu)勢樹種判讀時,往往只能通過成片區(qū)域的整體形狀、顏色和紋理等信息進行判讀,而無法清晰地獲取每株樹的信息,這樣會造成區(qū)劃邊界誤差和對優(yōu)勢樹種的誤判。而分辨率更高的無人機影像雖然判讀準確度高,但每次獲取數據的區(qū)域范圍過小[12],不適合用于大范圍的森林資源二類調查工作。歐洲一些林業(yè)發(fā)達國家已廣泛使用機載高分辨率航片進行目視解譯,將其應用于森林資源調查監(jiān)測[13-14],或是作為驗證數據等[15]。

本研究以廣西壯族自治區(qū)南寧市高峰林場為研究區(qū),對CAF-LiCHy系統(tǒng)獲取的高分辨率航片進行小班區(qū)劃,樹種解譯標志制作及樹種判讀,以期探究有人機航片數據在森林資源調查監(jiān)測中的應用,并為廣西地區(qū)的森林資源二類調查提供參考樹種解譯標志。

1 研究區(qū)及數據

1.1 研究區(qū)概況

研究區(qū)域位于廣西壯族自治區(qū)南寧市高峰林場的東升分場。東升分場地理坐標介于22°56′～23°00′N,108°22′～108°26′E之間,屬濕潤的亞熱帶季風氣候,年平均氣溫在21.6℃左右,極端最高氣溫40.4℃,極端最低氣溫-2.4℃。年均降雨量達1 304.2mm,平均相對濕度為79%,氣候炎熱潮濕。主要分布的樹種有:杉木(Cunninghamialanceolata)、馬尾松(Pinusmassoniana)、巨尾桉(Eucalyptusgrandis×E.urophylla)、八角(Llliciumverum)、毛竹(Phyllostachysheterocyclecv.Pubescens)、 火力楠(MicheliamacclureiDandy) 等。

1.2 數據

1.2.1高分辨率航片

本研究所采用的遙感數據是中國林業(yè)科學研究院的CAF-LiCHy綜合遙感觀測平臺于2018年2月獲取的高分辨率航片。航片空間分辨率為0.2m,高于當前大部分林業(yè)二類調查所使用的遙感數據。航攝遙感平臺為國產運-5小型多用途飛機,飛行高度為1 000m。CAF-LiCHy系統(tǒng)包含1臺全波形機載激光雷達(LMS-Q680i)、1臺機載推掃式高光譜掃描儀(AISA EagleⅡ)和1臺高分辨率CCD相機。相機型號為Hasselblad H4D-60,航向和旁向重疊率分別為60%和30%。3個傳感器共用1套POS位置和姿態(tài)系統(tǒng),關于該系統(tǒng)高分辨率CCD相機及POS系統(tǒng)的技術指標介紹如表1所示[16]。

1.2.2地面調查數據

地面調查時間為2018年1月中旬,調查方法為實地踏查,首先使用隨機抽樣方法選取了調查點,之后在踏查時使用手持GPS對調查點進行定位,同時記錄了調查點的優(yōu)勢樹種現狀及照片。去除樣本量少于5個的樹種后,獲取的樣本點總數為76個,包括桉樹28個,八角9個,火力楠12個,杉木10個,馬尾松12個和新造未成林地5個。研究區(qū)高分辨率航片和地面調查點分布如圖1所示。

圖1 研究區(qū)高分辨率航片和地面調查點分布圖Fig.1 DOM data and field survey site of study area

1.2.3參考數據

小班區(qū)劃參考數據包括最新林地變更調查成果,上一期二類調查的小班區(qū)劃結果,以及森林經營管理檔案材料等。

2 方法與技術路線

2.1 航空影像處理

對采集的航片數據,使用pix4DMapper軟件[17]進行處理。首先導入原始影像數據、POS(Position and Orientation System)數據,基于相片外方位元素和CAF-LiCHy系統(tǒng)同時采集的激光雷達點云生成的數字高程模型(DEM)進行單片微分糾正,并對設定范圍內糾正后的航片進行鑲嵌、裁切,獲得數字正射影像(DOM)。正射影像的空間分辨率為0.2m,含紅(630～780 nm)、綠(500～570nm)、藍(420～470nm)3個可見光波段。接著對正射影像進行小班區(qū)劃,對航片建立樹種解譯標志,開展小班優(yōu)勢樹種類型目視解譯及精度驗證,最后形成小班優(yōu)勢樹種圖,總體流程圖如圖2所示。

表1 CAF-LiCHy系統(tǒng)CCD相機及POS系統(tǒng)技術指標Tab.1 The CCD and POS parameters of CAF-LiCHy system

圖2 總體流程圖Fig.2 The overall flowchart

2.2 小班區(qū)劃方法

采用連續(xù)小班區(qū)劃方法進行區(qū)劃[18],根據上一期森林資源規(guī)劃設計調查成果的小班區(qū)劃界線進行檢查,與影像位置吻合不好的邊界進行修改和補充,位置無誤的界線予以保留,使區(qū)劃調整后的小班界線相對穩(wěn)定,反映出的是地類和林分本身的變化。本次區(qū)劃依據《廣西壯族自治區(qū)第五次森林資源規(guī)劃設計調查技術規(guī)程》規(guī)定的小班區(qū)劃精度要求,小班劃分條件執(zhí)行《GB/T 26424-2010森林資源規(guī)劃設計調查技術規(guī)程》的規(guī)定,根據影像和研究區(qū)特點作出了適當調整。小班邊界根據0.2m分辨率航片上的邊界現狀進行劃定,逐小班進行區(qū)劃。

2.3 樹種判讀方法

樹種判讀方法為人工目視解譯方法,根據《廣西壯族自治區(qū)第五次森林資源規(guī)劃設計調查技術規(guī)程》中的小班基本屬性識別技術規(guī)程和《GB/T 26424-2010森林資源規(guī)劃設計調查技術規(guī)程》中規(guī)定的要求進行判讀,包括建立解譯標志、目視解譯和現地驗證3個步驟。樹種識別的主要依據為航片表征,包括:顏色、色調、紋理、圖案、形狀、大小、陰影、位置和空間關系等,參考依據為外業(yè)典型性調查、最近一次森林資源規(guī)劃設計調查成果小班分布圖,以及森林經營管理檔案材料等。

2.3.1建立解譯標志

對小班中的優(yōu)勢樹種進行判讀,首先要建立解譯標志。本研究針對LiCHy高分辨率航片影像特點及廣西地區(qū)樹種特點建立了新的解譯標志。根據調查范圍內森林資源特點和分布狀況,選擇有代表性的勘察路線[19],將航片影像特征與實地情況相對照,獲取各樹種(組)的影像特征,并記錄各樹種(組)的影像色調、亮度、紋理、形狀、空間位置等信息,建立判讀解譯標志并匯總為廣西高峰林場優(yōu)勢樹種解譯標志圖和表。優(yōu)勢樹種解譯標志如表2、圖3所示。

表2 樹種解譯標志表Tab.2 The interpretation signitures of tree species

(a)杉木 (b)馬尾松 (c)荔枝

(d)油茶 (e)八角 (f)玉桂

(g)紅錐 (h)西南樺 (i)荷木

(j)桉樹 (k)雜交相思 (l)黑木相思

(m)火力楠 (n)米老排 (o)椴樹

(p)竹類 (q)其他軟闊圖3 優(yōu)勢樹種解譯標志Fig.3 The interpretation signiture of dominate species

2.3.2目視解譯

在影像上疊加小班邊界后,以樹種解譯標志為依據,結合成像時影像的特點,并綜合使用森林經營管理檔案、當地資料等補充材料,結合影像上樹木的色調、亮度、紋理、形狀、空間位置等信息,在高清航片上進行目視解譯。在進行解譯時,遵循從已知到未知,從整體到局部的原則[20],綜合分析各種因素,實現解譯。解譯完成后,對解譯結果進行精度驗證,并制圖。

2.3.3精度檢驗

使用實地調查的優(yōu)勢樹種與相同地理坐標的目視解譯結果對照,并對相同小班地面實測的優(yōu)勢樹種類型和目視解譯的優(yōu)勢樹種類型建立混淆矩陣進行精度檢驗,計算Kappa系數。

3 結果與分析

3.1 小班區(qū)劃結果

小班區(qū)劃結果形成2018年高峰林場東升分場的小班區(qū)劃圖,如圖4所示,紅色線為小班界,藍色線為林班界。

3.2 目視解譯結果

目視解譯結果疊加小班邊界后制成優(yōu)勢樹種圖,如圖5所示。從圖中可以看出廣西常見樹種的數量、分布及各小班的形狀、大小、分布等信息。目視判讀的精度檢驗結果如下:樹種判讀驗證結果如表3所示,樹種判讀精度如表4所示。表中結果顯示,優(yōu)勢樹種基本可以準確判讀,判讀不符的大部分都被劃分為新造未成林地,判讀結果總體精度為92.11%,Kappa系數為0.90,精度較高。

圖4 高峰林場東升分場小班區(qū)劃圖Fig.4 Sub-compartment division of Dongsheng Sub-farm,Gaofeng Forest Farm

圖5 東升分場優(yōu)勢樹種解譯圖Fig.5 Interpretation of dominant species in Dongsheng Sub-farm

表3 樹種判讀驗證結果Tab.3 The verification result of tree species interpretation 株

表4 樹種判讀精度Tab.4 The accuracy assessment of species interpretation %

3.3 結果分析

由試驗結果可知,采用高分辨率航片進行小班區(qū)劃和目視解譯,能夠及時并較準確地獲取小班變化結果、樹種類型及現狀。使用高清航片區(qū)劃的小班界線精度高,并且能夠及時區(qū)劃出新修的道路以及采伐或植苗的地點。樹種判讀中桉樹、八角、火力楠、馬尾松、杉木等主要樹種判讀準確率高,其中,八角、火力楠、杉木、馬尾松用戶精度為100%。對于1a生樹種,在新造未成林地剛萌芽或植苗的桉樹判讀較準確,而這在衛(wèi)片或清晰度不足的航片上是難以判別的。但1a植苗的其他樹種,如,杉木、火力楠由于生長較慢,在航片上表現不明顯,容易被區(qū)劃為新造未成林地。

4 結論與討論

本文使用了目視解譯的方法,利用機載高分辨率航片重新區(qū)劃了小班邊界,建立并根據所建立的研究區(qū)解譯標志完成了小班優(yōu)勢樹種的目視解譯,解譯總體精度為92.11%,Kappa系數為0.90,精度較高,表明了機載高分辨率航片在小班區(qū)劃和優(yōu)勢樹種判讀中具有較大的應用潛力。

本研究的高清航片目視解譯結果不僅可以直接應用于森林資源二類調查工作對森林資源現狀的分析,也可以和自動化分類方法綜合應用,作為參考數據或提高自動化方法的精度,并可作為機器學習分類方法的訓練集、測試集。同時,本研究針對LiCHy高分辨率航片影像特點及廣西地區(qū)樹種分布和特征建立了新的解譯標志,該解譯標志圖與以往使用的航片解譯標志圖相比,比例尺更大,顯示樹種特點更精細,不同樹種間解譯標志圖的差異更大,便于目視判讀,并且涵蓋了廣西地區(qū)大部分主要樹種,也可以應用于今后的廣西地區(qū)森林資源二類調查中。

在影像分辨率方面,本研究所采用的CAF-LiCHy系統(tǒng)采集的高清航片,能夠清晰地獲取每株樹的信息,可以對每株樹的形狀、顏色和樹冠紋理等信息進行判讀,大大提高了準確率,并且能夠一次性地對獲取的大范圍的影像進行區(qū)劃和判讀。這就避免了分辨率較低的影像只能根據成片區(qū)域的整體形狀、顏色和紋理等信息進行判讀,而無法清晰地獲取每株樹的信息,造成區(qū)劃邊界誤差和對優(yōu)勢樹種誤判的問題。

在森林資源調查的工作中,樹種識別的自動方法目前并不能取代人工目視解譯,首先是因為自動分類方法的精度不足。當影像分辨率過高時,由于枝莖等樹種內部結構的光譜差異和樹冠的影響及椒鹽效應,使分類精度降低；而影像分辨率低時,分類相關特征難以準確提取,導致分類精度低[21]。另外,由于不同影像獲取條件不同,如影像色調、明暗等的不同,會產生影像質量差異,自動識別難以適應影像質量的變化,而人工目視解譯時可以綜合多種資料、信息,不其受影響。

另外,采用CAF-LiCHy系統(tǒng)獲取的高清航片數據可以與同步采集的高光譜成像儀及全波形LiDAR獲取的數據進行對照和綜合應用。全波形LiDAR獲取的數據可以為森林資源二類調查增加森林垂直屬性信息,以便于更加高效地進行森林資源二類調查工作。