陸 翔,鄭雅蘭,李鳳武

(1.國家林業(yè)和草原局中南調(diào)查規(guī)劃設計院，長沙 410014； 2.南京師范大學地理科學學院，南京 210046)

隨著科學技術的不斷進步，遙感技術在人們的生產(chǎn)生活中得到廣泛應用。在林業(yè)調(diào)查中，無人機的應用以及遙感影像扮演著越來越重要的角色[1]。無人機應用適用于小范圍調(diào)查區(qū)，且是現(xiàn)地調(diào)查省時省力的重要手段。在森林資源更新調(diào)查中，傳統(tǒng)的人工實地調(diào)查方式效率低、成本高、耗時長，不利于大面積森林植被更新數(shù)據(jù)的獲取。遙感技術因其現(xiàn)勢性強、可重復、覆蓋地域廣等優(yōu)勢, 已成為當前獲取大面積森林植被信息的主要手段。因此，對監(jiān)測森林植被信息變化更有效的方法是遙感影像結合人機交互的方式，通過目視解譯來判別森林植被的變化[2-4]。

隨著遙感處理技術手段的提高, 計算機軟硬件技術的發(fā)展, 基于遙感自動提取方法獲取森林植被信息空間分布和面積信息變得更加可靠[5-7]。目前，基于衛(wèi)星影像來提取植被信息的方法其難點在于如何準確且快速的獲取，完全依靠人機交互目視解譯的方法顯然還不夠便捷。因此， 2008年，CHENG Wenchun 等[8]提出利用改進的穗帽變換生成植被圖，通過IHS融合方法獲取高分辨的植被圖，從而獲取準確植被信息；2009年Chang CP等[9]提出了一種針對高分辨率的IKONOS和Quickbird影像的植被提取方法，該方法綜合了快速IHS(FIHS)融合技術，將低分辨率的多光譜影像與高分辨率的全色影像進行融合，能夠取得好的植被提取效果；2009年，潘琛等[10]提出利用多種植被指數(shù)結合決策樹的方法來提取植被信息。

已有的基于遙感影像的植被信息提取多是基于像元研究的，基于像元的信息提取會對提取結果造成較大的噪聲影響，因此本文提出了一種基于面向對象的遙感影像分割后結合植被指數(shù)閾值法來提取植被信息，最終利用兩期不同的時相影像來提取出植被變化區(qū)域，從而為森林資源更新提供便捷有效的方法，實現(xiàn)遙感影像的自動區(qū)劃判讀。

1 區(qū)域概況

赤壁市位于湖北省東南部，東與咸安區(qū)接壤，南與崇陽縣交界，西隔皤河與湖南省臨湘市相鄰，東北與嘉魚縣連接，西北隔長江與洪湖市相望。赤壁市為幕阜山脈余脈低山丘陵與江漢平原的接觸地帶，地勢由東南向西北逐漸傾斜；氣候屬亞熱帶濕潤性季風氣候，有雨量充沛、光照充足、氣候溫和、四季分明、嚴寒期短、無霜期長的氣候特點；境內(nèi)陸水、蟠河、汀泗河3條主要河流縱貫全境，構成陸水、黃蓋湖、西涼湖三大水系。

2 數(shù)據(jù)來源與研究方法

2.1 數(shù)據(jù)來源

研究區(qū)位于湖北省赤壁市余家橋鄉(xiāng)黃蓋湖及周邊，數(shù)據(jù)采用資源三號衛(wèi)星的兩期遙感影像數(shù)據(jù)。2018-04-07，影像分辨率為1.8 m×1.8 m，影像大小7 719列、6 679行；2017-11-03，影像分辨率為2.22 m ×1.93 m，影像大小6 258列、6 214行。此次采用的數(shù)據(jù)是經(jīng)過處理后的影像數(shù)據(jù)，遙感影像為合成后的RGB影像(圖1)，無其他波段。

(2017)

(2018)

2.2 研究方法

2.2.1 影像分割

基于對象的植被信息提取，分割是決定提取精度的重要因子，準確的地物邊界分割是正確提取植被信息的的必要條件。本文采用研究區(qū)的兩期遙感影像進行分割，得到分割對象，即具有相同統(tǒng)計特性像元組成的區(qū)域[11]，利用分割后的對象進行分類可以有效避免噪聲對分類的影響。

分割時需考慮異質度和分割尺度兩個參數(shù)，異質度由顏色和形狀異質度組成，二者權重之和為1。

(1)

式中：hcolor表示顏色異質度，ω為顏色異質度的權重；hshape為形狀異質度，1-ω為形狀異質度的權重；二者權重之和為1，0≤ω≤1。hcompact表示緊致度，ωs為緊致度的權重；hsmooth表示光滑度，1-ωs為光滑度的權重；二者權重之和為1，0≤ωs≤1。

根據(jù)影像的顏色和形狀特征設置分割參數(shù)，如果研究區(qū)內(nèi)地物形狀明顯則形狀的權重相應的增大[12]。式(1)中：

(2)

由合并引起的形狀異質度變化是用合并前后的差值來評估的，所以光滑度和緊致度表示為：

(3)

(4)

2.2.2 植被指數(shù)提取

歸一化植被指數(shù)(NDVI)是由Rouse等[13]提出, 能夠反映綠色植被的覆蓋度, 用來監(jiān)測植被生長活動的季節(jié)和年際變化，是最常見的植被指數(shù)計算方法。

(5)

式中：ρNIR為近紅外波段反射率;ρR為紅光波段反射率。但由于我們所獲取的衛(wèi)星影像常被處理過，所包含的波段信息不完整。因此在波段信息不完整的情況下，對于RGB影像采用公式(6)來代替植被指數(shù)[14]。

VI′=(2G′-R′-B′)-(1.4R′-G′)

(6)

通過植被指數(shù)進行閾值實驗，分出植被和非植被區(qū)域。植被信息提取之后對提取結果分別轉出2017年植被矢量邊界和2018年植被矢量邊界。對得到的兩期植被范圍進行擦除分析，即可得到植被增加、減少和未變化區(qū)域。

3 結果與分析

3.1 分割參數(shù)與結果分析

研究區(qū)植被的提取在eCognition軟件中完成，其優(yōu)點在于它是基于對象來運算的，相比于基于像元的提取，此方法極大的減少了噪聲對植被提取結果精度的影響[15]。在考慮到地物梯度、色彩、紋理、灰度級等特性，經(jīng)過多次分割實驗，對兩個實驗區(qū)的分割參數(shù)設置如表1時能得到最優(yōu)分割結果。

表1 分割參數(shù)設置影像時間顏色形狀光滑度緊致度尺度2018-04-070.90.10.50.5252017-11-030.90.10.50.525

由圖2可以看出，對于2017年影像和2018年影像同類顏色的地塊在同時考慮形狀的基礎上分割結果準確，可以有效的將植被和非植被區(qū)域分開，同時對于植被區(qū)域也可以再次細分為不同的碎塊。2017年影像對比，發(fā)現(xiàn)(b)圖中裸地(淡黃色區(qū)域)的外

2017(b)

2018(c)

2018(d)

邊界分割結果符合地物自身的邊界，且兩塊裸地中間的田埂也能準確分割出來；而植被區(qū)域的分割根據(jù)其不同區(qū)域的顏色和不同形狀分割的較為破碎，但是分割精度也更高。對于同一片區(qū)域，2018年的影像比2017年影像分割結果的碎塊更多，這是因為2018年影像地類差異更加明顯，不同地類間的界線也更加突出，所以分割結果小班的破碎程度要符合地物的實際情況即可。

3.2 植被提取

通過設定植被指數(shù)的閾值，提取出植被和非植被。通過多次實驗對比，得出最優(yōu)閾值。2017年影像VI指數(shù)閾值大于0.3時，可以提取出非植被；2018年影像VI指數(shù)閾值大于0.33時，可以提取出非植被，提取結果如圖3所示。

在提取出非植被之后，研究區(qū)所剩下區(qū)域即為植被區(qū)域。非植被區(qū)域即為圖3(b)和(d)的彩色部分，非植被區(qū)域的提取不僅要保證大范圍的非植被準確提取，也要保證小面積的非植被區(qū)域不被遺漏。

圖3 提取非植被信息

提取出的植被區(qū)域可以得到的矢量結果，即為研究區(qū)遙感影像的植被邊界提取，提取結果如圖4所示。由圖4中植被區(qū)域與水域，農(nóng)地的界線清晰，無誤分混淆情況，提取出的植被界線可靠有效。對于連續(xù)成片的植被準確提取的同時也保證了植被區(qū)域中零星散布的非植被小碎塊可以很好的剔除。植被邊界范圍提取的結果可以轉為植被的覆蓋范圍，植被覆蓋如圖5所示。

2017

2018

2017

2018

3.3 自動區(qū)劃判讀結果及精度分析

實驗結果選取了2017—2018年期間植被覆蓋變化區(qū)域的部分檢測結果(圖6)?？梢钥闯?，檢測區(qū)域邊界準確，不僅可以檢測出2017—2018年期間植被變化較大區(qū)域，如圖6中2018年的影像(1)(4)(5)和(6)，完全無植被覆蓋；對于植被減少較小或者不明顯區(qū)域，如圖6(2)和(3)，也能同樣檢測出，并得到了準確的邊界；對于植被增加的區(qū)域如圖6(7)，在2017年有一區(qū)域顯示為水域，但在2018年時，水域面積下降，露出地面有植被生長，此時也被檢測出來。

圖6 檢測結果

通過表2可知，實驗方法對自動區(qū)劃判讀的精度可以達到89%，誤判7%，漏判4%，檢測精度高，效果好。

表2 精度評價表驗證項目圖斑個數(shù)精度/%驗證圖斑286100正判25589誤判207漏判114

4 結論與討論

結果證明，本方法可以有效的提取植被邊界，并通過兩期植被范圍的比較可以得出植被變化區(qū)域；同時結合少量的人機交互，可以極大的減少遙感圖像區(qū)劃判讀的工作量，為森林督查和林地資源更新提供了一種更高效、更準確的方法。但是本方法也存在一定的不足之處，由于遙感圖像的地類復雜，也會存在部分誤判及漏判情況，如何進一步提高自動判讀的準確率是筆者和同行研究人員今后共同研究的重點。