孫玉琳，潘 潔

（南京林業(yè)大學(xué) 林學(xué)院，江蘇 南京 210037）

森林是全球陸地生態(tài)系統(tǒng)最重要的組成部分之一，約占地球陸地面積的三分之一[1]。城市森林在改善景觀美感，為野生生物提供棲息地，減少水和空氣污染以及改善城市環(huán)境方面起著重要作用。傳統(tǒng)的森林資源調(diào)查方法主要包括野外實地調(diào)查和利用大比例尺的航片進(jìn)行判讀，這種調(diào)查方式需要耗費大量的人力、物力、財力[2]。上世紀(jì)六十年代，遙感技術(shù)（Remote Sensing, RS）由于其周期短、成本低、探測范圍廣等特點被廣泛地應(yīng)用于多領(lǐng)域?qū)W科[3]。今年來，國內(nèi)外眾多學(xué)者對利用多光譜遙感進(jìn)行樹種識別開展了大量的研究。Zhu 等[4]使用Landsat 8 影像數(shù)據(jù)對闊葉林內(nèi)楓樹、山毛櫸、樺樹三種樹種進(jìn)行識別，結(jié)果表明，使用多季節(jié)影像總體分類精度最高，達(dá)到92.63%；Pu 等[5]使用多光譜WorldView 2（八個波段）數(shù)據(jù)分類精度達(dá)到了67.22%；Markus 等[6]在利用Sentinel-2 數(shù)據(jù)，對云杉、落葉松、山毛櫸、橡樹、蘇格蘭松、花旗松等7 種樹種分類，總體分類精度為65%；Presson 等[7]使用了多時相的Sentinel-2A 對瑞典中部某成熟林的五種常見樹種進(jìn)行識別，結(jié)果表明，5 月份影像樹種分類精度最高，達(dá)80.5%。

于此同時，機器學(xué)習(xí)算法在遙感數(shù)據(jù)中得到了廣泛應(yīng)用。Heumann 等[8]基于支持向量機分類法和面向?qū)ο蟮姆诸惙ǎ约t樹林為研究對象，采用WorldView-2遙感數(shù)據(jù)進(jìn)行紅樹林物種識別，總體識別精度達(dá)94%，kappa 系數(shù)為0.863；李夢穎等[9]采用SVM 分類器，利用Landsat 8 OLI 多光譜遙感影像對吉林省汪清林業(yè)局天然林區(qū)進(jìn)行樹種識別，分類精度達(dá)到了89.58%，Kappa 系數(shù)為0.87；Chan 等[10]在使用機載高光譜數(shù)據(jù)對生態(tài)環(huán)境進(jìn)行分類時發(fā)現(xiàn)隨機森林和Ad boost 算法的總體分類精度相近（70%），均優(yōu)于神經(jīng)網(wǎng)絡(luò)分類器，但隨機森林的分類速度更快且更穩(wěn)定；劉思涵等[11]借助高分一號WFV 影像，采用隨機森林算法對八面通林業(yè)局林場樹種進(jìn)行分類，分類精度最高達(dá)到了83.97%，Kappa 系數(shù)為0.774 9。

綜上所述，采用遙感數(shù)據(jù)結(jié)合機器學(xué)習(xí)算法對樹種進(jìn)行分類將成為一大研究熱點。本研究以Landsat 8數(shù)據(jù)為基礎(chǔ)，以江蘇省南京市紫金山的針葉（馬尾松、國外松）和闊葉（楓香、櫟類、欒樹、樸樹）、毛竹7 種城市森林樹種為研究對象。結(jié)合紫金山二類調(diào)查數(shù)據(jù)和谷歌衛(wèi)星影像圖，提取不同傳感器遙感影像數(shù)據(jù)的光譜特征并發(fā)展紋理特征。在此基礎(chǔ)上，采用支持向量機和隨機森林分類器進(jìn)行分類。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)域

研究區(qū)位于江蘇省南京市玄武區(qū)紫金山地區(qū)（圖1）。紫金山占地31 km2，最高峰海拔達(dá)448.9 m，紫金山森林面積約20 km2，地區(qū)地理坐標(biāo)為118°48 ′ ~118°52 ′E，32°02 ′ ~ 32°06 ′N。紫金山是中國著名的風(fēng)景游覽勝地。且森林資源豐富，優(yōu)勢樹種主要包括針葉樹種：馬尾松（Casuarinaequisetifolia Forst.）、雪松（Cedrus）、國外松（Pinus elliottii）；闊葉樹種：楓香（Liquidambar formosana Hance）、櫟類（Quercus L.）、欒樹（KoelreuteriapaniculataLaxm）、樸樹（Celtis sinensis Pers.）；竹類：毛竹（Phyllostachys heterocycla）等。

圖1 研究區(qū)分布圖

1.2 數(shù)據(jù)獲取

Landsat 8 遙感影像數(shù)據(jù)獲取時間為2019 年9 月13 日，其含9 個光譜波段，波段1~7，9~11 的空間分辨率為30 米，光譜波長范圍0.433~2.300 um，條帶號為120，行編號38。DEM 數(shù)據(jù)是地理空間數(shù)據(jù)云獲得的ASTGTM2 數(shù)據(jù)，空間分辨率為30 m，條帶號為118/32，地形數(shù)據(jù)主要用于分類。森林資源規(guī)劃設(shè)計調(diào)查數(shù)據(jù)（林業(yè)二調(diào)）2016 年數(shù)據(jù)，這類數(shù)據(jù)主要用于分類系統(tǒng)的制定和分類精度的驗證。

1.3 數(shù)據(jù)預(yù)處理

USGS 提供的Landsat 8 影像產(chǎn)品等級為L1T 級，該等級的數(shù)據(jù)已經(jīng)進(jìn)行了嚴(yán)格的輻射校正、地形校正和幾何精校正[12]。地形校正和幾何精校正可以有效地消除地形起伏等因素造成的誤差[13]。因此，本研究對Landsat 8 數(shù)據(jù)預(yù)處理主要包括輻射定標(biāo)、大氣校正以及在ENVI 中對影像剪裁。

2 研究方法

2.1 分類系統(tǒng)的制定

根據(jù)《土地利用現(xiàn)狀分類》國家一級分類系統(tǒng)和紫金山研究區(qū)的實際情況，綜合考慮建立兩級分類系統(tǒng)，一級分類系統(tǒng)將研究區(qū)劃分為林地與非林地，二級分類系統(tǒng)將森林分為針葉、闊，并在針闊中細(xì)分為櫟、欒樹、樸樹、楓香、毛竹、國外松、馬尾松，具體分類系統(tǒng)見表1。

表1 分類系統(tǒng)

2.2 特征因子提取

光譜信息是地物識別的基礎(chǔ)，在遙感影像數(shù)據(jù)中，不同植被信息的區(qū)別可以在植被光譜曲線上體現(xiàn)出來，而光譜信息經(jīng)過一定的數(shù)學(xué)運算得到植被指數(shù)。植被指數(shù)（Vegetation Index, VIS）可以有效突出不同植被間的細(xì)微的光譜差異，提高樹種識別的精度[14]。植被指數(shù)的原理是不同光譜波段間的線性組合或非線性組合，通常情況下，植被指數(shù)可以反映90%以上的植被信息。本研究選取歸一化植被指數(shù)[15]（Normalized difference vegetation index,NDVI）、差值植被指數(shù)[16]（Differential vegetation index, DVI）、增強型植被指數(shù)[17]（Enhanced vegetation index, EVI）、結(jié)構(gòu)敏感植被指數(shù)[18]（Structure Insensitive Pigment Index, SIPI）和比值植被指數(shù)（Ratio vegetation index,RVI）[19]5 個植被指數(shù)用于樹種分類；紋理特征（Texture feature, TF）是地物表面周期性變化的結(jié)構(gòu)排列特征，描述了遙感影像表面屬性和物體之間的空間關(guān)聯(lián)信息，通常用圖像的灰度變化來描述[20]。研究Landsat 8 數(shù)據(jù)，采用灰度共生矩陣（gray-level co-occurrence matrix, GLCM）提取3×3 窗口像元大小的6 個波段的4 個方向（0°、45°、90°和135°）共計192 個紋理特征，并求出各灰度共生矩陣8個紋理測度的均值；將DEM 提取的坡度和坡向作為地形特征因子（表2）。研究確定3×3 窗口為紋理特征提取窗口，是通過對3×3 至17×17 窗口提取的紋理特征進(jìn)行J-M舉例可分性計算得出來的。3×3 窗口平均可分性最高為1.745 1。

表2 特征因子

2.3 分類方法

支持向量機（Support Vector Machine, SVM）最初由Comes &Vapnick 在1936 年[21]提出，這是機器學(xué)習(xí)的里程碑。其本質(zhì)是一種統(tǒng)計學(xué)習(xí)算法[22]，是一種線性和非線性均使用的算法。SVM 作為監(jiān)督分類算法，其核心是尋找最小化結(jié)構(gòu)風(fēng)險，即將不同類別的樣本無差錯分類的同時，保證各樣本間具有最大分類間隔。SVM的最優(yōu)分類面取決于支持向量，因此，在遙感影像分類中，核心是根據(jù)各類別的訓(xùn)練樣本和約束條件，選取最優(yōu)支持向量，并基于支持向量構(gòu)建超平面（最優(yōu)分類面）。

隨機森林（Random Forest, RF）算法是由Breiman等[23]于2001 年首次提出的，是在決策樹的基礎(chǔ)上提出的一種學(xué)習(xí)算法，其核心是多個決策樹集成的分類算法。是目前科學(xué)研究和數(shù)據(jù)挖掘等領(lǐng)域最熱門的算法之一。隨機森林在運算量沒有顯著提高的前提下提高了預(yù)測精度[24-25]。隨機森林算法的原理是在原始樣本中利用（自主抽樣）隨機抽取N 個樣本，對每個樣本進(jìn)行決策樹建模，在此基礎(chǔ)上集成多棵決策樹的預(yù)測，通過每棵決策樹的投票結(jié)果得出預(yù)測結(jié)果。

2.4 樹種識別樣本選擇

研究按照1 級分類系統(tǒng)進(jìn)行森林識別，首先對驗證樣本和訓(xùn)練樣本進(jìn)行選擇，包括訓(xùn)練樣本建筑、水體、森林各150 個樣本，草地75 個樣本；驗證樣本建筑、水體、森林各75 個樣本，草地30 個樣本。其次，研究結(jié)合二類調(diào)查數(shù)據(jù)進(jìn)行樹種對象的樣本選擇（表3）。

表3 樹種識別樣本分布

2.5 精度評價

構(gòu)建混淆矩陣是目前遙感影像分類中最常用的一種量化分類精度方法?？梢蕴峁┑木唧w衡量有總體精度、生產(chǎn)者進(jìn)度精度、用戶精度、Kappa 系數(shù)和錯分誤差等，這些指標(biāo)從不同的角度體現(xiàn)圖像分類的精度。研究選用總體分類精度（Overall Accuracy）、Kappa 系數(shù)、生產(chǎn)者精度以及用戶精度作為精度評價指標(biāo)?？傮w分類精度（Overall Accuracy）表示所有被分類為正確類別的像元數(shù)占總像元數(shù)的比例。Kappa 系數(shù)以全局的像元為基礎(chǔ)進(jìn)行分類誤差的精度判斷，可以在計算過程盡可能弱化樣本選擇對精度驗證的影響[26]。

3 結(jié)果與分析

本研究主要探討紫金山城市森林樹種識別，因此，不對一級地類識別效果進(jìn)行過多分析，一級地類兩種分類器的總體識別精度高達(dá)91.84%。研究基于Landsat 8 數(shù)據(jù)提取的6 個光譜波段、5 個植被指數(shù)、8個紋理特征以及兩個地形因子對江蘇省南京市紫金山研究區(qū)進(jìn)行針葉、闊葉以及優(yōu)勢樹種分類，并采用混淆矩陣對分類精度進(jìn)行驗證，分類結(jié)果如表4、表5所示。

表5 優(yōu)勢樹種分類結(jié)果

表4 中針葉、闊葉樹種的平均總體分類精度為71.89%，其中支持向量機下總體分類精度為72.54%，kappa 系數(shù)為0.649 1，高于隨機森林分類器1.3%。支持向量機分類器效果優(yōu)于隨機森林。采用支持向量機分類器，闊葉樹種的生產(chǎn)者精度為74.00%，用戶精度為76.19%；針葉樹種的生產(chǎn)者精度為80.00%，用戶精度為70.00%。采用隨機森林分類器，闊葉樹種的生產(chǎn)者精度為66.67%，用戶精度為68.67%；針葉樹種的生產(chǎn)者精度為76.00%，用戶精度為77.92。

表4 針葉、闊葉樹種分類結(jié)果

表5 中兩種分類器下優(yōu)勢樹種的平均總體識別精度為53.18%，其中隨機森林總體分類精度高于支持向量機，精度為55.07%，kappa 系數(shù)為0.507 7；支持向量機總體分類精度為51.29%，kappa 系數(shù)為0.421 8。支持向量機分類器的平均生產(chǎn)者精度為51.46%，平均用戶精度為46.63%，其中，櫟的生產(chǎn)者精度最高為76.84%，其他樹種的生產(chǎn)者精度均在50%以下，其中欒樹的生產(chǎn)者精度最低為42.59%。櫟和欒樹的用戶精度達(dá)到了50%以上，其中櫟的用戶精度較高為55.02%，其他樹種的用戶精度均在50%以下，國外松的生產(chǎn)者精度僅為40.00%。基于RF 分類器的優(yōu)勢樹種識別中，平均生產(chǎn)者精度為53.64%，平均用戶精度為54.34%。同樣櫟生產(chǎn)者精度最高為79.50%，但楓香、毛竹達(dá)到了50%以上，用戶精度中櫟和馬尾松達(dá)到了60%左右，國外松的用戶精度最低為41.17%。

針葉、闊葉識別支持向量機分類器下的識別精度高于隨機森林；優(yōu)勢樹種識別隨機森林識別效果優(yōu)于支持向量機。因此，研究以針葉闊葉識別下支持向量機分類器、優(yōu)勢樹種識別下隨機森林分類器分類結(jié)果如圖2 所示。

由圖2 可以看出針葉樹種主要分布于紫金山的中部，而闊葉樹種分布較廣，紫金山的四周與中部均有分布。紫金山城市森林優(yōu)勢樹種中分布最廣的是櫟類，其次是楓香和馬尾松，楓香和馬尾松主要分布在紫金山城市森林的中部。毛竹分布范圍較少，主要分布于紫金山城市森林的西部，欒樹主要分布于東部。

圖2 針葉、闊葉以及優(yōu)勢樹種識別結(jié)果圖

4 討論

本研究利用Landsat 8 多光譜遙感影像數(shù)據(jù)，提取了光譜特征、植被指數(shù)、紋理特征以及地形因子，采用支持向量機和隨機森林分類器對針葉、闊葉、以及優(yōu)勢樹種進(jìn)行分類識別。結(jié)果表明，（1）紫金山城市樹種針葉、闊葉的識別精度要高于優(yōu)勢樹種的識別精度，Landsat 8 數(shù)據(jù)對樹種的精細(xì)識別效果較差。（2）對于紫金山研究區(qū)，支持向量機更適用于針葉、闊葉樹種分類；隨機森林更適用于優(yōu)勢樹種分類。（3）整體來說，隨機森林的識別效果要優(yōu)于支持向量機。

城市森林樹種的有效識別是城市森林資源管理、利用的關(guān)鍵[27]。諸多研究表明，利用Landsat 8 數(shù)據(jù)對森林進(jìn)行針葉、闊葉樹種識別可以達(dá)到較好的識別效果[28-29]。也有諸多研究采用Landsat 8 數(shù)據(jù)對樹種進(jìn)行精細(xì)識別，但Landsat 8 數(shù)據(jù)對優(yōu)勢樹種進(jìn)行精細(xì)識別的效果較差[30-31]，這一結(jié)論在本研究中也得到了證實。近幾十年來，在采用遙感數(shù)據(jù)進(jìn)行樹種的分類識別過程中也證實了隨機森林分類器的分類效果要優(yōu)于支持向量機[32]。