發布時間：2019-12-23所屬分類：園林工程師瀏覽：1次
摘 要： 摘要當前，不同空間分辨率衛星影像對森林類型識別結果中普遍存在的尺度效應，而且紋理參量對不同尺度下樹種識別精度的影響仍缺乏廣泛認知.本研究以中國東北旺業甸林場為研究區，采用觀測時相同步、地理坐標匹配的GF-1PMS、GF-2PMS、GF-1WFV，以及Landsat-8OL
摘要當前，不同空間分辨率衛星影像對森林類型識別結果中普遍存在的尺度效應，而且紋理參量對不同尺度下樹種識別精度的影響仍缺乏廣泛認知.本研究以中國東北旺業甸林場為研究區，采用觀測時相同步、地理坐標匹配的GF-1PMS、GF-2PMS、GF-1WFV，以及Landsat-8OLI衛星傳感器數據組成空間尺度觀測序列(1、2、4、8、16、30m)，并結合支持向量機(SVM)模型，探討了區域內5種優勢樹種遙感識別結果的尺度變化規律及其紋理特征參數的影響，同時檢驗了基于尺度上推轉換影像的樹種識別結果差異.結果表明:影像空間分辨率對區域樹種識別結果具有顯著影響，其中，研究區森林樹種識別的最佳影像分辨率為4m，當分辨率降低至30m時，樹種識別結果最差.在1～8m影像分辨率范圍內，增加紋理信息能夠顯著提高不同優勢樹種的識別精度，使總分類精度提升了2.0%～3.6%，但紋理信息對16～30m影像的識別結果沒有顯著影響.與真實尺度衛星影像相比，基于升尺度轉換影像的樹種識別結果及其尺度響應特征存在顯著差異，表明在面向多個空間尺度的遙感觀測和應用研究中，需要采用真實分辨率影像以確保結果的準確性.
關鍵詞樹種識別;空間分辨率;多光譜遙感;紋理信息;尺度效應
森林植被是全球陸地生態系統的重要組成部分，對地表碳循環以及能量平衡等起到重要作用[1].準確獲取森林樹種的類型和空間分布信息，不僅是保障地區森林面積、空間位置動態等森林經營和監測指標精度的重要前提，還直接影響到林分蓄積量、生物量、物種多樣性和生態系統服務功能等相關模型結果的準確性[2-4].近20年來，遙感技術已逐漸取代人工普查，成為林業部門及相關學者獲取森林類型信息的主要方法.但由于受觀測樹種冠層尺寸以及影像空間分辨率的限制，較低空間分辨率的遙感影像對森林樹種類型的識別存在困難[5-6].相反，中高分辨率遙感影像(1～30m)的觀測視場接近于樹種或林分冠層尺寸，能夠有效避免混合像元并表達植被的細節變化[7]，同時，衛星影像能具備較大的空間覆蓋范圍，對于區域森林樹種精細識別具備較大潛力[2].
研究表明，遙感影像空間分辨率的變化會導致其在表達地物信息和數據分析時產生差異，從而使相關結果產生尺度效應[8-9].長期以來，由于同步多尺度觀測影像數據的缺乏，針對遙感樹種識別的空間尺度效應以及最佳識別尺度判定等問題一直未能得到有效解決[10].不少國內外學者基于影像重采樣后生成的多尺度數據，對不同地區森林[11-13]或樹種[14-17]類型識別的空間尺度效應開展了相關研究.如Meddens等[15]將0.3m分辨率影像重采樣至1.2、2.4和4.2m，結果發現2.4m影像的識別精度最高.Ghosh等[16]采用4、8和30m共3種空間分辨率影像對樹種識別結果進行了尺度效應分析，結果表明，8m分辨率影像的識別效果最好.上述研究成果為探討影像空間分辨率對樹種識別精度的影響提供了部分參考，但由于影像的升尺度轉換過程會導致結果影像像元光譜失真[18-19]，故其與同尺度真實觀測影像的森林樹種識別結果差異還有待驗證.
此外，隨著衛星影像空間分辨率的不斷提高，紋理特征在植被遙感分類中的潛在價值逐漸受到重視[20]，而針對紋理特征對不同空間分辨率影像的樹種識別結果差異等問題仍亟待解決.基于此，本研究以中國東北地區的旺業甸林場為研究區，結合大量野外實測樣點和同期林相圖等輔助數據，采用同時相的6景連續空間尺度衛星影像(1、2、4、8、16、30m)對研究區5種主導樹種類型進行識別，分析樹種識別結果的空間尺度差異和變化規律，并對基于尺度上推的不同空間分辨率影像結果進行對比驗證;同時，探討了在不同空間分辨率下，紋理特征參數對不同樹種分類精度的影響，以期為多尺度遙感影像在森林資源識別和動態監測方面提供參考和依據.
1研究地區與研究方法
1.1研究區概況
旺業甸林場位于中國內蒙古自治區赤峰市西南部(41°21'—41°39'N，118°09'—118°31'E)，土地面積為551km2，其中包含有林地面積約463km2(圖1).研究區屬溫帶季風氣候，年平均氣溫4.2℃，年降水量400～600mm，年日照時數大于2700h.地形以山地為主，海拔在800～1890m.當地的森林植被類型以人工林為主，林分覆蓋純度較高.典型喬木樹種主要有油松(Pinustabuliformis)、落葉松(Larixgmelinii)、山楊(Populusdavidiana)、白樺(Betulaplatyphylla)和蒙古櫟(Quercusmongolica)，樹種面積占研究區森林總面積95%以上[21].本研究將上述5種主導優勢樹種作為研究對象，其中，油松和落葉松分別屬于常綠針葉樹種和落葉針葉樹種，而山楊、白樺和蒙古櫟屬于落葉闊葉樹種.
1.2數據來源
1.2.1遙感數據本研究遙感數據為GF-1PMS、GF-2PMS、GF-1WFV、Landsat-8OLI共6景中高分辨率影像，分別源于中國資源衛星應用中心(CCRSDA)以及美國地質勘探局(USGS)網站(表1).所用影像選擇標準為成像質量好、無云量，同時保持影像光譜在地物時相上的一致性，避免由植被季相差異造成的光譜變化[22].此外，夏季植被生長旺盛，被證實是采用單季相遙感數據進行樹種識別的最佳時節[23].
相關知識推薦：陜西生態方面的論文可以投稿哪些期刊
在陜西環境的變化中，給當地的農業生態也造成了影響，很多生態從業人員也開始研究生態相關的論文，然而這方面的論文可以投稿到哪些刊物呢?這也是很多作者咨詢小編的問題，本文小編通過整理陜西農業生態期刊數據庫，給大家分享了幾本比較好投稿的陜西生態刊物。
高分一號(GF-1)衛星搭載了兩臺2m分辨率全色和8m分辨率多光譜相機(PMS)，包括藍光、綠光、紅光、近紅外4個波段.GF-1同時搭載4臺16m分辨率多光譜相機(WFV)，波段設置與PMS一致.高分二號(GF-2)衛星搭載了2臺高分辨率1m全色和4m多光譜相機(PMS)，傳感器設置與GF-1相同，但空間分辨率提高1倍.Landsat-8OLI傳感器共設有9個波段，此處僅采用其中藍光、綠光、紅光和近紅外4個波段.
1.2.2野外觀測數據2017年9月在研究區開展了為期8d的野外樹種調查試驗，分散記錄主要喬木優勢樹種油松、落葉松、山楊、白樺和蒙古櫟各林分樣區的空間位置，綜合考慮林齡結構、林下蓋度和林分密度差異，并滿足每個觀測樣區的空間尺寸不小于30m×30m.采用手持GPS逐一記錄所選林分樣區中心位置的空間地理坐標，同時以標準木法測量樣地平均冠幅，試驗獲取研究區5種典型樹種類型的典型樣區共1156個.為保證影像樣點像元的光譜純度，以各樣區的中心點為純樣本設置試驗訓練樣本和驗證樣本.其中，優選各樹種樣本數量總數約1/3用于訓練，剩余樣本用于驗證[24].不同樹種樣本信息見表2.此外，同步記錄地面控制點30個，用于遙感影像的空間配準與幾何精校正.
1.3影像預處理
采用Gram-Schmidt變換將GF-1和GF-2全色波段與多光譜波段融合，分別生成1m和2m分辨率多光譜影像.研究表明，Gram-Schmidt算法不僅增加了空間細節信息，而且較好地保留原始影像的光譜信息[25].利用影像自帶的RPC文件、研究區數字高程模型(DEM，30m)以及地面GPS記錄的控制點對衛星影像進行正射校正和幾何精校正.同時，以m多光譜影像為基準，對其他影像依次進行相對幾何校正，使均方根誤差(RMSE)小于0.5個像元.采用中國資源衛星數據與應用中心(CRESDA)和美國地質調查局(USGS)官方網站發布的同期定標參數，利用下式對影像進行輻射校正.
Le(λe)=Gain·DN+Offset(1)式中:Le(λe)為傳感器處的光譜輻射亮度(W·m-2·sr-1·μm-1);Gain為校正增益系數;DN為像元灰度值;Offset為校正偏移量(W·m-2·sr-1·μm-1)
.采用基于影像的光照和大氣修正模型(IACM)[26]與偽不變特征模型(PIF)[27]進行大氣校正，將所有影像的DN值轉換成地表真實反射率.研究表明，該算法能夠有效克服傳感器之間的相對校正誤差[28].此外，采用廣泛使用的像元聚合(PA)升尺度轉換方法[13]將1m遙感數據分別重采樣至2、4、8、16和30m.
1.4紋理信息提取
基于灰度共生矩陣(graylevelco-occurrencematrices，GLCM)提取不同尺度影像的樹種紋理特征.GLCM能夠較好地描述影像灰度值的空間關系和結構特征，并體現圖像紋理統計規律特點[29].對各多光譜影像進行主成分分析(principalcomponentanalysis，PCA)變換，并選擇第一主分量(含95%以上影像信息量)依次計算出4種紋理參數，包括對比度(contrast)、信息熵(entropy)、二階矩(secondmoment)和相關性(correlation)，窗口尺寸為3×3.研究表明，所選紋理參數能夠較好體現森林植被冠層的紋理特性[30].
1.5分類與驗證
采用支持向量機(SVM)作為融合影像光譜和紋理信息的分類器，以研究尺度變化所引起的森林類型識別結果差異.SVM分類器是一種來源于統計學習理論的非參數監督分類算法，其無需假設推定的輸入數據為正態分布，并將訓練數據映射到高維空間，從而挖掘出原始數據的多維新特征[31].相關研究表明，SVM的地物識別效率優于最大似然分類算法[32-33]，以及神經網絡或決策樹分類模型[34-35].此外，根據研究區林相圖數據先提取出森林邊界，再進一步對當地5種主導優勢樹種類型進行精細識別.
除影像原始波段外，增加歸一化植被指數(NDVI)和相對綠度指數(RGI)作為補充特征向量參與SVM分類器運算[15]，并以此作為第一組分類試驗.第二組試驗則在第一組試驗基礎上加入所選的4種紋理變量，以進一步分析紋理特征對樹種識別的影響.采用懲罰系數C=100.0、核函數半徑σ=1.000時的徑向基核函數進行SVM算法[30].
NDVI=(NIR-Red)/(NIR+Red)(2)
RGI=Red/Green(3)
式中:NIR、Red和Green分別代表影像的近紅外、紅光和綠光波段的地表反射率.
精度驗證選取基于混淆矩陣的4類指標，包括總分類精度(overallaccuracy，OA)、Kappa系數、制圖精度(producer’saccuracy，PA)和用戶精度(user’saccuracy，UA)[36].同時，對驗證樣本采取隨機不放回的方式對分類結果進行5次重復計算，使所有分類結果均產生一組精度和Kappa數值.采用方差分析(ANOVA)對統計結果進行檢驗，并選擇最小顯著性差異法(LSD)判別差異顯著性(α=0.05)[37].
2結果與分析
2.1空間分辨率變化與樹種分類結果
由圖2可以看出，研究區不同優勢樹種的總分類精度和Kappa系數均伴隨影像空間分辨率的增加呈先升高后降低的趨勢，二者數值由1m到4m分辨率逐漸上升，并達到最高(81.1%±1.0%和0.759±0.014);再由4m到30m分辨率持續下降，并于30m分辨率處分別低于70%和0.62.方差分析表明，不同空間分辨率影像對區域樹種分類結果的影響存在顯著差異.其中，6種分辨率影像的分類精度和Kappa系數由高到低依次為4m>2m>8m>16m>1m>30m，4m分辨率影像的分類精度明顯優于其他空間分辨率影像，而2和16m分辨率的影像結果則分別與8m分辨率影像沒有顯著差異，同時1與30m分辨率影像的結果精度也較為接近.
基于4m分辨率影像獲取了研究區5種優勢樹種的分布圖(圖3).其中，非林地類型主要包括建筑用地、耕地、裸土和灌木，主要分布于研究區地形平坦、人類活動相對密集的區域，呈帶狀分布;森林主要分布在影像核心區外圍，地形以山地丘陵為主，呈片狀分布.其中，油松和落葉松的分布相對集中，主要分布在研究區中部以及西北部地區;白樺主要分布在研究區西部和南部外圍的山坡及山谷處，形成一定面積的純林;山楊和蒙古櫟主要分布在影像核心四周，常與白樺相伴而生;其中蒙古櫟分布范圍更廣，同時斑塊相對破碎.
2.2基于升尺度轉換影像的分類結果
基于1m分辨率影像依次進行不同倍數的升尺度轉換，并對真實尺度影像與重采樣影像在不同空間分辨率下的分類結果進行方差分析和配對樣本T檢驗(Paired-samplesT).結果表明(表3)，基于尺度上推影像的分類精度整體上伴隨空間分辨率的降低而逐漸提高.其中，在1～8m分辨率范圍內，各尺度圖4不同尺度上推影像與同尺度真實影像中不同優勢樹種識別結果的空間一致度比較Fig.4Spatialagreementofdifferentdominanttreespeciesclassificationsbetweennative-imageandaggregated-imageatdifferentresolution(%).上推影像結果之間均存在顯著差異，而在16～30m分辨率范圍內無明顯差異，表明研究區樹種識別精度的變化幅度伴隨影像分辨率降低而下降，當影像分辨率低于8m后下降趨勢明顯，同時在16～30m分辨率范圍內無明顯變化.整體上看，基于尺度上推影像的分類結果精度范圍為(72.9%±1.1%)～(83.8%±1.2%)，略高于真實影像的結果精度范圍(69.6%±1.0%)～(81.1%±1.0%).然而，根據Paired-samplesT檢驗結果，基于尺度上推影像的各分辨率影像結果與真實影像結果均存在顯著差異.其中，尺度上推影像在1～4m分辨率處顯著低于真實分辨率影像結果，而在8～30m分辨率的結果精度則顯著高于真實分辨率影像.
圖4顯示了同尺度真實影像和升尺度轉換影像在不同分辨率下樹種總分類精度(OA)與不同樹種類型分布的空間一致度水平(采用不同影像同坐標像元進行逐一對比，并記錄分類結果一致的像元比例).結果表明，隨著空間分辨率的降低，真實影像和重采樣影像分類結果的整體空間一致度明顯下降.其中，二者最高的空間一致性出現在4m分辨率，達到68.2%.山楊、落葉松、白樺和蒙古櫟均在4m分辨率達到最佳空間一致性，而白樺和楊樹在整個尺度序列內的空間一致度相對較差.
SCISSCIAHCI
