基于TM遙感影像的森林類型分類方法比較

張淑芬，邢艷秋，艾合買提江·阿不都艾尼，孫小添

(1.東北林業大學 工科實習中心，哈爾濱 150040；2.東北林業大學 森林作業與環境研究中心，哈爾濱 150040)

光學遙感技術的諸多優勢使它在森林資源為主要管理對象的林業部門發揮著重要的作用，特別是其效率高、成本低和易重復利用等特點，使它在森林資源的調查和管理方面得到了廣泛的推廣應用，在森林分布圖的編制、森林資源宏觀監測、森林類型分類和森林生物量估測等方面表現尤為突出。而基于光學遙感圖像的分類技術是以上所述應用的重要基礎，一直以來都是林業遙感領域的研究熱點。圖像分類就是基于圖像像元灰度值，把像元歸并成有限的幾種類型、等級或數據集的過程。監督分類和非監督分類方法，是影像分類最基本及最概括的兩種方法，其各具優勢，但也都存在著一定的不足，特別是在地形復雜的山區，兩種分類方法的效果尚不夠穩定。

因此，本研究選擇地形復雜的汪清林區為研究區，利用2006年9月份的TM(Thematic Mapper)遙感影像，采用動態聚類法與組合監督分類法[1]對該林區的森林類型進行分類，最后比較并評價了利用動態聚類法和組合監督分類法進行森林類型分類的效果。

1 研究區與數據收集

1.1 研究區概況

本研究以吉林省汪清林區(E129°56′-131°04′，N43°05′-43°40′)為研究對象。該地區位于吉林省延邊朝鮮族自治州東部，地跨汪清、琿春兩縣(市)[2]，其地理坐標為東西長約85 km，南北寬約60 km，全局總面積456 km2，地面高程為360～1 477 m，坡度變化范圍為0°～45°。該區域植物種類繁多，結構復雜。深山區林相以針闊混交林為主，呈帶狀分布在海拔500～1 100 m之間，針葉樹主要有紅松(Pinuskoraiensis)、云杉(Piceakoraiensis)和臭松(Abiesnephrolepis)，闊葉樹多為椴樹(Tiliaamurensis)、柞樹(Quercusmongolica)、楓樺(Betulacostata)、色樹(Acermono)和白樺(Betulaplatyphylla)等[3]。

1.2 數據收集

1.2.1 TM遙感影像及輔助數據

(1)Landsat5-TM數字遙感影像1景，獲取時間為2006年9月6日。

(2)1∶50 000研究區DEM(digital elevation model)圖。

1.2.2 地面調查數據

本研究的野外地面調查數據是在2006年9月間進行的，采用分層隨機采樣法，針對3種森林類型，即針葉林、針闊混交林和闊葉林，共選取了290個樣地進行調查，利用全球定位系統GPS(Global Position System)對采樣點進行定位。考慮本研究采用的遙感TM影像第1～6波段的空間分辨率為30 m，所以標準地的面積選定為30×30 m(0.09 hm2)的正方形樣地。對每個樣地，都詳細記錄樣地內植被類型、郁閉度及地表覆蓋情況等。

2 圖像處理與分類

2.1 圖像預處理

本文的遙感數字圖像預處理包括兩部分，一是根據研究區的地理特征，對遙感數字圖像進行幾何精校正，二是對遙感數字圖像進行輻射校正和光譜增強。預處理后的圖像能最好地接近真實景物，為圖像分類做好準備。本文基于已校正的圖像共采集了17個控制點，經過幾何校正，將所有控制點的誤差控制在一個像元內，其中x坐標的平均誤差為0.789 4個像元，y坐標的平均誤差為0.256 1個像元，總坐標誤差為0.753 4個像元，均滿足校正精度要求。經過圖像輻射校正和光譜增強處理后，發現利用TM7、TM4、TM3波段的RGB組合能最佳反映地物的光譜特征，因此后續的圖像分類是基于7-4-3合成的假彩色圖像進行的。

2.2 圖像分類方法

結合汪清林區實際情況，將研究區典型地物類別進行四級區劃，具體劃分如圖1所示。

一級 二級 三級 四級

圖1研究區地類區劃圖

Fig.1 Scheme of land cover classification in the study area

其中，非林地主要包括未成林造林地、無立木林地、灌木林地、苗圃地、宜林地和輔助生產林地等地類；有林地主要包括純林地和混交林地，純針葉林地的樹種分布主要包括云杉、紅松、落葉松、樟子松和臭松等，純闊葉林地的樹種分布主要包括柞樹、榆樹、鍛樹、楊樹和白樺等；由于受云層和地形的影響，陰影區和白云區在影像上小范圍的存在，在數據處理過程中予以移除。

結合研究區地類區劃標準，本研究分別采用動態聚類法和組合監督分類的方法對研究區TM影像進行分類。

2.2.1 動態聚類法

非監督分類動態聚類法(ISODATA)是一種重復自組織的數據分析技術，按照某個原則選擇一些代表點來確定初始聚類中心，把其余的待分點按照某個方法的判據準則分到各類中去，完成初始分類。再基于此，重新計算各聚類中心，各點按照初始分類的判據準則被重新分到各類，完成第一次迭代。進而，對上次的分類結果進行修改，計算聚類中心進行下一次的迭代，如此循環迭代直到滿意為止[4-5]。具體分類的過程如圖2所示。該算法主要有4個關鍵技術：

(1)確定初始類別數和初始類別光譜值。

(2)確定循環次數和閾值。

(3)動態聚類的判別條件。

(4)動態聚類的控制。

動態聚類法的優點是將簡單多光譜的分類和分析判別統計聚類的算法融合在一起，使聚類更具有準確性和客觀性。本文利用ERDAS軟件平臺，按照圖1的典型地物四級區劃，基于動態聚類算法把能夠區別的類別合成最后的4類，分別是闊葉林地、針葉林地、混交林地及其他用地。

2.2.2 組合監督分類法

組合監督分類法是指多類型、多層次和多決策規則的綜合監督分類方法。本研究采用組合多決策規則對TM影像進行分類，具體的設計思想如下：首先，在特征空間的圖像上確定訓練樣本，然后建立分類模板，在這基礎上應用特征空間分類規則進行對森林類型進行分類，把疊加區域按照規定類別的順序進行按序分類，未分類區域按照最小距離的分類方法規則進行分類，這種組合分類的方法簡便易行，分類的過程如圖3所示。首先，計算出訓練樣本數據的每一類標準向量及均值向量，然后將均值向量作為該類在特征空間上的中心位置，計算出每個像元到各類的中心距離，然后按照最小距離法，將各像元歸并到距離最小的一類中去。在這種方法中，可以看出，距離作為判別函數的準則[6-7]。同樣，把能夠區別的類別合成分為4類，分別是闊葉林地，針葉林地，混交林地及其他用地。

圖2 動態聚類法流程圖

圖3 監督分類流程圖

3 結果與討論

圖4和圖5所示分別為研究區動態聚類法分類結果圖和組合監督法分類結果圖。本文采用簡單隨機抽樣的方式[8]，對分類的結果進行點樣本驗證研究，進而定量分析出不同的分類精度。

根據該林區的實際情況和分類所得專題圖的特征，即分類的類型空間分布不均勻和某些類型有空間上稀少并群集的特點，分析時采用簡單隨機采樣方法，總抽樣數依據分類類型數確定，原則是每個森林類型最少抽樣數不少于40個，將同一種類別在不同的分類后多次點樣本的平均檢驗結果進行比較，如圖6(a)～圖6(d)所示。

圖4 動態聚類法分類結果圖

圖5 組合監督法分類結果圖

評價結果分析表明，動態聚類法分類得到針葉林地、闊葉林地、混交林和其他用地分類精度分別達到67%、63%、52%和60%，總體分類精度為61%；組合監督分類得到的針葉林地、闊葉林地、混交林、其他用地分類精度分別達到75%、74%、69%和70%，總體分類精度為72%。無論動態聚類法分類還是組合監督分類，對針葉林和闊葉林的分類精度比較高，而對混交林和其他用地的分類精度較低。由此可以推斷，兩種分類方法對于地物光譜值差異較大的比較容易區別，且分類速度較快。但對于光譜值相近的針、闊、混交林光譜值難以區別，容易出現混分的現象。而且地形陰影區對分類也產生了較為嚴重的影響。分析錯誤分類點，發現在地形陰影區內錯分點占據了一半，原因是由于地形復雜造成的陰影區，從而減弱了光譜值，這時相對較大的混交林和闊葉林的光譜值，同較小的針葉林的光譜值發生混淆，很大程度地降低了分類精度。總體來講，組合監督分類結果精度明顯比動態聚類法分類結果精度高，在混交林和其他用地在分類結果上表現的特別明顯。

圖6 分類精度對照圖

綜上所述，組合監督分類可根據應用的目的和區域，分類類別具有選擇性，避免了一些不必要的類別出現，并且訓練樣本選擇具有控制性，可通過檢驗判定訓練樣本是否被精確分類，從而避免分類中嚴重的錯誤，但是這種方法的工作量比較大。比較而言，動態聚類法分類工作量小易于實現，不需要分析者預先對分類區有很大的了解和熟悉，但需要一定的經驗知識來解釋分類得到的集群組，這樣人為誤差機率減少，所產生的類別要比組合監督分類的類別更具有均質性，但是分類精度比較低。

4 結 論

本文應用動態聚類法和組合監督分類，分別對汪清林區森林類型進行了分類比較研究，結果表明，兩種方法對針葉林和闊葉林的分類精度較高，而對混交林和其他用地的分類精度較低。通過分析可知，由于針葉林和闊葉光譜差異較大，因此較容易區分，而混交林和其他用地光譜反射混雜，容易造成錯分現象，直接影響了分類的結果。另外，研究區地形起伏的特點形成TM遙感影像的陰影區，影響了地物光譜反射值的正確提取，從而導致分類錯誤。建議在以后的研究中，增加采樣點數量，并考慮結合利用輔助數據盡量消除地形陰影的影響，提高分類精度。

【參 考 文 獻】

[1]楊 鑫.淺談遙感圖像監督分類與非監督分類[J].四川地址學報，2008，28(3)：251-254.

[2]姜 萍，趙 光，葉 吉，等.長白山北坡森林群落結構組成及其海拔變化[J].生態學雜志，2003，22(6)：28-32.

[3]邢艷秋，王立海.基于ICESat-GLAS完整波形的坡地森林冠層高度反演研究[J].武漢大學學報(科學信息版)，2008，34(6)：697-700.

[4]趙春霞，錢樂祥.遙感影像監督分類與非監督分類的比較[J].河南大學學報，2004，34(3)：90-93.

[5]黨安榮.ERDAS IMAGINE遙感圖像處理方法[M].北京：清華大學出版社，2003.

[6]游代安，定 華，旭 初.GIS輔助下的Bayes法遙感影像分類[J].測繪學院學報，2001，18(2)：113-117.

[7]溫一博，范文義.多時相遙感數據森林類型識別技術研究[J].森林工程，2013，29(2)：14-20.

[8]Voglmann J E，Rock B N.Use of TM data for detection of forest damage caused by the pear thrips [J].Remote Sensing of Environment，1990(3)：34-40.