基于遙感影像的大區域植被類型樣本快速提取方法研究
——以寒溫帶針葉林區域為例*

胡 博，鞠洪波,劉 華，郝 瀧，劉 海

(中國林業科學研究院資源信息研究所，北京 100091)

基于遙感影像的大區域植被類型樣本快速提取方法研究
——以寒溫帶針葉林區域為例*

胡 博，鞠洪波**,劉 華，郝 瀧，劉 海

(中國林業科學研究院資源信息研究所，北京 100091)

[目的]利用遙感影像的宏觀性，基于植被分類資料數據，依據實驗區域遙感影像及衍生影像本身特點，實現大區域樣本快速提取。[方法]實驗參考1∶100萬植被圖、WESTDC中國土地覆蓋圖，結合實驗區域2001年MODIS時序NDVI影像的非監督分類結果，利用矢、柵數據的空間特征，將實驗影像非監督分類的類型信息關聯為隨機樣點屬性，依據該屬性中包含的非監督分類類型數和各類型的樣點比例，對比類別間樣本可分離性指標、標準差變化，實現樣本純化。[結果]純化后的植被樣本與WESTDC中植被空間分布基本一致，主要植被類型空間分布精確程度為84.82%。將純化前后的樣本輸入最大似然分類器，總體分類精度提高了32.52%。[結論]該采樣方法適用于宏觀大區域植被樣本數據的快速提取。同時，節省了大區域植被類型調查消耗的人力物力資源和時間，提高了采樣效率。

遙感；大區域；快速采樣；樣點純化

通過遙感手段提取大區域(國家級、省級)植被覆蓋信息多采用具有高時間分辨率、寬視域、對存儲介質要求相對較低、獲取方式更便捷的中低分辨率遙感影像，如AVHRR、MODIS等。計算機自動提取方法以基于像元的非監督分類方法和監督分類方法為主，非監督分類方法得到的分類結果精度相對較低，并依賴專家經驗進行分類后的類型組合，如GLC2000[1]、DISCover全球1 km土地覆蓋產品等[2]；監督分類方法得到的分類結果精度相對較高，其中選擇具有代表性的樣本數據比修改分類算法本身對分類結果的影響更為重要。

當前，國內外常采用以下方法對遙感影像監督分類的植被類型樣本進行采集：(1)參考資料數據，依據專家經驗，借助更高分辨率遙感影像的解譯結果或者植被圖、土地利用圖等先驗數據。Darren Pouliot等[3]采用MODIS數據監測加拿大森林變化，參考了水文、高程、公路網等數據的同時，部分區域借鑒Google數據和TM等更高分辨率數據采樣；Igor Klein等[4]采用MODIS數據對中亞土地覆蓋變化檢測，主要依據TM影像解譯結果進行采樣；張永紅等[5]用MODIS數據生成全國土地覆蓋產品，輔助土地利用圖、植被圖和局部區域的TM、SPOT更高分辨率影像數據獲得訓練樣本；左玉珊等[6]基于MODIS影像的京津冀區域土地覆被分類，輔助京津冀區域土地利用資料、TM遙感影像、DEM高程數據；范應龍等[7]基于TM影像通過決策樹分類提取熱帶森林覆蓋變化信息，訓練樣本采用柬埔寨國家林業局野外調查數據；張雨等[8]基于MODIS數據實現的遼寧省土地利用分類，通過分析遼寧省林地更新數據和一類樣點數據選取訓練樣本。(2)結合調查數據的樣本采集方法。劉華等[9]基于四個時相的TM影像，根據外業調查信息以及研究區植被圖、濕地分布圖獲取的樣點數據，提取濕地信息；陳巧等[10]基于兩期TM影像，參照研究區森林資源分布圖、土地利用圖以及外業調查數據進行訓練樣區選擇，通過監督分類結果監測天保區植被變化；Kun Jia等[11]采用MODIS時序數據與TM影像融合提取了中國北部5個縣的森林覆蓋信息，訓練樣本的選取借助于樣地調查和Google數據；競霞等[12]采用兩期TM影像對密云山區植被分類研究，采用野外調查獲得的植被類型信息選取訓練樣本。

從國內外研究可知，遙感影像監督分類的樣本選取方式大多憑借專業經驗、資料數據或結合調查數據等目視判讀采樣，有關大區域遙感快速采樣方法的類似研究比較少。本研究利用遙感影像的宏觀性，基于植被分類資料數據，依據實驗區域遙感影像及衍生影像本身特點，實現了大區域樣本快速提取。本實驗的創新體現在將實驗區資料數據與遙感影像相結合，依據統計分析實現植被樣本的快速提取。降低遙感監督分類采樣過程中的人為干預，提高大區域采樣效率，增強樣本的客觀性。實驗結果可以為快速提取實驗區植被覆蓋信息，提供可靠的樣本數據。

1 實驗數據與實驗區概況

1.1 實驗數據

本實驗采用2001年23期時序MODIS/Terra Vegetation Indices 16-Day L3 Global 250m SIN Grid(簡稱MODIS13Q1)數據，每期間隔16天，屬于陸地專題產品，是MODIS的L3級科學數據集產品之一。MODIS13Q1產品原始文件包含多個數據層，實驗選取第一層歸一化植被指數(Normalized Difference Vegetation Index, 簡稱NDVI)數據文件[13]。

本實驗采用2001年1∶100萬中國植被圖矢量數據，可提供實驗區植被分布信息；中國植被區劃矢量數據提供實驗區范圍；2000年中國土地覆蓋1km柵格數據[14-15](簡稱WESTDC)，可提供實驗區非植被分布信息。其中，WESTDC數據來源于國家自然科學基金委員會“中國西部環境與生態科學數據中心”(http://westdc.westgis.ac.cn))，該數據借鑒IGBP分類系統，在保持了中國土地利用數據的總體精度的同時，補充了中國植被圖中對植被類型及植被季相的信息，更新了中國濕地圖，增加了中國冰川圖，融合了MODIS 2001年土地覆蓋產品。

以上矢量、柵格數據均具有空間坐標信息，且經過影像配準，精度限制在一個像元內。

1.2 實驗區概況

本研究選取寒溫帶針葉林區域作為實驗區，實驗區處于127°20′E以西， 49°20 ′N以北的大興安嶺北部及其支脈伊勒呼里山地，總面積約為211 600 km2。植被覆蓋率高，地帶性植被為興安落葉松林，有少量灌木植被，是我國重要的木材產地。由于該區域的寒溫帶氣候，形成永久凍土層，水分下滲困難，形成零星水體，地表積水使濕地廣泛發育，其中草本沼澤分布在海拔900 m以下地帶。該區域平坦谷地區域有農業分布但農業不發達。

2 研究方法

首先，通過ARCGIS軟件在寒溫帶針葉林區域內隨機布點，生成的樣點具有中國植被區劃文件的空間信息，每個樣點在實驗影像上體現為一個像素，代表實際地物250 m×250 m的樣地范圍。參考1∶100萬中國植被圖和中國土地覆蓋數據，分別賦予植被類樣點的類型屬性，包括：喬木、草地、濕地、灌木、農田；非植被類樣點的類型屬性，包括：建筑物和水體。并對各類樣本的初始可分離性進行計算。

然后，對實驗區2001年23期MODIS時序NDVI影像數據產品，依據不同植被類型的NDVI特征向量不同，采用非監督分類迭代算法[15]得到時序NDVI數據波段的集群聚類信息。結合該非監督分類結果，依據矢、柵數據的空間特征，將非監督分類

的類型信息作為各類樣本中的樣點屬性進行關聯，統計各類樣本包含的非監督分類類型和樣點個數(j,NRi)，并將對應類型的樣點比例作為權重值(PRi)。權重越大則越能夠代表該樣本類型，權重越小則越可能是該類樣本中的非純樣點，按照權重大小降序排列樣點(Descend(PRi))并計算累積百分比(PRacc)。其中，j為樣點個數、R為植被類型、i為非監督分類類型。

大區域植被樣本快速提取總體思路，如圖1所示：

圖1 大區域植被類型樣本快速提取方法流程Fig.1 Methodological framework of quick sampling in large area

將初始7類樣本對應的非監督分類的結果，依據每一類樣本中包含的非監督分類類型及樣點個數，繪制分布直方圖，如圖2所示:

圖2 各類樣本非監督分類類型屬性特點直方圖Fig.2 Histogram of samplings with unsupervised feature

統計結果表明，研究區域內植被以喬木、草地、濕地類為主，灌木、農田較少。該區域建筑物在非監督分類中特征明顯，與其他地物很好的區分。水體零星分布，樣點較少。本研究以植被類樣本純化提取為主，建筑物和水體為非植被類型樣本不予討論。

依據像元類型權重信息和空間信息剔除各類樣本中不合要求的樣點，進行樣本純化[16]。保留權重大的更有代表性的樣點，剔除掉權重比例小于2.0%的樣點，剩余的樣點累積百分比為70%±5%，在此樣點比例范圍內再結合可分離性指標進行樣點的取舍。

對保留樣點的非監督分類類型、權重、累積百分比進行統計，如表1所示：

最后，從空間信息上判斷，地類邊界過渡區域的像元往往都是混合的非純像元，因此剔除相鄰類型邊界1 000 m范圍內過渡區域內的樣點。

表1 純化后樣本中非監督分類類型及保留樣點的 權重和累積百分比Table 1 Unsupervised types with weight factor and accumulative percent of purified points %

3 結果與分析

3.1 純化前后樣點可分離性比較

如表2所示，對于可分離性指標小于1.8的樣本，認為樣本中混有其他類型樣點，因此，刪除此類樣本中權重比例小的干擾樣點，再計算可分離性指標。反復操作以上過程，并比較分析可分離性指標，決定樣點取舍。最終得到具有代表性的植被類型樣本。

表2 純化前后植被類樣本可分離性指標對比Table 2 Separabilities of purified and unpurified samples

對比純化前后的結果可以看出純化后各類樣本的可分離性指標提高到1.9以上，可分離性良好。只有濕地和草地類型可分離性指標值為1.78，認為濕地區域覆蓋的植被和草地區域覆蓋的植被多為草本植物，受實驗中特征影像制約辨識度不高。

3.2 初始樣點與純化后樣點的平均值、標準差比較

對比2001年MODIS全年數據的第33天、第145天、第257天、第353天的影像，純化前后的各植被樣本的平均值和標準差，如表3所示。

通過對比4個時相影像的統計結果可知，純化前后平均值的變化無顯著規律，純化后的樣本標準差大多縮小。純化后的樣本數據的分布曲線變窄，重疊變小，可分性增大，更易于類型間的區分。

3.3 純化后的植被樣本結果分析

3.3.1 純化后的植被樣本精度分析 中國植被圖表明實驗區植被覆蓋以喬木、草地和濕地為主。植被覆蓋率為喬木67.40%、草地18.04%和濕地12.48%。灌木0.97%，農田1.08%兩類植被在實驗區域較少分布。

為驗證純化后樣本的空間分布狀況，統計各植被樣本在中國土地覆蓋圖上分布的混淆矩陣，如表3、4所示。

表4中喬木、草地純化后樣本與中國土地覆蓋類型中相應植被類型的空間分布基本一致，精確程度達到87.53%和90.46%。濕地與草地均以草本植被覆蓋為主，兩種植被類型在實驗影像上不易區分，因此樣本代表性相對較差。喬木、草地、濕地三者空間分布的總體精確程度為84.82%。

表3 純化前后樣本的平均值和標準差Table 3 Mean and Stdev. values of purified and unpurified samples

表4 高覆蓋率植被樣本與WESTDC中植被類匹配的混淆矩陣Table 4 Compared the distribution of high coverage vegetation samples with WESTDC by confusion matrix

表5 低覆蓋率植被樣本與WESTDC中植被類型 匹配的混淆矩陣Table 5 Compared the distribution of less coverage vegetation samples with WESTDC by confusion matrix

表5中農田樣本與中國土地覆蓋類型中相應植被類型的空間分布基本一致，精確程度達到90.32%，由于實驗區灌木分布極少，覆蓋率僅為0.97%，同時中國土地覆蓋圖與中國植被圖中灌木類空間分布不一致，導致灌木樣本以WESTDC為參考的空間分布狀況精確程度較低。但灌木樣本可分離性指標高于1.9，不影響與其他類型的區分，故認為灌木樣本基本不會影響到各類植被覆蓋信息的表達。

實驗樣本中的植被空間分布與中國土地覆蓋圖中植被的空間分布相似度超過80%，因此認為純化后的樣本在該區域具有代表性。

3.3.2 純化后的植被樣本分類結果分析 將純化前后的樣本，分別輸入最大似然分類器，得到實驗區域的分類結果，對比中國植被圖圖3(a)中的植被分布，如圖3所示。

驗證樣點在中國植被圖和中國土地覆蓋圖中植被類型相同的區域隨機選取。純化后樣本的最大似然分類結果圖3(c)，總體精度為76.78%；相比未經過純化的初始樣本最大似然分類結果圖3(b)，總體精度44.26%，提高了32.52%。

a.Test area in vegetation atlas of China; b.Maximum likelihood classification result with initial samples; c.Maximum likelihood classification result with purified samples圖3 樣本純化前后分類結果與中國植被圖中植被分布的比較分析Fig.3 Comparisons of classification results with (a) (b) (c)

由于特征影像、分類器選擇會對分類精度造成影響，驗證數據本身也與真實地物存在一定的精度局限性等，以上因素都可能降低實驗影像最終分類結果的精度。因此，在三者相同的情況下，純化后的樣本分類結果精度較大提高，純化后樣本的分類結果與中國植被圖中植被分布的總體趨勢能夠達到基本一致，認為采樣方法是可行的。

4 結論

(1)以遙感監督分類方法快速精準的提取大區域植被覆蓋信息為研究背景，本研究結合專家經驗和實驗數據同質特征向量的聚類信息，采用統計分析的方法，實現了針對宏觀大區域遙感影像快速提取植被樣本的方法。

(2)實驗方法增強了樣本的可分離性、縮小了樣本標準差，經驗證純化后樣本對實驗區域的植被覆蓋信息具有代表性，采樣方法可行。所得樣本具有實驗影像時效特征，用于遙感監督分類可以縮短大區域植被變化監測時間間隔。

(3)實驗節省了大區域植被類型調查耗費的人力物力資源和時間，避免了引入多源數據造成的數據冗余和誤差影響，提高了采樣效率。

[1] Chandra Giri, Zhiliang Zhu, Bradley Reed. A comparative analysis of the Global Land Cover 2000 and MODIS land cover data set s[J]. Remote Sensing of Environment,2005, 94: 123-132.

[2] M.C.Hansen, B.Reed. A comparison of the IGBP DISCover and University of Maryland 1 km global land cover products [J].Remote Sensing, 2000, 21(6&7):1365-1373.

[3] Darren Pouliot, Rasim Latifovic, Natalie Zabcic,etal.Development and assessement of a 250 m spatial resolution MODIS annual land cover time series(2000-2011) for the forest region of Canada derived from change-based updating [J]. Remote Sensing of Environment,2014,140:731-743.

[4] Igro Klein, Ursula Gessner, Claudia Kuenzer. Regional land cover mapping and change detection in Central Asia using MODIS time-series[J]. Applied Geography,2012,35:219-234.

[5] 張永紅，張繼賢，郭 建,等.全球地圖第一版中國土地覆蓋產品的生成[J]. 武漢大學學報：信息科學版，2009,34(8):914-925.

[6] 左玉珊，王 衛，郝彥莉，等.基于MODIS影像的土地覆被分類研究——以京津冀地區為例[J]. 地理科學進展，2014,33(11):1556-1565.

[7] 范應龍，譚炳香.兩種熱帶森林覆蓋變化檢測方法比較研究[J]. 林業科學研究，2015,28(3):325-331.

[8] 張 雨，林 輝，臧 卓，等.基于MODIS數據的遼寧省土地利用分類[J]. 西南林業大學學報，2014,34(1):52-57.

[9] 劉 華，鞠洪波，鄒文濤,等.長江源典型區濕地對區域氣候變化的響應[J]. 林業科學研究，2013,26(4):406-413.

[10] 陳 巧，陳永富，鞠洪波.基于3S技術的天保區植被變化監測方法研究[J]. 林業科學研究，2013,26(6):736-743.

[11] Kun Jia, Shunlin Liang, Lei Zhang,etal. Forest cover classification using Landsat ETM+ data and time series MODIS NDVI data[J]. International Journal of Applied Earth Observation and Geoinformation, 2014,33:32-38.

[12] 競 霞，王錦地，王紀華,等.基于分區和多時相遙感數據的山區植被分類研究[J]. 遙感技術與應用，2008,23(4):394-398.

[13] 廖 靖，覃先林，周汝良.利用2種植被指數監測中國6種典型森林生長期的比較研究[J]. 西南林業大學學報，2014,34(3):57-61.

[14] 冉有華，李 新，盧 玲.基于多源數據融合方法的中國1 km土地覆蓋分類制圖[J]. 地球科學進展，2009,24(2):192-203.

[15] 李俊祥，達良俊，王玉潔,等.基于NOAA-AVHRR數據的中國東部地區植被遙感分類研究[J]. 植物生態學報，2005,29(3):436-443.

[16] 吳健平，楊衛星.遙感數據監督分類中訓練樣本的純化[J]. 國土資源遙感，1996,(27):36-41.

(責任編輯：彭南軒)

Quick Sampling Method for Large Area Vegetable Types Based on Remote Sensing Images: A Case Study for Cold Temperate Coniferous Forest Region

HUBo,JUHong-bo,LIUHua,HAOShuang,LIUHai

(Research Institute of Forestry Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China)

[Objective]To realize the quick access of the separable and representative training samples on large area remote sensing images. [Method]Based on the macroscopical character of remote sensing images, referring to the 1∶1 000 000 vegetation map and China land cover map (WESTDC), and combining the unsupervised classification results of experimental region from the 2001 MODIS time series NDVI images, the spatial features of vector and raster data were used and associated the unsupervised classification results as the random sample properties. Based on the unsupervised classification types and the random point ratio of different classification types, the sample purification was realized. By comparing the difference of the standard deviation and the separability index before and after the sample purification of different vegetable samples, the points which had relatively larger contribution to the supervised classification were saved.[Result]The results showed that the land cover spatial distribution in survey area was consistent with the WESTDC map, the overall accuracy of main types was 84.82%. By using the purred samples and applying the maximum likelihood classification method, the overall accuracy was 32.52% higher than that from initial samples. [Conclusion]The sampling method is suitable for quick access of remote sensing images of large area and could reduce the time, manpower and material costs.

remote sensing; large area; quick sampling; sample purification

10.13275/j.cnki.lykxyj.2017.01.015

2016-02-04

國家863計劃課題(2012AA102001)。

胡 博(1985—)，女，河北人，博士研究生，主要從事森林資源監測技術研究
* 致謝：國家自然科學基金委員會“中國西部環境與生態科學數據中心”提供的WESTDC數據
** 通訊作者：鞠洪波(1956—)，男，黑龍江人，研究員，博士生導師，林業信息技術

S771.8

A

1001-1498(2017)01-0111-06