結合光譜和紋理特征的林地變更檢測

梅樹紅，范城城，廖永生，李雅然，施宇軍，麥 超

(1. 廣西壯族自治區遙感信息測繪院，廣西 南寧 530023； 2. 廣西壯族自治區地理國情監測院，廣西 南寧 530023； 3. 南寧市國土測繪地理信息中心，廣西 南寧 530021)

森林是陸地生態系統的主體，是人類社會賴以生存和發展的物質基礎。在當前各種人類活動和自然力的共同作用下，林地數量、結構及空間分布變化加快，林地資源數據不清影響森林經營管理措施制定，不利于生態建設科學決策。

2003年，國家林業局發布的《森林資源規劃設計調查規程》將高分辨率衛星影像作為小班調繪的參考數據。相比于傳統外業地面測量、現場勾繪等手段，應用遙感技術進行林地資源動態變化調查的效率、精度都有大幅提升，但當前目視判讀影像的作業方式仍需投入大量人力。據廣西壯族自治區林業廳統計，2017年度全區林地變更圖斑三十多萬個。如何從多期遙感影像中自動檢測出林地變化信息，對于林業資源調查具有重要意義，也是遙感界近年來的研究熱點之一。

由于不同地物在遙感影像上所呈現的光譜信息、紋理特征等都存在差異，因此，當林地發生變更(如林地變為建設用地)時，可以通過遙感影像變化檢測，確定變更的空間范圍和變化類型。近年來，眾多學者針對遙感影像變化檢測的理論和方法進行了大量研究。文獻[1]將基于像素和基于對象的變化檢測過程有機結合起來，并利用隨機森林分類器進行面向對象的遙感影像變化檢測；文獻[2]以高分一號衛星影像作為數據源，利用核主成分分析法提取森林覆蓋變化信息；文獻[3]結合歸一化植被指數與影像差值，對校正后的不同時相SPOT5衛星影像進行植被覆蓋變化檢測。由于影像數據源及檢測目標存在差異，不同檢測方法的適用范圍也不盡相同。

針對當前林地變更檢測存在的問題，本文提出一種結合光譜和紋理特征的林地變更檢測方法，其以最大似然監督分類和植被指數閾值分割的處理結果為基礎構建決策樹，充分利用光譜信息和紋理信息對多時相遙感影像進行變化檢測。

1 研究區和數據源

1.1 研究區概況

靈山縣地處廣西南部，瀕臨北部灣，地理坐標為東經108°44′—109°35′，北緯21°51′—22°38′，是欽州市轄縣，轄區總面積3 558.6 km2，屬典型南方丘陵地貌，氣候溫和，夏涼冬暖，雨量充沛。據統計，靈山縣林業用地面積為2 210.83 km2，森林面積為1 401.77 km2，森林總蓄積量為9 349 751 m3，全縣森林覆蓋率為56.03%。

從遙感影像上看，靈山縣東北部多為山地，植被茂密，局部區域地勢較為平坦，集中分布著大片農田和居民地。

1.2 數據源

本文利用20171209和20180201兩個時相的高分二號衛星影像進行試驗，以裁剪后兩景影像的重疊覆蓋區作為實際研究范圍，面積為303.67 km2。高分二號是高分專項工程的一顆民用光學遙感衛星，由我國自主研制，主要服務于國土資源部、住房和城鄉建設部、交通運輸部、國家林業局等部門。其搭載的多光譜相機能夠獲取紅、綠、藍和近紅外4個波段的影像數據，光譜信息豐富，而全色相機的星下點空間分辨率可達0.81 m，目視效果良好。

2 林地變更檢測方法和試驗

本文提出的林地變更檢測方法是在最大似然監督分類和歸一化植被指數提取的基礎上構建決策樹，以此作為變化檢測的依據，并通過濾波、小圖斑剔除等手段進行檢測結果優化，最終獲得林地變更的矢量邊界。具體技術流程如圖1所示。

2.1 影像預處理

影像預處理涵蓋了正射校正、波段融合、輻射校正、影像增強、勻光勻色等內容。在變化檢測中，前后時相影像的校正和配準尤為關鍵，以廣西統一航飛正射影像為參考對原始影像進行校正，經質檢校正精度在2個像素以內，因此不再對兩期影像作額外配準；采用直方圖匹配法進行相對輻射校正，通過變換原始影像(即前時相影像)的灰度分布，使其與參考影像(后時相影像)的灰度分布相近，從而使兩幅試驗影像具有較一致的色調和反差。

2.2 紋理信息提取

遙感影像的紋理特征描述了影像范圍內對應地物的表面性質。將紋理信息與光譜信息有機結合，能夠有效提高影像分類精度。文獻[4]提出的灰度共生矩陣通過研究灰度的空間相關特性來定量分析紋理，并定義了14種紋理特征計算方法。本文選取均值、方差、對比度、相關性、熵5種常用的統計方法，利用3×3像素窗口分別提取兩期影像中4個光譜波段的紋理特征數據。

2.3 樣本選取與監督分類

2.3.1 樣本選取

在對試驗區內地物的種類和分布情況作簡單了解分析的基礎上，確定所選樣本包括林地、耕地、裸地、建設用地和水域5類。為了保證樣本的可靠性，其選取還應滿足一定數量，并盡可能均勻分布。所選樣本主要作為監督分類的訓練樣本集數據及用于NDVI閾值設定。

2.3.2 監督分類

監督分類是以已確認類別的樣本像元去識別未知類別像元的過程。分別利用最大似然、支持向量機(SVM)、人工神經網絡等算法進行監督分類試驗，并對分類精度、運算速度和算法實現難易程度作綜合對比得出如下結論：支持向量機監督分類的結果最優，然而運算速度非常慢；人工神經網絡監督分類的結果不穩定且算法實現難度較大；最大似然監督分類的精度略遜于支持向量機，但相比而言，運算效率有很大提升。考慮到實際應用中遙感影像的范圍較大、數量較多，本文選用最大似然法作為監督分類器。

最大似然分類假定遙感影像中每一類地物的光譜特征近似服從正態分布，并基于貝葉斯最小錯誤率決策法則構建一組判別函數，用于計算每個像元屬于各個類別的概率，概率值最大的則為所屬類別。

2.4 歸一化植被指數提取

地物的光譜特性是指其區別于其他地物的電磁輻射規律。遙感影像的光譜特征是進行分類和變化檢測的重要依據。

由于植物葉面在可見光紅光波段具有很強的吸收特性，在近紅外波段具有很強的反射特性，造成遙感影像中紅光波段與近紅外波段對于綠色植物的光譜響應十分不同，這兩個波段觀測值的不同組合能夠得到不同的植被指數。遙感影像近紅外波段的反射值(NIR)與紅光波段的反射值(R)之差比上兩者之和，即為歸一化植被指數(NDVI)，其計算公式為

NDVI=NIR-R/NIR+R

(1)

歸一化植被指數是檢測植被生長狀態的重要參數，也是植被覆蓋度的最佳指示因子，因而應用最為廣泛。對所選樣本的NDVI值進行統計分析，并以樣本中林地的NDVI平均值與其他4類地物的NDVI平均值之差作為閾值，經計算確定NDVI差值的閾值為0.18。

2.5 構建決策樹

在上述分類分析基礎上構建的決策樹包括以下測試條件：

(1) 前后兩期影像的NDVI差值大于試驗設定的閾值0.18。

(2) 前時相影像的監督分類結果為林地。

(3) 后時相影像的監督分類結果為非林地。

同時滿足上述條件的像元集合即為本方法認定的發生林地變更的區域。

2.6 矢量化及小圖斑剔除

2.6.1 柵格矢量化

經決策樹處理得到的二值柵格圖數據量較大，而且數據格式不便于后續分析和利用，需要將其轉為矢量，并作為最終結果輸出。柵格邊緣追蹤算法首先逐行遍歷找到一個目標區域的邊緣像元P作為起點，接著以該像元為中心按一定順序(順時針或逆時針)檢測8個相鄰像元的灰度值，找到下一個邊緣像元作為新的起點繼續追蹤，以此類推直至回到最初起點，從而完成整個區域的邊緣提取。

2.6.2 小圖斑剔除

矢量化結果中存在一些破碎零散的小圖斑，無論從專題制圖還是實際應用角度出發，這些面積較小的圖斑都不是所需要的，需要將其剔除。《全國林地變更調查技術方案》中指出“對于林地轉入轉出的地塊，最小變更圖斑面積為0.067公頃(1畝)。”試驗根據上述規定刪除不合標準的小圖斑，僅保留面積在666 m2及以上的圖斑。

3 結果分析

3.1 檢測精度評價

為了檢驗變化檢測結果的精度，在試驗范圍內選取了一塊38.11 km2的驗證區，人工勾繪林地變化圖斑，并將勾繪圖斑作為實際變化區域，對驗證區內的檢測結果和勾繪結果進行面積統計和比例計算，結果見表1。

表1 驗證區內檢測精度統計

檢測為變化且實際為變化，即檢測正確的面積有0.44 km2，總體精度達到77%以上，可以說明本方法檢測效果較好，對于大規模林地變更圖斑的提取具有一定的應用價值；同理計算得到的漏檢率和誤檢率分別為15.79%和7.02%，主要是由于檢測的矢量邊界不準確導致。值得注意的是，由于檢測為無變化且實際為無變化的面積太大，計入總面積會導致精度比例值失真，因此對其僅作統計不作計算。

3.2 檢測效率統計

對人工勾繪和算法檢測的面積、圖斑數量、耗時、人員投入等數據進行總結、統計得到的檢測效率見表2。考慮到算法檢測的圖斑矢量范圍尚且存在誤差，需要人為手動修整，保守認為本文所提出的林地變更檢測方法能夠將當前人工勾繪變化圖斑的效率提高一半以上。

表2 檢測效率統計

3.3 試驗結果分析

經過統計計算，在不到3個月的時間里，303.67 km2的試驗范圍內檢測到變化圖斑共有496處。究其原因主要為：

(1) 試驗區內種植著大量桉樹，由于其屬經濟林，輪伐期較短，因此桉樹砍伐的現象比較常見，圖斑數量也比較多。

(2) 同一采伐區，由于道路或其他地物的分割，往往會檢測出數個變化圖斑。

(3) 試驗區內實際發生林地變更的圖斑確實較多，是否合法采伐需要林業主管部門核實。

上述試驗和檢驗結果驗證了本方法的可靠性，也從側面反映了進行林地變更自動化或半自動化檢測的必要性和急迫性。

4 結 論

本文通過將最大似然監督分類和歸一化植被指數提取這兩種常用的遙感影像處理手段有機結合，充分挖掘光譜特征和紋理特征的有效信息，提出了一種林地變更檢測的新思路，并利用靈山縣東北部的高分二號衛星影像數據進行試驗，以人工勾繪的變化圖斑作為參考數據對檢測結果進行精度評價和效率統計。試驗和檢驗結果驗證了本文提出的結合光譜和紋理特征的林地變更檢測方法在大規模林地變更圖斑提取工作中的可用性，對于林業資源的清查和管理具有重要意義。

該方法仍然存在一些需要改進的地方。例如，沒有考證NDVI閾值設定是否合理；漏檢率和誤檢率仍然較高，因此需要對決策樹作進一步調整等。