基于GF-2號影像的森林優勢樹種分類

王熊 胡兵 韓澤民 菅永峰 梁杰 周歡 周靖靖 佃袁勇

摘 要：利用遙感數據開展森林資源優勢樹種的分類對森林資源的監測、森林可持續經營及生物多樣性研究具有重要意義。研究針對復雜地形區域的破碎化森林，采用高分二號（GF-2）的多光譜影像作為基礎數據進行森林優勢樹種的精細分類。本文以地形復雜、森林破碎化的湖北省竹山縣九華山林場為研究對象，采用面向對象分類方法對樹種進行精細分類，比較支持向量法、最近鄰法（KNN）和隨機森林（RF）三種不同分類算法的分類效果。在尺度閾值為30、合并閾值為95時分割的基礎上，利用SVM、KNN和RF分類結果和分類精度差異較大。分類精度最高的是SVM分類方法，總體精度為68.52%，Kappa系數為0.62;其次為隨機森林分類法，總體精度為60.29%，Kappa系數為0.54;KNN分類方法精度最低，總體精度為59.41%，Kappa系數為0.53。GF-2號數據能滿足樹種分類基本需求，在復雜地形和景觀破碎化地區用支持向量機進行樹種的分類精度更高，但仍存在一定的局限性。

關鍵詞：優勢樹種分類;支持向量機;最近鄰法;隨機森林;高分二號

中圖分類號：S758.51 ??文獻標識碼：A ??文章編號：1004-3020（2020）01-0001-08

Abstract：The use of remote sensing data to classify forest r dominant tree species is of great significance for monitoring forest resources，sustainable forest management and biodiversity research.In order to study the fragmentation forests in complex terrain areas，the multi-spectral imagery of GF-2 is used as the basic data to carry out the fine classification of forest tree species.This paper focuses on the tree species classification in complex terrain area with GF-2 imagery.The study site was located in Jiuhua forestry station in Zhushan County，Hubei province.The object-based classification method was used in research and then the support vector machine （SVM），K nearest neighbors （KNN） and Random forestry （RF） were compared.The results show that，based on the scale threshold （SL） 30 and the merge threshold （ML） value of 95，the SVM，KNN and RF classification results and classification accuracy are quite different.The results found that the SVM method had the best classification accuracy with the overall accuracy 68.52%，kappa coefficient was 0.62.The RF method had the second accuracy with the overall accuracy 60.29%，kappa coefficient was 0.54.The KNN had the lowest accuracy.The data of GF-2 can meet the basic requirements of tree species classification.The classification accuracy of tree species in the complex terrain and landscape fragmentation area is higher，but there are still some limitations.

Key words：tree species classification;support vector machine;Random forestry;K nearest neighbors;GF-2

森林作為地球上可再生自然資源及陸地生態系統的主體，在人類生存和發展的歷史中起著不可替代的作用。森林資源的監測是森林研究的一項重要內容，對森林類型進行分類研究是森林資源監測中的研究熱點。傳統的森林資源調查和監測多以地面調查為主，工作量大、成本高、費時費力且周期長，許多學者致力于研究新的技術體系和方法應用于大范圍森林群落或樹種的調查與制圖[1-3]。

隨著航天遙感技術的快速發展，遙感數據以其快速性、宏觀性、高效性等傳統技術不可比擬的優勢，在林業調查和森林經營管理中得以深度應用，尤其在進行地類劃分、植物群落分類的方法大量應用。高空間分辨率遙感影像如IKONOS、QuickBird以及GF-2號衛星，影像細節清晰，提供了能夠區分林分尺度優勢樹種的可能，已越來越多地被應用到林分尺度森林類型信息的提取中。

高空間分辨率遙感影像的像元反射率受森林冠層結構、地形和陰影等因素影響，其像元光譜響應曲線并不能充分表達出林分尺度樹種的光譜特征，因此，基于像元光譜數據對高空間分辨率遙感影像樹種進行分類并不合適，而且會產生“椒鹽”現象[4-5]。面向對象的分類方法能充分利用高空間分辨率遙感影像中地物豐富的幾何形狀與紋理信息等特征，有效提取林分尺度的樹種類型信息[6-7]。

采用面向對象技術的遙感分類方法相較于基于像素的分類方法可更加高效的獲取以圖斑為基本單元的地物類別信息，在森林植被精細分類中展現了明顯的優勢[8-10]。大量的學者發現利用高空間分辨率的紋理和光譜特征結合，可以更精細的區分植被的類別，較高精度的分類樹種。如Forester等利用QuickBird遙感影像對德國南部地區林區采用面向對象的分類識別方法進行植被類別的提取研究，有效提取出云杉、落葉松、毛櫸等多種樹木類型[11]。Pham等應用面向對象分類方法，對新西蘭沿海地區的一個單一樹種進行識別，其識別精度比僅僅利用光譜信息進行分類所得結果的精度高了近10%[12-16]。

高分辨率數據比高光譜數據成本低，且能充分利用影像中森林斑塊大小、形狀和和灰度分布在空間位置上反復出現而形成的紋理信息。但是目前針對國產高分辨率衛星遙感數據針對復雜地形和景觀破碎化下進行森林植被精細區分仍存在一定的難度。本研究以湖北省十堰市九華山林場為研究區域，以GF-2號國產高空間分辨率衛星數據為數據源，擬建立針對森林類型高層次類別識別為目的復雜地形條件下森林優勢樹種的識別與分類方法。

1 研究區域概況與數據源

1.1 研究區域

本研究區位于湖北省十堰市九華山林場，位于湖北省十堰市竹山縣南部，其地理位置位于東經100°8′～110°12′，北緯32°1′～32°6′。地處堵河中上游，高山地貌，屬于大巴山余脈;最高海拔2 036 m（位于羚羊廟溝峰），最低海拔400 m（位于百里河口），平均坡度為36.8°。研究區屬于北亞熱帶濕潤氣候區。因境內高峰疊起相對高差大，氣候變化較大，山地氣候明顯。四季分明，雨熱同季，空氣較濕潤。年平均溫度12.9 ℃，全年一月最冷，七月最熱，有效積溫3 750 ℃。無霜期長，為219 d，平均降水量1 000 mm以上。研究區內土壤以山地黃棕壤、黃棕壤、黃棕壤性土和山地黃棕壤性土為主，黃棕壤和黃棕壤性土主要分布在海拔800 m以下的低山;山地黃棕壤和山地黃棕壤性土主要分布在海拔1 200 m的高山。

九華山林場區域內植被資源豐富，種類繁多。森林類型以人工純林、人工針闊混交、天然闊葉林和茶園為主。人工種植的主要樹種有杉木Cunninghamia lanceolata、日本花柏Chamaecyparis pisifera、馬尾松Pinus massoniana，還分布有檫木Sassafras tzumu、華南樺Betula austrosinensis、柳杉Cryptomeria fortnei，天然闊葉樹種有櫸樹Zelkova serrata、青岡Cyclobalanopsis glauca、樟Cinnamomum camphora、木荷Schima superba、麻櫟Quercus acutissima。但因丘陵起伏、地塊破碎、土層貧瘠導致森林景觀總體異質性高、形狀復雜、聚集程度高、斑塊分布無規則和景觀格局復雜。

1.2 數據源

本研究采用高分二號多光譜影像作為數據源，影像獲取時間為2017年7月4日，共包含4個波段，分別為紅（0.45～0.52 μm）、綠（0.52～0.59 μm）、藍（0.63～0.69 μm）和近紅外波段（0.77～0.89 μm）。其他輔助數據包括國有九華山林場矢量邊界圖、數字高程模型數據、實地調查的小班數據、樣點數據和森林資源二類調查數據。

實地調查的時間為2018年4月13日～20日，所調查的結果主要用于提供用于分類精度評價和基于樣本面向對象分類的訓練樣本。結合樹種組成，將地物類型分為非林地、水體、茶園、闊葉、杉木、柳杉、馬尾松、針闊混交共計8類，非林地是指除水體外的地物類型，主要以人工建筑，道路為主;茶園包括正在種植的茶園以及未種植的耕地;闊葉樹種包括樺木、楓香、櫟類、化香等樹種，由于闊葉樹種分布過于破碎，且樹種組成太過復雜，因此將闊葉樹種統一歸為一類。本研究采集了511個樣本：水體（2）、硬闊（73）、馬尾松（74）、針闊混交（26）、茶園（53）、柳杉（41）、杉木（101）和非林地（141），（見圖1）。

2 方法

本研究采用面向對象的分類方法進行分類，分類算法主要的步驟包括影像的分割、分類特征確定、分類器的比較分析、分類精度的評價（見圖2）。

2.1 GF-2號遙感數據預處理

GF-2影像預處理的基本內容包括：輻射定標、正射校正、輻射校正、圖像裁剪和圖像增強，真（假）彩色合成。本研究中通過軟件ENVI（5.3）進行輻射定標，定標參數如下表1所示。采用30m DEM分辨率進行正射校正。預處理圖像如圖3所示。

2.2 影像分割

本研究采用基于邊緣特征的分割算法，該算法根據鄰近像素光譜特征對全色影像進行分割，通過設定尺度閾值（Scale Level，SL）和合并閾值（Merge Level，ML），根據鄰近像素的光譜差異進行分割。

2.3 分類特征的構建

本論文中選擇了三類特征用于樹種類型的分類：光譜特征、紋理特征和地形特征（見表2）。從GF-2多光譜影像中提取的光譜特征包括：藍（B）、綠（G）、紅（R）和近紅外（NIR）四個波段，以及主成分變換的前2個主成分PCA1、PCA2和歸一化植被指數NDVI。紋理特征包括：對主成分變換的第1主成分，利用灰度共生矩陣計算其紋理特征包括均值、方差、同質性、對比度、非相似性、熵、二階矩、相關性共8個參數。地形特征包括高程、坡度和坡向。

2.4 分類方法

本研究采用采用基于樣本面向對象分類方法分成8類，其地物類型的樣點影像與實地地物對應圖如表3。選取其中70%的樣本作為訓練樣本，分別采用最近鄰算法（KNN）、支持向量機（SVM）和隨機森林（RF）三種分類算法進行分類，并將剩余30%樣本作為檢驗樣本進行精度驗證和分類效果評價。

最近鄰（k-Nearest Neighbor，KNN）分類算法是最簡單的機器學習算法之一，在理論上的研究已經非常成熟。其思路是：尋找到一個樣本在特征空間中的K個最相似或者最鄰近的樣本，如果這K個樣本中的大多數屬于某一個類別，那么該樣本也屬于這個類別[17]。KNN算法中，所選擇的鄰近樣本都是已經正確分類的對象。該方法在定類決策時只依據最鄰近的一個或者幾個樣本的大多數類別來決定待分樣本所屬的類別。把它應用到遙感影像分類中，就是要計算待分類樣本與訓練樣本之間的距離，找到最近K個鄰居，根據它所選擇的這K個鄰居的類別來判斷。選擇K個鄰居所屬類別最多的哪一類，那么待分類樣本也屬于這個類別[18]。

支持向量機SVM（Support Vector Machines）是由Vapnik和他的合作者提出來的一種新的學習方法[19]，是建立在統計學習理論的VC維理論和結構風險最小原理基礎上，根據有限樣本信息在模型復雜性（即對特定訓練樣本的學習精度）和學習能力（即無錯誤地識別任意樣本的能力）之間尋求最佳折衷，以期獲得最好的推廣能力。在遙感圖像的分類研究中，應用SVM最大的優點是進行分類時無須進行數據降維，并且在算法的收斂性、訓練速度、分類精度等方面都具有較高的性能[20]。

隨機森林算法（Random Forestry，RF）是由Breiman（2001）提出，是一個樹形分類器的集合，該算法利用多棵決策樹組合構成新的學習算法。該算法利用bootstrap策略從原始數據集中抽取N個訓練集，每個訓練集的大小為原始數據的2/3;然后對每個訓練集分別建立分類決策樹;最終形成由N棵決策樹組成的森林進行預測結果，采用投票表決的方式決定新樣本的類別[21]。隨機森林的算法關鍵參數在于決策樹數量N的確定。在本實驗中，發現當N>=300時，分類結果趨于穩定。

2.5 分類精度評價

利用混淆矩陣評價分類精度，采用的精度評價指標包括總體分類精度、Kappa系數和每類地物的用戶精度、制圖精度、錯分率和漏檢率。

3 結果

3.1 影像分割結果

影像分割的結果與分割的尺度閾值與合并閾值有關，通過人工目視判別的方法發現尺度閾值（SL）30，合并閾值（ML）為95時能最好分割地出各地物的邊緣特征。不同閾值下影像分割效果如圖5所示。

3.2 分類精度評價結果

遙感影像分類完成后，要對其分類結果使用混淆矩陣法進行精度的驗證與評價，得到以下結果。

根據分類精度統計結果，SVM分類方法精度最高（見表4），總體精度為68.52%，Kappa系數為0.62，RF的分類方法次之，KNN精度最低，僅有59.41%。在類別劃分中，水體的分類效果在四種分類方法都是制圖精度最高，三種方法的制圖經度均高達99.08%;其次是闊葉類、針闊混交和非林地，制圖精度最高的方法分別是SVM、RF和SVM，制圖精度分別為82.86%，81.84%和73.61%，制圖精度最低的方法均為KNN。在具體樹種的分類中，杉木的制圖精度最高，分類精度高達80.98%，其次是柳杉的59%和馬尾松50.30%，制圖精度最低的樹種為茶園，僅有45.50%。杉木和馬尾松的制圖精度最高的方法為SVM，柳杉的制圖精度最高的方法為KNN，茶園的制圖精度最高的方法為RF。

4 結論與討論

4.1 討論

（1）影像分割是面向對象分類方法中的關鍵步驟，直接影響分類精度，其中分割參數決定了分割內的同質性、分割間的異質性以及分割大小，影像分割效果會直接影響影像后續分析處理的結果和精度[22-23]。由于地理對象的復雜性，自動獲得最優尺度參數仍然具有挑戰性和不確定性，因此大量研究均采用反復試驗、目視解譯的方法來確定最優尺度參數[24-25]。提高遙感影像分割質量，最有效的方法就是依據不同的分割影像在不同應用中的具體特點，同時結合有效的分割質量評價方法確定最優分割尺度，因此有必要研究不同分割尺度參數分割不同遙感影像的效果和自動化確定合適的分割參數，定量評價尺度參數對面向對象分割和分類的影響[5]。

（2）研究中對樹種分類的三種方法中分類效果最佳的是SVM，其總體精度為68.52%，而KNN和RF的總體精度分別是是59.41%、60.29%。SVM屬于多參數分類器，能夠有效利用樣本的特征參數，進行樣本訓練得到超平面函數，根據超平面函數直接判定預測點的label;而KNN方法中只有一個參數和RF屬于無參數監督學習算法，并且樣本過少會導致基RF分類器的性能較差。在地形復雜和景觀破碎化的研究區域中，三種分類器因算法特性在具體樹種的分類上效果存在差異，總體上SVM有效的利用了研究中18個特征參數使得分類精度較高。

對比不同分類方法下不同地物類型的分類精度，水體的分類效果在4種分類方法都是精度最高，闊葉類次之，原因是水體的光譜特征明顯，與其他類別有著明顯差異，而闊葉由于面積較大，分類時可以作為樣本的點更多，使得闊葉分類精度也比較高。運用不同的分類器對杉林的分類精度變化較小，是具體樹種類別里分類效果最佳，主要原因可能是所在研究地區杉木人工林面積較大，分布較為集中，使得不同的杉木林之間的光譜特征值相差較小，容易提取。對于馬尾松、柳杉、闊葉、茶園，不同的分類器的分類結果差別較大，主要原因是在于這四類樹木的分布較為破碎，個體之間差異較大。尤其是茶園，雖然小范圍內分布較為集中，但受人為干擾較大，且茶葉本身屬于闊葉灌木，這也使得分類效果較差。

（3）相比較其他研究，本研究分類總體精度適中。例如在南京的中山陵園風景區使用最大似然分類器對5種綠化樹種的分類總體精度為66%[26]，在福州大學旗山北校使用34個特征對7種城市綠化喬木樹種進行分類時精度達到74.95%[27]，在常熟市國營虞山林場利用全部特征變量進行4個典型樹種分類時，總體精度為64.6%[28]，在福建省三明市將樂林場使用Quick Bird高空間分辨率遙感影像進行面向對象分類，采用KNN和SVM分類方法的分類總精度分別為79.67%和83.33%[29]。

以上的研究中區域平坦，群落相對簡單，分布較為規整。本研究三種方法整體精度一般的原因可能在于地形復雜且景觀破碎化，高山地形造成陰坡和陽坡、溝壑和山脊間的光照差距大。陰坡和溝壑間的森林樹種反射的能量低，甚至出現異常值，這給遙感影像的分類產生誤差。因此需要我們進一步地研究以減少因地形復雜造成的陰影干擾，以減弱同物異譜、同譜異物現象。

一般可采用更高空間分辨率的亞米級遙感影像，增強地物的光譜特征和形狀特征以提高分類精度;中低分辨率遙感數據分類精度不高的原因是其像元對應的地面面積較大，像元光譜大多是像元內不同地物的混合光譜。使用多源數據協同進行樹種分類以減少同物異譜和異物同譜現象;魏晶昱等研究發現多光譜Landsat 8 OLI與高空間分辨率Quick Bird遙感影像協同進行面向對象分類精度比單獨使用Quick Bird可以提高6%[34]。采用時間序列影像，時間序列影像能夠反映植被的物候信息，減弱地形帶來的影響，有助于大幅度提高植被聚類精度[30]。

4.2 結論

本文以竹山縣九華山林場為研究區域，在實地調查和二類調查的基礎上，以GF-2多光譜影像為基礎，將研究區域地類分類層次確定為8類，即水體、非林地、馬尾松、杉木、柳杉、闊葉類、針闊混交、茶園。采用面向對象的分類方法，對研究區域的影像進行分割，反復調整，并找到了最佳的分割尺度：分割閾值為30，合并閾值為95。在此基礎上，采用SVM、KNN、RF三種分類器分別進行分類。發現基于樣本下的SVM分類效果最好，總體精度為68.52%，Kappa系數為0.62。而具體到不同類別而言，水體、闊葉類和針闊混交的分類效果相對較好，而對于柳杉、茶園而言，不同的分類方法其結果差別較大，這表明對于具體到樹種的類別而言，分類效果一般。研究發現對于面向對象而言的空間特征，由于研究區域和森林結構的過于復雜破碎，僅僅通過光譜紋理特征等特征對于森林類型精確劃分幫助有限。總體而言GF-2號數據可以滿足正常的分類需求，但在復雜地形的景觀破碎化地區進行樹種的精細分類還存在一定的局限性，需要額外增加其他分類指標以提高精度。

參 考 文 獻

[1]李曉紅，陳爾學，李增元，等.綜合應用多源遙感數據的面向對象土地覆蓋分類方法[J].林業科學，2018，54（02）：68-80.

[2]劉魯霞，龐勇，任海保，等.基于高分2號遙感數據估測中亞熱帶天然林木本植物物種多樣性[J].林業科學，2019，55（02）：61-74.

[3]王懷警.森林類型高光譜遙感分類研究[D].中國林業科學研究院，2018.

[4]Johansen K，Arroyo L A，Phinn S，et al.Comparison of Geo-Object Based and Pixel-Based Change Detection of Riparian Environments using High Spatial Resolution Multi-Spectral Imagery[J].Photogrammetric Engineering & Remote Sensing，2010，76（2）：123-136.

[5]毛學剛，陳文曲，魏晶昱，等.分割尺度對面向對象樹種分類的影響及評價[J].林業科學，2017，53（12）：73-83.

[6]Hossain S M Y，Caspersen J P.In-situ measurement of twig dieback and regrowth in mature Acer saccharum trees[J].Forest Ecology & Management，2012，270（none）：0-188.

[7]Mutanga O，Adam E，Cho M A.High density biomass estimation for wetland vegetation using WorldView-2 imagery and random forest regression algorithm[J].International Journal of Applied Earth Observation and Geoinformation，2012，18（none）：0-406.

[8]馬浩然，趙天忠，曾怡.面向對象的最優分割尺度下多層次森林植被分類[J].東北林業大學學報，2014（9）：52-57.

[9]孫曉艷，杜華強，韓凝，等.面向對象多尺度分割的SPOT5影像毛竹林專題信息提取[J].林業科學，2013，49（10）：80-87.

[10]陳啟浩.面向對象的多源遙感數據分類技術研究與實現[D].中國地質大學，2007.

[11]M.F rster，B.Kleinschmit.Object-based classification of QuickBird data using ancillary information for the detection of forest types and NATURA 2000 habitats[J].2008：275-290.

[12]Reddy S，Research Assistant，Truax D D，et al.Comparing spectral and object based multispectral imagery[J].2004.

[13]Frohn R，NavenduChaudhary.Multi-scale Image Segmentation and Object-Oriented Processing for Land Cover Classification[J].Giscience & Remote Sensing，2008，45（4）：377-391.

[14]Pham L T H，Brabyn L，Ashraf S.Combining QuickBird，LiDAR，and GIS topography indices to identify a single native tree species in a complex landscape using an object-based classification approach[J].International Journal of Applied Earth Observations & Geoinformation，2016，50：187-197.

[15]張雨果，王飛，孫文義，等.基于面向對象的SPOT衛星影像梯田信息提取研究[J].水土保持研究，2016，23（6）：345-351.

[16]李春干.面向對象的遙感圖像森林分類研究與應用[M].北京：中國林業出版社，2009.

[17]裴歡，孫天嬌，王曉妍.基于Landsat 8 OLI影像紋理特征的面向對象土地利用/覆蓋分類[J].農業工程學報，2018，34（02）：248-255.

[18]Alimjan G，Sun T，Liang Y，et al.A New Technique for Remote Sensing Image Classification Based on Combinatorial Algorithm of SVM and KNN[J].International Journal of Pattern Recognition and Artificial Intelligence，2017：1859012.

[19]李楠，朱秀芳，潘耀忠，等.人工蜂群算法優化的SVM遙感影像分類[J].遙感學報，2018，22（4）：29-39.

[20]胡玉福，鄧良基，匡先輝，等.基于紋理特征的高分辨率遙感圖像土地利用分類研究[J].地理與地理信息科學，2011，27（5）：42-45.

[21]Breiman L.Random Forests[J].Machine Learning，2001，45（1）：5-32.

[22]Dorren L K A，Maier B，Seijmonsbergen A C .Improved Landsat-based forest mapping in steep mountainous terrain using object-based classification[J].Forest Ecology and Management，2003，183（1-3）：0-46.

[23]Kim M，Madden M，Warner T.2008.Estimation of optimal image object size for the segmentation of forest stands with multispectral IKONOS imagery.Object-Based Image Analysis. Berlin：Springer.

[24]馬浩然.基于多層次分割的遙感影像面向對象森林分類[D].北京林業大學，2014.

[25]李偉濤.高分辨率遙感森林植被分類提取研究[D].北京林業大學，2016.

[26]王妮，彭世揆，李明詩.基于樹種分類的高分辨率遙感數據紋理特征分析[J].浙江農林大學學報，2012，29（2）：210-217.

[27]溫小樂，鐘奧，胡秀娟.基于隨機森林特征選擇的城市綠化喬木樹種分類[J].地球信息科學學報，2018，20（12）：1777-1786.

[28]申鑫，曹林，徐婷，等.基于高分辨率與高光譜遙感影像的北亞熱帶馬尾松及次生落葉樹種的分類[J].植物生態學報，2015，39（12）：1125-1135.

[29]魏晶昱，毛學剛，方本煜，等.基于Landsat 8 OLI輔助的亞米級遙感影像樹種識別[J].北京林業大學學報，2016，38（11）：23-33.

[30]徐佳棟.基于時間序列GF-1遙感影像林分類型的分類研究[D].東北林業大學，2017.

（責任編輯：唐 嵐）