基于包絡線去除法的森林樹種及樹種組分類

張 樂 ，王志輝，徐惠軍，丁麗霞，李 東，金 偉，張 峰

（1.浙江遠卓科技有限公司，浙江 杭州 310012；2.浙江農林大學 浙江省森林生態系統碳循環與固碳減排重點實驗室，浙江 杭州 311300；3.浙江農林大學 省部共建亞熱帶森林培育國家重點實驗室，浙江 杭州 311300；4.湖州市自然資源和規劃局，浙江 湖州 313000；5.浙江省森林資源監測中心，浙江 杭州 310020）

樹種分類是森林資源管理中重要的組成部分，對科學研究和實際生產應用都有著十分重要的意義。傳統的實地調查既消耗大量的時間、人力、物力和財力，又無法提供整個區域的樹種分類信息。隨著航空航天技術、傳感器技術和圖像處理技術的飛速發展，遙感圖像在森林資源調查方面得到了廣泛的應用，同時，利用高分辨率的衛星影像或大比例尺數字航片對樹種進行分類的技術，也日益成熟。目前應用較廣泛的寬譜段遙感數據由于空間和光譜分辨率均較低，難以獲得精確的樹種分類結果，而高光譜數據波譜范圍更窄，能準確探測到具有細微光譜差異的各種地物類型，并借助紋理等特征分析，識別光譜相似樹種[1]。高光譜遙感的出現和發展，克服了傳統遙感技術無法實現對森林植被精細類型分類的缺點，如森林樹種分類等[2]。基于高光譜遙感森林樹種分類的關鍵是高光譜識別技術，已經廣泛地應用于森林樹種識別及森林制圖，其識別分類效果比常規遙感有了顯著的提高。陳工等人選取Quickbird，Landsat 8，數字高程模型（DEM）等多源遙感數據，利用決策樹加面向對象的分類方法提取桉樹Eucalyptusspp.林[3]。然而，多數研究是建立在較理想的條件下進行的，同時由于數據處理算法的多樣化，目前還沒有普遍使用且行之有效的應用于森林樹種分類的算法[4]。本文對高光譜遙感圖像像元亮度值進行了處理分析，從而提高了森林樹種及樹種組分類的精確度。然而，高光譜遙感技術在為樹種的精細識別帶來可能性的同時，也帶來了數據冗余度大的問題。怎樣在高光譜數據信息利用最大化的基礎上，高效處理高光譜數據成為高光譜研究領域的焦點和未來發展的重要方向[5]。

本文首先使用包絡線去除法對有林地高光譜遙感圖像數據進行處理，增強像元亮度值的差異，然后選擇差異性較大的特征波段進行組合降維，最后使用監督分類中的最大似然法對所選取的波段組合圖像進行分類。分類訓練采用野外實地調查的樣地（分類的森林樹種及樹種組樣地）作為訓練樣本，從而對毛竹Phyllostachys edulis，雷竹Ph.violascens‘Prevernalis’，水竹Ph.heteroclada，杉木Cunninghamia lanceolata，馬尾松Pinus massoniana5個森林樹種，常綠闊葉樹（冬青Ilex chinensis，青岡Quercus glauca，石楠Photinia serrulata，茶Camellia sinensis）和落葉闊葉樹（山核桃Carya cathayensis，栗Castanea mollissima，白櫟Quercus fabri，楓香樹QLiquidambar formosana，桑Morus alba，桃Amygdalus persica）2個樹種組分類。本文使用包絡線去除法把5個森林樹種及2個樹種組有效地區分出來，以期為利用高光譜遙感圖像數據進行特征提取和降維及分類提供理論支撐與參考，也可應用于林業調查、林地變更調查、各類樹種及樹種組分類等領域。

圖1 研究區域Figure 1 Study area

1 數據與方法

1.1 研究區概況及數據處理

研究區域位于杭州市臨安區高虹鎮、余杭區百丈鎮和鸕鳥鎮，安吉縣山川鄉和天荒坪鎮交界處，地理坐標為119°36′40″～ 119°44′49″ E，30°23′40″～ 30°28′33″ N，以中低山丘陵為主，地勢平坦，地處浙江省西北部、中亞熱帶季風氣候區南緣，屬季風型氣候，溫暖濕潤、光照充足、雨量充沛、四季分明，為中苕溪主要支流，屬長江水系（見圖1）。

Hyperion影像是世界范圍內第一個民用的全波譜范圍連續成像的星載高光譜影像數據源，在356～ 2 577 nm范圍內共有242個波段，波段寬度約為10 nm，空間分辨率為30 m。在分類之前，對研究區域的Hyperion遙感圖像進行了預處理，首先，從原始圖像242個波段中篩選出不包含壞波段且信息量相對較多的126個波段（見表1），而后，對其進行輻射校正和大氣校正等預處理，經過預處理后的高光譜遙感圖像見圖2。由于研究區域森林覆蓋率較高，非林地所占比例雖小，但對圖像的分類卻有影響。另外，有林地與非林地之間的像元亮度值差異也較大，故本文首先使用基于變換的主成分分析法對原始高光譜遙感圖像降維，后利用傳統的監督分類方法從原始分類圖像中把居民點、農地和水體等非林地去除，即得到有林地高光譜遙感圖像數據，圖3內白色部分是去除的非林地區域。

表1 波段一覽表Table 1 List of bands

1.2 分類訓練樣本獲取

本文根據森林樹種的實際情況，將需分類的樹種確定為毛竹、雷竹、水竹、杉木、馬尾松5個森林樹種及常綠闊葉樹和落葉闊葉樹2個樹種組。每個森林樹種或樹種組選擇30個以上樣地，共計260個樣地，每個樣地調查面積均大于5 000 m2，即遙感圖為5個像元以上。野外實地調查時，使用手持GPS沿著每個樣地走一圈得到樣地范圍與位置。利用ArcGIS軟件對調查的樣地進行投影定義、轉換等處理，與遙感圖像坐標匹配，以便用作分類訓練樣本及像元亮度值提取。

圖2 研究區示意圖Figure 2 Image of pre-processing hyperspectral remote sensing

圖3 有林地示意圖Figure 3 Image after dimensionality reduction

1.3 像元亮度值提取

根據野外實地調查的樣地位置，利用ERDAS IMAGINE軟件與分類訓練樣本從有林地高光譜遙感圖像（見圖3）中提取毛竹、雷竹、水竹、杉木、馬尾松5個森林樹種及常綠闊葉樹和落葉闊葉樹2個樹種組的像元亮度值，提取的像元亮度值數量最多的是毛竹，有6 569個，最少的是雷竹，有4 086個。將每個森林樹種及樹種組的像元亮度值進行平均，即得到每個森林樹種及樹種組的像元亮度值（見圖5）。

1.4 方法

在光譜曲線相似的情況下，直接從中提取光譜特征不便于計算，需要對光譜曲線做進一步處理，以突出光譜的吸收特征。包絡線去除法（continuum removal）是一種有效增強感興趣吸收特征的光譜分析方法[6]，它可以有效突出光譜曲線的吸收和反射特征，并將反射率歸一化為0～ 1.0，光譜的吸收特征也歸一化到一致的光譜背景上，有利于與其他光譜曲線進行特征數值的比較，從而提取特征波段以供分類識別[7]。“包絡線”通常定義為逐點直線連接光譜曲線上那些凸出的峰值點，并使折線在峰值點上的外角大于180°。以原始光譜曲線上的值除以包絡線上對應的值，即為光譜去包絡，其計算方法如公式（1）和公式（2）。

式中，λj是第j波段；CRj是波段j的包絡線去除值；Rj是波段j的原始光譜像元亮度值；Rstart，Rend是在吸收曲線里的起始點和末端點的原始光譜像元亮度值；λstart，λend，是在吸收曲線里的起始點波長和末端點波長；K是在吸收曲線里起始點波段和末端點波段之間的斜率。

光譜曲線的包絡線從直觀上來看，相當于光譜曲線的“外殼”（見圖4，以馬尾松為例），因為實際的光譜曲線由離散的樣點組成，所以用連續的折線段來近似表示光譜曲線的包絡線[8]。

2 結果與分析

2.1 原始圖像像元亮度值

從圖5中可以看出，森林樹種及樹種組像元亮度值曲線形狀具有相似性，但在一些波段中也存在著差別，而這些差別正反映了它們像元亮度值特性的不同。從中選擇10個差異性比較顯著的特征波段，分別為32，36，42，46，59，70，77，93，107，120波段，后使用這些差異性較大的特征波段進行組合降維，從而進行森林樹種及樹種組分類。

2.2 包絡線去除像元亮度值

使用包絡線去除法對分類森林樹種（毛竹、雷竹、水竹、杉木、馬尾松）及樹種組（常綠闊葉樹和落葉闊葉樹）的像元亮度值進行去包絡（見圖6），之后選擇差異性較大的特征波段（即包絡線去除曲線的波谷處）進行組合，共計9個特征波段，分別為4，22，36，46，55，60，77，107，124波段。從圖中可以看出，包絡線去除像元亮度值曲線有5個差異性比較大的特征波段，分別為4，22，60，77，107波段，其他36，46，55，124四個波段之間差異較小。由此可知，這些差異性顯著的特征波段都可用于森林樹種及樹種組分類。

圖4 馬尾松的原始光譜和包絡線曲線圖Figure 4 Original spectra and envelope curve of P.massoniana

圖5 森林樹種及樹種組原始圖像像元亮度值曲線圖Figure 5 Curves of pixel brightness value in the original image of tree species and group

圖6 森林樹種及樹種組包絡線去除像元亮度值曲線圖Figure 6 Envelope removal curve of pixel brightness valuein the original image of tree species and group

3 森林樹種及樹種組分類

根據上文原始圖像像元亮度值、包絡線去除像元亮度值所選取的差異性特征波段進行波段組合，從而使用監督分類中的最大似然法對所選取的波段組合圖像進行分類，分類訓練樣本采用野外實地調查的訓練樣本。由于分類結果比較零碎，故本文采用圖像的鄰域分析技術，設置3×3窗口的領域范圍（聚類統計領域大小為8）和多數值分析函數計算領域中心像元的值，從而得到斑塊較整齊的分類結果專題圖（見圖7，圖8）。

圖7 原始圖像分類圖Figure 7 Classification of original image

圖8 包絡線去除分類圖Figure 8 Classification by envelope removal

4 分類結果精度評價及分析比較

為檢驗原始圖像與包絡線去除法的分類效果，本文使用位置精度評價對其分類結果圖進行了精度評價及分析比較，其分類樹種及樹種組的不同方法計算的生產精度、用戶精度、Kappa系數及總體分類精度與總體Kappa系數（見表2）。

表2 兩種波段選擇法分類圖的生產精度、用戶精度、Kappa系數、總體分類精度與總體Kappa系數Table 2 Production accuracy,user accuracy,Kappa coefficient,total classification accuracy and total Kappa coefficient of the original image and with envelop removal

從表2可知，包絡線去除法所選取的特征波段各類指標值都比原始圖像分類結果高，其總體分類精度與總體Kappa系數分別為90.5%與0.86；而原始圖像分類的總體分類精度與總體Kappa系數分別為80.2%與0.78。由此可知，包絡線去除法所選取的特征波段都能有效地把毛竹、雷竹、水竹、杉木、馬尾松、常綠闊葉樹和落葉闊葉樹5個森林樹種及2個樹種組區分出來。

5 結論與討論

本文使用傳統監督分類中的最大似然法對原始光譜與包絡線去除法所選取的特征波段組合圖進行分類，從分類的結果來看，包絡線去除法總體分類精度與總體Kappa系數分別為90.5%和0.86；而原始圖像總體分類精度為80.2%，總體Kappa系數為0.78。研究結果表明，包絡線去除法的總體分類精度與總體Kappa系數都比原始圖像高，由此可知，包絡線去除法能夠有效地把毛竹、雷竹、水竹、杉木、馬尾松5個森林樹種，常綠闊葉樹和落葉闊葉樹2個樹種組區分出來。

與多光譜遙感圖像進行森林樹種及樹種組識別相比，高光譜遙感圖像能夠使得森林樹種及樹種組識別精度有所提高。高光譜遙感圖像不僅包含高分辨率的光譜信息，同時還具有一定的空間信息（紋理信息、數學形態學信息等），綜合利用這些光譜特征和空間特征能夠提高分類精度，但是過多的特征會造成數據冗余和計算量的增加。因此，在分類之前，有必要在不損失有用信息的前提下提取光譜特征進行降維從而提高分類精度。

高光譜遙感圖像特征提取和分類是圖像處理領域中一個實際存在且具有挑戰性的問題，其光譜分辨率很高，一般波段寬度小于10 nm，在林業的定量監測與分析方面具有很大的潛力。目前對森林樹種及樹種組分類識別的方法較為普遍，而且分類效果差，本文對高光譜遙感圖像像元亮度值進行處理，增強像元亮度值的差異，選擇差異性較大的特征波段進行組合降維，從而提高森林樹種及樹種組分類的精確度。本文的研究結果將為利用高光譜遙感圖像數據進行特征提取和降維及分類提供理論支撐與參考，也可應用于林業調查、林地變更調查、各類樹種及樹種組分類等領域。