基于GF-2影像對恰西國家森林公園的遙感分類

師玉霞，王振錫，楊勇強，連 玲，高亞利

(新疆農業大學林學與園藝學院，烏魯木齊 830052)

0 引 言

【研究意義】森林是人類生活與發展的重要物質根底，也是經濟發展不可或缺的自然資源[1]。森林資源調查是了解森林植被覆蓋現狀、指導和評價森林管理活動的重要手段。傳統調查方式調查難度大，周期長。應用高分辨率遙感影像為森林調查帶來了便利。選用的GF-2數據信息豐富，真實反映了地物現狀，有利于圖像的多尺度分割和地物信息分類。確定每種地物最優尺度是進行地物分類的基礎，其結果的好壞與地物分類的準確度息息相關[2]。由于基于像素的高分辨率遙感影像進行地物分類時經常會出現較為嚴重的“椒鹽”現象[3]，以若干同質像素集合為對象的面向對象分類法得到了廣泛應用，并取得了較好的分類結果。選取一種分類效果最佳的方法，為恰西國家森林公園天山云杉林進行遙感分類，對該區域的林地資源調查、動態監測平價有重要意義?！厩叭搜芯窟M展】路春燕等[4]應用面向對象的分類方法,獲得了泉州灣河口濕地分布數據；林祥國等[5]應用面向對象法,對高分辨率影像中建筑物的進行提取，并取得了不錯的分類結果。近年來,應用面向對象分類法對地物信息分類的研究很多，其中簡單又經典的最鄰近法和決策樹法較為普遍。蘇簪鈾等[6]用最鄰近分類法,逐級分割提取了植被分布信息；高閃閃等[7]結合光譜信息和紋理信息,對市區植被進行最鄰近分類研究；呂利利等[8]使用決策樹的方法提取研究區的沙化信息并進行模型構建，分類結果較好；韓婷婷等[9]對研究區的植被分類選用2種方法進行對比，表明決策樹法取得的結果更優?！颈狙芯壳腥朦c】有研究表明閾值分類是一種分類精度較高的方法[10]。研究基于GF-2影像對新疆伊犁恰西國家森林公園進行遙感分類。【擬解決的關鍵問題】以 GF-2 遙感影像為數據源，以新疆天山西部國有林管理局鞏留分局恰西天山云杉(PiceaSchrenkiana)林為研究對象，確定各種地物的最優尺度分割，并在此基礎上建立不同地物類型的分類規則集，采用3種不同的分類法，對該區域的天山云杉林進行遙感分類，選取一種適合的分類方法，為林地分類研究提供技術參考。

1 材料與方法

1.1 材 料

1.1.1 遙感數據

研究區位于伊犁鞏留縣恰西國家森林公園，屬于新疆天山西部國有林管理局鞏留分局管轄，地理坐標為42°56′～43°22′ N，82°23′～82°53′ E，平均海拔約為1 500 m，面積約10 km2，山谷全長13 km。公園內有植物1 000多余種，野生中藥材200多余種，森林覆蓋率達17%。恰西地貌獨特，氣候適宜，自然條件優越，是國家級自然保護區，主要喬木為天山云杉，主要草本有新疆阿魏(Ferulasinkiangensis)、直立老鸛草(Geraniumrectum)、新疆遠志(Polygalahybrida)、新疆枸杞(Lyciumdasystemum)等。

遙感數據來自于新疆衛星應用工程中心，選取2018年9月新疆天山西部國有林管理局鞏留分局恰西國家森林公園天山云杉林的GF-2(分辨率1 m)遙感影像為數據源。GF-2影像數據是我國研制的分辨率優于1 m的首顆光學遙感衛星[11]。在遙感數據獲取時，會受到大氣、地形、傳感器本身等因素的影響，為影像分類識別精細準確，需對遙感數據進行預處理。用ENVI5.1進行輻射定標、大氣校正、幾何校正，意在消除地物變形、大氣影響、地形干擾等因素對后期影像分類的影響，其次對分辨率為1 m全色數據和分辨率為4 m多光譜數據進行圖像融合，最后對研究區域進行裁剪。

1.1.2 野外數據

外業試驗數據由2018年6月下旬～8月下旬調查的120個30 m×30 m的標準樣地數據組成。每個樣地的主要調查內容包括樣地類型、海拔、坡度、坡向和郁閉度，高于1.3 m的所有喬木樹種的樹高和胸徑。矢量數據是在ArcGIS軟件中將標定的矢量點所在的分割對象根據實地調查的類別賦予相對應的分類名稱，并將其轉變成樣本得過程。研究中矢量數據的選取采用野外實地調查樣本點和根據影像目視解譯選取樣本點2種方法相結合，根據分類類別在 ArcGIS 中逐一選取樣本點80個。

圖1 矢量樣本點選取Fig.1 Selection of Vector Sample Points

1.1.3 特征值

對于分層分類來說，特征值的選取將會影響到最后分類結果的優良差。通過對研究區數據的特征因子進行試驗分析，確定每一層分類的對象特征值。采用主要特征因子包括光譜特征和HIS變換值。光譜特征包括每個波段的均值、方差和亮度等，主要由組成地物的成分和影像成像結果所決定的；HIS分別代表色調(H)、亮度(I)以及飽和度(S)，H用于分辨色彩差別較為明顯的區域，I用于辨別較為明亮的地物，S用于區別純潔度較高的彩色影像地物。用HIS主要區別顏色差異較為明顯的地物類別。水體和其他地物可以用H、I較好的區分。

1.2 方 法

1.2.1 最優尺度分割

多尺度分割(Multiresolution Segmentation)是用來不斷地兼并像元或現有的影像對象，在保證每一個分割對象之間平均異質性最小、同質性最大的前提下，對相鄰的或小的對象進行兼并[12-14]。其中最優尺度的確定是用ESP尺度評價工具，該方法是2010年由Dragut L.等[15]提出的分割尺度計算法。其原理是根據每種地物的異質性建立局部方差，對影像在多尺度范圍中實行各層的局部方差，局部方差與分割尺度呈現正相關的關系。局部方差的閾值變化率(Rate of Change，ROC)是對每一層地物根據影像數據的屬性進行計算，確定最優的分割尺度參數，計算公式為：

式中：Li+1為第i+1層對象的平均標準差，Li為第i層中對象的平均標準差。當ROC在峰值時，此時的分割尺度是最優分割尺度[16]。

1.2.2 分類

最鄰近分類方法(Nearest Neighbor Classification)是較為普遍使用的方法，其操作方便易學，且目前的使用范圍最廣。主要通過計算未分類對象與已經確定類別的對象之間的距離進行分類，將距離最近的樣本定義為同一種類別。但當分類信息過多時，會出現分類效率低且精度不高的情況。

結合矢量數據的分類是研究中采用的第2種分類方法。它是以面向對象分類為基礎，對影像實行自動分類法，其分類自動化程度高，可以有效的減少人為因素所造成的主觀性誤差，也可以提高各種地物分類的精度[17-18]。結合矢量數據分類是根據矢量數據具備的類別屬性，利用一定算法進行分類。該方法最重要的為矢量樣本點選擇，其選擇和建立的精確程度直接決定了分類的精度。

閾值法分類是根據影像的光譜信息，分析每一種地物在不同波段的閾值范圍，是目前分類研究中精度評價較高，且結果更接近于研究地物的一種方法。分層分類主要是根據目標對象特點的統計分析確定每一種地物在各個波段的特征值，并建立分類規則集，達到每種地物分類效果最優的狀態。研究中使用的對象特征值主要包括光譜特征和HIS變換值進行多層分類。

最鄰近分類和結合矢量數據分類法，分別按照每種地物的最優尺度進行分割，每一層分類結合對象特征因子光譜特征和HIS變換值對其進行分類，閾值分類是在最優尺度的基礎上，通過每種地物的特點和特征值來描述目標對象，并根據每種地物的特征來建立規則集，最終達到不同層次的最優分類結果的目的。其中水體和道路的顏色與其他分類對象不同，HIS變換值是體現顏色差異的特征，可以用H、I將水體和道路提取出來；其他用地包括裸地和建筑物，具有較高的反射率，異質性較強，顏色均一，可用Brightness和Mean_layer將其提取出來；林地和草地的影像顏色存在差異，用Mean_layer并結合I和S將兩者區分。

1.2.3 精度評價

精度評估分為4種，研究采用的是較為常用的基于樣本的誤差矩陣的方法。該評價方法是以分割對象為基礎選擇樣本，并比較指定樣本類別和分類后的對象面積以獲得誤差矩陣[19]。根據每種地物的最優分割尺度，對影像進行分層次的3種不同分類方法進行試驗，并對結果實行精度評價，研究中的精度評價樣本點有40個。分類后的精度評價結果分3部分，混淆矩陣結果反映每一類別樣本數量情況；單一類別精度反映應每一類別的評價結果；總體精度反映的是裁剪的整個遙感數據對研究區的分類精度進行評估。其公式為：

公式中：N是總數；pij是分類正確的數量；ppi和pli分別為其中一類所在列和行的總數。有研究認為[20-21]。表1

表1 Kappa統計值與分類質量關系Table 1 The relationship between Kappa coefficient and classification quality

1.2.4 分類系統

根據遙感影像的數據特點和研究區域所包含的土地類型，并根據文獻[22]，將研究區域的土地類型總共分為5大類：林地、草地、道路交通、水體、其他用地。由于研究區域內的主要樹種天山云杉占整個研究區的90%以上，對林地不作細分，研究區域內的住宅、裸地的光譜信息相近，都歸為其他用地。

2 結果與分析

2.1 最優分割尺度

研究表明,最優尺度的范圍在200～400 ，采用目視判別和實地調查相結合的方法，當尺度參數小于200時，各類地物對象過于破碎，且生成的分類對象與實體相似的程度較?。划敵叨葏荡笥?00 時，生成的對象面積過大。采用ESP尺度評價工具首先將 GF-2 多光譜數據導入ESP 算法中，設定形狀權值為0.1，緊致度權值為0.5，得到研究區目標地物的最優分割尺度，最優分割尺度可能為216、230、246、274、296、316、330、346、358、372、386和390。圖2

圖2 ESP尺度分割評價Fig.2 ESP scale segmentation evaluation chart

將可能為最優尺度的值進行試驗，結合目視解譯的方法和通過設定形狀權值和緊致度權值確定出每一種地物的最優尺度。研究表明，由于水體和道路的形狀為條形，受形狀因素較多，因此，設定水體和道路的形狀權值較高。水體、道路、其他、林地和草地的最優分割尺度分別為390(0.7，0.5)、372(0.8，0.6)、316(0.3，0.6)、296(0.5，0.6)和246(0.6,0.4)，其中由于水體和道路的形狀為條形，受形狀因素較多，因此設定水體和道路的形狀權值較高；草地在研究區內分布較為零散，其緊致度權值較低。表2

表2 多層次分割參數Table 2 Scale parameters of the multi-level segmentation

2.2 分類

研究表明,在進行最鄰近法分類時需要選擇不同地物的樣本對象，再利用一定算法進行分類。在最鄰近分類中，由于其他用地和草地的光譜信息相似，易將兩者混淆，導致大多數其他用地被分為草地；在結合矢量數據的方法中，由于林地中的陰影部分以及道路的光譜信息相近，使林地與道路的分類精度較低。圖3，圖4

圖3 最鄰近分類效果Fig.3 The nearest classification map

圖4 結合矢量數據分類Fig.4 Cart classifier classification chart combined with vector data

研究表明,閾值分類是根據每種地物的特征因子設置不同的對象特征值，有效提高了分類精度。相較于最鄰近分類和結合矢量數據分類結果顯示，該方法結果精度較其更高，且分類效果更符合真實地物，有效避免了漏分錯分的狀況。表3，圖5

表3 閾值分類的分類規則Table 3 Classification rules of threshold classification

圖5 多層次分類Fig.5 The result of multi-level classification

2.3 分類精度

研究表明,研究選取的3種分類方法的 Kappa 系數和總體精度的值分別為0.760 7、0.782 0、0.840 6和0.814 8、0.830 5、0.876 5。

3種分類方法的值均在0.6～1.0，其分類質量顯示為“較好”。3種方法都能達到較好的效果，最后1種分類法的結果最好。表4

表4 3種分類方法總體精度對比Table 4 Comparison of overall accuracy for three classification methods

3 討 論

3.1 對于最優尺度的確定，是研究中進行地物分類的基礎。在影像進行分割試驗時，經過反復的試驗雖然能得到較好的效果，但在設定分割尺度的差距較小時，其效率不高，較耗時[23]。使用ESP 尺度評價工具進行研究，并取得了很好的分割結果。這與任金剛等[24]獲取最優分割尺度的效果一致，在分類中也得到了理想的分類結果。研究提出的最優尺度分割方法是可行的，對于該文中提出的3種分類方法的研究有很大的意義。

3.2 對于地物分類選取的方法，目前對地物信息分類的研究已取得了很大的成功[25-26]。利用矢量數據來選取樣本，矢量數據是通過人工實地調查樣本和目視解譯相結合選取的樣本，相較于僅僅只用目視解譯的方法選取樣本，具有客觀可靠性，更值得信賴。研究中地物分類的方法主要是最鄰近法、結合矢量數據法以及閾值分類法，經過研究表明，第3種方法優于其他2種。此結論與馬浩然等[27]選擇的分類方法結論一致，閾值分類方法實用性、可靠性更強。

3.3 對于精度評估，是判別每一種地物分類結果優良差的標準。研究中采用的是較常用的基于樣本的誤差矩陣的方法。其中最能體現分類效果的2個值是Kappa系數和總體分類精度，可以較好地反映整個影像的分類精度結果，最終得到的評價結果具有代表性。有研究者也使用了該種精度評價方法，并得到了很理想的結果[28-30]，研究得到的結論與之相似。但在研究過程中發現林地與道路的光譜信息相似，可能是天然林結構復雜，種類繁多，光譜信息多變，因此，在今后的研究中，可加入更多對象特征因子的遙感影像進行探討。

4 結 論

利用ESP 尺度評價工具進行尺度分割，最終確定了水體、道路、其他用地、林地和草地最優分割尺度分別為：390、372、316、296、246。選取閾值分類法的Kappa系數(0.840 6)和總體精度(0.876 2)最高，選用該分類法能夠有效地提高地物分類精度，且分類結果更接近真實地物，國產GF-2遙感數據在林業行業具有應用前景。