基于端元提取的滇中典型森林类型识别研究

黄 田,张 超,吉一涛,余哲修,罗恒春,张 一

(西南林业大学,昆明 650224)

基于端元提取的滇中典型森林类型识别研究

黄 田,张 超,吉一涛,余哲修,罗恒春,张 一

(西南林业大学,昆明 650224)

端元波谱的选择对森林类型的识别精度和效率具有重要影响。以滇中地区典型森林植被为研究对象,基于Landsat8 OLI遥感影像数据,结合二类调查数据,在影像融合的基础上提取典型森林植被的感兴趣区,通过最小噪声分离变换及n维散点图提取滇中典型森林植被(云南松、华山松、蓝桉、柏木和栎类)的波谱曲线,利用提取出的端元波谱,采用波谱角填图法进行滇中典型森林类型的识别,采用混淆矩阵对分类结果进行精度评价；同时,与传统的森林类型分类识别端元提取方法进行了对比分析。研究结果表明:1) 基于感兴趣区端元提取的方法所得的分类结果较为理想,总体分类精度达83.46%,其中云南松84.78%、华山松96.88%、蓝桉80.60%、柏木75.00%、栎类57.69%。2) 基于几何顶点的端元提取方法通过多次端元波谱提取、波谱分析仍仅能识别云南松、华山松、蓝桉和栎类,柏木无法识别；分类精度分别为云南松89.13%、华山松84.37%、蓝桉76.12%、栎类53.13%。基于传统方法提取出的波谱近似程度较高,分类精度偏低,端元波谱不易识别。3) 基于感兴趣区的端元提取方法方便快捷、精度较高,可避免无意义端元波谱对分类结果的混淆,能有效解决端元波谱无法识别的技术难题。

端元提取;光谱角填图;森林类型;遥感图像分类;滇中地区

传统的森林资源调查受人为干扰影响较大,费时、费力[1]。采用遥感手段识别和提取森林资源的相关信息,能够为森林资源有效保护和合理利用提供及时、准确的基础数据[2]。近年来,在林业遥感领域进行森林类型的遥感分类中,基于端元波谱提取的方法已有较多探讨和研究[3]。在遥感图像上提取端元,通过分析植被的光谱特征对植被进行分类识别已成为研究热点[4-6]。目前,国内外已初步形成了半自动、全自动的端元提取算法,较为成熟的算法有纯像元指数法[7]、几何顶点法等。传统的端元提取方法,如纯净像元指数法、几何顶点提取法、最大角凸锥[8-10]算法等均可从图像中提取端元波谱以及丰度信息,提供了快捷方便、自动化的端元波谱提取方法[11]。但是,提取出的端元近似程度高,分类精度偏低[12]，同时,准确识别提取出的端元波谱一直是亟待解决的科学问题,不能直接用于对地物类型的识别研究[13-14]。

森林类型/树种的遥感识别一直是林业遥感领域中的技术瓶颈,国内外学者至今未能探索出较理想的森林类型/树种分类识别的技术和方法。为了解决准确识别端元波谱的难题,提高森林类型的识别精度,基于Landsat8 OLI遥感影像数据,结合二类调查小班数据,提取研究区典型森林植被的感兴趣区；经过MNF变换在散点图上提取典型森林植被的波谱曲线；基于提取得到的典型森林植被波谱,采用SAM分类方法对典型森林植被进行识别研究,能够为今后森林类型/树种的遥感识别提供方法借鉴。

1 研究区概况

以云南省昆明市西山区为研究区,地处东经102°21′～102°45′,北纬24°41′～25°26′之间。西山地势呈西北高、东南低的特征,最高海拔2 622m,最低海拔1 731m。总面积791km2,其中山区、半山区占92%。属亚热带半湿润季风气候,年平均气温15℃左右；年平均降水量900～1 200mm,主要集中在每年5—9月；全年日照时数2 328h,蒸发量1 856mm。植被类型丰富,2015年全区森林覆盖率为58.6%,以云南松(Pinusyunnanensis)、华山松(PinusarmandiiFranch.)、蓝桉(EucalyptusglobulusLabill.)、柏木(CupressusfunebrisEndl.)和栎类(Quercusacutissima)等类型为主,因此本文遥感分类识别的对象主要为云南松、华山松、蓝桉、柏木和栎类。

2 研究方法

2.1 数据获取及其预处理

研究区遥感影像来源于行列号为p129r43的landsat8 OLI多光谱遥感影像。影像拍摄时间为2017年5月1日,影像多光谱波段空间分辨率为30m,与全色波段融合后提高到15m。所用影像获取时正处于夏季,植被生长特征明显,且拍摄时天气晴朗,区域内无云。地物清晰,有利于植被信息提取。

训练样本和检验数据来源于2015年全国森林资源二类调查数据,训练样本从西山区二调小班数据中获取,提取研究区5种典型植被云南松、华山松、蓝桉、柏木和栎类的纯林数据作为样本数据。从小班数据中随机选取272个样点作为检验数据,其中云南松54个检验点,华山松77个检验点,蓝桉67个检验点,柏木56个检验点,栎类52个检验点。

Landsat8 OLI数据为L1T级别,满足精度要求,不必再做地形校正。因此仅对影像做辐射定标和大气校正。由图1可知,通过校正,影像大致去除了大气散射引起的辐射误差影响,植被反射率恢复正常。

图1 大气校正前后植被反射率对比图

2.2 影像融合

为提高影像分辨率,分别采用了两种融合方法,即Gran-Schmidt和NNDiffuse。将Landsat8 OLI影像多光谱波段与全色波段融合,融合后影像空间分辨率提高到15m。从图2上可以看出:融合后的影像目视效果要优于原始影像,NNDiffuse融合后的影像清晰度高于Gran-Schmidt融合后的影像,从NNDiffuse融合后的影像上可以清晰地识别出水体。从光谱反射曲线细节上来看,融合处理后的影像效果比原始高光谱影像好,不同融合方法融合后的影像的光谱细节相差不大。故后续研究过程采用NNDiffuse融合影像。

图2 影像融合对比图

2.3 MNF变换

MNF(最小噪声分离)变换可以消除原始影像各波段之间的相关性并分离数据中的噪音,通常在选取端元之前先对原始影像进行空间变换。MNF转换是当前被广泛使用的一种空间变换方法。本研究即选用MNF转换方法对原始影像进行空间转换。图3是原始图像MNF变换后影像的波段信息分量分布情况。

图3 各波段信息分量

由图3可知西山区原始图像经过MNF转换后,前四波段能够涵盖整幅图像绝大部分的信息(90.38%),其中第一组分包含了64.5%的信息,第二、第三、第四波段分别包含了13.24%,7.13%,5%的信息。此外,各波段之间的相关性得到了去除,数据中的噪音得到了分离。结果表明采用MNF转换后的前4个波段来选取端元是行之有效的方法。

2.4 端元波谱提取

1) 创建感兴趣区。根据2015年全国森林资源二类调查小班数据的属性信息,分别提取出西山区5种典型植被单种植被林种类型为纯林的小班数据为样本数据,根据样本数据形成不同植被纯林的感兴趣区,基于预处理数据在MNF变换影像上结合各感兴趣区构建n维散点图,在n维散点图上获取端元波谱。

2) 构建n维散点图。应用MNF变换后影像的前4个波段来构建4维散点图,构建4维散点图与最小噪声分离变换(MNF)结果和纯林感兴趣区相结合,用于定位、识别、集聚数据集中最纯的像元,来获得纯净的端元波谱。n维散点图实质是一个n维数据到二维平面的映射。波谱被认为是n维散点图中的点,n为波段数目。n维空间中点的坐标由n个值组成,是每个波段对应的像元值。可以根据这些点在n维空间中的分布估计端元波谱数目以及它们的相应的波谱。提取波谱,并对提取到的波谱赋值横坐标为波长,纵坐标为反射率。用5种感兴趣区分别和MNF变化结果做散点图分析,重复5次选择5类纯净端元。用波谱收集器收集端元波谱。

3) 光谱角填图。光谱角制图(Spectral Angle Mapping,SAM)是通过测试像元光谱与参考光谱之间的夹角来判断光谱之间的相似程度,从而对光谱曲线进行匹配和分类,实现地物类型的判别[15]。夹角计算公式为:

(1)

式中:n为高光谱数据的波段数,Xi为测试矢量,Yi为参考矢量。

3 结果与分析

3.1 SAM分类结果及精度验证

结合上文提取出的端元波谱如图4,基于融合效果较好的NNDiffuse融合后的影像,采用光谱角填图方法进行分类。分类结果如图5。

采用常见的精度评价方法—混淆矩阵(误差矩阵)法,为n行n列的矩阵,其中n为分类的类别个数。混淆矩阵通过对比分类结果与地表真实信息进行误差分析,将分类结果的评价显示在一个矩阵中,矩阵的每一列代表一个真实类别,每列的数值代表实际像元类型在分类图中对应的类别的数目,矩阵的对角线上是像元正确的分类数目。

图4 端元波谱图

图5 SAM分类结果

根据西山区二调数据随机提取出272个验证点,形成的地表真实感兴趣区对分类结果进行评价。对分类结果做混淆矩阵显示分类结果精度,混淆矩阵结果如表1所示。

表1 研究区植被分类结果精度

由表1中可以看出,通过精度检验,Kappa系数为0.79,总体精度为83.46%,结果表明,分类精度较高。由表中统计数据可以看出,识别出的5种植被中,云南松、华山松和蓝桉3种植被的识别精度相对较高,而柏木、栎类精度相对较低。可归结为以下两点原因:

1) 端元波谱提取的误差。在选择感兴趣区时受人为主观因素的影响较大,因此选择不同的感兴趣区提取出来的端元波谱会有所偏差,会对森林植被识别精度造成一定的影响。

2) 从物种角度上来说,前3种植被是单一物种,对应一种波谱曲线,较易于提取出来,而柏木和栎类中包含了不同的植被种类,不同植被波谱曲线各不相同,基于感兴趣区提取的波谱曲线存在一定的局限性,无法代表柏木和栎类所包含的所有物种。因此精度检验的结果是合理的。

由此可以得出初步的结论:对影像数据降维做MNF变换,结合感兴趣区采用n维散点图提取植被端元,采用SAM的分类方法对植被进行识别的方法是可取的。应用感兴趣区提取端元波谱进行植被分类具有一定的可靠性,适用于中等分辨率(Landsat8)影像。

3.2 误差来源及分析

基于感兴趣区提取出端元波谱对滇中地区典型森林植被进行识别,识别出了云南松、华山松、蓝桉、柏木和栎类。总体分类精度83.46%,其中云南松84.78%、华山松96.88%、蓝桉80.60%、柏木75.00%、栎类57.69%。造成精度误差的影响因素主要有以下几个。

1) 感兴趣区选取是否科学合理。基于感兴趣区提取端元波谱识别典型森林植被,识别精度受到端元波谱选择的影响。感兴趣区的选择对端元波谱的提取有直接的作用,因此,感兴趣区选取是否科学合理直接影响了森林植被识别的精度。感兴趣区的选择在单种植被覆盖率80%～100%的纯林中进行挑选,且要求感兴趣具有一定的代表性,提取出的端元波谱才能在研究中具有普适性。感兴趣区的选择需要人为干预,受人为主观影响较大,因此在选取感兴趣区时一定要注意科学合理。

2) “同物异谱”,“异物同谱”现象的存在造成了一定的误差。相同的地物由于它的纹理、形状、分布等因素的影响,地物反射波谱曲线可能存在差异,造成了“同物异谱”的现象,这部分不同波谱曲线的相同地物无法被识别出来,常常需要结合经验和分布等特征对其进行判读。同样,不同的地物也可能具有相同的波谱曲线,导致不同地物由于波谱曲线相同被归为一类,对识别精度造成一定的影响。

3) 基于Landsat8 OLI遥感影像数据,Landsat8多光谱影像波段较少,光谱信息不全。从影像上提取端元波谱具有一定的局限性,会对森林植被识别精度造成一定的影响。空间分辨率为30m,经过融合处理后影像空间分辨率提高到15m,每个像元的面积为225m2,我们在像元尺度上进行研究,假设一个像元内只包含一种地物,对影像进行识别。但每个像元内不可避免地包含了不同的地物,存在混合像元的现象,影响了识别精度。

3.3 SAM分类方法与传统方法对比分析

为了更好地评价基于感兴趣区的端元波谱提取方法对植被分类和识别效果,通过几何顶点端元提取法与其进行对比,对其进行定性评价。

选用基于MNF变换数据降维后的影像,在n维散点图上采用几何顶点端元提取的方法,对同一幅NNDiffuse融合后的影像提取端元波谱,利用波谱分析工具识别端元波谱,采用波谱角填图分类方法进行滇中典型森林类型的识别,并对分类结果进行精度评价。

经过3次不同的波谱提取与波谱分析,应用几何顶点的端元提取方法识别出了云南松、华山松、蓝桉和栎类,柏木则无法识别。第一次提取出6种端元波谱仅识别出了云南松、蓝桉和水体,其它3种无法确定类别。识别精度分别为云南松89.13%、蓝桉76.12%。第二次重新进行端元波谱提取和分析,提取出了7种端元波谱,通过波谱分析识别出了华山松、和栎类。识别精度分别为华山松84.37%、栎类53.13%。第三次将第一次和第二次的端元波谱合并,再次进行波谱识别,识别出了云南松、华山松、蓝桉和栎类,没有识别出柏木,且13种端元波谱仅识别出了包括水体在内的物种,其他8种端元波谱无法确定其类别。对两种方法识别效果进行对比如表2所示。

表2 不同端元提取方法精度对比

对比分析可知:1) 基于感兴趣区端元提取的方法识别出了云南松、华山松、蓝桉、柏木和栎类,基于几何顶点端元提取的方法识别出了云南松、华山松、蓝桉和栎类,前一种方法识别出的森林植被类型多,而且更加准确。2) 几何顶点算法通过3次计算,3次波谱分析才识别出了4种典型森林植被,而基于感兴趣区的端元提取算法经过一次计算识别出了5种植被波谱。这说明通过感兴趣区端元提取算法可以缓解端元提取计算量大,费时费力等问题。3) 基于感兴趣区端元提取的方法相对于其他端元提取算法,比如纯净像元指数法、几何顶点提取法、最大角凸锥算法等,有效地解决了端元波谱无法确定类别的难题,避免了提取出一些无意义的端元波谱。虽然基于几何顶点的端元提取方法识别出的云南松精度略高,但是基于几何顶点的端元提取方法获得的波谱曲线数量较多,端元波谱识别困难,很多提取出来的端元波谱无法确定分类类别。

综上所述,在以后的研究工作和森林资源调查中,可以使用文中所用的方法,根据实测点的数据提取出感兴趣区,从中选择端元波谱对森林植被进行识别,可以有效地节省一定的人力物力。

4 结论与讨论

4.1 结论

1) 通过从感兴趣区提取出端元波谱,有效解决了植被识别中端元波谱识别困难的问题。

2) 有效解决了传统端元波谱提取方法近似程度高,分类精度低的问题。

3) 采用从感兴趣区提取植被端元波谱的方法,与传统的基于计算机自动识别的方法不同,是一种新的有益尝试。通过分析发现,通过Landsat8 OLI影像融合,基于地面实测样点数据,在影像上利用感兴趣区提取出的典型森林植被类型端元波谱,基于端元波谱采用SAM分类方法对地面植被进行识别,并得到了较好的分类精度。

4) 实现了对不同森林植被的识别。识别出了云南松、华山松、蓝桉、柏木和栎类5种不同的植被类型。对波谱角填图分类影像误差分析表明,影像植被识别情况与野外实际情况大致相同,由此证明该分类方法具有较高的可行性。

4.2 讨论

在以后的研究中可以采用该方法对高光谱影像进行植被识别。同时可以将基于感兴趣区提取端元的方法应用到混合像元分解中。研究区域为西山区,由于植被受时间变化的影响,二调数据在2015年采集,而影像是2017年5月的,所以这之间的植被变化会影响到植被识别的精度。在以后的研究中应该注意这个问题。

使用SAM的分类方法对植被进行分类,但分类过程中精度受到例如光谱分解精度、阴影等影响,需要对这些问题更好的解决。基于一景影像根据经验选取效果较好的SAM分类进行研究,没有使用其他的分类方法。在以后的研究中应该用不同的方法进行比较和分析。

[1]刘涛,谷建才,陈凤娟,等.“3S”技术在森林资源调查中的应用与展望[J].中国农学通报,2008,24(11):156-159.

[2]刘旭升,张晓丽.基于BP神经网络的森林植被遥感分类研究[J].林业资源管理,2005(1):51-54.

[3]蒋金豹,尤笛,汪国平,等.苹果轻微机械损伤高光谱图像无损检测[J].光谱学与光谱分析,2016,36(7):2224-2228.

[4]Berman M,Kiiveri H,Lagerstrom R,et al.ICE:a statistical approach to identifying endmembers in hyperspectralimages[J].IEEE Transactions on Geo-science and Remote Sensing,2004,42(10):2085-2095.

[5]杨可明,刘士文,王林伟,等.光谱最小信息熵的高光谱影像端元提取算法[J].光谱学与光谱分析,2014(8):2229-2233.

[6]柴颖,阮仁宗,柴国武,等.基于光谱特征的湿地植物种类识别[J].国土资源遥感,2016,28(3):86-90.

[7]潘梅娥,杨昆.基于环境一号HSI高光谱数据提取叶绿素a浓度的混合光谱分解模型研究[J].科学技术与工程,2017,17(6):71-76.

[8]Rogge D M,Rivard B,Zhang J,et al.Integration of spatial spectral information for the improved extraction of endmembers[J].Remote Sensing of Environment,2007,110(3):287-303.

[9]DeVries B,Decuyper M,Verbesselt J,et al.Tracking disturbance-regrowth dynamics in tropical forests using structural change detection and Landsat time series[J].Remote Sensing of Environment,2015,169:320-334.

[10]李二森,朱述龙,周晓明,等.高光谱图像端元提取算法研究进展与比较[J].遥感学报,2011,15(4):659-679.

[11]Yuan Y J,Yin Y H,Dai E F,et al.Forest cover classification based on remote sensing threshold consistent with statistics in Heilongjiang Province[J].Progress in Geography,2016,35(5):655-663.

[12]Li E S,Zhu S L,Zhou X M,et al.The development and comparison of endmember extraction algorithms using hyperspectralimagery[J].Journal of Remote Sensing,2011,15(4):659-679.

[13]Cui B G,Zhang J,Ma Y,et al.High-resolution image-assisted endmember extraction of hyperspectralimage[J].Journal of Remote Sensing,2014,18(1):192-205.

[14]方俊龙,郭宝峰,沈宏海,等.一种改进的基于自动形态学的端元提取算法[J].激光技术,2017,41(1):106-112.

[15]Etteieb S,Louhaichi M,Kalaitzidis C,et al.Mediterranean forest mapping using hyper-spectral satellite imagery[J].Arabian Journal of Geosciences,2013,6(12):5017-5032.

Study on Remote Sensing Classification of Typical Forest Types in Central Yunnan Based on Endmember Extraction,ZHANG Yi

HUANG Tian,ZHANG Chao,JI Yitao,YU Zhexiu,LUO Hengchun,ZHANG Yi

(SouthwestForestryUniversity,Kunming650224,China)

The accuracy and efficiency of the recognition of forest types are strongly influenced by the choice of endmember spectra.Based on Landsat8 OLI remote sensing image,taking the typical forest vegetation in central Yunnan Province as the object of this study,combined with the forest resource inventory data,the ROIs of typical forest vegetation are extracted firstly on the basis of image fusion,then spectral curves of typical forest vegetation in Central Yunnan Province such asPinusyunnanensis,PinusarmandiiFranch.,EucalyptusglobulusLabill.,CupressusfunebrisEndl.andQuercusacutissimaare extracted by means of MNF and N-dimensional scattering plots.Based on these endmember spectra,the typical forest types in central Yunnan Province are identified by spectral angle mapping method,and the accuracy of classification is evaluated finally.Meanwhile,the traditional method of endmember extraction for traditional classification of forest types is used to compare with the new method in this study.The results showed as follows:1)The result of classification based on the method of endmember extraction in ROI is better,the overall accuracy was 83.46%,andPinusyunnanensis84.78%,PinusarmandiiFranch.96.88%,EucalyptusglobulusLabill.80.60%,CupressusfunebrisEndl.75.00%,Quercusacutissima57.69%.2) OnlyPinusyunnanensis,PinusarmandiiFranch.,EucalyptusglobulusLabill.andQuercusacutissimacan be identified through the method of endmember extraction based on geometric apex,using endmember spectral extraction and spectral analysis many times,but notCupressusfunebrisEndl.The identification accuracy was 89.13% forPinusyunnanensis,84.37% forPinusarmandiiFranch.,76.12% for Eucalyptus and 53.13% forQuercusacutissima.It is concluded that the spectra extracted by the traditional method have higher similarity,which has lower classification accuracy,and the endmember spectra is not easy to be recognized.3) The endmember extraction method based on ROI can avoid the confusion of classification results by meaningless endmember spectra for its higher efficiency,which can effectively solve the difficult problem of endmember spectra identification.

endmember extraction,spectral angle mapping,forest types,remote sensing image classification,central Yunnan

2017-06-23；

2017-07-19

国家自然科学基金项目“基于高光谱耦合建模的干旱遥感反演技术”(31460195)；国家自然科学基金项目“典型高原湖滨湿地植被高光谱遥感反演及时空演变过程”(31660236)

黄田(1992-),女,云南腾冲人,在读硕士,主要从事林业遥感研究。Email:331797210@qq.com

张超(1980-),男,河北唐山人,副教授、博士,主要从事森林经理学研究。Email:zhchgis@126.com

S757；TP79

A

1002-6622(2017)04-0110-07

10.13466/j.cnki.lyzygl.2017.04.017