基于光学和微波遥感数据的普洱市思茅区森林植被分类

徐婉婷，岳彩荣，朱泊东

（西南林业大学林学院，云南昆明 650224）

我国森林资源结构复杂、分布广泛、类型多样。遥感具有大尺度、多时相、连续观测的特性，可作为森林资源信息获取及动态变化监测的有效手段。自20世纪70 年代美国宇航局发射第1 号地球资源卫星（Landsat 1）后，逐步开始了利用遥感技术进行森林植被分类、植被信息提取的研究。新型遥感平台及传感器的出现，促进了遥感技术的快速发展，航空航天乃至地面成像传感器的时空分辨率不断提高[1]，遥感数据的获取能力不断增强[2]，遥感技术正向着“三多”（多传感器、多遥感平台、多方位）“四高”（高空间分辨率、高光谱分辨率、高时相分辨率、高辐射分辨率）方向发展[3]。

马浩然等[4]、王婷等[5]，分别选取QuickBird、ZY-3遥感数据，结合不同方法开展森林植被分类研究；周小成等[6]采用多特征优选方法对无人机可见光遥感林分类型进行分类；杨丹等[7]探讨了U-Net 模型在多时相Landsat 8影像上的森林植被分类效果；Churches等[8]基于2010、2011 年的Landsat TM 影像，对海地的森林植被分类；Ke等[9]将QuickBird数据与低密度LiDAR 数据协同，验证了多数据源的森林分类精度高于单一数据源；Chang等[10]将合成孔径雷达和多光谱数据融合，展现了多源遥感数据融合后提高森林类型分类精度的优势；向海燕等[11]选取Landsat8-OLI和Sentinel-1A数据，余笑之[12]整合ZY-3、Sentinel-2 MSI、Landsat8-OLI 数据，探寻多源遥感数据在地物识别分类中的潜力。

本文以云南省普洱市思茅区为研究区，选取2016年相同时相的Landsat 8 光学遥感数据和Sentinel-1 微波遥感数据为数据源，结合2016年云南省森林资源现地调查数据，参考森林资源监测技术标准和高分辨率遥感图像分析等相关理论[13]，通过对比不同影像融合方法、植被分类方法的分类精度，探索多源遥感数据在森林植被分类上的优势，为基于多元遥感数据的森林植被分类提供可行依据。

1 研究区概况

思茅区位于云南省南部、普洱市中南部，地处北纬22°27′～23°06′、东经100°19′～101°27′。思茅区境内地形复杂，气候类型多样，海拔差异较大，最高海拔与最低海拔相差1 576.8 m，冬无严寒，夏无酷暑，四季温和。植被类型主要有季节性雨林、热带季雨林、常绿阔叶林、落叶阔叶林、人工植被等类型。思茅区作为云南省重点林区之一，森林覆盖率达70%以上，有天然氧吧之称。

2 研究方法

2.1 数据源

本研究选用的遥感数据包括Landsat 8 数据、Sentinel-1 数据。辅助数据包括云南省普洱市思茅区边界矢量、2016年森林资源现地调查数据。

光学遥感数据选取了研究区2016 年1—2 月的两景Landsat 8 OLI 光学影像，其中2 月影像云量为近两年云量最低的，符合云量在10%以下最佳时相的要求，另外一景影像的云量在40%，成像效果不佳，便于作对照组。微波遥感获取的Sentinel-1 影像数据来源于ESA（European Space Agency，欧洲航天局）网站，为覆盖整个思茅区，本研究获取了2016 年两景Sentinel-1A影像。

2.2 分类系统建立

根据林业相关技术规程及林业行业标准等，结合遥感影像对森林类型的可分辨性，将研究区类别划分为针叶林、阔叶林、针阔混交林、灌木林、草地、农地、水域、建设用地和未利用地9类。

2.3 数据预处理

通过ENVI 软件对Landsat 8 影像进行了辐射定标、大气校正、影像裁剪、几何精校正等预处理，并利用HSV 变换技术将全色与多光谱进行融合。在获得15 m分辨率的彩色图像后，对彩色图像进行重采样至与Sentinel-1 相同的10 m 空间分辨率。通过SNAP 软件，对Sentinel-1 影像进行了多视处理、辐射定标、滤波处理、地形几何校正等预处理，通过VV 极化得到10 m后向散射强度图像。

2.4 训练样本数据获取

本研究选取的训练样本主要来源于2016 年思茅区现地调查数据，将地面小班矢量数据叠合到遥感图像，根据地物光谱特征和空间纹理特征，结合遥感影像的目视判读，选取具有典型性和代表性的样本区域，通过可分离性分析，确定为最终的训练样本，用以区分针叶林、阔叶林、针阔混交林及草地等不同类型。

2.5 图像融合方法

光学图像具有丰富的地物光谱信息、高空间分辨率的特点，结合SAR 图像具有的全天时、全天候、丰富的纹理结构及对地物较强的穿透能力等特性，通过频率域空间或色彩空间匹配，融合生成具备互补信息的影像图层。本文通过HSV 变换将Landsat 8 的15 m全色波段与30 m 多光谱进行融合，获得15 m 融合图像，对融合影像重采样至10 m。通过VV 极化得到Sentinel-1 的10 m 后向散射强度图像。通过对两种图像的像素级融合，比对3种融合方式的分类效果。

2.5.1 PCA变换

PCA（主成分）变换又被叫做K-L 变换，是基于统计特征原理，将具有多波段的遥感影像数据进行正交线性变换。通过对影像数据进行压缩，把原始波段中主要信息尽可能聚集到少数几个特征影像中，最后产生一组新的多光谱影像，达到以高分辨率数据取代多波段数据经过主成分变换得到第一主成分的目的。

2.5.2 Gram-Schmidt变换

Gram-Schmidt（相位恢复）变换是建立在主成分变换的基础上，旨在消除多波段信息的相关性和冗余性，通过影像矩阵的正交变换，保持各主成分的信息量，使得信息按照原始影像波段分布，具备较高的光谱保真度及空间纹理保原性。通过正交变换将第一分量由高空间分辨率的全色影像取代而获得融合影像。

2.5.3 NNDiffuse变换

NNDiffuse变换是基于临近扩散算法对高空间分辨率全色波段影像进行降采样，保证分辨率一致，通过线性回归方程将波段相同位置的像素快速运算处理，得到光谱权重向量，通过权重向量对光谱规范化处理，得到与原影像相近的光谱信息，有效提高空间分辨率，较好地保留光谱信息。

2.6 分类方法

2.6.1 最大似然法

最大似然法（Maximum Likelihood，ML）也称最大概似估计或贝叶斯分类，是一种典型的基于贝叶斯准则，运用高斯概率密度函数作为概率密度函数，通过统计学方法建立判别函数集，计算每个类别中各个像素的统计值得到概率密度函数值，把像素归属到概率最大的类别中的监督分类方法。最大似然分类被认为是一种稳定性较好、分类精度较高的分类器[14]。

2.6.2 人工神经网络法

人工神经网络（Artificial Neural Network，ANN）是根据复杂生物神经网络的构造与功能，将大量简单神经元相互连接而成的非线性复杂生物网络模型。利用神经网络所在环境的刺激作用，调节神经网络的参数（权值），依据待求解问题设计参数的网络结构，将目标函数作为网络结构的能量函数，经过神经网络演变得到稳定状态最小能量函数，基于能量函数确定问题的最优解[15]。

3 结果与分析

依据本文的分类系统，选取相同时相不同云量的影像数据，基于PCA 变换法、Gram-Schmidt 变换法、NNDiffuse变换法进行影像融合，采用最大似然法和人工神经网络法对研究区森林植被进行分类，并就分类结果精度开展对比分析，结果见表1。

表1 分类精度对比结果

1）对于低云量遥感数据而言，融合后的分类精度有所提升，其中经过Gram-Schmidt 变换融合后的人工神经网络分类效果最佳，总体精度达87.12%，Kappa 系数为0.851 8，总体精度较未融合的提升了6.74个百分点，Kappa系数提升了0.078 1。

2）对于高云量遥感数据而言，融合后的分类精度有大幅度的提升，其中经过NNDiffuse 变换融合后的人工神经网络分类效果最佳，总体精度达73.92%，Kappa 系数为0.699 4，总体精度较未融合的提升了8.70个百分点，Kappa系数提升了0.101 2。

3）通过比对分类结果发现，人工神经网络分类法的分类精度高于最大似然分类法。在低云量数据中，基于Gram-Schmidt 变换融合后分类精度最高；在高云量数据中，基于NNDiffuse 变换融合后分类精度最高。

4 小结与讨论

4.1 小结

本文以Landsat 8 和Sentinel-1 数据为数据源，结合2016 年森林资源现地调查小班数据，选取3 种影像融合方式进行影像融合，选用2 种分类方法，对思茅区森林植被进行分类研究，以探索多源遥感数据在森林植被分类上的优势。对比两种分类方法的结果，得出以下结论：

1）人工神经网络分类法的分类精度高于最大似然分类法，其中PCA 和Gram-Schmidt变换融合后的分类精度要高于NNDiffuse变换融合后的分类精度；

2）在低云量数据中，基于Gram-Schmidt 变换融合后的人工神经网络分类效果最佳，总体精度达87.12%，Kappa 系数为0.851 8；在高云量数据中，基于NNDiffuse 变换融合后的人工神经网络分类效果最佳，总体精度达73.92%，Kappa系数为0.699 4。

4.2 讨论

在探索多源遥感数据进行森林植被分类过程中，数据来源、数据预处理、变换融合方式和分类方法的不同，必然会导致分类精度的差异。后续研究可以考虑更多因素，选取最优分类方式，提高分类精度。

1）本研究的训练样本是对照现地调查数据采用目视解译选取的，由于针叶林、阔叶林和针阔混交林的训练样本分离度不高，会导致分类产生误差。

2）本研究只选取了两类数据源进行试验，后续可选取更多数据源，以此证明利用多源遥感数据进行森林植被分类的可行性，切实提高分类精度。

3）本研究只进行了像素级融合后的两种分类方法的分类精度比对，并未对特征级融合和决策级融合的分类精度比对，后续研究可以加入特征级融合和决策级融合，更加全面比对融合结果及分类精度。

4）本次只研究了两种常用的分类方法和三种影像融合方式，并未对其他分类方法和影像融合方式进行研究，所得到的结果存在可靠性和代表性不足等问题，后续研究可以尝试更多分类方法和融合方式来提升分类精度。