王 靜，呂建軍，高 偉，林 妍，成曉英

（1.中國地質(zhì)大學(xué)（武漢） 信息工程學(xué)院，湖北 武漢 430074）

林業(yè)小斑區(qū)劃為林業(yè)各種調(diào)查提供位置和邊界基礎(chǔ)，是林地調(diào)查最基礎(chǔ)的步驟[1]。目前的小斑區(qū)劃研究多以影像信息為主要依據(jù)，忽略了矢量數(shù)據(jù)中包含的原始小斑信息。隨著遙感影像分辨率的不斷提高，面向?qū)ο蟮男畔⑻崛〖夹g(shù)被廣泛應(yīng)用于森林分類中，但是相比傳統(tǒng)的方法還是相對較少[2]。

2011～2012年，湖南省進(jìn)行了基于2.5 m分辨率的SPOT5正射影像的林地落界與保護(hù)規(guī)劃編制工作。本文以湖南林地落界與保護(hù)規(guī)劃的部分地區(qū)數(shù)據(jù)為研究對象，結(jié)合原始矢量小斑數(shù)據(jù)及人工勾繪與野外調(diào)查的結(jié)果，對小斑區(qū)劃及面向?qū)ο蟮男畔⑻崛∵M(jìn)行了研究。

1 實(shí)驗(yàn)數(shù)據(jù)及預(yù)處理

實(shí)驗(yàn)數(shù)據(jù)包含遙感影像數(shù)據(jù)和原始矢量數(shù)據(jù)。遙感影像是SPOT5正射影像圖，采集于2008～2010年間，分辨率為2.5 m，已經(jīng)過正射校正、配準(zhǔn)與融合等預(yù)處理，且經(jīng)過標(biāo)準(zhǔn)圖幅裁剪，影像內(nèi)部含有公里格網(wǎng)、內(nèi)圖廓線等整飾內(nèi)容。矢量數(shù)據(jù)為shp格式，記錄了該地區(qū)早期的森林分布概況與相應(yīng)的小斑屬性信息。

遙感影像中的整飾內(nèi)容對后期的圖像分割與分類會產(chǎn)生一定影響。本文使用MapGIS RSP遙感影像處理平臺提供的“壞線去除”功能，將遙感影像中的黃色公里格網(wǎng)線作為“壞線”進(jìn)行處理。去除公里格網(wǎng)的影像還不能直接使用，藍(lán)色的內(nèi)圖廓線仍然存在，需要通過裁剪將圖廓線內(nèi)的影像信息保留，作為最終的實(shí)驗(yàn)數(shù)據(jù)。

2 小斑區(qū)劃自動提取

小斑是進(jìn)行森林資源調(diào)查和森林經(jīng)營、組織生產(chǎn)的基本單位，一般把林分因子、立地條件、經(jīng)營措施、采伐方式、集材系統(tǒng)相同的林分劃為一個(gè)小斑。要進(jìn)行森林資源的調(diào)查和管理，首先必須劃分小斑[3]。本文主要研究了基于圖像分割的小斑自動區(qū)劃。通過計(jì)算機(jī)對圖像進(jìn)行自動分割，得到矢量圖層，每個(gè)矢量區(qū)影像對象表示一個(gè)小斑，從而得到小斑區(qū)劃矢量數(shù)據(jù)。

2.1 專題層參與的圖像分割技術(shù)

僅使用遙感影像進(jìn)行圖像分割來提取小斑邊界，其區(qū)劃結(jié)果由影像自身的光譜和形狀信息決定，沒有體現(xiàn)原始小斑數(shù)據(jù)的價(jià)值。為了提高與原始小斑邊界位置的重合率，本文考慮將原始小斑邊界位置信息作為專題層，參與圖像分割過程，約束分割結(jié)果。

本文對參與圖像分割的專題層的處理思想如下：

1）按照原始小斑中的“小斑位置”屬性將原始小斑矢量數(shù)據(jù)進(jìn)行柵格化，將柵格化后的圖像裁剪到與當(dāng)前影像相同范圍，作為參與分割的專題層。

2）專題層與原始遙感影像進(jìn)行波段合成，獲得一幅比原始影像多一個(gè)波段的影像。

3）分割時(shí)，專題層作為合成影像的最后一個(gè)波段，并可根據(jù)實(shí)際需要設(shè)置其參與分割的權(quán)重。

通過對專題層的處理，將其轉(zhuǎn)化為影像的一個(gè)波段信息，然后按照傳統(tǒng)的多尺度分割流程進(jìn)行分割，即專題層參與的圖像分割技術(shù)。本文實(shí)驗(yàn)使用的軟件是MapGIS中的遙感影像信息提取系統(tǒng)，可根據(jù)實(shí)際需要對專題層權(quán)重任意設(shè)置，以此來改變專題層對分割結(jié)果的影響程度。

2.2 專題層約束下的小斑區(qū)劃

采用圖像分割技術(shù)進(jìn)行小斑自動提取的難點(diǎn)在于分割參數(shù)的確定，包括各影像層的波段權(quán)重、分割尺度、形狀參數(shù)等。根據(jù)研究區(qū)影像統(tǒng)計(jì)信息可知，各波段標(biāo)準(zhǔn)差和信息熵均相差甚微，最大值與最小值之比均接近于1，因此影像3個(gè)波段權(quán)重設(shè)置時(shí)不必考慮標(biāo)準(zhǔn)差比值和信息熵比值方案，只研究3個(gè)波段權(quán)重均設(shè)為1的情況下分割尺度對分割結(jié)果的影響即可。根據(jù)有關(guān)研究，實(shí)驗(yàn)的形狀參數(shù)設(shè)為0.2[4]。

2.2.1 專題層權(quán)重為0時(shí)的小斑區(qū)劃

將專題層參與分割的權(quán)重值設(shè)為0，即專題層不參與分割，將分割尺度分別設(shè)為30、55、75、90、100、125、150、170、200、230、250等11個(gè)尺度進(jìn)行分割實(shí)驗(yàn)[5]，將分割結(jié)果矢量圖層與原始小斑數(shù)據(jù)在遙感影像上疊加顯示，通過初步目視評判，可知在125、150、170的尺度下，分割結(jié)果與原始小斑區(qū)劃較為接近。尺度小于125時(shí)分割過于細(xì)碎，大多數(shù)小斑被劃分為多個(gè)對象；而大于170時(shí)分割過于粗糙，被非林地包圍的較小的林地小斑大多沒有被劃分出來。

本文采用小斑面積差值法進(jìn)行精度評定，即在矢量小斑數(shù)據(jù)上隨機(jī)選擇一定數(shù)量的小斑樣本，以影像對象與參考樣本小斑重合率在50%以上且二者面積誤差小于50%的對象作為正確提取的小斑，計(jì)算其占樣本小斑總數(shù)的比例。利用該方法計(jì)算得出尺度為125時(shí)分割效果最理想，其精度可達(dá)61.9%；150尺度次之，精度為47.6%。由于實(shí)驗(yàn)中的對比小斑和其面積屬性來自于早期原始小斑矢量數(shù)據(jù)，隨著時(shí)間的推移地物本身已發(fā)生了變化，小斑數(shù)據(jù)本身與遙感影像套合有一定偏差，實(shí)際的小斑區(qū)劃精度可能還會稍高。

2.2.2 專題層權(quán)重為0.7時(shí)的小斑區(qū)劃

原始小斑矢量數(shù)據(jù)記錄了小斑的形狀與位置信息，因此可將其柵格化為記錄小斑區(qū)劃特征的專題層，參與小斑區(qū)劃的分割過程。考慮到實(shí)驗(yàn)中所用專題層反映的是早期小斑分布情況，因此波段權(quán)重設(shè)為0.7，其他分割參數(shù)不變。該實(shí)驗(yàn)精度與專題層不參與分割時(shí)的實(shí)驗(yàn)精度對比如圖1所示。

雖然從整體精度而言，加入專題層精度沒有明顯增加，但是對于正確提取的小斑而言，其面積重合率有明顯增加，面積誤差也明顯下降。

3 最佳小斑區(qū)劃尺度下特征庫的構(gòu)建及林地信息提取[6-8]

3.1 最佳小斑區(qū)劃尺度下特征庫的構(gòu)建

特征是遙感影像信息提取的關(guān)鍵。將影像特征庫中的特征通過邏輯組合，形成描述地物類別的特征知識[9]。將所有地物類的特征知識通過一定的組織關(guān)系結(jié)合在一起，形成信息提取所必需的特征庫。

尋找地物的特征知識，關(guān)鍵是確定最優(yōu)分割尺度。最優(yōu)分割尺度是分割后的影像對象與其對應(yīng)的特定地物目標(biāo)邊界要能最佳地吻合，即影像多邊形對象既不能太“破碎”，也不能出現(xiàn)太“模糊”或“混合”現(xiàn)象[10]。實(shí)際操作時(shí)，由于研究區(qū)影像自身光譜因素的影響，加之影像上地物分布較分散，在大尺度下很難將小班塊的居民地、林地分離出來，往往與牧草地混合在一起，不利于分類。因此，直接考慮在小斑區(qū)劃實(shí)驗(yàn)所得的最佳小斑區(qū)劃尺度下進(jìn)行特征選取與特征知識規(guī)則的建立。為了保證特征庫的通用性，本文更多地考慮了影像對象的光譜、形狀、紋理特征，表1即為最終選定的用于分類的各地類特征。

表1 研究區(qū)數(shù)據(jù)用于分類的所有特征規(guī)則表

將表1中每個(gè)類所列的特征規(guī)則以一定的邏輯關(guān)系組織起來，形成每一類的特征知識，即可建立分類所用的特征庫。

在利用特征庫進(jìn)行分類時(shí)，要根據(jù)影像的具體地物信息，選擇最優(yōu)的特征組合。由于成像條件的影響，同一類地物在不同的影像上某一個(gè)特征的值域也不一致，這時(shí)可根據(jù)一些選定的樣本計(jì)算其特征值，通過樣本的特征值值域來調(diào)整分類的特征規(guī)則值域。

3.2 基于特征庫的森林分類

由原始小斑屬性可知，實(shí)驗(yàn)區(qū)的地物類型主要為道路、水域、林地、居民地、耕地、牧草地。根據(jù)小斑區(qū)劃最佳分割參數(shù)進(jìn)行圖像分割，即分割尺度為125，各波段權(quán)重均為1，形狀參數(shù)為0.2，緊致度為0.5，分別給每類選定一定數(shù)量的樣本，作為選擇分類時(shí)特征規(guī)則與特征值域范圍的依據(jù)?；谠撎卣鲙爝M(jìn)行分類，結(jié)果如圖2所示。

樣本同時(shí)也作為最終分類結(jié)果精度評價(jià)的參考信息。根據(jù)選定的樣本進(jìn)行精度評定，分析各樣本被分入各個(gè)類別的可能性，得到評價(jià)結(jié)果，見表2。

表2 分類結(jié)果精度評價(jià)表

3.3 基于專題層完善的特征庫林地信息提取

由于本文的研究數(shù)據(jù)量有限，每個(gè)影像上的林種類型都較少，且不同影像上相同林種類型很少，難以建立林地樹種、林地類型特征庫，無法對林地進(jìn)行深一層的分類。為了解決這種影像信息量不足的問題，本文將專題層信息引入特征庫的構(gòu)建，根據(jù)專題層信息完善特征庫，實(shí)現(xiàn)對林地進(jìn)一步的信息提取。

將實(shí)驗(yàn)區(qū)原始小斑數(shù)據(jù)按照“優(yōu)勢樹種”屬性信息進(jìn)行柵格化。研究區(qū)主要的優(yōu)勢樹種類型有杉木、濕地松、中生闊葉樹、馬尾松和灌木5類。針對每種類型，分析其專題層波段的灰度值，結(jié)合林地已有的特征知識，分別建立相應(yīng)的特征知識規(guī)則，構(gòu)建特征庫?；谠撎卣鲙爝M(jìn)行林地信息提取，如圖3所示。

每種地類選擇一定數(shù)量的樣地，以對象樣本來計(jì)算分類精度，結(jié)果見表3。不難看出，對于非林地的每種地類，分割精度基本保持不變，原始的小斑所在區(qū)域林地明顯被細(xì)分，而沒有原始數(shù)據(jù)覆蓋的范圍則只劃分到林地。同時(shí)，分類結(jié)果對原始小斑亦有一定的更新作用，如圖4 a中所示的原始小斑屬性為馬尾松，而隨著時(shí)間的推移，從圖4 b上分析得知該地塊明顯已有水域、牧草地出現(xiàn)，不是一個(gè)完整的小斑了，必須進(jìn)行劃分。經(jīng)信息提取得到的結(jié)果如圖4 c所示，它與實(shí)際地物類型是吻合的。

表3 分類結(jié)果精度評價(jià)表

4 結(jié) 語

1）建立特征庫時(shí)，特征規(guī)則的選擇、特征值域的確定以及特征規(guī)則的邏輯組合都是手動實(shí)現(xiàn)的，存在一定的主觀性，且需花費(fèi)大量時(shí)間來找到其中的最優(yōu)組合。如何實(shí)現(xiàn)計(jì)算機(jī)對特征規(guī)則的自動優(yōu)化組合，是下一步研究工作的重點(diǎn)。

2）在利用專題層屬性信息對林地進(jìn)一步分類時(shí)，由于是將專題層“優(yōu)勢樹種”屬性信息直接賦予影像對象參與分類，因此，如果林地內(nèi)部屬性發(fā)生了變化，如原始小斑中的灌木在長時(shí)間內(nèi)變成了馬尾松，利用這種方法則檢測不出，分類結(jié)果會與實(shí)際不符。如何解決這一問題，也是今后的研究方向。

[1]華朝朗. SPOT5衛(wèi)星數(shù)據(jù)在縣級森林資源調(diào)查中的應(yīng)用研究[J]. 林業(yè)調(diào)查規(guī)劃，2005，30(3)：8-12

[2]高偉，劉修國，彭攀，等. 一種改進(jìn)的高分辨率遙感圖像分割方法[J]. 地球科學(xué)，2010，35(3)：421-425

[3]張艮龍. 基于高空間分辯率遙感影像的森林資源調(diào)查小班區(qū)劃[D]. 西安：西安科技大學(xué)，2010

[4]李春干，代華冰，譚必增，等. 基于SPOT5圖像分割的森林小斑邊界自動提取[J]. 林業(yè)科學(xué)研究，2010，23(1)：53-58

[5]何柏華，李春干. 基于DEM與SPOT5的小斑邊界自動提取[J].南京林業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，34(5)：47-50

[6]Carpenter G A，Gjaja M N, Gopal S，et al. ART Neural Networks for Remote Sensing Vegetation Classification from Landsat TM and Terrain Data[J]. IEEE Transactions on Geoscience and Remote Sensing，1999，35(2)：308-325

[7]李莉. 面向?qū)ο蟮母叻直媛蔬b感影像信息提取研究[D]. 成都：成都理工大學(xué)，2012

[8]Thomas K. A Comparison of Multispectral and Multitemporal Information in High Spatial Resolution Imagery for Classification of Individual Tree Species in a Temperate Hardwood Forest[J].Remote Sensing Environ，2001，75(1)：100-112

[9]高偉. 基于特征知識庫的遙感信息提取技術(shù)研究[D]. 武漢：中國地質(zhì)大學(xué)，2010

[10]陳云浩，馮通，史培軍，等. 基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究[J]. 武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2006，31(4)：316-319