華　璀　廖　政　蔡耀君　史茹倩

（1.廣西師范學(xué)院地理科學(xué)與規(guī)劃學(xué)院，廣西 南寧 530001；2.北部灣環(huán)境演變與資源利用教育部重點(diǎn)實(shí)驗(yàn)室，廣西 南寧 530001）

基于光譜和紋理特征的速生桉信息提取方法研究

華璀1,2廖政1,2蔡耀君1,2史茹倩1,2

（1.廣西師范學(xué)院地理科學(xué)與規(guī)劃學(xué)院，廣西 南寧 530001；2.北部灣環(huán)境演變與資源利用教育部重點(diǎn)實(shí)驗(yàn)室，廣西 南寧 530001）

桉樹(shù)生長(zhǎng)速度快、用途廣，具有良好的經(jīng)濟(jì)效益、社會(huì)效益和生態(tài)效益。但桉樹(shù)的種植、砍伐與促長(zhǎng)之間周期交替過(guò)于頻繁，傳統(tǒng)的林業(yè)調(diào)查不僅會(huì)受各種主客觀因素的影響，而且獲取信息的可信度較低。文章以RapiEye影像為數(shù)據(jù)源，結(jié)合GPS調(diào)查手段，運(yùn)用eCognition平臺(tái)，以光譜和紋理相結(jié)合的面向?qū)ο蟮姆治龇椒?，并?chuàng)建知識(shí)規(guī)則集，對(duì)桉樹(shù)林信息進(jìn)行提取。實(shí)驗(yàn)表明，傳統(tǒng)基于像素的監(jiān)督分類(lèi)方法總體精度為68.83%，Kappa系數(shù)為0.67。而基于以光譜紋理、創(chuàng)建知識(shí)規(guī)則集相結(jié)合的面向?qū)ο蠓治龇椒?，桉?shù)信息提取的總體精度達(dá)到82.12%，Kappa系數(shù)為0.80，該提取方法可獲得更好的分類(lèi)質(zhì)量、效率與精度。

光譜特征；紋理特征；桉樹(shù)林；遙感信息；提取方法

1　引言

速生桉作為廣西的主要經(jīng)濟(jì)林之一，不僅具有生長(zhǎng)最快、用途最廣泛的特點(diǎn)，還具有很強(qiáng)的環(huán)境適應(yīng)性能力和抗病蟲(chóng)害能力等許多優(yōu)良的生物學(xué)特性，并且具有很好的經(jīng)濟(jì)效益、社會(huì)效益和生態(tài)效益。然而速生桉的快速生長(zhǎng)同時(shí)伴隨著地方生態(tài)環(huán)境的惡化，其生長(zhǎng)過(guò)程中需要大量的水資源，大面積種植會(huì)導(dǎo)致當(dāng)?shù)氐叵滤幌陆?、土壤保水能力降低，長(zhǎng)此以往會(huì)導(dǎo)致土地板結(jié)甚至土壤沙化。速生桉對(duì)于土壤中的肥料需求量巨大，凡是種植過(guò)桉樹(shù)的地區(qū)，土地肥力都會(huì)有不同程度的下降乃至枯竭。它的種植、砍伐與促長(zhǎng)之間周期交替過(guò)于頻繁，當(dāng)規(guī)模達(dá)到一定數(shù)量級(jí)則會(huì)對(duì)當(dāng)?shù)赝寥婪柿?，地下水資源等生態(tài)環(huán)境產(chǎn)生負(fù)面影響。通過(guò)抽樣調(diào)查和逐級(jí)匯總方式的傳統(tǒng)的林業(yè)調(diào)查和跟蹤，不僅耗時(shí)費(fèi)力，而且會(huì)受到各種主客觀因素的影響使得獲取信息的可信度較低，很大程度上影響了對(duì)桉樹(shù)林發(fā)展的準(zhǔn)確、及時(shí)監(jiān)測(cè)。

而國(guó)外對(duì)桉樹(shù)的研究多側(cè)重于桉樹(shù)生物物理反演的比較多，而國(guó)內(nèi)的多集中在桉樹(shù)的育種、經(jīng)濟(jì)價(jià)值和對(duì)生態(tài)環(huán)境的影響比較多。基于桉樹(shù)林種植的遙感信息快速調(diào)查、監(jiān)測(cè)、跟蹤的研究卻很少。在遙感對(duì)象的遙感信息提取方面，國(guó)外針對(duì)面向?qū)ο蟮膽?yīng)用和研究的成果很多，卻在面對(duì)對(duì)象的桉樹(shù)林遙感信息提取中出現(xiàn)的文獻(xiàn)很少；國(guó)內(nèi)應(yīng)用面向?qū)ο蟮膱D像分析方法在土地利用、道路、農(nóng)作物信息、森林信息等遙感信息的提取研究很多，但由于桉樹(shù)在空間上分布顯得較分散，并且林場(chǎng)中往往是樹(shù)種混雜、以及樹(shù)齡、生長(zhǎng)密度等會(huì)影像到遙感信息的監(jiān)測(cè)，以面向?qū)ο蟮膱D像分析方法，應(yīng)用在桉樹(shù)林遙感信息的快速調(diào)查、監(jiān)測(cè)、跟蹤的具體且詳細(xì)研究的則相對(duì)很少。

因此，在一定空間、時(shí)間內(nèi)，采用面向?qū)ο蟮倪b感影像分析方法，及時(shí)、準(zhǔn)確掌握桉樹(shù)種植生產(chǎn)情況，了解、跟蹤、調(diào)查桉樹(shù)種植的數(shù)量、質(zhì)量及其消長(zhǎng)動(dòng)態(tài)信息的技術(shù)應(yīng)用研究，具有很大的科研價(jià)值。

2　面向?qū)ο蠓诸?lèi)方案

建立對(duì)象知識(shí)庫(kù)。對(duì)象知識(shí)庫(kù)是多種特征的集合，選取地物多種特征，建立分類(lèi)規(guī)則，能夠得到很好的分類(lèi)結(jié)果。對(duì)象知識(shí)庫(kù)支持包括分割算法、分類(lèi)算法、統(tǒng)計(jì)算法、優(yōu)化算法、導(dǎo)出算法等百余種常用算法。eCognition要一款源自德國(guó)的遙感影像分析軟件，它突破了傳統(tǒng)影像分類(lèi)方法的局限性，提出了革命性的分類(lèi)技術(shù)-面向?qū)ο蠓诸?lèi)。它強(qiáng)大的對(duì)象知識(shí)庫(kù)對(duì)對(duì)象分類(lèi)不再是傳統(tǒng)意義上的對(duì)象像素，充分利用了對(duì)象信息（色調(diào)，形狀，紋理，層次），類(lèi)間信息（與鄰近對(duì)象，子對(duì)象，父對(duì)象的相關(guān)特征）。因此算法建立對(duì)象知識(shí)庫(kù)可借鑒eCognition平臺(tái)，如圖1所示。

圖1　對(duì)象特征知識(shí)庫(kù)平臺(tái)

根據(jù)對(duì)象特征知識(shí)庫(kù)平臺(tái)，分別建立桉樹(shù)與其它樹(shù)種之間特征閾值范圍的差別，找出閾值的上下限，如圖2所示。

圖2　桉樹(shù)與其它樹(shù)種特征閾值比較

3　面向?qū)ο蟮蔫駱?shù)林信息提取

本文以南寧市高峰林場(chǎng)作為研究區(qū)，地理位置為：22°48′48″～23°3′34″N，108°7′55″～108°32′53″E。林場(chǎng)所在區(qū)域?qū)俅竺魃接嗝}，屬低山丘陵地貌，地勢(shì)東北高、西南低，呈東北-西南走向，海拔高度70～500m，坡度20°～35°，地形比較封閉。高峰林場(chǎng)經(jīng)營(yíng)土地面積89萬(wàn)畝，其中場(chǎng)內(nèi)面積48萬(wàn)畝，域跨武鳴、賓陽(yáng)、上林三縣以及南寧市興寧、青秀、西鄉(xiāng)塘三城區(qū)；場(chǎng)外造林面積41萬(wàn)畝，分布在全區(qū)37個(gè)市（縣、區(qū)），森林蓄積量265萬(wàn)立方米，森林覆蓋率83.7%。林場(chǎng)目前有人造板，速豐林，經(jīng)濟(jì)林和第三產(chǎn)業(yè)這幾大支柱產(chǎn)業(yè)，并由傳統(tǒng)的林業(yè)向現(xiàn)代林業(yè)邁進(jìn)。

在本次研究中，考慮到研究?jī)?nèi)容、研究對(duì)象和工作量等因素，高峰林場(chǎng)取條帶分布區(qū)域，不包括外包林場(chǎng)，如圖3所示：

圖3　研究區(qū)域地理位置

在遙感影像上提取桉樹(shù)林的信息，采用類(lèi)似于決策樹(shù)的構(gòu)思方法，先簡(jiǎn)單后復(fù)雜，剔除無(wú)關(guān)信息篩選有用的地物類(lèi)別，然后再實(shí)現(xiàn)目標(biāo)地物信息的提取。桉樹(shù)林信息提取主要根據(jù)次分類(lèi)方案進(jìn)行：

（1）水域是較簡(jiǎn)單的地類(lèi)，先從影像中剔除水域?qū)ο?，得到非水域圖層L1；

（2）在非水域?qū)ο髮覮1中分出植被對(duì)象層L2與非植被對(duì)象層L3；

（3）在植被層L3中提取林地地類(lèi)對(duì)象層L4；

（4）在林地對(duì)象層L4中提取出桉樹(shù)林對(duì)象層L5；

（5）再在桉樹(shù)對(duì)象層L5中分出桉樹(shù)幼林、中林和成林。

3.1非水域信息提取

近紅外比率（Ratio_Nir）通常用于區(qū)別和提取水體和陰影，結(jié)合影像藍(lán)波段、近紅外比率、歸一化水體植被指數(shù)（NDWI）和歸一化植被指數(shù)（NDVI）［1］，提取水域?qū)ο笮畔?。其指?shù)計(jì)算的表達(dá)公式為：

（1）近紅外比率：

Ratio_Nir=Nir/（Blue+Green+red+Rededge+Nir）

（2）歸一化水體植被指數(shù)：

NDWI=（Green-Nir）/（Green+Nir）

（3）歸一化植被指數(shù)：

NDVI=（Nir-Red）/（Nir+Red）

設(shè)置Ration_nir閾值為＜0.926能較好突出水體在影像上的信息表現(xiàn)，NDWI閾值為＜0.13能較好的區(qū)分水體和植被，Ratio_Nir閾值為＜0.429能較好的進(jìn)一步區(qū)分水域與非水域地類(lèi)。研究區(qū)水域信息分布情況，如圖4所示。

圖4　水域信息分布情況

3.2林地信息提取

本文主要使用的桉樹(shù)RapiEye影像，其光譜波段在440 nm-850 nm藍(lán)、綠、紅、紅外、近紅外有五個(gè)波段。地面采樣間隔為6.5m，正射影像的像素大小為5m，幅寬77km重訪周期為每天，影像獲取能力為400萬(wàn)平方公里/天。桉樹(shù)影像的特點(diǎn)比較真實(shí)的反映了研究區(qū)的概況。

由于桉樹(shù)種植土壤中的肥料需求量巨大，凡是種植過(guò)桉樹(shù)的地區(qū)，土地肥力都會(huì)有不同程度的下降乃至枯竭是對(duì)象層中剔除水域?qū)ο蠛?，還需從影像對(duì)象層中提取出林地信息，然后再?gòu)牧值匦畔⑻崛¤駱?shù)林的對(duì)象，再進(jìn)行樹(shù)齡識(shí)別。

研究區(qū)地形比較復(fù)雜，可適當(dāng)引入數(shù)字高程模型數(shù)據(jù)（DEM）作為專(zhuān)題輔助數(shù)據(jù)，結(jié)合DEM數(shù)據(jù)，篩選一些位于高程較低的農(nóng)作物。在區(qū)分植被與非植被信息時(shí)，可應(yīng)用NDVI植被指數(shù)，如農(nóng)作物、林地的NDVI值大于0，非植被的NDVI值小于0（如居民點(diǎn)及建筑用地）。在提取出植被對(duì)象的基礎(chǔ)上，再進(jìn)一步分析農(nóng)作物、林地特征，提取林地信息。經(jīng)提取水體后，把影像對(duì)象劃分為林地、居民點(diǎn)及建筑物、耕地和其它地類(lèi)四種，經(jīng)分析發(fā)現(xiàn)其在影像上各波段的部分特征如表1所示：

表1　不同地物的統(tǒng)計(jì)特征表

根據(jù)RapidEye影像中地物的特征值表，可發(fā)現(xiàn)不同目標(biāo)地物，其光譜特征統(tǒng)計(jì)值有較大的差異，可作出特征統(tǒng)計(jì)圖進(jìn)行比較分析，如圖5。

圖5　不同地物特征波段特征曲線

綜上知，在紅波段（B3），林地等四類(lèi)地物的亮度值差異較大，根據(jù)不同的特征值范圍可將其區(qū)別。但各波段之間存在“同物異譜，同譜異物”，單靠一個(gè)紅波段很難把互相混淆的地物對(duì)象給予劃分，還需要結(jié)合其他特征信息，將其對(duì)象進(jìn)行提取。

結(jié)合eCognition平臺(tái)特征庫(kù)，自定義林地信息提取需要的指數(shù)特征，編輯相關(guān)算法法則等。自定義的指數(shù)如：

①歸一化植被指數(shù)NDVI；

②土壤調(diào)整植被指數(shù)SAVI；

③差值植被指數(shù)DVI；

④土壤植被指數(shù)SOIL。

根據(jù)林地、耕地、居民點(diǎn)集建筑用地對(duì)象的特征，建立對(duì)應(yīng)的知識(shí)規(guī)則集，把林地對(duì)象進(jìn)行提取，如表2。

表2　林地提取的規(guī)則集

綜上，規(guī)則集創(chuàng)建以自上至下、從簡(jiǎn)到繁的方法，從影像對(duì)象層中提取耕地、居民點(diǎn)及建筑用地信息，然后再剔除耕地、居民點(diǎn)及建筑用地對(duì)象的基礎(chǔ)上，提取出林地信息，剩余的對(duì)象由于地形比較復(fù)雜難以劃分，將未分類(lèi)的對(duì)象合并為其它地類(lèi)。

由于研究區(qū)域地形復(fù)雜，不能高精度實(shí)現(xiàn)地物信息的分類(lèi)，必然存在錯(cuò)分和漏分現(xiàn)象，同時(shí)，地物對(duì)象間總存在“同物異譜、同譜異物”現(xiàn)象［2］，需對(duì)提取出來(lái)的耕地地類(lèi)、居民點(diǎn)及建筑地類(lèi)和其它地類(lèi)中逐一檢查，并結(jié)合Google地球判斷錯(cuò)分、漏分的地物，以人工編輯將其合并入林地地類(lèi)，提高分類(lèi)精度，避免誤差的傳遞。最終得到林地信息的提取結(jié)果，如圖6所示。

圖6　以規(guī)則集閾值分類(lèi)提出的林地分布效果圖

桉樹(shù)是林地對(duì)象層中的其中一類(lèi)樹(shù)種，除此之外還有杉木、馬尾松、相思樹(shù)、竹林等樹(shù)種。山溝有少量灌木，且地形破碎，森林分布極為破碎，表現(xiàn)為斑塊小、不同樹(shù)種呈無(wú)規(guī)律交叉分布。在林區(qū)提取出桉樹(shù)林信息相對(duì)難度較大，因此需要結(jié)合其他目標(biāo)地物作為輔助地類(lèi)，以桉樹(shù)林信息提取為重點(diǎn)，旨在使桉樹(shù)林信息的提取精度更高。因此，把研究區(qū)內(nèi)的林地，繼續(xù)劃分為桉樹(shù)林、杉木林、松樹(shù)林、竹林、灌木林等各種樹(shù)種信息。

3.3各林種的影像光譜特征

植被是地球自然系統(tǒng)最典型的地物類(lèi)型之一，在遙感影像中具有獨(dú)特的特征，不同的植被其特征信息存在明顯的差異。從RapidEye影像上分析，森林的反射性特性相差很大，造成相同樹(shù)種各對(duì)象間的圖像特征變動(dòng)很大。林地中各種樹(shù)種類(lèi)型的均值（Mean）、標(biāo)準(zhǔn)差（Standard）有著較大的差異，其統(tǒng)計(jì)值如表3。

表3　林地各種樹(shù)種類(lèi)型的統(tǒng)計(jì)特征

綜上知，桉樹(shù)在各波段中的統(tǒng)計(jì)特征與其它樹(shù)種之間存在著較大的差異，通過(guò)這些差異可將桉樹(shù)對(duì)象信息給予準(zhǔn)確的提取。同時(shí)，桉樹(shù)的光譜特征也存在其它樹(shù)種特征互相混淆的情況，如圖7中光譜曲線所示。

圖7　各樹(shù)種植被光譜曲線

據(jù)上圖可知，林地中的各樹(shù)種光譜特征值比較難區(qū)分，如果單靠光譜特征閾值，要提取各樹(shù)種信息很難，還需要結(jié)合紋理特征，進(jìn)一步分析。

3.4各樹(shù)種影像紋理特征

紋理特征通常被認(rèn)為是紋理基元按照某種確定性的或者統(tǒng)計(jì)性的規(guī)則，進(jìn)行重復(fù)排列而形成的一種物理現(xiàn)象，紋理特征的基本特征是平移不變性的，其視覺(jué)感知基本上與其在圖像中的位置無(wú)關(guān)［3］。為了分析研究區(qū)內(nèi)桉樹(shù)林與其它樹(shù)種的紋理特征，以5m分辨率的RapidEye遙感影像為數(shù)據(jù)源，計(jì)算研究區(qū)不同植被類(lèi)型的植被紋理參數(shù)。經(jīng)對(duì)比分析發(fā)現(xiàn)，桉樹(shù)與其它植被相比，具有強(qiáng)烈的空間異質(zhì)性。

紋理特征通常是用圖層中的8個(gè)紋理量共同表達(dá)的，如果紋理量過(guò)多，會(huì)增加相當(dāng)多的紋理量，不僅使得計(jì)算結(jié)果復(fù)雜化，大大增加了工作量，而且也會(huì)使得各緯圖像信息之間，信息的重復(fù)率較高，不利于地物信息提取。

本文采用降維的方法，對(duì)研究區(qū)RapidEye數(shù)據(jù)進(jìn)行主成分分析，找出紋理特征值貢獻(xiàn)率最大的圖層，從而便于下文對(duì)紋理特征的分析，結(jié)果如表4。

表4　RapidEye衛(wèi)星影像主成分分析結(jié)果

上表表明，RapidEye影像中各個(gè)波段的主成分分析結(jié)果，第一主成分（PC1）的百分比信息占全部信息量的比例為99.34%，基本保存了原影像的全部信息。因此，可針對(duì)第一主成分PC1波段層進(jìn)行紋理特征分析。

在對(duì)紋理特征分析時(shí)，計(jì)算灰度共生矩的特征值，要求圖像的灰度級(jí)遠(yuǎn)要小于256，主要因?yàn)閳D像灰度值一般為256，如果矩陣維數(shù)太大而窗口的尺寸較小，則灰度共生矩陣就不能夠很好的表示；如果能夠很好表示紋理則要求窗口尺度較大，這樣會(huì)使計(jì)算量大大增加，而且當(dāng)窗口尺寸較大時(shí)，對(duì)于每類(lèi)邊界區(qū)域誤識(shí)率較大［4］。而且在不同方向，紋理表現(xiàn)的信息量也不同，紋理有方向上通常通過(guò)0°，45°，90°，135°，RapidEye數(shù)據(jù)已經(jīng)過(guò)正射校正，因此采用GLCM（all dir）視角進(jìn)行分析。

本文應(yīng)用8個(gè)基于二階矩陣的紋理濾波，其包括均值、方差、同質(zhì)性、反差、異質(zhì)性、信息熵、角二階矩和相關(guān)性等。分別以PC1圖像按照33、55、77、99的窗口，步長(zhǎng)為（1，1），（2，2），（3，3），將圖像灰度值壓縮為64級(jí)，進(jìn)行紋理分析。當(dāng)步長(zhǎng)為（1，1）是，各窗口紋理特征值向量，如圖8。

圖8　各窗口提取的Mean紋理量圖

綜上知，當(dāng)選擇不同的窗口或步長(zhǎng)時(shí)，產(chǎn)生的紋理特征也不相同；當(dāng)窗口或步長(zhǎng)選擇不合理，在一定程度上會(huì)引發(fā)紋理偏差，會(huì)影響紋理的視覺(jué)效果以及質(zhì)量，進(jìn)而影響到影像的分類(lèi)效果。研究發(fā)現(xiàn)，本文選用窗口（3，3），步長(zhǎng)（1，1）時(shí)，提取出來(lái)的紋理特征比較清晰，質(zhì)量和視覺(jué)效果都較好。

對(duì)研究區(qū)的林地對(duì)象層繼續(xù)細(xì)分，提取桉樹(shù)、杉木、松樹(shù)、灌木、竹林和其它地類(lèi)信息，并統(tǒng)計(jì)這6類(lèi)紋理特征值，如表5。

表5　PC1波段各樹(shù)種紋理統(tǒng)計(jì)特征值

從表5可知，各樹(shù)種之間提取出來(lái)的紋理特征，存在著較大的差異性，可根據(jù)此特征差異閾值，建立相應(yīng)的規(guī)則集，對(duì)林地各樹(shù)種進(jìn)行分類(lèi)。

3.5創(chuàng)建語(yǔ)義知識(shí)規(guī)則集與分類(lèi)

對(duì)研究區(qū)林地對(duì)象做光譜和紋理分析，發(fā)現(xiàn)桉樹(shù)（桉樹(shù)為主要提取的目標(biāo)對(duì)象）、杉樹(shù)、松樹(shù)、灌木、竹林之間的光譜特征和紋理特征有較大的差異，可結(jié)合這些不同的特征閾值，創(chuàng)建語(yǔ)義知識(shí)規(guī)則集，實(shí)現(xiàn)樹(shù)種的分類(lèi)。經(jīng)多次試驗(yàn)，構(gòu)建的知識(shí)規(guī)則集，如表6。

表6　林地各樹(shù)種分類(lèi)規(guī)則集

3.6林種分類(lèi)后人工編輯處理

由于影像對(duì)象特征間有一部分因子存在多重相關(guān)性，并互相影響，甚至出現(xiàn)“同物異譜”和“異物同譜”的現(xiàn)象［5］，在規(guī)則集的自動(dòng)分類(lèi)會(huì)存在錯(cuò)分、漏分等問(wèn)題，所以在分類(lèi)結(jié)束后，需要對(duì)分類(lèi)結(jié)果進(jìn)行優(yōu)化處理。優(yōu)化分類(lèi)結(jié)果可以通過(guò)人工編輯工具修改，選擇需要?dú)w并的地類(lèi)，然后點(diǎn)擊錯(cuò)誤的地類(lèi)進(jìn)行地類(lèi)錯(cuò)誤修正。而對(duì)于某些地類(lèi)邊緣不準(zhǔn)確的對(duì)象，可以利用軟件提供的切割、合并工具進(jìn)行相應(yīng)操作。

3.7各樹(shù)類(lèi)圖斑合并

正確歸類(lèi)后，同種相鄰的類(lèi)別被切割成多個(gè)對(duì)象，但實(shí)際的結(jié)果需要得到一個(gè)整體的類(lèi)別結(jié)果，因此，要對(duì)分割的類(lèi)別進(jìn)行合并。在規(guī)則集自定義中，可通過(guò)在Processtree里利用Merge算法實(shí)現(xiàn)對(duì)每個(gè)類(lèi)別進(jìn)行合并［5］。

3.8歸并小圖斑和輸出

在林業(yè)樹(shù)種分類(lèi)系統(tǒng)中，對(duì)于小面積的地類(lèi)并不能體現(xiàn)其分類(lèi)的意義，通常情況下，為了減小數(shù)據(jù)存儲(chǔ)的難度和冗余度，會(huì)把小面積的圖版歸類(lèi)到相鄰的地類(lèi)中。本文將把小于200平方米的地類(lèi)，歸類(lèi)到相鄰的地類(lèi)中，得到圖9所示?；诿嫦?qū)ο蠹夹g(shù)的桉樹(shù)林遙感信息提取研究，桉樹(shù)作為主要提取的數(shù)據(jù)對(duì)象，而其他樹(shù)種僅作為參考和輔助作用，桉樹(shù)的提取精度較其他樹(shù)種的精度較高。因此，將桉樹(shù)林的對(duì)象信息進(jìn)行整合歸并，得到桉樹(shù)林的整體分布圖，如圖9所示。

圖9　研究區(qū)林地樹(shù)種分類(lèi)分布圖

4　結(jié)果分析與精度評(píng)價(jià)

4.1面向?qū)ο笈c最大似然分類(lèi)結(jié)果對(duì)比分析

本文針對(duì)研究區(qū)的桉樹(shù)林等樹(shù)種的種植信息進(jìn)行提取，采用基于面向?qū)ο蠹夹g(shù)和基于傳統(tǒng)像素分類(lèi)的最大似然分類(lèi)的兩種不同分類(lèi)方法，得到精度不同的兩個(gè)分類(lèi)結(jié)果，如圖10所示。

圖10　面向?qū)ο蠹夹g(shù)的圖像分類(lèi)和基于像素的最大似然方法的圖像分類(lèi)

綜上圖比較分析可知，研究區(qū)各樹(shù)種分類(lèi)總體情況，面向?qū)ο蠹夹g(shù)的圖像分類(lèi)結(jié)果比基于像素的最大似然分類(lèi)結(jié)果更加理想。面向?qū)ο蠹夹g(shù)的圖像分類(lèi)能更好的保持地物對(duì)象的完整性和統(tǒng)一性，且能夠很好的描述各樹(shù)種的邊界特征，更接近于實(shí)地地物的邊界相吻合；而基于像素的最大似然方法的圖像分類(lèi)，在各樹(shù)種之間存在著較多的噪音，在研究區(qū)域內(nèi)都有分布，造成一定程度的圖斑信息缺失甚至影響到分類(lèi)的精度。

提取研究區(qū)各數(shù)種種植信息的目的是要調(diào)查其分布范圍以及種植面積，對(duì)各樹(shù)種的分類(lèi)結(jié)果進(jìn)行面積統(tǒng)計(jì)，得到兩個(gè)面積的統(tǒng)計(jì)值，如表7。

表7　兩種分類(lèi)方法中各樹(shù)種的統(tǒng)計(jì)面積　單位：公頃

從表7可知，基于面向?qū)ο蠹夹g(shù)的分類(lèi)結(jié)果和基于像元的最大似然分類(lèi)結(jié)果在面積統(tǒng)計(jì)上有很大的差異。最大似然分類(lèi)方法的圖斑數(shù)目整體上要比面向?qū)ο蠹夹g(shù)的數(shù)目多。在面積總和上，各樹(shù)種之間的統(tǒng)計(jì)都不盡相同，存在很大的差異，因此，最終確定采用那種分類(lèi)方法提取的結(jié)果更理想，更接近實(shí)地面積，這需要進(jìn)一步的精度驗(yàn)證。

4.2野外實(shí)地調(diào)查數(shù)據(jù)驗(yàn)證

圖像精度指的是經(jīng)面向?qū)ο蠹夹g(shù)提取的結(jié)果分類(lèi)圖，與一幅假設(shè)標(biāo)準(zhǔn)的參考圖像之間的吻合度，兩幅圖的地類(lèi)以及位置吻合度越高，其結(jié)果分類(lèi)圖的精度就越高。

結(jié)合已經(jīng)建立起來(lái)的解譯標(biāo)志數(shù)據(jù)，以及通過(guò)野外實(shí)地GPS采集的坐標(biāo)點(diǎn)，對(duì)遙感影像提取出來(lái)的桉樹(shù)、杉木、松樹(shù)等樹(shù)種信息進(jìn)行精度驗(yàn)證。在研究區(qū)內(nèi)選擇具有代表性的458個(gè)作為檢驗(yàn)精度的樣本點(diǎn)，對(duì)桉樹(shù)林等樹(shù)種信息的解譯精度進(jìn)行分析。

表8　野外實(shí)地采集的各樹(shù)種樣本點(diǎn)樹(shù)目

圖11　研究區(qū)野外驗(yàn)證點(diǎn)空間分布圖

4.3精度評(píng)價(jià)結(jié)果與分析

研究區(qū)內(nèi)地形復(fù)雜，樹(shù)種多樣，如桉樹(shù)，杉木、松樹(shù)等，要實(shí)現(xiàn)整體所有樹(shù)種實(shí)行精度評(píng)價(jià)，難以實(shí)現(xiàn)。本文針對(duì)按樹(shù)等分類(lèi)提取的樹(shù)種作為精度評(píng)價(jià)的主要對(duì)象，將沒(méi)有分類(lèi)的樹(shù)種或地類(lèi)類(lèi)別統(tǒng)歸于其它地類(lèi)，然后做一個(gè)掩膜文件將其不參與精度［6］。此次，參與精度評(píng)價(jià)的樹(shù)種主要有桉樹(shù)、杉木、松樹(shù)、灌木和竹林，精度評(píng)價(jià)主要采用混淆矩陣的評(píng)價(jià)方法。

在eCognition 平臺(tái)將458個(gè)樹(shù)種樣本對(duì)分類(lèi)結(jié)果進(jìn)行精度評(píng)價(jià)，在對(duì)其它林地掩膜不參與評(píng)價(jià)的基礎(chǔ)上，利用Assuracy Assessment Tool工具，得到表9的評(píng)價(jià)結(jié)果。

表9　基于規(guī)則集遙感信息提取精度評(píng)價(jià)表

由上表知，基于面向?qū)ο蠹夹g(shù)的分類(lèi)結(jié)果比基于像元的最大似然方法的分類(lèi)結(jié)果精度要高。基于面向?qū)ο蠓诸?lèi)的總體精度達(dá)到82.12%，Kappa系數(shù)達(dá)到0.8，且桉樹(shù)林的單類(lèi)精度達(dá)到88.69%；而基于像素的最大似然分類(lèi)的總體精度為68.83%，Kappa系數(shù)為0.67，桉樹(shù)林的單類(lèi)精度為75.84%。

5　結(jié)論

本文研究表明，以速生桉為例，用文中在方法可提高面向?qū)ο蟮男畔⑻崛【?，究其原因主要有三個(gè)方面：一是充分應(yīng)用高分辨影像豐富的光譜、紋理、屬性等空間特征，有效挖掘高分辨數(shù)據(jù)海量信息并應(yīng)用在實(shí)際分析上；二是采用面向?qū)ο蠖窍袼氐姆治龇椒ǎm當(dāng)控制過(guò)度關(guān)注局部信息而忽略重要信息特征的誤區(qū)，并采用類(lèi)與層相互繼承的方法，分類(lèi)層次更明確，目的和針對(duì)性更強(qiáng)；三是將圖像分割、特征提取與分析、規(guī)則集建立等技術(shù)手段應(yīng)用在信息提取上，可有效提高對(duì)遙感圖像的理解、地物識(shí)別以及地物空間信息，提高了信息提取的精度。而基于像素的最大似然分類(lèi)方法，屬于監(jiān)督分類(lèi)中常用的方法之一，由于圖像空間分辨率高，同類(lèi)地物內(nèi)部光譜差異逐漸增大，基于像素的分析方法則會(huì)過(guò)度關(guān)注地物細(xì)節(jié)而忽略高分辨數(shù)據(jù)的豐富的光譜、紋理等空間信息，這種局限性必然使得其分類(lèi)精度偏低。

［1］ 曹寶，秦其明. 面向?qū)ο蠓椒ㄔ赟POTS遙感圖像分類(lèi)中的應(yīng)用—以北京市海定區(qū)為例［J］.地理與地理信息科學(xué)，2006，32（2）:44-49.

［2］ 鄧書(shū)斌.ENVI遙感圖像處理方法［M］.北京:科學(xué)出版社，2010.

［3］ 熊軼群，吳健平.面向?qū)ο蟮某鞘芯G地信息提取方法研究［J］.華東師范大學(xué)學(xué)報(bào)自然科學(xué)版，2006（4）:84-90.

［4］ 葉傳奇，苗啟廣，王寶樹(shù).基于區(qū)域分割和Counterlet變換的圖像融合算法［J］.光學(xué)學(xué)報(bào)，2008，28（3）:447- 453.

［5］ 楊海濤，常義林，霍俊彥，等.應(yīng)用于多視點(diǎn)視頻編碼的基于深度特征的圖像區(qū)域分割與區(qū)域視差估計(jì)［J］.光學(xué)學(xué)報(bào)，2008，28（6）:1073-1078.

［6］ 劉直芳，王運(yùn)瓊，游志勝.簡(jiǎn)單有效的運(yùn)動(dòng)汽車(chē)投影陰影分割算法［J］.光學(xué)學(xué)報(bào)，2007，27（5）:835-840.

Based on the spectrum and texture combination of eucalyptus forest remote sensing information extraction

Eucalyptus growth speed， wide application， has the good economic benefit， social benefit and ecological benefit. But the eucalyptus trees planting， cutting and growth cycle， alternating between too frequently， the traditional forestry investigation will not only influenced by various subjective and objective factors， the credibility of and access to information is low. RapiEye images as data source，this paper combined with GPS survey method， combining with spectrum and texture object oriented analysis method， rule set and create knowledge， to extract eucalyptus forest information. Experiments show that the traditional supervised classification method based on pixel's overall accuracy is 68.83%， the Kappa coefficient is 0.67. And based on texture spectrum， create knowledge rule sets the object-oriented analysis method of combining the overall precision of eucalyptus information extraction of 82.12%， Kappa coefficient is 0.80， the extraction method can get better classification quality， efficiency and accuracy.

Spectral characteristics； texture feature； eucalyptus forest； remote sensing information； extraction method

S3-3

A

1008-1151（2016）04-0016-08

2016-03-10

廣西自然科學(xué)基金項(xiàng)目 （2014GXNSFAA118293）。

華璀（1962－），女，云南昆明人，廣西師范學(xué)院碩士研究生導(dǎo)師，從事廣西師范學(xué)院遙感與GIS教學(xué)與研究工作，研究方向?yàn)橘Y源環(huán)境遙感。