李春干 代華兵

(1.廣西大學(xué)林學(xué)院 南寧 530004； 2.廣西林業(yè)勘測設(shè)計院 南寧 530011)

?

基于統(tǒng)計檢驗的面向?qū)ο蟾叻直媛蔬b感圖像森林變化檢測

李春干1代華兵2

(1.廣西大學(xué)林學(xué)院 南寧 530004； 2.廣西林業(yè)勘測設(shè)計院 南寧 530011)

【目的】 探討基于統(tǒng)計檢驗的面向?qū)ο蟾呖臻g分辨率衛(wèi)星遙感圖像森林(地)變化的自動檢測，為準(zhǔn)確、快速、高效采集森林變化信息，及時更新森林資源數(shù)據(jù)庫提供一種有效方法?！痉椒ā?以森林(地)覆蓋變化頻繁和快速、變化圖斑多而小的廣西壯族自治區(qū)上思縣局部區(qū)域為研究區(qū)，以2013年12月資源三號衛(wèi)星圖像、2015年1月高分一號衛(wèi)星圖像和2013年小班專題圖為數(shù)據(jù)源，試驗基于統(tǒng)計檢驗的面向?qū)ο笊肿兓瘷z測方法： 1) 對兩時相圖像進(jìn)行多尺度分割，提取圖像對象(圖斑)各波段的灰度均值和標(biāo)準(zhǔn)差； 2) 鑒于兩時相圖像圖斑灰度均值、標(biāo)準(zhǔn)差的差值的頻率均近似呈正態(tài)分布，采用圖斑的灰度均值、標(biāo)準(zhǔn)差的差值構(gòu)造一個服從卡方分布的隨機(jī)變量； 3) 根據(jù)假設(shè)檢驗，在事先給定一個置信度后，通過一個自動的反復(fù)迭代計算流程逐次將統(tǒng)計量異常的變化圖斑檢測出來。【結(jié)果】 1) 對于一個事先給定的置信度，檢測出來的變化圖斑數(shù)量隨著迭代次數(shù)的增加而迅速減少； 2) 當(dāng)置信度分別為0.95、0.98、0.99和0.999時，分別通過25、23、20和15次迭代可將全部變化圖斑檢測出來，迭代次數(shù)隨著置信度的增大而減少； 3) 當(dāng)置信度為0.95～0.99時，隨著置信度提高，漏檢率升高、誤檢率降低，總體精度提高； 4) 當(dāng)置信度為0.99時，總體精度達(dá)92.6%，Kappa系數(shù)為0.764 8，檢測結(jié)果最好?！窘Y(jié)論】 基于統(tǒng)計檢驗的面向?qū)ο蟾叻直媛蔬b感圖像森林變化檢測方法具有嚴(yán)密的統(tǒng)計學(xué)基礎(chǔ)，直接對分割圖像進(jìn)行計算，不需建立訓(xùn)練樣本，不依靠任何外來信息，不需人為干預(yù)，整個檢測過程自動完成，并且檢測效果良好，在森林(地)變化檢測中具有良好的應(yīng)用前景。

森林變化檢測； 圖像分割； 統(tǒng)計檢驗； 卡方分布

森林資源是可再生的動態(tài)資源。為解決調(diào)查間隔期(我國國有林場森林資源調(diào)查周期一般為5年，集體林區(qū)為10年)內(nèi)森林資源數(shù)據(jù)存在的“一年清、兩年變、三年亂”的問題，提高森林經(jīng)營和林業(yè)可持續(xù)發(fā)展決策的科學(xué)性，需要準(zhǔn)確采集森林變化信息，及時更新森林資源數(shù)據(jù)庫。由于森林分布的廣域性及森林變化發(fā)生地點的分散性和隨機(jī)性，以往以地面調(diào)查為主的森林變化信息采集方法存在工作量大、勞動強(qiáng)度高、效率低、成本高(趙憲文等， 2002)、精度低(李春干等， 2006)等難以克服的問題，鮮見大規(guī)模長期應(yīng)用的成功案例，這也是我國幾十年來一直未能實現(xiàn)森林資源“年度出數(shù)”的主要原因，森林變化信息采集成了長期以來森林資源信息更新的瓶頸。鑒于遙感瞬間視場中地表特征隨時間發(fā)生的變化引起了2個時相圖像像元光譜響應(yīng)的變化(馬建文等， 2004；周啟鳴， 2011；陳鑫鏢， 2012)，通過遙感圖像變化檢測，可以確定森林變化的空間位置、類型和數(shù)量(李世明等， 2011)，因此，近10多年來，基于遙感圖像變化檢測的森林變化信息采集方法逐漸得到廣泛應(yīng)用(Descléeetal., 2006；Potapovetal., 2012；石軍南等， 2010；魏安世等， 2010；王志慧等， 2011；王志杰， 2015)。

眾多學(xué)者從不同角度基于不同應(yīng)用對遙感圖像變化檢測的方法和理論模型進(jìn)行了大量研究，提出了很多變化檢測方法，如代數(shù)法、變換法、分類比較法、高級模型法、GIS集成法、面向?qū)ο蠓?、時間序列法、可視化法等(Luetal., 2004)。但由于傳感器不同、檢測目標(biāo)相異、變化特征表現(xiàn)差異大，變化檢測十分復(fù)雜和困難，沒有一種方法能夠適合于所有的應(yīng)用問題，不同方法有時會得出不同甚至相互矛盾的結(jié)論，而且自動化程度偏低(周啟鳴， 2011)。因此，需要根據(jù)不同的數(shù)據(jù)源、不同的森林變化特點進(jìn)行有針對性的試驗。

面向?qū)ο笞兓瘷z測方法通過圖像分割將相鄰?fù)|(zhì)的多個像元組成1個對象，并以此為單元進(jìn)行分析。該方法可充分利用光譜和紋理信息，結(jié)合了目視解譯的紋理分析和像元法的定量分析的優(yōu)勢(Descléeetal., 2006)，具有受噪聲和預(yù)處理影響小的特點，并且可結(jié)合GIS專題圖等其他多源信息，是目前最有潛力的一種方法(周啟鳴， 2011)。本研究以森林(地)覆蓋變化頻繁和快速、變化圖斑多而小的廣西壯族自治區(qū)上思縣局部區(qū)域為研究區(qū)，以資源三號和高分一號衛(wèi)星圖像和小班專題圖為數(shù)據(jù)源，采用面向?qū)ο蠓椒?，深入分析了兩時相圖像光譜(均值的標(biāo)準(zhǔn)差)差值的統(tǒng)計分布，探討基于統(tǒng)計檢驗的面向?qū)ο蟾叻直媛市l(wèi)星遙感圖像森林(地)變化的自動檢測，為準(zhǔn)確、快速、高效采集森林變化信息，及時更新森林資源數(shù)據(jù)庫提供一種有效方法。

1 研究區(qū)概況和數(shù)據(jù)源

1.1 研究區(qū)及其森林概況

研究區(qū)位于廣西壯族自治區(qū)南部的上思縣東北部，是一個10.7 km×11.3 km的矩形區(qū)域，面積約12 000 hm2，中心地理位置為108°01′50″E，22°10′17″N。南部為十萬大山山脈，北部為四方嶺山脈，中部為縣城和平緩耕地。最高海拔750 m，最低90 m，地形陡峭，一般坡度20°～35°。地處北回歸線以南，屬南亞熱帶季風(fēng)氣候，全年雨熱充沛且同季，夏長冬短，冬少嚴(yán)寒，夏少酷熱，無霜期短，干濕季明顯。年平均日照時數(shù)1 896.1 h，年平均氣溫21.7 ℃，≥10 ℃年活動積溫7 700～7 800 ℃，年無霜期339天，年均降雨量1 217 mm。

常見植被為馬尾松(Pinusmassoniana)林(大部分為天然次生林，少部分為人工林)和桉樹[主要為尾葉桉(Eucalyptusurophylla)和巨尾桉(E.grandis×E.urophylla)]人工林。據(jù)2013年林地變更調(diào)查結(jié)果，研究區(qū)內(nèi)林地和非林地的面積比例分別為58.7%和41.3%。馬尾松林、桉樹林和一般闊葉樹天然次生林面積分別占森林面積的52.1%、40.0%和4.3%。

1.2 森林(地)變化特點

從遙感圖像變化檢測的角度分析，研究區(qū)森林(地)變化具有如下特點：1) 林地變化頻繁。桉樹人工林為高度集約經(jīng)營，林木生長迅速，輪伐期為4～6年，因此，森林-無林地(采伐跡地)變化頻繁。2) 森林恢復(fù)快速。桉樹人工造林6個月林分平均高達(dá)3.8 m(黃榮林， 2006)，2.25～2.67年時平均高為13.1～17.3 m(陳健波等， 2011)，3年生年均蓄積生長量為49.8 m3·hm-2a-1(張健軍等， 2012)，最高可達(dá)70.3 m3·hm-2a-1(項東云等， 2008)。森林采伐主要為桉樹林和馬尾松林，均為皆伐。桉樹林采伐后，通過萌芽方式更新，馬尾松林采伐后，當(dāng)年春夏或次年春季通過植苗造林方式更新為桉樹林。據(jù)調(diào)查， 2013年上思縣森林采伐面積為8 952.3 hm2，至當(dāng)年底，除24.7%仍保留為采伐跡地外，其余采伐跡地經(jīng)更新造林后均轉(zhuǎn)化為新造林地。采伐跡地-幼林的轉(zhuǎn)化極為迅速，有研究表明，當(dāng)成像時間與林分采伐時間間隔大于9個月時，資源一號02C圖像和天繪一號圖像NDVI差值的標(biāo)準(zhǔn)差的差值很小，難以通過遙感圖像進(jìn)行檢測(付強(qiáng)等， 2013)。3) 變化圖斑多。2013年全縣變化圖斑多達(dá)4 142個，其中造林更新圖斑2 255個，采伐(含毀林開墾)圖斑1 758個。4) 變化圖斑面積小。全縣變化圖斑平均面積為3.9 hm2，面積小于1.0、2.0和3.0 hm2的變化圖斑數(shù)量分別占全部變化圖斑的46%、65%和75%。

1.3 數(shù)據(jù)與預(yù)處理

衛(wèi)星遙感數(shù)據(jù)為2013年12月7日成像的資源三號(ZY-3)圖像(全色波段空間分辨率為2.1 m，波長為0.50～0.80 μm；多光譜波段空間分辨率為5.8 m，波長范圍：藍(lán)波段為0.45～0.52 μm，綠波段為0.52～0.59 μm，紅波段為0.63～0.69 μm，近紅外波段為0.77～0.89 μm)和2015年1月15日成像的高分一號(GF-1)圖像(全色波段空間分辨率為2 m，波長為0.45～0.90 μm；多光譜波段空間分辨率為8 m，波長范圍與ZY-3圖像相同)。兩景圖像分別采用1∶10 000正射航空圖像(DOM)和分辨率為30 m的DEM進(jìn)行幾何精度校正(正射)，總誤差不大于1個像元，并進(jìn)行分辨率融合，兩景圖像均重采樣至空間分辨率為2 m。以GF-1圖像為參考圖像對ZY-3圖像進(jìn)行直方圖匹配。

小班專題圖為2013年森林資源變更調(diào)查成果圖(1 244個小班，ArcGIS shp格式)。該調(diào)查于2014年通過對2013年ZY-3等圖像變化檢測提取變化圖斑邊界，經(jīng)實地逐一核對、修正其邊界后對2008年森林資源數(shù)據(jù)庫進(jìn)行更新而得。小班專題圖和遙感圖像具有相同的投影系統(tǒng)。

2 變化圖斑檢測方法

2.1 變化類型確定

鑒于本研究針對的是森林(地)的變化檢測，故檢測目標(biāo)不包含非林地(農(nóng)用地、建設(shè)用地和水體等)。根據(jù)研究區(qū)森林(地)變化情況，從遙感圖像變化檢測的角度分析，森林(地)包括3種類型：1) 成林地，在ZY-3和GF-1圖像上，林齡較大的林分紋理較為粗糙，林齡較小的林分紋理較為光滑； 2) 無林地，包括采伐后未更新或更新后幼林未郁閉成林、完全或部分裸露的林地和已經(jīng)占用征收的林地，在假彩色圖像上表現(xiàn)色彩基本一致，幾無紋理，可見林區(qū)道路，與周圍的成林地區(qū)分明顯； 3) 幼林地，指采伐后造林更新6個月至1年林木尚未完全郁閉的林地，在彩色圖像上色彩與成林地相近，紋理不明顯，運(yùn)材林道清晰可見。見圖1。

圖1 成林地、幼林地和采伐跡地在GF-1圖像(RGB=紅-近紅外-藍(lán))上的表征Fig.1 An illustration of old, young, and newly-cleared forest area on the GF-1 image (bands 3-red, 4-near infrared, and 1-blue)

將不變作為1個變化類型，則3種林地類型共有9種變化類型：1) 成林地-成林地； 2) 成林地-無林地； 3) 成林地-幼林地； 4) 無林地-無林地； 5) 無林地-成林地； 6) 無林地-幼林地； 7) 幼林地-幼林地； 8) 幼林地-成林地； 9) 幼林地-無林地。從變化檢測的角度看，1)、4)、7)3種類型為不變類型，其余類型均屬變化類型。

2.2 兩時相圖像的多尺度分割

在一般面向?qū)ο蟮膱D像分析中，圖像分割均針對一景圖像(Flandersetal., 2003；Wuldeetal., 2004)，為使分割后的圖像對象能準(zhǔn)確描述變化圖斑的邊界，故兩時相圖像中全部8個波段同時參與分割。圖像分割在Defines?Developer軟件平臺中進(jìn)行，為尋求最能準(zhǔn)確表現(xiàn)變化圖斑邊界的圖層，進(jìn)行由大尺度至小尺度的多尺度分割，分割參數(shù)見表1。第1層分割的對象為全部像元，小班專題圖參與分割，目的是將2013年小班調(diào)查的土地類型屬性賦予圖像對象，為后續(xù)尺度更小的分割作掩膜用途，第2、3層僅對林地范圍進(jìn)行分割。

表1 圖像多尺度分割參數(shù)

采用目視評價方法，確定第3層圖斑邊界與圖像表征最吻合，因此后續(xù)圖像分析和檢測均以該層為基礎(chǔ)進(jìn)行。第3層數(shù)據(jù)中，共有林地對象(圖斑)12 861個，刪除面積小于500 m2的碎小斑塊后，剩余12 609個，平均每個圖斑包含1 405個像元，最少包含125個像元，最多包含34 804個像元。

2.3 對象特征提取

圖2 差值圖像中4個波段灰度均值和標(biāo)準(zhǔn)差的頻率分布Fig.2 Frequencies of object mean and standard deviation of four bands of the different images

XT1i=(mT1i1,…,mT1i4,sT1i1，…,sT1i4)′，

XT2i=(mT2i1,…,mT2i4,sT2i1，…,sT2i4)′。

(1)

由于本研究的目的是變化信息提取，故更關(guān)注兩時相圖像的差異情況。兩時相圖像相應(yīng)波段具有相同的光譜范圍，因此可計算各個圖斑4個波段的灰度均值和標(biāo)準(zhǔn)差的差值(可視為差值圖像中各圖斑的均值和標(biāo)準(zhǔn)差)，兩時相特征向量的變化向量(ΔXi)為：

ΔXi=(Δmi1,…,Δmi4,Δsi1,…,Δsi4)′=

(mT2i1-mT1i1,…,mT2i4-mT1i4,sT2i1-

sT1i1,…,sT2i4-sT1i4)′。

(2)

顯然，ΔXi反映了第i個圖斑對應(yīng)的地面區(qū)域2個年度間光譜響應(yīng)的變化。一般而言，當(dāng)林地覆蓋變化不劇烈時，如森林不采伐、采伐跡地未更新等，Δmij(i,j=1,2,…,4)較小，反之Δmij較大，故可用ΔXi進(jìn)行森林變化檢測。

2.4 對象特征分析與檢測算法

將各個圖斑的XT1、XT2和ΔXi從Defines? Developer軟件中導(dǎo)出。全部圖斑在差值圖像中的灰度均值用其標(biāo)準(zhǔn)差進(jìn)行頻率分析，結(jié)果見圖2。由圖2可知，無論是均值(圖2a)還是標(biāo)準(zhǔn)差(圖2b)，均近似呈正態(tài)分布。

進(jìn)一步分析發(fā)現(xiàn)，在各波段灰度均值和標(biāo)準(zhǔn)差的二維平面空間上，不變圖斑和變化圖斑的分布具有明顯的規(guī)律性：不變圖斑集中分布于中心區(qū)域，而變化圖斑分布于外圍區(qū)域。圖3為變化圖斑和不變圖斑在近紅外波段(第4波段)灰度均值和標(biāo)準(zhǔn)差二維平面空間上的分布。

圖3 2類圖斑在差值圖像近紅外波段灰度均值和標(biāo)準(zhǔn)差二維平面空間上的分布Fig.3 A scatter plot of changed/unchanged objects on the axes of object mean and standard deviation of NIR spectral band of the different images

2.5 變化圖斑檢測算法

由圖2，可以假定差值圖像的均值和標(biāo)準(zhǔn)差均呈正態(tài)分布，即

ΔX～N(μ,σ2)。

(3)

除采伐(皆伐)、造林更新外，研究區(qū)森林經(jīng)營活動主要為1～3年生桉樹林的除草、施肥，均在林下進(jìn)行，無間伐、擇伐，不會導(dǎo)致林地覆蓋明顯變化，同一區(qū)域的地物反射特征保持穩(wěn)定，在兩時相圖像上的灰度值相差較小。經(jīng)圖像分割取平均值后，不變圖斑的對象特征在兩時相圖像上的差異進(jìn)一步削弱。因此，可以假定不變圖斑的對象特征(均值和標(biāo)準(zhǔn)差)服從正態(tài)分布。對于采伐、造林更新活動而導(dǎo)致變化的林分，由于林地覆蓋狀況發(fā)生了劇烈變化，其太陽輻射的反射特征發(fā)生了較大變化，在兩時相圖像上表現(xiàn)為對象特征值相差較大。當(dāng)將全部圖斑在差值圖像上的對象特征作頻率分布分析時，不變圖斑位于0值附近，變化圖斑位于分布曲線的前端和后端(圖2)，作灰度均值和標(biāo)準(zhǔn)差二維平面分布分析時，不變圖斑位于中心，變化圖斑位于不變圖斑的外圍(圖3)。

由以上分析，對ΔXi通過xi=(xi-xmin)/(xmax-xmin)作中心化處理后，可以假定在差值圖像上不變圖斑的向量Xi服從均值為m、協(xié)方差矩陣為∑的正態(tài)分布，則向量Xi的平方和

Ci=(Xi-m)∑-1(Xi-m)

(4)

(5)

3) 重復(fù)2)，直至無變化圖斑剔除為止。

2.6 檢測精度評價方法

在ArcGIS軟件平臺支持下，通過驗證樣地進(jìn)行檢測精度評估。具體方法如下：1) 采用Hawthorne Analysis Tools for ArcGIS軟件(Beyer, 2015)，在試驗區(qū)范圍內(nèi)隨機(jī)生成1 000塊面積為30 m×30 m的地面驗證樣地，得到一個精度檢驗樣地文件(ArcGIS shp格式)； 2) 將精度檢驗樣地文件與遙感圖像、2013年小班分布圖疊合，通過目視解譯方法逐一確定各個樣地所屬的變化類型，若樣地中包含2個或以上變化類型，以所占面積大的類型為樣地變化類型，若2個或以上類型的面積相等，以外延面積大的類型為樣地變化類型； 3) 將精度檢驗樣地文件分別與檢測結(jié)果(ArcGIS shp格式)進(jìn)行空間疊置分析，得到各個樣地所屬的檢測類型； 4) 采用混淆矩陣計算相關(guān)精度指標(biāo)。

3 結(jié)果與分析

3.1 試驗結(jié)果

編寫算法的計算機(jī)程序，分別以危險率α=0.05、0.02、0.01和0.001(相應(yīng)的置信度分別為0.95、0.98、0.99和0.999)進(jìn)行獨立檢測(全部運(yùn)行時間約2 h)，4塊檢測分別進(jìn)行了25、23、20和15次迭代，各次檢測到的變化圖斑數(shù)量變化情況見圖4a，α=0.01時各次迭代檢測到的變化圖斑在差值圖像近紅外波段均值和標(biāo)準(zhǔn)差二維平面空間的分布見圖4b。α=0.01時的檢測結(jié)果見圖5。

3.2 檢測精度分析

采用混淆矩陣進(jìn)行檢測精度評價，結(jié)果見表2。

圖4 4個危險率檢測中各次迭代檢測到的變化圖斑數(shù)量變化曲線(a)和α=0.01時各次迭代檢測到的變化圖斑在差值圖像近紅外波段灰度均值(d_b4)和標(biāo)準(zhǔn)差(d_stdb4)二維平面空間的分布(b)Fig.4 Number changes of change objects detected in every iteration of four detections based on confidence level of 0.95,0.98,0.99 and 0.999(a) and their distributions detected on the confidence level of 0.99 on the axes of the difference of DN means and standard deviations of NIR spectral band

圖5 圖斑邊界與兩時相原始圖像(a、b，RGB=紅-近紅外-藍(lán))疊合效果及α=0.01時的檢測結(jié)果(c)Fig.5 False color composite subsets (RGB=NIR-Red-Green) of ZY-3 and GF-1 image overlaid by the two period data segmentation results,and the hatched regions on the output map corresponding to changed objects detected with α=0.01

置信度Confidencelevel類別Class實際為變化Detectedaschange實際為未變化Detectedasunchange總計Total漏檢率Omissionerror(%)誤檢率Commissionerror(%)總體精度Overallaccuracy(%)Kappa系數(shù)Kappaparameter檢測為變化Changedetected166281447P1-α=0.95檢測為不變化Nochangedetected105435535.762.970.90.3751合計Total1768241000檢測為變化Changedetected161103264P1-α=0.98檢測為不變化Nochangedetected157217368.539.088.20.6600合計Total1768241000檢測為變化Changedetected15856214P1-α=0.99檢測為不變化Nochangedetected1876878610.226.292.60.7648合計Total1768241000檢測為變化Changedetected12451175P1-α=0.999檢測為不變化Nochangedetected5277382529.529.189.70.6441合計Total1768241000

由表2可知，隨著置信度提高，漏檢率升高、誤檢率降低，當(dāng)置信度為0.99時，總體精度和Kappa系數(shù)均最大，說明在這一置信水平上結(jié)果最好。

當(dāng)置信度為0.99時，檢測錯誤主要是將不變的成林地-成林地檢測為變化(誤檢)、將變化的成林地-幼林地檢測為不變(漏檢)以及將不變的無林地-無林地檢測為變化(誤檢)，此外，無林地-幼林地、幼林地-成林地的漏檢率分別達(dá)到40%和36%。

漏檢錯誤主要出現(xiàn)在與幼林地相關(guān)的變化類型上，包括成林地-幼林地、無林地-幼林地和幼林地-成林地。這3種類型雖屬變化類型，但其中一些圖斑的地表特征變化不夠明顯，兩時相圖像的光譜差異較小，因此，容易造成漏檢。無林地-無林地為不變類型，但在3個可靠性水平的檢測中，其誤檢率分別達(dá)到75%、65%和45%，表面上不好解釋。通過圖像觀察發(fā)現(xiàn)，隨著時間的推移，部分林區(qū)道路圖斑受路旁林木生長和采伐的影響，圖像表征發(fā)生了較大變化，故誤檢為變化圖斑；一些無林地(荒地)圖斑經(jīng)占用征收后變成了建設(shè)用地，地表特征也發(fā)生了較大變化，故誤檢為變化圖斑。進(jìn)一步分析發(fā)現(xiàn)，“無林地-無林地”在兩時相圖像4個波段灰度值差值的標(biāo)準(zhǔn)差遠(yuǎn)大于其相應(yīng)的均值，其變異系數(shù)高達(dá)3.43～42.34，說明一些無林地盡管沒有發(fā)生類型轉(zhuǎn)換，但其光譜變化很大，因此，在迭代過程中將相當(dāng)一部分光譜變化較大的“無林地-無林地”檢測為變化圖斑，造成了誤檢。

4 討論

通過前面分析可知，本研究討論的變化檢測方法集圖像分割、圖像差表達(dá)、統(tǒng)計檢驗和變化圖斑識別于一體。

面向?qū)ο蟮膱D像分析方法綜合考慮了遙感圖像的光譜特征和空間特征，通過基于光譜異質(zhì)性標(biāo)準(zhǔn)和空間異質(zhì)性標(biāo)準(zhǔn)的多尺度分割(Walter, 2004)后，得到了大量光譜高度同質(zhì)且與相鄰區(qū)域明顯異質(zhì)的圖像對象(圖斑)。當(dāng)兩時相圖像共8個波段的數(shù)據(jù)同時參與分割并根據(jù)各自的標(biāo)準(zhǔn)差設(shè)置其權(quán)重時，圖像分割過程中考慮了各個局部區(qū)域兩時相圖像的光譜差異，可有效將變化區(qū)域與不變化區(qū)域分離，得到準(zhǔn)確的變化圖斑邊界(圖5)。此外，在圖像分割過程中，小班專題圖參與分割，可確保分割后的圖斑邊界不超出小班邊界，并將小班內(nèi)部光譜異質(zhì)區(qū)域(即變化區(qū)域)切割出來，運(yùn)行檢測程序后可將變化區(qū)域檢測出來，經(jīng)適當(dāng)編輯后即可得到用于小班專題圖更新的變化圖斑圖層，為實現(xiàn)以小班為單元的變化信息采集、更新小班空間信息奠定了基礎(chǔ)。

在前期試驗中發(fā)現(xiàn)，不但變化圖斑的灰度值差值大于不變圖斑，而且其標(biāo)準(zhǔn)差差值也大于不變圖斑，因此，在變化檢測中，標(biāo)準(zhǔn)差的差值是十分有用的信息，同時利用兩時相圖像灰度值和標(biāo)準(zhǔn)差的差值信息，有助于提高檢測精度。

本研究采用的方法直接對分割圖像進(jìn)行運(yùn)算，通過迭代方法逐次將變化圖斑檢測出來，不需任何訓(xùn)練樣本和外部信息，具有非監(jiān)督分類的特性(盛輝等， 2004)。

5 結(jié)論

基于統(tǒng)計檢驗的面向?qū)ο蟾叻直媛蔬b感圖像森林變化檢測方法具有嚴(yán)密的統(tǒng)計學(xué)基礎(chǔ)，直接對分割圖像進(jìn)行計算，不需建立訓(xùn)練樣本，不依靠任何外來信息，不需人為干預(yù)，整個檢測過程自動完成，并且檢測效果良好，在森林(地)變化檢測中具有良好的應(yīng)用前景。

陳健波, 劉 健. 2011. 丘陵地桉樹無性系人工林生長調(diào)查. 林業(yè)科技開發(fā), 25(4):67-70.

(Chen J B,Liu J.2011. Growth investigation on plantations ofEucalyptusin hill lands in Guangxi. China Forestry Science and Technology, 25(4):67-70. [in Chinese])

陳鑫鏢. 2012. 遙感影像變化檢測技術(shù)發(fā)展綜述. 測繪與空間地理信息, 35(9):38-41.

(Chen X B. 2012. A summary of change detection techniques of remote sensing imagery. Geomatics & Spatial Information Technology, 35(9):38-41. [in Chinese])

付 強(qiáng), 代華兵, 薛曉坡. 2013. 高分辨遙感影像森林覆蓋變化檢測研究. 林業(yè)資源管理,(5): 76-79.

(Fu Q, Dai H B, Xue X P. 2013. Forest cover change detection by using high-resolution remote sensing image. Forest Resources Management,(5): 76-79. [in Chinese])

黃榮林. 2006. 桉樹速生豐產(chǎn)林營造技術(shù)及效益分析. 廣西林業(yè)科學(xué), 35(增): 28-29, 36.

(Huang R L. Afforestation technology and benefit analysis of fast-growing and high-yield plantation ofEucalyptus. Guangxi Forestry Science, 35(Supp): 28-29, 36. [in Chinese])

李春干, 代華兵, 李崇貴. 2006. 基于高分辨率衛(wèi)星圖像的小班勾繪精度檢驗. 福建林學(xué)院學(xué)報, 26(2):127-130.

(Li C G, Dai H B. Li C G. 2006. Accuracy inspection of subcompartment division based on hi-resolution remote sensing imagery. Journal of Fujian College of Forestry, 26(2): 127-130. [in Chinese])

李世明, 王志慧, 韓學(xué)文, 等. 2011. 森林資源變化遙感監(jiān)測技術(shù)研究進(jìn)展. 北京林業(yè)大學(xué)學(xué)報, 33(3): 132-138.

(Li S M, Wang Z H, Han X W,etal. Overview of forest resources change detection methods using remote sensing techniques. Journal of Beijing Forestry University, 33(3): 132-138.[in Chinese])

馬建文, 田國良, 王長耀, 等. 2004. 遙感變化檢測技術(shù)發(fā)展綜述. 地球科學(xué)進(jìn)展, 19(2): 192-196.

(Ma J W, Tian G L, Wang C Y,etal. 2004. Review of the development of remote sensing change detection technology. Advance in Earth Sciences, 19(2): 192-196. [in Chinese])

盛 輝, 廖明生, 張 路. 2004. 基于典型相關(guān)分析的變化檢測中變化閾值的確定. 遙感學(xué)報, 8(5): 451-457.

(Sheng H, Liao M S, Zhang L. 2004. Determination of threshold in change detection based on canonical correlation analysis. Journal of Remote Sensing, 8(5): 451-457. [in Chinese])

石軍南, 李和順, 劉曉農(nóng), 等. 2010. 面向?qū)ο蠓诸惙椒ㄔ谏植煞ミb感監(jiān)測中的應(yīng)用. 中南林業(yè)科技大學(xué)學(xué)報, 30(11): 6-10.

(Shi J N, Li H S, Liu X N,etal. Application of classification object-oriented to forest cutting monitoring based on remote sensing. Journal of Central South University of Forestry & Technology, 30(11): 6-10. [in Chinese])

王志慧, 李世明, 張藝偉. 2011. 基于C5.0算法的森林資源變化檢測方法研究——以山東省徂徠山林區(qū)為例. 西北林學(xué)院學(xué)報, 26(5): 185-191.

(Wang Z H, Li S M, Zhang Y W. 2011. Methodological study on the detection of the variations of forest resources based on C5.0 algorithm— a case of Culai forest in Shandong. Journal of Northwest Forestry University, 26(5): 185-191. [in Chinese])

王志杰. 2015. 基于遙感影像分割單元的土地利用變化快速檢測方法. 南京林業(yè)大學(xué)學(xué)報: 自然科學(xué)版, 39(3): 1-5.

(Wang Z J. 2015. Rapid detection method for land use change based on remote sensing images segmentation units. Journal of Nanjing Forestry University：Natural Science Edition, 39(3): 1-5. [in Chinese])

魏安世, 楊志剛. 2010. 森林資源年度監(jiān)測小班數(shù)據(jù)自動更新技術(shù). 南京林業(yè)大學(xué)學(xué)報：自然科學(xué)版, 34(4): 123-128.

(Wei A S, Yang Z G. 2010. Automatic updating technique of subcompartment data for annual monitoring of forest resource. Journal of Nanjing Forestry University: Natural Science Edition, 34(4): 123-128.[in Chinese])

項東云, 陳健波, 劉 健, 等. 2008. 廣西桉樹資源和木材加工現(xiàn)狀與產(chǎn)業(yè)發(fā)展前景. 廣西林業(yè)科學(xué), 37(4):175-178.

(Xiang D Y, Chen J B, Liu J,etal. 2008. Current status and development prospect ofEucalyptusresource and timber processing in Guangxi. Guangxi Forestry Science, 37(4):175-178. [in Chinese])

張健軍, 韋曉娟, 傅 鋒, 等. 2012.廣西桉樹速生豐產(chǎn)林調(diào)查與經(jīng)濟(jì)效益評價. 林業(yè)經(jīng)濟(jì),(9): 34-37.

(Zhang J J, Wei X J, Fu F,etal. 2012. Survey and economic benefit evaluation on fast-growing and high-yieldingEucalyptusspp. plantation in Guangxi. Forestry Economics,(9): 34-37.[in Chinese])

趙憲文, 李崇貴, 斯 林. 2002. 基于信息技術(shù)的森林資源調(diào)查新體系. 北京林業(yè)大學(xué)學(xué)報, 24(5): 147-155.

(Zhao X W, Li C G, Si L,etal. 2002. Builting a new system of forest resources inventory by information technology. Journal of Beijing Forestry University, 24(5): 147-155. [in Chinese])

周啟鳴. 2011. 多時相遙感影像變化檢測綜述. 地理信息世界,(2): 28-33.

(Zhou Q M. 2011. Review on change detection using multi-temporal remotely sensed imagery. Geomatice World,(2): 28-33.[in Chinese])

Beyer H L. 2015.Hawth’s tool.[2015-07-20].http://www.spatialecology.com/htools.

Desclée B, Bogaert P, Defourny P. 2006. Forest change detection by statistical object-based method. Remote Sensing of Environment,102(1/2): 1-11.

Flanders D, Hall-Beyer M, Pereverzoff J. 2003. Preliminary evaluation of eCognition object-based software for cut block delineation and feature extraction. Canadian Journal of Remote Sensing, 29(4): 441-452.

Lu D, Mausel P,Brondizio E,etal. 2004. Change detection techniques. International Journal of Remote Sensing, 25(12): 2365-2407.

Potapov P V, Turubanova S A, Hansen M C,etal. 2012. Quantifying forest cover loss in democratic Republic of the Congo, 2000—2010, with Landsat ETM+ data. Remote Sensing of Environment, 122:106-116.

Walter V. 2004. Object-based classification of remote sensing data for change detection. ISPRS Journal of Photogrammetry & Remote Sensing,58(3/4): 225-238.

Wulde A A,Skakun R S, Kurz W A,etal. 2004. Estimating time since forest harvest using segmented Landsat ETM+ imagery. Remote Sensing of Environment, 93(1/2):179-187.

(責(zé)任編輯 石紅青)

Statistical Object-Based Method for Forest Change Detection Using High-Resolution Remote Sensing Images

Li Chungan1Dai Huabing2

(1.Forestry College of Guangxi University Nanning 530004； 2.Guangxi Forest Inventory and Planning Institute Nanning 530011)

【Objective】 Collecting forest-change information accurately, quickly and efficiently to update forest resource databases in time is critically important for scientific decision-making of forest management and forestry sustainable development, and has long been one of the major technical challenges in forest resource management.【Method】In this paper, an object-based statistical method was applied to detect forest changes in a study site located in Shangsi County, Guangxi Zhuang Autonomous Region where the forest cover has experienced frequent changes over time associated with a large number of parcels with relatively small sizes. High spatial resolution satellite images of ZY-3, GF-1 and the vector sub-compartment map of forest distribution were served as the data sources. Object features were extracted by using multi-resolution segmentation of satellite images accompanying with the thematic map.As the frequencies of the difference of the objects’ mean gray value and standard deviation of the two-temporal images were approximate the normal distributions, chi-square distribution statistic was using with the difference between object mean value and standard deviation. Therefore the change objects with abnormal statistics were flagged one by one with a statistical procedure of iterative trimming.【Result】The results indicated that for a given confidence level, the detected number of change objects decreased rapidly as the iteration number increased. When the confidence level was set at 0.95, 0.98, 0.99 and 0.999, the corresponding changed objects were labeled through 25, 23, 20 and 15 iterations, respectively. Along with changes in the confidence levels from 0.95 to 0.99, the omission rate increased,as a result, the commission rate decreased and the overall accuracy increased.The best result was achieved with the confidence level was 0.99 as the overall accuracy was 92.6% and the Kappa was 0.764 8.【Conclusion】 The advantage of the method proposed in this paper was object-based and statistically driven, directly detected forest changes from the dataset generated from the image segmentation, did not rely on external information and human intervention, could be executed automatically in the entire procedure, and generated satisfactory results.Furthermore,this approach was potentially an ideal method for forest change detection.

forest change detection; image segmentation; statistical test; chi square distribution

10.11707/j.1001-7488.20170509

2015-12-03；

2016-02-28。

廣西林業(yè)科學(xué)研究項目(GXLYKJ201423)。

S771.8

A

1001-7488(2017)05-0074-08