汪康寧，呂 杰，李崇貴

（西安科技大學(xué) 測繪科學(xué)與技術(shù)學(xué)院，陜西 西安 710054）

基于多尺度遙感影像紋理特征的森林蓄積量反演

汪康寧，呂 杰，李崇貴

（西安科技大學(xué) 測繪科學(xué)與技術(shù)學(xué)院，陜西 西安 710054）

以國產(chǎn)“高分一號”衛(wèi)星（以下簡稱GF-1）獲取的遙感影像數(shù)據(jù)與少量研究區(qū)樣地數(shù)據(jù)為數(shù)據(jù)源，構(gòu)建以光譜信息與多尺度紋理特征為特征變量的森林蓄積量反演模型，探討不同尺度下提取的紋理特征對森林蓄積量估測模型準(zhǔn)確度的影響，通過對特征變量的優(yōu)選，尋求一種提高森林蓄積量反演模型的準(zhǔn)確度的方法。首先，對覆蓋研究區(qū)域的GF-1遙感影像進行重采樣，得到覆蓋研究區(qū)域的不同分辨率的影像序列，基于不同窗口大小的灰度共生矩陣提取影像序列的紋理特征，與遙感影像光譜信息共同作為特征變量；然后，使用隨機森林(random forest，RF)算法構(gòu)建森林蓄積量反演模型，對研究區(qū)域的森林蓄積量進行估測，分析不同特征變量與窗口大小對森林蓄積量反演模型準(zhǔn)確度的影響；最后，通過比較特征變量重要性，確定森林蓄積量反演模型的最佳特征變量與窗口大小選擇，對研究區(qū)進行森林蓄積量反演，得到研究區(qū)域的森林蓄積量分布圖。當(dāng)使用從8m分辨率遙感影像提取的紋理特征與光譜信息作為特征變量時，森林蓄積量反演模型準(zhǔn)確度明顯優(yōu)于使用其他特征變量。其中，當(dāng)灰度共生矩陣窗口大小設(shè)置為9×9時，森林蓄積量反演模型準(zhǔn)確度最高，為R2=0.70，RMSE=6.317。在根據(jù)重要性對從多尺度遙感影像提取的紋理特征進行選擇后，所構(gòu)建的森林蓄積量反演模型的準(zhǔn)確度為R2=0.74，RMSE=6.439。使用較高分辨率遙感影像提取的紋理特征作為特征變量，可以有效的提升森林蓄積量反演模型的準(zhǔn)確度。將基于不同分辨率遙感影像提取到的紋理特征作為特征變量，其模型準(zhǔn)確度優(yōu)于使用單一分辨率遙感影像所提取的紋理特征。

森林蓄積量；隨機森林；多尺度；紋理特征；高分一號衛(wèi)星

森林是地球生態(tài)系統(tǒng)中重要的組成部分，其碳匯功能對維持全球碳平衡起著重要的作用。森林蓄積量作為森林資源調(diào)查中的一個重要因子，是評價森林固碳能力的重要指標(biāo)，及時準(zhǔn)確地獲取森林蓄積量信息可以為區(qū)域生態(tài)狀況評價提供重要依據(jù)[1-2]。傳統(tǒng)的一、二類森林資源調(diào)查是森林蓄積量重要的測算方法之一，這種方法雖然準(zhǔn)確度較高，但在時間與空間上存在較大局限性，調(diào)查過程也會耗費大量的人力物力。隨著遙感技術(shù)的發(fā)展，基于遙感影像與少量樣地數(shù)據(jù)的森林蓄積量估測方法得到了國內(nèi)外學(xué)者的廣泛研究[3-5]，如何提高森林蓄積量估測模型的準(zhǔn)確度已經(jīng)成為了林業(yè)遙感新的研究熱點。

增加森林蓄積量估測模型中特征變量的數(shù)量是提高模型準(zhǔn)確度最主要方法之一。已有研究表明，引入紋理特征、紋理指數(shù)、植被指數(shù)、地形因子作為特征變量均可提升估測模型的準(zhǔn)確度[6-9]。紋理特征為遙感影像的可視化特征提供了一種定量化描述，將其作為特征變量，在地物信息的分類與反演中的優(yōu)良表現(xiàn)，已經(jīng)得到國內(nèi)外諸多研究的確認[10-11]。

目前，國內(nèi)有關(guān)森林蓄積量估測的研究大多只提取單一分辨率遙感影像的紋理特征進行森林蓄積量反演，已有文獻中對多尺度紋理特征的使用則主要集中于基于不同窗口大小提取得到的紋理特征，這種做法忽略了同一遙感影像不同分辨率下的空間信息，因為地物自身物理大小的不同，并非所有地物都適合在同一尺度下進行分析。本研究以黑龍江涼水自然保護區(qū)為研究區(qū)，使用8 m分辨率的國產(chǎn)GF-1遙感影像為數(shù)據(jù)源，提取遙感影像的光譜信息與不同分辨率下的紋理特征，利用隨機森林算法構(gòu)建蓄積量反演模型，探討不同尺度紋理特征對蓄積量反演模型準(zhǔn)確度的影響，證明多尺度紋理特征用于森林蓄積量反演的可行性，并為提高森林蓄積量反演模型準(zhǔn)確度提供一種新的思路。

1 研究區(qū)概況與實驗數(shù)據(jù)

1.1 研究區(qū)域

本研究選取涼水國家級自然保護區(qū)作為研究區(qū)域。保護區(qū)位于黑龍江省伊春市帶嶺區(qū)，地處小興安嶺東坡，地理坐標(biāo)為 47°06′49″～47°46′10″N，128°47′08″～ 128°57′19″E， 總 面 積約為12 133 hm2，森林覆蓋率為98%。保護區(qū)屬于溫帶大陸性季風(fēng)氣候區(qū)，年平均氣溫-0.3 ℃，年平均降水量為676 mm，降水主要集中在夏季。保護區(qū)的植被類型為溫帶針闊葉混交林，主要樹種有紅松Pinus koraiensis、云杉Picea asperata、山楊Populus davidiana、白樺Betula platyphylla、落葉松Larix gmelini等[12]。

1.2 遙感數(shù)據(jù)

使用覆蓋研究區(qū)域的GF-1多光譜遙感影像作為數(shù)據(jù)源，于2013年10月16號拍攝。影像包含四個波段，分別為藍色波段（450～520 nm）、綠色波段（520～590 nm）、紅色波段（630～690 nm）和近紅外波段（770～890 nm），分辨率為8 m，影像投影為通用橫軸墨卡托投影。

1.3 樣地數(shù)據(jù)

樣地數(shù)據(jù)來源于涼水自然保護區(qū)地面調(diào)查，在研究區(qū)內(nèi)的有林區(qū)域以大約1千米的間隔布設(shè)正方形樣地，樣地大小為24 m×24 m，調(diào)查時間為2009年8月。樣地調(diào)查因子包括每塊樣地的經(jīng)緯度坐標(biāo)、樹種組成、林分類型、胸徑、樹高等，利用數(shù)表法計算得到單木蓄積量，累加得到樣地蓄積量。在道路、建筑、水體等無植被區(qū)域也設(shè)立部分樣地，蓄積量為0。最終得到研究區(qū)樣地191塊，按照7∶3的比例隨機劃分為訓(xùn)練樣地與驗證樣地，得到138塊訓(xùn)練樣地，53塊驗證樣地。樣地分布如圖1所示。

圖1 研究區(qū)與樣地位置圖像Fig.1 Study area and location of sample sites

2 研究方法

本研究的技術(shù)路線圖如圖2所示。

圖2 研究技術(shù)路線Fig.2 Technological route of this research

2.1 遙感影像預(yù)處理

遙感影像在成像過程中，由于傳感器平臺誤差、大氣的吸收和散射作用、地形因素等原因，會產(chǎn)生失真與畸變。因此首先使用ENVI 5.3對GF-1遙感影像進行輻射定標(biāo)，依次進行FLAASH大氣校正與正射校正，保證校正誤差在1個像元以內(nèi)。之后利用涼水地區(qū)小班矢量邊界對校正完成的遙感影像進行裁剪，得到8 m分辨率研究區(qū)影像數(shù)據(jù)，如圖3所示。最后將影像數(shù)據(jù)進行重采樣，最終得到一個研究區(qū)的遙感影像序列，分辨率分別為8、16、24 m。

圖3 研究區(qū)的遙感影像Fig.3 Remote sensing image of study area

2.2 特征變量選擇

2.2.1 光譜信息的提取

GF-1多光譜遙感影像包含4個波段，可以反映地物最基本的光譜信息。本研究選取24 m分辨率遙感影像的光譜信息作為特征變量。

2.2.2 多尺度紋理特征的提取

灰度共生矩陣（Gray-level Co-occurrence Matrix, GLCM）是Haralick提出的一種基于統(tǒng)計的紋理特征提取方法，目前已經(jīng)成為遙感影像最常用的紋理特征提取方法[13]，8種常用的紋理特征包括均值（Mean），方差（Variance），協(xié)同性（Homogeneity），對比度（Contrast），相異性（Dissimilarity），信息熵（Entropy），二階矩（Second Moment）和相關(guān)性（Correlation），這8種紋理特征的計算方法如表1所示。本研究利用灰度共生矩陣進行紋理提取。首先對3種不同分辨率的遙感影像進行第一主成分（Principal Component,PC）提?。恢蠡诘谝恢鞒煞衷诓煌翱诖笮∠逻M行紋理特征的提取，窗口大小共設(shè)置六種，分別為3×3到13×13，得到3種不同分辨率遙感影像在六種不同窗口大小下的紋理特征，最后將其重采樣為24 m分辨率。

表1 基于灰度共生矩陣的紋理特征Table 1 Textural feature based on GLCM

2.3 森林蓄積量反演算法

隨機森林（Random Forests）是Leo Breiman等在2001年提出的一種基于決策樹的機器學(xué)習(xí)算法[14]。該算法在分類與回歸中良好的表現(xiàn)已經(jīng)得到了諸多研究的確認[15-17]。

隨機森林算法的基本思想是：假設(shè)原始數(shù)據(jù)集中有n個樣本，每個樣本有m個特征變量。首先使用bootstrap抽樣方法抽取若干個子數(shù)據(jù)集，每個子數(shù)據(jù)集中樣本的個數(shù)為，剩余個樣本作為袋外數(shù)據(jù)（Out of Bag, OOB）用于誤差估計。然后，從樣本的m個特征變量中隨機無放回選擇出m′個特征變量，按節(jié)點不純度最小原則選擇出一個最優(yōu)特征，作為節(jié)點構(gòu)建決策樹，最終得到若干棵決策樹。最后，用這些決策樹對數(shù)據(jù)集進行回歸，最終使用采用簡單多數(shù)原則確定數(shù)據(jù)集的反演結(jié)果。

2.4 模型精度評價

森林蓄積量反演模型的準(zhǔn)確度通過決定系數(shù)R2與均方根誤差RMSE進行評價，其數(shù)學(xué)表達式為：

式中：yi為樣地蓄積量實測值；y?i為樣地蓄積量估測值；為樣地蓄積量平均值；n為樣地個數(shù)。

3 結(jié)果與分析

3.1 特征變量與窗口大小對蓄積量反演模型的影響

對研究區(qū)域森林蓄積量的反演與驗證通過3個步驟進行：

（1）基于6種窗口大小GLCM分別提取3種不同分辨率遙感影像的紋理特征，與遙感影像波段值組合為特征組合，將表示訓(xùn)練樣地的像元的特征組合與蓄積量作為反演模型的輸入值進行訓(xùn)練，得到特征組合與蓄積量之間的非線性關(guān)系。

（2）將表示研究區(qū)域的所有像元的特征組合輸入反演模型，參照步驟（1）中得到的非線性關(guān)系，得到整個研究區(qū)域的森林蓄積量反演結(jié)果。

（3）將驗證樣地的反演結(jié)果與實測值進行比較，評價指標(biāo)為R2與RMSE，其結(jié)果如表2所示。

表2 不同灰度共生矩陣窗口大小下的蓄積量反演模型精度Table 2 Precision of volume estimation model based on different GLCM window size

通過比較表2中的結(jié)果可知，當(dāng)使用24 m分辨率光譜信息與8 m分辨率下提取的紋理特征作為特征變量時，其RMSE一直保持最小，R2在窗口大小為7×7、9×9、11×11時為最大，總體上可以認為其是最佳的蓄積量反演模型輸入特征變量。這說明較高分辨率遙感影像的紋理特征與森林蓄積量的相關(guān)性較強，利用較高分辨率遙感影像的紋理特征作為特征變量，可以有效的提高森林蓄積量反演模型準(zhǔn)確度。

同時可以看出，無論采用哪種特征變量，森林蓄積量反演模型的準(zhǔn)確度隨著窗口大小的變化，也發(fā)生了較大的變化，說明生成紋理特征的窗口大小對森林蓄積量反演模型有著較大的影響。通過綜合比較可知，當(dāng)窗口大小為9×9時，無論使用何種特征變量，均取得較高的決定系數(shù)與較低的均方根誤差，故可以認為其是森林蓄積量反演模型的最優(yōu)窗口大小。同時不應(yīng)忽略的是，9×9的窗口大小并沒有在所有情況下都取得最好的結(jié)果，說明窗口大小對反演結(jié)果的影像有著較大的不確定性。

綜上所述，當(dāng)選取24 m分辨率光譜信息與8 m分辨率下提取的紋理特征作為特征變量、9×9作為窗口大小時，蓄積量反演模型達到最佳（R2=0.70，RMSE=6.317）。

3.2 森林蓄積量反演模型特征變量優(yōu)選

隨機森林算法除了可以進行分類或回歸分析之外，還可以對參與學(xué)習(xí)的特征變量的重要性進行度量，其度量結(jié)果可以為高維數(shù)據(jù)的特征選擇提供參考[17]。故本研究應(yīng)用該算法對3種尺度下提取的特征變量的重要性進行分析，所分析的隨機森林模型取3種尺度下準(zhǔn)確度最高的模型，特征變量重要性結(jié)果如圖4所示。

由圖4可以看出，無論在何種尺度下得到的相關(guān)性紋理，其重要性都遠遠低于其他特征變量。對于剩余7種紋理，比較在不同尺度下提取得到的紋理的重要性，選擇重要性較高的尺度，選擇結(jié)果如表3所示。

將優(yōu)選得到的特征變量放入隨機森林模型中，進行森林蓄積量反演，其反演準(zhǔn)確度為R2=0.74，RMSE=6.439。保護區(qū)內(nèi)森林蓄積量分布圖如圖5所示。

由結(jié)果可以看出，使用經(jīng)過優(yōu)選的特征構(gòu)建蓄積量反演模型，其決定系數(shù)R2有了進一步的提高，說明所選擇的特征變量與森林蓄積量有更高的相關(guān)性。其均方根誤差卻有所下降，但仍然要高于現(xiàn)有以相同分辨率光譜信息與紋理特征作為特征變量的蓄積量反演模型，其原因在于使用隨機森林進行特征選擇，依據(jù)的是各特征的重要性，其與均方根誤差并不是完全的相關(guān)關(guān)系。

圖4 特征變量重要性Fig.4 Variable importance

表3 優(yōu)選得到的紋理特征Table 3 Texture feature which selected

圖5 森林蓄積量反演結(jié)果圖像Fig.5 Distribution of forest growing stock volume

4 結(jié) 論

本研究提取多尺度分辨率遙感影像不同窗口大小下的紋理特征，將其與遙感影像光譜信息共同作為森林蓄積量反演模型的特征變量進行蓄積量反演，結(jié)果表明：使用基于較高分辨率遙感影像提取的紋理特征作為特征變量，可以有效的提升森林蓄積量反演模型的準(zhǔn)確度。當(dāng)提取紋理特征的窗口大小為9×9時，模型準(zhǔn)確度最高。通過對不同尺度下的紋理特征進行優(yōu)選，所構(gòu)建的蓄積量估測模型決定系數(shù)更高。本研究可為森林蓄積量反演模型紋理變量優(yōu)選提供參考。

[1]劉 茜,楊 樂,柳欽火,等.森林地上生物量遙感反演方法綜述[J].遙感學(xué)報,2015,19(1):62-74.

[2]袁 野,劉兆剛,董靈波.基于GIS的大興安嶺盤古林場森林生態(tài)功能等級評價與分析[J].中南林業(yè)科技大學(xué)學(xué)報,2016,36(12): 108-114.

[3]Zheng S, Cao C X, Dang Y F,et al.Retrieval of forest growing stock volume by two different methods using Landsat TM images[J].International Journal of Remote Sensing, 2014, 35(1): 29-43.

[4]段祝庚,趙 旦,曾 源,等.基于遙感的區(qū)域尺度森林地上生物量估算研究[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2015,40(10): 1400-1408.

[5]郭 云,李增元,陳爾學(xué),等.甘肅黑河流域上游森林地上生物量的多光譜遙感估測[J].林業(yè)科學(xué), 2015,51(1) :140-149.

[6]Sarker L R, Nichol J E. Improved forest biomass estimates using ALOS AVNIR-2 texture indices[J]. Remote Sensing of Environment, 2011, 115(4): 968-977.

[7]Rodriguez-Galiano V F, Chica-Olmo M, Abarca-Hernandez F,et al.Random Forest classi fi cation of Mediterranean land cover using multi-seasonal imagery and multi-seasonal texture[J].Remote Sensing of Environment, 2012, 121: 93-107.

[8]Zhu X, Liu D. Improving forest aboveground biomass estimation using seasonal Landsat NDVI time-series[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 102: 222-231.

[9]馮 琦,陳爾學(xué),李增元,等.基于機載P-波段全極化SAR數(shù)據(jù)的復(fù)雜地形森林地上生物量估測方法[J].林業(yè)科學(xué),2016, 52(3): 10-22.

[10]劉 俊,畢華興,朱沛林,等.基于ALOS遙感數(shù)據(jù)紋理及紋理指數(shù)的柞樹蓄積量估測[J].農(nóng)業(yè)機械學(xué)報, 2014,45(7): 245-254.

[11]Sarker L R, Nichol J, Ahmad B,et al. Potential of texture measurements of two-date dual polarization PALSAR data for the improvement of forest biomass estimation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 69: 146-166.

[12]張 蕾,李鳳日,王志波.涼水自然保護區(qū)森林景觀結(jié)構(gòu)動態(tài)[J].東北林業(yè)大學(xué)學(xué)報,2007,35(5):74-76.

[13]Haralick R, Shanmugan K, Dinstein I. Textural Features for Image Classification[J]. IEEE Transactions on Systems, Man,and Cybernetics, 1973, 3(6): 610-621.

[14]Breiman L. Random Forests[J]. Machine learning, 2001, 45(1):5-32.

[15]Gislason P O, Benediktsson J A, Sveinsson J R. Random forests for land cover classification[J]. Pattern Recognition Letters,2006, 27(4): 294-300.

[16]Hutengs C, Vohland M. Downscaling land surface temperatures at regional scales with random forest regression[J]. Remote Sensing of Environment, 2016, 178: 127-141.

[17]Peerbhay K, Mutanga O, Lottering R,et al.Mapping Solanum mauritianum plant invasions using WorldView-2 imagery and unsupervised random forests[J]. Remote Sensing of Environment,2016, 182: 39-48.

[18]姚登舉,楊 靜,詹曉娟.基于隨機森林的特征選擇算法[J].吉林大學(xué)學(xué)報(工學(xué)版),2012,42:1-5.

Inversion of growing stock volume using satellite image multiscale texture feature

WANG Kangning, LV Jie, LI Chonggui
(Collage of Geomatics, Xi’an University of Science and Technology, Xi’an 710054, Shaanxi, China)

Forest growing stock volume (GSV) is one of most important parameters to evaluate forest growth status. In this study, forest inventory data and Gaofen-1 images (GF-1) were used as data sources. The purposes of this study are to explore the effect of multi-scale texture feature on the estimation of GSV, and to improve the accuracy of GSV estimation model. Firstly, a group of different resolution image sequences over study area were obtained by resampling original satellite image. The texture feature of image sequences were extracted using different window sizes Gray-level Co-occurrence Matrix (GLCM). Secondly, a GSV estimation model was structured using Random Forest (RF) algorithm. The GSV of study area was estimated using this model. Finally, the best texture feature and window size were selected by compare importance of feature variables. The distribution of regional forest GSV was performed by the best estimation model. When using texture feature extracted from 8 m resolution image as feature variable, the accuracy of GSV estimation model was better than using texture from low resolution image signi fi cantly. With the GLCM window size was set to 9×9,the estimation model achieved the best accuracy(R2=0.70, RMSE=6.317). According to importance of variable, the best feature variables selected from multi-scale satellite to construct GSV estimate model(R2=0.74, RMSE=6.439). The results shown that using texture feature extracted from high resolution satellite image can improve the accuracy of GSV estimation model effective. When multi-scales texture features were used as characteristic variables, the model achieves higher accuracy than only using single scale.

growing stock volume; random forest; multi-scale; texture feature; GF-1 satellite

S771.8；TP75

A

1673-923X(2017)11-0084-06

10.14067/j.cnki.1673-923x.2017.11.014

2017-05-10

國家自然科學(xué)基金項目（51409204、41401496）；陜西省自然科學(xué)項目（2015JQ4105）；陜西省教育廳項目（16JK1496）；江西省數(shù)字國土重點實驗開放基金項目（DLLJ2015604）

汪康寧，碩士研究生

呂 杰，博士；E-mail：rsxust@163.com

汪康寧，呂 杰，李崇貴.基于多尺度遙感影像紋理特征的森林蓄積量反演[J].中南林業(yè)科技大學(xué)學(xué)報，2017, 37(11): 84-89.

[本文編校：吳 毅]