毛學剛 陳文曲 魏晶昱 范文義

(東北林業(yè)大學林學院 哈爾濱 150040)

森林類型信息可為森林資源調(diào)查、造林、經(jīng)營管理以及規(guī)劃設(shè)計提供重要依據(jù)。在過去幾十年里，遙感一直是森林資源信息管理與監(jiān)測的重要信息源，同時也是一種有效的低成本地獲取森林資源數(shù)據(jù)(地理位置、空間范圍、森林類型和森林結(jié)構(gòu))的技術(shù)手段。目前，基于遙感技術(shù)的森林類型識別已經(jīng)進行了廣泛深入的研究，主要包括多光譜遙感影像分類(Vieiraetal., 2003)、多時相遙感分類(Colstounetal., 2003； Wolteretal., 1995)、高光譜遙感分類(Clarketal., 2005； Goodenoughetal., 2003； Lawrenceetal., 2006)、高空間分辨遙感分類(Immitzeretal., 2012)和多傳感器遙感數(shù)據(jù)協(xié)同分類(Sunetal., 2014)等。

高空間分辨率遙感影像地面分辨率通常在4 m以上，影像細節(jié)更加清晰，提供了能夠區(qū)分林分尺度樹種的可能，已越來越多地被應用到林分尺度森林類型信息的提取中。但高空間分辨率遙感影像像元反射率的變化受冠層結(jié)構(gòu)、地形和陰影等因素影響，其像元光譜響應曲線并不能完整地表達林分尺度樹種的光譜特征，因此，基于像元光譜數(shù)據(jù)對高空間分辨率遙感影像樹種進行分類并不合適，而且會產(chǎn)生“胡椒鹽”現(xiàn)象(Johansenetal., 2010)。為了更好地利用高空間分辨率遙感影像，面向?qū)ο蠓诸惙椒S之產(chǎn)生，該方法能充分利用高空間分辨率遙感影像更為豐富的形狀與紋理信息等特征提取林分尺度的樹種類型信息(Hossainetal., 2012； Mutangaetal., 2012； Malthus, 2008； Vepakommaetal., 2008)，因而受到廣泛關(guān)注。

合成孔徑雷達(synthetic aperture radar,SAR)以其全天時、全天候的強穿透成像能力，成為了光學遙感的有益補充(王馨爽等, 2014),有時甚至是數(shù)據(jù)獲取的唯一手段。目前，SAR數(shù)據(jù)獲取逐漸變得容易，這為樹種分類提供了新的數(shù)據(jù)源，已有研究使用SAR數(shù)據(jù)進行了森林類型信息的提取(白黎娜等, 2003； 王馨爽等, 2014； Liesenbergetal., 2013)。SAR數(shù)據(jù)提供的樹種特有的樹冠垂直結(jié)構(gòu)信息能夠補充高空間分辨率遙感影像的光譜信息，因此高空間分辨率遙感影像與SAR數(shù)據(jù)結(jié)合能獲得更好的森林分類結(jié)果(Banetal., 2010)。

在面向?qū)ο蠓诸惙椒ㄖ?，影像分割被認為是面向?qū)ο蠓诸惖年P(guān)鍵步驟，直接影響分類精度(Kimetal., 2008； Sousa, 2004)。目前已提出了很多分割算法，如均值漂移分割(Comaniciuetal., 2002； Micheletal., 2015)、分形網(wǎng)絡(luò)演化算法(Baatzetal., 2004)和分水嶺分割算法(Lietal., 2011； Lietal., 2010； Vincentetal., 1991)等，且大多數(shù)分割算法都需要一個用戶自定義參數(shù)(尺度參數(shù))，該參數(shù)控制分割內(nèi)的同質(zhì)性、分割間的異質(zhì)性以及分割大小。由于地理對象的復雜性，自動獲得最優(yōu)尺度參數(shù)仍然具有挑戰(zhàn)性和不確定性，因此許多研究采用反復試驗、目視解譯的方法來確定最優(yōu)尺度參數(shù)(Choetal., 2012； Malahlelaetal., 2014)。

目前，遙感影像分割依然是面向?qū)ο蠓诸惣夹g(shù)的難點。為了提高遙感影像分割質(zhì)量，最有效的方法就是依據(jù)不同的分割影像在不同應用中的具體特點，同時結(jié)合有效的分割質(zhì)量評價方法確定最優(yōu)分割尺度，因此有必要研究不同分割尺度參數(shù)分割不同遙感影像的效果，定量評價尺度參數(shù)對面向?qū)ο蠓指詈头诸惖挠绊?。本研究協(xié)同使用高空間分辨率遙感影像(QuickBird)與星載全極化SAR數(shù)據(jù)(Radarsat-2)進行面向?qū)ο髽浞N分割與分類，定量評價分割尺度對不同遙感數(shù)據(jù)(QuickBird遙感影像、Radarsat-2數(shù)據(jù)和QuickBird & Radarsat-2協(xié)同)的面向?qū)ο蠓椒浞N分割與分類的影響，進而評價高空間分辨率遙感影像與星載全極化SAR數(shù)據(jù)協(xié)同樹種識別的適宜性。

1 研究區(qū)概況及數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)為SAR(Radarsat-2)數(shù)據(jù)和QuickBird遙感影像的相交區(qū)域(圖1)，面積約為9 927 hm2，位于福建省三明市將樂縣將樂國有林場，地理坐標為26°40′—26°50′N，117°25′—117°35′E。最高海拔1 203 m，最低海拔140 m，平均海拔400～800 m。針葉樹種主要有杉木(Cunninghamialanceolata)、馬尾松(Pinusmassoniana)，闊葉樹種主要有楓香(Liquidambarformosana)、福建柏(Fokieniahodginsii)、巨尾桉(Eucalyptusgrandis×E.urophylla)、木荷 (Schimasuperba) 等。杉木樹高集中在13～18 m，平均高12 m； 馬尾松樹高集中在12～15 m，平均高13 m； 闊葉林樹高主要集中在10～15 m，平均高13 m。由于研究區(qū)絕大部分為杉木和馬尾松，闊葉林較少，因此將闊葉林整體作為一種類型。本研究主要研究杉木林、馬尾松林和闊葉林3種類型。

圖1 研究區(qū)及遙感影像圖(SAR數(shù)據(jù)及QuickBird影像)Fig.1 Study area and remote image(SAR data and QuickBird image)

1.2 數(shù)據(jù)收集與處理

1.2.1 高空間分辨率遙感影像 高空間分辨率遙感影像采用QuickBird遙感影像(圖1)。QuickBird遙感影像獲取時間為2013年7月12日，包括1個空間分辨率為0.61 m的全色波段(450～900 nm)和4個空間分辨率為2.44 m的多光譜波段[藍色波段(Blue)： 450～520 nm； 綠色波段(Green)： 520～600 nm； 紅色波段(Red)： 630～690 nm； 近紅外波段(NIR)： 760～900 nm]。在面向?qū)ο蠓诸愡^程中只使用4個多光譜波段，原因為： 1) 對于林分尺度的樹種分類，QuickBird遙感影像多光譜波段的空間分辨率已足夠； 2) QuickBird遙感影像空間分辨率較高，與Radarsat-2數(shù)據(jù)的空間分辨率相匹配。QuickBird遙感影像云量所占比例為0.5%，大氣環(huán)境比較清晰，傾斜視角為11°。QuickBird遙感影像正射校正后的誤差均小于1個像元，采用WGS84(world geodetic system-1984)地理坐標系和UTM(universal transverse mercator projection)的50 N帶投影坐標系。

1.2.2 SAR數(shù)據(jù) SAR數(shù)據(jù)采用2013年10月30日和11月23日的1對Radarsat-2 C波段精細全極化(HH&VV&HV&VH)SLC(single look complex)單視復數(shù)圖像(圖1)，軌道號分別為88-262A和89-262A。SAR數(shù)據(jù)記錄方式為32 bit復數(shù)形式，分辨率(距離×方位)為5.2 m×7.6 m，幅寬為25 km×25 km，入射角為34.620°，中心點坐標為26°45′N,117°13′E。對SAR數(shù)據(jù)進行地理編碼之后，使用與QuickBird遙感影像相同的地理和投影坐標系。數(shù)字表面模型(digital surface model，DSM)基于兩景SAR數(shù)據(jù)，采用干涉測量技術(shù)(synthetic aperture radar interferometry，InSAR)獲得。由于Radarsat-2 C波段不能穿透樹冠，采用InSAR獲得的數(shù)字高程模型(digital elevation model，DEM)精度非常低，所以DEM由研究區(qū)的1∶10 000地形圖矢量化等高線生成不規(guī)則三角網(wǎng)(triangulated irregular network，TIN)進行線性內(nèi)插創(chuàng)建，刪格大小與DSM相同。坡度(Slope)和坡向(Aspect)數(shù)據(jù)來源于DEM，高度(Height)數(shù)據(jù)由DSM和DEM數(shù)據(jù)相減獲得。SAR散射數(shù)據(jù)(Pauli-RGB)采用PolSARpro(polarimetric SAR data processing and educational tool)軟件對Radarsat-2數(shù)據(jù)進行Pauli分解獲得，其中紅色分量(Pauli-R)為偶次散射，綠色分量(Pauli-G)為π/4偶極子散射，藍色分量(Pauli-B)為奇次散射。

1.2.3 地面參考數(shù)據(jù) 地面參考數(shù)據(jù)包括2012年森林資源二類調(diào)查小班資料(圖1)及2013年7月研究區(qū)森林類型野外調(diào)查數(shù)據(jù)。2012年森林資源二類調(diào)查小班資料來源于福建省將樂林場，2013年森林類型野外調(diào)查數(shù)據(jù)由北京林業(yè)大學和東北林業(yè)大學共同完成。選取森林資源二類調(diào)查小班資料中單一樹種的小班，以經(jīng)過融合的QuickBird(0.6 m)假彩色圖像為底圖(圖1)，對小班進行重新劃分并去除非森林區(qū)域，獲得包括研究區(qū)主要樹種的100個單一樹種同質(zhì)多邊形，結(jié)合野外調(diào)查數(shù)據(jù)的80個多邊形，共獲得180個參考多邊形。為保證不同的分割尺度和不同的數(shù)據(jù)源采用同一套驗證訓練樣本和檢驗樣本，將參考多邊形轉(zhuǎn)化為參考點(Imetal., 2007； 2008)。隨機選取90個多邊形參考點作為訓練樣本進行分類，余下的一半?yún)⒖键c用于驗證分類結(jié)果。

2 研究方法

面向?qū)ο蠓诸惏?個過程： 1) 影像分割即創(chuàng)建對象； 2) 對象特征提??； 3) 面向?qū)ο蠓诸悺Ｓ跋穹指畈捎?種分割方案： 1) 單獨使用QuickBird遙感影像分割； 2) 單獨使用Radarsat-2數(shù)據(jù)分割； 3) QuickBird & Radarsat-2協(xié)同分割。每種分割方案都試驗10種分割尺度(25～250，步長為25)，采用修正的歐式距離3(ED3modified)評價分割質(zhì)量(Yangetal., 2015)。單獨使用QuickBird遙感影像分割-分類和Radarsat-2數(shù)據(jù)分割-分類分別采用光譜特征和地形+高度+散射特征，QuickBird & Radarsat-2協(xié)同分割-分類采用二者共同特征，均采用支持向量機(support vector machine, SVM)分類器進行樹種分類。對不同尺度的3種分割-分類方案采用同一套驗證樣本進行精度檢驗，定量評價分割尺度對面向?qū)ο蠓指钆c分類結(jié)果的影響，技術(shù)路線如圖2所示。

圖2 技術(shù)路線Fig.2 Technology roadmap

2.1 影像分割

影像分割采用eCognition Developer 8.7(易康)軟件的分割算法[多尺度分割(multiresolution segmentation, MRS)]。MRS由4個參數(shù)控制——尺度、形狀、緊密度和輸入圖層所占權(quán)重(Benzetal., 2004)。分割的大小主要由尺度參數(shù)決定，一般情況下大的尺度參數(shù)產(chǎn)生大斑塊，小的尺度參數(shù)產(chǎn)生小斑塊。本研究主要探討分割尺度對面向?qū)ο蠓指罴胺诸惤Y(jié)果的影響，因此其余3個參數(shù)(輸入圖層所占權(quán)重、形狀和緊密度)采用默認值(1、0.1和0.5)。在相同分割尺度上，采用3種分割方案(單獨使用QuickBird遙感影像、單獨使用Radarsat-2數(shù)據(jù)和QuickBird & Radarsat-2協(xié)同)。單獨使用QuickBird遙感影像分割采用4個多光譜波段(Blue、Green、Red和NIR)，單獨Radarsat-2數(shù)據(jù)分割使用DEM、DSM、Height和Pauli-RGB數(shù)據(jù)。Height數(shù)據(jù)用來區(qū)分不同高度林分，DEM用來獲得林分內(nèi)的同質(zhì)性，另外，DEM有助于區(qū)分海拔不同的林分。QuickBird & Radarsat-2協(xié)同分割采用QuickBird的4個多光譜波段、DEM、DSM、Height和Pauli-RGB數(shù)據(jù)。3種分割方案均設(shè)置10種分割尺度(25～250，步長為25)。

2.2 對象特征提取

分類過程中采用的對象特征是根據(jù)光譜、地形、高度和散射信息計算得到的。除了計算每個數(shù)據(jù)層的平均值和標準差外，還計算了綠色和近紅外2個波段的灰度共生矩陣(GLCM)及灰度級差矢量對比度(GLDV)(Youngetal., 1986； Ecognition, 2010)，因為這2個波段已被證明能夠用于樹種識別(Gitelsonetal., 1996)。對象的幾何特征(形狀、緊密度)并沒有采用，主要是因為這些特征在植被分類中幾乎沒有作用(Yuetal., 2006)。本研究共選取34個特征，其中16個特征來自QuickBird多光譜影像，6個特征來自地形數(shù)據(jù)，6個特征來自Radarsat-2提取的高度數(shù)據(jù)，6個特征來自Radarsat-2進行Pauli分解的Pauli-RGB數(shù)據(jù)(表1)。

表1 面向?qū)ο蠓诸惖膶ο筇卣鱐ab.1 Image object metrics used in the classifications

2.3 面向?qū)ο蠓诸?/h3>

面向?qū)ο蠓诸惒捎胑Cognition Developer 8.7軟件的支持向量機(SVM)分類器。SVM分類器通過非線性變換將輸入空間變換到一個高維的特征空間，然后在這個新的高維特征空間中求取最優(yōu)分類超平面(Vapnik, 2000)。對輸入數(shù)據(jù)的這種變換是通過核函數(shù)進行的[線性、多項式、徑向基(radial basis function, RBF)、S形]。單獨使用QuickBird遙感影像分割-分類采用16個光譜特征作為輸入數(shù)據(jù)； 單獨使用Radarsat-2數(shù)據(jù)分割-分類采用地形、高度和散射特征共18個特征作為輸入數(shù)據(jù)； QuickBird & Radarsat-2協(xié)同分割-分類采用光譜、地形、高度和散射特征共34個特征作為輸入數(shù)據(jù)。3種分割-分類方案均采用帶有RBF核函數(shù)的SVM分類器進行分類，共獲得30種分類結(jié)果。

2.4 分割質(zhì)量及分類精度評價

分割質(zhì)量評價已有一些指標(Clintonetal., 2010； Liuetal., 2012； M?lleretal., 2007； Zhanetal., 2007)。本研究采用修正的歐式距離3(ED3modified)進行分割質(zhì)量評價(Yangetal., 2015)，該指標的優(yōu)點是當與一個參考多邊形的重疊區(qū)域超過參考多邊形或被分割對象的50%時，被分割對象才被標記為相應參考多邊形的分割。ED3modified是介于0～1之間的歸一化指數(shù)，計算方法如下：

(1)

式中：ri為參考多邊形；I為參考多邊形的數(shù)量；sj為對應參考多邊形ri的分割多邊形；ji為相對應的分割數(shù)。

ED3modified越低，表示分割質(zhì)量越高。在90個檢驗樣本中，抽取杉木、馬尾松和闊葉林各10個參考多邊形采用ArcGIS 10.0軟件計算ED3modified，最佳分割結(jié)果由ED3modified最低值確定。

采用混淆矩陣計算的總精度(OA)和Kappa系數(shù)2個評價指標(Janssenetal., 1994)對3種分割-分類方案的30種分類結(jié)果進行精度評價。對OA的比較可以獲得以下3種結(jié)果： 1) 分割尺度對樹種分類精度的影響； 2) QuickBird & Radarsat-2協(xié)同使用對影像分割的作用； 3) QuickBird & Radarsat-2協(xié)同對分類結(jié)果的作用。

3 結(jié)果與分析

3.1 影像分割與評價

在尺度參數(shù)25～250尺度上，QuickBird & Radarsat-2協(xié)同分割(ED3modified平均值=0.44)與單獨使用QuickBird遙感影像分割的ED3modified(ED3modified平均值=0.45)并無明顯差異，但均明顯高于單獨使用Radarsat-2數(shù)據(jù)分割的ED3modified(ED3modified平均值=0.66)(圖3)，這說明QuickBird & Radarsat-2協(xié)同分割的質(zhì)量略高于單獨使用QuickBird遙感影像，明顯高于單獨使用Radarsat-2數(shù)據(jù)分割。采用相同的分割尺度，3種分割方案具有不同的ED3modified，這說明影像分割質(zhì)量除了受尺度參數(shù)影響外，分割過程中所使用的數(shù)據(jù)也會影響分割質(zhì)量。QuickBird遙感影像分割在尺度參數(shù)150上ED3modified最低(ED3modified=0.37)； Radarsat-2數(shù)據(jù)分割在尺度參數(shù)125上ED3modified最低(ED3modified=0.54)； QuickBird & Radarsat-2協(xié)同分割尺度參數(shù)100為最優(yōu)分割結(jié)果，這也是3種分割方案中ED3modified的最低值(ED3modified=0.34)(圖3)。

QuickBird & Radarsat-2協(xié)同分割尺度參數(shù)在25～250上馬尾松林、杉木林和闊葉林分割結(jié)果的ED3modified如圖4所示。杉木林的分割質(zhì)量(ED3modified平均值=0.35)優(yōu)于馬尾松林(ED3modified平均值=0.45)和闊葉林(ED3modified平均值=0.49)，在150～250尺度效果明顯。馬尾松林和闊葉林分割質(zhì)量差距不大，尤其在25～125尺度。

圖3 3種分割方案尺度參數(shù)在25～250上分割結(jié)果的ED3modifiedFig.3 ED3modified values for three segmentation schemes as a function of the scale parameter ranging between 25-250

圖4 QuickBird & Radarsat-2協(xié)同分割3種樹種類型的ED3modifiedFig.4 ED3modified values for QuickBird & Radarsat-2 segmentation schemes of tree type

圖5 尺度參數(shù)為50、100和200時3種分割方案的影像分割Fig.5 Image segmentation from three segmentation schemes at scales parameters of 50,100,200A. 尺度參數(shù)為50時QuickBird & Radarsat-2協(xié)同分割； B. 尺度參數(shù)為100 時QuickBird & Radarsat-2協(xié)同分割； C. 尺度參數(shù)為200時QuickBird & Radarsat-2協(xié)同分割; D. 尺度參數(shù)為50時Radarsat-2的影像分割； E. 尺度參數(shù)為100時Radarsat-2的影像分割； F. 尺度參數(shù)為200時Radarsat-2的影像分割； G. 尺度參數(shù)為50時QuickBird的影像分割； H. 尺度參數(shù)為100時QuickBird的影像分割； I. 尺度參數(shù)為200時QuickBird的影像分割。A. QuickBird & Radarsat-2-based segmentation at scale parameter 50; B. QuickBird & Radarsat-2-based segmentation at scale parameter 100; C. QuickBird & Radarsat-2-based segmentation at scale parameter 200; D. Radarsat-2-based segmentation at scale parameter 50; E. Radarsat-2-based segmentation at scale parameter 100; F. Radarsat-2-based segmentation at scale parameter 200; G. QuickBird-based segmentation at scale parameter 50; H. QuickBird-based segmentation at scale parameter 100; I. QuickBird-based segmentation at scale parameter 200.

對影像分割結(jié)果進行目視檢查可知，影像分割受尺度參數(shù)影響。小的尺度參數(shù)能夠分割出小面積林分對象(圖5A、D、G 的示例區(qū)1)，而大的尺度參數(shù)能夠有效分割大塊林分區(qū)域(圖5C、F、I的示例區(qū)2)，同時也合并了較小的相鄰林分對象。圖5 A、D、I的示例區(qū)2顯示了將參考區(qū)域分割成若干塊的常見情況，但是區(qū)域邊界與對象邊界重合得比較好。分割結(jié)果除了受尺度參數(shù)影響外，分割過程中所使用的數(shù)據(jù)也會影響分割對象面積和形狀。例如： 圖5B中的示例區(qū)1將完整的杉木林區(qū)域劃分出來，示例區(qū)2中劃分了完整的馬尾松林區(qū)域，但在圖5H的示例區(qū)1中混合了杉木林附近的闊葉林，示例區(qū)2中混合了馬尾松林附近的杉木林。在尺度參數(shù)為50時，單獨使用Radarsat-2數(shù)據(jù)產(chǎn)生了過度分割現(xiàn)象(圖5G)，在尺度參數(shù)為100和200時，單獨Radarsat-2數(shù)據(jù)分割對象的形狀有變狹長的趨勢，并且邊界與林分邊界差異較大(圖5H、I)。這可能是由于DEM的加入使邊界沿等高線方向分割，并且Radarsat-2數(shù)據(jù)光譜和紋理信息的豐富程度不足以糾正這種錯誤趨勢。QuickBird & Radarsat-2協(xié)同分割所得的對象，無論對于大面積或小面積林分都能重合得比較好(圖5B)。

3.2 分類精度與評價

3種分割-分類方案總精度呈現(xiàn)一致性的變化規(guī)律，即在小尺度上分類總精度較低，隨著尺度增大，總精度再提高并在某個尺度達到最大值，之后總精度逐漸隨尺度增大而降低(圖6)。在所有尺度(25～250)上，QuickBird & Radarsat-2協(xié)同分割的OA明顯高于Radarsat-2數(shù)據(jù)分割，但與單獨使用QuickBird遙感影像比優(yōu)勢并不明顯。單獨使用QuickBird遙感影像分割，尺度參數(shù)為150時OA最高(OA=81.11%； Kappa=0.82)； 單獨使用Radarsat-2數(shù)據(jù)分割，尺度參數(shù)為125時OA最高(OA=66.67%； Kappa=0.68)； QuickBird & Radarsat-2協(xié)同分割，尺度參數(shù)為100時OA最高(OA=85.55%； Kappa=0.86)，為30種分類結(jié)果中最高的分類精度。

圖6 3種分割-分類方案在尺度參數(shù)25～250上的分類總精度Fig.6 Classification accuracies for three segmentation schemes at the scale parameter ranging between 25-250

3.3 最優(yōu)尺度上的3種分割-分類方案混淆矩陣

QuickBird & Radarsat-2協(xié)同分割-分類與單獨使用Radarsat-2數(shù)據(jù)分割-分類相比，杉木林、馬尾松林和闊葉林的PA、UA和OA都有明顯提高(表2)。例如： 杉木林、馬尾松林和闊葉林PA提高了16.66%(闊葉林)～20.51%(杉木林)，UA提高了10.37%(馬尾松林)～38.82%(闊葉林)，OA提高了18.88%。QuickBird & Radarsat-2分割-分類與單獨使用QuickBird影像分割-分類相比，3種樹種類型PA提高得不明顯，OA提高了4.44%，但闊葉林的UA有明顯提高。由此說明應用QuickBird & Radarsat-2協(xié)同分割-分類能夠提高樹種的分類精度。

3.4 分割質(zhì)量與分類精度的關(guān)系

QuickBird & Radarsat-2協(xié)同使用面向?qū)ο髽浞N分類的OA與所有尺度參數(shù)(25～250)上分割結(jié)果的ED3modified之間的關(guān)系如圖7所示。OA越高說明分類效果越好，同時ED3modified越低說明分割越好，采用相關(guān)系數(shù)(|R|)來確定OA與分割質(zhì)量(ED3modified)的相關(guān)性。分割質(zhì)量評價指標(ED3modified)與分類總精度(OA)高度相關(guān)(R2=0.73)，表明分割質(zhì)量高度影響之后的面向?qū)ο髽浞N分類精度，ED3modified不僅能評價分割質(zhì)量，而且也能表達OA。

表2 最優(yōu)尺度上的3種分割-分類方案的混交矩陣Tab.2 Confusion matrix for three segmentation-classification at optimal scale parameter

圖7 分類精度(OA)和分割質(zhì)量(ED3modified)的關(guān)系Fig.7 The relationship between classification accuracy (OA) and segmentation quality (ED3modified)

4 討論

4.1 最優(yōu)分割尺度的確定

尺度是影響分割質(zhì)量的重要參數(shù)之一，并因此影響隨后的分類結(jié)果(Keetal., 2010)。在eCognition Developer 8.7軟件中，尺度參數(shù)是一個沒有被定義的抽象名詞，然而尺度參數(shù)卻影響著分割的空間尺度，因為尺度參數(shù)與對象大小有關(guān)，大尺度產(chǎn)生大面積對象，小尺度產(chǎn)生小面積對象(Benzetal., 2004)。本研究的最優(yōu)分割尺度定義為能獲得最高分類精度的尺度，因此3種分割-分類方案都定義了單一的最優(yōu)分割尺度(QuickBird： 150； Radarsat-2:125； QuickBird & Radarsat-2:100)，雖然最優(yōu)尺度參數(shù)的OA明顯高于小尺度參數(shù)(25或50)或大尺度參數(shù)(225～250)的OA，但也存在一個尺度范圍(最優(yōu)尺度附近)能夠獲得相似的OA。QuickBird & Radarsat-2協(xié)同分割，尺度參數(shù)在75～125上有相似的OA和Kappa系數(shù)(OA： 79%～85%； Kappa： 0.79～0.86)。雖然之前的研究結(jié)果將獲得最高分類總精度的單一尺度定義為最優(yōu)尺度(Kimetal., 2008； Wangetal., 2004)，但本研究認為定義一個最優(yōu)尺度范圍更加適合。

4.2 分割尺度對分類結(jié)果的影響

單獨采用QuickBird遙感影像分割-分類在小尺度上精度較低，可以解釋為由林隙及陰影影響引起的類內(nèi)變化過大。由于對象面積隨尺度增大而變大，林隙及陰影的影響變?nèi)?，并且對象特征能夠代表林分平均，精度也隨之升高。然而，尺度的增大也有限制，在一些尺度上對象面積超過一個單一林分大小，就會引起分類精度下降。在所有尺度上單獨使用Radarsat-2數(shù)據(jù)分割-分類并沒有獲得理想的分類精度，主要有3方面原因： 1) 研究區(qū)高度信息沒有比光譜信息提供更多的信息，樹種的高度差別不大； 2) Radarsat-2提取的散射特征各樹種之間區(qū)別不明； 3) Radarsat-2分辨率(距離×方位： 5.2 m×7.6 m)較低。QuickBird & Radarsat-2協(xié)同分割-分類高于單獨使用其中一種數(shù)據(jù)源的分類精度，說明雖然單獨使用Radarsat-2數(shù)據(jù)沒有獲得理想的分類精度，但二者結(jié)合能夠提高樹種分類精度，尤其在中小尺度上(圖6)。精度提高可以解釋為加入Radarsat-2數(shù)據(jù)能更好體現(xiàn)林分的同質(zhì)性，有助于消除林隙及陰影等的影響。然而在較大尺度上加入Radarsat-2數(shù)據(jù)不能夠創(chuàng)建出邊界與林分邊界一致的對象，因此分類精度也會降低，這也是尺度參數(shù)在150～200上QuickBird & Radarsat-2協(xié)同分割-分類低于單獨使用QuickBird遙感影像分割-分類精度的原因。

4.3 分割質(zhì)量與分類精度的關(guān)系

面向?qū)ο蠓诸惙椒ㄖ械挠跋穹指钪苯佑绊懛诸惥?Kimetal., 2008； Sousa, 2004)。本研究獲得了相同的結(jié)論： 小尺度分割和大尺度分割分類精度都較低，最優(yōu)尺度及附近尺度分割分類精度較高。3種分割-分類方案最優(yōu)尺度的最高與最低的OA相差20%以上(圖6)，尺度參數(shù)的選擇對分類結(jié)果影響較大，因此對分割尺度進行評價，尋找最優(yōu)尺度是十分必要的。本研究采用ED3modified進行分割質(zhì)量的評價以及尋找最優(yōu)分割尺度與之前采用反復試驗或目視解譯方法來確定最優(yōu)尺度參數(shù)方法相比(Choetal., 2012； Malahlelaetal., 2014)是比較合理的，圖7很好地證明了這一觀點。

ED3modified與OA高度相關(guān)可以理解為ED3modified對分割不足和過度分割時的幾何差異評價不太嚴格(Yangetal., 2015)，因此ED3modified比較適用于面向?qū)ο蠓诸愔械姆指钯|(zhì)量評價，因為分割的目的是分類而不是地理對象的分割。ED3modified與OA的關(guān)系(圖7)說明了分割質(zhì)量和分類精度之間的關(guān)系： 分割對象與參考對象更好的匹配能夠得到更高的分類精度，反之精度會降低。Kim等(2008)研究也發(fā)現(xiàn)當分割所得對象與林分十分相似時能夠得到最優(yōu)精度，本研究得出了相似的結(jié)論： QuickBird & Radarsat-2協(xié)同分割在最優(yōu)尺度為100時分割質(zhì)量最好，并獲得了最精確的分類結(jié)果。但是，在最優(yōu)尺度參數(shù)范圍內(nèi)分類精度沒有明顯不同，這說明對林分稍微的分割不足或過度分割不會明顯影響分類結(jié)果。

5 結(jié)論

本研究以福建省三明市將樂國有林場為試驗區(qū)，采用QuickBird遙感影像與Radarsat-2數(shù)據(jù)協(xié)同進行面向?qū)ο髽浞N分類，研究分割尺度對面向?qū)ο髽浞N分割與分類結(jié)果的影響，進而評價了2種數(shù)據(jù)協(xié)同樹種識別的適宜性。結(jié)果表明： 在所有尺度(25～250)上，QuickBird & Radarsat-2協(xié)同分割-分類的OA高于單獨使用其中一種數(shù)據(jù)源的OA，相比單獨使用Radarsat-2數(shù)據(jù)優(yōu)勢更加明顯。對3種分割-分類方案30種分類結(jié)果的精度評價發(fā)現(xiàn)，相比定義一個單一的最優(yōu)尺度，更傾向于定義一個最優(yōu)尺度范圍，因為在這個范圍內(nèi)有相似的分類精度。分割尺度對面向?qū)ο髽浞N分類結(jié)果有著重要影響，在最優(yōu)尺度上可獲得最高的分類精度。通過研究ED3modified與OA之間的關(guān)系發(fā)現(xiàn)，匹配良好的分割和參考對象能夠得到更高精度的分類結(jié)果，同時，輕微的過度分割或分割不足不會明顯影響分類結(jié)果。應該指出的是，本研究對樹種進行分割和分類分別采用的是MRS算法和SVM分類器，應進一步研究其他分割和分類方法是否與本研究獲得相同的結(jié)論。

白黎娜, 李增元, 陳爾學, 等. 2003. 干涉測量土地利用影像分類決策樹法森林識別研究. 林業(yè)科學, 39(1): 86-90.

(Bai L N, Li Z Y, Chen E X,etal. 2003. A study on forest identification with the decision tree for interferometric land-use image. Scientia Silvae Sinicae, 39 (1):86-90.[in Chinese])

王馨爽, 陳爾學, 李增元, 等. 2014. 多時相雙極化SAR影像林地類型分類方法. 林業(yè)科學, 50(3): 83-91.

(Wang X S, Chen E X, Li Z Y,etal. 2014. Multi-temporal and dual-polarization SAR for forest land type classification. Scientia Silvae Sinicae, 50 (3):83-91.[in Chinese])

Baatz M, Benz U, Dehghani S,etal. 2004.eCognition User Guide 4.Munich:Definiens Imaging.

Ban Y, Hu H, Rangel I M. 2010. Fusion of Quickbird MS and RADARSAT SAR data for urban land-cover mapping: object-based and knowledge-based approach. International Journal of Remote Sensing, 31(6):1391-1410.

Benz U C, Hofmann P, Willhauck G,etal. 2004. Multi-resolution，object-oriented fuzzy analysis of remote sensing data for GIS-ready information. International Journal of Photogrammetry & Remote Sensing, 58(3/4):239-258.

Cho M A, Mathieu R, Asner G P,etal. 2012.Mapping tree species composition in South African savannas using an integrated airborne spectral and LiDAR system. Remote Sensing of Environment, 125(10):214-226.

Clark M L, Roberts D A, Clark D B. 2005. Hyperspectral discrimination of tropical rain forest tree species at leaf to crown scales. Remote Sensing of Environment, 96(3):375-398.

Clinton N, Holt A, Scarborough J,etal. 2010. Accuracy assessment measures for object-based image segmentation goodness. Photogrammetric Engineering and Remote Sensing, 76(3):289-299.

Colstoun E C B D, Story M H, Thompson C,etal. 2003. National park vegetation mapping using multi-temporal Landsat 7 data and a decision tree classifier. Remote Sensing of Environment, 85(3):316-327.

Comaniciu D, Meer P. 2002. Mean shift: a robust approach toward feature space analysis. IEEE Transactions on Pattern Analysis & Machine Intelligence, 24(5):603-619.

Ecognition B. 2010. User guide. Definiens Imaging GmbH. Sunnyvale:Trimble.

Gitelson A A, Kaufman Y J, Merzlyak M N. 1996. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 58(3):289-298.

Goodenough D G, Dyk A, Niemann K O,etal. 2003. Processing hyperion and ALI for forest classification. IEEE Transactions on Geoscience & Remote Sensing, 41(6):1321-1331.

Hossain S M Y, Caspersen J P. 2012. In-situ measurement of twig dieback and regrowth in matureAcersaccharumtrees. Forest Ecology & Management, 270(4):183-188.

Immitzer M, Atzberger C, Koukal T. 2012. Tree species classification with random forest using very high spatial resolution 8-band WorldView-2 satellite data. Remote Sensing, 4(9):2661-2693.

Im J, Jensen J R, Hodgson M E. 2008. Object-based land cover classification using high-posting-density LIDAR data. GIScience and Remote Sensing, 45(2):209-229.

Im J, Jensen J R, Tullis J A. 2007. Object-based change detection using correlation image analysis and image segmentation. International Journal of Remote Sensing, 29(2):399-423.

Janssen L L F, Wei F J M. 1994. Accuracy assessment of satellite derived land-cover data: a review. Photogrammetric Engineering & Remote Sensing, 60(4):419-426.

Johansen K, Arroyo L A, Phinn S,etal. 2010. Comparison of geo-object based and pixel-based change detection of riparian environments using high spatial resolution multi-spectral imagery. Photogrammetric Engineering and Remote Sensing, 76(2):123-136.

Ke Y, Quackenbush L J,Im J.2010.Synergistic use of QuickBird multispectral imagry and LiDAR data for object-based forest species classification.Remote Sensing of Environment,114(6):1141-1154.

Kim M, Madden M, Warner T. 2008. Estimation of optimal image object size for the segmentation of forest stands with multispectral IKONOS imagery. Object-Based Image Analysis. Berlin: Springer.

Lawrence R L, Wood S D, Sheley R L. 2006. Mapping invasive plants using hyperspectral imagery and breiman cutler classifications (randomForest). Remote Sensing of Environment, 100(3):356-362.

Li P, Guo J, Song B,etal. 2011. A multilevel hierarchical image segmentation method for urban impervious surface mapping using very high resolution imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,4(1):103-116.

Li D, Zhang G, Wu Z,etal. 2010. An edge embedded marker-based watershed algorithm for high spatial resolution remote sensing image segmentation. IEEE Transactions on Image Processing, 19(10):2781-2787.

Liesenberg V, Gloaguen R. 2013. Evaluating SAR polarization modes at L-band for forest classification purposes in Eastern Amazon， Brazil. International Journal of Applied Earth Observation and Geoinformation, 21(1): 122-135．

Liu Y, Bian L, Meng Y,etal. 2012. Discrepancy measures for selecting optimal combination of parameter values in object-based image analysis. Isprs Journal of Photogrammetry and Remote Sensing, 68(1):144-156.

Malahlela O, Cho M A, Mutanga O.2014. Mapping canopy gaps in an indigenous subtropical coastal forest using high-resolution WorldView-2 data. International Journal of Remote Sensing, 35 (17):6397-6417.

Malthus R G T J. 2008. LiDAR mapping of canopy gaps in continuous cover forests: a comparison of canopy height model and point cloud based techniques. International Journal of Remote Sensing, 31(5):17-19.

Michel J, Youssefi D, Grizonnet M. 2015.Stable mean-shift algorithm and its application to the segmentation of arbitrarily large remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 53(53):952-964.

M?ller M，Lymburner L，Volk M. 2007.The comparison index: a tool for assessing the accuracy of image segmentation. International Journal of Applied Earth Observation & Geoinformation，9(3):311-321.

Mutanga O, Adam E, Cho M A. 2012. High density biomass estimation for wetland vegetation using WorldView-2 imagery and random forest regression algorithm. International Journal of Applied Earth Observation and Geoinformation, 18(1):399-406.

Sousa W P. 2004.Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery. International Journal of Remote Sensing，25(24):5655-5668.

Sun X Y, Du H Q, Han N,etal. 2014. Synergistic use of Landsat TM and SPOT5 imagery for object-based forest classification. Journal of Applied Remote Sensing, 8(1):801-807.

Vapnik V N. 2000. The nature of statistical learning theory. Berlin: Springer Verlag.

Vepakomma U, St-Onge B, Kneeshaw D. 2008. Spatially explicit characterization of boreal forest gap dynamics using multi-temporal lidar data. Remote Sensing of Environment, 112(5):2326-2340.

Vieira I C G, Almeida A S D, Davidson E A,etal. 2003. Classifying successional forests using Landsat spectral properties and ecological characteristics in eastern Amaznia. Remote Sensing of Environment, 87(4): 470-481.

Vincent L, Soille P. 1991.Watersheds in digital spaces: an efficient algorithm based on immersion simulations. IEEE Transactions on Pattern Analysis & Machine Intelligence, 13(6):583-598.

Wang L, Sousa W P, Gong P. 2004. Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery. International Journal of Remote Sensing, 25(24):5655-5668.

Wolter P T, Mladenoff D J, Host G E,etal. 1995. Improved forest classification in the northern Lake States using multi-temporal Landsat imagery. Photogrammetric Engineering & Remote Sensing, 61(9):1129-1143.

Yang J, He Y, Weng Q. 2015. An automated method to parameterize segmentation scale by enhancing intrasegment homogeneity and intersegment heterogeneity. IEEE Geoscience & Remote Sensing Letters, 12(6):1282-1286.

Young T Y, Fu K S. 1986. Handbook of pattern recognition and image processing. Pittsburgh: Academic Press.

Yu Q, Gong P, Clinton N,etal. 2006. Object-based detailed vegetation classification with airborne high spatial resolution remote sensing imagery. Photogrammetric Engineering & Remote Sensing, 72(7):799-811.

Zhan Q, Molenaar M, Tempfli K,etal. 2007. Quality assessment for geo-spatial objects derived from remotely sensed data. International Journal of Remote Sensing, 26(14):2953-2974.