尹凌宇， 覃先林， 孫桂芬， 劉樹超， 祖笑鋒， 陳小中

(1.中國林業(yè)科學研究院資源信息所,北京 100091； 2.四川省林業(yè)信息中心,成都 610081)

0 引言

森林是人類陸地生態(tài)系統(tǒng)的主體，在凈化空氣、調節(jié)氣候、涵養(yǎng)水源、減少風沙危害等方面起著重要作用[1-2]。森林覆蓋變化主要包括不同森林類型之間的轉化和森林類型內部之間的變化[3]2種形式。利用遙感技術開展的森林覆蓋變化檢測方法主要分為3類： ①簡單代數(shù)運算方法,包括影像差值、影像比值、變化矢量分析和影像回歸變換方法等，這些方法通過對多時相遙感影像進行簡單代數(shù)運算，根據反射率值的差異檢測出影像變化區(qū)域，雖然簡單易行，但沒有考慮外界干擾因素的影響，因而檢測結果的效果較差[4]。②監(jiān)督分類后比較方法，首先對多時相影像進行監(jiān)督分類，然后利用分類后的不同地物類別屬性進行變化檢測。這類方法雖然可以減少大氣、傳感器差異等外部因素對變化檢測的影響提供變化類型信息； 但是在多時相遙感影像分類時，需要選擇高質量和足夠數(shù)量的訓練樣本，而且因分類不精準會造成累積誤差[5]。③基于遙感數(shù)據多變量分析變換方法。如主成分分析(principal component analysis,PCA)、卡方變換(Chisquare)和穗帽變換(KT)等方法，其優(yōu)點是通過數(shù)據變換減少變量間的相關性，增強影像信噪比，提高變化區(qū)域的提取精度。覃先林等[6]利用MODIS數(shù)據，分別采用紅光-近紅外法、共生矩陣紋理法和基于相似度的變化監(jiān)測方法，對我國東北林區(qū)的森林覆蓋變化監(jiān)測方法進行研究，并進行了精度驗證，結果表明，基于相似度的變化監(jiān)測方法的正確率最高(達到了80% 以上)，而共生矩陣紋理法的漏報率最高。Platt 等[7]利用面向對象的方法對美國科羅拉多州1938—1999年的森林覆蓋變化進行研究，獲得了森林覆蓋變化的空間分布等信息。Hese等[8]利用1989年和2000年2期TM數(shù)據，采用面向對象分類法對西伯利亞地區(qū)森林覆蓋變化進行了分類比較。Collins 等[9]通過對Landsat數(shù)據進行線性變化來監(jiān)測森林死亡率，研究發(fā)現(xiàn)PCA和多時相的KT變換比GS正交變換法更好，并且KT變換產生的濕度分量是森林變化監(jiān)測中最可靠的單一指標。黃維等[10]基于PCA的變化向量分析法，用傳統(tǒng)全局閾值法和局部最小錯分概率法自動確定閾值，分別提取森林覆蓋變化區(qū)域。

本文以國產高分一號(GF-1)衛(wèi)星16 m分辨率多光譜寬幅(WFV)數(shù)據為數(shù)據源，利用核主成分分析(kernel principal component analysis，KPCA)方法變換構造差值影像，采用最大類間方差法(OTSU)進行自動閾值選取，提取研究區(qū)森林覆蓋變化信息； 并與傳統(tǒng)變化矢量法進行對比驗證，以期探尋GF-1 WFV數(shù)據在我國森林覆蓋變化檢測中的應用方法。

1 研究區(qū)概況與數(shù)據源

1.1 研究區(qū)概況

以四川省甘孜州雅江縣為研究區(qū)。該縣位于E100°19′～101°26′，N 29°03′～30°30′之間，面積768 150 hm2； 屬于青藏高原亞濕潤氣候區(qū)帶，全年平均氣溫11 ℃(其中1月均溫1.4 ℃，7月均溫18 ℃)，年降水量650 mm，無霜期189 d，年均日照2 329 h。區(qū)內有草地35.35萬hm2、林地47.9萬hm2、森林20.96萬hm2，森林資源覆蓋率為27.29%； 主要的樹種有冷杉、云杉、樺木、落葉松、柏木和櫟樹等。

1.2 數(shù)據源

為了減少季相性對變化檢測結果的影響，本文選取2014年1月7日和2016年1月14日獲取的GF-1衛(wèi)星16 m分辨率WFV多光譜數(shù)據作為森林變化監(jiān)測的遙感數(shù)據源。該衛(wèi)星的主要參數(shù)如表1所示。

表1 GF-1衛(wèi)星WFV參數(shù)Tab.1 Parameters for WFV of GF-1 satellite

采用ENVI5.1軟件對GF-1 WFV數(shù)據進行預處理，主要包括輻射定標、大氣校正、正射糾正、相對幾何配準及相對輻射歸一化等，輻射定標時采用中國資源衛(wèi)星應用中心公布的定標參數(shù)。為了更準確地得到森林變化檢測結果，以2014年影像為參考，對2016年影像進行相對幾何配準，配準誤差控制在0.5個像元以內； 相對輻射歸一化則采用迭代加權多元變化檢測(iteration re-weight multivariate alteration detection，IR-MAD)法[11]，以2014年影像為參考影像，對2016年影像進行相對輻射歸一化處理。

另外，還收集了森林資源調查數(shù)據、30m分辨率的ATSSLP DEM數(shù)據、行政界線矢量數(shù)據以及在該區(qū)域進行野外調查獲取的相關實測數(shù)據。

2 研究方法

2.1 KPCA法

多時相遙感影像各波段間經常存在一定的相關性，這對變化檢測提取變化區(qū)域增加了困難。目前，一般采用多變量的變換技術消除影像間的相關信息，降低其冗余度，如卡方變換、KT變換和KPCA法。其中，KPCA法不僅能夠消除多變量影像中的二維相關信息，而且還能夠消除影像間的高維相關，是一種基于核變換非線性推廣的主成分分析； 其基本原理是通過引入核函數(shù)，將原始數(shù)據非線性映射到高維特征空間，然后在新特征空間中使用線性主成分分析提取樣本數(shù)據的特征[12-14]。假設X=(x1，x2，…，xn)T為影像的像元矢量，N為波段數(shù)，S為協(xié)方差矩陣，若將X非線性映射到一個高維特征空間Ф，則有

(1)

對S進行特征值分解，求得特征值λi和特征向量μi，即

Sμi=λiμi；

(2)

特征向量μi可表示為Φ(x)的線性組合，即

(3)

(4)

式中a為線性組合系數(shù)，a=(a1，a2，…，an)T。

為了減少運算量，定義一個N×N的核函數(shù)K，即

Kij=K(xi,xj)=Ф(xi)TФ(xj)，

(5)

Nλia=Ka。

(6)

提取的影像數(shù)據x通過KPCA映射后的得到第t個非線性主成分pt，即

(7)

式中：μt為第t個特征向量。

由于變換前各波段之間存在很強的相關性，經過KPCA變換后的高維空間獲得的主成分保留了非線性核映射最大的信息量、消除了冗余信息，從而使輸出影像的各分量之間具有最小的相關性。

2.2 CVA法

為了更好地對比評價基于KPCA的變化檢測方法，本文采用經典的變化矢量分析(change vector analysis，CVA)法[15-16]進行對比實驗。CVA法綜合利用T1和T2時相遙感影像各波段的光譜信息，通過確定從時相T1到時相T2光譜向量的變化強度和方向來檢測變化信息。該方法是對影像直接差值法的擴充，通過對2時相影像各個波段的數(shù)據對應進行差值運算，得到每個像元在各個波段的變化增量，由各個波段的變化增量組成變化矢量。其中，變化的強度用變化矢量的歐氏距離表示，變化的內容用變化矢量的方向表示。

假設X=(x1，x2，…，xn)T和Y=(y1，y2，…，yn)T分別為T1時相和T2時相n個波段的遙感影像在同一位置的像元光譜值，xi和yi分別為2時相在第i波段的像元值，則變化矢量ΔC定義為

ΔC=X-Y=[(x1-y1),(x2-y2),…,(xn-yn)]T；

(8)

變化強度定義為

(9)

一般來說，當|ΔC|較大時，表示2景影像之間的差異較大，對應像元的地物類型發(fā)生變化的概率較大； 反之則較小。

2.3 差值影像構造

基于CVA的差值影像是由2個時相的影像各個波段的數(shù)據進行差值運算得到的，雖然構造差值影像結構簡單，運算量較少； 但由于利用影像各個波段分別構造差值影像，影像間存在一定的相關性，對變化檢測具有不利的影響，會出現(xiàn)明顯“偽變化”和“椒鹽現(xiàn)象”?；贙PCA方法構造差值影像時，需要先分別對每期影像進行KPCA變換，以消除影像波段間的相關信息，使變化信息集中在變換后的少數(shù)幾個波段，然后再構造差值影像。本文提出的基于KPCA法構造差值影像的步驟是: 首先對影像進行KPCA 變換，選取變換后信息量最大的第一主成分量； 然后選取2時相的第一主成分量進行差值運算，得到信息量充足的差值影像。

2.4 OTSU法閾值選取

本文采用最大類間方差法(OTSU)[17-18]自動提取閾值。OTSU法是由日本學者大津展之(Nobuyuki Otsu)于1979年提出的處理影像分割二值化的一種方法(亦稱最大類間差法或大津算法)，是一種非參數(shù)、自適應的閾值確定方法。該方法基于聚類的思想，把影像的反射率值按反射率級分成2個部分，使得2個部分反射率值之間的差異最大，每個部分內部反射率值之間的差異最小，通過計算其方差來尋找一個合適的劃分級別。因此，在區(qū)分變化和未變化信息時，可采用OTSU算法自動選取閾值、進行二值化。

對于一景影像，假設對發(fā)生變化區(qū)域與未發(fā)生變化區(qū)域的分割閾值為t，其中發(fā)生變化區(qū)域的像元個數(shù)占該影像像元總數(shù)目的比例為w0，均值為u0； 未發(fā)生變化區(qū)域的像元個數(shù)占該影像像元總數(shù)目的比例為w1，均值為u1； 則整景影像的均值為

u=w0u0+w1u1，

(10)

建立函數(shù)

g(t)=w0(u0-u)2+w1(u1-u)2，

(11)

g(t)就是當分割閾值為t時的類間方差表達式。OTSU算法使函數(shù)g(t)取得最大值時，把所求出的t稱為最佳閾值。

從L個反射率級遍歷t，使得t為某個值的時候，發(fā)生變化區(qū)域和未發(fā)生變化區(qū)域的方差最大，則這個t值便是所要求得的閾值。

3 結果與分析

3.1 相對輻射歸一化結果分析

采用IR-MAD法提取出2時相未變化像元后，就可以利用這些像元點建立線性回歸方程，然后對目標影像進行相對輻射歸一化處理。以2014年GF-1影像為參考，對2016年GF-1影像進行相對輻射歸一化處理，建立的回歸方程如圖1(反射率被拉伸至0～10000)所示。為了定量檢驗線性回歸效果，分別計算出每個波段的決定系數(shù)R2。

(a) B1 (b) B

(c) B3 (d) B4

圖1各波段未變化像元散點圖及回歸方程

(目標影像為2016年GF-1影像，參考影像為2014年GF-1影像)

Fig.1Scatterplotsandregressionequationsofnochangedpixelsineachband

圖1顯示，利用 IR-MAD法提取的2期GF-1影像的未變化像元點，各波段的R2都超過0.99，擬合效果非常好。為了定量檢驗相對輻射歸一化效果，對參考影像和相對輻射歸一化前后的目標影像進行統(tǒng)計，提取出的未變化像元各波段反射率的均值如表2所示。

表2 相對輻射歸一化前后目標影像和參考影像各波段反射率均值Tab.2 Average reflectivity of different bands of target image before and after radiation normalization and reference image

從表2可以看出，對2期GF-1影像相對輻射歸一化處理后，目標影像和參考影像各波段的反射率均值相近，差異明顯減小。

3.2 基于KPCA的變換結果分析

本文選擇高斯核函數(shù)對2期影像分別進行KPCA變換，分別得到4個主成分(PC)變量。2期影像的KPCA變換的定量統(tǒng)計結果見表3，統(tǒng)計信息包括特征值、方差貢獻率和累計方差貢獻率。其中，方差貢獻率是第k個KPCA主成分的方差在全部方差中所占的比重，反映了該主成分包含信息量的大?。?累積方差貢獻率表示前k個KPCA主成分的共有信息量，為k個主成分的方差和在全部方差中所占的比重。從表3可以看出，2期影像的KPCA第一主成分的方差貢獻率均超過了91%，說明該變量包含了最多的變化信息； 其余各變量的特征值依次減小，說明后面幾個KPCA變量中包含的有效變化信息越來越少，所包含的噪聲可能會很多，降低了變化信息提取精度。因此，本文利用2期影像第一主成分變量構造差值影像，進行變化檢測。

表3 GF-1影像KPCA主成分方差分布Tab.3 Variance distribution of principal components of GF-1 image KPCA

3.3 OTSU閾值選取結果

采用OTSU法對已得到的差值影像提取最佳閾值。選取雅江縣東部的1塊GF-1局部影像(圖2)進行放大和對比分析。

(a) 2014-01-07 (b) 2016-01-14

圖2雅江縣東部局部影像

Fig.2LocalimagesofeastpartinYajiangCounty

對該區(qū)域采用KPCA和CVA這2種方法所得到差值影像，使用閾值確定方法得到2個變化區(qū)域的二值影像(圖3)。

(a) KPCA法 (b) CVA法

圖3變化區(qū)域二值影像

Fig.3Binaryimagesofchangedareas

從圖3可以看出，對2種方法構造的差值影像，利用閾值法都能較準確地提取出主要的變化區(qū)域。

3.4變化信息提取精度檢驗

為了驗證影像變化信息提取的準確性，對所采用的2種變化檢測方法的變化信息提取結果分別進行了精度評價。

利用對2014年1月29日發(fā)生在雅江縣八角樓鄉(xiāng)的森林火災形成的火燒跡地的GPS采點調查結果，結合通過目視解譯，在GoogleEarth 平臺上分別從2013 年11月26日和2016年3月7日獲取的GF-1影像中選取變化與未變化樣本點(圖4)，其中變化樣本點131個，未變化樣點289個； 計算2種檢測方法變化信息提取的錯分誤差、漏分誤差、總體精度等指標，得到基于KPCA和CVA差值法的變化檢測精度(表4)。

(a) KPCA法 (b) CVA法

圖4變化區(qū)域提取結果

Fig.4Resultextractedfromchangedareas

表4 2種變化檢測方法精度Tab.4 Accuracy of two methods for change detection

從表4可以看出，本文采用的2種變化檢測算法的總體精度都超過了80%，其中CVA法的提取精度為83.33%，KPCA法比其精度提高了5.94%，達到了89.27%。對于KPCA法，未變化區(qū)的用戶精度最高，達93.88%； 變化區(qū)用戶精度最低，僅為80.28%，說明變化區(qū)誤分最為嚴重； 未變化區(qū)生產者精度為90.32%，變化區(qū)生產者精度為87.02%，說明變化區(qū)部分存在漏分現(xiàn)象。作為對比的CVA法的類別提取精度均低于KPCA法； 對變化區(qū)而言，生產者精度遠低于KPCA法，僅為70.23%，說明變化區(qū)漏分現(xiàn)象很嚴重。這是因為CVA算法混合了很多噪聲信息，掩蓋了部分變化信息，因而出現(xiàn)“偽變化”和“椒鹽現(xiàn)象”； 而KPCA算法通過數(shù)據變換后，減少了變量間的相關性，增強了影像的信噪比，提高了變化區(qū)域的提取精度。

4 結論

本文探討了基于不同年份的2期GF-1WFV多光譜遙感數(shù)據進行森林類型覆蓋變化信息檢測的方法，得出如下結論：

1)采用迭代加權多元變化檢測(IR-MAD)法的相對輻射歸一化法，使作為參考影像和目標影像的2期GF-1影像各波段間的的均值差異明顯減小，克服了2期影像成像質量的差異，各波段的R2都超過0.99，有效消除了不同時相間的輻射差異。

2)采用KPCA方法對2期影像的有效信息進行提取，得到第一主成分的信息量均達到了91%，使差值變化信息更集中，有利于提高變化監(jiān)測精度。

3)經精度驗證，采用KPCA方法和CVA方法的總體檢測精度達到80%以上，都能檢測出森林火災引起的森林覆蓋變化； 但由于火災燃燒程度不同，造成火燒跡地影像的灰度值不同，因而造成火燒跡地、尤其是火燒跡地的邊界都存在被誤判或漏判的現(xiàn)象。

本文研究的KPCA方法能提取GF-1 WFV影像中的有效變化信息，用變換后的第一主分量構造差值影像，雖然可以有效抑制噪聲，但在一定程度上舍棄了部分影像信息，可能會遺漏部分森林變化區(qū)域。下一步研究將結合遙感影像中的紋理、形狀、顏色等特征信息，綜合利用多種特征進行變化檢測，以提高森林覆蓋變化檢測的精度。

[1] Fazakas Z,Nilsson M,Olsson H.Regional forest biomass and wood volume estimation using satellite data and ancillary data[J].Agricultural and Forest Meteorology,1999,98-99:417-425.

[2] 李俊明,邢艷秋,楊 超,等.基于環(huán)境與災害監(jiān)測預報小衛(wèi)星的樹種識別[J].東北林業(yè)大學學報,2013,41(11):41-45,50.

Li J M,Xing Y Q,Yang C,et al.Forest type identification based on hyperspectral remote sensing image of environment and disaster monito-ring satellite[J].Journal of Northeast Forestry University,2013,41(11):41-45,50.

[3] 吳雪瓊,覃先林,周汝良,等.森林覆蓋變化遙感監(jiān)測方法研究進展[J].林業(yè)資源管理,2010(4):82-87.

Wu X Q,Qin X L,Zhou R L,et al.Progress of study on forest cover change detection by using remote sensing technique[J].Forest Resources Management,2010(4):82-87.

[4] 鐘家強,王潤生.基于獨立成分分析的多時相遙感圖像變化檢測[J].電子與信息學報,2006,28(6):994-998.

Zhong J Q,Wang R S.Multitemporal remote sensing images change detection based on ICA[J].Journal of Electronics & Information Technology,2006,28(6):994-998.

[5] 李世明,王志慧,韓學文,等.森林資源變化遙感監(jiān)測技術研究進展[J].北京林業(yè)大學學報,2011,33(3):132-138.

Li S M,Wang Z H,Han X W,et al.Overview of forest resources change detection methods using remote sensing techniques[J].Journal of Beijing Forestry University,2011,33(3):132-138.

[6] 覃先林,陳爾學,李增元,等.基于MODIS數(shù)據的森林覆蓋變化監(jiān)測方法研究[J].遙感技術與應用,2006,21(3):178-183.

Qin X L,Chen E X,LI Z Y,et al.Forest cover change monitoring using MODIS data[J].Remote Sensing Technology and Application,2006,21(3):178-183.

[7] Platt R V,Schoennagel T.An object-oriented approach to assessing changes in tree cover in the Colorado front range 1938―1999[J].Forest Ecology and Management,2009,258(7):1342-1349.

[8] Hese S,Schmullius C.Forest cover change in Siberia-results from the Siberia-II project[EB/OL].(2011-01-11)[2016-08-01].http://www.Ecognition.com/document/forest-cover-changesiberia-results-siberia-ii-project.

[9] Collins J B,Woodcock C E.An assessment of several linear change detection techniques for mapping forest mortality using multitemporal Landsat TM data[J].Remote Sensing of Environment,1996,56(1):66-77.

[10] 黃 維,黃進良,王立輝,等.基于PCA的變化向量分析法遙感影像變化檢測[J].國土資源遙感,2016,28(1):22-27.doi:10.6046/gtzyyg.2016.01.04.

Huang W,Huang J L,Wang L H,et al.Remote sensing image change detection based on change vector analysis of PCA component[J].Remote Sensing for Land and Resources,2016,28(1):22-27.doi:10.6046/gtzyyg.2016.01.04.

[11] 剛慧龍.基于IR-MAD算法的多元遙感影像變化檢測方法研究[D].青島:山東科技大學,2014.

Gang H L.The Study of Change Detection Method for Multivariate Remote Sensing Data based on the IR-MAD Algorithm[D].Qingdao:Shandong University of Science and Technology,2014.

[12] 沈照慶,陶建斌.基于模糊核主成分分析的高光譜遙感影像特征提取研究[J].國土資源遙感,2009,21(3):41-44,99.doi:10.6046/gtzyyg.2009.03.08.

Shen Z Q,Tao J B.Hyperspectral remote sensing image feature extraction based on fuzzy kernel principal component analysis[J].Remote Sensing for Land and Resources,2009,21(3):41-44,99.doi:10.6046/gtzyyg.2009.03.08.

[13] 楊 帆,馬 潔.基于KPCA數(shù)據重構的參數(shù)優(yōu)化方法[J].北京信息科技大學學報,2014,29(6):46-50.

Yang F,Ma J.Parameter optimization method based on KPCA data reconstruction[J].Journal of Beijing Information Science and Technology University,2014,29(6):46-50.

[14] 王國勝.核函數(shù)的性質及其構造方法[J].計算機科學,2006,33(6):172-174,178.

Wang G S.Properties and construction methods of kernel in support vector machine[J].Computer Science,2006,33(6):172-174,178.

[15] Malila W A.Change vector analysis:An approach for detecting forest changes with Landsat[C]//Proceedings of Sixth International Symposium on Machine Processing of Remotely Sensed Data.West Lafayette,Indiana:Purdue University,1980.

[16] 林克正,班守峰,張玉雙.一種基于變化向量分析的變化檢測方法[J].哈爾濱理工大學學報,2008,13(4):47-49.

Lin K Z,Ban S F,Zhang Y S.A change detection based on change vector analysis[J].Journal of Harbin University of Science and Technology,2008,13(4):47-49.

[17] 魏偉一.基于小波域灰度拉伸的Ostu圖像分割[J].西北師范大學學報(自然科學版),2009,45(6):46-48.

Wei W Y.New Ostu image segmentation based on intensity stretching on DWT fields[J].Journal of Northwest Normal University(Natural Science),2009,45(6):46-48.

[18] 蔡燕偉,崔紅霞.基于彩色空間的二維OSTU的圖像分割算法[J].電子設計工程,2014,22(5):131-133.

Cai Y W,Cui H X.Image segmentation algorithm based on two-dimensional OSTU of color space[J].Electronic Design Engineering,2014,22(5):131-133.