宋亞斌，林 輝，喻龍華，彭檢貴，江騰宇

(1.國(guó)家林業(yè)和草原局中南調(diào)查規(guī)劃設(shè)計(jì)院，長(zhǎng)沙 410014；2.中南林業(yè)科技大學(xué) 林業(yè)遙感大數(shù)據(jù)與生態(tài)安全湖南省重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)沙 410004；3.中國(guó)林業(yè)科學(xué)研究院亞熱帶林業(yè)實(shí)驗(yàn)中心，江西 新余 336600)

0 引言

近些年隨著社會(huì)對(duì)遙感數(shù)據(jù)需求不斷提升，助推了遙感技術(shù)的快速發(fā)展，使遙感影像的空間分辨率和光譜分辨率得到不斷提升，可以快捷方便的獲取地表細(xì)節(jié)信息，并且極大豐富了獲取遙感影像的途徑和方法。同時(shí)也帶來(lái)難以避免的問(wèn)題——復(fù)雜地物類別的干擾，并且存在同物異譜、異物同譜等現(xiàn)象[1]。隨多源遙感技術(shù)的發(fā)展，可以同時(shí)獲得同一研究區(qū)的多種遙感影像，如光學(xué)、熱紅外和微波等。與單源遙感影像相比，多源遙感影像具有冗余性、互補(bǔ)性和合作性[2]，可充分利用不同遙感數(shù)據(jù)的優(yōu)勢(shì)，以提升對(duì)目標(biāo)信息的提取能力[3]。

國(guó)內(nèi)外學(xué)者針對(duì)多源遙感影像數(shù)據(jù)的目標(biāo)信息提取展開(kāi)了較多研究。李曉松等[4]分析通過(guò)多源遙感技術(shù)對(duì)森林災(zāi)害評(píng)估的原理和主要技術(shù)方法，并以多源遙感技術(shù)對(duì)內(nèi)蒙古自治區(qū)東部主要林區(qū)森林火災(zāi)與森林病蟲(chóng)害進(jìn)行監(jiān)測(cè)與損失評(píng)估，論證了該應(yīng)用的可行性和可靠性；牟懷義[5]采用多源高分辨率衛(wèi)星遙感影像對(duì)內(nèi)蒙古大興安嶺克一河和吉文林地進(jìn)行動(dòng)態(tài)變化監(jiān)測(cè)研究，結(jié)果表明對(duì)林木采伐、占地、毀林開(kāi)墾以及森林災(zāi)害的監(jiān)測(cè)效果較好；袁士保等[6]以多源高分辨率衛(wèi)星遙感影像應(yīng)用于北京市平原造林工程監(jiān)管中，實(shí)現(xiàn)施工前輔助規(guī)劃、施工中進(jìn)度監(jiān)管、施工后跟蹤監(jiān)測(cè)以及造林工程移動(dòng)監(jiān)管，大大提高造林工程管理效率；L Peng等[7]利用衛(wèi)星遙感影像、數(shù)字航攝影像等多源遙感數(shù)據(jù)，采用立體像對(duì)技術(shù)和隨機(jī)森林模型分析方法，實(shí)現(xiàn)區(qū)域滑坡災(zāi)害風(fēng)險(xiǎn)可靠評(píng)估；毛學(xué)剛等[8]先利用合成孔徑雷達(dá)(SAR)數(shù)據(jù)提取到DSM，再結(jié)合高分遙感數(shù)據(jù)對(duì)三明市將樂(lè)縣將樂(lè)國(guó)有林場(chǎng)研究區(qū)中杉木林、馬尾松林、闊葉林進(jìn)行分類，結(jié)果表明相比以單一遙感數(shù)據(jù)進(jìn)行林分類型識(shí)別，多源遙感數(shù)據(jù)的精度更高；趙春暉等[9]利用支持向量機(jī)(Support Vector Machine，SVM)分類方法，采用高分辨率遙感影像和DSM數(shù)據(jù)結(jié)合進(jìn)行分類，結(jié)果表明結(jié)合DSM數(shù)據(jù)可以明顯提升分類精度。但DSM數(shù)據(jù)中地物高度信息會(huì)受地形地勢(shì)的影響，因此直接使用DSM數(shù)據(jù)會(huì)對(duì)地物的有效提取帶來(lái)干擾。

1 數(shù)據(jù)與分類

實(shí)驗(yàn)依據(jù)喻龍華等[10]提出的方法，先從DSM中提取出nDSM，用以去除因地形差異產(chǎn)生的干擾信息，再以nDSM和高分辨率影像數(shù)據(jù)為數(shù)據(jù)源，借助ENVI軟件平臺(tái)，進(jìn)行分類實(shí)驗(yàn)，同時(shí)與其它特征信息及不同分類方法得到的分類結(jié)果進(jìn)行對(duì)比分析。實(shí)驗(yàn)技術(shù)路線圖如圖1。

圖1 實(shí)驗(yàn)技術(shù)路線圖

1.1 數(shù)據(jù)準(zhǔn)備

實(shí)驗(yàn)采用兩組數(shù)據(jù)，由于高空間—高光譜影像波段過(guò)多，信息分散，為提取有用信息，提高圖像處理速度，對(duì)其進(jìn)行主成分分析，選取前5個(gè)波段，包含原始高光譜中99 %以上的信息?；贒SM數(shù)據(jù)獲得研究區(qū)域的DEM，而后以DSM和DEM做差，獲得相應(yīng)nDSM。本論文中采用的三種特征數(shù)據(jù)為：高空間—高光譜影像提取的特征數(shù)據(jù)，簡(jiǎn)稱為特征①；影像結(jié)合DSM提取的特征數(shù)據(jù)，簡(jiǎn)稱為特征數(shù)據(jù)②；影像結(jié)合nDSM提取的特征數(shù)據(jù)，簡(jiǎn)稱為特征③。

第一組實(shí)驗(yàn)數(shù)據(jù)位于地形起伏較大的山區(qū)，呈左方地勢(shì)低，右方地勢(shì)較高，主要地物類型為建筑物、樹(shù)、灌草和道路等，其高空間—高光譜影像和DSM未進(jìn)行配準(zhǔn)，因此先進(jìn)行精確配準(zhǔn)，以滿足實(shí)驗(yàn)要求。數(shù)據(jù)由中國(guó)林業(yè)科學(xué)研究院資源信息研究所機(jī)載LiCHy系統(tǒng)[10]于2014年4月獲取。實(shí)驗(yàn)中所用高光譜數(shù)據(jù)影像行列為561×230，中心波長(zhǎng)從400～990 nm共125個(gè)波段，空間分辨率為1 m，見(jiàn)圖2(a)；與之匹配的DSM數(shù)據(jù)由其LiDAR數(shù)據(jù)通過(guò)ENVI LiDAR處理而來(lái)，影像大小同為561×230，空間分辨率也為1 m，見(jiàn)圖2(b)；影像區(qū)域位于山區(qū)，nDSM從DSM中提取，結(jié)果見(jiàn)圖2(c)。

(a) 高光譜數(shù)據(jù)

(b) DSM

(c) 地物高度(nDSM)

第二組實(shí)驗(yàn)數(shù)據(jù)位于地形起伏較小的城區(qū)，影像區(qū)域地勢(shì)呈左高右低，但整體較平坦，主要地物類型為建筑物、樹(shù)、草、道路和運(yùn)動(dòng)場(chǎng)等，數(shù)據(jù)由IEEE GRSS提供[11]，獲取于2012年6月，位于美國(guó)休斯頓大學(xué)及附近居民區(qū)，其高空間—高光譜影像和DSM已精確配準(zhǔn)，可直接使用。實(shí)驗(yàn)中高空間—高光譜影像行列為1905×349，中心波長(zhǎng)從364～1 046 nm共144個(gè)波段，空間分辨率為2.5 m，見(jiàn)圖3(a)；與之匹配的DSM數(shù)據(jù)空間大小和分辨率與高空間—高光譜影像完全相同，見(jiàn)3(b)；提取的nDSM結(jié)果見(jiàn)圖3(c)。

(a) 高光譜數(shù)據(jù)

(b) DSM

(c) 地物高度(nDSM)

1.2 影像分類

對(duì)實(shí)驗(yàn)數(shù)據(jù)采用最小距離、馬氏距離、最大似然和支持向量機(jī)共4種分類方法進(jìn)行影像分類，均使用同一訓(xùn)練樣本，并且用同一測(cè)試樣本進(jìn)行精度評(píng)價(jià)。

1)最小距離分類方法。在ENVI軟件中實(shí)現(xiàn)最小距離分類，需要先根據(jù)分類類別，為每個(gè)地物類別選取少量典型代表性樣本，以獲取每一類的均值向量和協(xié)方差矩陣，并以各類均值向量作為該類在多維空間的中心，通過(guò)計(jì)算輸入圖像中各個(gè)像元到中心的距離判斷該像元為哪一類別[12-13]。

2)馬氏距離分類方法。在ENVI軟件中實(shí)現(xiàn)馬氏距離分類，同最小距離分類過(guò)程一樣，但在設(shè)置最大距離誤差時(shí)選“None”。

3)最大似然分類方法。在ENVI軟件中實(shí)現(xiàn)最大似然分類，同馬氏距離分類過(guò)程一樣，并在設(shè)置似然度閾值時(shí)選“None”。

4)支持向量機(jī)分類方法。在ENVI軟件中實(shí)現(xiàn)支持向量機(jī)分類，同馬氏距離分類過(guò)程一樣。訓(xùn)練樣本需設(shè)置核函數(shù)以及相關(guān)參數(shù)[14]，經(jīng)過(guò)多次試驗(yàn)，本實(shí)驗(yàn)核函數(shù)選取“Radial Basis Function”，其它參數(shù)默認(rèn)。

1.3 評(píng)價(jià)方法

通過(guò)目視解譯和制圖精度的方法對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)，以此對(duì)三種不同特征數(shù)據(jù)的分類方法的精度以及可靠性進(jìn)行比較分析。

2 結(jié)果與評(píng)價(jià)

2.1 結(jié)果

從目視效果來(lái)說(shuō)，第一組實(shí)驗(yàn)數(shù)據(jù)對(duì)應(yīng)結(jié)果如圖4～圖6。三種特征數(shù)據(jù)分類處理結(jié)果，以特征①效果最差，并且其對(duì)應(yīng)的4個(gè)分類結(jié)果都比較細(xì)碎(為更好的比較三種特征數(shù)據(jù)處理對(duì)分類效果的影響，避免其它因素的干擾，未對(duì)分類結(jié)果進(jìn)行分類后處理，如：聚類處理、過(guò)濾處理等)，圖4；4種分類方法，均以特征③效果最好，圖6。同一種特征數(shù)據(jù)處理中，以支持向量機(jī)法的最好，三種特征數(shù)據(jù)處理中僅其對(duì)右上角的道路進(jìn)行了正確分類；馬氏距離法和最大似然法次之，但兩者在建筑物存在過(guò)多的分類錯(cuò)誤，特別是最大似然法，在左上角存在大面積錯(cuò)分；最小距離法卻存在對(duì)建筑物的漏分，并且在中間林區(qū)存在許多細(xì)碎的且錯(cuò)分的地類。

圖4 第一組實(shí)驗(yàn)數(shù)據(jù)特征①分類結(jié)果

圖5 第一組實(shí)驗(yàn)數(shù)據(jù)特征②分類結(jié)果

圖6 第一組實(shí)驗(yàn)數(shù)據(jù)特征③分類結(jié)果

第二組實(shí)驗(yàn)數(shù)據(jù)對(duì)應(yīng)結(jié)果如圖7～圖9。三種特征數(shù)據(jù)分類處理結(jié)果，同樣以特征①效果最差，并且建筑物存在明顯錯(cuò)分。圖7(a)，(c)，(d)圖中右側(cè)建筑物基本全錯(cuò)分到其它類型(裸地和道路)，尤其是云覆蓋的位置，而圖7(b)圖中相應(yīng)位置幾乎全錯(cuò)分為建筑物；特征②和特征③較好，加入DSM和nDSM后，即使是云層遮蓋的位置也能較好的實(shí)現(xiàn)建筑物和地面的分類。同一種特征數(shù)據(jù)處理中，以馬氏距離法和支持向量機(jī)法的較好，并且僅特征③采用了去除地形高程的nDSM，較好地避免了把圖中陰影部分的高架道路錯(cuò)分為建筑物類。

圖7 第二組實(shí)驗(yàn)數(shù)據(jù)特征①分類結(jié)果

圖8 第二組實(shí)驗(yàn)數(shù)據(jù)特征②分類結(jié)果

圖9 第二組實(shí)驗(yàn)數(shù)據(jù)特征③分類結(jié)果

2.2 定量評(píng)價(jià)

利用制圖精度評(píng)價(jià)指標(biāo)進(jìn)行定量評(píng)價(jià)，其統(tǒng)計(jì)結(jié)果見(jiàn)表1和表2。兩個(gè)實(shí)驗(yàn)采用的四種分類方法中均以最小距離分類法最差，并且對(duì)三種特征數(shù)據(jù)的處理方法，最小距離分類法分類幾乎沒(méi)有差異。同一特征數(shù)據(jù)處理方法下，分類精度表現(xiàn)為：支持向量機(jī)分類法>馬氏距離分類法>最大似然分類法>最小距離分類法。而相同的分類方法下，特征①所得結(jié)果最差，特征③最優(yōu)，特征③的總體精度要比特征②高出2%左右，第一組數(shù)據(jù)最高達(dá)到89.26 %，第二組數(shù)據(jù)最高達(dá)到83.51 %。并且建筑物、樹(shù)、草等各類的分類精度大小均表現(xiàn)為：特征③>特征②>特征①。

表1 第一組實(shí)驗(yàn)數(shù)據(jù)定量評(píng)價(jià)影像分類數(shù)據(jù)源精度/%建筑物樹(shù)草其它總體Kappa系數(shù)特征 ①47.5683.7262.7368.2561.030.42最小距離特征 ②48.3084.5963.1269.1161.540.43特征 ③49.0284.9863.8069.8762.690.45特征 ①72.3371.0071.4655.7165.630.48馬氏距離特征 ②74.8272.1373.3696.2982.760.74特征 ③77.9572.4973.7098.0684.760.77特征 ①37.2072.8579.8596.2062.580.43最大似然特征 ②62.9045.5879.2897.8077.050.65特征 ③71.6974.3476.9798.2382.920.74特征 ①21.7575.7370.8795.2262.800.44支持向量機(jī)特征 ②83.5881.3873.5895.9086.910.80特征 ③84.7882.2474.2797.9489.260.83

表2 第二組實(shí)驗(yàn)數(shù)據(jù)定量評(píng)價(jià)影像分類數(shù)據(jù)源精度/%建筑物樹(shù)草其它總體Kappa系數(shù)特征 ①44.3165.9677.8763.0660.160.47最小距離特征 ②45.7468.7879.2165.8462.190.49特征 ③45.8268.9979.8965.9262.420.5特征 ①73.1883.4786.0758.8477.090.68馬氏距離特征 ②74.1478.5082.4878.575.640.66特征 ③76.2785.1691.8660.8780.180.72特征 ①81.7195.4952.2755.2577.730.68最大似然特征 ②85.6395.1250.1647.4577.570.68特征 ③92.3896.6454.550.1681.570.73特征 ①74.6585.7686.4465.480.350.72支持向量機(jī)特征 ②76.9386.2387.0266.3280.700.73特征 ③77.8592.3792.2266.9183.510.78

3 結(jié)論與討論

1)最小距離分類法、馬氏距離分類法、最大似然分類法和支持向量機(jī)分類法4種分類方法中，以馬氏距離分類法、最大似然分類法和支持向量機(jī)分類法分類效果較好，但均存在一定程度的混分現(xiàn)象。綜合考慮視覺(jué)效果和定量評(píng)價(jià)指標(biāo)，支持向量機(jī)分類法效果最好，最小距離分類法效果最差。

2)在高空間—高光譜遙感圖像分類過(guò)程中，結(jié)合DSM數(shù)據(jù)可以大幅提高分類精度，但DSM數(shù)據(jù)中不同區(qū)域的地形差異會(huì)成為分類過(guò)程中新的干擾信息，直接影響分類精度；而采用nDSM可以有效去除地形因素的干擾，有效提高地物信息提取精度。

3)雖然論文采用了兩組完全不同地形、地物特征的實(shí)驗(yàn)數(shù)據(jù)，但由于實(shí)驗(yàn)范圍的限制，論文研究的結(jié)果在更廣區(qū)域的適用性有待進(jìn)一步研究和探討。