張兆鵬，李增元，田 昕

（1.自然資源部 第一大地測(cè)量隊(duì)，陜西 西安 710054；2.中國林業(yè)科學(xué)研究院 資源信息研究所，北京100091）

林業(yè)是生態(tài)建設(shè)的主體，履行著建設(shè)和保護(hù) “三個(gè)系統(tǒng)、一個(gè)多樣性”（森林、濕地和荒漠生態(tài)系統(tǒng)及生物多樣性）的重要職能［1-2］。為了對(duì)林地資源進(jìn)行科學(xué)管理和有效利用，尋找經(jīng)濟(jì)、高效、精確的林地資源信息獲取方法是林業(yè)工作的重點(diǎn)。航天遙感技術(shù)的快速發(fā)展，為國家林地資源信息獲取提供了有效手段。從不同來源、不同形式的遙感信息中準(zhǔn)確快速、高質(zhì)高效地獲取林地類型精細(xì)信息，實(shí)現(xiàn)森林資源的定期，甚至實(shí)時(shí)監(jiān)測(cè)，為清查森林資源、預(yù)測(cè)預(yù)報(bào)森林火災(zāi)、利用和保護(hù)森林資源提供了重要基礎(chǔ)和依據(jù)［3］。目前，國內(nèi)外學(xué)者利用不同遙感數(shù)據(jù)，在林地類型提取方面通過不同的研究方法進(jìn)行了大量的研究，以提高林地類型的分類精度［4-7］。隨著第1顆提供 “紅邊”波段的商業(yè)衛(wèi)星——RapidEye衛(wèi)星的發(fā)射，其獨(dú)特的光譜特征被國際各類遙感衛(wèi)星研究及應(yīng)用機(jī)構(gòu)認(rèn)可與采用。國內(nèi)外學(xué)者通過將具有紅邊波段的RapidEye遙感衛(wèi)星數(shù)據(jù)應(yīng)用于森林脅迫時(shí)空監(jiān)測(cè)、農(nóng)業(yè)和植物分類等方面發(fā)現(xiàn)，紅邊信息在一定程度上可提高監(jiān)測(cè)精度和分類精度［8-9］。中國自行研制的GF-6是一顆只攜帶一部相機(jī)實(shí)現(xiàn)超大寬幅（800 km）的高分辨率衛(wèi)星，且新增的紅邊、黃邊譜段對(duì)于大區(qū)域的森林、農(nóng)作物等植被生長狀況監(jiān)測(cè)、植被類型識(shí)別具有獨(dú)特的優(yōu)勢(shì)。利用紅邊波段對(duì)林地類型精細(xì)分類尚未見報(bào)道，因此本研究以內(nèi)蒙古自治區(qū)根河市根河森林生態(tài)站為例，以攜帶紅邊波段且有一定數(shù)據(jù)獲取量的RapidEye數(shù)據(jù)為主要數(shù)據(jù)源，采用基于EnMAP-Box的隨機(jī)森林和支持向量機(jī)的分析方法展開研究，通過尋優(yōu)參數(shù)選擇和分類器訓(xùn)練等方面的優(yōu)化設(shè)計(jì)，將RapidEye數(shù)據(jù)所攜帶的紅邊信息應(yīng)用于林地類型分類，從獨(dú)特的波段信息運(yùn)用和運(yùn)行速率出發(fā)，開展具有較高實(shí)際應(yīng)用價(jià)值的林地類型精細(xì)識(shí)別方法。同時(shí)以GF-1數(shù)據(jù)為對(duì)比研究數(shù)據(jù)，探討攜帶紅邊波段信息的衛(wèi)星數(shù)據(jù)對(duì)林地類型精細(xì)分類的影響，為國產(chǎn)GF-6衛(wèi)星在林業(yè)資源調(diào)查方面的深入應(yīng)用提前探路，為高分辨率成果全面服務(wù)于中國林業(yè)發(fā)展和生態(tài)環(huán)境建設(shè)提供一定的技術(shù)參考。

1 研究區(qū)概況與研究數(shù)據(jù)

1.1 研究區(qū)概況

根河市是內(nèi)蒙古自治區(qū)呼倫貝爾市北部的縣級(jí)市，地處大興安嶺北段。地理坐標(biāo)為50°20′～52°30′N，120°12′～122°55′E，是中國緯度最高的城市之一，更是中國平均氣溫最低的旗市。根河市資源以森林資源為主體，森林覆蓋率為91.7%，森林面積達(dá)174.5萬hm2［10］，樟子松Pinus sylvestris var.mongholi-ca，興安落葉松Larix spp.和白樺Betula platyphylla等是該區(qū)的主要樹種。本研究核心區(qū)域?yàn)榘瑑?nèi)蒙古首個(gè)森林生態(tài)觀測(cè)站——“大興安嶺森林氣候生態(tài)觀測(cè)站” 在內(nèi)的矩形區(qū)域（51°00′～51°45′N，121°23′～121°43′E）， 位于根河市南部。

1.2 遙感數(shù)據(jù)源

國產(chǎn)GF-1數(shù)據(jù)由中國資源衛(wèi)星應(yīng)用中心提供［11］，RapidEye數(shù)據(jù)由高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)（民用部分）科研項(xiàng)目（21-Y20A06-9001-17/18）提供。數(shù)據(jù)詳細(xì)信息見表1。

表1 衛(wèi)星數(shù)據(jù)信息表Table 1 The detailed information of satellite data

1.3 其他數(shù)據(jù)

其他數(shù)據(jù)包括：①樣地調(diào)查數(shù)據(jù)。2016年8月1-30日，在根河市境內(nèi)進(jìn)行實(shí)測(cè)，獲得3種類型樣地：Q樣地（19個(gè)）、復(fù)測(cè)樣地（27個(gè)）和航線樣地（71個(gè)），其中航線樣地包括13個(gè)方形樣地（30 m×30 m）和58個(gè)圓形樣地（直徑30 m）；②輔助數(shù)據(jù)。大興安嶺根河生態(tài)站小班數(shù)據(jù)和二調(diào)森林資源分布圖作為輔助數(shù)據(jù)，Landsat8 OLI數(shù)據(jù)作為基準(zhǔn)影像數(shù)據(jù)，來源于美國地質(zhì)勘探局（USGS）官網(wǎng)（http://landsat.usgs.gov/）；③數(shù)字高程模型數(shù)據(jù)。根河市30 m分辨率的GDEMV2數(shù)據(jù)，來源于地理空間數(shù)據(jù)云；④矢量數(shù)據(jù)。生態(tài)站矢量數(shù)據(jù)和研究區(qū)矢量數(shù)據(jù)作為影像裁剪數(shù)據(jù)。⑤檢驗(yàn)樣本。結(jié)合外業(yè)調(diào)查數(shù)據(jù)和Google影像，在研究區(qū)共選取74個(gè)分布均勻的樣地（外業(yè)采集方形樣本大?。?0 m×30 m，自選方形樣本大?。?0 m×20 m）作為驗(yàn)證樣本，其中：闊葉林和針葉林各18個(gè)、灌木林12個(gè)、耕地、水體和建筑用地各6個(gè)、草地5個(gè)、裸地3個(gè)。

1.4 遙感影像預(yù)處理

圖像預(yù)處理包括輻射定標(biāo)、大氣校正、正射校正、圖像融合、地形校正和圖像配準(zhǔn)等。其中：①大氣校正采用FLAASH大氣校正；②圖像融合。GF-1數(shù)據(jù)采用融合效果較好的NNDiffuse Pan sharpening法進(jìn)行圖像融合，RapidEye數(shù)據(jù)不進(jìn)行此處理；③地形校正。采用廣泛應(yīng)用的C校正模型進(jìn)行地形校正；④圖像配準(zhǔn)。以經(jīng)過輻射定標(biāo)、大氣校正和正射校正的Landsat 8 OLI遙感影像（2017年7月）為基準(zhǔn)影像，以GF-1和RapidEye遙感影像分別為待校正影像，通過圖像自動(dòng)配準(zhǔn)后的方法進(jìn)行圖像配準(zhǔn)處理，配準(zhǔn)后GF-1和RapidEye遙感影像的總的均方根誤差（RMSE）分別達(dá)0.58個(gè)像元和0.56個(gè)像元，均滿足圖像配準(zhǔn)要求，最終的數(shù)據(jù)預(yù)處理結(jié)果如圖1所示。

2 研究方法

2.1 分類系統(tǒng)

根據(jù)國家林業(yè)局頒發(fā)的《國家森林資源連續(xù)清查技術(shù)規(guī)定（2014）》［12］、研究區(qū)的地表覆蓋情況和應(yīng)用需求，本研究將主要地物類型劃分為針葉林、闊葉林、灌木林、草地、建筑用地、裸地、水體和耕地8類。

2.1.1 光譜特征 基于Rapid Eye和GF-1 PMS影像上8種地物類型的光譜特征（圖2），分析各類別在不同數(shù)據(jù)源、不同時(shí)相影像上的光譜差異和光譜域類別可分性。由圖2可知：RapidEye影像上紅邊波段（red edge，RE）處是植被光譜響應(yīng)的轉(zhuǎn)折點(diǎn)，差異性明顯；GF-1 PMS影像上，針葉林、闊葉林、灌木林、草地和耕地在近紅外波段（near infrared，NIR）表現(xiàn)出明顯的植被光譜響應(yīng)峰值。

2.1.2 紅邊特征 紅邊波段是介于紅光波段和近紅外波段之間的波段。植被葉片反射率在紅邊譜段范圍會(huì)發(fā)生突變，是植物曲線最為明顯的特征，是研究的重點(diǎn)光譜區(qū)域。紅邊與植被的各種理化參數(shù)緊密相關(guān)，可以更好地應(yīng)用于林業(yè)和農(nóng)業(yè)等方面進(jìn)行植被類型精細(xì)識(shí)別。歸一化紅邊指數(shù)（normalized difference red edge vegetation index，NDRE）是歸一化植被指數(shù)（NDVI）的改進(jìn)型，它對(duì)葉冠層的微小變化、林窗片斷和衰老非常敏感，可用于精準(zhǔn)農(nóng)業(yè)、森林監(jiān)測(cè)和植被脅迫性探測(cè)等。計(jì)算公式為：

圖2 RapidEye和GF-1影像不同地物光譜曲線Figure 2 Spectral curves of eight typical ground objects for RapidEye and GF-1 PMS images

式（1）中：INDRE表示歸一化紅邊指數(shù)；ρNIR和ρRE分別表示近紅外波段（NIR）和紅邊波段（RE）的反射率。通常，-1＜INDRE＜1，且當(dāng)0.2≤INDRE≤0.9時(shí)，表示為綠色植被區(qū)。

2.2 基于EnMAP-Box的支持向量機(jī)（ImageSVM）分類法

EnMAP-Box是由德國環(huán)境制圖與分析計(jì)劃項(xiàng)目組基于交互式數(shù)據(jù)語言（interactive data language，IDL）開發(fā)的一款對(duì)高光譜遙感數(shù)據(jù)處理與分析的工具包［13-14］。

ImageSVM是柏林洪堡大學(xué)地理實(shí)驗(yàn)室開發(fā)的一種利用IDL語言對(duì)遙感影像進(jìn)行支持向量機(jī)（support vector machine classification,SVM）分類和回歸分析的非商業(yè)產(chǎn)品工具［15］。支持向量機(jī)法是基于統(tǒng)計(jì)學(xué)理論，以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為基礎(chǔ)，通過最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信區(qū)間，將神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇問題轉(zhuǎn)化為較容易的核函數(shù)選擇問題，對(duì)于樣本數(shù)量較少的研究，具有很好的優(yōu)勢(shì)［16］。SVM通過引入核函數(shù)，將非線性問題轉(zhuǎn)化為線性問題，有效減小算法復(fù)雜度，避免經(jīng)典學(xué)習(xí)中過學(xué)習(xí)和維數(shù)災(zāi)難等弊端［17］，而且具有很好的通用性、魯棒性。本研究選用的核函數(shù)是目前廣泛應(yīng)用的徑向基函數(shù)。SVM的參數(shù)優(yōu)化功能是基于網(wǎng)格搜索算法，通過網(wǎng)格搜索法在可控范圍內(nèi)尋得適合模型的最優(yōu)的核函數(shù)參數(shù)g與懲罰系數(shù)C是SVM分類的關(guān)鍵［18-20］。EnMAP網(wǎng)格搜索尋優(yōu)時(shí)，核函數(shù)g的范圍為：0.0100～1000.0000，懲罰系數(shù)C的默認(rèn)值為0.1，乘數(shù)（multiplie，M）的范圍為1＜M≤10。一般情況下，設(shè)置g的最小值為0.01，最大值為10；C的最小值為1，最大值為1000，其對(duì)應(yīng)的乘數(shù)Mg和乘數(shù)Mc均為1.2～2.0。

2.3 基于EnMAP-Box的隨機(jī)森林（ImageRF）分類法

ImageRF是一種基于IDL程序的遙感影像分類方法。隨機(jī)森林（random forests,RF）是利用bootstrap重抽樣方法從原始樣本中抽取多個(gè)樣本，對(duì)每個(gè)bootstrap樣本進(jìn)行決策樹建模，然后將這些決策樹組合起來，通過投票得出最終的預(yù)測(cè)或者分類結(jié)果［20-21］。隨機(jī)森林進(jìn)行分類時(shí)預(yù)選變量個(gè)數(shù)m和隨機(jī)森林中樹的個(gè)數(shù)n是進(jìn)行參數(shù)調(diào)優(yōu)的關(guān)鍵。在ImageRF分類時(shí)選用的RFC（Random Forests Classification）模型是一種利用訓(xùn)練樣本和內(nèi)部驗(yàn)證的參考數(shù)據(jù)集進(jìn)行參數(shù)優(yōu)化的分類模型［23-24］。EnMAP中隨機(jī)森林分類主要通過改變樹的數(shù)量（number of trees）來提高分類精度，其默認(rèn)值為100，在大多數(shù)情況下。該默認(rèn)值已可以達(dá)到很高的分類精度。

2.4 歸一化紅邊指數(shù)參與下的SVM分類法

利用NDRE獨(dú)有的特性，將其參與支持向量機(jī)分類。首先，在波段計(jì)算器中對(duì)RapidEye影像數(shù)據(jù)通過公式（1）進(jìn)行波段運(yùn)算，得到RapidEye數(shù)據(jù)的歸一化紅邊指數(shù)圖像（單波段）。然后將所得到的單波段歸一化紅邊指數(shù)數(shù)據(jù)和RapidEye遙感數(shù)據(jù)的5個(gè)（藍(lán)、綠、紅、紅邊和近紅外）波段通過ENVI提供的“Layer Stacking”工具進(jìn)行波段組合，最后將加入歸一化紅邊波段信息的RapidEye影像進(jìn)行SVM分類處理。

3 結(jié)果與分析

3.1 樣本的選擇

經(jīng)過外業(yè)調(diào)查與遙感影像對(duì)應(yīng)，針對(duì)在本研究區(qū)確定的8種不同的目標(biāo)地物類型，利用影像上地物的特征 （形狀、大小、色調(diào)及紋理結(jié)構(gòu)等），來確定本研究區(qū)的訓(xùn)練樣本。利用ENVI 5.4.1軟件中Compute ROI Separability工具計(jì)算任意2個(gè)類別間的差異性程度，即以任意類別間的統(tǒng)計(jì)距離來衡量訓(xùn)練樣本的可分離性。結(jié)果表明：選擇的8種類型樣本間的可分離性較好，其中參數(shù)值大于1.90（合格樣本）的占 25/28， 在1.86～1.90的占3/28。

3.2 遙感影像分類結(jié)果

3.2.1 參數(shù)尋優(yōu)結(jié)果 利用SVM模型中的網(wǎng)格搜索法，尋得的RapidEye和GF-1遙感影像的最優(yōu)參數(shù)（g，C）如圖3所示。圖3右邊柱狀部分為圖例，表示最低精度和最高精度的值。觀察分析圖3可知：g值較小和C值較高時(shí)，精度值較高。

圖3 尋優(yōu)參數(shù)結(jié)果Figure 3 Optimum parameter result

3.2.2 影像分類結(jié)果 為了對(duì)比分析研究方法的分類效果，用傳統(tǒng)的最大似然法（MLC）和SVM法的分類結(jié)果為對(duì)比。最優(yōu)參數(shù)參與下的ImageSVM法分類和ImageRF法，以及MLC和SVM法的分類結(jié)果分別如圖4（RapidEye）和圖5（GF-1）所示。圖中A和B分別為ImageSVM法和ImageRF法的影像分類結(jié)果；圖4和圖5中C和D分別為傳統(tǒng)SVM和MLC法的分類結(jié)果。通過式（1）對(duì)Rapideye遙感影像進(jìn)行波段計(jì)算，獲得單波段的歸一化植被指數(shù)圖像，如圖6所示。將其與5波段的RapidEye遙感影像通過波段重組（layer stacking），重新生成一個(gè)6波段的遙感影像，然后通過SVM分類法對(duì)重組后的遙感影像進(jìn)行分類，得到NDRE參與下的SVM分類結(jié)果（圖7）。

3.3 分類后精度評(píng)價(jià)

圖4 RapidEye影像分類結(jié)果示意圖Figure 4 Classification results for RapidEye image

利用外業(yè)調(diào)查數(shù)據(jù)和選取的檢驗(yàn)樣本，通過建立混淆矩陣對(duì)RapidEye和GF-1遙感影像不同分類方法的分類結(jié)果進(jìn)行精度驗(yàn)證，精度驗(yàn)證結(jié)果分別見表2和表3所示。

圖5 GF-1遙感影像分類結(jié)果示意圖Figure 5 Classification results for GF-1 image

通過表2和表3可知：對(duì)于RapidEye和GF-1遙感影像，基于EnMAP-Box的隨機(jī)森林和支持向量機(jī)分類的總體分類精度和Kappa系數(shù)均高于傳統(tǒng)的SVM和MLC分類。其中：高分辨率的RapidEye和GF-1PMS遙感影像效果更明顯，ImageRF和ImageSVM的總體分類精度相對(duì)于傳統(tǒng)的SVM和MLC均提高了6%以上。

上述分析可知：ImageSVM和ImageRF法在復(fù)雜山區(qū)林地類型精細(xì)識(shí)別中精度和可信度高。針對(duì)這2種具有同等分類效果的方法，在運(yùn)行效率和廣泛適用性方面進(jìn)行對(duì)比研究，結(jié)果如表4所示。

由表4可知：在相同條件（影像類型相同、數(shù)據(jù)范圍相同、運(yùn)行環(huán)境相同），ImageRF分類法相對(duì)于ImageSVM分類法，精度基本一致，但其費(fèi)時(shí)少、效率快，是一種快速高效的分類方法。針對(duì)大區(qū)域林地類型精細(xì)識(shí)別而言，ImageSVM對(duì)運(yùn)行環(huán)境的要求極高，花費(fèi)時(shí)間也較長，廣泛適用性較差。同樣，對(duì)RapidEye遙感影像基于NDRE參與下的SVM分類結(jié)果進(jìn)行精度驗(yàn)證。結(jié)果如表5所示。

圖6 歸一化紅邊指數(shù)（單波段）Figure 6 NDRE（Single-band）

圖7 NDRE參與下的SVM法分類結(jié)果圖Figure 7 Classification result for SVM with NDRE

表2 RapidEye影像分類精度統(tǒng)計(jì)表Table 2 Classification accuracy table for RapidEye image

表3 GF-1影像分類精度統(tǒng)計(jì)表Table 3 Classification accuracy table for GF-1 image

表5和表2可知：歸一化紅邊指數(shù)NDRE參與下的支持向量機(jī)分類與傳統(tǒng)的支持向量機(jī)分類結(jié)果的分類精度由84.08%增長到91.69%，提高了7.61%。由此可知，紅邊波段信息對(duì)林地具有很好的區(qū)分性，可極大地提高林地類型的精細(xì)識(shí)別精度。

4 結(jié)論與討論

本研究面向國家森林資源監(jiān)測(cè)調(diào)查的行業(yè)重大需求，對(duì)復(fù)雜地形條件下高分辨率遙感影像林地類型精細(xì)識(shí)別方面展開了深入的研究與分析。主要結(jié)論如下：①本研究EnMap-Box支持下的ImageSVM和ImageRF分類方法相對(duì)于傳統(tǒng)的SVM和MLC分類方法具有較高的分類精度，是一種有效的林地類型信息精細(xì)識(shí)別方法，具有精度高和可信度高的優(yōu)勢(shì)，可滿足森林資源調(diào)查、變化監(jiān)測(cè)、數(shù)字更新等林業(yè)應(yīng)用需求。對(duì)于2016年的RapidEye影像，ImageSVM相對(duì)于SVM和MLC分類方法其總體分類精度分別提高了6.18%和7.06%，Kappa系數(shù)分別提高了0.07和0.08；ImageRF分別提高了5.93%和6.82%，Kappa系數(shù)分別提高了0.07和0.08，均能確保森林資源調(diào)查成果的精細(xì)化、準(zhǔn)確性、高效性；尤其是具有紅邊波段的RapidEye遙感影像在林地類型精細(xì)識(shí)別方面的顯著優(yōu)勢(shì)，將在林地類型精準(zhǔn)監(jiān)測(cè)、時(shí)空變化信息提取以及森林空間結(jié)構(gòu)分析等方面發(fā)揮重要作用，為國產(chǎn)GF-6衛(wèi)星數(shù)據(jù)在林地類型精細(xì)識(shí)別和精準(zhǔn)監(jiān)測(cè)研究打下堅(jiān)實(shí)的基礎(chǔ)。②相對(duì)于無紅邊波段的GF-1遙感數(shù)據(jù)，攜帶紅邊波段的RapidEye數(shù)據(jù)對(duì)林地類型具有較高的識(shí)別精度和可分性。其中，ImageSVM法對(duì)各類影像的總體分類精度為 90.26%（RapidEye）＞90.18%（GF-1）； ImageRF 法為 90.73%（GF-1）＞90.02%（RapidEye）； SVM 法為 84.08%（RapidEye）＞81.15%（GF-1）； MLC 法為 90.26%（RapidEye）＞90.18%（GF-1）。 相同方法， 不同數(shù)據(jù)情況下，RapidEye數(shù)據(jù)的總體分類精度均最優(yōu)。③以RapidEye遙感影像為數(shù)據(jù)源，通過對(duì)比傳統(tǒng)支持向量機(jī)分類和歸一化紅邊指數(shù)參與下的支持向量機(jī)分類精度驗(yàn)證結(jié)果可知：分類精度提高了7.61%。紅邊波段信息對(duì)林地具有很好的區(qū)分性，可極大提高林地類型的精細(xì)識(shí)別精度。同時(shí)，對(duì)比基于樣本的面向?qū)ο蠓诸惙ê蛡鹘y(tǒng)SVM和MLC分類法的分類精度可知：該方法的分類精度均高于2種傳統(tǒng)的分類方法，滿足林地類型精細(xì)分類要求，但是其自動(dòng)化程度低、費(fèi)時(shí)費(fèi)力、受人為因素影響較大，不適合大區(qū)域林地類型精細(xì)識(shí)別研究。

表4 同一范圍相同運(yùn)行環(huán)境下數(shù)據(jù)運(yùn)行效率對(duì)比研究Table 4 Comparative study on data operation efficiency under the same operating environment of the same range

本研究取得了一定的研究成果，同時(shí)也存在諸多的問題與不足：①林地類型的精細(xì)識(shí)別依賴于影像對(duì)象特征具有高度的可分性，但僅依靠影像對(duì)象顏色、紋理、幾何等低層次特征，還不足以對(duì)光譜特征極其相似的不同林地類型進(jìn)行精細(xì)識(shí)別。對(duì)攜帶紅邊波段信息的遙感數(shù)據(jù)，充分應(yīng)用歸一化紅邊指數(shù)、信息熵、波段均值等特征對(duì)林地類型進(jìn)行精細(xì)識(shí)別。②根河市生態(tài)站具有典型性和代表性，以落葉松為主的針葉純林、以白樺和楊樹為主的落葉闊葉林以及天然灌木林具有明顯的時(shí)空特征。落葉闊葉林、灌木林及其他林地未進(jìn)一步細(xì)分，且該區(qū)域火燒跡地經(jīng)過多年自然恢復(fù)均已變?yōu)楣嗄玖?，故未精?xì)分出。本研究所采用的方法在其他區(qū)域的林地類型精細(xì)識(shí)別能力及實(shí)用性在其他林區(qū)還需要進(jìn)一步的驗(yàn)證與評(píng)估。