栗旭升 李 虎 陳冬花, 劉玉鋒 劉賽賽 劉聰芳 胡國(guó)慶

(1.安徽師范大學(xué)地理與旅游學(xué)院 蕪湖 241002；2.核工業(yè)北京地質(zhì)研究院遙感信息與圖像分析技術(shù)國(guó)家級(jí)重點(diǎn)實(shí)驗(yàn)室 北京 100029；3.滁州學(xué)院計(jì)算機(jī)與信息工程學(xué)院 滁州 239000；4.新疆師范大學(xué)地理科學(xué)與旅游學(xué)院 烏魯木齊 830054)

遙感技術(shù)因其周期短、成本低、探測(cè)范圍大、數(shù)據(jù)可綜合對(duì)比等優(yōu)點(diǎn)，逐漸成為森林樹種分類識(shí)別及森林資源調(diào)查和監(jiān)測(cè)的重要手段，也是國(guó)家森林資源保護(hù)和管理的重要決策技術(shù)支持(Tangetal.，2015；陳爾學(xué)等，2007；滕文秀等，2019；任沖等，2016；劉帆等，2018；Kamaletal.，2011)。近年來，國(guó)內(nèi)外眾多專家學(xué)者對(duì)利用遙感數(shù)據(jù)進(jìn)行森林樹種識(shí)別開展了大量研究，主要有如下特點(diǎn)：第一，受“同物異譜”和“同譜異物”現(xiàn)象的影響，研究多集中在森林冠層結(jié)構(gòu)相對(duì)簡(jiǎn)單、林分密度較小、季節(jié)變化明顯的溫帶森林或城市稀疏林地。如于麗柯等(2016)使用HIS光譜數(shù)據(jù)對(duì)大興安嶺地區(qū)樹種進(jìn)行基于線性波譜分離方法的識(shí)別，總體精度達(dá)72.0%；Yu等(2017)采用機(jī)載多光譜、激光雷達(dá)數(shù)據(jù)結(jié)合隨機(jī)森林(random forest，RF)算法對(duì)芬蘭南部北方森林進(jìn)行樹種分類，精度達(dá)90%；Alonzo等(2014)基于高光譜數(shù)據(jù)提供的光譜信息和激光雷達(dá)數(shù)據(jù)提供的冠型信息對(duì)美國(guó)圣巴巴拉市29種樹木進(jìn)行識(shí)別，單木分類精度達(dá)83.4%。但對(duì)熱帶、亞熱帶天然林研究較少。第二，可見光、多光譜、高光譜、中紅外和激光雷達(dá)等數(shù)據(jù)均有研究應(yīng)用，多源數(shù)據(jù)融合成為主流，使用最多的是機(jī)載高光譜數(shù)據(jù)與激光雷達(dá)數(shù)據(jù)融合。如劉怡君等(2016)利用機(jī)載高光譜數(shù)據(jù)與激光雷達(dá)數(shù)據(jù)融合并結(jié)合支持向量機(jī)對(duì)普洱市王掌山試驗(yàn)區(qū)的主要樹種進(jìn)行分類，取得了良好效果；Lucas等(2008)基于機(jī)載高光譜影像對(duì)澳大利亞南部森林進(jìn)行分類識(shí)別，17種樹種的分類精度達(dá)86%；劉麗娟等(2013)使用機(jī)載激光雷達(dá)和CASI高光譜數(shù)據(jù)結(jié)合分層掩膜和光譜微分技術(shù)對(duì)伊春市涼水國(guó)家級(jí)自然保護(hù)區(qū)內(nèi)5種主要樹種進(jìn)行識(shí)別，總體精度達(dá)83.88%。但受制于數(shù)據(jù)來源，對(duì)覆蓋范圍更大、成本更低、應(yīng)用難度更小的星載高光譜數(shù)據(jù)研究較少。第三，在識(shí)別算法中，使用最多且表現(xiàn)較好的是支持向量機(jī)和隨機(jī)森林算法，但受研究對(duì)象、研究地點(diǎn)、分類系統(tǒng)等因素影響，即使是同一種算法，在不同研究中的表現(xiàn)也存在較大差異；同時(shí)，深度學(xué)習(xí)算法和多分類器融合算法成為研究熱點(diǎn)。如Koukal等(2014)、Yang等(2014)分別利用多光譜數(shù)據(jù)和激光雷達(dá)數(shù)據(jù)結(jié)合隨機(jī)森林算法對(duì)阿爾卑斯山附近的森林和北方森林進(jìn)行分類識(shí)別，總體精度一個(gè)高達(dá)92%，另一個(gè)僅為66%；王懷警等(2019)采用多分類器組合策略將支持向量機(jī)與隨機(jī)森林算法進(jìn)行組合，進(jìn)一步提高了森林類型識(shí)別精度；馮海林等(2019)基于樹木整體圖像構(gòu)建4種深度學(xué)習(xí)模型，通過相對(duì)多數(shù)投票法和加權(quán)平均法建立集成模型，樹種圖像識(shí)別準(zhǔn)確率達(dá)99.15%。

綜上所述不難發(fā)現(xiàn)，在基于遙感的樹種識(shí)別領(lǐng)域，依然存在熱帶和亞熱帶地區(qū)研究較少、星載高光譜數(shù)據(jù)研究基礎(chǔ)薄弱以及識(shí)別算法表現(xiàn)不穩(wěn)定等問題。鑒于此，本研究以皇甫山國(guó)家森林公園為研究區(qū)(以亞熱帶天然次生林為主)，以GF-6 PMS數(shù)據(jù)(以下簡(jiǎn)稱GF-6數(shù)據(jù))和GF-5 AHSI數(shù)據(jù)(以下簡(jiǎn)稱GF-5數(shù)據(jù))為主要遙感數(shù)據(jù)源，基于JM(Jeffreys-Matusita)距離和線性判別分析對(duì)各類特征進(jìn)行篩選降維(邢麗瑋等，2018)，利用面向?qū)ο蠖喑叨确指钏惴▽⒎诸愄卣髟趯?duì)象層面進(jìn)行融合，結(jié)合光譜特征(SF)、紋理特征(TEF)、植被指數(shù)特征(VIF)和地形特征(TRF)構(gòu)建10種分類方案，使用近鄰分類(KNN)、支持向量機(jī)(SVM)、貝葉斯分類(Bayesian)、隨機(jī)森林(RF)和分類回歸樹(CART)建立基于面向?qū)ο蟮姆诸惥葯?quán)重自適應(yīng)組合分類器(WACC)，探究不同特征因子作用下多分類器組合算法在亞熱帶天然次生林樹種識(shí)別中的表現(xiàn)，以期為國(guó)產(chǎn)高分系列數(shù)據(jù)，特別是GF-5數(shù)據(jù)在森林資源調(diào)查和監(jiān)測(cè)領(lǐng)域的應(yīng)用提供可參考的案例，促進(jìn)國(guó)產(chǎn)高分系列數(shù)據(jù)在林業(yè)生產(chǎn)經(jīng)營(yíng)中的應(yīng)用。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

皇甫山國(guó)家森林公園(32°17′—32°22′N，117°58′—118°01′E)位于江淮丘陵東部滁州市境內(nèi)，總面積35.87 km2，最高海拔399.2 m，為皖東地區(qū)最高峰，屬淮陽山脈余脈。該區(qū)屬北亞熱帶濕潤(rùn)性季風(fēng)氣候區(qū)，年日照時(shí)長(zhǎng)1 984.4 h，無霜期210天，年均氣溫15 ℃。土壤以黃棕壤、黃壤和石灰性土壤為主。森林覆蓋率達(dá)96.1%，以北亞熱帶落葉闊葉林為主，是江淮地區(qū)保存最完好、面積最大的天然次生林，也是國(guó)家級(jí)北亞熱帶闊葉林保護(hù)區(qū)。從優(yōu)勢(shì)樹種看，闊葉林以樸樹(Celtissinensis)、麻櫟(Quercusacutissima)和黃檀(Dalbergiahupeana)為主，以及櫸樹(Zelkovaserrata)、榆(Ulmuspumila)、烏桕(Sapiumsebiferum)等；針葉林以馬尾松(Pinusmassoniana)、濕地松(Pinuselliottii)和杉木(Cunninghamialanceolata)為主，以及黑松(Pinusthunbergii)、云杉(Piceaasperata)等。

1.2 遙感影像

研究使用GF-5數(shù)據(jù)和GF-6數(shù)據(jù)各1景，成像時(shí)間分別為2019年5月22日和2019年5月1日，以保證時(shí)相一致性和數(shù)據(jù)可比性。GF-5數(shù)據(jù)單景幅寬60 km，空間分辨率30 m，光譜分辨率可見光及近紅外短波譜段為5 nm，近紅外長(zhǎng)波譜段為10 nm，在400～2 500 nm光譜范圍內(nèi)有330個(gè)連續(xù)譜段，其中可見光及近紅外短波譜段150個(gè)，近紅外長(zhǎng)波譜段130個(gè)(劉銀年，2018)。GF-6數(shù)據(jù)單景幅寬90 km，全色波段空間分辨率2 m，4個(gè)多光譜波段空間分辨率8 m。2景影像均能實(shí)現(xiàn)對(duì)研究區(qū)的全覆蓋，詳細(xì)參數(shù)見表1。

表1 影像基本信息Tab.1 Image basic information

1.3 輔助數(shù)據(jù)

輔助數(shù)據(jù)主要包括森林資源連續(xù)清查數(shù)據(jù)(簡(jiǎn)稱一類清查數(shù)據(jù))、森林資源規(guī)劃設(shè)計(jì)調(diào)查數(shù)據(jù)(簡(jiǎn)稱二類調(diào)查數(shù)據(jù))、地形數(shù)據(jù)和外業(yè)調(diào)查數(shù)據(jù)。一類清查數(shù)據(jù)是林場(chǎng)管護(hù)人員在2016年第八次清查數(shù)據(jù)基礎(chǔ)上根據(jù)每年森林撫育更新情況制作，更新日期截至2018年底；二類調(diào)查數(shù)據(jù)是在2014年二類調(diào)查數(shù)據(jù)基礎(chǔ)上進(jìn)行更新，更新日期截至2017年?？紤]到亞熱帶地區(qū)植被更新速度快，為保證數(shù)據(jù)時(shí)效性，本研究使用的森林資源數(shù)據(jù)主要為2018年一類清查數(shù)據(jù)。地形數(shù)據(jù)主要收集了1∶5萬地形圖，并對(duì)其進(jìn)行矢量化，生成分辨率為25 m的DEM數(shù)據(jù)，用于后期地形特征提取和影像校正。外業(yè)調(diào)查數(shù)據(jù)主要是對(duì)森林樹種空間位置和屬性的實(shí)地調(diào)查數(shù)據(jù)，用于訓(xùn)練和檢驗(yàn)樣本選擇。2019年8月15—20日，結(jié)合皇甫山林場(chǎng)森林清查數(shù)據(jù)，對(duì)皇甫山國(guó)家森林公園樹種分布情況進(jìn)行實(shí)地調(diào)查。綜合考慮各樹種的空間分布、聚集情況、面積占比和可及性等因素，重點(diǎn)對(duì)樸樹、麻櫟、黃檀、馬尾松、濕地松和杉木6類樹種樣本進(jìn)行測(cè)定。因選取的樣本不是直接用于訓(xùn)練和驗(yàn)證，而是用于輔助尺度分割后的樣本選擇，故調(diào)查時(shí)主要通過查看森林資源分布圖并詢問護(hù)林員，選取面積大于900 m×900 m的純林采用GPS在樣方中心進(jìn)行定位，記錄樣方內(nèi)的樹種、平均齡組等因子，并拍照存檔。共獲取樣本479個(gè)，其中樸樹樣本72個(gè)、麻櫟樣本64個(gè)、黃檀樣本66個(gè)、馬尾松樣本70個(gè)、濕地松樣本77個(gè)、杉木樣本78個(gè)、其他樹種樣本52個(gè)。樣本選取在排除可及性差、GPS信號(hào)強(qiáng)度不足的區(qū)域后，盡可能做到均勻分布，具有良好的代表性和典型性，樣點(diǎn)分布如圖1所示。

圖1 樣點(diǎn)分布Fig.1 Sample distribution of the study area

1.4 數(shù)據(jù)預(yù)處理

原始數(shù)據(jù)DN(digital number)是一個(gè)無量綱的值，為了精準(zhǔn)識(shí)別樹種，需對(duì)影像進(jìn)行輻射定標(biāo)、大氣校正、正射校正、融合、空間配準(zhǔn)、裁切等一系列處理。對(duì)GF-5和GF-6數(shù)據(jù)進(jìn)行輻射定標(biāo)和大氣校正，使地物波譜曲線趨于正常。去除GF-5數(shù)據(jù)中受水汽影響的26個(gè)壞波段，再結(jié)合制作的25 m分辨率DEM進(jìn)行正射校正和地形輻射校正，以消除地形和傳感器姿態(tài)造成的誤差。需要注意的是，在進(jìn)行重采樣輸出時(shí)選擇最近鄰法，以減少重采樣對(duì)高光譜數(shù)值的影響。將GF-6數(shù)據(jù)全色波段與多光譜波段進(jìn)行匹配融合，以提高影像質(zhì)量，然后進(jìn)行正射校正和地形輻射校正。校正后GF-6數(shù)據(jù)重采樣至30 m，尋找與GF-5數(shù)據(jù)配準(zhǔn)的同名點(diǎn)，用同名點(diǎn)對(duì)未重采樣的融合校正后GF-6數(shù)據(jù)和校正后GF-5數(shù)據(jù)進(jìn)行配準(zhǔn)。最后，利用皇甫山國(guó)家森林公園界線，對(duì)處理后的GF-5和GF-6數(shù)據(jù)進(jìn)行裁切。

2 研究方法

2.1 分類系統(tǒng)

綜合考慮遙感和外業(yè)調(diào)查數(shù)據(jù)特點(diǎn)以及樹種精細(xì)識(shí)別能力，結(jié)合研究區(qū)內(nèi)樹種分布和面積占比情況，建立科學(xué)的三級(jí)分類系統(tǒng)。將林地劃分為可識(shí)別林地和其他林地，其中，其他林地指在整個(gè)研究區(qū)分布較少且不集中、或樹高過低、或受其他樹種冠層遮蓋無法精細(xì)識(shí)別樹種的林地，如烏桕、黑松、櫸樹和一些低矮的半喬木等；可識(shí)別林地為樸樹、麻櫟、黃檀、馬尾松、濕地松和杉木6類，詳見表2。

表2 分類系統(tǒng)Tab.2 Classification system

2.2 面向?qū)ο蠖喑叨确指?/h3>

傳統(tǒng)基于像元的分類計(jì)算效率較低，且易出現(xiàn)“椒鹽現(xiàn)象”，特別是在綜合不同空間分辨率的特征因子分類時(shí)，需要進(jìn)行重采樣以統(tǒng)一特征因子分辨率，這就難免會(huì)造成信息丟失或計(jì)算力浪費(fèi)，而對(duì)象層面的分類能夠很好地解決類似問題(田甜等，2015)。本研究基于對(duì)象對(duì)不同尺度特征進(jìn)行融合和樹種識(shí)別，采用圖割算法(GC)對(duì)預(yù)處理后GF-6數(shù)據(jù)進(jìn)行面向?qū)ο蠖喑叨确指?。GC算法通過統(tǒng)計(jì)區(qū)域光譜和局部二進(jìn)制紋理特征，根據(jù)光譜、紋理和形狀特征計(jì)算相鄰區(qū)域間的異質(zhì)性，在此基礎(chǔ)上構(gòu)建區(qū)域鄰接圖，采用逐步迭代優(yōu)化算法以光譜、紋理和形狀間的異質(zhì)性為準(zhǔn)則進(jìn)行區(qū)域合并，獲取最終分類結(jié)果。為了保證分割對(duì)象內(nèi)像元的純凈度，本研究使用過分割方式，以實(shí)測(cè)數(shù)據(jù)和一類清查數(shù)據(jù)為參考，在保證單一分割對(duì)象內(nèi)不存在多種樹種的基礎(chǔ)上，將分割尺度再調(diào)小5，形狀因子增加0.1，最終確定分割尺度為45、形狀因子為0.5、緊致度為0.3。由圖2可見，使用過分割方式，分割結(jié)果能夠較好表征數(shù)據(jù)的紋理和顏色差異。

圖2 多尺度分割結(jié)果Fig.2 Multiscale segmentation result

2.3 特征提取和降維

2.3.1 特征因子提取 由于樹種的多樣性和光譜信息獲取的局限性，“同物異譜”和“同譜異物”現(xiàn)象難以避免。為了提高識(shí)別精度，對(duì)樹種的光譜特征、紋理特征、植被指數(shù)特征和分布的地形特征進(jìn)行提取整合。將GF-5數(shù)據(jù)去除水汽吸收和噪音干擾過大波段后的304個(gè)波段作為光譜特征，并基于這些波段提取26種植被指數(shù)作為植被指數(shù)特征；基于融合后2 m空間分辨率的GF-6數(shù)據(jù)，利用灰度共生矩陣(gray-level co-occurrence matrix，GLCM)提取9×9個(gè)像元窗口大小的4個(gè)波段4個(gè)方向(0°、45°、90°和135°)共128個(gè)紋理特征；將DEM和基于DEM計(jì)算出的坡度和坡向作為地形特征(表3)。需要說明的是，9×9紋理特征提取窗口的確定，是對(duì)比3×3至15×15窗口提取的紋理特征對(duì)各樹種樣本平均可分離性后得出的，各樹種在特征窗口3～15時(shí)取得的平均可分離性分別是1.827、1.889、1.962、1.987、1.974、1.917和1.899，9×9窗口提取的紋理特征對(duì)樹種的可分離性最好。這是因?yàn)?×9窗口對(duì)2 m分辨率數(shù)據(jù)進(jìn)行紋理特征提取，能夠在兼顧特征精度的同時(shí)有效避免林分冠層和陰影的影響(徐凱健等，2018)。

表3 特征因子①Tab.3 Feature factor

2.3.2 分類特征選擇 豐富的特征因子能夠提供多種多樣的識(shí)別信息，但特征因子間存在相關(guān)性，也會(huì)不可避免地造成信息冗余。對(duì)光譜特征、紋理特征和植被指數(shù)特征進(jìn)行相關(guān)矩陣分析發(fā)現(xiàn)，相關(guān)系數(shù)絕對(duì)值大于0.5的強(qiáng)相關(guān)波段分別占總波段的84.1%、42.7%和32.0%(圖3)。強(qiáng)相關(guān)性造成的大量冗余不僅會(huì)耗費(fèi)大量存儲(chǔ)和計(jì)算成本，而且在分類時(shí)也可能導(dǎo)致“維度災(zāi)害”，降低分類精度，所以需要對(duì)特征因子進(jìn)行降維。

圖3 特征因子相關(guān)矩陣Fig.3 Correlation matrix of feature factors

特征提取和特征選擇是2種主要的降維方法。特征提取主要利用線性或非線性變換改變數(shù)據(jù)特征空間，從而達(dá)到信號(hào)表達(dá)上的最優(yōu)；但是此類方法改變了特征原有的物理意義，且信號(hào)表達(dá)角度上的最優(yōu)并不代表類間可分性上的最優(yōu)。據(jù)此，本研究先結(jié)合外業(yè)樹種樣方對(duì)各類樹種的光譜特征、紋理特征和植被指數(shù)特征進(jìn)行提??；然后，以提取到的各類樹種特征因子為樣本，使用前向搜索策略基于JM距離對(duì)3類因子進(jìn)行特征選擇；最后，構(gòu)建線性判別分析(linear stepwise discriminant analysis，LDA)，將選擇出的特征因子分類逐次增加到構(gòu)建的判別分析模型中，以探究不同類型不同數(shù)量特征因子對(duì)樹種識(shí)別精度的影響，確定最佳分類特征。如圖4所示，在線性判別分析模型中，3類特征因子數(shù)量對(duì)分類精度的影響呈大致相同的趨勢(shì)，隨著特征因子數(shù)量增加，判別精度先快速增加，隨后增加速度放緩，最后趨于穩(wěn)定。這表明特征因子增加可以提高分類精度，但是隨著因子數(shù)量不斷增加，信息出現(xiàn)冗余，對(duì)分類精度的提高逐漸降低，甚至拉低分類精度。

圖4 特征因子分析Fig.4 Analysis of features由于圖幅原因，僅將特征數(shù)量為奇數(shù)的判別精度在圖上進(jìn)行顯示。Due to the size of the map,only the discriminant accuracy with odd number of features is displayed on the map.

3類特征因子中，光譜特征判別精度最高(63.03%)，其次是植被指數(shù)特征(50.60%)，最后是紋理特征(44.70%)。本研究以增長(zhǎng)率小于0.9%為界線，在304個(gè)光譜特征中提取出28個(gè)，主要集中在紅光和近紅外波段，分別是VNIR5、VNIR17、VNIR20、VNIR33、VNIR48、VNIR88、VNIR121、VNIR122、VNIR125、VNIR129、VNIR136、VNIR140、VNIR144、SWIR12、SWIR21、SWIR28、SWIR37、SWIR41、SWIR60、SWIR65、SWIR84、SWIR86、SWIR92、SWIR94、SWIR101、SWIR105、SWIR139和SWIR149。在128個(gè)紋理特征中提取出12個(gè)，其中均值、熵和角二階矩對(duì)樹種識(shí)別的貢獻(xiàn)較大，分別是MEA2-0、MEA3-0、MEA4-0、MEA1-45、ASM1-90、ASM2-90、ASM1-45、ENT3-45、ENT1-90、ENT1-135、HOM2-0和COR1-90。在26個(gè)植被指數(shù)特征中提取出10個(gè)，表征窄帶綠度的是改進(jìn)紅邊歸一化比值指數(shù)(mSR705)和Voglemann紅邊指數(shù)3(VOG3)，表征光利用率的是紅綠比值指數(shù)(RG)，表征碳衰減的是纖維素吸收指數(shù)(CAI)，表征葉綠素含量的是類胡蘿卜反射指數(shù)(CRI1、CRI2)和花青素反射指數(shù)(ARI2)，表征冠層含水量的是水波段指數(shù)(WBI)、歸一化水指數(shù)(NDWI)和歸一化紅外指數(shù)(NDII)。

2.4 樹種識(shí)別方案

為了提高分類精度，減少其他地物對(duì)樹種識(shí)別的影響，本研究按照構(gòu)建的分類系統(tǒng)進(jìn)行二級(jí)分類。首先，在影像分割結(jié)果基礎(chǔ)上，結(jié)合二類調(diào)查數(shù)據(jù)進(jìn)行樣本選擇，選擇林地、耕地、水域、建筑用地和未利用地各200個(gè)樣本，采用隨機(jī)抽取方式從各地物提取120個(gè)樣本用于訓(xùn)練分類，剩余樣本用于精度驗(yàn)證，進(jìn)行一級(jí)分類，將林地單獨(dú)提取出來。然后，利用外業(yè)調(diào)查數(shù)據(jù)和一類清查數(shù)據(jù)對(duì)分割結(jié)果進(jìn)行樹種對(duì)象樣本選擇，提取樸樹樣本53個(gè)、麻櫟樣本42個(gè)、黃檀樣本60個(gè)、馬尾松樣本49個(gè)、濕地松樣本71個(gè)、杉木樣本69個(gè)、其他樹種樣本47個(gè)。受限于地形和工作量，外業(yè)調(diào)查數(shù)據(jù)的樣本數(shù)量有限，為保證分類精度，需對(duì)樣本進(jìn)行擴(kuò)展(王懷警等，2018)。將上述提取的光譜特征、紋理特征和植被指數(shù)特征在對(duì)象層面進(jìn)行融合，結(jié)合已有對(duì)象樣本提取特征曲線，并與未確定屬性的分割對(duì)象進(jìn)行光譜曲線匹配。采用光譜特征擬合、二進(jìn)制編碼和光譜角分類3種方法進(jìn)行評(píng)價(jià)，將3種方法評(píng)分均大于0.8的對(duì)象拓展為樣本。同時(shí)，為了保證訓(xùn)練和驗(yàn)證結(jié)果的一致性和可比性，將6類樹種樣本都拓展至100個(gè)，其他樹種樣本擴(kuò)展至60個(gè)，同樣隨機(jī)分為2份，60%用于訓(xùn)練，40%用于驗(yàn)證，進(jìn)行二級(jí)分類(表4)。

表4 樣地Tab.4 Sample points

為了有針對(duì)性地分析光譜、紋理、植被指數(shù)和地形特征在樹種識(shí)別中的作用，按照光譜特征、紋理特征性、植被指數(shù)特征和地形特征構(gòu)建10種分類方案(表5)。單一特征因子參與分類(方案8、9和10)用于尋找樹種分類精度最高的單特征因子；光譜屬性是遙感分類中的常用屬性，將光譜屬性分別與紋理特征、植被指數(shù)特征結(jié)合(方案5、6和2)用于研究多特征因子組合對(duì)樹種識(shí)別精度的貢獻(xiàn)；地形數(shù)據(jù)參與分類(方案1、3、4和7)用于探究地形因素對(duì)研究區(qū)內(nèi)樹種識(shí)別的影響。

表5 分類方案Tab.5 Classification scheme

在林地提取基礎(chǔ)上，基于面向?qū)ο蠓椒?，結(jié)合支持向量機(jī)(陳向宇等，2019)、隨機(jī)森林(傅鋒等，2019)、近鄰分類(王二麗等，2017)、貝葉斯分類(李想等，2018)和分類回歸樹(Puetal.，2012)5種算法分別對(duì)研究區(qū)林地樹種分布進(jìn)行提取。支持向量機(jī)使用徑向基核函數(shù)，γ設(shè)置為150，懲罰因子C設(shè)置為1 500；隨機(jī)森林算法使用模型算法為C4.5，基礎(chǔ)分類決策樹數(shù)量設(shè)置為2 100，數(shù)據(jù)屬性個(gè)數(shù)為lgN(N為屬性總量)，樹的最大深度設(shè)置為完全生長(zhǎng)；近鄰分類算法距離度量選擇歐式距離，K設(shè)置為2；分類回歸樹特征選擇使用基尼系數(shù)，修剪使用預(yù)修剪算法，將決策樹最大深度設(shè)置為20，最小樣本量默認(rèn)為0。對(duì)上述5種算法的分類結(jié)果進(jìn)行精度驗(yàn)證，取用戶精度與制圖精度的均值作為算法a對(duì)樹種b的識(shí)別精度，將其作為算法a對(duì)樹種b的識(shí)別權(quán)重。每種算法對(duì)某一樹種的識(shí)別歸屬擁有1乘以該算法對(duì)這一樹種識(shí)別權(quán)重分的投票權(quán)，結(jié)合5種識(shí)別算法結(jié)果采用并行方式對(duì)研究區(qū)樹種分布進(jìn)行組合投票以確定研究區(qū)樹種識(shí)別最后結(jié)果。組合方法與投票組合規(guī)則公式如下：

(1)

(2)

式(1)為投票組合方法，對(duì)于輸入的X分類，分類器ek輸出的投票分?jǐn)?shù)為Pk，即用戶精度與制圖精度的平均數(shù)，Cj表示影像內(nèi)是j的對(duì)象；式(2)為改進(jìn)后的投票組合規(guī)則，TK(X∈Cj)表示類別Cj經(jīng)分類器ek輸出后得到的分?jǐn)?shù)，M為類別總數(shù)，M+1表示分類器拒絕識(shí)別X。

3 結(jié)果與分析

本研究主要探究樹種識(shí)別，故不對(duì)一級(jí)分類結(jié)果作過多分析，一級(jí)分類后林地分類精度達(dá)98.22%，將林地提取出來進(jìn)行二級(jí)分類。利用混淆矩陣的用戶精度(UA)、生產(chǎn)精度(PA)、總體精度(OA)和Kappa系數(shù)4個(gè)指標(biāo)對(duì)10種分類方案6種分類算法得出的60種結(jié)果進(jìn)行精度評(píng)價(jià)，分析不同特征因子對(duì)樹種識(shí)別的影響，以探究樹種識(shí)別的最優(yōu)特征組合與分類模式。

3.1 各分類算法和方案總體精度

利用驗(yàn)證樣本對(duì)各算法和方案分類結(jié)果進(jìn)行精度驗(yàn)證，總體精度如圖5所示。對(duì)比各分類算法可以看出，權(quán)重自適應(yīng)組合分類器算法(WACC)除方案6(SF + VIF)總體精度略低于隨機(jī)森林算法0.88%外，在其他9種分類方案上均得到最高分類精度，總體精度高出表現(xiàn)次好的分類算法0.22%～4.03%。除權(quán)重自適應(yīng)組合分類器算法外，隨機(jī)森林和支持向量機(jī)算法對(duì)樹種也具有較好的識(shí)別精度，在特征因子較少時(shí)(方案3、6、7、8和10)，隨機(jī)森林算法表現(xiàn)優(yōu)于支持向量機(jī)算法；反之，在特征因子較多時(shí)(方案1、2、4、5和9)時(shí)，支持向量機(jī)算法有著更優(yōu)秀的表現(xiàn)。

圖5 各分類方案和算法總體精度Fig.5 The overall accuracy of each scheme and algorithm

對(duì)比各分類方案可以看出，當(dāng)使用單一特征因子進(jìn)行樹種識(shí)別時(shí)，光譜特征(方案8)表現(xiàn)最好，其次是植被指數(shù)特征(方案10)，紋理特征最差(方案9)。這主要是因?yàn)镚F-5數(shù)據(jù)具有豐富的光譜特征，且能夠計(jì)算出多樣的植被指數(shù)特征，而研究區(qū)林分密度大，冠層結(jié)構(gòu)復(fù)雜，使得紋理特征對(duì)樹種的區(qū)分度有所降低。當(dāng)使用多特征因子組合進(jìn)行樹種識(shí)別時(shí)，方案2(SF+VIF+TEF)除近鄰分類算法總體精度略低于方案1(SF+VIF+TEF+TRF)0.12%外，在其他5種分類算法上均取得最高總體精度，且實(shí)際上近鄰分類算法在各方案中均是6種識(shí)別算法中最差的，可以將方案2看作樹種識(shí)別的最優(yōu)特征組合。通過各分類方案平均總體精度(Mean)，對(duì)比方案7和8、方案3和5、方案4和6以及方案1和2可以看出，地形特征加入對(duì)總體精度提高的貢獻(xiàn)分別為-1.74%、0.92%、-0.27%和-0.42%，地形特征對(duì)樹種識(shí)別精度提高的作用極小，甚至?xí)档涂傮w精度。這主要?dú)w因于研究區(qū)山峰較少，平均海拔較低，植被分布的垂直地帶性無法充分體現(xiàn)，且皇甫山國(guó)家森林公園近年來成為重要景點(diǎn)，在可及性較好的平坦地區(qū)林場(chǎng)撫育更新力度較大，樹種的坡度和坡向分布規(guī)律在一定程度上受到影響。對(duì)比方案8、6、5和2可以看出，隨著特征因子增加，樹種識(shí)別的平均總體精度不斷提高，植被指數(shù)和紋理特征對(duì)提高樹種識(shí)別總體精度能夠起到較好作用，且植被指數(shù)特征對(duì)樹種識(shí)別總體精度提高的貢獻(xiàn)略高于紋理特征。

3.2 最優(yōu)分類方案各樹種識(shí)別精度

由上述分析可知，去除分類表現(xiàn)較差的近鄰分類算法后，方案2在各分類算法上均能取得最好總體精度(圖6)。去除近鄰分類后各算法在方案2下的各樹種分類精度見表6?？梢钥闯?，麻櫟識(shí)別最高制圖精度和用戶精度分別為97.50%(WACC)和94.59%(SVM)；樸樹識(shí)別最高制圖精度和用戶精度分別為87.50%和89.74%(CART)；黃檀識(shí)別最高制圖精度和用戶精度分別為95.00%(RF)和94.87%(SVM)；馬尾松識(shí)別最高制圖精度和用戶精度分別為95.00%(SVM)和91.89%(WACC)；濕地松識(shí)別最高用戶精度和制圖精度均為92.50%(WACC)；杉木識(shí)別最高制圖精度和用戶精度分別由RF和WACC取得，為85.00%和88.89%；對(duì)其他樹種識(shí)別，最高用戶精度和制圖精度均由RF得到，分別為88.46%和95.83%。各樹種識(shí)別的總體精度和Kappa系數(shù)均由本研究方法得到，分別為87.51%和0.854。

從各樹種識(shí)別精度來看，麻櫟、馬尾松、黃檀用戶精度和制圖精度均超過90%，識(shí)別準(zhǔn)確率較高，而樸樹和杉木識(shí)別精度相對(duì)較低，均低于90%。樸樹識(shí)別精度低有2方面原因：一是算法自身缺陷，分類器組合方法在樸樹識(shí)別上取得的精度低于支持向量機(jī)、隨機(jī)森林和分類回歸樹，原因是分類錯(cuò)誤的投票分?jǐn)?shù)累計(jì)超過了正確的投票，致使多分類器組合精度不如單一分類器；二是其他類別中有大量亞熱帶落葉闊葉樹種，如櫸樹、榆樹等，這些樹種樣本較少，分類規(guī)則模糊，與同為落葉闊葉林的樸樹發(fā)生較多錯(cuò)分。杉木識(shí)別精度較低則主要是因?yàn)榕c馬尾松以及少量分布的云杉發(fā)生錯(cuò)分所致。對(duì)比各分類算法對(duì)濕地松的識(shí)別精度，不難發(fā)現(xiàn)濕地松在多分類器組合算法上取得較好精度與多分類器組合能夠集成各算法互補(bǔ)信息有著密不可分的關(guān)系。黃檀能夠取得較高識(shí)別精度除了算法優(yōu)勢(shì)外，還有一個(gè)較為重要的原因是黃檀分布較為集中，混交現(xiàn)象較少。從各分類算法的表現(xiàn)來看，對(duì)樹種精細(xì)識(shí)別具有較好表現(xiàn)的算法依然是權(quán)重自適應(yīng)分類器組合算法和支持向量機(jī)算法。如表6所示，6類樹種的用戶精度和制圖精度加上算法的總體精度和Kappa系數(shù)共14個(gè)評(píng)價(jià)指標(biāo)中，權(quán)重自適應(yīng)分類器組合算法在麻櫟、濕地松的制圖精度，馬尾松、濕地松和杉木的用戶精度，算法總體精度和Kappa系數(shù)7個(gè)指標(biāo)上取得最高分，表現(xiàn)顯著優(yōu)于其他算法。

4 結(jié)論

本研究采用多特征因子組合，結(jié)合支持向量機(jī)、隨機(jī)森林、近鄰分類、分類回歸樹和貝葉斯分類算法構(gòu)建權(quán)重自適應(yīng)組合分類器，該方法可有效提高樹種間的可分性，能滿足復(fù)雜冠層結(jié)構(gòu)和高林分密度下亞熱帶天然次生林樹種識(shí)別提取的應(yīng)用需求。

基于GF-5和GF-6數(shù)據(jù)提取各類特征因子，利用JM距離和線性判別分析模型提取出的樹種識(shí)別最優(yōu)特征因子能夠有效降低分類特征間的冗余，避免“維數(shù)災(zāi)難”出現(xiàn)，從而增強(qiáng)樹種類間可分性，提高樹種識(shí)別精度；同時(shí)，也可為其他利用國(guó)產(chǎn)高分?jǐn)?shù)據(jù)進(jìn)行信息提取與分類的研究提供參考依據(jù)。

多源數(shù)據(jù)結(jié)合、多特征因子組合以及多分類器聯(lián)合在樹種識(shí)別方面具有單一數(shù)據(jù)源、單一特征因子和單一分類算法難以比擬的優(yōu)勢(shì)，將GF-5數(shù)據(jù)提取出的植被指數(shù)特征和光譜特征與GF-6數(shù)據(jù)提取出的紋理特征結(jié)合，在GF-6數(shù)據(jù)分割的對(duì)象層面上利用多分類器組合算法進(jìn)行樹種識(shí)別取得了60種分類方案和算法中最優(yōu)的結(jié)果。GF-5和GF-6數(shù)據(jù)在樹種識(shí)別領(lǐng)域具有顯著優(yōu)勢(shì)，在森林清查、林地監(jiān)測(cè)、森林撫育更新等林業(yè)生產(chǎn)經(jīng)營(yíng)活動(dòng)中具有極大應(yīng)用前景。

隨著遙感技術(shù)不斷發(fā)展，衛(wèi)星數(shù)據(jù)獲取途徑日益增多，多數(shù)據(jù)多特征融合已成為樹種識(shí)別研究的熱點(diǎn)；得益于計(jì)算機(jī)技術(shù)的升級(jí)進(jìn)步，計(jì)算力不再是制約分類算法的主要因素，識(shí)別精度較高但計(jì)算復(fù)雜耗時(shí)的深度學(xué)習(xí)和多分類器組合算法也將成為樹種識(shí)別領(lǐng)域的應(yīng)用趨勢(shì)。本研究對(duì)多源數(shù)據(jù)多特征因子結(jié)合多分類器組合算法展開探索，但因特征因子間存在復(fù)雜的相關(guān)作用，對(duì)特征因子與樹種識(shí)別精度的響應(yīng)關(guān)系研究?jī)H停留在定性化描述上，未進(jìn)行定量化評(píng)價(jià)。另外，本研究采用的多分類組合算法基于各分類器識(shí)別精度分類權(quán)重進(jìn)行投票以獲取樹種識(shí)別結(jié)果，這種方法雖然在大多數(shù)情況下能取得較好識(shí)別精度，但因并未對(duì)單一分類器分類結(jié)果的可靠性進(jìn)行評(píng)判，也會(huì)出現(xiàn)多個(gè)分類錯(cuò)誤權(quán)重較小的分類器累計(jì)投票得分高于分類正確分類器的情況，導(dǎo)致組合分類識(shí)別精度低于單一分類器。后續(xù)將嘗試在分類投票前對(duì)單一分類器精度進(jìn)行評(píng)價(jià)，以剝奪精度較低分類器投票權(quán)的方式來提高組合分類器識(shí)別精度。