蔣小敏
(安徽理工大學(xué)空間信息與測繪工程學(xué)院,安徽 淮南 232001)
樹冠在樹木中占據(jù)著較大的面積,是進(jìn)行光合作用的主要場所,為其生長提供主要的能量。對樹木的樹冠大小進(jìn)行判斷與研究,可以用來監(jiān)測樹木的長勢,預(yù)估樹木的生物量,對樹木病蟲害的防治也有一定的作用。近年來遙感技術(shù)突飛猛進(jìn),國內(nèi)外研究者通過利用遙感數(shù)據(jù)對樹冠結(jié)構(gòu)加以研究進(jìn)行提取樹冠信息的研究方法有很多種。例如,2005年,Perrin等應(yīng)用標(biāo)記點過程模型對高空間分辨率彩色近紅外影像進(jìn)行樹冠提?。?009年,F(xiàn)orzieri等應(yīng)用激光雷達(dá)數(shù)據(jù)研發(fā)了具有時效性較強、成本較低的單木樹冠提取過程。馮益明等[1]利用空間統(tǒng)計學(xué)半方差理論對人工冠幅進(jìn)行估量,取得了較高精度;熊軼群等[2]通過采集樹冠中心點坐標(biāo),建立射線方程,基于射線法提取樹冠面積;萬紅梅等[3]采納人機(jī)交互方法提取樹冠信息,以實測數(shù)據(jù)為真值進(jìn)行驗證;周艷飛等[4]通過對比支持向量機(jī)法、光譜結(jié)合紋理支持向量機(jī)(Support Vector Machine,SVM)以及面向?qū)ο蠓诸惙?種方法提取樹冠。傳統(tǒng)的外業(yè)測量不僅作業(yè)強度大、效率低,而且主觀因素的依賴性大,測量精度難以保證。尋找一種客觀、高效、準(zhǔn)確的單木樹冠提取方法不僅是林業(yè)學(xué)者關(guān)心的問題,也受到了遙感與地理信息科學(xué)及計算機(jī)視覺學(xué)者的高度關(guān)注。目前,樹冠的提取研究從對航空像片目視解譯開始,已經(jīng)逐步發(fā)展到應(yīng)用被動影像和主動激光雷達(dá)數(shù)據(jù)進(jìn)行自動和半自動提取階段。本文以果子溝研究區(qū)里的Quickbird遙感影像作為處理數(shù)據(jù)源,運用面向?qū)ο蠓诸惖姆椒?,對研究區(qū)的云杉樹冠進(jìn)行提取研究。
霍城縣位于新疆維吾爾自治區(qū)西部,隸屬于伊犁哈薩克自治州,地理位置為東經(jīng)8°11′~81°24′,北緯43°39′~44°50′。屬于溫帶半干旱氣候,全年日照時數(shù)2 550~3 500 h,每日日照時數(shù)8~12 h,年平均氣溫8.2~9.4℃,年降水量達(dá)到140~460 mm。全縣南北跨度120 km,東西橫跨85 km?;舫强h城沿東北方向40 km處就是本文研究的果子溝地區(qū),全長28 km,云杉人工林遍布。
數(shù)據(jù)獲取時間為2017年6月28日,像元大小為0.6 m的高分辨率遙感影像,數(shù)據(jù)采集當(dāng)天天氣情況良好,獲取的遙感圖像較清晰,其成像質(zhì)量較好,包括研究區(qū)內(nèi)的1∶10 000的地形圖和1∶10 000數(shù)字高程模型(Digital Elevation Model,DEM)數(shù)據(jù)以及需要用到的處理圖像軟件eCognition 8.7,ENVI 5.3和Arcgis 10.0等。
下載的遙感影像數(shù)據(jù)不能直接加以利用,圖像中除了包含所需的信息外,還包含了一些無用信息。為了提取可靠的信息,去除誤差,增強信息的可靠性,簡化數(shù)據(jù),需要進(jìn)行預(yù)處理。本文采用ENVI 5.3軟件,利用1∶10 000的地形圖和1∶10 000 DEM數(shù)據(jù)對遙感影像進(jìn)行正射校正,即在獲取的QuickBird遙感影像上選取控制點,利用DEM數(shù)據(jù)對影像做傾斜改正和投影差改正,重采樣成正射影像圖。經(jīng)校正后的正射影像圖具有豐富的信息,采用K-L變換對多光譜影像融合取得了較好效果,通過人工可判別出影像中的深色區(qū)域為樹冠。
面向?qū)ο蠓诸惙椒ㄖ饕菍Χ鄠€像元群(也稱為目標(biāo)對象)進(jìn)行分析,而非單個像元,這樣的分析與單個像元的分析相比,更能凸顯其現(xiàn)實意義[5]。面向?qū)ο蟮姆诸惙椒ㄊ墙⒃谀繕?biāo)對象基礎(chǔ)上的,研究的是實實在在的有意義影像對象,模仿人類的大腦思維來認(rèn)知現(xiàn)實世界中的事物,分析的是單個實體而不僅僅是一個單獨存在的像元。面向?qū)ο蠓诸惙ǖ脑砜梢院唵蔚乩斫鉃閷φ麄€影像進(jìn)行分割、分類,最終得到所需結(jié)果[6-7]。
在高分辨率遙感影像中,因地物的影像特征互不相同,所以分割參數(shù)的設(shè)置也應(yīng)根據(jù)實際影像圖進(jìn)行,且分割參數(shù)的不同,其所分割出來的影像也不盡相同,對之后的分類精度有很大的影響[8-10]。因此為獲取最優(yōu)的分割尺度和方法,對各種參數(shù)(分割尺度、平滑度和緊致度)進(jìn)行組合試驗,最終經(jīng)過對比,得到分割尺度為5,平滑度為0.1,緊致度為0.5時可較好地分割出天山云杉的樹冠,其分割結(jié)果見圖1。
圖1 分割尺度為5、平滑度為0.1、緊致度為0.5時的天山云杉樹冠
提取樹冠信息,需要將地物進(jìn)行分類,以獲得樹冠的分布圖。本文運用的是eCognition中基于樣本的監(jiān)督分類方法。最鄰近分類算法是通過對一個分類樣本進(jìn)行特征選擇形成樣例,然后在最鄰近算法里添加或編輯需要分類的樣本,簡化步驟,提高自動化。本文使用波段均值和標(biāo)準(zhǔn)差配置最鄰近特征,分類結(jié)果見圖2。
圖2 果子溝林場樹冠提取效果圖
用eCognition軟件對圖像進(jìn)行分割分類后可看到樹冠的分布情況,為了進(jìn)一步對樹冠信息進(jìn)行研究,需將樹冠提取出來生成矢量數(shù)據(jù),利用ArcGIS 10.0軟件打開后可看到提取出來的樹冠信息,因而可以做后續(xù)的空間分析或面積統(tǒng)計(見圖3)。
圖3 果子溝林場樹冠分布圖
為了驗證結(jié)果是否符合精度要求,需要對結(jié)果進(jìn)行分類精度評價,然后將取得的分類結(jié)果輸出,才能獲得樹冠大小信息。在eCognition軟件中基于分割對象選擇樣本,然后做精度分析,得出:總精度為0.89, Kappa系數(shù)為0.82。從得到的分析結(jié)果來看,本文采用的提取技術(shù)基本能夠滿足精度要求。Kappa系數(shù)能夠更準(zhǔn)確地反映整體的分類精度,Kappa系數(shù)越大,其分類質(zhì)量越好。本文實驗得到的分類精度見表1。
表1 面向?qū)ο蠓诸惥?/p>
1)本文用的是高空間分辨率衛(wèi)星的全色波段數(shù)據(jù),相對于其他遙感影像,地面分辨率較高,綠色植物在多光譜波段上的表現(xiàn)大多數(shù)是不相同的,數(shù)據(jù)經(jīng)過正射校正、圖像融合等預(yù)處理后,影像紋理信息相對豐富,圖像較清晰,能較好地反映地面樹冠的結(jié)構(gòu)特征,可將樹冠與其他地物區(qū)別開來。
2)圖像分割參數(shù)(分割尺度、平滑度、緊致度)的選取對后面的面向?qū)ο蠓诸惤Y(jié)果的精度具有很大的影響,因這些分割參數(shù)不固定,所以必須經(jīng)過多次反復(fù)實驗,才能找到較合適的分割參數(shù),在一定程度上對圖像對象的精度具有較大的提高。
3)在樹木比較密集的森林里,樹冠與樹冠之間會有相互遮擋、掩蓋,一些較小的樹木會被大樹所覆蓋,導(dǎo)致樹冠提取的精度會降低。本文研究的是特定的天山云杉樹種,不具有普遍實用性。
4)相比于其他提取方法而言,本文的面向?qū)ο筇崛》椒ň瓤梢赃_(dá)到要求,但在基于樣本的監(jiān)督分類中,訓(xùn)練樣本的選取依靠的是人工的目視解譯,自動化程度低,在一定程度上影響樹冠的提取效率和提取精度。