郭孝玉 ，康 繼 ，劉 健

（1.福建省資源環(huán)境監(jiān)測與可持續(xù)經(jīng)營利用重點實驗室，福建 三明 365104；2.竹資源開發(fā)利用福建省高校重點實驗室，福建 三明 365104；3.三明學(xué)院 資源與化工學(xué)院，福建 三明 365104）

毛竹（Phyllostachys pubescens）是我國重要的森林資源，具有生長快、經(jīng)濟價值高等特點，主要分布于南方山區(qū)和丘陵地帶[1-2]。傳統(tǒng)竹資源調(diào)查監(jiān)測周期長、耗費的人力物力較大，調(diào)查成果精度有限，無法快速地完成大面積資源清查和監(jiān)測[3-4]。衛(wèi)星遙感圖像尤其是高空間分辨率影像(0.2～2 m)對竹林信息的精細提取有重要應(yīng)用價值。隨著我國高分二號(GF-2)衛(wèi)星數(shù)據(jù)的應(yīng)用，我國遙感衛(wèi)星已進入亞米級高分辨率時代，并已成功應(yīng)用于龍竹葉面積指數(shù)的遙感估測[2]和其它森林信息的提取[1-2]。遙感影像的空間分辨率提高后，混合像元的比例顯著降低，地物的紋理、形態(tài)大小等細節(jié)信息更清晰，綜合光譜與紋理特征能有效地解決遙感識別中“異物同譜”“同物異譜”等問題[5-6]，能夠更精確提取森林類型的邊界，為自然資源的精細監(jiān)測提供高效服務(wù)支撐[3]。但由于高空間分辨率圖像中光譜分辨率的限制，影像中地物光譜特征隨季節(jié)變化有較大差異，基于單一時相的毛竹林信息提取技術(shù)應(yīng)用于不同季相就可能導(dǎo)致嚴重的樹種類型錯分。多時相遙感數(shù)據(jù)蘊含植物物候信息，已有研究表明增加物候特征有利于竹林與其他森林間的分類識別[7]。目前，對高空分辨率圖像的已有研究中未考慮物候特征在毛竹林信息的提取應(yīng)用，因此構(gòu)建一種毛竹葉物候光譜特征，融合光譜、紋理、物候等特征，體現(xiàn)葉物候光譜的毛竹林信息提取技術(shù)具有重要意義。

竹林遙感信息提取方法已有很多種，主要有目視解譯法和面向像元的圖像分類法。目視解譯方法要求有豐富的專業(yè)經(jīng)驗和充足的野外實地調(diào)查資料，效率低、容易產(chǎn)生誤判[8]。面向像元的計算機分類法的應(yīng)用研究較多：早期有監(jiān)督分類與非監(jiān)督分類，監(jiān)督分類常用的有馬氏距離、最大似然法（maximum likehood estimator，簡稱MLE）、神經(jīng)網(wǎng)絡(luò)法等[3,9]，非監(jiān)督分類一般采取 K-Mean和 ISODATA等方法[9-10]。隨著計算機技術(shù)的發(fā)展，融合光譜、地形因子、紋理等多特征應(yīng)用于植被遙感分類中，發(fā)展了支持向量機（support vector machine，SVM）、隨機森林（random forests，RF）等機器學(xué)習(xí)算法的分類處理方法[10-13]。本研究基于國產(chǎn)GF-2數(shù)據(jù)，以廣泛分布于福建永安地區(qū)的毛竹林為對象，構(gòu)建一種體現(xiàn)毛竹林信息的葉物候特征（leaf phenology characteristic，LPC），融合光譜、紋理和物候等多特征，分析比較引入葉物候特征對毛竹林分類精度的影響，比較確定毛竹林信息精細提取的最佳方法，以期為中亞熱帶植被分類遙感中毛竹林空間分布信息的調(diào)查與監(jiān)測提供參考。

1 實驗數(shù)據(jù)與研究方法

1.1 研究地區(qū)與數(shù)據(jù)采集

選取永安天寶巖自然保護區(qū)作為研究區(qū)域 （N117°28′3"-117°35′28"，E25°50′51"-26°1′20"），結(jié)合近期的森林資源二類調(diào)查成果，對毛竹林分布狀況進行調(diào)查和監(jiān)測。毛竹林有大小年現(xiàn)象，毛竹竹葉從3月初到8月的生長呈現(xiàn)有規(guī)律變化，毛竹的3～4月為換葉出筍期、5～6月為新老竹展葉期，7～9月是新老竹的綠葉期，毛竹林葉面積發(fā)生明顯變化，葉物候現(xiàn)象與中亞熱帶山地其它森林間有明顯差異，竹林的光譜特征也會產(chǎn)生有規(guī)律的響應(yīng)。以竹林展葉前后兩個關(guān)鍵物候期的高分二號多光譜影像為基礎(chǔ)（2018年4月19日和2018年10月28日），包括3景分辨率1 m的全色影像數(shù)據(jù)和3景分辨率 4 m的多光譜影像數(shù)據(jù)，數(shù)據(jù)投影坐標系為 WGS_1984_UTM_Zone_50N，地理坐標系為GCS_WGS_1984。2019、2020年分別于7-11月對研究區(qū)內(nèi)的主要植被類型進行野外調(diào)查，共調(diào)查260個樣區(qū)，分別設(shè)置67塊毛竹林、61塊馬尾松林、64塊闊葉林、68塊杉木林，這4種植被類型分別獲取4 139、36 541、5 027、1 902個像素樣本。結(jié)合0.54 m高空間分辨率的遙感影像，道路、建筑、水體、裸地典型樣區(qū)調(diào)查分別獲取496、1 004、2 618、933個像素樣本。采用高精度北斗手持GPS定位儀采集不同地物類型采樣點的經(jīng)緯度坐標和地面高程信息。

1.2 特征選擇方法

數(shù)據(jù)處理與特征選擇研究工作的方法包含3個步驟。

（1）高分二號影像預(yù)處理，使用ENVI 5.3版本軟件 （exelis visual information solutions，INC.;2015）對影像進行預(yù)處理，包含輻射定標、FLAASH大氣校正、結(jié)合有理多項式系數(shù)（RPC）文件對影像進行正射校正，使用NN Diffuse Pan Sharpening算法對全色和多光譜影像進行融合，使用壞點修復(fù)工具對影像進行修復(fù)，最后通過鑲嵌和裁剪得到研究區(qū)的數(shù)據(jù)。

（2）光譜和紋理特征提取與比較選擇，基于第一步驟基礎(chǔ)上再應(yīng)用ENVI5.3軟件的Band Math工具進行光譜、紋理等特征提取。首先提取9個光譜特征參數(shù)，包含4個原始波段，5個植被指數(shù)為歸一化植被指數(shù)(NDVI)、比值植被指數(shù)(SR)、增強植被指數(shù)（EVI）、大氣阻抗植被指數(shù)（ARVI）、寬動態(tài)范圍植被指數(shù)(WDRVI)，采用方差分析與多重均值比較（least-significant difference，LSD）檢驗法選擇毛竹林與其它森林類型均有顯著差異的光譜特征。其次，使用灰度共生矩陣方法提取影像的紋理特征。對預(yù)處理后的影像進行主成分變換，提取4月份和10月份的第一主成分，再以第一主成分提取其紋理特征。為了較好反映粗細紋理特征，步長取1，經(jīng)過多次窗口大小設(shè)置與J-M（jeffries-matusita）距離法[14]比較并確定最佳窗口大小為21×21，選擇灰度共生矩陣(GLCM)常用的均值、信息熵、方差等8個空間統(tǒng)計紋理特征[3]，采用方差分析與LSD均值比較法確定毛竹林與其它森林類型間有顯著差異的紋理特征，通過優(yōu)選確定參與影像分類的紋理特征。

（3）基于第二步基礎(chǔ)上比較選擇的光譜特征構(gòu)建毛竹林葉物候特征指數(shù)。比較選擇4月與10月光譜特征中可分離的較好的NDVI與ARVI作為基礎(chǔ)數(shù)據(jù)，構(gòu)建10月與4月NDVI、ARVI兩期影像的差值葉物候特征（DLPC_NDVI、DLPC_ARVI）和乘積葉物候特征（PLPC_NDVI、PLPC_ARVI），通過LSD多重檢驗，篩選毛竹林與闊葉林、杉木林、馬尾松林有顯著差異的葉物候特征。

1.3 影像分類方法

構(gòu)建優(yōu)選的 “光譜+紋理”特征集，以優(yōu)選4月份的5種植被指數(shù)（NDVI_4、SR_4、EVI_4、ARVI_4、WDRVI_4）作為光譜特征和 4 個紋理特征（Mean_4、Entropy_4、Variance_4、Contrast_4）等生成9波段的新特征集影像。在“光譜+紋理”特征集的基礎(chǔ)上加入表征葉物候特征參數(shù)的NDVI差值DLPC_NDVI與乘積PLPC_NDVI合成11個波段的“光譜+紋理+物候”新特征集。使用最大似然法、支持向量機、隨機森林等3種分類器[15-17]對影像特征集進行分類比較，探討物候特征對毛竹林分類精度的影響，通過精度評價選擇毛竹林最佳分類方法。

2 結(jié)果與分析

2.1 多特征選擇

毛竹林與闊葉樹、馬尾松、杉木林之間的植被指數(shù)LSD多重均值比較檢驗結(jié)果見表1。研究表明4月份的5種植被指數(shù)在不同樹種間均達顯著差異，說明毛竹林與馬尾松、闊葉樹、杉木林間具有良好的可分性，而10月份的植被指數(shù)中只有ARVI、NDVI適合提取毛竹林信息，表明4月份的高分二號影像是毛竹林信息提取的關(guān)鍵物候期。基于4月份影像提取的第一主成分的貢獻率達98.4%，依據(jù)J-M距離法比較確定紋理特征在窗口為21×21時，毛竹林與闊葉林、杉木林、馬尾松林分離度最好，且計算機提取速度較快。研究中所選取的均值、方差、信息熵及對比度等4個紋理特征值包含95%的信息量，說明具有較大的信息載荷。不同樹種間葉物候特征指數(shù)的LSD檢驗結(jié)果見表2，基于10月與4月高分二號影像NDVI、ARVI所提取的差值葉物候特征（DLPC）和乘積葉物候特征（PLPC）在不同樹種之間的方差分析均差異顯著（P<0.05），LSD檢驗分析結(jié)果表明基于NDVI構(gòu)建的葉物候特征（DLPC_NDVI、PLPC_NDVI）在不同樹種間均差異顯著（P<0.05），也說明歸一化植被指數(shù)（NDVI）比大氣阻抗植被指數(shù)(ARVI)在毛竹林分類中效果更好。

表1 不同樹種植被指數(shù)間的LSD檢驗分析結(jié)果

表2 不同樹種間葉物候特征指數(shù)的LSD顯著檢驗

2.2 毛竹林信息提取與對比分析

在光譜、紋理特征優(yōu)選基礎(chǔ)上增加葉物候特征，采用3種分類器對比兩種特征集組合方案對毛竹林信息分類提取精度的影響，研究結(jié)果見表3。增加物候特征后不同分類方法的總體分類精度提高了0.54%～0.69%，Kappa系數(shù)均提高了0.01；對毛竹林專題信息提取而言，毛竹林的制圖精度提高明顯，其中最大似然法提高9.35%，RF和SVM分類器分別提高了12.83%、3.39%。相同特征組合中，3種分類器中的SVM分類提取精度均表現(xiàn)出最高分類精度?；凇肮庾V+紋理+葉物候特征”組合方案中，基于SVM的最佳分類提取總體精度和Kappa系數(shù)分別為90.29%、0.84，毛竹林專題信息提取精度達92.75%，分類結(jié)果見圖1。為了目視檢驗分類效果，選擇永安西洋鎮(zhèn)桂溪村典型區(qū)域進行分類后目視解譯，結(jié)果表明毛竹林信息提取準確性較高，圖中裸地主要為休耕地，在4月和10月的高分影像中未有農(nóng)作物覆蓋的區(qū)域。

圖1 基于SVM的最佳提取分類結(jié)果

表3 不同特征組合對毛竹林信息提取精度的影響

3 結(jié)論

通過光譜特征、紋理特征優(yōu)選分析，發(fā)現(xiàn)4月GF-2影像是毛竹林信息提取的關(guān)鍵物候期，優(yōu)選的 5 個光譜特征（NDVI、SR、EVI、ARVI、WDRVI）和 4 個紋理特征（均值、方差、信息熵及對比度）均能較好區(qū)分毛竹林與其它森林類型，減少了植被類型錯分的情況。基于NDVI構(gòu)建的葉物候特征適用于毛竹林信息的分類提取，對亞熱帶山地常見的不同森林類型的響應(yīng)比較敏感。本研究提出的光譜、紋理和葉物候等多特征融合方案能明顯提高毛竹林專題信息的提取精度，其中對隨機森林法（RF）提高最為明顯，支持向量機法分類結(jié)果最好，總體精度達90.29%，毛竹林的專題制圖精度達92.75%。