高金萍 于慧娜 王月婷 高顯連 張曉麗

(1 國(guó)家林業(yè)和草原局林草調(diào)查規(guī)劃院，北京 100714)(2 北京林業(yè)大學(xué)，北京 100083)

森林是陸地生態(tài)系統(tǒng)的主體，也是林業(yè)和草原行業(yè)主要的空間服務(wù)對(duì)象，在維護(hù)生態(tài)平衡、應(yīng)對(duì)氣候變化中發(fā)揮著重要作用[1]。森林資源的分布狀況直接影響國(guó)家重大林業(yè)和草原資源監(jiān)測(cè)規(guī)劃與管理政策的制定。森林類型信息是森林管理的基礎(chǔ)數(shù)據(jù)，準(zhǔn)確的森林類型及樹(shù)種識(shí)別對(duì)繪制林相圖、清查森林資源、反演森林地上碳儲(chǔ)量、監(jiān)測(cè)物種多樣性及森林資源可持續(xù)管理具有重要意義[2]。傳統(tǒng)的手段基本為人工調(diào)查，由于森林分布廣、遍布山頭地塊，野外調(diào)查耗費(fèi)大量人力和成本[3]，對(duì)于環(huán)境復(fù)雜、人力無(wú)法到達(dá)的林區(qū)很難開(kāi)展森林資源調(diào)查工作，且重復(fù)監(jiān)測(cè)周期較長(zhǎng)[4]。近年來(lái)迅速發(fā)展的遙感技術(shù)可全面、快速掌握林草資源各種信息，在森林資源調(diào)查及森林樹(shù)種識(shí)別等方面發(fā)揮著重要作用，成為越來(lái)越重要的林草行業(yè)監(jiān)測(cè)技術(shù)手段[5-6]。

世界觀測(cè)-2(WorldView-2)、高分二號(hào)等衛(wèi)星的高分辨率遙感影像具備較高的空間分辨率，近年來(lái)在森林樹(shù)種識(shí)別領(lǐng)域研究甚多[7-11]。與中低分辨率影像相比，高分辨率影像的空間信息更加豐富，但其數(shù)據(jù)量龐大，處理時(shí)對(duì)計(jì)算機(jī)性能要求較高，且價(jià)格相對(duì)昂貴，在較大區(qū)域尺度開(kāi)展森林精確識(shí)別應(yīng)用具有一定的局限。此外，分辨率提升的同時(shí)，光譜譜段會(huì)有所減小[12]。相對(duì)而言，中高分辨率遙感影像既可提供豐富的光譜信息，又可以提供清晰的結(jié)構(gòu)信息，在區(qū)域尺度森林樹(shù)種識(shí)別領(lǐng)域具備獨(dú)特的優(yōu)勢(shì)。近年來(lái)，我國(guó)陸續(xù)研發(fā)了具備寬覆蓋、中高空間分辨率及短重訪周期等特征的衛(wèi)星(如高分一號(hào))，利用中分辨率遙感影像進(jìn)行樹(shù)種識(shí)別的研究也逐步增多[13-14]。

2020年9月27日，我國(guó)在太原衛(wèi)星發(fā)射中心以“一箭雙星”方式成功發(fā)射環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星，用于接替已在軌運(yùn)行12年的環(huán)境減災(zāi)一號(hào)A/B衛(wèi)星。2顆衛(wèi)星技術(shù)狀態(tài)相同，雙星組網(wǎng)可實(shí)現(xiàn)不大于2天的多光譜和紅外數(shù)據(jù)無(wú)縫覆蓋、不大于21天的高光譜數(shù)據(jù)無(wú)縫覆蓋，大幅提高我國(guó)中分辨率可見(jiàn)光、紅外及高光譜遙感數(shù)據(jù)獲取能力，最大限度地滿足各行業(yè)和部門(mén)對(duì)中高空間分辨率、高時(shí)間分辨率、高光譜分辨率、寬觀測(cè)幅寬性能衛(wèi)星影像的應(yīng)用需求。環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星多光譜譜段含有豐富的光譜信息，除具有傳統(tǒng)衛(wèi)星的藍(lán)、綠、紅、近紅外譜段，還多了一個(gè)能反映綠色植物生長(zhǎng)狀況的紅邊譜段，可提供植被狀態(tài)的關(guān)鍵信息。目前，森林樹(shù)種識(shí)別方面的研究大多是基于國(guó)外衛(wèi)星數(shù)據(jù)和其他國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)，對(duì)環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星數(shù)據(jù)在樹(shù)種識(shí)別中的應(yīng)用研究還未開(kāi)展。本文針對(duì)環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星，利用在軌測(cè)試期間獲取的數(shù)據(jù)首次開(kāi)展森林類型及主要樹(shù)種識(shí)別的業(yè)務(wù)應(yīng)用研究，采用衛(wèi)星多光譜和高光譜數(shù)據(jù)，提取光譜特征、植被指數(shù)和紋理特征等信息，通過(guò)支持向量機(jī)(SVM)、原型網(wǎng)絡(luò)等分類方法進(jìn)行試驗(yàn)區(qū)森林類型及主要樹(shù)種的識(shí)別，初步評(píng)價(jià)環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星數(shù)據(jù)在林業(yè)和草原行業(yè)的業(yè)務(wù)應(yīng)用能力，為后續(xù)充分發(fā)揮其應(yīng)用潛力、更好地服務(wù)林業(yè)和草原行業(yè)奠定基礎(chǔ)。

1 試驗(yàn)區(qū)概況

綜合已有的地面調(diào)查數(shù)據(jù)、森林植被代表性、在軌測(cè)試期間衛(wèi)星影像覆蓋情況等因素，選擇福建武夷山國(guó)家公園和東北虎豹國(guó)家公園2個(gè)區(qū)域作為試驗(yàn)區(qū)。

1.1 福建武夷山國(guó)家公園

武夷山國(guó)家公園位于福建省北部與江西省交界處，地理坐標(biāo)為117°24′13″E-117°59′19″E，27°31′20″N-27°55′49″N，總面積1001.41 km2。武夷山國(guó)家公園地處內(nèi)陸山區(qū)，主要山脈大致呈東北-西南走向，地勢(shì)為西北、東北高，西南、東南低，自西向東分別屬于中山、中低山和丘陵地貌區(qū)，海拔1630 m(九重天)，屬中亞熱帶季風(fēng)氣候區(qū)。武夷山四季氣溫較均勻，溫和濕潤(rùn)，總體年均氣溫17～19 ℃，1月均溫6～9 ℃，極端最低氣溫可達(dá)-9 ℃，7月均溫28～29 ℃；年均降水量1684～1780 mm，是福建省降水量最多的地區(qū)。

武夷山國(guó)家公園以森林生態(tài)系統(tǒng)為主體，森林覆蓋率達(dá)到87.86%；有常綠闊葉林、針闊葉混交林等多種植被類型，是世界同緯度保存最完整、最典型、面積最大的中亞熱帶森林生態(tài)系統(tǒng)。

1.2 東北虎豹國(guó)家公園

東北虎豹國(guó)家公園位于我國(guó)吉林省和黑龍江省交界處，地理坐標(biāo)為129°5′0″E-131°18′48″E，42°31′06″N-44°14′49″N，總面積為1.492 6×108km2?；⒈珗@海拔在1500 m以下，大部分山體海拔在1000 m以下，相對(duì)高度在200～600 m。以中低山、峽谷和丘陵地貌為主，土壤以暗棕壤和沼澤土為主，屬大陸濕潤(rùn)性季風(fēng)氣候區(qū)，年平均氣溫5 ℃，年降水量變化在450～750 mm。

東北虎豹國(guó)家公園以森林生態(tài)系統(tǒng)為主體，森林面積1.387 3×104km2。森林類型以針闊混交林為主，面積9.668×103km2，占森林面積的68.97%；闊葉林3.383×103km2，占24.38%；針葉林89.1 km2，占6.42%。原生性紅松闊葉混交林僅呈零星分布，次生林分布廣泛，以白樺林、山楊林、櫟林為主。該區(qū)域樹(shù)種組成復(fù)雜、分布零散，了解該區(qū)域主要森林類型或樹(shù)種組成對(duì)反映該區(qū)域森林資源豐富程度及天然林保護(hù)狀況具有重要意義。

2 采用數(shù)據(jù)

2.1 遙感數(shù)據(jù)

環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星均配置了4類光學(xué)載荷，包括16 m相機(jī)、高光譜成像儀、紅外相機(jī)和大氣校正儀。其中：16 m相機(jī)由4臺(tái)可見(jiàn)光CCD相機(jī)組成，通過(guò)視場(chǎng)拼接可提供幅寬為800 km的多光譜影像；高光譜成像儀幅寬為96 km；紅外相機(jī)幅寬為720 km；大氣校正儀可在軌同步獲取與16 m相機(jī)同視場(chǎng)的大氣多譜段信息，進(jìn)行大氣輻射校正。衛(wèi)星多光譜數(shù)據(jù)空間分辨率為16 m，包含B1(0.45～0.52 μm)，B2(0.52～0.59 μm)，B3(0.63～0.69 μm)，B4(0.77～0.89 μm)，B5(0.69～0.73 μm)共5個(gè)譜段。高光譜數(shù)據(jù)在0.45～0.92 μm包含100個(gè)譜段，空間分辨率為48 m，平均光譜分辨率優(yōu)于5 nm；在0.90～2.5 μm譜段包含115個(gè)譜段，空間分辨率為96 m，平均光譜分辨率優(yōu)于14 nm。

在福建武夷山國(guó)家公園和東北虎豹國(guó)家公園2個(gè)試驗(yàn)區(qū)，選取云量不超過(guò)5%、質(zhì)量較好的多光譜影像各2景，數(shù)據(jù)等級(jí)為L(zhǎng)1A級(jí)，數(shù)據(jù)獲取時(shí)間分別為2020年12月6日和2020年10月20日，能基本覆蓋2個(gè)試驗(yàn)區(qū)。在福建武夷山國(guó)家公園試驗(yàn)區(qū)內(nèi)選取質(zhì)量較好的高光譜影像，影像獲取時(shí)間為2021年2月20日，云量為0%；東北虎豹國(guó)家公園試驗(yàn)區(qū)內(nèi)沒(méi)有合適的數(shù)據(jù)源，故該試驗(yàn)區(qū)不采用高光譜數(shù)據(jù)。

2.2 樣地調(diào)查數(shù)據(jù)

獲取2個(gè)試驗(yàn)區(qū)的實(shí)測(cè)樣地?cái)?shù)據(jù)，樣地為半徑為15 m的圓形，均勻分布于各試驗(yàn)區(qū)。以樣地的優(yōu)勢(shì)樹(shù)種信息作為選取主要樹(shù)種分類的訓(xùn)練和驗(yàn)證樣本數(shù)據(jù)的依據(jù)。

3 研究方法

森林類型及樹(shù)種識(shí)別應(yīng)用主要包括數(shù)據(jù)預(yù)處理、特征提取、訓(xùn)練分類和精度評(píng)價(jià)等關(guān)鍵環(huán)節(jié)，總體技術(shù)過(guò)程見(jiàn)圖1。

圖1 森林類型及樹(shù)種識(shí)別過(guò)程Fig.1 Process of forest type and tree species identification

3.1 數(shù)據(jù)收集和預(yù)處理

收集在試驗(yàn)區(qū)獲取的地面調(diào)查數(shù)據(jù)，建立試驗(yàn)區(qū)調(diào)查樣本集。數(shù)據(jù)預(yù)處理主要包括輻射校正、大氣校正、幾何校正、正射校正等步驟。①輻射校正和大氣校正。利用提供的數(shù)據(jù)定標(biāo)參數(shù)完成輻射校正，利用快速大氣校正模型對(duì)數(shù)據(jù)進(jìn)行大氣校正。②幾何校正?；谏诒?2(Sentinel-2)衛(wèi)星數(shù)據(jù)，在影像上手動(dòng)選擇控制點(diǎn)，利用仿射變換模型對(duì)影像進(jìn)行幾何精校正。③正射校正。利用影像產(chǎn)品自帶的有理多項(xiàng)式系數(shù)模型(RPC)文件進(jìn)行自動(dòng)正射校正，利用該模型和中國(guó)科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心地理空間數(shù)據(jù)云平臺(tái)(http://www.gscloud.cn)獲取的30 m分辨率先進(jìn)星載熱反射和反輻射儀數(shù)字高程模型(ASTER DEM)數(shù)據(jù)對(duì)影像進(jìn)行二次卷積法重采樣處理，得到正射校正影像。

3.2 特征提取

很多森林樹(shù)種之間比較相似，區(qū)分度不高，僅依靠光譜特征常會(huì)出現(xiàn)同物異譜或異物同譜的現(xiàn)象。文獻(xiàn)[15-17]中結(jié)果表明：在光譜特征基礎(chǔ)上結(jié)合紋理特征、植被指數(shù)等信息，能更準(zhǔn)確地區(qū)分森林樹(shù)種信息，有效提升樹(shù)種識(shí)別的精度。

1)光譜特征

不同地物類別因組成與結(jié)構(gòu)差異而具有不同輻射特征和譜段反射率，在遙感影像中具有不同的亮度值，以此來(lái)區(qū)分不同地物。譜段反射率均值計(jì)算公式為

(1)

式中:i為譜段序號(hào)；ρi為第i個(gè)譜段的反射率；n為譜段數(shù)。

2)植被指數(shù)

歸一化植被指數(shù)(NDVI)是應(yīng)用最廣的植被指數(shù)，該指數(shù)可以監(jiān)測(cè)植被生長(zhǎng)狀態(tài)，有效反映植被覆蓋情況，其取值范圍是[-1，1]，在植被區(qū)域顯示為正值，值越大代表植被覆蓋度越高。NDVI計(jì)算公式為

(2)

式中：INDVI為歸一化植被指數(shù)值；ρN為近紅外譜段反射率；ρR為紅光譜段反射率。

3)主成分變換變量

主成分分析是基于變量之間的相關(guān)關(guān)系，在盡可能不丟失信息的前提下進(jìn)行的線性變換，常用于信息增強(qiáng)和數(shù)據(jù)壓縮。它是對(duì)某一多光譜影像X，利用變換矩陣A進(jìn)行線性組合，而產(chǎn)生一組新的多光譜影像，表達(dá)式為

Y=AX

(3)

式中：X為變換前的多光譜空間的像元矩陣；Y為變換后的主成分空間的像元矩陣；A為X空間協(xié)方差矩陣∑X的特征向量矩陣的轉(zhuǎn)置矩陣。

變換后，前三主成分能夠包含90%以上的信息，第四主成分多數(shù)為噪聲，在譜段組合時(shí)只使用前三主成分即可。

4)紋理特征

影像中地物的重要信息可以通過(guò)紋理分析獲取，灰度共生矩陣(GLCM)是從影像上像素之間的灰度空間相關(guān)角度來(lái)描述紋理。影像灰度的變化包括方向、相鄰間隔和變化幅度等綜合信息，都可以通過(guò)GLCM反映。基于GLCM可提取8個(gè)紋理特征[18]，即對(duì)比性(CO)、協(xié)同性(HO)、二階矩(SE)、熵(EN)、均值(ME)、相異性(DI)、方差(VA)、相關(guān)性(CC)。紋理特征是基于主成分分析后的第一主成分提取的，窗口大小設(shè)置為3×3，方向?yàn)?5°，步長(zhǎng)為1。

3.3 分類方法

機(jī)器學(xué)習(xí)理論與方法已成為遙感影像分類的重要技術(shù)手段，遙感影像的樣本數(shù)量相對(duì)較少，是制約分類精度的關(guān)鍵因素。SVM和原型網(wǎng)絡(luò)方法分別作為淺層機(jī)器學(xué)習(xí)和深度學(xué)習(xí)中小樣本分類的代表方法法，已得到了廣泛應(yīng)用。

(1)SVM從20世紀(jì)90年代被提出，在影像識(shí)別領(lǐng)域已經(jīng)得到了廣泛應(yīng)用，理論基礎(chǔ)和技術(shù)方法較為成熟[19]。典型的SVM需要一組輸入數(shù)據(jù)和訓(xùn)練目標(biāo)，對(duì)于每個(gè)給定的輸入，其分類結(jié)果可能是兩個(gè)類。給定一組訓(xùn)練樣本，每個(gè)樣本都被標(biāo)記為屬于兩個(gè)類別之一，SVM算法通過(guò)建立一個(gè)模型從而把新的樣本分類到一個(gè)或者另一個(gè)類別中去。該算法模型把在空間中表示為點(diǎn)的對(duì)象映射為兩類，而且兩類樣本之間的分類間隔最大。新的對(duì)象將會(huì)被映射到同樣的空間并基于其落在間隔的哪一邊來(lái)預(yù)測(cè)屬于哪一種類別。這一算法是基于定義決策邊界的決策平面的概念，一個(gè)決策平面用來(lái)區(qū)分一系列具有不同類別成員關(guān)系的對(duì)象。SVM模型中具有不同的可用的內(nèi)核，常用的核函數(shù)有線性核、多項(xiàng)式核、高斯核和徑向基核，其中，徑向基核函數(shù)是SVM使用的內(nèi)核中最為普遍的一種選擇[20]。

(2)原型網(wǎng)絡(luò)分類的原理是每個(gè)類的點(diǎn)都圍繞1個(gè)原型進(jìn)行聚類。通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)輸入到嵌入空間的非線性映射，并以支持集的平均值作為其在嵌入空間中類的原型。然后，查找最近的類原型，即可對(duì)嵌入式查詢點(diǎn)進(jìn)行分類。以窗口大小為S·S的切片數(shù)據(jù)作為原型網(wǎng)絡(luò)的輸入源。嵌入函數(shù)架構(gòu)根據(jù)裁剪數(shù)據(jù)窗口大小由不同數(shù)量卷積塊組成(Layer 1，…，LayerN，Layer last)。每個(gè)卷積塊包括1個(gè)卷積層(Conv2d)，1個(gè)批量歸一化層(Batch_norm)，1個(gè)非線性激活函數(shù)(Relu)及1個(gè)最大池化層(Max_pool2d)。全連接層(Flatten)，將最后1個(gè)卷積塊的輸出(1×1×F，F(xiàn)為通道數(shù))作為輸入，通過(guò)全連接層(Flatten)轉(zhuǎn)化為F個(gè)特征值。計(jì)算投影空間中查詢集到各個(gè)類原型的歐氏距離，使用Softmax激活函數(shù)計(jì)算屬于各個(gè)類別的概率，作為分類依據(jù)[21-22]。

本文使用的原型網(wǎng)絡(luò)以5個(gè)譜段作為輸入，采用的卷積層的輸出特征值數(shù)F為64，卷積核為3×3。最大池化層的池化核為2×2。此網(wǎng)絡(luò)結(jié)構(gòu)將產(chǎn)生64維輸出空間。使用相同的嵌入函數(shù)對(duì)支持集和查詢集進(jìn)行運(yùn)算，并將其作為損失和精度計(jì)算的輸入?yún)?shù)，所有的模型都是通過(guò)Adam-SGD優(yōu)化器進(jìn)行訓(xùn)練的，初始學(xué)習(xí)率為1×10-3，每2000次訓(xùn)練將學(xué)習(xí)率減半。使用歐式距離作為度量函數(shù)，訓(xùn)練原型網(wǎng)絡(luò)。

3.4 精度評(píng)價(jià)

(1)SVM分類精度評(píng)價(jià)。通過(guò)檢驗(yàn)樣本建立混淆矩陣，檢驗(yàn)分類結(jié)果的準(zhǔn)確性，選取的精度驗(yàn)證指標(biāo)包括分類精度、Kappa系數(shù)、總精度。

(2)原型網(wǎng)絡(luò)分類精度評(píng)價(jià)。原型網(wǎng)絡(luò)分類精度包括網(wǎng)絡(luò)訓(xùn)練精度和測(cè)試精度。訓(xùn)練精度通過(guò)訓(xùn)練過(guò)程中最后1個(gè)epoch的精度(LEA)表示，即每次迭代的平均總體精度。測(cè)試精度通過(guò)總精度與Kappa系數(shù)表示。

4 測(cè)試結(jié)果與分析

針對(duì)環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星的多光譜和高光譜數(shù)據(jù)，分別提取2個(gè)試驗(yàn)區(qū)影像的光譜特征、NDVI和基于主成分第一分量的8個(gè)紋理特征。其中，高光譜是基于前100個(gè)可見(jiàn)光譜段，提取了主成分分析后的前5個(gè)特征變量作為分類的特征量。

4.1 武夷山國(guó)家公園分類結(jié)果

根據(jù)野外實(shí)測(cè)樣地的優(yōu)勢(shì)樹(shù)種信息，選取針葉林、闊葉林、杉木樣本各200個(gè)，同時(shí)結(jié)合目視解譯和影像質(zhì)量，選取裸地、水體、農(nóng)田和道路建筑4類地物，每類地物各選取樣本200個(gè)。每類地物及森林樹(shù)種各選取90個(gè)驗(yàn)證樣本。分別采用SVM和原型網(wǎng)絡(luò)分類進(jìn)行試驗(yàn)區(qū)主要地類和森林樹(shù)種識(shí)別，并對(duì)識(shí)別結(jié)果進(jìn)行精度評(píng)價(jià)。

1)應(yīng)用SVM的森林樹(shù)種識(shí)別

本文采用多光譜數(shù)據(jù)，選擇高斯核函數(shù)，設(shè)置參數(shù)gamma為0.2，懲罰因子為100?；谔卣髯兞繉?duì)各類地物及森林主要樹(shù)種進(jìn)行識(shí)別，并利用驗(yàn)證樣本進(jìn)行精度評(píng)價(jià)，結(jié)果見(jiàn)表1。其中：針葉林和闊葉林的多光譜分類精度分別為88.61%和86.36%，杉木的多光譜分類精度略低，為54.47%；總精度為86.37%；Kappa系數(shù)為0.83。圖2為應(yīng)用SVM的武夷山國(guó)家公園主要樹(shù)種識(shí)別情況。

表1 應(yīng)用SVM的主要樹(shù)種識(shí)別分類精度Table 1 Classification accuracy of main tree species identification using SVM %

2)應(yīng)用原型網(wǎng)絡(luò)分類的森林樹(shù)種識(shí)別

本文分別采用多光譜和高光譜數(shù)據(jù)，通過(guò)設(shè)置不同窗口大小來(lái)比較分類精度，最終設(shè)置窗口大小分別為21×21像元和17×17像元。利用驗(yàn)證樣本對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)，見(jiàn)表2。其中：針葉林和闊葉林的多光譜分類精度分別為94.62%和79.66%，杉木的多光譜分類精度為92.96%，較SVM方法有了明顯提升；多光譜和高光譜總精度分別為91.11%和83.79%，Kappa系數(shù)分別為0.90和0.81。圖3為應(yīng)用原型網(wǎng)絡(luò)分類的武夷山國(guó)家公園主要樹(shù)種識(shí)別情況。

圖2 應(yīng)用SVM的武夷山國(guó)家公園主要樹(shù)種識(shí)別情況Fig.2 Main tree species identification using SVM in Wuyishan National Park

表2 應(yīng)用原型網(wǎng)絡(luò)分類的主要樹(shù)種識(shí)別分類精度Table 2 Classification accuracy of main tree species using prototype network classification %

4.2 虎豹國(guó)家公園分類結(jié)果

根據(jù)野外實(shí)測(cè)樣地的優(yōu)勢(shì)樹(shù)種信息，選取針葉林、闊葉林、云杉樣本各200個(gè)。同時(shí)，結(jié)合目視解譯和影像質(zhì)量，選取了裸地、水體、農(nóng)田、道路建筑、云和陰影6個(gè)類別，每個(gè)類別各選取樣本200個(gè)。每個(gè)類別及森林樹(shù)種各選取90個(gè)驗(yàn)證樣本。

1)應(yīng)用SVM的森林樹(shù)種識(shí)別

基于特征變量對(duì)各類別及森林主要樹(shù)種進(jìn)行識(shí)別，并利用驗(yàn)證樣本進(jìn)行精度評(píng)價(jià)，見(jiàn)表3。其中：云杉、針葉林和闊葉林的分類精度分別為90.14%，88.65%，79.29%；總精度為91.77%；Kappa系數(shù)為0.90。圖4為應(yīng)用SVM的東北虎豹國(guó)家公園主要樹(shù)種識(shí)別情況。

表3 應(yīng)用SVM的主要樹(shù)種識(shí)別分類精度Table 3 Classification accuracy of main tree species identification using SVM %

圖4 應(yīng)用SVM的東北虎豹國(guó)家公園主要樹(shù)種識(shí)別情況Fig.4 Main tree species identification using SVM in Hubao National Park

2)應(yīng)用原型網(wǎng)絡(luò)分類的森林樹(shù)種識(shí)別

通過(guò)設(shè)置不同窗口大小來(lái)比較分類精度，最終設(shè)置窗口大小為17×17。基于特征變量對(duì)各類別及森林主要樹(shù)種進(jìn)行識(shí)別，并利用驗(yàn)證樣本進(jìn)行精度評(píng)價(jià)，見(jiàn)表4。其中：云杉、針葉林和闊葉林的分類精度分別為79.32%，96.32%，92.21%；總精度為91.34%；Kappa系數(shù)為0.90。圖5為應(yīng)用原型網(wǎng)絡(luò)分類的東北虎豹國(guó)家公園主要樹(shù)種識(shí)別情況。

表4 應(yīng)用原型網(wǎng)絡(luò)分類的主要樹(shù)種識(shí)別分類精度Table 4 Classification accuracy of main tree species identification using prototype network classification %

5 結(jié)論

本文采用環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星多光譜和高光譜數(shù)據(jù)，在福建武夷山國(guó)家公園和東北虎豹國(guó)家公園2個(gè)試驗(yàn)區(qū)開(kāi)展森林類型及主要樹(shù)種識(shí)別的應(yīng)用研究，總結(jié)如下。

(1)分類模型的選擇對(duì)于分類效果具有重要影響。在福建武夷山國(guó)家公園試驗(yàn)區(qū)，原型網(wǎng)絡(luò)分類對(duì)主要樹(shù)種識(shí)別的精度整體要優(yōu)于SVM；在東北虎豹國(guó)家公園試驗(yàn)區(qū)，SVM對(duì)云杉的識(shí)別精度更好，但在針葉林和闊葉林的識(shí)別上，原型網(wǎng)絡(luò)分類表現(xiàn)更佳。

(2)2個(gè)試驗(yàn)區(qū)的主要樹(shù)種識(shí)別精度較高，杉木和云杉最優(yōu)分類精度分別為92.96%和90.14%。東北地區(qū)森林結(jié)構(gòu)相對(duì)簡(jiǎn)單，而福建森林結(jié)構(gòu)更為復(fù)雜，樹(shù)種類型眾多交錯(cuò)，因此福建武夷山國(guó)家公園森林類型及主要樹(shù)種識(shí)別精度略低于東北虎豹國(guó)家公園。

(3)環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星在軌測(cè)試期間，由于時(shí)間和數(shù)據(jù)等約束條件，只做了局部試驗(yàn)區(qū)的在軌測(cè)試，實(shí)現(xiàn)了部分類型地類和樹(shù)種的識(shí)別和分類。為提高衛(wèi)星在林業(yè)和草原資源監(jiān)測(cè)的應(yīng)用能力，后續(xù)需要持續(xù)探索衛(wèi)星數(shù)據(jù)在我國(guó)不同地區(qū)、不同地類、不同樹(shù)種分布等多種情況下的應(yīng)用能力。