高 峰，姜群鷗*，辛智鳴，肖輝杰，律可心，喬 智

1.北京林業(yè)大學(xué)水土保持學(xué)院，北京 100083 2.北京林業(yè)大學(xué)水土保持與荒漠化防治教育部重點(diǎn)實(shí)驗(yàn)室，北京 100083 3.北京林業(yè)大學(xué)水土保持學(xué)院重慶縉云山三峽庫(kù)區(qū)森林生態(tài)系統(tǒng)國(guó)家定位觀(guān)測(cè)研究站，北京 100083 4.中國(guó)林業(yè)科學(xué)研究院沙漠林業(yè)實(shí)驗(yàn)中心，內(nèi)蒙古 磴口 015200

引 言

帶狀防護(hù)林體系是荒漠綠洲區(qū)重要生態(tài)廊道，對(duì)荒漠綠洲景觀(guān)單元間的生態(tài)過(guò)程具有重要影響作用，且會(huì)顯著改變荒漠綠洲防風(fēng)固沙、水鹽調(diào)控、水熱平衡等生態(tài)功能，改善農(nóng)田小氣候環(huán)境，提高農(nóng)田防護(hù)林體系應(yīng)對(duì)氣候變化的穩(wěn)定性，增加農(nóng)作物產(chǎn)量[1-2]。我國(guó)荒漠綠洲防護(hù)林種類(lèi)多、分布廣，監(jiān)測(cè)荒漠綠洲防護(hù)林是森林資源調(diào)查的主要內(nèi)容之一。大尺度、長(zhǎng)時(shí)序提取荒漠綠洲區(qū)防護(hù)林及防護(hù)林的特征，能夠反映該地區(qū)植被空間結(jié)構(gòu)、水資源、荒漠化、綠洲化的變化信息，以合理配置防護(hù)林體系與高效利用水資源[3]。因此，調(diào)查防護(hù)林面積、分布等特征，在荒漠綠洲區(qū)具有重要意義。

目前，荒漠綠洲防護(hù)林的提取方法主要包括野外調(diào)查與遙感觀(guān)測(cè)兩種。傳統(tǒng)的野外調(diào)查方法費(fèi)時(shí)費(fèi)力，成本較高，不適用于大尺度研究。遙感技術(shù)大范圍、多尺度、長(zhǎng)時(shí)序的特點(diǎn)為提取綠洲防護(hù)林提供了數(shù)據(jù)基礎(chǔ)。目前，許多學(xué)者已基于遙感技術(shù)提取林地空間分布信息。如武金洲等[4]基于Landsat TM，ETM+和OLI數(shù)據(jù)，采用人機(jī)交互目視解譯的方法提取了林草空間分布信息和面積?；哪G洲防護(hù)林網(wǎng)空間結(jié)構(gòu)可以大體分為小型分散防護(hù)林、大網(wǎng)格寬林帶防護(hù)林、小網(wǎng)格窄林帶防護(hù)林。近年來(lái)大網(wǎng)格寬林帶正在被小網(wǎng)格窄林帶所取代。然而，基于Landsat等衛(wèi)星的低分辨率數(shù)據(jù)，很難觀(guān)測(cè)到小網(wǎng)格窄林帶，易受到混合像元的影響，難以提取較短林帶。

隨著高分辨率遙感影像日益普及，基于遙感技術(shù)識(shí)別細(xì)小林帶成為可能，但單個(gè)像元的光譜特征具有可變性和不確定性。采用傳統(tǒng)基于像元的分類(lèi)方法容易產(chǎn)生“椒鹽現(xiàn)象”，即分類(lèi)結(jié)果含有大量噪點(diǎn)。近年來(lái)，一種面向?qū)ο蟮膱D像分析方法(OBIA)在基于高分辨率影像識(shí)別防護(hù)林開(kāi)始應(yīng)用。Wiseman等[5]采用高分辨率航空照片圖像(62.5 cm)識(shí)別防護(hù)林帶，精確度達(dá)到95.8%。幸澤峰[6]等基于ZY-3和Landsat8 OLI數(shù)據(jù)，利用面向?qū)ο蟆?shù)學(xué)形態(tài)學(xué)方法提取農(nóng)田防護(hù)林。高夢(mèng)婕等[7]基于GF-2遙感影像提取塑料大棚，應(yīng)用潛在分割誤差、分割強(qiáng)度、歐式距離三個(gè)指標(biāo)確定最優(yōu)分割參數(shù)組合。地物提取研究依賴(lài)于傳感器類(lèi)型，高分辨率的航空影像研究尺度較小，而低分辨率航天影像提取精度較低，大尺度高分辨率對(duì)機(jī)器學(xué)習(xí)算法和計(jì)算機(jī)要求較高。并且基于GF-2高分辨率遙感影像，采用面向?qū)ο蠓椒ㄌ崛〈蟪叨然哪G洲防護(hù)林的研究較少。因此開(kāi)展基于GF-2遙感影像的防護(hù)林提取研究有利于推進(jìn)GF-2影像在荒漠綠洲區(qū)的應(yīng)用，可為農(nóng)業(yè)生產(chǎn)、防風(fēng)阻沙、水熱調(diào)控提供方法和數(shù)據(jù)支撐。

選取內(nèi)蒙古磴口縣綠洲區(qū)域作為研究區(qū)，基于GF-2遙感影像，探索在大尺度范圍內(nèi)快速、準(zhǔn)確提取帶狀防護(hù)林的方法。采用ROC-LV(局部方差變化率)曲線(xiàn)方法確定最優(yōu)分割尺度參數(shù)。然后，從特征空間優(yōu)化和分類(lèi)器參數(shù)優(yōu)化兩個(gè)層面，探索分類(lèi)器優(yōu)化的方式，在保證分類(lèi)精度的前提下，提升分類(lèi)速率。對(duì)于特征空間，綜合采用Gini指數(shù)法、袋外誤差法篩選出參與分類(lèi)的最優(yōu)特征子集；對(duì)于分類(lèi)器參數(shù)，主要優(yōu)化決策樹(shù)數(shù)量、gamma系數(shù)與懲罰系數(shù)提升分類(lèi)精度。最后，基于隨機(jī)森林(RF)、CART決策樹(shù)、支持向量機(jī)(SVM)、K最近鄰(KNN)四種分類(lèi)器對(duì)荒漠綠洲防護(hù)林空間分布信息進(jìn)行提取，并對(duì)結(jié)果進(jìn)行比較驗(yàn)證，確定最優(yōu)荒漠綠洲防護(hù)林提取方法，進(jìn)而推動(dòng)GF-2遙感影像在農(nóng)林業(yè)生產(chǎn)領(lǐng)域的應(yīng)用。

1 實(shí)驗(yàn)部分

1.1 研究區(qū)概況

磴口縣荒漠綠洲區(qū)(40°9′—40°57′N(xiāo)，106°9′—107°10′E)位于內(nèi)蒙古巴彥淖爾市西南部、烏蘭布和沙漠東北緣，內(nèi)蒙古河套平原源頭，黃河中上游，背靠狼山山脈，研究區(qū)總面積為2 887.98 km2。該區(qū)域?qū)儆跍貛Т箨懶约撅L(fēng)氣候，四季分明，年均降雨量143.4 mm，年均蒸發(fā)量2 387.6 mm，年均風(fēng)速2.7 m·s-1。灌木植被以油蒿、白刺、梭梭、沙冬青、檸條為主；喬木植被以沙棗、新疆楊、旱柳、樟子松、胡楊、歐美楊為主；草本植物有蘆葦、蓼子樸、豬毛菜等。磴口縣荒漠綠洲防護(hù)林既有大網(wǎng)格寬林帶，也有近些年建造的小網(wǎng)格窄林帶，其空間分布較自然林更為規(guī)則，通常處在道路、農(nóng)田、水系和房屋周邊。不同防護(hù)林帶的長(zhǎng)度、寬度差異很大，但均為條帶狀分布。本研究選取磴口縣荒漠綠洲區(qū)中約27 km2區(qū)域，為圖1中紅色矩形區(qū)域，用于最優(yōu)分割參數(shù)的選取，該區(qū)域同時(shí)包含多種防護(hù)林類(lèi)型。

圖1 研究區(qū)位置及驗(yàn)證樣點(diǎn)空間分布圖

1.2 數(shù)據(jù)來(lái)源

研究采用的遙感影像數(shù)據(jù)為GF-2影像，包括4 m分辨率的多光譜影像和1 m分辨率的全色影像。多光譜影像包含紅、綠、藍(lán)和近紅外四個(gè)波段。由于研究區(qū)面積較大，影像獲取難度高，因此，本研究鑲嵌22景共三個(gè)時(shí)期的遙感影像作為研究區(qū)影像數(shù)據(jù)。三個(gè)時(shí)期影像獲取時(shí)間分別為2021年5月、2020年7月和8月。2020和2021年防護(hù)林空間分布變化不大，且選擇的月份，防護(hù)林已過(guò)發(fā)芽期，生長(zhǎng)出葉片，利于防護(hù)林的提取。對(duì)于22景遙感影像，首先進(jìn)行輻射校正、幾何校正和影像融合操作，經(jīng)裁剪得到研究區(qū)影像[8]。然后，結(jié)合實(shí)地調(diào)查及2019年7月—8月份磴口縣沙林中心提供的土地利用數(shù)據(jù)，目視解譯形成參考數(shù)據(jù)集，用作分類(lèi)器訓(xùn)練樣本。還對(duì)研究區(qū)實(shí)地調(diào)查367個(gè)防護(hù)林樣地，用于對(duì)識(shí)別結(jié)果的精度驗(yàn)證。

1.3 方法

首先基于ROC-LV曲線(xiàn)與分割對(duì)比實(shí)驗(yàn)在27 km2小研究區(qū)獲取最優(yōu)分割參數(shù)，隨后應(yīng)用于整體研究區(qū)影像分割，根據(jù)分割結(jié)果進(jìn)行特征空間優(yōu)化，然后優(yōu)化分類(lèi)器并訓(xùn)練，最后得出分類(lèi)結(jié)果與分類(lèi)精度，圖2為本研究技術(shù)路線(xiàn)圖。

圖2 技術(shù)路線(xiàn)圖

1.3.1 影像分割

采用多尺度分割(multiresolution segmentation)方法進(jìn)行多光譜影像分割，目的是將影像分割成無(wú)數(shù)個(gè)矢量對(duì)象，進(jìn)而分別對(duì)這些矢量對(duì)象分類(lèi)。此過(guò)程分割結(jié)果由分割尺度(scale)、形狀(shape)、緊湊度(compactness)三個(gè)參數(shù)確定。分割尺度用來(lái)確定分割對(duì)象所允許的最大異質(zhì)度，值越大生成影像對(duì)象尺寸越大[9-11]。

經(jīng)過(guò)多次試驗(yàn)及多尺度分割參數(shù)的定義可知，研究區(qū)大小不影響最優(yōu)分割參數(shù)的確定，故選取包含多種防護(hù)林種類(lèi)的小區(qū)塊作為確定最優(yōu)分割參數(shù)的研究范圍。由于防護(hù)林形狀不規(guī)則，基于潛在分割誤差、分割強(qiáng)度、歐式距離三個(gè)指標(biāo)確定最優(yōu)分割參數(shù)并不適用，而ROC-LV(局部方差變化率)曲線(xiàn)方法廣泛適用于不規(guī)則地物的分割，故采用ROC-LV曲線(xiàn)方法進(jìn)行影像多尺度分割。首先，通過(guò)統(tǒng)計(jì)影像同質(zhì)性的局部方差LV(local variance)來(lái)表示分割結(jié)果內(nèi)的標(biāo)準(zhǔn)差，原則上LV會(huì)隨分割尺度增大而增大。然而，只有LV不足以選擇最優(yōu)分割尺度(scale)，故引入LV的變化率ROC(rate of change)，繪制ROC-LV曲線(xiàn)圖，當(dāng)ROC達(dá)到峰值時(shí)，所對(duì)應(yīng)的分割尺度極有可能為最優(yōu)分割尺度[12]。ROC計(jì)算公式為

(1)

式(1)中，Li+1為第i+1層對(duì)象的平均標(biāo)準(zhǔn)差，Li為第i層中對(duì)象的平均標(biāo)準(zhǔn)差。

1.3.2 特征選擇

采用的分類(lèi)類(lèi)別體系為防護(hù)林、農(nóng)田、水體、裸地和建設(shè)用地?？紤]防護(hù)林分布形狀、光譜特點(diǎn)，共選取4大類(lèi)共31個(gè)特征作為待篩選的特征空間，用于影像提取防護(hù)林研究(表1)。光譜特征反映了各對(duì)象間光譜信息的差異，幾何特征反應(yīng)各對(duì)象間幾何、形狀、大小的差異。紋理特征通過(guò)灰度共生矩陣(gray-level co-occurrence matrix, GLCM)提取，描述具有某種空間位置關(guān)系兩個(gè)像素灰度的聯(lián)合分布。通過(guò)對(duì)灰度共生矩陣(GLCM)的二次統(tǒng)計(jì)，可以得到如對(duì)比度、熵等的二次統(tǒng)計(jì)量，來(lái)反映如防護(hù)林對(duì)象包括影子在內(nèi)的紋理信息。

選擇的紋理特征為8個(gè)，包括對(duì)比度(contrast，Con)、熵(entropy，Ent)、角二階矩(ang.2ndmoment，ASM)、同質(zhì)性(homogeneity, Homo)、均值(mean)、異質(zhì)性(dissimilarity, DISL)、標(biāo)準(zhǔn)差(std dev)和相關(guān)度(correlation, Corr)。這些紋理特征反映了對(duì)象圖像清晰度和溝紋深淺、灰度分布的復(fù)雜程度、均勻程度和紋理粗細(xì)度、灰度變化、灰度值之間的穩(wěn)定性與灰度關(guān)系的相似度。其他特征選擇了歸一化植被指數(shù)(NDVI)，已有研究表明NDVI很好地反映了植被生長(zhǎng)狀態(tài)，對(duì)區(qū)分植被與非植被有很大作用。

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

(10)

式中，σx和μx分別為Px(i)的方差和均值；σy和μy分別為Py(j)的方差和均值；P(i,j)為灰度共生矩陣；NIR和R分別為近紅外波段反射率和紅波段反射率。

表1 分類(lèi)器待篩選的特征列表

多光譜影像的紋理特征、光譜特征、幾何特征繁多，形成了高維特征空間，但特征并非越多越好，大量冗余的特征不僅會(huì)增加計(jì)算機(jī)運(yùn)行負(fù)擔(dān)而且會(huì)造成“Hughes現(xiàn)象”[13]。因此，需要對(duì)特征進(jìn)行篩選?；陔S機(jī)森林算法獲取特征重要性評(píng)分來(lái)篩選特征，通過(guò)袋外誤差率控制特征個(gè)數(shù)，達(dá)到優(yōu)化特征空間的目的。

隨機(jī)森林算法是一種Bagging算法，由Breiman提出[14]，以決策樹(shù)為基礎(chǔ)，通過(guò)Bootstrap自動(dòng)抽樣方法隨機(jī)抽取樣本子集，未被選中的訓(xùn)練樣本作為袋外數(shù)據(jù)(out of bag, OOB)用于驗(yàn)證模型。袋外數(shù)據(jù)(OOB)約占總訓(xùn)練數(shù)據(jù)的1/3，袋外數(shù)據(jù)誤分個(gè)數(shù)占總樣本總數(shù)的比率稱(chēng)為隨機(jī)森林的OOB誤分率[15]。隨機(jī)森林計(jì)算特征重要性時(shí)方法主要有袋外誤差率法和基尼系數(shù)法[16]?；嵯禂?shù)用來(lái)表示一個(gè)隨機(jī)選中的樣本在其子集中被錯(cuò)分的可能性，即計(jì)算樣本集合的純度和不確定性，其定義如式(11)

(11)

基尼系數(shù)法是在構(gòu)建隨機(jī)森林結(jié)構(gòu)時(shí)計(jì)算得出特征重要性，與每棵決策樹(shù)的節(jié)點(diǎn)分裂有關(guān)，而袋外誤差率法使用OOB數(shù)據(jù)，通過(guò)給特征加上隨機(jī)噪音，比較前后誤差率得到特征重要性。綜合應(yīng)用基尼指數(shù)(Gini)的下降量與OOB誤分率的增加量來(lái)優(yōu)化特征空間。

1.3.3 分類(lèi)器模型與訓(xùn)練

分別采用支持向量機(jī)(SVM)[17]、CART決策樹(shù)、隨機(jī)森林(RF)和K-近鄰算法(KNN)四種分類(lèi)器進(jìn)行分類(lèi)對(duì)比。對(duì)防護(hù)林、農(nóng)田、水體、裸地和建設(shè)用地5個(gè)類(lèi)別進(jìn)行目視解譯人工取樣，取樣樣本在研究區(qū)內(nèi)隨機(jī)分布，類(lèi)別與樣本數(shù)量關(guān)系如表2所示，所選取樣本數(shù)量均大于特征數(shù)量，樣本數(shù)量充足。

隨機(jī)森林是利用自助法重采樣技術(shù)(Bootstrap)，從原始訓(xùn)練樣本集中有放回地抽取訓(xùn)練樣本，并且決策樹(shù)節(jié)點(diǎn)隨機(jī)抽取特征，構(gòu)造多個(gè)互不相同且相互獨(dú)立的決策樹(shù)。在判斷新樣本類(lèi)別時(shí)，根據(jù)所有決策樹(shù)投票類(lèi)別的眾數(shù)，進(jìn)而決定最終類(lèi)別[18]。隨機(jī)森林的重要參數(shù)包括節(jié)點(diǎn)特征變量個(gè)數(shù)mtry和決策樹(shù)的數(shù)量ntree。Breiman建議對(duì)于分類(lèi)問(wèn)題，二叉樹(shù)節(jié)點(diǎn)使用的特征變量個(gè)數(shù)應(yīng)該為總變量個(gè)數(shù)的平方根。為提升分類(lèi)效率，應(yīng)盡量減少?zèng)Q策樹(shù)的數(shù)量。本研究最優(yōu)決策樹(shù)數(shù)量(ntree)采用OOB誤分率進(jìn)行優(yōu)化(圖3)，在ntree約大于400后，各項(xiàng)OOB誤分率基本保持平穩(wěn)，總體誤差在4%左右，最小總體誤差為ntree=369時(shí)取得。

表2 分類(lèi)類(lèi)別與樣本數(shù)

圖3 決策樹(shù)數(shù)量(ntree)與OOB誤分率(out of bag error)關(guān)系圖

支持向量機(jī)(SVM)是一種機(jī)器學(xué)習(xí)算法，在解決小樣本、非線(xiàn)性及高維模式識(shí)別中表現(xiàn)出運(yùn)算速度快、精度高、泛化能力強(qiáng)的優(yōu)點(diǎn)，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問(wèn)題。SVM分類(lèi)器采用高斯核函數(shù)[式(12)]時(shí)有兩個(gè)主要參數(shù)分別為懲罰系數(shù)(C)和Gamma系數(shù)(γ)。本研究基于K-fold cross validation方法進(jìn)行調(diào)參。經(jīng)過(guò)調(diào)整參數(shù)后，SVM算法最優(yōu)Gamma=0.1，C=10，訓(xùn)練數(shù)據(jù)的最優(yōu)誤差率約為3.2%。

(12)

CART決策樹(shù)是一種后剪枝決策樹(shù)，將訓(xùn)練樣本劃分為測(cè)試變量和目標(biāo)變量，由初始節(jié)點(diǎn)依次形成二叉決策樹(shù)，采用基尼系數(shù)(Gini)作為選擇最佳分類(lèi)特征和分割閾值的標(biāo)準(zhǔn)。KNN最近鄰分類(lèi)算法以所有已知類(lèi)別的樣本作為參照，計(jì)算未知樣本與所有已知樣本的距離，選出距離最近的部分已知樣本，與類(lèi)別占比較多的歸為一類(lèi)。為了消除樣本數(shù)量對(duì)分類(lèi)器訓(xùn)練的影響，對(duì)訓(xùn)練樣本進(jìn)行了標(biāo)準(zhǔn)化處理。

1.3.4 精度評(píng)價(jià)

為了評(píng)估各分類(lèi)器對(duì)于防護(hù)林的識(shí)別準(zhǔn)確度，基于野外采集樣點(diǎn)數(shù)據(jù)，采用TTA mask方法計(jì)算混淆矩陣(confusion matrix)進(jìn)行精度評(píng)價(jià)?；煜仃?confusion matrix)法是通過(guò)對(duì)每個(gè)樣本在地物實(shí)際的類(lèi)別與其在分類(lèi)結(jié)果影像中對(duì)應(yīng)的類(lèi)別進(jìn)行比較并進(jìn)行統(tǒng)計(jì)與計(jì)算的一種精度驗(yàn)證方法。利用混淆矩陣可以計(jì)算出評(píng)價(jià)單個(gè)類(lèi)別分類(lèi)效果的指標(biāo)包括用戶(hù)精度(user’s accuracy)[式(13)]、生產(chǎn)者精度(producer’s accuracy)[式(14)]與總體精度(overall accuracy)。

(13)

(14)

式中，xii為主對(duì)角線(xiàn)上的值，xi+和x+i為第i行和第i列的和。

2 結(jié)果與討論

2.1 影像分割尺度選擇

遙感影像分割需要充分考慮分割對(duì)象的影像光譜特征。在荒漠綠洲區(qū)域，灌木、喬木植被葉面普遍較小且分布稀疏，部分植物體有白色絨毛，有些單株生長(zhǎng)，在影像中光譜特征較弱，對(duì)提取防護(hù)林造成很大干擾。因此，參考彭佳憶等[19]有關(guān)荒漠植被提取的相關(guān)參數(shù)，將形狀參數(shù)設(shè)定為0.1，緊致度設(shè)定為0.5。初始Scale Parameter設(shè)為30，步長(zhǎng)設(shè)為2，步頻設(shè)為60。由于本研究的分割用于提取荒漠綠洲防護(hù)林，植被對(duì)近紅外波段反映靈敏，故在影像多尺度分割中將近紅外波段權(quán)重設(shè)為2，其余設(shè)為1。先基于以上設(shè)置參數(shù)，對(duì)GF-2號(hào)影像進(jìn)行多尺度分割，然后依據(jù)每個(gè)分割尺度對(duì)應(yīng)的LV，通過(guò)公式計(jì)算相應(yīng)ROC值，得到ROC-LV曲線(xiàn)圖，如圖4所示。

圖4 分割尺度與ROC-LV關(guān)系

可以看出LV隨分割尺度增大而增大。因尺度越大，分割出的對(duì)象面積越大，相鄰對(duì)象的差異越明顯。ROC總體呈下降趨勢(shì)，在下降過(guò)程中存在明顯的峰值。峰值的分割尺度分別為52，68，82，104，130和134，利用其進(jìn)行分割對(duì)比實(shí)驗(yàn)。結(jié)合人工目視判斷方法對(duì)ESP2得出的最優(yōu)分割尺度可能值進(jìn)行判別，當(dāng)尺度參數(shù)為82時(shí)，防護(hù)林提取的效果最好。因此，研究區(qū)的最優(yōu)分割參數(shù)組合設(shè)為Scale=82，Shape=0.1，Compactness=0.5。

2.2 最優(yōu)特征空間及特征重要性選擇

在采用所有分類(lèi)器分類(lèi)之前，本研究基于隨機(jī)森林(RF)算法計(jì)算待篩選特征的特征重要性，以提取重要特征提高分類(lèi)效率與精度。從圖5中可以看出，隨著特征數(shù)量的增加，OOB誤分率呈逐漸下降的趨勢(shì)。這主要是由于多種特征的加入增加了特征空間的維度，提高了分類(lèi)器性能。當(dāng)特征數(shù)量增加至17之后，OOB誤分率趨于平緩，此時(shí)分類(lèi)器性能已經(jīng)達(dá)到飽和。隨特征數(shù)量繼續(xù)增加，并沒(méi)有出現(xiàn)明顯的“Hughes”現(xiàn)象，即冗余特征導(dǎo)致分類(lèi)精度下降的現(xiàn)象，這可能是由于特征數(shù)量不夠多或者特征與特征之間相關(guān)性較強(qiáng)所致。

圖5 特征數(shù)量與OOB誤分率的關(guān)系

從31個(gè)待選特征中，綜合利用Gini系數(shù)及袋外數(shù)據(jù)誤差評(píng)估特征重要性。如表3所示。從重要性排序可以看出波段比率特征(Ratio)與紋理特征綜合重要性排名靠前，表明這兩類(lèi)是分類(lèi)器的重要特征，對(duì)提取防護(hù)林有重要意義。將重要性排名前17位的特征參與所有分類(lèi)器計(jì)算，這些特征中包含了4個(gè)波段的波段比及藍(lán)、近紅外波段的均值，這也說(shuō)明了光譜特征是區(qū)分地類(lèi)的重要標(biāo)志。并且，邊界指數(shù)、寬度、緊湊度、密度、對(duì)稱(chēng)度這些形狀指數(shù)有效地區(qū)分了長(zhǎng)條狀林帶、類(lèi)似長(zhǎng)方形農(nóng)田建設(shè)用地，與不規(guī)則的水體及裸土。在研究過(guò)程中，通過(guò)特征空間優(yōu)化，顯著減少了訓(xùn)練耗時(shí)，并且通過(guò)優(yōu)化決策樹(shù)數(shù)量從1 000個(gè)降至369個(gè)，隨機(jī)森林訓(xùn)練器訓(xùn)練與分類(lèi)總耗時(shí)從23 h縮減到了12 h左右，提升了近一倍的分類(lèi)效率。

表3 Gini系數(shù)法與OOB誤差法綜合重要性得分排名前10的特征

2.3 不同分類(lèi)器分類(lèi)效果對(duì)比結(jié)果

結(jié)合實(shí)測(cè)數(shù)據(jù)得到367個(gè)包含防護(hù)林及其他類(lèi)別的空間分布數(shù)據(jù)，通過(guò)構(gòu)建TTA mask得到分類(lèi)結(jié)果混淆矩陣，經(jīng)計(jì)算得到用戶(hù)精度與生產(chǎn)者精度(表4)。對(duì)于防護(hù)林總體識(shí)別精度，四種分類(lèi)器均得到了較高的分類(lèi)精度，均大于94%。將CART、隨機(jī)森林、支持向量機(jī)、K-近鄰法驗(yàn)證結(jié)果進(jìn)行比較，隨機(jī)森林分類(lèi)器得到的用戶(hù)精度為四種分類(lèi)器中最高，達(dá)到93.5%，說(shuō)明隨機(jī)森林分類(lèi)器的分類(lèi)存在更少的錯(cuò)分現(xiàn)象。支持向量機(jī)法與K近鄰法生產(chǎn)者精度均為97.14%，說(shuō)明其分類(lèi)正確的防護(hù)林?jǐn)?shù)量最多。在兩種基于決策樹(shù)的算法中，隨機(jī)森林算法生產(chǎn)者精度與用戶(hù)精度和CART決策樹(shù)算法相近，用戶(hù)精度與SVM和KNN相差不多。整體而言，SVM與KNN總體分類(lèi)精度最高，均為96.19%，是更理想的分類(lèi)器。

表4 CART，RF，SVM，KNN分類(lèi)精度計(jì)算結(jié)果

選取4塊典型小區(qū)塊，將RF，CART，SVM和KNN的分類(lèi)結(jié)果與原始遙感影像圖進(jìn)行對(duì)比分析(圖6)。其中，區(qū)塊一為靠近城區(qū)的農(nóng)田防護(hù)林網(wǎng)，存在林帶斷帶。其分類(lèi)結(jié)果顯示，SVM(a)，RF(b)和KNN(d)的防護(hù)林提取效果均遠(yuǎn)好于CART(c)，相較于SVM，KNN的錯(cuò)分現(xiàn)象更多，RF(b)存在一定的防護(hù)林帶漏分，SVM結(jié)果中較好地顯示了斷帶信息。區(qū)塊二為距城區(qū)較遠(yuǎn)的農(nóng)田防護(hù)林網(wǎng)，周邊為裸露沙地，部分林帶樹(shù)間距較大，防護(hù)林稀疏。在區(qū)塊二內(nèi)，四種分類(lèi)器均提取出了零散防護(hù)林。SVM(a)與RF(b)的提取效果更好于CART(c)與KNN(d)，但SVM將部分細(xì)長(zhǎng)型田間道路也劃分為防護(hù)林帶，存在錯(cuò)分現(xiàn)象。RF的林帶提取結(jié)果中道路很少，用戶(hù)精度較高。區(qū)塊三為納林湖景區(qū)的一部分。在納林湖中有大面積的蘆葦(圖中左下)。四種分類(lèi)器均能較好地區(qū)分水體與非水體，而較難對(duì)蘆葦與喬木防護(hù)林進(jìn)行區(qū)分，其原因可能是蘆葦與防護(hù)林的光譜特征和紋理特征相近。區(qū)塊四為磴口縣城區(qū)，在道路兩旁有行道樹(shù)種植。四種分類(lèi)器均能提取城市道路防護(hù)林，但也有將房屋陰影錯(cuò)分為林帶的現(xiàn)象，RF(b)的分類(lèi)結(jié)果優(yōu)于其他分類(lèi)器，錯(cuò)分現(xiàn)象最少。

為深入探究各分類(lèi)器對(duì)蘆葦與防護(hù)林錯(cuò)分原因，分別對(duì)蘆葦與防護(hù)林帶提取特征均值并歸一化，進(jìn)行對(duì)比分析。在各分類(lèi)器的分類(lèi)結(jié)果中對(duì)蘆葦和防護(hù)林分別采樣300個(gè)樣本，計(jì)算樣本的31個(gè)特征均值，由圖7可知，四種分類(lèi)器應(yīng)用波段比特征、相關(guān)度和熵等特征較難區(qū)分蘆葦和防護(hù)林，而這些特征較多是特征重要性綜合排名較高的特征。斑塊長(zhǎng)寬比、灰度共生矩陣角二階矩、對(duì)比度和同質(zhì)性是蘆葦和防護(hù)林斑塊相差較多的特征，這些特征的特征重要性綜合排名較低，沒(méi)有被選入特征空間。對(duì)比四個(gè)分類(lèi)器，KNN分類(lèi)器提取所得的防護(hù)林特征值均較高，而蘆葦?shù)奶卣髦递^其他分類(lèi)器較低，四種分類(lèi)器均具有區(qū)分蘆葦和防護(hù)林的潛力。

由分類(lèi)結(jié)果的防護(hù)林分布圖(圖8)可知，磴口縣防護(hù)林主要分布在東部黃河流經(jīng)地區(qū)及城鎮(zhèn)周?chē)?，以及中部地區(qū)及農(nóng)田分布較密集的區(qū)域，而西北部山區(qū)及南部烏蘭布和沙漠幾乎沒(méi)有防護(hù)林存在，顯示出由荒漠到綠洲到城鎮(zhèn)的防護(hù)林體系空間遞變規(guī)律，以及防護(hù)林與水系的關(guān)系，其為維持荒漠綠洲穩(wěn)定性提供了較大幫助。四種分類(lèi)器中K近鄰分類(lèi)器(d)得到的防護(hù)林面積最大，為224.95 km2，隨機(jī)森林算法(b)得到的防護(hù)林面積最小，為143.89 km2，SVM與KNN得到防護(hù)林帶面積均在200 km2左右。RF與CART兩種基于決策樹(shù)算法的分類(lèi)器結(jié)果的邊長(zhǎng)面積比接近，均小于SVM與KNN，說(shuō)明基于決策樹(shù)算法的分類(lèi)器更傾向于提取形狀較圓潤(rùn)規(guī)則的斑塊作為防護(hù)林。根據(jù)2018年磴口縣統(tǒng)計(jì)公報(bào)，磴口縣森林覆蓋率為20.6%，且灌木喬木與其他類(lèi)型林地占比約為2∶2∶1，喬木林地為防護(hù)林的主要林種，去除西部陰山部分面積后，其面積約為210 km2。本研究得到2020年防護(hù)林(大多數(shù)為高大喬木，包含小部分高植株灌木)面積約為200 km2，與實(shí)際情況相符。

縱觀(guān)整體磴口縣分類(lèi)結(jié)果，綜合分類(lèi)精度、小區(qū)塊和宏觀(guān)面積考慮，SVM分類(lèi)器展示了較好的荒漠綠洲防護(hù)林提取能力，其分類(lèi)精度高，微觀(guān)小區(qū)塊內(nèi)準(zhǔn)確度高，總體防護(hù)林面積接近于實(shí)際面積，為最優(yōu)的防護(hù)林分類(lèi)器。但本研究基于上述方法，對(duì)于防護(hù)林的提取效果仍可能存在不足，例如，對(duì)于邊界規(guī)則的大面積防護(hù)林地，大多數(shù)用于提供樹(shù)苗或經(jīng)濟(jì)林，其樹(shù)高與農(nóng)田中植株高的作物相似，可能導(dǎo)致其誤分為農(nóng)田；對(duì)于邊界不規(guī)則防護(hù)林地，其形狀特征不明顯，內(nèi)部結(jié)構(gòu)雜亂，并且樹(shù)間距較大，露出林下地表，使得光譜特征存在干擾；對(duì)于蘆葦與防護(hù)林的混淆問(wèn)題，文中已做了分析，若將蘆葦作為單獨(dú)的地類(lèi)，則分類(lèi)效果可能會(huì)更好。此外，對(duì)于大范圍防護(hù)林提取，由于樹(shù)種、樹(shù)齡以及防護(hù)林種植數(shù)量差異，使得距離較遠(yuǎn)的兩個(gè)地區(qū)防護(hù)林光譜特征、形狀特征、紋理特征相差較大。因此，樣本選取必需遵循多區(qū)域、廣覆蓋、多樣本的規(guī)則，隨著未來(lái)傳感器與航天平臺(tái)的發(fā)展，更高分辨率的多波段大尺度影像將為提取防護(hù)林提供更多可能。在本研究中，特征空間優(yōu)化與參數(shù)優(yōu)化有效提升了荒漠綠洲防護(hù)林提取精度與效率，但在模型訓(xùn)練與應(yīng)用時(shí)，數(shù)據(jù)處理仍耗費(fèi)大量時(shí)間(20 h左右)。未來(lái)硬軟件技術(shù)的發(fā)展，將使識(shí)別提取防護(hù)林空間信息更加快速便捷。

3 結(jié) 論

基于GF-2號(hào)遙感數(shù)據(jù)，通過(guò)ROC-LV曲線(xiàn)圖獲取最優(yōu)分割參數(shù)，采用隨機(jī)森林(RF)算法優(yōu)化特征空間，結(jié)合誤差法(OOB error)與基尼系數(shù)(Gini)法篩選出參與分類(lèi)的最優(yōu)特征子集，對(duì)RF特征數(shù)量與決策樹(shù)數(shù)量、SVM懲罰系數(shù)與Gamma值進(jìn)行參數(shù)優(yōu)化，對(duì)比分析隨機(jī)森林(RF)、CART決策樹(shù)、支持向量機(jī)(SVM)、K-近鄰(KNN)四種分類(lèi)器并進(jìn)行驗(yàn)證，綜合評(píng)估荒漠綠洲防護(hù)林提取精度，確定荒漠綠洲防護(hù)林提取方法。研究結(jié)論如下：

圖6 四個(gè)區(qū)塊的防護(hù)林分類(lèi)結(jié)果

圖7 蘆葦與防護(hù)林帶特征值對(duì)比

圖8 研究區(qū)內(nèi)四種分類(lèi)器的防護(hù)林分布圖

(1)基于ROC-LV曲線(xiàn)(方差變化率-局部方差曲線(xiàn))方法，可得到最適合防護(hù)林提取的最優(yōu)分割尺度(scale parameter)。此方法大量節(jié)省了主觀(guān)選擇需要遍歷尺度參數(shù)所用時(shí)間，并且適用于形狀不規(guī)則的地物類(lèi)型，對(duì)于大尺度高分辨率影像分割地物顯著提升了效率。在本研究中，最優(yōu)分割尺度還可反映防護(hù)林帶斷帶信息。

表5 研究區(qū)總體分類(lèi)結(jié)果

(2)采用Gini系數(shù)與誤分率方法分別計(jì)算特征重要性并綜合排序篩選特征，可得到既有較好分類(lèi)效果，又最大程度減少冗余的分類(lèi)特征空間。結(jié)合模型參數(shù)優(yōu)化，分類(lèi)器訓(xùn)練與應(yīng)用耗時(shí)縮短了近一半。研究表明，對(duì)于荒漠綠洲防護(hù)林提取，波段比、均值、標(biāo)準(zhǔn)差與NDVI能較好反映不同地物的光譜差別。邊界指數(shù)、寬度、緊湊度這些形狀指數(shù)有效區(qū)分防護(hù)林與其他地物形狀差別。二次計(jì)算灰度共生矩陣得到的對(duì)比度(Contrast)、相關(guān)度(Correlation)、標(biāo)準(zhǔn)差(Std.Dev)與異質(zhì)性(Dissimilarity)能夠較好地從紋理特征角度區(qū)分荒漠綠洲區(qū)地類(lèi)。

(3)研究表明四種分類(lèi)器均有較好分類(lèi)效果，總體分類(lèi)精度均大于94%，GF-2號(hào)影像在提取荒漠綠洲防護(hù)林方面有極大應(yīng)用空間。其中，SVM分類(lèi)器可以最準(zhǔn)確地提取防護(hù)林，總體精度為96.19%，生產(chǎn)者精度達(dá)到97.14%。SVM分類(lèi)器在小區(qū)塊中提取精度較高，總體防護(hù)林面積為208.99 km2，接近于實(shí)際的210 km2，但其存在少量將狹窄路面、田間道路錯(cuò)分為防護(hù)林帶的現(xiàn)象。CART分類(lèi)器較其他分類(lèi)器，其防護(hù)林提取能力最弱。因此，在ROC-LV曲線(xiàn)方法提取最優(yōu)分割參數(shù)后，基于隨機(jī)森林方法優(yōu)化特征空間與參數(shù)優(yōu)化的SVM分類(lèi)器結(jié)合是本研究提取防護(hù)林的最好方法。

(4)GF-2號(hào)影像較適合荒漠綠洲區(qū)稀疏喬木的提取，因其影像分辨率高，并且?guī)в薪t外波段，可以把低分辨率遙感研究中以林網(wǎng)或林地為基本單元，轉(zhuǎn)變?yōu)橐詥螚l林帶作為基本研究單元，通過(guò)適宜的波段融合可以反映出更多小網(wǎng)格窄林帶的防護(hù)林信息，例如提取斷帶信息等林網(wǎng)結(jié)構(gòu)特征。