關(guān)鍵詞：高分二號(hào)； 最優(yōu)分割尺度； 有效尺度區(qū)間； 非監(jiān)督選擇； 樹種分類

中圖分類號(hào)：S757；TP75 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10. 7525/j. issn. 1006-8023. 2024. 06. 006

0引言

森林是陸地生態(tài)系統(tǒng)中的占地面積最大、結(jié)構(gòu)系統(tǒng)最復(fù)雜的重要組成部分，快速有效地獲取森林資源的種類、空間分布、數(shù)量是實(shí)現(xiàn)森林資源科學(xué)管理、可持續(xù)發(fā)展的必要條件，提高樹種分類的精度是關(guān)鍵［1-2］。隨著我國(guó)航天事業(yè)的發(fā)展，衛(wèi)星遙感技術(shù)能夠提供更易獲得、更豐富、更精確的地物信息，高分二號(hào)（GF-2）影像因具有米級(jí)空間分辨率在森林類型識(shí)別、樹種分類領(lǐng)域被廣泛應(yīng)用［3］。為充分利用圖像光譜和紋理信息并防止出現(xiàn)“椒鹽現(xiàn)象”，目前高空間分辨率遙感影像分類基本采用面向?qū)ο蟮姆治龇椒ǎ?-5］。而分割是面向?qū)ο蠓治龅那疤?，分割結(jié)果很大程度決定了地物信息提取和分類的結(jié)果，因此影像分割是樹種分類的必要條件［6-7］。

目前分割方法有基于像素閾值、基于邊緣監(jiān)測(cè)和基于區(qū)域生長(zhǎng)或分裂的幾種類型。得益于eCognition商業(yè)軟件的出現(xiàn)，針對(duì)高空間分辨率影像的分割研究，目前常用的影像分割技術(shù)是基于區(qū)域生長(zhǎng)的多分辨率分割算法（multi-resolution segmentation，MRS）［8］。由于影像分割的結(jié)果主要依賴于分割尺度，大量研究關(guān)注于最優(yōu)分割尺度（optimal scale parameter，OSP）的選擇，方法分為監(jiān)督分割質(zhì)量檢和非監(jiān)督分割質(zhì)量分析（也稱為非監(jiān)督分割尺度評(píng)價(jià)）。其中，非監(jiān)督分割尺度評(píng)價(jià)對(duì)于不同遙感影像的普適性較高，主要依靠面積加權(quán)方差（Weighted Variance，WV）作為對(duì)象內(nèi)同質(zhì)性評(píng)價(jià)指標(biāo)，莫蘭指數(shù)Ⅰ（Moran’s Ⅰ，MI）作為對(duì)象間異質(zhì)性評(píng)價(jià)指標(biāo)。其中效果較好的是分割尺度自動(dòng)評(píng)價(jià)（Estimated Scale Parameter，ESP）、全局評(píng)價(jià)指數(shù)（Global Score，GS）和總體優(yōu)度（Overall Goodness Fmeasure，OGF）［9］。ESP估計(jì)得到的OSP過(guò)多，且無(wú)法精準(zhǔn)得到不同類型地物的OSP，GS 得到的單一OSP無(wú)法同時(shí)實(shí)現(xiàn)不同地物的良好分割，而OGF評(píng)價(jià)指數(shù)能夠獲得不同偏向的OSP，但目前該指數(shù)僅在城市建設(shè)用地的提取上驗(yàn)證過(guò)有效性。

以往OSP 的提取是基于人為設(shè)置的尺度區(qū)間（即經(jīng)驗(yàn)尺度區(qū)間），然而這樣不可避免地產(chǎn)生主觀性，得到的分割尺度嚴(yán)重偏向過(guò)分割或欠分割［10］。

已有的研究結(jié)果發(fā)現(xiàn)，對(duì)于景觀單一的影像從建筑物群中提取單個(gè)建筑物、從山區(qū)中分離出不同的山地類型分割所需要的OSP 在尺度100 左右［11-12］。對(duì)于地物類型豐富的影像，為了實(shí)現(xiàn)不同地物類型的分離，分割在一個(gè)尺度下實(shí)現(xiàn)將導(dǎo)致結(jié)果出現(xiàn)過(guò)分割或欠分割，這是因?yàn)椴煌牡匚镱愋痛嬖诓煌墓庾V、紋理和形狀特征，最本質(zhì)的差距在于同一標(biāo)準(zhǔn)下各地物的同質(zhì)區(qū)域大小不同。對(duì)于影像分辨率在1～2 m的森林遙感影像，分離不同森林類型或樹種類型的OSP 可能在50～400［13-14］。這是因?yàn)樯制毡榇嬖谶@樣的分布模式，不同樹種隨機(jī)分布、純林與混交林共存、混交林樹種組成與混合比例不一致，導(dǎo)致即使是單一景觀的森林影像也存在不同大小的同質(zhì)區(qū)域，從而需要在幾個(gè)尺度下才能實(shí)現(xiàn)影像整體的較好分割。因此，不同樹種的OSP并不一定局限于某一尺度區(qū)間。廖娟［15］為了在復(fù)雜影像中提取不同地物的同質(zhì)區(qū)域，在“粗”到“細(xì)”分割的3種尺度區(qū)間中分別提取OSP，有效解決了不同類型地物分割結(jié)果不同步的問(wèn)題，但“粗”到“細(xì)”分割的尺度區(qū)間依然沒有一個(gè)明確的界定。鑒于此，為了實(shí)現(xiàn)影像樹種分類，更合理的方案應(yīng)該是獲取該影像所有可能的分割結(jié)果，根據(jù)影像的特點(diǎn)確定影像的有效尺度區(qū)間，再通過(guò)比較分割質(zhì)量確定OSP。而陳春雷等［16］和Wang等［17］的研究表明，公共邊加權(quán)的對(duì)象鄰域間差異性可以突出不同分割尺度間的差異，因此可以用該方法來(lái)指示有效尺度區(qū)間。

綜上所述，聯(lián)合公共邊加權(quán)的對(duì)象間異質(zhì)性指標(biāo)和面積加權(quán)方差構(gòu)建有效尺度區(qū)間估計(jì)函數(shù)（Effective Scale Estimation Function，ESF），并利用ESF估計(jì)影像分割尺度的“有效尺度區(qū)間”，運(yùn)用OGF評(píng)價(jià)指數(shù)提取各個(gè)區(qū)間的OSP，從而形成一種完全無(wú)監(jiān)督的OSP選取方法，避免經(jīng)驗(yàn)尺度區(qū)間導(dǎo)致OSP的提取出現(xiàn)偏差。通過(guò)非監(jiān)督提取不同有效尺度區(qū)間上的OSP，可以快速實(shí)現(xiàn)復(fù)雜森林所有地物類型的最佳分割，更適用于不同森林類型組成的GF-2影像面向?qū)ο筇崛『蜆浞N分類任務(wù)。

1研究方法與數(shù)據(jù)處理

1. 1研究區(qū)概況

研究區(qū)位于黑龍江省伊春市大箐山縣涼水國(guó)家級(jí)自然保護(hù)區(qū)（128° 47′8″E～128° 57′19\"E，47°6′49″N～47°16′10″N），保護(hù)區(qū)面積為121. 33 hm2，森林覆蓋率為98%。區(qū)內(nèi)有各種森林類型，該區(qū)地帶性植被是以紅松（Pinus koraiensis）為主的溫帶針闊葉混交林，具有較大的典型性和代表性。其他主要樹種為云杉（Picea asperata）、落葉松（Larix gmelinii）、冷杉（Abies fabri）和白樺（Betula platyphylla）等。

1. 2數(shù)據(jù)來(lái)源及預(yù)處理

本研究采用的影像數(shù)據(jù)為2017年7月7日獲取的GF-2相對(duì)輻射校正數(shù)據(jù)，影像波譜有紅光波段、綠光波段、藍(lán)光波段、近紅外波段以及全色波段。多光譜波段影像像元分辨率高達(dá)3. 2 m，全色波段影像像元分辨率高達(dá)0. 8m。

基于ENVI 5. 3軟件對(duì)GF-2遙感影像進(jìn)行預(yù)處理，主要是對(duì)影像進(jìn)行輻射校正和大氣校正，從而盡可能消除傳感器測(cè)量值與目標(biāo)光譜反射率的誤差以及進(jìn)行正射校正和地理配準(zhǔn)，從而減少幾何畸變的問(wèn)題。首先根據(jù)當(dāng)年影像波段的增益量和偏移量（獲取于中國(guó)資源衛(wèi)星應(yīng)用中心https：//www.cresda. com/zgzywxyyzx/index. html）對(duì)GF-2影像自帶的定標(biāo)數(shù)據(jù)進(jìn)行校驗(yàn)，從而完成輻射校正；然后根據(jù)影像獲取時(shí)間和衛(wèi)星軌道高度等信息，利用快速大氣校正模型（fast line-of-sight atmospheric analysisof spectral hypercubes，F(xiàn)LAASH）對(duì)影像進(jìn)行大氣校正；接著基于該影像自帶的有理多項(xiàng)式系數(shù)模型（Rational Polynomial Coefficients，RPC）文件在RPC正射校正流程化工具中對(duì)參數(shù)進(jìn)行優(yōu)化解算，結(jié)合30 m分辨率先進(jìn)星載熱發(fā)射和反射輻射儀全球數(shù)字高程模型（advanced spaceborne thermal emissionand reflection radiometer global digital elevationmodel，ASTER DEM）數(shù)據(jù)（獲取于https：//portal.opentopography. org）對(duì)影像進(jìn)行了3次卷積法重采樣處理，得到最終的正射校正影像；再采用最近鄰融合全色銳化（nearest neighbor diffusion pan sharpening）算法對(duì)全色波段和多光譜波段進(jìn)行影像融合，得到影像分辨率為1 m；最后使用谷歌地圖選擇20個(gè)地面控制點(diǎn)，并利用仿射變換模型對(duì)影像進(jìn)行了地理配準(zhǔn)，配準(zhǔn)后的整體均方根誤差（Root MeanSquare Error，RMSE）小于1 m，滿足幾何校正要求。根據(jù)涼水保護(hù)區(qū)的邊界矢量文件對(duì)影像進(jìn)行區(qū)域的裁剪和鑲嵌。

本研究在保護(hù)區(qū)中選擇一片較為典型的森林區(qū)域進(jìn)行試驗(yàn)，該區(qū)域樹種組成豐富，純林和混交林、人工林和天然林的比例較為均衡，對(duì)應(yīng)的影像像素大小為1 000×1 000。地面數(shù)據(jù)為研究區(qū)2017年森林二類調(diào)查矢量數(shù)據(jù)，包含小班的優(yōu)勢(shì)樹種及樹種組成系數(shù)等，覆蓋區(qū)域含有白樺、紅松、落葉松、云杉、冷杉5種優(yōu)勢(shì)樹種，相應(yīng)的小班數(shù)量分別為4、10、1、3、3個(gè)。試驗(yàn)區(qū)的森林類型有白樺純林、紅松純林、帶狀人工落葉松林、塊狀人工云杉林，以及白樺、紅松、云杉和冷杉混交林。

1. 3研究方法

1. 3. 1 MRS影像分割

基于eCognition Developer 10. 3軟件實(shí)現(xiàn)MRS算法。這是一種自底向上的區(qū)域生長(zhǎng)合并算法，并依次合并滿足同質(zhì)性準(zhǔn)則的一對(duì)對(duì)象。該算法需要設(shè)定3類參數(shù)，分別為影像各個(gè)波段權(quán)重、分割尺度和同質(zhì)性準(zhǔn)則參數(shù)組合。對(duì)于同質(zhì)性準(zhǔn)則參數(shù)組合，一般設(shè)置形狀因子和緊致度因子即可。

試驗(yàn)中，影像波段的權(quán)重比為藍(lán)光波段、綠光波段、紅光波段、近紅外波段之比等于1∶1∶1∶1。而同質(zhì)性準(zhǔn)則參數(shù)組合通過(guò)遍歷參數(shù)的方式，以符合影像樹種邊緣及大小為標(biāo)準(zhǔn)判斷形狀因子和緊致度因子的取值，最終形狀因子權(quán)重為0. 5，緊致度因子權(quán)重為0. 7。為評(píng)估影像所有可能的分割尺度的分割效果，影像從像素級(jí)別開始，依次合并圖中合并代價(jià)最低的2個(gè)對(duì)象，最后將一整幅影像作為一個(gè)對(duì)象［18］。MRS算法具有參數(shù)少、能夠靈活實(shí)現(xiàn)不同應(yīng)用目的的優(yōu)勢(shì)，同時(shí)在算法執(zhí)行過(guò)程中僅有合并區(qū)域產(chǎn)生變化，使不同尺度下影像分割結(jié)果具有可比性［19］。

1. 3. 2有效尺度估計(jì)與非監(jiān)督分割尺度評(píng)價(jià)

按照最相似的對(duì)象對(duì)最先被合并的原則，MRS算法執(zhí)行過(guò)程中，對(duì)象對(duì)合并的初始階段將發(fā)生在各類地物內(nèi)部。然而，GF-2影像具有空間分辨率高、光譜特征細(xì)節(jié)化的特點(diǎn)，即使是同質(zhì)性較強(qiáng)的地物（如水域）也存在一定的類內(nèi)方差［20］。圖像分割的本質(zhì)是形成同質(zhì)區(qū)域，因此圖像各地物內(nèi)部首先形成若干個(gè)同質(zhì)區(qū)域，因此這段過(guò)程可以稱為“均勻合并”［21］。隨著分割尺度的提高，相鄰相似對(duì)象對(duì)不斷減少，圖像對(duì)象將逐漸構(gòu)成地物而不是地物的同質(zhì)區(qū)域，分割尺度將逐漸接近各類地物的OSP。

由此可以假設(shè)，在對(duì)象對(duì)合并的初始階段，像素點(diǎn)分別合并成各樹冠亮部、陰影區(qū)域，這個(gè)過(guò)程為“均勻合并”。隨著合并的進(jìn)行，相似相鄰的樹冠亮部與陰影將被合并成較大的樹冠區(qū)域，當(dāng)區(qū)域內(nèi)某類樹種的相鄰位置均為異類樹種時(shí)，對(duì)應(yīng)的分割尺度為該樹種的OSP。不難理解，樹冠和陰影絕對(duì)分離的狀態(tài)為絕對(duì)過(guò)分割，因此“均勻合并”的結(jié)束尺度可以視為圖像的“有效合并起點(diǎn)”，所有可能的OSP應(yīng)該在“有效合并起點(diǎn)”之后。而不同地物類型具有不同的OSP，本研究定義圖像中OSP的最小值到最大值區(qū)間的任一分割尺度為有效尺度（EffectiveScale，ES，式中記為ES）。以往研究發(fā)現(xiàn)，公共邊加權(quán)的對(duì)象鄰域間差異性可以增大對(duì)象間異質(zhì)性，從而突出不同分割尺度間的分割質(zhì)量差異，因此可以用該方法來(lái)指示分割尺度的有效性。

本研究中，首先計(jì)算公共邊加權(quán)的對(duì)象鄰域間差異性指標(biāo)C 估計(jì)“有效合并起點(diǎn)”，計(jì)算公式為

2結(jié)果與分析

2. 1有效尺度估計(jì)結(jié)果與最優(yōu)分割尺度

MRS算法所記錄的全局尺度為［0.69，1378. 06］，通過(guò)對(duì)各對(duì)象同質(zhì)性、異質(zhì)性指標(biāo)分量進(jìn)行加權(quán)平均、歸一化及聯(lián)合處理，得到全局尺度上歸一化后的MI、WV、C和ESF隨分割尺度變化的曲線，如圖1所示。

由圖1（a）可以看出，代表對(duì)象內(nèi)部同質(zhì)性的歸一化WV總體呈減小趨勢(shì)，表明對(duì)象內(nèi)部同質(zhì)性逐漸下降；代表對(duì)象外部異質(zhì)性的歸一化MI總體上先急劇增加，說(shuō)明影像對(duì)象外部異質(zhì)性逐漸增加，在尺度450后圍繞一定水平上下波動(dòng)，說(shuō)明異質(zhì)較大的對(duì)象對(duì)被迫合并，以及影像對(duì)象數(shù)量減少導(dǎo)致統(tǒng)計(jì)不穩(wěn)定。代表對(duì)象間增大型異質(zhì)性的歸一化C 與MI有一定區(qū)別，C的變化趨勢(shì)總體分為3個(gè)部分，在較小尺度區(qū)間急劇下降，達(dá)到一個(gè)最低點(diǎn)后持續(xù)升高，在較大的分割尺度區(qū)間持續(xù)降低。由圖1（b）可以看出，不同α 因子的ESF都有一個(gè)相似的變化趨勢(shì)，整體上先減小達(dá)到一個(gè)極小值，然后增大達(dá)到一個(gè)極大值，最后再減小。與影像整個(gè)分割尺度的變化范圍相比，不同α 因子的ESF在達(dá)到極小值前分割尺度的變化范圍很小。在ESF急劇下降的尺度區(qū)間內(nèi)，ESF的變化是由歸一化后的WV和C的急劇減小導(dǎo)致的，ESF升高是由C 增加導(dǎo)致的，因此ESF的極小值也能反映“有效合并起點(diǎn)”?！坝行Ш喜⑵瘘c(diǎn)”后ESF反映了影像中較大公共邊對(duì)象對(duì)的異質(zhì)性，因此改變?chǔ)量梢哉{(diào)整不同區(qū)間定義較大公共邊對(duì)象對(duì)的閾值。

ESF_α=1的第1個(gè)極小值確定的“有效尺度起點(diǎn)”為尺度53. 78，“有效尺度起點(diǎn)”后極大值為尺度102. 64，其與ESF_α=2極大值確定的有效尺度區(qū)間Ⅰ為［102. 64，150. 25］，其與ESF_{α=0. 5} 極大值確定的有效尺度區(qū)間Ⅱ?yàn)椋?50. 25，251. 43］，與ESF_{α=0. 33}極大值確定的有效尺度區(qū)間Ⅲ為［150. 25，372. 38］。

在不同區(qū)間上對(duì)MI和WV進(jìn)行歸一化、聯(lián)合計(jì)算，OGF指示的OSP，如圖2所示。

由圖2可以看出，OGF在不同的尺度區(qū)間上和不同β 下都有不同的變化趨勢(shì)，所對(duì)應(yīng)的OSP有不同的分布。

由圖2（a）可知，不同β 因子下的OGF在全局尺度下的變化都有一個(gè)相似的趨勢(shì)，總體上為先急劇增大，然后緩慢或波動(dòng)性減小。同時(shí)，全局尺度下的所有OSP集中在整個(gè)尺度區(qū)間的較小值。全局尺度下，β 因子的值越大，較小尺度的OGF越大于較大尺度的OGF，OSP將偏向較小尺度；β 因子的值越小，較大尺度的OGF越大，OSP將偏向較大尺度，但OSP依然處于尺度區(qū)間的較小值。

由圖2（b）—圖2（d）可知，不同β 因子下的OGF在有效尺度區(qū)間的變化波動(dòng)較大。有效尺度區(qū)間Ⅰ的OGF 總體有1～2 個(gè)峰值段，較大β 因子下的OGF對(duì)應(yīng)的OSP集中在區(qū)間的前半段，較小β 因子下則集中在區(qū)間的后半段。有效尺度區(qū)間Ⅱ和Ⅲ的OGF都有1～3個(gè)較明顯的峰值段，不同β 因子下所對(duì)應(yīng)的OSP的跨度較大。綜合這3個(gè)子圖可以發(fā)現(xiàn)，有效尺度區(qū)間上的OSP跨度較大。

將圖2中不同β 因子的OGF對(duì)應(yīng)的OSP列出便于進(jìn)一步分析和評(píng)估，結(jié)果見表1。

由表1結(jié)果可知，不同β 因子的OGF和OSP之間并不是簡(jiǎn)單的線性變化，而是具有“閾值效應(yīng)”，即β 因子在一定的閾值內(nèi)，OGF得到的OSP是一樣的。在全局尺度、有效尺度區(qū)間Ⅰ、Ⅱ和Ⅲ上，OGF指數(shù)在7個(gè)不同的β 因子水平下分別得到了6、5、3和4個(gè)不同的OSP。

2. 2分割質(zhì)量檢驗(yàn)結(jié)果

2. 2. 1監(jiān)督分割精度分析

為評(píng)價(jià)有效尺度區(qū)間對(duì)提取OSP的有效性，篩選出以下感興趣尺度并對(duì)相應(yīng)的分割結(jié)果進(jìn)行分割質(zhì)量檢驗(yàn)，有效尺度區(qū)間的起點(diǎn)（ESFmin）、終點(diǎn)（ESFmax）和區(qū)間內(nèi)的OSP，以及全局尺度得到的OSP。圖3為按照各類樹種區(qū)域計(jì)算的不同尺度下Precision、Recall和F-measure指標(biāo)。

Precision對(duì)欠分割敏感，值越低表明欠分割越嚴(yán)重，該值隨著合并過(guò)程越來(lái)越小；Recall對(duì)過(guò)分割敏感，值越低表明過(guò)分割越嚴(yán)重，該值隨著合并過(guò)程越來(lái)越大，但當(dāng)該值減小時(shí)，說(shuō)明其他類型地物侵占了該類型的區(qū)域。以F-measure極大值對(duì)應(yīng)的分割尺度作為最佳分割的分割尺度。

由圖3結(jié)果可知，白樺純林、紅松純林、人工落葉松林在尺度328. 42 得到了最佳分割，人工云杉林、紅松混交林和冷杉混交林則在尺度194. 21得到了最佳分割，白樺混交林和云杉混交林則在尺度152. 49得到了最佳分割。在所有尺度區(qū)間的OGF得到的OSP中，白樺純林、紅松純林、人工云杉林、人工落葉松林、白樺混交林、紅松混交林、云杉混交林和冷杉混交林的最高F-measure分別為0.8399、0.796 2、0.7352、0. 8733、0. 8082、0. 7311、0.760 2和0. 7909。由表1和圖3的結(jié)果看，有效尺度區(qū)間Ⅲ得到的分割結(jié)果實(shí)現(xiàn)所有森林類型的最佳分割，且區(qū)間內(nèi)OGF確定的OSP所得分類精度優(yōu)于或等于鄰近尺度的分割精度。

另外，除了紅松混交林外，其他森林類型在最佳分割下Precision 均大于0.8，說(shuō)明本研究提取的OSP是有效的；白樺純林、人工落葉松林和白樺混交林在最佳分割下的Recall均大于0.8，其他森林類型的Recall較低，說(shuō)明MRS算法在森林影像中容易導(dǎo)致過(guò)分割。觀察純林和人工林在感興趣尺度區(qū)間上的分割精度，隨著分割尺度的增加，Precision而呈“線性”緩慢降低，白樺純林和人工落葉松林的Recall逐步增加，紅松純林和人工云杉林的Recall則分別在尺度328. 47和尺度194. 21后出現(xiàn)下降，說(shuō)明存在較明顯的欠分割。觀察混交林在感興趣尺度區(qū)間上的分割精度，隨著分割尺度的增加，Precision呈“指數(shù)”下降，Recall則先上升后下降，下降說(shuō)明混交林有被其他類型地物侵占的情況。另外在尺度194. 21后，紅松混交林和冷杉混交林的Recall的下降幅度較白樺混交林和云杉混交林的小，說(shuō)明前2種森林類型區(qū)域被侵占的情況較輕微。

2. 2. 2目視判讀

以F-measure作為評(píng)價(jià)標(biāo)準(zhǔn)，用谷歌影像檢驗(yàn)各森林類型的最佳分割結(jié)果，如圖4所示。

由圖4可知，各森林類型的最佳分割效果均符合人眼視覺，特別是白樺純林、紅松純林、人工落葉松林以及紅松混交林。在尺度328. 42下，白樺純林與周圍的紅松混交林、云杉混交林、冷杉混交林相分離，紅松純林與周圍的白樺純林相分離；在尺度194. 21下，紅松混交林與周圍的白樺純林和云杉混交林相分離，冷杉混交林與周圍的白樺混交林和云杉混交林相分離，但存在一定的欠分割情況，人工云杉林的分割邊界與實(shí)際情況相符，但有一定的過(guò)分割情況；在尺度152. 49下，白樺混交林和云杉混交林都與周圍的冷杉混交林有一定的混合情況。

3討論

圖1（a）中，C 變化的前2個(gè)部分（前一段急劇下降與后一段同MI 一起升高，MI 持續(xù)升高）形成對(duì)比，說(shuō)明對(duì)象間異質(zhì)性增加分為2個(gè)階段。這是因?yàn)樵趯?duì)象對(duì)合并初期，各相鄰對(duì)象對(duì)的公共邊差異較小，對(duì)象間的差異由樹冠陰影和亮部間的差異決定，當(dāng)對(duì)象合并到一定階段時(shí)，對(duì)象間的差異再由公共邊較長(zhǎng)的對(duì)象對(duì)間的差異決定。

從定量與定性的結(jié)果可知，各森林類型的最佳分割結(jié)果出現(xiàn)在不同的分割尺度下。MRS算法的分割結(jié)果普遍存在一定程度的過(guò)分割，這可能是因?yàn)榱址种衅毡榇嬖陉幱?，?dǎo)致樹冠亮部與暗部的對(duì)象內(nèi)部像元灰度值有差異，從而影響MRS分割算法對(duì)對(duì)象光譜異質(zhì)性的判斷。對(duì)所有森林類型來(lái)說(shuō)，全局尺度下得到的OSP 集中在整個(gè)尺度的前5. 33%，對(duì)應(yīng)的Recall值均在0. 5以下表明了嚴(yán)重過(guò)分割，這是因?yàn)楫?dāng)某些樹冠亮部和暗部分別實(shí)現(xiàn)較優(yōu)的分割時(shí)，影像整體的對(duì)象間異質(zhì)性急劇增加，結(jié)合這時(shí)精細(xì)尺度的對(duì)象內(nèi)部高同質(zhì)性將導(dǎo)致OGF指數(shù)指示的OSP偏向過(guò)分割尺度。有效尺度區(qū)間Ⅰ、Ⅱ和Ⅲ的結(jié)果表明，OGF對(duì)尺度區(qū)間的依賴較大，ESF需要調(diào)整合適的α 才能找到準(zhǔn)確的有效尺度區(qū)間。

隨著區(qū)域合并的進(jìn)行，不同的分割尺度得到的分割結(jié)果呈階段性變化。由圖3可知，Recall值在尺度9. 22～73. 45，4 個(gè)混交林的Recall 平均值比純林和人工林的大2～3倍，說(shuō)明在小尺度階段，混交林區(qū)域的對(duì)象合并更接近地物大??；當(dāng)混交林達(dá)到最佳分割后，Recall和Precision迅速降低，而純林的Recall不斷增加且Precision 沒有明顯降低，說(shuō)明混交林之間開始進(jìn)行異類合并，純林內(nèi)部同質(zhì)區(qū)域依然進(jìn)行同類合并。這是由于森林類型內(nèi)在的空間分布導(dǎo)致的，因?yàn)榛旖涣钟刹煌瑯浞N組成，在同樣的尺度（對(duì)應(yīng)地物的面積大?。┫禄旖涣謨?nèi)部的同質(zhì)性低于純林，因此混交林和純林達(dá)到最佳分割的尺度具有先后性。在尺度194. 21后，紅松混交林和冷杉混交林區(qū)域被侵占的情況較白樺混交林和云杉混交林的少，這是因?yàn)榧t松的樹冠紋理比其他3種樹種的更粗糙，不容易被合并其他類型里；而冷杉混交林的周圍基本為白樺或云杉，冷杉與白樺在光譜上差異較大，冷杉在影像上的顏色較云杉的更亮一些，同時(shí)該區(qū)域的冷杉分布較集中，因此也不容易被合并到其他類型中；白樺在混交林中分布較少且常伴生于冷杉混交林中，云杉混交林的分布區(qū)域比較不規(guī)則，且容易被周圍的紅松合并。在尺度49. 95前，各森林類型Precision 基本不變且均高于0. 9433，說(shuō)明對(duì)象對(duì)合并初期發(fā)生在各地物內(nèi)部，也印證C 可以指示影像的“有效合并起點(diǎn)”（尺度53.78）。由圖3和圖4可知，優(yōu)勢(shì)樹種相同的白樺純林和白樺混交林，其最佳分割出現(xiàn)在不同的分割尺度上，而優(yōu)勢(shì)樹種不同的白樺純林和紅松純林，其最佳分割結(jié)果出現(xiàn)在同一分割尺度上，因此可以認(rèn)為樹種不同導(dǎo)致的分割尺度差異小于森林類型不同導(dǎo)致的分割尺度差異，原因可能是GF-2遙感影像存在“像元混合”的情況，對(duì)于茂密森林來(lái)說(shuō)，單株樹冠紋理與樹種組成的紋理相比影響較小。而人工云杉林的OSP小于人工落葉松林，可能是因?yàn)榍罢邽閴K狀人工林，與后者帶狀人工林相比內(nèi)部的陰影更少，紋理更平滑；同時(shí)前者與周圍紅松純林和白樺混交林光譜或紋理相差較小，尺度過(guò)大會(huì)導(dǎo)致異類合并，而后者周圍均為光譜差距較大的樹種。

劉金麗［24］的研究設(shè)置了經(jīng)驗(yàn)尺度序列（50～500，步長(zhǎng)為25）并得出1個(gè)OSP（尺度259），沒有同時(shí)實(shí)現(xiàn)不同樹種或森林類型的較好分割；毛學(xué)剛等［25］的研究同樣設(shè)置了經(jīng)驗(yàn)尺度序列（25～250，步長(zhǎng)為25）并得出3個(gè)樹種的OSP（尺度75、100、150），但所得OSP 并不一定是所有分割尺度的最佳值。而本研究則比較了影像所有可能的分割尺度，得出了3個(gè)OSP（尺度152. 49、194. 21、328. 47），實(shí)現(xiàn)了該算法下不同森林類型的最佳分割，避免遺漏較優(yōu)的分割結(jié)果。

通過(guò)得出影像所有可能的分割結(jié)果，比較了本研究得出的OSP和相鄰尺度的分割精度，本方法的優(yōu)點(diǎn)在于可以調(diào)整α 得到適合影像類型的有效尺度區(qū)間，使不同的森林類型得到了最佳分割效果（Fmeasure均高于0. 7），避免在錯(cuò)誤的尺度區(qū)間上進(jìn)行分割結(jié)果的提取。通過(guò)整合各森林類型的最佳分割結(jié)果，能夠滿足影像整體分割效果最佳，有利于復(fù)雜森林的樹種分類，解決了目前無(wú)法同時(shí)實(shí)現(xiàn)影像不同地物最佳分割的問(wèn)題。對(duì)于同樣使用區(qū)域合并型算法進(jìn)行分割的其他類型的影像，可以從所有可能的分割結(jié)果中提取有效尺度區(qū)間，然后基于OGF 得出適應(yīng)于影像本身的OSP。然而研究也存在一定局限，只能提取分割算法對(duì)圖像產(chǎn)生的最佳分割結(jié)果，無(wú)法提高影像分割的質(zhì)量，今后可以在本研究的基礎(chǔ)上進(jìn)一步比較不同分割算法對(duì)樹種分類任務(wù)的適用性。

4結(jié)論

利用MRS 算法分割GF-2 遙感影像，計(jì)算每一分割結(jié)果的對(duì)象間異質(zhì)性指數(shù)（MI）、對(duì)象內(nèi)部同質(zhì)性指數(shù)（WV）和公共邊加權(quán)的局部對(duì)象間差異指數(shù)（C），提出有效尺度估計(jì)函數(shù)ESF并結(jié)合OGF對(duì)影像OSP進(jìn)行非監(jiān)督選擇，最后采用監(jiān)督分割質(zhì)量分析（Precision、Recall 和F-measure）和目視判讀的方式驗(yàn)證本方法的有效性。定量和定性的結(jié)果表明，OGF 對(duì)尺度區(qū)間的依賴很大但可以指示影像的OSP，所得分割結(jié)果的F-measure均高于0. 7，ESF確定有效尺度區(qū)間能夠有效避免純林、人工林的OSP處于過(guò)分割階段，使不同森林類型相分離。GF-2遙感影像優(yōu)勢(shì)樹種的OSP不僅和樹種有關(guān)，還和森林類型有關(guān)，因此后續(xù)利用分割結(jié)果進(jìn)行特征提取和樹種分類時(shí)，應(yīng)按照不同的森林類型提取分割結(jié)果。