基于SPOT5遙感影像的小班區劃技術1)

吳春爭 馮益明 舒清態 李增元 武紅敢 車騰騰

(西南林業大學，昆明，650224) (中國林業科學研究院荒漠化研究所) (西南林業大學) (中國林業科學研究院資源信息研究所)

遙感技術的應用是森林資源調查技術的主要發展方向。近年來，隨著高分辨率圖像的產生，以SPOT5為主的高空間分辨率遙感數據被廣泛應用于森林資源調查中［1］。當前，在對高空間分辨率遙感影像分類方法上，面向對象的影像分類方法由于能夠充分挖掘高空間分辨率遙感數據中的紋理、形狀及空間關系等信息而得到了廣泛應用［2-4］。而傳統基于像元的分類方法，僅僅利用了單一的影像光譜信息，根據待分類像元與某類像元的亮度特征的相似性來將它們劃分歸類，未能充分利用遙感圖像提供的大小、形狀、紋理、相鄰像素間的關系等形狀和空間位置特征，從而導致對高空間分辨率遙感數據分類時，像元級分類方法的精度較基于對象分類方法低。高空間分辨率遙感數據的獲取在近年森林資源調查中主要采用兩種技術方法［5］：一是以地形圖為工作手圖進行野外現場勾繪;二是通過計算機人機交互判讀，直接在計算機上采用屏矢量化方法勾繪小班邊界，通過目視解譯方法判讀土地各類、優勢樹種等調查因子。顯然，基于高空間分辨率遙感影像進行目視解譯是當前小班區劃的一種趨勢［6］。但不同人在目視解譯時，對影像的判讀存在差異，也易造成區劃的不一致。為此，本文借助自主開發設計的森林資源調查系統，在森林資源小班區劃邊界控制條件下，采用基于面向對象和規則的影像分類方法對SPOT5遙感影像進行多尺度、多層次的分割分類［7-8］，并以此為基礎，按照小班區劃劃分條件，對不符合小班區劃要求的區域進行手工交互操作，完成小班邊界提取的工作，為森林資源調查提供有效途徑。

1 試驗區及數據源

研究地區為金溝嶺林場，位于吉林省汪清縣境內東北部，東經 130°05'～130°19'、北緯 43°17'～43°25'，總面積 16 286 hm2。金溝嶺屬長白山系老爺嶺山脈雪嶺支脈，地貌屬低山丘陵，海拔300～1 200 m，坡度一般在10°～25°，個別陡坡在35°以上。林區屬季風型氣候，全年平均氣溫為3.9℃左右，多年平均年降水量650 mm。該林區屬吉林省東部山地溫帶濕潤針闊葉混交林地帶的長白山紅松云冷杉針闊混交林小區，其原生植被為紅松針闊混交林，但經過長期的經營活動及其他人為干擾，部分天然紅松針闊混交林已經演替成多種森林類型，還有相當部分經人工造林成為落葉松、紅松和云杉純林。

數據來源于吉林省汪清林業局的SPOT5全色與多光譜數據，影像范圍為 130°05'～130°19'E、43°17'～43°25'N，影像獲取時間為2008年10月12日，空間分辨率為2.5 m。此外，還有SPOT5影像正射校正用的1∶10 000的DEM數據。在影像分類前需要對影像進行正射校正、圖像光譜增強等處理［9］，使其更利于圖像分割及信息的提取。從性價比來說，選用SPOT5影像進行森林資源規劃設計調查，相對其他高分辨率影像，如QuickBird和IKNOS有較明顯的優勢。此外，還選用了大的地性線及林班邊界參與影像分割。

2 研究方法

2.1 面向對象分類技術流程

研究采用基于面向對象的分類方法進行多尺度分割和多層次分類實現地物的分層提取。其具體流程如圖1所示。首先，在大的地性線與已有林班線等邊界控制條件下，對SPOT5遙感影像進行多尺度分割，并輸出矢量化結果，建立“對象”的拓撲關系。其次，借用多尺度分割結果，綜合考慮影像分割的上下文關系，結合分割對象的特征標識，對影像分割結果進行地塊類型識別，形成小班區劃初步結果。從初步結果中提取出有林地，并在有林地地塊控制范圍內再次運行分割算法，輸出矢量化結果，與第一次的分割矢量化結果進行疊加分析，形成小班區劃第二次結果。如果對第二次小班區劃結果不滿意，則進行手工交互修改，形成最終的小班區劃結果。

圖1 面向對象分類技術流程

2.2 影像多尺度分割

在系統中對影像進行多尺度分割。圖像分割是面向對象技術的基礎［10］，是將一幅圖像分割為空間上連續的、互不重疊的和一致性的區域［11］。

在文中，影像的分割結合基于SPOT5影像的林業分類標準(表1)分兩次進行：先進行較大尺度的分割，對分割圖像進行基于規則的分類，得到有林地(喬木林);其次再對喬木林進行較小尺度的分割，即基于分類的分割，旨在有林地中提取三級類，即對針葉林、闊葉林和混交林進行提取。其中，SPOT5影像的4個波段及地性線和林班邊界專題圖層都參與了分割。為達到對地物的有效分割，經過反復試驗并通過目視比較，得到最終分割的參數，見表2。

2.3 分類規則及信息提取

多尺度分割后，影像的基本單元已不是單個像元，而是由同質像元組成的多邊形對象。面向每一多邊形對象，可計算出所包含像元的光譜信息，以及多邊形的形狀信息、紋理信息、位置信息、多邊形間的拓撲關系信息等。具體的分類規則可以充分利用對象所提供的各種信息進行組合，以提取具體的地物。不同層次可以針對特定地物建立各自規則。

表1 基于SPOT5影像的林地分類系統

表2 分割參數

分類系統的建立是規則建立的基礎，文中根據研究的目的，結合表1中的基于SPOT5林業分類標準建立了分類體系，見圖2。根據前期對研究區域的考察，試驗區中不包含紅樹林和竹林，故在類層次結構建立中不包括這兩類。

圖2 類層次結構

利用系統中的模糊閾值分類方法分析影像對象，將各個類別的規則轉化為一系列的表達式。分類規則可以只有一個條件或者包含幾個條件的組合。因為有可能一個對象需要滿足大量的條件才可以賦給某一類。條件組合用“邏輯與and”、“邏輯或 or”和“邏輯非 not”連接起來，具體的規則如表3所示，其中判據值大小的確定主要依靠人機交互來完成。

在層1中，通過設置隸屬函數，利用基于規則分類的方法初次提取出表3中的5種地物。由于歸一化植被指數(Normalized Difference Vegetation Index，以I表示)值對區分植被與非植被比較有效，所以可以用其來區分開建筑物、道路等林業其他用地與植被。另外，林業其他用地在近紅外波段的灰度共生矩陣光譜均值較其他地類有較高的數值，用此特征和指數I進行“邏輯與”組合提取出林業其他用地。由于疏林地的郁閉度小于或等于0.3，通過觀察，疏林地在指數I值域里有較小的值，在紅光波段與近紅外波段有較大的光譜值，故組合這些條件提取出疏林地。灌木林在影像上的紋理同質性與異質性表現較敏感，而且在短波紅外波段上有較高的光譜值，選取適當的邏輯組合提取出了灌木林。在SPOT5影像中，苗圃地的紋理較均勻，且在紅光波段上有較高的標準差，進而提取出苗圃地，最后在層1中將剩余未分類部分歸為有林地，層1的分類結果見圖3。

表3 影像分類規則

圖3 層1的分類結果

通過以上基于規則的分類，5種地物分類已經完成，但有林地斑塊面積還很大，每個斑塊內還包含多個森林覆蓋類型，還需要作進一步的詳細分類，因此在層1中，針對有林地進行小尺度的分割，并生成新的圖層，形成了層2。根據對歷年森林資源設計調查資料的分析，在層2中將有林地類型細分為針葉林、闊葉林和針闊混交林3個類型。針闊之間主要依據紋理來區分，針葉林的顆粒感較細，闊葉林有較強的顆粒感。另外，針葉林在影像中有較小的亮度值，而闊葉林在紅光波段和近紅外波段有較高的光譜值，綜合這些特征，用“邏輯或”連接它們提取針葉林與闊葉林。最后，將未分類的部分歸為針闊混交林。在影像自動化分類中難免會有錯分和漏分的影像對象，需要適當地利用手工交互進行修改，最終的分類結果見圖4。

2.4 編輯分類結果

影像分割、分類結果經過柵格矢量化處理后，利用系統中小班遙感區劃編輯功能模塊對輸出矢量結果不符合規定的部分進行編輯處理。首先對其進行光滑處理，并參考影像及小班劃分約束條件，對不符合小班區劃要求的斑塊進行適當的手工交互編輯，形成的小班區劃結果如圖5所示。

圖4 層2的分類結果

圖5 小班區劃結果

3 精度評價

遙感分類結果和地面實際情況總是存在一定的誤差，對分類結果進行精度評價和分析是檢驗技術手段可行性的有效方法。本文利用混淆矩陣［12］、分類總體精度和kappa系數對分類結果進行精度評價，驗證樣地以2007年該區域二類調查數據為基礎，并經實地調查確認，如表4所示。從表中4可以發現，利用該方法進行分類，結果是令人滿意的，能夠滿足基本林業生產需求。

表4 分類精度評價像素

4 結果與討論

研究中，采取大的地性線與已有林班線為邊界控制條件，對影像進行邊界控制條件下的多尺度、多層次分割，在此基礎上進行小班區劃，得到了較好區劃精度。可以為解決森林資源自動區劃提供一種有效途徑。

采用基于面向對象的分類方法，不僅利用對象的光譜特征，而且更充分利用了對象的空間特征，這使得一些通過光譜特征很難區分或者根本無法區分的地物很容易被提取出來。此外，研究中采用的面向對象遙感圖像分類方法，不僅能夠充分利用高分辨率遙感圖像豐富的空間信息，自動提取現實世界中的地理目標，而且還能輸出帶有屬性表的多邊形，解決森林資源用圖的及時更新。

雖然基于多級分割和規則設置的面向對象分類方法能取得較高的分類精度，但是在分類過程中分割尺度和規則的選取設置都需要人工參與，對分類者的要求較高，因此，降低人為干預和提高效率問題，值得進一步的研究。

基于遙感影像計算機自動解譯的小班區劃結果與人為的主觀區劃結果肯定存在一定的差異，但遙感影像計算機自動解譯的結果符合實際生產應用，基本達到了要求。

［1］鄭天水.SPOT5衛星遙感信息在森林資源調查中的應用現狀與解決思路［J］.林業調查規劃，2006，31(5)：24-28.

［2］Barrile V，Bilotta G.Object-oriented analysis applied to high resolution satellite data［J］.WSEASTransactions on Signal Processing，2008，4(3)：68-75.

［3］Benz U C，Hofmann P，Willhauck G，et al.Multi-resolution，object-oriented fuzzy analysis of remote sensing data for GIS-ready information［J］.ISPRS Journal of Photogrammetry ＆ Remote Sensing，2004，58(3/4)：239-258.

［4］林先成，李永樹.面向對象的成都平原高分辨率遙感影像分類研究［J］.西南交通大學學報，2010，45(3)：366-372.

［5］李春干，代華兵，譚必增，等.基于SPOT5圖像分割的森林小班邊界自動提取［J］.林業科學研究，2010，23(1)：53-58.

［6］張艮龍，馮益明，賈建華，等.基于SPOT5遙感影像的小班區劃探討［J］.浙江林學院學報，2010，27(2)：299-303.

［7］陳云浩，馮通，史培軍，等.基于面向對象和規則的遙感影像分類研究［J］.武漢大學學報：信息科學版，2006，31(4)：316-320.

［8］彭海濤，柯長青.基于多層分割的面向對象遙感影像分類方法研究［J］.遙感技術與應用，2010，25(1)：149-154.

［9］任俊芳，侯四國，隋春玲.基于SPOT5衛星遙感圖像融合配準技術研究［J］.測繪科學與工程，2009，29(1)：15-18.

［10］Chubey M S，Franklin SE，Wulder M A.Object-based analysis of ikonos-2 imagery for extraction of forest inventory parameters［J］.Photogrammetric Engineering ＆ Remote Sensing，2006，72(4)：383-394.

［11］Baatz M，Sch?pe A.Multiresolution segmentation：an optimization approach for high quality multi-scale image segmentation［C］//Strobl J，Blaschke T.Angewandte geographische informationsverarbeitung Ⅻ.Karlsruhe：Wichmann Verlag，2000：12-23.

［12］王文宇，李博.基于eCognition的高分辨率遙感圖像的自動識別分類技術［J］.北京建筑工程學院學報，2006，22(4)：26-29.