基于專題層的林地信息提取

王 靜，呂建軍，高 偉，林 妍，成曉英

（1.中國地質大學（武漢） 信息工程學院，湖北 武漢 430074）

林業小斑區劃為林業各種調查提供位置和邊界基礎，是林地調查最基礎的步驟[1]。目前的小斑區劃研究多以影像信息為主要依據，忽略了矢量數據中包含的原始小斑信息。隨著遙感影像分辨率的不斷提高，面向對象的信息提取技術被廣泛應用于森林分類中，但是相比傳統的方法還是相對較少[2]。

2011～2012年，湖南省進行了基于2.5 m分辨率的SPOT5正射影像的林地落界與保護規劃編制工作。本文以湖南林地落界與保護規劃的部分地區數據為研究對象，結合原始矢量小斑數據及人工勾繪與野外調查的結果，對小斑區劃及面向對象的信息提取進行了研究。

1 實驗數據及預處理

實驗數據包含遙感影像數據和原始矢量數據。遙感影像是SPOT5正射影像圖，采集于2008～2010年間，分辨率為2.5 m，已經過正射校正、配準與融合等預處理，且經過標準圖幅裁剪，影像內部含有公里格網、內圖廓線等整飾內容。矢量數據為shp格式，記錄了該地區早期的森林分布概況與相應的小斑屬性信息。

遙感影像中的整飾內容對后期的圖像分割與分類會產生一定影響。本文使用MapGIS RSP遙感影像處理平臺提供的“壞線去除”功能，將遙感影像中的黃色公里格網線作為“壞線”進行處理。去除公里格網的影像還不能直接使用，藍色的內圖廓線仍然存在，需要通過裁剪將圖廓線內的影像信息保留，作為最終的實驗數據。

2 小斑區劃自動提取

小斑是進行森林資源調查和森林經營、組織生產的基本單位，一般把林分因子、立地條件、經營措施、采伐方式、集材系統相同的林分劃為一個小斑。要進行森林資源的調查和管理，首先必須劃分小斑[3]。本文主要研究了基于圖像分割的小斑自動區劃。通過計算機對圖像進行自動分割，得到矢量圖層，每個矢量區影像對象表示一個小斑，從而得到小斑區劃矢量數據。

2.1 專題層參與的圖像分割技術

僅使用遙感影像進行圖像分割來提取小斑邊界，其區劃結果由影像自身的光譜和形狀信息決定，沒有體現原始小斑數據的價值。為了提高與原始小斑邊界位置的重合率，本文考慮將原始小斑邊界位置信息作為專題層，參與圖像分割過程，約束分割結果。

本文對參與圖像分割的專題層的處理思想如下：

1）按照原始小斑中的“小斑位置”屬性將原始小斑矢量數據進行柵格化，將柵格化后的圖像裁剪到與當前影像相同范圍，作為參與分割的專題層。

2）專題層與原始遙感影像進行波段合成，獲得一幅比原始影像多一個波段的影像。

3）分割時，專題層作為合成影像的最后一個波段，并可根據實際需要設置其參與分割的權重。

通過對專題層的處理，將其轉化為影像的一個波段信息，然后按照傳統的多尺度分割流程進行分割，即專題層參與的圖像分割技術。本文實驗使用的軟件是MapGIS中的遙感影像信息提取系統，可根據實際需要對專題層權重任意設置，以此來改變專題層對分割結果的影響程度。

2.2 專題層約束下的小斑區劃

采用圖像分割技術進行小斑自動提取的難點在于分割參數的確定，包括各影像層的波段權重、分割尺度、形狀參數等。根據研究區影像統計信息可知，各波段標準差和信息熵均相差甚微，最大值與最小值之比均接近于1，因此影像3個波段權重設置時不必考慮標準差比值和信息熵比值方案，只研究3個波段權重均設為1的情況下分割尺度對分割結果的影響即可。根據有關研究，實驗的形狀參數設為0.2[4]。

2.2.1 專題層權重為0時的小斑區劃

將專題層參與分割的權重值設為0，即專題層不參與分割，將分割尺度分別設為30、55、75、90、100、125、150、170、200、230、250等11個尺度進行分割實驗[5]，將分割結果矢量圖層與原始小斑數據在遙感影像上疊加顯示，通過初步目視評判，可知在125、150、170的尺度下，分割結果與原始小斑區劃較為接近。尺度小于125時分割過于細碎，大多數小斑被劃分為多個對象；而大于170時分割過于粗糙，被非林地包圍的較小的林地小斑大多沒有被劃分出來。

本文采用小斑面積差值法進行精度評定，即在矢量小斑數據上隨機選擇一定數量的小斑樣本，以影像對象與參考樣本小斑重合率在50%以上且二者面積誤差小于50%的對象作為正確提取的小斑，計算其占樣本小斑總數的比例。利用該方法計算得出尺度為125時分割效果最理想，其精度可達61.9%；150尺度次之，精度為47.6%。由于實驗中的對比小斑和其面積屬性來自于早期原始小斑矢量數據，隨著時間的推移地物本身已發生了變化，小斑數據本身與遙感影像套合有一定偏差，實際的小斑區劃精度可能還會稍高。

2.2.2 專題層權重為0.7時的小斑區劃

原始小斑矢量數據記錄了小斑的形狀與位置信息，因此可將其柵格化為記錄小斑區劃特征的專題層，參與小斑區劃的分割過程。考慮到實驗中所用專題層反映的是早期小斑分布情況，因此波段權重設為0.7，其他分割參數不變。該實驗精度與專題層不參與分割時的實驗精度對比如圖1所示。

雖然從整體精度而言，加入專題層精度沒有明顯增加，但是對于正確提取的小斑而言，其面積重合率有明顯增加，面積誤差也明顯下降。

3 最佳小斑區劃尺度下特征庫的構建及林地信息提取[6-8]

3.1 最佳小斑區劃尺度下特征庫的構建

特征是遙感影像信息提取的關鍵。將影像特征庫中的特征通過邏輯組合，形成描述地物類別的特征知識[9]。將所有地物類的特征知識通過一定的組織關系結合在一起，形成信息提取所必需的特征庫。

尋找地物的特征知識，關鍵是確定最優分割尺度。最優分割尺度是分割后的影像對象與其對應的特定地物目標邊界要能最佳地吻合，即影像多邊形對象既不能太“破碎”，也不能出現太“模糊”或“混合”現象[10]。實際操作時，由于研究區影像自身光譜因素的影響，加之影像上地物分布較分散，在大尺度下很難將小班塊的居民地、林地分離出來，往往與牧草地混合在一起，不利于分類。因此，直接考慮在小斑區劃實驗所得的最佳小斑區劃尺度下進行特征選取與特征知識規則的建立。為了保證特征庫的通用性，本文更多地考慮了影像對象的光譜、形狀、紋理特征，表1即為最終選定的用于分類的各地類特征。

表1 研究區數據用于分類的所有特征規則表

將表1中每個類所列的特征規則以一定的邏輯關系組織起來，形成每一類的特征知識，即可建立分類所用的特征庫。

在利用特征庫進行分類時，要根據影像的具體地物信息，選擇最優的特征組合。由于成像條件的影響，同一類地物在不同的影像上某一個特征的值域也不一致，這時可根據一些選定的樣本計算其特征值，通過樣本的特征值值域來調整分類的特征規則值域。

3.2 基于特征庫的森林分類

由原始小斑屬性可知，實驗區的地物類型主要為道路、水域、林地、居民地、耕地、牧草地。根據小斑區劃最佳分割參數進行圖像分割，即分割尺度為125，各波段權重均為1，形狀參數為0.2，緊致度為0.5，分別給每類選定一定數量的樣本，作為選擇分類時特征規則與特征值域范圍的依據。基于該特征庫進行分類，結果如圖2所示。

樣本同時也作為最終分類結果精度評價的參考信息。根據選定的樣本進行精度評定，分析各樣本被分入各個類別的可能性，得到評價結果，見表2。

表2 分類結果精度評價表

3.3 基于專題層完善的特征庫林地信息提取

由于本文的研究數據量有限，每個影像上的林種類型都較少，且不同影像上相同林種類型很少，難以建立林地樹種、林地類型特征庫，無法對林地進行深一層的分類。為了解決這種影像信息量不足的問題，本文將專題層信息引入特征庫的構建，根據專題層信息完善特征庫，實現對林地進一步的信息提取。

將實驗區原始小斑數據按照“優勢樹種”屬性信息進行柵格化。研究區主要的優勢樹種類型有杉木、濕地松、中生闊葉樹、馬尾松和灌木5類。針對每種類型，分析其專題層波段的灰度值，結合林地已有的特征知識，分別建立相應的特征知識規則，構建特征庫。基于該特征庫進行林地信息提取，如圖3所示。

每種地類選擇一定數量的樣地，以對象樣本來計算分類精度，結果見表3。不難看出，對于非林地的每種地類，分割精度基本保持不變，原始的小斑所在區域林地明顯被細分，而沒有原始數據覆蓋的范圍則只劃分到林地。同時，分類結果對原始小斑亦有一定的更新作用，如圖4 a中所示的原始小斑屬性為馬尾松，而隨著時間的推移，從圖4 b上分析得知該地塊明顯已有水域、牧草地出現，不是一個完整的小斑了，必須進行劃分。經信息提取得到的結果如圖4 c所示，它與實際地物類型是吻合的。

表3 分類結果精度評價表

4 結 語

1）建立特征庫時，特征規則的選擇、特征值域的確定以及特征規則的邏輯組合都是手動實現的，存在一定的主觀性，且需花費大量時間來找到其中的最優組合。如何實現計算機對特征規則的自動優化組合，是下一步研究工作的重點。

2）在利用專題層屬性信息對林地進一步分類時，由于是將專題層“優勢樹種”屬性信息直接賦予影像對象參與分類，因此，如果林地內部屬性發生了變化，如原始小斑中的灌木在長時間內變成了馬尾松，利用這種方法則檢測不出，分類結果會與實際不符。如何解決這一問題，也是今后的研究方向。

[1]華朝朗. SPOT5衛星數據在縣級森林資源調查中的應用研究[J]. 林業調查規劃，2005，30(3)：8-12

[2]高偉，劉修國，彭攀，等. 一種改進的高分辨率遙感圖像分割方法[J]. 地球科學，2010，35(3)：421-425

[3]張艮龍. 基于高空間分辯率遙感影像的森林資源調查小班區劃[D]. 西安：西安科技大學，2010

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

[5]何柏華，李春干. 基于DEM與SPOT5的小斑邊界自動提取[J].南京林業大學學報：自然科學版，2010，34(5)：47-50

[6]Carpenter G A，Gjaja M N, Gopal S，et al. ART Neural Networks for Remote Sensing Vegetation Classification from Landsat TM and Terrain Data[J]. IEEE Transactions on Geoscience and Remote Sensing，1999，35(2)：308-325

[7]李莉. 面向對象的高分辨率遙感影像信息提取研究[D]. 成都：成都理工大學，2012

[8]Thomas K. A Comparison of Multispectral and Multitemporal Information in High Spatial Resolution Imagery for Classification of Individual Tree Species in a Temperate Hardwood Forest[J].Remote Sensing Environ，2001，75(1)：100-112

[9]高偉. 基于特征知識庫的遙感信息提取技術研究[D]. 武漢：中國地質大學，2010

[10]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)：316-319