全球地表覆蓋產品林地類型融合：以美國為例

張小紅

摘 要：近年來，很多學者提出了融合多種地表覆蓋產品的方法，以生產出空間一致性較好且精度較高的分類產品。文章以美國區域為研究對象，使用基于模糊理論的方法將三種源數據NLCD 2011、FROM-GLC-seg、Globcover2009_V2.3_Globald的森林類進行融合，將GlobeLand30（2010）林地類型劃分成針葉林、闊葉林、混交林。在新圖像中，闊葉林、針葉林、混交林用戶精度分別達到77%、 74%、 69%。

關鍵詞：融合；GlobeLand30；細化圖

中圖分類號：P237 文獻標志碼：A 文章編號：2095-2945（2018）16-0008-03

Abstract： In recent years，many scholars have proposed a method that integrates a variety of land cover products to produce a better spatial consistency and higher precision of the classified products. This article used the United States region as the research object， using the method based on fuzzy theory to integrate the forest type of three source data NLCD 2011， FROM-GLC-seg， and Globecover2009_V2.3_Globald. The land type of GlobeLand30 （2010） was divided into coniferous forest， broad-leaved forest， and mixed forest. In the new image， the user accuracy of broad-leaved forest， coniferous forest， and mixed forest reached 77%， 74%， and 69%， respectively.

Keywords： integration； GlobeLand30； refined image

引言

地表覆蓋是指地球表面各種物質類型及其自然屬性與特征的綜合體， 其空間分布與變化對人類社會、生物及自然環境有著重要的影響作用[1]。現有的全球地表覆蓋產品有馬里蘭大學的全球地表覆蓋數據集、MODIS土地覆蓋產品等。以上產品的空間分辨率是300-1000m，在全球尺度上，已經出現了更高空間分辨率的地表覆蓋產品，其中包括美國馬里蘭大學研制的2000年-2012年全球30m森林覆蓋及增減數據集和中國研制的GlobeLand30。

為了進一步提高現有的全球地表覆蓋產品的精度，滿足用戶多樣化的需求，很多學者提出了融合多種分類產品來提高分類的穩定性與精確度[2]。目前，具體的融合方法主要有兩大類：基于多源遙感數據融合法、基于多源遙感和非遙感數據融合法[3]。基于多源遙感數據融合法中包含基于模糊集合理論的融合的方法，其可以結合不同地表覆蓋產品各自的優勢，生產出空間一致性較好且精度較高的產品，比基于遙感影像的傳統分類方法工作量少，綜合考慮，本文采用基于模糊集合理論的融合方法，利用四種地表覆蓋數據產品：NLCD 2011、FROM-GLC-seg、Globcover2009_V2.3_Global、GlobeLand30（2010），以美國區域為對象來進行研究，將GlobeLand30（2010）林地類型劃分成針葉林、闊葉林、混交林。

1 數據來源

本文采用四種地表覆蓋數據產品進行研究，即：NLCD 2011、FROM-GLC-seg、Globcover2009_V2.3_Global、GlobeLand30（2010）。NLCD 2011（National Land Cover Database 2011）采用2011年陸地衛星數據并利用決策樹進行分類，空間分辨率為30米[4]。FROM-GLC-seg（Fine Resolution Observation and Monitoring of Global Land Cover-Segmentation）在使用陸地衛星TM/ETM+數據（30m）的基礎上，利用基于分割的降尺度方法來融合多種多分辨率數據集，空間分辨率為30m[5]。Globcover2009產品的分類方法是分層分區法，采用來自ENVISAT衛星平臺的MERIS FR數據，空間分辨率為300m[6]。GlobeLand30是中國科學家自主研制的首套全球30米分辨率的地表覆蓋遙感制圖數據集，其研制中所使用的分類影像主要是30米多光譜影像，其具有10個一級類，空間分辨率為30m[7]。

2 方法

2.1 數據預處理及圖例翻譯

四種地表覆蓋數據中FROM-GLC-seg和GlobeLand30是分景的，且空間分辨率與坐標系統，所以首先在Arcgis10.1中將這些圖像去黑邊、拼接，最后進行重投影與重采樣，重采樣后的分辨率為300m。

在本研究中，首先要對其森林類進行比較，本文采用地表覆蓋分類系統LCCS對圖例進行翻譯，LCCS是聯合國糧農組織（FAO）與聯合國環境規劃署（UNEP）聯合開發的地表覆蓋分類系統[8]，該系統有如下特點：內部結構具有靈活性，是一種綜合性的、規范性的先驗系統。由于本文研究的內容是針對林地類型的，所以翻譯時只需翻譯與林地相關的類。圖例翻譯過后要給每個類賦一系列屬性值，其中8個屬性值可以從LCCS中直接得到，還有一個土地利用類屬性，需要添加進去，共9個屬性：植被狀況、土壤條件、人造覆蓋、土地利用類別、生命形式、葉型、植被覆蓋密度、葉物候、樹高[9]。

2.2 計算重疊矩陣

利用9個屬性來進行類之間的重疊性計算時，除了植被覆蓋密度、樹高，其余屬性按照公式（1）進行計算。植被覆蓋密度、樹高按照公式（2）進行計算。這里須為每個屬性構造一個概念空間，Pk代表一個n值屬性，Ok（Ci，Cj）表示Pk的兩個重疊類的重疊性，Ci≡（ri1，ri2，…，rin）和Cj≡（rj1，rj2，…，rjn）代表к+n空間的點，其值設置為0和1。Pk的重疊性用如下公式表示：

公式（1）中的Min（rim-rjm）代表求rim與rjm的交集。公式（2）中，li=[lil，liu]，lj=[ljl，lju]表示編碼值是連續屬性的區間值，li∩lj表示其區間長度的重疊值。

當按照公式（1）、（2）計算完9個屬性的重疊性之后，要按照公式（3）計算出最終的重疊性[9]。

其中，k表示這9個屬性在計算重疊矩陣時的權重，這里設定生命形式、葉型、葉物候三個屬性的權重為1/6，其余六個屬性的權重為1/12。

2.3 定義目標圖例并計算相似分數

本文中，由于NLCD 2011、FROM-GLC-seg、Globcover

2009三種產品中有兩種森林類都具有闊葉林、針葉林、混交林，雖然NLCD 2011森林類中只有落葉林、常綠林、混交林，但是按照常識，一般情況下，落葉林多數屬于闊葉型，常綠多數屬于針葉型，所以我們定義目標圖例M為闊葉林、針葉林、針闊混交林三類，在新圖像中的代碼分別是1，2，3。

各原始數據圖例與目標圖例的相似分數表征了源數據中各類型屬于目標圖例三個類的可能性，由重疊矩陣得到。以NLCD 2011為例，NLCD 2011中落葉林與目標圖例中的闊葉林的相似分數Ok（Ck，y）由落葉林與其他數據中闊葉林的各相似分數和的平均值得到，y表示目標圖例中的類，設Ω代表目標圖例，Ω=（1，2，……n），n代表目標圖例中類的個數，這里，y∈Ω。本文列舉FROM-GLC-seg與目標圖例的相似分數如表1所示，行代表目標圖例，列代表FROM-GLC-seg森林類。

2.4 生成新地圖

這里，假設x是某個像素，它同時存在于三個地表覆蓋產品中，設其具有三個值 分別代表NLCD 2011、FROM-GLC-seg、 Globcover2009。

其中，Ok（■k（x），y）是像素x在某個地表覆蓋產品中代表的類與目標圖例中的類y的相似分數。U（■k（x））代表用戶精度，由混淆矩陣計算得到，本文在Google Earth中對采集的樣本點進行驗證并計算U（■k（x））。公式（5）表示取的最大值時x屬于的類為最終的類。

在融合的過程中，當遇到像素x在三種地表覆蓋產品中有沖突時，采取多數原則，最后，將按照如上公式得出的圖像與GlobeLand30進行疊合，以剔除GlobeLand30認為不是林地的像素。

3 結果與精度評價

GlobeLand30（2010）林地類型細化結果如圖1所示。

對新圖像進行精度評價時，由于野外驗證工作量較大且難以實現，本文采用室內在Google earth上進行精度評價。但由于Globcover2009中類40的像元總數太少，很難采集樣本，所以在本次研究中忽略此類。NLCD 2011 產品中類41、42、43的用戶精度分別是0.66、0.70、0.67；FROM-GLC-seg產品中類21、22、23、24的用戶精度分別是0.62、0.62、0.62、0.53；Globcover2009產品中類50、60、70、90、100的用戶精度分別是0.47、0.45、0.42、0.43、0.39；新圖像的類1、2、3用戶精度分別是0.77、0.74、0.69。

4 結束語

新圖像中闊葉林、針葉林、針闊混交林的精度分別是77%、74%、69%，這三者的精度相比其他三種地表覆蓋產品都有所提高。本文的創新點是在利用LCCS進行語義翻譯且屬性賦值時，引入了新的編碼值D3，避免混交林與闊葉林、針葉林發生重疊，減少了混交林像元被分到其他類型像元中的個數，從而提高最終產品的精度。但是在本研究過程中也遇到了很多問題，例如Globcover2009產品的精度相對較低，可能會對結果精度產生一定的影響。盡管該方法有如上缺點，但不可否認的是在本研究中，利用該方法可以用到對某個地表覆蓋產品一級類進行二級細分的過程中。本研究結果也可以對某些對森林變化進行觀測的機構或組織提供某些參考數據，但是其空間分辨率有待提高。

參考文獻：

[1]Jonathan A. Foley， Ruth DeFries， Gregory P. Asner， et al. Global Consequences of Land Use[J]. Science， 2005，309（5734）：570-574.

[2]Jung M， Henkel K， Herold M， et al. Exploiting synergies of global land cover products for carbon cycle modeling[J]. Remote Sensing of Environment， 2006，101（4）：534-553.

[3]陳迪，吳文斌，陸苗，等.基于多源數據融合的地表覆蓋數據重建研究進展綜述[J].中國農業資源與區劃，2016，37（9）：62-70.

[4]Homer C， Dewitz J， Yang L， et al. Completion of the 2011 National Land Cover Database for the Conterminous United States - Representing a Decade of Land Cover Change Information[J]. Photogrammetric Engineering & Remote Sensing，2015，81（5）：345-354.

[5]Le Yu， Jie Wang， Peng Gong. Improving 30 m global land-cover map FROM-GLC with time series MODIS and auxiliary data sets： a segmentation-based approach[J]. International Journal for Remote Sensing， 2013，34（16）：5851-5867.

[6]Bicheron P， Defourny P， Brockmann C， et al. GLOBCOVER： products description and validation report[J]. Foro Mundial De La Salud， 2011，17（3）：285-287.

[7]陳軍，廖安平，陳晉，等.全球30m地表覆蓋遙感數據產品——Globe Land30[J].地理信息世界，2017，24（1）：1-8.

[8]Di Gregorio A. Land cover classification system： classification concepts and user manual： LCCS[M]. Rome： Food & Agriculture Org.，2005：11-74.

[9]Pérez-Hoyos A， García-Haro F J， San-Miguel-Ayanz J. A methodology to generate a synergetic land-cover map by fusion of different land-cover products[J]. International Journal of Applied Earth Observation & Geoinformation， 2012，19（10）：72-87.