基于GF- 1 號遙感影像的森林小班蓄積量自動提取研究

吳莉娟 姚 嘯

（1、西安鐵道技師學院鐵道技術系，陜西 西安710038 2、易智瑞（中國）信息技術有限公司西安分公司，陜西 西安710068）

1 概述

森林作為我國重要資源，森林蓄積量作為研究森林生物量的重要指標。傳統的測算森林蓄積量的方法是對逐塊林地(小班)進行角規測樹調查，這種方法不僅要消耗大量的人力、物力，又由于受到選取調查點的代表性的限制, 故運用此方法調查的準確性較差[1]。因此，研究探索新的森林調查技術手段，建立可動態預測森林蓄積量的技術方法是當前我國森林資源監測領域的一項重要研究課題。

本文基于國家GF-1 號衛星8m 多光譜遙感影像以及森林固定調查樣地或布設的遙感判讀樣地為數據源，對遙感影像進行小班區劃，并對固定樣地及小班內與樣地大小相同的區域提取遙感影像對應區域的光譜信息以及紋理特征信息，利用最近鄰法判斷小班內與樣地大小的區域與固定樣地中哪一塊樣地所含的RS 信息最為接近，即以那一塊樣地的蓄積表示小班內樣地大小區域的蓄積，并將小班內所有的樣地大小區域蓄積累計即為小班蓄積量。

2 概述

2.1 影像多尺度分割

影像分割是將高分辨率遙感影像分割成許多個連續且互不重疊的區域，每個區域內像元具有高度同質性，對應于地面上相同或類似地物。影像分割的目的是將高分遙感影像上不同種類地物劃分出來，經過調整得到森林小班。在對GF-1 號8m 分辨率遙感影像經過幾何精校正后，利用eCognition 軟件對影像進行多尺度分割，設置合適的尺度、形狀和顏色因子權重以及區域緊致度和邊界平滑度權重對影像進行分割并進行適當的人工調整得到影像區域的小班矢量圖。

2.2 小班快速勾繪

對監測區域的遙感影像進行森林小班的快速區劃主要有以下環節：（1）以縣為單位，疊加行政區劃圖，自動將高分遙感影像和前期森林資源分布圖分割為以鄉鎮為作業單位的操作區域。（2）在對遙感影像進行多尺度分割的基礎上，在鄉鎮范圍內疊加相應的林地“一張圖”資料，并在高分遙感圖像設置一定數量的遙感判讀樣地，作為監督分類訓練樣本。對遙感圖像進行有監分類，在分類的基礎上，結合林地“一張圖”或前期森林資源調查分布圖，進行動態變化檢測。（3）利用現有軟件提供的小班公共邊界自動跟蹤、小班分割和合并、孤島處理、外部屬性表導入、拓撲邏輯檢查等功能對小班邊界和屬性進行調整操作，完成小班的最終區劃。

2.3 小班蓄積量自動提取

利用經過增強處理后的高分遙感圖像，以鄉鎮為單位，布設一定數量的遙感判讀解譯標志，測試解譯標志的地理坐標，解譯標志大小一般設置為0.06 公頃，現地判讀解譯標志區域的齡組、平均胸徑、平均樹高、優勢樹種（組）、地類、蓄積量等因子的值[2]。提取解譯標志范圍內高分遙感影像各波段的光譜反射值，解譯標志包含和壓蓋的像元的灰度矩陣、解譯標志范圍的紋理信息，并建立遙感判讀解譯標志庫。如圖1 所示。

圖1 影像區域內布設的解譯標志庫

利用所建立的遙感解譯標志庫，按優勢樹種（針、闊、混）、齡組，對解譯標志進行歸類，分析每類解譯標志對應高分遙感影像各波段灰度值的取值區間、均值和標準差，分析對應的像元灰度矩陣的相關性，提取對應的紋理信息。以這些信息作為影響解譯標志蓄積量的自變量，建立解譯標志單位的森林蓄積量估測模型[3]。以勾繪所得的小班分布圖為基礎，統計每個小班范圍內包含或壓蓋解譯標志單元的類型[4]，根據最近鄰法推算小班蓄積量。

2.4 流程及主要算法

利用高分辨率遙感影像進行森林二類小班蓄積量的自動提取流程如下：高分辨率遙感影像→幾何精校正等預處理→影像多尺度分割→效果良好→小班區劃和地類識別→效果良好→森林小班蓄積量自動提取。當效果不好時，要加入DEM模型等輔助數據重新進行幾何精校正等預處理；在影像多尺度分割時，適當加入人工調整；最后對自動提取的森林小班蓄積量進行精度評價。要利用監測區域的遙感影像進行森林二類小班蓄積量的自動提取，需先對遙感影像進行小班區劃。小班區劃的過程就包括影像的多尺度分割和森林類型識別，其中，多尺度分割可將影像分割成與森林類別不同的影像區域，再利用解譯標志調查類別對各影像區域進行類別識別。

3 實驗分析

3.1 研究區概況

試驗區位于黑龍江省伊春市南部帶嶺區涼水自然保護區，該區域內分布的森林主要林種有針葉林、闊葉林以及針闊混交林。其地物分布和主要林種類別均有利于本文中面向對象分類方法對主要林種進行分類和森林蓄積量估測試驗的展開。

3.2 數據源

實驗數據有：（1）遙感影像。選取的影像為涼水自然保護區的一幅GF-1 號衛星8 米分辨率多光譜遙感影像，經以1：5 萬地形圖為基準采集控制點，采用人機交互進行行幾何精校正和正射校正，校正后影像像元大小8m×8m。影像成像時間為2014年9 月30，覆蓋范圍大小為10km×10km。如圖2 左所示。（2）解譯標志數據。在試驗區布設有126 個大小為0.06 公頃、間距為1km×0.5km 的方形解譯標志(樣地)。測定的主要因子有：地類、齡組、蓄積、平均胸徑、平均樹高、優勢樹種（組）等。樣地展繪圖層如圖2 右所示。

在影像多尺度分割過程中，分割參數的設置對最終分割形成的影像區域與實際地物邊界吻合程度有著重要影響，按照最終分割出來的影像區域與影像上實際地物分布的邊界盡可能吻合而影像區域大小盡可能大的原則對影像進行多次分割。經過試驗發現影像在尺度設為20、形狀因子及顏色因子權重設為0.1 及0.9、區域緊致度和邊界平滑度設為0.7 和0.3 時分割效果最好。如圖3 左所示。在計算得到相應的紋理數據后，對遙感影像和紋理進行波段合成，并將解譯標志展繪到影像上提取對應各波段光譜信息值和紋理特征值，利用各波段光譜值計算比值波段值組成自變量向量進行建模。對小班內樣地大小區域提取對應的值代入模型計算蓄積量的值并進行累計得到小班蓄積量。估測結果渲染如圖3 右所示。

4 結論

根據國家森林資源監測相關技術標準以及林業工作者和研究人員的普遍認識，利用高分遙感影像進行森林小班二類蓄積量估測的精度達到70%以上即可[6]。本文中，基于GF-1 號8 米多光譜遙感影像對監測區域進行的森林小班二類蓄積量自動提取技術得到的小班蓄積量總值為1466739.02m3, 人工調查得到的小班蓄積總值為1131158m3，計算其精度為77.12%。結果表明基于GF-1 號8m 多光譜遙感影像對森林覆蓋區域進行小班區劃，并進行小班蓄積量自動獲取的方式是可行的，這對森林蓄積量的調查不僅節約了很大的人力、物力成本，而且對我國森林資源監測有著重要意義。

圖2 遙感影像圖及監測區域樣地數據展繪圖層

圖3 多尺度分割結果及小班蓄積量估測分布圖