資源一號02D衛星影像防護林信息提取方法

李毅夫 王琫瑜 高志海 閆紫鈺 孫斌

(1 中國林業科學研究院資源信息所，北京 100091)(2 國家林業和草原局 林業遙感與信息技術重點實驗室，北京 100091)

2019年9月12日11時26分，我國在太原衛星發射中心使用長征四號運載火箭，成功將資源一號02D衛星(又稱為5米光學業務衛星)送入預定軌道。資源一號02D衛星設計壽命5年，是我國自主建造并成功運行的首顆民用高光譜業務衛星。資源一號02D衛星的發射，進一步完善了自然資源衛星觀測體系，并將與后續系列衛星組網，形成全球領先的業務化對地光譜探測能力。防護林監測是林業主體業務森林資源調查的主要內容之一，目的是為國家適時掌握林業資源的狀況及變化情況提供可靠的技術支撐與信息保障[1]。在我國，防護林種類多、分布廣，隨著遙感技術的不斷發展特別是遙感數據源的不斷豐富，遙感成為防護林監測的重要技術手段。

為進一步了解資源一號02D衛星影像特征及其在防護林信息提取中的應用能力，本文以獲取的覆蓋河北省張北縣的資源一號02D衛星多光譜和高光譜為主要數據源，基于監督分類方法，開展了資源一號02D衛星影像數據對農田防護林遙感信息提取能力應用測試，并與GF-2、Landsat-8 OLI等衛星的遙感影像提取結果進行了對比驗證，旨在為資源一號02D衛星在森林調查業務中防護林監測與信息的提取能力與應用潛力提供及時的參考信息。

1 研究區概況與數據準備

1.1 研究區概況

為根治我國西北、華北和東北地區風沙危害大、水土流失嚴重的狀況，國家于1978年決定在我國“三北”地區建設大型防護林生態工程，即“三北”防護林工程[2]。其中，張北防護林是風沙入京的重要防線。本次實驗研究區位于河北省張家口市張北縣，作為距離北京最近的主要沙源地，該縣地處河北省西北部，內蒙古高原南緣的壩上地區，地處北緯40°57′～41°34′，東經114°10′～115°27′之間，境域東西109 km，南北67 km；平均海拔1400多米，北、中部地勢平坦，向西北漸低；年平均氣溫3.2 ℃，晝夜溫差大；降水少，年平均降水量在300 mm左右且分布不均。

1.2 數據準備

1.2.1 資源一號02D衛星數據

綜合考慮衛星在軌測試期間遙感影像的可獲得性及農田防護林與農作物的物候特征，選取研究區2020年8月10日空間分辨率為2.5 m、10 m的資源一號02D衛星全色與多光譜影像和30 m的高光譜數據作為主要測試數據源，數據由自然資源部國土衛星遙感應用中心提供。

資源一號02D衛星搭載一臺多光譜傳感器，能夠獲取9個波段多信息，除了具有GF-2所有的光譜波段外，還有以下不同：資源一號02D衛星全色譜段分辨率可達2.5 m、多光譜為10 m，相對于高分二號(GF-2)衛星數據在地物紋理特征表達相對較弱；由表1[3]可知，資源一號02D衛星多光譜數據增加了深藍、黃邊、紅邊波段，在光譜信息上更有優勢；資源一號02D衛星可有效獲取115 km幅寬多光譜數據，回歸周期55天，重訪時間3天，相較于GF-2衛星數據具有更高的覆蓋能力。

相較于GF-2衛星5個波段、2臺相機的組合，資源一號02D衛星多光譜VNIC傳感器，采用雙通道多譜段高集成焦平面技術，提高了影像獲取效率，一臺相機可獲取以往兩臺相機才能獲取的信息量，提高了相機的利用效率，節省了載荷成本[4]。

表1 資源一號02D衛星與GF-2衛星影像的主要參數對比Table 1 Comparison of spectral bands between ZY-1-02D satellite and GF-2 satellite

對遙感數據進行基本的統計分析是圖像處理的基礎工作，對影像的顯示、波段組合和各種分析處理提供基礎依據[5]。統計內容通常包括圖像各波段的最大值、最小值、平均值、方差、相關系數和各波段的直方圖等信息，見表2。分析波段間的相關性，可以避免選用信息量基本相同的波段[6]，由表3[3]可知，資源一號02D衛星多光譜數據可見光波段間相關性較強，與2個近紅外波段相關性較弱；由表4[3]可知，通過主成分分析，前三個主成分可代表資源一號02D衛星多光譜數據97.74%的信息量。

此外，資源一號02D衛星搭載一臺可見短波紅外高光譜相機(AHSI)，可有效獲取60 km幅寬的166譜段高光譜數據，其分辨率優于30 m。高光譜載荷可見近紅外和短波紅外光譜分辨率分別達到10 nm和20 nm。

表2 資源一號02D衛星多光譜影像的統計特征值Table 2 Statistics of ZY-1-02D satellite multispectral image

表3 資源一號02D衛星多光譜波段相關系數表Table 3 Band correlations of ZY-1-02D satellite multispectral data

表4 資源一號02D衛星多光譜影像主成分變換信息統計表Table 4 Statistical results of principal component transformation information of ZY-1-02D satellite multispectral data

高光譜影像數據具有大量“連續”的波段、很窄的波段間隔的特點，可以探測與識別地物的類別、組分等細節特征。通過資源一號02D衛星高光譜數據提取典型地物光譜曲線如圖1所示，光譜曲線越接近的地物類型區分難度越大，在資源一號02D衛星高光譜數據400 nm到2500 nm的波長范圍內，利用典型地物灰度(DN)值差值較大時對應的波段，可有效將研究區主要典型地物區分并提取防護林信息。

圖1 實驗區典型地物光譜曲線圖Fig.1 Spectra of main land cover types of the test image

1.2.2 對比遙感數據

選擇2020年8月25日的GF-2(空間分辨率全色為1 m、多光譜為4 m)影像，作為資源一號02D衛星多光譜影像對比數據，由中國資源衛星應用中心提供；選擇2020年8月26日Landsat-8 OLI影像作為資源一號02D衛星高光譜影像對比數據，由地理空間數據云提供[7]。

1.2.3 數據預處理

根據自然資源部國土衛星遙感應用中心提供的資源一號02D衛星絕對定標系數和光譜響應函數，分別對多光譜和高光譜數據進行輻射定標和大氣校正(FLAASH模塊)。資源一號02D衛星多光譜和高光譜數據進行正射校正后分別與GF-2和Landsat-8的OLI進行幾何校正，控制誤差在0.5個像元內。詳細技術過程見圖2所示。

圖2 防護林提取過程圖Fig.2 Flow chart of shelter forest extraction

2 研究方法

2.1 基于多光譜影像的防護林信息提取

綠色植被比值植被指數(RVI)值較高；而無植被地面包括裸土、人工地物、水體以及枯死或受脅迫植被RVI值較小[8]。所以，RVI能增強植被與土壤背景之間的輻射差異；而且在高植被覆蓋度下，RVI對植被十分敏感，但當植被覆蓋度小時，其分辨能力下降。防護林林帶內種植密集，在國產高分辨率分辨率影像中具有較高的覆蓋度，與土壤背景差別較為明顯，使用RVI在植被覆蓋濃密的情況下提取防護林信息效果更好[9]。比值植被指數可以表達為

(1)

式中：DNIR為近紅外波段灰度值、DR紅光波段灰度值；ρ為地表反射率ρNIR近紅外波段反射率，ρR紅光波段反射率。

本次試驗將RVI作為特征波段，分別加入資源一號02D衛星和GF-2衛星多光譜數據，通過隨機森林分類方法對防護林信息提取。

2.2 基于高光譜影像的防護林信息提取

鑒于高光譜數據波段多、信息量大、各波段之間存在信息冗余的特點，本次測試采用主成分分析(PCA)的方法對測試數據進行降維，以減少高光譜數據冗余和部分噪聲并減小數據量[10]。選取前8個波段代表資源一號02D衛星高光譜數據99%以上的信息參與分類，使用隨機森林分類器對防護林進行識別提取。

3 結果與分析

借助更高分辨率影像數據和地面調查等數據作為影像中地類真值，對Landsat-8 OLI與資源一號02D衛星數據的防護林提取結果進行評價。

3.1 基于多光譜影像的防護林信息提取

采用隨機森林分類方法，分別在GF-2與資源一號02D衛星多光譜數據波段中加入各自的RVI波段進行分類。通過目視對比判斷，由圖3、圖4可知GF-2與資源一號02D衛星多光譜數據均可以很好的地提取防護林信息，多光譜高分辨率影像不僅可以準確提取片狀林地，而且對條帶狀防護林有很好的提取能力。

圖3 資源一號02D衛星多光譜影像防護林分類提取結果Fig.3 ZY-1-02D satellite multispectral image shelter forest classification and extraction results

圖4 GF-2衛星影像防護林分類提取結果Fig.4 GF-2 satellite multispectral image shelter forest classification and extraction results

3.2 基于高光譜影像的防護林信息提取

采用隨機森林分類方法，分別對Landsat-8 OLI與資源一號02D衛星高光譜數據進行分類。通過目視對比判斷，由圖5、圖6可知Landsat-8 OLI與資源一號02D衛星高光譜數據對片狀林地具有很好的提取能力，而對條帶狀防護林的提取能力相對較弱。

圖5 ZY-1-02D衛星高光譜影像防護林分類提取結果Fig.5 ZY-1-02D satellite hyperspectrall image shelter forest classification and extraction results

圖6 Landsat-8衛星影像防護林分類提取結果Fig.6 Landsat-8 satellite image shelter forest classification and extraction results

3.3 精度檢驗

本文在多光譜數據測試中，共選取樣本132個，其中防護34個，其他類型樣本98個；在高光譜數據測試中，共選取樣本143個，其中防護34個，其他類型樣本119個。防護林分類提區結果見表5。

表5 提取結果精度驗證Table 5 Accuracy evaluation of classification results

3.4 結果分析

由分類精度驗證可知，資源一號02D衛星多光譜數據和GF-2數據對防護林提取結果均具有較高的精度，表明資源一號02D衛星多光譜數據對防護林具有較好的提取能力。結合目視對比判斷各影像與其對應的分類結果可知，資源一號02D衛星多光譜數據對條帶狀和片狀防護林地均具有較好的識別提取能力。

在資源一號02D衛星高光譜數據以及Landsat-8數據的分類結果中，防護林提取結果的正確率均保持較高水平，冗余誤差和遺漏誤差較小，結合目視對比判斷各影像與其對應的分類結果可知，資源一號02D衛星高光譜數據對片狀防護林地具有較好的識別能力，光譜特征明顯，但是由于分辨率的限制，在防護林帶和行道樹的提取中略有不足。

4 結束語

資源一號02D衛星同時具備高分辨率和高光譜成像能力，本文通過開展資源一號02D衛星影像對防護林遙感信息提取能力應用測試，驗證資源一號02D衛星多光譜和高光譜數據在實現防護林提取方面分類精度較高、實用性強，具有較好的提取能力，可滿足三北防護林分布監測及變化等信息遙感提取。多光譜數據適用于較大尺度的防護林信息識別提取與監測，而高光譜數據更適合用于防護林類型的精細識別、樹種識別和林木病蟲害監測識別等。在森林調查和監測主題業務中具有巨大的應用潛力。

防護林在遙感影像中具有典型的植被特征，但要從復雜的綠色植被中提取出來，不僅要分析其光譜特征，也需充分利用其獨特的空間幾何特征。在多光譜數據的高分辨率尺度下，防護林具有較強的紋理特征，針對這一特征可以進一步研究其紋理特征參數，綜合其他幾何特征，將會進一步提高農田防護林的提取精度。而由于沒有足夠詳細的地面實測數據，不能充分發揮高光譜數據的光譜優勢，無法體現出防護林內部的林分差異等特征。

本次測試實驗影像選取時間為8月份，雖然是植被的生長季，但不是區分防護林和其他類型植被的最佳物候期，而且針對防護林的分類提取方法較為簡單，對于資源一號02D衛星數據的潛力尚有待通過更加深入的研究加以探索。