基于多元遙感影像的森林資源管理方法

李隨貴

(甘肅省國營漳縣木寨嶺林場，甘肅 漳縣 748300)

1 引言

森林資源管理是一種具有組織性的活動，以森林資源作為活動目標，主要活動任務是對森林資源檢查、保護、利用等[1]。林木等森林環境作為林業生產活動進行的基礎，森林資源的狀況必須得到及時監測。因為森林資源消長的動態變化受人為因素影響較大，所以一套科學的管理體系可以有效加強對森林資源的監督[2]。在森林資源管理中一項主要內容就是對森林資源調查、規劃與設計，通過數據統計制定森林經營方案，實現森林資源合理管理。在管理過程中，需要以森林資源信息作為管理方案制定的基礎。遙感技術開始逐漸推廣應用，并且在科技不斷發展后，開始通過光學、熱紅外和微波等不同方式獲取遙感影像信息，也就是多元遙感影像。利用多元遙感影像獲取的森林資源信息具有互補性、合作性，以及冗余性的特點，相比其他的遙感影像獲取方法得到的判斷結果更加可靠[3]。文中基于多元遙感影像，設計了森林資源管理方法，希望可以提升森林資源管理效果。

2 森林資源管理方法設計

2.1 基于多元遙感影像獲取森林資源信息

森林資源的多元遙感數據獲取是通過民用衛星為載體，采用星載傳感器使用不同方式得到相關森林資源多元圖像[4]。然后針對獲取的原始多光譜、全色影像進行預處理，如圖1所示。

經過處理后的多元遙感影像需要進行影像融合。所謂的影像融合指的是將多元傳感器收集的影像信息進行處理，將同一目標所有的影像數據綜合成為高分辨率的影像[5]。為后續的影像分割精度提升打下基礎，有利于增強最終的森林資源管理效果。文中設計應用Pansharp方法實現影像融合，利用最小二乘逼近法將遙感影像中的信息和細紋進行了良好保存。由于該方法沒有受到波段數的約束，因此成為目前普遍認可遙感影像融合的算法[6]。最終將多元遙感影像匯總，可形成較為精準的森林資源信息。

2.2 完成森林遙感影像分割

針對預處理完成的森林資源遙感影像，首先進行各向異性擴散濾波幫助影像完成圖像平滑處理。采用各向異性擴散濾波算法，實際上就是在同質區域內完成最大限度的分布，從而抑制邊緣區域分布，這個過程應用了非線性各向異性擴散方程，如下所示。

(1)

式(1)中，μ0表示原始遙感影像，x,y分別表示圖像中數值，t作為一個變量存在，是時間和迭代次數的代表，所以μ(x,y,t)表示平滑處理后的影像。Δμ和div分別表示梯度算子和散度算子，λ是運行時的擴散速率。此外，c作為一個擴散系數存在，其表達式為：

c(x,y,t)=g(||Δμ(x,y,t)||)

(2)

完成濾波處理后，通過分割尺度的選擇實現影像分割。通常情況下，不同的森林資源類別適宜于信息提取的最優分割尺度也是有差異的。最優分割尺度考量是以遙感影像光譜特征和形狀特征為依據，最優分割尺度如圖2所示。

圖2 最優分割尺度示意

依據圖2所示的最優分割尺度，采用Mean shift算法，以高斯核函數作為均值漂移的核函數，編寫分割軟件。該軟件通過MATLAB接口的應用完成森林遙感影像分割。

2.3 提取影像中森林資源特征

通過森林資源的遙感影像分割降低了每個地形分區分類管理難度，但是這種方式針對平原區、山地丘陵區這種大類別的劃分起到作用，無法將森林資源詳細管理，因此，本文設計將分層提取方法應用在森林資源管理中。針對現有的分層提取方法做出了拓展，明確分層提取在地物較復雜的區域產生的重要作用，實現森林資源全面、多層次的分析。依據不同的規則完成森林資源中不同類別的地物目標綜合識別管理。影像中森林資源特征的提取需要從光譜特征、紋理特征、專題指數特征幾方面進行分析。以光譜特征為例，為了更好地區分森林資源類別，通過地物波段比率特征曲線進行特征提取，不同森林資源的特征曲線如圖3所示。

圖3 地物波段比率特征曲線

文中采用地形分區、分層提取結合的方式，依托于光譜特征將易于分辨的森林資源從影像中提取出來。在實際應用中，首先對不同季相多光譜遙感數據進行分析，針對影像中各波段光譜反射率指標值的離散程度選取相關信息。分析不同森林資源光譜特征，并依據光譜特征結果，以分層提取模型完成森林植被特征的提取。最后，通過紋理特征進一步提取森林植被類別特征信息。

2.4 實現森林資源管理

面對提取特征后的遙感影像，通過分類規則的制定，實現森林資源有效管理。森林資源管理工作的實現，主要通過以下幾個部分：第一，依據地形分區和已有數據進行森林資源的預劃分。在森林資源預劃分的過程中可以依據地貌區域類型，獲取遙感影像的最優分割尺度。第二，針對多元遙感影像的特征離散性，由于獲取時相的差異會造成影像特征之間的離散性差別較大。所以，需要篩選適合森林資源管理的影像信息。第三，面向森林資源內部情況，由于森林資源通過多種地物類型構成的，依據多元遙感影像進行森林資源管理時無法產生良好的管理效果。因此，在實際應用前需要進行多元影像的融合以及分類預實驗。第四，針對不同類型的森林資源影像樣本獲取過程進行分析，將不同樣本屬性、特征進行統計，采用CART決策樹算法構建多種森林資源管理規則，最終依據管理規則集實現森林資源管理。

3 實驗分析

3.1 實驗準備

為了驗證文中設計的管理方法在實際應用中具有良好的效果，特進行了實驗。實驗選取某一處森林區域作為實驗地點。文中設計的基于多元遙感影像的森林資源管理方法的應用效果，以森林植被的分類精度作為評價標準。精度驗證方法是通過將該森林區域內地物樣本在實際類別，和通過管理方法得出的分類結果進行比較得出的數據。文中選取用戶精度(UA)作為評判指標，指某一類別正確分類個數占該類別的分類總數的比率，其計算公式為：

(3)

式(3)中，分類項目正確分類數量用xij來表示，該類別的分類總數用xi+來表示。

3.2 實驗結果分析

為了保證實驗結果的說服力，選擇兩種傳統森林資源管理方法在同樣條件下進行森林資源分類管理。選取闊葉林、針葉林、灌木林、耕地、水體、裸地六種類別的森林資源作為研究對象，三種森林資源管理方法的資源分類精度驗證結果如表1所示。

表1 三種管理方法的森林資源管理精度 %

根據表1可以發現針對不同的森林資源類別，分類結果有所差別。其中識別精度最高的是水體，三種方法分類都達到了100% 用戶精度，相對而言最難以識別的是耕地資源。但是，文中設計的管理方法無論在任何類別資源的分類上都呈現出更高的精度。通過計算可以得出文中管理方法的森林資源平均分類精度達到了82.77%，而兩種傳統管理方法分別為77.05%、74.84%。因此，文中設計的森林資源管理方法在實際應用中展現了更加優秀的管理效果。

4 結語

本文以森林資源管理方法設計為重點內容，通過多元遙感影像方式的應用，實現森林資源更加精確分類，完成了森林資源有效管理。文中設計的方法雖然具有良好的管理效果，但是經過未來的進一步研究，將會設計出更全面的管理方法。