基于高光譜高分融合數據在喀斯特地貌環境下的林分分類

陳章林， 楊 剛， 楊莎莎， 黃熙賢， 樊 鑫

(1.貴陽歐比特宇航科技有限公司， 貴陽 550000； 2.貴州省第二測繪院， 貴陽 550000)

貴州地區屬于國內自然環境復雜、地質構造繁多的遙感極難區域[1-2]，再加上年平均日照時間短、天氣變化快，素有遙感禁區的稱號，但貴州地區經濟發展主要依靠農、林及旅游業[3]，所以掌握并保護好自然生態環境將進一步促進地區經濟發展。為了能高效且精準地統計自然資源數據，需要引進遙感數據作為調繪工作的基礎支撐。根據以往經驗，完成對烏蒙山國家自然資源林木調繪需要數百人的人工參與量，且最終調繪成果精度誤差各有不同，最高可達20%以上的中位數誤差，數據成果的有效性和精準性都不足。在此情況下嘗試引入衛星高光譜和高分影像數據，以期對植被生長環境復雜、大面積區域性的林分分類提供可靠的方法技術。

1 研究區概況

烏蒙山國家地質公園位于揚子準地臺(I級構造)上揚子臺褶帶(II級構造)貴州威寧縣至貴州水城縣的迭陷斷褶束、黔西南迭陷褶斷束以及黔中早古拱褶斷束和黔南古陷褶斷束的極西邊緣[4]。地勢西高東低，北高南低，中部因北盤江的強烈切割侵蝕，地形起伏劇烈，海拔為1 400～1 900 m。以烏蒙山頂峰及其東坡高原喀斯特地質為特色，以北盤江喀斯特大峽谷為主體，擁有青藏高原東坡新生代以來各個時期形成的各種類型的喀斯特地質地貌特征。研究區域內的喀斯特地質地貌、山原地貌構成了不同時期不同地質地貌條件下形成并發育的喀斯特地質現象，是世界典型的高原喀斯特地貌區。實驗區域如圖1所示。

圖1 實驗區域

本次實驗區域位于烏蒙山地質公園西北側，占地面積約35 km2。包含的典型地物有喬木林地、灌木、草地、耕地、房屋建筑、道路等，實驗區域內最低海拔為1 264 m、最高海拔為2 795 m。

2 研究總體思路

研究總體思路是利用珠海一號高光譜衛星影像數據和高分二號高分影像數據進行數據融合，并結合地面林分光譜信息采集建立分類樣本，再采用SAM分類方法[5]進行分類實驗，如圖2所示。

圖2 總體思路

2.1 主要方法

研究方法和創新點是采用多源遙感數據的融合方式，將不同數據源的優點保留下來，如本文中將高光譜的光譜信息和高分的紋理信息進行像素級融合，進而充分利用兩種數據的表達信息。

本次實驗數據源包括高分影像數據、高光譜影像數據、高程數據和地理國情數據，實驗區高分影像時相為2018年8月、高光譜影像時相為2019年8月，高程數據為分辨率2 m的Google earth高程，利用2018年的地理國情現狀數據作為本次實驗的精度驗證依據，見表1。數據情況如圖3所示。

表1 數據源

圖3 數據情況

實驗正式開始前，通過外業勘查小組攜帶便攜式地物光譜儀(ASD)，于2019年8月14日采集了烏蒙山地質公園實驗區森林、灌、草植被樣本點的光譜信息，記錄采集點環境、天氣等情況并現場取照。ASD主要是用來測量地表沉積物、土壤、植物、水體和人工目標在300～2 500 nm波段范圍的反射率和透過率，利用探測到的地物吸收特征對目標進行成分識別，并定量化地物的化學組分[6-9]。光譜儀設備參數見表2。地物光譜信息采集情況如圖4所示。

圖4 地物光譜信息采集情況

表2 光譜儀設備參數

2.2 實驗流程

本實驗主要通過高分數據、高光譜數據和高程數據，采用多源遙感影像數據融合[10]解譯的方法，選取最佳分類模型，對森林空間分布進行分析提取。實驗流程如圖5所示。

圖5 實驗流程

2.3 研究內容

研究采用GS方法融合珠海一號高光譜影像和GF2號高分影像，通過GS正交化方法構造高保真的高光譜信息和高空間分辨率的空間信息，利用向量正交化來消除矩陣運算過程中的數據冗余信息，并且保存數據融合過程中信息熵的最大化[11-13]。

本次實驗將該算法運用到高光譜、高分影像融合處理時，采用改進的GS變換，將第T個GS分量由前T-1個GS分量構造，利用高光譜圖像的相關波段進行光譜重采樣，以模擬全色分辨率圖像。即在構造融合影像數據矩陣時利用公式：

(1)

式中：GST為GS變換后產生的第T個分量；BT為原始高光譜影像的第T個波段影像；uT為第T個原始高光譜波段影像灰度值的均值[7]。

(2)

然后利用反GS變化公式將變換后的T波段數據集賦值到原始高光譜T波段，通過這種GS變換方法，能有助于保持原高光譜波段影像的光譜特征。

利用改進GS變換得出的融合圖像與原高光譜圖相比均值差異較小[14]，通過與原圖像的地物屬性、特征比較發現融合影像的相關性較強且相對偏差較小。同時，繪制了典型地物融合前后的光譜曲線，如圖6所示，發現融合后的影像光譜與原始高光譜比較，GS光譜銳化融合后同一地物的光譜曲線形狀與走勢沒有發生明顯變化。

圖6 融合影像及同名點光譜曲線

GS變換的遙感影像數據融合技術融合的圖像中植被等地物的色調變異較小，接近原始高光譜圖像[15]。融合影像中典型地物的邊緣等信息未發生幾何畸變和位置偏移。同時，GS變換融合方法標準差最接近原始高光譜影像，擁有大量信息熵值。

融合結果評價：對采用GS融合技術融合后的影像數據進行結果評價，主要采用波段光譜響應值作為多維信息空間的矢量，然后計算原始高光譜影像與融合后影像中同種地物的光譜曲線夾角來評定融合前后的匹配度[16-18]。評價公式為

(3)

表3 融合后光譜曲線與原始高光譜曲線夾角 單位：(°)

林地融合后影像的光譜曲線與原始高光譜曲線夾角在綠波段B7(566 nm)位置夾角為0.115°，紅邊位置B14(670 nm)至B18(730 nm)范圍內原始高光譜曲線與融合后光譜曲線夾角平均角度為0.019°，對于灌木植被分類提取應用，特別是涉及利用紅邊位置指數的方法[19]，融合前后的數據并不會在茶的光譜響應區間產生光譜差異，近紅外波段B28(880 nm)融合前后光譜曲線夾角為0.201°。

根據本文的實驗方法，實驗過程中α值設定為0.4，即融合數據的光譜夾角范圍落在光譜分析夾角極值內[20]，所以融合后影像完全符合實驗區森林林地分類提取分析需求。

2.4 專題信息提取方法

本次實驗將通過基于高分影像的最大似然分類法、基于融合影像的SAM分類法、基于融合影像的最大似然分類法做實驗對比分析，找出分類精度最優方案。實驗流程如圖7所示。分類樣本訓練過程見表4。分類樣本訓練過程及光譜曲線如圖8所示。

圖7 林分植被分類對比實驗流程

圖8 分類樣本訓練過程及光譜曲線

3 實驗結果分析

3.1 分類實驗精度表

不同分類方法的重要精度對比分析見表5。

表5 植被提取精度分析表

續表5

3.2 專題信息提取實驗

林分植被分類提取結果如圖9所示。

圖9 分類結果

4 結論

通過多源數據融合分類應用方法，在貴州喀斯特地貌地區有一定的應用價值，其中林地類分類采用融合影像的SAM法分類效果最好，總體精度為85.9%。采用單一數據源高光譜和高分的分類精度分別為67.9%和44.8%，因為本次實驗影像數據時相為8月，地面植被光譜色調差異性較小，所以基于高分數據的分類效果不佳，且草地為分類難度最高精度較低的目標地物，錯分漏分情況較其他林分都更為嚴重。所以后續試驗將進一步探究草地分類的方法技術，由于本次實驗數據量不夠大、范圍不夠廣、多源數據的時相性不夠吻合，實驗還存在不足和需要改進的地方。