環境減災二號A/B衛星在森林樹種識別中的應用

高金萍 于慧娜 王月婷 高顯連 張曉麗

(1 國家林業和草原局林草調查規劃院，北京 100714)(2 北京林業大學，北京 100083)

森林是陸地生態系統的主體，也是林業和草原行業主要的空間服務對象，在維護生態平衡、應對氣候變化中發揮著重要作用[1]。森林資源的分布狀況直接影響國家重大林業和草原資源監測規劃與管理政策的制定。森林類型信息是森林管理的基礎數據，準確的森林類型及樹種識別對繪制林相圖、清查森林資源、反演森林地上碳儲量、監測物種多樣性及森林資源可持續管理具有重要意義[2]。傳統的手段基本為人工調查，由于森林分布廣、遍布山頭地塊，野外調查耗費大量人力和成本[3]，對于環境復雜、人力無法到達的林區很難開展森林資源調查工作，且重復監測周期較長[4]。近年來迅速發展的遙感技術可全面、快速掌握林草資源各種信息，在森林資源調查及森林樹種識別等方面發揮著重要作用，成為越來越重要的林草行業監測技術手段[5-6]。

世界觀測-2(WorldView-2)、高分二號等衛星的高分辨率遙感影像具備較高的空間分辨率，近年來在森林樹種識別領域研究甚多[7-11]。與中低分辨率影像相比，高分辨率影像的空間信息更加豐富，但其數據量龐大，處理時對計算機性能要求較高，且價格相對昂貴，在較大區域尺度開展森林精確識別應用具有一定的局限。此外，分辨率提升的同時，光譜譜段會有所減小[12]。相對而言，中高分辨率遙感影像既可提供豐富的光譜信息，又可以提供清晰的結構信息，在區域尺度森林樹種識別領域具備獨特的優勢。近年來，我國陸續研發了具備寬覆蓋、中高空間分辨率及短重訪周期等特征的衛星(如高分一號)，利用中分辨率遙感影像進行樹種識別的研究也逐步增多[13-14]。

2020年9月27日，我國在太原衛星發射中心以“一箭雙星”方式成功發射環境減災二號A/B衛星，用于接替已在軌運行12年的環境減災一號A/B衛星。2顆衛星技術狀態相同，雙星組網可實現不大于2天的多光譜和紅外數據無縫覆蓋、不大于21天的高光譜數據無縫覆蓋，大幅提高我國中分辨率可見光、紅外及高光譜遙感數據獲取能力，最大限度地滿足各行業和部門對中高空間分辨率、高時間分辨率、高光譜分辨率、寬觀測幅寬性能衛星影像的應用需求。環境減災二號A/B衛星多光譜譜段含有豐富的光譜信息，除具有傳統衛星的藍、綠、紅、近紅外譜段，還多了一個能反映綠色植物生長狀況的紅邊譜段，可提供植被狀態的關鍵信息。目前，森林樹種識別方面的研究大多是基于國外衛星數據和其他國產衛星數據，對環境減災二號A/B衛星數據在樹種識別中的應用研究還未開展。本文針對環境減災二號A/B衛星，利用在軌測試期間獲取的數據首次開展森林類型及主要樹種識別的業務應用研究，采用衛星多光譜和高光譜數據，提取光譜特征、植被指數和紋理特征等信息，通過支持向量機(SVM)、原型網絡等分類方法進行試驗區森林類型及主要樹種的識別，初步評價環境減災二號A/B衛星數據在林業和草原行業的業務應用能力，為后續充分發揮其應用潛力、更好地服務林業和草原行業奠定基礎。

1 試驗區概況

綜合已有的地面調查數據、森林植被代表性、在軌測試期間衛星影像覆蓋情況等因素，選擇福建武夷山國家公園和東北虎豹國家公園2個區域作為試驗區。

1.1 福建武夷山國家公園

武夷山國家公園位于福建省北部與江西省交界處，地理坐標為117°24′13″E-117°59′19″E，27°31′20″N-27°55′49″N，總面積1001.41 km2。武夷山國家公園地處內陸山區，主要山脈大致呈東北-西南走向，地勢為西北、東北高，西南、東南低，自西向東分別屬于中山、中低山和丘陵地貌區，海拔1630 m(九重天)，屬中亞熱帶季風氣候區。武夷山四季氣溫較均勻，溫和濕潤，總體年均氣溫17～19 ℃，1月均溫6～9 ℃，極端最低氣溫可達-9 ℃，7月均溫28～29 ℃；年均降水量1684～1780 mm，是福建省降水量最多的地區。

武夷山國家公園以森林生態系統為主體，森林覆蓋率達到87.86%；有常綠闊葉林、針闊葉混交林等多種植被類型，是世界同緯度保存最完整、最典型、面積最大的中亞熱帶森林生態系統。

1.2 東北虎豹國家公園

東北虎豹國家公園位于我國吉林省和黑龍江省交界處，地理坐標為129°5′0″E-131°18′48″E，42°31′06″N-44°14′49″N，總面積為1.492 6×108km2。虎豹公園海拔在1500 m以下，大部分山體海拔在1000 m以下，相對高度在200～600 m。以中低山、峽谷和丘陵地貌為主，土壤以暗棕壤和沼澤土為主，屬大陸濕潤性季風氣候區，年平均氣溫5 ℃，年降水量變化在450～750 mm。

東北虎豹國家公園以森林生態系統為主體，森林面積1.387 3×104km2。森林類型以針闊混交林為主，面積9.668×103km2，占森林面積的68.97%；闊葉林3.383×103km2，占24.38%；針葉林89.1 km2，占6.42%。原生性紅松闊葉混交林僅呈零星分布，次生林分布廣泛，以白樺林、山楊林、櫟林為主。該區域樹種組成復雜、分布零散，了解該區域主要森林類型或樹種組成對反映該區域森林資源豐富程度及天然林保護狀況具有重要意義。

2 采用數據

2.1 遙感數據

環境減災二號A/B衛星均配置了4類光學載荷，包括16 m相機、高光譜成像儀、紅外相機和大氣校正儀。其中：16 m相機由4臺可見光CCD相機組成，通過視場拼接可提供幅寬為800 km的多光譜影像；高光譜成像儀幅寬為96 km；紅外相機幅寬為720 km；大氣校正儀可在軌同步獲取與16 m相機同視場的大氣多譜段信息，進行大氣輻射校正。衛星多光譜數據空間分辨率為16 m，包含B1(0.45～0.52 μm)，B2(0.52～0.59 μm)，B3(0.63～0.69 μm)，B4(0.77～0.89 μm)，B5(0.69～0.73 μm)共5個譜段。高光譜數據在0.45～0.92 μm包含100個譜段，空間分辨率為48 m，平均光譜分辨率優于5 nm；在0.90～2.5 μm譜段包含115個譜段，空間分辨率為96 m，平均光譜分辨率優于14 nm。

在福建武夷山國家公園和東北虎豹國家公園2個試驗區，選取云量不超過5%、質量較好的多光譜影像各2景，數據等級為L1A級，數據獲取時間分別為2020年12月6日和2020年10月20日，能基本覆蓋2個試驗區。在福建武夷山國家公園試驗區內選取質量較好的高光譜影像，影像獲取時間為2021年2月20日，云量為0%；東北虎豹國家公園試驗區內沒有合適的數據源，故該試驗區不采用高光譜數據。

2.2 樣地調查數據

獲取2個試驗區的實測樣地數據，樣地為半徑為15 m的圓形，均勻分布于各試驗區。以樣地的優勢樹種信息作為選取主要樹種分類的訓練和驗證樣本數據的依據。

3 研究方法

森林類型及樹種識別應用主要包括數據預處理、特征提取、訓練分類和精度評價等關鍵環節，總體技術過程見圖1。

圖1 森林類型及樹種識別過程Fig.1 Process of forest type and tree species identification

3.1 數據收集和預處理

收集在試驗區獲取的地面調查數據，建立試驗區調查樣本集。數據預處理主要包括輻射校正、大氣校正、幾何校正、正射校正等步驟。①輻射校正和大氣校正。利用提供的數據定標參數完成輻射校正，利用快速大氣校正模型對數據進行大氣校正。②幾何校正。基于哨兵-2(Sentinel-2)衛星數據，在影像上手動選擇控制點，利用仿射變換模型對影像進行幾何精校正。③正射校正。利用影像產品自帶的有理多項式系數模型(RPC)文件進行自動正射校正，利用該模型和中國科學院計算機網絡信息中心地理空間數據云平臺(http://www.gscloud.cn)獲取的30 m分辨率先進星載熱反射和反輻射儀數字高程模型(ASTER DEM)數據對影像進行二次卷積法重采樣處理，得到正射校正影像。

3.2 特征提取

很多森林樹種之間比較相似，區分度不高，僅依靠光譜特征常會出現同物異譜或異物同譜的現象。文獻[15-17]中結果表明：在光譜特征基礎上結合紋理特征、植被指數等信息，能更準確地區分森林樹種信息，有效提升樹種識別的精度。

1)光譜特征

不同地物類別因組成與結構差異而具有不同輻射特征和譜段反射率，在遙感影像中具有不同的亮度值，以此來區分不同地物。譜段反射率均值計算公式為

(1)

式中:i為譜段序號；ρi為第i個譜段的反射率；n為譜段數。

2)植被指數

歸一化植被指數(NDVI)是應用最廣的植被指數，該指數可以監測植被生長狀態，有效反映植被覆蓋情況，其取值范圍是[-1，1]，在植被區域顯示為正值，值越大代表植被覆蓋度越高。NDVI計算公式為

(2)

式中：INDVI為歸一化植被指數值；ρN為近紅外譜段反射率；ρR為紅光譜段反射率。

3)主成分變換變量

主成分分析是基于變量之間的相關關系，在盡可能不丟失信息的前提下進行的線性變換，常用于信息增強和數據壓縮。它是對某一多光譜影像X，利用變換矩陣A進行線性組合，而產生一組新的多光譜影像，表達式為

Y=AX

(3)

式中：X為變換前的多光譜空間的像元矩陣；Y為變換后的主成分空間的像元矩陣；A為X空間協方差矩陣∑X的特征向量矩陣的轉置矩陣。

變換后，前三主成分能夠包含90%以上的信息，第四主成分多數為噪聲，在譜段組合時只使用前三主成分即可。

4)紋理特征

影像中地物的重要信息可以通過紋理分析獲取，灰度共生矩陣(GLCM)是從影像上像素之間的灰度空間相關角度來描述紋理。影像灰度的變化包括方向、相鄰間隔和變化幅度等綜合信息，都可以通過GLCM反映。基于GLCM可提取8個紋理特征[18]，即對比性(CO)、協同性(HO)、二階矩(SE)、熵(EN)、均值(ME)、相異性(DI)、方差(VA)、相關性(CC)。紋理特征是基于主成分分析后的第一主成分提取的，窗口大小設置為3×3，方向為45°，步長為1。

3.3 分類方法

機器學習理論與方法已成為遙感影像分類的重要技術手段，遙感影像的樣本數量相對較少，是制約分類精度的關鍵因素。SVM和原型網絡方法分別作為淺層機器學習和深度學習中小樣本分類的代表方法法，已得到了廣泛應用。

(1)SVM從20世紀90年代被提出，在影像識別領域已經得到了廣泛應用，理論基礎和技術方法較為成熟[19]。典型的SVM需要一組輸入數據和訓練目標，對于每個給定的輸入，其分類結果可能是兩個類。給定一組訓練樣本，每個樣本都被標記為屬于兩個類別之一，SVM算法通過建立一個模型從而把新的樣本分類到一個或者另一個類別中去。該算法模型把在空間中表示為點的對象映射為兩類，而且兩類樣本之間的分類間隔最大。新的對象將會被映射到同樣的空間并基于其落在間隔的哪一邊來預測屬于哪一種類別。這一算法是基于定義決策邊界的決策平面的概念，一個決策平面用來區分一系列具有不同類別成員關系的對象。SVM模型中具有不同的可用的內核，常用的核函數有線性核、多項式核、高斯核和徑向基核，其中，徑向基核函數是SVM使用的內核中最為普遍的一種選擇[20]。

(2)原型網絡分類的原理是每個類的點都圍繞1個原型進行聚類。通過神經網絡學習輸入到嵌入空間的非線性映射，并以支持集的平均值作為其在嵌入空間中類的原型。然后，查找最近的類原型，即可對嵌入式查詢點進行分類。以窗口大小為S·S的切片數據作為原型網絡的輸入源。嵌入函數架構根據裁剪數據窗口大小由不同數量卷積塊組成(Layer 1，…，LayerN，Layer last)。每個卷積塊包括1個卷積層(Conv2d)，1個批量歸一化層(Batch_norm)，1個非線性激活函數(Relu)及1個最大池化層(Max_pool2d)。全連接層(Flatten)，將最后1個卷積塊的輸出(1×1×F，F為通道數)作為輸入，通過全連接層(Flatten)轉化為F個特征值。計算投影空間中查詢集到各個類原型的歐氏距離，使用Softmax激活函數計算屬于各個類別的概率，作為分類依據[21-22]。

本文使用的原型網絡以5個譜段作為輸入，采用的卷積層的輸出特征值數F為64，卷積核為3×3。最大池化層的池化核為2×2。此網絡結構將產生64維輸出空間。使用相同的嵌入函數對支持集和查詢集進行運算，并將其作為損失和精度計算的輸入參數，所有的模型都是通過Adam-SGD優化器進行訓練的，初始學習率為1×10-3，每2000次訓練將學習率減半。使用歐式距離作為度量函數，訓練原型網絡。

3.4 精度評價

(1)SVM分類精度評價。通過檢驗樣本建立混淆矩陣，檢驗分類結果的準確性，選取的精度驗證指標包括分類精度、Kappa系數、總精度。

(2)原型網絡分類精度評價。原型網絡分類精度包括網絡訓練精度和測試精度。訓練精度通過訓練過程中最后1個epoch的精度(LEA)表示，即每次迭代的平均總體精度。測試精度通過總精度與Kappa系數表示。

4 測試結果與分析

針對環境減災二號A/B衛星的多光譜和高光譜數據，分別提取2個試驗區影像的光譜特征、NDVI和基于主成分第一分量的8個紋理特征。其中，高光譜是基于前100個可見光譜段，提取了主成分分析后的前5個特征變量作為分類的特征量。

4.1 武夷山國家公園分類結果

根據野外實測樣地的優勢樹種信息，選取針葉林、闊葉林、杉木樣本各200個，同時結合目視解譯和影像質量，選取裸地、水體、農田和道路建筑4類地物，每類地物各選取樣本200個。每類地物及森林樹種各選取90個驗證樣本。分別采用SVM和原型網絡分類進行試驗區主要地類和森林樹種識別，并對識別結果進行精度評價。

1)應用SVM的森林樹種識別

本文采用多光譜數據，選擇高斯核函數，設置參數gamma為0.2，懲罰因子為100。基于特征變量對各類地物及森林主要樹種進行識別，并利用驗證樣本進行精度評價，結果見表1。其中：針葉林和闊葉林的多光譜分類精度分別為88.61%和86.36%，杉木的多光譜分類精度略低，為54.47%；總精度為86.37%；Kappa系數為0.83。圖2為應用SVM的武夷山國家公園主要樹種識別情況。

表1 應用SVM的主要樹種識別分類精度Table 1 Classification accuracy of main tree species identification using SVM %

2)應用原型網絡分類的森林樹種識別

本文分別采用多光譜和高光譜數據，通過設置不同窗口大小來比較分類精度，最終設置窗口大小分別為21×21像元和17×17像元。利用驗證樣本對分類結果進行精度評價，見表2。其中：針葉林和闊葉林的多光譜分類精度分別為94.62%和79.66%，杉木的多光譜分類精度為92.96%，較SVM方法有了明顯提升；多光譜和高光譜總精度分別為91.11%和83.79%，Kappa系數分別為0.90和0.81。圖3為應用原型網絡分類的武夷山國家公園主要樹種識別情況。

圖2 應用SVM的武夷山國家公園主要樹種識別情況Fig.2 Main tree species identification using SVM in Wuyishan National Park

表2 應用原型網絡分類的主要樹種識別分類精度Table 2 Classification accuracy of main tree species using prototype network classification %

4.2 虎豹國家公園分類結果

根據野外實測樣地的優勢樹種信息，選取針葉林、闊葉林、云杉樣本各200個。同時，結合目視解譯和影像質量，選取了裸地、水體、農田、道路建筑、云和陰影6個類別，每個類別各選取樣本200個。每個類別及森林樹種各選取90個驗證樣本。

1)應用SVM的森林樹種識別

基于特征變量對各類別及森林主要樹種進行識別，并利用驗證樣本進行精度評價，見表3。其中：云杉、針葉林和闊葉林的分類精度分別為90.14%，88.65%，79.29%；總精度為91.77%；Kappa系數為0.90。圖4為應用SVM的東北虎豹國家公園主要樹種識別情況。

表3 應用SVM的主要樹種識別分類精度Table 3 Classification accuracy of main tree species identification using SVM %

圖4 應用SVM的東北虎豹國家公園主要樹種識別情況Fig.4 Main tree species identification using SVM in Hubao National Park

2)應用原型網絡分類的森林樹種識別

通過設置不同窗口大小來比較分類精度，最終設置窗口大小為17×17。基于特征變量對各類別及森林主要樹種進行識別，并利用驗證樣本進行精度評價，見表4。其中：云杉、針葉林和闊葉林的分類精度分別為79.32%，96.32%，92.21%；總精度為91.34%；Kappa系數為0.90。圖5為應用原型網絡分類的東北虎豹國家公園主要樹種識別情況。

表4 應用原型網絡分類的主要樹種識別分類精度Table 4 Classification accuracy of main tree species identification using prototype network classification %

5 結論

本文采用環境減災二號A/B衛星多光譜和高光譜數據，在福建武夷山國家公園和東北虎豹國家公園2個試驗區開展森林類型及主要樹種識別的應用研究，總結如下。

(1)分類模型的選擇對于分類效果具有重要影響。在福建武夷山國家公園試驗區，原型網絡分類對主要樹種識別的精度整體要優于SVM；在東北虎豹國家公園試驗區，SVM對云杉的識別精度更好，但在針葉林和闊葉林的識別上，原型網絡分類表現更佳。

(2)2個試驗區的主要樹種識別精度較高，杉木和云杉最優分類精度分別為92.96%和90.14%。東北地區森林結構相對簡單，而福建森林結構更為復雜，樹種類型眾多交錯，因此福建武夷山國家公園森林類型及主要樹種識別精度略低于東北虎豹國家公園。

(3)環境減災二號A/B衛星在軌測試期間，由于時間和數據等約束條件，只做了局部試驗區的在軌測試，實現了部分類型地類和樹種的識別和分類。為提高衛星在林業和草原資源監測的應用能力，后續需要持續探索衛星數據在我國不同地區、不同地類、不同樹種分布等多種情況下的應用能力。