发布时间：2019-12-23所属分类：园林工程师浏览：1次
摘 要： 摘要当前，不同空间分辨率卫星影像对森林类型识别结果中普遍存在的尺度效应，而且纹理参量对不同尺度下树种识别精度的影响仍缺乏广泛认知.本研究以中国东北旺业甸林场为研究区，采用观测时相同步、地理坐标匹配的GF-1PMS、GF-2PMS、GF-1WFV，以及Landsat-8OL
摘要当前，不同空间分辨率卫星影像对森林类型识别结果中普遍存在的尺度效应，而且纹理参量对不同尺度下树种识别精度的影响仍缺乏广泛认知.本研究以中国东北旺业甸林场为研究区，采用观测时相同步、地理坐标匹配的GF-1PMS、GF-2PMS、GF-1WFV，以及Landsat-8OLI卫星传感器数据组成空间尺度观测序列(1、2、4、8、16、30m)，并结合支持向量机(SVM)模型，探讨了区域内5种优势树种遥感识别结果的尺度变化规律及其纹理特征参数的影响，同时检验了基于尺度上推转换影像的树种识别结果差异.结果表明:影像空间分辨率对区域树种识别结果具有显著影响，其中，研究区森林树种识别的最佳影像分辨率为4m，当分辨率降低至30m时，树种识别结果最差.在1～8m影像分辨率范围内，增加纹理信息能够显著提高不同优势树种的识别精度，使总分类精度提升了2.0%～3.6%，但纹理信息对16～30m影像的识别结果没有显著影响.与真实尺度卫星影像相比，基于升尺度转换影像的树种识别结果及其尺度响应特征存在显著差异，表明在面向多个空间尺度的遥感观测和应用研究中，需要采用真实分辨率影像以确保结果的准确性.
关键词树种识别;空间分辨率;多光谱遥感;纹理信息;尺度效应
森林植被是全球陆地生态系统的重要组成部分，对地表碳循环以及能量平衡等起到重要作用[1].准确获取森林树种的类型和空间分布信息，不仅是保障地区森林面积、空间位置动态等森林经营和监测指标精度的重要前提，还直接影响到林分蓄积量、生物量、物种多样性和生态系统服务功能等相关模型结果的准确性[2-4].近20年来，遥感技术已逐渐取代人工普查，成为林业部门及相关学者获取森林类型信息的主要方法.但由于受观测树种冠层尺寸以及影像空间分辨率的限制，较低空间分辨率的遥感影像对森林树种类型的识别存在困难[5-6].相反，中高分辨率遥感影像(1～30m)的观测视场接近于树种或林分冠层尺寸，能够有效避免混合像元并表达植被的细节变化[7]，同时，卫星影像能具备较大的空间覆盖范围，对于区域森林树种精细识别具备较大潜力[2].
研究表明，遥感影像空间分辨率的变化会导致其在表达地物信息和数据分析时产生差异，从而使相关结果产生尺度效应[8-9].长期以来，由于同步多尺度观测影像数据的缺乏，针对遥感树种识别的空间尺度效应以及最佳识别尺度判定等问题一直未能得到有效解决[10].不少国内外学者基于影像重采样后生成的多尺度数据，对不同地区森林[11-13]或树种[14-17]类型识别的空间尺度效应开展了相关研究.如Meddens等[15]将0.3m分辨率影像重采样至1.2、2.4和4.2m，结果发现2.4m影像的识别精度最高.Ghosh等[16]采用4、8和30m共3种空间分辨率影像对树种识别结果进行了尺度效应分析，结果表明，8m分辨率影像的识别效果最好.上述研究成果为探讨影像空间分辨率对树种识别精度的影响提供了部分参考，但由于影像的升尺度转换过程会导致结果影像像元光谱失真[18-19]，故其与同尺度真实观测影像的森林树种识别结果差异还有待验证.
此外，随着卫星影像空间分辨率的不断提高，纹理特征在植被遥感分类中的潜在价值逐渐受到重视[20]，而针对纹理特征对不同空间分辨率影像的树种识别结果差异等问题仍亟待解决.基于此，本研究以中国东北地区的旺业甸林场为研究区，结合大量野外实测样点和同期林相图等辅助数据，采用同时相的6景连续空间尺度卫星影像(1、2、4、8、16、30m)对研究区5种主导树种类型进行识别，分析树种识别结果的空间尺度差异和变化规律，并对基于尺度上推的不同空间分辨率影像结果进行对比验证;同时，探讨了在不同空间分辨率下，纹理特征参数对不同树种分类精度的影响，以期为多尺度遥感影像在森林资源识别和动态监测方面提供参考和依据.
1研究地区与研究方法
1.1研究区概况
旺业甸林场位于中国内蒙古自治区赤峰市西南部(41°21'—41°39'N，118°09'—118°31'E)，土地面积为551km2，其中包含有林地面积约463km2(图1).研究区属温带季风气候，年平均气温4.2℃，年降水量400～600mm，年日照时数大于2700h.地形以山地为主，海拔在800～1890m.当地的森林植被类型以人工林为主，林分覆盖纯度较高.典型乔木树种主要有油松(Pinustabuliformis)、落叶松(Larixgmelinii)、山杨(Populusdavidiana)、白桦(Betulaplatyphylla)和蒙古栎(Quercusmongolica)，树种面积占研究区森林总面积95%以上[21].本研究将上述5种主导优势树种作为研究对象，其中，油松和落叶松分别属于常绿针叶树种和落叶针叶树种，而山杨、白桦和蒙古栎属于落叶阔叶树种.
1.2数据来源
1.2.1遥感数据本研究遥感数据为GF-1PMS、GF-2PMS、GF-1WFV、Landsat-8OLI共6景中高分辨率影像，分别源于中国资源卫星应用中心(CCRSDA)以及美国地质勘探局(USGS)网站(表1).所用影像选择标准为成像质量好、无云量，同时保持影像光谱在地物时相上的一致性，避免由植被季相差异造成的光谱变化[22].此外，夏季植被生长旺盛，被证实是采用单季相遥感数据进行树种识别的最佳时节[23].
相关知识推荐：陕西生态方面的论文可以投稿哪些期刊
在陕西环境的变化中，给当地的农业生态也造成了影响，很多生态从业人员也开始研究生态相关的论文，然而这方面的论文可以投稿到哪些刊物呢?这也是很多作者咨询小编的问题，本文小编通过整理陕西农业生态期刊数据库，给大家分享了几本比较好投稿的陕西生态刊物。
高分一号(GF-1)卫星搭载了两台2m分辨率全色和8m分辨率多光谱相机(PMS)，包括蓝光、绿光、红光、近红外4个波段.GF-1同时搭载4台16m分辨率多光谱相机(WFV)，波段设置与PMS一致.高分二号(GF-2)卫星搭载了2台高分辨率1m全色和4m多光谱相机(PMS)，传感器设置与GF-1相同，但空间分辨率提高1倍.Landsat-8OLI传感器共设有9个波段，此处仅采用其中蓝光、绿光、红光和近红外4个波段.
1.2.2野外观测数据2017年9月在研究区开展了为期8d的野外树种调查试验，分散记录主要乔木优势树种油松、落叶松、山杨、白桦和蒙古栎各林分样区的空间位置，综合考虑林龄结构、林下盖度和林分密度差异，并满足每个观测样区的空间尺寸不小于30m×30m.采用手持GPS逐一记录所选林分样区中心位置的空间地理坐标，同时以标准木法测量样地平均冠幅，试验获取研究区5种典型树种类型的典型样区共1156个.为保证影像样点像元的光谱纯度，以各样区的中心点为纯样本设置试验训练样本和验证样本.其中，优选各树种样本数量总数约1/3用于训练，剩余样本用于验证[24].不同树种样本信息见表2.此外，同步记录地面控制点30个，用于遥感影像的空间配准与几何精校正.
1.3影像预处理
采用Gram-Schmidt变换将GF-1和GF-2全色波段与多光谱波段融合，分别生成1m和2m分辨率多光谱影像.研究表明，Gram-Schmidt算法不仅增加了空间细节信息，而且较好地保留原始影像的光谱信息[25].利用影像自带的RPC文件、研究区数字高程模型(DEM，30m)以及地面GPS记录的控制点对卫星影像进行正射校正和几何精校正.同时，以m多光谱影像为基准，对其他影像依次进行相对几何校正，使均方根误差(RMSE)小于0.5个像元.采用中国资源卫星数据与应用中心(CRESDA)和美国地质调查局(USGS)官方网站发布的同期定标参数，利用下式对影像进行辐射校正.
Le(λe)=Gain·DN+Offset(1)式中:Le(λe)为传感器处的光谱辐射亮度(W·m-2·sr-1·μm-1);Gain为校正增益系数;DN为像元灰度值;Offset为校正偏移量(W·m-2·sr-1·μm-1)
.采用基于影像的光照和大气修正模型(IACM)[26]与伪不变特征模型(PIF)[27]进行大气校正，将所有影像的DN值转换成地表真实反射率.研究表明，该算法能够有效克服传感器之间的相对校正误差[28].此外，采用广泛使用的像元聚合(PA)升尺度转换方法[13]将1m遥感数据分别重采样至2、4、8、16和30m.
1.4纹理信息提取
基于灰度共生矩阵(graylevelco-occurrencematrices，GLCM)提取不同尺度影像的树种纹理特征.GLCM能够较好地描述影像灰度值的空间关系和结构特征，并体现图像纹理统计规律特点[29].对各多光谱影像进行主成分分析(principalcomponentanalysis，PCA)变换，并选择第一主分量(含95%以上影像信息量)依次计算出4种纹理参数，包括对比度(contrast)、信息熵(entropy)、二阶矩(secondmoment)和相关性(correlation)，窗口尺寸为3×3.研究表明，所选纹理参数能够较好体现森林植被冠层的纹理特性[30].
1.5分类与验证
采用支持向量机(SVM)作为融合影像光谱和纹理信息的分类器，以研究尺度变化所引起的森林类型识别结果差异.SVM分类器是一种来源于统计学习理论的非参数监督分类算法，其无需假设推定的输入数据为正态分布，并将训练数据映射到高维空间，从而挖掘出原始数据的多维新特征[31].相关研究表明，SVM的地物识别效率优于最大似然分类算法[32-33]，以及神经网络或决策树分类模型[34-35].此外，根据研究区林相图数据先提取出森林边界，再进一步对当地5种主导优势树种类型进行精细识别.
除影像原始波段外，增加归一化植被指数(NDVI)和相对绿度指数(RGI)作为补充特征向量参与SVM分类器运算[15]，并以此作为第一组分类试验.第二组试验则在第一组试验基础上加入所选的4种纹理变量，以进一步分析纹理特征对树种识别的影响.采用惩罚系数C=100.0、核函数半径σ=1.000时的径向基核函数进行SVM算法[30].
NDVI=(NIR-Red)/(NIR+Red)(2)
RGI=Red/Green(3)
式中:NIR、Red和Green分别代表影像的近红外、红光和绿光波段的地表反射率.
精度验证选取基于混淆矩阵的4类指标，包括总分类精度(overallaccuracy，OA)、Kappa系数、制图精度(producer’saccuracy，PA)和用户精度(user’saccuracy，UA)[36].同时，对验证样本采取随机不放回的方式对分类结果进行5次重复计算，使所有分类结果均产生一组精度和Kappa数值.采用方差分析(ANOVA)对统计结果进行检验，并选择最小显著性差异法(LSD)判别差异显著性(α=0.05)[37].
2结果与分析
2.1空间分辨率变化与树种分类结果
由图2可以看出，研究区不同优势树种的总分类精度和Kappa系数均伴随影像空间分辨率的增加呈先升高后降低的趋势，二者数值由1m到4m分辨率逐渐上升，并达到最高(81.1%±1.0%和0.759±0.014);再由4m到30m分辨率持续下降，并于30m分辨率处分别低于70%和0.62.方差分析表明，不同空间分辨率影像对区域树种分类结果的影响存在显著差异.其中，6种分辨率影像的分类精度和Kappa系数由高到低依次为4m>2m>8m>16m>1m>30m，4m分辨率影像的分类精度明显优于其他空间分辨率影像，而2和16m分辨率的影像结果则分别与8m分辨率影像没有显著差异，同时1与30m分辨率影像的结果精度也较为接近.
基于4m分辨率影像获取了研究区5种优势树种的分布图(图3).其中，非林地类型主要包括建筑用地、耕地、裸土和灌木，主要分布于研究区地形平坦、人类活动相对密集的区域，呈带状分布;森林主要分布在影像核心区外围，地形以山地丘陵为主，呈片状分布.其中，油松和落叶松的分布相对集中，主要分布在研究区中部以及西北部地区;白桦主要分布在研究区西部和南部外围的山坡及山谷处，形成一定面积的纯林;山杨和蒙古栎主要分布在影像核心四周，常与白桦相伴而生;其中蒙古栎分布范围更广，同时斑块相对破碎.
2.2基于升尺度转换影像的分类结果
基于1m分辨率影像依次进行不同倍数的升尺度转换，并对真实尺度影像与重采样影像在不同空间分辨率下的分类结果进行方差分析和配对样本T检验(Paired-samplesT).结果表明(表3)，基于尺度上推影像的分类精度整体上伴随空间分辨率的降低而逐渐提高.其中，在1～8m分辨率范围内，各尺度图4不同尺度上推影像与同尺度真实影像中不同优势树种识别结果的空间一致度比较Fig.4Spatialagreementofdifferentdominanttreespeciesclassificationsbetweennative-imageandaggregated-imageatdifferentresolution(%).上推影像结果之间均存在显著差异，而在16～30m分辨率范围内无明显差异，表明研究区树种识别精度的变化幅度伴随影像分辨率降低而下降，当影像分辨率低于8m后下降趋势明显，同时在16～30m分辨率范围内无明显变化.整体上看，基于尺度上推影像的分类结果精度范围为(72.9%±1.1%)～(83.8%±1.2%)，略高于真实影像的结果精度范围(69.6%±1.0%)～(81.1%±1.0%).然而，根据Paired-samplesT检验结果，基于尺度上推影像的各分辨率影像结果与真实影像结果均存在显著差异.其中，尺度上推影像在1～4m分辨率处显著低于真实分辨率影像结果，而在8～30m分辨率的结果精度则显著高于真实分辨率影像.
图4显示了同尺度真实影像和升尺度转换影像在不同分辨率下树种总分类精度(OA)与不同树种类型分布的空间一致度水平(采用不同影像同坐标像元进行逐一对比，并记录分类结果一致的像元比例).结果表明，随着空间分辨率的降低，真实影像和重采样影像分类结果的整体空间一致度明显下降.其中，二者最高的空间一致性出现在4m分辨率，达到68.2%.山杨、落叶松、白桦和蒙古栎均在4m分辨率达到最佳空间一致性，而白桦和杨树在整个尺度序列内的空间一致度相对较差.
SCISSCIAHCI
