基于多源遙感影像的清原縣森林植被面積提取方法

基于多源遙感影像的清原縣森林植被面積提取方法

森林資源監(jiān)測(cè)是重要的森林基礎(chǔ)工作，是國(guó)情國(guó)力調(diào)查的重要組成部分。隨著3S技術(shù)在森林資源監(jiān)測(cè)中的深入研究和不斷發(fā)展,基于3S技術(shù)的森林資源動(dòng)態(tài)監(jiān)測(cè)受到世界各國(guó)越來越多的重視。在以往的研究中,有關(guān)植被信息的提取往往采用單一的遙感數(shù)據(jù)源和軟件,而應(yīng)用多源遙感數(shù)據(jù)對(duì)不同尺度空間范圍內(nèi)的森林植被信息進(jìn)行提取的研究則較少。高分辨率遙感影像具有空間分辨率高、處理工作量大和回訪周期長(zhǎng)的特點(diǎn),且大面積數(shù)據(jù)的獲取能力有限,中分辨率遙感影像具有覆蓋范圍廣和重訪周期短的特點(diǎn),如何在保證生產(chǎn)要求的情況下應(yīng)用不同類型的遙感數(shù)據(jù)的優(yōu)勢(shì),實(shí)現(xiàn)信息的互補(bǔ),提高植被識(shí)別精度,降低遙感影像作業(yè)成本,形成一套不同尺度(以縣-鄉(xiāng)為經(jīng)營(yíng)單位)范圍的森林植被提取方法,對(duì)提高森林資源監(jiān)測(cè)時(shí)效性和成本節(jié)約具有重要意義。本文選取清原縣為研究區(qū),最先建立二級(jí)分類體系,同時(shí)在研究區(qū)內(nèi)抽樣試驗(yàn)不同樣地大小和不同抽樣率對(duì)抽樣結(jié)果的影響,從而確定最優(yōu)的樣地大小和抽樣率,然后選取土口子鄉(xiāng)為RapidEye遙感影像的試驗(yàn)區(qū),應(yīng)用ENVIEX4.8軟件,采用面向?qū)ο蟮姆诸惙椒ㄌ崛∩种脖活愋?然后在清原縣內(nèi)對(duì)TM和RapidEye遙感影像進(jìn)行抽樣獲得影像樣本,在以所建立的RapidEye遙感影像森林植被類型提取技術(shù)為基礎(chǔ),采用“自下而上”的協(xié)同反演方法對(duì)TM遙感影像進(jìn)行森林植被信息反演提取,獲得TM影像數(shù)據(jù)的森林植被分布信息,形成不同尺度(縣-鄉(xiāng)(經(jīng)營(yíng)單位))的森林植被提取方法,為相關(guān)部門提供技術(shù)支持。1氣候特點(diǎn)清原縣位于遼寧省撫順市,地理坐標(biāo)為東經(jīng)124°20'06″~125°28'58″,北緯41°47'52″~42°28'52″,屬低山丘陵區(qū),海拔150~1101m,地勢(shì)東南高,西北低,中部起伏不平,地處暖溫帶大陸性季風(fēng)氣候區(qū),冬季漫長(zhǎng)寒冷,夏季炎熱多雨,年平均氣溫3.9~5.4℃,最冷出現(xiàn)在1月,最熱出現(xiàn)在7月,極端最高氣溫36.5℃,最低零下37.6℃。無霜期120~139d,平均日照2433h,年降水量700~850mm,降雨量集中在6、7、8月份;全縣總面積39.21萬hm2,林業(yè)用地30.5萬hm2,其中有林地27.8萬hm2,森林覆被率72.3%,森林總蓄積量2300萬m3;境內(nèi)森林多為落葉闊葉混交林與落葉針葉、常綠針葉樹種混交林以及針闊混交林,主要針葉樹種有落葉松、紅松、油松、云杉等,闊葉樹種主要以櫟類樹種為主。2數(shù)據(jù)收集和處理2.1數(shù)據(jù)來源2.1.1遙感數(shù)據(jù)的來源2.1.2向量數(shù)據(jù)2.2pidwell和tm數(shù)據(jù)預(yù)處理本文以2009年的航片數(shù)據(jù)作為地面參考信息,利用ENVI4.8軟件對(duì)RapidEye和TM數(shù)據(jù)進(jìn)行預(yù)處理,主要包括輻射校正、FLAASH大氣校正、幾何精校正、波段組合、圖像拼接與裁剪,其中配準(zhǔn)誤差控制在0.5個(gè)像元以內(nèi),將投影坐標(biāo)定義為Xian_1980投影,數(shù)據(jù)格式為GEOTIFF格式。3源遙感數(shù)據(jù)提取的森林植被區(qū)域3.1森林植被類型分類森林植被類型的劃分是森林資源調(diào)查的基礎(chǔ)內(nèi)容,也是開展遙感森林分類監(jiān)測(cè)的基礎(chǔ),在森林資源監(jiān)測(cè)上具有重要的意義。森林植被類型的確定主要考慮以下4個(gè)原則:一是統(tǒng)一性原則;二是科學(xué)性原則;三是系統(tǒng)性原則;四是遙感技術(shù)可監(jiān)測(cè)性和適應(yīng)性原則。依據(jù)以上原則,參照研究區(qū)森林植被類型概況和2003年《國(guó)家森林資源連續(xù)清查技術(shù)規(guī)定》及《森林資源規(guī)劃設(shè)計(jì)調(diào)查主要技術(shù)規(guī)定》要求,本研究將研究區(qū)內(nèi)森林植被劃為兩個(gè)級(jí)別,在一級(jí)分類體系中,將林地細(xì)分為森林和非森林,形成森林、非森林兩個(gè)一級(jí)類型;在二級(jí)分類體系中,將森林分為針葉林、闊葉林、混交林、經(jīng)濟(jì)林,形成針葉林、闊葉林、混交林、經(jīng)濟(jì)林、其他林地、非林地六個(gè)二級(jí)類型。根據(jù)清原縣森林資源實(shí)際情況,灌木林地在林地中所占的比例很小,所以沒有對(duì)其進(jìn)行提取劃分。在一級(jí)分類體系上,本研究應(yīng)用TM遙感影像提取森林植被,在二級(jí)分類上,應(yīng)用RapidEye遙感影像提取森林植被類型。具體的劃分見表2。3.2抽樣率確定和樣地設(shè)置研究以TM和RapidEye遙感影像為基礎(chǔ),設(shè)計(jì)以PPS抽樣為基礎(chǔ)的抽樣方法在研究區(qū)內(nèi)獲取TM和RapidEye兩種影像樣本,并對(duì)遙感影像樣本進(jìn)行森林植被類型提取,通過設(shè)計(jì)中、高分遙感樣地的抽樣比以及遙感樣地面積大小兩個(gè)方面進(jìn)行計(jì)算分析,最終獲得可靠的抽樣比及遙感樣地面積。樣地面積太大,判讀區(qū)劃和地面驗(yàn)證工作量大,反之樣地面積小,為確保精度要求,樣地?cái)?shù)量及工作量也要增大。撫順市森林覆蓋率較高且分布均勻,因此本文以撫順市的最佳采樣率及樣地大小結(jié)果作為清原縣的最佳采樣率及樣地大小結(jié)果。本文把撫順市森林資源二類調(diào)查數(shù)據(jù)中的森林面積作為真值,以森林資源一類清查樣地為中心,創(chuàng)建5種大小(0.25、0.5、1、2、3、4km)的正方形樣地(即樣地大小),同時(shí)選擇所創(chuàng)建正方形樣地?cái)?shù)量的1/5、1/4、1/3、1/2、1(即抽樣率),以抽樣率和樣地大小兩個(gè)因子進(jìn)行抽樣控制,分別計(jì)算30種組合下的總體統(tǒng)計(jì)精度和抽樣方差,對(duì)比不同組合的抽樣精度和抽樣效率進(jìn)行統(tǒng)計(jì)分析,采用兩個(gè)指標(biāo)(統(tǒng)計(jì)精度、方差)進(jìn)行衡量,最后確定最優(yōu)的抽樣組合方案,結(jié)果見表3和表4。通過對(duì)比各組抽樣的最佳統(tǒng)計(jì)誤差和誤差方差可知:采用現(xiàn)行一類清查樣地?cái)?shù)量的1/2(抽樣率為50%,抽樣面積比例為抽樣樣地總面積/撫順市總面積)為5.35%及抽樣間隔為8km×8km,樣地面積大小為2km×2km時(shí)估算效果最好。3.3rapodcd遙感影像特征采用多源遙感數(shù)據(jù)提取森林植被面積,以TM數(shù)據(jù)對(duì)研究區(qū)域進(jìn)行全覆蓋,按系統(tǒng)機(jī)械抽樣方式,布設(shè)一定數(shù)量覆蓋研究區(qū)的TM中分辨率數(shù)據(jù)的2km×2km遙感影像樣本(一般抽樣比小于30%),作為第一級(jí)遙感提取森林植被面積的樣本,第二級(jí)遙感抽樣為少量的2km×2km高分遙感影像RapidEye遙感影像樣本(一般抽樣比小于10%)。本研究以土口子鄉(xiāng)為例,應(yīng)用ENVIEX4.8軟件對(duì)RapidEye遙感影像進(jìn)行基于面向?qū)ο蟮纳种脖活愋吞崛〔?duì)結(jié)果進(jìn)行檢驗(yàn),然后以形成的RapidEye遙感影像分類技術(shù)流程對(duì)抽取的RapidEye遙感影像樣本進(jìn)行分類,并把分類結(jié)果作為第一級(jí)TM遙感影像森林植被提取分析的控制條件,利用監(jiān)督分類方法對(duì)TM遙感影像進(jìn)行分析完成第一級(jí)研究區(qū)內(nèi)森林植被信息提取,將TM遙感影像森林面積提取結(jié)果與森林資源二類調(diào)查結(jié)果進(jìn)行對(duì)比,分析多級(jí)遙感數(shù)據(jù)反演森林植被類型面積的估計(jì)精度。3.3.1rakidwell數(shù)據(jù)處理本文采用二級(jí)分類中的指標(biāo)為對(duì)象,主要區(qū)分森林中的針葉林、闊葉林、混交林、經(jīng)濟(jì)林和其他林地。首先應(yīng)用非林地邊界對(duì)影像進(jìn)行掩膜,去除非林地的干擾,然后基于高空間分辨率衛(wèi)星RapieEye影像數(shù)據(jù),應(yīng)用ENVIEX4.8軟件,采用面向?qū)ο蟮某叨确指罘椒ㄟM(jìn)行影像分類。并利用二類調(diào)查數(shù)據(jù)進(jìn)行精度驗(yàn)證。研究區(qū)位于撫順市清原縣土口子鄉(xiāng),為千山山脈延伸部分的山區(qū),地理坐標(biāo)為東經(jīng)124°58'30″~125°12'308″,北緯42°15'0″~42°38'45″,試驗(yàn)區(qū)總面積為280.78km2。本文對(duì)RapidEye進(jìn)行主成分變換分析,主成分變換是把多波段信息壓縮在少有的幾個(gè)波段上,即達(dá)到壓縮數(shù)據(jù)量的效果,又具有增強(qiáng)圖像信息的作用,見表5,經(jīng)主成分變換后RapidEye數(shù)據(jù)的5個(gè)波段信息主要集中在前兩個(gè)波段。本文選取NDVI影像、PCA1、PCA2合成假彩色影像,與傳統(tǒng)的532波段合成的影像相比,新組成的影像色彩鮮明,各地類相差明顯,可以用來進(jìn)行面向?qū)ο蟮姆诸惙治?。兩種波段組合的影像見圖1。對(duì)經(jīng)過預(yù)處理的RapidEye多光譜遙感影像,本文利用ENVIEX4.8軟件自帶的邊緣分割算法對(duì)影像進(jìn)行分割。其中的FeatureExtraction模塊采用基于邊緣分割的算法對(duì)影像進(jìn)行快速準(zhǔn)確的分割,同時(shí)可以通過預(yù)覽窗口查看結(jié)果以評(píng)價(jià)分割的好壞,通過調(diào)整分割尺度,建立合理的分割尺度參數(shù),軟件就可以自動(dòng)反復(fù)的對(duì)數(shù)據(jù)進(jìn)行處理,可以提高RapidEye影像的自動(dòng)識(shí)別精度。經(jīng)過多次試驗(yàn),設(shè)置分割尺度參數(shù)為35,合并參數(shù)為78,最后得到土口子鄉(xiāng)地類分類結(jié)果?；赗apidEye數(shù)據(jù)的分類技術(shù)路線見圖2。3.3.2tm影像分類方法應(yīng)用TM影像提取森林植被類型面積的研究較多,目前的研究大多數(shù)采用分類軟件,應(yīng)用影像的空間、紋理、光譜等信息進(jìn)行信息提取,本文基于RapidEye分類結(jié)果和TM影像,進(jìn)行協(xié)同反演森林植被面積。本文基于系統(tǒng)機(jī)械抽樣技術(shù),以少量樣本的RapidEye分類結(jié)果估算總體,然后通過RapidEye分類結(jié)果獲得的樣本分析,對(duì)抽樣率更大的TM影像數(shù)據(jù)進(jìn)行森林信息的提取,生成TM數(shù)據(jù)分類的樣本集,最后經(jīng)過監(jiān)督分類獲得TM影像的分類結(jié)果,詳細(xì)的技術(shù)流程見圖3,詳細(xì)步驟如下:(1)在森林資源一類清查樣地布設(shè)的基礎(chǔ)上,等間距選擇12個(gè)高分遙感樣地,每個(gè)樣地面積為2km×2km,應(yīng)用樣地邊框裁剪RapidEye高分影像。RapidEye遙感樣地位置見圖4。(2)基于RapidEye影像分類結(jié)果,并以此作為地面近似真值,建立與TM像元大小相同的網(wǎng)格單元,統(tǒng)計(jì)每個(gè)TM像元內(nèi)的RapidEye影像森林植被類型像元的個(gè)數(shù),其中一個(gè)TM像元對(duì)應(yīng)著36個(gè)RapidEye像元,從中選取全部為森林的TM像元作為訓(xùn)練樣本,生成TM影像樣本數(shù)據(jù)集,應(yīng)用ENVI4.8軟件,采用監(jiān)督分類中的支持向量機(jī)方法,對(duì)50個(gè)2km×2km的TM影像進(jìn)行監(jiān)督分類,并應(yīng)用二類調(diào)查成果對(duì)分類結(jié)果進(jìn)行驗(yàn)證。(3)如果分類結(jié)果未達(dá)到要求,需要對(duì)訓(xùn)練樣本集進(jìn)行調(diào)整,直至分類結(jié)果達(dá)到預(yù)期要求停止分類,生成森林植被類型矢量圖并導(dǎo)出。3.3.3檢驗(yàn)結(jié)果對(duì)比驗(yàn)證本研究采用系統(tǒng)抽樣方法與二類調(diào)查數(shù)據(jù)相結(jié)合生成檢驗(yàn)點(diǎn)進(jìn)行分類結(jié)果檢驗(yàn)。應(yīng)用ARCGIS10.0中的hawthstools→samplingtools→gengrateregularpoints進(jìn)行系統(tǒng)抽樣生成檢驗(yàn)點(diǎn),同時(shí)將1:5萬二類調(diào)查成果數(shù)據(jù)導(dǎo)入ARCMAP中,記錄檢驗(yàn)點(diǎn)所對(duì)應(yīng)的立地類型,并應(yīng)用此結(jié)果對(duì)分類結(jié)果進(jìn)行對(duì)比驗(yàn)證。3.4結(jié)果和精度驗(yàn)證3.4.1分類結(jié)果分析本文應(yīng)用二類調(diào)查數(shù)據(jù)統(tǒng)計(jì)結(jié)果進(jìn)行面積精度檢驗(yàn),采用系統(tǒng)抽樣方式在土口子鄉(xiāng)二類調(diào)查矢量數(shù)據(jù)底圖上布設(shè)抽樣點(diǎn),共計(jì)獲得檢驗(yàn)點(diǎn)個(gè)數(shù)為196個(gè),對(duì)提取結(jié)果進(jìn)行精度驗(yàn)證,其中針葉林檢驗(yàn)點(diǎn)有58個(gè),闊葉林檢驗(yàn)點(diǎn)有97個(gè),混交林檢驗(yàn)點(diǎn)有12個(gè),經(jīng)濟(jì)林檢驗(yàn)點(diǎn)有14個(gè),其他林地檢驗(yàn)點(diǎn)有15個(gè)。表6是應(yīng)用面向?qū)ο蟮姆诸惙椒ㄌ崛〉纳种脖活愋兔娣e與二類調(diào)查數(shù)據(jù)間的誤差統(tǒng)計(jì)表。由表6可知:森林植被類型面積提取總體精度為88.87%,Kappa系數(shù)為0.61。從總體精度來看,遙感解譯效果較為理想。圖5是采用ENVIEX4.8軟件對(duì)RapidEye影像進(jìn)行分類的結(jié)果圖。混交林由于存在同物異譜和同譜異物并且所占比例較小的原因,無法將其有效提取,因此需要人工修正。經(jīng)濟(jì)林分布一般比較靠近道路兩側(cè),受到人為生產(chǎn)活動(dòng)的干擾,出現(xiàn)較大的誤差,其他林地由于包括未郁閉的未成林地和裸露的無立木林地的影響,也出現(xiàn)了較大的誤差,影響了分類精度。3.4.2統(tǒng)計(jì)結(jié)果對(duì)比分析圖6是基于RapidEye影像分類結(jié)果協(xié)同反演TM影像所生成的森林分布圖,對(duì)清原縣TM影像森林面積提取結(jié)果進(jìn)行統(tǒng)計(jì),并與清原縣二類調(diào)查統(tǒng)計(jì)結(jié)果進(jìn)行對(duì)比分析。應(yīng)用TM影像提取的森林面積結(jié)果為68.35萬hm2,清原縣二類調(diào)查成果數(shù)據(jù)統(tǒng)計(jì)結(jié)果為73.97萬hm2,由TM影像遙感解譯結(jié)果與二類調(diào)查結(jié)果對(duì)比分析可知,森林面積提取總體精度為92.41%,Kappa系數(shù)為0.89,遙感解譯效果較為理想。4在森林植被分類上的應(yīng)用及發(fā)展本文依據(jù)現(xiàn)行森林資源調(diào)查技術(shù)規(guī)程的基礎(chǔ)上建立了不同尺度范圍的遙感植被信息提取分類體系,在分類體系的基礎(chǔ)上,基于抽樣技術(shù)、TM和RapidEy遙感影像提取估算森林植被類型面積。RapidEye數(shù)據(jù)采用面向?qū)ο蟮姆诸惙椒ㄌ崛〔煌种脖活愋兔娣e,在以RapidEye分類結(jié)果為基準(zhǔn)協(xié)同反演TM影像森林植被信息并進(jìn)行驗(yàn)證,結(jié)果表明RapidEye遙感影像提取森林植被類型的分類精度達(dá)88.87%,Kappa為0.61;TM影像提取森林信息的分類精度達(dá)到92.41%,Kappa為0.89,分類結(jié)果理想。由此形成不同尺度(以縣-鄉(xiāng)為經(jīng)營(yíng)單位)森林植被信息的提取方法,通過抽樣獲取部分遙感影像樣本并進(jìn)行總體估算,同時(shí)應(yīng)用ENVIEX4.8軟件可以快速地對(duì)森林植被信息進(jìn)行提取,在一定程度上可以降低野外工作量和調(diào)查費(fèi)用,提高森林資源的監(jiān)測(cè)效率,可為中小尺度范圍的森林植被類型提取提供技術(shù)參考。但本文還存在一些問題:應(yīng)用