CN103093233A

CN103093233A - 一种基于面向对象的高分辨率遥感影像森林分类方法

Info

Publication number: CN103093233A
Application number: CN 201210506579
Authority: CN
Inventors: 张林波; 张继平; 沃笑; 徐翠; 张海博
Original assignee: Chinese Research Academy of Environmental Sciences
Current assignee: Chinese Research Academy of Environmental Sciences
Priority date: 2012-12-03
Filing date: 2012-12-03
Publication date: 2013-05-08

Abstract

本发明公开了一种基于面向对象的高分辨率遥感影像森林分类方法。该方法以高分辨率遥感影像为基础，采用面向对象的图像分类方法，建立了面向遥感的森林二级分类系统，创建了森林遥感分类辅助数据集及集成影像，筛选出区分森林类型的关键指数，并根据关键指数提出了一种分层逐步分类提取法用以制定各森林类型的信息提取知识规则。本发明处理流程适合于区域中小尺度森林资源遥感监测，方法具有较好的可操作性和可重复性，能够有效提高区域森林遥感监测的效率和精度。

Description

一种基于面向对象的高分辨率遥感影像森林分类方法

技术领域：

本发明涉及地理信息系统、遥感、景观生态学及森林生态学。

背景技术：

森林是陆地最大的生态系统，是地球生命系统的支柱，是陆地生态平衡的调节中枢，是人类赖以生存的必要保障和发展的基础，在支撑经济社会可持续发展中有不可替代的作用。森林是一种可再生资源，在人为因素和自然力的共同作用下，自然生长和死亡，人为采伐和更新，使森林生态系统无时不处于消长交替的动态过程之中。以森林、林木和林地为主体构成的森林资源显然是一种动态资源。开展森林资源调查和监测，对一定空间、时间内森林资源状态进行连续性跟踪调查，掌握其现状和消长变化情况，预测其发展变化趋势，为制定林业方针、政策、中长期规划和林业生产经营计划，检验经营成果等提供科学依据，对于提高林业发展乃至经济社会发展科学决策水平，促进林业和资源环境以及经济社会的可持续发展具有极为重要的意义。

森林资源监测体系是组织、建立、实施森林资源监测的一整套方法。传统的森林资源调查和监测技术方法以地面测量为主，存在着工作量大、劳动强度大、成本高、周期长、效率低、时效性差等问题，而且调查精度不高，难以满足当今林业发展的需要。研究表明，以1∶10000地形图为工作手图实地勾绘小班，面积平均误差为25.0％，中心位置平均位移77.1m，边界平均位移9.3m。因此，长期以来，众多学者致力于研究探讨新的适用的技术体系和方法。以遥感为主，包括地理信息系统和全球定位系统的3S技术及其集成，由于其具有传统技术不可比拟的优势，成为当前森林资源调查和监测研究的重点和热点。

森林面积调查和监测是森林资源监测最基本、最关键的内容。遥感技术用于森林资源监测，必须首先研究解决森林面积估测问题，亦即是解决遥感图像的森林分类问题。然而，当今遥感技术在森林资源调查和监测中的应用还存在很多问题需要深入研究解决：一是森林和土地分类问题还未得到很好解决，能分离的类型个数和分类精度与相关技术标准的要求差距甚远。尤其在地形地貌复杂、森林分布破碎、种类和类型多样、结构复杂的南方林区，情况更是如此；二是森林区划过于粗糙，最小成图面积远大于技术标准要求。由于过往大多采用的中低空间分辨率遥感图像，造成了森林区划最小面积过大且成图比例尺较小。

森林分类是遥感技术在森林资源调查和监测中应用中最为关键的技术。本发明采用空间分辨率为2.5m的ALOS遥感数据，探索出一种基于面向对象的森林遥感分类方法，旨在提高森林分类精度，为实现森林资源的快速准确监测提供一条有效途径。

发明内容

本发明将提供一种针对高分辨率遥感影像的，基于面向对象遥感影像分类技术的森林分类方法。

发明要解决的技术问题：

传统的分类方法在分类时仅依靠地物的光谱信息，基于面向对象的高分辨率遥感影像森林分类方法更多的是利用地物的几何形态、结构信息，如纹理、形状、结构和空间组合关系等，顾及更多的结构、特征等信息，提高了分类精度；建立了面向遥感的森林二级分类体系，确保了森林遥感监测数据的分类一致性和结果可比性；根据筛选出的关键指数，提出了一种便捷、准确、高效的分层逐步分类提取法，方法具有较好的可操作性和可重复性，能够实现区域森林资源的快速准确监测。

基于面向对象的高分辨率遥感影像森林分类方法，包括以下步骤：

步骤1：数据源选择。选择的数据源为高分辨率卫星遥感影像数据，如ALOS，SPOT，Quick Bird等数据，并辅以高程数据、林业调查数据等相关数据资料，同时结合实地调查数据进行分析。

步骤2：图像预处理。图像分类前，对遥感影像进行预处理，包括大气校正、几何校正、投影转换、剪裁拼接等，并对全色波段图像及多光谱图像进行影像融合。

步骤3：建立森林分类系统。根据遥感影像数据的信息可辨识性，结合传统森林分类系统，建立了面向遥感的森林二级分类体系。一级分类将森林划分为针叶林、阔叶林和针阔叶混交林三类。二级分类根据生境的差异将针叶林划分为暖性针叶林和温性针叶林；根据季相差异将阔叶林划分为常绿阔叶林、常绿落叶、阔叶混交林及落叶阔叶林。

步骤4：建立森林遥感分类标志库。通过实地考察，确定各森林类型的大体分布情况及分布规律，记录典型分布点位，结合野外GPS定位，将各森林类型的实地考察点坐标与遥感影像进行空间匹配，获取各森林类型的遥感影像特征。

步骤5：建立森林遥感分类辅助数据集及集成影像。辅助数据集主要包括DEM数字高程数据及其衍生出来的坡度、坡向数据、NDVI(Normalized Difference Vegetation Index，归一化植被指数)数据(通过遥感影像波段计算得到)等。将各辅助数据分别作为一个波段叠加到遥感影像波段中，组合成用于遥感影像分类的集成影像。

步骤6：基于面向对象的森林分类。在ENVI ZOOM软件平台下进行森林遥感分类，首先通过调试，确定图像分割系数，生成集成图像的对象图层。然后，采用专家知识分类法，利用对象图层中各对象的空间、光谱和纹理特征构建各森林类型的信息提取知识规则。最后，将获取的特征信息输出为矢量文件，获得初步的森林分类数据。在制定各森林类型的信息提取知识规则的过程中，本发明筛选出了区分森林类型的关键指数，主要包括DEM、NDVI及intensity等。根据这些关键指数，提出了一种便捷、准确、高效的分层逐步分类提取法：1)根据NDVI指数划分植被与非植被；2)根据光谱特征与色调差异区分草地与森林(草本植物比较低矮，受阴影影响较小，在高分辨率遥感影像上表现为均匀的浅色调)；3)根据纹理特征及时相差异区分耕地与森林(采用农作物播种期或收割期时段的影像，与成熟期时段的影像进行比较，提取耕地信息)；4)根据Color Space and BandRatio Attributes特征选项中的intensity指数划分针叶林、阔叶林及针阔叶混交林；5)根据DEM高程数据，将针叶林划分为暖性针叶林和温性针叶林；6)根据NDVI指数，结合多时相遥感数据，将阔叶林划分为常绿阔叶林、常绿落叶、阔叶混交林及落叶阔叶林。

步骤7：将分类结果导入ArcGIS中，对照遥感影像，参考地形图和其他相关专题图件，结合实地调查情况，对错误的分类结果进行目视解译修订，以确保分类精度。

步骤8：实地调查验证。对初步的森林分类数据采用分层随机采样的方法进行精度分析。通过野外实地调研，确定验证样点的真实属性，与初步的分类结果进行比较，确定分类结果的精度。

本发明的有益效果：

1、本发明所选取的面向对象的图像分类方法在分类时不仅依靠地物的光谱信息，更多的是利用地物的几何形态、结构信息，如纹理、形状、结构和空间组合关系等，与传统的分类方法相比，该方法由于顾及了更多的结构、特征等信息，避免了同一地物内部异质性增强导致的“椒盐现象”的产生，提高了分类精度。

2、本发明所选取的遥感影像具有高分辨率、高精度的特点，能够保证森林分类的精确度。

3、本发明建立了面向遥感的森林二级分类体系，确保了森林遥感监测数据的分类一致性和结果可比性。在实际应用中，可以根据不同的森林调整森林划分的种类。

4、本发明创建了森林遥感分类辅助数据集及集成影像，实现了对遥感影像数据的信息补充。

5、本发明筛选出了区分森林类型的关键指数，并根据这些关键指数，提出了一种便捷、准确、高效的分层逐步分类提取法，用以制定各森林类型的信息提取知识规则，其处理流程适合于区域中小尺度森林资源遥感监测，方法具有较好的可操作性和可重复性，能够实现区域森林资源的快速准确监测。

附图说明

图1本发明森林遥感分类流程图

图2本发明实施例井冈山自然保护区各森林类型信息提取知识规则的流程图

图3本发明实施例的森林信息提取结果图

具体实施方式

(一)实施例选择

选择井冈山国家级自然保护区为实施例，该保护区位于中国江西省西南部(E114°04′～16′，N26°38′～40′，)，总面积214.99km²，属森林生态系统类型自然保护区，是目前世界上同纬度保存最完整的中亚热带天然常绿阔叶林保护区。保护区内森林区系成份古老、复杂，是距今约6千万年前遗留下来的古老而又比较完整的新生代第三纪森林生态系统。区域内地形复杂，山体巍峨，沟壑纵横，地势西、南高，东、北低。气候温暖湿润，年均温为14～17℃，年降水量为1865.5毫米，无霜期为250天，属亚热带湿润季风气候区。保护区地处中亚热带的典型地带，区域内森林植被以中亚热带常绿阔叶林为主，主要植被类型有针叶林、常绿阔叶林、落叶阔叶林、常绿落叶阔叶混交林、针阔叶混交林等。保护区内土壤具有显著的中亚热带山地森林土壤的性质，成土母岩主要为板岩、花岗岩、石英岩、石英质砂岩等，森林土壤类型有山地红壤、山地黄壤、山地暗黄棕壤、山地草甸土等。

(二)数据源选择

本实施例选择ALOS(Advanced Land Observation Satellite)高分辨率遥感影像数据为数据源。ALOS是日本的对地观测卫星，于2006年1月24日发射升空。ALOS卫星载有三个传感器：全色遥感立体测绘仪(PRISM)，先进可见光与近红外辐射计-2(AVNIR-2)，相控阵型L波段合成孔径雷达(PALSAR)。ALOS卫星全色影像具有较高的空间分辨率(2.5m)，多光谱影像空间分辨率为10m，光谱信息丰富。波长范围为0.52-0.77μm，共包含蓝、绿、红和近红外4个波段。本实施例所选用的ALOS影像成像时间为2008年11月29日。

本实施例收集了一系列辅助数据资料，主要包括：2009年井冈山市森林二类调查小班数据；1∶50000井冈山自然保护区地形图；1∶25000井冈山自然保护区林相图(2004)；井冈山森林小班因子属性表(2004)；交通、水系、行政区划、居民点等基础信息数据。

(三)遥感影像预处理

遥感影像预处理过程主要包括对ALOS遥感影像的全色图像及多光谱图像进行大气校正、几何校正、投影转换、采用井冈山保护区边界矢量数据对图像进行裁剪，并采用ISH法对ALOS影像的全色波段图像及多光谱图像进行影像融合。

(四)建立森林分类系统。根据遥感影像数据的信息可辨识性，结合传统森林分类系统，建立了面向遥感的森林二级分类体系。一级分类将森林划分为针叶林、阔叶林和针阔叶混交林三类。二级分类根据生境的差异将针叶林划分为暖性针叶林和温性针叶林；根据季相差异将阔叶林划分为常绿阔叶林、常绿落叶、阔叶混交林及落叶阔叶林。

(五)建立森林遥感分类标志库。通过对井冈山保护区的实地考察，记录各森林类型的分布情况、分布规律及外相特征，同时记录每个森林类型的典型分布地点的地理坐标，将各森林类型的实地考察点坐标与遥感影像进行空间匹配，获取各森林类型的遥感影像特征。本实施例中共记录森林标志点204个，平均每个森林类型记录标志点30个以上，同时，记录了64个非林地标志点，用以比较区分易于林地相混淆的地物类型。

(六)建立森林遥感分类辅助数据集及集成影像。本实施例的辅助数据集主要包括空间分辨率为30m的DEM数字高程数据(由NASA官方网站下载得到)及其衍生出来的坡度、坡向数据(坡度及坡向数据在ArcGIS软件平台中生成)、NDVI(Normalized Difference Vegetation Index，归一化植被指数)数据(通过遥感影像波段计算得到)等。再ENVI软件平台下，将各辅助数据分别作为一个波段叠加到遥感影像波段中，组合成用于遥感影像分类的集成影像。

(七)基于面向对象的森林分类。在ENVI ZOOM软件平台下进行森林遥感分类，首先通过调试，确定图像分割系数(两个关键系数Segment Scale Level及Merge Level分别设置为60.0及90.0)，生成集成图像的对象图层。然后，采用专家知识分类法，利用对象图层中各对象的空间、光谱和纹理特征构建各森林类型的信息提取知识规则。最后，将获取的特征信息输出为矢量文件，获得初步的森林分类数据。在制定各森林类型的信息提取知识规则的过程中，本实施例筛选出了区分森林类型的关键指数，主要包括DEM、NDVI及intensity等。根据这些关键指数，采用分层逐步分类提取法对森林进行分类，1)NDVI指数划分植被与非植被；2)根据光谱特征与色调差异区分草地与森林(草本植物比较低矮，受阴影影响较小，在高分辨率遥感影像上表现为均匀的浅色调)；3)根据纹理特征及时相差异区分耕地与森林(采用农作物播种期或收割期时段的影像，与成熟期时段的影像进行比较，提取耕地信息)；4)根据Color Space and Band Ratio Attributes特征选项中的intensity指数划分针叶林、阔叶林及针阔叶混交林；5)根据DEM高程数据，将针叶林划分为暖性针叶林和温性针叶林；6)根据NDVI指数，结合多时相遥感数据，将阔叶林划分为常绿阔叶林、常绿落叶、阔叶混交林及落叶阔叶林。最终确定各森林类型的信息提取知识规则如下：

各森林类型信息提取知识规则

7、目视解译修订。将分类结果导入ArcGIS中，对照遥感影像，参考地形图和其他相关专题图件，结合实地调查情况，对错误的分类结果进行目视解译修订，以确保分类精度。

8、实地调查验证。对初步的森林分类数据采用分层随机采样的方法进行精度分析。通过野外实地调研，确定验证样点的真实属性，与初步的分类结果进行比较，确定分类结果的精度。本实施例中，在ERDAS软件平台下，运用随机采样法生成200个参考点进行精度评价，每个森林类型的参考点都在30个以上。研究人员于2010年8-9月，2011年7-9月及2012年4-5月共三次对研究区进行实地考察，记录了包含了200个随机参考点在内的上千个地物核查参照点。经过分析这200个随机参考点所对应的分类结果与野外实地考察结果的一致性，计算得到本实施例森林分类的总体精度为96.15％，与传统森林分类相比，具有较高的准确性。

Claims

1.一种基于面向对象的高分辨率遥感影像森林分类方法，其特征在于以高分辨率遥感影像为基础，采用面向对象的图像分类方法，建立了面向遥感的森林二级分类系统，创建了森林遥感分类辅助数据集及集成影像，筛选出区分森林类型的关键指数，并根据关键指数提出了一种分层逐步分类提取法用以制定各森林类型的信息提取知识规则。具体包括以下步骤：

步骤6：基于面向对象的森林分类。在ENVI ZOOM软件平台下进行森林遥感分类，首先通过调试，确定图像分割系数，生成集成图像的对象图层。然后，采用专家知识分类法，利用对象图层中各对象的空间、光谱和纹理特征构建各森林类型的信息提取知识规则。最后，将获取的特征信息输出为矢量文件，获得初步的森林分类数据。

步骤7：将分类结果导入ArcGIS中，对照遥感影像，参考地形图和其他相关专题图件，结合实地调查情况，对错误的分类结果进行目视解译修订。

2.根据权利要求1所述的森林分类方法，其特征在于以高分辨率遥感影像为数据源。高分辨率遥感影像具有高分辨率、高精度的特点，能够保证森林分类的精确度。

3.根据权利要求1所述的森林分类方法，其特征在于采用面向对象的图像分类方法对森林进行遥感分类。面向对象的图像分类方法在分类时不仅依靠地物的光谱信息，更多的是利用地物的几何形态、结构信息，如纹理、形状、结构和空间组合关系等，与传统的分类方法相比，该方法由于顾及了更多的结构、特征等信息，避免了同一地物内部异质性增强导致的“椒盐现象”的产生，提高了分类精度。

4.根据权利要求1所述的森林分类方法，其特征在于根据高分辨率遥感影像数据的信息可辨识性，结合传统森林分类系统，建立了面向遥感的森林二级分类体系。一级分类将森林划分为针叶林、阔叶林和针阔叶混交林三类。二级分类根据生境的差异将针叶林划分为暖性针叶林和温性针叶林；根据季相差异将阔叶林划分为常绿阔叶林、常绿落叶、阔叶混交林及落叶阔叶林。

5.根据权利要求1所述的森林分类方法，其特征在于在制定各森林类型的信息提取知识规则的过程中，筛选出区分森林类型的关键指数：DEM、NDVI、intensity等，并根据关键指数提出了一种分层逐步分类提取法用以制定各森林类型的信息提取知识规则，即：1)根据NDVI指数划分植被与非植被；2)根据光谱特征与色调差异区分草地与森林(草本植物比较低矮，受阴影影响较小，在高分辨率遥感影像上表现为均匀的浅色调)；3)根据纹理特征及时相差异区分耕地与森林(采用农作物播种期或收割期时段的影像，与成熟期时段的影像进行比较，提取耕地信息)；4)根据Color Space and Band Ratio Attributes特征选项中的intensity指数划分针叶林、阔叶林及针阔混交林；5)根据DEM高程数据，将针叶林划分为暖性针叶林和温性针叶林；6)根据NDVI指数，结合多时相遥感数据，将阔叶林划分为常绿阔叶林、常绿落叶、阔叶混交林及落叶阔叶林。

6.根据权利要求1所述的森林分类方法，其特征是在于对照遥感影像，参考地形图和其他相关专题图件，结合实地调查情况，对错误的分类结果进行目视解译修订，以确保分类精度。

7.根据权利要求1所述的森林分类方法，其特征在于数据源选择、图像预处理、建立森林分类系统、建立森林遥感分类标志库、建立森林遥感分类辅助数据集及集成影像、基于面向对象的森林分类、目视解译修订、实地调查验证这样顺序的高分辨率遥感影像森林分类方法流程。