CN105354534A - 一种基于多源同期高分辨率遥感数据的树种分类方法 - Google Patents

Abstract

本发明公开了一种基于多源同期高分辨率遥感数据的树种分类方法，利用集成传感器同期获取的高分辨率和高光谱数据，首先基于高分辨率数据和面向对象分割方法进行冠幅识别，然后基于高光谱数据提取的空间细节和光谱特征并结合BP神经网络分类器进行树种分类，最后通过混淆矩阵验证精度。本发明基于边缘检测的多尺度分割算法，从多层次、多格局，建立不同尺度的分割等级，逐层进行分割与信息提取，提升亚热带天然次生林树种及森林类型的分类精度。

Description

一种基于多源同期高分辨率遥感数据的树种分类方法

技术领域

本发明属于林业调查、动态监测及生物多样性技术领域，具体涉及一种基于多源同期高分辨率遥感数据的树种分类方法。

背景技术

精确获取森林树种信息及其空间分布对于理解森林生态系统的结构、功能及其演替，以及生物多样性具有重要意义。同时，树种空间分布信息可用于森林生长模型和生态过程模型的参数化，指导和优化森林生态系统模拟。常规的树种调查方法主要依赖于地面野外调查及利用大比例尺航片人工判读等，其耗费的工作量通常较大，且不利于森林树种信息的更新。而遥感技术具有宏观、动态和快速的特点，可以弥补常规地面调查方法的不足。

近年来，高分辨率和高光谱遥感技术的发展，为中到大尺度上的森林信息提取提供了更高空间和光谱分辨率的数据源，同时在冠幅提取和树种分类中也具有很大潜力。然而，以往的方法往往基于单一数据源(如TM，ALOS，CASI等)，如王婧等在《遥感信息》2013年第4期发表了“基于粗糙集规则提取的面向对象树种分类方法”，利用ALOS多光谱影像对福建省三明市将乐林场的树种进行分类；且大多只针对主要森林类型，如李小梅等在《内蒙古农业大学学报(自然科学版)》2010年第2期发表了“基于对象的CHRIS遥感图像森林类型分类方法研究”，通过CHRIS/PROBA高光谱影像，对吉林省长白山地区进行纯林和混交林的分类；或只针对优势树种组，如温一博和范文义在《森林工程》2013年第2期发表了“多时相遥感数据森林类型识别技术研究”，利用多时相的TM数据对黑龙江省塔河县的北寒带森林进行分类，区分出了当地森林中的四个优势树种组。显然这些方法在细化树种分类层次和分类精度上还不能满足使用需求。

发明内容

发明目的：针对现有技术中存在的不足，本发明的目的是提供一种基于多源同期高分辨率遥感数据的树种分类方法，细化树种分类层次并进一步提升分类精度。

技术方案：为了实现上述发明目的，本发明采用的技术方案如下：

一种基于多源同期高分辨率遥感数据的树种分类方法，包括以下步骤：

1)借助AISAEagle传感器的辐射定标参数对原始影像进行辐射定标，将原始影像的DN值转化为像元辐射亮度值，然后利用FLAASH大气校正模型和平场域校正模型将像元辐射亮度值转化为地表反射率值；

2)利用基于边缘检测的多尺度分割方法对校正后的高分辨率影像进行面向对象分割，并剔除掉背景信息，从而提取出单木冠幅，然后利用地面实测数据评价提取精度；

3)在高光谱影像上对4个主要树种分别选取50个冠层光谱反射率曲线，通过平均光谱反射率曲线求得4个树种冠层上表面平均反射率曲线；选择近红外波段的各波段作为原始波段特征变量；通过对高光谱影像进行波段组合、多种植被指数变换、主成分分析、独立成分分析、最小噪声分离以及纹理分析，共提取出5组共47个特征变量：包括12个原始单波段特征、8个波段组合特征、9个植被指数特征、9个数理统计特征以及9个纹理特征；在47个特征变量中选取信息熵最大的前12个特征变量作为优化特征变量；

4)采用BP神经网络对影像进行分类，BP神经网络开始训练时选用较小的随机互联权值与内部阈值，经过反复加载训练样本并调整权值，直到代价函数下降到可以接受的容限值为止；分类完成后加入单木冠幅信息采用面积权限法进行重分类，即冠幅面积区域内占大多数面积的树种类型为整个冠幅的树种类型。

步骤1)中，遥感数据源于LiCHy传感器系统；其中，高光谱数据为AISAEagle子传感器获取，空间分辨率为0.6m，波长范围为398.5nm-994.4nm，光谱范围覆盖64个波段，辐射分辨率为12bit；高分辨率影像为LiCHy系统中的DigiCAM-60子传感器在同一时间获取，空间分辨率为0.1m，辐射分辨率为8bit。

步骤1)中，对影像进行几何精校正，使其配准到高光谱影像。选取320个同名像点，采用二次多项式进行校正，并使得校正误差控制在1个像元之内，然后使用最邻近像元法进行重采样。

步骤2)中，提取精度包括探测位置准确性和冠幅半径准确性；探测位置准确性采用分割树冠和地面实测树冠中心点的距离算法做匹配，当地面实测冠幅中心点在分割冠幅半径之内时，分割冠幅探测正确。另外，加入树干倾斜改正，将分割冠幅半径加上2m作为探测距离的阈值，距离小于探测阈值的认为探测位置准确。

步骤2)中，探测位置的准确性用以下三个指标衡量：

$r=\frac{Nt}{Nt+No},p=\frac{Nt}{Nt+Nc},F=\frac{2(r\×p)}{r+p}---\left(1\right)$

式中，r为冠幅的探测率，p为探测出的冠幅的准确率，F为总体精度，Nt为影像上探测出且与地面实测相匹配的冠幅数量，No为影像上未探测出但地面实测存在的冠幅数量，Nc为影像上探测出但地面实测并不存在的冠幅数量；对于冠幅半径的准确性，按照圆形面积计算公式反推出冠幅半径，将地面实测冠幅半径与影像提取的冠幅半径作回归分析计算冠幅半径提取的精度。

步骤3)中，47个特征变量的含义及计算公式见下表：

步骤4)中，对于一个输入样本P，其平方误差定义为：

$E_p=\frac{1}{2}\underset{k}{\Σ}{(t_{pk}-o_{pk})}^2---\left(4\right)$

对于整个网络系统的总均方误差为：

$E=\frac{1}{p}{\mathrm{\ΣE}}_p---\left(5\right)$

其中P为训练样本总数，网络训练的目的是找到一组权值，使E极小化；LMS算法用梯度下降法，即权重的增量正比于误差的负导数，使得过程收敛。

步骤4)中，分类分为四组，第一组为使用全部特征变量，分四个树种进行分类；第二组为使用优化特征变量，对四个树种进行再次分类；第三组为使用全部特征变量，按森林类型进行分类；第四组为使用优化特征变量，按森林类型再次进行分类。

步骤4)中，首先利用全部特征变量5组47个进行分类，对4个树种分别选择训练区域，进行训练学习，再利用训练的模型对未知区域进行分类；分类完成后加入单木冠幅信息采用面积权限法进行重分类，即冠幅面积区域内占大多数面积的树种类型为整个冠幅的树种类型；重分类后利用地面实测数据评价分类精度评价；然后，利用优化的12个特征变量对四个树种类型再次进行分类，分类方法为BP神经网络法，分类完成后加入单木冠幅信息进行重分类，并进行分类精度评价；其次，利用全部特征变量5组47个对森林类型进行分类，分为针叶和阔叶两种森林类型，分类方法选用BP神经网络法，分类后加入单木冠幅信息进行重分类，并利用地面实测数据进行分类精度评价；最后，利用优化的12个特征变量对森林类型再次进行分类，同样分为针叶和阔叶两种森林类型，分类方法使用BP神经网络法，分类后加入单木冠幅信息进行重分类，并利用地面实测数据进行分类精度评价。

有益效果：与现有技术相比，本发明将基于同期获取的高分辨率与高光谱遥感影像对北亚热带的典型树种进行冠幅提取和多个层次的树种分类，细化树种分类层次并进一步提升分类精度；其创新点和特色如下：

1)基于边缘检测的多尺度分割算法，从多层次、多格局，建立不同尺度的分割等级，逐层进行分割与信息提取。相比传统的直接(在郁闭度较低的林分影像上)量测法自动化程度和精度都有所提升，同时与复杂的空间统计学理论相比，更易于推广；

2)从高分辨率影像和高光谱影像中提取丰富的冠幅特征和光谱信息，提升亚热带天然次生林树种及森林类型的分类精度。

3)实验结果表明，利用全部特征变量进行4个典型树种分类时，总体精度为64.6％，kappa系数为0.493；而针对森林类型的分类精度为81.1％，kappa系数为0.584。利用选取的优化特征变量分类精度略低于利用全部特征变量的分类精度，其中对4个典型树种分类时，总体精度为62.9％，kappa系数为0.459；而针对森林类型的分类精度为77.7％，kappa系数为0.525。

附图说明

图1是四个树种冠层的平均光谱反射率曲线图；

图2是面向对象分割方法提取的单木冠幅图；

图3是面向对象分割方法提取的冠幅半径精度验证图；

图4是重要特征变量图，其中，a)MNF变换第一波段值(MNF1)；b)MNF变换第三波段值(MNF3)；c)主成分变换第二波段值(PCA2)；d)主成分变换第三波段值(PCA3)；e)土壤调节植被指数值(SAVI)；f)波段组合特征VI(40，15)。

具体实施方式

下面结合具体实施例对本发明做进一步的说明。

实施例1

试验区概况

研究区选取于江苏省常熟市国营虞山林场(120°42′9.4″E，31°40′4.1″N)，面积约1422hm²，高程变化范围为2-261m；研究区所处区域为亚热带季风气候，年平均降水量1062.5mm；其森林类型属于亚热带次生混交林，可细分为针叶林，阔叶林和混交林。其中主要针叶和阔叶落叶树种包含马尾松(Pinusmassoniana)、麻栎(Quercusacutissima)、枫香(Liquidambarformosan)和板栗(Castaneamollissima)等，同时伴生部分常绿阔叶树种。

根据虞山林场森林资源调查历史数据(2012)中的树种组成、年龄、和立地分层选取7个30m×30m的正方形样地，样地包括针叶林、阔叶林和混交林3种森林类型。样地调查时间为2013年8月，样地的四个角点、中心位置及子(1/4)样地中心位置通过TrimbleGeoXH6000Handhelds手持GPS定位(结合JSCROS广域差分系统获得亚米级定位精度)。样地的方向和倾角通过罗盘仪测定，边界长度通过皮尺量测。在各个样地中，记录胸径≥5cm的每棵单木的树种、空间位置(即X和Y坐标：通过计算其相对子样地中心的距离和水平方向夹角)，并量测胸径、树高、冠幅、树冠垂直等级(CC，crownclass)等因子。胸径采用围尺量测，树高通过VertexIV超声波测高器获取，冠幅则在2个主方向上使用皮尺测量其投影距离(冠幅半径＝两个主方向上的投影距离之和除以4)。三种森林类型内的4个主要树种参数汇总于表1。

表1主要树种信息汇总表

以上述试验区为样取，进行基于多源同期高分辨率遥感数据的树种分类方法的验证，具体包括以下步骤：

1)遥感数据获取及预处理

遥感数据源于LiCHy(LiDAR,CCDandHyperspectral)传感器系统，数据获取时间为2013年8月17日。其中的高光谱数据为AISAEagle子传感器获取，空间分辨率为0.6m，波长范围为398.5nm-994.4nm，光谱范围覆盖64个波段，辐射分辨率为12bit。首先借助AISAEagle传感器的辐射定标参数对原始影像进行辐射定标，将原始影像的DN值转化为像元辐射亮度值，然后利用FLAASH大气校正模型和平场域校正模型将像元辐射亮度值转化为地表反射率值。

高分辨率影像为LiCHy系统中的DigiCAM-60子传感器在同一时间获取，空间分辨率为0.1m，辐射分辨率为8bit。首先，对影像进行几何精校正，使其配准到高光谱影像。选取320个同名像点，采用二次多项式进行校正，并使得校正误差控制在1个像元之内，然后使用最邻近像元法进行重采样。

2)单木冠幅特征提取

首先利用基于边缘检测的多尺度分割方法对校正后的高分辨率影像进行面向对象分割，并剔除掉背景信息，从而提取出单木冠幅，然后利用地面实测数据评价提取精度。提取精度包括探测位置准确性和冠幅半径准确性。探测位置准确性采用分割树冠和地面实测树冠中心点的距离算法做匹配，即设置距离阈值，当地面实测冠幅中心点在分割冠幅半径(阈值)之内时，认为分割冠幅探测正确。另外，考虑到地面实测冠幅中心点是在地面测量，与分割的冠幅不在同一高度，因此加入树干倾斜改正，将分割冠幅半径加上2m作为探测距离的阈值。距离小于探测阈值的认为探测位置准确。另外，考虑到地面实测冠幅中心点是在地面测量，与分割的冠幅不在同一高度，因此加入树干倾斜改正，将分割冠幅半径加上2m作为探测距离的阈值。距离小于探测阈值的认为探测位置准确。对于冠幅半径的准确性，考虑将提取的单木冠幅近似为圆形，按照圆形面积计算公式反推出冠幅半径。将地面实测冠幅半径与影像提取的冠幅半径作回归分析计算冠幅半径提取的精度。

3)光谱特征变量提取及优化

在高光谱影像上对4个主要树种分别选取50个冠层光谱反射率曲线，通过平均光谱反射率曲线求得4个树种冠层上表面平均反射率曲线，见图1。可见，在近红外波段四个树种反射率差异很大。因此，选择近红外波段的各波段作为原始波段特征变量。另外，通过对高光谱影像进行波段组合、多种植被指数变换、主成分分析、独立成分分析、最小噪声分离以及纹理分析，共提取出5组(共47个)特征变量：包括12个原始单波段特征、8个波段组合特征、9个植被指数特征、9个数理统计特征以及9个纹理特征。47个特征变量的含义及计算公式见表2。

表2特征变量汇总表

(注：P_i,j为每个像元的灰度值，N为像元的总数)

根据信息熵原理，在47个特征变量中选取了信息熵最大的前12个特征变量作为优化特征变量，12个特征变量分别是：MNF1、MNF3、PCA2、PCA3、SAVI、VI(40,15)、VI(39,52,53)、CO、DI、HO、VA、B51，计算方式见表2。

4)影像分类

采用BP神经网络对影像进行分类，BP神经网络是由大量处理单元相互连接并形成网络结构的一种反向传播学习算法。网络开始训练时选用较小的随机互联权值与内部阈值，经过反复加载训练样本并调整权值，直到代价函数下降到可以接受的容限值为止。分类分为四组，第一组为使用全部特征变量，分四个树种进行分类；第二组为使用优化特征变量，对四个树种进行再次分类；第三组为使用全部特征变量，按森林类型进行分类；第四组为使用优化特征变量，按森林类型再次进行分类。首先利用全部特征变量(5组47个)进行分类，对4个树种分别选择训练区域，进行训练学习，再利用训练的模型对未知区域进行分类。分类完成后加入单木冠幅信息采用面积权限法进行重分类，即冠幅面积区域内占大多数面积的树种类型为整个冠幅的树种类型。重分类后利用地面实测数据评价分类精度评价。然后，利用优化特征变量(12个)对四个树种类型再次进行分类，分类方法为BP神经网络法，分类完成后加入单木冠幅信息进行重分类，并进行分类精度评价。其次，利用全部特征变量(5组47个)对森林类型进行分类，分为针叶和阔叶两种森林类型，分类方法选用BP神经网络法，分类后加入单木冠幅信息进行重分类，并利用地面实测数据进行分类精度评价。最后，利用优化特征变量(12个)对森林类型再次进行分类，同样分为针叶和阔叶两种森林类型，分类方法使用BP神经网络法，分类后加入单木冠幅信息进行重分类，并利用地面实测数据进行分类精度评价。

4)方法运算结果

表3为单木冠幅提取的位置精度信息，可见单木冠幅提取位置准确性较高，其总体精度达到81.4％，冠幅的探测率为77.3％，探测出的冠幅的准确率为85.9％。图2和图3为提取的单木冠幅以及地面实测冠幅半径与对应影像提取的冠幅半径生成的线性回归方程；拟合的直线接近于1:1线(k＝0.901)，且截距接近于0(b＝0.002)，可见冠幅半径提取总体效果较好。

表3单木冠幅位置提取精度

	探测率r	准确率P	总体精度F
				百分比(％)	77.3	85.9	81.4

地面实测总株数为396株。

图4可见，MNF1可以较好地区分马尾松、麻栎(或枫香)和板栗；MNF3可以较好地将麻栎与其他三个数种区分开，同时也可以用于区分枫香与马尾松(或板栗)；PCA2可较好地用于区分马尾松与其他三个树种；PCA3可以较好地将马尾松、麻栎和板栗(或枫香)区分开；SAVI可以将马尾松与麻栎完全区分开，另外也可以较好地用于区分麻栎与枫香；VI(40，15)可以较好地区分马尾松、麻栎和板栗(或枫香)。

表4为重分类后四个树种分类混淆矩阵，由表看出四树种分类效果较好，且利用全部特征变量分类的结果略高于利用优化特征变量分类的结果。利用全部特征变量(n＝47)分类时总体精度为64.6％，kappa系数为0.493，其中板栗的分类精度最高(75.0％)，其次为麻栎(65.8％)，最后为马尾松(61.2％)和枫香(60.0％)；利用选取的优化特征变量(n＝12)分类时总体精度为62.9％，kappa系数为0.459，其中板栗的分类精度最高(77.8％)，其次为麻栎(65.8％)，最后为马尾松(58.6％)和枫香(51.0％)。

表4四树种分类混淆矩阵

林木株数已转换为百分比。

表5为按森林类型分类结果的混淆矩阵(重分类后)，由表中看出，按森林类型分类的精度高于四个树种分类。利用全部特征变量(n＝47)分类时，总体精度为81.1％，kappa系数为0.584，其中阔叶树种分类精度为91.4％，针叶树种分类精度为64.7％；利用选取的优化特征变量(n＝12)进行分类时，总体精度为77.7％，kappa系数为0.525，其中阔叶树种分类精度为83.8％，针叶树种分类精度为68.1％；利用全部特征变量分类的结果略高于利用优化特征变量分类的结果，与四个树种分类的趋势相同。

表5森林类型分类混淆矩阵

林木株数已转换为百分比。

Claims (9)

1.一种基于多源同期高分辨率遥感数据的树种分类方法，其特征在于，包括以下步骤：

1)借助AISAEagle传感器的辐射定标参数对原始影像进行辐射定标，将原始影像的DN值转化为像元辐射亮度值，然后利用FLAASH大气校正模型和平场域校正模型将像元辐射亮度值转化为地表反射率值；

2)利用基于边缘检测的多尺度分割方法对校正后的高分辨率影像进行面向对象分割，并剔除掉背景信息，从而提取出单木冠幅，然后利用地面实测数据评价提取精度；

3)在高光谱影像上对4个主要树种分别选取50个冠层光谱反射率曲线，通过平均光谱反射率曲线求得4个树种冠层上表面平均反射率曲线；选择近红外波段的各波段作为原始波段特征变量；通过对高光谱影像进行波段组合、多种植被指数变换、主成分分析、独立成分分析、最小噪声分离以及纹理分析，共提取出5组共47个特征变量：包括12个原始单波段特征、8个波段组合特征、9个植被指数特征、9个数理统计特征以及9个纹理特征；在47个特征变量中选取信息熵最大的前12个特征变量作为优化特征变量；

4)采用BP神经网络对影像进行分类，BP神经网络开始训练时选用较小的随机互联权值与内部阈值，经过反复加载训练样本并调整权值，直到代价函数下降到可以接受的容限值为止；分类完成后加入单木冠幅信息采用面积权限法进行重分类，即冠幅面积区域内占大多数面积的树种类型为整个冠幅的树种类型。

2.根据权利要求1所述的基于多源同期高分辨率遥感数据的树种分类方法，其特征在于，步骤1)中，遥感数据源于LiCHy传感器系统；其中，高光谱数据为AISAEagle子传感器获取，空间分辨率为0.6m，波长范围为398.5nm-994.4nm，光谱范围覆盖64个波段，辐射分辨率为12bit；高分辨率影像为LiCHy系统中的DigiCAM-60子传感器在同一时间获取，空间分辨率为0.1m，辐射分辨率为8bit。

3.根据权利要求1所述的基于多源同期高分辨率遥感数据的树种分类方法，其特征在于，步骤1)中，对影像进行几何精校正，使其配准到高光谱影像。选取320个同名像点，采用二次多项式进行校正，并使得校正误差控制在1个像元之内，然后使用最邻近像元法进行重采样。

4.根据权利要求1所述的基于多源同期高分辨率遥感数据的树种分类方法，其特征在于，步骤2)中，提取精度包括探测位置准确性和冠幅半径准确性；探测位置准确性采用分割树冠和地面实测树冠中心点的距离算法做匹配，当地面实测冠幅中心点在分割冠幅半径之内时，分割冠幅探测正确。另外，加入树干倾斜改正，将分割冠幅半径加上2m作为探测距离的阈值，距离小于探测阈值的认为探测位置准确。

5.根据权利要求4所述的基于多源同期高分辨率遥感数据的树种分类方法，其特征在于，步骤2)中，探测位置的准确性用以下三个指标衡量：

$r=\frac{Nt}{Nt+No},$ $p=\frac{Nt}{Nt+Nc},$ $F=\frac{2(r\×p)}{r+p}---\left(1\right)$

式中，r为冠幅的探测率，p为探测出的冠幅的准确率，F为总体精度，Nt为影像上探测出且与地面实测相匹配的冠幅数量，No为影像上未探测出但地面实测存在的冠幅数量，Nc为影像上探测出但地面实测并不存在的冠幅数量；对于冠幅半径的准确性，按照圆形面积计算公式反推出冠幅半径，将地面实测冠幅半径与影像提取的冠幅半径作回归分析计算冠幅半径提取的精度。

6.根据权利要求1所述的基于多源同期高分辨率遥感数据的树种分类方法，其特征在于，步骤3)中，47个特征变量的含义及计算公式见下表：

7.根据权利要求1所述的基于多源同期高分辨率遥感数据的树种分类方法，其特征在于，步骤4)中，对于一个输入样本P，其平方误差定义为：

$E_p=\frac{1}{2}\underset{k}{\Σ}{(t_{pk}-o_{pk})}^2---\left(4\right)$

对于整个网络系统的总均方误差为：

$E=\frac{1}{p}{\mathrm{\ΣE}}_p---\left(5\right)$

其中P为训练样本总数，网络训练的目的是找到一组权值，使E极小化；LMS算法用梯度下降法，即权重的增量正比于误差的负导数，使得过程收敛。

8.根据权利要求1所述的基于多源同期高分辨率遥感数据的树种分类方法，其特征在于，步骤4)中，分类分为四组，第一组为使用全部特征变量，分四个树种进行分类；第二组为使用优化特征变量，对四个树种进行再次分类；第三组为使用全部特征变量，按森林类型进行分类；第四组为使用优化特征变量，按森林类型再次进行分类。

9.根据权利要求8所述的基于多源同期高分辨率遥感数据的树种分类方法，其特征在于，步骤4)中，首先利用全部特征变量5组47个进行分类，对4个树种分别选择训练区域，进行训练学习，再利用训练的模型对未知区域进行分类；分类完成后加入单木冠幅信息采用面积权限法进行重分类，即冠幅面积区域内占大多数面积的树种类型为整个冠幅的树种类型；重分类后利用地面实测数据评价分类精度评价；然后，利用优化的12个特征变量对四个树种类型再次进行分类，分类方法为BP神经网络法，分类完成后加入单木冠幅信息进行重分类，并进行分类精度评价；其次，利用全部特征变量5组47个对森林类型进行分类，分为针叶和阔叶两种森林类型，分类方法选用BP神经网络法，分类后加入单木冠幅信息进行重分类，并利用地面实测数据进行分类精度评价；最后，利用优化的12个特征变量对森林类型再次进行分类，同样分为针叶和阔叶两种森林类型，分类方法使用BP神经网络法，分类后加入单木冠幅信息进行重分类，并利用地面实测数据进行分类精度评价。