基于大比例尺航片的树种识别及单株定位方法1)

王晓杰 范文义 李明泽 杨 琳

(东北林业大学，哈尔滨，150040)

大比例尺航片在树种提取和空间定位方面有着广阔的应用前景，利用航片影像进行精确的树种提取也是遥感分类研究的难点。航片在林业上的应用始于20 世纪40年代，由于受到计算机技术水平、数字图像处理水平等客观因素的影响，早期的航片主要应用于森林资源的判读与调查、林相图的制作等前期应用［1］。随着摄影测量技术的发展，特别是大比例尺航片的出现，数字化摄影测量在提取树冠冠幅、立木高度、胸径、林分的郁闭度等森林调查因子得到了很好的应用，如:许延丽等［2］基于航片建立数字高程模型并提取林分高和郁闭度;王二丽等［3］基于航片提取针叶树种冠幅等研究均取得了较高精度。然而，目前应用航片进行单一树种的株数提取并且实现空间定位的研究报道并不多。我国天然红松林则集中分布于长白山和小兴安岭(伊春)山地，具有很高的经济价值和生态价值，是地带性顶级的森林植被。红松作为凉水自然保护区的主要保护对象，属于国家Ⅱ级重点保护野生植物。本研究探索并提出一种基于大比例尺航片与二类调查数据相结合提取凉水自然保护区红松株数和单株定位的方法，为调查保护区内红松的数量、质量、分布情况和研究红松的消长变化情况，特别为保护区未来的红松保护提供精确的决策信息。

1 研究地概况

黑龙江省凉水自然保护区位于黑龙江省伊春市带岭区境内，地理坐标为128°48'30″～128°55'50″E，47°7'39″～47°14'22″N。隶属于东北林业大学。作为我国少有的原始林区之一，国家林业局于1980年批准划为自然保护区，保护区年平均气温只有-0.3℃，全区海拔平均为400 m 左右，相对高度在80 ～300 m 之间。本区属于低山丘陵地带，山顶较浑圆，山体两侧多不对称，一般南坡短而陡，北坡缓而长，研究区内坡度主要分布在10° ～15°之间，土层厚度在30 ～60 cm。主要树种有红松(Pinus koraiensis)、冷杉(Abies nephrolepis)、云杉(Picea koraiensis)、枫桦(Betula costata)、水曲柳(Fraxinus mandshurica)、胡桃楸(Junglans mandshurica)、黄波椤(Phellodendron amurense)等寒温带常见树种。保护区东西宽13.0 km，南北长17.0 km，总面积为12 133 hm2，森林总蓄积量170.0 万m3，森林覆被率98%。

2 研究方法

2.1 影像数据获取

本文采用的影像数据为2009年9月对凉水国家级自然保护区拍摄的比例尺为1∶ 2 000 的189张航片数据。在VirtuoZo 软件平台上应用数字摄影测量方法与技术，完成了凉水自然保护区航片的空三加密，生成立体像对，建立保护区数字高程模型(DEM)，如图1所示、数字正射影像图(DOM)如图2所示，作为研究的影像数据源。

图1 凉水自然保护区DEM 图

图2 凉水自然保护区正射影像图

2.2 角规数据获取

在森林资源清查中角规由于理论严谨，操作简单，被广泛应用。我国于1957年引入角规测树方法，并逐步将其推广和普遍采用。目前，我国各地区开展的森林经理调查主要是应用固定样地调查和角规测树法。本研究所选用的角规数据，是2009年在凉水自然保护区森林经理调查时对各个小班随机选取若干角规点进行测量所得到的。角规测树是一种点抽样，为了确保角规测树的精度，对角规点的数目和空间布局都有严格的规定。本文选取红松分布较为密集的第七林班作为研究区，并收集第七林班的8 个小班共18 个角规点数据。具体分布如图3所示。

图3 研究区位置及角规点分布

2.3 航片的针阔叶分类

遥感上的分层分类是近几年兴起的一种新的分类思想，分层分类思想强调将分类过程逐级进行，每层选用不同的分类标准和方法［4］。根据红松提取的实际需求，本研究主要分为两层:第一层根据针叶、阔叶两个色差较大的林分类型进行监督分类，提取针叶林;第二层根据研究区内各针叶树种在影像信息(灰度、纹理)和生长环境(坡度、坡向)信息的差异，采用决策树方法提取红松。根据研究区的实际情况以及航片的拍摄质量，采用经典分类器中的最大似然法对航片进行针阔叶的监督分类，获取凉水自然保护区第七林班的针阔叶分类图。通过建立混淆矩阵，检验第七林班针阔叶林的分类精度:分类的总体精度为95.472 7%、Kappa 系数为0.914 4，达到了划分针阔叶林的要求。

2.4 红松树冠影像的提取

结合多源数据的决策树分类，是在专家知识的经验总结、简单的数学统计和归纳方法基础上，获得分类规则并进行遥感分类。决策树分类能够将一个复杂的分类过程分解成若干步，每一步仅区分一个类别，并利用不同的数据源、不同的特征集、不同的算法有针对性地解决问题［5］。

本文主要通过凉水自然保护区第七林班的针阔叶分类结果图、灰度图、基于灰度共生矩阵的纹理图、坡度图、坡向图5种数据源对凉水自然保护区的红松进行决策树分类提取。其中，坡度和坡向信息是在凉水自然保护区的数字高程模型(DEM)的基础上，利用地理信息系统软件ArcMap 提取得到。而灰度信息和纹理信息，则根据研究的实际情况进行相应处理［6］。在彩色航空影像中对树种的纹理提取和光谱提取时，由于受到RGB3 个波段的共同影响，难以同时确定3 个波段的范围，所以本研究通过对比平均值法、Adobe 算法和心理学公式算法3种灰度化公式后，发现Adobe 算法生成的灰度图中能较好地区分红松与其他针叶树种，故而选取红松与该区域的其他树种差异较大的Adobe 灰度算法作为基础数据。

(1)平均值法:A=R+G+B/3;

(2)Adobe 算法:A = (R2.2×0.2973 +G2.2×0.6274+B2.2×0.0753)1/22;

(3)心理学公式算法:A =R×0.299 +G ×0.587+B×0.114。

式中:R、G、B 分别代表航片的红、绿、蓝波段。

光谱特征和纹理特征是遥感图像的两大基本特征，也是进行遥感影像分类的两个基本元素。现阶段，对影像的分类主要是采用光谱特征而很少涉及纹理特征，而纹理特征表现的是图像灰度在空间上的变化和重复［7］。目前，国内外有多种纹理分析方法，其中灰度共生矩阵法(gray level co -occurrence matrix，GLCM)被公认为是应用最广泛、效果较好的方法［8］。本研究采用窗口大小为3 ×3 的灰度共生矩阵法提取影像的纹理信息，以纹理信息中的平均值参数作为判断指标。基于多源数据建立决策树分类的分类规则如图4和表1所示。

2.5 栅格数据矢量化与矢量数据处理

在地理信息系统软件ArcMap 中使用Raster to Polygon 命令，将通过决策树方法提取的红松分类图进行批量矢量化处理，在ArcMap 中对矢量图进行平滑以及通过拓扑关系对在矢量化过程中线化和点化的数据运用属性表操作进行删除，对产生的矢量多边形采用二次开发编写VBA 程序进行面积和周长计算［9］，删除面积和周长小于一定范围的多边形，初步得到第七林班提取的红松株数为7 074 株。

图4 决策树分类流程

表1 决策树分类的建立规则

2.6 红松株数验证方法

根据格罗森堡提出的角规测算方法演变而来的角规计算株数公式［9］，如公式(1)所示。根据公式计算得到每公顷红松的株数(表2)，查看二类调查中对应的小班面积，面积与每公顷红松株数的乘积即为该小班内红松株数。计算得到的第七林班红松的总株数为8 869 株，从而得出红松的提取精度为79.76%。

式中:N 为每公顷株数;Fg为断面积系数;Z 为计数木株数;gj为第j 棵计数木断面积。

表2 第七林班各小班红松株数

2.7 红松冠幅模型的建立及株数精确提取

在现实林分中往往存在着森林郁闭度较大的区域，几株甚至几十株红松生长在一起，在树冠影像图上则表现为一个较大面积、较长周长的多边形，这种现象对红松株数的确定影响较大。本文采用面积约束和周长约束确定红松株数。选取2009年凉水自然保护区森林经理调查所得的21 个样地中213 株红松作为基础数据，样地面积均为0.06 hm2。红松的主要调查因子统计量见表3。

表3 凉水自然保护区红松基本因子

从213 株红松中随机抽取161 株作为建模样本，52 株作为检验样本，采用多元逐步回归模型模拟红松冠幅，基本形式为:

式中:R 为树冠冠幅;D 为胸径;H 为树高;Zxg为第一活枝高;Cl为冠长;Cr为树冠比;D/Dg为胸径/林分平均胸径;H/D 为树高/胸径;N 为样地株数;S 为断面积;a0～a9为参数。

研究中采用冠幅4 个方向的均值作为实际树冠冠幅。参数的选择主要考虑红松单木的生长规律及在不同林分密度下个体之间生物竞争的影响［10］。在SPSS 中设定以F 概率作为判断是否引入和剔除变量的标准［11］，最终得到的冠幅模拟结果为:

R=0.925 +0.190(D/Dg)+0.17D。

结果表明，红松树冠的冠幅(R)与红松胸径(D)、红松胸径与林分断面积平均胸径(D/Dg)呈线性关系。将模型代入检验样本中，得到实测冠幅与预测冠幅的分布情况，见图5。

图5 实测冠幅与估计冠幅对比

3 结果与分析

3.1 红松株数验证

采用决定系数、绝对误差、相对绝对误差、均方差误差和相对均方差误差5 个指标对模型的拟合和检验进行评价［12］，结果见表4。通过表4中检验指标可见，变量的决定系数为0.68，符合一般模型的拟合精度，并且绝对误差、相对误差都控制在0.5 m以内，达到了提取红松株数的基本要求，模型的总体精度为83.3%。

表4 冠幅模型检验指标

根据冠幅预测回归模型R =0.925 +0.190(D/Dg)+0.017D，选取第七林班的6 个样地点计算的林分平均胸径(Dg)为38 cm。通过分析角规数据可知，第七林班的红松胸径集中在60 ～70 cm 之间，所以，当胸径D =60 cm 时，计算冠幅面积为15.8 m2，冠幅周长为14.08 m。根据树冠冠幅的矢量多边形面积和周长属性，对大于面积和周长的临界值的多边形进行切割处理，精确提取红松株数为8 017 株。计算经过模型约束后提取的8 017 株红松的提取精度为90.46%。

3.2 红松单株空间定位及验证

通过决策树分类和栅格数据的矢量化，提取得了到红松树冠多边形。为了精确地表示出每株红松的空间位置，需提取每株红松的X、Y 坐标。在Arc-Map 软件中，打开红松树冠多边形属性表，增加两个字段用于计算X、Y 坐标，选择Calculate Geometry 工具，在property 中分别选择X Coordinate of Centroid和Y Coordinate of Centroid 用于计算各多边形质心的坐标点［12］。

在第七林班中随机建立5 个100 m ×100 m的空间样地，用以对单株红松空间定位进行精度检验，影像样地的空间分布见图6。用目视解译的方法，判读该样地中的每株红松，并且与分类提取的结果进行对比分析，效果见图7。计算5个影像样地的红松定位精度，最终求得单株空间定位总体平均精度为82.74%，每个样地的单体精度见表5。最终得到的第七林班的红松分布如图8所示。

图6 影像样地分布

图7 影像样地精度验证

表5 红松单株定位精度检验

图8 凉水自然保护区第七林班红松分布

4 结论与讨论

根据格罗森堡提出的角规测算单位面积上任意通量的一般通式，计算每公顷红松株数与对应小班面积的乘积之和，即为第7 林班红松的株数，为8 869 株。而经过冠幅控制和矢量处理后提取的红松株数为8 023 株，计算红松株数精度为90.46%、空间定位精度为82.74%，比通过决策树分类提取的红松株数(7 074 株)的精度提高了10.70%。由此可见，在利用航片影像的常规分类方法提取树种株数和空间定位的基础上，结合角规调查等二类调查数据以及建立冠幅与胸径、林分断面积等测树因子的线性模型，能较大程度地提高估算精度，在实际生产中具有一定的使用价值。但这种方法还存在一定的误差，通过与实际的正射影像图进行对比分析，发现误差主要存在于两个方面:1)在决策树专家知识统计过程中，红松样本点亮度值和纹理值范围的统计都是通过在正射影像图上目视解译所提取的红松样本进行确定的，对于样本点的选择主要根据工作人员的经验进行判读，在一定程度上存在着人为产生的误差;2)在冠幅预测模型建立过程中假设树冠不存在偏冠、倾斜等因素的影响，而在实际过程中，这些因素是客观存在的，所以对于红松株数的确定也存在一定的误差。

本研究可以在大比例尺航片的其他树种提取及空间定位时作为参考。但由于决策树分类方法是基于空间数据挖掘和先验知识的监督分类方法，因而了解红松树冠的冠形、色调、纹理等信息，对航片在曝光度、大气折光等进行处理，可能在一定程度上会提高分类的精度。

［1］ 智长贵，郎奎建.帽儿山林场航空像片数字立体正射影像图制作及应用［J］.东北林业大学学报，2005，33(2):52 -55.

［2］ 许延丽，刘兆刚.基于航片建立数字高程模型及林分信息提取［J］.东北林业大学学报，2009，37(11):88 -91.

［3］ 王二丽，李凤日，王敏，等.基于大比例尺航片的针叶树种冠幅的提取［J］.森林工程，2011，27(6):16 -22.

［4］ Paul F，Huggel C，Kääb A. Combining satellite multispectral image data and a digital elevation model for mapping debris-covered glaciers［J］. Remote Sensing Environt，2004，89(4):510 -518.

［5］ 沈焕飞，钟燕飞，王毅，等. ENVI 遥感影像处理方法［M］. 武汉:武汉大学出版社，2009:236 -240.

［6］ 陈亮，张友静，陈波.结合多尺度纹理的高分辨率遥感影像决策树分类［J］.地理与地理信息科学，2007，23(4):18 -21.

［7］ 王妮，彭世揆，李明诗.基于树种分类的高分辨率遥感数据纹理特征分析［J］.浙江农林大学学报，2012，29(2):210 -217.

［8］ Yang C C，Prasher S O，Enright P，et al. Application of decision tree technology for image classification using remote sensing data［J］. Agricultural Systems，2003，76(3):1101 -1117.

［9］ 李超，李凤日，王胜蕾，等.基于大比例尺航片的单株立木坐标提取［J］.东北林业大学学报，2010，38(12):31 -34.

［10］ 雷向东，张则路，陈晓光.长白落叶松等几个树种冠幅预测模型的研究［J］.北京林业大学学报，2006，28(6):75 -79.

［11］ 卢纹岱. SPSS 统计分析［M］.4 版. 北京:电子工业出版社，2010:236 -238.

［12］ 姜立春，杜树立，李凤日.基于随机效应的兴安落叶松材积生长模拟［J］.应用生态学报，2011，22(11):2963 -2969.