资源3号卫星影像的植被信息提取

张 雨 ，林 辉

(1.中南林业科技大学 林业遥感信息工程研究中心，湖南 长沙 410004；2. 贵州省林业调查规划院，贵州 贵阳 550003)

资源3号卫星影像的植被信息提取

张 雨1,2，林 辉1

(1.中南林业科技大学 林业遥感信息工程研究中心，湖南 长沙 410004；2. 贵州省林业调查规划院，贵州 贵阳 550003)

资源3号卫星（ZY-3）是我国2012年发射成功的第一颗自主民用高分辨率立体测绘卫星。在对ZY-3卫星数据精细处理基础上，分析了典型地物的光谱特征和纹理特征，构建了适合植被信息提取的ZY-3决策树模型，将研究区地类分为针叶林、阔叶林、灌木林、竹林、耕地、建设用地、裸露地、水体和其他地类共9种地类，开展植被信息提取和精度检验。结果表明：（1）ZY-3比较适合于森林植被信息的提取，特别是针叶林和阔叶林；（2）ZY-3 数据的总体分类效果较好，精度达到了91.96%，Kappa系数0.902 9，说明根据影像的光谱特征和纹理特征，采用决策树算法选择合适的阈值提取植被信息是可行的。

林业遥感；资源3号卫星（ZY-3）；森林植被；光谱特征；纹理特征；决策树模型；漓江流域

漓江作为桂林风光的精华，每年接待国内外游客人数达200万～300万人次，该流域生态环境的好坏直接影响到桂林旅游的声誉，影响到桂林经济的发展[1]。为了更好的保护漓江流域的生态环境，找到一种快速、准确地提取漓江流域植被信息的算法意义重大。遥感作为提取植被信息的一种手段，能够很好地、快速地提取植被信息，监测植被变化。近年来国产高分辨卫星技术的快速发展，使高分辨遥感影像的获取变得容易，采用遥感方法快速、准确地获取植被信息成为可能。

目前，对流域植被的研究多选用分辨率较低的卫星影像，如TM、MODIS、NOAA-AVHRR等进行大区域研究，应用高分辨遥感影像对流域植被进行小尺度的研究较少[2-5]。分类方法大多采用归一化植被指数法，或传统监督和非监督分类方法，利用光谱信息和纹理信息构建决策树研究流域植被比较少见[6-8]。

本研究运用2012年我国发射的第一颗民用高分辨率立体测绘卫星ZY-3卫星接收的数据，采用光谱信息和纹理信息相结合的方法，对漓江流域的植被进行信息提取，旨在解决以下两个问题（1）找到一种应用资源三号卫星快速、准确地对漓江流域进行植被信息提取的最佳算法；（2）掌握漓江流域2012年植被分布状况，为今后漓江流域的治理提供科学依据。

1 ZY-3卫星介绍

资源3号卫星（ZY-3）是我国2012年发射成功的第一颗民用高分辨率立体测绘卫星，自发射以来，在生产中得到了广泛的应用[8-9]，其主要参数如表1。

2 研究区概况

研究选择广西省桂林市的漓江流域。漓江发源于广西壮族自治区桂林市兴安县猫儿山，东经109°45′～ 110°40′， 北 纬 24°18′～ 25°41′， 全 长214 km，由北向南流经兴安县、灵川县、四城区、雁山区、阳朔县、平安县。

表1 ZY-3卫星参数Table 1 Parameters of ZY-3 satellite

本文的研究区包括漓江流域左右各缓冲10 km范围，面积约为259 266.47 hm2（如图1）。

图1 研究区位置Fig.1 Geographic position of study area

漓江源头包括猫儿山、青狮潭、海洋山等3个水源林区。高海拔地带的森林植被保存较好。低山、丘陵地带大多为杉木、松类、毛竹、柑橘等人工林。常绿阔叶林为林区的地带性植被，主要位于流域源头和山地，还有天然的马尾松、人工的湿地松、杉木等，及油桐、油茶、银杏、橘、橙等经济果木林[10]。

3 数据处理与分析

3.1 数据收集

研究采用2012年11月ZY-3号卫星接收的全波段和多光谱数据。另外还有研究区内野外踏勘数据、森林资源二类调查数据、行政区划图，研究区地理、植被等方面的统计文字资料。

3.2 ZY-3卫星影像光谱分析

通过对ZY-3卫星数据进行辐射校正、几何精校正、坐标转换、融合与增强、镶嵌与裁剪等预处理后，得到研究区内比较精准的遥感影像。

根据卫星影像的可判性，结合土地利用分类体系，将研究区的地类划分为针叶林、阔叶林、竹林、灌木林、耕地、建设用地、裸露地、水体、其他9种地类，对每一种地类进行光谱信息提取，并计算平均值和均方差，结果见表2和表3。

表2 ZY-3影像各种林地类型光谱特征统计Table 2 Statistics of spectral characteristics of forest land types in ZY-3 images

表3 ZY-3影像各种非林地类型光谱特征统计Table 3 Statistics of spectral characteristics of non-forest land types in ALOS images

表2和表3说明：

（1）各植被类型之间光谱值不同，光谱值在一些波段上相近，在另一些波段上却差异显著；光谱值相近的波段不利于植被信息提取。

（2）地类不同其光谱值就不同，而且表现出不同的光谱变化规律；相同地类在相同波段上的光谱值也存在差异，因此在遥感影像信息处理中，为了保证训练样本的代表性和典型性，应尽可能多的选取训练样本。

（3）ZY-3影像的绿光波段可以有效的将漓江流域植被与非植被分开。

3.3 ZY-3卫星影像纹理分析

纹理是遥感影像上重要的信息，是指影像的细部特征，即遥感影像色调的变化频率，是一种单一细小的特征组合，其本质是刻画像素的邻域灰度空间分布规律[11]。

利用灰度共生矩阵的方法分别对ZY-3影像进行纹理特征提取，通过人工选取，舍掉方差较大、数值异常、9种地类差异不明显和对构建决策树没有决定意义的纹理特征参数，保留用来构建决策树纹理特征参数，如表4和表5。

表4 ZY-3影像各种林地类型纹理特征统计表Table 4 Statistics of texture characteristics of forest land types in ZY-3 images

表5 ZY-3影像各种非林地类型纹理特征统计表Table 5 Statistics of texture characteristics of non-forest land types in ZY-3 images

由表4和表5可知：纹理值与光谱值表现出相似的规律特征：

（1）各植被类型之间纹理不同，纹理值在一些波段上相近，在另一些波段上却差异显著；可以有效利用差异显著的纹理值对植被信息进行准确提取。

（2）地类不同其纹理值就不同，而且表现出不同的纹理变化规律；相同地类在相同波段上的纹理值也存在差异，因此在遥感影像信息处理中，为了保证训练样本的代表性和典型性，应尽可能多的选取训练样本。

4 决策树模型的构建

决策树分类算法是近年来出现的一种新分类算法，具有灵活、直观、清晰和运算效率高等优势，获得了学者的一致认同和使用[12-15]。

4.1 ZY-3影像林地类型划分的阈值确定

决策树分类最主要是通过确定阈值，从总体中分出地类，遥感图像主要是通过对精处理后的图像上的灰度值实现的。

ZY-3影像的绿光波段（Band2）可以较好的将林地与非林地分开，也就是将研究区的地类划分为两大部分，再分别确定阈值和建立决策树模型，现以林地为例，说明阈值的确定过程，由光谱分析可得到各林地在近红外波段上的光谱分布如表6。

表6 ZY-3影像林地类型光谱统计Table 6 Statistics of characteristic spectrum of forest land types in ZY-3 images

表6说明：针叶林与阔叶林、竹林、灌木林、其他地类在近红外波段上有明显差异，针叶林的灰度均值小于408，其余4种地类的灰度均值大于408，据此可以将针叶林与阔叶林、竹林、灌木林、其他地类分开。

依此类推，通过第二主成分图像特征将阔叶林、竹林、灌木林与其他地类分开，阔叶林、竹林、灌木林的均值小于-85，其他地类均值大于-85。通过蓝光波段相关性分析将阔叶林、竹林和灌木林分开，阔叶林的均值小于0.22，竹林和灌木林的均值都大于0.22。通过第一主成分图像上的灰度特征可将竹林和灌木林分开，竹林的灰度均值小于187，灌木林的灰度均值大于187。

同理可分析出非林地中各地类的阈值。

4.2 ZY-3影像林地决策树模型建立

根据确定的阈值，可建立决策树模型如图2。

其中： ST-水体，GD-耕地，LTD-裸土地，JSYD-建设用地，ZYL-针叶林，KYL-阔叶林，ZL-竹林，GML-灌木林，QT-其他地类。

COR1-ZY-3影像蓝光波段（Band1）进行纹理信息提取时表示影像局部灰度的相关性大小的相关性值。VAR2-ZY-3影像绿光波段（Band2）进行纹理信息提取时表示纹理非匀质特性的方差值。

5 信息提取

根据以上结果对2012年ZY-3影像进行分类，分类结果如图3，各地类面积统计如表7。

图2 研究区ZY-3影像决策树模型Fig.2 Decision tree model of ZY-3 image in study region

由表7可知，2012年占据漓江流域主导地位的是耕地和灌木林地，分别占总面积的34.17%和30.12%，其次是针叶林地和阔叶林地分别占14.37%和14.03%，而建设用地、裸露地、竹林、其他和水体则分布较少。

图3 2012年ZY-3影像漓江流域分类结果Fig.3 Classif i cation result of Lijiang River Basin in 2012 by ZY-3 images

表7 漓江流域各种地类面积Table 7 Areas of land types in Lijiang River Basin

6 精度分析

采用随机布点，建立地面数据与分类影像之间的误差矩阵，再计算出各种总体精度、用户精度、制图精度和Kappa系数，结果如表8。

表8 基于2012年ZY-3影像的决策树分类混淆矩阵†Table 8 Confusion matrix derived from decision tree classification based of ZY-3 images in 2012

由表8可以知道，采用决策树模型对 ZY-3影像进行分类，总体精度达到了91.96%，Kappa系数为0.902 9，分类结果较好，精度较高。

7 结论与讨论

论文通过对ZY-3数据精处理基础上，分析了典型地物的光谱特征和纹理特征，构建了适合于植被信息提取的ZY-3决策树模型，将研究区地类分为针叶林、阔叶林、灌木林、竹林、耕地、建设用地、裸地、水域和其他地类等9种地类，开展植被信息提取和精度检验。结果表明：（1）ZY-3数据比较适合于森林植被信息的提取；（2）ZY-3 数据的总体分类效果较好，精度达到了91.96%，Kappa系数0.902 9，说明根据影像的光谱特征和纹理特征，采用决策树算法选择合适的阈值提取植被信息是可行的；ZY-3卫星是我国自主发射的第一颗民用高分辨率卫星，其应用对我国高分系列卫星有重要的指导作用。（3）2012年占据漓江流域主导地位的是耕地和灌木林地，分别占总面积的34.17% 和30.12%，其次是针叶林地和阔叶林地分别占14.37%和14.03%。

[1] 邓友志,陈三明,罗文敏,等. 基于遥感影像的漓江流域植被覆盖度动态变化研究[J]. 数字技术与应用,2013,(3):90-91.

[2] 吴 虹,郭远飞,郭建东,等.基于TM/ETM+和MODIS的漓江流域生态环境遥感动态监测[J].国土资源遥感,2007,(3):56-61,107.

[3] 杨永德,吴 虹,郭建东,等.漓江源及上游生态环境变化遥感调查[J].桂林工学院学报,2005,(1):36-40,138.

[4] 韩兰英,王宝鉴,张正偲,等.基于RS的石羊河流域植被覆盖度动态监测[J].草业科学,2008,(2):11-15.

[5] 吴雪娇,鲁安新,王丽红,等.2001-2010年松木希错流域植被动态变化遥感研究[J].遥感技术与应用,2011,(6):782-790.

[6] 谭德宝,胡 艳,夏 帆,等. MODIS数据在长江流域生态环境监测中的应用[J]. 人民长江,2006,(4):5-8.

[7] 陈三明,邓友志,高 阳,等. 漓江流域沿岸风光带植被覆盖度的遥感动态监测与估算[J].桂林理工大学学报,2013,(3):430-437.

[8] 王海云,刘德富,张成成,等. 基于ETM+遥感图像的漓江水系生态环境变化分析[J].湖北农业科学,2012,(6):1112-1114, 1127.

[9] 李 芬.资源三号卫星数据在土地利用遥感监测中的应用研究[D].长春:吉林大学, 2013.

[10] 黎 瑶,杨柳青.漓江两岸绿化彩化原则与方式探讨[J].中南林业科技大学学报:社会科学版,2011,(2):116-117,134.

[11] 李永亮,林 辉,马延辉. 基于CBERS-02B星数据的竹林、针叶林纹理特征变化分析[J].西北林学院学报,2011,(1):171-175.

[12] 严恩萍,林 辉,莫登奎,等.基于ALOS数据的遥感植被分类研究[J].中南林业科技大学学报,2010,(11):37-42.

[13] 陈 利,林 辉,孙 华,等.基于决策树分类的森林信息提取研究[J].中南林业科技大学学报,2013,(1):46-51.

[14] 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,(4):18-21.

[15] 姜丽华,杨晓蓉.基于决策树分类技术的遥感影像分类方法研究[J].农业网络信息,2009,(10):34-36,42.

Extraction of vegetation information based on resources satellite No.3(ZY-3) data

ZHANG Yu1,2, LIN Hui1
(1. Research Center of Forest Remote Sensing & Information Engineering, Central South University of Forestry & Technology,Changsha 410004, Hunan, China; 2. Forest Inventory and Planning Institute of Guizhou, Guiyang 550003, Guizhou, China)

ZY-3 is the fi rst high resolution satellite of our country, which was launched in 2012, was used in stereo-survey and drawing including forest and vegetation and was one self-developed and for civilian. Based on the fi ne-processing of the ZY-3 data of Lijiang River Basin, the spectral features and texture features of typical ground objects in the area were analyzed, ZY-3 decision tree models were established that were suitable for vegetation information extraction, and then the land type if the studied area were divided into 9 kinds, they are needle-leaved forest, broad-leaved forest, shrub, bamboo, farm, buildings, naked land, water and others, fi nally the vegetation information of all kinds were extracted and the extraction accuracy were tested. The results show that : (1) ZY-3 is very suitable for vegetation extraction, better for the information extraction of needle-leaved and broad-leaved forest than others; (2) All the land types’ information extraction from the data are good, the total classif i cation accuracy was up to 91.96% , and the Kappa coeff i cient was 0.902 9. It is feasible that the studied area vegetation information is extracted according to the spectral features and texture features of the studied area data, by using decision tree algorithm models and choosing an appropriate threshold value.

forestry remote sensing; resources satellite No.3(ZY-3); forest vegetation; spectral features; texture features; decision tree model; Lijiang River Basin

S771.8

A

1673-923X(2014)11-0130-05

2014-01-12

国家“十二五”高技术研究发展计划（863计划）课题：“数字化森林资源监测关键技术研究”（2012AA102001）；国家自然科学基金项目（31370639）；湖南省高校产业化培育项目（13CY011）

张 雨（1989-），女，辽宁锦州人，硕士研究生，主要从事林业遥感和地理信息系统研究

林 辉（1965-），女，湖北黄冈人，教授，博士，博士生导师，主要从事森林经理学、遥感技术与地理信息系统的教学和科研工作

[本文编校：吴 毅]