基于快鸟影像树冠特征的天山云杉材积反演1)

2014-03-06陈永富张东升高苏善

东北林业大学学报 2014年12期

郝泷陈永富张东升高苏善

(西南林业大学，昆明，650224) (中国林业科学研究院资源信息所) (新疆维吾尔自治区林业科学研究院) (新疆天西林业管理局霍城林场)

树木地上部分主要有树干和树冠组成，树冠是树木进行光合作用的主要场所，为树木的生长提供了重要的能量来源。对树冠的大小做出准确的判断和研究，可以对林木的长势进行跟进检测，可以防治树木病虫害情况的发生，预测树木的生长量、求算小班蓄积量等。

近年的诸多研究都表明，树木的冠幅与胸径之间有密切的关系，而冠幅是可以通过遥感数据获得的主要测树因子。随着高空间分辨率遥感影像在林业中普遍应用，不同学者对树冠信息的提取有了较深入的研究，冯益明根据统计学的半方差理论，利用高分辨率快鸟影像对林分冠幅估测［1］;熊轶群利用射线法提取树冠面积取得了较高的精度［2］。覃先林等利用高空间分辨率卫星遥感影像对张家口和昌江黎族自治县王下乡树冠信息的提取进行了研究［3］;黄建文等利用高分辨率快鸟影像通过对退耕还林区的树冠的提取来监测林木的成活率和长势［4］;吴见运用面向对象的方法对退耕还林区的树冠信息提取取得较高精度［5］。以上研究主要利用面向对象技术来提取树冠信息，但是并未对实测数据进行精度验证，笔者在前人树冠信息提取方法的基础上，以面向对象分类技术为依托，对研究区的低林分密度的云杉树冠的提取做了研究，并与实测数据进行精度验证，建立相关模型，进一步计算工程区的天山云杉的材积，总体上取得了较好效果。

1 研究区概况

霍城县位于新疆维吾尔自治区西北部，天山西段，伊犁河谷西北部，地理坐标为东经80°11' ～81°24'，北纬43°39' ～44°50'。南北长120 km、东西宽85 km，总面积5 720 km2。该区属温带半干旱气候，全年日照时间2 550 ～3 500 h，日均日照时间8 ～12 h，全年平均气温8.2 ～9.4 ℃，年降水量140 ～460 mm。

2 材料与方法

2.1 材料

获取的覆盖试验区的高分辨率快鸟遥感影像，其获取时间为2012年7月31日，其中含有0.6 m分辨率的全色波段和2.44 m 分辨率的多光谱数据，当日天空质量很好，遥感图像清晰，成像质量很好。另外，搜集了霍城林场果子沟管护所林相图和霍城地形图，以及eCognition 8.0、ENVI 和Arcgis10.0 等软件。外业调查数据包括在试验工程区调查的冠幅数据(东西冠幅、南北冠幅)，树高和胸径数据。

2.2 方法

2.2.1 试验流程

利用高分辨率的快鸟遥感影像对实验区的单木进行监测。本研究以面向对象的信息提取技术为主要依托，提取试验工程的天山云杉的冠幅，并以外业实测数据为验证数据，对研究区的云杉实现监测。具体试验流程如图1所示。

2.2.2 遥感影像预处理

获取的遥感图像在使用之前需要进行预处理，主要包括:正射校正，图像融合。

正射校正。正射校正将传感器的旋转、地形的起伏、地球曲率等因素综合在一个模型中进行处理，将图像获取和处理过程中产生的位置误差全部消除，生成具有平面无变形的正射影像［6］。本研究利用1∶ 10 000 的地形图和1 ∶ 10 000 DEM 数据对2012年高分辨率快鸟影像在envi 下进行正射校正，控制点误差控制带1 个象元内。

影像融合。高分辨率快鸟的多光谱数据有较高的光谱分辨率但是空间分辨率较低;全色波段数据光谱分辨率较低但是空间分辨率较高，因此将多光谱数据和全色数据融合，可得到既有较高空间分辨率也有较高光谱分辨率的影像。主成分分析(PCA)是在统计基础上进行的一种多维(多波段)正交线形变换，数学上称为K－L 变换［7］。变换后主成分分量信息量总和与变换前多光谱各波段信息量总和呈逐渐减少的趋势［8］。本研究采用主成分变换对多光谱影像融合取得了较好效果。

图1 技术流程

2.2.3 面向对象分类

所谓面向对象方法，是通过对影像的分割，使同质像元组成大小不同的对象。正是由于对象内部的光谱差异小，所以对任意对象可以忽略其纹理等空间信息，而从光谱和形状两方面刻画。利用对象的空间特征和光谱特征进行分类，可以有效地克服基于像元层次分类的不足。

2.2.3.1 多尺度分割

高分辨率影像中对象特征各有不同，需根据实际情况设定不同的分割尺度，不同尺度分割得到的对象采用层次网络结构组织［9］。

分割尺度大小的选择对面向对象的分类结果精度有重要影响，分割尺度过大分类精度无法达到所要求的分类精度，若分割尺度过小，则会导致图像分割过于细碎，同样使得分类结果的精度无法达到要求。

不同的分割尺度分割结果如图2所示。

图2 不同分割尺度图像

2.2.3.2 隶属度函数分类

本研究应用隶属度函数及阈值方法提取树冠信息。基于模糊分类器分类具有透明性和适用性的特点，比较接近人类的思维方式［10］，模糊分类法具有特征值向模糊值转化、允许特征之间的组合、特征描述明确且可调整、能够进行复杂的特征描述的优点［11］。根据文献［4］、［12］，利用影像对象的亮度特征，相邻性和形状指数3 个特征进行组合描述树冠类。

表1 分类规则

图像经过分割和分类后，得到树冠分布图如图3所示。

图3 树冠分布图

利用误差矩阵和Kappa 系数对分类结果进行精度评价，结果显示面向对象分类方法能够满足树冠提取的精度要求。对分类结果进行评价得到的分类精度如表2所示。

表2 面向对象分类精度

3 树冠提取的结果

通过对比2013年外业实测的树冠与利用面向对象技术提取的树冠对比可以发现，总体上实测的树冠大于提取的树冠。

试验区有部分树冠尺寸较小无法提取，是因为高分辨率快鸟影像的分辨率的影响，并且该方法无法提取出大小在1 m 以下的树冠。根据文献［4］可知，在树冠信息提取的过程中，树冠边缘的光谱类别会影响到冠幅的提取。对于高分辨率快鸟数据来说，在栅格分类时，如果一个树冠相关的象元没有提取出来，就会使整个树冠尺寸减少约0.6 m，而使面积减少0.36 m2。这些因素都使得所提取的树冠面积较实测树冠面积小。经过计算可以得到试验区内天山云杉冠幅的估算值，并将得到的估算值与试验区内实测的天山云杉冠幅的实测值做对比，最终可以得到实测值与试验区内冠幅的遥感估算值的均方根误差为0.186 8，说明对树冠面积的提取精度较好，总的提取精度为0.891 7。

4 树冠面积—胸径回归模型的构建与材积计算

为便于通过冠幅大小来获得研究区内天山云杉的其他测树因子，将外业实测的云杉胸径数据与遥感方法从高分辨率快鸟遥感影像提取的冠幅面积进行回归分析，以树冠面积作为自变量，实测的胸径的大小为因变量构建一元线性回归模型可得提取的云杉冠幅面积与实测胸径的线性回归模型为:y=1.212x+3.727，R2=0.753 3，拟合效果显著性明显。

图4 胸径与冠幅的一元线性回归模型

利用外业调查的胸径数据，验证回归方程求得的胸径数据，可以发现，利用预测方程所得结果的均方根误差为0.130 4，总的预估精度为0.879 1，说明实验区云杉胸径的建模效果良好。

利用上文所提取到的冠幅值，可求得实验区天山云杉的胸径值。根据文献［13］可知云杉的一元材积经验式为:V=0.000 104 47D2.5420946。经过计算可以得到研究区内的天山云杉的估算蓄积，并将其与实测的天山云杉蓄积作对比，对比计算结果显示实测天山云杉的蓄积量与通过遥感方法估算的试验区内的天山云杉蓄积的均方根误差为0.219 6，总的预估精度为0.873 6，除了个别低于70%，基本都在85%以上，部分甚至达到95%以上，说明实验区云杉胸径的建模效果良好。总的来说，以冠幅面积建立的回归模型能够较好地估测云杉的材积。将冠幅面积与胸径的回归方程代入一元材积经验式可得到以提取的冠幅面积(W)为自变量的材积公式:V=0.000 104 47(1.212W +3.727)2.5420946。式中:V为云杉材积;W 为云杉的冠幅。

5 结论与讨论

本研究的树冠信息提取方法简便快捷，而且提取精度较高。在研究区利用高分辨率遥感影像提取树冠大小，进而利用遥感提取的冠幅和拟合方程可以求得胸径，并根据一元材积公式可以较快捷地得到天山云杉单株的材积。该研究方法在很大程度上减少了外业调查和材积计算的工作量，提高了工作效率。研究主要采用面向对象技术对研究区的天山云杉的树冠信息进行提取，总体上得到较好的效果，冠幅面积提取的总体精度达到89.17%，实验结果的精度满足要求。通过研究分析可知，在低郁闭度的情况下，基于高分辨率快鸟遥感影像提取树冠大小的精度较高，为利用遥感数据和方法对树木长势的监测提供了有效的方法，反映了高分辨率快鸟遥感影像数据具备了快速提取测树因子的能力。

虽然高分辨率快鸟遥感影像中的树冠形状、尺寸和纹理等信息都有较好的表现，但是高分辨率影响的数据冗余量较大，空间信息也较为复杂，数据的处理和分析都相对比较复杂，在一定程度上会对提取结果的精度有影响。

根据研究所提取的冠幅拟合推出相应云杉的胸径值，将利用遥感提取的树冠面积计算得到的预估胸径值，代入一元材积经验式求算出研究区内的单株云杉材积，它与实测材积能够较好地拟合，精度87.36%。该研究方法对林分密度较低的天山云杉材积的反演取得较好的结果，但对于林分密度较大的森林，由于其冠幅间的相连和重叠，该方法的冠幅面积提取精度则较低，进而导致材积的计算精度也较低，需要在以后的研究中进一步研究探讨。

［1］冯益明，李增元，张旭.基于高空间分辨率影像的林分冠幅估计［J］.林业科学，2006，42(5):110－113.

［2］熊轶群，吴健平.基于高分辨率遥感影像的树冠面积提取方法［J］.地理与地理信息科学，2007，23(6):30－33.

［3］覃先林，李增元，易浩若.高空间分辨率卫星遥感影像树冠信息提取方法研究［J］.遥感技术与应用，2006，20(2):228－232.

［4］黄建文，鞠洪波，赵峰，等.利用遥感进行退耕还林成活率及长势监测方法的研究［J］.遥感学报，2007，11(6):899－905.

［5］吴见，彭道黎.基于面向对象的QuickBird 影像退耕地树冠信息提取［J］.光谱学与光谱分析，2010，30(9):2533－2536.

［6］党安荣，王晓栋，陈晓峰，等.遥感图像处理方法［M］.北京:清华大学出版社，2003.

［7］孙家炳.遥感原理与应用［M］.武汉:武汉大学出版社，2003.

［8］王广亮，李英成，曾钰，等.ALOS 数据像素级融合方法比较［J］.测绘科学，2008，33(6):121－124.

［9］鲍海英，李艳，赵萍.辅以纹理特征的面向对象的遥感影像分类方法研究:以陕西省杨凌县为例［J］.遥感信息，2009(4):33－37.

［10］赵书河.高分辨率遥感数据处理方法试验研究［J］.地学前缘，2006，13(3):60－68.

［11］陈云浩，冯通，史培军，等.基于面向对象和规则的遥感影像分类研究［J］.武汉大学学报:信息科学版，2006，31(4):316－320.

［12］乔程，骆剑承，吴泉源，等.面向对象的高分辨率影像城市建筑物提取［J］.地理与地理信息科学，2008，24(5):36－39.