基于高光谱遥感数据的森林优势树种组识别1)

王璐 范文义

(东北林业大学，哈尔滨，150040)

责任编辑:王广建。

高光谱遥感是指在电磁波谱的紫外、可见光、近红外和中红外区域获取许多非常窄且连续的图像数据的技术［1］。高光谱遥感是20世纪末人类对地观测方面取得的重大技术突破之一。成像光谱仪为每个像元提供数十至数百个窄波段光谱信息，能产生一条完整而连续的光谱曲线，它以纳米级的光谱分辨率，用几十到几百个波段同时对地物成像，从而获得地物的连续且精细的光谱信息［2］。

常规的森林经理调查主要使用大比例尺的航片或较高空间分辨率遥感图像进行解译，进行森林优势树种组识别受到多光谱遥感光谱分辨率的限制，难以满足实际生产的需求［3］。随着高光谱遥感数据产品的日益丰富，开始有学者使用CASI、Hyperion等高光谱数据对森林树种类型进行识别研究，其中有关光谱特征的选择和提取是一个重要的研究方向［4］。张良培等［5］用高光谱对植物物种进行识别;Zhang等［6］用HYDICE高光谱数据进行热带森林植被的分类研究;Martin等［7］结合不同森林树种之间特有的生化特性和高光谱数据(AVIRIS)与树种叶片化学成分之间建立的关系，鉴别了11种森林类型;Davison等［8］对使用机载CASI高光谱数据监测加拿大安大略湖森林参数的能力进行了评价;G．Goodenough等［9］使用Hyperion、ALI和ETM等遥感数据，对加拿大维多利亚地区的5种森林类型进行了分类;宫鹏等［10］利用高分辨率光谱仪实地测得光谱数据，识别美国加州的6种主要针叶树种，采用相邻窄波段逐步加宽的方法，测试不同波段宽度对树种识别精度的影响。

由于机载成像光谱仪成像成本很高，国内多采用EO－1Hyperion高光谱数据对森林类型或树种组的识别研究，2008年9月，我国发射的HJ－1A卫星的HSI数据填补了目前国产数据在高光谱传感器领域的空白。本文以黑龙江省大兴安岭塔河地区的HIS 2级产品高光谱遥感数据为数据源，通过对高光谱影像进行5种变换(一阶微分变换、对数变换、对数变换后的一阶微分变换、二阶微分变换、三阶微分变换)寻求适用于该研究区域优势树种组识别的最佳变换方法。

1 研究区与数据

1．1 研究区概况

塔河林业局地处东经123°～125°，北纬52°～53°，位于黑龙江省西北部，居大兴安岭地区的中心地带，边境线长173 km，总面积为14 420 km2。境内多低山丘陵，最高海拔1 396．7 m，最低海拔209．8 m，平均海拔450 m。属寒温带大陆性气候，气候变化显著，冬季漫长干燥而寒冷，夏季短暂而湿热，塔河县年平均气温－2．4℃，年平均降水量463．2 mm，主要集中在7、8月份。森林覆盖率为81%;蓄积量5 340万m3，主要树种有白桦(Betula platyphylla Suk．)、落叶松(Larix spp．)、山 杨(Pobulus davidiana)、樟子松(mongolica Litv)、杨树(Populus L．)、云杉(Piceaasperata)等。

1．2 数据收集

环境与灾害监测预报小卫星星座A、B星(HJ－1A/1B星)于2008年9月成功发射，HJ－1A星搭载了高光谱成像仪HSI，光谱范围为450～950 nm，115个波段，空间分辨率为100 m，幅宽为50 km，侧摆能力为±30°，重访周期为4 d，可实现对研究区的快速重复观测。本文以HSI的2级数据产品(轨道号为455－49－A1，采集时间为2013年7月17日)进行该区域优势树种组的识别研究。与常规的多光谱遥感数据如TM、SPOT相比，由于HIS的光谱分辨率大为提高，所以对于不同树种组的精细光谱特征识别能力大幅度提升，虽然HIS数据的空间分辨率较低(100 m)，但是对于林分类型相对简单的大兴安岭地区森林优势树种组识别具有很大潜力。

本文用2012年塔河林业局的二类调查数据来进行该区域优势树种组分类系统制定和分类精度的检验。

2 研究方法

2．1 分类系统的制定

根据2007年8月国家《土地利用现状分类》统一标准，将研究区一级分类分为林地和非林地，其中的非林地包括耕地、水体、道路、园地、草地、建筑用地等。本文主要研究二级分类中的林地分类。根据国家林业局二类调查的《森林资源规划设计调查主要技术规定》，结合该区域森林资源二类调查数据，根据树种组成，将该研究区域的林分类型确定为白桦林、落叶松林、山杨林和樟子松林。

由于杨树、柳树和云杉等其他树种占林分组成不到20%，将其合并至光谱特征相似的优势树种组中。由图1可知，柳树和杨树的光谱曲线与山杨的相似度较高，因此，将柳树、杨树合并至山杨林;云杉合并至光谱曲线距其最相近的樟子松林。林分类型不是二类调查的直接结果，林分类型需要根据优势树种组重新划分，森林资源管理过程中各种数表的建立和生长过程的模拟都是根据林分类型分别进行的，因此，研究应用遥感数据提取林分类型就显得特别重要。

图1 大气校正后的植被光谱曲线

2．2 特征选择与特征提取

2．2．1 特征选择

高光谱数据的导数光谱可以有效的消除光谱数据之间的系统误差，削弱大气的吸收、辐射、散射对目标光谱的影响［11］。本研究对高光谱数据进行一阶、二阶、三阶的变换，消除背景噪声，更直观有效的分辨重叠光谱。光谱数据经过对数变换后，有利于分类特征选择，因此对光盘数据在对数变换的基础上做一阶微分处理来达到一个较好的效果［7］。由于“绿峰”和“红边”是植被特有的光谱特征，不同树种的光谱曲线在此区域的差别比较明显，本文选用500～780 nm的波段作为研究区间［12］，并对其进行5种数据变换。主要包括:一阶微分变换(d(R)=式中:r为波段号，Δλ为波段距离);对数变换(log(R));对数变换后的一阶微分变换(d(log(R)));二阶微分变换(d2(R));三阶微分变换(d3(R))。

对5种变换结果在植被光谱的“绿峰”和“红边”上的光谱特征差异进行分析表明，一阶微分变换后，在“绿峰”波段附近各树种光谱曲线交叉重叠，但在“红边”附近的709～740 nm(波段宽度31 nm)树种特征差别明显;对数变换后，560～582 nm(波段宽度22 nm)波段范围内树种的光谱曲线由高到低排序为山杨、樟子松、白桦、落叶松，729～779 nm(波段宽度50 nm)范围内为山杨、白桦、樟子松、落叶松;对数导数变换后和二阶三阶微分变换后，“红边”差异的波段范围分别为699～719 nm(波段宽度20 nm)、734～740 nm(波段宽度6 nm)、729～747 nm(波段宽度18 nm)。由以上分析看出，除对数变换外，其余4种变换方法的“绿峰”部分都很难看出特征差异。因此，本文选择“红边”范围内(680～780 nm)的20个波段进行后面的特征提取。

2．2．2 特征提取

最小噪声分离变换(MNF)是一种可以将变换后的各成分按照信噪比的顺序来排列的特征提取方法。不仅可以识别和分离数据中的噪声，还能降低高光谱影像的维数，消除各波段之间的冗余性和高度的相关性。其实质是两次主成分变换，都是针对一组多元随机变量进行线性变换，不同的是MNF变换可以根据图像质量来进行排列，信噪比则是作为衡量图像质量的量化指标［13］。针对特征选择中的5种变换方法的分析，进一步对波段进行选择。本文最终对原始数据和5种变换后数据的680～780 nm的20个波段分别进行MNF变换，变换后的有用信息分别集中在每种数据的前5个波段内，因此用这些波段进行后面的分类。

2．3 分类方法

2．3．1 训练样本的提取

基于2012年塔河林业局的二类调查数据的小班数据，选择其中优势树种占林分组成八成以上的若干像元作为训练样本。

2．3．2 分类及精度验证

支持向量机(SVM)是一种建立在统计学理论基础上的机器学习分类方法［14］，其基本思想是以结构风险的最小化为原则，构造一个分类超平面作为判决面，使得训练样本中的两类数据能被尽可能远的分开。SVM可以自动寻找对分类有较大区分能力的支持向量构造分类器，使类与类之间的间隔最大。Gualtieri［15］在1998年首次用SVM进行高光谱影像的分类实验后，发现SVM可以解决小样本下的Hughes现象，此外，还有Zhu等［16］利用SVM方法对ASTER数据进行了分类，表明SVM方法在训练速度和分类精度方面都有很好的优越性。

本次实验中，用自动提取75%的样本数据作为训练样本，用剩下25%的样本数据作为检验样本，对原始高光谱数据和5种变换后的MNF提取的5个波段分别进行分类比较，通过计算混淆矩阵，统计出各树种总体的分类精度，比较分类结果优劣。

3 结果及评价

3．1 整体评价

用SVM方法对原始数据和5种数据变换进行分类后的总精度以及Kappa系数的比较见表1。由表1可知，二阶微分变换能够取得最佳效果，精度可达到89．5%，Kappa系数为0．802;稍差的是三阶微分变换，精度为89．2%，Kappa系数为0．797，精度只比二阶微分变换低0．3%;直接对影像进行一阶微分变换也取得较好的效果，精度为86．8%，Kappa系数为0．753;对数后的一阶微分变换只比直接对影像一阶微分变换的精度低了0．1%。与影像未经变换的精度相比，最高的3种变换方法精度分别超过未经影像变换的4．8%、4．5%、2．1%，Kappa系数分别增长0．087、0．082、0．038，且3种变换方法均是微分变换。仅是对数变换也有提高分类精度的效果，但相对于其他变换方法精度提高较小，仅提高1．5%。对数变换后的微分变换也比未经变换的精度提高了2．0%，这说明大多数的微分变换对于高光谱数据都有提高精度的效果。值得注意的是，一阶微分、二阶微分和三阶微分三种变换方法相比，二阶高于一阶2．7%，但三阶低于二阶0．3%，说明虽然微分变换能在精度上有很大的提高，但并不是微分阶数越高效果越好，显然，本研究中二阶微分变换效果最佳。

表1 原始数据与5种变换后数据的分类总精度

3．2 树种间评价

4个优势树种组在原始数据和5种变换后的数据分类后的制图精度和用户精度以及总平均精度见表2。由表2可知，白桦林、落叶松林的5种变换后的数据精度均高于未经变换的原始数据，制图精度分别提高了1．5%～4．1%和1%～4．7%，用户精度分别提高了0．7%～1．8%和2．6%～6．2%;山杨林的对数变换后的用户精度降低了0．4%，樟子松林一阶微分变换后的用户精度降低了0．7%，二阶微分变换下的4个优势树种组各自的制图精度和用户精度均高于其他变换方法，平均精度为94．7%和91．2%，总平均精度为90．5%。

4 结论与讨论

运用高光谱遥感数据提取光谱特征，对地物分类是高光谱遥感研究的热点，目前大多数研究采用Hyperion、CASI等数据源，HJ－1A卫星是我国自助发射的卫星，对该卫星HSI传感器所获取的高光谱数据进行研究，有利于推广该数据的应用范围。本文运用HIS 2级产品数据对影像数据的预处理、植被光谱特征的选择进行了研究。用MNF最小分离变换来实现影像的去噪和降维，将影像的主要信息集中在影像的前5个波段内进行分类。

表2 6种数据的各优势树种组的分类精度 %

对影像数据进行一阶微分变换、对数变换、对数后的一阶微分变换、二阶微分变换、三阶微分变换。5种变换方法的分类精度均高于原始数据，二阶微分变换总精度最高，为89．5%，Kappa系数为0．802;微分变换的整体效果优于对数变换，二阶微分精度高于一阶微分2．7%，但三阶微分低于二阶微分0．3%，说明微分变化并不是阶数越高效果越好，研究结果表明二阶微分变换效果最佳。

林分类型分类精度取决于植被的光谱特征差异。由于研究区域内落叶松林和樟子松林的光谱曲线相似度比较高，差异不明显，因此，混分现象严重，导致分类效果比其他类型差。以后将尝试引入一些新的影响因子(如:纹理、地形等)，进一步提高林分类型的分类精度。

［1］浦瑞良，宫鹏．高光谱遥感及其应用［M］．北京:高等教育出版社，2003．

［2］赵英时．遥感应用分析原理与方法［M］．北京:科学出版社，2003．

［3］谭炳香．高光谱遥感森林应用研究探讨［J］．世界林业研究，2003，16(2):33－37．

［4］苏红军，杜培军，，盛业华．高光谱遥感数据光谱特征提取算法与分类研究［J］．计算机应用研究，2008，25(2):390－394．

［5］张良培，郑兰芬，童庆禧．利用高光谱对生物变量进行估计［J］．遥感学报，1997，1(2):111－114．

［6］Zhang J，Rivard B，Sánchez-Azofeifa A，et al．Intra-and interclass spectral variability of tropical tree species at La Selva，Costa Rica:Implications for species identification using HYDICE imagery［J］．Remote Sensing of Environment，2006，105(2):129－141．

［7］Martin M E．Determining forest species composition using high spectral resolution remote sensing dates［J］．Environ，1998，65(3):249－254．

［8］Davison D，Achal S，Mah S，et al．Determination of Tree Species and Tree Stem Densities in Nborthem Ontario Forest using Airborne CASI data［C］．Ottario:Proc of Fouth International Airborne Remote Sensing Conference and Exhibition，1999．

［9］Goodenough D G，Bboga A S．Monitoring Forests with Hyperion and ALI［C］．Toronte:ProcIGARSS，2002．

［10］宫鹏，浦瑞良，郁彬．不同季相针叶树种高光谱数据识别分析［J］．遥感学报，1998，2(3):211－217．

［11］王志辉，丁丽霞．基于叶片高光谱特性分析的树种识别［J］．光谱学与光谱分析，2010，30(7):1825－1829．

［12］刘丽娟，庞勇，范文义，等．机载LiDAR和高光谱融合实现温带天然林树种识别［J］．遥感学报，2013，17(3):679－695．

［13］Boardman JW，Kruse FA．Automated Spectral Analysis:A Geological Example Using AVIRISData，North Grapevine Mountains［C］．Michigan:Proceeding 10th Thematic Conference on Geologic Remote Sensing，Environmental Research Institute of Michigan，Ann Arbor，MI，1994:407－418．

［14］汤井田，胡丹，龚智敏．基于SVM的SAR图像分类研究［J］．遥感技术与应用，2008，23(3):341－345．

［15］Vachon P W，West JC．Spectral estimation techniques for multilook SAR images of ocean waves［J］．Canada Centre for Remote Sensing，1992，30(3):568－577．

［16］Zhu G B，Blumberg D G．Classification Using ASTER Data and SVM Algorithms:The Case Study of Beer Sheva，Israel［J］．Remote Sensing of Environment，2002，80(2):233－240．