基于时序光谱特征匹配的中分辨率遥感橡胶林提取

张 洪,沈金祥

(云南国土资源职业学院 数字国土与土地管理学院,云南 昆明 652501)

基于时序光谱特征匹配的中分辨率遥感橡胶林提取

张 洪,沈金祥

(云南国土资源职业学院 数字国土与土地管理学院,云南 昆明 652501)

纹理与物候是橡胶林区别于天然林及其他地类的有效诊断特征。对多时序中分辨率遥感影像合成的多谱影像提取出橡胶林端元光谱,通过光谱角及光谱信息散度计算像元时序光谱与橡胶林端元时序光谱间的匹配度,最后通过匹配度阈值的调整提取出橡胶林信息。实验结果表明,采用时序光谱特征匹配法能够有效地提取出中分辨率遥感影像中的橡胶林信息,精度在93%以上,且光谱信息散度较光谱角匹配能取得更高的精度。

时序光谱特征;橡胶林；信息提取;光谱角匹配;光谱信息散度

0 引言

橡胶林是热带地区土地利用变化后建立的主要人工林生态系统,橡胶种植业已成为热带地区许多国家经济的重要组成部分,且近些年来呈现不断增长的趋势,甚至在产胶低的不宜种植区也开始种植橡胶林。橡胶林的种植对于热带地区生物多样性的破坏作用是显而易见的,且早已引起了生态学家的极大关注[1-3]。

精确获取橡胶林的时空分布信息对于研究橡胶林的演变过程与趋势,统筹经济、社会与环境发展,科学开发规划橡胶林具有极为重要的作用。快速发展的遥感对地观测技术为橡胶林的监测提供了强有力的技术保障。作为典型的人工林,橡胶一般种植在坡度较缓的山坡上,行距15 m左右,株距4.5 m左右,这在遥感影像上表现出极强的纹理性。此外,橡胶林也具有典型的物候特征,即1月上旬至2月中旬的集中落叶期、2月下旬至3月中旬的快速生长期。纹理与物候也正是橡胶林区别于天然林及其他地类的有效诊断特征,这已成为遥感影像橡胶林提取的理论依据。近些年来,众多学者针对多类型的遥感数据源提出了多种橡胶林的提取技术方法,并取得了一定的效果[4-11]。

尽管高分辨率影像能够清晰地分辨出橡胶林的空间纹理特征,但目前在影像分析上对于纹理特征的有效表达和计算仍有较多不确定性。中分辨率遥感影像获取成本低,时相信息丰富,能够很好地表达出橡胶林的物候特征。为此,本文提出一种基于中分辨率遥感影像、提取效果较好且计算又较为简单的方法——基于时序光谱特征匹配(Temporal Spectrum Match, TSM)的遥感影像橡胶林识别方法,通过光谱角匹配(SAM)及光谱信息散度(SID)算法对样本与多时相遥感影像像元时序光谱特征的匹配来识别和提取遥感影像中的橡胶林。

1 研究方法

基于TSM的遥感影像橡胶林识别方法以多时相遥感数据作为输入,通过样本时序光谱特征的采集及与影像像元时序光谱的匹配,调整合适的匹配度阈值提取橡胶林信息。图1为整个技术方法体系。

图1 橡胶林信息提取方法流程

1.1 影像预处理

影像预处理工作主要包括遥感数据的辐射校正、几何校正(正射校正)、波段合并等。辐射校正是将原始影像像元灰度值(DN值)还原成真实的地物反射率值的过程。由于涉及至少两个时期的多景遥感影像,辐射校正处理是不同景遥感影像间具有可比性的保障。辐射校正包括辐射定标及大气校正两个过程。辐射定标将遥感影像各个波段的灰度值(DN值)转换为具有物理意义的反射率值(0～1之间的值),即转换为大气顶层反射率。大气校正是在大气顶层反射率计算后进一步考虑和消除太阳辐射两次穿越大气层到顶对地观测平台时大气成分对太阳辐射的散射、吸收等,其计算过程较为复杂,目前常用的模型有基于辐射传输机理的6S及MODTRAN两类模型。

几何校正是建立遥感影像与地面目标间的几何映射关系的过程,平坦区通过若干地面控制点结合校正模型即可以完成校正处理。对于山区则需要考虑地形起伏的影像,在地面控制点支撑的同时,还需加入地面高程模型(DEM)才能得到较好的校正精度。几何校正是时间系列影像叠加分析成功的关键因素,是能够从落叶期与生长期多个时期遥感影像取得准确光谱变异特征的重要保障。

影像预处理阶段的另一项工作是波段合并,即对生长期与落叶期的多波段影像进行波段合并,以形成单景多波段影像。

1.2 样本时序光谱采集

结合橡胶林的实地采集样本及较高空间分辨率影像,在落叶期与生长期合成的单景多波段影像上选择相应的若干像元样本,形成橡胶林时序光谱曲线。由于橡胶林行距、株距较大,林中混合有土壤或其他林下植被信息,因此采集的影像像元样本通常是混合样本。为了提高后续的橡胶林时序光谱匹配的精度,将对采集的橡胶林像元样本进行亚像元分析,提取出纯净的橡胶林时序光谱曲线。

1.3 光谱匹配度的计算

计算光谱匹配度的方法包括光谱角匹配(SAM)及光谱信息散度匹配(SID)两种,均是通过计算样本光谱曲线与目标光谱曲线间的相似程度来确定目标的类别归属概率大小。SAM通过在高维空间中以夹角的形式对多、高光谱影像像元光谱曲线与光谱库中的地物标准光谱曲线进行相似性比较,其计算公式[12]为:

上式中：nb为波段数目；ti、ri分别为测试光谱及参考光谱在第i波段的反射率值。

SID基于信息论和概率统计,通过信息散度来考虑像元光谱与参考光谱间的相似性[13]。假设参考光谱R={R1,R2,R3,R4,…,Rn},像元目标光谱P={P1,P2,P3,P4,…,Pn},则SID的计算公式为:SID(R,P)=D(R||P)+D(P||R),式中:

无论是SAM匹配还是SID匹配，它们对参考光谱与目标光谱进行匹配的重要优势在于不考虑各个波段上取值的绝对差异性,而仅从整体上看两条曲线的相似程度。对于遥感影像而言,只要保证正确的波段关系,则光谱曲线匹配就可以取得较好的效果。这里的参考光谱为上述采集的橡胶林样本光谱曲线,测试光谱则是由像元各波段反射率值形成的光谱曲线。对橡胶林落叶期与生长期合成的影像,分别利用上述SAM及SID计算公式逐像元计算其光谱曲线与参考光谱间的SAM值及SID值。

1.4 提取处理

计算出来的SAM及SID影像,其取值越接近0值,则说明像元光谱与橡胶林样本光谱的匹配度越高,即像元为橡胶林的概率就越大。通过调整和设置阈值,即可提取出影像中的橡胶林分布区域。在提取完成后,还需进行小斑块的合并与移除、多景提取结果的拼接及裁剪等后处理操作。

2 结果与分析

2.1 实验数据及其预处理

选择橡胶林种植面积较大的云南西双版纳地区作为实验区,该地区1976年橡胶林种植面积只占总面积的1.1%左右;到2003年上升至11.3%,20多年扩张了近10倍[1]。在数据源方面,选择辐射和空间定位精度较高的Landsat8OLI(由glovis.usgs.gov网站免费下载)。覆盖全区域的数据有3景,全部为2015年数据,时间跨度为2月下旬(落叶期)至3月上中旬(快速生长期),相关信息如表1。

数据预处理工作在ENVI 5.1软件平台上完成。该版本ENVI支持Landsat 8 OLI数据的读取。在下载、解压压缩包后读取MTL.txt即读入OLI各波段的影像数据。通过Radiometric calibration模块将影像DN值直接转换为大气校正模块Flaash所需的辐射值,再由Flaash模块完成大气校正处理,最终转换为地表反射率值。实验区主要为山区,结合野外采集的控制点及地形图数据采集的地面控制点,在90 m SRTM DEM支持下完成数据的正射校正处理。同轨两个时期的影像选择{Blue, Green, Red, NIR, SWIR1, SWIR2}6个波段进行波段合并处理,最后产生12个波段的影像文件。

2.2 实验结果与分析

2.2.1 橡胶林时序光谱的采集 结合高分辨率卫星影像及野外采集的样本点,在全图均匀选择样本区,共有超过2500个像元样本。利用连续最大角凸锥(SMACC)对这些像素进行端元提取,提取出真实的橡胶林时序光谱(如图2所示)。

a:落叶期影像(NIR、RED、GREEN); b:生长期影像(NIR、RED、GREEN);

从图2中的{NIR、RED、GREEN}合成的标准假彩色影像(图2a、图2b)对比以及光谱曲线(图2c、图2d)对比均可以看出：无论是落叶期与快速生长期间的对比,还是橡胶林与天然林的对比,在NIR波段上的光谱反射率差异都是最大的,快速生长期在NIR波段有一个较大的反射峰；除此之外,在绿波段位置上,快速生长期也形成有一个较为明显的小反射峰。

2.2.2 基于TSM的橡胶林提取 尽管在近红外波段及绿波段上,落叶期与生长期的橡胶林反射率,以及橡胶林与天然林间的反射率均有较大的差异性,但仅利用绝对的差异性仍难以有效提取出橡胶林信息。在ENVI中,对落叶期与快速生长期{Blue、Green、Red、NIR、SWIR1、SWIR2}合成影像,用上述SMACC提取出的橡胶林时序光谱分别计算SAM与SID值,依据精度评价结果调整阈值,直至最终得到较高精度的橡胶林提取结果。对覆盖西双版纳的129045、130044、130045分别进行提取,并对提取结果进行拼接与裁剪。对初步提取结果还需进行一些后处理操作,主要包括小斑块的合并与去除、部分错误区域的编辑处理等。最后得到西双版纳地区2015年的橡胶林分布图(图3)。

a:落叶期; b:快速生长期; c: SAM计算结果; d: SID计算结果;

通过野外采集及影像上手工采集的检验样本进行精度检验,SAM与SID提取橡胶林信息的总体精度分别为93.2%及94.8%。相对来说,在本次实验中,SID光谱匹配方法能够取得更高的精度。采用这两种匹配方法对橡胶林的提取结果均能够满足实际应用需求。图3的结果还表明,西双版纳地区橡胶林主要集中在温度更高的南部地区,其中景洪市和勐腊县种植更为广泛。统计结果显示,该地区橡胶林面积在2700 km2左右,占该地区面积的14%左右。

3 结论与讨论

由于“同物异谱、异物同谱”现象的客观存在,应用单一遥感影像通常难以准确地识别出目标信息。对于具有典型物候特征的地物目标,通过多时相遥感影像扩展识别“谱”特征,能够显著提高识别的准确性。在本研究中,通过SMACC提纯后的橡胶林时序光谱,计算出的SAM及SID值代表了与橡胶林时序光谱的拟合度,通过设置一定的阈值即可以提取出橡胶林分布数据。然而,遥感数据呈现出的落叶期橡胶林并未完全落叶或叶片变黄,快速生长期也并非完全生长出绿叶。因此,客观上会不可避免地存在“少提取”部分不符合时序光谱特征的橡胶林区域的问题。同时,如果为了尽可能地避免发生“少提取”问题而调整阈值，则又会发生“多提取”的问题。更多时期的遥感影像可以形成更为复杂的时序光谱曲线；如能加入地形、坡度或其他专题图层等橡胶林分布的限制性因子,则有望能够进一步提高橡胶林的识别精度。基于时序光谱匹配的橡胶林识别方法也将为具有典型物候特征的其他植被类型的识别提供可借鉴的研究思路。

[1] Li H M, Aide T M, Ma Y X, et al. Demand for rubber is causing the loss of high diversity rain forest in SW China[J]. Biodiversity and Conservation, 2007, 16(6): 1731-1745.

[2] 沙丽清.西双版纳热带季节雨林、橡胶林及水稻田生态系统碳储量和土壤碳排放研究[D].西双版纳:中国科学院西双版纳热带植物园,2008.

[3] Zhang M, Schaefer D A, Chan O C, et al. Decomposition differences of labile carbon from litter to soil in a tropical rain forest and rubber plantation of Xishuangbanna, southwest China[J]. European Journal of Soil Biology, 2013, 55: 55-61.

[4] Ekadinata A, Widayati A, Vincent G. Rubber agroforest identification using object-based classification in Bungo district, Jambi, Indonesia[C]//Chiang Mai: 25th Asian Conference on Remote Sensing, 2004.

[5] 李亚飞,刘高焕,黄翀.基于HJ-1CCD数据的西双版纳地区橡胶林分布特征[J].中国科学,2011,41:166-176.

[6] Feng Z M, Jiang L G, Liu X N, et al. Rubber plantations in Xishuangbanna: remote sensing identification and digital mapping[J]. Resources Science, 2012, 34(9): 1769-1780.

[7] Li Z, Fox J M. Mapping rubber tree growth in mainland Southeast Asia using time-series MODIS 250 m NDVI and statistical data[J]. Applied Geography, 2012, 32(2): 420-432.

[8] Senf C, Pflugmacher D, Linden S, et al. Mapping rubber plantations and natural forests in Xishuangbanna (Southwest China) using multi-spectral phenological metrics from MODIS time series[J]. Remote Sensing, 2013, 5(6): 2795-2812.

[9] Dong J W, Xiao X M, Chen B Q, et al. Mapping deciduous rubber plantations through integration of PALSAR and multi-temporal Landsat imagery[J]. Remote Sensing of Environment, 2013, 134: 392-402.

[10] Dong J W, Xiao X M, Sheldon S, et al. Mapping tropical forests and rubber plantations in complex landscapes by integrating PALSAR and MODIS imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 74: 20-33.

[11] Kou W L, Xiao X M, Dong J W, et al. Mapping deciduous rubber plantation areas and stand ages with PALSAR and Landsat images[J]. Remote Sensing, 2015, 7(1): 1048-1073.

[12] Kruse F A, Lefkoff A B, Boardman J B, et al. The spectral image processing system (SIPS)-interactive visualization and analysis of imaging spectrometer data[J]. Remote Sensing of Environment, 1993, 44: 145-163.

[13] Du Y Z, Chang C L, Ren H, et al. New hyperspectral discrimination measure for spectral characterization[J]. Optical Engineering, 2004, 43(8): 1777-1786.

Extraction of Rubber Plantation Information from Medium-resolution Remote-sensing Images Based on Temporal Spectral Feature Matching

ZHANG Hong, SHEN Jin-xiang

(Department of Digital Land and Land Management，Yunnan Land and Resources Vocational College, Kunming 652501, China)

Texture and phenology was the effective diagnostic features to distinguish the rubber plantation from natural forests and other land types. Extracted the rubber plantation endmember from the multispectral image which synthesized with time series images, used the spectral angle and the spectral information divergence formula to calculate the temporal spectral fitting value between pixels and rubber plantation endmember, finally, extracted the rubber plantation information from fitting value image with the favorable threshold. Experimental results showed that the temporal spectral feature matching method could effectively extract rubber plantation information from the medium-resolution remote sensing image, and the accuracy was better than 93%, furthermore, the spectral information divergence matching could achieve higher accuracy than that of the spectral angle.

Temporal spectral feature; Rubber plantation extraction; Information extraction; Spectral angle matching; Spectral information divergence

2015-10-28

云南省应用基础研究计划面上项目(2013FB082)。

张洪(1968─),男,四川成都人,副教授,主要研究领域为摄影测量与遥感技术。

S794.1

A

1001-8581(2016)03-0093-05

表1 实验数据列表

轨道号成像时间(

)1290452月21日(LC81290452015052LGN00);3月9日(LC81290452015068LGN00)1300442月28日(LC81300442015059LGN00);3月16日(LC81300442015075LGN00)1300452月28日(LC81300452015059LGN00);3月16日(LC81300452015075LGN00)

黄荣华)