基于GF- 1 号遥感影像的森林小班蓄积量自动提取研究

吴莉娟 姚 啸

（1、西安铁道技师学院铁道技术系，陕西 西安710038 2、易智瑞（中国）信息技术有限公司西安分公司，陕西 西安710068）

1 概述

森林作为我国重要资源，森林蓄积量作为研究森林生物量的重要指标。传统的测算森林蓄积量的方法是对逐块林地(小班)进行角规测树调查，这种方法不仅要消耗大量的人力、物力，又由于受到选取调查点的代表性的限制, 故运用此方法调查的准确性较差[1]。因此，研究探索新的森林调查技术手段，建立可动态预测森林蓄积量的技术方法是当前我国森林资源监测领域的一项重要研究课题。

本文基于国家GF-1 号卫星8m 多光谱遥感影像以及森林固定调查样地或布设的遥感判读样地为数据源，对遥感影像进行小班区划，并对固定样地及小班内与样地大小相同的区域提取遥感影像对应区域的光谱信息以及纹理特征信息，利用最近邻法判断小班内与样地大小的区域与固定样地中哪一块样地所含的RS 信息最为接近，即以那一块样地的蓄积表示小班内样地大小区域的蓄积，并将小班内所有的样地大小区域蓄积累计即为小班蓄积量。

2 概述

2.1 影像多尺度分割

影像分割是将高分辨率遥感影像分割成许多个连续且互不重叠的区域，每个区域内像元具有高度同质性，对应于地面上相同或类似地物。影像分割的目的是将高分遥感影像上不同种类地物划分出来，经过调整得到森林小班。在对GF-1 号8m 分辨率遥感影像经过几何精校正后，利用eCognition 软件对影像进行多尺度分割，设置合适的尺度、形状和颜色因子权重以及区域紧致度和边界平滑度权重对影像进行分割并进行适当的人工调整得到影像区域的小班矢量图。

2.2 小班快速勾绘

对监测区域的遥感影像进行森林小班的快速区划主要有以下环节：（1）以县为单位，叠加行政区划图，自动将高分遥感影像和前期森林资源分布图分割为以乡镇为作业单位的操作区域。（2）在对遥感影像进行多尺度分割的基础上，在乡镇范围内叠加相应的林地“一张图”资料，并在高分遥感图像设置一定数量的遥感判读样地，作为监督分类训练样本。对遥感图像进行有监分类，在分类的基础上，结合林地“一张图”或前期森林资源调查分布图，进行动态变化检测。（3）利用现有软件提供的小班公共边界自动跟踪、小班分割和合并、孤岛处理、外部属性表导入、拓扑逻辑检查等功能对小班边界和属性进行调整操作，完成小班的最终区划。

2.3 小班蓄积量自动提取

利用经过增强处理后的高分遥感图像，以乡镇为单位，布设一定数量的遥感判读解译标志，测试解译标志的地理坐标，解译标志大小一般设置为0.06 公顷，现地判读解译标志区域的龄组、平均胸径、平均树高、优势树种（组）、地类、蓄积量等因子的值[2]。提取解译标志范围内高分遥感影像各波段的光谱反射值，解译标志包含和压盖的像元的灰度矩阵、解译标志范围的纹理信息，并建立遥感判读解译标志库。如图1 所示。

图1 影像区域内布设的解译标志库

利用所建立的遥感解译标志库，按优势树种（针、阔、混）、龄组，对解译标志进行归类，分析每类解译标志对应高分遥感影像各波段灰度值的取值区间、均值和标准差，分析对应的像元灰度矩阵的相关性，提取对应的纹理信息。以这些信息作为影响解译标志蓄积量的自变量，建立解译标志单位的森林蓄积量估测模型[3]。以勾绘所得的小班分布图为基础，统计每个小班范围内包含或压盖解译标志单元的类型[4]，根据最近邻法推算小班蓄积量。

2.4 流程及主要算法

利用高分辨率遥感影像进行森林二类小班蓄积量的自动提取流程如下：高分辨率遥感影像→几何精校正等预处理→影像多尺度分割→效果良好→小班区划和地类识别→效果良好→森林小班蓄积量自动提取。当效果不好时，要加入DEM模型等辅助数据重新进行几何精校正等预处理；在影像多尺度分割时，适当加入人工调整；最后对自动提取的森林小班蓄积量进行精度评价。要利用监测区域的遥感影像进行森林二类小班蓄积量的自动提取，需先对遥感影像进行小班区划。小班区划的过程就包括影像的多尺度分割和森林类型识别，其中，多尺度分割可将影像分割成与森林类别不同的影像区域，再利用解译标志调查类别对各影像区域进行类别识别。

3 实验分析

3.1 研究区概况

试验区位于黑龙江省伊春市南部带岭区凉水自然保护区，该区域内分布的森林主要林种有针叶林、阔叶林以及针阔混交林。其地物分布和主要林种类别均有利于本文中面向对象分类方法对主要林种进行分类和森林蓄积量估测试验的展开。

3.2 数据源

实验数据有：（1）遥感影像。选取的影像为凉水自然保护区的一幅GF-1 号卫星8 米分辨率多光谱遥感影像，经以1：5 万地形图为基准采集控制点，采用人机交互进行行几何精校正和正射校正，校正后影像像元大小8m×8m。影像成像时间为2014年9 月30，覆盖范围大小为10km×10km。如图2 左所示。（2）解译标志数据。在试验区布设有126 个大小为0.06 公顷、间距为1km×0.5km 的方形解译标志(样地)。测定的主要因子有：地类、龄组、蓄积、平均胸径、平均树高、优势树种（组）等。样地展绘图层如图2 右所示。

在影像多尺度分割过程中，分割参数的设置对最终分割形成的影像区域与实际地物边界吻合程度有着重要影响，按照最终分割出来的影像区域与影像上实际地物分布的边界尽可能吻合而影像区域大小尽可能大的原则对影像进行多次分割。经过试验发现影像在尺度设为20、形状因子及颜色因子权重设为0.1 及0.9、区域紧致度和边界平滑度设为0.7 和0.3 时分割效果最好。如图3 左所示。在计算得到相应的纹理数据后，对遥感影像和纹理进行波段合成，并将解译标志展绘到影像上提取对应各波段光谱信息值和纹理特征值，利用各波段光谱值计算比值波段值组成自变量向量进行建模。对小班内样地大小区域提取对应的值代入模型计算蓄积量的值并进行累计得到小班蓄积量。估测结果渲染如图3 右所示。

4 结论

根据国家森林资源监测相关技术标准以及林业工作者和研究人员的普遍认识，利用高分遥感影像进行森林小班二类蓄积量估测的精度达到70%以上即可[6]。本文中，基于GF-1 号8 米多光谱遥感影像对监测区域进行的森林小班二类蓄积量自动提取技术得到的小班蓄积量总值为1466739.02m3, 人工调查得到的小班蓄积总值为1131158m3，计算其精度为77.12%。结果表明基于GF-1 号8m 多光谱遥感影像对森林覆盖区域进行小班区划，并进行小班蓄积量自动获取的方式是可行的，这对森林蓄积量的调查不仅节约了很大的人力、物力成本，而且对我国森林资源监测有着重要意义。

图2 遥感影像图及监测区域样地数据展绘图层

图3 多尺度分割结果及小班蓄积量估测分布图