基于遥感影像的森林资源变化检测研究

昝建春，冷鸿天

(云南省林业调查规划院，云南 昆明 650051)

为深入贯彻落实党的十九大精神和习近平新时代中国特色社会主义思想，按照党的十九大报告提出的“要实行最严格的生态环境保护制度”和“坚决制止和惩处破坏生态环境行为”要求，基于遥感影像等技术手段的森林资源变化检测能够及时发现改变林地用途和破坏森林资源等变化图斑，从根本上解决当前森林资源监管“被动式发现”的问题[1]，为严格执行森林资源保护管理各项制度，提升森林资源保护管理水平，推动生态文明建设提供技术支撑和服务保障。

变化检测是通过定量地分析两期遥感影像，获取地表覆盖变化的过程，是目前遥感影像领域研究的热点，被广泛应用在灾害评估、城市发展、土地利用以及覆盖监测等方面[2]。伴随着遥感影像空间分辨率不断的提高，同物异谱、异物同谱的光谱特征逐渐显现，基于像元光谱特征统计的变化检测技术已不能满足当前遥感影像变化信息提取的要求，严重制约高分辨率遥感影像在森林资源监测中的应用。而基于面向对象分类的变化检测方法，以影像分割为基础，将影像对象定义为光谱特征、形状特征、纹理特征、上下文关系等具有同质或近似的单个区域，综合利用对象的多种特征参与分析，将光谱和空间信息进行有效结合，降低变化检测的不确定性并提高变化检测的精度[3]，是未来森林资源变化检测的发展趋势和方向。

以滇中某局部地区为研究区域，着重分析林地变为非林地的动态变化过程。利用ENVI 5.3软件对2015年的森林资源二类调查影像和2018年的森林资源监测影像进行预处理，然后进行面向对象分类，采用流程化动态监测工具进行分类后变化监测，获取研究区域林地变为非林地图斑的空间分布、面积、像元数、变化矩阵等变化信息。

1 变化检测研究区域数据预处理

1.1 数据准备

选用的遥感影像为滇中某局部地区的森林资源二类调查影像和森林资源监测影像，时相分别为2015年和2018年。为减少相关噪声对变化检测精度的影响和干扰，选取了两幅拍摄时间(季节)相对一致、分辨率一致、投影坐标系统一致、图像大小一致和地物颜色相对一致的影像。

1.2 数据预处理

由于2015年和2018年两期影像来源不同，需要对其进行精确配准，使两期影像的地物颜色较为接近，地物重叠匹配较为精准，降低在变化检测中的误差[4]，有利于变化监测的使用和进一步提升变化检测的精度。利用ENVI 5.3软件的Image Registration Workflow工具对两期影像进行配准，统一两幅影像的分辨率，固定裁剪范围，使两幅影像裁剪大小一致，进而保证两幅融合图像的行列数相同[5]，可自动把一幅影像匹配到另一幅上。预处理后的两期影像如图1所示。

图1 预处理后的两期影像

2 面向对象分类

根据预处理后的两期影像，基于本次森林资源变化检测的目的和影像地物覆盖情况，并按照一致的分割尺度、均值因子[6]，将两期预处理后的影像分割为林地(0111)、非林地(0200)以及水域(0230)3类，再进行基于样本的面向对象分类[7]。

2.1 影像分割

造成影像分割质量好坏的因素主要包括两大类：分割尺度和均值因子，其中均值因子又可以细分为：颜色因子、形状因子以及光滑度、紧致度两对参数[8]。在分割之前需要对遥感影像做多次分割实践和经验积累，最合理的调整并确定上述各种参数对影像分割质量的影响程度。本次研究中，颜色因子的参数设置在影响因子中比重较大，最终确定选择的分割尺度为50。基于本次森林资源变化检测的目的和影像地物覆盖情况，选择恰当的分割尺度不仅能将林地与非林地区分开来，且不会出现过分割的情况[9]，颜色因子、形状因子分别设置为0.8和0.2，在一定程度上避免了大量颜色信息的丢失。为最大化地提高遥感影像的分割质量，不宜把紧致度、光滑度参数设置得过大，过大会降低遥感影像的分割质量[10]，因此，本次研究的光滑度设置为0.4，紧致度设置为0.6。

2.2 面向对象分类

分割完两幅影像后，影像信息将不再以像元为单位进行展示，而是转换为对象级[11]。本研究采用相对合适的样本对象进行分类，利用ENVI 5.3软件的Classification Workflow工具对两期影像分别进行面向对象分类。面向对象分类后的两期影像如图2所示。

图2 面向对象分类后的两期影像

3 变化检测

3.1 分类后变化检测

完成两期影像的面向对象分类后，利用ENVI5.3软件的Thematic Change Workflow工具实现面向对象分类的变化检测。在File Selection环节，Input Files为输入面向对象分类后的两期影像，Input Mask为输入研究区的掩膜文件；在Cleanup环节，根据研究目标和预览变化图斑情况将Enable Smoothing设置为3，Enable Aggregation设置为50；在Export Files以及Export Statistics环节，设置结果输出路径[12]。Thematic Change Workflow工具设置如3所示。

完成分类后变化检测即可得到变化图、变化矢量以及变化矩阵。其中，本次主要研究林地变为非林地的变化，结果如图4所示。

3.2 变化检测精度分析与评价

将变化检测结果与两期影像、区划矢量进行对比分析，从而检验面向对象分类变化检测方法、结果的可行性及准确性。

3.2.1变化检测结果与两期影像对比分析

通过与两期影像的目视解译对比分析，本次森林资源面向对象分类后变化检测结果能充分反映出变化图斑空间位置、面积等信息。检测结果目视解译对比分析如图5所示。

图5 检测结果目视解译对比分析

3.2.2变化检测结果与区划矢量对比分析

通过与区划矢量对比分析，林地变为非林地空间位置一致的面积为15.64 hm2，比例为91.25%，能较好地满足森林资源变化检测(表1)。

表1 变化对比分析

4 结语

1)面向对象分类的变化检测技术可以很好地区分光谱特征相似或相近的地表覆盖，一定程度上消除并克服了“同物异谱”、“同谱异物”的光谱特征现象，可满足森林资源变化检测的需要。

2)基于遥感影像的森林资源面向对象分类变化检测技术具有快速、准确以及自动化的优点，在森林资源监测方面具有广泛的应用前景[13]，可有效节省人力、物力，并提高变化检测的工作效率，进一步拓展了遥感技术在森林资源保护中的应用。