基于航空影像的亚热带地区小班区划和基本属性识别

2021-06-08代华兵李春干

林业资源管理 2021年2期

代华兵,李春干

(1.广西壮族自治区林业勘测设计院,南宁 530011；2.广西大学林学院,南宁 530004)

小班是森林资源规划设计调查(二类调查)的基本单元,也是区域森林资源统计的最小单元,因此,小班区划是二类调查中最基础、最重要的工作。近40年来,我国森林资源二类调查的小班区划由早期采用中小比例尺(1∶50 000,放大至1∶25 000)地形图[1-2]和中大比例尺地形图(1∶10 000)[3-4]实地区划,至2000年后开始采用SPOT5,IKONOS和ALOS等高分卫星影像实地区划[5-7],2010年后,一些地区采用这些图像在室内进行区划[7-9]。在小班的区划诸条件中,优势树种(组)的差异性是最核心的条件[10]。理论上,SPOT5,IKONOS和ALOS等高分卫星图像有限的光谱分辨率和空间分辨率不足以满足森林资源二类调查中优势树种分类的需要[11]。有研究表明:在参考林业档案信息的情况下,SPOT5图像优势树种判读的总正判率只有73.3%,杉类、松类的正判率也分别只有75.9%和84.4%[12]。因此,在优势树种(组)都不能准确区分的情况下,讨论SPOT5,IKONOS等高分卫星影像小班室内区划的准确率或精度是没有任何意义的。基于高分卫星影像室内区划的小班边界,仍需在实地进行核对和修正[13]。尽管如此,高分卫星影像对于提高小班区划精度和工作效率、减轻劳动强度仍具有显著作用。

航空影像曾经是中国森林资源调查最早应用的基础技术资料[14],始用于大兴安岭地区(1)中华人民共和国林业部调查设计局航空调查队,苏联农业部全苏森林调查设计总局特种综合调查总队.大兴安岭森林资源调查报告(第一卷).北京:1955.,在20世纪五六十年代广泛应用[15-16],但70年代末后,由于航空影像缺乏的原因,少见应用。近10年来,在有条件的一些地区,已经采用航空影像进行小班区划,取得了良好的效果[17-18]。在广西第五次森林资源规划设计调查中,全域采用航空影像进行小班区划和基本属性识别,不但显著地提高了小班区划精度和土地类型、优势树种(组)等小班基本属性识别的精度,而且还极大地提高了工作效率,减轻了劳动强度。现以广西南宁市横县为例,介绍其主要技术方法与结果,为构建我国森林资源规划设计调查新技术体系提供参考。

1 研究区及数据

1.1 研究区概况

研究区横县位于广西壮族自治区东南部,地理位置为22°08＇～23°30＇N,108°48＇～109°37＇E,总面积3 448 km2。全县四周群山环抱,中部平缓开阔,形似一个盆地。北部为镇龙山脉,最高峰大圣山海拔1 167 m,南部最高峰南山海拔540 m。山地、丘陵和平原约各占全县总面积的14%,62%和24%。位于北回归线以南,属南亚热带季风气候区,年平均气温21.6℃,最热月7月(平均气温为28.5℃),最冷月1月(平均气温为7.7℃),多年平均降雨量1 400 mm,4—9月为雨季,降雨量占全年总降雨量的71%。地带性土壤为赤红壤,地带性植被为南亚热带季雨林。现存植被均为次生植被,天然植被有马尾松(Pinusmassoniana)、红锥(Castanopsishystrix)、公孙锥(C.tonkinensis)、青钩栲(C.kawakam)、黄果厚壳桂(Crytocaryaconcinna)、华润楠(Machiluschinensis)、樟(Cinnamomumcamphora)、荷木(Schimasuperba)等。杉木林、松树林、桉树林、阔叶林、竹林、经济林木和特殊灌木林分别占全县森林面积的3.0%,26.4%,59.3%,5.6%,3.0%,2.6%和0.1%。

1.2 数据

所用数据为2016年由广西壮族自治区测绘与地理信息局组织获取的真彩色航空数字正射影像(DOM),空间分辨率为0.2 m。

其它参考数据包括:2015—2016年林地“一张图”数据库,2016年生态公益林区划调整成果数据库等。

2 方法

2.1 航空影像目视解译决策树的建立

土地类型是小班最重要的管理属性,优势树种(组)、林木起源、伴生树种(组)是森林小班最重要的自然属性,这4个属性是小班的基本属性。由于土地类型与优势树种(组)和伴生树种(组)之间存在紧密的联系,林木起源与优势树种(组)之间也存在较为紧密的关系,如:杉木林、桉树林无天然林,在集体林区中,阔叶林很少有人工林。因此,在遥感图像判读中,优势树种(组)的确定最为重要,是小班最核心的基本属性。对于人工林,原则上识别到种(柑桔类中因有柑类、桔类、橙类等多个树种,识别到类)；对于天然阔叶林,因树种多且为混交林,在实地调查中也难以分辨优势树种,可归为一类。

遥感图像判读的依据是其表征,包括色调、颜色、形状、大小、纹理、图案、阴影、位置和相关布局等[19]。在卫星遥感图像判读过程中,一般都事先建立解译标志[19-24],详细描述各个树种(组)在图像上的表征[5],作为判读的依据。由于航空影像的分辨率极高,除新造林外,不同优势树种(组)构成的林分林木特征十分明显,因此,解译标志的建立并非十分必要。在广西第五次森林资源规划设计调查实践中,在深入研究主要优势树种(组)图像表征的基础上,准确地总结了不同树种(组)的主要识别特征,没有建立图像解译标志,而是采用以下方法和步骤进行图像判读。

1)根据图案(林木排列)和树冠形状将林分分为3个类型,即人工林(规则排列)、天然林(随机排列)、竹林(竹梢弯曲致林冠成羽毛状)；

2)在以上3个森林类型中,根据图案、树冠形状和大小、色调、阴影、纹理、位置等,进一步分辨不同的优势树种(组)。

研究区各个树种(组)判读的决策树如图1所示。

图1 航空图像优势树种(组)解译决策树(横县)Fig.1 Interpretation decision tree of dominant tree species(group)in aerial image(Hengxian)

在判读优势树种(组)的基础上,根据优势树种(组)与土地类型、林木起源、伴生树种(组)的相互关系,结合影像特征进一步判读其他基本属性。在小班基本属性识别过程中,还需要参考历史调查资料和相关管理档案资料,尤其是经济树种、马尾松和湿地松等的判读。

2.2 小班区划方法和标准

经航空图像解译培训,调查人员基本掌握了小班基本属性识别知识并积累一定经验后,在GIS软件平台支持下,以2016年航空DOM为参考资料，通过屏幕矢量化方法进行小班区划。小班区划技术标准:1)影像上分界明显的林地小班边界(如以林区道路为分界线)的采集精度应控制在5个像元以内；人工林小班之间、人工林小班与天然林小班之间界线的采集精度原则上应控制在一行树木以内；天然林小班之间的界线采集精度控制在10 m之内。2)林地(含耕地中的森林)面状小班最小上图面积为400m2；防火线、防火林带、铁路、公路、乡村道路、林区道路、河流等线状小班最小上图宽度为4 m(2)广西壮族自治区林业厅.广西壮族自治区第五次森林资源规划设计调查技术标准汇编(部分).南宁:2017.。

2.3 验证方法

2.3.1小班区划

小班区划检验在GIS软件支持下进行,以2016年林地“一张图”的小班数据库(代表SPOT5图像实地勾绘方法)为对比,分析本次小班区划方法与传统方法的优劣,具体方法如下:

1)在研究区小班区划结果图的林地范围内,随机布设500个样点,从小班区划结果和2016年林地“一张图”中分别提取包含这500个样点的小班,得到469个小班(其中25个小班包含2～3个样点)；

2)由第三人以航空DOM为基础,根据样点周围的图像表征,对本次区划的小班界线进行逐一检查、修正,得到最合理、最准确的小班区划界线,称为基准小班图；

3)将基准小班图与区划小班图、林地“一张图”小班叠合,并将样点编号按空间位置分别赋予基准小班、区划小班、林地“一张图”小班,使上述3个图层中空间位置相同的小班具有相同的编号；

4)以基准小班图的小班面积为基准,分别计算区划小班图、林地“一张图”中每个小班的面积误差；

5)用基准小班图对区划小班图、林地“一张图”分别进行切割,得到区划小班图、林地“一张图”中每个小班与相应位置基准小班的重叠面积,计算小班重叠率[25]。

2.3.2优势树种(组)判读

在研究区随机抽取12个林班共2 160个小班,其中林木小班1 502个,由第三方机构(森林调查专业公司)进行实地验证,通过混淆矩阵计算判读精度。

3 结果分析

3.1 小班区划精度

研究区469个小班的检验结果表明:本次小班区划的小班面积平均误差为0.5%,平均重叠率为99.7%；林地“一张图”小班面积平均误差为114.7%,平均重叠率为67.4%。说明本次小班区划质量明显高于林地“一张图”(表1)。

表1 小班区划与林地“一张图”的误差比较Tab.1 Error comparison between sub-compartment division and forest land map %

由表1可以看出,本次区划的小班中,面积误差小于5%的小班比重达到97.9%,小班面积误差全部小于10%；而林地“一张图”小班中,面积误差小于10%的小班比重只有30.9%,超过40%的小班面积误差大于50%:说明本次区划的小班面积精度远高于林地“一张图”。此外,本次区划的小班重叠率全部大于90%；而林地“一张图”中,不到1/3的小班重叠率大于90%,有27.9%的小班重叠率小于50%:说明本次区划的小班的界线准确性远大于林地“一张图”。

得到以上结果的主要原因是:本次小班区划基础资料空间分辨率高、地物特征明显,并且技术标准高、区划过程认真细致；而林地“一张图”小班区划基础资料(SPOT5图像,空间分辨率为2.5 m)信息量不够丰富,加上技术标准不够严格、区划过程不够认真细致,通常导致一个小班内包含多种地物、区划不够合理、界线不够准确的情况存在。按本次区划的要求,大部分林地“一张图”的小班需进一步细分为2个甚至多个小班。研究区2016年林地“一张图”只有10万个小班,本次调查区划小班数量达到20万个。

3.2 优势树种(组)判读的正判率

研究区1 502个林木小班中,优势树种(组)总的正判率为97.5%,Kappa系数为0.959 8。杉木正判率最低,为83.3%,其余优势树种(组)均高于90%,其中面积最大的树种马尾松和桉树正判率分别达97.6%和99.6%(表2),说明通过航空DOM可准确地识别小班的优势树种(组)。

表2 小班优势树种识别精度检验混淆矩阵Tab.2 Confusion matrix of interpretation accuracy of sub-compartment dominant tree species

杉木为塔形树冠,均为人工林,中幼林林相一般较为整齐,容易识别,但对于面积较小,且与马尾松、一般阔叶树混交的近成过熟林,林相不够整齐,容易出现识别错误。一般阔叶林多为混交林,有时也与马尾松混淆。小面积的荔枝,也易与马尾松、一般阔叶树混淆。以上错误大多发生在图像不够清晰的区域,尤以村庄附近最多。

4 讨论

本文试验结果表明,采用航空DOM区划小班和识别土地类型、优势树种(组)等小班基本属性,不但可以取得很高的精度,而且可以复查复核,质量可控,完全可以替代地面调查,可为实现森林资源的精准、快速、高效调查监测奠定坚实基础。

优势树种(组)判读是小班区划和其他基本属性识别的基础。在卫星遥感图像解译中,建立解译标志通常是必不可少的步骤[19],在一些地区,航空影像判读中也建立解译标志[18]。本文也曾尝试建立航空图像解译标志,但实践中发现没有必要,因为在航空DOM中,树冠清晰可辨,林木排列十分明显,不同的树种(组)在图像上表征的区别十分明显,通过林木排列和树冠形状将森林分为人工林、天然林和竹林等3个类型,然后在3个类型中根据林木排列、树冠形状、大小、色调、纹理、位置等图像特征进一步区分优势树种,即根据图1所示的航空图像优势树种(组)解译决策树进行优势树种(组)判读,实践证明效果很好。图1所示技术路线的现实基础是:杉木、桉树、国外松(主要为湿地松,也有少量火炬松、加勒比松等)和经济林木(包括八角、肉桂、荔枝、龙眼、柑桔等)均为人工林,除国有林场外,阔叶林几乎均为天然林,马尾松大部分为天然林,少部分为人工林,一般灌木林全部为天然林,且分布于山顶、山脊、陡坡或岩溶石山中。实践证明,与建立图像解译标志相比,图1所示技术路线的图像判读思路更为清晰,不同优势树种(组)区别的要点更为明了,判读人员更易掌握图像判读要领。在广西的大区域实际应用中,并未建立图像解译标志,但即使是无任何森林调查经验的在校大学生,经过约20天的培训和练习后,也可达到95%左右的小班基本属性判读精度。

判读深度的确定对森林资源二类调查而言十分重要。航空DOM判读的主要依据是树冠的形状、大小、排列、纹理、阴影等,因此,一些冠形、大小、叶色相近(说明各个光谱段的反射率相近)的树种,如马尾松和湿地松,柑、桔和橙,粉单竹和吊丝竹,等等,航空DOM是难以区分的。天然阔叶林几乎全为混交林,树种多且混杂分布,优势树种不明显,也是很难区分到树种的。只有在范围小且资源档案齐备的国有林场,才有可能区分阔叶林树种[26]。因此,对大区域森林资源调查而言,必须依据图像,深入研究各个树种的可分性,明确可以达到的判读深度,不能一味地追求分辨到树种,以有效避免判读错误。此外,对于难以确定优势树种(组)和边界的小班,地面补充调查也是不可或缺的工作。

对于训练有素的判读人员而言,绝大部分小班的优势树种(组)都能准确识别,但也有一些小班难以准确判读,如:杉木成过熟林与马尾松人工林成过熟林的树冠形状、大小、色调和纹理相近,容易产生判读错误；马尾松幼林和阔叶树幼林的纹理均不明,也难以区分；直立型丛生竹与杉木幼林的形态、大小、颜色、纹理相近,也容易出现判错误,如此等等。随着机器学习、深度学习等人工智能技术的发展,可以预期不久的将来,航空图像和分米级卫星遥感图像的树种判读问题将得到有效解决,并很有可能实现小班的自动区划。