遥感影像植被信息提取及自动区划判读方法研究
2021-07-13郑雅兰李凤武
陆 翔,郑雅兰,李凤武
(1.国家林业和草原局中南调查规划设计院，长沙 410014； 2.南京师范大学地理科学学院，南京 210046)
随着科学技术的不断进步，遥感技术在人们的生产生活中得到广泛应用。在林业调查中，无人机的应用以及遥感影像扮演着越来越重要的角色[1]。无人机应用适用于小范围调查区，且是现地调查省时省力的重要手段。在森林资源更新调查中，传统的人工实地调查方式效率低、成本高、耗时长，不利于大面积森林植被更新数据的获取。遥感技术因其现势性强、可重复、覆盖地域广等优势, 已成为当前获取大面积森林植被信息的主要手段。因此，对监测森林植被信息变化更有效的方法是遥感影像结合人机交互的方式，通过目视解译来判别森林植被的变化[2-4]。
随着遥感处理技术手段的提高, 计算机软硬件技术的发展, 基于遥感自动提取方法获取森林植被信息空间分布和面积信息变得更加可靠[5-7]。目前，基于卫星影像来提取植被信息的方法其难点在于如何准确且快速的获取，完全依靠人机交互目视解译的方法显然还不够便捷。因此， 2008年，CHENG Wenchun 等[8]提出利用改进的穗帽变换生成植被图，通过IHS融合方法获取高分辨的植被图，从而获取准确植被信息；2009年Chang CP等[9]提出了一种针对高分辨率的IKONOS和Quickbird影像的植被提取方法，该方法综合了快速IHS(FIHS)融合技术，将低分辨率的多光谱影像与高分辨率的全色影像进行融合，能够取得好的植被提取效果；2009年，潘琛等[10]提出利用多种植被指数结合决策树的方法来提取植被信息。
已有的基于遥感影像的植被信息提取多是基于像元研究的，基于像元的信息提取会对提取结果造成较大的噪声影响，因此本文提出了一种基于面向对象的遥感影像分割后结合植被指数阈值法来提取植被信息，最终利用两期不同的时相影像来提取出植被变化区域，从而为森林资源更新提供便捷有效的方法，实现遥感影像的自动区划判读。
1 区域概况
赤壁市位于湖北省东南部，东与咸安区接壤，南与崇阳县交界，西隔皤河与湖南省临湘市相邻，东北与嘉鱼县连接，西北隔长江与洪湖市相望。赤壁市为幕阜山脉余脉低山丘陵与江汉平原的接触地带，地势由东南向西北逐渐倾斜；气候属亚热带湿润性季风气候，有雨量充沛、光照充足、气候温和、四季分明、严寒期短、无霜期长的气候特点；境内陆水、蟠河、汀泗河3条主要河流纵贯全境，构成陆水、黄盖湖、西凉湖三大水系。
2 数据来源与研究方法
2.1 数据来源
研究区位于湖北省赤壁市余家桥乡黄盖湖及周边，数据采用资源三号卫星的两期遥感影像数据。2018-04-07，影像分辨率为1.8 m×1.8 m，影像大小7 719列、6 679行；2017-11-03，影像分辨率为2.22 m ×1.93 m，影像大小6 258列、6 214行。此次采用的数据是经过处理后的影像数据，遥感影像为合成后的RGB影像(图1)，无其他波段。
(2017)
(2018)
2.2 研究方法
2.2.1 影像分割
基于对象的植被信息提取，分割是决定提取精度的重要因子，准确的地物边界分割是正确提取植被信息的的必要条件。本文采用研究区的两期遥感影像进行分割，得到分割对象，即具有相同统计特性像元组成的区域[11]，利用分割后的对象进行分类可以有效避免噪声对分类的影响。
分割时需考虑异质度和分割尺度两个参数，异质度由颜色和形状异质度组成，二者权重之和为1。
(1)
式中：hcolor表示颜色异质度，ω为颜色异质度的权重；hshape为形状异质度，1-ω为形状异质度的权重；二者权重之和为1，0≤ω≤1。hcompact表示紧致度，ωs为紧致度的权重；hsmooth表示光滑度，1-ωs为光滑度的权重；二者权重之和为1，0≤ωs≤1。
根据影像的颜色和形状特征设置分割参数，如果研究区内地物形状明显则形状的权重相应的增大[12]。式(1)中：
(2)
由合并引起的形状异质度变化是用合并前后的差值来评估的，所以光滑度和紧致度表示为：
(3)
(4)
2.2.2 植被指数提取
归一化植被指数(NDVI)是由Rouse等[13]提出, 能够反映绿色植被的覆盖度, 用来监测植被生长活动的季节和年际变化，是最常见的植被指数计算方法。
(5)
式中：ρNIR为近红外波段反射率;ρR为红光波段反射率。但由于我们所获取的卫星影像常被处理过，所包含的波段信息不完整。因此在波段信息不完整的情况下，对于RGB影像采用公式(6)来代替植被指数[14]。
VI′=(2G′-R′-B′)-(1.4R′-G′)
(6)
通过植被指数进行阈值实验，分出植被和非植被区域。植被信息提取之后对提取结果分别转出2017年植被矢量边界和2018年植被矢量边界。对得到的两期植被范围进行擦除分析，即可得到植被增加、减少和未变化区域。
3 结果与分析
3.1 分割参数与结果分析
研究区植被的提取在eCognition软件中完成，其优点在于它是基于对象来运算的，相比于基于像元的提取，此方法极大的减少了噪声对植被提取结果精度的影响[15]。在考虑到地物梯度、色彩、纹理、灰度级等特性，经过多次分割实验，对两个实验区的分割参数设置如表1时能得到最优分割结果。
表1 分割参数设置影像时间颜色形状光滑度紧致度尺度2018-04-070.90.10.50.5252017-11-030.90.10.50.525
由图2可以看出，对于2017年影像和2018年影像同类颜色的地块在同时考虑形状的基础上分割结果准确，可以有效的将植被和非植被区域分开，同时对于植被区域也可以再次细分为不同的碎块。2017年影像对比，发现(b)图中裸地(淡黄色区域)的外
2017(b)
2018(c)
2018(d)
边界分割结果符合地物自身的边界，且两块裸地中间的田埂也能准确分割出来；而植被区域的分割根据其不同区域的颜色和不同形状分割的较为破碎，但是分割精度也更高。对于同一片区域，2018年的影像比2017年影像分割结果的碎块更多，这是因为2018年影像地类差异更加明显，不同地类间的界线也更加突出，所以分割结果小班的破碎程度要符合地物的实际情况即可。
3.2 植被提取
通过设定植被指数的阈值，提取出植被和非植被。通过多次实验对比，得出最优阈值。2017年影像VI指数阈值大于0.3时，可以提取出非植被；2018年影像VI指数阈值大于0.33时，可以提取出非植被，提取结果如图3所示。
在提取出非植被之后，研究区所剩下区域即为植被区域。非植被区域即为图3(b)和(d)的彩色部分，非植被区域的提取不仅要保证大范围的非植被准确提取，也要保证小面积的非植被区域不被遗漏。
图3 提取非植被信息
提取出的植被区域可以得到的矢量结果，即为研究区遥感影像的植被边界提取，提取结果如图4所示。由图4中植被区域与水域，农地的界线清晰，无误分混淆情况，提取出的植被界线可靠有效。对于连续成片的植被准确提取的同时也保证了植被区域中零星散布的非植被小碎块可以很好的剔除。植被边界范围提取的结果可以转为植被的覆盖范围，植被覆盖如图5所示。
2017
2018
2017
2018
3.3 自动区划判读结果及精度分析
实验结果选取了2017—2018年期间植被覆盖变化区域的部分检测结果(图6)。可以看出，检测区域边界准确，不仅可以检测出2017—2018年期间植被变化较大区域，如图6中2018年的影像(1)(4)(5)和(6)，完全无植被覆盖；对于植被减少较小或者不明显区域，如图6(2)和(3)，也能同样检测出，并得到了准确的边界；对于植被增加的区域如图6(7)，在2017年有一区域显示为水域，但在2018年时，水域面积下降，露出地面有植被生长，此时也被检测出来。
图6 检测结果
通过表2可知，实验方法对自动区划判读的精度可以达到89%，误判7%，漏判4%，检测精度高，效果好。
表2 精度评价表验证项目图斑个数精度/%验证图斑286100正判25589误判207漏判114
4 结论与讨论
结果证明，本方法可以有效的提取植被边界，并通过两期植被范围的比较可以得出植被变化区域；同时结合少量的人机交互，可以极大的减少遥感图像区划判读的工作量，为森林督查和林地资源更新提供了一种更高效、更准确的方法。但是本方法也存在一定的不足之处，由于遥感图像的地类复杂，也会存在部分误判及漏判情况，如何进一步提高自动判读的准确率是笔者和同行研究人员今后共同研究的重点。
