基于高光谱高分融合数据在喀斯特地貌环境下的林分分类

陈章林， 杨 刚， 杨莎莎， 黄熙贤， 樊 鑫

(1.贵阳欧比特宇航科技有限公司， 贵阳 550000； 2.贵州省第二测绘院， 贵阳 550000)

贵州地区属于国内自然环境复杂、地质构造繁多的遥感极难区域[1-2]，再加上年平均日照时间短、天气变化快，素有遥感禁区的称号，但贵州地区经济发展主要依靠农、林及旅游业[3]，所以掌握并保护好自然生态环境将进一步促进地区经济发展。为了能高效且精准地统计自然资源数据，需要引进遥感数据作为调绘工作的基础支撑。根据以往经验，完成对乌蒙山国家自然资源林木调绘需要数百人的人工参与量，且最终调绘成果精度误差各有不同，最高可达20%以上的中位数误差，数据成果的有效性和精准性都不足。在此情况下尝试引入卫星高光谱和高分影像数据，以期对植被生长环境复杂、大面积区域性的林分分类提供可靠的方法技术。

1 研究区概况

乌蒙山国家地质公园位于扬子准地台(I级构造)上扬子台褶带(II级构造)贵州威宁县至贵州水城县的迭陷断褶束、黔西南迭陷褶断束以及黔中早古拱褶断束和黔南古陷褶断束的极西边缘[4]。地势西高东低，北高南低，中部因北盘江的强烈切割侵蚀，地形起伏剧烈，海拔为1 400～1 900 m。以乌蒙山顶峰及其东坡高原喀斯特地质为特色，以北盘江喀斯特大峡谷为主体，拥有青藏高原东坡新生代以来各个时期形成的各种类型的喀斯特地质地貌特征。研究区域内的喀斯特地质地貌、山原地貌构成了不同时期不同地质地貌条件下形成并发育的喀斯特地质现象，是世界典型的高原喀斯特地貌区。实验区域如图1所示。

图1 实验区域

本次实验区域位于乌蒙山地质公园西北侧，占地面积约35 km2。包含的典型地物有乔木林地、灌木、草地、耕地、房屋建筑、道路等，实验区域内最低海拔为1 264 m、最高海拔为2 795 m。

2 研究总体思路

研究总体思路是利用珠海一号高光谱卫星影像数据和高分二号高分影像数据进行数据融合，并结合地面林分光谱信息采集建立分类样本，再采用SAM分类方法[5]进行分类实验，如图2所示。

图2 总体思路

2.1 主要方法

研究方法和创新点是采用多源遥感数据的融合方式，将不同数据源的优点保留下来，如本文中将高光谱的光谱信息和高分的纹理信息进行像素级融合，进而充分利用两种数据的表达信息。

本次实验数据源包括高分影像数据、高光谱影像数据、高程数据和地理国情数据，实验区高分影像时相为2018年8月、高光谱影像时相为2019年8月，高程数据为分辨率2 m的Google earth高程，利用2018年的地理国情现状数据作为本次实验的精度验证依据，见表1。数据情况如图3所示。

表1 数据源

图3 数据情况

实验正式开始前，通过外业勘查小组携带便携式地物光谱仪(ASD)，于2019年8月14日采集了乌蒙山地质公园实验区森林、灌、草植被样本点的光谱信息，记录采集点环境、天气等情况并现场取照。ASD主要是用来测量地表沉积物、土壤、植物、水体和人工目标在300～2 500 nm波段范围的反射率和透过率，利用探测到的地物吸收特征对目标进行成分识别，并定量化地物的化学组分[6-9]。光谱仪设备参数见表2。地物光谱信息采集情况如图4所示。

图4 地物光谱信息采集情况

表2 光谱仪设备参数

2.2 实验流程

本实验主要通过高分数据、高光谱数据和高程数据，采用多源遥感影像数据融合[10]解译的方法，选取最佳分类模型，对森林空间分布进行分析提取。实验流程如图5所示。

图5 实验流程

2.3 研究内容

研究采用GS方法融合珠海一号高光谱影像和GF2号高分影像，通过GS正交化方法构造高保真的高光谱信息和高空间分辨率的空间信息，利用向量正交化来消除矩阵运算过程中的数据冗余信息，并且保存数据融合过程中信息熵的最大化[11-13]。

本次实验将该算法运用到高光谱、高分影像融合处理时，采用改进的GS变换，将第T个GS分量由前T-1个GS分量构造，利用高光谱图像的相关波段进行光谱重采样，以模拟全色分辨率图像。即在构造融合影像数据矩阵时利用公式：

(1)

式中：GST为GS变换后产生的第T个分量；BT为原始高光谱影像的第T个波段影像；uT为第T个原始高光谱波段影像灰度值的均值[7]。

(2)

然后利用反GS变化公式将变换后的T波段数据集赋值到原始高光谱T波段，通过这种GS变换方法，能有助于保持原高光谱波段影像的光谱特征。

利用改进GS变换得出的融合图像与原高光谱图相比均值差异较小[14]，通过与原图像的地物属性、特征比较发现融合影像的相关性较强且相对偏差较小。同时，绘制了典型地物融合前后的光谱曲线，如图6所示，发现融合后的影像光谱与原始高光谱比较，GS光谱锐化融合后同一地物的光谱曲线形状与走势没有发生明显变化。

图6 融合影像及同名点光谱曲线

GS变换的遥感影像数据融合技术融合的图像中植被等地物的色调变异较小，接近原始高光谱图像[15]。融合影像中典型地物的边缘等信息未发生几何畸变和位置偏移。同时，GS变换融合方法标准差最接近原始高光谱影像，拥有大量信息熵值。

融合结果评价：对采用GS融合技术融合后的影像数据进行结果评价，主要采用波段光谱响应值作为多维信息空间的矢量，然后计算原始高光谱影像与融合后影像中同种地物的光谱曲线夹角来评定融合前后的匹配度[16-18]。评价公式为

(3)

表3 融合后光谱曲线与原始高光谱曲线夹角 单位：(°)

林地融合后影像的光谱曲线与原始高光谱曲线夹角在绿波段B7(566 nm)位置夹角为0.115°，红边位置B14(670 nm)至B18(730 nm)范围内原始高光谱曲线与融合后光谱曲线夹角平均角度为0.019°，对于灌木植被分类提取应用，特别是涉及利用红边位置指数的方法[19]，融合前后的数据并不会在茶的光谱响应区间产生光谱差异，近红外波段B28(880 nm)融合前后光谱曲线夹角为0.201°。

根据本文的实验方法，实验过程中α值设定为0.4，即融合数据的光谱夹角范围落在光谱分析夹角极值内[20]，所以融合后影像完全符合实验区森林林地分类提取分析需求。

2.4 专题信息提取方法

本次实验将通过基于高分影像的最大似然分类法、基于融合影像的SAM分类法、基于融合影像的最大似然分类法做实验对比分析，找出分类精度最优方案。实验流程如图7所示。分类样本训练过程见表4。分类样本训练过程及光谱曲线如图8所示。

图7 林分植被分类对比实验流程

图8 分类样本训练过程及光谱曲线

3 实验结果分析

3.1 分类实验精度表

不同分类方法的重要精度对比分析见表5。

表5 植被提取精度分析表

续表5

3.2 专题信息提取实验

林分植被分类提取结果如图9所示。

图9 分类结果

4 结论

通过多源数据融合分类应用方法，在贵州喀斯特地貌地区有一定的应用价值，其中林地类分类采用融合影像的SAM法分类效果最好，总体精度为85.9%。采用单一数据源高光谱和高分的分类精度分别为67.9%和44.8%，因为本次实验影像数据时相为8月，地面植被光谱色调差异性较小，所以基于高分数据的分类效果不佳，且草地为分类难度最高精度较低的目标地物，错分漏分情况较其他林分都更为严重。所以后续试验将进一步探究草地分类的方法技术，由于本次实验数据量不够大、范围不够广、多源数据的时相性不够吻合，实验还存在不足和需要改进的地方。