基于GF-2影像山地森林有林地小班区划

师玉霞，袁 民，杨勇强，连 玲，高亚利，王振锡

（新疆农业大学 林学与园艺学院，新疆 乌鲁木齐 830052）

森林分类是森林资源遥感监测的重要工作，也是掌握森林资源现状的重要方法之一[1]。遥感技术的快速发展为大面积森林遥感分类提供了便捷的技术途径，但森林资源调查中小班区划还主要依赖人工目视解译方式，这种方式不可避免地带有技术人员主观因素的影响，甚至会出现不同人员操作产生不同区划结果的现象。随着遥感技术的快速发展，利用遥感信息技术开展森林调查不仅能够提高工作效率，而且在大面积的森林调查中具有得天独厚的优势。为此，本研究以高分二号（GF-2）影像为基础数据，开展天山西部山地云杉林进行小班区划的研究，对推进遥感数据应用于林业生产活动方面具有十分重要的意义。2008年Blaschke等[2]以QuickBird影像数据为基础，采用面向对象的分类方法，结合模糊逻辑建立分类规则集，对德国某林区的植被类型及树种进行信息提取，取得了较好的效果；2010年陈春雷等人[3]以Definiens平台为基础，通过面向对象分割法构建了平均分割评价指数，最终确定目标地物的最优分割尺度。2018年任金铜等人[4]以GF-2影像为数据源，首先利用OIF指数确定最优波段组合，接着对其进行最优尺度分割试验，最后进行地物信息提取，并对分类结果进行精度评价，得到了较好的实验效果；2019年张艺等[5]应用eCognition软件对高分二号遥感影像结合纹理信息和光谱信息确定每种地物的最优分割尺度，并进行面向对象分类研究，提取的目标地物结果较好；同时，也有研究表明阈值分类是一种分类精度较高的方法[6]。截至目前，新疆的天然林保护工程已经开展了20多年，森林得以修身养息，分析和评价天保工程的实施效果已经是林业生态工程建设的重要内容，利用遥感技术探索快捷、准确的森林有林地小班区划技术对森林资源调查、监测和评价具有重要的现实意义。

本研究利用当前应用范围较广且易于获取的GF-2卫星数据，以新疆天山西部国有林管理局巩留分局恰西天山云杉Picea Schrenkiana林为研究对象，通过适宜分割尺度的筛选，以郁闭度为纽带，开展基于郁闭度的山区森林有林地小班区划研究，提出了高分辨率遥感数据进行有林地小班区划的规则集，检测了主流遥感数据源的提取效果，以期为森林资源监测和山区天然林更新恢复评价等方面提供技术参考，进一步推进国产高分辨率遥感数据在山区林地分类方面的应用。

1 研究区与数据

1.1 研究区概况

研究区主要位于新疆天山西部国有林管理局巩留分局的恰西国家森林公园（43°01′～43°07′N，82°30′～82°48′E），海拔500～3 000 m，年平均气温8℃，面积约10 km2，一年中无霜期大约120 d，年降水量350～500 mm，该地区的气候属于大陆性北温带气候，其四季的变化明显，夏秋的时长相对较短，冬春的时长较长，局部的小气候类型变化多端[7]。恰西国家森林公园位于新疆伊犁哈萨克自治州巩留县城的东南部方向。恰西山谷由南到北长约13 km，宽约1 km。恰西地貌特征突出，地形复杂多变，主要以山地地形为主，气候条件适宜，自然资源优渥，物种多样。主要树种为天山云杉，属于该地区的优势树种，在各海拔处均有分布；主要灌木为新疆忍冬Lonicera tatarica、黑果小檗Berberis heteropoda、高山绣线菊Spiraea alpine；主要草本为天山雪莲Saussurea involucrata、北方拉拉藤Galium boreale、老芒麦Elymus sibiricus、珠芽蓼Polygonum viviparum和紫苞鸢尾Iris ruthenica等。

1.2 遥感数据来源

本研究遥感数据来自于新疆卫星应用工程中心，选取2018年9月新疆天山西部国有林管理局巩留分局恰西国家森林公园天山云杉林的GF-2（分辨率1 m）遥感影像为数据源。GF-2卫星影像于2014年8月19日发射，是一颗分辨率优于1 m的民用卫星数据，轨道高度631 km，其主要具有4个多光谱波段，1个全色波段，分辨率分别为4 m和1 m[8]。在数据获取时，会受到大气、地形、传感器本身等因素的影响，为了影像分类识别精细准确，需对遥感数据进行预处理。首先用ENVI5.1进行辐射定标、大气校正、几何校正，意在消除地物变形、大气影响、地形干扰等因素对后期影像分类的影响，其次对分辨率为1 m全色数据和分辨率为4 m多光谱数据进行图像融合，最后对研究区域进行裁剪。

1.3 野外数据及处理

本试验的外业试验数据由2018年6月下旬至8月下旬调查的120个30 m×30 m的标准样地数据组成。每个样地的主要调查内容包括样地类型、海拔、坡度、坡向和郁闭度，以及高于1.3 m的所有乔木树种的树高和胸径。矢量数据是在ArcGIS软件中将标定的矢量点所在的分割对象根据实地调查的类别赋予相对应的分类名称，并将其转变成样本的过程。本研究中矢量数据的选取采用野外实地调查样本点和影像目视解译选取样本点相结合，根据分类类别在ArcGIS中逐一选取样本点80个。

图1 研究区位置示意Fig.1 Location map of the research area

1.4 对象特征因子

用于郁闭度反演模型的对象特征因子主要包括地形因子、植被指数因子、HIS变换值和纹理特征因子。地形因子由样方调查获取，植被指数和纹理特征因子从GF-2遥感影像提取。其中地形因子包括海拔(Elevation)和坡度（Slope），植被指数包括比值植被指数（RVI）和归一化植被指数（NDVI），纹理特征因子包括均值（Mean）、二阶矩（Second moment）、方差（Variance）、相异性（Dissimilarity）、协同性（Homogeneity）、对比度(Contrast)、熵（Entropy）和相关性（Correlation），由于GF-2遥感数据有4个波段，共提取纹理特征因子32个；HIS分别代表色调（H）、亮度（I）以及饱和度（S），H用于分辨色彩差别较为明显的区域，I用于辨别较为明亮的地物，S用于区别纯洁度较高的彩色影像地物。因此用HIS区别颜色差异较为明显的地物类别，例如水体和其他地物可以用H、I较好地区分。

2 研究方法

2.1 最优尺度分割

多尺度分割（Multiresolution Segmentation）是指在影像信息损失最小的前提下，以任意尺度生成异质性最小、同质性最大的有意义影像多边形对象的过程[9-11]。本研究中最优尺度的选择采用ESP（Estimation of Scale Parameter）尺度评价工具，该方法是2010年由Dragut等人[12]提出，其原理是根据每种地物的异质性建立局部方差，对影像对象在尺度范围中进行分层次的计算，采用ROC（Rate of Change）表示最优尺度参数，公式如下：

式中：Li+1为第i+1层对象的平均标准差；Li为第i层中对象的平均标准差。当ROC处于波动峰值时，此时的参数可能是某种地物的最优尺度参数[13]。

2.2 逐步线性回归方法

逐步回归是模型构建中较为常用的方法。其基本思路是：将变量逐个引入模型，每引入一个解释变量后都要进行F检验，并对已经选入的解释变量逐个进行t检验，当原来引入的解释变量由于后面解释变量的引入变得不再显著时，则将其删除，以确保每次引入新的变量之前回归方程中只包含显著性变量。本研究中逐步回归建模在SPSS支持下开展。

2.3 精度评价

本研究中的精度评价样本点有40个。分类后的精度评价结果分三部分，混淆矩阵结果反映每一类别样本数量情况；单一类别精度反映每一类别的评价结果；总体精度反映的是整个遥感数据对研究区的分类精度进行评估。其公式为：

式中：N是总数；Pij是分类正确的数量；Ppi和Pli分别为其中一类所在列和行的总数。有研究[14-15]认为，Kappa系数与分类质量的关系如表1所示。

表1 Kappa统计值与分类质量的关系Table 1 The relationship between Kappa coefficient and classification quality

2.4 分类系统

本研究根据遥感影像的数据特点和研究区域所包含的土地类型，并根据2017年11月1日中国国家标准化管理委员会以及中华人民共和国国家质量监督检验检疫总局发布的《土地利用现状分类》（GB/T 21010—2017）[16]，将本文研究区域的土地类型总共分为5大类：林地、草地、道路交通、水体、其他用地。由于研究区域内的主要树种天山云杉占整个研究区的90%以上，因此对林地不作细分，研究区域内的住宅、裸地的光谱信息相近，都归为其他用地。

3 结果与分析

3.1 最优分割尺度的确定

经过对ESP结果的反复试验，最终确定最优尺度的范围在200～400之间，此过程中采用的是目视判别和实地调查相结合的方法，发现当尺度参数小于200时，各类地物对象过于破碎，且生成的分类对象与实体相似的程度较小；当尺度参数大于400时，生成的对象面积过大。采用ESP尺度评价工具，首先将GF-2多光谱数据导入ESP算法中，设定形状权值为0.1，紧致度权值为0.5，得到研究区目标地物的最优分割尺度结果，表明研究区最优分割尺度可能为216、230、246、274、296、316、330、346、358、372、386、390（图2）。

图2 ESP尺度分割评价Fig.2 ESP scale segmentation evaluation

经过ESP分割试验将可能为最优分割尺度的值进行试验，将两个均值因子均设置为0.5，结合目视解译选取出每种地物的最优尺度，最终确定水体、道路、其他用地、草地以及林地的最优尺度参数分别为390、372、316、296和246。

3.1.1 形状因子的确定

对于最优尺度分割来说，选择合适的权值因子也是十分重要的，主要包括形状因子和紧致度因子。形状权值可以较好地反映地物的规则程度，形状越规律，形状权值越大，按照每种地物的最优尺度进行试验，紧致度权值设置为0.5，形状因子的初始值设置为0.1，以步长0.1逐级递增到0.9，根据实地调查结合目视解译的方法，确定每一种地物的最优形状因子权值，结果如图3所示。经过试验后确定水体、道路、其他用地、草地和林地的最优形状因子分别为0.7、0.5、0.3、0.6和0.5。水体和草地对象的边缘较为规整，受形状因素影响较大，因此水体和草地对象的形状权值较高，而其他用地的分布不均匀，且形状多样，与此同时色彩与其他类别地物差别较大，因此其形状权值较小。

图3 形状因子试验Fig.3 Shape factor test

3.1.2 紧致度因子的确定

紧致度因子可以直观地反映地物的分布情况，根据实地调查发现，有林地的分布聚集度最高，且分布面积较大，因此在分割试验过程中发现，当林地对象的紧致度权值为0.7时，分割结果最佳。根据已经确定的最优尺度参数和形状因子设定后，将紧致度因子的起始值从0.1开始，并以步长为0.1递增至0.9进行逐个试验，结合目视解译的方式试验，最终得到水体、道路、其他用地、草地以及林地的最优分割尺度参数为390（0.7，0.5）、372（0.5，0.5）、316（0.3，0.6）、296（0.6，0.4）、246（0.5，0.7）。

图4 紧致度因子试验Fig.4 Tightness factor test

3.2 郁闭度反演模型的建立

3.2.1 相关性分析和因子筛选

GF-2影像的特征因子主要包括地形因子、植被指数和纹理特征因子。如果将所有特征因子用于郁闭度反演模型的建立，其精度会受到影响，因此需先对建模因子进行相关性分析和因子筛选。分别将所有特征因子与实测郁闭度因子进行单相关分析，大部分建模因子与郁闭度之间存在显著或极显著关系。其中纹理因子数量较多，还需进一步进行因子剔除。采用因子分析法中的最大方差分析法，选取前4个主成分，保留载荷系数大于0.9的因子作为估测建模自变量。

3.2.2 郁闭度反演模型

在建立郁闭度反演模型时，将筛选出的建模因子作为自变量，采用逐步线性回归方法进行估测模型的构建。本研究选用地形因子+植被指数因子+纹理特征因子为自变量，建立郁闭度反演模型（表2），该方法的模拟精度相较于单一建模因子的精度更好[17]。由表2可知，地形因子+植被指数因子+纹理特征因子的建模效果较好，且拟合度达到了0.842。

表2 郁闭度反演估测模型Table 2 Inversion estimation model of canopy density

3.2.3 精度检验

将剩余的40个样方数据作为模型检测样本，代入表2中的估测模型，得到反演模型的R2、RMSE、SE和EA（表3）。由表3可知，基于地形因子+植被指数+纹理特征的估测模型精度较高，其模型检验精度R2=0.861 5，RMSE=0.069 5，SE=0.038 7，估测精度达到了89.93%。

表3 模型的实测效果和估测效果比较Table 3 Comparison between the measured and estimated results of the model

3.3 有林地小班区划

3.3.1 GF-2影像的有林地提取

经过对GF-2数据进行最优分割尺度的研究，得到水体、道路、其他、草地和林地的尺度参数分别为390、372、316、296和246。在最优分割尺度的基础上，结合每个地物的对象特征差异构建分类规则集（表4），进行每种地物类别的提取，实现不同层次下相应地物的分类，根据分类规则参数表采用阈值分类法实现分层分类（图5）。

表4 分类函数规则参数Table 4 Classification function rule parameter

图5 GF-2影像分层分类结果Fig.5 Results of the stratified classification of the GF-2 images

3.3.2 GF-2影像的有林地小班遥感区划

在GF-2影像进行地物分类时，已将有林地提取出来。郁闭度等级划分时，只需在有林地的基础上进行，有林地的尺度参数为246（0.6，0.4），根据每种地物的特点和对象特征值来描述目标地物，并结合地形因子、光谱信息和纹理特征因子构建的郁闭度估测模型，最终达到郁闭度等级分类的目的（图6）。

依据郁闭度估测模型对GF-2影像进行郁闭度等级划分。从分类效果（图6）可以看出，其分类效果较好，根据实地调查发现研究区域内的大多数有林地属于中郁闭度林地，郁闭度范围在0.40～0.69之间；低郁闭度林地大多分布在林地边缘；高郁闭度林分布较少，林分结构大多为皆伐迹地，此结论与实地调查结果相吻合。

图6 GF-2影像有林地郁闭度等级分类效果Fig.6 Images of GF-2 show the classification of forest canopy density

3.4 分类精度评估

根据森林资源二类调查结果，研究区内低郁闭度林的有林地面积为1 058.95 hm2，本研究提取出来的是1 004.56 hm2，吻合度达到了94.86%；中郁闭度林的有林地面积为2 828.83 hm2，本研究提取出来的是2 786.02 hm2，吻合度达到了98.49%；高郁闭度林的有林地面积为376.84 hm2，本研究提取出来的是339.24 hm2，吻合度达到了90.02%；研究区域内所有有林地面积为4 264.62 hm2，利用GF-2影像提取出来的有林地面积为4 129.82 hm2，相对误差只有5.53%，而总体吻合度达到了94.47%，说明此结论具有可行性。

表5 不同郁闭度等级的有林地面积精度Table 5 Accuracy of the woodland area with different canopy density grades

4 结论与讨论

4.1 结 论

本研究以2018年9月天山西部国有林管理局巩留分局恰西天山云杉林的GF-2（分辨率1 m）遥感影像为基础数据，对其进行有林地小班区划研究，具体结论如下：

1）选用ESP尺度评价工具，实地调研并结合目视解译的方式，最终得到水体、道路、其他用地、草地以及林地的最优分割尺度参数为390（0.7,0.5）、372（0.5,0.5）、316（0.3,0.6）、296（0.6,0.4）、246（0.5,0.7）。

2）选用地形因子+植被指数+纹理因子构建郁闭度估测模型，估测精度达到了89.93%，能够有效地反映研究区郁闭度的真实情况。基于郁闭度估测模型的山地森林有林地小班区划的结果较好，与森林资源二类调查结果的总体吻合度均达到了94.47%，因此可以说明选用高分辨率影像进行有林地的提取和郁闭度等级的划分是可行的，为研究区域内的小班区划提供一定的数据支撑。

4.2 讨 论

在研究中，为了避免单一层次分割过程中，出现分割过于破碎或者分割面积较大，与地面真实情况不符的现象，与此同时，在进行有林地小班区划时，不同地物分类所涉及内容也会有所不同，且过程较为繁琐，每个步骤的进行都会影响最终的结果，因而本研究提出多层次分类，同时采用ESP工具实行每种地物的最优分割尺度，并结合地形因子、光谱信息一级纹理特征因子进行分层分类，以期为该地区的有林地小班区划提供一定的理论支撑。

1）对于最优分割尺度的确定。分割结果的好坏会直接影响到后续遥感分类的效果，因此选择合适的分割尺度参数是面向对象遥感分类的基础。在影像进行分割试验时，传统方法需要经过大量反复的试验和测试才能取得相对较好的分割参数，不但耗时而且效率不高[18]。2010年Dragut L.等[12]开发了专门针对分割尺度筛选的评价工具，得到了科研工作者的认同[19]。本研究使用ESP尺度评价工具进行研究，也取得了较好的应用效果，在分类中也得到了理想的分类结果。此结果与黄慧萍等[20]的研究结论一致，表明本研究提出的最优尺度分割方法是可行的。

2）对于郁闭度估测模型的构建。在本次研究中，地形因子+植被指数+纹理特征构建的估测模型的拟合效果和估测精度较高，说明载入多种特征因子能够明显提高估测模型精度。柏艺等人[21]应用不同遥感影像进行川西南常绿阔叶林郁闭度估算模型的研究，对比了传统建模因子与载入郁闭度后的估测模型，最终得出载入郁闭度估测模型的拟合效果更好，表明纹理特征因子结合传统建模因子更有利于郁闭度估测模型的构建，此结论与本文结论一致。在选用估测模型构建方法时，较为普遍的是线性回归方法，本研究主要应用逐步线性回归方法，最终得到的估测精度达到了89.93%，其中孟小亮等[22]、宋小圆等[23]和孙立琴等人[24]应用逐步线性回归方法建模，得到的结果均较好；高培军等[25]用逐步引入的方法剔除对毛竹受雨雪冰冻贡献不大的因子，接着用逐步线性回归方法建立回归模型，得到了较好的效果，因此本研究选用该方法构建郁闭度反演模型是可行的，且此试验结论的可靠性较高。

3）对于地物分类方法。目前对地物信息分类的研究已取得了很大的成功[26-27]。本研究采用面向对象的多层次分类进行不同地物的提取，经过研究发现该方法所得到的分类结果较好。此结论与任冲等人[28]结合光谱特征、纹理信息和地形特征等采用多分类器组合的分层分类进行研究所得的结论相似。马浩然等人[29]以QuickBird 0.6 m高分辨率影像为基础数据，使用单一层次分类和多层次分类对比研究，结果表明多层次分类效果更优，此结果与本文结论一致。使用分层分类可有效避免“过分割”和“欠分割”现象，还可以提高分类精度，证明使用分层分类的方法实用性、可靠性更强。

4）本研究发现林地与道路的光谱信息相似，可能是由于天然林结构复杂，种类繁多，光谱信息多变，因此在今后的研究中，可考虑加入其他对象特征因子进行探讨。