基于遥感技术的森林树种精细分类研究进展与展望

吕 晶， 金 日， 朱卫红， 张 鹏

(延边大学 地理与海洋科学学院，长白山湿地与生态吉林省联合重点实验室，吉林 延吉 133000)

森林资源，是林业和生态环境建设的基础，对可持续发展有着不可替代的作用[1]。森林树种的精确识别对于森林管理、森林扰动监测、环境和生物多样性评估以及碳储量和蓄积量估算等具有至关重要的作用和深远意义[2]。20世纪以来，由于森林面积萎缩和质量下降引发的生态环境事件不断出现[3]，使得森林健康问题得到前所未有的关注，各国学者开展了大量而富有成效的研究工作。国内随着“十三五”林业现代化发展的推进，国家对生态文明建设越来越重视，因此准确、及时地获取森林类型和树种信息成为统筹规划利用森林资源的关键[4]。但是，传统的树种调查主要采用实地调查及林相图辅助等方法[5-6]，而且对于不可访问区域的数据，人工调查也无法获得，这种方式不仅消耗大量的人力和物力，而且数据更新困难，很难在短时间内实现宏观尺度的数据获取[7-8]。

遥感技术的快速发展为森林树种的识别提供了方便的数据源，具有覆盖范围广、重访周期短、应用成本低等优点的遥感平台为实现森林树种的识别提供了可能[8]。同时，在森林资源调查规划、森林功能区域划分、森林类型精细分类、植被制图、森林动态变化监测等方面具有很大的应用价值[9-12]。此外，该研究也将对今后人工智能在地理学领域的研究和森林资源精细化管理与生态规划具有现实应用意义。然而，森林里的植物物种本身具有很高的多样性，使得大尺度范围的树种分类仍具有较大挑战。该研究通过查阅大量国内外研究文献，针对利用卫星遥感技术的树种信息提取研究的不同的数据源，专家学者提出了不同的树种信息提取方法，按其基于不同的数据源提取的原理与方法，该研究将其归纳为光谱遥感、雷达遥感、高光谱遥感和多源遥感协同4个方面，并且对现有研究的研究进展、研究方法、存在的问题和未来展望等方面进行综述分析，以期为森林生物多样性遥感监测研究提供参考。

1 树种分类中的遥感技术应用研究现状

1.1 多光谱遥感分类方法

1.1.1 中低分辨率遥感影像在树种分类中的应用

具有时间分辨率高、光谱信息丰富和时效性强等优点的多光谱包含了可见光到热红外整个遥感研究的光谱范围，被广泛应用于气候变化、土地利用类型划分及水体与植被监测等研究[13]。其一直是森林物种组成制图中最常用的数据，在多光谱遥感树种分类方面研究，国内外学者已经开展了大量研究。

基于数据挖掘而发展起来的分类方法有很多，在利用Landsat、TM、MODIS等分辨率较低的多光谱树种研究中，机器学习被广大学者推崇，而机器学习算法中的决策树CART(Classification and Regression Tree)算法与最大似然法、决策树分类法进行比较，CART决策树算法分类精度较高[14-15]。CART决策树算法是Breiman等人在1984年提出的[16]，区别与根据经验人为设定分类规则的常规决策树，CART算法可自动选择分类特征并确定节点阈值，并且还可以耦合地物光谱、NDVI和纹理等特征变量，然后辅以水文与高程等基础数据，分类精度较高从而被大量使用[17]。王俊杰在2017年利用Landsat提取了NDVI和GVI并且使用了决策树法进行森林树种制图[18]；杨烁[14]基于Landsat影像使用CART决策树算法对大兴安岭地区树种进行了分类；张连华等[19]利用Landsat的参数与波段组合耦合了决策树法进行分类提高了分类精度；Darren等[20]使用MODIS和TM辅以结合水文与高程基础数据对加拿大森林进行监测。

机器学习主要以多光谱遥感影像的近红外和可见光波段构成各种植被指数作为样本标签，训练模型来表达不同地区森林树种类型的光谱特征。但是在同一时相的遥感影像上，不同优势树种之间的光谱差异性较小，即使利用植被指数也很难做出正确区分[21]。而在北方这种季节分明、种物候特点明显的地区，这些特征可以表现在不同时相的遥感影像上，可以利用物候信息对森林优势树种类型进行精细分类[22]。郑亚卿等[21]利用Landsat-8 OLI遥感影像，统计了不同森林树种在各时相、各分类特征上的差异性，并采用支持向量机(Support Vector Machine，SVM)分类方法进行森林树种分类，总体分类精度达到73．67%。孙玉琳等[23]利用Landsat 8数据光谱、植被指数以及纹理特征，结合了坡度、坡向等地形因子，采用了支持向量机和随机森林分类器对森林进行分类。李梦颖等[24]采用SVM基于Landsat 8 OLI多光谱遥感影像对吉林省汪清林业局天然林区进行树种识别，分类精度达到了89.58%，Kappa系数为0.87。

1.1.2 中高分辨率遥感影像在树种分类中的应用

近年来，随着遥感技术的发展和遥感影像林业应用的深入，应用中高空间分辨率遥感影像开展森林类型精细识别和森林资源动态变化监测成为目前研究的热点之一。虽然遥感影像分类技术取得了长足的发展，但已有的研究表明[25-30]，传统遥感森林树种分类仍存在精度不高和可信度差等技术难点，以及森林资源动态变化监测尚未完全克服信息获取周期长、变化信息提取困难、新方法应用少、自动化程度低、成果质量和精度欠佳等突出问题[25]。相对于TM、MODIS等中低分辨率影像，高分影像克服了传统影像分辨率不足的致命缺陷，高空间分辨率卫星具有精度高、信息量大、客观性、时效性及多时相性的优点，能够实现地表信息的更精确提取。然而如何充分利用高分影像丰富的形状和纹理信息是实现高精度、高效率地表信息自动提取的主要难点[26]。在森林树种分类方面，高分辨率遥感影像包含了丰富的纹理、形状、位置等信息，不仅能显示出较大的地貌特征，还能清晰地反映森林中单棵树木的细节，这些细节为单木树冠的高精度提取、单木参数的估计以及单木尺度的树种分类等提供了可能，利用高分辨率遥感影像对森林区域进行树种类型调查已经成为相关研究领域的热点[27-28]，由于这种精细分类受多方面影响，所以研究者主要通过高效分类模型和多源数据协同2个方面进行研究，下面就这2方面展开论述。

在分类方法方面，传统的树种分类主要采用了人工设计特征结合机器学习分类器的方法(包括中低分辨率影像)，诸如K最邻近(KNN)[29]、决策树、随机森林(RF)、最大似然法(MLC)、支持向量机(SVM)、人工神经网络(ANN)[30]等。Franklin[31]与Immitzer M等[32]使用RF对无人飞行器采集的多光谱影像和Worldview2影像中几种树种进行面向对象分类，研究结果的准确性分别约为78%与82%；谢珠利[33]使用了KNN、DT、RT、MLC、SVM、ANN等6个分类器，对国产ZY-3卫星影像中6类人工林树种进行了提取，结果表明，不同的分类算法有各自的优缺点。随着人工智能的普及，神经网络被用于树种分类研究中，李永亮等[34]将高光谱特征参数作为输入矢量，森林树种类别作为输出矢量，建立反向传播(BP)神经网络模型，对3种树木进行监督分类，分类综合精度达93.3%。由于这种机器学习的网络模型构建依赖于主观设置的经验和参数值，所以分类效果不是很理想。随着人工智能的发展，深度学习向各个领域扩散，卷积神经网络(CNN)近年来广泛被应用于图像分类领域。已经有少部分学者开始探索将深度学习用于遥感影像的树种识别与分类，并且取得了不错的结果。林志玮等[35]以福建安溪县为例，采用无人机获取不同高度的航拍影像，采用CNN建立了树种识别模型，其分类精度均达80%以上，最高精度为87．54%。欧阳光等[36]搭建了CNN模型并且与高分影像结合半自动化构建样本集，通过对比几种网络模型，最后得出结论DenseNet-BC-mini56精确度最高，分类效果最好。以上研究有一个共同的难题就是图像太少、需要人工采样标注和分类精度低，针对这个问题，王妮[37]提出了一种基于迁移学习的高分辨率影像树种分类方法，基于影像与野外数据进行多尺度分割，应用决策树分类器制作训练样本集解决了上面的问题。

1.2 雷达遥感分类方法

激光雷达(Light Detection and Ranging，Li DAR)是一项新兴的遥感技术，是最为先进的主动遥感技术[38]，该技术受天气影响较小，具备强大的主动对地观测功能，能够通过发射和接收激光脉冲来获取地物丰富的水平与垂直结构信息。雷达仪器的使用能显著提高树种分类的精度，较传统光学遥感具有无可比拟的优势[39]。在过去的十多年中，国内外许多科研人员一直在发掘雷达数据的应用能力，对雷达数据和树种分类研究做了大量的工作，基于雷达系统进行树属或树种分类的研究也是当下研究的热点。

目前，树种分类的研究主要针对的激光雷达类型有ALS系统、TLS系统和MLS系统。方法主要有分水岭算法、多项式拟合、基于点云的距离判别聚类等方法的应用非常广泛[40]。Wagner等[41]通过车载激光雷达收集城市的树木类别，并使用CNN模型进行分类实验，结果表明，基于CNN模型的对象检测器和分类器可以显著提高树种的分类精度，从而替代人工树种调查。对于植被密集覆盖的森林以及人力物力无法到达的区域，TLS系统和MLS系统均难以获取完整的森林点云数据。但是，ALS系统能够在人工无法到达的高度大规模捕捉森林全景，从而在数据获取中发挥更大的优势。有学者提出联合L波段SAR的强度数据和相干性数据进行森林分类的方法，但少有基于C波段相干性数据的森林分类研究[42]。王长青[43]提出使用Sentinel-1相干性数据和强度数据进行森林树种分类的方法，使用SVM支持向量机方法进森林分类研究，验证了光学影像结合Sentinel -1强度数据和有效相干性数据能够提高森林分类精度的论断。何祺胜等[44]将点云内插生成的DEM和DSM做差值运算得到冠层高度模型并做平滑处理，通过搜索局部最大值提取树高，使用双正切角算法识别树冠，得到树冠轮廓，结合主方向法和面积法再计算得到冠幅，最后进行生物量的估计。陈向宇[40]利用无人机获取机载雷达数据，以树的点云特征，结构特征，树的纹理特征和树的冠形特征，并且使用支持向量机分类器进行了树种分类研究，整体精度为85%，Kappa系数为0.81。Li等[45]设计了树的树叶相对聚类程度、三维纹理、树叶聚类比例和树冠内间隙分布，结合遗传算法选择4种类型的雷达特征，然后使用挑选的特征联合线性判别分析对4类树种进行了分类，整体精度为77.5%。

1.3 高光谱遥分类方法

高光谱图像具有纳米级的光谱分辨率，主要在可见光到红外范围的很多窄的波段上，具有光谱分辨率高、波段范围窄、图谱合一、连续成像等特点，可以同时观测多种物理现象、能够区分出地物光谱的细微差别，探测到其他宽波段遥感无法探测的信息。近年来，高光谱遥感在林业方面的一个重要应用是对森林树种类型进行识别。高光谱遥感或成像光谱的发展被认为是与成像雷达技术并列，自遥感技术问世以来最重大的2项突破技术，激光雷达数据可以提供森林垂直结构的信息，而高光谱遥感数据可以提供树木详细的光谱信息，因此学者经常联合激光雷达和高光谱数据来提高树种分类精度[46]。国内外利用高光谱遥感进行树种识别主要是从叶片、冠层和高光谱影像3个研究尺度开展。开始的研究都是基于其连续的光谱曲线去区分精细地物，这种细微的差别肉眼很难察觉，研究者经常使用深度学习网络去识别，再用雷达数据去辨别树冠高度。Zhu等[1]通过高光谱数据和雷达数据构建了一个双通道轻量化卷积网络模型(SDCN)去识别树种，研究结果准确度均达到85%以上。刘秀英等[47]使用地物光谱仪测得的光谱数据，采用逐步判别分析方法、特征波段选择等方法识别出4种树种。国外的研究主要有Gong等[48]利用ANN分类法对光谱数据进行判别，区分出1种阔叶树种和6种针叶树种。综上所述，国内外利用高光谱数据进行树种识别的研究已取得阶段性的进展，从研究方法看，主要基于不同树种具有不同光谱特征的原理，通过特征波段的合理选择，或者通过波段变换对高光谱数据进行降维来识别树种等，随着深度学习的发展，这种模式将会是未来高光谱数据信息提取的趋势。

1.4 多源遥感分类方法

多源协同是学者研究最多的一种方法，每一种都有其自身的优势与不足，多源协同我们可以取长补短，提高研究的可靠性。基于多光谱，高光谱，雷达，点云等数据，辅以高程与坡度等基础数据，学者们做了许多研究与探索。多源数据不同的结合方式对分类效果也有很大的影响，其中包括简单的波段组合，光谱、雷达、树高等不同数据的融合以及基于结果的融合等方法。雷达数据具有不同的波长和极化方式，单纯的雷达数据对于植被的分类效果并不好，因此雷达数据常常和光学数据一起用于植被分类。因此很多学者尝试将光学遥感数据和合成孔径雷达(Synthetic Aperture Radar，SAR)数据结合，其中使用SAR数据进行地物分类的方法主要是基于SAR后向散射强度影像进行分类。赵明瑶等[49]、王新云等[50]协同HJ -1B光学数据和RadarSat-2 C波段雷达数据，通过影像融合提高了草地分类精度。Lu[51]利用多种遥感数据探讨雷达数据不同波长不同极化方式与TM数据用何种数据融合方法在热带地区能取得最好的分类结果。谢珠利等[33]从多时相多光谱和立体像对数据中，提取了五种类型的变量(基于像素光谱的特征，基于空间的特征，时相特征，基于立体像对提取的高度特征，地形因子)对比分析了不同时相数据、不同变量组合和不同分类算法(最大似然法(MLC)、人工神经网络(ANN)、k最近(kNN))、决策树(DT)、随机森林(RF)和支持向量机(SVM))对树种精细分类的影响。上述研究结果表明没有单一的分类算法与数据源可以为所有的树种提供最高的树种精度，只有利用多种遥感数据与其配套的算法相结合进行优势互补，以提高树种分类识别的精度。

2 遥感技术应用中存在的主要问题

2.1 单一数据源的局限性

MODIS等低分辨率的遥感影像存在严重的混合像元，在树种精细分类中并不适用。Landsat等中等分辨率的遥感数据因其覆盖范围大、免费获取、光谱波段多等优点已经广泛应用于森林和树种分类研究[24]。基于Landsat等中等分辨率的遥感数据许多研究结果表明可信度高，但是依赖于模型与方法，本身的数据分辨率太小，数据本身存在较大的误差，由于这种本身的缺陷，当前最热的神经网络无法完全依赖此数据展开，分类过程之中仍然需要人工做大量的特征提取，然而这种数据易获取而且免费，这种方法依旧可以用于科研和我们平常生活。地球60%～70%被云层覆盖，这非常不利于高光谱数据的采集，同时高光谱数据处理过程中一直存在难以克服的“同物异谱”、“异物同谱”等种种问题[46]。虽然在许多研究中高光谱数据很大的挖掘潜力并且分类的结果都优于多光谱影像。但是高光谱遥感图像各波段间存在着高相关性和高冗余度，除了受“同物异谱和同谱异物”问题的制约，在处理上有一定的困难。此外，陆地激光雷达虽然也能用于树种分类，提供关于森林结构的详细的信息，但是由于激光雷达和高光谱数据的操作使用限制以及高额的使用成本，这些数据的适用性在大区域研究或全球范围内仍然是有限的[47]。

2.2 树种识别算法挑战

基于高分辨率多源遥感数据的研究可以看出，随着影像分辨率的提高和模型方法的不断优化，树种分类已经迈向自动化分类道路，随着深度学习与算法的提高，分类结果将会跟着更加准确，不足之处就是模型的普适性，训练好的模型不一定适应于其他地域，卷积网络训练需要高空间分辨率的影像，对影像分辨率要求较高。此外，物种丰富度更高，林分的密度较大，冠层结构复杂，很难进行单木分割，且同一科属的树种间相似度较高，增加了树种识别的难度。多源协同的方法弥补了高分在精细分类过程中的一些不足点，相比与单源数据具有优势，能更加提高分类精度，例如利用高分辨率可见光影像进行单木分割，用LiDAR三维结构特征辅助识别[8]。

2.3 多源遥感数据相结合的挑战

传统光学遥感数据、激光雷达数据、地面实测数据等数据源的有效结合可实现优势互补，提高分类识别的精度。虽然多源协同已成为普遍发展趋势，但是在不同数据源的融合过程中可能存在数据结构、精度等不匹配问题。其次，对不同数据源匹配其相适应的算法可以提高树种识别的精度，但目前的研究中，对这些特定波段的信息挖掘还相对较少[8]，针对不同的数据源匹配的算法得出的结论不匹配，而且部分高分数据的获取和使用成本仍较高。

3 结论与展望

遥感影像树种信息提取为林业动态变化监测、森林管理、森林扰动监测、环境和生物多样性评估以及碳储量和蓄积量估算提供重要支撑，将得到更多关注和应用。通过整理与分析森林树种相关的研究发现，引入多源数据可以弥补单一光学遥感数据的不足。例如利用雷达数据与光学数据一起用树种分类，雷达数据具有全天候的数据获取能力，且不受阴雨和多云天气的干扰。高时间分辨率的多光谱数据具有丰富的波普信息，其高时间分辨率的特性有助于借助物候分辨优势树种。树种的精细分类归根到底依赖于影像数据的质量即空间或者光谱分辨率的高低，高空间分辨率和高时间分辨率数据的融合在林业精准监测中具有更广阔的空间。

综合多种模型与方法，每一种模型都有其优势与不足，多模型运用可以改善单一方法的缺陷，但模型的使用受限于影像数据的质量，从低空间分辨率到高空间分辨率，低时间分辨率到高时间分辨率，没有哪一种数据是完美的，只有只针对每一种数据特征，采用对应该数据较好的模型方法，提取结果综合互补。如利用针对低空间分辨率的多光谱数据，利用其高时间分辨率特性多时相提取优势树种，采用决策树等机器学习的方法对其进行粗略分类，然后将其作为佐证与验证数据用于高波谱维，低空间维度的高光谱数据中，借助神经网络算法对研究区树种自动模拟提取，如此便可以充分利用光谱特征和纹理、形状特征，增加识别规则，使得训练的样本更加准确，也减少了去实地采样的繁琐，划分结果也更加准确。精细数据挖掘技术从机器学习逐渐开始迈向深度学习，高度自动化深度学习是未来研究森林树种的趋势。但并不意味着机器学习等方法不可取，相反，高度自动化数据挖掘必须依赖优秀神经网络算法，在无法改进算法的前提下，多模型多技术融合提取样本数据特征是可行的办法，优秀的样本包含了多层次挖掘特征，可以很好训练模型从而模拟出较高的结果。随着无人机遥感平台的快速发展与更多高分多源数据的免费开放与获取，可以利用的数据将日趋多样化，今后，多源数据、多种方法和多种技术综合应用的复合模式将成为今后的一个研究热点，也将为遥感影像分类森林树种研究带来更大机遇。