基于大比例尺航片的針葉樹種冠幅的提取

王二麗，李鳳日，王 敏，郭志英

(東北林業(yè)大學(xué)林學(xué)院，哈爾濱150040)

樹冠是樹木的重要組成部分，是樹木進行光合作用的重要場所，是其生長所需能量的重要來源之一［1］，也是在遙感影像中最容易反映樹木信息的部位。樹冠的大小、形態(tài)及反映在遙感影像上的光譜信息，是提取森林各種參數(shù)的重要依據(jù)。如果能在高空間分辨率遙感影像上提取出樹冠大小信息，則可大幅度的減少外業(yè)的工作量和調(diào)查費用，提高調(diào)查的速度［2］。近些年來，國內(nèi)外許多林業(yè)工作者及其相關(guān)領(lǐng)域的研究人員分別利用遙感影像對林木冠幅信息的提取進行了相關(guān)的探索和研究。Masato Katoh等［3］利用單株立木冠幅提取技術(shù) (ITC)提取出針闊混交林中單株立木樹冠，直徑大于6.2m的樹冠提取誤差在11.6%以下，總體精度達到78%。林麗莎［4］應(yīng)用模式識別技術(shù)，對各個可見樹的樹冠進行手扶跟蹤檢測，求得了冠幅的平均直徑。馮益明等［5］以高空間分辨率遙感影像Quick-Bird的全色波段為數(shù)據(jù)源，應(yīng)用空間統(tǒng)計學(xué)半方差理論，對人工純林冠幅尺寸進行估計。蔡文峰等［6］利用全數(shù)字攝影測量工作站VirtuoZo系統(tǒng)IGS數(shù)字測圖方法提取了林木冠幅信息。

但是由于傳感器空間分辨率的限制以及地物的復(fù)雜多樣性，混合像元普遍存在于遙感圖像中，單木樹冠信息自動提取技術(shù)具有相當(dāng)?shù)碾y度，至今還處于研究階段［7］。目前樹冠信息主要依靠目視解譯的方法及針對某些特定的林分 (如人工林)提出的有關(guān)算法來進行提取。本文基于子像元分類專題圖，通過柵格矢量之間的轉(zhuǎn)換并加入有關(guān)人工的參與，提取出上層單株針葉樹木冠幅，為森林的半自動化量測提供參考。

1 研究區(qū)域概況

涼水國家級自然保護區(qū)位于黑龍江省伊春市帶嶺區(qū)的中心，地理坐標(biāo)為東經(jīng)128°55'44″～128°48'08″，北緯 47°14'42″～ 47°07'22″，總面 積 為12 133.0 hm2，總蓄積量為170.0萬m3，森林覆蓋率98%。保護區(qū)屬于長白植物亞區(qū)小興安嶺南部區(qū)，植物區(qū)系組成比較豐富，種屬分布廣泛，保存了比較完整而典型的小興安嶺地帶性頂級植被——闊葉紅松混交林，囊括了原始闊葉紅松混交林、經(jīng)過擇伐的闊葉紅松混交林以及紅松和落葉松等人工林［8］。典型喬木有紅松 (Pinus koraiensis)、紅皮云杉 (Picea koraiensis)、冷杉 (Abies nephrolepis)、興安落葉松 (Larix gmelini)、水曲柳 (Fraxinus mandshurica)、胡桃楸 (Junglus mandshurica)、黃菠蘿 (Phellodendron amurense)、椴樹 (Tilia amurensis)、色樹 (Acer mono)、蒙古櫟 (Quercus mongolica)、楓樺 (Betula costata)、白樺 (Batula platyphlla)、山楊 (Populus davidiana)和大青楊(Populus ussuriensis)等。

2 數(shù)據(jù)的收集與預(yù)處理

本文所用的遙感數(shù)據(jù)是2009年9月對涼水自然保護區(qū)拍攝的航片，航攝比例尺為1∶2 000，總覆蓋面積約為1.2 km×1.6 km，共獲取空間分辨為0.2 m的CCD影像189幅。2009年結(jié)合涼水自然保護區(qū)森林資源調(diào)查，復(fù)測了60塊固定樣地，面積均為0.06 hm2，部分調(diào)查因子統(tǒng)計量見表1。將樣地數(shù)據(jù)由EXCEL表格形式轉(zhuǎn)為DBF格式，導(dǎo)入ArcGIS9.3生成帶有屬性的矢量文件，為后續(xù)訓(xùn)練樣地選擇和提取精度檢驗及提取信息奠定基礎(chǔ)。

圖1 調(diào)查區(qū)域訓(xùn)練樣地和檢驗樣地Fig.1 Distribution of plots for training and test

3 研究方法

3.1 分類專題圖的提取

子像元分類原理是對混合像元按照所設(shè)定的比例分解，使用多光譜圖像來檢測比像元更小的或者非純像元的專題信息，可以檢測和分離與感興趣物質(zhì)隔離的成分，從而提高分類的準(zhǔn)確度［10］。其技術(shù)過程如圖2所示。將樣地數(shù)據(jù)與航片疊加顯示，根據(jù)樣地的樹種屬性用AOI(Area of Interest)工具在紅松、落葉松、云杉和冷杉的訓(xùn)練樣地里定義訓(xùn)練集，確定包含特定的感興趣物質(zhì)的像元和子像元。設(shè)置感興趣物質(zhì)像元比例為90%，感興趣物質(zhì)置信度水平為0.8，執(zhí)行感興趣物質(zhì)分類，其分類結(jié)果如圖3～圖5所示，分別提取紅松、落葉松、云杉和冷杉的分類專題圖。

表1 固定樣地部分調(diào)查因子Tab.1 Partial invested factors from PSPs

從60塊固定樣地中隨機選擇40塊，作為分類時的訓(xùn)練樣地。反復(fù)對紅松、落葉松、云杉和冷杉的光譜特征、空間特征進行目視判讀訓(xùn)練，建立針葉林樹種的解譯標(biāo)志［9］，見表2。余下20塊樣地作為分類精度檢驗樣地。調(diào)查區(qū)域訓(xùn)練樣地和檢驗樣地分布圖如圖1所示。

表2 針葉樹種的判讀標(biāo)志Tab.2 Interpretation signs of the conifers

圖2 子像元分類技術(shù)流程Fig.2 Procedure of sub-pixel classification

圖3 局部分類結(jié)果圖Fig.3 Partial classification result

3.2 樹冠信息提取精度分析

遙感圖像分類精度分為非位置精度和位置精度，位置精度分析目前普遍采用混淆矩陣的方法，而Kappa系數(shù)則是一個測定兩幅圖之間吻合度或精度的指標(biāo)，當(dāng)Kappa系數(shù)大于0.75時則認為已經(jīng)取得相當(dāng)滿意的一致程度，可以將分類結(jié)果用于后續(xù)實驗［11］。本文用樣地數(shù)據(jù)對子像元分類精度進行檢驗，將分類后圖像及20塊檢驗樣地數(shù)據(jù)與對應(yīng)區(qū)域內(nèi)的航片疊加顯示，隨機選擇像元建立混淆矩陣計算Kappa系數(shù)，其結(jié)果見表3。分類總體精度為86.1%，Kappa系數(shù)為0.79，滿足進一步進行冠幅提取的精度要求。

表3 子像元分類結(jié)果 (Kappa系數(shù):0.79)Tab.3 Result of sub-pixel classification(Kappa coefficient=0.79)

3.3 樹冠及冠幅提取

用8鄰域聚類統(tǒng)計 (Clump)的方法自動計算分類專題圖中每個分類圖斑面積，打開其屬性表查看小圖斑面積。將分類影像與航片反復(fù)比對，采用過濾分析 (Sieve)的方法剔除面積小于1m2的小圖斑。

運用ArcGIS9.3中柵格轉(zhuǎn)矢量 (Raster to Polygon)功能，將子像元分類處理后的柵格圖像轉(zhuǎn)換成多邊形，即對分類圖進行矢量化，提取圖斑的邊界線，生成矢量弧段，再由這些矢量弧段生成具有拓撲關(guān)系的矢量多邊形［12－16］。結(jié)合目視解譯利用ArcGIS9.3的多邊形平滑功能 (Smooth)，對多邊形進行平滑處理，減弱柵格轉(zhuǎn)換為矢量過程中由于數(shù)據(jù)轉(zhuǎn)換模型本身的誤差帶來的影響［13］，使其最大限度的符合實際中的樹冠影像。將多邊形矢量文件與航片進行反復(fù)對比，刪除分類過程中被錯分的立木。對于分類中漏分及轉(zhuǎn)換過程中損失較大的樹冠，采用人工交互的方式勾劃樹冠邊界，并對其進行平滑整合處理。在多邊形的屬性表中增加Area和Length字段，計算生成多邊形的面積及周長。經(jīng)過與航片的反復(fù)對比，確定面積小于1.5m2的多邊形為轉(zhuǎn)換過程中產(chǎn)生噪音多邊形直接剔除。各樹種矢量多邊形與航片匹配的結(jié)果如圖4所示。由表2針葉樹種的判讀標(biāo)志中可知，紅松、落葉松、云杉和冷杉在航片上反映出的樹冠呈圓形的較多，因此將立木樹冠擬為圓形冠幅，用面積及周長求得的平均半徑作為每株立木的在航片上測量冠幅。

由于在航片中能夠識別的樹冠只是上層林木的樹冠，通過樣地數(shù)據(jù)與航片的反復(fù)對比分析，確定在郁閉度較高的天然林中只有樹高大于18 m的樹木，才有可能進入主林層被判讀出來。在所收集的60塊樣地數(shù)據(jù)屬性表中查詢出樹高大于18 m的針葉林木，共選出紅松211株、落葉松108株、云杉和冷杉115株。由于郁閉度較高，主林層間的林木也有相互遮擋的現(xiàn)象，以及受到分類時立木被漏分子錯分的影響，最終通過分類專題影像圖訓(xùn)練樣地和檢驗樣地能夠提取出的紅松分別為126和39株，落葉松91和16株，云杉和冷杉74和25株，同時將實際測量的東、西、南、北平均冠幅作為實際冠幅。

圖4 局部多邊形匹配結(jié)果Fig.4 Partial polygons matched with image

4 誤差分析

4.1 誤差分析

分類提取的立木冠幅與樣地實測冠幅之間的基本分析結(jié)果見表4。從表中可以看出，紅松提取冠幅的平均相對誤差為0.165 0，平均精度達到83.50%。落葉松提取的冠幅平均相對誤差為0.156 5，平均精度達到84.35%。云杉和冷杉提取的冠幅的平均相對誤差0.177 4，精度較紅松和落葉松低，達到82.26%。誤差的主要原因有以下三方面:

表4 提取冠幅值與實測冠幅值分析結(jié)果Tab.4 Analysis of crown extraction from aerial photographs and PSPs

(1)在分類專題圖上提取冠幅的精度易受分類精度的影響。子像元分類過程所制定的感興趣物質(zhì)比例并不適合于整個航片，局部地區(qū)樹種被錯分、漏分。

(2)基于分類影像專題圖，柵格轉(zhuǎn)矢量過程中產(chǎn)生的誤差。由于轉(zhuǎn)換模型的誤差及不確定性，導(dǎo)致多邊形邊線的位置及面積的誤差，最終提取的樹冠與實際的樹冠仍存在差異，提取的樹冠可能不是完整的樹冠，僅是實際樹冠的一部分，造成測量誤差。

(3)部分取決于判讀員素質(zhì)。受到太陽光照及地形的影響，各航片曝光程度的不同，對于針葉立木在航片上表現(xiàn)出的光譜特性也隨之發(fā)生變化。而對錯分、漏分立木這部分進行人工交互提取冠幅時，由于判讀員對不同曝光程度下航片上各針葉樹種表現(xiàn)出的光譜特性認知程度的差異，可能錯誤的提取其他樹種冠幅作為本樹種的冠幅，從而產(chǎn)生較大的誤差。再者將樹冠擬為圓形冠幅及將4個方向的冠幅平均作為實際測量的冠幅也是誤差的來源之一。

4.2 相關(guān)性分析

將從訓(xùn)練樣地提取的數(shù)據(jù)和樣地實測數(shù)據(jù)在SPSS17.0軟件中進行相關(guān)分析，并以散點圖表示航片上提取的林木冠幅和實際冠幅的線性關(guān)系。紅松、落葉松、云杉和冷杉冠幅散點圖及殘差圖分別如圖5～圖7所示。在SPSS17.0中對建立航片上提取的數(shù)據(jù)x和樣地實測數(shù)據(jù)y的一元線性回歸模型:

式中:a、b分別為回歸常數(shù)和回歸系數(shù)。

剔除異常點，建立模型并對回歸方程和回歸系數(shù)進行檢驗，擬合結(jié)果見表5。

表5 擬合回歸模型參數(shù)估計值及擬合統(tǒng)計量Tab.5 Estimated value of regression model and statistic

由表5中可以看到各因子PF均為0，模型的線性關(guān)系顯著成立。各提取因子的相關(guān)系數(shù)分別為0.890、0.864、0.919，表現(xiàn)了較好的相關(guān)性，均達到顯著水平。

將檢驗樣地數(shù)據(jù)代入建立的回歸模型，得到對應(yīng)的預(yù)測數(shù)據(jù)，并與實際測量數(shù)據(jù)進行回歸統(tǒng)計假設(shè)檢驗，各樹種冠幅散點圖及殘差圖如圖8～10所示，參數(shù)估計值及統(tǒng)計量見表6。

圖5 紅松冠幅散點圖及殘差圖Fig.5 Scatter diagram and residual plot of Pinus koraiensis crown diameter

圖6 落葉松冠幅散點圖及殘差圖Fig.6 Scatter diagram and residual plot of Larix crown diameter

圖7 云杉和冷杉冠幅散點圖及殘差圖Fig.7 Scatter diagram and residual plot of Abies and Picea crown diameter

圖8 紅松冠幅散點圖及殘差圖Fig.8 Scatter diagram and residual plot of Pinus koraiensis crown diameter

圖9 落葉松冠幅散點圖及殘差圖Fig.9 Scatter diagram and residual plot of Larix crown diameter

圖10 云杉和冷杉冠幅散點圖及殘差圖Fig.10 Scatter diagram and residual plot of Abies and Picea crown diameter

表6 模型參數(shù)估計值及統(tǒng)計量Tab.6 Estimated value of regression model and statistic

由表6可以看出各因子PF值均為0，通過檢驗，檢驗結(jié)果無顯著性差異。經(jīng)計算預(yù)估精度分別為83.60%、81.46%和83.57%，較平均精度均有所提高。

5 結(jié)論與討論

本文在子像元分類的基礎(chǔ)上，通過柵格矢量的轉(zhuǎn)換，在一定的程度上減少了人為的工作量。并結(jié)合目視解譯提取出上層針葉林木的樹冠，與實際的測量冠幅進行了精度分析和誤差的定性分析，紅松冠幅、落葉松冠幅、云杉和冷杉冠幅的提取精度分別達到83.50%、84.35%和82.26%，預(yù)測精度分別達到83.60%、81.46%和83.57%，在實際應(yīng)用中可以用建立回歸方程的方法替代原始測量的結(jié)果。因此利用航片提取上層林木的冠幅，可以減少外業(yè)工作量，提高調(diào)查速度，并可進行有關(guān)森林蓄積量的估測。

對于柵格矢量之間的轉(zhuǎn)換，如果能調(diào)整有關(guān)的算法，提高轉(zhuǎn)換的精度，則后續(xù)的工作可以大大減少人為因素的影響，使結(jié)果更具有客觀性。子像元分類誤差具有向下傳播的特性，因此應(yīng)嚴格控制子像元的分類誤差，減弱子像元的分類對后續(xù)工作的影響。若對航片進行分區(qū)處理減少曝光和地形等因素的影響來提高分類精度同時提高判讀員的素質(zhì)，則冠幅提取精度有望能夠進一步提高。如何結(jié)合其他的方法，利用計算機自動提取樹冠信息都需要進一步的研究。

［1］鄧 廣.高空間分辨率遙感影像單株立木識別與樹冠分割算法研究［D］.北京:中國林業(yè)科學(xué)研究院，2009.

［2］智長貴.基于航片的正射影像林相圖制作及森林測量研究［D］.哈爾濱:東北林業(yè)大學(xué)，2005.

［3］Masato Katoh，F(xiàn)rancois A Gougeon，Donald G Leckie.Application of high－resolution airborne data using individual tree crowns in Japanese conifer plantations［J］.J For Res，2009(14):10 －19.

［4］林麗莎.航空遙感GIS數(shù)字圖象的森林定量檢測研究［D］.哈爾濱:東北林業(yè)大學(xué)，2001.

［5］馮益明，李增元，張 旭.基于高空間分辨率影像的林分冠幅估計［J］.林業(yè)科學(xué)，2006，42(5):110 －113.

［6］蔡文峰，李鳳日.基于VirtuoZo系統(tǒng)對林木冠幅信息的提?。跩］.森林工程，2010，26(2):4 －7.

［7］劉曉雙，黃建文，鞠洪波.高空間分辨率遙感的單木樹冠自動提取方法與應(yīng)用［J］.浙江林學(xué)院學(xué)報，2010，27(1):126 －133.

［8］劉傳照，張 鵬，任淑文，等.涼水自然保護區(qū)森林資源的保護與經(jīng)營問題探討［J］.土與自然資源研究，1991(1):58－63.

［9］胥麗紅.森林參數(shù)數(shù)字攝影測量提取技術(shù)的應(yīng)用研究［D］.哈爾濱:東北林業(yè)大學(xué)，2010.

［10］黨安榮，賈海峰，陳曉峰，等.ERDAS IMAGINE遙感圖像處理教程［M］.北京:清華大學(xué)出版社，2010.

［11］韋玉春，湯國安，楊 昕，等.遙感數(shù)字圖像處理教程［M］.北京:科學(xué)出版社，2011.

［12］王亞可.基于遙感分類圖的矢量化算法研究及應(yīng)用［D］.開封:河南大學(xué)，2010.

［13］張立富，呂東方，袁 明，等.3D激光掃描技術(shù)及其在森林測繪中的應(yīng)用［J］.林業(yè)機械與木工設(shè)備，2011，39(8):30 －32.

［14］張建武，孫慶輝，劉玉峰，等.面要素柵矢轉(zhuǎn)換不確定性分析［J］.測繪科學(xué)技術(shù)學(xué)報，2008，25(4):275 －279.

［15］周 南，徐天蜀.云冷杉林生物量遙感估測模型研究［J］.林業(yè)調(diào)查規(guī)劃，2010，35(4):29 －31.

［16］謝進金，林興軍.基于遙感分層技術(shù)的南平縣森林蓄積抽樣調(diào)查方法研究［J］.林業(yè)調(diào)查規(guī)劃，2011，36(1):8 －11.