森林面積遙感估測研究

趙曉旭，王弘揚帆，丁 磊，孫騰科

（1.河海大學(xué)，江蘇 南京 210098）

1 研究區(qū)概況

以宣城市為研究區(qū)域，以TM影像為研究數(shù)據(jù)，利用Erdas Imagine 9.0遙感圖像處理軟件，結(jié)合已有的影像數(shù)據(jù)，首先對研究區(qū)的遙感影像數(shù)據(jù)進行圖像預(yù)處理（幾何校正和圖像增強），然后采用2種分類方法提取出有利于面積估算的森林植被光譜特征，再比較2種分類結(jié)果的精度，最后根據(jù)分類精度高的結(jié)果圖中森林植被光譜特征像元數(shù)計算出研究區(qū)的森林面積。

本文所采用的圖像數(shù)據(jù)源為Landsat-5 TM，其接收時間分別為1995-05-02和2006-04-20。

2 遙感圖像處理

2.1 遙感數(shù)據(jù)提取

1）TM影像圖的校正。在實驗中，采用二次多項式模型，所選控制點在圖上分布均勻且坐標易讀取。實驗中采集8個點（如表1所示），校正的點位中誤差均小于0.5個像元，符合精度要求。校正前后影像如圖1所示。

表1 校正過程中控制點的位置及誤差情況統(tǒng)計表

2）圖像拼接。將2幅校正后的影像圖利用Erdas中Mosaic Images工具將2幅圖拼接在一起。

圖1 校正前后影像圖

3）圖像裁剪。借助于安徽省行政區(qū)劃圖提取宣城市的行政界線。具體操作是：先用ArcGIS打開shape圖，選中shape邊界。用ArcToolBox中的conversion tools工具生成coverage格式。在Erdas窗口中打開coverage圖和img圖。利用AOI工具選中要裁切的邊界線，保存為aoi文件。

2.2 圖像增強處理

2.2.1 圖像彩色增強

在彩色增強的過程中可以進行最佳波段組合[1]。根據(jù)TM數(shù)據(jù)7個波段的光譜特性及各波段間的相關(guān)性，考慮到綠色植被的光譜特征，選擇了包含葉綠素吸收谷的紅光波段TM3，植被具有強烈反射作用的近紅外波段TM4以及中紅外波段TM5，確定組合圖像，如圖2所示。

圖2 TM453組合圖像

2.2.2 反差增強

本次實驗中主要采用直方圖均衡方法，將隨機分布的圖像直方圖修改成均勻分布的直方圖，對圖像進行非線性拉伸，重新分配圖像像元值，使一定灰度范圍內(nèi)的像元數(shù)量大致相等[2,3]，如圖3所示。

圖3 TM453組合圖像

3 遙感圖像分類

3.1 植被指數(shù)分類方法

3.1.1 光譜特征分析

為了更好地提取各種專題信息，需對數(shù)字圖像的各種特征值進行分析。這些特征值包括直方圖分布、均值、標準差、相關(guān)系數(shù)等。表2和表3是宣城市圖像各個波段的特征值及相關(guān)性分析結(jié)果。

表2 各個波段的特征值統(tǒng)計表

表3 各個波段之間的相關(guān)性系數(shù)統(tǒng)計表

圖像波段間的相關(guān)系數(shù)大小表明波段間的信息親和度即相似度，在圖像組合中要選擇相關(guān)系數(shù)小的波段組合。從表3可以看出，均值和標準差是圖像統(tǒng)計分析中最重要的統(tǒng)計量。一幅圖像的均值和標準差在很大程度上反映了亮度值分布的數(shù)值范圍及信息量的多少。同時從表中波段的相關(guān)矩陣可以看出TM1、TM2、TM3之間的相關(guān)系數(shù)較大，均在0.9以上，說明這3個波段相似度高；TM7、TM1、TM2、TM3、TM5的相關(guān)系數(shù)也比較大；TM4、TM3、TM5相關(guān)系數(shù)較小，相似度小，所以本次實驗采用TM4、TM5、TM3組合。

3.1.2 信息提取

由于本次研究所關(guān)心的是植被信息，所以需要選擇適合的植被指數(shù)模型[6]。TM原始圖像提供的只是單一波段，根據(jù)需要可以利用圖像代數(shù)運算，把不同的波段所對應(yīng)的像元灰度值進行加、減、乘、除運算，生成新的波段。本次研究采用2種植被指數(shù)NDVI和RVI：

在實驗中采用NDVI。植被在近紅外波段（TM4）和紅波段（TM3），光譜特性差異較大，TM4是植被的強反射波段，光譜亮度值較大，TM3是葉綠素的強吸收波段，光譜亮度值較小。NDVI值介于-1和1之間，對于陸地表面主要覆蓋來說，水域信息在可見光波段比近紅外波段有較高的反射作用，因而NDVI值為負值；草地、農(nóng)地、綠地、林地在2個波段有相似的反射作用，因而NDVI值為正值。

使用TM4、NDVI、RVI 3個波段組成1幅新的假彩色圖像，分別賦予RGB值，這不僅可以分離出植被和非植被信息，而且可以很好地減少由地形陰影造成的影響，見圖4。綜合分析2幅圖可知，非植被的閾值為（-0.74～0.00），草地的閾值為（0～0.18），林地的閾值為（0.18～1.00）。

基于NDVI提取的結(jié)果如圖5所示。經(jīng)過計算機自動提取，森林林地覆蓋區(qū)域共提取出3 185 056個像元，面積為306 083 ha。以上是對2006年數(shù)據(jù)進行統(tǒng)計分析得出的結(jié)果，按照上述方法對1995年數(shù)據(jù)進行分析處理得出，森林林地覆蓋區(qū)域共提取出4 030 350個像元，面積為362 731 ha。

圖4 TM4、NDVI、RVI合成圖像

圖5 NDVI提取的植被信息

3.2 決策樹分類

基于本次實驗中決策樹模型，決策樹分類結(jié)果如圖6所示。經(jīng)過計算機自動提取，森林林地覆蓋區(qū)域共提取出3 203 243個像元，面積為307 832 ha。按照上述方法對1995年數(shù)據(jù)進行分析處理得出，森林林地覆蓋區(qū)域共提取出4 215 831個像元，面積為379 425 ha。

圖6 決策樹分類方法提取的植被信息

3.3 分類精度分析及評價

由于本次實驗只是對林地信息提取，所以在此我們只是對林地采用生產(chǎn)者精度、用戶精度、Kappa系數(shù)進行評價。如表4、表5所示，用戶精度、生產(chǎn)者精度都在85%以上，Kappa系數(shù)也在0.85以上，精度比較高。

表4 2006年2種分類方法精度比較/﹪

表5 1995年2種分類方法精度比較/﹪

3.4 森林面積統(tǒng)計

根據(jù)對上述2種圖像分類方法的分析，決定采用精度高的決策樹分類結(jié)果。在對森林面積統(tǒng)計時，采用基于像元的方法。林地類像元數(shù)與影像分辨率平方的乘積即為森林面積。1995年宣城市森林面積為379 425 ha,2006年森林面積為307 832 ha。

3.5 1995年和2006年森林面積變化

在Erdas中疊加打開1995年分類圖和2006分類圖進行分析（見圖7），深綠色為1995年森林面積區(qū)域，淡藍色為2006森林面積區(qū)域，可以看出，1995年～2006年期間，森林覆蓋率有所下降，集中區(qū)域也有所不同。宣城市森林植被主要集中在南部地區(qū)，中北區(qū)1995年森林植被也較多，但到2006年覆蓋率大大降低。

圖7 1995年和2006年森林面積圖

4 結(jié) 語

1）通過圖像增強可以提高圖像的視覺效果，有助于判讀性，使感興趣的區(qū)域突現(xiàn)出來。對于一些特殊信息可以直接進行目視判讀，如一個區(qū)域的植被信息，就可以通過比值增強大致提取出來。

2）植被指數(shù)方法對于突出植被信息有明顯的作用，但NDVI和RVI的作用范圍不同。在較高的植被覆蓋區(qū)RVI的突出效果更明顯、更清晰；而對于整個研究區(qū)域的植被信息而言，NDVI的作用范圍比RVI更廣。決策樹分類方法易于操作，分類精度也比較高。

3）利用用戶精度、生產(chǎn)者精度和Kappa系數(shù)指標對分類結(jié)果進行評價，分類的精度均在0.8以上，符合精度要求。

[1]孫家抦. 遙感原理與應(yīng)用[M]. 武漢：武漢大學(xué)出版社, 2009

[2]陳述彭，趙英時. 遙感地學(xué)分析[M]. 北京：測繪出版社,1990

[3]梁玉喜. TM圖像用于川西地區(qū)森林面積自動提取的研究[D]. 雅安：四川農(nóng)業(yè)大學(xué)，2004

[4]李爽，張二勛. 基于決策樹的遙感影像分類方法研究[J]. 地域研究與開發(fā)，2003，22(1)：17-21

[5]趙君愛. 基于RS技術(shù)的森林面積統(tǒng)計方法的研究[D]. 南京：南京農(nóng)業(yè)大學(xué)，2007

[6]羅靈軍，張遠，周平，等. 重慶城市基礎(chǔ)地理信息系統(tǒng)建設(shè)及應(yīng)用[J]. 地理信息世界，2004，2(1):19-23

[7]夏雙，阮仁宗，佘遠見，等. 基于C4.5算法的遙感影像分類[J].地理空間信息，2012，10(4):90-92