基于GF-1/WFV與MODIS時(shí)空融合的森林覆蓋定量提取

徐 磊 巫兆聰 羅 飛 楊 帆 項(xiàng) 偉 高 飛

(1．武漢大學(xué)遙感信息工程學(xué)院，武漢430079;2．倫敦瑪麗女王大學(xué)電子工程與計(jì)算機(jī)科學(xué)學(xué)院，倫敦E1 4NS; 3．國家海洋局南海規(guī)劃與環(huán)境研究院，廣州510310)

基于GF-1/WFV與MODIS時(shí)空融合的森林覆蓋定量提取

徐 磊1巫兆聰1羅 飛2楊 帆3項(xiàng) 偉1高 飛1

(1．武漢大學(xué)遙感信息工程學(xué)院，武漢430079;2．倫敦瑪麗女王大學(xué)電子工程與計(jì)算機(jī)科學(xué)學(xué)院，倫敦E1 4NS; 3．國家海洋局南海規(guī)劃與環(huán)境研究院，廣州510310)

森林作為陸地生態(tài)系統(tǒng)的重要組成部分，因其巨大的碳儲(chǔ)量和固碳能力而備受關(guān)注，利用高分1號(hào)衛(wèi)星的NDVI數(shù)據(jù)(GF-1 NDVI)可實(shí)現(xiàn)森林覆蓋的定量提取。然而，由于受陰雨天氣、運(yùn)行成本等因素的影響，難以形成GF-1 NDVI時(shí)間序列數(shù)據(jù)，無法滿足森林覆蓋高精度提取的需求，為此，以河南省嵩山部分地區(qū)為實(shí)驗(yàn)區(qū)，應(yīng)用STAVFM算法融合GF-1/WFV NDVI與MODISNDVI，生成8 d步長的GF-1/WFV NDVI時(shí)間序列數(shù)據(jù)，在此基礎(chǔ)上，提取NDVI特征并與GF-1/WFV的光譜特征進(jìn)行組合，最后，采用SVM分類方法實(shí)現(xiàn)研究區(qū)森林覆蓋的定量提取。研究結(jié)果表明，利用STAVFM算法生成的GF-1/WFV NDVI時(shí)序數(shù)據(jù)效果理想，很好地解決了GF-1 NDVI時(shí)序數(shù)據(jù)的缺失問題，由其NDVI特征與GF-1/WFV光譜特征構(gòu)成的組合能夠?qū)崿F(xiàn)森林覆蓋的有效提取，基于SVM分類后的總體分類精度為94.72%，與未融入NDVI特征的GF-1/WFV原始影像的分類結(jié)果相比，提高了4.90個(gè)百分點(diǎn)。

森林覆蓋;遙感;定量提取;時(shí)空融合;GF-1/WFV;MODISNDVI

引言

森林生態(tài)系統(tǒng)是陸地生態(tài)系統(tǒng)中生產(chǎn)力最高的系統(tǒng)，集中了約85%的陸地生物量。同時(shí)，作為一個(gè)巨大的碳庫，森林生態(tài)系統(tǒng)的碳循環(huán)與碳蓄積已成為全球陸地碳循環(huán)與全球氣候變化的重要研究內(nèi)容［1－2］，定量獲取森林覆蓋面積及其分布信息是進(jìn)行上述研究的關(guān)鍵。隨著我國高分1號(hào)(GF-1)衛(wèi)星的成功發(fā)射，利用GF-1 NDVI實(shí)現(xiàn)森林覆蓋的定量提取成為可能［3］。然而，高時(shí)間序列NDVI的獲取要求衛(wèi)星能夠?qū)崿F(xiàn)高頻度的重點(diǎn)觀測，這勢必大大增加GF-1衛(wèi)星的運(yùn)行成本，此外，在我國尤其是長江以南地區(qū)，由于陰雨天氣的影響，GF-1影像數(shù)據(jù)易受到云污染，從而出現(xiàn)不同程度的缺失，很難形成GF-1 NDVI時(shí)間序列數(shù)據(jù)，基于GF-1 NDVI時(shí)間序列數(shù)據(jù)的森林覆蓋提取受到了限制。多源遙感數(shù)據(jù)時(shí)空融合方法的提出，為上述問題的解決提供了新的途徑?，F(xiàn)有研究已表明［4－5］，MODIS影像數(shù)據(jù)雖在反映空間尺度較小與空間異質(zhì)區(qū)域的植被覆蓋方面能力有限(空間分辨率最高為250 m)，但其高時(shí)間分辨率(1 d)的特征使得該數(shù)據(jù)能夠?qū)崿F(xiàn)對植被覆蓋的大范圍、持續(xù)觀測。因此，采用遙感數(shù)據(jù)時(shí)空融合技術(shù)將GF-1數(shù)據(jù)與MODIS數(shù)據(jù)進(jìn)行融合，生成高時(shí)相、高空間分辨率的時(shí)間序列數(shù)據(jù)，最終用于森林覆蓋的定量提取，成為一種可能。

目前，國內(nèi)外學(xué)者針對遙感數(shù)據(jù)時(shí)空融合方法已展開了相應(yīng)的研究，并取得了一些成果［6－8］。這些時(shí)空數(shù)據(jù)融合方法雖未將數(shù)據(jù)限定為Landsat與MODIS，但所涉參數(shù)考慮的均是國外衛(wèi)星數(shù)據(jù)的特點(diǎn)，很少用于國產(chǎn)衛(wèi)星數(shù)據(jù)的融合。MENG等［9］在STARFM算法基礎(chǔ)上，提出了時(shí)空自適應(yīng)植被指數(shù)融合模型(Spatial and temporal adaptive vegetation index fusion model，STAVFM)，并將融合生成的高時(shí)空分辨率NDVI成功地應(yīng)用于農(nóng)作物生物量的估算。該時(shí)空融合算法不僅可以直接實(shí)現(xiàn)植被指數(shù)的融合，而且能夠用于國產(chǎn)衛(wèi)星數(shù)據(jù)的定量分析。本文以河南省嵩山部分地區(qū)為實(shí)驗(yàn)區(qū)，應(yīng)用STAVFM算法融合GF-1/WFV NDVI與MODISNDVI，生成時(shí)間步長為8 d的GF-1/WFV NDVI時(shí)間序列數(shù)據(jù)，在此基礎(chǔ)上，提取NDVI特征并同GF-1/WFV的光譜特征進(jìn)行組合，最后，采用支持向量機(jī) (Support vectormachine，SVM)分類方法實(shí)現(xiàn)研究區(qū)森林覆蓋的定量提取。

1 研究區(qū)及數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)位于河南省登封市西北部，為嵩山地區(qū)一部分，位于34°23'～34°38'N、112°49'～113°10'E，對應(yīng)影像大小為3 265像元×3 632像元，跨登封、新密、鞏義及偃師4市(圖1)。本區(qū)屬北溫帶大陸性季風(fēng)氣候，四季分明，平均日照時(shí)數(shù)2275 h，無霜期213 d，年平均氣溫14.3℃，年均降水量640.9 mm，全區(qū)相對濕度60%。區(qū)內(nèi)地形以山地、丘陵和平原為主，其中，山地平均海拔高度700～1 200m，丘陵平均海拔高度350～500m。土壤類型以褐土為主，植被覆蓋屬暖溫帶落葉闊葉林。本區(qū)農(nóng)業(yè)資源豐富，農(nóng)作物主要有小麥、玉米、豆類等，經(jīng)濟(jì)作物主要為煙葉。

圖1 研究區(qū)位置示意圖Fig．1 Location of study area

1.2 數(shù)據(jù)及處理

1.2.1 GF-1/WFV影像數(shù)據(jù)

本文使用GF-1/WFV影像數(shù)據(jù)兩景，均由高分1號(hào)多光譜寬幅相機(jī)拍攝獲取，軌道號(hào)為 4/98 (Path/Row)、3/98(Path/Row)，成像日期分別為2014年8月15日、2014年10月24日。星下點(diǎn)空間分辨率為16m，含4個(gè)光譜段，光譜范圍為0.45～0.89μm，數(shù)據(jù)含云量小于1%，其中實(shí)驗(yàn)區(qū)的含云量為0，可視性良好。影像的預(yù)處理主要包括輻射定標(biāo)、大氣校正及幾何精校正3部分。首先，在ENVI 5.2平臺(tái)下運(yùn)用FLAASH模塊對上述兩景GF-1/WFV影像進(jìn)行輻射定標(biāo)及大氣校正，然后以1∶5 000的DEM采用二次多項(xiàng)式法對圖像進(jìn)行幾何精校正，坐標(biāo)系統(tǒng)為WGS_1984_UTM_Zone_49N，保證精度范圍控制在1個(gè)像元以內(nèi)。之后，通過掩模裁剪得到實(shí)驗(yàn)區(qū)的影像數(shù)據(jù)。最后，計(jì)算上述結(jié)果的NDVI，并將NDVI的取值范圍設(shè)置為0～10 000，NDVI的計(jì)算公式為［10］

式中 ρNIR——近紅外波段反射率

ρR——紅外波段反射率

1.2.2 時(shí)間序列MODIS數(shù)據(jù)

本文使用的MODIS數(shù)據(jù)為MOD09Q1反射率產(chǎn)品，該產(chǎn)品從 NASA 網(wǎng)站(http:∥ladsweb．nascom．nasa．gov/data/search．html)獲取，共46期，對應(yīng)時(shí)間范圍為2014年1月1日—2014年12月19日，軌道號(hào)為h27v05，空間分辨率為250 m，含2個(gè)波段且8 d最大值合成。首先，利用MRT(MODIS Reprojection Tool)將MOD09Q1數(shù)據(jù)的坐標(biāo)系轉(zhuǎn)換為WGS_1984并進(jìn)行幾何配準(zhǔn)，精度優(yōu)于1個(gè)像元，之后將其空間分辨率從250m重采樣到16m，最后，裁剪得到實(shí)驗(yàn)區(qū)的時(shí)序 MODIS數(shù)據(jù)并生成其NDVI，取值范圍同樣設(shè)置為0～10 000。

此外，為了確定研究區(qū)林地及非林地的分布情況，參照GB/T 21010—2007《土地利用現(xiàn)狀分類》，本文于2014年5月對研究區(qū)進(jìn)行了實(shí)地調(diào)查，完成區(qū)內(nèi)典型土地利用/覆蓋類型(包括耕地、林地、園地、草地、水域及其它土地)的采樣，樣本均勻分布，其中位置信息的記錄借助手持GPS完成，精度控制在1m以內(nèi)。

2 研究方法

在對GF-1/WFV與MODIS數(shù)據(jù)進(jìn)行時(shí)空融合的基礎(chǔ)上，實(shí)現(xiàn)森林覆蓋的定量提取。首先，在完成上述數(shù)據(jù)預(yù)處理(包括輻射定標(biāo)、大氣校正及幾何精校正等)的基礎(chǔ)上，運(yùn)用STAVFM算法融合生成8 d的時(shí)序GF-1/WFV NDVI，并對其進(jìn)行平滑、重構(gòu)，在此基礎(chǔ)上，提取NDVI特征并同GF-1/WFV影像的光譜特征進(jìn)行組合，最后，采用支持向量機(jī)分類方法對實(shí)驗(yàn)區(qū)的森林覆蓋進(jìn)行分類，定量提取森林覆蓋并評價(jià)其結(jié)果(圖2)。

圖2 研究技術(shù)路線圖Fig．2 Route chart of research technology

2.1 GF-1/WFV NDVI與時(shí)序MODIS NDVI的時(shí)空融合

GF-1/WFV NDVI與時(shí)序MODIS NDVI的時(shí)空融合采用了時(shí)空自適應(yīng)植被指數(shù)融合模型(STAVFM)算法，該算法為MENG等對時(shí)空適應(yīng)性反射率融合模型(STARFM)改進(jìn)后提出的一種尺度轉(zhuǎn)換方法［11］，其基于T0時(shí)刻的MODISNDVI及某一高空間分辨率NDVI數(shù)據(jù)，通過計(jì)算兩類數(shù)據(jù)間的空間分布差異，結(jié)合Tp時(shí)刻的MODIS NDVI數(shù)據(jù)，預(yù)測生成Tp時(shí)刻的高空間分辨率NDVI數(shù)據(jù)，預(yù)測過程中使用滑動(dòng)窗口法消除低分辨率NDVI影像數(shù)據(jù)像元邊界的影響，計(jì)算公式為［12］

式中 L(xω/2，yω/2，Tp)——預(yù)測后Tp時(shí)刻某一高空間分辨率NDVI像元值

ω——移動(dòng)窗口的大小

(xω/2，yω/2)——窗口的中間像元

M(xi，yj，Tp)——窗口位置(xi，yj)處Tp時(shí)刻的MODISNDVI像元值

M(xi，yj，T0)——T0時(shí)刻 MODIS數(shù)據(jù)的NDVI像元值

L(xi，yj，T0)——T0時(shí)刻某一高空間分辨率數(shù)據(jù)的NDVI像元值

Wijk——窗口內(nèi)各像元預(yù)測中心像元權(quán)重

權(quán)重Wijk決定了移動(dòng)窗口內(nèi)各像元對預(yù)測值貢獻(xiàn)的大小，其計(jì)算公式為

式中，Cijk由窗口中心預(yù)測像元及窗口中其它像元的光譜距離、時(shí)間距離、空間距離3項(xiàng)計(jì)算確定。

本文以上述獲取的2014年8月15日GF-1/ WFV NDVI為T0時(shí)刻的GF-1/WFV NDVI數(shù)據(jù)，同時(shí)以2014年8月14日的MODIS NDVI為T0時(shí)刻的MODISNDVI數(shù)據(jù)，結(jié)合處理后的8 d間隔時(shí)序MODISNDVI數(shù)據(jù)，采用STAVFM算法進(jìn)行融合及預(yù)測，最后，生成空間分辨率為16m、時(shí)間間隔為8 d的時(shí)序GF-1/WFV NDVI，用于下一步的分析。

2.2 時(shí)序GF-1/WFV NDVI的重構(gòu)

融合生成的8 d時(shí)序GF-1/WFV NDVI數(shù)據(jù)雖已經(jīng)過大氣校正等處理，但其本身仍存有由云污染和大氣變化等引起的低值突變噪聲［13－17］。針對此情況，本文采用時(shí)間序列諧波分析法(Harmonic analysis of time series，HANTS)對上述時(shí)序 GF-1/ WFV NDVI數(shù)據(jù)進(jìn)行濾波、重構(gòu)。時(shí)間序列諧波分析法(HANTS)由JAKUBAUSKAS等［18］提出，為一種新的物候分析方法，即將時(shí)間序列數(shù)據(jù)按傅立葉級(jí)數(shù)展開為不同階頻率諧波疊加的形式。該方法將植被物候特征信息集中在低階諧波，云覆蓋、大氣環(huán)境變化和雙向反射特性等噪聲信息則被分配到高階諧波，將高階諧波剔除后，選擇若干能夠反映地表植被動(dòng)態(tài)的低階諧波進(jìn)行疊加擬合，最終實(shí)現(xiàn)原始時(shí)間序列數(shù)據(jù)的高質(zhì)量重構(gòu)，特征值包括諧波余項(xiàng)、諧波幅值、諧波相位等［19］，基本原理如下［20］:

f(t)是周期為N的離散時(shí)間序列信號(hào)，表達(dá)式為

式中 A0——諧波余項(xiàng) k——諧波階數(shù)

Ak、ωk、φk——第k階諧波的幅值、頻率和相位

ak、bk——第k階諧波的傅里葉系數(shù)

本文在分析實(shí)驗(yàn)區(qū)植被覆蓋的物候特征及時(shí)序GF-1/WFV NDVI數(shù)據(jù)特點(diǎn)的基礎(chǔ)上，采用由荷蘭Geospatial Data Service Centre(GDSC)提供的HANTS軟件，對融合生成的8 d時(shí)序GF-1/WFV NDVI數(shù)據(jù)進(jìn)行平滑。

2.3 GF-1/WFV數(shù)據(jù)特征提取與組合

生成的時(shí)序GF-1/WFV NDVI數(shù)據(jù)包含46個(gè)NDVI特征，為了減小數(shù)據(jù)計(jì)算量，提高運(yùn)算效率，達(dá)到有效綜合多時(shí)相NDVI信息的目的［21－22］，本文從中提取 4個(gè)時(shí)間特征，即 NDVI的年最大值(NDVIMAX)、年 最 小 值 (NDVIMIN)、年 均 值(NDVIMEAN)及年標(biāo)準(zhǔn)差(NDVISTD)。在此基礎(chǔ)上，將提取的4個(gè)時(shí)間特征同原GF-1/WFV影像的4個(gè)光譜段(波段1、2、3和4)進(jìn)行組合，生成的影像數(shù)據(jù)既包含GF-1/WFV影像的光譜特征，又包含高空間分辨率時(shí)序GF-1/WFV NDVI的時(shí)間特征(表1)。該數(shù)據(jù)最終用于實(shí)驗(yàn)區(qū)森林覆蓋的提取研究。

表1 實(shí)驗(yàn)數(shù)據(jù)特征組合Tab．1 Feature combination of experiment data

在使用特征組合后的GF-1/WFV影像進(jìn)行森林覆蓋提取前，需要定量分析不同地表覆蓋類型之間的可分性。常用的地物類型可分性判別模型有歐氏距離模型、巴氏距離模型及J-M(Jeffries-Matusita)距離模型等，其中，J-M距離模型具有明顯優(yōu)勢［23］，其基于某一特征計(jì)算不同地物類別樣本間的距離，計(jì)算公式為［24］

式中 B——某一特征維上的巴氏距離

在樣本滿足正態(tài)分布的前提下，兩類樣本的巴氏距離計(jì)算公式為

式中 e1、e2——某類特征的均值

本文借助野外地面調(diào)查及Google Earth平臺(tái)，在ENVI 5.2下生成訓(xùn)練樣本并計(jì)算各地物覆蓋類型間的J-M距離，為后續(xù)分類工作做好準(zhǔn)備。

2.4 影像分類及精度評價(jià)

支持向量機(jī)是建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的一種新的機(jī)器學(xué)習(xí)方法，其較好地解決了以往學(xué)習(xí)方法中的小樣本、非線性及高維數(shù)等問題，具有很強(qiáng)的泛化能力［25－27］。本文選用徑向基函數(shù)(Radial basis function，RBF)作為影像分類的核函數(shù)，最常用的徑向基函數(shù)是高斯核函數(shù)，公式為［28－31］

式中 K(X，X')——空間中任意一點(diǎn)X到某一中心X'之間歐氏距離單調(diào)函數(shù)

X'——核函數(shù)中心

σ——函數(shù)的寬度參數(shù)

本文在上述組合生成的GF-1/WFV影像的基礎(chǔ)上，利用SVM分類方法對研究區(qū)的地物進(jìn)行分類。首先，參照GB/T 21010—2007《土地利用現(xiàn)狀分類》將區(qū)內(nèi)地物分為林地與非林地兩類，其中非林地由耕地、園地、草地、水域及其它土地合并而成，在此基礎(chǔ)上，結(jié)合上述地面采樣數(shù)據(jù)及Google Earth數(shù)據(jù)，借助 ENVI 5.2的 ROI工具生成面狀樣本126個(gè)(1/2用于分類，剩余的1/2用于精度驗(yàn)證)，對應(yīng)像元數(shù)為21 482個(gè)，其中，林地像元數(shù)11 128個(gè)，非林地像元數(shù)10 354個(gè)，且均勻分布。最后，在Supervised Classification模塊下實(shí)現(xiàn)研究區(qū)森林覆蓋的分類，分類完成后，借助總體精度、生產(chǎn)者精度、用戶精度及Kappa系數(shù)等指標(biāo)實(shí)現(xiàn)對分類結(jié)果的精度評價(jià)。為了更好地反映特征組合后的GF-1/WFV影像對森林覆蓋的提取能力，本文采用相同的方法對特征組合前的GF-1/WFV原始影像進(jìn)行分類及精度評價(jià)，所用訓(xùn)練樣本及驗(yàn)證樣本的數(shù)量均與上述研究相同，在此基礎(chǔ)上，對特征組合前后的影像分類精度進(jìn)行比較與分析。

3 結(jié)果與分析

3.1 STAVFM時(shí)空融合結(jié)果

本文將預(yù)測生成的GF-1/WFV NDVI時(shí)序影像中的一期(第297天)與上述實(shí)際獲取的GF-1/WFV NDVI影像(2014年10月24日，第297天)對比后發(fā)現(xiàn)(圖3)，GF-1/WFV NDVI預(yù)測值不僅在空間分布上與同期的GF-1/WFV NDVI真實(shí)值一致，而且其還能在16m空間分辨率的像元尺度上反映地物的空間細(xì)節(jié)及分布差異?？梢?，STAVFM算法實(shí)現(xiàn)了GF-1/WFV NDVI影像的高空間分辨率特征同MODISNDVI影像的高時(shí)間分辨率特征的有機(jī)結(jié)合。同時(shí)，本文從上述兩幅GF-1/WFV NDVI影像中分別裁出一正方形區(qū)域，區(qū)域大小為200像元× 200像元，在此基礎(chǔ)上，利用ENVI/IDL提取兩幅影像的NDVI值并進(jìn)行回歸分析，結(jié)果如圖4所示。從圖中可以看出，NDVI值對應(yīng)數(shù)據(jù)點(diǎn)的分布較為集中，且絕大多數(shù)位于直線y=x的兩側(cè)，該現(xiàn)象說明NDVI預(yù)測值與NDVI真實(shí)值之間呈線性相關(guān)，而R2=0.947 6則表明上述預(yù)測值與真實(shí)值之間呈高度相關(guān)且線性擬合的程度很好。綜上所述，STAVFM時(shí)空融合算法實(shí)現(xiàn)了GF-1/WFV NDVI與時(shí)序MODISNDVI的理想融合，從而為后續(xù)研究區(qū)森林覆蓋的精準(zhǔn)提取做好了數(shù)據(jù)準(zhǔn)備。

圖3 GF-1/WFV NDVI真實(shí)影像及預(yù)測影像Fig．3 Actual and predicted NDVI images of GF-1/WFV data

圖4 GF-1/WFV NDVI真實(shí)值與預(yù)測值散點(diǎn)分布圖Fig．4 Scatter plot of actual NDVIand predicted NDVI from GF-1/WFV images

3.2 時(shí)序GF-1/WFV NDVI平滑結(jié)果

平滑處理前后的林地時(shí)間序列NDVI如圖5所示，從圖中可以看出，時(shí)間序列諧波分析法(HANTS)具有很好的細(xì)節(jié)擬合能力，整體保真性良好，平滑重建后的林地時(shí)序NDVI曲線保持了其原有的形狀，改善了異常值，同時(shí)，恢復(fù)了NDVI的變化趨勢并反映了林地NDVI生長期內(nèi)的動(dòng)態(tài)變化特征及物候特性，具體地說，研究區(qū)內(nèi)林地的生長期主要集中于3月中旬—9月中旬。與此對應(yīng)，林地NDVI全年呈現(xiàn)出先上升后下降的趨勢，即春、夏兩季，林地NDVI持續(xù)增長，至7月上旬與8月上旬間，林地NDVI達(dá)到峰值，最后，至秋、冬季節(jié)，林地NDVI則逐漸下降?？梢?，實(shí)驗(yàn)區(qū)內(nèi)的林地NDVI呈現(xiàn)出單峰變化的態(tài)勢，該結(jié)果與我國雨熱同期的氣候特征是密不可分的。

圖5 平滑前后林地時(shí)序NDVI曲線Fig．5 Unsmoothed and smoothed NDVI time series curves of forest

3.3 GF-1/WFV特征組合的J-M距離計(jì)算結(jié)果

J-M距離的取值范圍為0～2［32］。具體來說，若J-M距離的取值大于1.9，表明地物樣本間的可分性很好;若J-M距離的取值介于1.8～1.9之間，表明地物樣本間的可分性較好;若J-M距離的取值介于1.0～1.8之間，表明地物樣本需重新選擇;若J-M距離的取值小于1.0，表明兩類地物樣本應(yīng)合為一類。本文中新生成的GF-1/WFV影像數(shù)據(jù)包含8個(gè)特征數(shù)，即 NDVIMAX、NDVIMIN、NDVIMEAN、NDVISTD、 Band 1(Blue)、Band 2(Green)、Band 3(Red)和Band 4(NIR)?；谠撎卣骺臻g的J-M距離計(jì)算結(jié)果為1.982，而僅基于影像NDVI特征及僅基于影像光譜特征的計(jì)算結(jié)果分別為1.898和1.882，前者明顯高于后者，由此可見，新生成的GF-1/WFV影像具有理想的地物可分性，可很好地用于研究區(qū)森林覆蓋的分類與提取。

3.4 分類結(jié)果與精度分析

本文在ENVI5.2平臺(tái)的支持下，采用支持向量機(jī)的分類方法分別對融入時(shí)序NDVI的GF-1/WFV影像、GF-1/WFV原始影像進(jìn)行分類，分類完成后，在ArcGIS 10.2平臺(tái)下完成分類結(jié)果的聚類、掩模及剔除等，最終得到研究區(qū)森林覆蓋的提取結(jié)果(圖6)。從目視效果來看，圖6a、6b均能客觀反映研究區(qū)森林覆蓋的分布，但比較后發(fā)現(xiàn)，圖6b的效果好于圖6a:首先，在地勢平坦地區(qū)(主要為平原)，圖6a中林地同耕地混合分布的情況較圖6b明顯增多;其次，在林區(qū)邊緣，圖6a中林地與裸地的混合分布也多于圖6b。可見，僅依靠影像的光譜信息不能很好地區(qū)分林地與非林地，而融入NDVI信息的影像數(shù)據(jù)則能夠?qū)崿F(xiàn)林地與非林地的有效識(shí)別。

圖6 GF-1/WFV數(shù)據(jù)及GF-1/WFV時(shí)空融合數(shù)據(jù)的森林覆蓋提取結(jié)果Fig．6 Forest cover extraction results of GF-1/WFV data and GF-1/WFV fused data

為了對上述分類結(jié)果進(jìn)行定量評價(jià)，分別求出它們的混淆矩陣(表2、3)?？梢钥闯?，融入時(shí)序NDVI的 GF-1/WFV影像的分類效果明顯好于GF-1/WFV原始影像的分類效果，總體分類精度由89.82% 提高到94.72%，該結(jié)果同上述目視判讀的結(jié)果一致，說明高空間分辨率多光譜遙感數(shù)據(jù)同高空間分辨率時(shí)序NDVI的組合，可以為森林覆蓋的定量提取提供更多有用的信息。具體地說，一方面，高空間分辨率的時(shí)序NDVI為很好反映植被的物候特征提供了可能，另一方面，該數(shù)據(jù)組合有效地削弱了影像中地形、云及陰影的影響。

表2 GF-1/WFV影像分類精度評價(jià)結(jié)果Tab．2 Evaluationresultofclassificationprecisionfor GF-1/WFVimage

表3 GF-1/WFV時(shí)空融合影像分類精度評價(jià)結(jié)果Tab．3 Evaluationresultofclassificationprecisionfor GF-1/WFVfusedimage

4 結(jié)論

(1)本文研究結(jié)果理想，總體分類精度為94.72%，與GF-1/WFV原始影像的分類結(jié)果相比，提高了4.90個(gè)百分點(diǎn)，可見，本文所用方法在有效解決GF-1NDVI數(shù)據(jù)缺失問題的同時(shí)，實(shí)現(xiàn)了森林覆蓋的高精細(xì)定量提取。

(2)基于 STAVFM算法融合生成的時(shí)序GF-1/WFVNDVI數(shù)據(jù)，其空間分辨率為16m，時(shí)間間隔為8d，該數(shù)據(jù)既保持了GF-1/WFVNDVI的高空間分辨率特征，又保持了時(shí)序MODISNDVI的高時(shí)間分辨率特征，具有明顯的數(shù)據(jù)優(yōu)勢，可以很好地用于森林覆蓋的提取，為實(shí)現(xiàn)森林覆蓋的有效提取提供了可能性。

(3)由特征組合生成的影像數(shù)據(jù)，既包含GF-1/ WFV影像的光譜特征，又包含GF-1/WFVNDVI時(shí)序數(shù)據(jù)的時(shí)間特征，其與僅擁有光譜特征的GF-1/ WFV原始影像數(shù)據(jù)相比，包含著更為豐富的植被生長信息，能夠進(jìn)一步提高分類的精度，隨著高分辨率影像分類理論的進(jìn)一步發(fā)展，融入更多有意義的特征變量如紋理特征等，成為重要發(fā)展趨勢。

1 楊柳，孫金華，馮仲科，等．基于PSO-LSSVM的森林地上生物量估測模型［J/OL］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(8):273－287．http:∥www．j-csam．org/jcsam/ch/reader/view_abstract．a(chǎn)spx?flag=1＆file_no=20160836＆journal_id=jcsam．DOI:10．6041/ j．issn．1000-1298．2016．08．036．YANG Liu，SUN Jinhua，F(xiàn)ENG Zhongke，etal．Estimation model off orestabove-ground biomas sbasedon PSO-LSSVM［J/OL］．Transactions of the Chinese Society for Agricultural Machinery，2016，47(8):273－287．(inChinese)

2 段祝庚，趙旦，曾源，等．基于遙感的區(qū)域尺度森林地上生物量估算研究［J］．武漢大學(xué)學(xué)學(xué)報(bào):信息科學(xué)版，2015，40(10): 1400－1408．DUAN Zhugeng，ZHAO Dan，ZENG Yuan，etal．Estimation o fthe for estabove ground biomas satregional scaleba sedonre mote sensing［J］．Geomatics and Information Science of Wuhan University，2015，40(10):1400－1408．(inChinese)

3 張榮群，王盛安，高萬林，等．基于時(shí)序植被指數(shù)的縣域作物遙感分類方法研究［J/OL］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(增刊): 246－252．http:∥www．j-csam．org/jcsam/ch/reader/view_abstract．a(chǎn)spx?flag=1＆file_no=2015S040＆journal_id=jcsam．DOI:10．6041/j．issn．1000-1298．2015．S0．040．ZHANG Rongqun，WANG Sheng'an，GAO Wanlin，etal．Remotesensing classification method of county-levelagricultural crops using time series NDVI［J/OL］．Transactions of the Chinese Society for Agricultural Machinery，2015，46(Supp．):246－252．(in Chinese)

4 孫銳，榮媛，蘇紅波，等．MODIS和HJ-1CCD數(shù)據(jù)時(shí)空融合重構(gòu)NDVI時(shí)間序列［J］．遙感學(xué)報(bào)，2016，20(3):361－373．SUN Rui，RONG Yuan，SU Hongbo，etal．NDVI time-seriesrecon struction basedon MODI Sand HJ-1CCD dataspatial-temporal fusion［J］．Journal of Remote Sensing，2016，20(3):361－373．(inChinese)

5 劉建光，李紅，孫丹峰，等．MODIS土地利用/覆被多時(shí)相多光譜決策樹分類［J］．農(nóng)業(yè)工程學(xué)報(bào)，2010，26(10):312－319．LIU Jianguang，LI Hong，SUN Danfeng，etal．Landuse/coverdecision treeclas sification fusingmulti-temporal and multi-spectral of MODIS［J］．Transactions of the CSAE，2010，26(10):312－319．(inChinese)

6 GAO F，MASEK J，SCHWALLER M，etal．On the blending of the Landsat and MODIS surface reflectance:predicting daily Landsat surface reflectance［J］．IEEET ransactions on Geoscience and Remote Sensing，2006，44(8):2207－2218．

7 ZHU Xinlin，CHEN Jin，GAO Feng，etal．Anenhanced spatial and temporal adaptiver eflectance fusion model for complex heterogeneousregions［J］．Remote Sensing of Environment，2010，114(11):2610－2623．

8 鄔明權(quán)，王潔，牛錚，等．融合MODIS與Landsat數(shù)據(jù)生成高時(shí)間分辨率Landsat數(shù)據(jù)［J］．紅外與毫米波學(xué)報(bào)，2012，3(1): 80－84．WU Mingquan，WANG Jie，NIU Zheng，etal．Amodel for spatial and temporal datafusion［J］．Journal of Infrared and Millimeter Waves，2012，3(1):80－84．(inChinese)

9 MENG Jihua，DU Xin，WU Bingfang．Generation of highspatial and temporal resolution NDVI anditsap plication incropbiomass estimation［J］．Internation al Journal of Digital Earth，2013，6(3):203－218．

10 南穎，劉志鋒，董葉輝，等．2000—2008年長白山地區(qū)植被覆蓋變化對氣候的響應(yīng)研究［J］．地理科學(xué)，2010，30(6):921－928．NAN Ying，LIU Zhifeng，DONG Yehui，etal．There sponses of vegetation covertoclimate change in the Changbai mountainareafrom 2000 to 2008［J］．Scientia Geographica Sinica，2010，30(6):921－928．(in Chinese)

11 MENG Jihua，DU Xin，WU Bingfang．Generation ofhigh spatialand temporal resolution NDVIand its application in crop biomass estimation［J］．International Journal of Digital Earth，2013，6(3):203－218．

12 MENG Jihua，WU Bingfang，DU Xin．Method to construct high spatial and temporal resolution NDVI dataset-STAVFM［J］．Journal of Remote Sensing，2011，15(1):44－59．

13 李杭燕，頡耀文，馬明國．時(shí)序NDVI數(shù)據(jù)集重建方法評價(jià)與實(shí)例研究［J］．遙感技術(shù)與應(yīng)用，2009，24(5):596－602．LIHangyan，JIE Yaowen，MA Mingguo．Reconstruction of temporal NDVI dataset:evaluation and case study［J］．Remote Sensing Technology and Application，2009，24(5):596－602．(in Chinese)

14 左麗君，張?jiān)鱿?，董婷婷，等．MODIS/NDVI和MODIS/EVI在耕地信息提取中的應(yīng)用及對比分析［J］．農(nóng)業(yè)工程學(xué)報(bào)，2008，24(3):167－172．ZUO Lijun，ZHANG Zengxiang，DONG Tingting，et al．Application ofMODIS/NDVIand MODISEVI to extracting the information of cultivated land and comparison analysis［J］．Transactions of the CSAE，2008，24(3):167－172．(in Chinese)

15 侯光雷，張洪巖，王野喬，等．基于時(shí)間序列諧波分析的東北地區(qū)耕地資源提?。跩］．自然資源學(xué)報(bào)，2010，25(9):1607－1617．HOU Guanglei，ZHANG Hongyan，WANG Yeqiao，et al．Application of harmonic analysis of time series to extracting the crop land resource in Northeast China［J］．Journal of Natural Resources，2010，25(9):1607－1617．(in Chinese)

16 楊強(qiáng)，王婷婷，陳昊，等．基于MODISEVI數(shù)據(jù)的錫林郭勒盟植被覆蓋度變化特征［J］．農(nóng)業(yè)工程學(xué)報(bào)，2015，31(22):191－199．YANG Qiang，WANG Tingting，CHEN Hao，et al．Characteristics of vegetation cover change in Xilin Gol League based on MODIS EVI data［J］．Transactions of the CSAE，2015，31(22):191－199．(in Chinese)

17 許青云，楊貴軍，龍慧靈，等．基于MODISNDVI多年時(shí)序數(shù)據(jù)的農(nóng)作物種植識(shí)別［J］．農(nóng)業(yè)工程學(xué)報(bào)，2014，30(11):134－144．XU Qingyun，YANG Guijun，LONG Huiling，et al．Crop information identification based on MODIS NDVI time-series data［J］．Transactions of the CSAE，2014，30(11):134－144．(in Chinese)

18 JAKUBAUSKASM E，LEGATESD R，KASTENS JH．Crop identification using harmonic analysis of time-series AVHRR NDVI data［J］．Computers and Electronics in Agriculture，2002，37:127－139．

19 梁守真，邢前國，施平，等．山東省典型地表覆被NDVI時(shí)間序列諧波分析［J］．生態(tài)學(xué)雜志，2011，30(1):59－65．LIANG Shouzhen，XING Qianguo，SHI Ping，et al．Harmonic analysis on NDVI time series of typical and covers in Shandong Province［J］．Chinese Journal of Ecology，2011，30(1):59－65．(in Chinese)

20 張連翀，王衛(wèi)．基于諧波分析和線性混合模型的河北平原區(qū)土地覆被分類研究［J］．地理與地理信息科學(xué)，2015，31(3):98－104．ZHANG Lianchong，WANGWei．Land cover classification of Hebei Plain based on harmonics analysis and linear mixture model［J］．Geography and Geo-Information Science，2015，31(3):98－104．(in Chinese)

21 謝相建，薛朝輝，王冬辰，等．顧及物候特征的喀斯特?cái)嘞菖璧赝恋馗采w遙感分類［J］．遙感學(xué)報(bào)，2015，19(4):627－638．XIE Xiangjian，XUE Zhaohui，WANG Dongchen，et al．Land cover classification in karst regions based on phenological features derived from a longterm remote sensing image series［J］．Journal of Remote Sensing，2015，19(4):627－638．(in Chinese)

22 GU Juan，LIXin，HUANG Chunlin．Land cover classification based on time-series MODISNDVI data in Heihe River Basin［J］．Advances in Earth Science，2010，25(3):317－326．

23 HAO Pengyu，WANG Li，NIU Zheng，et al．The potential of time series merged from Landsat-5 TM and HJ-1 CCD for crop classification:a case study for Bole and Manas counties in Xinjiang，China［J］．Remote Sensing，2014，6(8):7610－7631．

24 張猛，曾永年．基于多時(shí)相Landsat數(shù)據(jù)融合的洞庭湖區(qū)水稻面積提?。跩］．農(nóng)業(yè)工程學(xué)報(bào)，2015，31(13):178－185．ZHANG Meng，ZENG Yongnian．Mapping paddy fields of Dongting Lake area by fusing Landsatand MODISdata［J］．Transactions of the CSAE，2015，31(13):178－185．(in Chinese)

25 VAPNIK V．The nature of statistical learning theory［M］．New York:Springer-Verlag，1995．

26 SU L H．Optimizing support vectormachine learning for semi-arid vegetation mapping by using clustering analysis［J］．ISPRS Journal of Photogrammetry and Remote Sensing，2009，64:407－413．

27 LIS J，WU H，WAN D S，et al．An effective feature selection method for hyperspectral image classification based on genetic algorithm and support vectormachine［J］．Knowledge-Based Systems，2011，24(1):40－48．

28 FOODY G M，MATHUR A．A relative evaluation of multiclass image classification by support vector machines［J］．IEEE Transactions on Geoscience＆Remote Sensing，2004，42(6):1335－1343．

29 PALM，MATHER PM．Support vectormachines for classification in remote sensing［J］．International Journalof Remote Sensing，2005，26(5):1007－1011．

30 MELGANI F，BRUZZONE L．Classification of hyperspectral remote sensing images with support vector machines［J］．IEEE Transactions on Geoscience＆Remote Sensing，2004，42(8):1778－1790．

31 JAYADCVA R，KHEMCHANDANI S C．Twin support vector machines for pattern classification［J］．IEEE Transactions on Pattern Analysis and Machine Intelligence，2007，29(5):905－910．

32 ZHANG X Y，F(xiàn)RIEDL M A，SCHAAF C B，et al．Monitoring vegetation phenology using MODIS［J］．Remote Sensing of Environment，2003，84(3):471－475．

Quantitative Extraction of Forest Cover Based on Fusing of GF-1/WFV and MODISData

XU Lei1WU Zhaocong1LUO Fei2YANG Fan3XIANGWei1GAO Fei1
(1．School of Remote Sensing and Information Engineering，Wuhan University，Wuhan 430079，China 2．School of Electronic Engineering and Computer Science，Queen Mary University of London，London E1 4NS，UK 3．South China Sea Institute of Planning and Environmental Research，State Oceanic Administration，Guangzhou 510310，China)

As an important part of terrestrial ecosystem，forest is concerned by its huge carbon storage and carbon sequestration capacity．With the successful launch of China’s high score 1(GF-1)satellite，it is possible to use NDVI data to realize the quantitative extraction of forest cover．However，due to the impact of rainy weather，operating costs and other factors，it is difficult to form NDVIGF-1 time series data，which cannotmeet the demand for high precision extraction of forest cover．With the aim to solve this problem，Songshan was taken as part of the Henan GF-1/WFV NDVI and MODIS NDVI experimentation area，application of STAVFM algorithm was integrated，and GF-1/WFV NDVI time series data was used to generate the 8 d step，then from the time series data in NDVI feature extraction and spectral features were combined with GF-1/WFV．Finally，SVM classification method was used to realize quantitative forest coverage extraction．The research results showed that the NDVI GF-1/WFV sequence data generated by the STAVFM algorithm was ideal，which can solve the problem of the NDVI GF-1 time series data．The overall classification accuracy based on the SVM classification was94.72%，which was improved by 4.90 percentage points compared with the classification results of the original GF-1/WFV imagewithout fusing the characters of NDVI．Thismethod provided a new way for high precision extraction of forest cover．

forest cover;remote sensing;quantitative extraction;spatial and temporal data fusion;GF-1/WFV;MODISNDVI

TP79;S127

A

1000-1298(2017)07-0145-08

2016-10-27

2016-12-01

國家自然科學(xué)基金項(xiàng)目(41101410)和民用航天“十二五”技術(shù)預(yù)先研究項(xiàng)目(2013669-7)

徐磊(1983—)，男，博士生，主要從事時(shí)序遙感分析和定量遙感研究，E-mail:rellxu@126．com

巫兆聰(1968—)，男，教授，博士，主要從事高分辨率遙感影像信息提取、定量遙感研究，E-mail:zcwoo@whu．edu．cn

10．6041/j．issn．1000-1298．2017．07．018