林隙主被動遙感協(xié)同自動識別*

毛學剛 侯吉宇 范文義(東北林業(yè)大學林學院 哈爾濱 150040)

林隙主被動遙感協(xié)同自動識別*

毛學剛 侯吉宇 范文義
(東北林業(yè)大學林學院 哈爾濱 150040)

【目的】 研究林隙主被動遙感協(xié)同自動識別方法，為進一步量化林隙特征提供技術(shù)支持?！痉椒ā?以真彩色航空正射影像(0.2 m)和機載LiDAR(3.7點·m-2)為主被動遙感數(shù)據(jù)源，選取東北典型天然次生林——帽兒山實驗林場東林施業(yè)區(qū)為研究區(qū)進行面向?qū)ο罅窒蹲R別。在面向?qū)ο蠓诸愡^程中，通過對比3種分割方案(航空影像分割、LiDAR數(shù)據(jù)分割、航空影像amp; LiDAR協(xié)同分割)、10種尺度(10～100，步長為10)確定最優(yōu)分割方案及尺度參數(shù)。在最優(yōu)分割結(jié)果基礎(chǔ)上應用航空影像的光譜特征、LiDAR數(shù)據(jù)提取的高度特征及共同特征，應用支持向量機分類器(SVM)進行林隙識別?！窘Y(jié)果】 3種分割方案的最優(yōu)尺度均為20； 所有尺度均是基于LiDAR數(shù)據(jù)分割ED3modified(0.52±0.11)低于基于航空影像分割(0.58±0.07)與航空影像amp; LiDAR協(xié)同數(shù)據(jù)分割(0.58±0.07)。在LiDAR數(shù)據(jù)最優(yōu)尺度(20)下，采用光譜和高度共同特征的主被動識別與單獨采用光譜特征的主動識別及單獨使用高度特征的被動識別相比，分類精度分別提高36.71%和8.17%。【結(jié)論】 3種分割方案中，基于LiDAR數(shù)據(jù)分割結(jié)果最好； 使用主被動遙感協(xié)同自動識別進行林隙分類時精度最高(OA=87.73%， Kappa=0.81)。

林隙； 尺度分割； 分類特征； LiDAR； 航空影像； CHM； 支持向量機

林隙通常是指森林群落中，由于自然干擾(病蟲害樹個體的死亡、森林經(jīng)營的間伐或采伐)而形成的將由新個體占據(jù)與更新的空間(Kupferetal.， 1996； Suarezetal.， 1997)，其在森林的再生、周轉(zhuǎn)與森林生態(tài)系統(tǒng)整體動態(tài)變化中起著重要作用(St-Ongeetal.， 2014)。林隙可導致林下微環(huán)境轉(zhuǎn)變(如太陽能、水和營養(yǎng)物)，并影響林下生物多樣性和生境。Vepakomma等(2011)研究發(fā)現(xiàn)，林隙可增加林隙周圍半徑30 m內(nèi)森林非生物資源的可利用性。

林隙識別是量化林隙特征(大小、形狀、動力學)的前提，更是進一步理解結(jié)構(gòu)復雜森林物種更新、研究林下物種多樣性的基礎(chǔ)(Koukoulasetal., 2005)。與需要大量的實地驗證和經(jīng)驗的人工解譯相比，遙感是一種高效、準確的自動林隙識別技術(shù)； 然而中等空間分辨率的遙感數(shù)據(jù)能夠識別較大的林隙，卻不能識別小的林隙(30 m以下)(Asneretal.， 2004； Negrón-Juárezetal.， 2011； Clarketal.， 2004)。高空間分辨率遙感數(shù)據(jù)(IKONOS、WordView等)的出現(xiàn)，使這一問題有了解決途徑(Heetal.， 2009； Malahlelaetal.， 2014)，其中，航空影像作為目前可用的最高空間分辨率遙感數(shù)據(jù)，在林隙識別方面將有著廣闊的應用前景。LiDAR是當前最流行的主動遙感技術(shù)之一，其提取的數(shù)據(jù)不僅可以識別高程，而且還可以確定地物的高度與形狀信息，已有研究將LiDAR數(shù)據(jù)應用于林隙的識別(Vepakommaetal.， 2008； Gaultonetal.， 2010; Koukoulasetal., 2004)。由于從LiDAR數(shù)據(jù)獲取的樹木及林隙垂直結(jié)構(gòu)信息能夠補充光學遙感影像中的光譜信息，因此光學遙感影像與LiDAR數(shù)據(jù)協(xié)同能獲得更好的林隙分類結(jié)果(Yangetal.， 2015a)。

采用航空影像amp; LiDAR協(xié)同進行林隙識別，傳統(tǒng)基于像元的分類方法已經(jīng)不再適合(Johansenetal.， 2010)。作為傳統(tǒng)方法的替代，面向?qū)ο蠓诸惙椒梢詼p少地理對象的光譜變異。面向?qū)ο蠓诸惖幕締挝皇菍ο?，對象的環(huán)境因素，如高程、坡度、坡向等都可以用于分類，面向?qū)ο蠓诸惙椒ㄅc基于像元的分類方法相比，能夠獲得更高的林隙識別精度(Bonnetetal.， 2015)。鑒于此，本研究以航空正射影像和LiDAR為主被動遙感數(shù)據(jù)源，采用面向?qū)ο蠓诸惙椒▽|北典型天然次生林——帽兒山實驗林場東林施業(yè)區(qū)進行林隙識別，研究目的主要為： 1) 研究航空影像amp; LiDAR協(xié)同是否能提高分割質(zhì)量； 2) 定量評價分割尺度參數(shù)對林隙分割質(zhì)量的影響； 3) 研究航空影像與LiDAR數(shù)據(jù)提取的對象特征在面向?qū)ο罅窒蹲R別中的作用。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

以黑龍江省尚志市境內(nèi)東北林業(yè)大學帽兒山實驗林場東林施業(yè)區(qū)(45°17′—45°21′N, 127°35′—127°41′E)為研究區(qū)(圖1)，該區(qū)南北長6.7 km，東西寬5.7 km，總面積3 011 hm2。植被屬于長白山植物區(qū)系，是由地帶性頂級植被闊葉紅松(Pinuskoraiensis)林經(jīng)人為干擾破壞后形成的典型天然次生林(盧軍等， 2011)。森林郁閉度在0.6以上，平均年齡56年，喬木平均高15.7 m。次生林類型多樣且具代表性，群落類型有硬闊葉林、軟闊葉林、針葉林和針闊混交林，主要闊葉樹種包括蒙古櫟(Querusmongolica)、白樺(Betulaphatyphylla)、山楊(Populusdavidiana)、楓樺(Betulacostata)、水曲柳(Fraxinusmandshurica)、榆樹(Ulmuspumila)、色木槭(Acermono)、紫椴(Tiliaamurensis)、胡桃楸(Juglansmandshurica)，主要針葉樹種為興安落葉松(Larixgmelinii)。該研究區(qū)林隙的類型、大小和結(jié)構(gòu)各有不同。

圖1 研究區(qū)(東北林業(yè)大學帽兒山實驗林場東林施業(yè)區(qū))Fig.1 Study area(Donglin industry zone Mao’ershan experimental forest farm of Northeast Forestry University)

1.2 數(shù)據(jù)源

1.2.1 遙感數(shù)據(jù) LiDAR數(shù)據(jù)采集使用LiteMapper 5600激光雷達系統(tǒng)，該系統(tǒng)采用LMS-Q560激光掃描儀，飛行平臺采用國產(chǎn)運-10飛機。采集時間為2015年9月14—15日(落葉季節(jié))，天氣晴朗無云，對LiDAR數(shù)據(jù)采集沒有影響。LiteMapper 5600系統(tǒng)集激光測距、全球定位系統(tǒng)(GPS)和慣性導航系統(tǒng)(INS)于一體，包括一個單束窄帶激光器和一個接收系統(tǒng)。激光器工作波長為1 550 nm，激光束發(fā)散角為0.5 m·rad，波形數(shù)據(jù)記錄間隔為1 ns，獲得的平均點云密度約3.7點·m-2。為確保低反射率目標的有效接收，脈沖重復頻率設(shè)為50 kHz。記錄全波形數(shù)據(jù)，地表定位精度為水平0.2 m、垂直0.15 m(平地)。此外，CCD相機同步獲取的航空影像數(shù)據(jù)空間分辨率為0.2 m。經(jīng)過與差分GPS實測高程比較，獲取的LiDAR數(shù)據(jù)高程精度優(yōu)于0.3 m，平面精度優(yōu)于0.5 m。采集的數(shù)據(jù)包括航空正射影像(digital orthophoto map, DOM)(圖2A)、LiDAR數(shù)據(jù)提取的數(shù)字高程模型(digital elevation model, DEM)和數(shù)字表面模型(digital surface model, DSM)。森林冠層高度模型(canopy height model, CHM)由DSM和DEM數(shù)據(jù)相減獲得，空間分辨率為2 m，數(shù)據(jù)類型為浮點型(32位)(圖2B)。DOM采用最鄰近值方法進行重采樣到空間分辨為2 m，與CHM空間分辨率一致，數(shù)據(jù)類型為無符號整型(8位)。DOM與CHM數(shù)據(jù)均為TIFF格式，使用西安80地理坐標系的高斯克呂格3度帶投影坐標系。

圖2 航空正射影像及LiDAR提取的CHMFig.2 Aerial image digital orthophoto map and LiDAR derived CHMA. 航空正射影像(DOM)； B. LiDAR提取的CHM(CHM)。綠色、紅色和藍色多邊形分別代表樹冠、林隙和非林隙。A. Aerial digital orthophoto image (DOM); B. LiDAR derived CHM (CHM).Green, red, and blue polygons represent the reference tree canopies, forest gaps, and non-forest gaps, respectively.

1.2.2 輔助數(shù)據(jù) 以真彩色航空正射影像為底圖(0.2 m)，結(jié)合CHM數(shù)據(jù)及野外調(diào)查數(shù)據(jù)，手工數(shù)字化一套包括林隙、非林隙和樹冠3種類型的參考多邊形數(shù)據(jù)。對該套多邊形高度平均值、標準差以及光譜平均值進行統(tǒng)計分析，制定規(guī)則集對樣本進行進一步篩選。對于林隙樣本對象，其高度平均值小于3 m，高度標準差均大于1 m，對象光譜平均值均較低； 對于非林隙樣本對象，其高度平均值一般都較低，大部分不會超過0.5 m，標準差則多數(shù)小于0.5 m，對象光譜平均值相對較高； 對于冠層樣本對象，通過高度即可容易地判斷出來，高度平均值除極個別幼齡林冠層以外均大于3 m。根據(jù)上述規(guī)則對樣本進行進一步篩選，最終選取包含53個林隙多邊形(10 325個像素)、25個非林隙多邊形(15 447個像素)和17個樹冠多邊形(14 809個像素)的一套樣本(圖2)。該套參考多邊形樣本作為面向?qū)ο蠓诸惖挠柧殬颖九c檢驗樣本，同時作為10折交叉驗證方法進行精度驗證的樣本。在該套樣本中，隨機抽取35個林隙參考多邊形、20個非林隙參考多邊形共55個參考多邊形作為分割參考對象，用于評價分割質(zhì)量。

2 研究方法

面向?qū)ο蠓诸惙椒ㄟM行林隙識別包括3個過程： 1) 影像分割即創(chuàng)建對象； 2) 對象特征提?。?3) 面向?qū)ο蠓诸?。采?種分割方案(基于航空影像分割、基于LiDAR數(shù)據(jù)分割、航空影像amp; LiDAR協(xié)同分割)進行多尺度影像分割即創(chuàng)建對象，對于每種分割方案都試驗10種分割尺度(10～100，步長為10)，采用修正的歐式距離3(ED3modified)評價分割結(jié)果(Yangetal., 2015b)，確定最優(yōu)分割尺度參數(shù)。以最優(yōu)分割尺度參數(shù)進行影像分割，使用航空影像與LiDAR數(shù)據(jù)提取對象光譜和高度特征，采用支持向量機(support vector machine, SVM)分類器進行林隙識別，制作林隙專題圖，技術(shù)路線如圖3所示。

2.1 影像分割

影像分割采用eCognition Developer 8.7(易康)軟件的分割算法[多尺度分割(multiresolution segmentation, MRS)]。MRS利用區(qū)域合并算法，分割過程由4個參數(shù)控制——尺度、形狀、緊密度和輸入圖層所占權(quán)重(Benzetal., 2004)。分割大小主要由尺度參數(shù)決定，因此設(shè)置不同的尺度參數(shù)，輸入圖層所占權(quán)重、形狀和緊密度采用默認值(1、0.1和0.5)?；诤娇沼跋穹指畈捎?個分量(Blue、Green、Red)，基于LiDAR數(shù)據(jù)分割使用LiDAR數(shù)據(jù)提取的CHM，航空影像amp; LiDAR協(xié)同分割采用航空影像的3個分量和CHM。

圖3 航空影像和LiDAR數(shù)據(jù)協(xié)同的自動林隙識別及分類流程Fig.3 Flowchart of the automated gap recognition and classification using aerial image and LiDAR data

2.2 對象特征提取

分類過程中采用的對象特征根據(jù)航空影像的光譜(Blue、Green、Red)與LiDAR數(shù)據(jù)提取的高度信息(CHM)計算得到(表1)。對象特征只計算每個數(shù)據(jù)層的均值與標準差(Ecognition， 2010)，對象的幾何特征(形狀、緊密度)并沒有采用，因為林隙的形狀與緊密度是多種多樣的。本研究共選取8個特征指標，其中6個特征指標來自航空影像，2個特征指標來自CHM。

2.3 面向?qū)ο蠓诸?/h3>

根據(jù)選擇的訓練樣本及提取的對象特征，將研究區(qū)分為林隙、非林隙和樹冠3種類型。對于林中空地本研究將劃分為非林隙，主要通過林中空地與林隙的高度和光譜特征進行區(qū)分： 1) 由于林隙中存在明顯的再生植被，而林中空地沒有植被覆蓋，所以采用高度特征即可區(qū)分林中空地和林隙； 2) 由于林隙對象較小，受周圍植被的影響光譜較暗，而林中空地(非林隙)面積較大，受冠層之間的遮擋影響較小光譜較亮，因此采用光譜特征也可以區(qū)分林中空地和林隙。本研究采用eCognition Developer 8.7軟件提供的SVM分類器進行分類。SVM分類器通過非線性變換將輸入空間變換到一個高維的特征空間，然后在這個新的高維特征空間中求取最優(yōu)分類超平面(Vapnik, 2000)。對輸入數(shù)據(jù)的這種變換是通過核函數(shù)進行的[線性、多項式、徑向基(radial basis function, RBF)、S形]。在最優(yōu)分割結(jié)果的基礎(chǔ)上，應用光譜、高度及共同特征作為輸入數(shù)據(jù)(表1)，采用帶有線性核函數(shù)的SVM分類器進行分類，定量評價對象特征在面向?qū)ο罅窒斗诸愔械淖饔谩?/p>

表1 面向?qū)ο蠓诸惖膶ο筇卣鱐ab.1 Image object features used in the classifications

2.4 分割質(zhì)量評價

分割質(zhì)量的定量評價已有一些指標(Clintonetal., 2010； Liuetal., 2012； M?lleretal., 2007； Zhanetal., 2007)，本研究采用修正的歐式距離3(ED3modified)進行分割質(zhì)量評價(Yangetal., 2015b)。該指標的優(yōu)點是當與一個參考多邊形的重疊區(qū)域超過該參考多邊形或被分割對象的50%時，被分割對象才被標記為相應參考多邊形的分割。ED3modified是介于0～1之間的歸一化指數(shù)，計算公式如下：

(1)

式中：ri為參考多邊形；I為參考多邊形的數(shù)量；sj為對應參考多邊形ri的分割多邊形；ji為相對應的分割數(shù)。

ED3modified越低，表示分割質(zhì)量越高。采用抽取的55個參考多邊形作為分割參考對象，應用ArcGIS 10.0軟件計算ED3modified對分割質(zhì)量進行評價，最優(yōu)尺度和最佳分割結(jié)果由ED3modified最低值確定。

2.5 分類結(jié)果精度評價

分類結(jié)果精度評價采用混淆矩陣計算的用戶精度(user’s accuracy, UA)、生產(chǎn)者精度(producer’s accuracy, PA)、總精度(overall accuracy, OA)和Kappa系數(shù)4個評價指標(Janssenetal., 1994)。Kappa系數(shù)的計算公式如下：

(2)

式中：N表示抽取的驗證點數(shù)；r表示類型數(shù)；xii表示驗證點中為i種類型且驗證結(jié)果為正確的總點數(shù)；xi+表示真實情況為第i種類型的驗證點總數(shù)；x+i表示被分成了第i種類型的驗證點總數(shù)。

3 結(jié)果與分析

3.1 影像分割質(zhì)量評價

在10～100尺度上，基于LiDAR數(shù)據(jù)分割ED3modified(0.52±0.11)低于基于航空影像分割(0.58±0.07)及二者協(xié)同分割ED3modified(0.58±0.07)(圖4)，說明基于LiDAR數(shù)據(jù)分割質(zhì)量優(yōu)于其他2種分割方案?；诤娇沼跋穹指罱Y(jié)果與航空影像amp; LiDAR協(xié)同分割結(jié)果無明顯差別。影像分割質(zhì)量除了受尺度參數(shù)影響外，分割過程中所用數(shù)據(jù)特性也會影響分割質(zhì)量，因為采用相同的分割尺度，3種分割方案具有不同的ED3modified(圖4)。本研究將3種分割方案獲得最低ED3modified的尺度參數(shù)定義為最優(yōu)尺度參數(shù)。3種分割方案都在尺度參數(shù)20 時ED3modified最低，因此3種分割方案的最優(yōu)分割尺度均為20。基于LiDAR數(shù)據(jù)在最優(yōu)尺度獲得的ED3modified最低(ED3modified=0.34)，因此采用該分割結(jié)果進行后續(xù)的面向?qū)ο蠓诸悺?/p>

圖4 3種分割方案(基于航空影像分割、基于LiDAR數(shù)據(jù)分割和航空影像amp; LiDAR協(xié)同分割)尺度參數(shù)在10～100尺度分割結(jié)果的ED3modifiedFig.4 ED3modified values for the tree species segmentation results using aerial image, LiDAR data and both Aerial image amp; LiDAR as a function of the scale parameter ranging between 10 and 100

3.2 影像分割結(jié)果

對分割所得對象進行可視化檢查可知，分割對象特征(大小和形狀)受尺度參數(shù)影響。對于非林隙(圖5A、B所示的空地)，由于光譜和陰影影響，導致航空影像出現(xiàn)過度分割(圖5C)，航空影像amp; LiDAR協(xié)同分割也會輕微受陰影影響，使得分割多邊形與參考多邊形邊界不能很好重合(圖5E、F)?；贚iDAR數(shù)據(jù)分割的效果最好，盡管有些稍微過度分割。對于大多數(shù)林隙(圖6A、B)，基于航空影像仍然會有些過度分割(圖6C)，這主要是由于林隙與相鄰冠層光譜特性無明顯差異造成的?；贚iDAR數(shù)據(jù)分割的效果最好(圖6D)，分割產(chǎn)生的林隙多邊形與參考林隙邊界和形狀都基本吻合。航空影像的加入并沒有提高分割質(zhì)量，而是導致了分割產(chǎn)生的林隙與參考林隙邊界及形狀的不一致(圖6E、F)。

圖5 3種分割方案的非林隙分割結(jié)果示例Fig.5 Examples of non-forest gap segmentation results by three segmentation schemeA． 顯示在航空影像上的非林隙(空地)參考多邊形； B. 顯示在LiDAR數(shù)據(jù)(CHM)上的非林隙(空地)參考多邊形； C. 尺度參數(shù)為20的航空影像的非林隙(空地)分割結(jié)果；D.尺度參數(shù)為20的LiDAR數(shù)據(jù)(CHM)的非林隙(空地)分割結(jié)果； E. 顯示在航空影像上的尺度參數(shù)為20的航空影像amp; LiDAR協(xié)同非林隙(空地)分割結(jié)果； F. 顯示在LiDAR數(shù)據(jù)(CHM)的尺度參數(shù)為20的航空影像amp; LiDAR數(shù)據(jù)協(xié)同非林隙(空地)分割結(jié)果。A. Shows the reference geo-objects of non-forest gaps(open space) impose on the aerial image; B. Shows the reference geo-objects of non-forest gaps(open space) impose on LiDAR data(CHM); C. Indicates the result of non-forest gaps(open space) segmentation using the aerial image at the scale parameter of 20; D. Indicates the result of non-forest gaps(open space) segmentation using the LiDAR data at the scale parameter of 20; E. Shows the result of non-forest gaps(open space) segmentation impose on the aerial image using the aerial image and LiDAR data at the scale parameter of 20; F. Shows the result of non-forest gaps(open space) segmentation impose on the LiDAR data(CHM) using the aerial image and LiDAR data at the scale parameter of 20.

3.3 不同分類特征的分類精度比較

最優(yōu)尺度下(尺度參數(shù)=20)應用光譜、高度及共同特征3種分類方案的精度評價見表2。單獨采用光譜特征(光譜平均值和標準差)的分類方案，非林隙生產(chǎn)者精度僅為19.93%，用戶精度僅為30.57%，總體精度只有51.02%(Kappa=0.30)，主要是單獨采用光譜特征進行分類將非林隙錯分為林隙而導致。采用光譜和高度共同特征的分類方案，生產(chǎn)者精度范圍為77.42%～94.52%，用戶精度范圍為80.58%～91.90%，并獲得了最高分類精度(OA=87.73%， Kappa=0.81)，說明各個林隙、非林隙和樹冠的分類結(jié)果與實際情況較為吻合，分類結(jié)果比較理想。采用高度、高度和光譜共同特征分類，林隙生產(chǎn)者精度高于采用光譜特征的生產(chǎn)者精度，但二者差別不大，說明高度特征非常適合林隙識別。基于光譜+高度共同特征分類與使用高度特征分類相比，減少了非林隙和樹冠錯分現(xiàn)象，總精度提高了約8個百分點，但林隙的生產(chǎn)者精度卻降低了0.78%，非林隙和樹冠的用戶精度并無明顯變化(表2)。

3.4 林隙專題圖

基于LiDAR數(shù)據(jù)在最優(yōu)尺度進行分割，采用光譜和高度共同特征，應用SVM分類器的試驗區(qū)林隙分類結(jié)果如圖7所示。研究區(qū)各個類型的林隙都能被很好地識別(如林隙專題圖右下角由采伐產(chǎn)生的長條林隙)，分布在森林中面積很小的林隙也能被識別。另外，圖7非林隙中存在林隙主要有3方面原因： 1) 非林隙中存在少數(shù)落葉的闊葉樹導致，因為數(shù)據(jù)獲取時間為9月14—15日，研究區(qū)已經(jīng)有落葉情況； 2) 非林隙中部分冠層高度比較低(幼樹)，導致將冠層分成林隙； 3) 航空影像光譜特征中的陰影影響，導致將森林和非林隙的邊緣處陰影分成林隙。

表2 最優(yōu)尺度下分類精度評價Tab.2 Accuracy assessment for classification at optimal scale

圖6 3種分割方案的林隙分割結(jié)果示例Fig.6 Examples of forest gap segmentation results by three segmentation schemeA. 顯示在航空影像上的林隙參考多邊形； B. 顯示在LiDAR數(shù)據(jù)(CHM)上的林隙參考多邊形； C. 尺度參數(shù)為20的航空影像的林隙分割結(jié)果；D. 尺度參數(shù)為20的LiDAR數(shù)據(jù)的林隙分割結(jié)果； E. 顯示在航空影像上的尺度參數(shù)為20的航空影像amp; LiDAR協(xié)同林隙分割結(jié)果； F. 顯示在LiDAR數(shù)據(jù)(CHM)的尺度參數(shù)為20的航空影像amp; LiDAR數(shù)據(jù)協(xié)同林隙分割結(jié)果。A. Shows the reference geo-objects of forest gaps impose on the aerial image; B. Shows the reference geo-objects of forest gaps impose on LiDAR data(CHM); C. Indicates the result of forest gaps segmentation using the aerial image at the scale parameter of 20; D. Indicates the result of forest gaps segmentation using the LiDAR data at the scale parameter of 20; E. Shows the result of forest gaps segmentation impose on the aerial image using the aerial image and LiDAR data at the scale parameter of 20; F. Shows the result of forest gaps segmentation impose on the LiDAR data(CHM) using the aerial image and LiDAR data at the scale parameter of 20.

圖7 林隙(紅)、非林隙(藍)和樹冠(綠)專題示例Fig.7 Thematic map of forest gaps(red), non-forest gaps(blue) and tree canopies(green)

4 討論

4.1 尺度參數(shù)對分割質(zhì)量的影響

諸多因素都會影響影像分割質(zhì)量，如輸入數(shù)據(jù)、權(quán)重、形狀因子、緊密度因子、尺度參數(shù)等。尺度參數(shù)是影響分割質(zhì)量的最重要參數(shù)，并影響后續(xù)分類結(jié)果(Keetal.， 2010)。在eCognition Developer 8.7軟件中，尺度參數(shù)是一個沒有被定義的抽象名詞，然而尺度參數(shù)影響著分割的空間尺度，因為尺度參數(shù)與對象大小有關(guān)，大尺度產(chǎn)生大面積對象，小尺度產(chǎn)生小面積對象(Benzetal., 2004)?；贚iDAR數(shù)據(jù)分割與航空影像、航空影像amp; LiDAR協(xié)同分割相比質(zhì)量更優(yōu)(ED3modified更低)，主要原因是高度信息比光譜信息對林隙更加合適，林隙在高度信息上的邊界比光譜信息更加明顯，Yang等(2015a)也得到類似的結(jié)論。

在所有尺度(10～100)上，3種分割方案的ED3modified都呈現(xiàn)先降低后增加的趨勢。基于航空影像分割在小尺度下的ED3modified較高可以解釋為由光譜和陰影影響引起的類內(nèi)變化過大。由于對象面積隨尺度增大而變大，光譜和陰影影響變?nèi)?，并且對象度量能夠代表林隙、非林隙平均水平，ED3modified也會隨之降低。基于LiDAR數(shù)據(jù)在較小尺度上進行分割能夠比基于航空影像獲得更優(yōu)的分割結(jié)果，主要是LiDAR數(shù)據(jù)提取的CHM能更好地體現(xiàn)林分的同質(zhì)性，林隙邊界比航空影像的邊界清晰，并且能夠消除陰影的影響。但是，尺度的增大也有限制，在一些尺度下對象面積超過一個單一林隙、非林隙大小，就會引起ED3modified升高。

4.2 最優(yōu)分割尺度的確定

本研究的最優(yōu)分割尺度定義為能獲得最優(yōu)分割質(zhì)量的尺度，因此3種分割方案都定義了單一的最優(yōu)分割尺度。雖然3種分割方案的最優(yōu)分割尺度都為20，但分割質(zhì)量是有差別的(航空影像： ED3modified=0.49； LiDAR： ED3modified=0.34； 航空影像amp; LiDAR協(xié)同： ED3modified=0.48)。之前研究存在2種最優(yōu)尺度的定義方式，即定義單一最優(yōu)尺度(Kimetal., 2008； Wangetal., 2004)和定義一個最優(yōu)尺度范圍(Keetal.， 2010)。本研究基于航空影像及航空影像amp; LiDAR協(xié)同分割在尺度參數(shù)10～30有相似的ED3modified(圖7)，但基于LiDAR數(shù)據(jù)進行分割在尺度參數(shù)10～30的ED3modified與其他2種分割方案比較明顯不同，因此更傾向于定義單一最優(yōu)尺度。

4.3 對象特征在面向?qū)ο蠓诸愔械淖饔?/h3>

對象特征是面向?qū)ο筮b感信息提取的主要依據(jù)。采用面向?qū)ο蠓诸惙椒▽b感影像進行林隙分類，最突出的優(yōu)勢是不僅可以利用遙感影像分割產(chǎn)生的林隙對象光譜特征，而且還可以利用林隙對象高度特征，該特征能夠提高林隙分類精度(Yangetal., 2015a)。本研究獲得相同的結(jié)論： 采用加入LiDAR數(shù)據(jù)提取的高度特征提高了林隙分類精度，如結(jié)合LiDAR數(shù)據(jù)提取的高度特征能夠?qū)⒒诠庾V特征的分類精度提高36.71%。精度提高的主要原因是高度特征通常能表示一個林隙的同質(zhì)性，高度特征是區(qū)分林隙和非林隙最有利的特征，并且可以減少由光譜和陰影影響引起的相鄰對象的類內(nèi)變異。本研究僅使用光譜特征的分類存在較嚴重的林隙和非林隙錯分現(xiàn)象，主要有3方面原因： 1) 該研究區(qū)域主要的非林隙為空地，空地與林隙只依據(jù)光譜特征很難區(qū)分； 2) 選用的光譜特征只包括光譜的平均值和標準差，缺少其他明顯特征如紋理特征； 3) 本研究采用的航空影像缺少區(qū)分植被和非植被最明顯的近紅外波段，也導致林隙與非林隙的錯分。

4.4 航空影像與LiDAR數(shù)據(jù)集成

目前可應用的各種遙感傳感器越來越多，協(xié)同使用多源遙感數(shù)據(jù)越來越受到關(guān)注。多源遙感數(shù)據(jù)集成是目前面向?qū)ο蠓诸惖氖走x方法，如樹種分類(Dalponteetal., 2014； Holmgrenetal., 2008； ?rkaetal., 2012)。數(shù)據(jù)集成成功與否主要取決于多源遙感數(shù)據(jù)的兼容性，即空間、光譜、時間和輻射分辨率的一致性。本研究采用的LiDAR數(shù)據(jù)空間分辨率(2 m)與航空影像的空間分辨率(0.2 m)并不一致，為保證2種遙感數(shù)據(jù)的空間分辨率一致性，對航空影像進行重采樣，將空間分辨率降低到2 m，這可能會給林隙分類帶來誤差。多源遙感數(shù)據(jù)同時采集是數(shù)據(jù)集成成功的關(guān)鍵。本研究所采用的航空影像與LiDAR數(shù)據(jù)是同一時間采集的(2015年9月14—15日)，保證了時間分辨率的一致。數(shù)據(jù)中的另一個潛在誤差來源可能是2種數(shù)據(jù)的輻射分辨率，因為數(shù)據(jù)協(xié)同使用通常忽略輻射分辨率。本研究航空影像輻射分辨率為8位無符號整型，數(shù)值范圍為0～255，這與CHM數(shù)據(jù)完全不同(32位浮點型)。今后應進一步研究數(shù)據(jù)范圍不一致是否會降低數(shù)據(jù)集成在面向?qū)ο蠓诸愔械挠行浴?/p>

5 結(jié)論

本研究選取東北典型天然次生林——帽兒山實驗林場東林施業(yè)區(qū)為研究區(qū)，探討了主被動遙感協(xié)同面向?qū)ο罅窒蹲R別的全過程。單獨使用LiDAR數(shù)據(jù)分割質(zhì)量明顯高于單獨使用航空影像分割和航空影像amp; LiDAR協(xié)同分割質(zhì)量?；贚iDAR數(shù)據(jù)在尺度參數(shù)20上進行分割，并使用光譜和高度共同特征進行面向?qū)ο罅窒蹲R別獲得了最高精度(OA=87.73%， Kappa=0.81)。

分割質(zhì)量除了受尺度參數(shù)影響外，分割過程中所使用的數(shù)據(jù)特性也會影響分割質(zhì)量，使用高度特征和高度+光譜特征分類結(jié)果精度高于光譜特征分類精度。本研究不僅為林隙的遙感識別提供參考和借鑒，也為林隙特征量化提供技術(shù)支持。應該指出的是，本研究對林隙進行分割與分類采用的是MRS算法和SVM分類器，應進一步研究其他分割與分類方法是否與本研究獲得相同的結(jié)論。

盧 軍, 李鳳日, 張會儒, 等. 2011. 帽兒山天然次生林主要闊葉樹種葉量分布模擬.林業(yè)科學,47(12):114-120.

(Lu J, Li F R, Zhang H R,etal. 2011. Simulation of foliage distribution for major broad-leaved species in secondary forest in Mao’er Mountain.Scientia Silvae Sinicae, 47(12):114-120. [in Chinese])

Asner G P, Keller M, Pereira R J,etal. 2004. Canopy damage and recovery after selective logging in Amazonia: field and satellite studies. Ecological Applications, 14(sp4):S280-S298.

Benz U C, Hofmann P, Willhauck G,etal. 2004. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. International Journal of Photogrammetry amp; Remote Sensing, 58(3/4):239-258.

Bonnet S, Gaulton R, Lehaire F,etal. 2015. Canopy gap mapping from airborne laser scanning: an assessment of the positional and geometrical accuracy. Remote Sensing, 7(9):11267-11294.

Clark M L, Clark D B, Roberts D A. 2004. Small-footprint LiDAR estimation of sub-canopy elevation and tree height in a tropical rain forest landscape. Remote Sensing of Environment, 91(1):68-89.

Clinton N, Holt A, Scarborough J,etal. 2010.Accuracy assessment measures for object-based image segmentation goodness. Photogrammetric Engineering amp; Remote Sensing, 76(3):289-299.

Dalponte M, ?rka H O, Ene L T,etal. 2014. Tree crown delineation and tree species classification in boreal forests using hyperspectral and ALS data. Remote Sensing of Environment, 140(1): 306-317.

Ecognition B. 2010. User Guide. Definiens Imaging GmbH. Munich: Definiens Imaging.

Gaulton R, Malthus T J.2010. LiDAR mapping of canopy gaps in continuous cover forests: a comparison of canopy height model and point cloud based techniques. International Journal of Remote Sensing, 31(5):1193-1211.

He Y H, Franklin S E, Guo X L,etal. 2009. Narrow-linear and small-area forest disturbance detection and mapping from high spatial resolution imagery. Journal of Applied Remote Sensing, 3(1):2701-2712.

Holmgren J, Persson ?, S?derman U.2008. Species identification of individual trees by combining high resolution LiDAR data with multi-spectral images. International Journal of Remote Sensing,29(5):1537-1552.

Janssen L L F, Wel F J M. 1994.Accuracy assessment of satellite derived land-cover data: a review. Photogrammetric Engineering amp; Remote Sensing,60(4):419-426.

Johansen K, Arroyo L A, Phinn S,etal. 2010. Comparison of geo-object based and pixel-based change detection of riparian environments using high spatial resolution multi-spectral imagery.Photogrammetric Engineering amp; Remote Sensing, 76(2): 123-136.

Ke Y, Quackenbush L J, Im J. 2010.Synergistic use of QuickBird multispectral imagery and LiDAR data for object-based forest species classification. Remote Sensing of Environment, 114(6):1141-1154.

Kim M, Madden M, Warner T. 2008.Estimation of optimal image object size for the segmentation of forest stands with multispectral IKONOS imagery.Object-Based Image Analysis. Berlin: SpringerVerlag.

Koukoulas S, Blackburn G A.2004. Quantifying the spatial properties of forest canopy gaps using LiDAR imagery and GIS. International Journal of Remote Sensing, 25(15):3049-3072.

Koukoulas S, Blackburn G A. 2005. Spatial relationships between tree species and gap characteristics in broad-leaved deciduous woodland. Journal of Vegetation Science, 16(5):587-596.

Kupfer J A, Runkle J R. 1996. Early gap successional pathways in aFagus-Acer, forest preserve: pattern and determinants. Journal of Vegetation Science, 7(7):247-256.

Liu Y, Bian L, Meng Y,etal. 2012.Discrepancy measures for selecting optimal combination of parameter values in object-based image analysis. Isprs Journal of Photogrammetry amp; Remote Sensing, 68(1):144-156.

Malahlela O, Cho M A, Mutanga O.2014. Mapping canopy gaps in an indigenous subtropical coastal forest using high-resolution WorldView-2 data. International Journal of Remote Sensing, 35(17):6397-6417.

M?ller M, Lymburner L, Volk M. 2007.The comparison index: a tool for assessing the accuracy of image segmentation. International Journal of Applied Earth Observation amp; Geoinformation, 9(3):311-321.

Negrón-Juárez R I, Chambers J Q, Marra D M,etal. 2011. Detection of subpixel treefall gaps with Landsat imagery in Central Amazon forests. Remote Sensing of Environment, 115(12):3322-3328.

?rka H O, Gobakken T, Nsset E,etal. 2012. Simultaneously acquired airborne laser scanning and multispectral imagery for individual tree species identification. Canadian Journal of Remote Sensing,38(2):125-138.

St-Onge B, Vepakomma U, Sénécal J F,etal. 2014. Canopy gap detection and analysis with airborne laser scanning∥Forestry applications of airborne laser scanning. Berlin:Springer Netherlands.

Suarez A V, Pfennig K S, Robinson S K. 1997. Nesting success of a disturbance-dependent songbird on different kinds of edges. Conservation Biology, 11(4):928-935.

Vapnik V N. 2000. The nature of statistical learning theory. Berlin: Springer Verlag.

Vepakomma U, St-Onge B, Kneeshaw D. 2011. Boreal forest height growth response to canopy gap openings-an assessment with multi-temporal LiDAR data. Ecological Applications A Publication of the Ecological Society of America, 21: 99-121.

Vepakomma B U, Stonge B, Kneeshaw D. 2008. Spatially explicit characterization of boreal forest gap dynamics using multi-temporal LiDAR data. Remote Sensing of Environment, 112(5):2326-2340.

Wang L, Sousa W P, Gong P. 2004. Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery. International Journal of Remote Sensing, 25(24):5655-5668.

Yang J, Jones T, Caspersen J,etal.2015a. Object-based canopy gap segmentation and classification: quantifying the pros and cons of integrating optical and LiDAR data. Remote Sensing, 7(12):15917-15932.

Yang J, He Y, Weng Q. 2015b.An automated method to parameterize segmentation scale by enhancing intrasegment homogeneity and intersegment heterogeneity. IEEE Geoscience amp; Remote Sensing Letters, 12(6):1282-1286.

Zhan Q, Molenaar M, Tempfli K,etal. 2007. Quality assessment for geo-spatial objects derived from remotely sensed data. International Journal of Remote Sensing, 26(14):2953-2974.

Zhang K. 2008. Identification of gaps in mangrove forests with airborne LiDAR. Remote Sensing of Environment, 112(5):2309-2325.

(責任編輯 石紅青)

Object-BasedAutomaticRecognitionforForestGapsUsingAerialImageandLiDARData

Mao Xuegang Hou Jiyu Fan Wenyi
(SchoolofForestry,NortheastForestryUniversityHarbin150040)

【Objective】 Identification of forest canopy gap is a prerequisite to quantify the forest gap characteristics (such as size, shape and dynamics), and a basis for further understanding the complex structural forest species regeneration and studying the understory species diversity, in order to study the active and passive remote sensing method for forest gap recognition. This study could provide further technical support for the quantitative analysis of forest gap features.【Method】 In this study, true color aerial orthophoto (0.2 m) and airborne LiDAR (3.7 points·m-2) were used as the active and passive remote sensing data sources, respectively, and northeast typical natural secondary forest-Mao’ershan experimental forest farm Donglin industry zone was selected as the study area for the object oriented gap recognition. Three segmentation schemes (based on aerial image segmentation, LiDAR segmentation, collaboration of aerial image and LiDAR segmentation) were adopted when processing object oriented classification and each segmentation scheme was divided to 10 scales (10-100, step size 10) to find the optimal segmentation scale parameter. Based on the optimal segmentation result, the support vector machine classifier (SVM) with spectral features of aerial image, height features extracted from LiDAR data were used to identify the forest gap.【Result】 The optimal scale was 20, and the ED3modifiedvalue of LiDAR data segmentation (0.52±0.11) was always lower than that of aerial image segmentation (0.58±0.07) or collaboration of aerial image and that of LiDAR segmentation (0.58±0.07) over all scales (10-100). Based on LiDAR data segmentation and its optimal segmentation scale of 20, the classification accuracy obtained from integration of spectral (active)+height (passive) characteristic increased 36.71% and 8.17%, respectively, comparing with the classification accuracy obtained from single characteristic of spectral feature and height feature.【Conclusion】 Comparing the three segmentation schemes, the result of segmentation based on LiDAR data was the best; the classification accuracy based on integration of active and passive remote sensing was the highest (OA=87.73%, Kappa=0.81).

forest gap； scale segmentation； classification feature； LiDAR； aerial image； CHM； support vector machine(SVM)

10.11707/j.1001-7488.20171111

2016-10-21;

2017-02-08。

國家自然科學基金項目(31300533)。

*范文義為通訊作者。

S771.8

A

1001-7488(2017)11-0094-10