基于高分辨率影像的刺槐林分区及特征研究

基于高分辨率影像的刺槐林分区及特征研究

近年来，随着遥感技术的发展，图像分辨率不断提高。以往的基于单像源获得统计数据的方法不适合高分辨率遥感图像分类的需求。刺槐林的健康分布状况是连续性片段的状况,单个像元尺度已不能完整表示一定刺槐区域整体的健康状况;而面向对象的分类方法可以充分利用像元的空间、纹理、上下文等特征信息本文以高分辨率的IKONOS影像为数据源,以黄河三角洲人工刺槐林为研究对象,采用面向对象的方法,结合光谱信息、实地样方数据所确定的纹理信息,通过随机森林算法选出较为重要的特征,再根据尺度信息创建的分类规则集对刺槐林健康状况进行等级分类,以期为黄河三角洲生态过程作用模式及其生态效应的研究提供理论参考。1研究领域的总结和研究1.1研究领域的总结黄河三角洲位于渤海南部黄河入海口沿岸地区,山东省东北部,总面积为5400km1.2研究数据1.2.1全色影像系统本文采用2013-06-09获取的IKONOS影像,包括4个波段多光谱影像和1个波段全色影像(空间分辨率分别为4m和1m),覆盖研究区面积为140km1.2.2野外调查及样地选择5月、6月为刺槐的生长期,野外调查采样时间为2013-05-15~2013-05-26和2014-05-29~2014-06-09。为了能更好地适应影像,实地调查选取有代表性且能到达的3种健康类型的样地进行数据采集。在样地选取时,尽量选择周围刺槐林冠生长状况近似的地区,共采集了75个样地的林冠调查数据,其中健康或轻度枯梢样地30个,中度枯梢样地21个,重度枯梢或死亡样地24个。野外调查采用双层采样方案:首先选取刺槐林生长状况均一的30m×30m的正方形样地为第一层样方;再选取样方内的4个角以及正中间的5个10m×10m的正方形作为第二层次样方,总计375个次样方(75×5=375),并用差分GPS定位每个样方四角处的坐标。根据美国林业局林冠健康分类指南2学习方法2.1刺槐林范围的确定利用IKONOS四个多光谱波段与全色波段融合后的影像计算归一化植被指数(NDVI)和土壤调节植被指数(SAVI);再根据野外调查结果,定义相应的阈值提取刺槐林地分布范围,并在ArcGIS中修改;最后作掩膜提取IKONOS影像内刺槐林地的范围。2.2影像分割过程的控制变量法应用面向对象的方法对高分辨率遥感影像进行分类时,首先要进行影像分割,其实质是产生一个类群本文利用控制变量法依次设置分割过程中的尺度参数、形状参数以及紧致度参数。首先,基于局部方差和自相关性的比较,通过迭代算法2.3资源提取2.3.1植物指数指标植被指数是反映植物生长状况的指标,可定量说明植被的生长状况2.3.2各地区不同健康等级的适应变量和最佳窗口遥感影像的纹理信息不仅反映了影像的灰度统计信息,而且反映了地物本身的结构特征和地物的空间排列关系而纹理又是多尺度现象,较小窗口的纹理计算值能反映单个树冠的健康状况,而大的计算窗口则反映了样方林冠信息结合实地样方信息,本文分别计算了3个地区不同健康等级之间的J-M距离,从而确定了纹理特征的最佳窗口大小和方向。2.3.3征信息选取要精确规定纹理及光谱特征可以提高遥感影像的分类精度,然而所提取的特征信息越多,产生的冗余量也就越大,降低了计算的效率。因此,选择较少且有效的特征既可提高分类精度,又可提高计算效率。由于随机森林算法可对变量进行重要性评价,掌握各变量的影响度3结果与分析3.1最佳分割尺度和误分割指数的计算以1为最小尺度,1为步长来运行ESP工具,得到孤岛、军马场、黄河故道3个区域的最佳分割尺度的曲线(图2),当曲线中显示的局部方差较小且局部方差变化率最大时得到的就是最佳分割尺度。图2a中显示孤岛地区的最佳分割尺度为3;图2b中显示军马场地区的最佳分割尺度为12;图2c中显示黄河故道地区最佳分割尺度为9,但在尺度为3的位置局部方差的变化率也存在一个较大的增长。在确定分割尺度的基础上,将形状参数和紧致度参数分别分级为0.1~0.9,每个值对应的分割结果与参考图层叠加计算误分割指数。对应分割获得的影像对象斑块结果的误分割图斑个数与面积如图3所示,图3a为总体的形状参数为0.4,图3b为总体的紧致度参数最佳值为0.5。3.2窗口大小对纹理变量的影响本文采取控制变量的方法,选定任意一纹理变量后(本文以mean为例),以任意一纹理方向(135°)分别计算其不同窗口大小下的J-M距离,结果如表1所示。当窗口大小为13×13时,纹理变量显示出最大的可分离性。在此窗体大小的基础上,再次分别计算该纹理变量4个方向的J-M距离,结果如表2所示。4个方向的可分离性相差不大,但当纹理方向为45°时,显示出相对较大的可分离性。这样的结果与前期WANGH3.3信息特征变量重要性的应用利用前向选择程序对14个波段(4个多光谱、8个纹理和2个植被指数)进行重要性排序。从图4可以看出,纹理变量的重要性相对都较靠前,可见纹理信息特征在研究区刺槐林健康等级划分中有相当重要的作用;2个植被指数也是反映刺槐生长状况的最好光谱指标。3.4健康刺槐林的分层分割利用前向选择的分割参数、光谱信息以及纹理特征构建分类规则集,分别对3个地区的刺槐林进行健康等级分类。其中,对黄河故道进行分类时,分别采用3和9两个分割尺度来分类,并选择结果中感兴趣区域进行精度评价(表3)。可以看出,尺度为3时的总体精度远远大于尺度为9时的总体精度。但在尺度为9时,健康刺槐林的用户精度可达到100%。因此,本文先以尺度9来分类,提取健康刺槐种类;再以尺度3对中度枯梢、重度枯梢或死亡林地继续进行分层分割。最后,选择3个地区刺槐林健康等级分类结果中感兴趣区域进行精度评价(表4),并将分类完成后的3个区域合并,得到黄河三角洲刺槐林健康等级的分类图(图5)。从图5可知不同健康等级刺槐林的分布状况,孤岛地区总体健康,但其北部沿神仙沟一带及西南部枯梢情况严重,出现死亡情况;黄河故道地区刺槐林分布破碎,呈条带状,总体枯梢程度相对严重,只有南部及东北部少数地区健康;军马场地区中南部较为健康,北部枯梢严重,几乎全部死亡。从表4中可以看出,采用面向对象的方法进行分类,以特征区域为研究对象,基本突破了基于像元分类方法不能充分利用高分辨率影像空间信息的局限,较前人的研究结果,明显提高了分类精度。但军马场地区的分类精度还是相对较低,这是由于军马场地区刺槐林分布相对破碎,而尺度分割时也未曾出现合理的多尺度来进行分层分割所造成的。4特征选取的对策本文利用IKONOS影像,采用面向对象的方法对黄河三角洲刺槐林健康等级进行了分类,分类结果与实地样方数据具有较好的一致性,充分说明了在监测森林枯梢方面