一種基于多源同期高分辨率遙感數(shù)據(jù)的樹種分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于林業(yè)調(diào)查、動態(tài)監(jiān)測及生物多樣性技術(shù)領(lǐng)域，具體涉及一種基于多源 同期高分辨率遙感數(shù)據(jù)的樹種分類方法。
【背景技術(shù)】
[0002] 精確獲取森林樹種信息及其空間分布對于理解森林生態(tài)系統(tǒng)的結(jié)構(gòu)、功能及其演 替，以及生物多樣性具有重要意義。同時，樹種空間分布信息可用于森林生長模型和生態(tài)過 程模型的參數(shù)化，指導(dǎo)和優(yōu)化森林生態(tài)系統(tǒng)模擬。常規(guī)的樹種調(diào)查方法主要依賴于地面野 外調(diào)查及利用大比例尺航片人工判讀等，其耗費的工作量通常較大，且不利于森林樹種信 息的更新。而遙感技術(shù)具有宏觀、動態(tài)和快速的特點，可以彌補常規(guī)地面調(diào)查方法的不足。
[0003] 近年來，高分辨率和高光譜遙感技術(shù)的發(fā)展，為中到大尺度上的森林信息提取提 供了更高空間和光譜分辨率的數(shù)據(jù)源，同時在冠幅提取和樹種分類中也具有很大潛力。然 而，以往的方法往往基于單一數(shù)據(jù)源（如TM，ALOS，CASI等），如王婧等在《遙感信息》2013 年第4期發(fā)表了"基于粗糙集規(guī)則提取的面向?qū)ο髽浞N分類方法"，利用AL0S多光譜影像 對福建省三明市將樂林場的樹種進行分類；且大多只針對主要森林類型，如李小梅等在《內(nèi) 蒙古農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版）》2010年第2期發(fā)表了 "基于對象的CHRIS遙感圖像森 林類型分類方法研究"，通過CHRIS/PR0BA高光譜影像，對吉林省長白山地區(qū)進行純林和混 交林的分類；或只針對優(yōu)勢樹種組，如溫一博和范文義在《森林工程》2013年第2期發(fā)表了 "多時相遙感數(shù)據(jù)森林類型識別技術(shù)研究"，利用多時相的TM數(shù)據(jù)對黑龍江省塔河縣的北寒 帶森林進行分類，區(qū)分出了當?shù)厣种械乃膫€優(yōu)勢樹種組。顯然這些方法在細化樹種分類 層次和分類精度上還不能滿足使用需求。

【發(fā)明內(nèi)容】

[0004] 發(fā)明目的：針對現(xiàn)有技術(shù)中存在的不足，本發(fā)明的目的是提供一種基于多源同期 高分辨率遙感數(shù)據(jù)的樹種分類方法，細化樹種分類層次并進一步提升分類精度。
[0005] 技術(shù)方案：為了實現(xiàn)上述發(fā)明目的，本發(fā)明采用的技術(shù)方案如下：
[0006] -種基于多源同期高分辨率遙感數(shù)據(jù)的樹種分類方法，包括以下步驟：
[0007] 1)借助AISA Eagle傳感器的輻射定標參數(shù)對原始影像進行輻射定標，將原始影 像的DN值轉(zhuǎn)化為像元輻射亮度值，然后利用FLAASH大氣校正模型和平場域校正模型將像 元輻射亮度值轉(zhuǎn)化為地表反射率值；
[0008] 2)利用基于邊緣檢測的多尺度分割方法對校正后的高分辨率影像進行面向?qū)ο?分割，并剔除掉背景信息，從而提取出單木冠幅，然后利用地面實測數(shù)據(jù)評價提取精度；
[0009] 3)在高光譜影像上對4個主要樹種分別選取50個冠層光譜反射率曲線，通過平 均光譜反射率曲線求得4個樹種冠層上表面平均反射率曲線；選擇近紅外波段的各波段作 為原始波段特征變量；通過對高光譜影像進行波段組合、多種植被指數(shù)變換、主成分分析、 獨立成分分析、最小噪聲分離以及紋理分析，共提取出5組共47個特征變量：包括12個原 始單波段特征、8個波段組合特征、9個植被指數(shù)特征、9個數(shù)理統(tǒng)計特征以及9個紋理特征； 在47個特征變量中選取信息熵最大的前12個特征變量作為優(yōu)化特征變量；
[0010] 4)采用BP神經(jīng)網(wǎng)絡(luò)對影像進行分類，BP神經(jīng)網(wǎng)絡(luò)開始訓(xùn)練時選用較小的隨機互 聯(lián)權(quán)值與內(nèi)部閾值，經(jīng)過反復(fù)加載訓(xùn)練樣本并調(diào)整權(quán)值，直到代價函數(shù)下降到可以接受的 容限值為止；分類完成后加入單木冠幅信息采用面積權(quán)限法進行重分類，即冠幅面積區(qū)域 內(nèi)占大多數(shù)面積的樹種類型為整個冠幅的樹種類型。
[0011] 步驟1)中，遙感數(shù)據(jù)源于LiCHy傳感器系統(tǒng)；其中，高光譜數(shù)據(jù)為AISA Eagle子 傳感器獲取，空間分辨率為〇. 6m，波長范圍為398. 5nm-994. 4nm，光譜范圍覆蓋64個波段， 輻射分辨率為12bit ;高分辨率影像為LiCHy系統(tǒng)中的DigiCAM-60子傳感器在同一時間獲 取，空間分辨率為0. lm，輻射分辨率為8bit。
[0012] 步驟1)中，對影像進行幾何精校正，使其配準到高光譜影像。選取320個同名像 點，采用二次多項式進行校正，并使得校正誤差控制在1個像元之內(nèi)，然后使用最鄰近像元 法進行重采樣。
[0013] 步驟2)中，提取精度包括探測位置準確性和冠幅半徑準確性；探測位置準確性采 用分割樹冠和地面實測樹冠中心點的距離算法做匹配，當?shù)孛鎸崪y冠幅中心點在分割冠幅 半徑之內(nèi)時，分割冠幅探測正確。另外，加入樹干傾斜改正，將分割冠幅半徑加上2m作為探 測距離的閾值，距離小于探測閾值的認為探測位置準確。
[0014] 步驟2)中，探測位置的準確性用以下三個指標衡量：
[0016] 式中，r為冠幅的探測率，p為探測出的冠幅的準確率，F(xiàn)為總體精度，Nt為影像 上探測出且與地面實測相匹配的冠幅數(shù)量，No為影像上未探測出但地面實測存在的冠幅數(shù) 量，Nc為影像上探測出但地面實測并不存在的冠幅數(shù)量；對于冠幅半徑的準確性，按照圓 形面積計算公式反推出冠幅半徑，將地面實測冠幅半徑與影像提取的冠幅半徑作回歸分析 計算冠幅半徑提取的精度。
[0017] 步驟3)中，47個特征變量的含義及計算公式見下表：
[0018]


ο.
[0021] 步驟4)中，對于一個輸入樣本Ρ，其平方誤差定義為：
[0023] 對于整個網(wǎng)絡(luò)系統(tǒng)的總均方誤差為：
[0025] 其中Ρ為訓(xùn)練樣本總數(shù)，網(wǎng)絡(luò)訓(xùn)練的目的是找到一組權(quán)值，使Ε極小化；LMS算法 用梯度下降法，即權(quán)重的增量正比于誤差的負導(dǎo)數(shù)，使得過程收斂。
[0026] 步驟4)中，分類分為四組，第一組為使用全部特征變量，分四個樹種進行分類；第 二組為使用優(yōu)化特征變量，對四個樹種進行再次分類；第三組為使用全部特征變量，按森林 類型進行分類；第四組為使用優(yōu)化特征變量，按森林類型再次進行分類。
[0027] 步驟4)中，首先利用全部特征變量5組47個進行分類，對4個樹種分別選擇訓(xùn)練 區(qū)域，進行訓(xùn)練學(xué)習(xí)，再利用訓(xùn)練的模型對未知區(qū)域進行分類；分類完成后加入單木冠幅信 息采用面積權(quán)限法進行重分類，即冠幅面積區(qū)域內(nèi)占大多數(shù)面積的樹種類型為整個冠幅的 樹種類型；重分類后利用地面實測數(shù)據(jù)評價分類精度評價；然后，利用優(yōu)化的12個特征變 量對四個樹種類型再次進行分類，分類方法為ΒΡ神經(jīng)網(wǎng)絡(luò)法，分類完成后加入單木冠幅信 息進行重分類，并進行分類精度評價；其次，利用全部特征變量5組47個對森林類型進行分 類，分為針葉和闊葉兩種森林類型，分類方法選用ΒΡ神經(jīng)網(wǎng)絡(luò)法，分類后加入單木冠幅信 息進行重分類，并利用地面實測數(shù)據(jù)進行分類精度評價；最后，利用優(yōu)化的12個特征變量 對森林類型再次進行分類，同樣分為針葉和闊葉兩種森林類型，分類方法使用ΒΡ神經(jīng)網(wǎng)絡(luò) 法，分類后加入單木冠幅信息進行重分類，并利用地面實測數(shù)據(jù)進行分類精度評價。
[0028] 有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明將基于同期獲取的高分辨率與高光譜遙感影 像對北亞熱帶的典型樹種進行冠幅提取和多個層次的樹種分類，細化樹種分類層次并進一 步提升分類精度；其創(chuàng)新點和特色如下：
[0029] 1)基于邊緣檢測的多尺度分割算法，從多層次、多格局，建立不同尺度的分割等 級，逐層進行分割與信息提取。相比傳統(tǒng)的直接（在郁閉度較低的林分影像上）量測法自 動化程度和精度都有所提升，同時與復(fù)雜的空間統(tǒng)計學(xué)理論相比，更易于推廣；
[0030] 2)從高分辨率影像和高光譜影像中提取豐富的冠幅特征和光譜信息，提升亞熱帶 天然次生林樹種及森林類型的分類精度。
[0031] 3)實驗結(jié)果表明，利用全部特征變量進行4個典型樹種分類時，總體精度為 64. 6%，kappa系數(shù)為0· 493 ;而針對森林類型的分類精度為81. 1%，kappa系數(shù)為0· 584。 利用選取的優(yōu)化特征變量分類精度略低于利用全部特征變量的分類精度，其中對4個典 型樹種分類時，總體精度為62. 9%，kappa系數(shù)為0. 459 ;而針對森林類型的分類精度為 77. 7 %，kappa 系數(shù)為