-
森林植被分布信息对于森林资源清查、科学管护、林火监测预警、林业航空植保等有重要作用[1-2]。传统野外调研手段获取森林植被分布信息,需投入大量的人力、物力和财力,费工费时,遥感技术快速提取森林植被空间分布信息可为其提供支撑,具有很大的实际应用价值。现今卫星遥感影像的空间分辨率从0.3 m(WorldView-3等)到数十千米(FY-3等),数据丰富、类型多样,很多高中低空间分辨率影像已被应用于森林植被信息提取[3-4]。国外高分辨率卫星影像价格昂贵,随着高分辨率卫星技术的发展,涌现出GF-1,GF-2和资源三号等一大批国产高分辨率数据,大大降低了数据获取成本,其中GF-1卫星的16.0 m影像可免费使用。目前,森林植被遥感监测时,大多凭以往研究生产经验来判断和筛选影像,然而森林植被信息提取涉及遥感影像量化分析。如何从众多遥感影像中通过科学判断来确定适合森林植被提取的最佳分辨率影像是森林植被信息提取中面临的一个问题。尽管目前已有一些学者研究林地遥感监测尺度[5-11],但大多利用国外卫星(IKONOS,Landsat等)数据,且主要侧重于最佳尺度选择方法理论研究,较少考虑林业实际应用。随着新近高分辨率卫星影像数据业务化获取及民用的推广,森林植被监测已成为主要应用领域之一,但是林业生产者或林业遥感用户从森林植被遥感监测精度、成本和效率等因素考虑,如何选择和确定适合森林植被监测的国产高分辨率影像最佳分辨率的知识缺乏,有待针对林业生产实际开展深入研究。在理想情况下,选取合适空间分辨率的标准是选取包含所需信息且数据量最小的空间分辨率[12]。目前,确定最佳尺度的方法主要有3类:①基于局部方差的方法[5, 13],②基于离散度的方法[14],③基于变异函数的方法[15-16]。局部方差法存在边界效应影响精度,离散度法未考虑到影像的空间分布特征。柏延臣等[3]提出了基于一个步长的变异函数法。该方法的优点是没有局部方差方法中的边界效应问题,也不需要通过复杂的计算过程去获取任意分辨率影像的半方差,计算量小,可方便快速地确定最优影像分辨率[3, 17]。本研究针对森林植被遥感监测实际应用需要,采用基于1个步长的变异函数法,计算GF-2全色影像变异函数,初步确定适合森林植被监测的影像最低空间分辨率;并对比不同尺度影像的森林植被提取精度,综合考虑成本和效率,最终确定适合森林植被监测影像的最优空间分辨率。
HTML
-
从图 2可看出:3种典型森林植被的空间变异情况不一致。这说明森林植被的空间分布情况不同,空间变异也不同,为探究适合森林植被提取的遥感影像最佳分辨率,必须对研究区内不同分布形态的森林植被进行单独的空间变异分析,然后才能综合判定最佳尺度。通过进行变异函数计算拟合,发现不同森林植被适合的变异函数模型也不一样,小冠幅森林植被最佳拟合模型为高斯模型,大冠幅森林植被和混合冠幅森林植被最佳拟合模型为指数模型,且3个模型的R2均大于0.8,说明模型的拟合效果都较好。表 1对应的分辨率是通过变程(a)乘以步长(0.8 m)而得。
森林植被类型 模型类型 R2 基台值(c) 块金值(c0) 变程(a) 对应分辨率/m 小冠幅森林植被 高斯模型 0.821 557.3 60 2.77 2.2 大冠幅森林植被 指数模型 0.955 1 636.0 257 23.40 18.7 混合冠幅森林植被 指数模型 0.986 1 148.0 77 17.70 14.2 Table 1. Variation function model fitting parameters of three typical forest vegetation
GF-2影像分辨率为0.8 m,为高空间分辨率遥感影像,可对各类林木进行精细刻画。从表 1可看出:对于小冠幅森林植被,基台较小为557.3,说明影像内地物均一,细节信息丰富,空间变异程度较低。变程较小为2.77,说明影像内小冠幅森林植被空间变异范围较小,空间分辨率≥2.2 m的影像可用于该区小冠幅森林植被信息提取。
对于大冠幅森林植被样地影像,块金值为257,基台值为1 636.0,都最大。影像内大部分是大冠幅林木,树冠大多相连,故空间变异反映的是林木的空间相关性。变程为23.40,是3种类型中变程最大的,说明影像内森林植被空间变异范围较大,空间分辨率≥18.7 m的影像可用于该区大冠幅森林植被信息提取。
对于混合冠幅森林植被,区域内均为森林植被且树冠基本相连,故空间变异反映的是林木的空间相关性。基台值较大为1 148.0,说明森林植被空间变异程度较高。变程为17.70,说明森林植被空间变异范围较大,空间分辨率≥14.2 m的影像均可用于该区混合冠幅森林植被信息提取。
通过分析3种典型森林植被样地影像的空间变异,可初步确定该地区森林植被提取的影像最低分辨率大致为16.0 m。但是要确定森林植被提取时所需影像的最佳分辨率,还需进行实际的分类效果比对和精度验证。
-
研究区不同尺度多光谱遥感影像通过支持向量机提取森林植被,结果与原始影像叠加显示如图 3。将图 3与森林植被调研结果进行对比可以发现,对于3种常见森林植被类型:①大冠幅森林植被(如大面积山体林区)。不同分辨率影像,提取效果相差不大,均较好。②混合冠幅森林植被(如城区散落分布林区)。分辨率高于8.0 m的影像提取效果均较好。③小冠幅森林植被(如行道树)。分辨率高于3.2 m的影像提取效果较好。
-
按照随机抽样、均匀分布的原则,根据野外实际调研的森林植被分布图,并结合Googel Earth高清遥感影像,选取360个森林植被样点,用于对多尺度影像森林植被提取结果进行位置精度评价。通过森林植被提取面积与实际调研面积的对比计算,以及森林植被提取结果与森林植被样点进行对比计算,具体精度评价情况见表 2。从表 2可看出:空间分辨率最高的影像(0.8 m),森林植被提取精度并非最高,面积相差度为0.92%,较好,位置精度却仅有82.2%,较差。这是由于空间分辨率较高时,影像对森林植被内部信息刻画很细致,不同树种、不同树龄的树冠均有差异,同物异谱情况较为严重,出现了“只见树木,不见森林”的现象,因此,用该影像进行森林植被提取时精度反而降低了。空间分辨率最低的影像(30.0 m),森林植被提取精度最低,面积相差度为5.43%,位置精度却仅有73.6%,均最差。这是因为研究区存在小冠幅林木,此类林地面积较小,30.0 m影像太粗略,不能对森林植被信息进行良好表达,因此,提取效果不好。空间分辨率为8.0 m的影像,森林植被提取精度最高,面积相差度为0.32%,位置精度有91.1%,均最好。空间分辨率为3.2和16.0 m的影像,森林植被提取效果较好,面积相差度均在3.00 %以下,位置精度均在85.0%以上。也就是说,基于遥感影像进行研究区森林植被提取时,影像空间分辨率最好在16.0 m以上。该判断与基于变异函数分析得到的该地区森林植被提取影像最低分辨率大致为16.0 m相一致,验证了基于1个步长的变异函数进行森林植被提取遥感影像分辨率选择的可靠性。
影像分辨率/m 提取面积/hm2 面积相差度/% 准确提取样点数/个 位置精度/% 0.8 212.193 7 0.92 296 82.2 2.0 212.294 0 0.97 301 83.6 3.2 212.772 6 1.20 308 85.6 8.0 210.918 6 0.32 328 91.1 16.0 215.705 2 2.60 306 85.0 30.0 221.664 0 5.43 265 73.6 Table 2. Precision evaluation of forest vegetation extraction result
-
根据研究区多尺度影像森林植被提取精度评定的结果,0.8,2.0和30.0 m影像的森林植被提取结果均较差,位置精度均在85.0%以下,难以满足森林植被遥感高精度提取的要求,因此,本研究选取提取精度高于85.0%的适合森林植被提取的3.2,8.0和16.0 m影像进行林地提取效果综合评价(表 3)。表 3数据成本来源于中科遥感旗下遥感云服务平台——遥感集市。
影像分辨率/m 提取精度 数据成本/(元·km2) 处理时间 3.2 较好 30.0 较长 8.0 最好 1.5 较短 16.0 -般 免费 最短 Table 3. Comprehensive evaluation of forest vegetation extraction result
针对3种常见的森林植被分布类型,综合考虑研究区森林植被提取精度、成本和效率,可以发现:①小冠幅森林植被适合提取最佳影像分辨率为3.2 m。②大冠幅森林植被适合提取最佳影像分辨率为16.0 m。③混合冠幅森林植被适合提取最佳影像分辨率为8.0 m。
本研究仅基于GF-2全色影像进行空间变异分析,未考虑多光谱影像的空间变异情况,未来将通过对GF-2多光谱影像或者WorldView,QuickBird等多种影像进行变异分析,以期进一步挖掘和完善森林植被提取最佳分辨率确定方法和结果。另外,为保证高中低分辨率影像分类方法的一致性,以便于统一对比分析,分类方法统一选择的是支持向量机监督分类法,未考虑面向对象的分类方法,未来将考虑用面向对象方法进一步开展深入研究。