基于多源遥感影像的清原县森林植被面积提取方法

基于多源遥感影像的清原县森林植被面积提取方法

森林资源监测是重要的森林基础工作，是国情国力调查的重要组成部分。随着3S技术在森林资源监测中的深入研究和不断发展,基于3S技术的森林资源动态监测受到世界各国越来越多的重视。在以往的研究中,有关植被信息的提取往往采用单一的遥感数据源和软件,而应用多源遥感数据对不同尺度空间范围内的森林植被信息进行提取的研究则较少。高分辨率遥感影像具有空间分辨率高、处理工作量大和回访周期长的特点,且大面积数据的获取能力有限,中分辨率遥感影像具有覆盖范围广和重访周期短的特点,如何在保证生产要求的情况下应用不同类型的遥感数据的优势,实现信息的互补,提高植被识别精度,降低遥感影像作业成本,形成一套不同尺度(以县-乡为经营单位)范围的森林植被提取方法,对提高森林资源监测时效性和成本节约具有重要意义。本文选取清原县为研究区,最先建立二级分类体系,同时在研究区内抽样试验不同样地大小和不同抽样率对抽样结果的影响,从而确定最优的样地大小和抽样率,然后选取土口子乡为RapidEye遥感影像的试验区,应用ENVIEX4.8软件,采用面向对象的分类方法提取森林植被类型,然后在清原县内对TM和RapidEye遥感影像进行抽样获得影像样本,在以所建立的RapidEye遥感影像森林植被类型提取技术为基础,采用“自下而上”的协同反演方法对TM遥感影像进行森林植被信息反演提取,获得TM影像数据的森林植被分布信息,形成不同尺度(县-乡(经营单位))的森林植被提取方法,为相关部门提供技术支持。1气候特点清原县位于辽宁省抚顺市,地理坐标为东经124°20'06″~125°28'58″,北纬41°47'52″~42°28'52″,属低山丘陵区,海拔150~1101m,地势东南高,西北低,中部起伏不平,地处暖温带大陆性季风气候区,冬季漫长寒冷,夏季炎热多雨,年平均气温3.9~5.4℃,最冷出现在1月,最热出现在7月,极端最高气温36.5℃,最低零下37.6℃。无霜期120~139d,平均日照2433h,年降水量700~850mm,降雨量集中在6、7、8月份;全县总面积39.21万hm2,林业用地30.5万hm2,其中有林地27.8万hm2,森林覆被率72.3%,森林总蓄积量2300万m3;境内森林多为落叶阔叶混交林与落叶针叶、常绿针叶树种混交林以及针阔混交林,主要针叶树种有落叶松、红松、油松、云杉等,阔叶树种主要以栎类树种为主。2数据收集和处理2.1数据来源2.1.1遥感数据的来源2.1.2向量数据2.2pidwell和tm数据预处理本文以2009年的航片数据作为地面参考信息,利用ENVI4.8软件对RapidEye和TM数据进行预处理,主要包括辐射校正、FLAASH大气校正、几何精校正、波段组合、图像拼接与裁剪,其中配准误差控制在0.5个像元以内,将投影坐标定义为Xian_1980投影,数据格式为GEOTIFF格式。3源遥感数据提取的森林植被区域3.1森林植被类型分类森林植被类型的划分是森林资源调查的基础内容,也是开展遥感森林分类监测的基础,在森林资源监测上具有重要的意义。森林植被类型的确定主要考虑以下4个原则:一是统一性原则;二是科学性原则;三是系统性原则;四是遥感技术可监测性和适应性原则。依据以上原则,参照研究区森林植被类型概况和2003年《国家森林资源连续清查技术规定》及《森林资源规划设计调查主要技术规定》要求,本研究将研究区内森林植被划为两个级别,在一级分类体系中,将林地细分为森林和非森林,形成森林、非森林两个一级类型;在二级分类体系中,将森林分为针叶林、阔叶林、混交林、经济林,形成针叶林、阔叶林、混交林、经济林、其他林地、非林地六个二级类型。根据清原县森林资源实际情况,灌木林地在林地中所占的比例很小,所以没有对其进行提取划分。在一级分类体系上,本研究应用TM遥感影像提取森林植被,在二级分类上,应用RapidEye遥感影像提取森林植被类型。具体的划分见表2。3.2抽样率确定和样地设置研究以TM和RapidEye遥感影像为基础,设计以PPS抽样为基础的抽样方法在研究区内获取TM和RapidEye两种影像样本,并对遥感影像样本进行森林植被类型提取,通过设计中、高分遥感样地的抽样比以及遥感样地面积大小两个方面进行计算分析,最终获得可靠的抽样比及遥感样地面积。样地面积太大,判读区划和地面验证工作量大,反之样地面积小,为确保精度要求,样地数量及工作量也要增大。抚顺市森林覆盖率较高且分布均匀,因此本文以抚顺市的最佳采样率及样地大小结果作为清原县的最佳采样率及样地大小结果。本文把抚顺市森林资源二类调查数据中的森林面积作为真值,以森林资源一类清查样地为中心,创建5种大小(0.25、0.5、1、2、3、4km)的正方形样地(即样地大小),同时选择所创建正方形样地数量的1/5、1/4、1/3、1/2、1(即抽样率),以抽样率和样地大小两个因子进行抽样控制,分别计算30种组合下的总体统计精度和抽样方差,对比不同组合的抽样精度和抽样效率进行统计分析,采用两个指标(统计精度、方差)进行衡量,最后确定最优的抽样组合方案,结果见表3和表4。通过对比各组抽样的最佳统计误差和误差方差可知:采用现行一类清查样地数量的1/2(抽样率为50%,抽样面积比例为抽样样地总面积/抚顺市总面积)为5.35%及抽样间隔为8km×8km,样地面积大小为2km×2km时估算效果最好。3.3rapodcd遥感影像特征采用多源遥感数据提取森林植被面积,以TM数据对研究区域进行全覆盖,按系统机械抽样方式,布设一定数量覆盖研究区的TM中分辨率数据的2km×2km遥感影像样本(一般抽样比小于30%),作为第一级遥感提取森林植被面积的样本,第二级遥感抽样为少量的2km×2km高分遥感影像RapidEye遥感影像样本(一般抽样比小于10%)。本研究以土口子乡为例,应用ENVIEX4.8软件对RapidEye遥感影像进行基于面向对象的森林植被类型提取并对结果进行检验,然后以形成的RapidEye遥感影像分类技术流程对抽取的RapidEye遥感影像样本进行分类,并把分类结果作为第一级TM遥感影像森林植被提取分析的控制条件,利用监督分类方法对TM遥感影像进行分析完成第一级研究区内森林植被信息提取,将TM遥感影像森林面积提取结果与森林资源二类调查结果进行对比,分析多级遥感数据反演森林植被类型面积的估计精度。3.3.1rakidwell数据处理本文采用二级分类中的指标为对象,主要区分森林中的针叶林、阔叶林、混交林、经济林和其他林地。首先应用非林地边界对影像进行掩膜,去除非林地的干扰,然后基于高空间分辨率卫星RapieEye影像数据,应用ENVIEX4.8软件,采用面向对象的尺度分割方法进行影像分类。并利用二类调查数据进行精度验证。研究区位于抚顺市清原县土口子乡,为千山山脉延伸部分的山区,地理坐标为东经124°58'30″~125°12'308″,北纬42°15'0″~42°38'45″,试验区总面积为280.78km2。本文对RapidEye进行主成分变换分析,主成分变换是把多波段信息压缩在少有的几个波段上,即达到压缩数据量的效果,又具有增强图像信息的作用,见表5,经主成分变换后RapidEye数据的5个波段信息主要集中在前两个波段。本文选取NDVI影像、PCA1、PCA2合成假彩色影像,与传统的532波段合成的影像相比,新组成的影像色彩鲜明,各地类相差明显,可以用来进行面向对象的分类分析。两种波段组合的影像见图1。对经过预处理的RapidEye多光谱遥感影像,本文利用ENVIEX4.8软件自带的边缘分割算法对影像进行分割。其中的FeatureExtraction模块采用基于边缘分割的算法对影像进行快速准确的分割,同时可以通过预览窗口查看结果以评价分割的好坏,通过调整分割尺度,建立合理的分割尺度参数,软件就可以自动反复的对数据进行处理,可以提高RapidEye影像的自动识别精度。经过多次试验,设置分割尺度参数为35,合并参数为78,最后得到土口子乡地类分类结果。基于RapidEye数据的分类技术路线见图2。3.3.2tm影像分类方法应用TM影像提取森林植被类型面积的研究较多,目前的研究大多数采用分类软件,应用影像的空间、纹理、光谱等信息进行信息提取,本文基于RapidEye分类结果和TM影像,进行协同反演森林植被面积。本文基于系统机械抽样技术,以少量样本的RapidEye分类结果估算总体,然后通过RapidEye分类结果获得的样本分析,对抽样率更大的TM影像数据进行森林信息的提取,生成TM数据分类的样本集,最后经过监督分类获得TM影像的分类结果,详细的技术流程见图3,详细步骤如下:(1)在森林资源一类清查样地布设的基础上,等间距选择12个高分遥感样地,每个样地面积为2km×2km,应用样地边框裁剪RapidEye高分影像。RapidEye遥感样地位置见图4。(2)基于RapidEye影像分类结果,并以此作为地面近似真值,建立与TM像元大小相同的网格单元,统计每个TM像元内的RapidEye影像森林植被类型像元的个数,其中一个TM像元对应着36个RapidEye像元,从中选取全部为森林的TM像元作为训练样本,生成TM影像样本数据集,应用ENVI4.8软件,采用监督分类中的支持向量机方法,对50个2km×2km的TM影像进行监督分类,并应用二类调查成果对分类结果进行验证。(3)如果分类结果未达到要求,需要对训练样本集进行调整,直至分类结果达到预期要求停止分类,生成森林植被类型矢量图并导出。3.3.3检验结果对比验证本研究采用系统抽样方法与二类调查数据相结合生成检验点进行分类结果检验。应用ARCGIS10.0中的hawthstools→samplingtools→gengrateregularpoints进行系统抽样生成检验点,同时将1:5万二类调查成果数据导入ARCMAP中,记录检验点所对应的立地类型,并应用此结果对分类结果进行对比验证。3.4结果和精度验证3.4.1分类结果分析本文应用二类调查数据统计结果进行面积精度检验,采用系统抽样方式在土口子乡二类调查矢量数据底图上布设抽样点,共计获得检验点个数为196个,对提取结果进行精度验证,其中针叶林检验点有58个,阔叶林检验点有97个,混交林检验点有12个,经济林检验点有14个,其他林地检验点有15个。表6是应用面向对象的分类方法提取的森林植被类型面积与二类调查数据间的误差统计表。由表6可知:森林植被类型面积提取总体精度为88.87%,Kappa系数为0.61。从总体精度来看,遥感解译效果较为理想。图5是采用ENVIEX4.8软件对RapidEye影像进行分类的结果图。混交林由于存在同物异谱和同谱异物并且所占比例较小的原因,无法将其有效提取,因此需要人工修正。经济林分布一般比较靠近道路两侧,受到人为生产活动的干扰,出现较大的误差,其他林地由于包括未郁闭的未成林地和裸露的无立木林地的影响,也出现了较大的误差,影响了分类精度。3.4.2统计结果对比分析图6是基于RapidEye影像分类结果协同反演TM影像所生成的森林分布图,对清原县TM影像森林面积提取结果进行统计,并与清原县二类调查统计结果进行对比分析。应用TM影像提取的森林面积结果为68.35万hm2,清原县二类调查成果数据统计结果为73.97万hm2,由TM影像遥感解译结果与二类调查结果对比分析可知,森林面积提取总体精度为92.41%,Kappa系数为0.89,遥感解译效果较为理想。4在森林植被分类上的应用及发展本文依据现行森林资源调查技术规程的基础上建立了不同尺度范围的遥感植被信息提取分类体系,在分类体系的基础上,基于抽样技术、TM和RapidEy遥感影像提取估算森林植被类型面积。RapidEye数据采用面向对象的分类方法提取不同森林植被类型面积,在以RapidEye分类结果为基准协同反演TM影像森林植被信息并进行验证,结果表明RapidEye遥感影像提取森林植被类型的分类精度达88.87%,Kappa为0.61;TM影像提取森林信息的分类精度达到92.41%,Kappa为0.89,分类结果理想。由此形成不同尺度(以县-乡为经营单位)森林植被信息的提取方法,通过抽样获取部分遥感影像样本并进行总体估算,同时应用ENVIEX4.8软件可以快速地对森林植被信息进行提取,在一定程度上可以降低野外工作量和调查费用,提高森林资源的监测效率,可为中小尺度范围的森林植被类型提取提供技术参考。但本文还存在一些问题:应用