2. 广西空间信息与测绘重点实验室, 广西 桂林 541004
2. Guangxi Key Laboratory of Spatial Information and Geomatics, Guilin 541004, China
桉树林是中国南方的特色经济林，具有显著的经济效益，随着我国木材资源供需矛盾急剧增长，桉树种植发展迅速，但也引发了一系列的生态环境问题，如大面积种植导致严重的水土流失和土壤退化[1-2]。因此，快速准确地获取桉树林的面积及空间分布是林业资源管理和监测的重点，对于地区林业资源消耗控制和生态保护及修复具有重要的研究意义。
目前，已有学者利用遥感卫星数据对桉树信息提取进行了相关研究。文献[3]以TM影像为数据源，利用植被光谱信息提取桉树信息，准确率达到86.67%；文献[4]基于GF-2数据，通过光谱和纹理特征对桉树信息进行提取，总体精度为84.3%；文献[5]使用Landsat 8影像，结合植被指数等对桉树种植面积进行提取，分类精度达到82%。但是，上述研究使用的波段信息有限，而红边作为植被敏感波段，更能有效地反映植被光谱特性[6]。因此基于卫星影像的红边波段是林业遥感信息提取的一个重要研究方向。文献[7]基于Sentinel-2A影像，选取相关的6种红边指数，定量对比分析每种指数在草地健康判别中的优劣；文献[8]利用Sentinel-2A数据，结合红边指数、植被指数、光谱特征和纹理特征，提取了黄河三角洲湿地信息，结果表明红边指数贡献率高于其余3个特征。
2018年6月发射的高分六号卫星(GF-6)是国内首个搭载红边波段的遥感卫星，其宽幅影像具有覆盖广、波段信息丰富的优势。但是，GF-6卫星红边波段的研究尚处于起步阶段，并且对人工林分类提取方面的研究相对较少。鉴于此，本文基于GF-6红边波段构建红边特征，结合多个波段特征和植被指数，设计两组分类方案，对鹿寨县桉树人工林空间分布信息进行分类提取。以期探究GF-6红边特征在桉树人工林识别提取上的优势，为国产GF-6卫星在林业资源信息提取和监测中的应用提供参考。
1 研究区及数据处理 1.1 研究区概况本文选取柳州市鹿寨县作为典型区域。鹿寨县地处桂中腹地，如图 1所示，总面积2 974.8 km2，年平均气温20.4℃左右，年均降雨量约1 483.8 mm，并且集中在4—8月。桉树作为速生用材林种，是研究区主要经营的人工林树种。
|
| 图 1 研究区地理位置 |
研究采用的遥感数据为GF-6影像，获取时间为2020年4月15日。GF-6宽幅相机WFV(wide field of view)观测幅宽达800 km，除了常见的蓝、绿、红和近红外波段外，首次增加了能够有效反映作物特有光谱特性的红边波段，可为植被研究提供更详细的光谱信息，详细参数见表 1[9-10]。此外，辅助数据包括研究区30 m ASTER GDEM高程数据。
| μm | |||||||||||||||||||||||||||||
| 波段名称 | 光谱范围 | 中心波长 | |||||||||||||||||||||||||||
| B1(蓝) | 0.45~0.52 | 0.478 | |||||||||||||||||||||||||||
| B2(绿) | 0.52~0.59 | 0.528 | |||||||||||||||||||||||||||
| B3(红) | 0.63~0.69 | 0.660 | |||||||||||||||||||||||||||
| B4(近红外) | 0.77~0.89 | 0.806 | |||||||||||||||||||||||||||
| B5(红边1) | 0.69~0.73 | 0.710 | |||||||||||||||||||||||||||
| B6(红边2) | 0.73~0.77 | 0.744 | |||||||||||||||||||||||||||
| B7(紫) | 0.40~0.45 | 0.442 | |||||||||||||||||||||||||||
| B8(黄) | 0.59~0.63 | 0.596 | |||||||||||||||||||||||||||
GF-6遥感影像数据预处理通过ENVI 5.5完成。首先，以中国资源卫星应用中心发布的同期GF-6绝对辐射定标系数对WFV数据进行辐射定标；然后，将GF-6 WFV光谱响应函数导入波谱库文件，通过FLAASH模块进行大气校正；最后，影像的正射校正采用ASTER GDEM高程数据，并以Landsat 8 Pan影像数据为基准。
2 研究方法面向对象方法主要包括影像分割和信息提取两方面，影像分割是从种子像素开始，自下而上进行区域合并，直至满足异质性标准[11]。信息提取是利用影像的光谱、空间和纹理等特征，提取需要的类别信息。本文基于eCognition 9.0遥感处理平台，采用多尺度分割方法，提取桉树人工林分布信息，进行精度评价并通过无人机影像加以验证，具体流程如图 2所示。
|
| 图 2 技术流程 |
图像分割是面向对象分类的首要环节，分割参数是决定分割效果的关键，影响最终分类结果的精度[12]。本文选取GF-6影像的8个波段和DEM高程数据参与分割，并且各波段的权重均定义为1。使用ESP2(estimation of scale parameter 2)[13]计算影像对象异质性局部方差(local variance，LV)的变化率(rate of change-LV，ROC-LV)，通过ROC-LV曲线的峰值，可确定最佳的影像分割尺度[14]。如图 3所示，变化率曲线峰值有多个，经过多次试验，选取102和68作为分割尺度，多尺度分割详细参数见表 2。
|
| 图 3 ESP多尺度分割结果 |
根据多尺度分割结果构建类层次结构，如图 4所示，定义Level 1为“父对象”，在该尺度层上对植被和非植被进行分类；定义Level 2为“子对象”，设定子层到父层的距离为1，即子层继承父层的对象信息，在植被对象中进行桉树人工林信息提取。
|
| 图 4 类层次结构 |
首先选择GF-6卫星的4个传统波段、2个红边波段、紫波段及黄波段的均值作为光谱特征；其次选取5种具有代表性的植被指数。选用的植被指数计算公式见表 3。
红边波段对估算植被叶绿素含量、森林冠层覆盖度和叶面积指数等生物物理变量有重要指示作用[15-16]。因此，红边指数在提取植被光谱特性和植被分类等方面有较好效果。由于红边波段是GF-6卫星影像特有的波段特征，故本文把红边指数单独作为一类特征变量。本文结合GF-6影像的波段光谱特点，共定义4种红边指数。计算公式为
(1) 
(2) NDVIRE1和NDVIRE2分别用GF-6卫星的红边1(B5)和红边2(B6)波段代替近红外波段(B4)，即
(3) 陆地叶绿素指数(MERIS terrestrial chlorophyll index，MTCI)利用了2个红边波段信息，对植被叶绿素含量的高值十分敏感，其值越大表示叶绿素含量越高[17]，公式如下
(4) 修正叶绿素吸收比率指数(modified chlorophyll absorption ratio index 2，MCARI2)对植物中的叶绿素含量较为敏感，其值的大小对应表示植物叶绿素含量的高低[18]。
2.4 分类方法本文结合隶属度函数和CART决策树构建2个尺度层下的桉树林分类提取，并设计2组分类方案，见表 4，采用不同特征组合，并对其分类结果进行对比分析，以探索国产GF-6卫星红边波段在桉树人工林分类提取方面的优势性。
隶属度分类又称模糊逻辑分类，是通过选择合适的特征，利用隶属度函数建立模糊分类判别规则，从而实现影像对象分类。经过大量试验，设置隶属度函数模糊区间为0.47~0.52。因此，可在Level 1尺度层上通过NDVI隶属度函数将植被与非植被进行分类。
2.4.2 CART决策树下的桉树林提取CART决策树是通过测试训练样本的循环二分得到分类规则树进行分类。本文选取桉树林和其他植被典型样本对象共658个，对两种分类方案基于索尔福德预测模型(Salford predictive modeler，SPM)进行CART决策树构建，并通过相对损失函数判断每个方案下的最优结点模型，实现桉树人工林分类提取。
3 分类结果与精度评价 3.1 特征重要性分析通过SPM重要性均值函数计算各变量的重要性得分。由结果可知，MTCI对模型的贡献度最大，紧随其后的是NDVIRE1，其次是GF-6影像第5和第6波段的均值。重要性最高的4项特征变量均为红边波段参与的特征变量，试验结果表明，红边特征在模型构建中有重要影响。
3.2 分类结果和精度验证采用面向对象多尺度分割的CART决策树分类方法，结合不同特征组合的分类方案，分类结果如图 5所示。根据实地踏勘并结合Google Earth高分辨率影像目视解译，遵循样本平均分布于整个研究区的原则，选取验证对象样本共400个，通过建立混淆矩阵对两种方案的分类结果(Level 2)进行精度评价，结果见表 5。
|
| 图 5 桉树林分类结果面 |
| 类别 | 方案1 | 方案2 | |||
| PA | UA | PA | UA | ||
| 桉树林/(%) | 74.50 | 84.66 | 89.50 | 93.72 | |
| 其他植被/(%) | 86.50 | 77.23 | 94.00 | 89.95 | |
| 总体精度/(%) | 80.50 | 91.75 | |||
| Kappa系数 | 0.61 | 0.84 | |||
| 注：表中PA、UA分别代表各类别的生产者精度和用户精度。 | |||||
由表 5可知，以GF数据传统4波段和植被指数为基础的方案1总体分类精度为80.50%，Kappa系数为0.61。加入GF-6新增波段和基于其构建的红边指数后，方案2的总体精度达到91.75%，Kappa系数为0.84，一致性验证结果为高度一致。说明融合GF-6红边波段及红边指数的桉树人工林分类提取方案总体质量优于仅有传统波段和植被指数的方案，总体精度提高了11.25%。加入红边特征能有效提高分类精度，表明GF-6红边特征在桉树人工林信息提取中具有较强识别能力。
3.3 无人机影像局部对比分析通过实地调查获取无人机影像(分辨率为0.05 m)，对方案2的分类结果进行对比分析，如图 6所示。灰色矢量边界为桉树林空间分布区域，其作为人工经济林，具有明显的排列纹理特征；灰色图斑为分类结果，图斑边缘呈锯齿状，这是由于GF-6影像空间分辨率为16 m导致的边缘不够平滑。计算无人机验证区域的分类精度，见表 6，分类结果与无人机验证面积的吻合度均达到90%以上，具有较高一致性，说明GF-6红边特征在桉树人工林分类提取上具备较好的适用性和可靠性。
|
| 图 6 无人机影像与GF-6影像分类结果对比分析 |
| 序号 | 地形类型 | 分类面积/m2 | 验证影像面积/m2 | 分类精度/(%) |
| 1 | 平地 | 23 610.01 | 23 638.30 | 99.88 |
| 2 | 滩涂 | 36 426.04 | 40 099.17 | 90.84 |
| 3 | 山地 | 30 185.68 | 31 563.09 | 95.63 |
本文基于我国首颗携带红边波段的GF-6遥感数据，采取面向对象多尺度分割方法，结合光谱特征和现有植被指数，并加入特有的红边波段和红边指数特征，通过构建隶属度函数和CART决策树分类模型，对广西鹿寨县桉树人工林信息进行分类提取。得到如下结论：
(1) GF-6遥感数据可有效提取桉树人工林信息，其红边特征的重要性总体高于其他特征变量，在桉树人工林决策树模型构建中有重要影响。
(2) 结合GF-6影像红边特征能有效提高桉树人工林分类提取精度，精度达到91.75%，比仅运用传统波段和现有植被指数的组合方案分类精度(80.50%)提高了11.25%，Kappa系数显著提升。
(3) 通过对比分析实地踏勘采集的无人机影像，面积吻合度达到90.84%，综合说明GF-6红边特征在桉树人工林识别方面具有较好的适用性和可靠性。
本文在红边特征的选取上只选取了部分红边指数，在后续的GF-6遥感数据植被分类研究中可融入更多的与红边波段相关的特征信息；研究区内地形复杂，尤其是特有的喀斯特地貌导致的山地阴影的消除，需要更深一步的研究。
| [1] |
黄国勤, 赵其国. 广西桉树种植的历史、现状、生态问题及应对策略[J]. 生态学报, 2014, 34(18): 5142-5152. |
| [2] |
ALMEIDA A C, SOARES J V, LANDSBERG J J, et al. Growth and water balance of Eucalyptus grandis hybrid plantations in Brazil during a rotation for pulp production[J]. Forest Ecology and Management, 2007, 251(1-2): 10-21. DOI:10.1016/j.foreco.2007.06.009 |
| [3] |
牟智慧, 杨广斌. 基于TM影像面向对象的桉树信息提取[J]. 林业资源管理, 2014(2): 119-125. |
| [4] |
梁文海, 刘吉凯, 张伟, 等. 基于面向对象方法的GF-2影像桉树林信息提取[J]. 浙江农林大学学报, 2017, 34(4): 721-729. |
| [5] |
卢献健, 黄俞惠, 晏红波, 等. 基于GEE平台广西桉树快速提取研究[J]. 林业资源管理, 2019(5): 52-60, 75. |
| [6] |
PERSSON M, LINDBERG E, REESE H. Tree species classification with multi-temporal sentinel-2 data[J]. Remote Sensing, 2018, 10(11): 1794. DOI:10.3390/rs10111794 |
| [7] |
方灿莹, 王琳, 徐涵秋. 不同植被红边指数在城市草地健康判别中的对比研究[J]. 地球信息科学学报, 2017, 19(10): 1382-1392. |
| [8] |
张磊, 宫兆宁, 王启为, 等. Sentinel-2影像多特征优选的黄河三角洲湿地信息提取[J]. 遥感学报, 2019, 23(2): 313-326. |
| [9] |
王密, 郭贝贝, 龙小祥, 等. 高分六号宽幅相机在轨几何定标及精度验证[J]. 测绘学报, 2020, 49(2): 171-180. |
| [10] |
刘代超, 李晓松, 李向晨, 等. GF-6影像应用于林地与非林地识别的潜力分析[J]. 测绘通报, 2020(8): 5-12, 17. |
| [11] |
GU H N, LI H T, YAN L, et al. An object-based semantic classification method for high resolution remote sensing imagery using ontology[J]. Remote Sensing, 2017, 9(4): 329. DOI:10.3390/rs9040329 |
| [12] |
田甜, 范文义, 卢伟, 等. 面向对象的优势树种类型信息提取技术[J]. 应用生态学报, 2015, 26(6): 1665-1672. |
| [13] |
DRĂGUT L, TIEPE D, LEVICK S R. ESP: a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data[J]. International Journal of Geographical Information Science, 2010, 24(6): 859-871. DOI:10.1080/13658810903174803 |
| [14] |
张宏涛, 黄宏胜, 魏康宁, 等. 基于面向对象与规则的Sentinel-2A影像土地覆被分类——以江西省都昌县为例[J]. 测绘通报, 2020(6): 111-117. |
| [15] |
KORHONEN L, HA DI, PACKALEN P, et al. Comparison of Sentinel-2 and Landsat 8 in the estimation of boreal forest canopy cover and leaf area index[J]. Remote Sensing of Environment, 2017, 195: 259-274. DOI:10.1016/j.rse.2017.03.021 |
| [16] |
梁继, 郑镇炜, 夏诗婷, 等. 高分六号红边特征的农作物识别与评估[J]. 遥感学报, 2020, 24(10): 1168-1179. |
| [17] |
DASH J, CURRAN P J. The MERIS terrestrial chlorophyll index[J]. International Journal of Remote Sensing, 2004, 25(23): 5403-5413. DOI:10.1080/0143116042000274015 |
| [18] |
WU C Y, NIU Z, TANG Q, et al. Estimating chlorophyll content from hyperspectral vegetation indices: modeling and validation[J]. Agricultural and forest meteorology, 2008, 148(8-9): 1230-1241. DOI:10.1016/j.agrformet.2008.03.005 |