基于高分1号影像的森林植被信息提取（一）
摘要
实时最新森林植被信息的提取是林业航空植保作业的必要前提。论文以安徽省蚌埠市为研究区域,探讨了基于高分1号卫星遥感数据在亚热带农林植被混合地区的森林植被信息提取。根据植被物候信息差异选择了提取森林植被信息的5个关键时期高分影像,采用分区决策树方法监测森林植被的空间分布和面积信息,并与未分区决策树法的提取结果进行比较。结果表明：采用分区决策树法和未分区决策树法对于大中尺度森林植被信息提取的总体精度均优于85%。但分区决策树森林植被提取总体精度达到90.72%,较未分区决策树法提高3.80%、4.65%,Kappa系数达到0.81,较未分区决策树法提高约0.07~0.10,结合植被物候信息的分区决策树森林植被提取法好于未分区决策树法,能够满足林业航空植保作业的精度需求。具有较高空间分辨率、宽覆盖、短重访周期的高分1号影像,对于大区域的林业航空植保当年最新森林植被信息的提取表现出较大的潜力。
关键词: 航空植保; 森林植被; 高分1号; 决策树; 多时相
中图分类号:S771.8 文献标志码:A 文章编号:1000-3037(2018)06-1068-12
航空植保近年来在我国取得快速发展且市场需求巨大。在林业航空植保中, 对于森林植被信息的现势性要求较高, 当年最新的森林植被信息提取是保证林业航空植保作业任务洽谈、提高航空植保作业航线规划精度和作业效率的必要前提[1]。植保公司需在前期投入一定的人力、物力对飞防区开展地面调查, 以掌握当前最新的植保作业区域森林植被空间分布和面积信息。但是地面调查方式的成本高、周期长, 不利于大面积森林植被信息的获取。在大区域植保作业时, 为减少野外实地调查的工作量, 作业人员常采用人机交互的方式从历史高清影像上目视解译获得森林植被的分布情况和面积核算[2, 3, 4], 还有作业人员借助Google Earth历史影像对森林植被分布区域进行目视判读估算。高清影像的目视解译需要解译人员对作业区域非常熟悉, 且工作量大, 难以满足大区域的应急性需要。此外, Google Earth的历史影像存在部分区域更新频率不够的问题, 常出现因森林变化导致提取的飞防区边界与实际情况不符, 引发误喷洒农药事件。
遥感技术因其现势性强、可重复、覆盖地域广等优势, 已成为当前获取大面积森林植被信息的主要手段。基于遥感技术的森林植被信息快速提取需要解决最新遥感影像数据的获取和遥感影像数据快速解译两方面的难题。一方面, 我国已于2013年发射了高分1号卫星, “ 高分1号” 数据具有4 d的重访周期, 地面最高分辨率可实现全色优于2 m, 多光谱优于8 m, 能够在时空分辨率上为航空植保作业获取作业所需的当年最新森林植被信息提供便利。此外, “ 高分1号” 16 m分辨率影像数据可免费获取, 对于大中尺度林业遥感监测是较好的低成本数据源。另一方面, 随着遥感处理技术手段的提高, 计算机软硬件技术的发展, 基于遥感自动提取方法获取森林植被信息空间分布和面积信息变得更加可靠[5, 6, 7]。
然而我国亚热带地区的农林植被混合较为常见, 森林植被与邻近的农田植被在一定时期存在明显的光谱重叠, 易产生“ 异物同谱” 现象, 给森林植被的遥感自动提取造成干扰。由于光谱重叠具有一定的时间跨度, 直接从单景遥感影像上对森林植被信息的计算机提取易造成“ 错分和漏分” 的情况, 提取结果很难保证精度。一些研究者通过构建结合植被物候信息的时序归一化植被指数（Normalized Difference Vegetation Index, NDVI）以实现森林植被信息的精确提取。如Chen等[8]将具有光谱和物候信息的多时相Landsat影像与具有较好的林地结构信息的雷达数据结合, 采用决策树法实现对海南岛地区热带雨林和橡胶人工林的高精度提取。雷光斌等[9]结合生长季和非生长季的多时相遥感影像, 采用决策树法显著提高了山地森林类型自动制图精度。贾明明等[10]结合HJ-1 CDD的光谱和纹理特征, 以及MODIS时序数据的物候特征, 采用面向对象的分类方法对森林植被类型进行提取, 结果表明采用加入物候特征的面向对象分类方法可大幅提高森林类型的分类精度。
此外, 针对亚热带农林植被混合地区森林植被与农田植被在主要物候期存在光谱重叠的现象, 直接从森林植被角度出发进行遥感提取也易产生“ 错分和漏分” 的问题。鉴于此, 本研究以安徽省蚌埠市林业航空植保作业需求为目的, 选取2015年5月1日、6月6日、8月3日和2016年2月8日、3月27日5个时相的高分1号遥感数据开展森林植被信息提取。基于森林植被和邻近农田植被物候信息的差异, 采用分区决策树分类方法首先提取蚌埠市总的植被覆被信息和易于提取的农田植被覆盖信息, 然后从总的植被覆被中剔除农田植被, 从而得到蚌埠市森林植被信息。本研究以期快速获取实时最新的森林植被空间分布情况和精确核算森林植被面积, 制作森林植被分布图, 为当地林业航空植保工作的开展提供前期基础数据。
1 数据和方法
1.1 研究区概况
蚌埠市位于淮海平原, 属黄淮冲积平原, 北部开阔平坦, 南部岗丘起伏, 平均海拔约20 m。地理位置介于116° 44′ 08″~118° 04′ 05″E, 32° 42′ 60″~33° 30′ 57″N。蚌埠市土地总面积5 950.72 km2（图1）, 从行政范围看整个蚌埠地区包括蚌埠市区（下辖淮上区、禹会区、蚌山区、龙子湖区4区）和怀远县、五河县、固镇县3个县。
 | 图1 研究区位置Fig. 1 Location of the study area |
蚌埠地区的农林植被混合现象较为常见。根据2015年蚌埠市统计年鉴[11], 全市耕地总面积为378 180 hm2, 主要种植小麦、水稻、玉米等农田植被, 全市种植小麦面积约240 064 hm2, 水稻种植面积110 425 hm2。同时还种植有花生、大豆、薯类、油菜、棉花、蔬菜等经济作物。蚌埠市的森林植被类型属北亚热带落叶阔叶林和常绿阔叶混交林地带, 主要森林类型是黑松（Pinus thunbergii）林、松栎（Pinus tabulaeformis+Quercus liaotungensis）混交林及杨树（Populus L）林。近年来, 蚌埠市林业快速发展, 人工造林面积呈现逐年增加的趋势。根据2015年蚌埠市统计年鉴[11], 2010— 2014年蚌埠市造林面积分别为1 085、1 602、3 922、8 726、10 124 hm2。蚌埠市逐渐形成了经济林、种苗花卉、木材加工和森林旅游等产业[12], 林业的发展促使蚌埠市林业植保需求的快速增加。
野外调查样点于2016年6月底采集完成, 主要调查地物类型、地形地貌等, 调查路线（图1）为蚌埠市区、怀远县城、固镇县城、五河县城, 最后再回到蚌埠市区。共采集样点245个, 其中森林样本点140个, 非森林样本点105个。
1.2 高分1号数据及预处理
1.2.1 高分1号遥感数据
当前遥感卫星数据多样, 为森林植被信息的提取提供了多样化的数据选择。考虑到研究区面积较大, 且高分1号数据具有重访周期短（4 d覆盖中国全境）、高幅宽（800 km）的数据特点, 为方便构建NDVI时间序列, 本研究采用高分1号WFV相机数据作为监测森林植被的数据源（http://www.rscloudmart.com/）。高分1号卫星搭载有4台多光谱宽覆盖相机（WFV1、WFV2、WFV3、WFV4相机）, 空间分辨率为16 m, 含蓝、绿、红、近红外4个波段。作为中国高分辨率对地观测系统的首发星, 高分1号大大提高了我国高分辨率数据的自给率, 降低了大尺度林业遥感监测的数据成本, 提高了监测的时效性。研究中根据森林和农田植被的关键物候期、云量、相对湿度和风速4个参数, 选取2015年5月1日数据1景、2015年6月6日2景、2015年8月3日3景、2016年2月8日1景、2016年3月27日1景（表1）。
 | 表1 高分1号WFV影像列表Table1 Imagery list of GF-1 WFV |
1.2.2 遥感数据预处理
本研究的数据预处理包括影像的辐射定标、大气校正、几何精校正、正射校正、影像的镶嵌和裁剪等。高分1号卫星WFV相机绝对辐射定标系数来自中国资源卫星应用中心（http://www.cresda.com/）。有研究表明[13]使用多光谱数据计算光谱指数时, 可以使用简单的快速大气校正或暗像元法。本研究区域由于面积较大, 为减少由大气散射和吸收引起的辐射误差, 故采用FLAASH大气校正法。几何精校正是以蚌埠市2014年林地第二次全国土地调查（简称“ 二调” ）数据为基准, 将其他影像统一配准到西安1980坐标系, 所有影像在几何配准时, 控制精度在1个像元范围内。影像正射校正的处理是在ENVI软件中RPC正射校正工作流程中完成, 采用的DEM数据为GMTED 2010数据。对2015年6月6日WFV1和WFV2的两景不同传感器数据和2015年8月3日3景不同传感器数据, 在对各景影像分别进行辐射和大气校正等处理后再镶嵌裁剪, 以期消除传感器因素对地物光谱的影响。
1.3 研究方法
1.3.1 植被指数
归一化植被指数（NDVI）是由Rouse等[14]提出, 能够反映绿色植被的覆盖度, 可以用来监测植被生长活动的季节和年际变化, 计算公式为：
NDVI=ρnir−ρredρnir+ρred
（1）
式中： ρnir
为近红外波段反射率; ρred
为红光波段反射率。
对5个时相的影像进行预处理后分别计算NDVI值, 将其中2015年8月3日、2015年6月6日、2015年的5月1日3景高分1号数据的NDVI图分别赋予R、G、B三个通道, 进行RGB伪彩色合成, 得到的结果如图2。
1.3.2 植被遥感监测分区
通过地面调查与遥感光谱分析发现, 在不同的区域, 即使相同的地物, 其光谱特性也可能有较大的差异。野外调查显示研究区北部地区（包括固镇县在内）当年农田作物主要以花生等经济作物种植为主, 一年一季; 而南部地区（怀远县、蚌埠市区和五河县）农田作物为水稻、小麦等, 一年两季; 苜蓿的种植主要分布在五河县; 黑松林、松栎混交林等森林植被主要分布在山峰地区和林场周围。
综合影像数据时相差异和蚌埠地区植被的物候信息, 将研究区划分为北部地区的A区域和南部地区的B区域两部分（图2）。A区域主要为固镇县, 还包括五河县和怀远县的北部小部分地区。B区域主要包括蚌埠市市区, 五河县和怀远县的南部大片地区。分别针对两个区域植被的物候差异, 构建不同的决策规则。本文中的决策树分类通过ENVI 5.3软件实现。
 | 图2 伪彩色合成影像Fig. 2 False-color remote sensing images |
