一种基于多源同期高分辨率遥感数据的树种分类方法
【技术领域】
[0001] 本发明属于林业调查、动态监测及生物多样性技术领域，具体涉及一种基于多源 同期高分辨率遥感数据的树种分类方法。
【背景技术】
[0002] 精确获取森林树种信息及其空间分布对于理解森林生态系统的结构、功能及其演 替，以及生物多样性具有重要意义。同时，树种空间分布信息可用于森林生长模型和生态过 程模型的参数化，指导和优化森林生态系统模拟。常规的树种调查方法主要依赖于地面野 外调查及利用大比例尺航片人工判读等，其耗费的工作量通常较大，且不利于森林树种信 息的更新。而遥感技术具有宏观、动态和快速的特点，可以弥补常规地面调查方法的不足。
[0003] 近年来，高分辨率和高光谱遥感技术的发展，为中到大尺度上的森林信息提取提 供了更高空间和光谱分辨率的数据源，同时在冠幅提取和树种分类中也具有很大潜力。然 而，以往的方法往往基于单一数据源（如TM，ALOS，CASI等），如王婧等在《遥感信息》2013 年第4期发表了"基于粗糙集规则提取的面向对象树种分类方法"，利用AL0S多光谱影像 对福建省三明市将乐林场的树种进行分类；且大多只针对主要森林类型，如李小梅等在《内 蒙古农业大学学报（自然科学版）》2010年第2期发表了 "基于对象的CHRIS遥感图像森 林类型分类方法研究"，通过CHRIS/PR0BA高光谱影像，对吉林省长白山地区进行纯林和混 交林的分类；或只针对优势树种组，如温一博和范文义在《森林工程》2013年第2期发表了 "多时相遥感数据森林类型识别技术研究"，利用多时相的TM数据对黑龙江省塔河县的北寒 带森林进行分类，区分出了当地森林中的四个优势树种组。显然这些方法在细化树种分类 层次和分类精度上还不能满足使用需求。
【发明内容】
[0004] 发明目的：针对现有技术中存在的不足，本发明的目的是提供一种基于多源同期 高分辨率遥感数据的树种分类方法，细化树种分类层次并进一步提升分类精度。
[0005] 技术方案：为了实现上述发明目的，本发明采用的技术方案如下：
[0006] -种基于多源同期高分辨率遥感数据的树种分类方法，包括以下步骤：
[0007] 1)借助AISA Eagle传感器的辐射定标参数对原始影像进行辐射定标，将原始影 像的DN值转化为像元辐射亮度值，然后利用FLAASH大气校正模型和平场域校正模型将像 元辐射亮度值转化为地表反射率值；
[0008] 2)利用基于边缘检测的多尺度分割方法对校正后的高分辨率影像进行面向对象 分割，并剔除掉背景信息，从而提取出单木冠幅，然后利用地面实测数据评价提取精度；
[0009] 3)在高光谱影像上对4个主要树种分别选取50个冠层光谱反射率曲线，通过平 均光谱反射率曲线求得4个树种冠层上表面平均反射率曲线；选择近红外波段的各波段作 为原始波段特征变量；通过对高光谱影像进行波段组合、多种植被指数变换、主成分分析、 独立成分分析、最小噪声分离以及纹理分析，共提取出5组共47个特征变量：包括12个原 始单波段特征、8个波段组合特征、9个植被指数特征、9个数理统计特征以及9个纹理特征； 在47个特征变量中选取信息熵最大的前12个特征变量作为优化特征变量；
[0010] 4)采用BP神经网络对影像进行分类，BP神经网络开始训练时选用较小的随机互 联权值与内部阈值，经过反复加载训练样本并调整权值，直到代价函数下降到可以接受的 容限值为止；分类完成后加入单木冠幅信息采用面积权限法进行重分类，即冠幅面积区域 内占大多数面积的树种类型为整个冠幅的树种类型。
[0011] 步骤1)中，遥感数据源于LiCHy传感器系统；其中，高光谱数据为AISA Eagle子 传感器获取，空间分辨率为〇. 6m，波长范围为398. 5nm-994. 4nm，光谱范围覆盖64个波段， 辐射分辨率为12bit ;高分辨率影像为LiCHy系统中的DigiCAM-60子传感器在同一时间获 取，空间分辨率为0. lm，辐射分辨率为8bit。
[0012] 步骤1)中，对影像进行几何精校正，使其配准到高光谱影像。选取320个同名像 点，采用二次多项式进行校正，并使得校正误差控制在1个像元之内，然后使用最邻近像元 法进行重采样。
[0013] 步骤2)中，提取精度包括探测位置准确性和冠幅半径准确性；探测位置准确性采 用分割树冠和地面实测树冠中心点的距离算法做匹配，当地面实测冠幅中心点在分割冠幅 半径之内时，分割冠幅探测正确。另外，加入树干倾斜改正，将分割冠幅半径加上2m作为探 测距离的阈值，距离小于探测阈值的认为探测位置准确。
[0014] 步骤2)中，探测位置的准确性用以下三个指标衡量：
[0016] 式中，r为冠幅的探测率，p为探测出的冠幅的准确率，F为总体精度，Nt为影像 上探测出且与地面实测相匹配的冠幅数量，No为影像上未探测出但地面实测存在的冠幅数 量，Nc为影像上探测出但地面实测并不存在的冠幅数量；对于冠幅半径的准确性，按照圆 形面积计算公式反推出冠幅半径，将地面实测冠幅半径与影像提取的冠幅半径作回归分析 计算冠幅半径提取的精度。
[0017] 步骤3)中，47个特征变量的含义及计算公式见下表：
[0018]
ο.
[0021] 步骤4)中，对于一个输入样本Ρ，其平方误差定义为：
[0023] 对于整个网络系统的总均方误差为：
[0025] 其中Ρ为训练样本总数，网络训练的目的是找到一组权值，使Ε极小化；LMS算法 用梯度下降法，即权重的增量正比于误差的负导数，使得过程收敛。
[0026] 步骤4)中，分类分为四组，第一组为使用全部特征变量，分四个树种进行分类；第 二组为使用优化特征变量，对四个树种进行再次分类；第三组为使用全部特征变量，按森林 类型进行分类；第四组为使用优化特征变量，按森林类型再次进行分类。
[0027] 步骤4)中，首先利用全部特征变量5组47个进行分类，对4个树种分别选择训练 区域，进行训练学习，再利用训练的模型对未知区域进行分类；分类完成后加入单木冠幅信 息采用面积权限法进行重分类，即冠幅面积区域内占大多数面积的树种类型为整个冠幅的 树种类型；重分类后利用地面实测数据评价分类精度评价；然后，利用优化的12个特征变 量对四个树种类型再次进行分类，分类方法为ΒΡ神经网络法，分类完成后加入单木冠幅信 息进行重分类，并进行分类精度评价；其次，利用全部特征变量5组47个对森林类型进行分 类，分为针叶和阔叶两种森林类型，分类方法选用ΒΡ神经网络法，分类后加入单木冠幅信 息进行重分类，并利用地面实测数据进行分类精度评价；最后，利用优化的12个特征变量 对森林类型再次进行分类，同样分为针叶和阔叶两种森林类型，分类方法使用ΒΡ神经网络 法，分类后加入单木冠幅信息进行重分类，并利用地面实测数据进行分类精度评价。
[0028] 有益效果：与现有技术相比，本发明将基于同期获取的高分辨率与高光谱遥感影 像对北亚热带的典型树种进行冠幅提取和多个层次的树种分类，细化树种分类层次并进一 步提升分类精度；其创新点和特色如下：
[0029] 1)基于边缘检测的多尺度分割算法，从多层次、多格局，建立不同尺度的分割等 级，逐层进行分割与信息提取。相比传统的直接（在郁闭度较低的林分影像上）量测法自 动化程度和精度都有所提升，同时与复杂的空间统计学理论相比，更易于推广；
[0030] 2)从高分辨率影像和高光谱影像中提取丰富的冠幅特征和光谱信息，提升亚热带 天然次生林树种及森林类型的分类精度。
[0031] 3)实验结果表明，利用全部特征变量进行4个典型树种分类时，总体精度为 64. 6%，kappa系数为0· 493 ;而针对森林类型的分类精度为81. 1%，kappa系数为0· 584。 利用选取的优化特征变量分类精度略低于利用全部特征变量的分类精度，其中对4个典 型树种分类时，总体精度为62. 9%，kappa系数为0. 459 ;而针对森林类型的分类精度为 77. 7 %，kappa 系数为