林业科学  2019, Vol. 55 Issue (2): 87-96   PDF    
DOI: 10.11707/j.1001-7488.20190209
0

文章信息

毛学刚, 邢秀丽, 李佳蕊, 谭良全, 范文义.
Mao Xuegang, Xing Xiuli, Li Jiarui, Tan Liangquan, Fan Wenyi.
基于航空正射影像的面向对象林隙识别
Object-Oriented Recognition of Forest Gap Based on Aerial Orthophoto
林业科学, 2019, 55(2): 87-96.
Scientia Silvae Sinicae, 2019, 55(2): 87-96.
DOI: 10.11707/j.1001-7488.20190209

文章历史

收稿日期:2016-12-19
修回日期:2017-02-05

作者相关文章

毛学刚
邢秀丽
李佳蕊
谭良全
范文义

基于航空正射影像的面向对象林隙识别
毛学刚, 邢秀丽, 李佳蕊, 谭良全, 范文义     
东北林业大学林学院 哈尔滨 150040
摘要:【目的】研究分割尺度及对象特征对航空正射影像面向对象林隙识别的影响,评价基于航空正射影像林隙识别适宜性。【方法】以真彩色航空正射影像为基础数据,采用面向对象分类方法,以东北典型天然次生林帽儿山实验林场东林施业区为试验区进行林隙识别。在面向对象分类过程中,对航空正射影像的3个分量(Blue、Green和Red)采用10种尺度(10~100,步长为10)进行分割,应用拓扑组合准确度(RA(or)RA(os))和位置准确度(Dsr)评价分割结果。对每种尺度分割结果,应用航空正射影像的光谱及光谱+纹理结合特征,采用带有线性核的支持向量机(SVM)分类器进行林隙、非林隙和树冠分类,共获得20种分类结果。利用混淆矩阵计算的生产者精度、用户精度、分类总精度和Kappa系数4个评价指标对分类结果进行精度评价。【结果】对象特征(大小和形状)受尺度参数影响,小尺度分割产生小面积对象,大尺度分割产生大面积对象,但大尺度不能有效将明显的林隙从冠层中分离出来,存在明显分割不足的现象。拓扑组合准确度(RA(or)RA(os))和位置准确度(Dsr)说明与参考对象最相似的分割对象结果是在尺度20时获得的分割结果(RA(or)RA(os)较大且接近,Dsr较小)。光谱及光谱+纹理结合特征分类方案分类总精度具有相似的变化特征,即小尺度分类总精度较低,随着尺度增大,分类总精度也再提高并在某个尺度达到最大值,之后分类总精度随尺度增大而降低,并趋于平稳。光谱+纹理结合特征的分类总精度低于仅使用光谱特征的分类总精度,在中小尺度上尤其明显。在尺度参数为20时使用光谱+纹理结合特征分类总精度低19个百分点,在尺度参数为30时低13个百分点。基于航空正射影像分割最优尺度参数为20。【结论】基于航空正射影像进行林隙识别,最高精度仅为74%(Kappa=61%),林隙生产者和用户精度在60%以上,非林隙生产者和用户精度在90%左右。基于航空正射影像林隙识别纹理特征的加入还将继续降低识别精度。
关键词:林隙    影像分割    对象特征    航空正射影像    支持向量机    面向对象    
Object-Oriented Recognition of Forest Gap Based on Aerial Orthophoto
Mao Xuegang, Xing Xiuli, Li Jiarui, Tan Liangquan, Fan Wenyi     
School of Forestry, Northeast Forestry University Harbin 150040
Abstract: 【Objective】The effects of different segmentation scales and characteristics of objects on object-oriented forest gap based on aerial orthophoto were studied, and the suitability of forest gap classification based on aerial orthophoto was also evaluated in this research.【Method】In this study, based on true color aerial orthophoto data and object-oriented classification method, northeastern typical natural secondary forest-Mao'ershan Experimental Forest Farm Donglin industry zone was selected as the study area for classification of forest gap. In the process of object-oriented classification, for three components of aerial orthophoto (Blue, Green, Red), 10 scales (10-100, step size 10) was divided to carry out segmentation, and topological combination accuracy (RA(or) and RA(os)) and position accuracy (Dsr) were used to evaluate the classification results. For each segmentation result of different scales, spectral features and combination features of spectrum and texture derived from aerial orthophoto were used, and support vector machine (SVM) with linear kernel classifier of object-oriented was used to classify the study area into forest gap, non-forest gap and canopy, totally 20 classification result were obtained. Later the accuracy of each classification result was evaluated by the 4 different evaluation indexes, namely producer accuracy calculated by Confusion matrix, user accuracy, classification accuracy and Kappa coefficient.【Result】Characteristics of objects (size and shape) were affected by scale parameter. Objects in small area were created by small scale segmentation, and objects in big area were created on large scale segmentation, however, segmentation of large scale could not efficiently distinguish obvious forest gaps from canopies, it indicates an obvious insufficient segmentation phenomenon. The topological combination accuracy (RA(or) and RA(os)) and position accuracy (Dsr) illustrated that the result of segmentation objects on 20 scale (RA(or) and RA(os) were higher and close, Dsr was lower) was most similar to the reference objects comparing to the result on other segmentation scales. The segmentation schemes of spectral features and combination features of spectrum and texture showed a similar variable trend:classification accuracies were lower on small scales, and then increased with scale increasing, after reached the maximum on a certain scale, they decreased to stable state. The classification accuracy using combination features of spectrum and texture was lower than that using spectral features only, especially on small scales. On the segmentation scale of 20, the overall classification accuracy using combination features of spectrum and texture was 19% lower than that using only spectral features, and accordingly 30% lower on the segmentation scale of 30.The optimal scale parameter of segmentation based on aerial orthophoto was 20.【Conclusion】The highest recognition accuracy was just 74%(Kappa=0.61) when using aerial orthophoto to recognize forest gaps, the producer and user accuracy of forest gap were all above 60%, and which of non-forest gap were around 90%.The classification accuracy based on aerial orthophoto would continually decrease when adding texture features.
Key words: forest gap    image segmentation    object features    aerial orthophoto    SVM    object-based    

林隙是指森林群落中,由于自然因素(病虫害、干旱、火灾、雪压)或人为干扰导致单株或多株树木个体死亡而形成的将由新个体占据与更新的空间(St-Onge et al., 2014),其在森林再生、周转以及动态变化中起着重要作用(St-Onge et al, 2014Vepakomma et al., 2011)。通常认为,林隙的面积范围为4~1 000 m2,面积小于4 m2,其内部微生境特征与林冠下差异不明显,面积大于1 000 m2,空地完全暴露在太阳辐射下,空地内地表温度大幅提升将导致土壤水分减少,完全丧失森林环境。野外实地测量林隙复杂困难,且冠层中的林隙是动态变化的,因此寻找一种高效合适的林隙提取方法至关重要。

与需要大量的实地调查和经验的人工解译相比,遥感是一种高效、准确的自动林隙识别技术。研究表明,中等空间分辨率的卫星影像能够识别较大的林隙,却不能识别小的林隙(30 m以下)(Asner et al., 2004Negrón-Juárez et al., 2011Clark et al., 2004)。高空间分辨率遥感数据(IKONOS、WorldView)的出现,使这一问题有了解决途径。He等(2009)利用SPOT5多光谱遥感影像(10 m)成功识别了小的森林干扰(小径和林隙);Jackson等(2000)采用带有11个波段的机载专题制图仪(空间分辨率4 m)对风倒产生的林隙进行识别,单个像元的识别精度达到90%;Malahlela等(2014)采用带有8个波段为WorldView-2识别林隙,与传统的4个波段相比,林隙的识别精度较高。航空影像是目前可用的最高空间分辨率遥感数据,在提取冠幅、树种识别、林分郁闭度估测等方面得到了广泛应用(王晓杰等, 2013郎璞玫, 2008赵峰等, 2009Petersen et al., 2005Lucas et al., 2008Garrity et al., 2014),也将为林隙的精确识别提供更加有利的条件。

采用航空影像进行林隙识别,传统基于像元的分类方法已不再适合,因为地形变化以及不同光照条件会导致像元值发生变化,影响分类精度,而且会产生“胡椒盐”现象(Johansen et al., 2010)。作为传统方法的替代,面向对象分类方法可以减少地理对象的光谱变异。Yang等(2015)对高空间分辨遥感影像和LiDAR遥感数据进行多尺度分割,采用面向对象方法进行林隙识别,精度为80.28%±6.16%,同时得出分割对面向对象分类具有重要影响。Bonnet等(2015)Malahlela等(2014)对基于像元的分类方法与多尺度分割结合面向对象方法进行对比研究,得出采用多尺度分割结合面向对象方法能够获得更高的林隙识别精度。鉴于此,本研究以航空正射影像为基础数据,采用面向对象方法对东北典型天然次生林帽儿山实验林场东林施业区进行林隙识别,并试图找到一种合适的方法用于大区域林隙提取和监测,进而评价基于航空正射影像林隙识别适宜性。本研究主要涉及以下3方面问题:1)仅使用一种数据源航空正射影像是否可以进行林隙识别,精度能够达到多少;2)航空正射影像进行林隙识别的最优分割尺度;3)航空影像提取的对象特征在面向对象林隙识别中的作用。

1 研究区概况与数据源 1.1 研究区概况

以黑龙江省尚志市境内东北林业大学帽儿山实验林场东林施业区(45°17′—45°21′N, 127°35′—127°41′E)为研究区(图 1),该区南北长6.7 km,东西宽5.7 km,总面积3 011 hm2。植被属于长白山植物区系,是由地带性顶级植被阔叶红松(Pinus koraiensis)林经人为干扰破坏后形成的典型天然次生林(卢军等,2011)。森林郁闭度在0.6以上,平均年龄56年,乔木平均高15.7 m。次生林类型多样且具代表性,群落类型有硬阔叶林、软阔叶林、针叶林和针阔混交林。该研究区林隙的类型、大小和结构各有不同。

图 1 研究区、航空正射影像(DOM)及样本分布 Fig. 1 Study area, aerial orthophoto image(DOM) and sample distribution
1.2 数据源 1.2.1 航空正射影像

航空正射影像采集使用DigiCAMH/22CCD数码相机,飞行平台为国产运-10飞机,飞行速度180 km·h-1,飞行相对航高800 m, 绝对航高1 600 m。采集时间为2015年9月14—15日,天气晴朗无云,对航空影像采集没有影响。CCD相机获取的航空正射影像地面分辨率为20 cm,航向重叠度40%,旁向重叠度30%。航空正射影像包括红光(Red)、绿光(Green)和蓝光(Blue)3个分量,数据类型为8 bit无符号整型,数据格式为TIFF格式,使用西安80地理坐标系和高斯克吕格3度带投影坐标系(图 1)。

1.2.2 辅助数据

以航空正射影像为底图(20 cm),手工数字化一套包括172个林隙多边形(17 309个像素)、68个非林隙多边形(22 280个像素)和随机选择的58个树冠多边形(21 638个像素)。在该套参考多边形中随机选择53个林隙多边形(10 325个像素)、25个非林隙多边形(15 447个像素)和17个树冠多边形(14 809个像素)作为面向对象分类方法的训练样本,剩余119个林隙多边形(6 984个像素)、43个非林隙多边形(6 833个像素)和41个树冠多边形(6 829个像素)作为检验样本。

2 研究方法

面向对象分类方法进行林隙识别包括3个过程:1)影像分割即创建对象;2)对象特征提取;3)面向对象分类。对航空正射影像设置10种分割尺度,并采用Möller等(2007)方法评价分割质量。基于航空正射影像蓝光、绿光和红光3个分量的光谱和纹理特征,使用支持向量机(SVM)分类器进行林隙识别,将整个研究区划分为林隙、非林隙和树冠3种类型。对不同尺度的分割和分类方案,采用同一套验证样本进行评价和精度检验,选出最优分类结果,制作林隙专题地图,技术路线如图 2所示。

图 2 基于航空正射影像林隙识别流程 Fig. 2 Flow diagram of recognition of forest gap based on aerial orthophoto image
2.1 影像分割

影像分割采用重采样后空间分辨率为2 m的航空正射影像,主要基于以下3个原因:1)基于0.2 m空间分辨率航空正射影像分割在冠层中会产生一些树与树之间的空隙,该空隙不属于林隙;2)经试验,2 m空间分辨率航空正射影像能够很好地将林隙分割出来(毛学刚等,2017);3)采用2 m空间分辨率航空正射影像能够极大提高分割时的运行效率,使得大区域林隙分割分类成为可能。影像分割采用eCognition Developer 8.7(易康)软件的分割算法[多尺度分割(multiresolution segmentation, MRS)]。MRS利用区域合并算法,分割过程由4个参数控制——尺度、形状、紧密度和输入图层所占权重(Benz et al., 2004)。分割大小主要由尺度参数决定,因此设置不同的尺度参数,输入图层所占权重、形状和紧密度采用默认值1、0.1和0.5。影像分割采用航空正射影像的3个分量(Blue、Green、Red),分割方案在10~100的10种尺度下进行。

2.2 对象特征提取

分类过程采用的对象特征根据航空正射影像的光谱信息和纹理信息计算得到。光谱特征采用航空正射影像3个分量均值和标准差,纹理特征采用3个分量灰度共生矩阵(GLCM)平均值和标准差以及灰度级差矢量(GLDV)对比度和平均值(Ecognition, 2010)。对象的几何特征(形状、紧密度)没有采用,主要是因为林隙的形状和紧密度多种多样,没有一致的规律性(规则的圆形、椭圆形、长条形、不规则的形状),难以通过人为定义的几何形状将林隙与冠层明确区分开来。本研究共选取18个特征指标,包括6个光谱特征指标和12个纹理特征指标(表 1)。

表 1 面向对象分类的对象特征 Tab.1 Image object features used in the classifications
2.3 面向对象分类

根据选择的训练样本及提取的对象特征,采用eCognition Developer 8.7软件的SVM分类器进行林隙、非林隙和树冠分类。对于林中空地本研究将划分为非林隙,主要通过林中空地与林隙光谱特征进行区分:1)由于林隙中存在明显的再生植被,而林中空地没有植被覆盖,所以采用光谱特征可以区分林中空地和林隙对象;2)由于林隙对象较小,受周围植被的影响光谱较暗,而林中空地(非林隙)面积较大,受冠层之间的遮挡影响较小光谱较亮,因此采用光谱特征也可以区分林中空地和林隙。SVM分类器通过非线性变换将输入空间变换到一个高维的特征空间,然后在这个新的高维特征空间中求取最优分类超平面(Vapnik, 2000)。对输入数据的这种变换是通过核函数进行的[线性、多项式、径向基(radial basis function, RBF)、S形]。基于航空正射影像光谱和纹理特征计算的18个对象特征指标,采用带有线性核函数的SVM分类器进行分类,共获得了20种分类结果(图 5)。

图 5 应用光谱及光谱+纹理特征的每个尺度上的分类精度 Fig. 5 Classification accuracies using spectral features, spectral + texture features at each scale parameter
2.4 分割质量评价

Möller等(2007)提出的计算分割对象和参考对象拓扑、几何相似度的方法,在最优分割尺度选择获得了很好效果,并在国内外有较好应用(Ke et al., 2010Sun et al., 2014毛学刚等,20172018),因此本研究采用手工数字化的53个林隙参考多边形和25个非林隙参考多边形共78个参考多边形作为分割参考对象。与参考对象相交超过10%面积的对象被视作感兴趣分割对象,提取出参考对象与分割对象的重叠部分,计算3种指标:1)重叠区域占参考对象面积的比例(RA(or));2)重叠区域占分割对象面积的比例(RA(os));3)分割对象与参考对象的位置差异(Dsr)。

$ {R_{A({\rm{or}})}}\% = \frac{1}{n}\sum\limits_{i = 1}^n {\frac{{{A_{\rm{o}}}\left( i \right)}}{{{A_{\rm{r}}}}}} \times 100; $ (1)
$ {R_{A({\rm{os}})}}\% = \frac{1}{n}\sum\limits_{i = 1}^n {\frac{{{A_{\rm{o}}}\left( i \right)}}{{{A_{\rm{s}}}\left( i \right)}}} = \times 100; $ (2)
$ {D_{{\rm{sr}}}} = \frac{1}{n}\sum\limits_{i = 1}^n {\sqrt {{{[{X_{\rm{s}}}\left( i \right) - {X_{\rm{r}}}]}^2} + {{[{Y_{\rm{s}}}\left( i \right) - {Y_{\rm{r}}}]}^2}。} } $ (3)

式中:n为分割对象的数量;Ao(i)为第i个与参考对象重叠区域的面积;Ar为参考对象的面积;As(i)为第i个分割对象面积;Dsr为分割对象质心与参考对象质心的平均距离;Xs(i)和Ys(i)为第i个分割对象质心的坐标;XrYr为参考对象质心的坐标;RA(or)RA(os)用来评价分割对象与参考对象间的拓扑相似性,当参考对象分割情况良好时,2个值均接近100%;Dsr表示分割对象的位置精度,位置准确的对象Dsr接近于0,分割不足或过度分割都会增加DsrRA(or)RA(os)Dsr代表总体分割质量。

2.5 分类结果精度评价

分类结果精度评价采用混淆矩阵计算的生产者精度(producer’s accuracy, PA)、用户精度(user’s accuracy, UA)、总精度(overall accuracy, OA)和Kappa系数4个评价指标(Janssen et al., 1994)。对OA和Kappa系数进行比较,可以获得以下3种结果:1)航空正射影像林隙识别的适宜性;2)分割尺度对林隙识别精度的影响;3)航空影像提取的对象特征在分类中的作用。

3 结果与分析 3.1 影像分割质量评价

随着尺度增加,RA(os)变小,RA(or)变大(图 3)。在小尺度情况下(尺度参数10~30),分割方案的RA(or)较低(38%~57%),RA(os)在尺度参数10时较高(68%),在尺度参数20~30时迅速下降。在尺度参数10时RA(or)较低、RA(os)较高,说明在小尺度下航空正射影像被过度分割;在大尺度(尺度参数40~100)时,分割方案都明显有着较高RA(or)和较低RA(os),说明航空正射影像分割不足。尺度参数20,RA(or)RA(os)比较接近(RA(or)=52%,RA(os)=46%),说明对于一个参考对象,分割在总体上是平衡的。除去相等的RA(or)RA(os)外,其他分割所得对象与参考对象的匹配程度都低于尺度参数20时的分割结果,说明尺度参数20为最优分割尺度参数(图 3)。

图 3 分割质量评价 Fig. 3 Segmentation quality evaluation

分割对象质心与参考对象质心间的距离随尺度增加而增大,但不同尺度增速不同(图 3中的Dsr)。在小尺度下(10~30)增速缓慢,大尺度下(80~100)增速加快,说明较小尺度下分割影像质心偏移较小,较小尺度区间分割区别不是特别明显,但是大尺度区间分割影像质心偏移较大,因为较大面积分割对象被完全合并导致质心偏移较大。基于航空正射影像的分割尺度参数10~20时分割对象质心与参考对象质心间的距离接近(10:Dsr=13 m;20:Dsr=18 m)。与参考对象最相似的分割对象是在尺度参数20时获得的(RA(or)RA(os)较大且接近,Dsr较小)(图 3)。

3.2 影像分割结果

对分割对象进行可视化检查可知,对象特征(大小和形状)受尺度参数影响。小尺度分割产生小面积对象(图 4abc),大尺度分割产生大面积对象,但大尺度不能有效将明显的林隙从冠层中分离出来,存在明显分割不足的现象(图 4ghi)。随着分割尺度增加,林隙分割难度随之加大,但是对于更小尺度分割,容易产生过度分割的现象(图 4a),一块林隙可能会被分割成若干个对象,这种现象在冠层分割中尤其明显。尺度参数20、30时下,除个别样本外,林隙分割并无特别明显差别,很难通过可视化检查选择出哪一个尺度为最优结果。以尺度参数40~90进行分割,不能有效划分林隙,且林隙严重分割不足,分割多边形基本都为树冠。

图 4 尺度参数10~90时林隙分割示例 Fig. 4 Example of segmentation of forest gaps at scale parameters 10-90
3.3 分类结果精度评价

光谱及光谱+纹理特征分类精度在不同尺度基本保持了相同的变化特征,即小尺度分类精度较低,随着尺度增大,分类精度也再提高并在某个尺度达到最大值,之后分类精度随尺度增大而降低,并趋于平稳(图 5)。这与分割质量变化相似,在过度分割时分类精度较低,随着分割质量提高分类精度也会提高,达到最优分割质量时,分类精度达到最高,分割不足导致分割质量下降,分类精度也会降低。总体规律是:分割质量高,分类也处于较高精度,分割质量低,分类精度也会不理想。仅使用光谱特征的分类精度高于光谱+纹理结合特征的分类精度,在中小尺度上尤其明显,如仅使用光谱特征分类(图 5中SP)在尺度参数为20时比使用光谱+纹理结合特征(图 5中SP+TE)分类精度(OA)高19个百分点,在尺度参数为30时高13个百分点。纹理特征也受不同尺度影响,并且不同尺度由于过度分割或分割不足会导致对象真实的纹理特征被破坏,相当于加入了错误的特征信息而使分类精度降低。本研究将10个分割方案获得最高分类精度的尺度参数定义为最优尺度参数。基于航空正射影像分割-分类方案的最高分类精度为74%(尺度参数=20),这也是20种分类结果中的最高精度,因此最优尺度参数为20。

3.3 不同尺度的分类精度比较

表 2为应用光谱特征采用10、20(最优尺度)和100尺度3种分类方案的混淆矩阵。基于光谱特征分类方案中,尺度20时分类总精度最高(OA=74%,Kappa=61%),林隙生产者精度(PA)和用户精度(UA)均达到60%以上,非林隙生产者精度(PA)和用户精度(UA)均在90%左右,但与尺度10相比树冠的生产者精度(PA)下降较多,因此分类总精度(OA)并不是特别理想。尺度10分类总精度(OA)较低主要受林隙影响,林隙错分非常严重,生产者精度(PA)和用户精度(UA)均在个位数(表 2)。尺度100分类总精度(OA)较低主要是林隙的用户精度(UA)较低。

表 2 尺度10、20、100分割-分类的混淆矩阵 Tab.2 Confusion matrix of segmentation-classification of at 10, 20, 100 scale
3.4 林隙专题图

图 6为应用光谱特征在最优尺度的分类结果(林隙、非林隙及树冠)。采用混淆矩阵计算的生产者精度(PA)和用户精度(UA)进一步解释了采用最优分割尺度进行林隙、非林隙和树冠分类精度的差别(表 2),林隙生产者精度(PA)和用户精度(UA)分别为62%和72%,树冠生产者精度(PA)和用户精度(UA)分别为70%和63%。对于冠层来说,一部分冠层被错分成林隙,主要是由于冠层中树之间遮挡产生的阴影和地形影响产生的阴影被单独从冠层中分割出来,仅应用光谱特征并不能很好分离出阴影而将阴影错分成林隙,使得分类总精度(OA)较低。冠层中存在大量林隙就是这个原因导致。

图 6 林隙专题 Fig. 6 Final thematic map of forest gaps
4 讨论 4.1 尺度参数对分割质量的影响

诸多因素都会影响影像分割质量,如输入数据、权重、形状因子、紧密度因子、尺度参数等。尺度参数是影响分割质量的最重要参数,并影响后续分类结果(Ke et al., 2010Mao et al., 2018)。在eCognition Developer 8.7软件中,尺度参数是一个没有被定义的抽象名词,然而尺度参数影响着分割的空间尺度,因为尺度参数与对象大小有关,大尺度产生大面积对象,小尺度产生小面积对象(Benz et al., 2004)。在所有尺度(10~100)上,分类总精度(OA)都呈现先增加后降低的趋势。在小尺度下的错分现象,可以解释为因光谱和阴影影响引起的类内变化过大,由于对象面积随尺度增加而变大,光谱和阴影影响变弱,并且对象度量能够代表林隙平均水平,林隙识别精度也会随之提高。然而,尺度增加也有限制,在一些尺度下对象面积超过一个单一林隙大小,就会引起林隙识别精度下降。

4.2 最优分割尺度的确定

最优分割尺度是针对要研究的特定应用问题而言的,不同的应用目的,其最优分割尺度不同。本研究的最优分割尺度定义为能获得最高分类精度的尺度,因此定义了单一的最优分割尺度(最优分割尺度=20)。之前研究存在2种最优分割尺度的定义方式,即定义单一最优尺度(Kim et al., 2008Wang et al., 2004)和定义一个最优分割尺度范围(Ke et al., 2010)。虽然基于最优分割尺度参数的分类结果明显高于尺度参数过低(10)或过高(100)的分类结果,但也存在一个最优分割尺度附近的范围能够得出相似的分类精度(图 5),如尺度参数20~50有相似的分类精度(73%~74%)。因此,本研究更倾向于定于一个最优分割尺度范围,因为在这个范围内有相似的分类精度。在最优分割尺度参数范围内分类精度没有明显不同,这也说明对林隙稍微的过度分割不会明显影响分类精度。

4.3 对象特征在面向对象分类中的作用

对象特征是面向对象遥感信息提取的主要依据,分类特征对分类精度具有重要影响,选择显著且可减少冗余错误的对象特征能够提高分类精度和分类效率。在面向对象分类中,光谱特征是所有对象特征的最基本特征,同时也是面向对象识别过程的重要依据(Immitzer et al., 2012),使用光谱特征分类结果在小尺度上精度低的主要原因是过度分割对象特征,信息被破坏导致林隙、非林隙、冠层发生很大变化。

本研究得出加入纹理特征将降低分类精度,但很多研究结论却与此相反(张伐伐等, 2012郑淑丹等, 2014)。分析其原因主要是:航空正射影像的纹理特征是基于分割对象的灰度共生矩阵和灰度级差计算的,纹理特征不仅与影像本身纹理变化特征有关,也与分割质量有关,如果每种对象分割得恰到好处,那么分割后对象所包含的纹理信息就丰富,对于小尺度分割来说,由于每个分割后的对象所包含的像元数较少,大部分林隙和非林隙被完整性破坏,每个对象所包含的纹理变化信息较少,尤其对于冠层这种纹理特征明显的对象来说,由于过度分割导致纹理信息不显著,所以对于小尺度(10~30)而言,纹理特征并没有提高分类精度,反而增加了冗余的不明显的分类特征从而导致分类精度下降(40%~61%),而对于较大尺度(50~100)而言,虽然保留了对象较完整的纹理信息,但是由于本身分割质量不高,所以分类精度并没有提高(63%~67%)。

4.4 航空正射影像林隙识别

基于航空正射影像进行林隙识别,精度并不是很高,主要原因在于:1)使用航空正射影像进行林隙识别受冠层中的阴影影响很大;2)虽然航空正射影像已经过正射校正,但是仍然不能避免观测时的角度影响而产生林隙遮挡,且不同观测角度和太阳高度角变化会引起太阳光辐射的变化导致林隙光谱的不确定性;3)林隙与冠层空间特征最主要的差异是高度特征,本研究只采用了光谱和纹理特征,并没有采用高度特征;4)地形因素也是一个通过改变光照条件进而影响冠层与林隙间光谱特征的重要因素。

5 结论

本研究以东北典型天然次生林帽儿山实验林场东林施业区为试验区,研究了基于航空正射影像面向对象林隙识别的全过程。航空正射影像在尺度参数20时分割对象,并使用对象的光谱特征进行面向对象林隙识别获得了最高分类精度(OA=74%,Kappa=61%)。对20种分类结果进行精度评价发现,相比定义一个单一最优分别尺度,定义一个最优分割尺度范围更加合适。虽然本研究纹理特征的加入降低了分类精度,但是纹理特征在其他分类中的作用并不能忽视。应该指出的是,本研究对林隙进行分割和分类采用的是重采样后2 m空间分辨率航空正射影像,应进一步研究空间分辨率及地形因素对分割和分类结果的影响,以提高识别精度。

参考文献(References)
郎璞玫. 2008. 航空像片冠幅与地面直径的线性混合模型. 林业科学, 44(3): 40-44.
(Lang P M. 2008. Linear mixed model of aerial photo crown width and ground diameter. Scientia Silvae Sinicae, 44(3): 40-44. DOI:10.3321/j.issn:1001-7488.2008.03.010 [in Chinese])
卢军, 李凤日, 张会儒, 等. 2011. 帽儿山天然次生林主要阔叶树种叶量分布模拟. 林业科学, 47(12): 114-120.
(Lu J, Li F R, Zhang H R, et al. 2011. Simulation of foliage distribution for major broad-leaved species in secondary forest in Mao'er Mountain. Scientia Silvae Sinicae, 47(12): 114-120. DOI:10.11707/j.1001-7488.20111217 [in Chinese])
毛学刚, 侯吉宇, 范文义. 2017. 林隙主被动遥感协同自动识别. 林业科学, 53(11): 94-103.
(Mao X G, Hou J Y, Fan W Y, et al. 2017. Object-based automatic recognition for forest gaps using aerial image and LiDAR data. Scientia Silvae Sinicae, 53(11): 94-103. DOI:10.11707/j.1001-7488.20171111 [in Chinese])
毛学刚, 杜子涵, 刘家倩, 等. 2018. 基于面向对象的QuickBird遥感影像林隙分割与分类. 应用生态学报, 29(1): 44-52.
(Mao X G, Du Z H, Liu J Q, et al. 2018. Object-oriented segmentation and classification of forest gap based on QuickBird remote sensing image. Chinese Journal of Applied Ecology, 29(1): 44-52. [in Chinese])
王晓杰, 范文义, 李明泽, 等. 2013. 基于大比例尺航片的树种识别及单株定位方法. 东北林业大学学报, 41(5): 152-157.
(Wang X J, Fan W Y, Li M Z, et al. 2013. Tree species extraction and individual spatial location based on large-scale aerial photo. Journal of Northeast Forestry University, 41(5): 152-157. DOI:10.3969/j.issn.1000-5382.2013.05.035 [in Chinese])
赵峰, 庞勇, 李增元, 等. 2009. 机载激光雷达和航空数码影像单木树高提取. 林业科学, 45(10): 81-87.
(Zhao F, Pang Y, Li Z Y, et al. 2009. Extraction of individual tree height using a combination of aerial digital camera imagery and LiDAR. Scientia Silvae Sinicae, 45(10): 81-87. [in Chinese])
张伐伐, 李卫忠, 卢柳叶, 等. 2012. SVM多窗口纹理土地利用信息提取技术. 遥感学报, 16(1): 67-78.
(Zhang F F, Li W Z, Lu L Y, et al. 2012. Technologies of extracting land utilization information based on SVM method with multi-window texture. Journal of Remote Sensing, 16(1): 67-78. [in Chinese])
郑淑丹, 郑江华, 石明辉, 等. 2014. 基于分形和灰度共生矩阵纹理特征的种植型药用植物遥感分类. 遥感学报, 18(4): 868-886.
(Zheng S D, Zheng J H, Shi M H, et al. 2014. Classification of cultivated Chinese medicinal plants based on fractal theory and gray level co-occurrence matrix textures. Journal of Remote Sensing, 18(4): 868-886. [in Chinese])
Asner G P, Keller M, Pereira R, et al. 2004. Canopy damage and recovery after selective logging in Amazonia:field and satellite studies. Ecological Applications, 14(sp4): S280-S298. DOI:10.1890/01-6019
Bonnet S, Gaulton R, Lehaire F, et al. 2015. Canopy gap mapping from airborne laser scanning:an assessment of the positional and geometrical accuracy. Remote Sensing, 7(9): 11267-11294. DOI:10.3390/rs70911267
Benz U C, Hofmann P, Willhauck G, et al. 2004. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. International Journal of Photogrammetry and Remote Sensing, 58(3/4): 239-258.
Clark M L, Clark D B, Roberts D A. 2004. Small-footprint lidar estimation of sub-canopy elevation and tree height in a tropical rain forest landscape. Remote Sensing of Environment, 91(1): 68-89. DOI:10.1016/j.rse.2004.02.008
Ecognition B. 2010. User Guide. Definiens Imaging GmbH. Munich: Definiens Imaging.
Garrity S R, Vierling L A, Smith A M S, et al. 2014. Automatic detection of shrub location, crown area, and cover using spatial wavelet analysis and aerial photography. Canadian Journal of Remote Sensing, 34(sup2): S376-S384.
He Y H, Franklin S E, Guo X L, et al. 2009. Narrow-linear and small-area forest disturbance detection and mapping from high spatial resolution imagery. Journal of Applied Remote Sensing, 3(1): 2701-2712.
Immitzer M, Atzberger C, Koukal T. 2012. Tree species classification with random forest using very high spatial resolution 8-band worldview-2 satellite data. Remote Sensing, 4(9): 2661-2693. DOI:10.3390/rs4092661
Janssen L L F, Wei F J M. 1994. Accuracy assessment of satellite derived land-cover data:a review. Photogrammetric Engineering and Remote Sensing, 60(4): 419-426.
Jackson R G, Foody G M, Quine C P. 2000. Characterising windthrown gaps from fine spatial resolution remotely sensed data. Forest Ecology and Management, 135(9): 253-260.
Johansen K, Arroyo L A, Phinn S, et al. 2010. Comparison of geo-object based and pixel-based change detection of riparian environments using high spatial resolution multi-spectral imagery. Photogrammetric Engineering and Remote Sensing, 76(2): 123-136. DOI:10.14358/PERS.76.2.123
Ke Y, Quackenbush L J, Im J. 2010. Synergistic use of QuickBird multispectral imagery and LIDAR data for object-based forest species classification. Remote Sensing of Environment, 114(6): 1141-1154. DOI:10.1016/j.rse.2010.01.002
Kim M, Madden M, Warner T. 2008. Estimation of optimal image object size for the segmentation of forest stands with multispectral IKONOS imagery. Object-Based Image Analysis. Berlin: Springer.
Lucas R, Bunting P, Paterson M, et al. 2008. Classification of Australian forest communities using aerial photography, CASI and HyMap data. Remote Sensing of Environment, 112(5): 2088-2103. DOI:10.1016/j.rse.2007.10.011
Mao X G, Hou J Y. 2018. Object-based forest gaps classification using airborne LiDAR data. Journal of Forestry Research, (sp4): 1-11.
Malahlela O, Cho M A, Mutanga O. 2014. Mapping canopy gaps in an indigenous subtropical coastal forest using high-resolution WorldView-2 data. International Journal of Remote Sensing, 35(17): 6397-6417. DOI:10.1080/01431161.2014.954061
Möller M, Lymburner L, Volk M. 2007. The comparison index:a tool for assessing the accuracy of image segmentation. International Journal of Applied Earth Observation & Geoinformation, 9(3): 311-321.
Negrón-Juárez R I, Chambers J Q, Marra D M, et al. 2011. Detection of subpixel treefall gaps with Landsat imagery in Central Amazon forests. Remote Sensing of Environment, 115(12): 3322-3328. DOI:10.1016/j.rse.2011.07.015
Petersen S L, Stringham T K, Laliberte A S. 2005. Classification of willow species using large-scale aerial photography. Rangeland Ecology and Management, 58(6): 582-587. DOI:10.2111/04-129R1.1
Sun X Y, Du H Q, Han N, et al. 2014. Synergistic use of Landsat TM and SPOT5 imagery for object-based forest classification. Journal of Applied Remote Sensing, 8(1): 083550-083564. DOI:10.1117/1.JRS.8.083550
St-Onge B, Vepakomma U, Sénécal J F, et al. 2014. Canopy gap detection and analysis with airborne laser scanning. Forestry applications of airborne laser scanning. Berlin: Springer Netherlands.
Vapnik V N. 2000. The nature of statistical learning theory. Berlin: Springer Verlag.
Vepakomma U, St-Onge B, Kneeshaw D. 2011. Boreal forest height growth response to canopy gap Openings-An assessment with multi-temporal LiDAR data. Ecological Applications A Publication of the Ecological Society of America, 21: 99--121. DOI:10.1890/09-0896.1
Wang L, Sousa W P, Gong P. 2004. Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery. International Journal of Remote Sensing, 25(24): 5655-5668. DOI:10.1080/014311602331291215
Yang J, Jones T, Caspersen J, et al. 2015. Object-based canopy gap segmentation and classification:quantifying the pros and cons of integrating optical and lidar data. Remote Sensing, 7(12): 15917-15932. DOI:10.3390/rs71215811