基于时序NDVI与光谱微分变换的森林优势树种识别

引用本文

徐凯健, 田庆久, 徐念旭, 岳继博, 唐少飞. 基于时序NDVI与光谱微分变换的森林优势树种识别[J]. 光谱学与光谱分析, 2019,39(12): 3794-3800.
XU Kai-jian, TIAN Qing-jiu, XU Nian-xu, YUE Ji-bo, TANG Shao-fei. Classifying Forest Dominant Trees Species Based on High Dimensional Time-Series NDVI Data and Differential Transform Methods[J]. Spectroscopy and Spectral Analysis, 2019,39(12): 3794-3800.
Doi:10.3964/j.issn.1000-0593(2019)12-3794-07 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

基于时序NDVI与光谱微分变换的森林优势树种识别

徐凯健^1,², 田庆久^1,^2,^*, 徐念旭^1,², 岳继博^1,², 唐少飞^1,²

1. 南京大学国际地球系统科学研究所, 江苏南京 210023

2. 江苏省地理信息技术重点实验室, 江苏南京 210023

*通讯联系人 e-mail: tianqj@nju.edu.cn

作者简介: 徐凯健, 1991年生, 南京大学国际地球系统科学研究所博士研究生 e-mail: kaijianxu0801@163.com

收稿日期: 2018-10-21 接受日期: 2019-02-19

基金: 国家重点研发计划重点专项(2017YFD0600903), 国家自然科学基金项目(41771370), 国家科技重大专项(03-Y20A04-9001-17/18&30-Y20A07-9003-17/18), 民用航天技术预先研究项目(Y7K00100KJ)资助

摘要

基于遥感光谱特征准确识别优势树种类型对于区域林业资源的监测和经营具有重要意义, 也是当前亟待解决的重要科学问题。伴随遥感技术的发展, 利用时间序列高分影像能够有效获取林分树种不同物候期生长特性及其冠层光谱动态信息, 有利于克服区域森林类型精细识别中普遍存在的异物同谱难题。以中国东北地区赤峰市旺业甸国有林场为试验区, 采用覆盖完整自然年的共36景高分一号(GF-1)WFV时间序列数据(16 m), 提取包含不同优势树种生长阶段特征的林分冠层光谱归一化植被指数(NDVI), 结合支持向量机(SVM)模型对研究区内5种典型优势树种: 油松、落叶松、山杨、白桦和蒙古栎, 进行不同时间尺度下(单季相、全季相、逐月和逐旬)的光谱识别研究。同时, 分别基于原始时序光谱及其一阶、二阶和三阶微分变换结果, 探讨了不同分辨率时序NDVI光谱及其3种微分变换结果对区域森林优势树种的识别效果。结果显示, 基于不同尺度的时间序列数据能够获得比不同季节单时相数据更好的树种识别结果( p<0.05), 其中采用全季相数据的树种总分类精度相比于春、夏和秋不同季节的单季相数据结果, 分别提高了7.67%, 6.64%和3.6%, 表明时间序列影像中所包含的植被物候信息对于区分不同森林树种类型十分重要, 同时秋季是采用单时相数据的最佳识别季节( p<0.05); 在不同时间序列数据中, 基于逐旬的NDVI数据显著优于基于逐月和全季相数据的光谱识别结果( p<0.05), 而基于全季相数据的光谱识别结果最低( p<0.05), 表明更密集的时序光谱信息有利于区域树种类型识别精度的提升。此外, 结合光谱微分变换后的树种识别结果比仅采用原始NDVI时间序列的识别结果精度更高( p<0.05), 其中基于逐旬和逐月时间分辨率数据的最高识别精度能够达到82.1%和78.74%, 分别提升了3.38%和2.95%。研究表明采用基于全年逐旬或逐月尺度的时序光谱数据, 并结合相应的微分变换方法, 可以有效提高区域尺度优势树种的识别精度, 为相关多光谱森林植被精细识别研究提供参考。

关键词: 树种识别; 时序NDVI; 微分变换; 高分一号; 支持向量机

中图分类号:S771.8 文献标志码:A

Classifying Forest Dominant Trees Species Based on High Dimensional Time-Series NDVI Data and Differential Transform Methods

XU Kai-jian^1,², TIAN Qing-jiu^1,^2,^*, XU Nian-xu^1,², YUE Ji-bo^1,², TANG Shao-fei^1,²

1. International Institute for Earth System Science, Nanjing University, Nanjing 210023, China

2. Jiangsu Provincial Key Laboratory of Geographic Information Science and Technology, Nanjing University, Nanjing 210023, China

Abstract

Ensuring the accuracy of forest trees species recognition based on remote sensing spectral detail information has strong practical significance and value in forestry resources monitoring and management, which is also an important scientific issue to be settled. The time-series remotely sensed data with high resolution can distinguish small canopy spectrum variation caused by different phenological growth characteristics of different forest tree species effectively, which is expected to solve the common problem of the isomorphism in multispectral recognition of tree species. To clarify this situation, we study the Wangyedian forest farm in Chifeng of Inner Mongolia, northeast China, by using a total of 36 scenes covering the whole year medium-high resolution satellite observations (at 16 m spatial resolution) which were supported with GF-1 WFV (wide field view) to extract various time series of NDVI reflectance data. The data contain all the seasonal phases and phenological growth stages of different tree species and are propitious for the fine recognition of forest types. Five dominant forest types of Pinus tabulaeformis, Larix gmelinii, Populus davidiana, Betula platyphylla, and Quercus mongolica forest were classified and recognized using Support Vector Machine (SVM) classifier at different time scales (single season, every quarter, month-to-month and every ten-days). We also explore the effects of different time scales of NDVI reflectance data and differential transformation methods on the recognition of regional forest dominant tree species, based on the original sequence spectrum and the first, second and third order differential transformation, respectively. The results showed that Autumn is the best single season to identify the dominant tree species in the study area ( p<0.05), and the largely improved recognition accuracy of forest tree species can be obtained from different time series data than single season data across all different seasons ( p<0.05). Compared with the single data of spring, summer and autumn, the overall accuracy (OA) based on the every quarter data improved, which increased by 7.67%, 6.64% and 3.6% respectively, indicating the importance of phenological information contained in time series data images for discriminating different forest types. Besides, the results of spectral recognition based on month-to-month and every quarter data were significantly lower than those based on every ten-days and every quarter ( p<0.05), and the spectrum recognition results based on the whole seasonal phase were the lowest in these time series data ( p<0.05), which showed that the denser time series spectral information is more beneficial to the improvement of the accuracy of regional tree species identification ( p<0.05). In addition, combined appropriately with spectrum differential transformation increased classification accuracy using time series multispectral imagery ( p<0.05), for the overall accuracy of tree species created with the combined data was higher than that from results of time series NDVI spectral alone in the study area. After combined with the optimal spectrum differential transformation method, the best overall accuracies occurred in every ten-days and month-to-month data were 82.1% and 78.74%, and the corresponding rates of increase reached 3.38% and 2.95%, respectively. The results indicated that adding spectral derivative analysis was more effective in improving the tree species recognition accuracy from every ten-days to month-to-month time series NDVI data ( p<0.05), which provided an effective reference and foundation for related researches focusing on fine recognition of forest types with multispectral remote sensing.

Keyword: Tree species classification; NDVI time-series; Differential transformation; GF-1; Support vector machine

文章图片

引言

森林生态系统是全球陆地生态系统的主体, 准确获取森林树种类型与空间分布信息对于区域林业经营与管理、森林病虫害及森林火灾监测、森林生理参数反演, 以及优化相关植被生态模型等方面具有重要意义^[1]。当前, 卫星遥感技术已逐渐代替人工普查成为相关部门和学者获取区域森林资源信息的主要方法。其中, 针对树种类型识别的相关研究较多依赖于高光谱或空间分辨率遥感数据源^[2]。但是上述数据源通常覆盖面积有限, 无法满足区域尺度森林类型的精确识别与制图需求, 同时存在卫星重返周期过长、机载航测成本过高等现实难题, 因此进一步发展针对区域尺度森林树种信息的中高分辨率多光谱数据识别方法十分必要。

由于不同森林树种间的光谱特征通常具有较高的相似性, 同时林分结构以及环境背景复杂, 采用单一时相的多光谱数据难以有效克服识别过程中广泛存在的“ 异物同谱” 难题, 因此针对森林类型精细识别必须使用更多的光谱细节信息^{[3, 4]}。伴随全年季节变化, 不同森林植被在其生理活动和形态表现上会出现物候周期变化差异(如萌芽、展叶、开花、结果、落叶和休眠等), 在航测数据中也会获取到相应的林分冠层光谱季相变化^{[5, 6]}。因此, 基于时间序列遥感数据能为光谱性质相似的树种之间提供更精细的动态光谱信息, 从而为森林类型精细识别提供了新的方法^[2]。传统时序影像的空间分辨率普遍偏低(如AVHRR/MODIS数据), 导致像元内光谱提取纯度差, 因此森林类型识别仅能停留在群落级(如针/阔叶林等)^[7]; 另外, 在数据时间尺度上也普遍存在时相数偏少或观测不连续等问题(如TM/SPOT等数据), 使受限于若干时相数据的森林树种类型识别结果仍难以令人满意^[8]。

近年来, 中国自主研发的GF-1 WFV影像同时具有宽覆盖、中高空间分辨率(16 m)以及短重访周期(4 d)等特征, 对于区域森林树种类型精细识别的应用潜力巨大。目前该数据源已较多地应用于面向全物候期的不同农作物种类识别与监测等研究中^{[9, 10]}, 但针对森林树种类型的识别研究尚未见报道。基于此, 本文以中国东北地区旺业甸林场为试验区, 采用覆盖完整自然年的36景GF-1WFV时序数据, 分别以旬、月、季为时间步长构建出能够较好反映植被生长物候规律的NDVI序列谱段, 同时结合一阶、二阶与三阶光谱微分变换方法, 采用以核函数为基础的SVM模型对区域内5种主导乔木树种进行识别, 旨在充分挖掘不同林分树种的冠层光谱动态特征差异, 并探讨不同时间尺度数据与微分变换方法对区域森林树种识别结果的影响, 为相关研究提供参考和依据。

1 实验部分

1.1 试验区

旺业甸林场位于中国内蒙古自治区东部赤峰市, 属于大兴安岭和燕山山脉的交界地带, 地理范围为北纬41° 21'— 41° 39', 东经118° 09'— 118° 31', 土地面积约为551 km²(图1)。研究区属温带季风气候, 年平均气温4.2 ℃, 年降水量400600 mm。地形以山地为主, 海拔范围8781 890 m。该地区具备我国东北地区典型生态环境, 根据最新林业调查数据(2017年), 当地有林地面积为455 km², 森林覆盖率达83%, 且以人工林为主, 林分纯度较高, 适宜进行遥感识别研究。森林乔木树种主要有油松Pinus tabulaeformis、落叶松Larix gmelinii、山杨Populus davidiana、白桦Betula platyphylla和蒙古栎Quercus mongolica, 约占试验区森林总面积的95%(2017年), 因此将上述5种优势树种作为本文的研究对象。

	Figure Option View Download New Window
	图1 研究区地理位置Fig.1 Location of the study area

1.2 数据采集

1.2.1 遥感数据

GF-1卫星共搭载4台WFV多光谱相机, 相机组合扫描幅宽达800 km, 空间分辨率为16 m, 卫星重访周期达到 4 d。 WFV传感器共设置4个波段, 光谱范围分别为: 蓝光0.450.52 μ m, 绿光0.520.59 μ m, 红光0.630.69 μ m, 近红外0.770.89 μ m。采用覆盖研究区范围的全年(2017年2月至2018年1月)共36景GF-1 WFV影像(表1), 数据来源于中国资源卫星应用中心(CCRSDA)。影像选择标准为成像质量高, 以旬为步长同时尽量确保不同影像的相邻时间间隔相近。其中, 针对个别质量较差或时相缺失的影像采用由相邻年份的相同时段影像替代。

表1 研究区遥感影像信息 Table 1 The information of satellite images used in this study

1.2.2 野外数据

分别于2017年9月和2018年6月在试验区进行野外调查。分散记录油松、落叶松、山杨、白桦和蒙古栎等优势树种林分样区的空间位置。采用高精度GPS逐一记录所选林分样区中心点的地理坐标, 所选样区综合考虑林龄结构、林下盖度与林分密度条件差异, 满足每个观测样区的单一树种面积占比超过90%, 同时空间尺寸大于30 m× 30 m。两次试验共获取当地5种优势树种类型的典型样区1 742个(图1), 其中对各优势树种筛选样本总量约1/3用于训练, 剩余样本用于结果精度检验, 具体样本信息见表2。为保证影像样本像元的光谱纯度, 研究中均采用各样本点所在林分斑块的中心位置提取不同树种样本的光谱信息。

表2 获取样本数据信息 Table 2 Information of sample data

1.2.3 数据预处理

对所有高分影像依次完成基于30 m DEM的正射校正, 同时根据野外记录的实际地面控制点对影像进行几何精校正处理。以野外试验同时期影像为基准, 对其余各时相影像依次进行相对几何校正, 并确保每组影像校正误差RMS均低于0.5个像元。根据中国资源卫星应用中心提供的定标参数, 对所有影像依次进行辐射定标、大气校正与辐射归一化处理, 使像元DN值转换为真实地表反射率。最后, 依次提取各影像归一化植被指数[NDVI; 式(1)], NDVI时序光谱数据已被证实在植被类型识别和物候信息反演领域十分有效^[11]。

$NDVI = \frac{NIR - R}{NIR + R}$ (1)

式中, NIR为影像近红外波段反射率, R为红光波段反射率。

1.3 研究方法

1.3.1 基于时序NDVI数据的Savitzky-Golay滤波变换

采用Savitzky-Golay(S-G)算法对时序NDVI数据进行多项式滤波变换, 研究表明S-G滤波能够有效平滑光谱噪声, 呈现不同的季节曲线特征。经过实际典型样区数据检验, 最终采用平滑窗口值为4, 卷积维数为1的S-G滤波算法。将时间序列NDVI数据重采样为全年每10 d(逐旬)、 30 d(逐月)和90 d(全季相)时间间隔, 并得到相应时序影像。

图2(a)显示了经S-G滤波后的不同优势树种冠层NDVI时序光谱曲线信息, 时序光谱的变化能够有效反应不同树种各物候期内的特征差异。油松作为试验区内唯一的常绿树种, 其没有明确的休眠期界限, 同时时序曲线呈现独特的双峰型特征。区域内其他四种落叶树种的植物光谱曲线总体均表现为明显的单峰型特征, 具有明确的生长阶段性特征, 即可将全年的 NDVI时序数据大体分为生长期(约100160 d)、峰值期(约160230 d)、衰退期(约230300 d)、和休眠期, 与针对中国东北森林物候的相关研究结果相符^[12]。不同树种之间光谱曲线具有差异性, 其中白桦的光谱曲线偏高, 而落叶松光谱曲线偏低, 这主要是由树种光谱属性差异导致的; 此外, 蒙古栎和山杨的时序曲线整体相近, 但在峰值期和衰退期存在时相位移, 表明蒙古栎具有较长的衰退期, 而落叶松和山杨则较早进入休眠期。

	Figure Option View Download New Window
	图2 基于不同优势树种冠层时序NDVI的(a)S-G滤波、 (b)一阶微分、 (c)二阶微分和(d)三阶微分变换光谱曲线信息Fig.2 The (a) S-G NDVI data curve, (b) the first-order, (c) second-order, and (d) third-order differential transformation reflectance spectrum of NDVI of different dominant tree species

1.3.2 基于时序NDVI数据的光谱微分变换

微分变换是常用的光谱特征分析方法, 光谱微分变换被证实能够有效削弱大气效应等背景噪音干扰, 从而提高植被识别精度^[13]。其中一阶微分[式(1)]后的光谱曲线, 其可以增强光谱曲线在坡度上的细微变化, 同时突出时序光谱曲线的时相位移变化差异。光谱二阶微分[式(2)]能够有效体现出原始光谱曲线的拐点信息与曲率特征, 并扩大一阶微分结果中重叠区光谱间的细微差异。三阶微分变换[式(3)]针对遥感识别的应用较少, 其结果与原始空间向量的绕率有关, 理论上可以进一步挖掘低阶微分无法体现的更多细节特性。基于此, 分别对逐旬和逐月的时序NDVI数据依次进行一阶、二阶和三阶微分变换处理。

$R (λ_{i})' = \frac{R (λ_{i + 1}) - R (λ_{i})}{Δ λ}$ (1)

$R (λ_{i}) ″ = \frac{R (λ_{i + 2}) - 2 R (λ_{i + 1}) + R (λ_{i})}{{(Δ λ)}^{2}}$ (2)

$\begin{array}{l} R (λ_{i}) ‴ = \frac{R (λ_{i + 3}) - 3 R (λ_{i + 2}) + 6 R (λ_{i + 1}) - R (λ_{i})}{{(Δ λ)}^{3}} \end{array}$ (3)

式中, R(λ _i)为波段i处光谱反射率值, R(λ _i)', R(λ _i)″和R(λ _i)‴分别为波段i与i+1之间的光谱一阶, 二阶和三阶微分数值, Δ λ 为相邻波段的步长。

结果表明, 经一阶微分变换后[图2(b)], 不同树种在生长期和衰退期内的区分度得到提升, 同时减弱了背景噪声的干扰, 有利于提高识别精度; 经过二阶微分变换后[图2(c)], 生长期和衰退期的特征差异继续增强, 同时峰值期内的树种间区分度明显提高, 背景噪声干扰进一步减弱; 经过三阶微分变换后[图2(d)], 时序光谱间相移信息增加, NDVI曲线特征由“ 宽且平” 转变为“ 窄且尖” , 使不同时段内的树种光谱细节差异得到进一步增强。

1.3.3 精度验证

根据试验区2017年的森林资源分布数据提取出森林边界, 并进一步对当地5种主导森林树种进行不同时间尺度的精细识别。为了评估时间序列数据的识别优势, 选择4月中旬、 7月中旬和9月中旬的影像分别代表春季、夏季、和秋季进行单季相树种识别分析。树种识别采用支持向量机(SVM)模型进行, 该模型已被广泛应用于森林植被识别领域^[14]。对SVM选取最常用且稳定的径向基函数(RBF)进行, 设置其核函数γ 为1, 惩罚系数C为100。将所有验证样本随机等分为5组, 并依次对分类结果采用混淆矩阵和Kappa统计进行精度验证。采用方差分析(ANOVA)对各组统计结果进行检验, 对存在显著差异的结果进行最小显著性差异法(LSD)判别。

2 结果与讨论

2.1 基于不同时间尺度数据的森林优势树种识别结果

图3显示了基于不同时间尺度数据(包括单季相, 全季相, 逐月和逐旬)的试验区树种识别结果。结果显示, 不同优势树种的总分类精度(OA)与Kappa系数均伴随影像时间分辨率的提升呈现持续增加的趋势, 并在逐旬时间尺度达到最高(81.09%± 1.02%和0.759± 0.014)。同时方差分析表明, 不同时间分辨率影像对区域树种分类结果的影响存在显著性差异(p< 0.05)。其中, 不同时间分辨率影像的分类精度与Kappa系数均值由低到高依次为春季< 夏季< 秋季< 全季相< 逐月< 逐旬。在采用不同季节的单季相影像中, 基于秋季数据的结果精度最高(p< 0.05), 而基于夏季数据的树种识别精度则高于春季结果(p< 0.05), 表明针对温带典型森林树种在其秋季落叶时期进行光谱识别的效果最好, 夏季其次。同时, 基于全季相影像的识别结果明显优于所有单季相结果(p< 0.05), 表明多季节数据结合具有更好的树种识别效果。此外, 在不同时间序列影像中, 基于逐旬影像的识别结果明显优于其他时间序列影像(p< 0.05), 而基于逐月影像的分类精度则明显高于全季相影像(p< 0.05), 表明高时间分辨率数据能够提供更多有效光谱细节信息, 有利于区域树种识别精度的提高。

	Figure Option View Download New Window
	图3 基于不同时间尺度NDVI数据的森林优势树种识别结果Fig.3 The identification accuracy of dominant tree species based on NDVI time series data of different temporal scales

2.2 结合不同光谱微分变换的森林优势树种识别结果

图4(a)和(b)分别显示了基于逐月和逐旬尺度NDVI时序光谱经过不同微分变换后的优势树种总分类精度和Kappa信息。整体上看, 时序光谱数据经过不同微分变换后, 其总分类精度和Kappa系数均值明显高于采用原始NDVI数据的识别结果(p< 0.05), 表明时序光谱信息结合微分变换可

	Figure Option View Download New Window
	图4 基于逐旬(a)和逐月(b)时序NDVI以及不同微分变换方法的森林优势树种识别结果Fig.4 The identification accuracy of dominant tree species based on (a) every ten-days, (b) month by month NDVI time series data and differential transform methods

以有效提升物候特征相似树种的识别精度。但是不同微分变换方式对精度的影响并不相同, 其中, 在分别进行一阶、二阶和三阶微分变换后, 基于逐月尺度数据的总分类精度均值分别提升了1.24%, 2.95%和0.38%, 而基于逐旬分辨率影像的总分类精度则分别增加了3.38%, 2.71%和1.98%, 故光谱微分变换对于逐旬数据的结果影响更加明显。

虽然微分变换能够提升不同树种的识别精度, 但并非是微分变换的阶数越高其识别结果越好, 而是与所采用时序数据的时间分辨率有关。在本研究中, 基于逐旬数据的最佳结果出现在一阶微分后, 而基于逐月数据得则出现在二阶微分后, 这主要是由于前者数据的波段数量多, 且时间间隔短, 能够获取到较多的时序光谱细节但存在部分冗余信息, 进行一次微分变换便能够突出细节特征并获得最好的应用效果; 而后者数据的波段信息数较少, 需要经过两次微分变换后能够提取最大特征差异, 使其识别精度明显提升。同时二者经过三阶微分变换后所得到的分类结果精度与之前实验结果相比精度均没有明显的增加, 表明使用高阶微分变换不会产生新的有效信息, 其对于提升树种识别精度作用并不显著。因此, 根据不同时间尺度数据并采用相应微分变换方法能够使树种识别效果达到最佳。此外, 基于逐旬尺度数据, 结合不同微分变换的总识别精度均超过80%, 表明在进行森林类型精细识别时, 采用时序NDVI数据并结合常用微分变换方法, 已能够得出相对理想的识别结果。

2.3 基于不同方法的各优势树种识别结果分析

为了检验不同数据集对各优势树种类型的识别结果差异, 分别采用上述几种主要识别方法分析试验区各优势树种识别精度的变化, 最终得到对照实验制图精度(PA)与用户精度(UA)结果如图5所示。随着NDVI数据时间分辨率的提高, 研究区5种优势树种的制图精度与用户精度整体上均出现了不同幅度的提升。其中, 基于秋季单时相数据的结果中, 除油松以外的4种落叶优势树种的制图精度与用户精度均偏低, 表明单一时相无法识别生长期光谱动态特征相近的树种; 在基于全季相数据的结果中, 蒙古栎和白桦的制图精度与用户精度得到了一定幅度的提升, 表明多时相信息的加入对部分落叶树种的识别具有积极作用, 但由于时间分辨率太低, 区域内山杨、蒙古栎和落叶松之间的错分现象仍十分显著。

	Figure Option View Download New Window
	图5 基于不同识别方法的各优势树种的制图精度(a)和用户精度(b)结果Fig.5 User’ s (a) and producer’ s (b) accuracy of each dominant tree species based on different identification methods

采用逐月NDVI数据后, 树种的识别结果精度得到明显提高, 主要表现为落叶松和白桦的错分误差和漏分误差降低, 且基本能够正确识别到各自类别中。但由于时相间隔较大, 部分树种间光谱细节特征不明显, 导致山杨和蒙古栎的制图精度与用户精度仍偏低; 当基于逐旬NDVI数据时, 蒙古栎的识别精度得到明显提升, 但山杨的制图精度仍未有效改善, 其分类结果仍存在一定的错分现象(主要错分为落叶松和白桦), 说明仅采用原始逐旬光谱数据识别森林优势树种仍不能达到较理想的结果(OA< 80%)。基于逐旬数据并, 不同优势树种的总分类精度与用户精度均达到最高, 其中山杨的制图精度与用户精度也得到了明显的提升, 分别达到72.1%和77.2%, 表明高时间分辨率NDVI数据结合微分变换方法能够有效地应用于森林优势树种的识别与提取。

图6显示了利用逐旬NDVI数据结合一阶微分变换的5种典型树种识别结果。在所有优势树种中, 油松与落叶松的分布相对集中, 主要分布在研究区中部以及西北部, 呈团块状分布; 白桦主要分布在研究区西部和南部外围的山坡及山谷处, 形成一定面积的纯林, 呈连片状分布; 山杨则主要分布在非林地边缘以及道路附近, 呈线状分布; 蒙古栎则分布较广, 伴生于落叶松与白桦周围, 斑块相对破碎; 各优势树种的空间分布与野外验证结果基本一致。

	Figure Option View Download New Window
	图6 基于逐旬和一阶微分变换NDVI数据的森林优势树种类型空间信息提取Fig.6 Forest dominant tree species map obtained with the 10-days NDVI curve data under first-order differential transformation

3 结论

基于全年不同时间分辨率的GF-1 NDVI时序数据, 同时结合多种光谱微分变换方法, 针对中国东北旺业甸林场的5种温带典型优势树种进行了光谱识别与空间提取研究。结果表明, 影像光谱的时序变化特征能够反应不同树种在物候期内的生长差异, 显著提高了多光谱数据对森林优势树种的识别能力。其中, 应用多季相数据能够明显获得比单季相影像更好的识别效果(p< 0.05), 而基于时间分辨率越高的光谱数据进行树种识别得到的结果精度也越高(p< 0.05)。此外, 在经过微分变换后的时序光谱信息中, 不同树种间的光谱差异被放大, 更加有利于不同优势树种类型的识别(p< 0.05)。其中, 基于逐旬NDVI时序数据并结合一阶微分变换是进行森林优势树种识别的最优选择(p< 0.05)。

森林植被物候光谱响应除了基于年内不同季相的周期变化, 还包括基于不同年份间的周期变化。因此, 未来可在本研究基础上进一步探讨年际尺度的森林植被光谱动态特征差异, 但同时需要考虑不同年份间温度、降水等要素变化的影响。

参考文献

文献列表

[1]	Ballanti L, Blesius L, Hines E, et al. Remote Sensing, 2016, 8(6): 445. [本文引用:1]
[2]	Fassnacht F E, Latifi H, Stereńczak K, et al. Remote Sensing of Environment, 2016, 186(214): 64. [本文引用:2]
[3]	ZHAO Xian-wen(赵宪文). Scientia Silvae Sinicae(林业科学), 2009, 45(8): 135. [本文引用:1]
[4]	Roth K L, Roberts D A, Dennison P E, et al. Remote Sensing of Environment, 2015, 171: 45. [本文引用:1]
[5]	Hill R A, Wilson A K, George M, et al. Applied Vegetation Science, 2010, 13: 86. [本文引用:1]
[6]	JIA Li-ge, ZHANG Bo, WEI Huai-dong(加力戈, 张勃, 魏怀东). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2018, 38(9): 2881. [本文引用:1]
[7]	JIA Ming-ming, REN Chun-ying, LIU Dian-wei, et al(贾明明,任春颖,刘殿伟,等)Acta Ecologica Sinica(生态学报), 2014, 34(24): 7167. [本文引用:1]
[8]	Zhu X L, Liu D S. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 96: 1. [本文引用:1]
[9]	CHANG Bu-hui, WANG Jun-tao, LUO Yu-li, et al(常布辉,王军涛,罗玉丽,等)Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2017, 33(23): 188. [本文引用:1]
[10]	ZHANG Jing, ZHAN Yu-lin, LI Ru-ren(张晶, 占玉林, 李如仁). Remote Sensing Information(遥感信息), 2017, 32(1): 50. [本文引用:1]
[11]	FAN De-qin, ZHAO Xue-sheng, ZHU Wen-quan, et al(范德芹,赵学胜,朱文泉,等)Progress in Geography(地理科学进展), 2016, 35(3): 304. [本文引用:1]
[12]	Yu X F, Wang Q K, Yan H M, et al. Advances in Meteorology, 2014, 592106. [本文引用:1]
[13]	ZHANG Dong, Tashpolat· Tiyip, ZHANG Fei, et al(张东,塔西甫拉提·特依拜,张飞,等)Acta Optica Sinica(光学学报), 2016, 36(3): 0330002. [本文引用:1]
[14]	XU Kai-jian, TIAN Qing-jiu, YANG Yan-jun, et al(徐凯健,田庆久,杨闫君,等)Journal of Geo-Information Science(地球信息科学学报), 2018, 20(2): 246. [本文引用:1]

2016

0.0

... 森林生态系统是全球陆地生态系统的主体, 准确获取森林树种类型与空间分布信息对于区域林业经营与管理、森林病虫害及森林火灾监测、森林生理参数反演, 以及优化相关植被生态模型等方面具有重要意义^[1] ...

2016

0.0

... 其中, 针对树种类型识别的相关研究较多依赖于高光谱或空间分辨率遥感数据源^[2] ...

... 因此, 基于时间序列遥感数据能为光谱性质相似的树种之间提供更精细的动态光谱信息, 从而为森林类型精细识别提供了新的方法^[2] ...

2009

0.0

ZHAO

Xian-wen

(赵宪文). Scientia Silvae Sinicae(林业科学), 2009, 45(8): 135.

Four key issues on the development of remote sensing application in Chinese forestry are presented in this paper. The functions of remote sensing in forest resource inventory and management activities should be fully and comprehensively understood.Based on this understanding, remote sensing application should become a necessary part of various forestry regulations, and be applied widely. It was only mentioned in visual interpretation is not enough. The area statistic, accuracy evaluation and final outcome should be mentioned too. In addition, remote sensing is not a versatile tool, one should make best use of its advantages and avoid its disadvantages, some issues such as tree species recognition are not feasible to write in the regulations. The remote sensing data with high spatial resolution should be suitably applied, according to the current situations of China, especially the needs of the on-going programs. Otherwise, the costs will be unreasonably increased not only, the real needs can not be met but also.So to analyze input-output should be make. It is necessary to introduce new theories and technologies from other disciplinarians too, including fractal theory and huge database technology like Oracle etc. Having more training courses and making demonstration in suitable places is essential for promoting the application of remote sensing in Chinese forestry in the near future.

1.Institute of Forest Resources and Information Techniques，CAFBeijing 100091; 2.Beijing Forestry UniversityBeijing 100083

对中国林业遥感发展中当前急需解决的4个问题发表看法：1）应全面、准确地了解遥感技术在森林资源调查和管理中的作用。将遥感技术全面地融入现有规程，要扬长避短，并在各方面准确加以应用。不能仅在目视判读中提及，而在面积统计、精度要求、成果提供中均无反映。规程中不能写入遥感技术当前不适或不能解决的问题，如林种识别等。2）要用科学、实用的态度对待不断出现的高分辨率卫星数据。根据项目实际需要选择信息源，不能简单认为分辨率越高越好，要进行投入产出分析。3）为将我国林业遥感技术应用提高到一个新的水平，还需将其他有关学科的新理论、新技术不断引入林业工作的各个方面，如分形理论、大型数据库（Oracle）等，以推进中国林业现代化的进程。4）为使新技术在林业中广泛、迅速地被应用，做好示范、培训、宣传工作是非常必要的。

... 难题, 因此针对森林类型精细识别必须使用更多的光谱细节信息^[3,4] ...

2015

0.0

... 难题, 因此针对森林类型精细识别必须使用更多的光谱细节信息^[3,4] ...

2010

0.0

... 伴随全年季节变化, 不同森林植被在其生理活动和形态表现上会出现物候周期变化差异(如萌芽、展叶、开花、结果、落叶和休眠等), 在航测数据中也会获取到相应的林分冠层光谱季相变化^[5,6] ...

2018

0.0

2014

0.0

JIA

Ming-ming

, REN

Chun-ying

, LIU

Dian-wei

, et al(贾明明,任春颖,刘殿伟等)Acta Ecologica Sinica(生态学报), 2014, 34(24): 7167.

As the world's largest terrestrial ecosystem, forest is very important to human living and environment sustainable development. Therefore, grasping the status and changes of forest resources are of significance. But classification of sub-category information of forest vegetation has always been difficult for remote sensing, because of the impact of complex terrain, irregular distributed vegetation, and the similar spectral information of different forest types. In recent years, classification combining spectral characteristics and multivariable remote sensing data has particularly become study focus. In this study, Eastern Jilin was chosen as the study area, where approximately 80% of the land is covered with forest vegetation, and the sub-category of forest vegetation contained broadleaved deciduous forest, deciduous coniferous forest, evergreen coniferous forest, mixed broadleaf-conifer forest, and deciduous shrub. The classification was operated based on object-oriented method using HJ-1 CCD data and MODIS-NDVI data. A hierarchical segmentation method was proposed in this paper. Different segmentation parameters could be set according to different land cover types. Firstly, non-forest land cover types were classified. Then the sub-category of forest vegetation was classified based on the characteristics of the spectral features generated by HJ-1 CCD data, and phenological features generated by MODIS-NDVI time series data. Among these sub-forest vegetations, the broadleaved deciduous forest and deciduous shrub, the evergreen coniferous forest and deciduous coniferous forest are similar in spectral features, but obvious different in phenological features. In this study, the spectral features used to classify sub-forest vegetation are Mean Layer 2 (mean value of HJ-1 CCD band 4), Mean NDVI; the phenological features including Mean Layer 5 (mean value of MODIS-NDVI 81d), Mean Layer 8 (mean value of MODIS-NDVI 129d). There are 707 ground truth points used to assess the classification accuracy, including 622 forest points and 85 non-forest points. The overall accuracy is 91.5% and Kappa confidence is 0.88, the broadleaved deciduous forest got the highest accuracy, the producer's accuracy is 97.1% and the user's accuracy is 92.1%, other sub-categories of forest vegetation all got accuracy approximately 90%. In order to compare the classification results with and without MODIS-NDVI time series data, we chose a small area to operate the object-oriented classification without MODIS-NDVI time series data. The comparison indicated that without MODIS-NDVI time series data the classification image appears very disordered. Among the forest sub-categories, deciduous coniferous forest and evergreen coniferous forest, broadleaved deciduous forest and deciduous shrub are remarkablely mixed. The classification accuracy is also quite low, the overall accuracy is 61.5% and the Kappa confidence is 0.53. The comparison ensured that the joined of MODIS-NDVI time series data significantly improved the forest sub-categories' classification result. The classification method operated in this study (based on object-oriented method combining HJ-1 CCD data and MODIS-NDVI data) could also be used in classifying vegetation in other regions, but the parameters in this study is regional adoptive.

林区地形复杂、植被分布无序,且森林植被光谱信息相近,因而森林二级类型边界的确定成为土地覆盖遥感分类的难点.选择吉林省东部山区为研究区,以环境星影像(HJ-1 CCD)和中等分辨率成像光谱仪(MODIS)时序数据为基础,采用面向对象的分类方法进行森林植被类型的提取.分类特征参数主要选取了HJ-1 CCD的光谱和纹理特征,以及MODIS时序数据的物候特征.研究区总体分类精度为91.5%,Kappa系数为0.88,森林二级类型的分类精度均较高,其中落叶阔叶林的制图精度达到了97.1%.所用的面向对象分类方法与未加入物候特征的面向对象分类方法相比,森林二级类型的分类精度得到大幅度提高.

... 传统时序影像的空间分辨率普遍偏低(如AVHRR/MODIS数据), 导致像元内光谱提取纯度差, 因此森林类型识别仅能停留在群落级(如针/阔叶林等)^[7] ...

2014

0.0

... 另外, 在数据时间尺度上也普遍存在时相数偏少或观测不连续等问题(如TM/SPOT等数据), 使受限于若干时相数据的森林树种类型识别结果仍难以令人满意^[8] ...

2017

0.0

CHANG

Bu-hui

, WANG

Jun-tao

, LUO

Yu-li

, et al(常布辉,王军涛,罗玉丽等)Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2017, 33(23): 188.

为提高基于遥感影像的灌区耕地自动快速提取，该文针对河套灌区沈乌灌域种植结构特点，利用实地调查结果、Google earth和GF1-WFV遥感影像构建了研究区主要作物及土地利用类型的NDVI时间序列，并利用HANTS滤波法对NDVI时间序列进行了平滑处理。分别采用基于遥感与Google earth的目视解译、监督分类（支持向量机）、基于NDVI时间序列的决策树分类与监督分类相结合的方法、基于HANTS滤波法平滑处理后的NDVI时间序列决策树分类与监督分类相结合的方法对灌区耕地进行提取。利用基于Google earth与目视解译的10 000个随机验证点以及正确率（用户精度）、完整率（生产者精度）和整体精度（提取耕地面积与实际面积的比值）3个指标对提取结果进行了评价。验证结果表明：监督分类（支持向量机）提取结果的正确率、完整率和总体精度仅为84.82%、64.4%和75.68%；基于NDVI时间序列的决策树分类与监督分类相结合的方法提取精度分别为94.28%、84.21%和89.1%；基于HANTS滤波法平滑处理后的NDVI时间序列决策树分类与监督分类相结合的方法提取精度进一步提高，3个指标分别达到94.47%、87.32%和92.24%。在作物种类繁多的大型灌区，时空分辨率优异的GF1-WFV数据在耕地面积提取上具有很强的实用性；结合作物生长规律与遥感信息的联合方法能够有效提高耕地面积的提取精度。

... 目前该数据源已较多地应用于面向全物候期的不同农作物种类识别与监测等研究中^[9,10], 但针对森林树种类型的识别研究尚未见报道 ...

2017

0.0

... 目前该数据源已较多地应用于面向全物候期的不同农作物种类识别与监测等研究中^[9,10], 但针对森林树种类型的识别研究尚未见报道 ...

2016

0.0

FAN

De-qin

, ZHAO

Xue-sheng

, ZHU

Wen-quan

, et al(范德芹,赵学胜,朱文泉等)Progress in Geography(地理科学进展), 2016, 35(3): 304.

Monitoring plant phenology with remote sensing data has important scientific value for studying the response of vegetation to climate change. A comprehensive analysis on the influencing factors of accuracy of plant phenology estimation based on principles and general technical processes of remote sensing application in vegetation monitoring was carried out by taking into account the following four aspects: the specific vegetation type and its geographical conditions; remote sensing data and pre-processing; techniques used to identify plant phenometrics; and evaluation of satellite-derived plant phenometrics. Potential methods for improving the accuracy of plant phenology monitoring are thoroughly discussed. These include: building high-resolution near-surface sensor-derived phenology observation and sharing network; developing universally applicable methods for noise removal of satellite remote sensing time-series data and reconstruction of vegetation index curves; searching more stable methods to estimate plant phenology; and exploring the possibility of synthesizing ground-based observation, remote sensing monitoring, and model simulation to achieve the spatial scaling-up of phenometrics.

1. College of Geosciences and Survey Engineering, China University of Mining & Technology (Beijing), Beijing 100083, China 2. College of Resources Science and Technology, Beijing Normal University, Beijing 100875, China

基于植物物候的遥感监测对于研究植被对气候变化的响应具有重要的科学价值。本文在阐述植物物候遥感监测原理及其通用技术流程的基础上,分别从植被类型及其所处的地理条件、遥感数据源及其预处理、植物物候遥感识别方法和植物物候遥感监测结果评价4个方面分析了影响植物物候遥感监测精度的因素,并针对当前研究中存在的不足,探讨了提高植物物候遥感监测精度的可行性途径,即建立高分辨率的近地面遥感定点观测及数据共享网络,发展普适性更强的卫星遥感时序数据去噪及植被指数曲线重建方法,寻求稳定性更高的植物物候期遥感识别方法,探索综合运用地面观测、遥感监测与模型模拟实现物候观测空间尺度拓展的可能性。

... 式(1)], NDVI时序光谱数据已被证实在植被类型识别和物候信息反演领域十分有效^[11] ...

2014

0.0

... 区域内其他四种落叶树种的植物光谱曲线总体均表现为明显的单峰型特征, 具有明确的生长阶段性特征, 即可将全年的 NDVI时序数据大体分为生长期(约100160 d)、峰值期(约160230 d)、衰退期(约230300 d)、和休眠期, 与针对中国东北森林物候的相关研究结果相符^[12] ...

2016

0.0

... 微分变换是常用的光谱特征分析方法, 光谱微分变换被证实能够有效削弱大气效应等背景噪音干扰, 从而提高植被识别精度^[13] ...

2018

0.0

Kai-jian

, TIAN

Qing-jiu

, YANG

Yan-jun

, et al(徐凯健,田庆久,杨闫君等)Journal of Geo-Information Science(地球信息科学学报), 2018, 20(2): 246.

Classification based on remote sensing data has been widely applied in land cover mapping and the dynamic change monitoring research, of which the consequence is always strongly affected by spatial resolution of the used images. However, the response of multi-resolution images to remote sensing classification is still highly uncertain. Satellite observation could supply more and more multi-resolution images covering the same area at the same time and it would provide abundant data and technical support for study of remote sensing classification. In this study, the Hetian basin of Changting County in Fujian Province, was selected as a case to examine the performance of three typical classifiers (Maximum Likelihood Classification, MLC; Support Vector Machine, SVM; Artificial Neural Network, ANN). They were applied to satellite observations of temporal quasi-synchronous and multi-spatial resolution from medium to high spatial resolution (1~50 m) and we investigated the links between spatial resolution and remote sensing classification. Then, we also analyzed the spatial scale difference of spectrum reflectance, recognition accuracy and area extraction of five major land types (including arable land, forest land, water area, bare land and construction land) of the data with seven spatial resolution levels of 1, 2, 4, 8, 16, 30, and 50 m. They were supported with GF-1 PMS (pan and multi-spectra sensor), GF-2 PMS, GF-1 WFV (wide field view), Landsat-8 OLI (operational land imager) and GF-4 PMS data. 1845 recorded points observed in field survey were taken as training samples and validation samples. The results showed that along with the change of image spatial resolution from 1 to 50 m, (1) the mean spectra of bare land and construction land remained stable and no obvious changes occurred to water body, while the mean spectra of arable land and forest land decreased significantly when image resolution coarser than 4 m. The standard deviations of water body, bare land and construction land all increased constantly, while the standard deviations of arable land and forest land almost maintained stable. (2) The overall accuracy gradually decreased from 94.97±2.5% to 79.03±2.25% across the three classifiers, showing a gradually downward trend. Meanwhile, Kappa coefficient also gradually decreased from 0.93±0.03 to 0.72±0.03, which indicated that the accuracy of land cover classification was closely and sensitively related to the resolution of remote sensing images ( P

1. International Institute for Earth System Science, Nanjing University, Nanjing 210023, China 2. Jiangsu Provincial Key Laboratory of Geographic Information Science and Technology, Nanjing University, Nanjing 210023, China

不同空间分辨率遥感影像对区域土地覆被类型识别精度的影响是目前土地资源遥感研究中的热点议题。本文基于准同步的卫星传感器影像,以福建省长汀县河田盆地为研究区,结合野外调查的实验样本,依次采用最大似然法（MLC）、支持向量机（SVM）和人工神经网络（ANN）3种分类器,分析土地覆被分类结果在中高空间尺度序列（1~50 m）下的变化响应特征。结果表明：不同空间尺度下的地物分类结果存在显著差异（ P P

... 树种识别采用支持向量机(SVM)模型进行, 该模型已被广泛应用于森林植被识别领域^[14] ...