• 中国中文核心期刊
  • 中国科学引文数据库(CSCD)核心库来源期刊
  • 中国科技论文统计源期刊(CJCR)
  • 第二届国家期刊奖提名奖

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于高分二号影像的森林变化快速检测方法研究

冯林艳 谭炳香 王晓慧 郝家田 侯晓巍

引用本文:
Citation:

基于高分二号影像的森林变化快速检测方法研究

    通讯作者: 谭炳香, tan@ifrit.ac.cn
  • 基金项目:

    中央级公益性科研院所基本科研业务费专项资金 CAFYBB2017MB012

    中国科学院A类先导专项 GrantNo.XDA19030500

  • 中图分类号: S758.4

Study on Rapid Forest Change Detection Method Based on GF-2 Images

    Corresponding author: TAN Bing-xiang, tan@ifrit.ac.cn ;
  • CLC number: S758.4

  • 摘要: 目的 探讨用于快速更新森林资源数据库的森林变化检测方法,监测短时期内森林采伐与更新的动态变化。 方法 以变化频繁快速,高度集约经营的广西上思县人工林作为研究区,以两个时相的高分二号遥感影像作为数据源,分别利用红波段、近红外波段和NDVI 3种特征的影像差值,并基于分布函数确定阈值,对研究区进行快速的变化检测,并提取变化区域和变化类型。 结果 表明,3种特征差值的检测精度排序为:NDVI差值法最优,红波段差值法次之,近红外波段差值法最差。其中NDVI的总体精度为87.12%,Kappa系数为0.76, 结论 该方法在实现快速检测变化的目的下,可用于森林资源数据库的更新。
  • 图 1  各变化类型对应波段的均值差值分布图

    Figure 1.  The mean difference between the corresponding bands of each change type

    图 2  3种差值图像的频率分布图及累计频率分布图

    Figure 2.  Frequency profile and cumulative frequency profile of three kinds of difference images

    图 3  3种方法的变化检测结果

    Figure 3.  Change detection results of the three methods

    图 4  局部区域红波段差值法与NDVI差值法变化检测结果比较

    Figure 4.  Comparison of the detection results of local red-band difference method and NDVI difference method

    图 5  局部区域NDVI差值变化检测结果

    Figure 5.  Change detection results of local NDVI difference method

    图 6  训练样本各变化类型的差值分布

    Figure 6.  Difference distribution of each change type of training samples

    表 1  各变化类型的判定条件

    Table 1.  Judgment conditions for each change type

    变化类型
    Change type
    红波段判定条件
    Decision condition of red band
    近红外波段判定条件
    Decision condition of nir band
    NDVI判定条件
    Decision condition of NDVI
    植被变裸地Vegetation changed to bare ground Xi≥129 Xi≤-1 160 Xi≤-0.098
    裸地变植被Bare ground changed to vegetation Xi≤-755 Xi≥140 Xi≥0.148
    未发生变化Unchanged types -755<△Xi<129 -1 160<△Xi<140 -0.098<△Xi<0.148
    下载: 导出CSV

    表 2  变化检测结果混淆矩阵

    Table 2.  Change detection results of the confusion matrix

    检测方法
    Detection method
    检测变化类型
    Detectionchange type
    实际变化类型
    Actual change type
    总计
    Total
    漏分误差
    Omission errors/%
    错分误差
    Commission errors/%
    总体精度
    Overall accuracy/%
    Kappa系数
    Kappa coefficient
    植被变裸地
    Vegetation changed to bare ground
    裸地变植被
    Bare ground changed to vegetation
    未变化
    Unchanged types
    红波段差值法
    Red band difference method
    植被变裸地 Vegetation changed to bare ground 10 221 243 1 850 12 314 51.79 17.00 77.93 0.49
    裸地变植被 Bare ground changed to vegetation 0 5 542 470 6 012 60.78 7.82
    未变化 Unchanged types 10 978 8 346 61 541 80 865 3.63 23.90
    近红外波段差值法
    Nir band difference method
    植被变裸地 Vegetation changed to bare ground 5 956 209 2 227 8 392 71.90 29.03 66.39 0.29
    裸地变植被 Bare ground changed to vegetation 180 7 351 9 086 16 617 47.98 55.76
    未变化 Unchanged types 15 063 6 571 52 548 74 182 17.72 29.17
    NDVI差值法
    NDVI difference method
    植被变裸地 Vegetation changed to bare ground 17 590 596 1 363 19 549 17.02 10.02 87.12 0.76
    裸地变植被 Bare ground changed to vegetation 0 12 813 6 484 19 297 9.33 33.60
    未变化 Unchanged types 3 609 722 56 014 60 345 12.29 7.18
    合计 Total 21 199 14 131 63 861 99 191
    下载: 导出CSV
  • [1] 郝荣欣.基于GF-1多光谱影像的林地变化检测方法研究[D].西安: 西安科技大学, 2016.

    [2] 陈雅如, 肖文发, 冯源, 等.三峡库区1992-2012年森林景观格局演变研究[J].林业科学研究, 2017, 30(4):542-550.

    [3] 温小荣, 孟雪, 刘俊, 等.基于不同立地质量的杉木生物量遥感估测[J].林业科学研究, 2016, 29(4):494-499. doi: 10.3969/j.issn.1001-1498.2016.04.004

    [4] 沈文娟, 李明诗, 黄成全.长时间序列多源遥感数据的森林干扰监测算法研究进展[J].遥感学报, 2017, 22(6):1005-1022.

    [5]

    Desclée B, Bogaert P, Defourny P. Forest change detection by statistical object-based method[J]. Remote Sensing of Environment, 2006, 102(1-2):1-11. doi: 10.1016/j.rse.2006.01.013
    [6]

    Hansen M C, Loveland T R. A review of large area monitoring of land cover change using Landsat data[J]. Remote Sensing of Environment, 2012, 122(1):66-74.
    [7]

    Potapov P V, Turubanova S A, Hansen M C, et al. Quantifying forest cover loss in Democratic Republic of the Congo, 2000-2010, with Landsat ETM+ data[J]. Remote Sensing of Environment, 2012, 122(122):106-116.
    [8]

    Kim D H, Sexton J O, Noojipady P, et al. Global, Landsat-based forest-cover change from 1990 to 2000[J]. Remote Sensing of Environment, 2014, 155:178-193. doi: 10.1016/j.rse.2014.08.017
    [9]

    Ian H, Robert C, Mark F.An Evaluation of Forest Health Insect and Disease Survey Data and Satellite-Based Remote Sensing Forest Change Detection Methods:Case Studies in the United States[J]. Remote Sensing, 2018, 10(8):1184-1192. doi: 10.3390/rs10081184
    [10] 范应龙, 谭炳香.两种热带森林覆盖变化检测方法比较研究[J].林业科学研究, 2015, 28(3):325-331. doi: 10.3969/j.issn.1001-1498.2015.03.004

    [11] 任冲, 鞠洪波, 张怀清, 等.天水市近30年林地动态变化遥感监测研究[J].林业科学研究, 2017, 30(1):25-33.

    [12]

    Song D X, Huang C, Sexton J O, et al. Use of Landsat and Corona data for mapping forest cover change from the mid-1960s to 2000s:Case studies from the Eastern United States and Central Brazil[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2015, 103:81-92.
    [13] 陈幸良, 巨茜, 林昆仑.中国人工林发展现状、问题与对策[J].世界林业研究, 2014, 27(6):54-59.

    [14] 黄从德, 张国庆.人工林碳储量影响因素[J].世界林业研究, 2009, 22(2):34-38.

    [15] 罗星, 徐伟铭, 王佳.基于对象BOW特征的高分辨率遥感影像变化检测方法[J].地球信息科学学报, 2018, 20(8):1150-1159.

    [16]

    Lu D, Batistella M, Moran E. Integration of Landsat TM and SPOT HRG Images for vegetation change detection in the Brazilian Amazon[J]. Photogrammetric Engineering & Remote Sensing, 2015, 74(3):157-169.
    [17]

    Walter V. Object-based classification of remote sensing data for change detection[J]. Journal of Shandong Jianzhu University, 2008, 58(3):225-238.
    [18]

    Wenqing F, Haigang S, Jihui T, et al. A novel change detection approach for multi-temporal high-resolution remote sensing images based on rotation forest and coarse-to-fine uncertainty analyses[J]. Remote Sensing, 2018, 10(7):1015-1022. doi: 10.3390/rs10071015
    [19] 李德仁.利用遥感影像进行变化检测[J].武汉大学学报:信息科学版, 2003, 28(S1):7-12.

    [20] 佟国峰, 李勇, 丁伟利, 等.遥感影像变化检测算法综述[J].中国图象图形学报, 2015, 20(12):1561-1571. doi: 10.11834/jig.20151201

    [21]

    Couturier S, Núňez J M, Kolb M. Measuring Tropical Deforestation with Error Margins:A Method for REDD Monitoring in South-Eastern Mexico[M]. Tropical Forests, 2012.
    [22] 李春干, 梁文海.基于面向对象变化向量分析法的遥感影像森林变化检测[J].国土资源遥感, 2017, 29(3):77-84.

  • [1] 王雅慧陈尔学郭颖李增元金玉栋赵俊鹏周瑶 . 高分辨率多光谱遥感影像森林类型分类深度U-net优化方法. 林业科学研究, 2020, 33(1): 11-18. doi: 10.13275/j.cnki.lykxyj.2020.01.002
    [2] 李伟娜韦玮张怀清刘华郝泷 . 基于多角度融合的CHRIS数据提取湿地植被的研究. 林业科学研究, 2017, 30(2): 260-267. doi: 10.13275/j.cnki.lykxyj.2017.02.011
    [3] 王栋 . 森林可燃物含水率与森林火灾危险性的研究. 林业科学研究, 1992, 5(5): 548-553.
    [4] 宋广艳何念鹏侯继华 . 中国不同地带性森林乔木叶片热值特征及其影响因素. 林业科学研究, 2016, 29(1): 133-139.
    [5] 徐燕千卢柏威李鸿涛 . 广东森林和野生动物自然保护区的建设及其发展方向. 林业科学研究, 1992, 5(4): 447-453.
    [6] 王彦辉于澎涛张淑兰熊伟徐丽宏左海军王晓 . 黄土高原和六盘山区森林面积增加对产水量的影响. 林业科学研究, 2018, 31(1): 15-26. doi: 10.13275/j.cnki.lykxyj.2018.01.002
    [7] 廖声熙喻景深姜磊陆元昌 . 中国非木材林产品分类系统. 林业科学研究, 2011, 24(1): 103-109.
    [8] 张金钰彭道黎张超珺贺丹妮杨灿灿 . 基于深度学习的内蒙古大兴安岭林区火灾预测建模研究. 林业科学研究, 2024, 37(1): 31-40. doi: 10.12403/j.1001-1498.20230195
    [9] 范应龙谭炳香 . 两种热带森林覆盖变化检测方法比较研究. 林业科学研究, 2015, 28(3): 325-331.
    [10] 王晓慧谭炳香李世明冯林艳 . 基于面向对象多特征变化向量分析法的森林资源变化检测. 林业科学研究, 2021, 34(1): 98-105. doi: 10.13275/j.cnki.lykxyj.2021.01.012
    [11] 赵峰鞠洪波陈永富 . 沙尘暴天气统计预报模型的研究. 林业科学研究, 2004, 17(3): 300-304.
    [12] 李晓松吴波范文义王刚杨洪晓王妍 . 基于光谱混合分析的荒漠化信息提取———以毛乌素沙地为例. 林业科学研究, 2006, 19(2): 192-198.
    [13] 李增元车学俭刘闽白黎娜谭炳香 . ERS-1SAR影像森林应用研究初探*. 林业科学研究, 1994, 7(6): 692-696.
    [14] 李军玲庞勇李增元荚文 . 云阴影区机载高光谱影像森林树种分类. 林业科学研究, 2019, 32(5): 136-141. doi: 10.13275/j.cnki.lykxyj.2019.05.018
    [15] 张玉贵 . 为森林资源动态监测的TM影像标准化*. 林业科学研究, 1995, 8(2): 139-144.
    [16] 陆元昌陈敬忠洪玲霞雷相东 . 遥感影像分类技术在森林景观分类评价中的应用研究. 林业科学研究, 2005, 18(1): 31-35.
    [17] 胡圣元庞勇蒙诗栎岳彩荣 . 时间序列Landsat 8 OLI数据森林年扰动检测. 林业科学研究, 2020, 33(6): 65-72. doi: 10.13275/j.cnki.lykxyj.2020.06.008
    [18] 潘勇军王兵陈步峰史欣肖以华 . 帽峰山森林气温与区域气温变化趋势分析. 林业科学研究, 2011, 24(1): 45-50.
    [19] 彭辉周红敏王宏翔赵中华惠刚盈 . BCI 50 hm2森林大样地2010年活立木空间结构分析. 林业科学研究, 2017, 30(6): 895-901. doi: 10.13275/j.cnki.lykxyj.2017.06.002
    [20] 洪玲霞陆元昌雷相东 . 金沟岭林场森林景观分类及景观变化研究. 林业科学研究, 2004, 17(6): 717-725.
  • 加载中
图(6) / 表(2)
计量
  • 文章访问数:  3800
  • HTML全文浏览量:  2296
  • PDF下载量:  69
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-01-20
  • 录用日期:  2019-03-26
  • 刊出日期:  2019-10-01

基于高分二号影像的森林变化快速检测方法研究

    通讯作者: 谭炳香, tan@ifrit.ac.cn
  • 1. 中国林业科学研究院资源信息研究所, 北京 100091
  • 2. 国家林业和草原局西北调查规划设计院, 陕西 西安 710048
基金项目:  中央级公益性科研院所基本科研业务费专项资金 CAFYBB2017MB012中国科学院A类先导专项 GrantNo.XDA19030500

摘要:  目的 探讨用于快速更新森林资源数据库的森林变化检测方法,监测短时期内森林采伐与更新的动态变化。 方法 以变化频繁快速,高度集约经营的广西上思县人工林作为研究区,以两个时相的高分二号遥感影像作为数据源,分别利用红波段、近红外波段和NDVI 3种特征的影像差值,并基于分布函数确定阈值,对研究区进行快速的变化检测,并提取变化区域和变化类型。 结果 表明,3种特征差值的检测精度排序为:NDVI差值法最优,红波段差值法次之,近红外波段差值法最差。其中NDVI的总体精度为87.12%,Kappa系数为0.76, 结论 该方法在实现快速检测变化的目的下,可用于森林资源数据库的更新。

English Abstract

  • 传统的森林资源监测主要是实地测量,工作量大,时效性差,成本高,效率低,且精度较低[1]。近些年遥感宏观、动态、实时性的数据获取能力,在森林资源监测方面得到广泛应用[2-9],有效节省了人力、物力,提高了工作效率。范应龙等[10]对影像进行缨帽变换,采用MKT差值、干扰指数差值进行变化信息识别,通过决策树分类提取变化信息。任冲等[11]分别利用随机森林和参数优化支持向量机分类器对土地覆盖类型进行分类,并基于分类后比较法进行森林资源动态变化检测。Huang等[12]利用局部拟合分类树,根据1990—2000年两个时期森林覆盖的联合概率,检测森林覆盖变化。但大多研究主要基于中低分辨率的遥感影像,且检测变化的间隔期都较长。针对南方人工林速生、丰产、短轮伐期的特性,实现快速检测短时期内森林采伐与更新的动态变化具有重要的现实意义[13-14]

    各国学者从不同的角度针对不同的应用研究了大量的变化检测方法和理论模型[15-20],但没有一种方法能够适合所有的应用问题,不同的方法得出的结论不同,有的甚至相互矛盾,当前没有哪一种变化检测流程及方法被普遍认为具有绝对优势。另外,反映地物的特征有很多,包括光谱特征、形状特征、纹理特征、自定义特征等。但过多的特征不仅会增加运算量而降低效率,特征之间的相关性还会降低精度。因此需要根据不同数据源和森林变化特点,选择对地物表征明显的特征,快速有效地提取变化信息。

    广西南部人工用材林绝大部分为桉树人工林,这使得其森林资源变化十分频繁。本研究以高分二号(GF-2)高空间分辨率卫星遥感图像为数据源,以变化频繁快速、变化图斑多且小的广西上思县的人工林区为研究区,利用变化前后的光谱特征差异,分别通过红波段、近红外波段和NDVI差值快速提取变化区域,对比提取精度,为准确、快速、高效采集森林变化信息,及时更新森林资源数据库提供一种有效方法。

    • 研究区位于广西上思东北部,约16.6 km×21.0 km,中心地理位置为108°7′49″E,22°15′39″N。该区属南亚热带季风气候,年平均日照时数1 896.1 h,年平均气温21.7℃,气候温和,无霜期长;全年雨量充沛,年平均降水量1 217.3 mm,干湿季区分明显。地带性森林为北热带常绿季雨林和季节性雨林,常见植被为天然马尾松(Pinus massoniana Lamb.)次生林和速生桉(尾叶桉(Eucalyptus urophylla S.T. Blake)、巨尾桉(Eucalyptus grandis x urophylla)等)人工林。

    • 本研究获取了覆盖广西上思县及周边的两景无云的GF-2多光谱PMS图像,空间分辨率为4 m,成像时间分别为2016-05-16和2016-10-11。对图像进行辐射定标和大气校正,绝对辐射定标系数和GF-2卫星多光谱相机的归一化响应度文件均从中国资源卫星应用中心获取。利用30 m分辨率的DEM数据并结合GF-2影像自带的RPC文件对两景影像进行正射校正。以前期影像为基准影像,通过选择控制点配准后期影像,最终配准总误差为0.8个像元。最后裁剪出图像重叠区作为研究区。

    • 在遥感变化检测方面,数据源的性能与森林变化面积相适应, 空间分辨率为4 m的GF-2号多光谱遥感图像有望较好的识别出小于0.01 hm2的变化面积[21]。根据李春干等[22]文献,2013年上思县变化图斑达4 142个,面积小于1.0 hm2、2.0 hm2和3.0 hm2的图斑分别占全部变化图斑的46%、65%和75%。因此,GF-2多光谱遥感数据的识别能力能更好的适应研究区内变化图斑多且面积小的特点,获得高精度的森林变化检测结果。

    • 从遥感影像变化检测的角度来看,研究区内的地物类型包括:植被、裸地和水体,其中植被包括有林地、疏林地、灌木林地、未成林造林地,裸地包括无林地、采伐迹地。森林变化包括地物类型的属性变化和同一地物类型的生长变化两种情形。森林经营与检测过程中的重点在于森林的采伐与更新,因此,本研究将变化类型定义为3种:(1)植被变裸地;(2)裸地变植被;(3)未发生变化,即两个时相上的地物类型未发生改变,包括未变化植被,未变化裸地,未变化水体3种类型。

    • 本研究根据研究区的特点,充分利用不同地物间光谱特征的差异,采用影像差值法进行变化信息的提取。该算法简单,降低计算复杂度,容易实现,能很好的适应森林变化信息快速而有效的提取需求。

      在研究区内随机选择5种变化类型的样本,像元数量均大于10 000,统计各变化类型对应波段均值的差值,结果见图 1。从图 1看,3种未变化类型与发生变化的2种类型中差异较大的波段为红波段和近红外波段。因此,有望利用红波段差值和近红外波段差值提取变化信息。另一方面,利用NDVI差值提取变化信息同样值得考虑。

      图  1  各变化类型对应波段的均值差值分布图

      Figure 1.  The mean difference between the corresponding bands of each change type

      因此,本研究将采用红波段差值、近红外波段差值和NDVI差值3种方法提取研究区的森林变化信息,并比较它们之间的优劣。各个像元的特征值差值△Xi为:

      $ \vartriangle {{X}_{i}}={{X}_{iT2}}-{{X}_{iT1}} $

      (1)

      式中XiT1为前期影像第i个像元的特征值,XiT2为后期影像第i个像元的特征值。

      传统的阈值确定方法需要选取足够数量的训练样本进行估计,工作量大,效率低。本研究将差值影像的灰度值看作一个随机变量,采用基于统计学概率论中的分布函数,通过统计整个研究区内的差值分布确定各变化类型的阈值条件,简单快速,且受异常值的影响较小。

    • 在变化信息提取之后,采用Majority分析、聚类处理以及过滤处理对变化检测结果进行后处理优化。然后进行精度评价。主要是根据检测结果与评价数据建立混淆矩阵,通过正确检测的变化类型像素百分比、正确检测的非变化类型像素百分比、漏分误差、错分误差和Kappa系数等精度指标,对变化检测结果进行评价。结合Google Earth上由CNES/Airbus提供的2016年2月和10月的历史高分辨率影像,获取3种主要变化类型的验证样本,其中包含未变化类型的像元数量为63 861个,裸地变植被的像元数量为14 131个,植被变裸地的像元数量为21 199个,且分布随机均匀。然后利用混淆矩阵计算各个精度指标。

    • 统计得到3种差值图像的灰度值频率分布,均近似于高斯分布,大多数像元未发生变化,主要位于分布图的峰值部分,而发生变化的像元则主要分布在直方图的两端。研究区差值影像的累计概率分布函数见图 2

      图  2  3种差值图像的频率分布图及累计频率分布图

      Figure 2.  Frequency profile and cumulative frequency profile of three kinds of difference images

      选择累积频率为5%(或2%)、95%(或98%)时的灰度值作为判定影像发生某一变化的阈值,即表示影像中某一灰度值属于某一变化类型的概率是5%(或2%),结果见表 1。为两个时相的特征值差值。

      表 1  各变化类型的判定条件

      Table 1.  Judgment conditions for each change type

      变化类型
      Change type
      红波段判定条件
      Decision condition of red band
      近红外波段判定条件
      Decision condition of nir band
      NDVI判定条件
      Decision condition of NDVI
      植被变裸地Vegetation changed to bare ground Xi≥129 Xi≤-1 160 Xi≤-0.098
      裸地变植被Bare ground changed to vegetation Xi≤-755 Xi≥140 Xi≥0.148
      未发生变化Unchanged types -755<△Xi<129 -1 160<△Xi<140 -0.098<△Xi<0.148
    • 根据判定条件,对红波段差值图、近红外波段差值图和NDVI差值图进行处理后得到3种特征的变化检测结果(见图 3)。其中红色表示植被变裸地,绿色表示裸地变植被,白色表示未变化区域。

      图  3  3种方法的变化检测结果

      Figure 3.  Change detection results of the three methods

      使用相同的验证样本对3种变化检测结果建立混淆矩阵进行评价,见表 2。由表 2可知,3种方法中NDVI差值法的精度最高(87.12%),红波段差值法次之(77.93%),近红外波段法最差(66.39%)。但3种方法的漏检率和误检率也较高,仍然需要进一步提高。

      表 2  变化检测结果混淆矩阵

      Table 2.  Change detection results of the confusion matrix

      检测方法
      Detection method
      检测变化类型
      Detectionchange type
      实际变化类型
      Actual change type
      总计
      Total
      漏分误差
      Omission errors/%
      错分误差
      Commission errors/%
      总体精度
      Overall accuracy/%
      Kappa系数
      Kappa coefficient
      植被变裸地
      Vegetation changed to bare ground
      裸地变植被
      Bare ground changed to vegetation
      未变化
      Unchanged types
      红波段差值法
      Red band difference method
      植被变裸地 Vegetation changed to bare ground 10 221 243 1 850 12 314 51.79 17.00 77.93 0.49
      裸地变植被 Bare ground changed to vegetation 0 5 542 470 6 012 60.78 7.82
      未变化 Unchanged types 10 978 8 346 61 541 80 865 3.63 23.90
      近红外波段差值法
      Nir band difference method
      植被变裸地 Vegetation changed to bare ground 5 956 209 2 227 8 392 71.90 29.03 66.39 0.29
      裸地变植被 Bare ground changed to vegetation 180 7 351 9 086 16 617 47.98 55.76
      未变化 Unchanged types 15 063 6 571 52 548 74 182 17.72 29.17
      NDVI差值法
      NDVI difference method
      植被变裸地 Vegetation changed to bare ground 17 590 596 1 363 19 549 17.02 10.02 87.12 0.76
      裸地变植被 Bare ground changed to vegetation 0 12 813 6 484 19 297 9.33 33.60
      未变化 Unchanged types 3 609 722 56 014 60 345 12.29 7.18
      合计 Total 21 199 14 131 63 861 99 191

      对比红波段差值法的变化检测结果,发现提取的变化区域主要是缺失了在标准假彩色影像上呈深绿色形态的裸地转变,但NDVI可以较好的识别出来,见图 4

      图  4  局部区域红波段差值法与NDVI差值法变化检测结果比较

      Figure 4.  Comparison of the detection results of local red-band difference method and NDVI difference method

      对比NDVI差值法的变化检测结果,对于较大面积皆伐或更新的变化类型,提取效果具有较好的完整性和准确性。但仍存在一定程度的漏检和误检,主要是疏林地的转变,见图 5。分析其原因可能是疏林地的NDVI值位于裸地与有林地之间,因此与两种地类的NDVI差值相对较小,阈值分割后,裸地和疏林地造成漏检,疏林地和有林地造成误检。

      图  5  局部区域NDVI差值变化检测结果

      Figure 5.  Change detection results of local NDVI difference method

    • 对在研究区内随机选择的5种变化类型的样本,分别统计各变化类型在红波段、近红外波段和NDVI的差值分布,见图 6(a、b、c)。可以看出,红波段差值法中,2种变化类型与3种未发生变化的类型之间有一定的分界线,但由于未变化裸地的红波段差值范围过大,从而会影响两种变化类型的提取。近红外波段差值法中,5种变化类型都没有较好的分界线,各变化类型存在大量交叉,无法有效提取变化信息。而NDVI差值法的3种未发生变化的类型差值集中在分布图中间,2种变化类型位于分布图两端,且分界线较为明显,因此容易提取出变化信息。这也恰恰印证了3种特征的精度大小。

      图  6  训练样本各变化类型的差值分布

      Figure 6.  Difference distribution of each change type of training samples

      针对红波段差值法中未检测出的在标准假彩色影像上呈深绿色形态的裸地转变,随机选择6 957个像元并统计红波段的差值分布,见图 6(d)。可以看出,深绿色裸地变植被的差值主要分布在未变化类型的范围内,造成严重的漏分现象。

    • (1) 红波段、近红外波段、NDVI 3种特征差值法的变化检测精度为NDVI差值法最优,红波段差值法其次,近红外差值法最差。NDVI差值法在实现快速检测变化的目的下也具有较高的检测精度,可用于森林资源数据库的更新。

      (2) 3种方法使用的特征及算法简单,降低计算复杂度,容易实现;且利用概率论中的分布函数来确定阈值的方法,无需选择训练样本,明显提高了效率,为满足南方人工林变化频繁快速的特点,实现森林变化快速检测提供了一种有效途径。

      (3) 3种方法在以GF-2遥感影像为数据源进行处理后,可以提取出最小一个像元(16 m2)的变化面积,从而更好地适应南方变化图斑多且面积小的特点。

      研究分析认为,可以从以下几个方面改进:改善NDVI指数或采用其他特征,以扩大裸地和植被之间的特征差值,提高变化检测精度;进一步深入研究最佳检测阈值的自动化确定方法;对于高度集约经营的人工林来说,通常采用皆伐的森林主伐方式,因此可以考虑采用面向对象的变化检测方法,充分利用影像的纹理、形状等信息,提高变化信息提取的精度。

参考文献 (22)

目录

    /

    返回文章
    返回