-
随着遥感技术的不断发展,遥感技术已经越来越广泛的应用在湿地类型识别,森林树种分类中[1-2]。国内外众多利用机载高光谱数据对不同温度带森林树种[3-7]的分类研究证明,机载高光谱数据在森林资源监测以及树种的识别上具有巨大的潜力。刘怡君[8]使用AISA EagleⅡ高光谱影像结合机载激光雷达数据对云南山区森林树种进行分类,结果表明高光谱数据和Lidar数据结合可以提高树种分类的精度,但是机载高光谱影像在飞行过程中,如果天空中有云,在飞行的条带上会受到云的影响,在影像上会产生云阴影,从而影响影像上地物的分类精度,如果直接使用反射率影像对有云阴影的影像进行分类,其分类精度会降低。高贤君[9]使用光谱特征阈值检测云阴影,然后使用综合模型对云阴影区进行补偿。王玥[10]使用一种基于主成分分析的方法对云阴影进行检测,然后使用影像上相同地物类型的非阴影区像素值进行补偿,这种补偿方法需要明确影像上的地物类型,其补偿后的影像并不适合于森林树种的分类。有的或直接舍弃掉含有云阴影的影像,这会造成影像资源的浪费,特别是对于航空遥感来说,舍弃云阴影区的影像会使获取影像的成本大大增加,因此,在使用机载高光谱影像对森林树种分类时,提高阴影区树种分类的精度至关重要。
本研究以温带山区森林为例,在对包含云阴影的机载高光谱影像进行分类时采用植被指数、纹理信息等进行波段合成,对合成后的影像进行分类,探究植被指数、纹理信息等对云阴影下不同树种分类精度的影响,为以后进行云阴影影响的影像分类提供参考,提高机载影像资源的利用效率。
HTML
-
本研究基于ENVI的SVM分类器,输出分类后的影像,并对分类后的影像进行分类后处理,从而减少分类后影像的椒盐现象,分类结果如图 4所示。首先通过目视判读,对两种特征影像的分类结果对比可以看出,使用反射率影像的分类,红松与樟子松的分类结果有较大的差别,其他地物的分类结果也有一定的差异。
-
为了定量评价植被指数和纹理信息对于云阴影区森林地物分类精度的影响,使用样地实测的数据组成验证样本,建立混淆矩阵,选用总体精度以及各类地物的制图精度和用户精度作为分类结果的评价指标,分别对反射率影像的分类结果和波段组合后的分类结果进行验证。验证结果如表 1和表 2所示。
地物类型
Feature type云杉
Picea asperata落叶松
Larix olgensis红松
Pinus koraiensis樟子松
Pinus sylvestris草地
Grassland灌木
Shrub耕地
Farm land总和
Total云杉Picea asperata 557 51 23 0 0 0 0 631 落叶松Larix olgensis 54 658 0 0 0 58 0 770 红松Pinus koraiensis 108 0 247 83 0 15 0 466 樟子松Pinus sylvestris 15 13 259 547 0 0 0 806 草地Grassland 0 0 0 121 327 0 185 747 灌木Shrub 0 114 0 0 0 306 0 334 耕地Farm land 0 0 0 0 0 0 317 317 总和Total 719 864 529 751 327 379 502 4 071 总体精度Overall accuracy/% 72.68 Kappa系数Kappa coefficient 0.68 Table 1. Confusion matrix of reflectivity image classification result
地物类型
Feature type云杉
Picea asperata落叶松
Larix olgensis红松
Pinus koraiensis樟子松
Pinus sylvestris草地
Grassland灌木
Shrub耕地
Farm land总和
Total云杉Picea asperata 569 32 33 0 0 0 0 634 落叶松Larix olgensis 40 802 19 4 0 0 0 865 红松Pinus koraiensis 95 0 460 29 0 0 0 584 樟子松Pinus sylvestris 15 14 17 718 0 0 0 764 草地Grassland 0 0 0 0 327 7 67 401 灌木Shrub 0 16 0 0 0 372 0 388 耕地Farm land 0 0 0 0 0 0 435 435 总和Total 719 864 529 751 327 379 502 4 071 总体精度Overall accuracy/% 90.68 Kappa系数Kappa coefficient 0.88 Table 2. Confusion matrix of recombined image classification result
-
本研究对经过大气校正后的反射率影像和波段重组后的影像分别进行分类,使用样地数据进行验证。结果表明,使用窄波段植被指数以及纹理信息可以显著的提高地物的分类精度,其分类精度和Kappa系数分别为90.4%和0.88,比直接使用反射率影像的分类精度和Kappa系数分别提高了18%和0.2。使用波段重组后的影像对云阴影下地物分类,其对于单个地物的分类精度也有明显的提高。对于不同树种而言,红松的分类精度最低,使用反射率影像进行分类,其制图精度和用户精度分别只有46.69%和53%,而使用波段重组后的影像进行分类,红松的制图精度和用户精度提高到87.29%和79.29%,其制图精度和用户精度分别提高了40.6%和26.29%;其次为樟子松,其制图精度和用户精度分别提高了23%和26%。
从混淆矩阵中可以看出,对于使用反射率影像进行分类时,红松主要误分成为樟子松,但是用特征影像进行分类时,红松误分成樟子松像元的个数大幅度减少,说明特征影像中所采用的植被指数与纹理信息可以大幅度提高红松和樟子松的区分能力。通过混淆矩阵可以看出,耕地和草地之间也存在误分,这是由于部分耕地已经耕种,其生长出的作物和草地具有相似的特征。