-
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。
HTML
-
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。
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。
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 bandNDVI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 Table 1. Judgment conditions for each change type
-
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。
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。
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 Table 2. Change detection results of the confusion matrix
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。
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。
-
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。
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。