-
遥感技术以其观测范围广、信息量大、精度高和速度快等特点为森林资源变化检测提供了便利手段,已经在森林资源调查监测中发挥着重要作用[1-6]。通过前后时相影像的变化检测可以提取森林资源变化信息[7-11],通过时间系列影像能够识别森林干扰[12-14]。随着遥感影像空间分辨率的提高,影像中地物的结构、形状、纹理和细节等信息也更加突出,同种地物内部光谱变异性增大,空间结构特征更加明显。面向对象的图像处理方法通过影像分割技术把影像分解成同质像元组,即影像对象。影像对象充分利用像元间的空间特征关系,避免椒盐现象,因此面向对象多特征融合的方法成为当前遥感影像变化检测的重要手段[15-16]。
面向对象的变化向量分析法是一种基于图斑的特征向量空间变化检测方法,由各个特征值的变化量组成变化向量,以欧氏距离计算变化强度,通过选择合适的阈值判断地物是否变化[17-19]。该方法中的特征值通常包括影像对象的光谱特征和纹理特征,其中光谱特征又包括了各个波段的光谱均值、光谱标准差等,纹理特征包括了灰度共生矩阵的均值、同质性、对比度、差异性和熵等[20-21]。由于特征值众多,减少数据冗余,增强特征之间的理解,选择有效识别地物特征的信息,是基于变化向量分析法的变化检测中的一项重要内容。广西壮族自治区上思县桉树(Eucalyptus robusta Smith)速生丰产林生长快,轮伐期短,森林采伐和造林活动多,森林资源变化频率高。本研究在上思县设立研究区,基于面向对象变化向量分析法进行森林资源变化检测,应用随机森林平均精确率减少的方法进行变化特征的选择,通过选取的不同特征向量和常规的基于光谱均值、光谱均值和标准差的变化向量分析法进行比较,以期获得较好的森林资源变化检测方法和结果。
HTML
-
对前后两时相高分二号影像形成的8波段组合影像进行多尺度分割,经过试验测试和人工目视评判,确定分割参数,获得前后时相空间位置一致的图斑作为变化检测的基本单元(表1)。多尺度分割自下而上通过分割创建出影像对象图层,图层1是像元分割后形成的图层,图层2是图层1对象执行分割后形成的图层。
图层
Layer分割对象
Object分割尺度
Scale权重
Weight形状因子
Shape紧致度因子
Compactness1 全部像元 200 均为1 0.1 0.5 2 图层1 90 均为1 0.1 0.5 Table 1. Parameters of image segmentation
鉴于试验区采伐和造林地块大小不一,有些比较破碎,为了能完全识别出变化地块,分割时考虑适度的过分割。从分割图可以看出,多时相影像组合分割结果用一个或多个图斑表示发生变化的地物,分割线清楚地勾绘出了不同地物的边界(图3)。
-
应用随机森林平均精确率减少的方法进行变化特征的选择,按照29个变化特征得分从高到低,获得变化特征重要性排序(图4),特征代码对照见表2。前10个变化特征为:第3波段光谱均值、第1波段光谱均值、NDVI值、第2波段光谱均值、第1波段光谱标准差、第3波段光谱标准差、第2波段光谱标准差、第1波段熵、第4波段光谱均值和第1波段能量。
代码
Code特征名称
Feature name代码
Code特征名称
Feature name代码
Code特征名称
Feature namemn3 第3波段光谱均值 ent3 第3波段熵 ang2 第2波段能量 mn1 第1波段光谱均值 hom2 第2波段同质性 cor4 第4波段相关性 NDVI 归一化植被指数 hom1 第1波段同质性 con3 第3波段对比度 mn2 第2波段光谱均值 ent4 第4波段熵 con1 第1波段对比度 std1 第1波段光谱标准差 std4 第4波段光谱标准差 cor2 第2波段相关性 std3 第3波段光谱标准差 ent2 第2波段熵 cor1 第1波段相关性 std2 第2波段光谱标准差 ang4 第4波段能量 cor3 第3波段相关性 ent1 第1波段熵 hom3 第3波段同质性 con4 第4波段对比度 mn4 第4波段光谱均值 ang3 第3波段能量 con2 第2波段对比度 ang1 第1波段能量 hom4 第4波段同质性 Table 2. Feature code
按照变化特征排序的前1个、前2个一直到29个变化特征构建变化向量,分别应用ROC法确定变化阈值(图5),获得变化检测结果(图3)。同时,进行对比研究,用常规的由4个波段光谱均值、4个波段光谱均值和4个波段光谱标准差构建变化向量,以及NDVI差值法进行变化检测,应用ROC法确定变化阈值。
-
对不同数量变化特征参与的变化向量法获取的森林资源变化检测结果进行比较(图6)。变化特征数量从1增加到3,总体精度和Kappa系数均较大,总体精度大于90%,Kappa系数约为0.7。变化特征数量为4和5时,总体精度和Kappa系数均增大,总体精度大于92%,Kappa系数大于0.76。变化特征数量从6增加到9,总体精度大于91%,Kappa系数约为0.7。变化特征数量增加到10以后,总体精度和Kappa系数呈现下降趋势。并不是参与变化向量分析法的变化特征越多,识别森林资源变化的效果越好。
前4个变化特征参与的变化向量法,即高分二号多光谱影像蓝、绿、红波段光谱均值和NDVI值识别森林资源变化精度最高,总体精度92.94%,Kappa系数0.763 0,变化地类误检率15.63%,漏检率22.86%,未变化地类误检率5.25%,漏检率3.35%(图6和表3)。
方法
Method检测结果
Detected result参考数据
Reference data误检率
Commission
error/%漏检率
Omission
error/%总体精度
Overall
accuracy/%Kappa系数
Kappa
coefficient变化
Change未变化
Unchange合计
Total4个变化特征向量
Four change feature vectors变化 Change 108 20 128 15.63 22.86 92.94 0.763 0 未变化 Unchange 32 77 609 5.25 3.35 4个光谱均值变化特征向量
Change feature vectors of
four spectral averages变化 Change 104 85 189 42.78 25.71 83.58 0.529 5 未变化 Unchange 36 512 548 6.57 14.24 4个光谱均值和4个光谱标准
差变化特征向量
Change feature vectors of four spectral
averages and four spectral standard deviations变化 Change 119 142 261 54.41 15 77.88 0.460 0 未变化 Unchange 21 455 476 4.41 23.79 NDVI差值
NDVI difference变化 Change 92 15 107 14.02 34.29 91.45 0.694 7 未变化 Unchange 48 582 630 7.62 2.51 Table 3. Accuracy assessment of object-oriented forest change detection
特征选择后变化向量法识别森林资源变化的精度普遍高于常规的4个波段光谱均值、4个波段光谱均值和4个光谱标准差的变化向量分析法的检测结果(表3)。4个变化特征到9个变化特征参与变化向量分析法的总体精度在90%以上,另外两种常规方法的总体精度分别为83.58%和77.88%。4个变化特征向量法识别森林资源变化检测的总体精度高于NDVI差值法的总体精度,变化地类漏检率由NDVI差值法的34.29%降低到22.86%。针对4个变化特征向量法,对照影像核对验证样本,一部分检测错误的图斑是由于图斑中的局部发生了地类变化,这部分图斑标识为变化地块,但是变化检测算法应用的是图斑的光谱均值,局部变化和未变化部分光谱信息平衡后,削弱了变化强度,因此这部分变化图斑未能被正确识别出来。该问题是由于分割尺度引起的,减小分割尺度参数,增强图斑内部的同质性,同时保持图斑之间的异质性,将有助于提高由于图斑分割尺度参数稍大引起的变化检测精度偏低的问题。
对于森林资源发生变化的4种类型,应用4个变化特征向量法识别其中3种变化类型效果好,即桉树或者马尾松采伐、无林地造林后成为有林地、桉树从幼林到成林。有些变化地类误识别为未变化地类,对照两期影像目视分析,一部分检测错误的图斑在前期影像上是马尾松,马尾松采伐后种植桉树,桉树进入成熟期,在后期影像上是桉树成林,在前后期影像上均表现为有林地的光谱特征。在变化特征选取时未包括马尾松林转变为桉树成林的样本点,选取的变化特征未能反映该变化信息,影响到变化检测结果。有些未变化地类误识别为变化地类,主要是受桉树除草的影响,前后时相影像上桉树的光谱发生变化,变化检测受到同物异谱的干扰。