李春干1 代华兵2
（1 广西林业勘测设计院 南宁 530011
2 广西大学林学院 南宁 530004）

【摘　要】　为探讨高分辨率遥感图像用于中小尺度森林分类的模式，利用SPOT5遥感数据、地面样地调查数据和前期森林资源二类调查GIS数据资料，以图像的光谱和纹理信息为主、历史调查数据的知识为辅构建专家知识分类系统对SPOT5图像进行森林分类，并探讨了历史调查数据在该模式中的贡献率。结果表明，对于所选取的8个类别，总体分类精度达到了92.97%，各类别的分类精度均达到87%以上，分类效果良好；历史数据在分类过程中的总体贡献率为11.55%，对遥感图像分类具有较大的辅助作用，尤其对竹林、八角和玉桂、灌木林分类的辅助作用表现更为明显。
【关键词】　SPOT5遥感数据 森林分类 专家分类系统 历史调查数据
中图分类号：771.8 文献标识码：A 文章编号：

Classifying Forest Land with SPOT 5 Remote Sensing Data Based on Information of Spectrum and Texture and Knowledge Mining
LI Chungan1 DAI Huabing2
（1 Guangxi Forest Inventory and Planning Institute，Nanning 530011
2 Forestry College of Guangxi University，Nanning 530004）

【Abstract】　To work out a classification method of forest land in middle or small regional level using high-resolution satellite imagery，SPOT 5 remote sensing data and field sampling plot data and GIS data of historic forest resources inventory were used to built an expert classification system to classify the forest land with SPOT 5 imagery，which was composed mainly of information of spectrum and texture，and supplemented by the historic assistant knowledge. The results indicated that when the imagery was classed as 8 types by this system，the total accuracy of classification was 92.97%，the accuracy of all types were higher than 87 %； and the historic data played 11.55% contribution in this classification system，it was helpful to the imagery classification，especially to some kinds of forest land classification such as bamboo，truestar anisetree and cassiabarktree，and shrub.
【Keywords】　SPOT5 remote sensing data，Classification of forest land，Expert classification system，Historic inventory data

　　森林分类是森林资源遥感监测的重要内容，其分类精度直接影响着遥感数据在森林资源监测中的应用价值。目前普遍认为计算机分类精度难以满足林业生产经营需要，一是由于遥感数据较低的空间分辨率和大量存在的混杂像元所致（赵宪文，1999）；二是多源遥感数据不满足传统参数化统计分类方法所要求的数据分布条件，难以取得理想的分类效果（刘旭升等，2004）；三是对于中小尺度（县或林场）森林分类，未能充分利用森林资源历史调查资料所提供的丰富信息（李春干，2001，2004）。针对以上问题，文中探讨了在充分利用遥感数据光谱和纹理信息的基础上，深入挖掘前期历史调查资料的相关知识，构建专家分类系统进行森林遥感分类的方法，提出了适用于中小尺度森林资源遥感监测的分类模式，为提高森林资源遥感调查成果质量和实用性提供一个有效的途径。
　　1 试验区概况及试验数据
　　试验区域位于广西南宁市北面的高峰林场长客分场内，地理位置为北纬22°52′33″～22°57′47″，东经108°13′00″～108°17′55″，面积3167.1 hm2。低山丘陵地貌，海拔90～370m，坡度25～35°。全部为人工林，主要树种为杉木（Cunninghamia lanceolata）、马尾松（Pinus massoniana）、八角（Illecium verum）、玉桂（Cinnamomum cassia）、尾叶桉（Eucalyptus urophylla）、马占相思（Acacia mangium）和麻竹（D.latiflorus Munro）丛生竹等，森林分布破碎。生产经营活动规范，进行过多次森林资源二类调查，具有非常丰富的历史调查数据。
　　研究采用的数据包括2002年10月接收的SPOT5 1A级同时相的2.5m全色和10m多光谱遥感数据、地面样地调查数据、1998年和2004年二类调查的数字化小班基本图等GIS数据资料。
　　2 研究方法与分类系统构建
　　2.1 基本思路
　　SPOT5高分辨率遥感数据应用于森林分类，应充分利用其多光谱数据的光谱信息和高分辨率数据的纹理结构信息。对于光谱和纹理信息不能完全分离的部分，可辅以历史调查数据进行分类。有研究表明（李春干，2004），当历史数据间隔期<10 a时，一般至少有50%的小班界线、土地种类和优势树种没有发生变化，因此，历史数据的使用将有助于提高遥感数据分类的精度。
　　2.2 技术路线
　　本研究提出的分类模式的具体方法为：（1）根据地面样地实地调查数据，在经过预处理的SPOT5图像上提取相应森林类别的图像光谱信息和纹理结构信息，对其进行统计分析后得到各类别的光谱和纹理结构知识；（2）将前期调查的GIS矢量数据转换成森林类别和龄组的栅格数据，即完成前期数据影像化，以获取各森林类别的静态知识和动态变化知识；（3）以各森林类别的光谱知识、纹理结构知识，辅之以历史静态知识和动态变化知识设置相应的变量、分类规则和置信度，构建专家知识分类器；（4）模拟专家分类，对原始SPOT 5图像完成基于规则的推理过程，进行分类后处理，最终得到森林分类图。具体流程见图1。

图1 分类流程图
Fig.1 The data flow chart of classification

　　2.3 专家知识获取
　　2.3.1 光谱知识获取
　　根据GPS实测的样地中心坐标将地面调查样地展绘到SPOT5遥感图像上，并提取样地对应的图像各波段光谱值。以象元为单位对各森林类别的光谱值进行统计，其具体方法是：先找出灰度频数分布的最大峰值，然后沿峰值两边取值，直到累加频数接近总数的50 %为止，按照这种方法可以得到各类型在各波段上具有代表性的光谱数据（杨存建等，2002），将所得到的光谱数据分别计算灰度均值和标准差，其中；；式中n为该类别象元总数，xi为第i个像元的灰度值。各类别的光谱统计值按为标准进行计算，得到各森林类别的光谱分布范围，该分布范围即为所获得的森林各类别的光谱知识，结果见表1。

表1 各类别光谱与纹理特征统计值
Tab.1 The statistic value of spectrum and texture of every kind of forest land

　　2.3.2 纹理知识获取
　　目前较常用的图像纹理特征统计方法有共生矩阵法、分形维法、马尔可夫随机场法和小波变换法（刘龙飞等，2003）。本文采用灰度共生矩阵法来获取图像纹理特征量。灰度共生矩阵法是一种常用的纹理分析方法，它是图像中两个像素灰度级联合分布的统计形式，能较好地反映纹理灰度级相关性的规律（田艳琴等，2004），其定义（Baraldietal，1995）为：设图像某一区域有N个灰度值，则对应该区域的灰度共生矩阵是一个N×N阶的矩阵，在矩阵中位置（i，j）（1，...，i，...N；1，...，j，...，N）处元素是从灰度为i的像元离开某个固定位置关系σ＝（Dx，Dy）处像元灰度为J这种现象出现的概率，σ被称为位移量，Dx和Dy称为距离。在实际的应用中，作为纹理识别的特征量是由上述的灰度共生矩阵计算出来的一些统计量。Haralick曾提出14种由灰度共生矩阵计算出来的统计量（Haralicketal，1973），但是Baraldi认为，对于遥感图像来说以下四种统计量效果最好（Baraldietal，1995）：
　　熵：（ENT）＝　　（1）
　　同质性：（HOM）=　　（2）
　　异质性：（DIS）=　　（3）
　　角二阶距：（ASM）=　　（4）
　　以上各式中，Pσ（i，j）是灰度共生矩阵中位置（i，j）处的元素的归一化值，也即是概率。一般情况下，对位移量σ的选取通常有四个方向：0°方向角、45°方向角、90°方向角和135°方向角。距离选取的有1像素距离、2像素距离等，本文中的实验选全部为1像素距离。
　　纹理特征统计采用与光谱特征统计相同的方法，即根据特征值分布频数，统计峰值附近50 %的特征值，以其统计均值加减2倍方差得到该类别的纹理特征分布范围，部分结果见表1。
　　2.3.3 历史调查数据知识挖掘与定量表达
　　由于森林生长具有极强的递延性，前、后期数据之间具有密切的相关性（李春干，2001，2004），因此森林资源历史调查数据可作为森林遥感分类的辅助数据。历史数据知识挖掘包括静态知识获取和动态变化知识挖掘两个方面。
　　（1）静态历史数据知识获取
　　静态历史数据知识即在一个长期的过程或一个调查周期内（国有林场二类调查周期为5年），其类别一般不发生变化的信息。在森林资源分类中，水体、建筑用地、林区公路、难利用地均不会发生变化；轮伐期较长的针叶林幼林，在一个调查周期内也不会发生变化，如马尾松的主伐年龄为26a，幼林都不超过10a，其在一个调查周间隔期内不会因采伐而出现森林类别变化。
　　（2）动态变化知识挖掘
　　动态变化知识指在一定时期内，森林类别可能发生变化，对于其类别如何变化的定量表达与描述。如针叶林的近成过熟林，在调查间隔期内可能会由于皆伐而变化为荒山（采伐迹地），也可能因采伐后的更新造林而变化为针叶林幼林，或阔叶林幼林，或八角玉桂林地，也可能因征占用林地而变化为裸露土地、建筑用地或公路等。由于目前研究区域内的更新造林以短轮伐期的阔叶速生树种和经济价值高的八角玉桂为主，且征占用林地的情况较少，因此近成过熟针叶林地以变化为阔叶林地和八角玉桂林地为主。
　　（3）历史数据信息挖掘的定量表达
　　通过以上分析，以先验性概率定量描述历史数据信息。以历史调查的森林类别和龄组信息为基础，对各历史森林类别的变化信息分析并赋予不同的先验性概率，具体分析结果见表2。

表2 森林历史类别变化的先验性概率①
Tab.2 The change apriority probability of historic forest types

① BL：Bare land；WL：Waste land；BW：Brush wood；TC：Truestar anisetree or cassiabarktree；CF：Coniferous forest； HW：Hardwood； BB：Bamboo

　　2.4 基于知识的森林专家分类规则构建
　　（1）置信度计算
　　专家系统的一个特点就是不仅限于确定性推理，还使用了大量的不确定性知识进行不确定性推理（陈永富，1995）。在分类专家系统中，用置信度CF来控制其不确定性推理过程，令A表示特定的森林类别，H表示分类数据，用CF（A\H）来衡量当分类数据H为真时判别某一象元属于A为真的可信程度，其表达式为（游先祥，2003）：

　　　　　　
　　式中：P（A\H）表示在条件H为真时，森林类别A为真的概率；P（A）表示森林类别为真的概率。P（A\H）可通过贝叶斯公式计算得到，当条件H为历史数据信息的时候用其变化的先验性概率代替。
　　（2）分类规则构建
　　专家分类系统就是针对一个或多个假设，而建立的一个层次性规则集或决策树。在对各种知识统计的基础上，以光谱知识和纹理知识为主，以历史调查资料为辅，构建专家知识分类器。对于完全由光谱和纹理信息进行分离的类别，只采用光谱纹理知识分类，如水域和裸露土地两类；而对于光谱纹理信息不能完全分离的类别，辅以历史数据进行分类。下面以阔叶林为例详细介绍专家分类器的构建。阔叶林地可包括以下几个部分组成：可通过光谱和纹理知识完全分离的阔叶林；不能通过光谱和纹理知识完全分离但原为阔叶林地且不发生变化的部分；不能完全分离但可能由针叶林地、阔叶林地、未成林地等其他林地变化而来的部分。对三个部分设置不同的变量、规则和置信度，构建专家知识规则如下图2。

图2 阔叶树分类规则集
Fig.2 The classification principle set of hardwood

　　采用与上述相同的方法，对各个类别分别设置专家分类器，构建完整的森林专家分类系统，对SPOT5图像进行分类。对分类图像进行相应的后处理，消除破碎细小的斑块，形成完整实用的森林分类图。本研究中最小区划面积为0.5hm2。
　　3 结果分析
　　3.1 分类精度
　　对分类图像进行随机布点抽样进行分类精度检验，要求最小面积类别的样本数不少于30个。以2004年该区域二类调查数据和实地验证数据作为分类检验基准，进行分类精度检验。结果见表3。

表3 分类结果②
Tab.3 Classification result

② NRP：Number of reference point；NCP：Number of classification point；PED：Point of accurate classification；AP：Accuracy of production；AU：Accuracy of user

　　由表3可以看出，该分类方法的总体分类精度达到了92.97%，Kappa系数为0.9172，各类别的用户分类精度均达到了87%以上。
　　3.2 历史调查数据在分类中的贡献率
　　为研究历史数据在该分类研究中的贡献率，只利用图像光谱信息和纹理信息构建专家分类系统进行分类研究，结果见表4。

表4 历史数据参与分类的森林分类结果
Tab.4 Classification result with historic inventory data

　　由上表，当历史数据不参与分类时，总体精度为82.23%，Kappa系数为0.7898。8个类别中，水域、裸露土地、荒草地的用户分类精度较高，八角玉桂、灌木林、竹林的分类精度均较差。
　　定义历史数据在该分类研究中的贡献率为：

　　　　　　
　　式中：A为历史数据贡献率，c1、c2分别为历史数据参与和不参与专家分类的分类精度。
　　经计算得到，历史数据总体贡献率为11.55%，对各类别的分类贡献率依次为：水域，0；裸露土地，0；荒山2.82%；灌木林，13.89%；八角玉桂，32.73%；针叶林，4.77%；阔叶林，6.16%；竹林，41.38%。可见，历史数据对竹林、八角玉桂、灌木林的分类精度影响较大，其主要原因是由于这几个类别的光谱和纹理信息本身存在较大的重叠部分，难以分离。
　　4 结论与讨论
　　（1）文中提出的分类模式具有良好的分类效果，总体分类精度达到了92.97%，Kappa系数为0.9172，各类别的分类精度均达到87 %以上。以光谱和纹理信息为主，辅助以历史调查资料构建专家分类系统的分类模式，在中小尺度SPOT 5森林遥感分类中是可行的。
　　（2）历史调查数据参与遥感分类，可有效提高其分类精度，尤其是对竹林、八角玉桂、灌木林的分类精度影响非常明显，一定程度上解决了遥感图像中存在的“同物异谱，同谱异物”的现象。历史调查数据在分类中的总体贡献率为11.55%，说明其可以作为遥感分类的重要参考信息，尤其在经营管理活动规范的国有林场（区），丰富完整的历史调查数据是遥感分类的不可忽略的重要数据源。
　　（3）对于SPOT5、IKONOS和QuickBird等高空间分辨率遥感数据的森林分类，应充分利用其图像光谱特征和丰富的纹理结构特征，以遥感数据本身的特征作为主要分类依据，其他数据资料只能作为遥感分类的补充资料使用。
　　（4）专家分类系统可有效模拟专家知识进行遥感数据计算机自动分类，并能取得较高的分类精度。但在图像纹理特征提取上，如何获取有利于森林分类的纹理知识；在历史数据的应用中如何充分挖掘其分类知识，尤其是森林类别变化知识；以及在专家分类器的设计中如何设置相关变量及规则，充分模拟专家分类活动等，都有待于进一步深入研究。

基金项目：国家自然科学基金（30371159）、广西壮族自治区“新世纪十百千人才工程”专项资金（2002218）、广西壮族自治区林业局科学基金（200246）共同资助。

参 考 文 献
[1] 赵宪文.面向21世纪的中国林业遥感.中国工程科学.1999，1（3）：16-21
[2] 刘旭升、张晓丽.森林植被遥感分类研究进展与对策.林业资源管理，2004，（1）：61-64
[3] 李春干、谭必增.历史调查数据参与森林调查因子遥感定量估测的研究.林业资源管理，2001，（1）：58-61
[4] 李春干、谭必增.基于GIS的遥感调查方法研究. 林业科学，2004，40（4）：40-45
[5] 杨存建、周成虎.基于知识的遥感图像分类方法的探讨.地理学与国土研究，2002，17（1）：72-77
[6] 田艳琴、郭平、卢汉清.基于灰度共生矩阵的多波段遥感图像纹理特征的提取.计算机科学，2004，31（12）：162-163
[7] 刘龙飞、陈云浩、李京.遥感影像纹理分析方法综述与展望.遥感技术与应用，2003，18（6）：441-447
[8] Haralick R M，Shanmugam K，Dinstein I.Texture features for image classification.IEEE Trans. System Man Cybernet.1973，3（6）：610-621
[9] Baraldi A，Parminggian F.An Investigation on the texture vharacterlstics associated with gray level co-occurrence matrix statistical parameters.IEEE Trans.on Geoscience and Remote Sensing.1995，32（2）： 293-303
[10] 陈永富、王振琴、张玉贵、等.专家系统在TM遥感图像分类中的应用研究.林业科学研究，1995，9（4）：344-347
[11] 游先祥.遥感原理及在资源环境中的应用.北京：中国林业出版社，2003，283-289
[12] 赵英时等.遥感应用分析原理与方法.北京：科学出版社，2003