1、 年 第 期于浩洋，等：融合空间信息和高光谱影像的四旁树自动提取方法引文格式：于浩洋，董春，张辉 融合空间信息和高光谱影像的四旁树自动提取方法 测绘通报，（）：融合空间信息和高光谱影像的四旁树自动提取方法于浩洋，董 春，张 辉（辽宁工程技术大学测绘与地理科学学院，辽宁 阜新；中国测绘科学研究院，北京；青海省自然资源综合调查监测院，青海 西宁）摘要：四旁树是森林覆盖率计算的重要组成部分，但因其零星分布，目前的统计方式仍为统计时间长、计算成本大的实地调研方法，缺少使用遥感影像和自动提取的研究。因此本文将多波段的哨兵 号遥感影像作为数据源进行筛选、组合和分类，并结合四旁树定义和空间分析方法，实现对四
2、旁树的自动提取。试验结果表明，运用径向基核函数的支持向量机方法对、波段组合的遥感影像分类结果的总体精度为.，系数为.，四旁树提取精度为，试验精度最高。相对于实地调查方法，该提取方法精度高且速度更快，更适用于大范围的四旁树信息提取与变化检测。关键词：四旁树；影像分类；空间分析；自动提取；支持向量机中图分类号：文献标识码：文章编号：（），（，；，；，）：，.，.，：；四旁树在毛泽东于 年 月的征询对农业十七条的意见批示中首次出现。在新版的森林资源规划设计调查技术规程中，四旁树是指面积小于.的栽植在住宅、乡村旁、道路、水系等地的各种竹、木。作为中华人民共和国森林法中林木覆盖率和森林面积的重要组成部分
3、，四旁树不但可以提高森林固碳量，发展低碳经济，还可以确保森林资源的健康发展，有重要的环境调节和社会服务功能。文献认为由四旁树组成的城市绿地可以促进城市可持续发展和提升城市可居住性，文献认为包含四旁树中宅旁树的城市绿地拥有预防自然灾害发生的能力，这突显了四旁树在城市建设的重要性。而随着国家大型生态项目开展及山水林田湖草沙生态系统的逐渐完善，获取高精度林地数据的需求不断增多，因此运用现代化技术对四旁树进行精确高效的统计是十分重收稿日期：；修回日期：基金项目：国家自然科学基金面上项目（）；国家社会科学基金重大项目（）；国家社会科学基金一般项目（）；中国测绘科学研究院中央公益院所基本业务费（）作者简介
4、：于浩洋（），男，硕士生，主要研究方向为遥感影像分类及应用。：通信作者：董 春。：测 绘 通 报 年 第 期要的。由于四旁树零散分布、难以统计，国内早在 年就开始了对四旁树的植被研究。文献使用地理信息系统求解四旁树密度数据；文献通过逐村逐路调查，准确详尽地获得了 年济源市四旁树的资源状况。但目前研究均采用实地调研法提取四旁树，该方法存在调查时间长、数据更新慢等问题，并且对遥感影像和机器学习等新兴技术应用较少。而文献利用 卫星影像对包含四旁树的城市绿地进行了精度较高的面积提取；文献通过深度学习的方式较高精度的绘制了道路沿线的树木图。但以上分类研究对遥感影像波段选取方法考虑较少，存在丢失有效信息和
5、数据冗余的问题。因此，本文采用对待测地物的可视化效果好、包含光谱信息多样丰富、可快速获取数据且拥有对绿色植被有明显特征的红外波段的哨兵 号多光谱影像。通过计算影像波段信息丰富度、重叠度及 系数，选择最适宜四旁树分类的波段组合。使用支持向量机和极大似然分类方法进行分类，并选择其中精度最高的分类方法，根据空间分析原理结合四旁树定义实现研究区四旁树的自动提取，以期为四旁树信息监测、合理规划提供科学依据，同时为未来大范围精确统计四旁树覆盖面积提供参考。研究区概况和数据准备.研究区概况研究区位于阜新市中部，与阜新蒙古族自治县、海州区接壤，地势平坦，属北温带半干旱季风大陆性气候区。研究区内四旁树分布如图
6、所示，分布在玉龙湖公园（水旁树）、阜新高铁站及附近道路（路旁树）、九营子村（村旁树）和辽宁工程技术大学北校区（宅旁树），其中主要树种为油松、柳树、苹果树、梨树、山楂树等。图 研究区四旁树分布示意.数据源与预处理使用的遥感影像数据为 年 月 日生成的研究区范围内无云覆盖的哨兵 号 级影像，来源于欧空局哥白尼数据中心。影像投影分度带为 ，基准为。由于 级影像下载前已进行辐射校正和大气校正，因此本文对哨兵 影 像 的 预 处 理 包 括 使 用 软 件 的 超分辨率合成处理和使用高分 号影像对提升结果进行重采样处理，最终获得研究区.的高分辨率多光谱遥感影像。其他辅助数据包括从 地图下载器上下载的细河
7、区矢量边界数据、“天地图”影像数据及高分 号.分辨率的单波段影像。为了准确判定实际地物类型，于 年对试验区进行了野外实地考察，确保了所选分类影像样本和检核样本的准确性。研究方法四旁树定义为：种植于路旁、水旁、村旁、宅旁 范围内且林地面积小于 的树木。四旁树提取的具体流程如图 所示。年 第 期于浩洋，等：融合空间信息和高光谱影像的四旁树自动提取方法图 试验流程.波段组合方式选取.计算波段信息量由于波段的标准差可以表示像元反射率在空间的变化，继而表示每个波段信息量的大小。波段标准差越大，像元反差越大，波段所包含的信息量越大。用 ；，表示哨兵 号影像 个波段的集合，其中 为具体波段的标号，的标准差计
8、算公式为 （?）（）式中，为标准差；为影像像元数；为每个像元的波段值；?为波段值平均数。根据计算结果可知，波段、所含的信息量较多，在波段选择时优先考虑；、波段所含的信息量少，在波段选择时谨慎考虑是否加入此波段。.计算波段相关性为去除具有重复信息的波段，实现波段降维，需计算相关系数。相关系数越小表示两波段间的相关性越小，这意味着两者之间的交叉度和无关信息含量也更小，更有益于不同地类之间的分类。对哨兵 号影像各波段进行相关性分析，其分析结果显示波段、，波段、，波段、，波段、和波段、的相关性都较大。在进行波段选取时应尽量避免全部选中；虽然波段、与其余波段、的相关性较少，但考虑波段信息量的问题，不进行
9、选取。.判断波段组合顺序通过使用最佳指数因子方法筛选出最后的选取波段和排列顺序。该指数因子利用标准差和相关系数计算，该因子越大，代表数据所含信息量越大。其最佳指数因子的具体计算公式为 （）式中，为波段数；为对应波段标准差；为波段与波段 之间的相关系数。由此计算并选择上述波段组合中最佳指数因子前 的波段组合，并通过目视解译，舍去地类之间难以分辨或组合效果近似的波段组合。最终选取分类特征明显、信息包含丰富的波段、，波段、和波段、的组合进行分类试验，并使用真彩色波段、组合作为对照试验影像。.影像分类支持向量机的基本思路是通过用非线性映射把输入空间转换成另一种高维空间，并对这种新空间计算和区分不同类之
10、间的关系。本次试验采用线性核函数、多项式核函数、径向基核函数和 核函数 种核函数对遥感影像进行分类试验，以寻找最适合四旁树信息提取的核函数，并使用极大似然影像分类方法进行对照。.基于空间分析的四旁树提取本次使用的空间分析方法是指建立要素边界一定宽度范围内的图层，联系边界图层与待分析对象进行分析的方法。根据四旁树定义可以对道路、测 绘 通 报 年 第 期水体、建筑地类沿边界 范围构建四旁树识别区并舍去林地面积大于 的林地分类结果。然后只需判断剩余林地是否位于缓冲区内且面积符合定义，即可判断该林地是否为四旁树。由于遥感影像分类后，分类结果存在对应坐标，因此只需判断坐标是否在识别区内即可。判断方式及
11、示例如图 所示。图 判断林地分类图斑与识别区是否相交的示意图 中，长方形为识别区，首先将分类像元向 轴作垂线，筛选有可能存在交点的图斑。设其缓冲区识别区端点坐标为（，）和（，），只有分类林地的 坐标处于、之间时才可能相交，因此舍去不相交的林地图斑，其次判断交点个数。（）若 且 ，必有一个交点。（）若 且 ，必无交点，因此舍去不相交的林地图斑。（）若 或 ，存在有 种情况，需求出交点坐标（，）再判断：当 ，交点数为奇数时，输出判断相交的林地图斑 和；当 ，在边界上（可算一个交点），输出判断相交的林地图斑；当 ，但有偶数个交点时，图斑位于识别区外，因此舍去不相交的林地图斑。当林地图斑的坐标与缓冲区
12、边界交点数为奇数时，与缓冲区相交，若图斑所有坐标均在缓冲区内，将与缓冲区相交的林地判别为四旁树。若不完全在，应判断缓冲区外剩余林地面积，判断剩余面积是否大于判断面积（判断面积为：减相交林地图斑面积）。若大于判断面积，舍去此地类；小于时则保留，并判定其为四旁树。分类结果与分析为了更好地进行四旁树与周围地物的分类，本文将地物分为建筑物、林地、水体、道路、耕地与草地和阴影 类用地，并根据该分类体系建立相应的分类样本。为了确保分类精度，对照天地图分别选取分布均匀且数量足够的样本，各样本点的分布符合均匀分布原则，试验样本的杰式距离和转换分离度均符合大于.的分类要求。将 种波段组合按支持向量机的 种核函数
13、算法进行分类，各分类结果的精度评定使用总体精度和 系数，各影像分类的 系数和总体精度结果见表、表。表 影像分类 系数影像 核函数极大似然分类法线性核函数多项式核函数径向基核函数波段、融合影像.波段、融合影像.波段、融合影像.波段、融合影像.表 影像分类总体精度（）影像 核函数极大似然分类法线性核函数多项式核函数径向基核函数波段、融合影像.波段、融合影像.波段、融合影像.波段、融合影像.表、表 中，通过对比总精度和 系数可得出：使用径向基函数核的支持向量机算法处理后的分类成果中波段、组成的假彩色影像分类的总精度为.，系数为.，精度最高；波段、组成的假彩色影像总精度为.，系数为.，分类效果最差。而
14、且，对比使用相同波段组合的影像分类结果，在径向基函数核的 算法处理后的分类成果精度优于其他影像分类方法，多项式核算法和线性 算法精度次之，极大似然分类法再次之，核的精度最差。年 第 期于浩洋，等：融合空间信息和高光谱影像的四旁树自动提取方法因此在后续四旁树提取中，优先考虑使用径向基核函数分类的影像结果，各波段组合影像分类结果如图、图 所示。对比影像分类结果，真彩色影像由于道路地类拥有相对于其他波段组合与植被区分更明显的光谱特征，因此该影像对道路类线状地物的分类效果优于其他波段组合。但由于真彩色影像建筑物光谱特征不明显且与植被颜色过于接近，因此分类结果的左上方出现了较多的“椒盐”现象（同种地物被
15、分类成零散的不同结果，使原本同类地块破碎化），使得分类精度下降；由于其余波段组合拥有对植被敏感的近红外或短波红外波段，从图 中的影像分类结果可以发现，其草地和林地地类分类结果规整，对植被分辨效果更好。但波段、和波段、组成影像的水体与建筑物的光谱特征区分不明显，导致分类结果精度低且出现较明显的错误分类。因此本次四旁树提取试验最终使用波段、组合进行提取。图 影像分类结果（橙框为大面积“椒盐”现象，红框为明显错误分类）图 影像分类结果（红框为明显错误分类）此外，通过实地考察与影像对照，实地选取四旁树检验样本，以判断其是否位于提取结果区域内，对提取结果进行对比和精度验证。波段、组合的四旁树判别结果和样
16、本对照结果如图 所示，种影像组合的四旁树检验结果见表。从表 中四旁树提取检验结果来看，波段、组合影像的四旁树分类精度是最高的，因此使用波段、组合的影像，最适合进行辽宁省阜新市细河区四旁树分类的波段组合。测 绘 通 报 年 第 期图 最终四旁树分类结果与实际地类对比表 不同波段组合四旁树提取结果对照影像波段组合波段、波段、波段、波段、提取出的检验样本个数 所有的数据获取、试验分类及精度评定绝大部分工作均可在室内完成，完成一次 的试验区影像分类仅需 ，所需时间和试验环境均优于以往的外业采集数据和统计时间，并且四旁树分类拥有较高的精度。结 论本文基于阜新市细河区 年哨兵 号影像的多个波段组合数据，将空间分析与四旁树定义结合，实现了试验区四旁树的自动提取，试验结果表明：（）径向基函数是影像分类中精度最高的，径向基函数是支持向量机的 种核函数中最适宜四旁树分类的核函数。（）由、波段组合的假彩色影像分类精度在所有波段组合中分类精度最高，整体对植被分类精度最好，因此、波段组合为辽宁省阜新市细河区四旁树研究的最佳波段选择。（）与传统的基于外业采集获取植被分布信息的调查方法相比，该自动提取方法能更便捷、
