基于分布函数的对象级森林变化快速检测

doi:10.6046/gtzyyg.2020.02.10

基于分布函数的对象级森林变化快速检测

冯林艳¹^,², 谭炳香^,¹^,², 王晓慧¹^,², 陈新云³, 曾伟生³, 戚曌¹^,²

1.中国林业科学研究资源信息研究所,北京 100091

2.国家林业和草原局林业遥感与信息技术重点实验室,北京 100091

3.国家林业和草原局调查规划设计院,北京 100714

Object-oriented rapid forest change detection based on distribution function

FENG Linyan¹^,², TAN Bingxiang^,¹^,², WANG Xiaohui¹^,², CHEN Xinyun³, ZENG Weisheng³, QI Zhao¹^,²

1. Research Institute of Forest Resources Information Techniques, Chinese Academy of Forestry, Beijing 100091, China

2. Key Laboratory of Forestry Remote Sensing and Information System, NFGA, Beijing 100091, China

3. Academy of Forest and Grassland Inventory and Planning, Beijing 100714, China

通讯作者: 谭炳香(1966-),女,研究员,主要研究方向为遥感林业应用等。Email:tan@ifrit.ac.cn。

责任编辑: 李瑜

收稿日期: 2019-06-6 修回日期: 2019-09-1 网络出版日期: 2020-06-15

基金资助:

中央级公益性科研院所基本科研业务费专项资金项目“高分辨率影像对象级的森林资源变化检测”. CAFYBB2017MB012
高分辨率对地观测系统重大专项(民用部分)子课题“面向林地类型精细识别的GF-6卫星最优数据选择研究”. 21-Y20A06-9001-17/18-1

Received: 2019-06-6 Revised: 2019-09-1 Online: 2020-06-15

作者简介 About authors

冯林艳(1995-),女,硕士研究生,主要研究方向为森林资源遥感监测。Email:1040857742@qq.com。。

摘要

南方人工林生长迅速,轮伐期短。为探讨一种有效更新森林资源数据库的森林变化检测方法,快速检测短时期内森林采伐与更新的动态变化。以变化频繁快速,变化图斑多且小的广西人工林作为研究区,以2个时相的高分二号(GF-2)影像为数据源,利用多尺度分割和光谱差异分割2种方法对2期影像进行分割,通过对象的归一化差值植被指数(normalized difference vegetation index,NDVI)差值并基于分布函数确定阈值来提取变化区域与变化类型,实现森林变化快速检测。基于像元采用同样的方法进行处理,与面向对象NDVI差值法进行比较。结果表明面向对象NDVI差值法的总体精度达89.76%,Kappa系数为0.81,精度和提取效果优于基于像元NDVI差值法,更能刻画变化图斑的形状和边界,也能较准确地检测出微小变化的面积。该方法能适应南方人工林的变化特点,在实现快速检测变化的目的下,可用于森林资源数据库的更新。

关键词： GF-2 ; 变化检测 ; NDVI ; 面向对象 ; 分布函数

Abstract

Plantation in southern China is growing rapidly, and rotation cutting period is short. To explore the forest change detection method used to update the forest resource database effectively and to monitor the dynamic changes in forest harvesting and renewal in a short period, the authors chose the plantation area of Shangsi County in Guangxi as the study area, where the plantation area changes frequently and rapidly and the change patterns are numerous and small. The GF-2 remote sensing images of two phases were used as data sources. Multi-scale segmentation and spectral difference segmentation were used to segment the two-phase images. The change areas and change types were extracted from the NDVI difference of the objects and the threshold value was determined based on the distribution function, so as to realize the rapid detection of forest change. In addition, the same method was adopted for pixel-based processing in comparison with object-oriented NDVI difference method. The results show that the overall accuracy of the object-oriented NDVI difference method is 87.12%, and the Kappa coefficient is 0.81. The accuracy and extraction effect are better than those of the pixel-based NDVI difference method, indicating that the object-oriented NDVI difference method can better depict the shape and boundary of the change spots and can also more accurately detect the small change area. This method can be adapted to detect the changing characteristics of plantation in south China and can also be used to update the forest resource database for the purpose of rapid change detection.

Keywords： GF-2 ; change detection ; NDVI ; object-oriented ; distribution function

PDF (4518KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

冯林艳, 谭炳香, 王晓慧, 陈新云, 曾伟生, 戚曌. 基于分布函数的对象级森林变化快速检测. 国土资源遥感[J], 2020, 32(2): 73-80 doi:10.6046/gtzyyg.2020.02.10

FENG Linyan, TAN Bingxiang, WANG Xiaohui, CHEN Xinyun, ZENG Weisheng, QI Zhao. Object-oriented rapid forest change detection based on distribution function. REMOTE SENSING FOR LAND & RESOURCES[J], 2020, 32(2): 73-80 doi:10.6046/gtzyyg.2020.02.10

0 引言

传统森林资源监测主要采用实地测量方法,但工作量大、成本高^[1]且时效性差。卫星遥感的观测范围大、获取周期短,可为低代价、高时效的监测提供及时、准确、一致的地球表面信息^[2],在森林资源监测方面得到了广泛应用^[3,4,5]。目前基于中低空间分辨率的遥感影像进行像素级的检测研究较多,检测变化的间隔期通常较长。Kim等^[6]利用近30 000景Landsat影像通过局部拟合分类树,根据2个时期森林覆盖的联合概率,检测1990—2000年间的森林覆盖变化。刁娇娇等^[7]基于综合变化检测算法计算了2011—2016年Landsat影像的土地类型变化。然而据第八次森林清查结果显示,我国人工林面积持续保持世界首位,其中用材林占总人工林的60%。南方人工林速生、丰产、短轮伐期的特性使得快速准确地检测短时期内的森林动态变化具有重要的现实意义^[8]。另一方面,随着遥感数据空间分辨率的不断提高,影像承载了更丰富的地表信息,为更加准确地识别变化信息提供了可能。

高空间分辨率影像中同一地物的光谱特征被离散化,基于像元的变化检测方法易产生椒盐现象,降低了精度^[9]。而面向对象的变化检测方法通过影像分割将具有相似光谱特征和空间特征的对象作为基本处理单元,充分利用像元的空间关系。相当多的研究表明,对象级比像素级变化检测方法具有更优的检测精度^[10,11,12]。冯文卿等^[13]提取光谱特征和Gabor特征并利用随机森林算法进行面向对象的变化检测; 王光辉等^[14]通过统计不同时期对象之间的颜色距离和边缘直线特征距离,并采用直方图曲率分析进行变化检测。另一方面,营造人工林前一般通过炼山对林地进行全面清理^[15],且常采用皆伐的收获方式。理论上,面向对象的变化检测方法更能适应南方人工林的经营特点。

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^{[16,17,18,19]},但不同的方法在不同的数据中需要不同的参数,当前没有哪一种变化检测方法适合所有应用场景。除了分类后比较法,阈值选择是变化检测过程中一个极具挑战性的问题。李春干等^[20]通过图斑的灰度均值和标准差构造一个服从卡方分布的随机变量,根据不同置信度迭代检测变化图斑; 尹凌宇等^[21]利用核主成分分析变换影像后采用最大类间方差法确定阈值提取变化区域。阈值确定方法主要还是人工选择大量训练样本,工作量大,效率低,且样本选择的合理性难以确定^[22],一些自动识别阈值的方法只能确定是否发生变化,而无法确定变化类型。因此需要根据不同数据源和森林变化特点,选择合适的特征和方法,快速有效地确定阈值并提取变化信息。

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,以广西上思县的人工林区为研究区,通过多尺度分割和光谱差异分割得到分割对象,计算各对象的归一化差值植被指数(normalized difference vegetation index,NDVI)差值,基于分布函数确定阈值进而提取变化信息。与基于像元的变化检测方法进行比较,以期为准确、快速、高效地采集森林变化信息,及时更新森林资源数据库提供一种有效方法。

1 研究区与数据源

1.1 研究区概况

研究区位于广西上思县的东北部,面积约16.6×21.0 km²,中心地理位置为E 108°7'49″,N 22°15'39″(图1)。该区属南亚热带季风气候区,全年雨热充沛且同季,年平均日照时数为1 896.1 h,年太阳总辐射量达4 787.11 MJ/m²,年平均降雨量为1 217.3 mm, 干湿季区分明显,年平均气温为21.7℃,气候温和,无霜期长。地带性森林为北热带常绿季雨林和季节性雨林,常见植被为天然马尾松次生林和速生桉(尾叶桉、巨尾桉等)人工林。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区影像及地理位置示意图

(GF-2 B4(R),B3(G),B2(B)假彩色合成)

Fig.1 Study area image and geographical location map

研究区内人工用材林高度集约化经营,采伐方式通常为块状皆伐。桉树人工林轮伐期为4~6 a,生长迅速,采伐后通过萌芽方式更新。马尾松林采伐后通过植苗造林更新为桉树林。这种经营方式使得研究区内林地变化频繁快速,变化区域成块分布且面积小。

1.2 数据源及其预处理

本研究获取了覆盖广西上思县及周边的2景无云的GF-2多光谱PMS图像,空间分辨率为4 m,成像时间分别为2016-05-16(前期影像)和2016-10-11(后期影像)。不同时期的光学遥感影像由于太阳高度角等因素都会造成影像辐射值不同,因此通常需要在变化检测前进行辐射校正^[23]。本研究利用从中国资源卫星应用中心获取的绝对辐射定标系数,以及GF-2卫星多光谱相机的归一化响应度文件,对图像进行了辐射定标和大气校正。几何配准误差是变化检测最主要的误差来源之一。如果影像配准精度不高,将会出现大量的伪变化区域^[24]。利用30 m空间分辨率的DEM数据并结合GF-2影像自带的RPC文件进行正射校正。并以前期影像为基准影像,通过选择控制点配准后期影像,最终配准总误差为0.8个像元。最后裁剪出图像重叠区作为研究区。

2 研究方法

本研究主要由图像分割、变化信息提取和精度评价与对比分析3个部分构成。技术路线图如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 技术路线

Fig.2 Technical roadmap

2.1 遥感识别能力

在遥感变化检测方面,数据源的性能应该与森林变化的面积相适应,才能使森林变化检测的结果更加可靠。例如,大面积森林采伐可通过中低空间分辨率影像检测出来,而小面积的清理采伐则需要更高空间分辨率的数据。遥感数据空间分辨率与最小可检测面积的关系如表1所示^[25]。Couturier等认为低空间分辨率的遥感数据很难以高精度检测到小面积,甚至是超过6 hm²面积的森林变化,而高空间分辨率的遥感数据可以识别出最小为0.01 hm²的变化面积,且空间分辨率越高,精度就越高。因此,空间分辨率为4 m的GF-2多光谱遥感图像有望较好地识别出小于0.01 hm²的变化面积。

表1 传感器空间分辨率与最小可检测面积的关系

Tab.1 Relationship between sensor spatial resolution and minimum detectable area

空间分辨率/m	最小可检测面积/hm²
250~1 000	6~100
10~30	0.05~0.30
0.5~5	0.01

新窗口打开| 下载CSV

根据李春干等^[26]的研究成果,2013年上思县变化图斑达4 142个,平均面积为3.9 hm²。面积小于1.0 hm²的图斑占全部变化图斑的46%,林地变化频繁快速,变化图斑多且面积小。因此,GF-2多光谱遥感数据的识别能力能更好地适应研究区内变化图斑多且面积小的特点,获得高精度的森林变化检测结果。

2.2 变化类型确定

从遥感影像变化检测的角度来看,研究区内的地物类型包括: 植被、裸地和水体,其中植被包括有林地、疏林地、灌木林地、未成林造林地和苗圃地,裸地包括无林地和宜林地。森林变化包括地物类型的属性变化和同一地物类型的生长变化2种情形。森林经营与检测过程的重点在于森林的采伐与更新,因此,本研究聚焦前者,将变化类型定义为3种: ①植被变裸地; ②裸地变植被; ③未变化,包括未变化植被、未变化裸地和未变化水体。

2.3 图像分割

面向对象变化检测方法的基本处理单元是纹理信息相近、光谱信息类似的影像对象,因此需要先对影像进行分割。多尺度分割是一种自下而上的区域合并算法,综合考虑了影像的光谱特征和形状特征等因素,从而生成对象内同质性最大,而对象间异质性最大的影像对象^[27]。其中区域异质性包括光谱异质性和形状异质性,两者权重之和为1。而形状异质性又由紧致度指数和光滑度指数构成^[28],权重之和也为1。分割的主要参数包括: ①波段及其对应权重,与突出表达地物越相关的波段权重越大; ②分割尺度,决定对象大小及破碎程度,尺度越大则影像对象越大,应尽量使分割对象的大小与实际地物轮廓相吻合; ③异质性因子,光滑度和紧致度因子的权重需根据地物调整。

光谱差异分割可以改善前一步多尺度分割产生的分割结果,合并具有相似光谱的图像对象。分割参数为最大光谱差异值及各波段权重。如果相邻对象的光谱差异小于设定值,则合并相邻对象^[29],从而在一定程度上改善过分割现象。

图像分割过程在Defines® Developer软件平台中进行。为确保分割后的对象能同时体现2个时相中各地物类型的边界,将2幅影像的全部8个波段同时参与分割。首先利用多尺度分割技术对影像进行分割,针对过分割现象,采用光谱差异分割方法对分割结果进行适当合并。通过目视对比分割效果,确定最合适的分割尺度和参数。后续图像处理与变化信息提取均以该分割结果作为基础进行。

2.4 变化信息提取

2.4.1 对象特征提取

基于差值影像的方法是遥感影像变化检测的经典和主流。该算法简单,容易实现,能降低计算复杂度,提高效率,可以满足快速而有效地提取森林变化信息的需求。在特征选择中, NDVI在植被遥感中应用最为广泛,是植被生长状态及植被覆盖度的最佳指示因子。因此可以利用2个时相同一对象的NDVI差值进行变化信息的提取。

分割后的影像对象包含一定数量的像元,每个对象的特征值为对象内所有像元特征值的平均值,即$M_i= $\overset{n}{\sum_{j = 1}}$ m_ij/n , $ (1)

式中: M_i为第i个图斑的特征值; m_ij为第i个图斑第j个像元的特征值; n为该图斑包含的像元个数。那么,各个对象的NDVI差值△M_i表示为

(2)△M_i=

M_{i t_{2}}

M_{i t_{1}}

式中: $M_{i t_{2}}$ 为t₂时相(2016-10-11)影像第i个对象的NDVI值; $M_{i t_{1}}$ 为t₁时相(2016-05-16)影像第i个对象的NDVI值。

2.4.2 阈值确定

传统的阈值确定方法需要选取足够数量的训练样本进行估计,工作量大、效率低。本研究基于统计学概率论中的分布函数,将差值影像中各对象的灰度值看作一个随机变量,统计整幅影像的灰度值分布,选择合适的累计频率确定各变化类型的阈值,简单快速,且受异常值的影响较小。设X为一个随机变量,x为任意实数,P表示概率,则函数F(X)为

(3)F(X)=P{X≤x} 。

称为X的分布函数(累积概率分布函数),用来描述随机变量落在任意区间上的概率。概率论中常采用置信水平为90%,95%或98%时对应的参数值作为临界值,为探讨常用概率对变化检测阈值的适用性,同样采用累计频率分别取2%(98%),5%(95%)或10%(90%)时的灰度差值作为变化阈值,即表示影像中任一灰度值属于该变化类型的概率为2%,5%或10%。

2.5 精度评价

精度评价主要是根据检测结果与验证样本建立混淆矩阵,通过各变化类型正确检测的像元数、漏检误差、错检误差、总体精度和Kappa系数等指标对变化检测结果进行评价。由于缺乏相应时期的地面调查数据和高空间分辨率影像,验证数据主要是根据2019年2月的实地调查数据与2019年1月的GF-2数据建立解译标志,并结合Google Earth软件上2016年2月和2017年2月的历史高空间分辨率影像,通过目视解译获取3种主要变化类型的验证样本。其中包含未变化类型的像元数量为63 861个,裸地变植被的像元数量为14 131个,植被变裸地的像元数量为21 199个,且分布随机均匀。

为了比较说明面向对象变化检测方法的效果,采用同样的方法对影像进行像素级的处理,并使用相同的验证样本对变化检测结果进行精度验证。

3 结果与分析

3.1 影像分割结果

通过试验不同的分割尺度和参数,采用目视评价方法,确定与各地物类型边界最吻合的分割参数,见表2。图层2为最终分割结果,该图层共包含69 134个对象,最小的对象包含21个像元,最大的对象为影像中的水库部分,包含576 606个像元。

表2 图像分割参数

Tab.2 Parameters of image segmentation

图层	分割方法	分割对象	分割尺度	形状参数	紧致度参数	对象数量/个
1	多尺度分割	全部像元	70	0.1	0.5	73 328
2	光谱差异分割	图层1	50	—	—	69 134

新窗口打开| 下载CSV

图3为影像局部分割效果。可以看到,分割结果可以较好地体现各地物边界,将面积较小的地块分割出来,同时结合了2个时相影像的地物特点,但也因此造成了一定程度的过分割现象。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 影像局部地区分割结果

Fig.3 Segmentation results of images in local areas

3.2 基于分布函数的阈值确定

在统计学上,频率分布直方图相当于概率密度曲线,能够反映影像灰度值的分布状态。将所有对象和像元的NDVI差值导出后,分别以0.008的间距统计得到差值影像的频率分布直方图,见图4中的绿色曲线。可以看到,2种方法的分布图均近似于高斯分布,大多数对象未发生变化,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。然而,基于像元NDVI差值法的分布由于极端值的影响,方差较大,曲线突变明显; 面向对象NDVI差值法的分布则相对更加平滑,这是由于相同对象内的不同像元值都取为对象均值,减少了极端值。概率密度曲线的积分即为累积概率分布函数,见图4中的红色曲线。试验累计频率分别取2%(98%),5%(95%)和10%(90%)对应的阈值条件,确定各变化类型的判定条件,结果见表3。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 2种方法的NDVI差值影像统计

Fig.4 Image statistics of NDVI difference of two methods

表3 各变化类型的判定条件

Tab.3 Judgment conditions for each change type

变化类型	面向对象判定条件	基于像元判定条件
植被变裸地	△M_i≤-0.085	△M_i≤-0.098
裸地变植被	△M_i≥0.18	△M_i≥0.148
未变化	-0.085<△M_i<0.18	-0.098<△M_i<0.148

新窗口打开| 下载CSV

3.3 变化检测结果

根据表3的阈值条件,在Defines® Developer软件平台中建立规则,即在Class Hierarchy中按不同变化类型分别输入条件阈值,提取变化信息,得到变化检测结果,见图5。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 2种方法的变化检测结果

Fig.5 Change detection results of two methods

使用相同的验证样本分别对2种变化检测结果建立混淆矩阵进行精度评价,见表4。由表4可知,面向对象NDVI差值法中除植被变裸地变化类型的错分误差和裸地变植被变化类型的漏分误差稍大于基于像元NDVI差值法的结果,各变化类型的其他检测精度、总体精度及Kappa系数相较于基于像元NDVI差值法均有所提高。

表4 变化检测结果混淆矩阵

Tab.4 Change detection results of the confusion matrix

检测方法	检测变化类型	实际变化类型			合计	漏分误差/%	错分误差/%	总体精度/%	Kappa系数
检测方法	检测变化类型	植被变裸地	裸地变植被	未变化	合计	漏分误差/%	错分误差/%	总体精度/%	Kappa系数
面向对象NDVI差值法	植被变裸地	19 121	755	1 465	21 341	9.80	10.40
	裸地变植被	0	12 589	5 082	17 671	10.91	28.76	89.76	0.81
	未变化	2 078	787	57 314	60 179	10.25	4.76
基于像元NDVI差值法	植被变裸地	17 590	596	1 363	19 549	17.02	10.02
	裸地变植被	0	12 813	6 484	19 297	9.33	33.60	87.12	0.76
	未变化	3 609	722	56 014	60 345	12.29	7.18
合计		21 199	14 131	63 861	99 191

新窗口打开| 下载CSV

图6为2种方法的检测结果局部对比图,可以看到基于像元NDVI差值法的检测结果存在细碎的斑块,地物内部也不完整,且斑块边缘提取效果较差。这是由于该方法忽略了像元间上下文的关系,容易引起椒盐噪声,变化斑块边缘的像元灰度值多处于阈值范围边缘,会受到阈值的微小变化的影响。面向对象NDVI差值法的检测结果则更具有完整性,能更好地刻画变化斑块的边界和形状。然而,面向对象NDVI差值法的检测结果仍存在一定程度的误检和漏检,主要是疏林地的转变,见图6区域2。推测原因是疏林地的NDVI值位于裸地与有林地之间,不易区分。影像分割有时会将裸地与稀疏的植被归为一个整体,对象内裸地的存在,使疏林地整体NDVI值降低。有林地变疏林地和疏林地变有林地这2种植被未发生变化的类型NDVI差值变大,容易被错分为植被变裸地或裸地变植被的变化类型。而疏林地变裸地和裸地变疏林地这2种变化类型的NDVI差值变小,容易被错分为未变化类型。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 局部变化检测结果

Fig.6 Local change detection results

4 结论与讨论

1)本研究以变化频繁快速的上思县人工林为研究区,GF-2遥感影像作为数据源,采用面向对象的NDVI差值法提取变化信息。实验结果表明,GF-2影像4 m的空间分辨率能较好地适应南方人工林变化图斑多且小的变化特点,且该方法在实现快速检测变化的目的下也具有较高的检测精度,可用于森林资源数据库的更新。

2)NDVI能够反映植被状况,可作为森林变化检测的特征指数,计算简单; 基于概率论分布函数来确定阈值的方法,无需训练样本,统计方便,且常用累计频率2%,5%和10%可满足精度要求,明显提高了效率,从而适应南方人工林变化频繁快速的特点,满足森林变化快速而有效提取的需求。

3)由于南方人工林高度集约经营的采伐与更新方式,变化图斑通常成块分布,面向对象NDVI差值法提取的变化图斑更具有完整性,且总体精度要略优于基于像元NDVI差值法。

但是,目视评价分割效果效率低,且受经验影响,今后可采用一些指标进行客观评价,同时提高分割效果; 进一步改善或增加其他特征,以扩大疏林地与裸地的区别,提高变化检测精度; 由于研究区内变化区域较少,验证样本的变化样本相对占比也较小,如何获取更有效客观的验证样本也仍需深入探究。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

赵宪文, 李崇贵, 斯林, 等.

基于信息技术的森林资源调查新体系

[J]. 北京林业大学学报, 2002,24(5/6):147-155.