基于面向对象多特征变化向量分析法的森林资源变化检测

2021-03-19王晓慧谭炳香李世明冯林艳

林业科学研究 2021年1期

王晓慧，谭炳香，李世明，冯林艳

(中国林业科学研究院资源信息研究所，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)

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 robustaSmith）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。

1 研究区概况和数据

1.1 研究区概况

研究区位于广西壮族自治区上思县东北部，108°11′～108°16′ E，22°12′～22°14′ N 之间，面积为2 667.45 hm2（图1）。属于丘陵地形，平均海拔220 m。属南亚热带季风气候，气候温暖，无霜期长，雨量适中，干湿季明显。年平均日照时数为1 896.1 h，年平均气温21.7 ℃，年平均降水量1 217.3 mm。

图1 研究区地理位置及影像（红:band 4;绿:band 3;蓝:band 2）Fig.1 Geographical location and images of study area (R:band 4;G:band 3;B:band 2)

1.2 遥感数据及其处理

获取了研究区两期影像，分别为2015 年8 月24 日和2016 年10 月11 日的国产高分二号多光谱影像，包含蓝、绿、红、近红外4 个波段，空间分辨率为4 m（图1）。

应用中国资源卫星应用中心高分二号卫星绝对辐射定标系数和多光谱相机的归一化响应度文件，对两景影像分别进行辐射定标和大气校正，获取大气表观反射率。利用30 m 分辨率的DEM 数据并结合高分二号影像自带的RPC 文件对影像进行正射校正，消除地形引起的几何畸变。以2016 年影像作为基准影像，通过从两景影像上选择控制点的方法来配准2015 年影像，使用最近邻法进行重采样，配准误差在0.5 个像元以内。以2016 年影像作为基准影像，在两景影像上选取不变地物点，对相应波段分别建立线性函数关系，对2015 年影像做相对辐射校正。从经过校正的影像裁剪出研究区。

1.3 森林资源现状和变化情况

据2014 年度森林资源数据更新调查结果，上思县林地和非林地的面积比例分别为65.5%和34.5%。主要树种马尾松（Pinus massonianaLamb.）、桉树（Eucalyptus robustaSmith）和一般阔叶树分别占林地面积的41.2%、27.3%和23.9%。森林资源的主要变化是桉树的造林更新，以及桉树和马尾松的采伐，林地变化频繁，范围广，面积大。桉树轮伐期短，一般6～8 a，有的甚至缩短到4～5 a，桉树采伐后萌芽更新[22]。由于桉树速生丰产林经济效益高，有些地区采伐马尾松，当年春夏或者第二年春天通过植苗造林更新为桉树，桉树种植面积和比例提高很多。

本研究中无林地包括采伐迹地、未成林地和宜林荒山荒地，有林地指马尾松林、桉树林和一般阔叶林。针对于高分辨率遥感影像的森林资源变化类型，包括有林地转变为无林地，无林地转变为有林地，以及马尾松林转变为桉树林，桉树幼林转变为成林（图2）。农田、水体、城镇等非林地不在本研究的森林资源变化检测范围内。

图2 森林类型影像特征Fig.2 Image characteristics of forest types

2 研究方法

2.1 影像分割

对前后两时相高分二号影像进行叠加组合，形成多时相组合影像。应用eCognition Developer 9.4软件中的多尺度分割算法对组合影像进行分割。从像元开始进行自下而上的合并，连续地合并像元或现有的影像对象，把小对象组合成较大的对象。确定合适的分割参数，包括分割尺度、各波段权重、光谱因子、形状因子和紧致度因子。理想的影像分割结果是，分割得到的图斑内部具有相似的光谱和纹理特性，相邻的空间位置关系，具有良好的同质性，图斑与邻接图斑之间具有良好的异质性，保证图斑之间的可分性强。

2.2 面向对象变化向量的构建

前后两时相影像图斑的各个特征值组成特征矢量。将基准影像的特征矢量记为X，检测影像的特征矢量记为Y。X和Y分别如下：

其中，n为特征值数，变化矢量 ∆X为：

采用欧氏距离计算变化强度|∆C|：

其中，|∆C|包含了从基准时期到检测时期各个特征值变化的总和，表示两期影像的特征差异。一般来说，当|∆C|较大时，两期影像之间的差异较大，对应图斑的地物类型发生变化的概率较大，反之则较小。

2.3 特征提取

根据采伐地块、造林地块和各种森林类型在高分二号影像的表征，针对前后时相影像图斑分别构建初始特征空间，每期影像图斑分别包括29 个特征，其中光谱信息包括4 个波段的均值和标准差，以及NDVI 值，纹理信息包括4 个波段的灰度共生矩阵的能量、对比度、相关性、熵和同质性。

采用线性函数转换方法将影像的各个特征数据归一化到[0,1]之间。Y=(X−Xmin)/(Xmax−Xmin)，其中，X为归一化前的图斑特征值，Y为归一化后的图斑特征值，Xmax和Xmin为归一化前的图斑特征值的最大值和最小值。

2.4 变化特征选取

面向对象的变化向量分析法中，每个图斑用多个特征组成的多维特征向量进行描述。为了减少数据相关性和冗余度，增强算法的可解释性，选择出相关性小、识别地物变化好的特征参与变化检测。

变化检测中，主要关注2 个时相特征值的差异部分。本研究采用欧氏距离计算变化强度，变化特征是对两个时相影像归一化后的特征做差值。试验区内的300 个样本点，包括55 个变化地类，245个未变化地类。变化地类中23 个为无林地造林后成为桉树林，27 个为马尾松、混交林或者桉树采伐后成为无林地，5 个为桉树幼林地转变为成林地。应用随机森林平均精确率减少的方法对29 个变化特征进行筛选。主要是打乱每个变化特征顺序，度量顺序变动对模型精确率的影响。该方法稳定性较好，通过直接度量每个变化特征对模型精确率的影响来确定变化特征的重要性。随机森林中树的数量采用默认值100，按照7∶3 将数据分为训练集和测试集。

2.5 阈值确定

应用ROC 曲线来确定变化强度阈值，判断图斑地物属性是否发生变化。ROC 曲线又称受试者工作特征曲线，广泛应用于各种诊断试验性能的评价[23-24]。

对于二分问题，本研究中设定变化图斑为正类，未变化图斑为负类，会出现4 种情况。如果一个图斑发生变化并且也被检测为变化，则为真正类（TP），未变化图斑被检测为变化则为假正类（FP），未变化图斑被检测为未变化则为真负类（TN），变化图斑被检测为未变化则为假负类（FN）。真正类率（TPR）表示变化检测算法所识别出的变化图斑占所有变化图斑的比例，计算公式为TPR=TP/(TP+FN)。假正类率（FPR）表示变化检测算法错分为变化的未变化图斑占所有未变化图斑的比例，计算公式为FPR=FP/(FP+TN)。

ROC 曲线法根据一系列不同的临界值，以真正类率（敏感度）为纵坐标，假正类率（1-特异度）为横坐标绘制曲线。最靠近左上角ROC 曲线的点是错误最少的最佳阈值，其真正类率尽可能高和假正类率尽可能低。ROC 曲线下的面积（AUC）是重要的试验准确度指标。AUC的取值范围在0.5和1 之间。AUC越接近1.0，检测方法真实性越高；AUC等于0.5 时，则真实性最低，无应用价值。

生成ROC 曲线和确定阈值分为以下3 步：（1）采用特征选取时建立的样本点作为测试样本；（2）构建变化向量后获得的变化强度作为检验变量；（3）SPSS 统计软件提供所有临界值的表，每一个临界值对应不同的敏感度和特异度，以约登指数即（敏感度+特异度−1）最大时所对应的点为最佳阈值。

2.6 不同特征变化检测的精度验证

依据选择的变化特征以及常规的变化特征，分别构建变化向量，根据阈值获得变化检测结果，即区分为变化地类或者未变化地类。试验区内按照随机分布建立737 个验证样本点，一个图斑只对应一个验证样本点。对照两期高分二号影像以及Google Earth 上的高空间分辨率影像判别样本点的变化情况，其中138 个变化地类，599 个未变化地类。采用同一套验证样本点分别对不同特征组合得出的变化检测结果进行精度验证，计算总体精度、Kappa系数、误检率和漏检率。

3 结果与分析

3.1 影像分割结果

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。

表1 影像分割参数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）。

图3 局部分割影像和变化检测Fig.3 Partial segmentation images and change detection

3.2 变化向量分析法结果

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。

图4 变化特征重要性Fig.4 Change feature importance

表2 特征代码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。

图5 前12 个变化特征向量法的ROC 曲线分析Fig.5 ROC curve of the first twelve change feature vectors

3.3 面向对象变化检测精度验证和对比

图6 不同变化特征数量的面向对象森林资源变化检测的精度Fig.6 Accuracy of object-oriented forest change detection of various change feature numbers

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）。

表3 面向对象森林资源变化检测的精度验证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。