基于多时相Landsat影像的树种分类

以吉林省抚松县为中心研究区，利用不同时相Landsat-8影像,讨论森林生态系统各地类在不同时相上光谱特征的差异，结合多时相影像的互补信息并使用支撑向量机(SVM)分类方法对森林树种类型进行分类。结果表明，总体分类精度达到73.67%,Kappa系数为0.65,可以满足实际应用需求。
1实验数据
收集覆盖研究区2017年7月和9月无云Landsat-8OLI遥感影像,空间分辨率为30m,陆地成像仪(OLI)共9个波段,成像宽幅为185x185 km,波段信息见表1。为了提高遥感影像的使用质量,保证分类结果的精确性,首先对影像进行预处理工作。通过选取地面控制点,进行遥感影像几何精校正。大气校正采用ENVI 5.3软件提供的FLASSH 模型,消除或减弱大气和光照等因素对地物反射的影响。依次选择近红外波段(band5)、红波段(band4)、 绿波段(band3) ,合成影像的标准假彩色图像,如图1所示。

2验证数据
为了验证树种精细分类精度，本文利用不同类型数据与分类结果进行交叉对比。其他数据包括:1)研究区部分森林资源二类调查数据;2)样地调查数据。2017年6月在抚松县境内进行实测,对研究区森林生态系统树木进行多角度拍摄,记录森林类型、树种组成、森林密度、森林质量、经营活动等主要调查因素;3)检验样本数据。结合外业调查数据和GoogleEarth影像,在研究区选取2000余个分布均匀的样本点。Landsat-8 OLI波段信息见表1。
3分类系统
根据实际应用要求和研究区地表覆盖状况，本研究将主要地物类型科学、系统地划分为三级。其中将一级土地利用类型划分为森林、草地、耕地、水体和建筑用地5种基本地物类型。本文重点研究二、三级分类中的森林树种精细分类,根据国家林业局发布的《森林资源数据采集技术规范》,将森林分为有林地和灌木林地,再将有林地细分为常绿针叶林、落叶针叶林、落叶阔叶林、常绿针叶-落叶和落叶针叶-阔叶混交林，共计5类。
4特征提取
本研究基于7月份和9月份Landsat-8预处理(包括辐射定标、大气校正、几何精校正等)后的数据,对森林生态系统中的几种典型地类(常绿针叶林、落叶针叶林、落叶阔叶林、灌木林、常绿针叶-落叶阔叶混交林、落叶针叶-阔叶混交林、草地)提取样本点,统计每类地物在7月份和9月份的光谱特征,如图2所示。由图2可知:本研究森林生态系统中7种地类在7月份具有相似趋势的光谱曲线，其中在绿波段(band3)和近红外波段(band5)有两个峰值,能够较好地区分常绿针叶林与其他地类,但是落叶阔叶林和常绿针叶-落叶阔叶混交林，以及灌木林和草地光谱曲线几乎完全重合，而各个地类光谱曲线在9月份差异较大,仅有落叶针叶林和常绿针叶-落叶阔叶混交林光谱曲线相似，难以区分。

分析发现,仅用单时相影像的光谱特征难以准确区分落叶阔叶林和落叶针叶林与常绿针叶-落叶阔叶混交林，以及灌木林和草地,结果可能会存在类别混淆和较大不确定性，而不同季节影像特征可以区分落叶阔叶林和落叶针叶林与常绿针叶-落叶阔叶混交林，以及灌木林
草地,这说明多时相影像信息互补在森林类型精细分类方面具有比单时相影像更大的优势。
5结果与精度评价
通过上述森林树种精细分类方法，得到研究区林类型精细分类图，分类结果如图3所示。精度评价采用ENVI 5.3混淆矩阵方法，选取总体精度、Kappa系数、制图精度、用户精度、错分精度和漏分精度作为评价指标，分类结果精度评价表见表2。

通过表2可知，基于Landsat-8影像的SVM方法分类总体分类精度为73.67%, Kappa系数为0.65,可以满足实际应用需求。其中,常绿针叶林、灌木林、落叶针叶林的分类结果一致性较差,通过比对原始影像,发现东部山区应含有大量常绿针叶林，而本文方法误将其分为落叶针叶-阔叶的混交林,同时东部的大量落叶针叶林也被误分为落叶阔叶林,造成两类地物的一致性较差。这是由于研究区森林覆盖度较高，针叶混交林、针阔混交林和阔叶混交林混杂严重,且三者之间特征相近，故较难区分。灌木林在本研究区域数量较少，且样本量不足，故本文方法易将其错误地分为耕地。

参考文章：基于多时相Landsat-8的森林生态系统树种精细分类[J]测绘与国土空间信息.