-
竹资源作为一种重要的非木材林产品和木材替代品,是一种巨大的、绿色的、可再生的森林资源,对竹资源的有效监测是利用竹资源的基本前提[1]。竹林的生物量是生活在竹林或以竹笋为食的野生动物栖息地建模的重要数据,竹资源评价是生态系统碳储量估算的重要依据[2-4]。传统上,竹林分布等相关信息多通过实地调查实现[5],遥感技术提升了人们的空间识别能力,同时极大地提升了遥感技术在竹林监测、评价和开发利用等方面的应用潜力[6]。前人提出了很多基于遥感影像的竹林信息提取方法,从主观性强的目视解译到具有客观性的非监督分类和监督分类。随着遥感技术的发展,传统的统计识别模型因其局限性不能满足多样化的竹林信息提取需求,从20世纪80年代开始,计算机模拟人工行为操作的机器学习分类在各大领域日益兴起,多维图像分类方法随之逐渐融入竹林信息提取中,如决策树以及随机森林分类器等[7]。由于竹林与相邻森林影像光谱特征相似,且竹林生长速度快,样本采集困难等问题,对竹林进行有效的遥感监测仍然具有挑战性[8]。近年来,为解决竹林生长区域云量多、单时相遥感数据识别精度低等问题,部分学者根据竹林生长物候差异等特点,提出了多时序遥感影像与物候特征和纹理信息相结合的方法,聚焦竹林的变化特征,提高竹林与其他绿色植被的可分性[9, 10]。随着光谱信息种类的衍化和卫星技术的精进,如今除了利用常见多光谱光学传感器获取的可见光遥感影像信息之外,发挥竹林树干笔直光滑和结构多样性低的特点,其他波谱特征(红外光谱、高光谱、SAR等)也逐渐被应用于竹林信息提取[11-13]。
本文梳理了遥感影像的竹林信息提取方法发展的三个阶段,总结竹林信息提取方法中存在的不足,展望竹林信息提取方法未来的发展趋势,该项工作有利于为竹林信息提取提供理论和方法参考,积极服务于竹资源开发和生态保护。
HTML
-
竹林信息遥感影像的识别从最初简单的地物分类到后期森林资源的调查,细化到了如今竹林信息的提取。期间各类的遥感图像分类方法都被应用于竹林信息提取的研究中,形成了以监督分类和非监督分类为主的两类方法,此外随着遥感图像信息的深入挖掘,多源信息的加入在竹林信息提取中也发挥了重要的作用(图1)。竹林遥感信息提取方法的发展可以分为三个阶段。
-
早期在林业调查中获取竹林信息,需要大量劳动力进行野外实地调查。自1972年Landsat系列卫星数据采集和应用以来,遥感技术逐渐运用于森林资源的调查中,最初主要是通过卫星影像的目视解译完成,需要利用影像和空间特征与其他信息资料相结合识别地物,受影像分辨率的限制,林地层次信息复杂,解译精度受人为主观影响较大[16]。为达到理想的分类精度,保证竹林信息提取结果的准确性以及时间效率,目视解译只适用于空间尺度小,分辨率高的竹资源调查中[17]。随着计算机技术逐渐与遥感影像分类相结合并逐步实现竹林分类技术的提升,监督分类和非监督分类方法相继出现。较之于监督分类,非监督分类依靠竹林的光谱特征完成自动化分类,“同谱异物”和“同物异谱”现象严重,时间和地形变化等因素对分类结果影响较大,在竹林监测中适应性较差。李俊祥等(2005)在利用NOAA-AVHRR数据进行森林资源调查时发现用非监督分类中的IsoData方法对竹林进行分类的精度仅有28.7%[18];官凤英等(2010)在进行非监督分类、最大似然法和子像元分类比较研究中发现,非监督分类结果中图斑的数量众多,并且边缘含有大量的细碎斑块,导致界限不清,难以识别植被类型[19]。使用非监督分类所得结果往往并不理想,因此有关竹林信息提取研究大多选择监督分类进行,而非监督分类在竹林信息提取中的应用较少。
非监督分类在竹林信息提取中仅依靠机器自动完成,而监督分类以统计识别函数为基础,再配合人为的主观参与,在竹林信息提取的应用中更加灵活[20]。在遥感影像分类方法发展的前期,1984年发射的Landsat5为竹林信息提取提供了数据基础,其搭载的ERTS-1多光谱扫描仪(MSS)和专题制图仪(TM),被应用于地球自然资源的监测[21]。选取合适月份的Landsat5数据,采用监督分类的方法,能够成功地提取出竹林的分布情况。如Murakami等(2006)使用监督分类方法对日本福冈县久山和佐柳市附近的森林地区的Landsat5影像进行分类,成功识别出竹林、针叶林和阔叶林[22]。在Landsat5之后,从1999年开始由IKONOS卫星领衔的高分辨率卫星陆续发射成功,在监督分类和非监督分类的基础上,高分辨率影像的加入增加了有效识别竹林与相邻地类之间差异的可能性,例如利用IKONOS影像进行最小距离法和ISODATA非监督分类竹林分类精度分别可以达到80%和60%以上[23]。20世纪末,人们提出基于监督分类的面向对象分类方法,该方法在高分辨率图像中的应用比普遍的面向像素分类方法具有更丰富的竹林分类依据,如颜色、形状、纹理、拓扑等都有助于充分挖掘高分辨率遥感影像中的细节信息[24]。Guo等(2009)在基于IKONOS图像的竹林信息提取中发现,相比于最佳迭代非监督分类和决策树方法,面向对象分类方法在高分辨率图像中具有一定优势[25]。为了避免面向对象分类中由于特征集过多引起的“维数灾难”,有研究人员在进行竹林信息提取中提出了相应的解决方法,如Relief算法中的Filter模型[26]。我国2010年启动的“高分专项”计划提升了面向对象分类依据其获取细节信息的能力,“高分”系列卫星数据在竹林信息提取中更加具有应用潜力[27]。
-
基于概率统计的机器学习有效地推动了遥感影像地物识别的研究进度[28]。以中、高分辨率数据为主,决策树分类、支持向量机以及随机森林分类器为代表的分类方法在竹林信息提取中得到了广泛应用。决策树分类从1999年出现相关研究,它借助竹林生长中的差异性并直观利用概论分析,逐步形成熵值,该方法能够根据不同地区竹林分布,物种生长状态和遥感数据类型的差异合理调整,可用于提取较大区域尺度甚至是全球尺度的竹林信息。如Y. TANIGAK等(2010)通过ALOS AVNIR-2A卫星图像使用最大似然法和决策树分类对日本的竹林进行监测[29]。随着数据集时序间隔愈加密集,决策树分类出现在更大尺度区域的竹林提取研究中。如崔璐等(2017)通过MODIS和Landsat数据,利用决策树结合混合像元分解的分类方法进行了中国全国大尺度的竹林遥感信息提取[30];Du等(2018)将最大似然法和决策树分类相结合,并根据各国分布,物种生长和遥感数据的差异调整阈值,提取了全球范围内竹林分布信息[31]。决策树分类往往能处理大量竹林特有的辅助特征,并包含多种不同类型算法,形成一个庞大的分叉树筛选体系,但是决策树分类更适合大尺度信息提取,而在中小空间尺度的高分辨率影像提取竹林信息中优势并不明显。
在决策树分类的遥感应用出现之后,由于竹林分布特征的复杂性以及图像中可用特征数量增多,迫切需要新的方法应对分类过程中的多维性。从2002年开始,备受关注的支持向量机和随机森林分类的机器学习分类开始融入遥感图像信息提取中,它比决策树分类具有更佳的泛化性。Corinna Cortes和Vapnik在1995年的研究指出支持向量机算法受主观影响小,可以基于最小经验风险理论对影像进行分类,比非监督分类、最大似然法等传统分类方法更加适用于竹林信息提取[32]。为获取更详尽的竹林信息,支持向量机与随机森林法通常被用作对比研究,Breiman在2001年提出的随机森林法由bootstrap样本训练的决策树集成,在大数据中能够根据特征变量重要性进行调整,对决策树分类中的每个节点进行分裂并减少泛化误差,能够解决决策树分类中过度拟合引起的误差,它和支持向量机一样适用于竹林信息中高维度特征的分类[33]。2014年支持向量机运用于遥感影像国土监测的研究成果大增,其他方法也逐渐被引入竹林信息提取的研究中。如印度学者Ghosh等(2014)在使用WorldView2对印度西孟加拉邦竹林监测中发现支持向量机较之于随机森林分类具有更高精度[34]。但是基于不同的基础数据和研究区域,在竹林相关特征种类重要性程度不同且特征数量较多时,随机森林算法可以分解变量的数量,降低计算复杂度,而支持向量机在具有大量竹林观测样本的情况下效率较低[35]。严欣荣等(2020)在利用Sentinel-2A影像对滇西南地区的竹林遥感监测中发现,在反向神经网络、随机森林分类和支持向量机这三种方法中,随机森林总体分类精度最高达到90%[36]。由于机器学习算法的性能受到特征提取和方法选择的限制,机器学习在竹林信息提取中除了使用单种分类器之外,近年不少学者为了提高图像识别的灵活性将注意力转向了集成分类器,如常见的Bagging和Boosting分类器[37]。竹林信息提取方法的集成可以针对不同需求进行融合,得到的模型数据简单且信息丰富,例如将随机森林分类替换卷积神经网络中的全连接层(Fully Connected,FC)用于VHRRS图像中亚热带森林信息提取[38]。与传统的分类方法相比,随机森林分类和支持向量机通常能成功的从森林中识别出更加精细的竹林信息,这两者之间的拓展运用亟待深入。
-
随着遥感图像分辨率的提高,可供竹林信息提取的遥感数据选择更加多样化。为充分利用获取的数据,多时相多源信息的应用是提高竹林信息提取的途径之一,基于物候学分类和基于纹理信息结构分类法的融入,突破了单一使用光谱信息的局限性,使得竹林信息提取更具多元化[39]。部分研究在1995年就将纹理特征和物候信息应用于遥感图像分类中,近十年来,国内外遥感技术的发展提供了高时空分辨率的遥感数据源,使得纹理特征和物候信息的挖掘空间增加,这些信息助推了竹林信息提取。植物物候现象在不同的时间周期中能够对气候变化做出快速响应,随着遥感数据的时间分辨率和空间分辨率的提高,物候学在气候变化和陆地生态系统的动态耦合关系研究中处于前沿领域[40]。竹林的物候现象成为竹林信息研究的突破口,而多时序的遥感数据则是竹林物候研究的数据支撑,NOAA系列卫星中的全球植被指数在1981年就投入到竹林物候研究中,但是数据的低分辨率限制了对地观测的精细程度[41, 42]。较之于低空间分辨率卫星生产的NDVI数据,同样具有高时间密度的Landsat系列数据在竹林监测中更加适用,从第一颗Landsat卫星发射开始已经成功收集了连续40年的对地观测数据,利于进行多时态表征[43]。如Liu等(2018)和Zhang等(2019)在分别对福建省和中国青岛市的竹林信息提取研究中皆得出,基于全季多时相特征集的分类结果明显比基于单季节特征集精度高[9, 44]。在过去的20年来,不乏竹林生长过程中物候学的研究能够为竹林信息提取研究提供参考,如印度学者Nath等(2008)对印度地区三种竹林两年期间鞘、叶和茎秆变化进行了记录[45],de Carvalho等(2013)绘制了亚马逊西南部地区中一个以竹子为主的原始森林中竹林的开花范围,推断了其生命周期长度,并描述了其开花的时空模式[46]。Li等(2019)通过研究制约竹林分布的关键因子预测了在未来气候条件的影响和制约下中国竹林的潜在分布[47]。将这一系列竹林物候研究与遥感数据相结合可以实现竹林信息的动态监测,将竹林相关物候指标,如归一化植被指数、归一化水分指数、增强植被指数、温度以及降水等作为特征因子,可以弥补影像信息单一的缺点。
单纯使用光谱特征获取竹林信息容易将具有相似光谱的植被类型混淆,所以纹理特征通常作为另一个重要的辅助信息应用于竹林信息提取中,光谱信息和纹理信息的结合能够实现竹林信息有效提取[48, 49]。如今随着高分辨率影像获取愈加便利,具有详细的映射能力和监视复杂森林模式能力的纹理特征能够挖掘更多遥感影像中潜在的竹林信息。竹子的纹理特征较其他树种而言差异明显,纹理信息的加入比仅基于像素值分类具有更强的适用性[50]。20世纪80年代最初的纹理特征仅限于特定的纹理信息,如直线型以及粗糙度等,没有完整的定义以及参考模型[51]。在此之后,纹理特征的相关模型逐渐被提出,其中能够直观地观察研究对象并反映空间形状特征的灰度共生矩阵法常用于竹林纹理特征研究中,其具有14种纹理特征指标,如间隔、方向和变化幅度等,能够深入挖掘季节变化中竹林纹理特征值的变化并实现自动化分类[52, 53]。灰度共生矩阵的加入能够捕捉不同植被空间混合时所导致的复杂色调特征区域,Liu等(2018)在使用Landsat8影像对毛竹林的提取中,将是否加入灰度共生矩阵的分类结果进行对比,发现在云量较少的情况下使用纹理信息的分类结果精度普遍有所上升[44]。与具有中分辨率的Landsat影像相比,高级遥感产品获取的高分辨率影像的细节表述能力更能体现纹理在竹林信息提取中的重要性,如法国2002年发射的SPOT5卫星获取的遥感影像空间分辨率最高可达2.5 m,并且较短的重访周期使得其在重复观测中能够改进植被类型的识别能力,将SPOT5影像用于竹林光谱纹理信息的挖掘中,对竹林分类的精度可以达到95%以上[54]。纹理通过植被之间空间排列的关系,借助竹林不同季节生长的规律和特征以实现竹林信息监测,它是竹林信息提取中的一大“利器”。
竹林信息提取的方法经过三个阶段的改进后,形成了较为完备的方法体系。在三个阶段的逐层进阶中,根据竹林信息提取的需求以及数据在不同方法应用中的灵活程度,对三种不同阶段方法的优缺点进行了总结(表1)。
方法 优点 缺点 传统的统计识别模型 计算快速简便,可快速控制训练样本,调节分类精度;竹林信息提取中所需数据易获取;方法的可扩展性强。 竹林信息提取结果受限于样本数量,方法单一;受数据空间分辨率影响较大,易出现错分漏分现象,竹林分类结果精度较低。 机器学习分类 方法的使用较为灵活,客观性较强;可自动化组织和拟合竹林有关参数,在图像中可用的竹林特征数量增多时,能解决计算时多维高维问题,提高分类效能。 当竹林有关特征样本较多时,计算量较大,计算过程需要大量内存;受竹林观测样本影响较大;大量模型会降低训练效率和泛化性,形成过度拟合的情况。 多源信息复合分类 在多种竹林有关信息的融合下,结果精度较高;可弥补基于光谱信息的竹林信息提取中 “同谱异物,同物异谱”的现象;增添了遥感影像中竹林识别的多样性,避免了信息源的单一性。 计算复杂度较大;收集连续多时序遥感影像困难;需要进行大量实验选取有利于竹林提取的指标;当基于竹林纹理特征提取时,对影像空间分辨率要求较高。 Table 1. Comparison of advantages and disadvantages of three different stages of bamboo forest information remote sensing extraction method