基于ERDAS的森林资源信息提取技术研究

第29卷 第1期 西 南 林 学 院 学 报 Vo.l 29 N o .1 2009年2月 J O URNAL OF SOUT HW E ST F ORESTRY UN I VERSI TYFeb.2009* 收稿日期:2008-07-09基金项目:石河子大学高层次人才科研启动资金专项(RCZX200617)资助。

作者简介:李园园(1979 ),女,安徽濉溪人,讲师,硕士,主要从事林业遥感的教学与研究。

作者E -m ail :2004liyy @163.co m.基于ERDAS 的森林资源信息提取技术研究*李园园1,宋于洋1,秦春艳2(1.石河子大学农学院,新疆石河子832003;2.新疆维吾尔自治区发展和改革委员会经济研究院,新疆乌鲁木齐830002)摘要:以CBERS CCD 影像为信息源,在ERDAS 支持下进行监督分类,结合目视解译和实际地面调查进行解译精度分析。

结果表明:研究区总的分类精度为73 75%,K appa 系数为0 66,其中主要研究对象荒漠灌木林地的分类精度为88 90%,达到分类精度要求,说明应用ERDAS 中的监督分类模块对灌木林信息的提取是十分方便、快捷而又准确的。

关键词:ERDAS ;监督分类;分类精度;荒漠灌木林中图分类号:TP79 文献标识码:A 文章编号:1003-7179(2009)01-0058-04遥感影像分类是森林资源调查和监测不可缺少的内容[1]。

遥感影像的计算机解译是指运用计算机手段对遥感影像进行分类和处理,从而达到图形分类、数据和图形输出的目的[2]。

ERDAS 软件在资源调查过程中起到了非常重要的作用,有近80%的工作是在ERDAS 软件中完成的[3]。

ERDAS 作为国际上的遥感图形、图像处理软件,在功能上、操作的方便性上都达到了一个较高的境界,且与ARC /I N FO 软件有非常好的兼容性,用它可以直接采集地理信息数据,所采集的数据可直接用于地理信息系统建库。

前人已对计算机解译作了一定的工作,并引进了大量的解译分类方法,有以光谱特征[4]、模式识别[5]、纹理分析[6]等计算机技术为基础的监督和非监督分类。

解译手段的选择直接影响到解译的精度,进而影响到资源调查的结果,因此选择合适的遥感图像解译手段是十分重要的。

根据本研究的目的确定了以卫星遥感数据作为森林资源分类区划的基础数据源,以地理信息系统技术作为成果数据的整理和组织方式,采用GPS 全球定位技术作为野外调查、实地验证和测量的基本手段。

采用遥感图像专业处理软件ERDAS 进行自动和后期目视解译修正,并以新疆生产建设兵团农八师150团为例来说明整个解译的过程,解译工作是在基于ERDAS 监督分类的基础上辅以目视栅格图像解译校正法。

1 研究区概况1.1 自然条件新疆生产建设兵团农八师150团位于准噶尔盆地古尔班通古特大沙漠南缘,深入沙漠腹地70k m,西北东三面环沙,素有 沙海半岛之称!。

地处北纬44∀52#21∃~45∀12#08∃,东经85∀52#03∃~86∀10#49∃,行政区域在玛纳斯县境内。

团部在西古城镇,是莫索湾垦区末尾的团场。

属天山山前冲积平原,境内海拔332~361m,地势由东向西北倾斜。

全团南北长35 77km ,东西宽约17 65k m,面积约为45729.33hm 2。

150团地处亚欧大陆腹地,是典型的大陆性气候,夏季炎热,冬季寒冷,温差变化大,干燥多风,降水量小,蒸发量大,光照充足,热量资源丰富,年平均气温6 1%,年平均降水量117mm,蒸发量与降水量之比为17&1。

1.2 公益林状况150团自然植被有白梭梭(H aloxy lon p ersicum )、梭梭(H.amm o d endron )、柽柳(Tamari x chinensis)、沙拐枣(Callgonum m ongolicum )、琵琶柴(R eaum uria soongonica )、铃铛枣(H ali m odendron halodendron )、白刺(N itrari a t a ngutoru m )、骆驼刺(A lhagi s parsi f o lia )、碱蓬(Suaeda glauca )、莎草(Cyp er us m icroiria )、芦苇(Phragm ites co mmunis)等。

人工林主要以杨树(Popul u s)、榆树(Ul m us pum ila )、沙枣(E laeagnus an gusti f olia)、胡杨(Popul u s euphr atica )等为主,在150团起到了抗风沙、减小灾害、改善气候等条件。

2 研究方法2.1 数据来源本研究所用遥感数据为研究区2005年7月CBERS CCD 多光谱数据(RGB321波段合成),其象元的空间分辨率平均为19 5m,与TM 相比,空间分辨率更高,数据获取更快,数据资源丰富。

如图1所示。

2.2 图像分类图像分类就是基于图像象元的数据文件值,将象元归并为有限几种类型、登记或数据集的过程[7]。

常规图像分类主要有两种方法 非监督分类与监督分类。

监督分类(superv ised c lassifi c a ti o n),又称训练分类法,即用被确认类别的样本象元去识别其他未知类别象元的过程。

本研究即应用ERDAS 监督分类模块,其一般要经过以下几个步骤:建立模板(训练样本)、评价模板、确定初步分类结果、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。

在监督分类过程中,用于分类决策的规则是多类型、多层次的,本研究应用的是参数分类模板中的最大似然法(m ax i m um li k eli h ood)。

最大似然法可以同时考虑2个以上的波段和类别,是一种广泛应用的分类器,但是这种算法的计算量很大,同时对不同类别的方差变化比较敏感[8]。

最大似然法假定训练样区地物的光谱特征和自然界大部分随机现象一样,近似服从于正态分布,利用训练样区可求出均值、方差以及协方差等特征参数,从而求出总体的先验概率密度函数[9]。

在利用图像进行监督分类之前要建立判读时所用的各类解译标志,然后经过现地验证修正后,作为判读时的参照标准。

遥感图像特征与实地情况对应的逻辑关系是图像解译的依据[10]。

遥感图像的判读标志是指地物在影像上反映出的不同影像特征,也可以概括为:色调、形状、大小、阴影、纹理等组合的图案特征。

土地类型(简称地类)是根据土地的覆盖和利用状况综合划定的类型。

根据森林资源的分类原则和依据,将森林资源划分为林地和非林地2个一级地类。

其中林地划分为8个二级地类,即有林地、疏林地、灌木林地、未成林地、苗圃地、无立木林地、宜林地和林业辅助生产用地。

非林地主要包括耕地、牧草地、水域、未利用地和建设用地5类。

本文根据研究区实际情况以及研究目的将研究区土地利用类型划分为耕地、有林地、居住用地、灌木林地、未利用地。

2.3 技术指标矢量数据格式:采用通用的ARC /I N FO 的C ov erage 格式;栅格数据格式:采用i m g 格式;数学基础:采用1980西安坐标系,高斯-克吕格投影。

监督分类提取出的数据格式为栅格数据,将其转换成矢量数据,即可进行矢量跟踪,或与已跟踪的矢量数据合并。

在ERDAS 中的V ie w er 窗体中,将成果数据与影像数据以及其他参考数据叠加显示,就可以对其成果数据进行检查。

首先利用ERDAS I M AG I N E 8 7中Vector 模块中的Raster to V ector 将栅格影像转成矢量图层;再利用ARC G IS 8 3的W orkstati o n 中的ARC 各种命令来完成剩余工作。

这些命令有C lean ,Bu il d ,E li m inate ,D isso l v e ,Labeler r o rs 等。

其中利用E li m inate 命令来删除在监督分类过程中产生的小图斑,D isso l v e 命令用来合并相邻同属性的图斑,最后用Labelerr o rs 命令来检查多点或少点的图斑。

59第1期 李园园等:基于ERDAS 的森林资源信息提取技术研究注:图2是应用ERDAS软件中的监督分类模块得到的初始分类图,各土地利用类型见图例;图3是将后缀为 i m g的初始分类栅格图转为后缀为 cov的矢量图,然后叠加在原始影像上;图4是将初始分类矢量图在ARCGIS中进行一系列操作后又进行人工目视修正解译后的矢量图;图5是利用修改后的分类图在ARCGIS中出的分类图。

3 结果分析3.1 分类结果根据最后的分类矢量图统计输出得到的研究区各地类面积统计。

表1 研究区各土地利用类型面积地类面积/hm2土地总面积/hm2耕地20053.52有林地82.20居住用地918.43灌木林地19007.18未利用地5668.0045729.33表1是应用ERDA S的监督分类模块分类,后又经过解译修正后的各土地利用分类数据。

其中:灌木林地面积占到41 56%,有林地面积只占到0 18%。

研究区的耕地外围分布着大面积的荒漠灌木林,只在耕地及居住用地附近分布着一些小片的有林地(人工片林),也有部分是退耕还林地。

3.2 精度分析分类精度是指分类图像中的象元被正确分类的程度。

通常评价目标识别效果的好与坏,可以通过分类精度评价的方法得到一个定量的描述,准确的办法是比较每个象元的分类情况,但在实际工作中这是做不到的,所以对遥感影像分类结果的精度进行检验,常用的方法是选取若干地面真实数据计算其被正确分入相应类别的象元数所占的比例,分别计算其混淆矩阵和Kappa系数,根据混淆矩阵可得到总的分类精度。

K appa系数是由Cohen在1960年提出的用于评价遥感图像分类的正确程度的和比较图件一致性的指数[11]。

表2 研究区分类精度地类各类型分类精度/%总分类精度/%K appa系数耕地95%有林地10.5%居住用地15.8%灌木林地88.9%未利用地70.6%73.75%0.66表2是本研究总分类精度分析。

在研究区内实地选取了耕地、有林地、居住用地和灌木林地、未利用地等5个类型的30个点,其中耕地容易辨识,选取了3个,有林地选取了6个,居住用地选取了4个,灌木林地选取了10个,未利用地选取了7个点。

总分类精度为73.75%,K appa系数只有0.66。

总分类精度和Kappa系数都不是特别高。

这5种地类中的分类精度中除耕地外,灌木林地的分类精度最高,达到88 90%,因为影像中灌木林地的结构和纹理都较明显,故而该地类的分类精度较高。

虽然总的分类精度不高,但对于主要研究对象 荒漠灌木林而言,分类精度已经满足使用要求,并且达到了良好的分类结果。