CN109034189A - 基于高分遥感影像的森林类型识别方法 - Google Patents

Abstract

本发明涉及一种基于高分遥感影像的森林类型识别方法，包括：对高分遥感影像进行预处理，得到全色光谱影像和多光谱影像；从全色光谱影像中进行灰度提取，从多光谱影像中进行植被指数提取；结合森林资源二类调查数据，分析优势树种，并且得到优势树种的灰度值和植被指数值；根据林地分类标准，将研究区分为林地和非林地，根据灰度值和植被指数值的相关关系，分别建立相关森林类型识别函数模型；对相关函数模型进行检验和评价；将相关函数模型应用于森林类型识别。实现利用高分二号影像纹理特征获取灰度和植被指数就可以对森林类型进行识别，合理地减少了森林资源的外业调查工作，节约了成本和资源。

Description

基于高分遥感影像的森林类型识别方法

技术领域

本发明涉及一种基于高分遥感影像的森林类型识别方法。

背景技术

森林类型识别是森林资源管理和监测的重要内容。传统的森林类型识别方法较为落后，都是凭借着大量人工去实地进行识别，不仅工作强度很大、时效性差、监测结果不准确、存在误差和时效性等问题，同时消耗大量的人力、物力和财力，且并不能达到预期的要求。随着时间的变化，森林资源的状态都将呈现出动态变化，传统手段不能准确地掌握森林类型的变化。

随着我国国产高分辨率系列遥感卫星的成功发射，高分辨率遥感影像已广泛运用于对地观测。高分辨率遥感影像数据纹理清晰，获取高分辨率遥感影像数据的成本也因科技的发展而大大降低。其中“高分二号”(GF-2)卫星影像数据的应用意味着中国的遥感卫星应用进入亚米级“高分时代”。

如果能充分利用高分影像处理技术来进行森林类型识别，将能够有效地减少人工在野外实测的强度和盲目性。通过高分辨率遥感影像提取数据进行分析和研究，可提高对森林类型识别的精准性和时效性。

因此，亟需一种能有效地通过高分遥感影像对森林类型进行识别的方法。

发明内容

根据本发明的目的，提供一种基于高分遥感影像的森林类型识别方法，包括：

对高分遥感影像进行预处理，得到全色光谱影像和多光谱影像；

从全色光谱影像中进行灰度提取，从多光谱影像中进行植被指数提取；

结合森林资源二类调查数据，分析优势树种，并且得到优势树种的灰度值和植被指数值；

根据林地分类标准，将研究区分为林地和非林地，林地中划分针叶林、阔叶林、针叶混交林、阔叶混交林和针阔混交林，得到针叶林、阔叶林、针叶混交林、阔叶混交林和针阔混交林的灰度值、植被指数值；

根据灰度值和植被指数值的相关关系，分别建立相关森林类型识别的函数模型；

对相关函数模型进行检验和评价；

将相关函数模型应用于森林类型识别。

根据本发明的一个实施例，建立相关函数模型包括建立针叶林的森林类型识别函数模型，即在森林类型识别时，根据灰度和植被指数可以利用高分二号影像通过如下函数模型关系式进行识别：

y＝0.9061x+0.109

R²＝0.9677

其中式子x表示针叶林的植被指数，y表示对应植被指数那个坐标点灰度值，R²表示精确度96.77％，x在[0，0.4]区间上取值。

根据本发明的一个实施例，建立相关函数模型包括建立阔叶林的森林类型识别函数模型，即在森林类型识别时，根据灰度和植被指数可以利用高分二号影像通过如下函数模型关系式进行识别：

y＝32.289x³-22.443x²+5.9118x-0.3852

R²＝0.983

其中式子x表示阔叶林的灰度值，y表示对应阔叶林中对应植被指数，精度R²为98.3％，x在[0.25，0.45]区间上取值。

根据本发明的一个实施例，建立相关函数模型包括建立针叶混交林的森林类型识别函数模型，即在森林类型识别时，根据灰度和植被指数可以利用高分二号影像通过如下函数模型关系式进行识别：

y＝0.0548ln(x)+0.2879

R²＝0.9692

其中x表示针叶混交林的植被指数，y表示对应植被指数那个坐标点的灰度值，R²表示精确度，其值为96.92％，x在[0，0.4]区间上取值。

根据本发明的一个实施例，建立相关函数模型包括建立阔叶混交林的森林类型识别函数模型，通过将植被指数和灰度进行拟合，得到函数模型关系式：

y＝22.963x³-7.2359x²+1.6298x-0.0357

R²＝0.996

其中x表示阔叶林的灰度，y表示对应灰度具体坐标点的植被指数值，R²表示精确度,其值为99.6％，x在[0,0.3]区间上取值。

根据本发明的一个实施例，建立相关函数模型包括建立针阔混交林的森林类型识别函数模型，通过将植被指数和灰度进行拟合，得到函数模型关系式：

y＝10.197x²-0.5278x+0.0077

R²＝0.9901

其中x表示混交林的灰度，y表示混交林灰度对应坐标点的灰度值，R²表示精确度，其值为99.01％，x在[0,0.25]区间上取值。

根据本发明的一个实施例，建立相关函数模型包括非林地的森林类型识别函数模型，统计非林地植被指数的数据进行统计分析，采用多光谱纹理特性采集到非林地的影像，相关关系式为：

y＝0.1971e^5.633x

R²＝0.9261

其中式子x表示非林地的植被指数，y表示非林地植被指数对应坐标点的灰度值，R²表示精确度，其值为92.61％，x在[-0.25,0.25]区间上取值。

优选地，所述对相关函数模型进行检验和评价，包括采用检验区三十个斑块中典型代表进行检验验证，依据函数模型分布曲线判定验证结果，同时与森林资源二类调查数据进行对比。

为了进一步验证实验结果的准确性，可以分别在检验区不同经纬度采用随机选取实验样本点，结合函数模型进行进一步验证。

本发明针对目前进行森林类型识别面临的困难，考虑到实地考察监测过程中需要花费大量的人力、物力、财力才能获取具体的实地调查数据，且获取的森林类型数据受很多因素的影响，准确性不高，动态性不强，不利于森林资源的管理和监测。以高分二号影像作为森林分类的技术基础，通过数据分析，采用ARCGIS软件、PIE影像处理、ENVI植被指数计算和统计样本等一系列的方法结合起来，分析出当前森林类型识别的最佳方法，利用研究区森林灰度和森林植被指数两者结合，分析两者之间的相关关系并建立函数模型，最后利用另外的森林样本数据，进一步论证实验的准确性，最后将实验结果应用于森林类型识别，实现利用高分二号影像纹理特征获取灰度和植被指数就可以对森林类型进行识别，合理地减少了森林资源的外业调查工作，节约了成本和资源。

附图说明

图1为森林类型识别的流程图；

图2为遥感影像处理流程图；

图3为研究区森林类型图；

图4为针叶林灰度分布图；

图5为阔叶林灰度分布图；

图6针叶混交林灰度分布图；

图7为阔叶混交林灰度分布图；

图8为针阔混交林灰度分布图；

图9为非林地的灰度分布图；

图10为研究区灰度值区间；

图11为针叶林植被指数；

图12为阔叶林植被指数；

图13为针叶混交林植被指数；

图14为阔叶混交林植被指数；

图15为针阔混交林植被指数；

图16为非林地植被指数；

图17为针叶林灰度分布函数关系式；

图18为针叶林植被指数分布函数关系式；

图19为针叶林森林类型识别函数关系式；

图20为阔叶林灰度分布函数关系式；

图21为阔叶林植被指数分布函数关系式；

图22为阔叶林森林类型识别函数关系式；

图23为针叶混交林灰度分布函数关系式；

图24为针叶混交林植被指数分布函数关系式；

图25为针叶混交林森林类型识别函数关系式；

图26为阔叶混交林灰度分布函数关系式；

图27为阔叶混交林植被指数分布函数关系式；

图28为阔叶混交林森林类型识别函数关系式；

图29为针阔混交林灰度分布函数关系式；

图30为针阔混交林植被指数分布函数关系式；

图31为针阔混交林森林类型识别函数关系式；

图32为非林地灰度分布函数关系式；

图33为非林地植被指数分布图；

图34为非林地类型识别函数关系式；

图35为检验区旺藏林场和水泊沟林场；

图36为检验样本代表1灰度图；

图37为检验样本代表2灰度图；

图38为检验样表代表3灰度图；

图39为检验样表代表1植被分布图；

图40为检验样本代表2植被分布图；

图41为检验样本代表3植被分布图；

图42为检验点位置分布图；

图43为域检验结果如图；

图44为林场检验区结果图；

图45为二类检验结果对比图。

具体实施方式

如图1所示，为本发明的森林类型识别流程图，首先对高分遥感影像进行预处理，得到全色光谱影像和多光谱影像，从全色光谱影像中进行灰度提取，从多光谱影像中进行植被指数提取，结合森林资源二类调查数据，分析优势树种，并且得到优势树种的灰度值和植被指数值。根据林地分类标准，将研究区分为林地和非林地，林地中划分为针叶林、阔叶林、针叶混交林、阔叶混交林和针阔混交林，分别建立相关函数模型，通过检验和评价后，将相关函数模型应用于森林类型识别。

研究区位于甘肃省南部迭部林业局的腊子口林场，总面积为48560公顷。采用高分二号(GF-2)遥感影像数据，数据级别为L1A，全色影像分辨率为0.8m，多光谱影像分辨率为3.2m，数据范围是以十进制经纬度(103.579E，34.016N)为中心、半径60公里的全色/多光谱影像数据，共计得到影像60张，将60张影像图分两步进行了处理。遥感影像处理过程如图2所示：首先将多光谱影像图进行辐射校正、影像配准、正射矫正。高分二号遥感影像预处理包括了辐射校正和几何校正，都是用来校正传感器中获取得到的影像的辐射变形和几何变形。由于受影像内的光照差异、几何视场角的变化、大气状况的不同，以及传感器的噪声等因素的影响，会使得传感器获取的遥感影像存在一些失真，也因为地形和树冠产生的阴影会影响森林类型识别，因此高分二号遥感影像预处理对森林类型识别显得尤为重要。本发明通过将全色光谱影像图进行辐射定标为反射率、影像配准、正射矫正之后进行图像融合而得到迭部林业局的全色光谱影像图。根据森林资源二类调查数据中树木的丰富层度以及针阔叶林小班分类资料的详细程度，将融合的迭部林业局的全色光谱和多光谱影像，结合二类调查数据，将腊子口的轮廓进行裁剪，得到研究区影像图，图3为研究区森林区划图。

结合森林资源二类调查数据中的树种采集情况，运用Arcgis进行数据处理，分为六类属性统计表，分别进行分割和掩膜处理，提取得到针叶林、阔叶林、针叶混交林、阔叶混交林和针阔混交林的矢量数据图，将矢量图导入ENVI或PIE中处理得到针叶林、阔叶林、针叶混交林、阔叶混交林和针阔混交林的图层，分别对针叶林、阔叶林、针叶混交林、阔叶混交林和针阔混交林随机抽样用不同的颜色表示，随机取50个样本进行灰度值统计和检验。如图4为针叶林灰度分布图，图5为阔叶林灰度分布图，图6为针叶混交林灰度分布图，图7为阔叶混交林灰度分布图，图8为针阔混交林灰度分布图，图9为非林地的灰度布图。

导入研究区全色光谱影像图，采用ENVI或者PIE进行影像灰度数据处理，根据森林资源二类调查数据中按针叶林、阔叶林、针叶混交林、阔叶混交林和针阔混交林以及非林地等划分的斑块，应用Arcgis对灰度值进行分类统计后汇总，得到整体研究区的灰度值范围在[0，0.8]之间，研究区灰度值区间如图10所示。

应用Arcgis对研究区中的森林资源二类调查数据属性表进行分类，在全色光谱影像图上划分为五类小班，分别是针叶林、阔叶林、针叶混交林、阔叶混交林和针阔混交林类。五类小班通过两个图层的叠加分析和掩膜处理，分别得到五类小班的灰度值区间，并排除异常灰度取值，以防影响后期的森林类型识别的结果。

将研究区腊子口林场的影像图预处理、矫正和融合一系列措施之后再经过裁剪，得到多光谱影像图和全色光谱影像图，将研究区的多光谱影像图区分出针叶林、阔叶林、针叶混交林、阔叶混交林和针阔混交林的多光谱影像图，利用叠加和掩膜的方法得到针叶林多光谱影像图。在ENVI中利用4个波段的光谱数值选取最适合的植被指数来进行森林类型识别和程序运算。

针叶林植被指数计算之后得到的数据图如图11所示，可知，针叶林的植被指数范围值在0至0.2之间，在0.2之后的点数分布很少。从图可以看出植被指数在每一个数值点都波动很大，点数变化幅度小。排除自然因素影响，通过影像处理可以初步判断此处针叶林的斑块。

阔叶林植被指数计算之后得到的数据图如图12所示，可知，阔叶林的植被指数范围值在-0.2至0.3之间，在0.3之后的点数分布很少。-1≤NDVI≤1，植被稀疏的地方不是负数，NDVI是负数的地方是由于有云或雪覆盖在表面，其光谱曲线和有植被地区的光谱曲线不一致。0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；所以在周边剔除一些干扰点取点数最多的地方就是阔叶林的植被指数范围0至0.3之间。观察植被指数的曲线图发现植被指数在每一个数值点都波动很大，点数变化幅度大。排除自然因素影响，通过影像处理可以初步判断此处阔叶林的斑块。

针叶混交林植被指数计算之后得到的数据图如图13所示，可知，针叶混交林的植被指数范围值正在-0.4到0.6之间。-1≤NDVI≤1，植被稀疏的地方不是负数，NDVI是负数的地方是由于有云或雪覆盖在表面，其光谱曲线和有植被地区的光谱曲线不一致。0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；所以在周边剔除一些干扰点取点数最多的地方就是针叶混交林的植被指数范围。植被指数在0到0.161811之间出现的点数最多，也由此可见针叶混交林主要灰度值集中在0.099213到0.161811之间。

阔叶混交林植被指数计算之后得到的数据图如图14所示，阔叶混交林的植被指数范围值正在-0.4到0.365385之间。-1≤NDVI≤0，植被稀疏的地方不是负数，NDVI是负数的地方是由于有云或雪覆盖在表面，其光谱曲线和有植被地区的光谱曲线不一致。0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；曲线表示点数最多的地方，也就是阔叶混交林的植被指数范围。植被指数在0到0.69658之间出现的点数最多，也由此可见阔叶混交林主要灰度值集中在0.020370到0.069658之间。

针阔混交林植被指数计算之后得到的数据图如图15所示，可以确定，针阔混交林的植被指数范围值正在-0.326923到0.653846之间。-1≤NDVI≤1，NDVI是负数的地方是由于有云或雪覆盖在表面，其光谱曲线和有植被地区的光谱曲线不一致。曲线表示点数最多的地方，也就是针阔混交林的植被指数范围。植被指数在0到0.653846之间出现的点数最多的区域在0到0.102163，也由此可见针阔混交林主要灰度值集中在0.020370到0.069658之间。

非林地植被指数计算之后得到的数据图如图16所示，可以确定，非林地的植被指数范围值正在-0.388091到0.679558之间。-1≤NDVI≤0，NDVI是负数的地方是由于有云或雪覆盖在表面，其光谱曲线和有植被地区的光谱曲线不一致。0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；非林地中植被指数为正，表示非林地中存在地被植物，地被植物具有植被指数值，所以在植被指数计算中使得非林地的数值出现了正数。

森林类型识别是森林资源管理和监测的重要内容。森林资源调查需要花费大量的人力、物力和财力。依据不同的分类方法、分类系统和技术标准，进行森林类型划分，可以满足不同的应用需求目的。本发明提出利用灰度值和植被指数进行森林类型识别。采用随机抽取样本点，将灰度值和植被指数值进行分类统计，分析其特征，来进行针叶林、阔叶林、针叶混交林、阔叶混交林和针阔混交林的分类。

根据随机抽取的样本点，针对研究区采取样本选点的方法统计，根据灰度值和植被指数特征建立相关森林类型识别函数模型。植被指数和灰度值之间存在相关关系。因为灰度和多光谱都具有丰富的图像纹理特征，反映了高分影像灰度在方向、间距还有幅度上的综合变化信息，利用各波段的灰度值和多光谱信息将能更准确地进行森林类型的识别。

针叶林函数模型的建立

把针叶纯林(单个针叶树种所占比例≥90％)和针叶相对纯林(单个针叶树种所占比例65％～90％)，归类为针叶林。根据随机选取森林样本点的数值，采取随机抽样的方法，通过采集针叶林灰度值和植被指数值，先排除异常值，然后分析针叶林的灰度函数曲线吻合走向以及分布点数之间的关系。建立如图17所示为针叶林灰度函数关系式。具体为：

y＝-1E+06x⁵+3E+06x⁴-2E+06x³+594190x²-90066x+5093.8

R²＝0.9452

式中x表示针叶林的灰度值，y表示对应针叶混交林中对应灰度值出现的频率，R²表示精确度，其值为94.52％，针叶林灰度分布曲线基本呈现对称分布，峰值在最中间。

针叶林植被指数分布函数关系式如图18所示。具体为：

y＝-1E+06x⁶+1E+06x⁵-436981x⁴-92565x³+58634x²-6449x+174.47

R²＝0.8797

式中x表示针叶林的植被指数，y表示对应针叶林中植被指数值出现的频率，R²表示精确度，其值为87.97％

针叶林森林类型识别函数关系式如图19所示。具体为：

y＝0.9061x+0.109

R²＝0.9677

式中x表示针叶林的植被指数，y表示对应植被指数那个坐标点灰度值，R²表示精确度，其值为96.77％。X在[0，0.4]区间上取值。

阔叶林函数模型的建立

把阔叶纯林(单个阔叶树种所占比例≥90％)和阔叶相对纯林(单个阔叶树种所占比例65％～90％)归类为阔叶林。建立如图20所示的阔叶林灰度函数关系式。具体为：

y＝24833x³-22578x²+6215.4x-460.4

R²＝0.8543

式中x表示阔叶林的灰度值，y表示对应阔叶林中对应灰度值出现的频率，R²表示精确度，其值为85.43％。

建立如图21所示的阔叶林植被指数分布函数关系式，具体为：

y＝29308x³-23113x²+4983.4x-156.88

R²＝0.9731

式中x表示阔叶林的植被指数，y表示对应阔叶林中对应植被指数出现的频率。R²表示精确度,其值为97.31％。

建立如图22所示为阔叶林森林类型识别函数关系式，具体为：

y＝32.289x³-22.443x²+5.9118x-0.3852

R²＝0.983

式中x表示阔叶林的灰度值，y表示对应阔叶林中对应植被指数，R²表示精确度，其值为98.3％。x在[0.25，0.45]区间上取值。

针叶混交林函数模型的建立

根据随机选取森林样本点的数值，采取随机抽样的方法，获取针叶混交林灰度值和植被指数，先排除异常值，然后分析针叶混交林的灰度函数曲线、吻合走向及分布点数之间的关系。如图23所示为针叶林灰度函数关系式。

定义针叶混交林为由两个或两个以上针叶树种组成，针叶树种的比例≥65％。

针叶混交林灰度函数关系式具体为：

y＝1E+07x⁶-1E+07x⁵+4E+06x⁴-569147x³+45782x²-1646.3x+22.765

R²＝0.8525

式中x表示针叶混交林的灰度值，y表示对应针叶混交林对应灰度值出现的频率，R²表示精确度，其值为85.25％。x在[0,0.3]区间上取值，曲线波动比较大，0.15到0.2之间的频率分布比较集中，符合六次方程回归模型的分布趋向，呈抛物线不对称分布。

按统计植被指数的点进行统计分析，植被指数采集到的影像纹理比较清晰，由多个光波段的光谱特性反映纹理，利用多光谱特性得到针叶混交林植被指数的相关关系式如图24所示，具体为：

y＝-435205x⁶+423958x⁵-150950x⁴+23835x³-1607.5x²-4.5084x+14.742

R²＝0.8913

式中x表示针叶混交林的植被指数，y表示对应针叶混交林中植被指数值出现的频率，R²表示精确度，其值为89.13％。x在[0，0.35]区间上取值。针叶混交林的植被指数在数据处理时，先排除异常值，进行数据排序，得到的植被指数函数模型的趋势接近于以上六次函数的拟合曲线，曲线分布随着植被指数值的变大频率降低，分布的点越少。

通过将植被指数值和灰度值进行拟合对比，将灰度和植被指数的两个函数关系式进行数据处理和相关性分析，得到针叶混交林在森林类型识别中关于两个影响因素的函数模型，即在森林类型识别中根据灰度和植被指数关系，利用高分二号影像，可以得到如图25所示的针叶混交林森林类型识别函数关系，具体公式为：

y＝0.0548ln(x)+0.2879

R²＝0.9692

式中x表示针叶混交林的植被指数，y表示对应植被指数那个坐标点的灰度值，R²表示精确度，其值为96.92％。x在[0,0.4]区间上取值。

阔叶混交林函数模型的建立

随机选取森林样本点中的阔叶林数据点，同样采取随机抽样的方法，通过分别采集阔叶林灰度值和植被指数值，再分别建立阔叶林植被指数值和灰度值的函数关系式，通过拟合灰度值和植被指数的函数模型，剔除异常值，然后拟合阔叶林的植被指数和灰度。

定义阔叶混交林为由两个或两个以上阔叶树种组成，阔叶树种的比例≥65％。阔叶混交林灰度函数关系式如图26所示。具体为：

y＝136276x⁴-73272x³+13045x²-954.18x+41.049

R²＝0.8565

式中x表示阔叶混交林的灰度值，y表示对应阔叶混交林中对应灰度值出现的频率，R²表示精确度，其值为85.65％。x在[0,0.3]区间上取值，曲线波动比平缓，0到0.15之间的频率分布比较集中，0.15之后呈直线下降的分布趋势，符合四次方程回归线模型的分布趋向。

阔叶混交林植被指数函数关系式如图27所示，具体为：

y＝-21127x⁴+19534x³-5664.7x²+501.95x+6.1831

R²＝0.8766

式中x表示阔叶混交林的植被指数，y表示对应阔叶混交林中植被指数值出现的频率值，R²表示精确度，其值为87.66％。x在[0,0.3]区间上取值。本发明在阔叶混交林的植被指数数据处理时，排除异常值，进行数据排序，得到的植被指数函数模型的趋势接近于以上六次函数的拟合曲线，曲线分布主要在0到0.1之间呈现集中分布，从0.1开始分布直线下降。

阔叶混交林森林区划模型建立，通过将植被指数和灰度值两个函数关系式进行拟合对比，将灰度和植被指数的两个函数关系式进行数据处理和相关性分析。得到如图28所示的函数模型关系式，具体为：

y＝22.963x³-7.2359x²+1.6298x-0.0357

R²＝0.996

式中x表示阔叶林的灰度，y表示对应灰度具体坐标点的植被指数值，R²表示精确度，其值为99.6％。x在[0,0.3]区间上取值。

针阔混交林函数模型的建立

采取随机抽样的方法，通过采集针阔混交林灰度值和植被指数值，排除异常值，然后分析针阔混交林的灰度函数曲线吻合走向以及分布点数之间的关系。定义针阔叶混交林为针叶树种或阔叶树种比列为35％～65％。建立如图29所示的针阔混交林灰度函数关系式，具体为：

y＝-2E+08x⁶+1E+08x⁵-3E+07x⁴+4E+06x³-261707x²+7332.6x-70.938

R²＝0.9753

式中x表示针阔混交林的灰度值，y表示对应针阔混交林中对应灰度值出现的频率，R²表示精确度，其值为97.53％。x在[0,0.25]区间上取值，曲线波动在0.1到0.15之间的频率分布比较集中，0.05到0.1以及0.15到0.25之间呈直线下降的分布趋势，符合六次方程曲线模型的分布走向，几乎接近对称分布，曲线比较平缓，升降的频率很稳定。

统计针阔混交林植被指数的数据进行统计分析，采用多光谱纹理特性采集到的影像纹理比较清晰，由多个光波段的光谱特性来反映混交林分布区间。建立如图30所示的针阔混交林植被指数函数关系式，具体为：

y＝2769.2x³-1484.2x²+164.34x+9.4291

R²＝0.8831

式中x表示针阔混交林的植被指数，y表示对应针阔混交林中植被指数值出现的频率值，R²表示精确度，其值为88.31％。x在[0,0.4]区间上取值。本发明针阔混交林的植被指数在数据处理过程中，采用随机取样的方法，得到的植被指数函数模型的趋势接近于以上三次函数的方程式。曲线分布主要集中在0.05到0.1之间，从0.1开始分布直线下降，在0.3处分布频率呈回升趋向。

通过将植被指数和灰度值两个函数关系式进行拟合对比，将混交林的灰度和植被指数的两个函数关系式进行数据处理和相关性分析，得到如图31所示的针阔混交林森林区划函数关系式，具体为：

y＝10.197x²-0.5278x+0.0077

R²＝0.9901

式中x表示针阔混交林的灰度，y表示针阔混交林灰度对应坐标点的灰度值，R²表示精确度，其值为99.01％。x在[0,0.25]区间上取值。

非林地函数模型的建立

本发明建立如图32所示的非林地灰度函数关系式，具体为：

y＝694565x⁶-1E+0.6x⁵+895921x⁴-303566x³+49796x²-3485.4x+81.603

R²＝0.8215

式中x表示非林地的灰度值，y表示对应非林地中对应灰度值出现的频率，R²表示精确度，其值为82.15％。x在[0，0.6]区间上取值，曲线波动在0.15到0.2之间的频率分布比较集中，前段呈对称分布，灰度在后段区间变化波动大，符合六次方程曲线模型的分布走向，几乎接近对称分布。

对非林地植被指数的数据进行统计分析，采用多光谱纹理特性采集到非林地的影像，纹理比较清晰，由多个光波段的光谱特性反映非林地分布区间。如图33所示，为非林地植被指数分布图。

建立如图34所示的非林地森林类型识别函数关系式，具体为：

y＝0.1971e^5.633x

R²＝0.9261

式中x表示非林地的植被指数，y表示非林地植被指数对应坐标点的灰度值，R²表示精确度，其值为92.61％。x在[-0.25，0.25]区间上取值。

本发明主要是关于根据灰度和植被指数的特征研究来建立函数模型，通过这些数学模型可以将森林分类为针叶林、阔叶林、针叶混交林、阔叶混交林和针阔混交林五大类。选取实验样本点在函数模型中进行运算，实验结果符合哪类模型且精度最高，就属于五大类中哪一类。根据实验得到的拟合函数模型可以进行森林类型识别，精准度平均达到了85％左右。首先在每一个划分的区域内随机选取了1000个实验数据点，排除异常值，对应每一个点提取灰度值和植被指数值，统计植被指数和灰度值的分布频率，建立灰度、植被指数与频率之间的关系，最终得到理想的函数模型。建立灰度和灰度频率的函数模型，植被指数与植被指数频率的函数模型意义在于一定区间范围内灰度和植被指数峰值和函数曲线走向都可以用来判别森林类型，不同树种的植被指数和灰度值不同，不同树种在不同的光波区间内所得到的植被指数值是不一样的，所以建立灰度和植被指数与频率之间的拟合函数模型就是为了进行森林类型识别。在高分影像数据中随机选取200公顷林地进行实验，取1000个实验点分别提取灰度和植被指数，利用本发明获取的函数模型进行验证，同一个点灰度和植被指数在6个拟合的函数模型中验证，更接近于哪个拟合函数模型就可以判定为哪种森林类型，1000个点检验至少精度要高于85％才能确定实验的准确性。

在实验操作过程中，注意排除异常点，植被指数选取中出现NDVI小于0的部分要剔除。本发明的实验操作检验精准度高，为森林资源分类和森林资源监测提供了新的方法。

森林类型识别评价

为了验证实验结果，选取迭部林业局的旺藏林场和水泊沟林场作为检验区，旺藏林场、水泊沟林场位于迭部林业局的东北部，排除了地域因素的差异而导致的实验结果的误差。首先对检验区进行影像预处理(大气校正、正射校正、辐射校正、镶嵌、融合、裁剪)之后提取全色光谱影像和多光谱影像，然后随机选取九十个班块做为实验样本，分别将90个斑块进行灰度和植被指数的提取。通过ARCGIS操作可以直接统计出其中30个斑块的灰度范围和具体对应点的灰度值。将多光谱影像导入ENVI中利用归一化植被指数计算出检验的斑块植被指数区间以及对应点的植被指数。如图35所示，为检验区旺藏林场和水泊沟林场。

通过对90个斑块的灰度和植被指数提取，对比它们数值分布的区间范围以及拟合模型的走向。选取了部分斑块的影像分析图，它们在90个班块中具有代表性，能够代表90个斑块而反映实验结果。

图36为选取斑块的灰度分布图，结合前面建立的模型检验为针叶林，灰度值范围在0.161198到0.697568之间，主要灰度集中的点分布在0.295291至0.386263之间，符合针叶林灰度函数模型的灰度分布趋向。

图37为为选取斑块的灰度分布图，结合前面建立的模型检验为阔叶林，灰度值范围在0.119767到0.458825之间，主要灰度集中的点分布在0.204531至0.292820之间，符合阔叶林灰度模型的灰度分布趋向。

图38为斑块的灰度分布图，结合前面建立的模型检验为针阔混交林，观察斑块的灰度分布频率，发现灰度的分布曲线和针阔混交林的灰度模型走向吻合，判定为针阔混交林。

图39为斑块的植被指数分布图，结合前面建立的模型检验为针叶林，植被指数范围为0.032738至0.563758之间，主要分布在0.210878到0.295575之间，符合针叶林植被指数函数模型的分布趋向。

图40为斑块的植被指数分布图，结合前面建立的模型检验为阔叶林，植被指数范围为0.003684到0.631579，主要分布在0.210878到0.295575之间，符合阔叶林植被指数函数模型的分布趋向。

图41为斑块的植被指数分布图，结合前面建立的模型检验为针阔混交林，植被指数范围为0010989到0.841176，主要分布在0.152778到0.260365之间，符合针阔混交林植被指数函数模型的分布趋向。

森林类型识别结果与精度评价

采用检验区30个斑块中典型代表进行了检验验证，依据函数模型分布曲线判定验证结果大致符合实验结果，实验结果与森林资源二类调查数据几乎吻合。为了进一步验证实验结果的准确性，分别在检验区不同经纬度随机选取实验样本点，结合函数模型进行进一步验证。

图42为实验点位置分布图。选取研究区旺藏林场、水泊沟林场和洛大林场，在检验区随机选取样本点，分别将每一个样本点作为一个检验斑块，在每个选样中选30个点，分别提取每个检验位置所选择的点的灰度和植被指数，分析曲线走向进行初步判断，然后使用森林类型识别函数进行计算，用计算结果精度最高的函数模型来识别森林类型。检验结果中发现选取的90个样本检测点，检验结果显示为白色的表示非林地、绿色表示阔叶混交林、黄色表示针叶混交林、红色表示混交林、浅绿色表示针叶林、蓝色表示阔叶林。结果显示斑块大致符合函数关系式，能较准确识别出森林类型，有个别斑块在计算函数关系式中存在偏差。误差分析：产生误差的原因可能是选点时出现了数据异常值，没有排除干净，也有可能是灰度提取中因为高分影像拍摄时，每一个像素点的明暗不一样所导致的，还有一种可能是植物之间光谱相互干扰，导致植被指数提取时出现了一些误差。

图43为随机选取样本区域检验结果图，为了进一步验证森林类型识别函数模型的可行性，随机选取了一个森林区域，该斑块验证结果为阔叶林，利用该区域进行函数模型计算，由于向阳和背阳的原因，导致灰度值差异比较大，将灰度和植被指数值分段计算，检验结果如图44所示，棕色部分为其他，黑色区域为异常值，另外对比明显的两个区域分别为阔叶林的向阳区和背阳区，都符合阔叶林函数模型的运算结果，核对森林资源二类调查数据发现选取的该点位确为阔叶林类型。

图45为二类检验结果对比图。林场检验区结果如图40所示：按照本发明的操作方法，在所选的林场检验区内，采用随机选点的方法进行森林类型识别。验证时选取了80个检验样本点，分别提取每个样本点的灰度和植被指数，最终结果分成了针叶林、阔叶林、针叶混交林、阔叶混交林、针阔混交林和非林地等6种林分类型，对所选取样本区域进行计算和模型检验，验算出来的结果如果接近同一函数模型的森林类型就自动归类为相应森林类型。在ARCGIS中进行森林类型识别分类，发现识别结果大致和森林资源二类调查数据吻合，部分样本点出现异常。针对森林类型识别的目的，本发明在选取检验点时建议统计灰度和植被指数的时候在边缘多取点，逐渐扩大验证区域，反复运算，如果出现变动结果时就开始标记森林类型的分界线，确定划分斑块分界线的位置，通过函数一次次的检验运算，最终确定出森林类型的边界线。

为了更进一步地验证实验结果的精度，本发明最后结合森林资源二类调查数据与实验结果进行了分析对比，森林资源二类调查数据大体符合实验结果，80个抽样点中有72个样本监测点完全匹配，精度达到了90％。

通过数据验证可以确定，本发明提出的森林类型识别函数模型可以准确地用于森林类型的识别。由此，可以将这些模型应用于森林类型的识别。

本发明针对目前森林资源调查中进行林地划分面临的困难，考虑到实地调查监测过程中花费大量的人力、物力、财力才能获取具体的实地调查数据，且获取的森林类型数据受很多因素的影响，不能非常准确地进行森林类型识别，不利于森林资源的管理和监测。以高分二号影像森林分类技术作为技术基础，通过数据处理与分析，采用ARCGIS软件、PIE影像处理、ENVI植被指数计算、统计样本等一系列的方法结合起来，研究出当前森林类型识别的科学方法，利用研究区灰度值和森林植被指数两者结合，分析两者之间的相关关系并建立函数模型，最后利用另外的林场进行影像预处理，进一步论证实验的准确性，最后将实验结果应用于森林类型识别，实现了利用高分二号影像纹理特征获取灰度和植被指数就可以对森林类型进行识别，合理地减少了森林资源的外业调查工作，节约了成本和资源。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于高分遥感影像的森林类型识别方法，其特征在于，包括如下步骤：

对高分遥感影像进行预处理，得到全色光谱影像和多光谱影像；

从全色光谱影像中进行灰度提取，从多光谱影像中进行植被指数提取；

结合森林资源二类调查数据，分析优势树种，并且得到优势树种的灰度值和植被指数值；

根据林地分类标准，将研究区分为林地和非林地，林地中划分为针叶林、阔叶林、针叶混交林、阔叶混交林和针阔混交林，得到针叶林、阔叶林、针叶混交林、阔叶混交林和针阔混交林的灰度值、植被指数值；

根据灰度值和植被指数值的相关关系，分别建立相关森林类型识别函数模型；

对相关函数模型进行检验和评价；

将相关函数模型应用于森林类型识别。

2.根据权利要求1所述的方法，其特征在于，建立相关函数模型包括建立针叶林的森林类型识别函数模型，即在森林类型识别时，根据灰度和植被指数可以利用高分二号影像通过如下函数模型关系式进行识别：

y＝0.9061x+0.109

R²＝0.9677

其中式子x表示针叶林的植被指数，y表示对应植被指数那个坐标点灰度值，R²表示精确度96.77％，x在[0，0.4]区间上取值。

3.根据权利要求1所述的方法，其特征在于，建立相关函数模型包括建立阔叶林的森林类型识别函数模型，即在森林类型识别时，根据灰度和植被指数可以利用高分二号影像通过如下函数模型关系式进行识别：

y＝32.289x³-22.443x²+5.9118x-0.3852

R²＝0.983

其中式子x表示阔叶林的灰度值，y表示对应阔叶林中对应植被指数，精度R²为98.3％，x在[0.25，0.45]区间上取值。

4.根据权利要求1所述的方法，其特征在于，建立相关函数模型包括建立针叶混交林的森林类型识别函数模型，即在森林类型识别时，根据灰度和植被指数可以利用高分二号影像通过如下函数模型关系式进行识别：

y＝0.0548ln(x)+0.2879

R²＝0.9692

其中x表示针叶混交林的植被指数，y表示对应植被指数那个坐标点的灰度值，R²表示精确度，其值为96.92％，x在[0，0.4]区间上取值。

5.根据权利要求1所述的方法，其特征在于，建立相关函数模型包括建立阔叶混交林的森林类型识别函数模型，通过将植被指数和灰度进行拟合，得到函数模型关系式：

y＝22.963x³-7.2359x²+1.6298x-0.0357

R²＝0.996

其中x表示阔叶林的灰度，y表示对应灰度具体坐标点的植被指数值，R²表示精确度,其值为99.6％，x在[0,0.3]区间上取值。

6.根据权利要求1所述的方法，其特征在于，建立相关函数模型包括建立针阔混交林的森林类型识别函数模型，通过将植被指数和灰度进行拟合，得到函数模型关系式：

y＝10.197x²-0.5278x+0.0077

R²＝0.9901

其中x表示混交林的灰度，y表示混交林灰度对应坐标点的灰度值，R²表示精确度，其值为99.01％，x在[0,0.25]区间上取值。

7.根据权利要求1所述的方法，其特征在于，建立相关函数模型包括非林地的森林类型识别函数模型，统计非林地植被指数的数据进行统计分析，采用多光谱纹理特性采集到非林地的影像，相关关系式为：

y＝0.1971e^5.633x

R²＝0.9261

其中式子x表示非林地的植被指数，y表示非林地植被指数对应坐标点的灰度值，R²表示精确度，其值为92.61％，x在[-0.25,0.25]区间上取值。

8.根据权利要求1-7任一项所述的方法，其特征在于，所述对相关函数模型进行检验和评价，包括采用检验区三十个斑块中典型代表进行检验验证，依据函数模型分布曲线判定验证结果，同时与森林资源二类调查数据进行对比。

为了进一步验证实验结果的准确性，可以分别在检验区不同经纬度采用随机选取实验样本点，结合函数模型进行进一步验证。