基于Landsat影像的黃豐橋林場森林變化檢測研究

羅 號 ，孫 華 ，胡 滿 ，羅孝云 ，羅喜華 ，楊政宇

（1.中南林業科技大學 林業遙感信息工程研究中心，湖南 長沙 410004；2.廣東省嶺南綜合勘察設計院，廣東 廣州 510520；3.林業遙感大數據與生態安全湖南省重點實驗室，湖南 長沙 410004；4.攸縣黃豐橋國有林場， 湖南 攸縣 412300）

基于Landsat影像的黃豐橋林場森林變化檢測研究

羅 號1，2，孫 華1，3，胡 滿1，羅孝云4，羅喜華4，楊政宇1

（1.中南林業科技大學 林業遙感信息工程研究中心，湖南 長沙 410004；2.廣東省嶺南綜合勘察設計院，廣東 廣州 510520；3.林業遙感大數據與生態安全湖南省重點實驗室，湖南 長沙 410004；4.攸縣黃豐橋國有林場， 湖南 攸縣 412300）

以攸縣黃豐橋林場為研究區，選擇2001，2009和2013年3期Landsat影像，應用影像代數變化檢測、掩膜處理變化檢測、寫功能存儲插入法變化檢測和分類后比較變化檢測4種算法開展森林變化檢測對比研究。結果表明：分類后比較變化檢測方法在總體精度上有較明顯的優越性，其2013年與2009年、2009年與2001年總體精度均為96.67%；其次是寫功能存儲插入法變化檢測，其2013年與2009年、及2009年與2001年總體精度分別為94%和95.67%；掩膜處理變化檢測精度排名第三，其2013年與2009年、2009年與2001年總體精度分別為93.67%和95.67%；效果最差的是影像代數變化檢測方法，其2013年與2009年、2009年與2001年總體精度分別為93.33%和94.33%。通過對上述4種方法優缺點及精度的綜合分析，得出分類后比較變化檢測算法是最適合黃豐橋林場的變化檢測方法。

遙感變化檢測；影像代數；掩膜處理；寫功能存儲插入法；分類后處理

森林變化檢測，即從不同時期的遙感數據中定量分析和確定森林變化的特征和過程。以往森林資源調查主要采用人工調查的方式進行，通過人工調查得到兩次森林資源的數據從而分析變化的區域。但這種方法存在一定的缺陷，即浪費人力物力和調查周期長兩方面。遙感技術的出現彌補了人工調查存在的問題，通過對多期遙感影像進行變化檢測研究即可得到變化的區域，該方法的出現為森林變化檢測提供了新的途徑。

現有遙感變化檢測算法表現形式多樣，大致可以歸納為以下3種類型：基于像素的變化檢測方法[1]、基于對象的變化檢測方法[2]及基于特征的變化檢測方法[3-4]?；谙袼氐淖兓瘷z測方法是比較單個像素的光譜特征，以判斷各個像素是否變化及變化類型，屬于較低層次的變化檢測方法。該方法直接利用原始像素灰度信息進行變化檢測，實現容易，同時較易于理解，能較好的達到數字化檢測變化的目的，是目前運用最為廣泛的變化檢測方法[5]。但該方法的檢測結果對配準精度要求較高，較低的配準精度會導致像素之間出現位移偏差，從而產生大量的偽變化信息。同時基于像素的變化檢測方法不能充分利用鄰近像素的空間和上下文的關系，并且還有較大的椒鹽噪聲干擾[6]?；趯ο蟮淖兓瘷z測方法是以對象為基本單位提取出基于對象的特征，該方法將多時相影像數據獨立完成預處理，特征提取，識別和判斷，以獲得對象的屬性信息，最后通過相關處理，決策判斷獲得檢測結果，屬于最高層次的變化檢測[7]。該方法能直接針對對象，充分利用對象的特征提取各類信息從而進行變化檢測分析。與基于像素的變化檢測方法相比彌補了其缺點，體現在綜合利用了相鄰像素間的空間，并且對于空間信息豐富，地物目標清楚的高分影像具有較好的應用前景?；谔卣鞯淖兓瘷z測方法是從影像中提取特征信息，利用不同地物的特征差異進行變化檢測的，在進行變化檢測過程中較為穩健，不受遙感影像時相變化的影響。

為探究4種變化檢測方法中最適合森林變化檢測的方法，以湖南省株洲市攸縣黃豐橋林場為研究區，以2001，2009和2013年3期Landsat遙感影像為數據源，比較了4種變化檢測方法的精度及優缺點。本研究成果對于森林變化檢測算法的選擇及森林變化檢測的進一步研究具有借鑒意義。

1 材料與方法

1.1 研究區概況

黃豐橋林場位于攸縣東部，113°04′～113°43′E，27°06′～ 27°4′N。林場地貌為中低山為主，最高海拔1 270 m，最低海拔115 m，坡度一般在20°到35°之間。該林場地處中亞熱帶季風濕潤氣候區，年平均氣溫17.8 ℃，年平均降水量為1 410.8 mm。林場森林覆蓋率90.57%，全林場土地面積101 134.7 hm2，活立木蓄積879 186 m3，竹林面積423.1 hm2。

1.2 數據源

研究所涉及的3期遙感影像數據均從美國地質調查局( USGS )官方網站下載，成像時間分別為2001年9月6日、2009年10月24日及2013年6月13日。3期影像傳感器類型及主要成像參數如表1。

表1 遙感影像數據主要成像參數Table 1 Main imaging parameters of three periods remote sensing image data

1.3 研究方法

從現有變化檢測中選擇出較適合森林變化檢測的4種方法進行變化檢測研究，4種方法分別為影像代數變化檢測、掩膜處理變化檢測、寫功能存儲插入法變化檢測及分類后比較變化檢測。

基于Landsat遙感影像分析森林變化檢測的主要步驟，如圖1所示：（1）遙感影像預處理：輻射定標[8]、大氣校正[9]、地形校正、圖像配準[10]及圖像裁剪等。把3期影像數據統一到相同的太陽高度角和坐標系統，盡量減少太陽高度角，土壤濕度和植被物候等環境因素的影響；（2）分別用影像代數變化檢測、掩膜處理變化檢測、寫功能存儲插入法變化檢測及分類后比較變化檢測等變化檢測方法對遙感影像數據進行變化檢測，得到變化結果圖；（3）利用相同的精度評價樣本對各方法得到的變化結果圖進行精度驗證，分析不同變化檢測算法針對森林變化檢測適用性及有效性；（4）綜合分析各方法的精度及優劣確定最適合森林變化檢測的方法。其中影像代數變化檢測[11-12]是對要進行變化檢測的兩期影像進行歸一化植被指數（Ndvi）[13-15]計算，接著對歸一化植被指數計算后的圖像進行差值運算，最后通過最佳閾值設定提取變化檢測結果。要進行掩膜處理變化檢測[16]首要任務是制作掩膜文件，遮擋可能對森林變化檢測產生干擾的地類，之后的步驟與影像代數變化檢測方法一致。寫功能存儲插入法變化檢測需要對影像數據進行纓帽變換計算，接著將不同年份的Landsat數據的濕度指數（Kauth-Thomas）[17]置于3個寫功能存儲塊（Write Function Memory，WFM），從而提取森林變化信息[18]。在進行分類后比較變化檢測[19-20]前，首先對要進行變化檢測的兩期遙感影像進行分類，本次研究采用面向對象的分類技術對3期影像進行分類，根據分類后的結果圖直接確定變化的斑塊。

圖1 變化檢測處理流程Fig.1 Flow chart of stages in change detection

2 結果與分析

2.1 變化檢測結果

影像代數變化檢測得到的變化結果如圖2所示。由圖2可見變化斑塊較為零散，特別是2013年與2009年得到的變化圖，斑塊較多且更為零散。造成這種現象的因素主要有云層對變化檢測干擾較大，山坡背陰面對變化檢測結果也會產生干擾，其他地類變化影響森林變化信息的提取。同時還存在不能定量提取變化信息的缺點。但如果對閾值的選擇更為合適則生成的變化圖將會更為可靠。影像代數變化檢測也存在一定的優點，即能較為準確提取變化地塊，并且提供詳細的“從-到”類別變化的信息。

圖2 影像代數變化檢測結果Fig.2 Results of change detection using image algebra

掩膜處理變化檢測得到的變化結果如圖3所示。斑塊同樣較為零散。因為其存在著與影像代數相同的缺陷，但同時也存在著與影像代數變化檢測相同的優點，唯一不同的是掩膜處理變化檢測較好的解決了影像代數變化檢測中其他地類變化影響森林變化信息提取的問題。

寫功能存儲插入法變化檢測的變化結果如圖4所示。由圖可觀察到變化斑塊的界限較難確定，因為其存在因變化強度導致的顏色漸變性。并且同時也存在不能提供定量的變化信息；山體背陰或云層陰影都會影響變化檢測結果；云層本身也會對變化檢測結果產生干擾等缺點。除此之外，寫功能存儲插入法變化檢測也存在一定的優點，掩膜后生成的變化圖能提供“從-到”類別變化的信息，并且變化信息隨其地物變化強度有顏色上的漸變性變化，同時寫功能存儲插入法可同時觀察2個，甚至3個時相的遙感影像。

圖3 掩膜處理變化檢測結果Fig.3 Results of change detection using mask processing

圖4 寫功能存儲插入法變化檢測結果Fig.4 Results of change detection using writing function memory insertion method

分類后比較變化檢測的變化結果如圖5所示。根據生成的結果圖可清楚的看到“從-到”類別變化的信息并且可得到具體變化量。較前3種方法其較大的優勢性體現在較好的解決了前3種方法存在的3個問題，即變化信息變化量的提??；云層、云層產生的陰影及山坡背陰面對變化圖的干擾及需要通過掩膜處理消除不同地物類別對森林變化檢測帶來的影像等。但其也存在其特有的缺陷，即太過依賴與兩期獨立的分類結果圖的精度，分類結果較低對變化檢測結果影響較大，并且容易存在誤差累計，夸大變化程度。

圖5 分類后比較變化檢測結果Fig.5 Results of post-classi fi cation comparison change detection

對比圖2、圖3、圖4和圖5可看出，利用影像代數變化檢測會產生較多的零散的斑塊，任何有輻射變化的區域都會呈現在變化結果上，利用掩膜處理變化檢測雖也產生了較多零散斑塊，但消除了影像代數變化檢測中其他地物對森林變化檢測產生的干擾，寫功能存儲插入法變化檢測不會產生較多零散的斑塊，但其斑塊的界限較難確定。4種方法中以分類后比較變化檢測方法效果最好，變化信息及變化量皆可通過變化結果圖清晰表現。

2.2 精度評價

為定量評測變化檢測方法的精度，使用ARCGIS的漁網（Create Fishnet）功能對4種變化檢測方法的結果進行精度評價。主要精度指標包括總體精度、漏檢率及虛檢率等。其中漏檢率為發生變化卻未檢測到變化的樣本數占全部樣本數的百分比，反映變化檢測結果中漏檢變化的概率；而虛檢率為未變化卻檢測到變化的樣本數占全部樣本數的百分比，反映變化檢測結果中虛檢變化的概率。

根據遙感影像數據的矢量邊界為界限創建行數為15、列數為20的一個漁網矩陣，總計點數為300個。通過觀察點落入位置變化情況是否吻合從而得到變化檢測方法的總體精度、漏檢率及虛檢率等精度指標（表2）。

影像代數變化檢測在總體精度上較其他3種方法最低，漏檢率及虛檢率皆因不同因素的影響產生了較大的誤差。兩期變化結果圖在虛檢率上皆受到了其他地物變化的影響產生了誤差，2009年與2001年及2013年與2009年干擾地物（農業用地、建筑用地及水體）對森林變化檢測的干擾分別有4個點與1個點，另外2009年與2001年受到云層本身干擾產生誤差有1個點，2013年與2009年高達13個點受到山坡背陰面陰影的干擾。

表2 不同變化檢測方法檢測結果精度對比Table 2 Comparison of the change detection accuracy obtained by different methods

掩膜處理變化檢測在總體精度上稍優于影像代數變化檢測，漏檢率與影像代數變化檢測相同，在虛檢率上消除了其他地物變化的影響產生的誤差，但同樣受到云層本身干擾及山坡背陰面陰影干擾的影響。

寫功能存儲插入法變化檢測在精度上僅次于分類后比較變化檢測方法，這種方法的優點是不存在漏檢率，兩期變化結果圖的漏檢率皆為0，但虛檢率處于較高水平，主要影響因素為云層自身干擾、山坡背陰面陰影及云層陰影干擾等，2009年與2001年、2013年與2009年云層自身對變化檢測的干擾都為1個點，山坡背陰面陰影對變化檢測的干擾分別為5個點及9個點，云層陰影對變化檢測的干擾分別為3個點及1個點。

分類后比較變化檢測是總體精度最高的變化檢測方法，其漏檢率處于稍高水平，但虛檢率得到有效地抑制，檢測結果較為理想。

3 結 論

此次研究以2001，2009和2013年3期Landsat遙感影像為數據源，應用4種方法進行森林變化檢測研究，比較了4種變化檢測方法的精度及優缺點，得到最適合森林變化檢測的方法，得到結論如下：

（1）在森林變化檢測中，分類后比較變化檢測精度最高，其2009年與2001年、2013年與2009年精度均為96.67%。其優勢較其他3種方法更大，在不考慮時間的基礎上對原圖進行較細致的分類可使得到的變化圖精確度較大，是4種方法中最適合森林變化檢測的方法。

（2）寫功能存儲插入法變化檢測在精度上僅次于分類后比較變化檢測，其2009年與2001年、2013年與2009年精度分別為95.67%和94%。寫功能存儲插入變化檢測是一種很好的用于估計一個地區變化總量的定性模擬方法，如果不考慮提取變化量信息，這種方法較為快捷，并且能輔助進行較好變化檢測方法的選擇。

（3）掩膜處理變化檢測在精度上僅優于影像代數變化檢測，其2009年與2001年、2013年與2009年精度分別為95.67%和93.67%。掩膜處理變化檢測在影像代數變化檢測上有一定的優化，方法較影像代數變化檢測在性能上有較大的提升。并且相比分類后比較同樣較為快捷。

（4）影像代數變化檢測在精度上是最差的，其2009年與2001年、2013年與2009年精度分別為94.33%和93.33%。影像代數變化檢測也較為快捷，但對閾值的選擇較高，如果能選擇出較好的閾值，可以提取到較為精確的變化信息。

本次研究雖從4種方法的比較中得到了最適合黃豐橋林場森林變化檢測的方法，但此次研究尚有不成熟之處。一方面，在進行變化檢測過程中，對于一些細小的變化區域較難識別，閾值選擇存在一定的困難，如果閾值選擇不當會導致總體精度降低，如何提高細小變化區域的識別率也將是今后研究的一個方向。另一方面，研究區范圍較小，變化檢測的精度僅限于研究區范圍，能否將得到的最優方案推廣到縣級區域或更大范圍，需要進行更進一步的驗證和試驗。

[1]唐樸謙,楊建宇,張 超,等.基于像素比值的面向對象分類后遙感變化檢測方法[J]. 遙感信息, 2010, 25(1):69-72.

[2]霍春雷,程 健,盧漢青.基于多尺度融合的對象級變化檢測新方法[J]. 自動化學報,2008,34(3):251-257.

[3]鐘家強,王潤生.基于線特征的多時相遙感圖像變化檢測[J].國防科技大學學報,2006,28(5):80-83.

[4]袁修孝,宋 妍.一種運用紋理和光譜特征消除投影差影響的建筑物變化檢測方法[J].武漢大學學報(信息科學版). 2007,32(6): 489-493.

[5]劉偉樂,林 輝,孫 華.基于GF-1遙感影像濕地變化檢測算法分析[J].中南林業科技大學學報,2015,35(11):16-20.

[6]黃 亮,左小清,於雪琴. 遙感影像變化檢測方法探討[J]. 測繪科學, 2013, 38(4):203-204.

[7]張永梅,李立鵬,姜 明,等.綜合像素級和特征級的建筑物變化檢測方法[J].計算機科學,2013,40(1):286-288.

[8]張兆明,何國金. Landsat 5 TM數據輻射定標[J]. 科技導報,2008, 26(7):54-55.

[9]徐春燕,馮學智. TM圖像大氣校正及其對地物光譜響應特征的影響分析[J]. 南京大學學報(自然科學版), 2007,43(3):309-315.

[10]Chen L C, Lee L H. Progressive Generation of Control Frameworks for Image Registration [J].Photogrammetric Engineering & Remote Sensing, 1992, 58(9):1321-1309.

[11]Green K, Kempka D, Lackey L. Using Remote Sensing to Detect and Monitor Land-use Change [J]. Photogrammetric Engineering& Remote Sensing, 1994, 60(3):331-337.

[12]Mas J F.Monitoring Land-cover Changes: A Comparison of Change Detection Techniques [J].International Journal of Remote Sensing, 1999, 20(1):139-152.

[13]Yuan D, Elvidge C. NALC Land Cover Change Detection Pilot Study: Washington D.C. Area Experiments [J]. Remote Sensing of Environment,1998,66(2):166-178.

[14]Song C, Woodcock C E, Seto K C,et al.Classification and change detection using Landsat TM data: When and how to correct atmospheric effects[J]. Remote sensing of Environment,2001, 75(2): 230-244..

[15]Du Y, Teillet P M, Cihlar J. Radiometric Normalization of Multitemporal High-resolution Satellite Images with Quality Control for Land Cover Change Detection[J].Remote Sensing of Environment,2002, 82(1):123-134.

[16]Jensen J R, Cowen D J, Althausen J D,et al.An Evaluation of Coast Watch Change Detection Protocol in South Carolina[J].Photogrammetric Engineering & Remote Sensing, 1993,59(6):1039-1046.

[17]Cai M, Xie M, Li C. GIS-based 3d limite-quilibrium analysis for design optimization of a 600 m high slope in an open pit mine [J]. Journal of University of Science and Technology Beijing, 2007, 14(1):1-5.

[18]Franklin S E, Lavigne M B, Wulder M A,et al.Large-area Forest Structure Change Detection: An Example [J].Canadian Journal of Remote Sensing, 2002, 28(4):588-592.

[19]Jensen J R, Rutchey K, Koch M S,et al.Inland wetland change detection in the Everglades Water Conservation Area 2A using a time series of normalized remotely sensed data[J].Photogrammetric Engineering and Remote Sensing, 1995, 61(2):199-209.

[20]Arzandeh S, Wang J. Monitoring the change of Phragmites distribution using satellite data[J]. Canadian Journal of Remote Sensing, 2003, 29(1): 24-35.

Study on forest change detection of Huangfengqiao forest farm using Landsat data

LUO Hao1,2, SUN Hua1,3, HU Man1, LUO Xiaoyun4, LUO Xihua4, YANG Zhengyu1
(1.Research Center of Forestry Remote Sensing & Information Engineering, Central South University of Forestry and Technology,Changsha 410004, Hunan, China; 2.Lingnan Comprehensive Surveying and Designing Institute of Guangdong Province, Guangzhou 510520, Guangdong, China; 3.Key Laboratory of Forestry Remote Sensing Based Big Data & Ecological Security for Hunan Province,Changsha 410004, Hunan, China; 4. Huangfengqiao Forestry Farm of Youxian, Youxian 412300, Hunan, China)

Remote sensing technologies have been widely used to map forest change detection. In this study, four kinds of change detection methods, including image algebra, mask processing, writing function memory insertion and post-classi fi cation comparison change detection, were carried out in Huangfengqiao forest farm in Youxian county using Landsat satellite data with three periods of 2001, 2009 and 2013. The results indicated that post-classi fi cation comparison change detection method had the highest accuracy in three periods, and its overall accuracy were 96.67% from 2001 to 2009 and from 2009 to 2013; Followed by writing function memory insertion method, the accuracy from 2001 to 2009 and from 2009 to 2013 were 95.67% and 94%, respectively. The Accuracy of mask processing method was inferior to writing function memory insertion method, which from 2001 to 2009 and from 2009 to 2013 respectively were 95.67% and 93.67%. The results of change detection using image algebra had the lowest accuracy, which were 94.33%from 2001to 2009 and 93.33% from 2009 to 2013. Companion with other three methods, post-classi fi cation comparison change detection method provided greater potential of accurately predictions of forest change detection in this forest farm.

remote sensing change detection; image algebra; mask processing; writing function memory insertion method; postclassi fi cation comparison

10.14067/j.cnki.1673-923x.2017.12.011

http: //qks.csuft.edu.cn

S758.4

A

1673-923X(2017)12-0065-07

2016-01-09

湖南省創新平臺與人才計劃（科技人才）項目（2015RS4048）；國家級大學生研究性學習和創新性實驗計劃項目（201410538008）；湖南省大學生研究性學習和創新性實驗計劃項目（湘教通[2014]248號）

羅 號，助理工程師

孫 華，副教授，博士；E-mail：sunhua@csuft.edu.cn

羅 號，孫 華，胡 滿，等. 基于Landsat影像的黃豐橋林場森林變化檢測研究[J].中南林業科技大學學報，2017, 37(12):65-71.

[本文編校：文鳳鳴]