高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

不同地形校正方法对刺槐林遥感提取的影响

刘时城 温仲明 陶宇 朱朵菊 张静 曾鸿文

刘时城, 温仲明, 陶宇, 朱朵菊, 张静, 曾鸿文. 不同地形校正方法对刺槐林遥感提取的影响[J]. 北京林业大学学报, 2017, 39(5): 25-33. doi: 10.13332/j.1000-1522.20160309
引用本文: 刘时城, 温仲明, 陶宇, 朱朵菊, 张静, 曾鸿文. 不同地形校正方法对刺槐林遥感提取的影响[J]. 北京林业大学学报, 2017, 39(5): 25-33. doi: 10.13332/j.1000-1522.20160309
LIU Shi-cheng, WEN Zhong-ming, TAO Yu, ZHU Duo-ju, ZHANG Jing, ZENG Hong-wen. Influence of different topographic correction methods on the remote sensing extraction of Robinia pseudoacacia distribution[J]. Journal of Beijing Forestry University, 2017, 39(5): 25-33. doi: 10.13332/j.1000-1522.20160309
Citation: LIU Shi-cheng, WEN Zhong-ming, TAO Yu, ZHU Duo-ju, ZHANG Jing, ZENG Hong-wen. Influence of different topographic correction methods on the remote sensing extraction of Robinia pseudoacacia distribution[J]. Journal of Beijing Forestry University, 2017, 39(5): 25-33. doi: 10.13332/j.1000-1522.20160309

不同地形校正方法对刺槐林遥感提取的影响

doi: 10.13332/j.1000-1522.20160309
基金项目: 

国家自然科学基金项目 41271297

详细信息
    作者简介:

    刘时城。主要研究方向:3S在水土保持中的应用。Email:xinongtudou@foxmail.com   地址:712100 陕西省咸阳市杨凌区西农路26号西北农林科技大学水土保持研究所

    通讯作者:

    温仲明,博士,副研究员。主要研究方向:水土保持与生态恢复、功能生态学。Email:zmwen@ms.iswc.ac.cn   地址:同上

  • 中图分类号: S771

Influence of different topographic correction methods on the remote sensing extraction of Robinia pseudoacacia distribution

  • 摘要: 刺槐是黄土丘陵区生态环境建设的主要乔木树种之一,而地形阴影是影响刺槐林遥感提取精度的重要因素。为研究不同地形校正方法对刺槐林分布信息提取的影响,以黄土丘陵区安塞县的刺槐人工林为例, 使用Cosine、SCS、Minnaert、C、SCS+C 5种校正方法对该地区2015年7月份的Landsat8 OLI影像进行地形校正,并采用基于样本、面向对象提取的方法对人工刺槐林的分布信息进行提取。最后对地形校正前后的影像进行视觉比较和回归分析,并对提取结果进行精度评估,从而比较不同地形校正方法对刺槐人工林分布信息提取的影响。结果表明:1) 5种地形校正方法削弱了遥感影像上地形阴影的视觉效果, 其中Cosine、SCS校正存在过度校正的现象。2) 5种地形校正方法使得各波段辐射亮度值的均值和方差较之前发生变化,且SCS+C校正符合预期效果。3) Minnaert、SCS+C及C校正降低了太阳入射角的余弦值cosi与影像各波段的辐射亮度值间的回归直线斜率m的绝对值及相关系数r的绝对值, Cosine、SCS校正使两参数在部分波段上变大。4) 5种地形校正方法都不同程度地降低刺槐提取的漏分误差,但Cosine校正后用户精度降低了2.47%;Minnaert、SCS+C及C校正均提高了用户者精度和生产者精度,以C校正的精度最高, 生产者精度提高了16.66%,用户精度提高了2.82%。5) 5种地形校正方法均提高了Kappa系数值,以C校正最高,Kappa系数值为0.76。本研究说明刺槐林遥感提取有必要进行地形校正,且应结合研究区的情况选择地形校正方法,这为黄土丘陵区刺槐信息提取时合适地形校正方法的选取提供了重要的依据。
  • 图  1  研究区位置

    Figure  1.  Location of research area

    图  2  相同区域的校正前后影像对比

    a.未校正;b. Cosine校正;c. SCS校正;d. Minnaert校正;e. C校正;f. SCS+C校正。

    Figure  2.  Comparison of uncorrected images and corrected ones

    a, uncorrected; b, Cosine correction; c, SCS correction; d, Minnaert correction; e, C correction; f, SCS+C correction.

    表  1  5种地形校正方法

    Table  1.   Existing models for topographic correction

    序号
    No.
    类别
    Type
    校正模型
    Correction model
    公式
    Formula
    参考文献
    Reference
    1 朗伯体反射率模型
    Lambertian reflectance model
    Cosine [10]
    2 SCS [11]
    3 C [10]
    4 SCS+C [12]
    5 非朗伯体反射率模型
    Non-Lambertian reflectance model
    Minnaert [13]
    注:L为校正前影像的辐射亮度值;Lm为校正后影像的辐射亮度值;θ为太阳天顶角;i为太阳入射角;α为坡度角;c为经验参数;k为Minnaert常数;c值和k值的确定方法参见文献[4]。Notes: L is the radiance value of the uncorrected image; Lm is the radiance value of the corrected image; θ is the solar zenith angle; i is solar incident angle; α is the topographic slope angle; c is the wavelength-dependent adjustment coefficient; k is the Minnaert value; c and k are calculated according to the reference[4].
    下载: 导出CSV

    表  2  地形校正前后各波段辐射亮度值的均值与方差

    Table  2.   Mean and variance of each bands' radiance in corrected and uncorrected images

    校正方法
    Correction method
    参数
    Parameter
    波段1
    Band 1
    波段2
    Band 2
    波段3
    Band 3
    波段4
    Band 4
    波段5
    Band 5
    波段6
    Band 6
    未校正Uncorrected 平均值Mean 60.94 55.74 45.27 73.88 15.55 3.73
    方差Variance 84.29 156.49 267.17 144.15 10.79 1.56
    Cosine 平均值Mean 64.99 59.29 47.99 78.72 16.51 3.95
    方差Variance 140.16 194.40 297.63 221.85 12.47 1.71
    SCS 平均值Mean 61.47 56.11 45.46 74.41 15.61 3.74
    方差Variance 113.37 170.65 271.14 173.28 10.64 1.53
    Minnaert 平均值Mean 63.41 59.70 50.47 77.62 16.92 4.19
    方差Variance 92.73 174.69 322.24 154.05 11.68 1.89
    C 平均值Mean 62.00 57.32 47.21 75.65 16.15 3.91
    方差Variance 83.38 157.01 279.26 143.89 10.61 1.63
    SCS+C 平均值Mean 60.94 55.75 45.31 73.87 15.55 3.73
    方差Variance 82.64 152.91 264.05 137.19 9.94 1.51
    下载: 导出CSV

    表  3  地形校正前后cosi与各波段的辐射亮度值的回归参数

    Table  3.   Regression model parameters between all bands' radiance and cosi of corrected and uncorrected images

    校正方法
    Correction method
    回归参数
    Regression model parameter
    波段1
    Band 1
    波段2
    Band 2
    波段3
    Band 3
    波段4
    Band 4
    波段5
    Band 5
    波段6
    Band 6
    未校正Uncorrected m 18.27 27.46 31.44 37.54 10.71 2.98
    r 0.18 0.20 0.18 0.28 0.31 0.22
    Cosine m -55.71 -36.71 -14.68 -62.17 -7.08 -0.82
    r -0.45 -0.26 -0.08 -0.40 -0.20 -0.06
    SCS m -40.17 -23.90 -6.13 -42.33 -3.77 -0.15
    r -0.35 -0.17 -0.03 -0.30 -0.11 -0.01
    Minnaert m -9.04 -8.03 -7.53 -3.61 -1.45 -0.60
    r -0.08 -0.06 -0.04 -0.03 -0.04 -0.04
    C m -2.41 -3.18 -4.54 -1.36 -1.60 -0.58
    r -0.02 -0.02 -0.02 -0.01 -0.05 -0.04
    SCS+C m 0.32 1.06 0.58 4.09 0.24 -0.04
    r 0.00 0.01 0.00 0.03 0.01 0.00
    注:m表示斜率,r表示相关系数。Notes: m means slope, r means correlation coefficient.
    下载: 导出CSV

    表  4  校正前后的刺槐提取结果的精度比较

    Table  4.   Comparison in the extracted results' accuracy of R. pseudoacacia with corrected and uncorrected images

    校正方法
    Correction method
    生产者精度
    Producer’s accuracy/%
    漏分误差
    Omission/%
    用户精度
    User’s accuracy/%
    错分误差
    Commission/%
    Kappa系数
    Kappa coefficient
    未校正Uncorrected 66.67 33.33 83.72 16.28 0.61
    Cosine 72.22 27.78 81.25 18.75 0.64
    SCS 77.78 22.22 85.71 14.29 0.71
    Minnaert 81.48 18.52 86.27 13.73 0.75
    C 83.33 16.67 86.54 13.46 0.76
    SCS+C 83.33 16.67 84.90 15.10 0.71
    下载: 导出CSV
  • [1] 孙永光, 赵冬至, 郭文永, 等.红树林生态系统遥感监测研究进展[J].生态学报, 2013, 33(15):4523-4538. http://d.old.wanfangdata.com.cn/Periodical/stxb201315001

    SUN Y G, ZHAO D Z, GUO W Y, et al. A review on the application of remote sensing in mangrove ecosystem monitoring[J]. Acta Ecologica Sinica, 2013, 33(15):4523-4538. http://d.old.wanfangdata.com.cn/Periodical/stxb201315001
    [2] 廖清飞, 张鑫, 马全, 等.青海省东部农业区植被覆盖时空演变遥感监测与分析[J].生态学报, 2014, 34(20):5936-5943. http://d.old.wanfangdata.com.cn/Periodical/stxb201420028

    LIAO Q F, ZHANG X, MA Q, et al. Spatiotemporal variation of fractional vegetation cover and remote sensing monitoring in the eastern agricultural region of Qinghai Province[J]. Acta Ecologica Sinica, 2014, 34(20):5936-5943. http://d.old.wanfangdata.com.cn/Periodical/stxb201420028
    [3] 王龑, 田庆久, 王琦, 等.杨树林全生长期LAI遥感估算模型适用性[J].生态学报, 2016, 36(8):2210-2216. http://d.old.wanfangdata.com.cn/Periodical/stxb201608012

    WANG Y, TIAN Q J, WANG Q, et al. The applicability of leaf area index estimation model in an aspen forest over a growth period[J]. Acta Ecologica Sinica, 2016, 36(8):2210-2216. http://d.old.wanfangdata.com.cn/Periodical/stxb201608012
    [4] 高永年, 刘传胜, 王静.遥感影像地形校正理论基础与方法运用[M].北京:科学出版社, 2013.

    GAO Y N, LIU C S, WANG J. The theory and application of topographic correction of the remote sensing image[M]. Beijing: Science Press, 2013.
    [5] 刘咏梅, 杨勤科, 温仲明.地形复杂地区遥感图像分类方法应用研究:以黄土丘陵沟壑地区坡耕地遥感调查为例[J].水土保持通报, 2003, 23(4):30-32. doi:  10.3969/j.issn.1000-288X.2003.04.009

    LIU Y M, YANG Q K, WEN Z M. Remote sensing classification method in complicated terrain area: taking the Loess Plateau as an example[J]. Bulletin of Soil and Water Conservation, 2003, 23(4):30-32. doi:  10.3969/j.issn.1000-288X.2003.04.009
    [6] 刘咏梅, 杨勤科, 汤国安.陕北黄土丘陵地区坡耕地遥感分类方法研究[J].水土保持通报, 2004, 24(4):51-54. doi:  10.3969/j.issn.1000-288X.2004.04.014

    LIU Y M, YANG Q K, TANG G A. Remote sensing classification method of slope field in loess hilly and gully area of northern Shaanxi Province[J].Bulletin of Soil and Water Conservation, 2004, 24(4):51-54. doi:  10.3969/j.issn.1000-288X.2004.04.014
    [7] 傅伯杰, 赵文武, 张秋菊, 等.黄土高原景观格局变化与土壤侵蚀[M].北京:科学出版社, 2014.

    FU B J, ZHAO W W, ZHANG Q J, et al. Changes of landscape pattern and soil erosion in the Loess Plateau[M]. Beijing: Science Press, 2014.
    [8] 延森.遥感数字影像处理导论, 第3版[M].陈晓玲, 龚威, 李平湘, 等, 译.北京: 机械工业出版社, 2005.

    JENSEN J R. Introductory digital image processing: a remote sensing perspective, third edition[M]. CHEN X L, GONG W, LI P X, et al, trans. Beijing: China Machine Press, 2005.
    [9] LIANG S L. Quantitative remote sensing of land surfaces[M]. Hoboken: Wiley-Interscience, 2003.
    [10] TEILLET P M, GUINDON B, GOODENOUGH D G. On the slope-aspect correction of multispectral scanner data[J]. Canadian Journal of Remote Sensing Journal, 1982, 8(2):84-106. doi:  10.1080/07038992.1982.10855028
    [11] GU D, GILLESPIE A. Topographic normalization of Landsat TM images of forest based on subpixelsun-canopy-sensor geometry[J]. Remote Sensing of Environment, 1998, 64(2):166-175. doi:  10.1016/S0034-4257(97)00177-6
    [12] SCOTT A S, DEREK R P, CRAIG A C. SCS+C: a modified sun-canopy-sensor topographic correction in forested terrain[J].IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(9):2148-2159. doi:  10.1109/TGRS.2005.852480
    [13] SMITH J A, LIN T L, RANSON K J. The lambertian assumption and Landsat data[J]. Photogram Metric Engineering and Remote Sensing, 1980, 46(9):1183-1189. https://www.researchgate.net/publication/247923568_The_Lambertian_Assumption_and_Landsat_Data
    [14] 段四波, 阎广建.山区遥感图像地形校正模型研究综述[J].北京师范大学学报(自然科学版), 2007, 43(3):362-366. doi:  10.3321/j.issn:0476-0301.2007.03.025

    DUAN S B, YAN G J.A review of models for topographic correction of remotely sensed images in mountainous area[J].Journal of Beijing Normal University(Natural Science), 2007, 43(3):362-366. doi:  10.3321/j.issn:0476-0301.2007.03.025
    [15] 鲍晨光, 范文义, 李明泽, 等.地形校正对森林生物量遥感估测的影响[J].应用生态学报, 2009, 20(11):2750-2756. http://d.old.wanfangdata.com.cn/Periodical/yystxb200911026

    BAO C G, FAN W Y, LI M Z, et al. Effects of topographic correction on remote sensing estimation of forest biomass[J]. Chinese Journal of Applied Ecology, 2009, 20(11): 2750-2756. http://d.old.wanfangdata.com.cn/Periodical/yystxb200911026
    [16] STIJN H, EMILIO C. Evaluation of different topographic correction methods for Landsat imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2011, 13(5): 691-700. doi:  10.1016/j.jag.2011.05.001
    [17] VANONCKELEN S, LHERMITTE S, ROMPAEY A V. The effect of atmospheric and topographic correction on pixel-based image composites: improved forest cover detection in mountain environments[J]. International Journal of Applied Earth Observation & Geoinformation, 2015, 35:320-328. https://www.sciencedirect.com/science/article/pii/S0303243414002293
    [18] 穆悦, 安裕伦, 王喆, 等.不同地形校正模型计算地形复杂山区地表反射率的对比[J].山地学报, 2014, 32(3):257-266. doi:  10.3969/j.issn.1008-2786.2014.03.001

    MU Y, AN Y L, WANG Z, et al. Comparison of different topographic correction models for surface reflectance calculating in rugged terrain area[J]. Mountain Research, 2014, 32(3):257-266. doi:  10.3969/j.issn.1008-2786.2014.03.001
    [19] 刘京涛, 刘世荣, 孙鹏森, 等.基于地形校正的山区蒸散时空格局模拟[J].水土保持学报, 2008, 22(3):52-55. doi:  10.3321/j.issn:1009-2242.2008.03.011

    LIU J T, LIU S R, SUN P S, et al. Modelling spatial-temporal pattern of mountainous evapotranspiration based on altitude verification[J].Journal of Soil and Water Conservation, 2008, 22(3):52-55. doi:  10.3321/j.issn:1009-2242.2008.03.011
    [20] 杨燕, 田庆久.森林覆盖区山地遥感地形校正的方法研究[J].遥感信息, 2008(1):22-26. doi:  10.3969/j.issn.1000-3177.2008.01.005

    YANG Y, TIAN Q J. The study on topographic correction approach in forest[J]. Remote Sensing Information, 2008(1):22-26. doi:  10.3969/j.issn.1000-3177.2008.01.005
    [21] 董德进, 周国模, 杜华强, 等.6种地形校正方法对雷竹林地上生物量遥感估算的影响[J].林业科学, 2011, 47(12):1-8. doi:  10.11707/j.1001-7488.20111201

    DONG D J, ZHOU G M, DU H Q, et al. Effects of topographic correction with 6 correction models on Phyllostachys praecox forest aboveground biomass estimation[J].Scientia Silvae Sinicae, 2011, 47(12):1-8. doi:  10.11707/j.1001-7488.20111201
    [22] 王飒, 李熙, 张奇, 等. Landsat影像地形校正方法的适用性分析[J].华中师范大学学报(自然科学版), 2013, 47(4):571-577. http://d.old.wanfangdata.com.cn/Periodical/hzsfdxxb201304027

    WANG S, LI X, ZHANG Q, et al. Analysis on the applicability of the topographic correction models for Landsat images[J]. Journal of Huazhong Normal University(Natural Sciences), 2013, 47(4):571-577. http://d.old.wanfangdata.com.cn/Periodical/hzsfdxxb201304027
    [23] 丁春晓, 周汝良, 叶江霞, 等.地形起伏对陆地卫星的NDVI影响研究[J].林业资源管理, 2016(4):101-106. http://d.old.wanfangdata.com.cn/Periodical/lyzygl201604019

    DING C X, ZHOU R L, YE J X, et al. Study on the effect of topographic relief on NDVI of Landsat[J].Forest Resources Management, 2016(4):101-106. http://d.old.wanfangdata.com.cn/Periodical/lyzygl201604019
    [24] 穆悦, 曹晓阳, 冯益明, 等.地形复杂山区常用植被指数的地形校正对比[J].地球信息科学学报, 2016, 18(7):951-961. http://d.old.wanfangdata.com.cn/Periodical/dqxxkx201607012

    MU Y, CAO X Y, FENG Y M, et al. Comparison of topographic correction on commonly used vegetation indices in rugged terrain area[J].Journal of Geo-Information Science, 2016, 18(7):951-961. http://d.old.wanfangdata.com.cn/Periodical/dqxxkx201607012
    [25] 刘江华.黄土高原刺槐人工林生长特征及其天然化程度评价[D].杨凌: 中国科学院研究生院, 2008. http://cdmd.cnki.com.cn/Article/CDMD-80129-2010210122.htm

    LIU J H. Study on growth traits of Robinia pseudoacacia plantation and its naturalization process on the Loess Plateau[D]. Yangling: University of Chinese Academy of Sciences, 2008. http://cdmd.cnki.com.cn/Article/CDMD-80129-2010210122.htm
    [26] 郭琳.黄土高原刺槐人工林群落植物物种多样性研究[D].杨凌: 西北农林科技大学, 2010. http://cdmd.cnki.com.cn/Article/CDMD-10712-2010149460.htm

    GUO L. Studies on plant species diversity of Robinia pseudoacacia in the Loess Plateau[D]. Yangling: Northwest N&F University, 2010. http://cdmd.cnki.com.cn/Article/CDMD-10712-2010149460.htm
    [27] 张朝忙, 刘庆生, 刘高焕, 等.SRTM 3与ASTER GDEM数据处理及应用进展[J].地理与地理信息科学, 2012, 28(5):33-38. http://d.old.wanfangdata.com.cn/Periodical/dlxygtyj201205007

    ZHANG C M, LIU Q S, LIU G H, et al. Data processing and application progress of SRTM3 and ASTER GDEM[J].Geography and Geo-Information Science, 2012, 28(5):33-38. http://d.old.wanfangdata.com.cn/Periodical/dlxygtyj201205007
    [28] United States Geological Survey. Using the USGS Landsat 8 product[EB/OL][2016-03-31]. http://landsat.usgs.gov/Landsat8_Using_Product.php.
    [29] 韦玉春, 汤国安, 杨昕.遥感数字图像处理导论[M].北京:科学出版社, 2007.

    WEI Y C, TANG G A, YANG X. Guidebook of remote sensing digital image processing[M]. Beijing: Science Press, 2007.
    [30] 田甜, 范文义, 卢伟, 等.面向对象的优势树种类型信息提取技术[J].应用生态学报, 2015, 26(2):1665-1672. http://d.old.wanfangdata.com.cn/Periodical/yystxb201506009

    TIAN T, FAN W Y, LU W, et al. An object-based information extraction technology for dominant tree species group types[J]. Chinese Journal of Applied Ecology, 2015, 26(2):1665-1672. http://d.old.wanfangdata.com.cn/Periodical/yystxb201506009
    [31] 王久玲, 黄进良, 王立辉, 等.面向对象的多时相HJ星影像甘蔗识别方法[J].农业工程学报, 2014, 30(11):145-151. doi:  10.3969/j.issn.1002-6819.2014.11.018

    WANG J L, HUANG J L, WANG L H, et al. Identification of Sugarcane based on object-oriented analysis using time-series HJ CCD data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(11):145-151. doi:  10.3969/j.issn.1002-6819.2014.11.018
    [32] 董洲, 赵霞, 梁栋, 等.内蒙古灌丛化草原分布特征的遥感辨识[J].农业工程学报, 2014, 30(11):152-158. doi:  10.3969/j.issn.1002-6819.2014.11.019

    DONG Z, ZHAO X, LIANG D, et al. Remote sensing identification of shrub encroachment in grassland in Inner Mongolia[J].Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(11):152-158. doi:  10.3969/j.issn.1002-6819.2014.11.019
    [33] 邓书斌.ENVI遥感数字图像处理方法[M].北京:科学出版社, 2010.

    DENG S B. The methods of remote sensing digital image processing with ENVI[M].Beijing: Science Press, 2010.
    [34] 陈蕾.城市地物覆盖类型遥感自动提取: 以广州市为例[D].广州: 中山大学, 2004. http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y614243

    CHEN L. Automatic extraction of urban land cover on remote sensing image: a case study on Guangzhou City[D].Guangzhou: Sun Yat-sen University, 2004. http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y614243
    [35] 赵英时.遥感运用分析原理与方法[M].北京:科学出版社, 2003.

    ZHAO Y S. Principles and methods of remote sensing application[M].Beijing: Science Press, 2003.
    [36] 高永年, 张万昌.遥感影像地形校正研究进展及其比较实验[J].地理研究, 2008, 27(2):467-477, 484. doi:  10.3321/j.issn:1000-0585.2008.02.024

    GAO Y N, ZHANG W C. Comparison test and research progress of topographic correction on remotely sensed data[J].Geographical Research, 2008, 27(2):467-477, 484. doi:  10.3321/j.issn:1000-0585.2008.02.024
    [37] 常庆瑞, 蒋平安, 周勇.遥感技术导论[M].北京:科学出版社, 2004.

    CHANG Q R, JIANG P A, ZHOU Y. Introductory of remote sensing technology[M].Beijing: Science Press, 2004.
    [38] 张晓丽, 李宏志, 王月婷, 等.一种分坡度等级SCS+C模型山区地形校正方法: CN, CN103632350A[P].2014.

    ZHANG X L, LI H Z, WANG Y T, et al. Graded slope SCS+C model mountainous topographic correction method: CN, CN103632350A[P].2014.
  • [1] 王岩松, 马保明, 高海平, 王百田, 李莎, 董秀群.  晋西黄土区油松和刺槐人工林土壤养分及其化学计量比对林分密度的响应 . 北京林业大学学报, 2020, 42(8): 81-93. doi: 10.12171/j.1000-1522.20190287
    [2] 王雅慧, 彭祚登, 李云.  豫西浅山区不同世代刺槐林土壤养分与结构特征 . 北京林业大学学报, 2020, 42(3): 54-64. doi: 10.12171/j.1000-1522.20190263
    [3] 李秀宇, 郭琪, 董黎, 孙宇涵, 牛东升, 刘佳平, 王红生, 李云.  山西省吉县刺槐无性系种质遗传多样性的EST-SSR分析 . 北京林业大学学报, 2019, 41(7): 39-48. doi: 10.13332/j.1000-1522.20190108
    [4] 孙恒, 冀晓东, 赵红华, 杨茂林, 丛旭.  人工林刺槐木材物理力学性质研究 . 北京林业大学学报, 2018, 40(7): 104-112. doi: 10.13332/j.1000-1522.20180030
    [5] 程积民, 程杰, 高阳.  渭北黄土区不同立地条件下刺槐人工林群落生物量结构特征 . 北京林业大学学报, 2014, 36(2): 15-21.
    [6] 张国君, 张士权, 孙宇涵, 李丽, 辛红河, 袁存权, 李云.  刺槐优良无性系饲料特性区域化试验初报 . 北京林业大学学报, 2013, 35(5): 8-14.
    [7] 张国君, 李云, 徐兆翮, 孙鹏, 孙宇涵, 黄禄君.  引种刺槐无性系形态及叶片营养的初步研究 . 北京林业大学学报, 2012, 34(2): 52-56.
    [8] 张国君, 袁存权, 汪洋, 李云, 徐兆翮, 孙鹏.  刺槐无性系叶片营养价值变异分析 . 北京林业大学学报, 2012, 34(4): 42-47.
    [9] 殷鸣放, 杨琳, 殷炜达, 雷庆国, 谭希斌, 张艳会, 李志伟.  油松、刺槐与杨树树干材积碳储量动态变化研究 . 北京林业大学学报, 2011, 33(5): 65-68.
    [10] 张国君, 李云, 徐兆翮, 孙鹏, 袁存权.  栽培模式对四倍体刺槐生物量和叶片营养的影响 . 北京林业大学学报, 2010, 32(5): 102-106.
    [11] 徐飞, 郭卫华, 徐伟红, 王仁卿.  刺槐幼苗形态、生物量分配和光合特性对水分胁迫的响应 . 北京林业大学学报, 2010, 32(1): 24-30.
    [12] 何明, 翟明普, 曹帮华.  水分胁迫下增施氮、磷对刺槐无性系苗木光合特性的影响 . 北京林业大学学报, 2009, 31(6): 116-120.
    [13] 刘秀萍, 陈丽华, 宋维峰, 高振林, 张超波, .  刺槐林造林密度对边坡稳定性的影响 . 北京林业大学学报, 2008, 30(supp.2): 234-239.
    [14] 刘秀萍, 陈丽华, 宋维峰, 高振林, 张超波, .  边坡形态对刺槐林边坡稳定性的影响 . 北京林业大学学报, 2008, 30(supp.2): 228-233.
    [15] 姜金仲, 李云, 贺佳玉, 李谷悦, 王巍.  刺槐同源四倍体种子促萌措施研究 . 北京林业大学学报, 2008, 30(5): 78-82.
    [16] 陈丽华, 刘秀萍, 宋维峰, 高振林, 张超波.  降雨条件下刺槐林边坡稳定性分析 . 北京林业大学学报, 2008, 30(supp.2): 211-214.
    [17] 陈丽华, 刘秀萍, 宋维峰, 张超波.  刺槐林边坡稳定性有限元分析 . 北京林业大学学报, 2008, 30(supp.2): 206-210.
    [18] 张川红, 郑勇奇, 刘宁, 宗亦尘, 焦明, 郭慧玲.  刺槐对乡土植被的入侵与影响 . 北京林业大学学报, 2008, 30(3): 18-23.
    [19] 魏潇潇, 殷亚方, 张璧光, 王费新, 郑小贤, 杨平, 胡万良, 黄荣凤, 何亚平, 袁怀文, 张莉俊, 吴彩燕, 颜绍馗, 白岗栓, 张洪江, 胡胜华, 王芳, 毛俊娟, 秦爱光, 李瑞, 高黎, 周永学, 刘杏娥, 邓小文, 李猛, 王正, 张克斌, 崔赛华, 张岩, 刘燕, 赵天忠, 王小青, 罗晓芳, 孙向阳, 戴思兰, 王胜华, 谭学仁, 常旭, 乔建平, NagaoHirofumi, 王兆印, 杜社妮, 汪思龙, 费世民, 樊军锋, 王晓欢, 江泽慧, 刘云芳, KatoHideo, 高荣孚, 江玉林, 王海燕, 张双保, 李华, 范冰, 孔祥文, 徐嘉, , 韩士杰, 龚月桦, 张旭, 张占雄, 陈放, 李昀, 李媛良, 杨培华, 刘秀英, 丁磊, 陈秀明, 侯喜录, IdoHirofumi, 常亮, , 陈宗伟, 郭树花, 任海青, 李晓峰, 陈学平, 蒋俊明, 徐庆祥, 李考学, 费本华, , 张桂兰, , 薛岩, 高建社, 张代贵, 李雪峰, 涂代伦, 刘永红, 续九如, , 金鑫, 王晓东, , 丁国权, , 张红丽, .  农杆菌介导转录因子DREB1C基因转化速生型刺槐的研究 . 北京林业大学学报, 2007, 29(6): 29-34.
    [20] 李世东, 时尽书, 孙晓梅, 徐双民, 潘存德, 张宇清, 金小娟, 窦军霞, 张冰玉, 谭伟, 翟明普, 王玉杰, 颜容, 吕建雄, 胡晓丽, 范丙友, 李绍才, 肖生春, 南海龙, 朱教君, 陈文汇, 李发东, 杨振德, 高峻, 肖洪浪, 师瑞峰, 王云琦, 胡诗宇, 张守攻, 朱清科, 刘红霞, 三乃, 张一平, 李建章, 康宏樟, 田小青, 孙海龙, 苏晓华, 谢益民, 周春江, 韩海荣, 冯仲科, 孟平, 刘俊昌, 宋献方, 骆秀琴, 齐实, 赵博光, 李义良, 李智辉, 杨志荣, 周文瑞, 蒋佳荔, 王笑山, 蔡怀, 陆海, 吴斌, 赵双菊, 张雁, 齐实, 马钦彦, 姜伟, 刘昌明, 岳良松, 朱金兆, 姚山, 蒲俊文, 于静洁, 伊力塔, 宋清海, 葛颂, 张岩, 齐力旺, 张劲松, 张永安, 蒋湘宁, 赵有科, 何磊, 张德荣, 吴庆利, 康峰峰, 刘元, 杨聪, 褚建民, 石丽萍, 吕守芳, 马超德, 崔保山, 曲良建, 刘鑫宇, 朱林峰, 王建华, 王玉珠, 刘相超, 田颖川, 胡堃, 唐常源.  小钻杨和刺槐根系养分吸收的动力学研究 . 北京林业大学学报, 2006, 28(2): 29-33.
  • 加载中
图(2) / 表 (4)
计量
  • 文章访问数:  291
  • HTML全文浏览量:  81
  • PDF下载量:  7
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-09-29
  • 修回日期:  2017-01-16
  • 刊出日期:  2017-05-01

不同地形校正方法对刺槐林遥感提取的影响

doi: 10.13332/j.1000-1522.20160309
    基金项目:

    国家自然科学基金项目 41271297

    作者简介:

    刘时城。主要研究方向:3S在水土保持中的应用。Email:xinongtudou@foxmail.com   地址:712100 陕西省咸阳市杨凌区西农路26号西北农林科技大学水土保持研究所

    通讯作者: 温仲明,博士,副研究员。主要研究方向:水土保持与生态恢复、功能生态学。Email:zmwen@ms.iswc.ac.cn   地址:同上
  • 中图分类号: S771

摘要: 刺槐是黄土丘陵区生态环境建设的主要乔木树种之一,而地形阴影是影响刺槐林遥感提取精度的重要因素。为研究不同地形校正方法对刺槐林分布信息提取的影响,以黄土丘陵区安塞县的刺槐人工林为例, 使用Cosine、SCS、Minnaert、C、SCS+C 5种校正方法对该地区2015年7月份的Landsat8 OLI影像进行地形校正,并采用基于样本、面向对象提取的方法对人工刺槐林的分布信息进行提取。最后对地形校正前后的影像进行视觉比较和回归分析,并对提取结果进行精度评估,从而比较不同地形校正方法对刺槐人工林分布信息提取的影响。结果表明:1) 5种地形校正方法削弱了遥感影像上地形阴影的视觉效果, 其中Cosine、SCS校正存在过度校正的现象。2) 5种地形校正方法使得各波段辐射亮度值的均值和方差较之前发生变化,且SCS+C校正符合预期效果。3) Minnaert、SCS+C及C校正降低了太阳入射角的余弦值cosi与影像各波段的辐射亮度值间的回归直线斜率m的绝对值及相关系数r的绝对值, Cosine、SCS校正使两参数在部分波段上变大。4) 5种地形校正方法都不同程度地降低刺槐提取的漏分误差,但Cosine校正后用户精度降低了2.47%;Minnaert、SCS+C及C校正均提高了用户者精度和生产者精度,以C校正的精度最高, 生产者精度提高了16.66%,用户精度提高了2.82%。5) 5种地形校正方法均提高了Kappa系数值,以C校正最高,Kappa系数值为0.76。本研究说明刺槐林遥感提取有必要进行地形校正,且应结合研究区的情况选择地形校正方法,这为黄土丘陵区刺槐信息提取时合适地形校正方法的选取提供了重要的依据。

English Abstract

刘时城, 温仲明, 陶宇, 朱朵菊, 张静, 曾鸿文. 不同地形校正方法对刺槐林遥感提取的影响[J]. 北京林业大学学报, 2017, 39(5): 25-33. doi: 10.13332/j.1000-1522.20160309
引用本文: 刘时城, 温仲明, 陶宇, 朱朵菊, 张静, 曾鸿文. 不同地形校正方法对刺槐林遥感提取的影响[J]. 北京林业大学学报, 2017, 39(5): 25-33. doi: 10.13332/j.1000-1522.20160309
LIU Shi-cheng, WEN Zhong-ming, TAO Yu, ZHU Duo-ju, ZHANG Jing, ZENG Hong-wen. Influence of different topographic correction methods on the remote sensing extraction of Robinia pseudoacacia distribution[J]. Journal of Beijing Forestry University, 2017, 39(5): 25-33. doi: 10.13332/j.1000-1522.20160309
Citation: LIU Shi-cheng, WEN Zhong-ming, TAO Yu, ZHU Duo-ju, ZHANG Jing, ZENG Hong-wen. Influence of different topographic correction methods on the remote sensing extraction of Robinia pseudoacacia distribution[J]. Journal of Beijing Forestry University, 2017, 39(5): 25-33. doi: 10.13332/j.1000-1522.20160309
  • 遥感技术是快速获取大尺度植被分布信息的有效手段[1-3]。但在山区或丘陵区,遥感技术获取信息的准确性与客观性受到部分因素的限制,其中地形起伏是制约地表信息提取精度的重要因素。受地形起伏的影响,遥感影像上存在明显的地形阴影[4],使得同种地物在阴、阳坡的波谱特征产生明显差异,出现“同物异谱、同谱异物”现象,导致在地物提取时错分和误分加剧[4]。在黄土丘陵区,由于水土流失严重,土壤受到强烈的侵蚀,地表呈现出支离破碎、千沟万壑的特点,地形环境更为复杂,对解译精度造成很大影响。刘咏梅等[5-6]在进行黄土高原丘陵沟壑区的坡耕地的遥感调查时,认为地形阴影影响地物调查的精度;傅伯杰等[7]在研究县域尺度的景观格局变化与驱动力时,也提到黄土高原丘陵沟壑区地形阴影加剧了“同物异谱、同谱异物”现象,但是都没有深入研究地形阴影的消除问题。

    消除地形阴影的影响可以通过地形校正来实现。地形校正,又称为“坡度坡向校正”[8],其目的是消除由地形引起的辐射亮度值差异即地形效应[4]。在国外的遥感著作中,梁顺林[9]和Jensen[8]都认为在复杂地形区域,地形校正是遥感信息提取的重要环节;在国内,高永年等[4]系统地总结了地形校正的理论,并且阐述了地形校正在遥感地物分类、反演等方面的运用。在与遥感相关应用研究中,Telillet-回归校正[10]、Cosine校正[10]、SCS校正[11]、C校正[10]、SCS+C校正[12]、Minnaert校正[13]等是最为常见的地形校正方法。根据段四波等[14]的研究分类,Telillet-回归校正和Minnaert校正是经验模型,Cosine校正和SCS校正是物理模型,C校正、SCS+C校正是半经验模型;这些方法在国内外得到了广泛应用[15-24]。鲍晨光等[15]在研究不同地形校正方法对森林生物量估测的影响时发现Minnaert模型能提高反演精度;董德进等[21]研究表明Teillet-回归校正后雷竹林地上部分生物量估算模型精度最高;穆悦等[24]研究发现地形校正对非波段比形式的植被指数效果较好。但目前为止,地形校正在黄土丘陵区植被遥感信息提取中却少有研究应用。黄土丘陵区的高程为181~2 810 m;地形起伏度高达923 m,起伏较大。由于Cosine校正、SCS校正、C校正、SCS+C校正、Minnaert校正皆属于基于DEM的地形校正模型[4],且理论上的假设充分[15],故本文选用这5种方法用于黄土丘陵区植被遥感信息提取的研究。

    刺槐(Robinia pseudoacacia)作为黄土高原生态环境建设的主要乔木树种之一, 在黄土丘陵区分布广泛[25]。本文以黄土高原的典型丘陵沟壑区安塞县为研究区,以该区刺槐人工林为提取对象,使用Cosine校正、SCS校正、C校正、SCS+C校正、Minnaert校正5种地形校正方法对安塞县的Landsat8 OLI影像进行校正,并采用基于样本的面向对象提取技术提取人工刺槐林分布信息,并对校正前后刺槐提取结果进行精度评价。本研究将为黄土丘陵区刺槐信息提取时地形校正方法的选取提供重要的依据。

    • 安塞县位于陕西省北部(图 1),属黄土高原腹地(108°51′44″~109°26′18″ E,36°30′45″~ 37°19′03″ N)[7]。县域总面积约为2 950.4 km2,地势西北高、东南低。地质结构上,它为鄂尔多斯台地的组成部分。该地区地貌类型主要为黄土梁涧、梁饰状黄土丘陵和沟谷阶地;境内坡面破碎,川道狭长、坡度陡峭、丘陵起伏、沟壑纵横交织,梁峁、梁涧、沟谷阶地遍布其中[26];相对高度200~300 m,为典型的丘陵沟壑区。植被类型属于暖温带落叶阔叶林向干草原过渡的森林草原区。原始植被现已无存,林木主要以天然次生林、人工林为主,灌木以蔷薇(Rosa multiflora)、沙棘(Hippophae rhamnoides)等居多,草被以蒿类等主[7];刺槐是该区主要的造林树种之一,在其境内广泛分布。安塞县的刺槐林为人工纯林,遵循严格的栽种间距,植被覆盖度在60%~80%之间。

      图  1  研究区位置

      Figure 1.  Location of research area

    • 采用ASTER GDEM数据。它是由美国国家航空航天局(NASA)与日本经济产业省(METI)合作发射的对地观测卫星Terra获取的ASTER近红外影像制作而成[27],空间分辨率为30 m。数据来源于中国科学院计算机网络信息中心国际科学数据镜像网站(http://www.gscloud.cn/sources)。本研究采用了4景ASTER GDEM数据:ASTGTM_N36E108Z、ASTGTM_N36E109Z、ASTGTM_N37E108Z和ASTGTM_N37E109Z。

    • 刺槐分布信息提取采用Landsat8 OLI影像数据。它由美国国家航空航天局(NASA)发射的Landsat8卫星OLI陆地成像仪获取[28]。数据来源于美国地质调查局(USGS)网站(http://glovis.usgs.gov/),产品级别为Level 1T。本研究采用2015年7月1日获取两景相邻且完全覆盖安塞县的无云影像:LC81270342015182LGN00和LC812703520151 82LGN00。根据刺槐分布的提取需要,本研究只选取了Landsat8 OLI中的第2~7波段,各波段的空间分辨率皆为30 m。

    • 地物样点数据的用途分两部分:作为刺槐分布提取的样本和用于验证提取结果精度。样本的数据采集在2015年7月9日至9月3日完成。时间段与影像的获取时间接近。使用手持GPS对地物进行定位,最后总共记录了229个样点,分布如图 1

      刺槐的提取,相当于刺槐地物和非刺槐地物的土地覆被分类,其验证点数必须足够多。基于多项式分布的样本容量理论,每类最小样本数超过51个[8]。本研究的点数据中,88个样本数据点用于刺槐的提取分类,141个点作为提取结果的验证样本。其中刺槐地物样本点皆采集于人工刺槐纯林,植被盖度在60%~80%之间,位于梁坡或峁坡的废弃坡耕地上。

    • 本次研究选用最常见的5种地形校正方法(表 1),这几种方法皆为基于DEM的地形校正模型。朗伯体假设认为任何波段的地表反射是等方向的[4]。根据朗伯体假设,这5个模型又可以分成两大类:朗伯体反射率模型和非朗伯体反射率模型。Cosine模型、SCS模型、C模型、SCS+C模型为朗伯体反射率模型,Minnaert模型则为非朗伯体反射率模型。

      表 1  5种地形校正方法

      Table 1.  Existing models for topographic correction

      序号
      No.
      类别
      Type
      校正模型
      Correction model
      公式
      Formula
      参考文献
      Reference
      1 朗伯体反射率模型
      Lambertian reflectance model
      Cosine [10]
      2 SCS [11]
      3 C [10]
      4 SCS+C [12]
      5 非朗伯体反射率模型
      Non-Lambertian reflectance model
      Minnaert [13]
      注:L为校正前影像的辐射亮度值;Lm为校正后影像的辐射亮度值;θ为太阳天顶角;i为太阳入射角;α为坡度角;c为经验参数;k为Minnaert常数;c值和k值的确定方法参见文献[4]。Notes: L is the radiance value of the uncorrected image; Lm is the radiance value of the corrected image; θ is the solar zenith angle; i is solar incident angle; α is the topographic slope angle; c is the wavelength-dependent adjustment coefficient; k is the Minnaert value; c and k are calculated according to the reference[4].
    • 面向对象提取是一种基于分割单元的分析方法。与传统的分类方法不同,它首先通过一定的分割方法对遥感影像进行分割,继而提取分割单元的特征,并对特征进行识别,从而完成分类[29]。近年来,关于面向对象提取的应用比较多[30-32]。刺槐的提取使用的是基于样本数据的面向对象提取方法(Example-based feature extraction)[33]。首先通过边缘分割与融合,得到大量的地物斑块; 导入地面真实地物点后,系统根据这些地物点识别相应的斑块,从而构建样本数据。每个样本数据具有各种光谱属性、纹理属性及几何属性。最后利用这些样本数据来进行斑块的分类提取。

    • 统一空间参考为WGS_1984_UTM_zone_49N。根据光谱辐射计算公式(3)对遥感数据进行定标[33],将影像的DN值转化为辐射亮度值,之后使用ENVI 5.1的快速大气校正模块[33](QUAC)进行大气校正。

      $$ L = G{\rm{DN + }}\mathit{O} $$ (1)

      式中:L为辐射亮度值,单位为W/(cm2·μm·sr);DN为传感器输出的量化值;G为标准单位的增益;O为标准单位的偏移。

      DEM需同遥感影像进行几何校正。由于DEM反映的是高程信息,难以寻找地物特征点,因此这里由DEM生成山体阴影,再借助它来进行配准[34]

    • 从影像头文件获取两景影像的太阳高度角和太阳方位角。借助于DEM数据,分别使用Cosine模型、SCS模型、Minnaert模型、C模型及SCS+C模型对遥感影像进行地形校正。校正的算法是基于ArcGIS 10.3使用Python语言自行开发,其中采用随机采样的方式在整个安塞县境内获得1 000个随机样点,用于计算模型中经验参数c和Minnaert常数k

    • 提取在ENVI 5.1中Feature Extraction模块[33]下完成。在影像的分割结果中导入实测的地物样本,得到刺槐样本单元数据,以此提取出整个安塞县的刺槐。通过多次试验比较,提取过程所采用的分割阈值(Scale level)为30,融合阈值(Merge level)为40。

    • 根据地面验证样本,计算刺槐提取精度的6个评价指标,包括生产者精度(Producer’s accuracy)、漏分误差(Omission)、用户精度(User’s accuracy)、错分误差(Commission)、Kappa系数(Kappa coefficient)[8, 35]。生产者精度,又称为“制图精度”,它表示相对于地面获得的实际资料中的任意一个随机样本,分类图上同一地点的分类结果与其相一致的条件概率。漏分误差是指对于地面观测的某种类别,在分类图上任取一个样本,其被错划分为其他不同类型的概率。因此生产者精度与漏分误差互补,即二者之和为1。用户精度是表示从分类结果中任取一个随机样本,其所具有的类型与地面实际类型相同的条件概率。错分误差则是指对于所分出的某一类型,任取一个样本,它与实际地面观测类型不同的概率。同样,用户精度与错分误差也是互补的。Kappa系数是测定两幅图之间的吻合度和精度的指标,能更为客观的评价分类质量。

    • 图 2为从安塞县影像中截取的小块样区,样区大小约为2.27 km×1.82 km。该样区位于安塞县朱家崾岘村,是一个东西走向的沟谷,沟谷的两侧有刺槐人工林。由于遥感影像获取时,沟两侧的坡面出现明暗差异,形成地形阴影。未校正影像(图 2a)中,沿着沟谷向下游延伸,右侧为阳坡,左侧为阴坡;阳坡明亮,阴坡出现阴影,而分别经过Cosine(图 2b)、SCS(图 2c)、Minnaert(图 2d)、C(图 2e)、SCS+C(图 2f)校正后的结果,地形阴影都被不同程度地消除了。这说明地形校正能消除地形阴影,减少地物因地形而造成的光谱差异。这5种地形校正的方法中,Cosine(图 2b)、SCS(图 2c)这两种方法虽然使得地形阴影得到了一定的消除,但是校正之后阳坡比原来的阴坡还暗,即“过度校正”[4]。而Minnaert(图 2d)、C(图 2e)、SCS+C(图 2f)3种方法校正后,阴阳两坡均一,说明这3种方法的校正效果要优于Cosine和SCS。

      图  2  相同区域的校正前后影像对比

      Figure 2.  Comparison of uncorrected images and corrected ones

    • 计算地形校正前后各波段辐射亮度值的均值与方差,见表 2。各种方法校正后,各波段的辐射亮度值的均值较原始影像有所增大,其中Cosine校正后各个波段的辐射亮度值的均值较原始影像差异最大,SCS+C校正后各波段的辐射亮度值的均值较原始影像差异最小。同时,Cosine校正和Minnaert校正后各个波段的辐射亮度值的方差较原始影像增大,SCS校正和C校正后在部分波段上增大,而SCS+C校正后则在所有波段上均减小。根据校正前后各波段辐射亮度值的均值和方差的变化,SCS+C校正符合影像校正的预期效果。

      表 2  地形校正前后各波段辐射亮度值的均值与方差

      Table 2.  Mean and variance of each bands' radiance in corrected and uncorrected images

      校正方法
      Correction method
      参数
      Parameter
      波段1
      Band 1
      波段2
      Band 2
      波段3
      Band 3
      波段4
      Band 4
      波段5
      Band 5
      波段6
      Band 6
      未校正Uncorrected 平均值Mean 60.94 55.74 45.27 73.88 15.55 3.73
      方差Variance 84.29 156.49 267.17 144.15 10.79 1.56
      Cosine 平均值Mean 64.99 59.29 47.99 78.72 16.51 3.95
      方差Variance 140.16 194.40 297.63 221.85 12.47 1.71
      SCS 平均值Mean 61.47 56.11 45.46 74.41 15.61 3.74
      方差Variance 113.37 170.65 271.14 173.28 10.64 1.53
      Minnaert 平均值Mean 63.41 59.70 50.47 77.62 16.92 4.19
      方差Variance 92.73 174.69 322.24 154.05 11.68 1.89
      C 平均值Mean 62.00 57.32 47.21 75.65 16.15 3.91
      方差Variance 83.38 157.01 279.26 143.89 10.61 1.63
      SCS+C 平均值Mean 60.94 55.75 45.31 73.87 15.55 3.73
      方差Variance 82.64 152.91 264.05 137.19 9.94 1.51
    • 对地形变量(cosi)和校正前后影像各波段的辐射亮度值进行回归分析,得到了回归拟合直线的斜率m和相关系数r(表 3)。mr的绝对值越小,意味着地形变量对各波段的辐射亮度值影响越小,校正效果越好。当m值或r值为负时,意味着出现了过度校正;负值越小,过度校正越严重。

      从总体上来看(表 3),5种校正方法校正后影像的各波段辐射亮度值与cosi拟合直线的斜率m较未校正的影像均有所减小;除了SCS+C校正外,其余的4种方法校正后,斜率m都成了负值。在出现负值的4种校正方法中,Cosine校正和SCS校正的斜率m的绝对值较大:Cosine校正中第1、2、4波段的斜率m的绝对值超过未校正影像相应波段的拟合斜率绝对值;而SCS校正中第1、4波段的斜率m的绝对值超过了原始影像的结果。这样就进一步表明Cosine校正和SCS校正存在着“过度校正”的现象。经过Minnaert校正和C校正后,各波段的辐射亮度值与cosi拟合直线的斜率m的绝对值均小于原始影像,这表明上述两种方法具有较好的校正效果;且C校正结果的斜率m的绝对值除第5波段外,均小于Minnaert校正相应的结果,说明C校正的效果要优于Minnaert的校正效果。SCS+C校正中除了第5波段外,其余的波段的辐射亮度值与cosi拟合直线的斜率m均为正值,说明SCS+C几乎不存在过度校正的问题;除了第4波段外,SCS+C校正后各波段的斜率m的绝对值都要小于前面的4种校正方法。C校正的校正效果与SCS+C校正最接近;虽然C校正在第1、2、3、5、6波段的斜率m绝对值都要大于SCS+C校正,但是它在第4波段的斜率m绝对值更小。这表明C校正在第四波段的校正效果要优于SCS+C校正。比较分析校正后影像的各波段辐射亮度值与cosi拟合直线的相关系数r值,同样可得上述结论。

      表 3  地形校正前后cosi与各波段的辐射亮度值的回归参数

      Table 3.  Regression model parameters between all bands' radiance and cosi of corrected and uncorrected images

      校正方法
      Correction method
      回归参数
      Regression model parameter
      波段1
      Band 1
      波段2
      Band 2
      波段3
      Band 3
      波段4
      Band 4
      波段5
      Band 5
      波段6
      Band 6
      未校正Uncorrected m 18.27 27.46 31.44 37.54 10.71 2.98
      r 0.18 0.20 0.18 0.28 0.31 0.22
      Cosine m -55.71 -36.71 -14.68 -62.17 -7.08 -0.82
      r -0.45 -0.26 -0.08 -0.40 -0.20 -0.06
      SCS m -40.17 -23.90 -6.13 -42.33 -3.77 -0.15
      r -0.35 -0.17 -0.03 -0.30 -0.11 -0.01
      Minnaert m -9.04 -8.03 -7.53 -3.61 -1.45 -0.60
      r -0.08 -0.06 -0.04 -0.03 -0.04 -0.04
      C m -2.41 -3.18 -4.54 -1.36 -1.60 -0.58
      r -0.02 -0.02 -0.02 -0.01 -0.05 -0.04
      SCS+C m 0.32 1.06 0.58 4.09 0.24 -0.04
      r 0.00 0.01 0.00 0.03 0.01 0.00
      注:m表示斜率,r表示相关系数。Notes: m means slope, r means correlation coefficient.
    • 为比较各种方法的精度,这里使用野外实测的验证点来评估提取结果。如表 4,校正后的生产者精度较未校正有提升,其中生产者精度最高的是C校正和SCS+C校正,精度皆为83.33%,较原始影像提高了16.66%,表明很多因地形阴影未提取的刺槐信息在这两种方法校正后都被重新提取;SCS校正、Minnaert校正、C校正、SCS+C校正的用户精度有了较大的提高,表明这4种校正方法有效的降低了刺槐错分误差;Cosine校正反而低于原始影像的精度,这说明Cosine校正使得更多的非刺槐地物混入到了分类结果中。校正后Kappa系数均有所提高,说明地形校正能够提高刺槐分布信息提取精度;C校正后,Kappa系数最高,表明C校正后刺槐分布信息提取的精度最高。综合比较,整体校正效果最好的是C校正,其次是SCS+C校正或Minnaert校正、SCS校正,而Cosine校正在局部加大了错分误差。

      表 4  校正前后的刺槐提取结果的精度比较

      Table 4.  Comparison in the extracted results' accuracy of R. pseudoacacia with corrected and uncorrected images

      校正方法
      Correction method
      生产者精度
      Producer’s accuracy/%
      漏分误差
      Omission/%
      用户精度
      User’s accuracy/%
      错分误差
      Commission/%
      Kappa系数
      Kappa coefficient
      未校正Uncorrected 66.67 33.33 83.72 16.28 0.61
      Cosine 72.22 27.78 81.25 18.75 0.64
      SCS 77.78 22.22 85.71 14.29 0.71
      Minnaert 81.48 18.52 86.27 13.73 0.75
      C 83.33 16.67 86.54 13.46 0.76
      SCS+C 83.33 16.67 84.90 15.10 0.71
    • 植被的提取主要依靠于光谱性质, 而相同植被的异谱现象会给其提取带来干扰[4]。地形校正消除了因地形因素而导致的光谱差异,使得同种植被的光谱趋于一致,从而减少了植被的错分和漏分。本研究使用Cosine、SCS、Minnaert、C、SCS+C 5种地形校正方法对安塞县的遥感影像进行校正, 校正后阴阳坡的辐射亮度值发生了变化:阳坡的辐射亮度值降低,阴坡的辐射亮度值升高。在面向对象提取的过程中,刺槐在不同地形条件下的光谱差异减小,因此刺槐提取的精度几乎都有不同程度的提高,且校正后Kappa系数均变大,表明地形校正提高了黄土丘陵区刺槐信息提取的精度。

    • 很多研究对地形校正方法进行分析比较[15-24, 36],但研究对象与研究区地形状况差异也影响各种方法的校正效果。本研究Cosine校正和SCS校正未引入经验参数,因此在大面积的刺槐提取时计算效率更高,但是这两种方法均出现较严重的过度校正的现象,这与前人的研究结果一致[15, 18, 36];其中Cosine校正甚至使结果中地物错分加剧。这两种基于地表朗伯体假设的方法忽略了散射辐射,使得某些波段的光谱值变化太大[36],故使用这两种方法时需慎重。Minnaert校正、SCS+C校正以及C校正皆涉及用离散样本求解经验参数的繁琐过程,但在刺槐信息提取时都表现出较高的精度,同时减小了漏分误差和错分误差。Minnaert校正和C校正出现轻微的“过度校正”现象,这是因为黄土丘陵区存在较多的细小破碎的黄土断崖,坡度大,造成过度校正;而SCS+C校正则没有“过度校正”的现象。SCS+C校正较C校正,生产者精度相当,但用户精度稍低。这说明SCS+C校正会将更多的其他类型地物误识别为刺槐。该现象的产生与本研究中的特殊地物类型有关。比较回归分析的结果(表 2),可发现C校正在第4波段的斜率m和相关系数r的绝对值要小于SCS+C校正的相应波段的斜率m和相关系数r的绝对值,说明在第4波段C校正的校正效果更好。而此波段,即Landsat8 OLI的第5波段,是近红外波段(NIR)。该波段对植被比较敏感,并且在植被区产生强烈地反射[37]。刺槐作为一种阔叶乔木,在正值生长茂盛的7月份,会强烈地反射近红外波段。因此,C校正在第4波段上的良好表现,才使得其在用户精度方面超越SCS+C校正。Minnaert校正作为本研究中唯一的非朗伯体反射率模型,效果较好,但是精度方面都低于C校正;这与黄土丘陵区复杂的地形以及刺槐分布的斑块破碎有关。在这5种方法中,C校正的生产者精度和用户精度均最大,故被认为是此次提取刺槐分布中精度最高的的地形校正方法。

    • 由于高精度大尺度的DEM难以获取,本研究使用空间分辨率为30 m的ASTER GDEM数据,这在刻画黄土丘陵区复杂地形时存在一定的不足,可能会影响到地形校正的效果,这需在以后研究中进一步探讨。另外,本研究中经验参数的求取采用是简单随机抽样,这也限制了地形校正的精度,因此以后研究中可引入分坡度等级[38]获得经验参数。

参考文献 (38)

目录

    /

    返回文章
    返回