论文部分内容阅读
摘 要 速生桉人工林具有生長速度快、轮伐周期短的特点，大量、单一的速生桉种植给水源地的水土保持及生物多样性带来潜在威胁。为加强饮用水水源保护区环境管理，开展了面向水源地保护的地块尺度桉树遥感识别方法研究。以广西南宁市重要饮用水保护区——大王滩水库为对象，基于高分一号16 m分辨率影像提取库区水域信息和边界，进而向外缓冲500 m获得研究区范围；然后以谷歌高分辨率影像为数据源，利用人机交互方法获取研究区内的精细地块信息；最后结合多时相中分遥感影像计算地块的多维光谱特征，并利用基于地块的面向对象分类方法提取桉树、其他林地、耕地、建设用地等土地覆盖信息。结果表明，基于地块尺度的桉树识别方法能够获得较好的提取效果，总体分类精度为90.24 %，Kappa系数为0.88，其中桉树识别的用户精度及生产者精度分别达到94.87 %和97.37 %，能够满足应用需求。研究发现桉树种植面积高达4 960.03 hm2，占研究区面积的35.02 %，面积比例远高于其他树种，可能对水源区生态环境带来不利影响，建议有关部门加强对水源区桉树种植及砍伐的管控，确保饮用水保护区的生态环境质量。
关键词 水源保护区 ；桉树 ；地块尺度 ；遥感识别
中图分类号 S792.39
Analysis on the Remote Sensing Identification of Spot Scale Eucalyptus for Drinking Water Source Protection
ZENG Zhikang XIE Guoxue HUANG Qiting ZHANG Jiamei MA Canda
（Agricultural Science and Technology Information Research Institute， Guangxi Academy of Agricultural Sciences， Nanning， Guangxi 530007）
Abstract The fast-growing Eucalyptus had high growth rate and short cutting period， the large-scale eucalyptus plantation threatened the biodiversity， soil and water conservation of water reservation area.In order to facilitate the environmental management of water reservation areas， this paper analyzed the remote sensing identification of spot scale Eucalyptus for drinking water source protection. The Dawangtan Reservoir，one of the most important drinking water conservation areas in Nanning was chosen as the study object in this paper. The water area of reservoir was extracted by 16 m GF-1 image， a 500 m-width buffered area surrounding the water-body was made and served as study area. Based on the Google’s high-resolution imagery， the land information were produced by human-computer interaction. The multi-dimensional spectral features of land was calculated by multi-temporal mid-resolution images. The eucalyptus， woodland， cultivated land and construction land were identified by the object-oriented classification method. The results showed that the remote sensing identification of spot scale Eucalyptus had better extraction effect， the overall accuracy was 90.24%， the Kappa coefficient was 0.88. The user and producer accuracies of Eucalyptus identification reached 94.87% and 97.37%， this could adequately meet the application needs. The planting area of eucalyptus reached 4 960.03 hm2， accounted for 35.02% of the study area，which was much larger than other trees. Considering the worse effect on the environment of water reservation area，it was suggested that management departments should strictly regulate the planting and deforestation of Eucalyptus in order to ensure the environmental quality of drinking water protection area. Key words Water reservation area ； Eucalyptus robusta Smith ； spot scale ； remote sensing identification
桉树（Eucalyptus robusta Smith）属桃金娘科桉属植物，原产于澳大利亚，具有生长速度快、易于种植及抗逆性强等特点，是目前砍伐期最短的人工林树种之一[1]，已被100多个国家和地区引种和栽培[2]。中国桉树种植面积广泛，据2013年有关数据统计，全国桉树人工林的面积达450万hm2[3]，主要分布于广西、广东、福建、海南等热带亚热带地区，其中以广西种植面积最大[4]。近年来，不少农户为了追求经济效益，炼山种植和耕地种植桉树的现象频发，由此导致的水土流失、树种单一化及药肥过量施用的问题较为突出，给生态环境造成不利影响，尤其对水源保护区的水质安全带来较大隐患。为此，及时、准确地掌握水源区的桉树种植面积具有重要意义。
目前，国内外学者在森林树种遥感识别方面已经取得不少研究成果。Engler等[5]利用高分辨率航空影像和地形气候数据相结合，通过多种建模方法实现了瑞士东部3种阔叶树及3种针叶树的面积监测；Christopher等[6]基于TM影像利用监督分类方法对海地的森林类型进行了监测发现：海地森林覆盖率约为32.3 %；伍静[7]基于TM影像分别利用支持向量机、BP神经网络、决策树等多种分类方法对桉树面积进行了提取；蔡耀君[8]基于RapidEye遥感影像利用面向对象技术与知识规则创建分类方法提取了广西国有高峰林场桉树种植信息，提取精度为82.12 %；梁文海等[9]以高分二号影像为数据源，提取了广西横县平朗乡桉树种植信息，用户精度和生产者精度分别为81.4 %和86.4 %。现有研究主要为单一时相及数据源的像素级遥感分类，其遥感识别结果在几何与属性精度上仍存在诸多不足，而基于多源卫星数据对水源保护区进行地块尺度桉树信息遥感监测的研究更为鲜见。笔者将低频高分辨影像与高频中分辨率影像结合，通过影像分割及少量人工修正的方法识别土地覆盖地块边界，在地块基础上利用面向对象分类方法提取了广西南宁市大王滩水库饮用水保护区桉树种植地块信息，为有关部门提供准确的桉树种植数据，同时为水源保护区桉树种植信息监测提供技术参考。
1 研究区概况与数据源
1.1 研究区概况
大王滩水库是珠江水系郁江支流八尺江中游的一座大（Ⅱ）型水库，库区横跨广西南宁市良庆区和江南区，坝址位于那马镇，地处东经108°00′～108°23′，北纬22°09′～22°40′，距南宁市中心28 km。《南宁市市区饮用水水源保护区划定方案》在2014年4月22日通过批复，正式将大王滩水库列入饮用水水源保护区。现以取水口上溯至那元河、八尺江和滑石江水域段在正常水位情况下，向陆地区域缓冲500 m的范围为研究区。
1.2 数据来源
以高频中分辨率影像和低频高分辨率影像搭配使用为数据源，高分辨率影像来源于谷歌地球，获取时间为2016年3月6日，包括红、绿、蓝3个波段信息，该影像缺乏近红外波段不利于桉树种植信息提取，但具有较高的空间分辨率十分适用于地块边界提取。中分辨率影像采用高分一号（GF-1）16 m分辨率的多光谱影像，具有重访周期短（2 d）、质量优、无偿共享等优势，被广泛应用于作物识别、灾害监测、变化监测等领域。数据信息详情见表1。
1.3 解译标志
利用美国天宝JUNO 3B定位仪进行外业定位，在ArcGIS平台上加载研究区谷歌地球影像，利用平台GPS功能连接定位仪，实现谷歌影像上显示卫星实时定位位置（类似地图导航功能），通过实地与影像对比采集地物解译标志，采集地物包括桉树、耕地、其他林地、建设用地、其他用地、水域，共采集906个解译标志，分别均匀选取每个地物的30个解译标志点落在的地块作为分类样本，其余解译标志用于分类参考及精度评价。
2 桉树信息提取技术方法
2.1 影像处理
以谷歌影像为基准（WGS-84坐标系），分2部分完成影像处理工作，首先利用ERDAS2014软件平台的区域网平差功能对传感器类型为WFV3的高分影像进行正射校正，其次以校正无误的影像为参考影像，利用ENVI5.3平台的自动纠正模块，完成其余影像的处理。区域网平差精度要求平坦区域及丘陵地区每个控制点误差分别不大于0.5、1.0，影像整体误差不大于1.0，每景影像控制点选取数量不少于40个，重叠区域控制点数不少于8个，且所有控制点均匀分布。ENVI影像自动纠正过程中连接点匹配度阈值最小设置为0.6，连接点误差阈值最大设置为3，连接点总误差小于2，自动匹配连接点数不少于60个。区域网平差能够批量完成具有重叠影像的预处理，有效解决被校正影像因单独处理存在影像偏移问题；自动纠正模块能够在无控制点的条件下完成影像处理，不仅实现相同卫星影像的无偏差校正，且节约人工选点的大量时间。
2.2 桉树信息提取
根据研究区植被特性，基于多时期影像特征利用面向地块对象的分类方法提取了桉树、其他林地、耕地、道路、建设用地和其他用地地类信息，技术路线见图1。包括研究区提取、剔除干扰、地块生产、桉树提取4大部分。分类过程中应用了eCognition9.0和ARCGIS10.32個软件平台。
2.2.1 研究区提取
以2017年4月1日采集的GF-1卫星影像为基准，利用多尺度分割算法（尺度为10）形成对象，进而利用该影像构建归一化水指数（Normalized Difference Water Index，NDWI），联合影像亮度指标（Brightness）提取研究区水体。通过条件筛选确定面积最大的图斑为库区水体面域，经过圆滑算法处理及缓冲区处理（缓冲距离500 m）形成研究区范围。 2.2.2 剔除干扰
以所有的影像为数据源，基于研究区矢量范围利用棋盘分割算法生成研究区大对象，再应用多尺度分割算法（尺度为10）生成更小对象，根据GF-1影像（2016年10月7日）的亮度特征及建立的归一化植被指数（Normalized Difference Vegetation Index，NDVI）提取道路和建设用地信息，通过合并与输出处理形成2大类信息，分别为道路与建设用地信息、其他用地信息。
2.2.3 地块生产
地块生产的目的在于形成精细且完整的地块信息，能够有效避免分割算法存在对象过度分割及分割尺度不足等问题，是提取桉树信息的基础。谷歌影像具有空间分辨率高、地物边界清晰等特点，较适用于地块生产，为此以谷歌影像为基底，基于其他用地、道路与建设用地信息利用棋盘分割算法形成其他用地对象、道路与建设用地对象，再利用多尺度分割算法进一步分割形成更小的对象，其中其他用地分割尺度为30，道路与建设用地分割尺度为26。以多尺度分割形成的对象为基础，在ARCGIS10.3平台中利用合并、圆滑模型进行初步处理，进而通过技术人员手工进行少量的修正形成地块矢量数据。在进行地块数据拓扑检验无误后，利用重分类技术完成属性的批量录入，形成符合要求的地块数据。虽然人机交互方法生产地块数据消耗较长时间，但有利于提高分类精度，同时该数据具有较高的可重复利用性，为变化检测与更新、树龄监测、土地利用等应用提供基础数据。
2.3 桉树提取
2017年1月22日属于寒冷季节，部分植被处于落叶或者收获时期，该时期获取的影像可用于区分植被信息和非植被信息，但未收割农作物易归类为植被区。植被在2017年4月1日已进入生长阶段，林地生长茂盛，但农作物（耕地）、草地等尚未进入生长最旺盛期，获取对应时间的影像有利于提取生长茂盛植被区和稀疏植被区，尤其对于识别农作物具有敏感性。综上所述，综合利用2个时期影像可识别植被区和非植被区（包括稀疏植被、未种植或生长初期农作物等），为此分别基于两个时相的NDVI，在其他用地地块基础上，利用NDVI阈值提取非植被区和植被区。研究区绝大部分林地属于常绿植被，桉树与其他树种难以通过少量的特征阈值进行区分，针对此情况采用基于多时序影像特征（波段均值、亮度和自定义特征）的面向地块对象的支持向量机（Support Vector Machine，SVM）分类方法提取桉树、农作物、其他林地和其他用地信息[10]。自定义特征包括多期高分影像的NDVI及谷歌影像的波段比率（蓝光波段比率、绿光波段比率和红光波段比率），虽然谷歌影像无近红外波段信息，但清晰的纹理信息对于识别桉树具有重要作用。多时序影像特征是识别地物类型的重要指标，不同时相的NDVI有效反映了地物不同时期的生长特性，基于多时序影像特征提取地物信息具有更高精度的优势。
3 结果与分析
3.1 基础地块
地块数据是土地利用调查、作物信息提取、变化检测等应用的基础数据，地块生产不仅实现了成果的精细化，且保证具有相同属性的对象形成完整的对象，有效解决分割不足的问题。谷歌影像具有高分辨率的优势，清晰呈现不同地块的边界信息，通过多尺度分割算法及少量人工修正，可快速生产地块信息，分割算法及人机交互生产地块的成果对比效果见图2。从图2中显示：分割尺度为10的存在分割多度现象，相反采用尺度为100进行分割出现分割不足的情况，利用人机交互方法生产的地块更符合使用要求。
3.2 分类成果
不同地物在不同时期的影像特征是地类识别的重要指标。本研究在地块信息的基础上，利用多分辨率及多时期影像搭配构建不同地物信息的影像特征，基于多时序影像特征利用面向对象分类方法提取了桉树、其他林地、耕地、道路、建设用地和其他用地信息，分类成果见图3。经分类结果统计可知研究区面积为14 164.47 hm2，其中桉树、其他林地、耕地、建设工地、其他用地、道路、水域面积分别为4 960.03、3 443.77、2 079.88、169.36、84.98、20.55、3 405.90 hm2，桉树种植面积占研究区的35.02 %，种植面积远多于其他树种，对于水源区保护极其不利。
3.3 精度分析
随机抽取6类地物解译标志点落在的分类地块进行精度评价（分类样本除外），其中桉树、其他林地、耕地、建设工地、道路、其他用地分别抽取78、36、28、36、26、42个地块，依据验证结果构建混淆矩阵评价分类精度，评价结果见表2。表中每一行表示对应地物分类正确情况，总和表示该类被用于检验地块总数，用户精度即分类正确个数与总和之比；每一列表示不同地物被判别为该类的个数，总和表示为判别为该类的累计个数，制图精度为分类正确个数与累计和之比。表2中对角线表示地类正确分类的地块个数，对角线个数累计和与被验证地块总数之比即为总体分类精度，根据混淆矩阵利用Kappa系数计算其值。
总体分类精度、Kappa系数、制图精度与用户精度是评价分类质量优劣的重要指标[11]，其中前两者是反映分类成果的整体质量，后两者是评价某一个具体类别（如桉树）的分类精度，四者值越高表明精度越高。通常Kappa系数≥0.8说明分类结果达到极好等级[12]。表2显示Kappa系数为0.88，表明了总体分类质量极好，达到应用的要求。表2显示，桉树信息的用户精度和生产精度最高，滿足精度要求，但仍存在错分的现象，主要原因在于桉树与其他树种混合种植，导致少量桉树信息错分为其他林地，同理其他林地也出现了错分为桉树信息的现象。耕地与其他用地分类精度较低，两者被互相错分现象明显，主要根源在于耕地包括种植农作物地块和完成收割地块，其中农作物生长较差、已收割农作物地块易与其他用地混淆，出现错分现象，反之其他用地出现错分为耕地的情况。虽然不同地物分类精度存在差异，但表2中分类精度结果说明了以多时序影像为数据源，基于多时序影像特征的面向地块对象分类方法提取桉树信息确实可行。 4 讨论
桉树是世界三大快速生长树种之一，具有生长快、适应强、高效益等特性。近年来，中国南方地区推广种植速度极快，带来了巨大效益的同时也产生了一系列生态问题，快速准确监测桉树种植面积对于保护环境及促进林业发展具有重要意义。本研究与梁文海[9]、牟智慧[13]、王学成[14]等学者具有一致观点，即利用面向对象分类方法提取桉树种植信息确实可行，但与之相比分类精度更高，且使用的数据源及规则分类存在较大差异。一方面，本研究使用低频高分辨影像与高频中分辨率影像搭配方式，影像资源更具丰富性，改变了以上学者利用单期影像提取桉树的模式，有利于提高分类精度；另一方面，以上学者直接利用分割方法形成对象，在此基础上进行分类，但文章在实践过程中通过人机交互方式生产了基础地块信息，再利用面向地块对象分类方法实现地物提取，不仅有效避免了对象分割过碎与分割不足的现象，且完整的地块信息是提高成果精度的基础，同时生产的地块信息具有高重复利用性，可作为变化检测、土地利用调查、树龄监测等应用的基础数据。综上所述，本研究技术方法不仅分类精度高，且对于桉树信息提取具有参考价值，但地块生产仍需投入较多的人工修正，未能达到预期高效化的目标，后期需要攻克地块生产技术，减少时间和人力成本。
5 总结
水源区桉树种植信息监测是有关部门急需解决的问题，为了巩固水源保护区生态环境安全，及时准确掌握桉树种植信息，笔者以多星多时期遥感影像为数据源，通过人机交互方法生产了基础地块数据，基于多时序影像特征利用面向地块对象分类方法提取了桉树、其他林地、耕地、建设用地、道路和其他用地信息，分类质量达到极好等级，不仅为有关部门提供了可靠数据，且生产的地块信息具有高重复利用性。本研究成果表明大王滩水库水源保护区种植大量桉树，占了整个区域面积的35.02 %，建议有关部门严控水源区桉树砍伐，加强水源区保护的力度。本研究的技术方法具有较好的普适性，可推广应用于南方丘陵地区桉树提取，对于桉树信息监测具有重要意义。
参考文献
[1] 付 晓，王雪军，韩爱惠，等. 纸浆源地桉树资源遥感动态监测与分析[J]. 北京林业大学学报，2008，30（S1）：89-93.
[2] 黎 洁，温 亚，何 蓉，等. 桉树种植的现状、生态问题与可持续发展对策研究[J]. 绿色科技，2017（2）：94-97.
[3] 陈少雄，陈小菲. 我国桉树经营的技术问题与思考[J]. 桉树科技，2013，30（3）：52-59.
[4] 李志辉，杨民胜，陈少雄，等. 桉树引种栽培区区划研究[J]. 中南林学院学报，2000，20（3）：1-10.
[5] Engler R， Waser L T， Zimmermann N E， et al. Combining ensemble modeling and remote sensing for mapping individual tree species at high spatial resolution[J]. Forest Ecology and Management， 2013， 310（1）： 64-73.
[6] Christopher E， Churches Peter J. Wampler， Wanxiao Sun， et al. Evaluation of forest cover estimates for Haiti using supervised classification of Landsat data[J]. International Journal of Applied Earth Observation and Geoinformation， 2014， 30： 203-216.
[7] 伍 靜. 基于TM的速生桉遥感分类技术研究[D]. 南宁：广西大学，2014.
[8] 蔡耀君. 基于面向对象技术的RapidEye影像桉树林信息提取研究[D]. 南宁：广西师范学院，2015.
[9] 梁文海，刘吉凯，张 伟，等.基于面向对象方法的GF-2影像桉树林信息提取[J]. 浙江农林大学学报，2017，34（4）：721-729.
[10] 谢国雪，杨如军，李双青，等. 基于空间三维视角的无人机技术监测农林资源[J]. 亚热带资源与环境学报，2015，10（2）：84-90.
[11] 谢国雪. 无人机倾斜摄影系统的三维可视化应用研究[D]. 南宁：广西师范学院，2016.
[12] 覃泽林，谢国雪，李宇翔，等. 多时相高分一号影像在丘陵地区大宗农作物提取中的应用[J]. 南方农业学报，2017，48（1）：181-188.
[13] 牟智慧，杨广斌. 基于TM影像面向对象的桉树信息提取[J]. 林业资源管理，2014（2）：119-125.
[14] 王学成，杨 飞. 基于面向对象分类方法的Rapideye桉树提取[J]. 桉树科技，2014，31（3）：10-16.
关键词 水源保护区 ；桉树 ；地块尺度 ；遥感识别
中图分类号 S792.39
Analysis on the Remote Sensing Identification of Spot Scale Eucalyptus for Drinking Water Source Protection
ZENG Zhikang XIE Guoxue HUANG Qiting ZHANG Jiamei MA Canda
（Agricultural Science and Technology Information Research Institute， Guangxi Academy of Agricultural Sciences， Nanning， Guangxi 530007）
Abstract The fast-growing Eucalyptus had high growth rate and short cutting period， the large-scale eucalyptus plantation threatened the biodiversity， soil and water conservation of water reservation area.In order to facilitate the environmental management of water reservation areas， this paper analyzed the remote sensing identification of spot scale Eucalyptus for drinking water source protection. The Dawangtan Reservoir，one of the most important drinking water conservation areas in Nanning was chosen as the study object in this paper. The water area of reservoir was extracted by 16 m GF-1 image， a 500 m-width buffered area surrounding the water-body was made and served as study area. Based on the Google’s high-resolution imagery， the land information were produced by human-computer interaction. The multi-dimensional spectral features of land was calculated by multi-temporal mid-resolution images. The eucalyptus， woodland， cultivated land and construction land were identified by the object-oriented classification method. The results showed that the remote sensing identification of spot scale Eucalyptus had better extraction effect， the overall accuracy was 90.24%， the Kappa coefficient was 0.88. The user and producer accuracies of Eucalyptus identification reached 94.87% and 97.37%， this could adequately meet the application needs. The planting area of eucalyptus reached 4 960.03 hm2， accounted for 35.02% of the study area，which was much larger than other trees. Considering the worse effect on the environment of water reservation area，it was suggested that management departments should strictly regulate the planting and deforestation of Eucalyptus in order to ensure the environmental quality of drinking water protection area. Key words Water reservation area ； Eucalyptus robusta Smith ； spot scale ； remote sensing identification
桉树（Eucalyptus robusta Smith）属桃金娘科桉属植物，原产于澳大利亚，具有生长速度快、易于种植及抗逆性强等特点，是目前砍伐期最短的人工林树种之一[1]，已被100多个国家和地区引种和栽培[2]。中国桉树种植面积广泛，据2013年有关数据统计，全国桉树人工林的面积达450万hm2[3]，主要分布于广西、广东、福建、海南等热带亚热带地区，其中以广西种植面积最大[4]。近年来，不少农户为了追求经济效益，炼山种植和耕地种植桉树的现象频发，由此导致的水土流失、树种单一化及药肥过量施用的问题较为突出，给生态环境造成不利影响，尤其对水源保护区的水质安全带来较大隐患。为此，及时、准确地掌握水源区的桉树种植面积具有重要意义。
目前，国内外学者在森林树种遥感识别方面已经取得不少研究成果。Engler等[5]利用高分辨率航空影像和地形气候数据相结合，通过多种建模方法实现了瑞士东部3种阔叶树及3种针叶树的面积监测；Christopher等[6]基于TM影像利用监督分类方法对海地的森林类型进行了监测发现：海地森林覆盖率约为32.3 %；伍静[7]基于TM影像分别利用支持向量机、BP神经网络、决策树等多种分类方法对桉树面积进行了提取；蔡耀君[8]基于RapidEye遥感影像利用面向对象技术与知识规则创建分类方法提取了广西国有高峰林场桉树种植信息，提取精度为82.12 %；梁文海等[9]以高分二号影像为数据源，提取了广西横县平朗乡桉树种植信息，用户精度和生产者精度分别为81.4 %和86.4 %。现有研究主要为单一时相及数据源的像素级遥感分类，其遥感识别结果在几何与属性精度上仍存在诸多不足，而基于多源卫星数据对水源保护区进行地块尺度桉树信息遥感监测的研究更为鲜见。笔者将低频高分辨影像与高频中分辨率影像结合，通过影像分割及少量人工修正的方法识别土地覆盖地块边界，在地块基础上利用面向对象分类方法提取了广西南宁市大王滩水库饮用水保护区桉树种植地块信息，为有关部门提供准确的桉树种植数据，同时为水源保护区桉树种植信息监测提供技术参考。
1 研究区概况与数据源
1.1 研究区概况
大王滩水库是珠江水系郁江支流八尺江中游的一座大（Ⅱ）型水库，库区横跨广西南宁市良庆区和江南区，坝址位于那马镇，地处东经108°00′～108°23′，北纬22°09′～22°40′，距南宁市中心28 km。《南宁市市区饮用水水源保护区划定方案》在2014年4月22日通过批复，正式将大王滩水库列入饮用水水源保护区。现以取水口上溯至那元河、八尺江和滑石江水域段在正常水位情况下，向陆地区域缓冲500 m的范围为研究区。
1.2 数据来源
以高频中分辨率影像和低频高分辨率影像搭配使用为数据源，高分辨率影像来源于谷歌地球，获取时间为2016年3月6日，包括红、绿、蓝3个波段信息，该影像缺乏近红外波段不利于桉树种植信息提取，但具有较高的空间分辨率十分适用于地块边界提取。中分辨率影像采用高分一号（GF-1）16 m分辨率的多光谱影像，具有重访周期短（2 d）、质量优、无偿共享等优势，被广泛应用于作物识别、灾害监测、变化监测等领域。数据信息详情见表1。
1.3 解译标志
利用美国天宝JUNO 3B定位仪进行外业定位，在ArcGIS平台上加载研究区谷歌地球影像，利用平台GPS功能连接定位仪，实现谷歌影像上显示卫星实时定位位置（类似地图导航功能），通过实地与影像对比采集地物解译标志，采集地物包括桉树、耕地、其他林地、建设用地、其他用地、水域，共采集906个解译标志，分别均匀选取每个地物的30个解译标志点落在的地块作为分类样本，其余解译标志用于分类参考及精度评价。
2 桉树信息提取技术方法
2.1 影像处理
以谷歌影像为基准（WGS-84坐标系），分2部分完成影像处理工作，首先利用ERDAS2014软件平台的区域网平差功能对传感器类型为WFV3的高分影像进行正射校正，其次以校正无误的影像为参考影像，利用ENVI5.3平台的自动纠正模块，完成其余影像的处理。区域网平差精度要求平坦区域及丘陵地区每个控制点误差分别不大于0.5、1.0，影像整体误差不大于1.0，每景影像控制点选取数量不少于40个，重叠区域控制点数不少于8个，且所有控制点均匀分布。ENVI影像自动纠正过程中连接点匹配度阈值最小设置为0.6，连接点误差阈值最大设置为3，连接点总误差小于2，自动匹配连接点数不少于60个。区域网平差能够批量完成具有重叠影像的预处理，有效解决被校正影像因单独处理存在影像偏移问题；自动纠正模块能够在无控制点的条件下完成影像处理，不仅实现相同卫星影像的无偏差校正，且节约人工选点的大量时间。
2.2 桉树信息提取
根据研究区植被特性，基于多时期影像特征利用面向地块对象的分类方法提取了桉树、其他林地、耕地、道路、建设用地和其他用地地类信息，技术路线见图1。包括研究区提取、剔除干扰、地块生产、桉树提取4大部分。分类过程中应用了eCognition9.0和ARCGIS10.32個软件平台。
2.2.1 研究区提取
以2017年4月1日采集的GF-1卫星影像为基准，利用多尺度分割算法（尺度为10）形成对象，进而利用该影像构建归一化水指数（Normalized Difference Water Index，NDWI），联合影像亮度指标（Brightness）提取研究区水体。通过条件筛选确定面积最大的图斑为库区水体面域，经过圆滑算法处理及缓冲区处理（缓冲距离500 m）形成研究区范围。 2.2.2 剔除干扰
以所有的影像为数据源，基于研究区矢量范围利用棋盘分割算法生成研究区大对象，再应用多尺度分割算法（尺度为10）生成更小对象，根据GF-1影像（2016年10月7日）的亮度特征及建立的归一化植被指数（Normalized Difference Vegetation Index，NDVI）提取道路和建设用地信息，通过合并与输出处理形成2大类信息，分别为道路与建设用地信息、其他用地信息。
2.2.3 地块生产
地块生产的目的在于形成精细且完整的地块信息，能够有效避免分割算法存在对象过度分割及分割尺度不足等问题，是提取桉树信息的基础。谷歌影像具有空间分辨率高、地物边界清晰等特点，较适用于地块生产，为此以谷歌影像为基底，基于其他用地、道路与建设用地信息利用棋盘分割算法形成其他用地对象、道路与建设用地对象，再利用多尺度分割算法进一步分割形成更小的对象，其中其他用地分割尺度为30，道路与建设用地分割尺度为26。以多尺度分割形成的对象为基础，在ARCGIS10.3平台中利用合并、圆滑模型进行初步处理，进而通过技术人员手工进行少量的修正形成地块矢量数据。在进行地块数据拓扑检验无误后，利用重分类技术完成属性的批量录入，形成符合要求的地块数据。虽然人机交互方法生产地块数据消耗较长时间，但有利于提高分类精度，同时该数据具有较高的可重复利用性，为变化检测与更新、树龄监测、土地利用等应用提供基础数据。
2.3 桉树提取
2017年1月22日属于寒冷季节，部分植被处于落叶或者收获时期，该时期获取的影像可用于区分植被信息和非植被信息，但未收割农作物易归类为植被区。植被在2017年4月1日已进入生长阶段，林地生长茂盛，但农作物（耕地）、草地等尚未进入生长最旺盛期，获取对应时间的影像有利于提取生长茂盛植被区和稀疏植被区，尤其对于识别农作物具有敏感性。综上所述，综合利用2个时期影像可识别植被区和非植被区（包括稀疏植被、未种植或生长初期农作物等），为此分别基于两个时相的NDVI，在其他用地地块基础上，利用NDVI阈值提取非植被区和植被区。研究区绝大部分林地属于常绿植被，桉树与其他树种难以通过少量的特征阈值进行区分，针对此情况采用基于多时序影像特征（波段均值、亮度和自定义特征）的面向地块对象的支持向量机（Support Vector Machine，SVM）分类方法提取桉树、农作物、其他林地和其他用地信息[10]。自定义特征包括多期高分影像的NDVI及谷歌影像的波段比率（蓝光波段比率、绿光波段比率和红光波段比率），虽然谷歌影像无近红外波段信息，但清晰的纹理信息对于识别桉树具有重要作用。多时序影像特征是识别地物类型的重要指标，不同时相的NDVI有效反映了地物不同时期的生长特性，基于多时序影像特征提取地物信息具有更高精度的优势。
3 结果与分析
3.1 基础地块
地块数据是土地利用调查、作物信息提取、变化检测等应用的基础数据，地块生产不仅实现了成果的精细化，且保证具有相同属性的对象形成完整的对象，有效解决分割不足的问题。谷歌影像具有高分辨率的优势，清晰呈现不同地块的边界信息，通过多尺度分割算法及少量人工修正，可快速生产地块信息，分割算法及人机交互生产地块的成果对比效果见图2。从图2中显示：分割尺度为10的存在分割多度现象，相反采用尺度为100进行分割出现分割不足的情况，利用人机交互方法生产的地块更符合使用要求。
3.2 分类成果
不同地物在不同时期的影像特征是地类识别的重要指标。本研究在地块信息的基础上，利用多分辨率及多时期影像搭配构建不同地物信息的影像特征，基于多时序影像特征利用面向对象分类方法提取了桉树、其他林地、耕地、道路、建设用地和其他用地信息，分类成果见图3。经分类结果统计可知研究区面积为14 164.47 hm2，其中桉树、其他林地、耕地、建设工地、其他用地、道路、水域面积分别为4 960.03、3 443.77、2 079.88、169.36、84.98、20.55、3 405.90 hm2，桉树种植面积占研究区的35.02 %，种植面积远多于其他树种，对于水源区保护极其不利。
3.3 精度分析
随机抽取6类地物解译标志点落在的分类地块进行精度评价（分类样本除外），其中桉树、其他林地、耕地、建设工地、道路、其他用地分别抽取78、36、28、36、26、42个地块，依据验证结果构建混淆矩阵评价分类精度，评价结果见表2。表中每一行表示对应地物分类正确情况，总和表示该类被用于检验地块总数，用户精度即分类正确个数与总和之比；每一列表示不同地物被判别为该类的个数，总和表示为判别为该类的累计个数，制图精度为分类正确个数与累计和之比。表2中对角线表示地类正确分类的地块个数，对角线个数累计和与被验证地块总数之比即为总体分类精度，根据混淆矩阵利用Kappa系数计算其值。
总体分类精度、Kappa系数、制图精度与用户精度是评价分类质量优劣的重要指标[11]，其中前两者是反映分类成果的整体质量，后两者是评价某一个具体类别（如桉树）的分类精度，四者值越高表明精度越高。通常Kappa系数≥0.8说明分类结果达到极好等级[12]。表2显示Kappa系数为0.88，表明了总体分类质量极好，达到应用的要求。表2显示，桉树信息的用户精度和生产精度最高，滿足精度要求，但仍存在错分的现象，主要原因在于桉树与其他树种混合种植，导致少量桉树信息错分为其他林地，同理其他林地也出现了错分为桉树信息的现象。耕地与其他用地分类精度较低，两者被互相错分现象明显，主要根源在于耕地包括种植农作物地块和完成收割地块，其中农作物生长较差、已收割农作物地块易与其他用地混淆，出现错分现象，反之其他用地出现错分为耕地的情况。虽然不同地物分类精度存在差异，但表2中分类精度结果说明了以多时序影像为数据源，基于多时序影像特征的面向地块对象分类方法提取桉树信息确实可行。 4 讨论
桉树是世界三大快速生长树种之一，具有生长快、适应强、高效益等特性。近年来，中国南方地区推广种植速度极快，带来了巨大效益的同时也产生了一系列生态问题，快速准确监测桉树种植面积对于保护环境及促进林业发展具有重要意义。本研究与梁文海[9]、牟智慧[13]、王学成[14]等学者具有一致观点，即利用面向对象分类方法提取桉树种植信息确实可行，但与之相比分类精度更高，且使用的数据源及规则分类存在较大差异。一方面，本研究使用低频高分辨影像与高频中分辨率影像搭配方式，影像资源更具丰富性，改变了以上学者利用单期影像提取桉树的模式，有利于提高分类精度；另一方面，以上学者直接利用分割方法形成对象，在此基础上进行分类，但文章在实践过程中通过人机交互方式生产了基础地块信息，再利用面向地块对象分类方法实现地物提取，不仅有效避免了对象分割过碎与分割不足的现象，且完整的地块信息是提高成果精度的基础，同时生产的地块信息具有高重复利用性，可作为变化检测、土地利用调查、树龄监测等应用的基础数据。综上所述，本研究技术方法不仅分类精度高，且对于桉树信息提取具有参考价值，但地块生产仍需投入较多的人工修正，未能达到预期高效化的目标，后期需要攻克地块生产技术，减少时间和人力成本。
5 总结
水源区桉树种植信息监测是有关部门急需解决的问题，为了巩固水源保护区生态环境安全，及时准确掌握桉树种植信息，笔者以多星多时期遥感影像为数据源，通过人机交互方法生产了基础地块数据，基于多时序影像特征利用面向地块对象分类方法提取了桉树、其他林地、耕地、建设用地、道路和其他用地信息，分类质量达到极好等级，不仅为有关部门提供了可靠数据，且生产的地块信息具有高重复利用性。本研究成果表明大王滩水库水源保护区种植大量桉树，占了整个区域面积的35.02 %，建议有关部门严控水源区桉树砍伐，加强水源区保护的力度。本研究的技术方法具有较好的普适性，可推广应用于南方丘陵地区桉树提取，对于桉树信息监测具有重要意义。
参考文献
[1] 付 晓，王雪军，韩爱惠，等. 纸浆源地桉树资源遥感动态监测与分析[J]. 北京林业大学学报，2008，30（S1）：89-93.
[2] 黎 洁，温 亚，何 蓉，等. 桉树种植的现状、生态问题与可持续发展对策研究[J]. 绿色科技，2017（2）：94-97.
[3] 陈少雄，陈小菲. 我国桉树经营的技术问题与思考[J]. 桉树科技，2013，30（3）：52-59.
[4] 李志辉，杨民胜，陈少雄，等. 桉树引种栽培区区划研究[J]. 中南林学院学报，2000，20（3）：1-10.
[5] Engler R， Waser L T， Zimmermann N E， et al. Combining ensemble modeling and remote sensing for mapping individual tree species at high spatial resolution[J]. Forest Ecology and Management， 2013， 310（1）： 64-73.
[6] Christopher E， Churches Peter J. Wampler， Wanxiao Sun， et al. Evaluation of forest cover estimates for Haiti using supervised classification of Landsat data[J]. International Journal of Applied Earth Observation and Geoinformation， 2014， 30： 203-216.
[7] 伍 靜. 基于TM的速生桉遥感分类技术研究[D]. 南宁：广西大学，2014.
[8] 蔡耀君. 基于面向对象技术的RapidEye影像桉树林信息提取研究[D]. 南宁：广西师范学院，2015.
[9] 梁文海，刘吉凯，张 伟，等.基于面向对象方法的GF-2影像桉树林信息提取[J]. 浙江农林大学学报，2017，34（4）：721-729.
[10] 谢国雪，杨如军，李双青，等. 基于空间三维视角的无人机技术监测农林资源[J]. 亚热带资源与环境学报，2015，10（2）：84-90.
[11] 谢国雪. 无人机倾斜摄影系统的三维可视化应用研究[D]. 南宁：广西师范学院，2016.
[12] 覃泽林，谢国雪，李宇翔，等. 多时相高分一号影像在丘陵地区大宗农作物提取中的应用[J]. 南方农业学报，2017，48（1）：181-188.
[13] 牟智慧，杨广斌. 基于TM影像面向对象的桉树信息提取[J]. 林业资源管理，2014（2）：119-125.
[14] 王学成，杨 飞. 基于面向对象分类方法的Rapideye桉树提取[J]. 桉树科技，2014，31（3）：10-16.