基于遥感影像分割单元的地面样本设计理论与技术研究

Remote sensing technology has obtained great achievements in recent years, it makes the high frequency forest type dynamic monitoring possible. Due to forest type interpretation based on high spatial resolution satellite imagery, there are two key problems need to be solved: 1 How to delineate forest subcompartment boundary with high quality and efficiency; 2 How to improve the object-oriented classification accuracy. The first problem has been solved based on robust image segmentation technology to a certain extent; the second one mainly depends on ground truth sample selection issue. Nevertheless, ground truth sample selection and optimization theory and technology have been neglected by most remote sensing scientists. It is believed that ground truth sample representative, size and spatial distribution affect the accuracy of image interpretation directly. In addition, the ground truth survey occupies a very large proportion of the overall financial cost in forest type interpretation project based on satellite imagery, especially when the study area locate in remote mountainous forest area or the satellite imagery is composed of multi-temporal and multi-sensor data. This study focus on establishing an endogenous and adaptive ground truth sample selection and optimization theory and technology, based on segmented objects from high spatial resolution satellite imagery. It will provide a theoretical basis for the standardization of remote sensing ground data acquisition and help reduce labor intensity and financial costs.

遥感技术的持续发展使得短周期森林类型监测成为了可能。然而,基于高空间分辨率遥感影像的森林类型区划面临以下两个难题：1、森林小班边界区划精度和效率；2 、基于小班区划再分类的精度问题。第一个难题依托图像分割的技术已经得到了较好的解决，第二个难题的解决很大程度上与遥感地面样本的选择相关。然而，针对遥感影像森林类型解译的地面样本的数量与分布的理论与技术研究却没有得到足够的重视。众所周知，遥感影像地面样本的代表性、大小、分布特征都直接影响到遥感影像的解译精度。另外，遥感地面样本数据的收集在基于遥感影像的森林类型区划调查的总体金融成本中占有非常大的比重，特别是在偏远的林区或当遥感数据时相或传感器不一致时。本项目重点研究一种基于高分辨率遥感影像分割单元的内生性的、自适应的遥感地面样本选择与优化理论与技术。这将为遥感地面数据采集标准化提供基础理论支撑，降低劳动强度和金融成本。

遥感技术使得短周期森林类型监测成为了可能。面向对象的分类方法相较于基于像素的分类方法有明显的优势已经得到了认可。虽然依托图像分割的技术已经较好地解决了森林类型小班勾绘问题，然而小班区划再分类的精度问题的解决很大程度上与遥感地面样本的选择相关。众所周知，遥感影像地面样本的代表性、大小、分布特征都直接影响到遥感影像的解译精度。另外，遥感地面样本数据的收集在基于遥感影像的森林类型区划调查的总体金融成本中占有非常大的比重，特别是在偏远的林区或当遥感数据时相或传感器不一致时。针对遥感影像森林类型解译的地面样本的数量与分布的理论与技术研究却没有得到足够的重视。本项目重点研究了一种基于高分辨率遥感影像分割单元的内生性的、自适应的遥感地面样本选择与优化理论与技术。项目具体开展了如下研究：.（1）评估了几种传统抽样方式在遥感地面样本调查中的效率，结果表明它们都不适用于地面样地抽样设计。.（2）地面样地样本量的动态确定机制。首先对分割对象进行聚类分析为m个初始聚类，然后在逐步增加样本量的过程中进行聚类合并和分解直到达到停止准则。模拟结果表明这个机制能有效地降低样本需求量。.（3）比较了不可达样地和容易到达样地在森林类型分类中的表现差异。研究表明根据相似性判别，可以用临近道路的样本代替远或不容易抵达的样本。如此可以大量节约调查成本并保证分类精度。.（4）由于遥感图像的光谱特征容易受到地形、光照和复杂大气条件影响，会导致同类森林类型的光谱异质性增加，从而导致误分或需要更多样本参与分类。遥感图像精细化预处理能有效提升图像质量和可利用率也有利于森林类型分类工作的开展。因此，本项目还重点研究了地形校正和雾霾去除。优化的地形校正能有效地消减地形引起的光谱失真和阴影，从而减少地面样本的需求量。研发的雾霾去除方法无论从效果上还是速度上都超过了ATCOR（德国宇航中心），具有广泛的应用、商业和国防价值。.该研究不仅为遥感地面数据采集标准化提供基础理论和技术支撑，还研发了地面样地调查系统来降低劳动强度和金融成本。同时，我们还在卫星图像精细化处理技术的开发上做了深入研究。这些都对森林资源遥感监测的精度和效率的提升具有重大的现实意义。