机载高光谱数据因其精细尺度空间和光谱信息在树种分类领域备受关注。然而，对于大范围的高光谱数据森林树种制图仍存在一系列的挑战。由于森林冠层具有各向异性散射特性，树冠的反射不仅受观测方向影响，还依赖于入射方向。因此，森林冠层的光谱反射率会随着太阳-观测几何的变化而变化，呈现出典型的二向反射分布函数（Bidirectional Reflectance Distribution Function，BRDF）效应。林区的机载高光谱数据受到视场角宽、采集时间跨度大、复杂地形条件和观测场景等因素的共同影响，呈现出复杂的BRDF现象，增加了利用光谱信息区分不同树种的难度。同时，由于样本数量相对有限且存在较高的空间自相关性等因素，训练样本的代表性受到限制，从而制约了其对大区域森林树种进行分类及精度评估的能力。
本研究主要集中在两个方面：多航带机载高光谱影像的BRDF校正；大区域训练样本的选取，并探讨样本和BRDF校正对树种分类的影响。研究表明：（1）训练样本的代表性对树种分类总体精度的影响相较于BRDF校正更为显著；（2）当训练样本具有足够代表性时，BRDF校正对树种分类总体精度提高有限，不超过2.9%；（3）针对BRDF现象严重的相邻航带重叠区，BRDF校正对树种分类精度提升较大，可达11.5%。该研究是国际上首次对大区域多航带机载高光谱数据的树种精细分类开展的BRDF效应影响方面的研究，研究成果对指导大区域高分辨率遥感树种制图提供借鉴与参考。
研究数据与方法
研究区位于黑龙江省孟家岗林场（森林面积155km2），机载高光谱数据由中国林业科学研究院机载遥感系统LiCHy（LiDAR, CCD, and Hyperspectral）进行采集。共飞行4个架次（横跨16天），采集视场角（Field of view, FOV）为37.7°（图1）。
图1 黑龙江省孟家岗林场机载高光谱反射率数据（RGB = 849.30, 694.91, 543.72 nm）
本研究基于mNDVI分层对155平方公里机载高光谱数据进行了BRDF校正，建立了包含10万像元的树种训练样本集，提出了一套量化的对比研究方案。该方案针对BRDF校正和未校正的机载高光谱数据分别采用不同训练样本选取策略（不同空间分布和数量大小，图2）进行树种分类精度的交叉比较。
图2不同训练样本选取策略及其描述
研究结果与分析
图3对比显示了BRDF校正前（图3-a）、校正后（图3-b）的多航带机载高光谱影像拼接图（RGB=849.30、694.91和543.72nm）。可以看出，本文提出的mNDVI分层BRDF校正算法能有效地削弱相邻航线影像之间的BRDF效应。
图3 BRDF校正前后机载高光谱影像对比
图4展示了采用选择策略＃1和＃2时，训练数据对应每种树种的太阳-观测几何分布情况（太阳天顶角SZA、观测天顶角VZA、相对方位角RAA），并根据分布规则对其进行排序（排序靠前的情况为单元格缺失值最少，均匀分布且避免集中或过度稀疏的分布）。
图4. 使用选择策略＃1和＃2，显示了训练数据中每个树种的太阳-观测几何分布。从蓝色到红色的颜色刻度代表像素数量。没有像素覆盖的分布显示为白色。
基于全局独立选取的35,000个验证像元分别对基于策略＃1和＃2的训练数据集开展树种分类结果精度评价。结果显示，无论是策略＃1还是策略＃2，BRDF校正后的影像总体精度会略微提高（1.3%-2.7%）。其中，使用全局分布的策略＃1选择的训练数据时，总体精度提升更高，即太阳-观测几何分布范围更广的训练数据会带来更高的总体精度。策略#3展示了训练样本在数量不同的情况下，BRDF校正和未校正的机载高光谱影像树种分类总体精度差值。总体而言，BRDF校正的高光谱影像展现出更好的分类性能，但其提升能力有限（mean difference≤2.9%）。
图5. 不同训练数据集选择策略下的树种分类总体精度
为了更深入地分析BRDF校正对机载高光谱影像树种分类精度的贡献，本研究重新选取了35,000个验证像元，这些像元仅分布于BRDF校正和未校正影像的树种分类结果不一致区域（图6）。验证结果表明，对于相邻航带重叠区域，BRDF校正对树种分类精度提升明显（11.5%）。
图6. 机载高光谱影像BRDF校正前后树种分类结果局部对比
论文发表在遥感领域顶级期刊ISPRS Journal of Photogrammetry and Remote Sensing（中科院1区TOP，2023年IF = 12.7），题目为“The influence of BRDF effects and representativeness of training data on tree species classification using multi-flightline airborne hyperspectral imagery”（BRDF效应及训练样本代表性对多航带机载高光谱数据树种分类的影响）。中国林业科学研究院资源信息研究所荚文助理研究员为第一作者，庞勇研究员为通讯作者。研究得到国家自然科学基金（42101403），国家重点研发课题（2023YFD2200804和2017YFD0600404）的联合资助。
论文链接：https://www.sciencedirect.com/science/article/abs/pii/S092427162300343X
研究相关论文：
复杂光照条件下区域森林树种分类研究：
Jia, W., & Pang, Y. (2023). Tree species classification in an extensive forest area using airborne hyperspectral data under varying light conditions. Journal of Forestry Research, 1-19.
https://link.springer.com/article/10.1007/s11676-022-01593-z
起伏地形林区机载高光谱影像BRDF校正算法：
Jia, W., Pang, Y., Tortini, R., Schläpfer, D., Li, Z., & Roujean, J. L. (2020). A kernel-driven BRDF approach to correct airborne hyperspectral imagery over forested areas with rugged topography. Remote Sensing,12(3), 432.
https://www.mdpi.com/2072-4292/12/3/432
本文转载自数字生态GuoLab
转自：“科研圈内人”微信公众号
如有侵权，请联系本站删除！
