高分二号影像树种分类最优分割尺度的非监督选择

Unsupervised Selection of Optimal Scale Parameters for Tree Species Classification Based on GF-2 Images

摘要

良好的影像分割结果能够提高树种分类的精度，而分割效果取决于最优分割尺度（optimal scale parameter，OSP）的选择。以往研究依赖人为设置的尺度序列，结果具有主观性。为避免此问题，以高分二号影像（GF-2）为数据源，提出一种基于有效尺度区间的非监督OSP选择方法，用于确定不同森林类型最佳分割结果出现的分割尺度。影像分割采用多分辨率分割（multi-resolution segmentation，MRS）算法，通过构建有效尺度区间估计函数（effective scale interval estimation functions，ESF），结合总体优度函数（overall goodness F-measure，OGF）得出不同森林类型在不同尺度区间下的OSP，最后依据监督分割精度分析结合谷歌地图目视判读确定最佳分割结果。结果表明，OGF在有效尺度区间Ⅲ获取的OSP得到了各森林类型的最佳分割结果，监督分割评价方法（F-measure）的最低和最高值分别为0.731 1和0.873 3。同时，在GF-2影像树种分类的分割任务中，OSP与树种和森林类型有关。研究结果为高分辨率遥感影像树种分类的对象提取提供技术支撑，同时为不同地物组成的复杂影像分割尺度参数选择提供方法。

Abstract

Satisfactory image segmentation results can improve the accuracy of tree species classification， and the segmentation effect depends on the selection of the optimal scale parameter （OSP）. Previous studies have relied on manually set scale sequences， resulting in subjectivity. To avoid this issue， this study used GF-2 images as the data source and proposed an unsupervised selection method of OSP based on effective scale intervals to determine at which scale the optimal segmentation results for different forest types occur. Multi-resolution segmentation （MRS） algorithm was used to segment images， and constructing effective scale interval estimation functions （ESF） and combining with the overall goodness F-measure （OGF）， the OSPs of different forest types at different scale intervals were obtained. Finally， the optimal segmentation results were determined by supervised segmentation accuracy analysis combined with Google map visual interpretation. The results showed that the OSPs obtained from the effective scale interval Ⅲ achieved the best segmentation results for each forest type， with the lowest and highest F-measure of 0.7311 and 0.8733， respectively. Meanwhile， in the segmentation task of tree species classification based on GF-2 image， OSP was related to tree species and forest types. This paper provided technical support for object extraction of object-based tree species classification based on high-resolution remote sensing images and also provided a methodological reference for the selection of scale parameters for images composed of different geographical objects.

Graphical abstract

关键词

高分二号 / 最优分割尺度 / 有效尺度区间 / 非监督选择 / 树种分类

Key words

GF-2 / optimal scale parameter / effective scale interval / unsupervised selection / tree species classification

0 引言

森林是陆地生态系统中的占地面积最大、结构系统最复杂的重要组成部分，快速有效地获取森林资源的种类、空间分布、数量是实现森林资源科学管理、可持续发展的必要条件，提高树种分类的精度是关键^［1-2］。随着我国航天事业的发展，卫星遥感技术能够提供更易获得、更丰富、更精确的地物信息，高分二号（GF-2）影像因具有米级空间分辨率在森林类型识别、树种分类领域被广泛应用^［3］。为充分利用图像光谱和纹理信息并防止出现“椒盐现象”，目前高空间分辨率遥感影像分类基本采用面向对象的分析方法^［4-5］。而分割是面向对象分析的前提，分割结果很大程度决定了地物信息提取和分类的结果，因此影像分割是树种分类的必要条件^［6-7］。

目前分割方法有基于像素阈值、基于边缘监测和基于区域生长或分裂的几种类型。得益于eCognition商业软件的出现，针对高空间分辨率影像的分割研究，目前常用的影像分割技术是基于区域生长的多分辨率分割算法（multi-resolution segmentation，MRS）^［8］。由于影像分割的结果主要依赖于分割尺度，大量研究关注于最优分割尺度（optimal scale parameter，OSP）的选择，方法分为监督分割质量检和非监督分割质量分析（也称为非监督分割尺度评价）。其中，非监督分割尺度评价对于不同遥感影像的普适性较高，主要依靠面积加权方差（Weighted Variance，WV）作为对象内同质性评价指标，莫兰指数Ⅰ（Moran’s Ⅰ，MI）作为对象间异质性评价指标。其中效果较好的是分割尺度自动评价（Estimated Scale Parameter，ESP）、全局评价指数（Global Score，GS）和总体优度（Overall Goodness F-measure，OGF）^［9］。ESP估计得到的OSP过多，且无法精准得到不同类型地物的OSP，GS得到的单一OSP无法同时实现不同地物的良好分割，而OGF评价指数能够获得不同偏向的OSP，但目前该指数仅在城市建设用地的提取上验证过有效性。

以往OSP的提取是基于人为设置的尺度区间（即经验尺度区间），然而这样不可避免地产生主观性，得到的分割尺度严重偏向过分割或欠分割^［10］。

已有的研究结果发现，对于景观单一的影像从建筑物群中提取单个建筑物、从山区中分离出不同的山地类型分割所需要的OSP在尺度100左右^［11-12］。对于地物类型丰富的影像，为了实现不同地物类型的分离，分割在一个尺度下实现将导致结果出现过分割或欠分割，这是因为不同的地物类型存在不同的光谱、纹理和形状特征，最本质的差距在于同一标准下各地物的同质区域大小不同。对于影像分辨率在1~2 m的森林遥感影像，分离不同森林类型或树种类型的OSP可能在50~400^［13-14］。这是因为森林普遍存在这样的分布模式，不同树种随机分布、纯林与混交林共存、混交林树种组成与混合比例不一致，导致即使是单一景观的森林影像也存在不同大小的同质区域，从而需要在几个尺度下才能实现影像整体的较好分割。因此，不同树种的OSP并不一定局限于某一尺度区间。廖娟^［15］为了在复杂影像中提取不同地物的同质区域，在“粗”到“细”分割的3种尺度区间中分别提取OSP，有效解决了不同类型地物分割结果不同步的问题，但“粗”到“细”分割的尺度区间依然没有一个明确的界定。鉴于此，为了实现影像树种分类，更合理的方案应该是获取该影像所有可能的分割结果，根据影像的特点确定影像的有效尺度区间，再通过比较分割质量确定OSP。而陈春雷等^［16］和Wang等^［17］的研究表明，公共边加权的对象邻域间差异性可以突出不同分割尺度间的差异，因此可以用该方法来指示有效尺度区间。

综上所述，联合公共边加权的对象间异质性指标和面积加权方差构建有效尺度区间估计函数（Effective Scale Estimation Function，ESF），并利用ESF估计影像分割尺度的“有效尺度区间”，运用OGF评价指数提取各个区间的OSP，从而形成一种完全无监督的OSP选取方法，避免经验尺度区间导致OSP的提取出现偏差。通过非监督提取不同有效尺度区间上的OSP，可以快速实现复杂森林所有地物类型的最佳分割，更适用于不同森林类型组成的GF-2影像面向对象提取和树种分类任务。

1 研究方法与数据处理

1.1 研究区概况

研究区位于黑龙江省伊春市大箐山县凉水国家级自然保护区（128°47′8″E~128°57′19"E，47°6′49″N~47°16′10″N），保护区面积为121.33 hm²，森林覆盖率为98%。区内有各种森林类型，该区地带性植被是以红松（Pinus koraiensis）为主的温带针阔叶混交林，具有较大的典型性和代表性。其他主要树种为云杉（Picea asperata）、落叶松（Larix gmelinii）、冷杉（Abies fabri）和白桦（Betula platyphylla）等。

1.2 数据来源及预处理

本研究采用的影像数据为2017年7月7日获取的GF-2相对辐射校正数据，影像波谱有红光波段、绿光波段、蓝光波段、近红外波段以及全色波段。多光谱波段影像像元分辨率高达3.2 m，全色波段影像像元分辨率高达0.8 m。

基于ENVI 5.3软件对GF-2遥感影像进行预处理，主要是对影像进行辐射校正和大气校正，从而尽可能消除传感器测量值与目标光谱反射率的误差以及进行正射校正和地理配准，从而减少几何畸变的问题。首先根据当年影像波段的增益量和偏移量（获取于中国资源卫星应用中心https：//www.cresda.com/zgzywxyyzx/index.html）对GF-2影像自带的定标数据进行校验，从而完成辐射校正；然后根据影像获取时间和卫星轨道高度等信息，利用快速大气校正模型（fast line-of-sight atmospheric analysis of spectral hypercubes，FLAASH）对影像进行大气校正；接着基于该影像自带的有理多项式系数模型（Rational Polynomial Coefficients，RPC）文件在RPC正射校正流程化工具中对参数进行优化解算，结合30 m分辨率先进星载热发射和反射辐射仪全球数字高程模型（advanced spaceborne thermal emission and reflection radiometer global digital elevation model，ASTER DEM）数据（获取于https：//portal.opentopography.org）对影像进行了3次卷积法重采样处理，得到最终的正射校正影像；再采用最近邻融合全色锐化（nearest neighbor diffusion pan sharpening）算法对全色波段和多光谱波段进行影像融合，得到影像分辨率为1 m；最后使用谷歌地图选择20个地面控制点，并利用仿射变换模型对影像进行了地理配准，配准后的整体均方根误差（Root Mean Square Error，RMSE）小于1 m，满足几何校正要求。根据凉水保护区的边界矢量文件对影像进行区域的裁剪和镶嵌。

本研究在保护区中选择一片较为典型的森林区域进行试验，该区域树种组成丰富，纯林和混交林、人工林和天然林的比例较为均衡，对应的影像像素大小为1 000×1 000。地面数据为研究区2017年森林二类调查矢量数据，包含小班的优势树种及树种组成系数等，覆盖区域含有白桦、红松、落叶松、云杉、冷杉5种优势树种，相应的小班数量分别为4、10、1、3、3个。试验区的森林类型有白桦纯林、红松纯林、带状人工落叶松林、块状人工云杉林，以及白桦、红松、云杉和冷杉混交林。

1.3 研究方法

1.3.1 MRS影像分割

基于eCognition Developer 10.3软件实现MRS算法。这是一种自底向上的区域生长合并算法，并依次合并满足同质性准则的一对对象。该算法需要设定3类参数，分别为影像各个波段权重、分割尺度和同质性准则参数组合。对于同质性准则参数组合，一般设置形状因子和紧致度因子即可。

试验中，影像波段的权重比为蓝光波段、绿光波段、红光波段、近红外波段之比等于1∶1∶1∶1。而同质性准则参数组合通过遍历参数的方式，以符合影像树种边缘及大小为标准判断形状因子和紧致度因子的取值，最终形状因子权重为0.5，紧致度因子权重为0.7。为评估影像所有可能的分割尺度的分割效果，影像从像素级别开始，依次合并图中合并代价最低的2个对象，最后将一整幅影像作为一个对象^［18］。MRS算法具有参数少、能够灵活实现不同应用目的的优势，同时在算法执行过程中仅有合并区域产生变化，使不同尺度下影像分割结果具有可比性^［19］。

1.3.2 有效尺度估计与非监督分割尺度评价

按照最相似的对象对最先被合并的原则，MRS算法执行过程中，对象对合并的初始阶段将发生在各类地物内部。然而，GF-2影像具有空间分辨率高、光谱特征细节化的特点，即使是同质性较强的地物（如水域）也存在一定的类内方差^［20］。图像分割的本质是形成同质区域，因此图像各地物内部首先形成若干个同质区域，因此这段过程可以称为“均匀合并”^［21］。随着分割尺度的提高，相邻相似对象对不断减少，图像对象将逐渐构成地物而不是地物的同质区域，分割尺度将逐渐接近各类地物的OSP。

由此可以假设，在对象对合并的初始阶段，像素点分别合并成各树冠亮部、阴影区域，这个过程为“均匀合并”。随着合并的进行，相似相邻的树冠亮部与阴影将被合并成较大的树冠区域，当区域内某类树种的相邻位置均为异类树种时，对应的分割尺度为该树种的OSP。不难理解，树冠和阴影绝对分离的状态为绝对过分割，因此“均匀合并”的结束尺度可以视为图像的“有效合并起点”，所有可能的OSP应该在“有效合并起点”之后。而不同地物类型具有不同的OSP，本研究定义图像中OSP的最小值到最大值区间的任一分割尺度为有效尺度（Effective Scale，ES，式中记为E_S）。以往研究发现，公共边加权的对象邻域间差异性可以增大对象间异质性，从而突出不同分割尺度间的分割质量差异，因此可以用该方法来指示分割尺度的有效性。

本研究中，首先计算公共边加权的对象邻域间差异性指标C估计“有效合并起点”，计算公式为

∆C_i=\frac{\mathrm{1}}{l_{\mathrm{i}}}{l}_{\mathrm{s}\mathrm{j}}\left|X_i-X_j\right|。（1）

C=\frac{\mathrm{1}}{A}{\displaystyle \sum _{i=\mathrm{1}}^n}{A}_i\bullet ∆C_i。（2）

式中：X_i和X_j分别为对象i(\mathrm{0,1},\dots ,n)和相邻对象j\left(\mathrm{0,1},\dots ,m\right)的光谱均值；l_{\mathrm{s}\mathrm{j}}为i和j的公共边长度，像素；l_i和A_i分别为对象i的周长（像素）和面积（像素平方）；A表示整个影像内所有对象的总面积，像素平方；∆C_i为单波段上的单一对象与周围相邻对象的公共边加权差值，像素；C为面积加权的所有对象的单波段，像素。

“均匀合并”阶段，各树种树冠、阴影内部合并导致对象间差距增大，即\left|X_i-X_j\right|增大，而各对象由像素或近乎像素的区域组成，公共边差异很小，C将随着\left|X_i-X_j\right|增大而增大；当合并区域不断变大C由公共边较长的对象对主导，各图像对象周围依然存在较多相似相邻的对象对，C将随l_{sj}\left|X_i-X_j\right|减小而减小，因此存在一个C的极大值能够指示“有效合并起点”；当不断合并对象导致相似区域减少，且开始合并非同类地物时，区域间差异越来越大，C将升高。因此在“有效合并起点”后C越小说明相似相邻的对象对合并得越多，对象间异质性越强。

为了防止合并发生在不同类型的地物间，应平衡“有效合并起点”后的对象间异质性和对象内部同质性，从而得到E_S。广泛使用的对象内部同质性指标为面积加权方差（WV，式中为W_V），其计算公式为

W_V=\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}{A}_i\bullet v_i}{{\displaystyle \sum _{i=\mathrm{1}}^n}{A}_i}。（3）

式中：v_i和A_i分别为对象i(\mathrm{0,1},\dots ,n)的光谱标准差和像素个数，W_V越大表明对象内部同质性越低，说明分割效果越差，欠分割的概率越大。为得到“有效合并起点”后的有效尺度区间，本研究借鉴F-measure的方式将C与W_V结合起来，构建ESF（式中记为E_SF），具体计算公式为

E_{\mathrm{S}\mathrm{F}}=\left(\mathrm{1}+{\alpha }^{\mathrm{2}}\right)\frac{C\bullet W_{\mathrm{V}}}{{\alpha }^{\mathrm{2}}\bullet C+W_{\mathrm{V}}}。（4）

式中：因子为调整C和W_V的权重因子，C和W_V按照最大最小归一化方法处理。随着对象对合并的进行，C先减小后增大最后再减小，W_V不断减小。C减小到第1个极小值的区间对应了“均匀合并”，因此E_SF取得的第1个极小值对应的分割尺度为“有效合并起点”；在“有效合并起点”后，W_V越小表示对象内部同质性越弱，C越大说明对象间异质性越强，因此W_V和C都较大时表现为E_SF第1个极小值后的最大值，对应的分割尺度为E_S。\alpha越接近0，E_SF指示的分割尺度越大，对象间异质性越强，有利于同质性强的森林影像分割。为了获取可能的E_S区间(E_{\mathrm{S}\mathrm{m}\mathrm{i}\mathrm{n}},E_{\mathrm{S}\mathrm{m}\mathrm{a}\mathrm{x}})，\alpha按照\left({\alpha }_{\mathrm{1}},{\alpha }_{\mathrm{2}}\right)=(\mathrm{2,1})、(\mathrm{1,0.5})和(\mathrm{1,0.33})分别生成3种尺度区间，E_{\mathrm{S}\mathrm{F}\alpha \mathrm{1}}的第一个极小值（下凹点）对应分割尺度为“有效合并起点”，而后的极大值（上凸点）对应E_{\mathrm{S}\mathrm{m}\mathrm{i}\mathrm{n}}，E_{\mathrm{S}\mathrm{F}\alpha \mathrm{2}}第一个极小值（下凹点）后的极大值（上凸点）为E_{\mathrm{S}\mathrm{m}\mathrm{a}\mathrm{x}}。

为了得到E_S中较为突出的OSP，沿用OGF（式中记为O_GF）分割尺度评价方法，为影像的不同树种选择OSP（式中记为O_SP），计算公式为

O_{\mathrm{G}\mathrm{F}}=\left(\mathrm{1}+{\beta }^{\mathrm{2}}\right)\frac{M_{\mathrm{I}}\bullet W_{\mathrm{V}}}{{\beta }^{\mathrm{2}}\bullet M_{\mathrm{I}}+W_{\mathrm{V}}}。（5）

M_{\mathrm{I}}=\frac{n{\displaystyle \sum _i^n}{\displaystyle \sum _j^n}{\omega }_{ij}\left(X_i-\overline{X}\right)\left(X_j-\overline{X}\right)}{{({\displaystyle \sum _i^n}{\displaystyle \sum _j^n}{\omega }_{ij}){\displaystyle \sum _i^n}(X_i-\overline{X})}^{\mathrm{2}}}。（6）

式中：M_I是一种空间统计指数，也是一种广泛使用的影像全局异质性指标^［22］。每个波段的M_I与W_V都需要分别计算，且在合并前应进行相应的归一化。

由式（5）可以看出，O_GF的最大值对应的分割尺度为O_SP，\beta>1将获得更小的分割尺度，\beta<1将获得更大的分割尺度。本研究的O_GF的β因子分别为0.25、0.33、0.5、1、2、3和4。

以上指标的计算和处理步骤分为5步。1）在每一分割尺度下分别计算单波段每一对象的M_{\mathrm{I}}、W_V和C；2）通过各波段权重均为1的加权平均方式，分别将每一分割尺度下4个波段的M_{\mathrm{I}}、W_V和C联合成一个分割尺度下的总指标；3）在整个分割尺度范围（全局尺度）上分别对M_{\mathrm{I}}、W_V和C总指标进行归一化；4）联合归一化后的W_V和C计算影像的E_SF，并得到相应的3个有效尺度区间；5）在全局尺度、E_SF指示的3个有效尺度区间上进一步对归一化后的M_{\mathrm{I}}、W_V进行联合，得到不同尺度区间的O_GF指数。步骤1在MRS算法运行过程中计算得到，其余步骤均在PyCharm 2023平台实现。

1.3.3 分割质量检验

采用目视判读和监督分割精度分析2种方式检验获得的OSP，前者是将分割结果与同期的谷歌历史影像进行比较，后者是与Arcgis 10.6软件勾画的分割参考多边形进行面积重叠，在PyCharm 2023中按照类别分别计算其与分割结果之间的查全率（Recall，式中记为R_ecall）、查准率（Precision，式中记为P_recision）和F测度（F-measure，式中记为F_-measure）^［23］。计算公式为

R_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}=\frac{{\displaystyle \sum _{i=\mathrm{1}}^m}\left|R_i\bigcap S_{i\mathrm{m}\mathrm{a}\mathrm{x}}\right|}{{\displaystyle \sum _{i=\mathrm{1}}^m}\left|R_i\right|}。（7）

P_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}=\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}\left|S_i\bigcap R_{i\mathrm{m}\mathrm{a}\mathrm{x}}\right|}{{\displaystyle \sum _{i=\mathrm{1}}^n}\left|S_i\right|}。（8）

式中：R和S分别为参考多边形和分割结果，R_i为参考多边形｛R_{\mathrm{1}},R_{\mathrm{2}},\dots ,R_m｝的第i个参考对象；S_i表示分割结果｛S_{\mathrm{1}},S_{\mathrm{2}},\dots ,S_n｝的第i个分割对象；S_{i\mathrm{m}\mathrm{a}\mathrm{x}}为与R_i重叠的最大的分割对象；R_{i\mathrm{m}\mathrm{a}\mathrm{x}}为与S_i重叠的最大参考对象；|\bullet |为用像素个数表示的对象重叠面积。R_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}和P_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}达到理性最大值1时，表示分割质量好，然而较大的P_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}往往伴随着较小的R_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}，因此构建一个综合分析指数F_-measure，计算公式为

F_{-\mathrm{m}\mathrm{e}\mathrm{a}\mathrm{s}\mathrm{u}\mathrm{r}\mathrm{e}}=\left(\mathrm{1}+{\gamma }^{\mathrm{2}}\right)\frac{R_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}\times P_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}}{{\gamma }^{\mathrm{2}}\times R_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}+P_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}}。（9）

式中，\gamma为调节R_ecall权重的系数，设\gamma=1，F_-measure的范围在0~1，值更大说明分割精度越高。需要说明的是，为防止计算精度时重复使用某一对象计算重叠率，按照参考多边形的森林类型对分割对象进行赋类，当某分割对象与所重叠的参考多边形类别不匹配时不被计算在内。

2 结果与分析

2.1 有效尺度估计结果与最优分割尺度

MRS算法所记录的全局尺度为［0.69，1 378.06］，通过对各对象同质性、异质性指标分量进行加权平均、归一化及联合处理，得到全局尺度上归一化后的MI、WV、C和ESF随分割尺度变化的曲线，如图1所示。

由图1（a）可以看出，代表对象内部同质性的归一化WV总体呈减小趋势，表明对象内部同质性逐渐下降；代表对象外部异质性的归一化MI总体上先急剧增加，说明影像对象外部异质性逐渐增加，在尺度450后围绕一定水平上下波动，说明异质较大的对象对被迫合并，以及影像对象数量减少导致统计不稳定。代表对象间增大型异质性的归一化C与MI有一定区别，C的变化趋势总体分为3个部分，在较小尺度区间急剧下降，达到一个最低点后持续升高，在较大的分割尺度区间持续降低。由图1（b）可以看出，不同α因子的ESF都有一个相似的变化趋势，整体上先减小达到一个极小值，然后增大达到一个极大值，最后再减小。与影像整个分割尺度的变化范围相比，不同α因子的ESF在达到极小值前分割尺度的变化范围很小。在ESF急剧下降的尺度区间内，ESF的变化是由归一化后的WV和C的急剧减小导致的，ESF升高是由C增加导致的，因此ESF的极小值也能反映“有效合并起点”。“有效合并起点”后ESF反映了影像中较大公共边对象对的异质性，因此改变α可以调整不同区间定义较大公共边对象对的阈值。

ESF_α=1的第1个极小值确定的“有效尺度起点”为尺度53.78，“有效尺度起点”后极大值为尺度102.64，其与ESF_α=2极大值确定的有效尺度区间Ⅰ为［102.64，150.25］，其与ESF_α=0.5极大值确定的有效尺度区间Ⅱ为［150.25，251.43］，与ESF_α=0.33极大值确定的有效尺度区间Ⅲ为［150.25，372.38］。

在不同区间上对MI和WV进行归一化、联合计算，OGF指示的OSP，如图2所示。

由图2可以看出，OGF在不同的尺度区间上和不同β下都有不同的变化趋势，所对应的OSP有不同的分布。

由图2（a）可知，不同β因子下的OGF在全局尺度下的变化都有一个相似的趋势，总体上为先急剧增大，然后缓慢或波动性减小。同时，全局尺度下的所有OSP集中在整个尺度区间的较小值。全局尺度下，β因子的值越大，较小尺度的OGF越大于较大尺度的OGF，OSP将偏向较小尺度；β因子的值越小，较大尺度的OGF越大，OSP将偏向较大尺度，但OSP依然处于尺度区间的较小值。

由图2（b）—图2（d）可知，不同β因子下的OGF在有效尺度区间的变化波动较大。有效尺度区间Ⅰ的OGF总体有1~2个峰值段，较大β因子下的OGF对应的OSP集中在区间的前半段，较小β因子下则集中在区间的后半段。有效尺度区间Ⅱ和Ⅲ的OGF都有1~3个较明显的峰值段，不同β因子下所对应的OSP的跨度较大。综合这3个子图可以发现，有效尺度区间上的OSP跨度较大。

将图2中不同β因子的OGF对应的OSP列出便于进一步分析和评估，结果见表1。

由表1结果可知，不同β因子的OGF和OSP之间并不是简单的线性变化，而是具有“阈值效应”，即β因子在一定的阈值内，OGF得到的OSP是一样的。在全局尺度、有效尺度区间Ⅰ、Ⅱ和Ⅲ上，OGF指数在7个不同的β因子水平下分别得到了6、5、3和4个不同的OSP。

2.2 分割质量检验结果

2.2.1 监督分割精度分析

为评价有效尺度区间对提取OSP的有效性，筛选出以下感兴趣尺度并对相应的分割结果进行分割质量检验，有效尺度区间的起点（ESF_min）、终点（ESF_max）和区间内的OSP，以及全局尺度得到的OSP。图3为按照各类树种区域计算的不同尺度下Precision、Recall和F-measure指标。

Precision对欠分割敏感，值越低表明欠分割越严重，该值随着合并过程越来越小；Recall对过分割敏感，值越低表明过分割越严重，该值随着合并过程越来越大，但当该值减小时，说明其他类型地物侵占了该类型的区域。以F-measure极大值对应的分割尺度作为最佳分割的分割尺度。

由图3结果可知，白桦纯林、红松纯林、人工落叶松林在尺度328.42得到了最佳分割，人工云杉林、红松混交林和冷杉混交林则在尺度194.21得到了最佳分割，白桦混交林和云杉混交林则在尺度152.49得到了最佳分割。在所有尺度区间的OGF得到的OSP中，白桦纯林、红松纯林、人工云杉林、人工落叶松林、白桦混交林、红松混交林、云杉混交林和冷杉混交林的最高F-measure分别为0.839 9、0.796 2、0.735 2、0.873 3、0.808 2、0.731 1、0.760 2和0.790 9。由表1和图3的结果看，有效尺度区间Ⅲ得到的分割结果实现所有森林类型的最佳分割，且区间内OGF确定的OSP所得分类精度优于或等于邻近尺度的分割精度。

另外，除了红松混交林外，其他森林类型在最佳分割下Precision均大于0.8，说明本研究提取的OSP是有效的；白桦纯林、人工落叶松林和白桦混交林在最佳分割下的Recall均大于0.8，其他森林类型的Recall较低，说明MRS算法在森林影像中容易导致过分割。观察纯林和人工林在感兴趣尺度区间上的分割精度，随着分割尺度的增加，Precision而呈“线性”缓慢降低，白桦纯林和人工落叶松林的Recall逐步增加，红松纯林和人工云杉林的Recall则分别在尺度328.47和尺度194.21后出现下降，说明存在较明显的欠分割。观察混交林在感兴趣尺度区间上的分割精度，随着分割尺度的增加，Precision呈“指数”下降，Recall则先上升后下降，下降说明混交林有被其他类型地物侵占的情况。另外在尺度194.21后，红松混交林和冷杉混交林的Recall的下降幅度较白桦混交林和云杉混交林的小，说明前 2种森林类型区域被侵占的情况较轻微。

2.2.2 目视判读

以F-measure作为评价标准，用谷歌影像检验各森林类型的最佳分割结果，如图4所示。

由图4可知，各森林类型的最佳分割效果均符合人眼视觉，特别是白桦纯林、红松纯林、人工落叶松林以及红松混交林。在尺度328.42下，白桦纯林与周围的红松混交林、云杉混交林、冷杉混交林相分离，红松纯林与周围的白桦纯林相分离；在尺度194.21下，红松混交林与周围的白桦纯林和云杉混交林相分离，冷杉混交林与周围的白桦混交林和云杉混交林相分离，但存在一定的欠分割情况，人工云杉林的分割边界与实际情况相符，但有一定的过分割情况；在尺度152.49下，白桦混交林和云杉混交林都与周围的冷杉混交林有一定的混合情况。

3 讨论

图1（a）中，C变化的前2个部分（前一段急剧下降与后一段同MI一起升高，MI持续升高）形成对比，说明对象间异质性增加分为2个阶段。这是因为在对象对合并初期，各相邻对象对的公共边差异较小，对象间的差异由树冠阴影和亮部间的差异决定，当对象合并到一定阶段时，对象间的差异再由公共边较长的对象对间的差异决定。

从定量与定性的结果可知，各森林类型的最佳分割结果出现在不同的分割尺度下。MRS算法的分割结果普遍存在一定程度的过分割，这可能是因为林分中普遍存在阴影，导致树冠亮部与暗部的对象内部像元灰度值有差异，从而影响MRS分割算法对对象光谱异质性的判断。对所有森林类型来说，全局尺度下得到的OSP集中在整个尺度的前5.33%，对应的Recall值均在0.5以下表明了严重过分割，这是因为当某些树冠亮部和暗部分别实现较优的分割时，影像整体的对象间异质性急剧增加，结合这时精细尺度的对象内部高同质性将导致OGF指数指示的OSP偏向过分割尺度。有效尺度区间Ⅰ、Ⅱ和Ⅲ的结果表明，OGF对尺度区间的依赖较大，ESF需要调整合适的α才能找到准确的有效尺度区间。

随着区域合并的进行，不同的分割尺度得到的分割结果呈阶段性变化。由图3可知，Recall值在尺度9.22~73.45，4个混交林的Recall平均值比纯林和人工林的大2~3倍，说明在小尺度阶段，混交林区域的对象合并更接近地物大小；当混交林达到最佳分割后，Recall和Precision迅速降低，而纯林的Recall不断增加且Precision没有明显降低，说明混交林之间开始进行异类合并，纯林内部同质区域依然进行同类合并。这是由于森林类型内在的空间分布导致的，因为混交林由不同树种组成，在同样的尺度（对应地物的面积大小）下混交林内部的同质性低于纯林，因此混交林和纯林达到最佳分割的尺度具有先后性。在尺度194.21后，红松混交林和冷杉混交林区域被侵占的情况较白桦混交林和云杉混交林的少，这是因为红松的树冠纹理比其他3种树种的更粗糙，不容易被合并其他类型里；而冷杉混交林的周围基本为白桦或云杉，冷杉与白桦在光谱上差异较大，冷杉在影像上的颜色较云杉的更亮一些，同时该区域的冷杉分布较集中，因此也不容易被合并到其他类型中；白桦在混交林中分布较少且常伴生于冷杉混交林中，云杉混交林的分布区域比较不规则，且容易被周围的红松合并。在尺度49.95前，各森林类型Precision基本不变且均高于0.943 3，说明对象对合并初期发生在各地物内部，也印证C可以指示影像的“有效合并起点”（尺度53.78）。由图3和图4可知，优势树种相同的白桦纯林和白桦混交林，其最佳分割出现在不同的分割尺度上，而优势树种不同的白桦纯林和红松纯林，其最佳分割结果出现在同一分割尺度上，因此可以认为树种不同导致的分割尺度差异小于森林类型不同导致的分割尺度差异，原因可能是GF-2遥感影像存在“像元混合”的情况，对于茂密森林来说，单株树冠纹理与树种组成的纹理相比影响较小。而人工云杉林的OSP小于人工落叶松林，可能是因为前者为块状人工林，与后者带状人工林相比内部的阴影更少，纹理更平滑；同时前者与周围红松纯林和白桦混交林光谱或纹理相差较小，尺度过大会导致异类合并，而后者周围均为光谱差距较大的树种。

刘金丽^［24］的研究设置了经验尺度序列（50~500，步长为25）并得出1个OSP（尺度259），没有同时实现不同树种或森林类型的较好分割；毛学刚等^［25］的研究同样设置了经验尺度序列（25~250，步长为25）并得出3个树种的OSP（尺度75、100、150），但所得OSP并不一定是所有分割尺度的最佳值。而本研究则比较了影像所有可能的分割尺度，得出了3个OSP（尺度152.49、194.21、328.47），实现了该算法下不同森林类型的最佳分割，避免遗漏较优的分割结果。

通过得出影像所有可能的分割结果，比较了本研究得出的OSP和相邻尺度的分割精度，本方法的优点在于可以调整α得到适合影像类型的有效尺度区间，使不同的森林类型得到了最佳分割效果（F-measure均高于0.7），避免在错误的尺度区间上进行分割结果的提取。通过整合各森林类型的最佳分割结果，能够满足影像整体分割效果最佳，有利于复杂森林的树种分类，解决了目前无法同时实现影像不同地物最佳分割的问题。对于同样使用区域合并型算法进行分割的其他类型的影像，可以从所有可能的分割结果中提取有效尺度区间，然后基于OGF得出适应于影像本身的OSP。然而研究也存在一定局限，只能提取分割算法对图像产生的最佳分割结果，无法提高影像分割的质量，今后可以在本研究的基础上进一步比较不同分割算法对树种分类任务的适用性。

4 结论

利用MRS算法分割GF-2遥感影像，计算每一分割结果的对象间异质性指数（MI）、对象内部同质性指数（WV）和公共边加权的局部对象间差异指数（C），提出有效尺度估计函数ESF并结合OGF对影像OSP进行非监督选择，最后采用监督分割质量分析（Precision、Recall和F-measure）和目视判读的方式验证本方法的有效性。定量和定性的结果表明，OGF对尺度区间的依赖很大但可以指示影像的OSP，所得分割结果的F-measure均高于0.7，ESF确定有效尺度区间能够有效避免纯林、人工林的OSP处于过分割阶段，使不同森林类型相分离。GF-2遥感影像优势树种的OSP不仅和树种有关，还和森林类型有关，因此后续利用分割结果进行特征提取和树种分类时，应按照不同的森林类型提取分割结果。

参考文献

[1] 马鸿伟，刘海，姚顺彬，基于林业遥感的树种分类应用分析与展望［J］.林业资源管理，2020（3）：118-121.

[2] MA H W， LIU H， YAO S B，et al.Analysis and prospect on the application of tree species classification based on forestry remote sensing［J］.Forest Resources Management，2020（3）：118-121.

[3] 宋永全，魏晓燕，郑璞冰，林分尺度森林生态系统服务功能价值空间格局分析——以维西傈僳族自治县为例［J］.西部林业科学，2023，52（6）：80-86，93.

[4] SONG Y Q， WEI X Y， ZHENG P B，et al.Spatial pattern analysis of forest ecosystem service value based on forest stand scale：A case from Weixi Lisu Autonomous County［J］.Journal of West China Forestry Science，2023，52（6）：80-86，93.

[5] 王本洋，周双云，徐誉远，我国高分遥感近十年林业应用研究进展［J］.湖南生态科学学报，2023，10（4）：110-119.

[6] WANG B Y， ZHOU S Y， XU Y Y，et al.Ten years of Gaofen-series satellite imagery in forestry：applications and trends［J］.Journal of Hunan Ecological Science，2023，10（4）：110-119.

[7] BLASCHKE T， HAY G J， KELLY M，et al.Geographic object-based image analysis-towards a new paradigm［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2014，87（100）：180-191.

[8] 张宇飞，王子昊，王冰，基于InVEST模型的大兴安岭天保工程区碳储量时空变化研究［J］.西部林业科学，2024，53（1）：108-118.

[9] ZHANG Y F， WANG Z H， WANG B，et al.Spatiotemporal variations of carbon storage in the natural forest protection project regions of the Greater Khingan Mountains based on InVEST model［J］.Journal of West China Forestry Science，2024，53（1）：108-118.

[10] 洪亮，冯亚飞，彭双云，面向对象的多尺度加权联合稀疏表示的高空间分辨率遥感影像分类［J］.测绘学报，2022，51（2）：224-237.

[11] HONG L， FENG Y F， PENG S Y，et al.Classification of high spatial resolution remote sensing imagery based on object-oriented multi-scale weighted sparse representation［J］.Acta Geodaetica et Cartographica Sinica，2022，51（2）：224-237.

[12] 时启龙，黄石明，张明霞，基于无人机遥感和深度学习的松材线虫病疫木自动提取方法研究［J］.西部林业科学，2022，51（5）：28-33.

[13] SHI Q L， HUANG S M， ZHANG M X，et al.Automatic extraction method of pine woods nematode infected wood based on unmanned aerial vehicle remote sensing and deep learning［J］.Journal of West China Forestry Science，2022，51（5）：28-33.

[14] BAATZ M， SCHÄPE A.Multiresolution segmentation-an optimization approach for high quality multi-scale image segmentation［J］.Angewandte Geographische Information Sverarbeitung，2000（12）：12-23.

[15] JOHNSON B A， BRAGAIS M， ENDO I，et al.Image segmentation parameter optimization considering within- and between-segment heterogeneity at multiple scale levels：test case for mapping residential areas using Landsat imagery［J］.ISPRS International Journal of Geo-Information，2015，4（4）：2292-2305.

[16] 韩军良，韩留生，穆豪祥，面向对象的土地荒漠化信息提取研究［J］.测绘科学，2023，48（4）：149-160.

[17] HAN J L， HAN L S， MU H X，et al.Research on land desertification information extraction by object-oriented classification method［J］.Science of Surveying and Mapping，2023，48（4）：149-160.

[18] 殷瑞娟，施润和，李镜尧.一种高分辨率遥感影像的最优分割尺度自动选取方法［J］.地球信息科学学报，2013，15（6）：902-910.

[19] YIN R J， SHI R H， LI J Y.Automatic selection of optimal segmentation scale of high-resolution remote sensing images［J］.Journal of Geo-Information Science，2013，15（6）：902-910.

[20] NA J， DING H， ZHAO W，et al.Object-based large-scale terrain classification combined with segmentation optimization and terrain features：A case study in China［J］.Transactions in GIS，2021，25（6）：2939-2962.

[21] 刘金丽，陈钊.高分影像树种分类的最优分割尺度确定方法［J］.林业科学，2019，55（11）：95-104.

[22] LIU J L， CHEN Z.Research on the method of determining the optimal segmentation scale for tree species classification of high-resolution image［J］.Scientia Silvae Sinicae，2019，55（11）：95-104.

[23] 王妮，闵婕，郭家乐，基于多尺度特征迁移学习的树种遥感分类研究［J］.鄂州大学学报，2021，28（2）：93-97.

[24] WANG N， MIN J， GUO J L，et al.On the remote sensing classification of tree species based on multi-scale feature transfer learning［J］.Journal of Ezhou University，2021，28（2）：93-97.

[25] 廖娟.多尺度多维特征的高分辨率遥感影像变化检测方法研究［D］.西安：长安大学，2022.

[26] LIAO J.Research on the change detection method of high-resolution remote sensing image with multi-scale and multi-dimensional features［D］.Xi’an：Chang’an University，2022.

[27] 陈春雷，武刚.面向对象的遥感影像最优分割尺度评价［J］.遥感技术与应用，2011，26（1）：96-102.

[28] CHEN C L， WU G.Evaluation of optimal segmentation scale with object-oriented method in remote sensing［J］.Remote Sensing Technology and Application，2011，26（1）：96-102.

[29] WANG Y J， QI Q W， LIU Y，et al.Unsupervised segmentation parameter selection using the local spatial statistics for remote sensing image segmentation［J］.International Journal of Applied Earth Observation and Geoinformation，2019，81：98-109.

[30] HU Z W， ZHANG Q， ZOU Q，et al.Stepwise evolution analysis of the region-merging segmentation for scale parameterization［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2018，11（7）：2461-2472.

[31] HU Z W， SHI T Z， WANG C S，et al.Scale-sets image classification with hierarchical sample enriching and automatic scale selection［J］.International Journal of Applied Earth Observation and Geoinformation，2021，105：102605.

[32] 王锋军.基于自适应邻域尺度的高分辨率遥感影像变化检测方法研究［D］.西安：西安理工大学，2024.

[33] WANG F J.Research on change detection methods based on adaptation neighborhood scale using high resolution remote sensing images［D］.Xi′an：Xi′an University of Technology，2024.

[34] 莫寒翔.PolSAR面向对象分类中同质区分割研究［D］.大连：大连海事大学，2016.

[35] MO H X.The PolSAR object-oriented classification of homogenous area segmentation research［D］.Dalian：Dalian Maritime University，2016.

[36] ANSELIN L.Local indicators of spatial association-LISA［J］.Geographical Analysis，1995，27（2）：93-115.

[37] ZHANG X， FENG X， XIAO P，et al.Segmentation quality evaluation using region-based precision and recall measures for remote sensing images［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2015，102：73-84.

[38] 刘金丽.基于高分二号遥感数据的树种精细分类技术研究［D］.北京：北京林业大学，2019.

[39] LIU J L.Research on fine classification technology of tree species based on GF-2 remote sensing data［D］.Beijing：Beijing Forestry University，2019.

[40] 毛学刚，陈文曲，魏晶昱，分割尺度对面向对象树种分类的影响及评价［J］.林业科学，2017，53（12）：73-83.

[41] MAO X G， CHEN W Q， WEI J Y，et al.Effect and evaluation of segmentation scale on object-based forest species classification［J］.Scientia Silvae Sinicae，2017，53（12）：73-83.

基金资助

国家重点研发计划项目(2021YFE0117700-6)