张健教授研究团队在《Remote Sensing in Ecology and Conservation》上提出了一种林窗自动分类方法（HSTAC）

林窗作为森林演替更新的主要驱动力，在维持高生物多样性和促进生态系统功能方面发挥着重要作用。监测林窗的时空分布动态对生物多样性保护和森林管理具有重要意义。本研究基于无人机遥感获取的RGB影像，结合摄影测量高度（H）、光谱（S）和纹理（T）信息，提出了一种林窗自动分类方法（HSTAC）。同时比较了该方法与常见的监督分类（PBSC）、 面向对象分类（OBIA）以及基于冠层高度模型的阈值分类（CHMC）对浙江天童20公顷亚热带常绿阔叶林林窗的分类效率（分类精度和所需时间），并通过地面清查数据和基于激光雷达数据（无人机搭载）的分类结果验证了该方法的精度。该方法为物种多样性丰富、地形复杂度高的亚热带森林林窗的长期监测及实时应用提供了可靠的、可持续的解决方案。

图1. 浙江天童山国家森林公园20公顷亚热带森林样地无人机遥感视角下森林冠层外貌（红点为地面调查的林窗）

本论文提出的方法（HSTAC）首先基于光谱和纹理信息的阈值分割获得了初步的分类结果，并同时识别了样地内的裸露土地。其次，在初步结果的基础上，我们通过建立高斯混合模型（Gaussian mixture models，GMM）来计算所有像素属于林窗的概率。具体来说，我们创建了一个移动窗口并设定了参数条件，以确保窗口内有足够的先验样本。当满足这些条件时，窗口内林窗和非林窗的高度平均值和方差将被用作初始值，以计算GMM中的参数，并且每个类别占总数的比例被用作先验概率。之后，Expectation-Maximization（EM）算法用于更新模型参数和先验概率，通过贝叶斯准则计算后验概率，并迭代直收敛。相反，当在窗口内不满足这些条件时，窗口的尺寸被扩大，直到达到最大值（图2）。最后，我们通过基于最终的林窗概率对这些像素进行重新分类并去除小块来获得精细分类结果。

为检验HSTAC方法的可行性，我们在同等条件下利用PBSC，OBIA，以及CHMC识别了该样地的林窗，并基于地面清查数据和激光雷达数据（无人机搭载）的分类结果，采用整体精度和Kappa系数评估和比较了四种方法的分类效率。

图 2. HSTAC用于林窗探测的工作流程

研究发现：HSTAC和PBSC识别的林窗在空间分布上具有可比性（P > 0.05），而OBIA和CHMC之间显著差异（P < 0.05）。OBIA错误地检测到了样地东南角的一些大林窗，而其它三种方法仅检测到小林窗。CHMC高估了样地西北角林窗的面积，而低估了其他区域的林窗面积（图3）。

图 3. 四种不同方法和验证数据的林窗探测结果

基于地面调查数据评估四种方法的探测精度，总体精度在54% 至96% 之间。HSTAC产生的Kappa系数最高，为0.90，其次是PBSC（0.87），CHMC的检测精度最低（0.43）。在同一台机器上，OBIA花费2个小时实现79%的总体精度，PBSC在1.5小时内达到93%的精度，而HSTAC在0.5小时内达到96%的精度。

使用LiDAR数据进一步验证，HSTAC的分类精度为85%，Kappa系数为0.74。就空间匹配度而言，PBSC和HSTAC的空间匹配度最高（9,503平方米），HSTAC和OBIA次之（8,836 平方米），PBSC和OBIA最低（7,202 平方米）（图5）。在匹配的相对数量上，HSTAC产生重叠林窗的面积比例最高（63%），而OBIA的相对数量比例最高（77%）。

图4. 三种方法内部以及HSTAC和验证数据之间的空间重叠和不匹配 (a) 林窗空间重叠来自PBSC和OBIA，(b) HSTAC和OBIA，(c) HSTAC和PBSC，(d) HSTAC、PBSC和OBIA，(e) HSTAC和ULS，(f) HSTAC和地面清查数据

结论与展望：

本研究提出了一种基于高分辨率UAV-RGB图像的光谱、纹理和树冠高度信息的林窗自动分类方法。该方法显著提高了林窗的探测效率且具有成本低、用户友好等特点，在山地森林的复杂地形条件下表现很稳健，可以用来弥补机载激光雷达数据因其成本高、技术门槛高而无法在全球森林中广泛使用的现状。

该论文已于近期发表在Remote Sensing in Ecology and Conservation，欢迎大家引用。本文分析方法的所有代码可以从网页（https://github.com/Chenjia9311/canopygap）获取，所用浙江天童山样地的无人机RGB影像数据可以从课题组已发表数据论文（DOI: 10.17520/biods.2021299）

数据来源：陈佳乐