神農(nóng)架川金絲猴棲息地優(yōu)勢喬木樹種遙感識別及其分布特征

林麗群,汪正祥,3,*,雷 耘,李亭亭,王 俊,楊敬元

1 湖北大學資源環(huán)境學院,武漢 430062 2 區(qū)域開發(fā)與環(huán)境響應湖北省重點實驗室,武漢 430062 3 湖北省生物資源綠色轉(zhuǎn)化協(xié)同創(chuàng)新中心,武漢 430062 4 華中師范大學生命科學院,武漢 430079 5 神農(nóng)架國家公園管理局神農(nóng)架金絲猴保育生物學湖北省重點實驗室,神農(nóng)架 442421

神農(nóng)架川金絲猴棲息地優(yōu)勢喬木樹種遙感識別及其分布特征

林麗群1,2,汪正祥1,2,3,*,雷 耘4,李亭亭1,3,王 俊1,楊敬元5

1 湖北大學資源環(huán)境學院,武漢 430062 2 區(qū)域開發(fā)與環(huán)境響應湖北省重點實驗室,武漢 430062 3 湖北省生物資源綠色轉(zhuǎn)化協(xié)同創(chuàng)新中心,武漢 430062 4 華中師范大學生命科學院,武漢 430079 5 神農(nóng)架國家公園管理局神農(nóng)架金絲猴保育生物學湖北省重點實驗室,神農(nóng)架 442421

針對神農(nóng)架川金絲猴生境基礎研究中喬木樹種大范圍分布數(shù)據(jù)難以獲取問題,嘗試利用多源多時相遙感數(shù)據(jù)結(jié)合專家知識分層次實現(xiàn)樹種識別。首先采用冬季Landsat8/OLI數(shù)據(jù)根據(jù)物侯特性分層提取常綠、落葉林的地域范圍；進而依據(jù)夏季W(wǎng)orldview- 2高分遙感影像的實地喬木樣本的光譜特征分層次完成常綠樹種(巴山冷杉、華山松、青杄、刺葉櫟)和落葉樹種(紅樺、日本落葉松、米心水青岡、漆樹、銳齒槲櫟、椅楊)的識別；并通過實地植被樣方及專家知識通過高程數(shù)據(jù)完成分類結(jié)果的修正；最后結(jié)合GIS對主要優(yōu)勢樹種的地形及地域分布特征進行了空間分析。實驗精度表明常綠林中巴山冷杉、華山松、刺葉櫟、蟲害華山松整體精度較高,落葉林中紅樺、漆樹等識別精度相對較高,部分樹種如椅楊、銳齒槲櫟識別精度較低；總體上常綠樹種的精度要優(yōu)于落葉樹種。從植物地理學、遙感、GIS三者相結(jié)合的角度,將多源、多時相遙感數(shù)據(jù)與物種物候特性、專家知識進行有效整合,提出了一種喬木樹種識別的方法(1)提供了復雜山地環(huán)境的主要喬木優(yōu)勢種識別途徑,且具有通用性；(2)完成了物種物候特性與遙感數(shù)據(jù)特性的整合利用,有效降低數(shù)據(jù)成本費用；(3)配合地面樣方及專家知識修正結(jié)果,避免了過分依賴光譜特征引起的誤判。這將為神農(nóng)架川金絲猴棲息地保護與恢復提供更精確的數(shù)據(jù)依據(jù)。

多源多時相遙感；高分影像Worldview- 2；樹種識別；植被；專家知識

神農(nóng)架川金絲猴(Rhinopithecusroxellana)是我國特有的珍稀瀕危物種,但受歷史原因影響,森林砍伐和生境退化使金絲猴賴以生存的棲息生境遭到嚴重破壞和高度破碎化[1],其生存狀態(tài)極度瀕危。

川金絲猴生境選擇和活動區(qū)域是生物因素(如食物、植被、天敵)及非生物因素(如氣候)等共同作用的結(jié)果。川金絲猴主要是樹棲生活,喬木層樹冠是其活動和覓食的主要場所,因此研究川金絲猴棲息地的喬木層物種特征,不僅可以了解當?shù)厣秩郝鋬?nèi)的生態(tài)功能及保護現(xiàn)狀,而且對深刻認識川金絲猴棲息地選擇和食性選擇機理以及解釋棲息地森林優(yōu)勢樹種與川金絲猴之間協(xié)同進化等方面具有重要意義[2]。

目前金絲猴生境基礎研究數(shù)據(jù)大多依據(jù)人工野外調(diào)查,由于川金絲猴大多在險峻的山嶺間游蕩,很多地方人跡罕至,調(diào)查難度大,尤其是川金絲猴棲息地的喬木層樹種數(shù)據(jù),難以獲取其大范圍山系數(shù)據(jù)。遙感為大范圍地面分析、植被制圖提供了很好的技術手段[3],從高分影像上可以看到單棵樹的冠層形狀,尤其是Worldview- 2(WV2)高分影像的8波段光譜特性為樹種識別研究提供了條件,對此國外有學者開展了WV2或高分影像的樹種識別研究[4- 6],但經(jīng)驗和精度都有待進一步提高,特別是我國亞熱帶地區(qū)地理環(huán)境復雜、物種多樣性高,利用遙感技術進行喬木樹種識別難度更高。本文嘗試在神農(nóng)架川金絲猴主要活動范圍內(nèi),利用多源多時相遙感數(shù)據(jù)并結(jié)合專家知識分層識別川金絲猴棲息地的喬木樹種分布,這對川金絲猴的食源植物分布、棲息地保護與恢復提供更準確的植被數(shù)據(jù),在植被生態(tài)學的調(diào)查研究中能更多借用新技術以節(jié)省人力物力并提高精度。

1 研究區(qū)和數(shù)據(jù)集

1.1 研究區(qū)

神農(nóng)架川金絲猴分布在高程1800—3100 m之間[7],棲息地生境的植被有3種類型,海拔1800—2600 m之間的是溫性針葉林與落葉闊葉林,主要樹種分別是華山松與銳齒槲櫟、米心水青岡、山楊、紅樺；2600—3100 m主要是寒溫性常綠針葉林,巴山冷杉及林下箭竹或常綠杜鵑占優(yōu)勢[7]。

1.2 數(shù)據(jù)集

1.2.1 WV2影像

實驗數(shù)據(jù)包括(1)Landsat8/OLI冬季數(shù)據(jù)(2013年12月),多光譜的空間分辨率為30 m,全色15 m,云量為0.44%；(2)WV2夏季數(shù)據(jù)(2014年7月),總覆蓋范圍大致為470 km2,其多光譜分辨率為2 m,云量<3%,8個多光譜波段。

1.2.2 野外調(diào)查

圖1 研究區(qū)樣點分布位置圖Fig.1 The location of sample plots in study area

野外調(diào)查包括喬木樹種的定位及植被樣方調(diào)查,于2013年9月、2014年6月及2015年7月在神農(nóng)架大龍?zhí)丁⑶Ъ移?、觀音洞、橋洞溝等川金絲猴棲息地進行了多次野外調(diào)查。植被樣方調(diào)查采用隨機調(diào)查方法,并確保樣方分布在其生境梯度范圍內(nèi),共200個樣方。

喬木樹種定位采用隨機采集方式,通過野外實地對比,在WV2遙感影像上判讀,實地在影像上勾繪單個樹種的位置信息。根據(jù)金絲猴棲息地主要優(yōu)勢種的重要值、野外采集及影像目視判讀的難易程度,對喬木樹種包括巴山冷杉(Abiesfargesii)、華山松(Pinusarmandii)、青杄(Piceawilsonii)、紅樺(Betulaalbo-sinesis)、日本落葉松(Larixkaempferi)、米心水青岡(Fagusengleriana)、漆樹(Toxicodendronvernicifluum)、銳齒槲櫟(Quercusaliena)、刺葉櫟(Quercusspinosa)、椅楊(Populuswilsonii),灌木類型及高山草甸包括對杜鵑(Rhododendronsp)、箭竹(Fargesiaspathacea)進行空間定位及WV2影像勾繪等；其空間位置分布如圖1。

2 研究方法

2.1 遙感數(shù)據(jù)預處理

(1)OLI和WV2遙感影像輻射校正；(2)OLI多光譜波段和全色波段融合,得到15 m分辨率的多光譜數(shù)據(jù)；(3)采用5 m DEM數(shù)據(jù)完成WV2影像地形正射RPC矯正。

2.2 多源多時相數(shù)據(jù)的層次分類

(1)利用冬季Landsat8/OLI融合后數(shù)據(jù),根據(jù)監(jiān)督分類完成研究區(qū)常綠林、落葉林的地域劃分,并將其空間范圍轉(zhuǎn)換為矢量；(2)以矢量范圍分別裁剪夏季W(wǎng)V2數(shù)據(jù),獲取常綠林和落葉林的WV2影像范圍,作為后續(xù)分層次喬木樹種識別的基礎；(3)結(jié)合野外現(xiàn)場勾繪的樣本數(shù)據(jù),對裁剪后WV2影像以基于像元的監(jiān)督分類方式分別完成常綠、落葉喬木樹種識別；(4)根據(jù)實地野外樣方調(diào)查數(shù)據(jù)及有關植物分類文獻[8- 9],獲取專家知識,并依據(jù)高程數(shù)據(jù)修正喬木樹種分類結(jié)果；(5)結(jié)合GIS對主要優(yōu)勢樹種進行空間分析,進一步明確其地形及地域分布特征。

3 實驗結(jié)果及分析

3.1 優(yōu)勢樹種遙感識別

3.1.1 樣本分析

利用J-M Transformed Divergence參數(shù)來衡量訓練樣本的可分離性,該參數(shù)取值范圍是[0,2],0表示兩個類別在某一特征上幾乎完全混淆,2表示兩個類別在某一特征上能夠完全分開。實驗中首先計算了所有喬木樣本W(wǎng)V2的光譜可分離性,發(fā)現(xiàn)除常綠的巴山冷杉外,其它樹種間均存在嚴重混淆。而將這些喬木優(yōu)勢種劃分為常綠、落葉,分層計算出的分離性有顯著提高(由于表格和數(shù)字太多,不在文中列出),如華山松與青杄、青杄與刺葉櫟、華山松與蟲害華山松等樹種。這說明將研究區(qū)先劃分為常綠林、落葉林,再分層提取樹種能減少樹種間的混淆。

3.1.2 分層提取過程

冬季影像上常綠、落葉的解譯特征非常明顯。利用這一物候特性,從方法上提出通過冬季數(shù)據(jù)區(qū)分常綠林、落葉林,夏季數(shù)據(jù)分層次提取相應喬木樹種,這有效避免樹種的混淆程度。

圖2 Landsat8/OLI- 654波段合成RGBFig.2 Landsat8/OLI-band combination 6-R,5-G,4-B

冬季Landsat8/OLI數(shù)據(jù)如圖2所示,在Envi軟件中采用SVM監(jiān)督分類將影像分為落葉林、常綠林、混交林、陰影4種類型,測試樣本數(shù)據(jù)的分類精度為93%；分類后處理并結(jié)合周圍地物判斷陰影區(qū)屬性,修正分類結(jié)果,結(jié)果如圖3所示。考慮華山松和巴山冷杉等喬木是神農(nóng)架川金絲猴棲息地植被的主要建群種,在后續(xù)分析中將混交林合并到常綠林中,以提高主要優(yōu)勢種的精度；將數(shù)據(jù)分類后處理并轉(zhuǎn)矢量,得到落葉林和常綠林的矢量區(qū)間(圖3)。

圖3 分層結(jié)果Fig.3 Result of evergreen forest and deciduous forest

利用上述矢量邊界裁剪WV2影像,分別獲得常綠、落葉林的WV2多光譜影像范圍。

3.1.3 樹種識別

通過實地調(diào)查,確定研究區(qū)域常綠林分布的主要優(yōu)勢種有華山松,巴山冷松、青杄、杜鵑、刺葉櫟等。下圖4顯示了部分特征明顯的樹種。

圖4 樹種分布Fig.4 Distributions of tree species

結(jié)合地面樣本數(shù)據(jù),利用基于像元的監(jiān)督分類方式采用BP算法對WV2影像分別提取常綠、落葉喬木樹種(圖5)。

3.1.4 WV2識別精度

根據(jù)野外實測樣布計算了喬木樹種的分類精度(表1)。

常綠樹種巴山冷杉、華山松、刺葉櫟整體精度較高,用戶精度分別達到94.21%,73.91%,86.59%,杜鵑的用戶精度較高為82.36%,但制圖精度相對低為59.41%；落葉林中紅樺、漆樹等識別精度相對較高,分別為66.67%和67.57%；但其它類型精度不高,如椅楊為51.37%,而銳齒槲櫟僅為22.5%；對分類誤差很大的樹種,在后續(xù)分析中合并到其它常綠/落葉林；受蟲害的華山松精度為82.88%。

3.1.5 專家知識修正

從遙感影像分析角度,樹冠所具有的光譜特征是判定樹種類別的主要依據(jù)；從地理空間角度來看,樹種分布的驅(qū)動力是環(huán)境特征,且具有一定的規(guī)律性。因此實驗中結(jié)合實驗分類結(jié)果(圖5所示),首先在Arcgis軟件中分析各喬木樹種的高程分布,進一步結(jié)合野外調(diào)查植被樣方、《湖北植物志》提供的專家知識[8- 9]統(tǒng)計得到各喬木樹種相應的高程分布范圍,得到修正后高程范圍(圖6)。

由于在分類過程中,樹種誤分造成了部分樹種分布超出了修正高程分布,見圖6方框部分,如華山松的實驗統(tǒng)計分布范圍在1000—3100 m區(qū)間,但是修正后的專家知識分布在1000—2600 m,將超出修正高程范圍內(nèi)的分類結(jié)果進行調(diào)整,調(diào)整為其它落葉或常綠林。最終分類結(jié)果及部分優(yōu)勢種分布如圖7和圖8所示。

表1 分類精度/%

圖5 樹種識別初步結(jié)果Fig.5 The preliminary result of trees species Recognition

圖6 高程分布特性Fig.6 Characteristics of altitude distribution of trees

圖7 分類結(jié)果Fig.7 Result of the tree species′ distribution

圖8 部分優(yōu)勢種空間分布Fig.8 Part of Space distribution of the dominant tree species

3.2 優(yōu)勢種分布特征

3.2.1 地形分布特征

對上述實驗圖7所示的分類結(jié)果,結(jié)合高程數(shù)據(jù)在GIS下進行空間分析,統(tǒng)計各喬木樹種主要分布的高程、坡度、坡向分布圖如圖9—圖11所示。

圖9 喬木樹種的高程分布圖Fig.9 Elevation distributions of tree species

圖10 喬木樹種的坡度分布圖Fig.10 Gradient distributions of tree species

圖11 喬木樹種的坡向分布圖Fig.11 Aspect distributions of tree species

從統(tǒng)計數(shù)據(jù)可以發(fā)現(xiàn)：巴山冷杉的主要分布區(qū)間在2250—3100 m,其中分布最多的在2600 m的海拔處,坡向在陰坡的分布大于陽坡分布,說明其耐陰性強；華山松的主要分布區(qū)間在1850—2800 m,其中分布最多的在2450 m,坡度主要是40°以下,坡向則在陽坡分布多于陰坡分布,說明其陽性樹特性；而對于其它常綠及混交林的分布,坡度在65°以下較多,這主要是由于神農(nóng)架的復雜地形,其中圖1中觀音洞往機場方向的坡度均非常大,分類中這一部分大多數(shù)分到了混交林區(qū)域,符合實際情況；紅樺的主要分布區(qū)間在2000—2800 m,其中分布最多的位于2300 m,坡向在陰陽坡分布相對較為均一。

3.2.2 地域分布特性

結(jié)合喬木樹種分布圖1、圖3、圖5、圖7及林業(yè)調(diào)查數(shù)據(jù)、野外樣方調(diào)查數(shù)據(jù)進行分析,可知神農(nóng)架川金絲猴主要活動地域的垂直植被類型如下：

千家坪垂直植被類型：1900—2100 m是落葉闊葉林；2100—2400 m海拔的植被屬于針闊混交林；2400—2600 m是常綠針葉林；主要分布喬木層樹種以紅樺,華山松,銳齒槲櫟,米心水青岡等為主；

官門山-小神農(nóng)架-大神農(nóng)架-金猴嶺-大龍?zhí)?鴨子口-機場方向垂直植被類型：1500—1900 m落葉闊葉林；1900—2300 m主要分布常綠落葉闊葉混交林；2300—3100 m主要是常綠針葉林,及高山草甸、箭竹、杜鵑等灌木；主要分布喬木層樹種以巴山冷杉,華山松,紅樺,杜鵑等為主；紅樺、華山松和巴山冷杉等喬木是主要建群種,在海拔2100 m以上分布較廣。其中,巴山冷杉分布海拔較高,華山松樹及紅樺分布較廣泛；

觀音洞-大龍?zhí)?羅圈套方向垂直植被類型：局部地形較為特殊,西南面陰坡,且坡度較大,海拔1500—1900 m為針闊混交林,且以針葉林為主；1900 m以上為常綠針葉林；由于羅圈套地形陡峭,無法實地獲取其樣方及喬木樣本,利用實驗分類結(jié)果來看,喬木種主要分布有華山松、青杄及其他針葉林喬木種；

4 討論及結(jié)論

本實驗借助遙感高分WV2影像獲得了神農(nóng)架川金絲猴棲息地的主要優(yōu)勢喬木種的空間分布,并結(jié)合GIS分析了優(yōu)勢種的地形分布特性；這為川金絲猴棲息地植被種類組成、食源植物分布、冬季食物補給、生境診斷與預測提供了極重要的數(shù)據(jù)；實驗還確定了蟲害華山松的空間分布和受災面積(共11 km2),這些數(shù)據(jù)為川金絲猴食物組成的影響分析、蟲害監(jiān)測和治理都能提供了有效指導數(shù)據(jù)。

從采用的遙感數(shù)據(jù)來看,本文探索了WV2高分影像對喬木樹種識別的有效性。目前國外研究采用WV2影像數(shù)據(jù)主要針對歐美、非洲熱帶區(qū)域等城市、森林樹種開展了識別研究,但這些研究存在的問題是：①研究區(qū)的樹種分布相對較簡單,而復雜山地環(huán)境的樹種識別尚未開展；②沒有利用樹種物候特性,單純依靠某些時相的遙感光譜特征,忽略了自然植被的物候特點。雖然有學者[10]在德國柏林利用多時相衛(wèi)星數(shù)據(jù)來反應樹種的物候特性,區(qū)分了8個常見樹屬,但目標是針對城市樹種；另外植被發(fā)育中具有趨同性和趨異性,喬木樹種表征的光譜特征具有明顯的地域性,尚缺乏一種方法來指導不同地理環(huán)境中多時相數(shù)據(jù)的合理應用；③均依靠光譜或派生特征完成實驗。本文相比以往研究,具有以下優(yōu)勢：①完成了復雜山地環(huán)境的樹種識別；證明了WV2多光譜特性對山地環(huán)境的主要優(yōu)勢種識別具有可行性,且該方法具有通用性,適合多種地理環(huán)境；②充分發(fā)揮了遙感多源多時相和物種物候特性相結(jié)合的優(yōu)勢,并從數(shù)據(jù)源上降低了數(shù)據(jù)成本費用；③考慮了高程對樹種分布的影響；實驗中配合地面樣方及專家知識,引入高程專家知識對分類結(jié)果進行修正,能在一定程度避免過分依賴光譜特征造成的誤分錯誤。

本研究從整體精度看,常綠喬木樹種比落葉樹種的識別精度高；光譜信息對如華山松、巴山冷杉、紅樺、刺葉櫟這些喬木樹種能有效識別,但對部分樹種,如銳齒槲櫟,無法單獨依靠遙感光譜信息識別出來,這可能是因為采集到的樣本數(shù)量少導致分類精度低的原因之一。另外一個重要原因是因為喬木的分布與地形[11]、氣候、土壤等地理環(huán)境因素密切相關,沒有考慮這些地學因素,單純依靠遙感光譜信息處理方法不易取得滿意結(jié)果。雖然實驗中考慮了高程因素,但是未將高程作為先驗知識融入智能模型進行分類。因此在后續(xù)實驗中,將考慮結(jié)合地學知識融合遙感數(shù)據(jù)模型,結(jié)合樹種間的空間分布關系進行下一步分析。

從識別方法來看,實驗中采用了常規(guī)基于像元的監(jiān)督分類方法進行了WV2樹種識別有效性的初步探索,證明了其可行性；因此在方法上沒有選擇更多方法或選用更復雜的面向?qū)ο蟮姆绞胶湍Ｐ?結(jié)合如紋理、空間關系等特征完成分類識別；在下一步即將開展的工作中,將采用面向?qū)ο蠓诸惙绞?利用馬爾科夫隨機場模型融合空間關系和專家知識完成樹種識別。

致謝：神農(nóng)架保護區(qū)管理局楊敬元、王敏,湖北大學研究生龔苗、李澤、張娥參與了植被調(diào)查,特此致謝。

[1] 劉廣超. 川金絲猴棲息地質(zhì)量評價和保護對策研究[D]. 北京: 北京林業(yè)大學, 2007.

[2] 鐵軍. 神農(nóng)架川金絲猴(Rhinopithecusroxellana)棲息地植物構(gòu)成和食源植物評價研究[D]. 北京: 北京林業(yè)大學, 2009.

[3] Sch?fer E, Heiskanen J, Heikinheimo V, Pellikka P. Mapping Tree Species Diversity of a Tropical Montane Forest by Unsupervised Clustering of Airborne Imaging Spectroscopy Data. Ecological Indicators, 2016, 64: 49- 58.

[4] Chubey M S, Franklin S E, Wulder M A, Michael A. Object-based Analysis of Ikonos- 2 Imagery for Extraction of Forest Inventory Parameters. Photogrammetric Engineering & Remote Sensing, 2006, 72(4): 383- 394.

[5] Immitzer M, Atzberger C, Koukal T. Tree Species Classification with Random Forest Using Very High Spatial Resolution 8-band Worldview- 2 Satellite Data. Remote Sensing, 2012, 4(9): 2661- 2693.

[6] Pu R L, Landry S. A Comparative Analysis of High Spatial Resolution IKONOS and WorldView- 2 Imagery for Mapping Urban Tree Species. Remote Sensing of Environment, 2012, 124: 516- 533.

[7] 蘇彥捷. 金絲猴的社會(第二版). 北京: 北京大學出版社, 2014:4- 5

[8] 傅書遐. 湖北植物志(I—IV)卷. 武漢: 湖北科學技術出版社, 2002.401- 411

[9] 鄭重. 湖北植物大全. 武漢: 武漢大學出版社, 1993.25- 182.

[10] Tigges J, Lakes T, Hoster P. Urban Vegetation Classification: Benefits of Multitemporal RapidEye Satellite Data. Remote Sensing of Environment, 2013, 136: 66- 75.

[11] Oke O A, Thompson K A. Distribution Models for Mountain Plant Species: The Value of Elevation. Ecological Modelling, 2015, 301: 72- 77.

DeterminationofdominanttreespeciesandeffectsoftreedistributiononthehabitatofRhinopithecusroxellanausingRemoteSensingimageryinShennongjia

LIN Liqun1,2, WANG Zhengxiang1,2,3,*, LEI Yun4, LI Tingting1,3,WANG jun1,YANG Jingyuan5

1FacultyofResourcesandEnvironmentalSciences,HubeiUniversity,Wuhan430062,China2HubeiKeyLaboratoryofRegionalDevelopmentandEnvironmentalResponse(HubeiUniversity),Wuhan430062,China3HubeiCollaborativeInnovationCenterforGreenTransformationofBio-Resources,Wuhan430062,China4SchoolofLifeSciences,CentralChinaNormalUniversity,Wuhan430079,China5HubeiKeyLaboratoryofShennongjiaGoldenMonkeyConservationBiology(ShennongjiaNationalParkAdministration),Shennongjia442421,China

Because of the difficulty in obtaining large-scale distribution data on tree species inRhinopithecusroxellanahabitat in Shennongjia, we attempted to use multi-source and multi-temporal remote sensing data combined with expert knowledge to identify species at different levels. Firstly, after analyzing the discrimination of sample trees, we used winter Landsat8/OLI image data to extract evergreen and deciduous forest, respectively. Secondly, we used summer Worldview- 2 high resolution image data to for the recognition of tree species, which included the evergreen species (Abiesfargesii,Pinusarmandii,Piceawilsonii,Quercusspinosa) and deciduous tree species (Betulaalbo-sinensis,Larixkaempferi,Fagusengleriana,Toxicodendronvernicifluum,Quercusaliena,Populuswilsonii), respectively. Thirdly, combining the vegetation quadrats and expert knowledge on elevation, we corrected the classification results based on the second step. Finally, making use of GIS spatial analysis, we analyzed the terrain and geographical distribution on the dominant species. The experiment revealed that accuracy was higher in evergreen forests, such asAbiesfargesii,Pinusarmandii,Quercusspinosa, andPinusarmandiiaffected by pests, whereas relatively higher in deciduous forest, such asBetulaalbo-sinensisandToxicodendronvernicifluum. Some species, such asPopuluswilsoniiandQuercusaliena, showed poor accuracy. In general, evergreen species had higher accuracy than deciduous trees. By combining plant geography, remote sensing, and GIS, we integrated the multi-source, multi-temporal remote sensing data,phenologicalcharacteristics of the tree species, and expert knowledge to propose a method for identifying tree species. This method (1) provides an effective way to identify dominant tree species in complex mountainous environments, and it has the versatility for a variety of geographical environments; (2) makes full use of the integration of species phenological features and characteristics of remote sensing data to reduce data costs; (3) uses ground sampling and expert knowledge, ensuring the classification results are correct, which can avoid excessive reliance on spectral characteristics, and reduce the possibility of misclassification. This method will provide more accurate data for the protection and restoration of the habitat ofRhinopithecusroxellanain Shennongjia.

multi-source and multi-temporal Remote sensing data; high resolution image Worldview- 2; tree species identification; vegetation; expert knowledge

國家支撐計劃(2013BAD03B03-01);國家自然科學基金(41471041);省自然科學基金(2014CFB560);省中青年基金(Q20141003)

2016- 07- 03; < class="emphasis_bold">網(wǎng)絡出版日期

日期:2017- 05- 27

*通訊作者Corresponding author.E-mail: wangzx66@hubu.edu.cn

10.5846/stxb201607031369

林麗群,汪正祥,雷耘,李亭亭,王俊,楊敬元.神農(nóng)架川金絲猴棲息地優(yōu)勢喬木樹種遙感識別及其分布特征.生態(tài)學報,2017,37(19):6534- 6543.

Lin L Q, Wang Z X, Lei Y, Li T T,Wang J,Yang J Y.Determination of dominant tree species and effects of tree distribution on the habitat ofRhinopithecusroxellanausing Remote Sensing imagery in Shennongjia.Acta Ecologica Sinica,2017,37(19):6534- 6543.