面向水源地保護的地塊尺度桉樹遙感識別方法研究

曾志康　謝國雪　黃啟廳

摘 要 速生桉人工林具有生長速度快、輪伐周期短的特點，大量、單一的速生桉種植給水源地的水土保持及生物多樣性帶來潛在威脅。為加強飲用水水源保護區(qū)環(huán)境管理，開展了面向水源地保護的地塊尺度桉樹遙感識別方法研究。以廣西南寧市重要飲用水保護區(qū)——大王灘水庫為對象，基于高分一號16 m分辨率影像提取庫區(qū)水域信息和邊界，進而向外緩沖500 m獲得研究區(qū)范圍；然后以谷歌高分辨率影像為數(shù)據(jù)源，利用人機交互方法獲取研究區(qū)內(nèi)的精細地塊信息；最后結合多時相中分遙感影像計算地塊的多維光譜特征，并利用基于地塊的面向?qū)ο蠓诸惙椒ㄌ崛¤駱洹⑵渌值?、耕地、建設用地等土地覆蓋信息。結果表明，基于地塊尺度的桉樹識別方法能夠獲得較好的提取效果，總體分類精度為90.24 %，Kappa系數(shù)為0.88，其中桉樹識別的用戶精度及生產(chǎn)者精度分別達到94.87 %和97.37 %，能夠滿足應用需求。研究發(fā)現(xiàn)桉樹種植面積高達4 960.03 hm2，占研究區(qū)面積的35.02 %，面積比例遠高于其他樹種，可能對水源區(qū)生態(tài)環(huán)境帶來不利影響，建議有關部門加強對水源區(qū)桉樹種植及砍伐的管控，確保飲用水保護區(qū)的生態(tài)環(huán)境質(zhì)量。

關鍵詞 水源保護區(qū) ；桉樹 ；地塊尺度 ；遙感識別

中圖分類號 S792.39

Analysis on the Remote Sensing Identification of Spot Scale Eucalyptus for Drinking Water Source Protection

ZENG Zhikang XIE Guoxue HUANG Qiting ZHANG Jiamei MA Canda

（Agricultural Science and Technology Information Research Institute， Guangxi Academy of Agricultural Sciences， Nanning， Guangxi 530007）

Abstract The fast-growing Eucalyptus had high growth rate and short cutting period， the large-scale eucalyptus plantation threatened the biodiversity， soil and water conservation of water reservation area.In order to facilitate the environmental management of water reservation areas， this paper analyzed the remote sensing identification of spot scale Eucalyptus for drinking water source protection. The Dawangtan Reservoir，one of the most important drinking water conservation areas in Nanning was chosen as the study object in this paper. The water area of reservoir was extracted by 16 m GF-1 image， a 500 m-width buffered area surrounding the water-body was made and served as study area. Based on the Googles high-resolution imagery， the land information were produced by human-computer interaction. The multi-dimensional spectral features of land was calculated by multi-temporal mid-resolution images. The eucalyptus， woodland， cultivated land and construction land were identified by the object-oriented classification method. The results showed that the remote sensing identification of spot scale Eucalyptus had better extraction effect， the overall accuracy was 90.24%， the Kappa coefficient was 0.88. The user and producer accuracies of Eucalyptus identification reached 94.87% and 97.37%， this could adequately meet the application needs. The planting area of eucalyptus reached 4 960.03 hm2， accounted for 35.02% of the study area，which was much larger than other trees. Considering the worse effect on the environment of water reservation area，it was suggested that management departments should strictly regulate the planting and deforestation of Eucalyptus in order to ensure the environmental quality of drinking water protection area.

Key words Water reservation area ； Eucalyptus robusta Smith ； spot scale ； remote sensing identification

桉樹（Eucalyptus robusta Smith）屬桃金娘科桉屬植物，原產(chǎn)于澳大利亞，具有生長速度快、易于種植及抗逆性強等特點，是目前砍伐期最短的人工林樹種之一[1]，已被100多個國家和地區(qū)引種和栽培[2]。中國桉樹種植面積廣泛，據(jù)2013年有關數(shù)據(jù)統(tǒng)計，全國桉樹人工林的面積達450萬hm2[3]，主要分布于廣西、廣東、福建、海南等熱帶亞熱帶地區(qū)，其中以廣西種植面積最大[4]。近年來，不少農(nóng)戶為了追求經(jīng)濟效益，煉山種植和耕地種植桉樹的現(xiàn)象頻發(fā)，由此導致的水土流失、樹種單一化及藥肥過量施用的問題較為突出，給生態(tài)環(huán)境造成不利影響，尤其對水源保護區(qū)的水質(zhì)安全帶來較大隱患。為此，及時、準確地掌握水源區(qū)的桉樹種植面積具有重要意義。

目前，國內(nèi)外學者在森林樹種遙感識別方面已經(jīng)取得不少研究成果。Engler等[5]利用高分辨率航空影像和地形氣候數(shù)據(jù)相結合，通過多種建模方法實現(xiàn)了瑞士東部3種闊葉樹及3種針葉樹的面積監(jiān)測；Christopher等[6]基于TM影像利用監(jiān)督分類方法對海地的森林類型進行了監(jiān)測發(fā)現(xiàn)：海地森林覆蓋率約為32.3 %；伍靜[7]基于TM影像分別利用支持向量機、BP神經(jīng)網(wǎng)絡、決策樹等多種分類方法對桉樹面積進行了提?。徊桃齕8]基于RapidEye遙感影像利用面向?qū)ο蠹夹g與知識規(guī)則創(chuàng)建分類方法提取了廣西國有高峰林場桉樹種植信息，提取精度為82.12 %；梁文海等[9]以高分二號影像為數(shù)據(jù)源，提取了廣西橫縣平朗鄉(xiāng)桉樹種植信息，用戶精度和生產(chǎn)者精度分別為81.4 %和86.4 %?，F(xiàn)有研究主要為單一時相及數(shù)據(jù)源的像素級遙感分類，其遙感識別結果在幾何與屬性精度上仍存在諸多不足，而基于多源衛(wèi)星數(shù)據(jù)對水源保護區(qū)進行地塊尺度桉樹信息遙感監(jiān)測的研究更為鮮見。筆者將低頻高分辨影像與高頻中分辨率影像結合，通過影像分割及少量人工修正的方法識別土地覆蓋地塊邊界，在地塊基礎上利用面向?qū)ο蠓诸惙椒ㄌ崛×藦V西南寧市大王灘水庫飲用水保護區(qū)桉樹種植地塊信息，為有關部門提供準確的桉樹種植數(shù)據(jù)，同時為水源保護區(qū)桉樹種植信息監(jiān)測提供技術參考。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

大王灘水庫是珠江水系郁江支流八尺江中游的一座大（Ⅱ）型水庫，庫區(qū)橫跨廣西南寧市良慶區(qū)和江南區(qū)，壩址位于那馬鎮(zhèn)，地處東經(jīng)108°00′～108°23′，北緯22°09′～22°40′，距南寧市中心28 km?！赌蠈幨惺袇^(qū)飲用水水源保護區(qū)劃定方案》在2014年4月22日通過批復，正式將大王灘水庫列入飲用水水源保護區(qū)?，F(xiàn)以取水口上溯至那元河、八尺江和滑石江水域段在正常水位情況下，向陸地區(qū)域緩沖500 m的范圍為研究區(qū)。

1.2 數(shù)據(jù)來源

以高頻中分辨率影像和低頻高分辨率影像搭配使用為數(shù)據(jù)源，高分辨率影像來源于谷歌地球，獲取時間為2016年3月6日，包括紅、綠、藍3個波段信息，該影像缺乏近紅外波段不利于桉樹種植信息提取，但具有較高的空間分辨率十分適用于地塊邊界提取。中分辨率影像采用高分一號（GF-1）16 m分辨率的多光譜影像，具有重訪周期短（2 d）、質(zhì)量優(yōu)、無償共享等優(yōu)勢，被廣泛應用于作物識別、災害監(jiān)測、變化監(jiān)測等領域。數(shù)據(jù)信息詳情見表1。

1.3 解譯標志

利用美國天寶JUNO 3B定位儀進行外業(yè)定位，在ArcGIS平臺上加載研究區(qū)谷歌地球影像，利用平臺GPS功能連接定位儀，實現(xiàn)谷歌影像上顯示衛(wèi)星實時定位位置（類似地圖導航功能），通過實地與影像對比采集地物解譯標志，采集地物包括桉樹、耕地、其他林地、建設用地、其他用地、水域，共采集906個解譯標志，分別均勻選取每個地物的30個解譯標志點落在的地塊作為分類樣本，其余解譯標志用于分類參考及精度評價。

2 桉樹信息提取技術方法

2.1 影像處理

以谷歌影像為基準（WGS-84坐標系），分2部分完成影像處理工作，首先利用ERDAS2014軟件平臺的區(qū)域網(wǎng)平差功能對傳感器類型為WFV3的高分影像進行正射校正，其次以校正無誤的影像為參考影像，利用ENVI5.3平臺的自動糾正模塊，完成其余影像的處理。區(qū)域網(wǎng)平差精度要求平坦區(qū)域及丘陵地區(qū)每個控制點誤差分別不大于0.5、1.0，影像整體誤差不大于1.0，每景影像控制點選取數(shù)量不少于40個，重疊區(qū)域控制點數(shù)不少于8個，且所有控制點均勻分布。ENVI影像自動糾正過程中連接點匹配度閾值最小設置為0.6，連接點誤差閾值最大設置為3，連接點總誤差小于2，自動匹配連接點數(shù)不少于60個。區(qū)域網(wǎng)平差能夠批量完成具有重疊影像的預處理，有效解決被校正影像因單獨處理存在影像偏移問題；自動糾正模塊能夠在無控制點的條件下完成影像處理，不僅實現(xiàn)相同衛(wèi)星影像的無偏差校正，且節(jié)約人工選點的大量時間。

2.2 桉樹信息提取

根據(jù)研究區(qū)植被特性，基于多時期影像特征利用面向地塊對象的分類方法提取了桉樹、其他林地、耕地、道路、建設用地和其他用地地類信息，技術路線見圖1。包括研究區(qū)提取、剔除干擾、地塊生產(chǎn)、桉樹提取4大部分。分類過程中應用了eCognition9.0和ARCGIS10.32個軟件平臺。

2.2.1 研究區(qū)提取

以2017年4月1日采集的GF-1衛(wèi)星影像為基準，利用多尺度分割算法（尺度為10）形成對象，進而利用該影像構建歸一化水指數(shù)（Normalized Difference Water Index，NDWI），聯(lián)合影像亮度指標（Brightness）提取研究區(qū)水體。通過條件篩選確定面積最大的圖斑為庫區(qū)水體面域，經(jīng)過圓滑算法處理及緩沖區(qū)處理（緩沖距離500 m）形成研究區(qū)范圍。

2.2.2 剔除干擾

以所有的影像為數(shù)據(jù)源，基于研究區(qū)矢量范圍利用棋盤分割算法生成研究區(qū)大對象，再應用多尺度分割算法（尺度為10）生成更小對象，根據(jù)GF-1影像（2016年10月7日）的亮度特征及建立的歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）提取道路和建設用地信息，通過合并與輸出處理形成2大類信息，分別為道路與建設用地信息、其他用地信息。

2.2.3 地塊生產(chǎn)

地塊生產(chǎn)的目的在于形成精細且完整的地塊信息，能夠有效避免分割算法存在對象過度分割及分割尺度不足等問題，是提取桉樹信息的基礎。谷歌影像具有空間分辨率高、地物邊界清晰等特點，較適用于地塊生產(chǎn)，為此以谷歌影像為基底，基于其他用地、道路與建設用地信息利用棋盤分割算法形成其他用地對象、道路與建設用地對象，再利用多尺度分割算法進一步分割形成更小的對象，其中其他用地分割尺度為30，道路與建設用地分割尺度為26。以多尺度分割形成的對象為基礎，在ARCGIS10.3平臺中利用合并、圓滑模型進行初步處理，進而通過技術人員手工進行少量的修正形成地塊矢量數(shù)據(jù)。在進行地塊數(shù)據(jù)拓撲檢驗無誤后，利用重分類技術完成屬性的批量錄入，形成符合要求的地塊數(shù)據(jù)。雖然人機交互方法生產(chǎn)地塊數(shù)據(jù)消耗較長時間，但有利于提高分類精度，同時該數(shù)據(jù)具有較高的可重復利用性，為變化檢測與更新、樹齡監(jiān)測、土地利用等應用提供基礎數(shù)據(jù)。

2.3 桉樹提取

2017年1月22日屬于寒冷季節(jié)，部分植被處于落葉或者收獲時期，該時期獲取的影像可用于區(qū)分植被信息和非植被信息，但未收割農(nóng)作物易歸類為植被區(qū)。植被在2017年4月1日已進入生長階段，林地生長茂盛，但農(nóng)作物（耕地）、草地等尚未進入生長最旺盛期，獲取對應時間的影像有利于提取生長茂盛植被區(qū)和稀疏植被區(qū)，尤其對于識別農(nóng)作物具有敏感性。綜上所述，綜合利用2個時期影像可識別植被區(qū)和非植被區(qū)（包括稀疏植被、未種植或生長初期農(nóng)作物等），為此分別基于兩個時相的NDVI，在其他用地地塊基礎上，利用NDVI閾值提取非植被區(qū)和植被區(qū)。研究區(qū)絕大部分林地屬于常綠植被，桉樹與其他樹種難以通過少量的特征閾值進行區(qū)分，針對此情況采用基于多時序影像特征（波段均值、亮度和自定義特征）的面向地塊對象的支持向量機（Support Vector Machine，SVM）分類方法提取桉樹、農(nóng)作物、其他林地和其他用地信息[10]。自定義特征包括多期高分影像的NDVI及谷歌影像的波段比率（藍光波段比率、綠光波段比率和紅光波段比率），雖然谷歌影像無近紅外波段信息，但清晰的紋理信息對于識別桉樹具有重要作用。多時序影像特征是識別地物類型的重要指標，不同時相的NDVI有效反映了地物不同時期的生長特性，基于多時序影像特征提取地物信息具有更高精度的優(yōu)勢。

3 結果與分析

3.1 基礎地塊

地塊數(shù)據(jù)是土地利用調(diào)查、作物信息提取、變化檢測等應用的基礎數(shù)據(jù)，地塊生產(chǎn)不僅實現(xiàn)了成果的精細化，且保證具有相同屬性的對象形成完整的對象，有效解決分割不足的問題。谷歌影像具有高分辨率的優(yōu)勢，清晰呈現(xiàn)不同地塊的邊界信息，通過多尺度分割算法及少量人工修正，可快速生產(chǎn)地塊信息，分割算法及人機交互生產(chǎn)地塊的成果對比效果見圖2。從圖2中顯示：分割尺度為10的存在分割多度現(xiàn)象，相反采用尺度為100進行分割出現(xiàn)分割不足的情況，利用人機交互方法生產(chǎn)的地塊更符合使用要求。

3.2 分類成果

不同地物在不同時期的影像特征是地類識別的重要指標。本研究在地塊信息的基礎上，利用多分辨率及多時期影像搭配構建不同地物信息的影像特征，基于多時序影像特征利用面向?qū)ο蠓诸惙椒ㄌ崛×髓駱洹⑵渌值?、耕地、道路、建設用地和其他用地信息，分類成果見圖3。經(jīng)分類結果統(tǒng)計可知研究區(qū)面積為14 164.47 hm2，其中桉樹、其他林地、耕地、建設工地、其他用地、道路、水域面積分別為4 960.03、3 443.77、2 079.88、169.36、84.98、20.55、3 405.90 hm2，桉樹種植面積占研究區(qū)的35.02 %，種植面積遠多于其他樹種，對于水源區(qū)保護極其不利。

3.3 精度分析

隨機抽取6類地物解譯標志點落在的分類地塊進行精度評價（分類樣本除外），其中桉樹、其他林地、耕地、建設工地、道路、其他用地分別抽取78、36、28、36、26、42個地塊，依據(jù)驗證結果構建混淆矩陣評價分類精度，評價結果見表2。表中每一行表示對應地物分類正確情況，總和表示該類被用于檢驗地塊總數(shù)，用戶精度即分類正確個數(shù)與總和之比；每一列表示不同地物被判別為該類的個數(shù)，總和表示為判別為該類的累計個數(shù)，制圖精度為分類正確個數(shù)與累計和之比。表2中對角線表示地類正確分類的地塊個數(shù)，對角線個數(shù)累計和與被驗證地塊總數(shù)之比即為總體分類精度，根據(jù)混淆矩陣利用Kappa系數(shù)計算其值。

總體分類精度、Kappa系數(shù)、制圖精度與用戶精度是評價分類質(zhì)量優(yōu)劣的重要指標[11]，其中前兩者是反映分類成果的整體質(zhì)量，后兩者是評價某一個具體類別（如桉樹）的分類精度，四者值越高表明精度越高。通常Kappa系數(shù)≥0.8說明分類結果達到極好等級[12]。表2顯示Kappa系數(shù)為0.88，表明了總體分類質(zhì)量極好，達到應用的要求。表2顯示，桉樹信息的用戶精度和生產(chǎn)精度最高，滿足精度要求，但仍存在錯分的現(xiàn)象，主要原因在于桉樹與其他樹種混合種植，導致少量桉樹信息錯分為其他林地，同理其他林地也出現(xiàn)了錯分為桉樹信息的現(xiàn)象。耕地與其他用地分類精度較低，兩者被互相錯分現(xiàn)象明顯，主要根源在于耕地包括種植農(nóng)作物地塊和完成收割地塊，其中農(nóng)作物生長較差、已收割農(nóng)作物地塊易與其他用地混淆，出現(xiàn)錯分現(xiàn)象，反之其他用地出現(xiàn)錯分為耕地的情況。雖然不同地物分類精度存在差異，但表2中分類精度結果說明了以多時序影像為數(shù)據(jù)源，基于多時序影像特征的面向地塊對象分類方法提取桉樹信息確實可行。

4 討論

桉樹是世界三大快速生長樹種之一，具有生長快、適應強、高效益等特性。近年來，中國南方地區(qū)推廣種植速度極快，帶來了巨大效益的同時也產(chǎn)生了一系列生態(tài)問題，快速準確監(jiān)測桉樹種植面積對于保護環(huán)境及促進林業(yè)發(fā)展具有重要意義。本研究與梁文海[9]、牟智慧[13]、王學成[14]等學者具有一致觀點，即利用面向?qū)ο蠓诸惙椒ㄌ崛¤駱浞N植信息確實可行，但與之相比分類精度更高，且使用的數(shù)據(jù)源及規(guī)則分類存在較大差異。一方面，本研究使用低頻高分辨影像與高頻中分辨率影像搭配方式，影像資源更具豐富性，改變了以上學者利用單期影像提取桉樹的模式，有利于提高分類精度；另一方面，以上學者直接利用分割方法形成對象，在此基礎上進行分類，但文章在實踐過程中通過人機交互方式生產(chǎn)了基礎地塊信息，再利用面向地塊對象分類方法實現(xiàn)地物提取，不僅有效避免了對象分割過碎與分割不足的現(xiàn)象，且完整的地塊信息是提高成果精度的基礎，同時生產(chǎn)的地塊信息具有高重復利用性，可作為變化檢測、土地利用調(diào)查、樹齡監(jiān)測等應用的基礎數(shù)據(jù)。綜上所述，本研究技術方法不僅分類精度高，且對于桉樹信息提取具有參考價值，但地塊生產(chǎn)仍需投入較多的人工修正，未能達到預期高效化的目標，后期需要攻克地塊生產(chǎn)技術，減少時間和人力成本。

5 總結

水源區(qū)桉樹種植信息監(jiān)測是有關部門急需解決的問題，為了鞏固水源保護區(qū)生態(tài)環(huán)境安全，及時準確掌握桉樹種植信息，筆者以多星多時期遙感影像為數(shù)據(jù)源，通過人機交互方法生產(chǎn)了基礎地塊數(shù)據(jù)，基于多時序影像特征利用面向地塊對象分類方法提取了桉樹、其他林地、耕地、建設用地、道路和其他用地信息，分類質(zhì)量達到極好等級，不僅為有關部門提供了可靠數(shù)據(jù)，且生產(chǎn)的地塊信息具有高重復利用性。本研究成果表明大王灘水庫水源保護區(qū)種植大量桉樹，占了整個區(qū)域面積的35.02 %，建議有關部門嚴控水源區(qū)桉樹砍伐，加強水源區(qū)保護的力度。本研究的技術方法具有較好的普適性，可推廣應用于南方丘陵地區(qū)桉樹提取，對于桉樹信息監(jiān)測具有重要意義。

參考文獻

[1] 付 曉，王雪軍，韓愛惠，等. 紙漿源地桉樹資源遙感動態(tài)監(jiān)測與分析[J]. 北京林業(yè)大學學報，2008，30（S1）：89-93.

[2] 黎 潔，溫 亞，何 蓉，等. 桉樹種植的現(xiàn)狀、生態(tài)問題與可持續(xù)發(fā)展對策研究[J]. 綠色科技，2017（2）：94-97.

[3] 陳少雄，陳小菲. 我國桉樹經(jīng)營的技術問題與思考[J]. 桉樹科技，2013，30（3）：52-59.

[4] 李志輝，楊民勝，陳少雄，等. 桉樹引種栽培區(qū)區(qū)劃研究[J]. 中南林學院學報，2000，20（3）：1-10.

[5] Engler R， Waser L T， Zimmermann N E， et al. Combining ensemble modeling and remote sensing for mapping individual tree species at high spatial resolution[J]. Forest Ecology and Management， 2013， 310（1）： 64-73.

[6] Christopher E， Churches Peter J. Wampler， Wanxiao Sun， et al. Evaluation of forest cover estimates for Haiti using supervised classification of Landsat data[J]. International Journal of Applied Earth Observation and Geoinformation， 2014， 30： 203-216.

[7] 伍 靜. 基于TM的速生桉遙感分類技術研究[D]. 南寧：廣西大學，2014.

[8] 蔡耀君. 基于面向?qū)ο蠹夹g的RapidEye影像桉樹林信息提取研究[D]. 南寧：廣西師范學院，2015.

[9] 梁文海，劉吉凱，張 偉，等.基于面向?qū)ο蠓椒ǖ腉F-2影像桉樹林信息提取[J]. 浙江農(nóng)林大學學報，2017，34（4）：721-729.

[10] 謝國雪，楊如軍，李雙青，等. 基于空間三維視角的無人機技術監(jiān)測農(nóng)林資源[J]. 亞熱帶資源與環(huán)境學報，2015，10（2）：84-90.

[11] 謝國雪. 無人機傾斜攝影系統(tǒng)的三維可視化應用研究[D]. 南寧：廣西師范學院，2016.

[12] 覃澤林，謝國雪，李宇翔，等. 多時相高分一號影像在丘陵地區(qū)大宗農(nóng)作物提取中的應用[J]. 南方農(nóng)業(yè)學報，2017，48（1）：181-188.

[13] 牟智慧，楊廣斌. 基于TM影像面向?qū)ο蟮蔫駱湫畔⑻崛J]. 林業(yè)資源管理，2014（2）：119-125.

[14] 王學成，楊 飛. 基于面向?qū)ο蠓诸惙椒ǖ腞apideye桉樹提取[J]. 桉樹科技，2014，31（3）：10-16.