運(yùn)用植被指數(shù)時(shí)序特征對(duì)落葉松人工林分類1)

馬婷 李崇貴 郭瑞霞 劉思涵 劉伯濤

(西安科技大學(xué)，西安，710054)

落葉松(Larixgmelini)是我國(guó)北方林區(qū)常見(jiàn)的一種寒溫帶及溫帶樹(shù)種，由于具有速生、材質(zhì)好、抗性強(qiáng)、適應(yīng)性廣等特點(diǎn)，已成為我國(guó)北方主要的造林樹(shù)種[1]。落葉松人工林能夠在一定程度上減輕對(duì)天然林木材供給需求的壓力。隨著我國(guó)落葉松人工林造林面積的逐年加大，林業(yè)重點(diǎn)工程建設(shè)的穩(wěn)步推進(jìn)，對(duì)落葉松人工林資源的調(diào)查也是林業(yè)調(diào)查領(lǐng)域一項(xiàng)新需求，特別是對(duì)快速獲取落葉松人工林空間位置分布狀況。

在林業(yè)遙感領(lǐng)域，國(guó)內(nèi)外學(xué)者對(duì)不同林地類型分類進(jìn)行了大量的研究工作，并取得一定成果。Suchenwirth et al.[2]通過(guò)分析遙感特征值、空間幾何信息和坡度信息等，構(gòu)建相應(yīng)的知識(shí)規(guī)則，運(yùn)用專家知識(shí)的決策樹(shù)算法分類，在泛洪區(qū)分類中提取了蘆羊、白楊林和草地等植被；王榮[3]利用面向?qū)ο蟮亩喑叨确指钏惴?、Sobel算子邊緣檢測(cè)及骨架線提取等方法，提取天然林與人工林的紋理線特征，構(gòu)建了面向?qū)ο蟮募y理線條密度指數(shù)(ITLD)，該指數(shù)能有效提取森林內(nèi)部天然林與人工林植被覆蓋信息；賈明明等[4]以環(huán)境星(HJ-1 CCD)數(shù)據(jù)和中等分辨率的MODIS時(shí)間序列數(shù)據(jù)為基礎(chǔ)，通過(guò)分析不同森林類型的季相和光譜特征，確定不同森林類型的特征參數(shù)并進(jìn)行森林類型分類試驗(yàn)，結(jié)果表明MODIS時(shí)間序列數(shù)據(jù)和環(huán)境星(HJ-1 CCD)數(shù)據(jù)結(jié)合的森林類型分類精度，與使用單一的環(huán)境星(HJ-CCD)數(shù)據(jù)相比得到大幅度提高。梁守真等[5]嘗試?yán)枚鄷r(shí)相的Landsat TM數(shù)據(jù)和時(shí)間序列MODIS-NDVI數(shù)據(jù)進(jìn)行橡膠林信息提取實(shí)驗(yàn)，利用包含橡膠關(guān)鍵季相期的多時(shí)相數(shù)據(jù)能得到更高的提取精度。Chen et al.[6]嘗試?yán)弥脖痪植坎町愔笖?shù)(IVLD)和最大似然分類法相合，進(jìn)行森林植被類型分類試驗(yàn)，結(jié)合空間信息提取的植被局部差異指數(shù)信息能夠提高森林類型分類精度。魯楠等[7]運(yùn)用國(guó)產(chǎn)高分二號(hào)(GF-2)數(shù)據(jù)和CART決策樹(shù)算法設(shè)計(jì)了一種四季時(shí)相知識(shí)規(guī)則集，并采用分層逐步分類和多種分類方法相結(jié)合，進(jìn)行森林類型分類實(shí)驗(yàn)，該方法能夠有效提高森林類型的分類精度。國(guó)內(nèi)外針對(duì)落葉松人工林的研究文獻(xiàn)多集中于生物量模型、土壤肥力、經(jīng)營(yíng)狀況、落葉松落葉病以及苗圃培育等方面，利用遙感圖像分類算法提取落葉松人工林空間位置分布的研究鮮有報(bào)道。目前基于遙感影像的林地類型分類，特別是針葉林、闊葉林和針闊混交林的分類精度相對(duì)較低，尚不能有效滿足實(shí)際生產(chǎn)需要。因此，利用遙感手段探討我國(guó)落葉松人工林的分布情況，在理論研究和實(shí)際應(yīng)用上都有十分重要的意義。

1 研究區(qū)概況

研究區(qū)域?yàn)楹邶埥〖涯舅故袠迥峡h東北部的孟家崗林場(chǎng)，地理坐標(biāo)為東經(jīng)130°32′42″～130°52′36″，北緯46°20′16″～46°30′50″，屬東亞大陸性季風(fēng)氣候，年平均氣溫2.7 ℃，海拔168～575 m[8]。該林場(chǎng)是以經(jīng)營(yíng)落葉松為主的人工林基地，全場(chǎng)總面積16 733.3 hm2，其中人工造林占林地面積的76.7%，主要種植樹(shù)種有落葉松(Larixgmelini)、紅松(Pinuskoraiensis)、云杉(Piceaasperata)和樟子松(Pinussylvestris)等。

2 研究方法

2.1 遙感影像數(shù)據(jù)與預(yù)處理

本研究采用的研究數(shù)據(jù)是2017年7月6日由“高分一號(hào)”衛(wèi)星拍攝的孟家崗林場(chǎng)8 m分辨率的多光譜彩色圖像和2 m分辨率的全色圖像。利用ENVI5.3軟件對(duì)多光譜圖像進(jìn)行輻射定標(biāo)、FLAASH大氣校正、幾何校正、正射校正，對(duì)全色圖像進(jìn)行輻射定標(biāo)、幾何校正、正射校正，再采用G-S融合算法將8 m分辨率的多光譜影像融合成2 m分辨率多光譜影像。

2017年多時(shí)相Landsat8 OLI影像下載于地理空間數(shù)據(jù)云(http://www.gscloud.cn/)，研究區(qū)內(nèi)自11月份至2018年3月份積雪較厚，一年內(nèi)多時(shí)相高質(zhì)量影像難以全部獲取，本文選取Landsat8 OLI遙感影像構(gòu)建相應(yīng)的植被指數(shù)時(shí)間序列，影像信息如表1所示。為了更好的識(shí)別地物特征，對(duì)多時(shí)相OLI影像進(jìn)行輻射定標(biāo)、大氣校正、裁剪。

2.2 植被指數(shù)選擇與計(jì)算

運(yùn)用灰度共生矩陣對(duì)預(yù)處理后2 m分辨率的GF-1影像提取8個(gè)紋理特征(均值、方差、協(xié)同性、對(duì)比度、相異性、信息熵、二階矩和相關(guān)性)，再利用預(yù)處理后的Landsat8 OLI影像數(shù)據(jù)提取研究區(qū)內(nèi)5個(gè)樹(shù)種的植被指數(shù)，構(gòu)建相應(yīng)的植被指數(shù)時(shí)間序列特征；并與GF-1遙感影像的4個(gè)光譜波段和8個(gè)紋理特征組成多源數(shù)據(jù)集。最后采用最大似然和隨機(jī)森林兩種方法進(jìn)行落葉松人工林分類。

表1 Landsat8 OLI數(shù)據(jù)信息

在遙感影像中，植被信息主要體現(xiàn)在植被冠層和葉子的光譜特性上，時(shí)相和光譜特征是遙感影像中最為直觀的信息[9]。參考大量文獻(xiàn)和多次試驗(yàn)后，選取歸一化植被指數(shù)(INDV)、差值植被指數(shù)(IDV)、比值植被指數(shù)(IRV)和增強(qiáng)型植被指數(shù)(IEV)作為本次研究的植被指數(shù)。

歸一化植被指數(shù)(INDV)可以很好的反映植被生物量、生長(zhǎng)狀態(tài)及覆蓋度信息。其時(shí)間序列變化曲線可以很好的描述地表植被的動(dòng)態(tài)過(guò)程[10]。其計(jì)算公式為：INDV=(ρNIR-ρR)/(ρNIR+ρR)。式中，式中：ρR、ρNIR分別表示紅光(0.630～0.680 μm)、近紅外波段(0.845～0.885 μm)對(duì)應(yīng)的反射率。

差值植被指數(shù)(IDV)很好地反映了植被生態(tài)環(huán)境。其計(jì)算公式為：IDV=ρNIR-ρR。

比值植被指數(shù)(IRV)是健康植物靈敏指數(shù)參數(shù)，當(dāng)IRV小于1時(shí)，說(shuō)明無(wú)植被信息，可能為裸土、建筑、水體、植被哭死或者嚴(yán)重蟲害。IRV越大，說(shuō)明植被生長(zhǎng)狀況越好，生物量、覆蓋度越高[11]。計(jì)算公式為：IRV=ρNIR/ρR。

增強(qiáng)型植被指數(shù)(IEV)通過(guò)加入藍(lán)光波段(0.450～0.515 μm)增強(qiáng)了植被信號(hào)，矯正土壤背景和氣溶膠散射的影響，更好地反映植被生長(zhǎng)狀況及覆蓋度[12]。計(jì)算公式為：IEV=2.5×[(ρNIR-ρR)/(ρNIR+6ρR-7.5ρB+1)]。式中：ρB表示藍(lán)光波段對(duì)應(yīng)的反射率。

2.3 試驗(yàn)樣本與驗(yàn)證數(shù)據(jù)

利用無(wú)人機(jī)拍攝的0.5 m分辨率CCD數(shù)據(jù)解譯人工落葉松林的分布，結(jié)合孟家崗林場(chǎng)2014年森林資源二類調(diào)查小班矢量數(shù)據(jù)，將林場(chǎng)內(nèi)土地覆蓋劃分為6種類型，分別是落葉松、紅松、樟子松、云杉、闊葉樹(shù)。分別計(jì)算出不同覆蓋類型在林場(chǎng)中所占面積大小，根據(jù)面積所占權(quán)重布設(shè)試驗(yàn)樣地，共布設(shè)了420塊28.28 m×28.28 m的正方形樣地。

采用地面調(diào)查樣點(diǎn)作為分類驗(yàn)證樣本。樣點(diǎn)采集于2017年6月，使用手持GPS獲取樣點(diǎn)地理坐標(biāo)和樹(shù)種類型。經(jīng)實(shí)地調(diào)查，共獲取了395個(gè)有效的土地覆蓋類型樣點(diǎn)。

3 結(jié)果與分析

3.1 典型植被INDV時(shí)序特征

通過(guò)試驗(yàn)樣本數(shù)據(jù)，計(jì)算該研究區(qū)典型植被的INDV均值，構(gòu)建相應(yīng)的INDV時(shí)間序列曲線。

由圖1可知。落葉松人工林的INDV在6、7、8月較大，最大值為0.9，說(shuō)明夏季落葉松長(zhǎng)勢(shì)好，生物量和覆蓋度較高，而后逐漸降低，在10月下旬下降至0.28，說(shuō)明秋季落葉松生物量較低，來(lái)年春季INDV逐漸升高，這和落葉松的季相和物候特征一致；落葉松屬落葉喬木，夏季生物量最高，長(zhǎng)勢(shì)最好，隨著季節(jié)變化，到了秋季，葉子逐漸掉落，因而INDV值逐漸衰減，等到來(lái)年春季，葉子逐漸長(zhǎng)出，INDV再升高。闊葉樹(shù)與落葉松的INDV時(shí)間序列曲線基本一致，在夏季長(zhǎng)勢(shì)最好，生物量達(dá)到最高，隨著秋冬季節(jié)來(lái)臨，INDV逐漸衰減，在10月下旬下降至0.4，說(shuō)明此時(shí)闊葉樹(shù)生物量和覆蓋度較低，但仍有一定的植被覆蓋度，這與落葉松的INDV有一定差異；本文研究區(qū)域內(nèi)的闊葉樹(shù)基本屬于天然林，樹(shù)種類型豐富，不完全是落葉喬木，所以在秋冬季節(jié)依然有少量植被覆蓋。紅松、樟子松和云杉的INDV時(shí)間序列曲線基本一致，尤其是紅松和樟子松，INDV全年在0.8～0.9附近小幅度波動(dòng)，說(shuō)明全年的生物量和植被覆蓋度基本不變，由于紅松、樟子松和云杉均屬于常綠針葉喬木；紅松在10月下旬INDV略微衰減，下降至0.65，這與紅松、樟子松和云杉的季相和物候特征一致。落葉松具有顯著的季相和物候特征，生長(zhǎng)旺盛期與常綠針葉喬木INDV相近，落葉期與常綠喬木差異較大，因此，落葉期的INDV圖像對(duì)識(shí)別落葉松有很大幫助。

圖1 歸一化植被指數(shù)時(shí)間序列曲線

3.2 其他植被指數(shù)時(shí)序特征分析

用相同的方法分別構(gòu)建了典型植被的IDV、IRV和IEV時(shí)間序列曲線，結(jié)果如圖2、圖3、圖4所示。

由圖2可知，在落葉松生長(zhǎng)階段內(nèi)，隨著季節(jié)的變化，5種植被的IDV時(shí)序曲線均呈下降趨勢(shì)，其中闊葉樹(shù)的IDV時(shí)序曲線斜率最大，對(duì)區(qū)分落葉松和闊葉樹(shù)有很大優(yōu)勢(shì)。

圖2 差值植被指數(shù)時(shí)間序列曲線

圖3 比值植被指數(shù)時(shí)間序列曲線

由圖3可知，隨著季節(jié)變化，落葉松和闊葉樹(shù)的IRV時(shí)序曲線均呈下降趨勢(shì)，落葉松IRV曲線緩慢下降，闊葉樹(shù)IRV曲線大幅度下降；紅松、樟子松和云杉的IRV曲線值在6～14小幅度波動(dòng)。因此，生長(zhǎng)期的IRV圖像對(duì)識(shí)別落葉松有優(yōu)勢(shì)。

圖4 增強(qiáng)型植被指數(shù)時(shí)間序列曲線

由圖4可知，伴隨季節(jié)的變化，5種植被的IEV時(shí)序曲線變化相似，但10月份之后，落葉松IEV時(shí)序曲線大幅度降低并且指數(shù)值低于1，因此，落葉期的IEV圖像對(duì)識(shí)別落葉松有明顯的優(yōu)勢(shì)。

3.3 分類精度

為探討植被指數(shù)時(shí)序特征是否有利于落葉松人工林的提取，分別選取單一時(shí)相影像和加入植被指數(shù)時(shí)序特征的多源數(shù)據(jù)集兩組數(shù)據(jù)，并且均加入紋理信息，采用最大似然和隨機(jī)森林兩種算法進(jìn)行2組對(duì)比試驗(yàn)。

由圖5可以看出，單一時(shí)相影像分類地物過(guò)于破碎，落葉松與紅松混分較多，紅松錯(cuò)分到闊葉樹(shù)情況嚴(yán)重，而加入植被指數(shù)時(shí)序特征后，地物破碎性得到了很大改善，錯(cuò)分和漏分情況較少，分類效果比較好。

圖5 分類結(jié)果

由表2可知，加入植被指數(shù)時(shí)序特征的多源數(shù)據(jù)集的總體分類精度均高于單一時(shí)相影像的分類精度。最大似然算法的森林類型分類總體精度為89.53%，Kappa系數(shù)為0.87，比未加入植被指數(shù)時(shí)間序列的分類精度提高了13.35%；隨機(jī)森林算法的森林類型分類總體精度為93.22%，Kappa系數(shù)為0.92，比未加入植被指數(shù)時(shí)間序列的分類精度提高了19.8%。充分說(shuō)明，相比于單一時(shí)相的多源數(shù)據(jù)集，加入植被指數(shù)時(shí)序特征后能得到更高的落葉松提取精度。

表2 兩組試驗(yàn)分類結(jié)果精度比較

4 結(jié)論

本文以提高落葉松人工林提取精度為目的，根據(jù)落葉松林的季相和物候特征，嘗試在單一時(shí)相影像中加入植被指數(shù)時(shí)序特征，并采用最大似然和隨機(jī)森林兩種分類方法，對(duì)單一時(shí)相影像和加入植被指數(shù)時(shí)序特征的影像兩種數(shù)據(jù)進(jìn)行了2組對(duì)比試驗(yàn)，并且在兩種數(shù)據(jù)中均加入紋理特征進(jìn)行輔助分類。

通過(guò)分析植被指數(shù)時(shí)序特征和分類結(jié)果發(fā)現(xiàn)：(1)落葉松在落葉期的INDV、IEV和生長(zhǎng)季的IRV與其他樹(shù)種差異較大，這幾種特征可作為落葉松的影像分類指數(shù)。(2)加入植被指數(shù)時(shí)序特征后，采用最大似然和隨機(jī)森林分類，影像的分類精度均得到顯著提高，說(shuō)明植被指數(shù)時(shí)序特征可有效區(qū)分研究區(qū)內(nèi)主要地物，實(shí)現(xiàn)落葉松高精度提?。蛔畲笏迫凰惴ǚ诸惥忍岣吡?3.35%，隨機(jī)森林算法分類精度提高了19.8%。本研究加入植被指數(shù)時(shí)序特征方法，可以對(duì)快速、高精度繪制監(jiān)測(cè)區(qū)域落葉松人工林的空間分布提供，為高效監(jiān)測(cè)落葉松人工林的動(dòng)態(tài)變化具有重要作用。