基于隨機(jī)森林分類的塞罕壩機(jī)械林場(chǎng)生態(tài)環(huán)境質(zhì)量研究

文章編號(hào)：1674-6139（2025）06-0189-06

中圖分類號(hào)：X171文獻(xiàn)標(biāo)志碼：B

Ecological Environment Quality Analysis of Saihanba Mechanical ForestFarm BasedonRandom ForestClassification

Shi Wenbing1，Liu Liyuan2，Liu Yaping3

（1.Hebei Saihanba Machinery ForestFarmForestry Surveyand Planning Design Institute，Shijiazhuang O5oO21，China； 2.Emergency Material Supply Center of Hebei Province，Shijiazhuang O50021，China； 3.Chengde Weichang County Guangfayong Township Government，Shijiazhuang O5o021，China）

Abstract：Acordingtoteeqremetsofologicalnviometconstructioforestsourcesplaanimportantoleinrotecting environmentalqualityTesudyadoptsaclasificationstemofremotesensingimagesandvegetationindicestoanalyzethtrespis clasificationmethodandecologicalenvironmentindexofShanbaMechanicalForestFarm.Bycomparingthclasificationidicatos andecologicalenvironmentindex，theoverallaccuracyoftherandomforestclasificationmthodinidentifying treespeciesis 89.67% ， and combined with field resources，the area accuracy of white birch is 97.73% .For the analysis of environmental ecological quality，the remotesensingecologicalindexmodelwasusedtoevaluatethedominanttrespecies，anditwasfoundthatthecologicalindexofoak trees reached its highest value of O.73O9 at an elevation of 1300m～1500m ．Therefore，this indicates that the random forest classification methodhashighaccuracyinanalyzingtheecologicalenvironmentqualityofforestfarms，andprovidesreliabledataforthedevelopent and protection of forest resources.

Keywordsfstouesotalpote；aooi；otesiaes；olocalvtalty

前言

隨著全球經(jīng)濟(jì)的飛速發(fā)展，環(huán)境污染問題日益嚴(yán)重，森林資源的開發(fā)和保護(hù)已成為當(dāng)前生態(tài)環(huán)境的重要關(guān)注內(nèi)容[1]。塞罕壩生態(tài)恢復(fù)歷經(jīng)了林場(chǎng)、國(guó)家森林公園和國(guó)家級(jí)自然保護(hù)區(qū)建設(shè)，通過封山育林、育苗技術(shù)的治理，塞罕壩機(jī)械林場(chǎng)的森林資源逐漸豐富且樹種類別繁多，恢復(fù)了生態(tài)平衡和物種多樣性[2-3]。塞罕壩機(jī)械林場(chǎng)發(fā)展到現(xiàn)階段的塞罕項(xiàng)國(guó)家級(jí)自然保護(hù)區(qū)，森林資源發(fā)揮了重要的生態(tài)平衡和物種多樣性的基礎(chǔ)作用，優(yōu)勢(shì)樹種的培育和生長(zhǎng)為當(dāng)?shù)胤里L(fēng)固沙、涵養(yǎng)水源提供了重要的生態(tài)屏障。因此森林植被和優(yōu)勢(shì)樹種的生態(tài)環(huán)境評(píng)價(jià)對(duì)森林資源規(guī)劃和生態(tài)保護(hù)具有積極影響[4-5]。目前對(duì)于植被時(shí)空演變規(guī)律，已有研究利用遙感衛(wèi)星影像來監(jiān)測(cè)植被覆蓋和歸一化植被指數(shù)，同時(shí)樹種識(shí)別和特征變量的區(qū)分也影響著森林樹種的分類，利用遙感數(shù)據(jù)、分類特征和分類方法對(duì)優(yōu)勢(shì)樹種進(jìn)行區(qū)分，以探索最優(yōu)樹種的空間分布[6。但在樹種識(shí)別和分類研究中，分類器組合無法精確提取樹種的特征變量，導(dǎo)致分類精度較低。因此，研究使用隨機(jī)森林分類方法，精確分類優(yōu)勢(shì)樹種，并運(yùn)用遙感圖像處理軟件對(duì)優(yōu)勢(shì)樹種的遙感生態(tài)指數(shù)進(jìn)行質(zhì)量分析，旨在實(shí)現(xiàn)林場(chǎng)的生態(tài)環(huán)境規(guī)劃，并為區(qū)域森林資源的開發(fā)利用提供技術(shù)參考。

1塞罕壩機(jī)械林場(chǎng)的森林樹種分類和識(shí)別方法

1.1遙感影像下的隨機(jī)森林分類方法的樹種識(shí)別

塞罕壩機(jī)械林場(chǎng)位于內(nèi)蒙古高原和冀北山地的交接地帶，林場(chǎng)地形復(fù)雜，可分別為北部的壩上和中南部的壩下，壩上氣溫低、風(fēng)沙大，主要以草原草甸為主，而東部和中部的水源豐富，降水豐富，以森林植被為主，西部受地形阻擋，降水極少，風(fēng)沙多，因此整個(gè)林場(chǎng)屬于森林與草原交錯(cuò)的植被類型[7]。樹種結(jié)構(gòu)是反映森林生態(tài)環(huán)境質(zhì)量的重要指標(biāo)之一，樹種的類型和分布情況對(duì)森林病蟲害、火災(zāi)監(jiān)測(cè)、種植結(jié)構(gòu)規(guī)劃和生態(tài)環(huán)境保護(hù)起到重要作用[8]。目前森林樹種的分類體系是通過遙感技術(shù)和植被指數(shù)來進(jìn)行劃分，根據(jù)樹種類型來提取不同層次的分類特征，從而為后續(xù)林場(chǎng)種植結(jié)構(gòu)和多樣性保護(hù)提供參考。具體如下：在樹種分類體系中，林地與非林地的劃分由歸一化植被指數(shù)等完成。然后根據(jù)遙感影像反映的樹種光譜曲線，從而得出不同時(shí)相的樹種光譜特征，而植被指數(shù)在遙感影像的每個(gè)波段的基礎(chǔ)上，通過計(jì)算得出植被生長(zhǎng)的情況。最后遙感影像反映的紋理特征能夠表現(xiàn)出地面物種在空間上的分布特征和細(xì)化特點(diǎn)，地物的紋理特征信息主要是依據(jù)統(tǒng)計(jì)學(xué)方法來建立相關(guān)函數(shù)，從而獲取影像的紋理特征值。

在遙感技術(shù)及其影像的分類特征中，研究利用分類方法來對(duì)樹種的信息特征進(jìn)行有效排序，從而實(shí)現(xiàn)遙感影像信息的特征分類。森林樹種的分類方法主要包括支持向量機(jī)（SupportVectorMachine，SVM）和隨機(jī)森林（RandomForest，RF），其中支持向量機(jī)算法對(duì)遙感影像的樣本質(zhì)量要求不高，且適合樣本量不足或分布不均衡的情況，但分類運(yùn)算的效率比較低。隨機(jī)森林算法可隨機(jī)選擇樣本，受限制較少，同時(shí)能夠?qū)τ跋裉卣鬟M(jìn)行準(zhǔn)確快速的排序，比較適合高維信息特征的遙感影像分類。通過分類方法的總體精度（Overall Accuracy，OA）和Kappa系數(shù)的比較，研究采用RF算法及其分類插件對(duì)塞罕壩林場(chǎng)的遙感影像進(jìn)行提取，并結(jié)合混淆矩陣的用戶精度（UserAccuracy，UA）、制圖精度（Producer Accuracy，PA）和二者的調(diào)和平均數(shù)來評(píng)價(jià)遙感圖像樹種類別的提取精度。由于遙感影像中林場(chǎng)樹種的空間分布較為直觀，所以研究還使用面積精度（Area accuracy，AC）來對(duì)樹種類別的提取面積進(jìn)行統(tǒng)計(jì)分析。

1.2基于遙感生態(tài)指數(shù)模型的機(jī)械林場(chǎng)生態(tài)環(huán)境 質(zhì)量評(píng)價(jià)

森林資源及其生態(tài)系統(tǒng)能夠有效吸收環(huán)境中的污染空氣，并通過植被的光合作用產(chǎn)生大量氧氣，從而凈化污染的空氣，同時(shí)森林資源的生態(tài)平衡還能維持氣候穩(wěn)定，在土壤污染、水污染和噪聲污染中發(fā)揮凈化環(huán)境的作用[9]。但由于目前人類對(duì)環(huán)境和資源的過度開采，森林生態(tài)系統(tǒng)和調(diào)節(jié)能力無法承載人類社會(huì)帶來的資源環(huán)境壓力，所以需要對(duì)森林資源的生態(tài)環(huán)境質(zhì)量進(jìn)行準(zhǔn)確評(píng)價(jià)，從而提高對(duì)環(huán)境污染的自凈能力和自我調(diào)節(jié)能力[10]

研究利用遙感生態(tài)指數(shù)（RemoteSensingEcologicalIndex，RSEI）模型，并結(jié)合塞罕壩機(jī)械林場(chǎng)的地理分區(qū)和優(yōu)勢(shì)樹種的時(shí)空演化規(guī)律，并對(duì)影響因素進(jìn)行分析。遙感生態(tài)指數(shù)模型是通過四種生態(tài)環(huán)境指標(biāo)，即綠度、濕度、干度和熱度，來構(gòu)建的一種綜合的生態(tài)環(huán)境質(zhì)量指數(shù)，其中綠度指標(biāo)采用歸一化植被指數(shù)（NormalizedVegetation Index，NDVI）來反映塞罕壩機(jī)械林場(chǎng)的植被生長(zhǎng)、覆蓋和生產(chǎn)力等狀況，如式（1）所示：

NDVI=（R_?NIR-R_?red）

式（1）中， R 為波段的反射率，其中 R_NIR 代表近紅外波段（NearInfraRed，NIR）NIR的反射率， R_red 為紅波段 _red 的反射率。濕度指標(biāo)Wet采用陸地衛(wèi)星計(jì)劃Landsat8的陸地成像儀的遙感影像，對(duì)土壤和植被的濕度含量進(jìn)行計(jì)算。而干度指標(biāo)是由建筑指數(shù)（Normalized Differences Built-up Index，NDBI）和裸土指數(shù)（BareSoilIndex，BSI）共同組成的，主要在于地面干度與建筑用地和裸露土地的發(fā)生，NDBI和BSI的公式如式（2）和式（3）所示：

式（2）中， R_swir1 和 _swir2 分別為短波紅外（ShortWaveInfraRed，SWIR）SWIR1波段和2波段的反射率。

式（3）中，建筑指標(biāo)中與綠波段 R_green 的反射率有關(guān)，而裸土指數(shù)與藍(lán)波段 R_blue 相關(guān)聯(lián)。之后二者構(gòu)建的干度指標(biāo)（Normalized Differences built upindex-bareSoilIndex，NDSI）如式（4）所示：

式（4）中，NDBI和 BSI 分別為建筑指標(biāo)和裸土指標(biāo)。關(guān)于熱度指標(biāo)的計(jì)算，研究采用遙感影像的熱紅外波段翻轉(zhuǎn)地表溫度（Invertingsurface temperature，LST）來表示。由于四個(gè)指標(biāo)的基本屬性不同，因此將其進(jìn)行歸一化處理，并設(shè)置指標(biāo)的范圍為[0，1]，歸一后的值如式（5）所示：

式（5）中， Nv 代表歸一化處理后的結(jié)果， Iv 為指標(biāo)的初始值， Iv_max 和 Iv_min 分別為初始值的最大值和最小值。最后將四個(gè)指標(biāo)進(jìn)行主成分分析，來降維多種集中指標(biāo)的數(shù)據(jù)信息，并歸一化處理起始的遙感生態(tài)指數(shù)，如式（6）所示：

RSEI_C=PC₁×（NDVI，Wet，NDSI，LST） 式（6）

式（6）中， RSEI_c 代表起始的遙感生態(tài)指數(shù)，PC₁ 表示將四個(gè)指標(biāo)進(jìn)行集中降維的第一主成分分析。通過四個(gè)指標(biāo)的計(jì)算和歸一化處理，塞罕壩機(jī)械林場(chǎng)的遙感生態(tài)指數(shù)模型能夠?qū)α謭?chǎng)的樹種空間分布和影響因子進(jìn)行準(zhǔn)確評(píng)估，從而實(shí)現(xiàn)林場(chǎng)的生態(tài)環(huán)境質(zhì)量評(píng)價(jià)。

2塞罕壩機(jī)械林場(chǎng)的樹種識(shí)別結(jié)果和生態(tài)環(huán)境質(zhì)量分析

2.1機(jī)械林場(chǎng)的分類特征對(duì)樹種識(shí)別的效果分析

森林資源作為生態(tài)系統(tǒng)中的主導(dǎo)因素，其樹種培育對(duì)環(huán)境污染和生態(tài)建設(shè)具有重要作用。由于塞罕壩森林類型多樣，研究結(jié)合實(shí)地調(diào)查結(jié)果，對(duì)林場(chǎng)的優(yōu)勢(shì)樹種進(jìn)行三層提取，第一層將森林資源分為林地和非林地，第二層林地劃分為針葉林和闊葉林兩個(gè)區(qū)域。而第三層中針葉林區(qū)域的主要樹種為落葉松、樟子松和云杉，闊葉林區(qū)域包括白樺和柞樹。首先采用支持向量機(jī)和隨機(jī)森林的分類方法對(duì)地物分類指標(biāo)進(jìn)行比較，同時(shí)將光譜曲線、植被指數(shù)和紋理特征用1、2和3來表示，結(jié)果見圖1。

從圖1（a）中得出支持向量機(jī)分類方法對(duì)光譜曲線和植被指數(shù)的總體精度最低，為 84.12% ，而對(duì)三個(gè)特征的組合總體精度最高，為 86.75% 。同時(shí)隨機(jī)森林分類方法的總體精度整體比支持向量機(jī)方法的較高，并且最高值為三種指標(biāo)組合的 89.67% 。在圖1（b）中得出支持向量機(jī)分類方法對(duì)分類指標(biāo)的卡帕系數(shù)，整體低于隨機(jī)森林方法。其中支持向量機(jī)分類方法對(duì)光譜曲線和植被指數(shù)組合的值為0.79，植被指數(shù)和紋理特征組合的值為0.81。而隨機(jī)森林分類方法對(duì)光譜曲線和植被指數(shù)組合的值為0.82，與支持向量機(jī)方法的最高值一致，同時(shí)隨機(jī)森林方法對(duì)三者組合的系數(shù)值為0.85，因此得出隨機(jī)森林分類方法對(duì)多層樹種識(shí)別及其影響提取的效果較為優(yōu)越。

通過遙感影像可得知區(qū)域生態(tài)環(huán)境的時(shí)空演變，同時(shí)監(jiān)測(cè)環(huán)境污染的類型和變化程度，從而采取積極的應(yīng)對(duì)措施來改善生態(tài)環(huán)境，促進(jìn)綠色可持續(xù)發(fā)展。研究將隨機(jī)森林分類方法用于遙感影像的多時(shí)相特征組合，并結(jié)合混淆矩陣的影像像元即林場(chǎng)的樹種劃分，對(duì)各個(gè)樹種類別進(jìn)行評(píng)價(jià)指標(biāo)的測(cè)試，見圖2。

從圖2（a）中得出樟子松在混淆矩陣的用戶精度最高，其值為 94.89% ，云杉的制圖精度最低為55.69% 。調(diào)和平和數(shù)最佳的樹種為樟子松 92.18% 。對(duì)于面積精度的比較，白樺的地理劃分區(qū)域較大，面積精度值為 98.85% 。在圖2（b）中得出落葉松和樟子松的影響提取精度較好，混淆矩陣的均衡精度分別為 90.94% 和 91.24% ，而云杉的提取精度最低為 68.43% 。另外對(duì)于影響的面積精度提取，落葉松和白樺的面積精度較高，分別為 96.32% 和97.73% ，因此說明云杉樹種的地理空間分布較為分散，面積提取精度有所降低。同時(shí)兩種樹種評(píng)價(jià)方法的差異較小，進(jìn)而說明隨機(jī)森林分類方法的提取效果最佳。

2.2遙感生態(tài)指數(shù)模型對(duì)機(jī)械林場(chǎng)的生態(tài)環(huán)境質(zhì)量分析

生態(tài)環(huán)境的質(zhì)量評(píng)價(jià)通常是根據(jù)區(qū)域內(nèi)的生態(tài)環(huán)境問題，對(duì)資源利用和環(huán)境治理進(jìn)行準(zhǔn)確監(jiān)測(cè)，從而兼顧經(jīng)濟(jì)和生態(tài)環(huán)境的和諧發(fā)展。在大力封山育林、植樹造林及幼林撫育的綠色措施中，優(yōu)勢(shì)樹種對(duì)固碳制氧、保持水土以及溫室效應(yīng)等方面具有積極影響，從而減緩了空氣污染、土壤污染和氣候問題的加劇程度。研究根據(jù)遙感影像提取的第三層優(yōu)勢(shì)樹種，采用生態(tài)環(huán)境指標(biāo)，對(duì)樹種的空間劃分進(jìn)行計(jì)算分析，由于隨機(jī)森林分類方法對(duì)云杉樹種的提取精度較低，因此指數(shù)結(jié)果見圖3。

從圖3（a）中得出樟子松的生態(tài)環(huán)境指標(biāo)不斷均衡上升，最后歸一化植被和濕度指數(shù)的值分別為0.8497和0.7584，且翻轉(zhuǎn)地表溫度和遙感生態(tài)指數(shù)的變化和結(jié)果比較接近。樟子松的干度指數(shù)值為最低，最后指標(biāo)結(jié)果為0.4159。在圖3（b）中得出白樺的生態(tài)環(huán)境變化較為明顯，在歸一化植被指數(shù)中表現(xiàn)最高為0.9245，干度指數(shù)中表現(xiàn)最低，最近的指數(shù)結(jié)果為0.3379。由于塞罕壩機(jī)械林場(chǎng)屬于干旱半干旱地區(qū)，水分貧瘠，樹種生長(zhǎng)能夠適應(yīng)當(dāng)?shù)馗吆汃さ淖匀粭l件，所以植被覆蓋和分布空間的生態(tài)環(huán)境質(zhì)量比較符合森林資源的環(huán)境需求。

在大面積植樹造林的活動(dòng)中，塞罕壩機(jī)械林場(chǎng)結(jié)合地形和氣候條件，積極培育優(yōu)勢(shì)樹種，為西北風(fēng)沙和水土流失提供生態(tài)屏障，減少環(huán)境污染并增加物種多樣性。地形因素對(duì)塞罕壩森林資源的生長(zhǎng)影響比較重要，研究利用遙感生態(tài)指數(shù)模型與塞罕壩和樹種進(jìn)行地形高程的分析。結(jié)果見表1。

從表1中得出由地形的高程影響，優(yōu)勢(shì)樹種的遙感生態(tài)指數(shù)會(huì)隨著高程的增加而增加。其中樟子松和白樺樹種與高程的變化趨勢(shì)一致，樟子松在150m～1700m 的高程時(shí)RESI最高，為0.6543，白樺在 1700m 以上的高程后，RESI最高，值為0.768 4 。同時(shí)與鄰近高程分區(qū)的結(jié)果差距較小。柞樹會(huì)隨著高程的增加而出現(xiàn)先升后降的變化，并在地形高程為 1 300～ 1 500m 時(shí)，RESI最高為0.7309 。同時(shí)隨著地形海拔的上升，落葉松的RE-SI呈現(xiàn)先降后升的形式，在 1 300～1 500m 的高度時(shí)，RESI最低為0.6815。綜合地形高程的影響因素和樹種生長(zhǎng)關(guān)系，說明RESI模型對(duì)林場(chǎng)生態(tài)環(huán)境質(zhì)量改善具有一定的指向意義，并為生態(tài)環(huán)境保護(hù)提供積極的指標(biāo)評(píng)價(jià)。

3 結(jié)束語(yǔ)

針對(duì)塞罕壩機(jī)械林場(chǎng)的生態(tài)環(huán)境質(zhì)量評(píng)價(jià)問題，研究利用分類指標(biāo)和分類方法的精度比較，并結(jié)合遙感影像和實(shí)地調(diào)查，對(duì)優(yōu)勢(shì)樹種進(jìn)行生態(tài)環(huán)境指標(biāo)的質(zhì)量分析。通過分類方法的比較和樹種的生態(tài)環(huán)境指數(shù)分析，結(jié)果得出隨機(jī)森林分類方法對(duì)三種指標(biāo)組合的總體精度為 89.67% 。對(duì)于優(yōu)勢(shì)樹種的分類評(píng)價(jià)，說明白樺的地理劃分區(qū)域較大，精度為 98.85% ，落葉松和樟子松的影響提取精度分別為 90.94% 和91.24% 。關(guān)于樹種的生態(tài)環(huán)境指標(biāo)，經(jīng)指數(shù)計(jì)算得出樟子松的綠色指標(biāo)和干度指數(shù)的值分別為0.8497和0.7584，在地形因素的影響中，白樺在1 700m 以上的高程中，生態(tài)環(huán)境質(zhì)量指標(biāo)最高為0.7684。綜合所有數(shù)據(jù)，說明基于隨機(jī)森林分類方法對(duì)機(jī)械林場(chǎng)優(yōu)勢(shì)樹種的生態(tài)環(huán)境質(zhì)量評(píng)價(jià)效果最好。

參考文獻(xiàn)：

[1]王欽藝，黃玫，王昭生，等.臭氧污染對(duì)亞熱帶森林生產(chǎn)力和生物量的影響—以鼎湖山為例[J].生態(tài)學(xué)報(bào)，2023，43（5）：1832-1842.

[2]姜雨，黃選瑞，時(shí)田雨，等.不同間伐強(qiáng)度對(duì)自然保護(hù)區(qū)人工林植被多樣性及分布格局的影響一一以河北省塞罕壩機(jī)械林場(chǎng)為例[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2022，42（12）：68-81.

[3]馬雪梅，劉強(qiáng)，張志東，等.塞罕壩機(jī)械林場(chǎng)華北落葉松冠層光合作用的空間異質(zhì)性[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2023，43（1）：113-122.

[4]王曉紅，辛守英，陽(yáng)麗虹，等.塞罕壩植被覆蓋時(shí)空分異與驅(qū)動(dòng)機(jī)制研究[J].西部林業(yè)科學(xué)，2024，53（1）：163-171.

[5]葛楠，李鴻祥，曹峰.基于SBE－AHP法的河北塞罕壩森林公園植物景觀質(zhì)量評(píng)價(jià)[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2023，43（4）：182-190

[6]方攀飛，王雷光，徐偉恒，等.云南香格里拉地區(qū)森林優(yōu)勢(shì)樹種決策融合分類[J].遙感技術(shù)與應(yīng)用，2022，37（3）：638-650.

[7]邢博，王英男，殷志強(qiáng)，等.塞罕壩森林生態(tài)系統(tǒng)對(duì)區(qū)域溫度降水變化的影響[J].地質(zhì)通報(bào)，2023，42（12）：2174-2184.

[8]吳登瑜，竇嘯文，湯孟平.天目山針闊混交林結(jié)構(gòu)與碳儲(chǔ)量的關(guān)系[J].應(yīng)用生態(tài)學(xué)報(bào)，2023，34（8）：2029-2038.

[9]蔡秀亭，呂潔華，王成齊.中國(guó)森林生態(tài)安全空間關(guān)聯(lián)的網(wǎng)絡(luò)特征及其驅(qū)動(dòng)機(jī)制[J].自然資源學(xué)報(bào)，2022，37（8）：2137-2152.

[10]趙瑛，劉陽(yáng)陽(yáng)，栗桑，等.青海省納日貢瑪銅鉬礦地質(zhì)環(huán)境問題及環(huán)境恢復(fù)研究[J].中國(guó)錳業(yè)，2023，41（4）：61-66.