基于高分1号影像的森林植被信息提取（二）
1.3.3 分类精度检验
为评价森林植被的提取精度, 本研究一方面通过同期Google Earth影像比照进行定性评价, 另一方面采用独立验证样本点进行定量评价。验证样本点是基于2014年林地“ 二调” 小班数据随机抽样选取的237个样点, 其中林地样本123个, 非林地样本114个。
2 结果与讨论2.1 植被指数变化及决策模型构建
统计研究区5个时相的影像组合中245个训练样本点的NDVI, 不同森林植被和农田植被NDVI均值变化曲线见表2。从表2中可看出农田植被和森林植被的NDVI值发生季节性变化, 并表现出差异性。假定B1、B2、B3、B4、B5分别表示2015年5月1日、2015年6月6日、2015年8月3日、2016年2月8日、2016年3月27日的NDVI值。
 | 表2 典型植被的物候变化Table 2 Phenological events of dominant crops and forests |
森林植被（包括北亚热带落叶阔叶林和常绿阔叶混交林）在6— 8月光合作用旺盛, 从表2中可以看到森林植被样点的NDVI均值在前3个时期能达到0.6以上; 进入秋季后随着一些阔叶林开始落叶, 叶面积降低, NDVI均值也随之降低; 进入冬季落叶阔叶林基本落叶, 只有针叶林还保持植被特征, NDVI均值降到最低。直至第二年春天（第5时期）, 树叶发芽, NDVI均值开始回升。因此, 分别构建A区域的B1≥ 0.3、B2≥ 0.75、B3≥ 0.45和B区域的B1≥ 0.3、B2≥ 0.6、B3≥ 0.45规则可以分别剔除A和B两个区域的建筑用地、水体、道路和裸地, 提取出植被区域（包括森林植被和农田植被）。
从表2中可以看出, 冬小麦-夏玉米（水稻）的农田在第1时期为冬小麦的拔节-开花期, 植被叶面积较高, 覆盖度较大, 到第2个时期进入灌浆期, 期间NDVI值呈现下降趋势。6月中上旬后冬小麦进入灌浆-收获期, 叶面积持续降低, NDVI值下降; 在6月中下旬前后小麦收割, 地块呈裸地特征, NDVI值降到最低。紧接着又因接茬种植夏玉米或水稻作物使得农田NDVI值呈现上升趋势, 玉米或水稻收获后NDVI值下降, 在2016年的2— 3月冬小麦返青期NDVI值呈现上升趋势。双季农田的NDVI曲线会出现3个波峰, 包括第1和3时期形成两个NDVI峰值, 以及冬小麦在越冬后的第5时期形成另一个小峰。因此, 可以建立规则B1≥ B2且B3≥ B2去除冬小麦-夏玉米或者冬小麦-水稻的双季农田。
A区域的花生地在不同时期NDVI均值变化趋势与森林植被比较相似, 不同的是森林植被从第3时期进入到第4时期下降较快, 而花生地的NDVI均值在该时期几乎无变化。因此, 在A区域可以根据规则B3/B4（比值）> 0.8可以剔除花生地; B区域苜蓿地的NDVI均值曲线与森林植被非常相似, 不同的是苜蓿地在进入6月份后被刈割, 因此B区域可以根据规则B2/B3< 2剔除掉苜蓿地。
综上所述, 从农田植被覆盖的角度出发间接提取森林植被信息的提取规则见图3。
 | 图3 森林提取决策树模型Fig. 3 Decision tree model for forest extraction |
2.2 森林植被分布
分区域分别采用不同规则（A区域采用Rule A, B区域采用Rule B, 以下简称分区决策树法）的决策树提取法得到的蚌埠地区森林植被总覆盖面积约为39 863 hm2 [图4(a)], 未分区采用规则A（以下简称未分区Rule A）得到的整个蚌埠地区森林植被总面积约为25 269 hm2 [图4(b)], 未分区采用规则B（以下简称未分区Rule B）得到的整个蚌埠地区森林植被总面积约为65 197 hm2 [图4(c)], 3种方法得到的蚌埠地区森林植被总覆盖面积统计结果和空间分布上存在一定的差异。
 | 图4 森林植被空间分布及统计Fig. 4 Distribution and statistics of forest vegetation |
分区县统计森林植被分布结果显示 [图4(d)], 3种森林植被提取方法得到的各区县森林植被覆盖面积大小的总体趋势是：未分区Rule A≤ 分区决策树≤ 未分区Rule B。提取结果差异最大的是固镇县, 其次是怀远县和五河县。固镇县的未分区Rule B方法得到的森林植被面积要比分区决策树分类得到的森林植被面积多约183 km2, 原因很可能是Rule B将固镇县的花生地错分到了森林植被中, 增加了森林植被的分类面积, 对比图4(c)和图4(a)的森林分布图也可以明显看出。从野外实际调研数据分析, 固镇县的森林植被多为农田周边的防护林。由于其与田间作物在空间上相邻, 遥感影像中森林植被往往与周边环境的像元相混合, 不易分辨, 提取时易与农田植被混淆, 难以获得精确的农田边界[15]。
五河县、蚌埠市区和怀远县3个区域采用未分区Rule A方法得到的森林植被面积要比其他两种方法少很多, 可能是Rule A在对A区域花生地剔除的同时, 也剔除掉了B区域的一些森林植被。对比图4(b)和图4(a)可以看出, 部分山峰附近和林场周边的森林在图4(b)中明显减少。此外, 五河县地区的小片苜蓿地边界产生的混合像元也可能是导致局部地区森林植被面积差异大的原因。
森林在蚌埠市区（淮上区、禹会区、蚌山区、龙子湖区）的分布比较集中, 主要分布在荆山— 涂山— 黑虎山区域、老虎山— 陶山— 燕山— 孟山区域和东芦山— 西芦山区域, 多为山地种植的天然林。固镇县、五河县和怀远县3个县的森林分布较为分散, 且多以平原地带的人工种植林为主, 主要分布在沿河两岸和一些林场, 如五河县的森林主要分布在大巩山林场附近。
| 表3 典型区域森林植被提取结果比较Table 3 Comparison of forest vegetation extraction in representative area |
2.3 森林植被提取精度评价
为定性评价森林植被提取的精度, 选取水渠两侧、河道两侧、村庄周边、省道两侧4个代表性区域的森林植被提取结果（白色）与同期的Google Earth高分辨率影像进行对比。结果显示（表3）：高分1号影像上提取出以水渠两侧的农田防护林、河道两侧的经济林、省道两侧的行道树为代表的线状森林植被和以村庄周围为代表的块状森林植被提取结果均与Google Earth影像具有较高的吻合度。
使用混淆矩阵评价的方法将决策树提取结果与林地“ 二调” 地表信息进行比较, 评价指标包括总体精度、Kappa系数、生产者精度、用户精度、错分和漏分误差。评价的详细结果见表4。
从表4中可以看出, 分区决策树法和未分区Rule A决策树法的森林植被提取用户精度能高于95%。但分区决策树森林植被提取总体精度达到90.72%, 较未分区Rule A法和未分区Rule B法分别提高3.80%、4.65%, Kappa系数达到0.81, 较未分区A法和未分区B法分别提高0.07、0.10, 分区决策树较优。这说明在影像划分基础上进行分类的分区决策树法, 能够一定程度上减少“ 同物异谱或异物同谱” 现象的出现概率, 使得在同一区域的相同地物类型具有较为一致的光谱特征, 不同地物之间则有较大的光谱差异, 以达到提高森林提取精度的目的。这与贺鹏等[16]在使用高分1号多时相影像提取作物分类时, 采用分区决策树和未分区决策树法进行对比研究得到的结果一致。此外, 在山区植被分类时, 有研究者[17, 18]为使多时相遥感数据能够充分利用其光谱特征时间效应, 减少位于山地和平原地区同种植被的光谱亮度值差异, 也常采用分区多时相植被分类法来提高精度。
| 表4 分区决策树与未分区决策树分类精度评价对比Table 4 Comparison of extraction of partitioned and non-partitioned decision trees |
采用多时相影像进行大中尺度遥感监测时是基于不同时相不同地物的光谱特征差异, 而在不同区域由于水热条件等不同, 同一植被可能因为种植的时间不同而导致当年物候期推迟或提前, 这会对未分区森林植被提取结果产生较大的影响。从表4可以看出, 3种方法均出现森林植被不同程度被漏分的情况, 其中未分区Rule A法的森林植被漏分误差最大, 达到21.17%。对比图4(b)和图4(a)可以发现, 漏分区域主要分布在B区域, 一些山峰和林场周边的森林明显漏分。这说明Rule A对于B区域的森林提取过于“ 严苛” 。同时, 3种方法对森林植被的提取也出现了不同程度的错分情况, 其中错分误差最大的为未分区Rule B法, 达到12.32%。对比图4(c)和图4(a)可以发现, 错分区域主要分布在A区域, 部分花生地被错分到森林植被中。这说明Rule B对于A区域的森林提取过于“ 松弛” 。
尽管分区决策树法的森林提取总体精度达到90.72%, 但仍然存在13.14%的漏分误差。A区域的漏分可能是在剔除花生地时剔除掉了一些农田和植被混合区域的森林植被。为提高该因素引起的森林植被误分, 可以进一步细化对当地农田植被的生长期调查, 特别是与该地区森林植被生长期在光谱上难以区分的作物。或者提高分类数据的质量, 采用更高分辨率的遥感数据。本研究中采用的对森林植被的分区决策树法只考虑到森林植被和农田植被的光谱特征, 缺少纹理特征的分析。一些研究[19, 20, 21]表明在对森林进行提取的结果发现, 结合时相纹理特征的数据能得到更好的分类精度。对于B区域的漏分, 在野外调研的样点中采集到B区域的一些幼林样点, 但由于幼林的叶面积指数较小, 在16 m高分遥感影像上难以识别出来, 从而可能导致一些森林植被被漏分。刘晓娜等[22]以2010年TM影像, 根据橡胶林在不同树龄所表现的光谱差异, 基于“ 晚期的橡胶成林早期一定是橡胶幼林, 而早期的橡胶幼林晚期一般变为橡胶成林” 的植被生长规律, 采用面向对象分类法, 分类出橡胶幼林和成林。其中成林的分类精度92.5%, 幼林的分类精度76.42%。这与本研究的幼林区在中高分辨率的遥感影像上分类精度低的结果一致。此外, 受16 m空间分辨率的遥感数据限制, 对于一些仅几米的破碎森林也难以精确识别。为实现小片森林的精细遥感监测, Li等[23]尝试将多种尺度的数据进行结合, 实现了对森林植被高精度的提取。本研究提取的森林植被结果是为当地的航空植保需求服务, 而航空植保的作业兴趣区主要集中在郁闭度较高的森林覆被地区, 因而这部分漏分森林植被对植保作业区域的估计影响不大。
3 结论
为提取蚌埠地区最新森林植被的分布, 服务于该区域林业航空植保工作, 本文采用5个关键植被生育期的高分1号数据, 通过先将整个蚌埠地区划分为A和B两个子区域, 并分别应用不同的决策树模型提取得到各子区域的森林植被信息, 然后再合并。同时将合并的结果与未分区决策树法进行对比, 最后对森林植被提取信息的特征和精度进行分析。研究结果表明：
1）分区和未分区决策树法得到的蚌埠市森林植被总覆盖面积差异较大, 总体趋势表现为：未分区Rule A≤ 分区决策树≤ 未分区Rule B, 其中差异最大的是固镇县。
2）分区决策树森林植被提取总体精度达到90.72%, 较未分区Rule A法和未分区Rule B法分别提高3.80%、4.65%, Kappa系数达到0.81, 较未分区Rule A法和未分区Rule B法分别提高0.07、0.10。分区决策树法结合植被物候信息可以实现对森林植被较高精度的提取, 能够满足林业航空植保作业的精度要求。
3）具有较高空间分辨率、低成本、宽覆盖、短重访周期的高分1号影像, 对于大区域的林业航空植保森林植被信息的提取表现出较大的潜力。
The authors have declared that no competing interests exist.
参考文献View Option
| [1] | 冯仲科, 黄晓东, 刘芳. 森林调查装备与信息化技术发展分析[J]. [FENG Z K, HUANG X D, LIU F. Forest survey equipment and development of information technology. |
| [2] | 李涛, 谭伟, 王六平, 等. 遥感影像判读地类在贵州省林地变更调查中的应用[J]. [LI T, TAN W, WANG L P, et al. Application research of remote sensing image interpretation in survey of forest land change in Guizhou. |
| [3] | 庞国锦, 董晓峰, 宋翔, 等. “三北”防护林建设以来河西走廊林地变化的遥感监测[J]. [PANG G J, DONG X F, SONG X, et al. Remote sensing monitoring of forest land change in Hexi Corridor since contraction of the Three-North Shelterbelt Project. |
| [4] | 张兴余, 刘勇, 许宝荣, 等. 乌兰布和沙漠高分辨率遥感影像梭梭林解译方法探讨[J]. [ZHANG X Y, LIU Y, XU B R, et al. Discussion on the method of high-resolution remote sensor data interpretation of Haloxylon ammodendron in Ulan Buh Desert. |
| [5] | 杨存建, 周其林, 任小兰, 等. 基于多时相MODIS数据的四川省森林植被类型信息提取[J]. [YANG C J, ZHOU Q L, REN X L, et al. Extracting forest vegetation types from multi-temporal MODIS imagery in Sichuan Province. |
| [6] | 张颖, 王越男, 陈利, 等. 基于Land sat-8影像森林植被信息计算机自动提取研究[J]. [ZHANG Y, WANG Y N, CHEN L, et al. Forest vegetation information computer automatic extraction base on Land sat-8. |
| [7] | 雷光斌, 李爱农, 边金虎, 等. 基于阈值法的山区森林常绿、落叶特征遥感自动识别方法——以贡嘎山地区为例[J]. [LEI G B, LI A N, BIAN J H, et al. A practical method for automatically identifying the evergreen and deciduous characteristic of forests at mountainous areas: A case study in Mt. Gongga Region. |
| [8] | CHEN B Q, LI X P, XIAO X M, et al. Mapping tropical forests and deciduous rubber plantations in Hainan Island , China by integrating PALSAR 25-m and multi-temporal Land sat images[J]. |
| [9] | 雷光斌, 李爱农, 谭剑波, 等. 基于多源多时相遥感影像的山地森林分类决策树模型研究[J]. [LEI G B, LI A N, TAN J B, et al. Forest types mapping in mountainous area using multi-source and multi-temporal satellite images and decision tree models. |
| [10] | 贾明明, 任春颖, 刘殿伟, 等. 基于环境星与MODIS时序数据的面向对象森林植被分类[J]. [JIA M M, REN C Y, LIU D W, et al. Object-oriented forest classification based on combination of HJ-1 CCD and MODIS-NDVI data. |
