1.3.3 分類精度檢驗
為評價森林植被的提取精度, 本研究一方面通過同期Google Earth影像比照進行定性評價, 另一方面采用獨立驗證樣本點進行定量評價。驗證樣本點是基于2014年林地“ 二調” 小班數據隨機抽樣選取的237個樣點, 其中林地樣本123個, 非林地樣本114個。
2 結果與討論2.1 植被指數變化及決策模型構建
統計研究區5個時相的影像組合中245個訓練樣本點的NDVI, 不同森林植被和農田植被NDVI均值變化曲線見表2。從表2中可看出農田植被和森林植被的NDVI值發生季節性變化, 并表現出差異性。假定B1、B2、B3、B4、B5分別表示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 典型植被的物候變化Table 2 Phenological events of dominant crops and forests |
森林植被（包括北亞熱帶落葉闊葉林和常綠闊葉混交林）在6— 8月光合作用旺盛, 從表2中可以看到森林植被樣點的NDVI均值在前3個時期能達到0.6以上; 進入秋季后隨著一些闊葉林開始落葉, 葉面積降低, NDVI均值也隨之降低; 進入冬季落葉闊葉林基本落葉, 只有針葉林還保持植被特征, NDVI均值降到最低。直至第二年春天（第5時期）, 樹葉發芽, NDVI均值開始回升。因此, 分別構建A區域的B1≥ 0.3、B2≥ 0.75、B3≥ 0.45和B區域的B1≥ 0.3、B2≥ 0.6、B3≥ 0.45規則可以分別剔除A和B兩個區域的建筑用地、水體、道路和裸地, 提取出植被區域（包括森林植被和農田植被）。
從表2中可以看出, 冬小麥-夏玉米（水稻）的農田在第1時期為冬小麥的拔節-開花期, 植被葉面積較高, 覆蓋度較大, 到第2個時期進入灌漿期, 期間NDVI值呈現下降趨勢。6月中上旬后冬小麥進入灌漿-收獲期, 葉面積持續降低, NDVI值下降; 在6月中下旬前后小麥收割, 地塊呈裸地特征, NDVI值降到最低。緊接著又因接茬種植夏玉米或水稻作物使得農田NDVI值呈現上升趨勢, 玉米或水稻收獲后NDVI值下降, 在2016年的2— 3月冬小麥返青期NDVI值呈現上升趨勢。雙季農田的NDVI曲線會出現3個波峰, 包括第1和3時期形成兩個NDVI峰值, 以及冬小麥在越冬后的第5時期形成另一個小峰。因此, 可以建立規則B1≥ B2且B3≥ B2去除冬小麥-夏玉米或者冬小麥-水稻的雙季農田。
A區域的花生地在不同時期NDVI均值變化趨勢與森林植被比較相似, 不同的是森林植被從第3時期進入到第4時期下降較快, 而花生地的NDVI均值在該時期幾乎無變化。因此, 在A區域可以根據規則B3/B4（比值）> 0.8可以剔除花生地; B區域苜蓿地的NDVI均值曲線與森林植被非常相似, 不同的是苜蓿地在進入6月份后被刈割, 因此B區域可以根據規則B2/B3< 2剔除掉苜蓿地。
綜上所述, 從農田植被覆蓋的角度出發間接提取森林植被信息的提取規則見圖3。
 | 圖3 森林提取決策樹模型Fig. 3 Decision tree model for forest extraction |
2.2 森林植被分布
分區域分別采用不同規則（A區域采用Rule A, B區域采用Rule B, 以下簡稱分區決策樹法）的決策樹提取法得到的蚌埠地區森林植被總覆蓋面積約為39 863 hm2 [圖4(a)], 未分區采用規則A（以下簡稱未分區Rule A）得到的整個蚌埠地區森林植被總面積約為25 269 hm2 [圖4(b)], 未分區采用規則B（以下簡稱未分區Rule B）得到的整個蚌埠地區森林植被總面積約為65 197 hm2 [圖4(c)], 3種方法得到的蚌埠地區森林植被總覆蓋面積統計結果和空間分布上存在一定的差異。
 | 圖4 森林植被空間分布及統計Fig. 4 Distribution and statistics of forest vegetation |
分區縣統計森林植被分布結果顯示 [圖4(d)], 3種森林植被提取方法得到的各區縣森林植被覆蓋面積大小的總體趨勢是：未分區Rule A≤ 分區決策樹≤ 未分區Rule B。提取結果差異最大的是固鎮縣, 其次是懷遠縣和五河縣。固鎮縣的未分區Rule B方法得到的森林植被面積要比分區決策樹分類得到的森林植被面積多約183 km2, 原因很可能是Rule B將固鎮縣的花生地錯分到了森林植被中, 增加了森林植被的分類面積, 對比圖4(c)和圖4(a)的森林分布圖也可以明顯看出。從野外實際調研數據分析, 固鎮縣的森林植被多為農田周邊的防護林。由于其與田間作物在空間上相鄰, 遙感影像中森林植被往往與周邊環境的像元相混合, 不易分辨, 提取時易與農田植被混淆, 難以獲得精確的農田邊界[15]。
五河縣、蚌埠市區和懷遠縣3個區域采用未分區Rule A方法得到的森林植被面積要比其他兩種方法少很多, 可能是Rule A在對A區域花生地剔除的同時, 也剔除掉了B區域的一些森林植被。對比圖4(b)和圖4(a)可以看出, 部分山峰附近和林場周邊的森林在圖4(b)中明顯減少。此外, 五河縣地區的小片苜蓿地邊界產生的混合像元也可能是導致局部地區森林植被面積差異大的原因。
森林在蚌埠市區（淮上區、禹會區、蚌山區、龍子湖區）的分布比較集中, 主要分布在荊山— 涂山— 黑虎山區域、老虎山— 陶山— 燕山— 孟山區域和東蘆山— 西蘆山區域, 多為山地種植的天然林。固鎮縣、五河縣和懷遠縣3個縣的森林分布較為分散, 且多以平原地帶的人工種植林為主, 主要分布在沿河兩岸和一些林場, 如五河縣的森林主要分布在大鞏山林場附近。
| 表3 典型區域森林植被提取結果比較Table 3 Comparison of forest vegetation extraction in representative area |
2.3 森林植被提取精度評價
為定性評價森林植被提取的精度, 選取水渠兩側、河道兩側、村莊周邊、省道兩側4個代表性區域的森林植被提取結果（白色）與同期的Google Earth高分辨率影像進行對比。結果顯示（表3）：高分1號影像上提取出以水渠兩側的農田防護林、河道兩側的經濟林、省道兩側的行道樹為代表的線狀森林植被和以村莊周圍為代表的塊狀森林植被提取結果均與Google Earth影像具有較高的吻合度。
使用混淆矩陣評價的方法將決策樹提取結果與林地“ 二調” 地表信息進行比較, 評價指標包括總體精度、Kappa系數、生產者精度、用戶精度、錯分和漏分誤差。評價的詳細結果見表4。
從表4中可以看出, 分區決策樹法和未分區Rule A決策樹法的森林植被提取用戶精度能高于95%。但分區決策樹森林植被提取總體精度達到90.72%, 較未分區Rule A法和未分區Rule B法分別提高3.80%、4.65%, Kappa系數達到0.81, 較未分區A法和未分區B法分別提高0.07、0.10, 分區決策樹較優。這說明在影像劃分基礎上進行分類的分區決策樹法, 能夠一定程度上減少“ 同物異譜或異物同譜” 現象的出現概率, 使得在同一區域的相同地物類型具有較為一致的光譜特征, 不同地物之間則有較大的光譜差異, 以達到提高森林提取精度的目的。這與賀鵬等[16]在使用高分1號多時相影像提取作物分類時, 采用分區決策樹和未分區決策樹法進行對比研究得到的結果一致。此外, 在山區植被分類時, 有研究者[17, 18]為使多時相遙感數據能夠充分利用其光譜特征時間效應, 減少位于山地和平原地區同種植被的光譜亮度值差異, 也常采用分區多時相植被分類法來提高精度。
| 表4 分區決策樹與未分區決策樹分類精度評價對比Table 4 Comparison of extraction of partitioned and non-partitioned decision trees |
采用多時相影像進行大中尺度遙感監測時是基于不同時相不同地物的光譜特征差異, 而在不同區域由于水熱條件等不同, 同一植被可能因為種植的時間不同而導致當年物候期推遲或提前, 這會對未分區森林植被提取結果產生較大的影響。從表4可以看出, 3種方法均出現森林植被不同程度被漏分的情況, 其中未分區Rule A法的森林植被漏分誤差最大, 達到21.17%。對比圖4(b)和圖4(a)可以發現, 漏分區域主要分布在B區域, 一些山峰和林場周邊的森林明顯漏分。這說明Rule A對于B區域的森林提取過于“ 嚴苛” 。同時, 3種方法對森林植被的提取也出現了不同程度的錯分情況, 其中錯分誤差最大的為未分區Rule B法, 達到12.32%。對比圖4(c)和圖4(a)可以發現, 錯分區域主要分布在A區域, 部分花生地被錯分到森林植被中。這說明Rule B對于A區域的森林提取過于“ 松弛” 。
盡管分區決策樹法的森林提取總體精度達到90.72%, 但仍然存在13.14%的漏分誤差。A區域的漏分可能是在剔除花生地時剔除掉了一些農田和植被混合區域的森林植被。為提高該因素引起的森林植被誤分, 可以進一步細化對當地農田植被的生長期調查, 特別是與該地區森林植被生長期在光譜上難以區分的作物。或者提高分類數據的質量, 采用更高分辨率的遙感數據。本研究中采用的對森林植被的分區決策樹法只考慮到森林植被和農田植被的光譜特征, 缺少紋理特征的分析。一些研究[19, 20, 21]表明在對森林進行提取的結果發現, 結合時相紋理特征的數據能得到更好的分類精度。對于B區域的漏分, 在野外調研的樣點中采集到B區域的一些幼林樣點, 但由于幼林的葉面積指數較小, 在16 m高分遙感影像上難以識別出來, 從而可能導致一些森林植被被漏分。劉曉娜等[22]以2010年TM影像, 根據橡膠林在不同樹齡所表現的光譜差異, 基于“ 晚期的橡膠成林早期一定是橡膠幼林, 而早期的橡膠幼林晚期一般變為橡膠成林” 的植被生長規律, 采用面向對象分類法, 分類出橡膠幼林和成林。其中成林的分類精度92.5%, 幼林的分類精度76.42%。這與本研究的幼林區在中高分辨率的遙感影像上分類精度低的結果一致。此外, 受16 m空間分辨率的遙感數據限制, 對于一些僅幾米的破碎森林也難以精確識別。為實現小片森林的精細遙感監測, Li等[23]嘗試將多種尺度的數據進行結合, 實現了對森林植被高精度的提取。本研究提取的森林植被結果是為當地的航空植保需求服務, 而航空植保的作業興趣區主要集中在郁閉度較高的森林覆被地區, 因而這部分漏分森林植被對植保作業區域的估計影響不大。
3 結論
為提取蚌埠地區最新森林植被的分布, 服務于該區域林業航空植保工作, 本文采用5個關鍵植被生育期的高分1號數據, 通過先將整個蚌埠地區劃分為A和B兩個子區域, 并分別應用不同的決策樹模型提取得到各子區域的森林植被信息, 然后再合并。同時將合并的結果與未分區決策樹法進行對比, 最后對森林植被提取信息的特征和精度進行分析。研究結果表明：
1）分區和未分區決策樹法得到的蚌埠市森林植被總覆蓋面積差異較大, 總體趨勢表現為：未分區Rule A≤ 分區決策樹≤ 未分區Rule B, 其中差異最大的是固鎮縣。
2）分區決策樹森林植被提取總體精度達到90.72%, 較未分區Rule A法和未分區Rule B法分別提高3.80%、4.65%, Kappa系數達到0.81, 較未分區Rule A法和未分區Rule B法分別提高0.07、0.10。分區決策樹法結合植被物候信息可以實現對森林植被較高精度的提取, 能夠滿足林業航空植保作業的精度要求。
3）具有較高空間分辨率、低成本、寬覆蓋、短重訪周期的高分1號影像, 對于大區域的林業航空植保森林植被信息的提取表現出較大的潛力。
The authors have declared that no competing interests exist.
參考文獻View Option
| [1] | 馮仲科, 黃曉東, 劉芳. 森林調查裝備與信息化技術發展分析[J]. [FENG Z K, HUANG X D, LIU F. Forest survey equipment and development of information technology. |
| [2] | 李濤, 譚偉, 王六平, 等. 遙感影像判讀地類在貴州省林地變更調查中的應用[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] | 龐國錦, 董曉峰, 宋翔, 等. “三北”防護林建設以來河西走廊林地變化的遙感監測[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] | 張興余, 劉勇, 許寶榮, 等. 烏蘭布和沙漠高分辨率遙感影像梭梭林解譯方法探討[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] | 楊存建, 周其林, 任小蘭, 等. 基于多時相MODIS數據的四川省森林植被類型信息提取[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] | 張穎, 王越男, 陳利, 等. 基于Land sat-8影像森林植被信息計算機自動提取研究[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, 李愛農, 邊金虎, 等. 基于閾值法的山區森林常綠、落葉特征遙感自動識別方法——以貢嘎山地區為例[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, 李愛農, 譚劍波, 等. 基于多源多時相遙感影像的山地森林分類決策樹模型研究[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] | 賈明明, 任春穎, 劉殿偉, 等. 基于環境星與MODIS時序數據的面向對象森林植被分類[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. |