運用植被指數時序特征對落葉松人工林分類1)

馬婷 李崇貴 郭瑞霞 劉思涵 劉伯濤

(西安科技大學，西安，710054)

落葉松(Larixgmelini)是我國北方林區常見的一種寒溫帶及溫帶樹種，由于具有速生、材質好、抗性強、適應性廣等特點，已成為我國北方主要的造林樹種[1]。落葉松人工林能夠在一定程度上減輕對天然林木材供給需求的壓力。隨著我國落葉松人工林造林面積的逐年加大，林業重點工程建設的穩步推進，對落葉松人工林資源的調查也是林業調查領域一項新需求，特別是對快速獲取落葉松人工林空間位置分布狀況。

在林業遙感領域，國內外學者對不同林地類型分類進行了大量的研究工作，并取得一定成果。Suchenwirth et al.[2]通過分析遙感特征值、空間幾何信息和坡度信息等，構建相應的知識規則，運用專家知識的決策樹算法分類，在泛洪區分類中提取了蘆羊、白楊林和草地等植被；王榮[3]利用面向對象的多尺度分割算法、Sobel算子邊緣檢測及骨架線提取等方法，提取天然林與人工林的紋理線特征，構建了面向對象的紋理線條密度指數(ITLD)，該指數能有效提取森林內部天然林與人工林植被覆蓋信息；賈明明等[4]以環境星(HJ-1 CCD)數據和中等分辨率的MODIS時間序列數據為基礎，通過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并進行森林類型分類試驗，結果表明MODIS時間序列數據和環境星(HJ-1 CCD)數據結合的森林類型分類精度，與使用單一的環境星(HJ-CCD)數據相比得到大幅度提高。梁守真等[5]嘗試利用多時相的Landsat TM數據和時間序列MODIS-NDVI數據進行橡膠林信息提取實驗，利用包含橡膠關鍵季相期的多時相數據能得到更高的提取精度。Chen et al.[6]嘗試利用植被局部差異指數(IVLD)和最大似然分類法相合，進行森林植被類型分類試驗，結合空間信息提取的植被局部差異指數信息能夠提高森林類型分類精度。魯楠等[7]運用國產高分二號(GF-2)數據和CART決策樹算法設計了一種四季時相知識規則集，并采用分層逐步分類和多種分類方法相結合，進行森林類型分類實驗，該方法能夠有效提高森林類型的分類精度。國內外針對落葉松人工林的研究文獻多集中于生物量模型、土壤肥力、經營狀況、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較低，尚不能有效滿足實際生產需要。因此，利用遙感手段探討我國落葉松人工林的分布情況，在理論研究和實際應用上都有十分重要的意義。

1 研究區概況

研究區域為黑龍江省佳木斯市樺南縣東北部的孟家崗林場，地理坐標為東經130°32′42″～130°52′36″，北緯46°20′16″～46°30′50″，屬東亞大陸性季風氣候，年平均氣溫2.7 ℃，海拔168～575 m[8]。該林場是以經營落葉松為主的人工林基地，全場總面積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 遙感影像數據與預處理

本研究采用的研究數據是2017年7月6日由“高分一號”衛星拍攝的孟家崗林場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軟件對多光譜圖像進行輻射定標、FLAASH大氣校正、幾何校正、正射校正，對全色圖像進行輻射定標、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年多時相Landsat8 OLI影像下載于地理空間數據云(http://www.gscloud.cn/)，研究區內自11月份至2018年3月份積雪較厚，一年內多時相高質量影像難以全部獲取，本文選取Landsat8 OLI遙感影像構建相應的植被指數時間序列，影像信息如表1所示。為了更好的識別地物特征，對多時相OLI影像進行輻射定標、大氣校正、裁剪。

2.2 植被指數選擇與計算

運用灰度共生矩陣對預處理后2 m分辨率的GF-1影像提取8個紋理特征(均值、方差、協同性、對比度、相異性、信息熵、二階矩和相關性)，再利用預處理后的Landsat8 OLI影像數據提取研究區內5個樹種的植被指數，構建相應的植被指數時間序列特征；并與GF-1遙感影像的4個光譜波段和8個紋理特征組成多源數據集。最后采用最大似然和隨機森林兩種方法進行落葉松人工林分類。

表1 Landsat8 OLI數據信息

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

歸一化植被指數(INDV)可以很好的反映植被生物量、生長狀態及覆蓋度信息。其時間序列變化曲線可以很好的描述地表植被的動態過程[10]。其計算公式為：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)對應的反射率。

差值植被指數(IDV)很好地反映了植被生態環境。其計算公式為：IDV=ρNIR-ρR。

比值植被指數(IRV)是健康植物靈敏指數參數，當IRV小于1時，說明無植被信息，可能為裸土、建筑、水體、植被哭死或者嚴重蟲害。IRV越大，說明植被生長狀況越好，生物量、覆蓋度越高[11]。計算公式為：IRV=ρNIR/ρR。

增強型植被指數(IEV)通過加入藍光波段(0.450～0.515 μm)增強了植被信號，矯正土壤背景和氣溶膠散射的影響，更好地反映植被生長狀況及覆蓋度[12]。計算公式為：IEV=2.5×[(ρNIR-ρR)/(ρNIR+6ρR-7.5ρB+1)]。式中：ρB表示藍光波段對應的反射率。

2.3 試驗樣本與驗證數據

利用無人機拍攝的0.5 m分辨率CCD數據解譯人工落葉松林的分布，結合孟家崗林場2014年森林資源二類調查小班矢量數據，將林場內土地覆蓋劃分為6種類型，分別是落葉松、紅松、樟子松、云杉、闊葉樹。分別計算出不同覆蓋類型在林場中所占面積大小，根據面積所占權重布設試驗樣地，共布設了420塊28.28 m×28.28 m的正方形樣地。

采用地面調查樣點作為分類驗證樣本。樣點采集于2017年6月，使用手持GPS獲取樣點地理坐標和樹種類型。經實地調查，共獲取了395個有效的土地覆蓋類型樣點。

3 結果與分析

3.1 典型植被INDV時序特征

通過試驗樣本數據，計算該研究區典型植被的INDV均值，構建相應的INDV時間序列曲線。

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，說明夏季落葉松長勢好，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，說明秋季落葉松生物量較低，來年春季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，長勢最好，隨著季節變化，到了秋季，葉子逐漸掉落，因而INDV值逐漸衰減，等到來年春季，葉子逐漸長出，INDV再升高。闊葉樹與落葉松的INDV時間序列曲線基本一致，在夏季長勢最好，生物量達到最高，隨著秋冬季節來臨，INDV逐漸衰減，在10月下旬下降至0.4，說明此時闊葉樹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；本文研究區域內的闊葉樹基本屬于天然林，樹種類型豐富，不完全是落葉喬木，所以在秋冬季節依然有少量植被覆蓋。紅松、樟子松和云杉的INDV時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，說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圖像對識別落葉松有很大幫助。

圖1 歸一化植被指數時間序列曲線

3.2 其他植被指數時序特征分析

用相同的方法分別構建了典型植被的IDV、IRV和IEV時間序列曲線，結果如圖2、圖3、圖4所示。

由圖2可知，在落葉松生長階段內，隨著季節的變化，5種植被的IDV時序曲線均呈下降趨勢，其中闊葉樹的IDV時序曲線斜率最大，對區分落葉松和闊葉樹有很大優勢。

圖2 差值植被指數時間序列曲線

圖3 比值植被指數時間序列曲線

由圖3可知，隨著季節變化，落葉松和闊葉樹的IRV時序曲線均呈下降趨勢，落葉松IRV曲線緩慢下降，闊葉樹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。因此，生長期的IRV圖像對識別落葉松有優勢。

圖4 增強型植被指數時間序列曲線

由圖4可知，伴隨季節的變化，5種植被的IEV時序曲線變化相似，但10月份之后，落葉松IEV時序曲線大幅度降低并且指數值低于1，因此，落葉期的IEV圖像對識別落葉松有明顯的優勢。

3.3 分類精度

為探討植被指數時序特征是否有利于落葉松人工林的提取，分別選取單一時相影像和加入植被指數時序特征的多源數據集兩組數據，并且均加入紋理信息，采用最大似然和隨機森林兩種算法進行2組對比試驗。

由圖5可以看出，單一時相影像分類地物過于破碎，落葉松與紅松混分較多，紅松錯分到闊葉樹情況嚴重，而加入植被指數時序特征后，地物破碎性得到了很大改善，錯分和漏分情況較少，分類效果比較好。

圖5 分類結果

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

表2 兩組試驗分類結果精度比較

4 結論

本文以提高落葉松人工林提取精度為目的，根據落葉松林的季相和物候特征，嘗試在單一時相影像中加入植被指數時序特征，并采用最大似然和隨機森林兩種分類方法，對單一時相影像和加入植被指數時序特征的影像兩種數據進行了2組對比試驗，并且在兩種數據中均加入紋理特征進行輔助分類。

通過分析植被指數時序特征和分類結果發現：(1)落葉松在落葉期的INDV、IEV和生長季的IRV與其他樹種差異較大，這幾種特征可作為落葉松的影像分類指數。(2)加入植被指數時序特征后，采用最大似然和隨機森林分類，影像的分類精度均得到顯著提高，說明植被指數時序特征可有效區分研究區內主要地物，實現落葉松高精度提??；最大似然算法分類精度提高了13.35%，隨機森林算法分類精度提高了19.8%。本研究加入植被指數時序特征方法，可以對快速、高精度繪制監測區域落葉松人工林的空間分布提供，為高效監測落葉松人工林的動態變化具有重要作用。