全 文 :第 34 卷第 24 期
2014年 12月
生 态 学 报
ACTA ECOLOGICA SINICA
Vol.34,No.24
Dec.,2014
http: / / www.ecologica.cn
基金项目:中国科学院战略性先导科技专项资助(XDA05050106); 国家 863项目全球森林生物量和碳储量遥感估测关键技术(2012AA120906)
收稿日期:2013鄄10鄄17; 摇 摇 修订日期:2014鄄10鄄23
*通讯作者 Corresponding author.E鄄mail: liyan@ nju.edu.cn
DOI: 10.5846 / stxb201310172506
姜洋,李艳.浙江省森林信息提取及其变化的空间分布.生态学报,2014,34(24):7261鄄7270.
Jiang Y, Li Y.The extraction of forest information and the spatial distribution of its change in Zhejiang Province.Acta Ecologica Sinica,2014,34(24):
7261鄄7270.
浙江省森林信息提取及其变化的空间分布
姜摇 洋,李摇 艳*
(江苏省地理信息技术重点实验室, 南京大学国际地球系统科学研究所,南京摇 210046)
摘要:如何利用遥感技术提取森林信息是遥感应用的重要领域之一。 以不同时相的 Landsat TM / ETM+为数据源,采用面向对象
和基于多级决策树的分类方法得到浙江省 2000年、2005年以及 2010 年的森林植被覆被图。 经实地采样点验证,2010 年分类
精度达到 92.76%,精度满足要求。 介绍了浙江森林信息的快速提取方法,即统计不同森林类型的 Landsat TM影像原始波段和
LBV变换值以及各种植被指数在各时相上的差异,经过 C5决策树训练,选取合适的规则和阈值实现森林信息的提取。 结果表
明,面向对象分割与决策树算法结合可以作为森林信息提取的有效方法。 最后,通过对 3期森林专题图进行空间叠加分析,得
到了森林资源动态变化的空间分布,并以此为基础对林地变化的类型及原因进行分析,结果显示浙江省森林资源变化主要分布
在浙西北山区、浙中南山区以及沿海地带,这一结果可以为有关部门的决策提供依据。
关键词:Landsat TM; 森林信息提取; 森林资源变化; 空间分布
The extraction of forest information and the spatial distribution of its change in
Zhejiang Province
JIANG Yang, LI Yan*
Jiangsu Provincial Key Laboratory of Geographic Information Science and Technology, International Institute for Earth System Science, Nanjing University,
Nanjing 210046, China
Abstract: The accurate forest inforrnation extraction through remote sensing technology is an important content of remote
sensing applications. The land cover maps of Zhejiang province in 2000,2005 and 2010 are generated based on object鄄
oriented segmentation and multi鄄level decision tree classification technologies. Landsat TM / ETM+ images of variance times
are used in this process. The forest in this area mainly contains evergreen coniferous forest, evergreen broad鄄leaf forest,
deciduous coniferous forest, deciduous broad鄄leaf forest, mixed broadleaf鄄conifer forest and shrubbery. The forest
information extraction for the studied area is carried out through a multiple level scheme, which is the main innovation of
this work. The multi鄄scale segmentation technology is used to construct a 3鄄level segmentation system to get different scale
objects in different classification stages. The multi鄄level decision tree is emploied as the classification tool. The first level
objects will be classified as vegetation or non鄄vegetation. The second level objects within vegetation will be classified as
evergreen forest or deciduoud forest. The third level objects within the evergreen forest and the deciduoud forest will be
respectively classified as the relavent sub鄄type forests. Particularly, some features are computed and used as the input of the
decision tree for the sub鄄type forest classification, including LBV(Level Balance Variance) transform from the 7 TM bands,
NDVI(Normalized Difference Vegetation Index) from infrared and red bands of TM, and Tessal transform. Through the
decision tree training, we find that in different stage there is a particular feature which plays the key role. For example,
http: / / www.ecologica.cn
NDVI is a typical index to distinguish the vegetation and non鄄vegetation. NDVI of winter image is also a key index to
differentiate evergreen forest and deciduous forest.V derived from LBV transform of the summer TM data is proved to be the
best index for classifying the evergreen broad鄄leaf forest and evergreen coniferous forest. It is also used for deciduous
coniferous forest and deciduous broad鄄leaved forest. In a nother hand, the field data is used to evaluate the mapping result.
1216 samples validate that the classification result of 2010 is highly precise with the overall accuracy of 92.76% and the
Kappa of 0.893. The evergreen forest has higher classification accuracy than the deciduous forest. The evergreen coniferous
forest and evergreen broad鄄leaf forest are usually confused with the mixed broadleaf鄄conifer which leads to the main errors.
The results indicate that the decision tree classification combined with object鄄oriented segmentation provides an effective
method for the extraction of forest information. Finally, the dynamic spatial distribution of forest resources is implemented
through the spatial overlay analysis for the woodland thematic maps of the three periods. The results show that the forest
increasing mostly accur in the central and the southern mountainous areas of zhejiang province, and the deforestation mainly
accur in the coastal zones.The categories and reasons for the forest cover change are analyzed as well which can be helpful
for the decision鄄making for the relevant departments. It should be noticed that there are dramatic land cover changes of forest
in Zhejiang province. A large number of cultivated lands have been changed into evergreen coniferous forest or evergreen
broad鄄leaf forest which is believed to be a response of the relevant policy.
Key Words: landsat TM; forest information extraction; forest cover change; spatial distribution
摇 摇 森林资源是人类赖以生存的物质基础,是林业
可持续发展的根本所在,严格保护、科学经营和合理
利用森林资源已成为国际社会共同关注的问题[1]。
传统的调查以地面调查方法为主,这种方法费时又
费力,并且精度不高,实时性也差。 而遥感技术的发
展使得森林植被的信息能够实现大面积、实时、动态
地获取,尤其在全球环境监测中,发挥着愈来愈重要
的作用[2]。 在多时相、多波段遥感影像上提取森林
资源信息,具有现势性强、更新周期短和成本相对低
廉的特点[3]。 不同森林类型因其光谱特征不同,在
影像上的灰度值不同,这为区分不同的地物类型提
供可能。 为了定量分析浙江省森林资源分布以及年
际变化的时空特点,本文以 Landsat TM 数据为数据
源,探索一种精度更高、步骤更简便的森林信息提取
方法,从而快速得到浙江省 2000、2005、2010 年森林
资源分布图。 在此基础上,分析浙江省 2000 年到
2010年森林变化的空间分布,为浙江省森林资源经
营与生态环境建设提供动态决策支持。
1摇 森林遥感研究概况
使用 NOAA / AVHRR数据进行森林信息提取的
有:Nemani[4]等把 NOAA / AVHRR 影像的红波段、近
红外波段、热红外波段作为基础数据,通过归一化植
被指数(NDVI)的季节性变动来识别常绿林和落叶
林,利用近红外反射率的不同来区分阔叶林和针叶
林。 Mayaux 等采用 AVHRR 监测森林和热带草原,
采用 ATSR 卫星监测森林二级类,采用 ERS 以及
SAR 区分长廊林、种植园和沼泽林,精度达到
74郾 6%[5]。 因为 NOAA 数据的空间分辨率较低,在
小比例尺的制图方面使用有困难,而拥有中等分辨
率的 Landsat系列卫星此时就非常有效。 很多学者
都应用 Landsat TM 影像对森林信息的提取做过研
究。 Bolstad,Paul V[6]等以美国威斯康星州北部作为
研究区,利用 Landsat TM影像结合土壤、地形数据将
森林分为 13种类型,精度在 89%以上。 McDonald[7]
基于对 Landsat TM 数据的分析发现当植被覆盖度较
低时,全球环境监测指数(GEMI)指数对针叶林信息
提取最为有利,当植被覆盖度较高时,土壤调节植被
指数(SAVI)和转换型土壤调节植被指数(TSAVI)指
数最适于提取针叶林信息。 刘旭升[8]根据 Landsat
ETM+数据基于 BP(back鄄propagation)神经网络法对
森林植被进行分类,结果证明灌木林和草地的混分
现象有很大的改善,但是存在针阔混分的现象。 竞
霞[9]等以密云山区为例,利用多时相遥感数据
Landsat TM 进行山区森林植被分类,取得了较好的
分类效果。 袁金国[10]通过对森林植被采用植被指
数进行基于图像的分类,提出垂直植被指数(PVI)
是最适合区分阔叶林和针叶林的植被指数。 陆元
2627 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
昌[11]基于地面调查数据和 TM数据根据不同的森林
类型具有不同的光谱特征,采用监督分类方法将森
林类型分为人工针叶纯林、针叶混交林、阔叶混交
林、针阔混交林以及无林地,精度达到 80%以上。 施
拥军[12]以浙西北山区为研究对象,利用 IKONOS 卫
星影像和 Landsat TM进行森林分类至四级,对于 TM
影像总体精度为 70.67%。 李俊祥[13]等利用多时相
Landsat TM影像,采用非监督分类方法,将浙江省天
童山森林公园的森林类型分为山坡常绿阔叶林、常
绿落叶阔叶混交林、人工林(针叶林、竹林),精度分
别为 95.1%、74.4%、88.5%、92.3%。
以上所列举的方法或者是需要利用遥感之外的
辅助数据,或者研究区有限或者只对森林进行一级
分类。 目前为止,仍缺乏适合大区域的森林二级类
信息遥感自动快速提取方法。
2摇 研究区概况与数据处理
浙江地处北纬 27—31毅与东经 118—123毅之间。
地理特征明显,地势自西南向东北呈阶梯状倾斜,浙
北地区是水网密集的冲积平原,浙东地区是沿海丘
陵,浙南地区大部分是山区。 浙江地形以丘陵和山
地为主,包括 5 大平原和 1 个盆地。 浙江属于亚热
带季风气候区,四季分明,光照充足,年平均气温
15—18 益,夏季炎热多雨、冬季低温少雨。 全年降水
充沛,全省年平均雨量在 980—2000 mm,降雨集中
在春夏季。 浙江省森林植被属中亚热带常绿阔叶
林,主要森林植被类型有暖性针叶林、常绿阔叶林、
落叶阔叶林、常绿落叶阔叶混交林、针阔混交林、竹
林、经济林、灌木林等。 从地理区域看,浙北平原森
林资源较少,浙西北是浙江省竹木重点产区,浙南是
浙江森林资源最多的林区。 根据 2005 年浙江省森
林资源年度公报,全省林地面积 66797 km2,森林面
积 58442 km2。
本研究使用的数据包括夏季和冬季的多时相
Landsat TM5、 ETM+,空间分辨率为 30 m,分类使用
的遥感数据轨道号以及获取时间如表 1 所示,获取
不到的数据采用相邻年份相邻月份的影像代替。 辅
助数据包括 30 m精度的数字高程模型(DEM,digital
elevation model)以及由此衍生的坡度、坡向数据等地
形因子数据、 google earth 影像、1 颐 100000 地形图、
2005年 1颐250000土地利用图以及野外采样数据。
首先对收集到的影像数据进行辐射校正和几何
校正,几何精校正的精度应控制在 0.5 个像元以内;
其次,利用 FLAASH 大气校正模型对经过辐射校正
和几何校正的影像数据进行大气校正;最后,对经过
大气校正的反射率数据实现裁剪与拼接。 在 Landsat
TM以及 ETM+影像中,TM2、3、4、5 这 4 个波段的组
合特性有利于森林植被分类的识别[14]。 通过波段
间的相关性分析找到最适合分类的波段组合,使利
用该波段组合时影像上的植被信息特征较为明显。
本研究采用的投影坐标系为WGS_1984_Albers,地理
坐标系为 GCS_WGS_1984,分类之前将所有的数据
转换到统一的坐标系统中。
表 1摇 浙江省森林信息提取使用的遥感影像
Table 1 摇 The remote sensing images use in extracting forest
information in Zhejiang Province
轨道号
Track number
夏季影像
Summer images
冬季影像
Winter images
12039 20091003 20090410
12040 20090520 20090131
11938 20100524 无
11939 20090606 20080228
11940 20100524 20080228
11941 20090606 20080228
11839 20090717 20080324
11840 20091021 20080324
11841 20091021 20080324
3摇 研究理论与方法
3.1摇 分类体系
现有的全球地表覆盖产品主要包括美国地质调
查局(United States Geological Survey,USGS)、马里兰
大学 ( University of Maryland, UMD)、波士顿大学
(Boston University,BU)、欧洲开发的 1km 空间分辨
率的数据以及欧洲 300m数据产品,其中前三种采用
国际 地 圈 生 物 圈 计 划 ( International Geosphere鄄
Biosphere Program, IGBP ) 17 类地表覆被分类系
统[15],后两种采用联合国粮农组织 ( Food and
agriculture organization,FAO)地表覆被分类系统。 中
国研发的数据产品主要有全球地表覆盖制图(Global
land cover mapping,GLCM)和 ChinaCover,这两种数
据都采用 FAO 地表覆被分类系统。 FAO 由联合国
粮农组织以及联合国环境规划署提出,主要目的是
3627摇 24期 摇 摇 摇 姜洋摇 等:浙江省森林信息提取及其变化的空间分布 摇
http: / / www.ecologica.cn
为了提高土地覆被数据的可靠性和兼容性,方便国
家、区域甚至是全球进行土地覆被数据的交流。
FAO采用的是两步分类系统[16]:一是根据二分法将
土地利用分为 8种类型,二是模块分级阶段。
ChinaCover根据 FAO分类系统最终确定分类体
系为 6 个一级类、36 个二级类。 其中林地包括常绿
针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林、针阔
混交林、常绿阔叶灌木林、落叶阔叶灌木林、常绿针
叶灌木林、乔木园地、灌木园地、乔木绿地、灌木绿地
12个二级类。 本文在此基础上根据浙江省林地分布
特征将林地分为常绿针叶林、常绿阔叶林、落叶针叶
林、落叶阔叶林、针阔混交林、灌木林,剩余的作为其
它类。
3.2摇 特征变量提取
3.2.1摇 LBV变换
LBV变换是曾志远在分析主要图像变换方法和
大量实践的基础上提出的卫星图像数据与信息提取
方法[17]。 通过分析裸地、水体、植被 3 种地物类型
的光谱特征发现,裸地的总辐射水平最强,水体的红
外光辐射最弱,植被的辐射随波段变换最剧烈。 因
此,L 集中反映了裸地的信息,B 集中反映了水体的
信息,V集中反映了林地的信息。
用于 LBV 变换的 TM 图像最佳波段组合是
TM2、TM3、TM4、TM5,最优方法为灰度值曲线回归方
程法[18],其计算公式如式(1)所示:
L= 1.507599TM2-0.066392TM3-1.382209TM4+1.733790TM5+11.000000
B= 1.126971TM2+0.673348TM3+0.077966TM4-1.878287TM5+159.000000
V= 1.636910TM2-3.396809TM3+1.915944TM4-1.156048TM5+121.000000
(1)
式中,TM2、TM3、TM4、TM5 分别是 TM 影像的 2、3、
4、5波段的灰度值。
3.2.2摇 归一化植被指数
植被指数是指利用卫星不同波段探测数据组合
而成的,能反映植物生长状况的指数。 总体来说,植
被指数的发展经历了 3 个阶段:第一类是通过原始
波段的比值或波段的线性组合,第二类则是利用物
理知识,而第三类是有热红外遥感和高光谱遥感演
化而来的[19]。 归一化植被指数 NDVI 属于第二类植
被指数。 它的计算公式(2)如下:
NDVI = (籽4 - 籽3) / (籽4 + 籽3) (2)
式中, 籽4 为 TM 影像近红外波段的反射率值, 籽3 为
TM影像近红外波段的反射率值。
为了将外部因素对光谱数据的影响降至最低,
科学家不断改进波段组合的方式,从而产生了不同
的植被指数计算方法[20]。 其中,NDVI 长期以来被
用来监测植被变化情况,是遥感估算植被信息中最
常用的植被指数[21]。 NDVI 数据与植被的许多参数
密切相关,如光合有效吸收率、叶绿素密度、叶面积
指数、植被覆盖度和植被郁闭度[22],因此被广泛应
用于植被的监测、农作物长势监测、生态环境监测、
土地覆被变化监测等等方面。 利用 NDVI 能够很好
的提取植被并且具有较强的抗干扰能力。
3.3摇 交叉法多尺度分割与分类
影像分割是将影像分割为一个个均匀区域的过
程,每个均匀区域为一个对象,从而为进一步分割或
分类工作提供信息载体和构建的基础[23]。 根据分
类需要设置合适的尺度参数、色彩参数与形状参数
对影像进行分割,生成不同尺度的影像对象层,从而
在特定对象层上提取特定的地物信息。 基于
eCognition的多尺度分割,共计得到了 3 个图像对象
层。 第一层对象是在较大尺度上分割得到的,只有
夏季影像参与,分割尺度为 150,形状指数为 0郾 2,紧
致度为 0.5,将影像分为林地与非林地对象并分别合
并成为模板;第二层分割用第一层林地模板覆盖下
的冬季影像进行,分割尺度为 40,形状指数为 0郾 2,
紧致度为 0.5,主要用于划分常绿林和落叶林;第 3
次分割分别针对常绿林和落叶林模板覆盖下的夏季
影像进行,分割尺度为 30,形状指数为 0.2,紧致度为
0.5,用于区分常绿针叶林、常绿阔叶林、落叶针叶
林、落叶阔叶林以及针阔混交林等。
3.4摇 多层决策树分类方法
上述过程中每一层的对象的分类采用的都是面
向对象的基于决策树的分类方法。 对于决策树分类
来说样本的选择应全面并且具有代表性,为此每一
地类样本点的选择遵循均匀分布原则,且在目标地
物面积较大的中心选取。 C5.0作为一种决策树算法
能够根据提供最大信息增益的字段分割样本数据,
并对决策树各叶子进行裁剪或合并来提高分类精
度,最后确定各叶子的最佳阈值[24]。 根据上节所
4627 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
述,本文采取了多层决策树的方法进行森林类型的
分类。 针对将要区分的两个子类别,在易康软件中
分别选取两个子类别的典型样本,并计算得到样本
的各特征值,除第一层之外,通过 C5.0 的训练自动
给出合适的特征组合及阈值,编写决策规则集输入
到易康里,运行决策树得到分类结果。
第一层的植被与非植被的分类本身较为容易,
直接选取第一层对象的 NDVI[25]作为分类特征,采
用基于样本分布的监督分类法。 通过反复试验,选
取对象的 NDVI值大于 0.35 的作为植被对象,NDVI
值小于等于 0.35的作为非植被对象。
植被对象分为常绿林和落叶林两类对象。 分别
选取常绿林和落叶林的样本,将它们的夏季 NDVI、
冬季 NDVI、NDVI 差值、缨帽变换的变量、LBV 变量
以及 TM各波段值作为 C5.0 的训练输入,来取得决
策规则。 样本的夏季、冬季 NDVI 以及 NDVI 差值如
图 1 所示。 最终,C5.0 给出了冬季影像 NDVI 作为
唯一的决策特征。 从图 1 可以看出冬季 NDVI 以及
NDVI差值都能区分常绿林和落叶林,但冬季 NDVI
效果更好。 根据 C5.0 给出的阈值,选取冬季 NDVI
值大于 0.6 的对象为常绿林,小于等于 0.6 的为落
叶林。
图 1摇 常绿林、落叶林样本 NDVI值
Fig.1摇 Value of NDVI of evergreen and broad鄄leaved
forest samples
常绿林对象分为常绿针叶林和常绿阔叶林两
类。 经研究,前述的几种特征已经不再适用于这一
层的分类任务。 分别选取典型常绿针叶林和常绿阔
叶林样本,将主成分分析之后得到的变量、缨帽变换
的变量、LBV变量、PVI 以及 TM 各波段值输入 C5.0
进行训练,输出的特征集是夏季 V 特征。 对常绿针
叶林、常绿阔叶林样本 V特征统计如图 2 所示,从图
2可以看出,夏季影像的 V 特征能很好的区分常绿
针叶林与常绿阔叶林。 根据输出的阈值,选取夏季
V特征大于 2900的对象为常绿阔叶林,选取夏季 V
特征小于 2710 的对象为常绿针叶林。 介于两者之
间的像元对象为针阔混交林。
图 2摇 常绿针叶林、常绿阔叶林样本夏季 V值
Fig.2摇 V of evergreen and broad鄄leaved forest samples
in summer
类似地,落叶林分为落叶针叶林和落叶阔叶林
两类。 方法和过程同常绿林但 C5.0 输出的特征集
是夏季第 4波段。 落叶针叶林和落叶阔叶林样本第
4波段的值如图 3 所示。 夏季第 4 波段的值大于
2837的对象为落叶阔叶林,小于等于 2837 的对象为
落叶针叶林。
3.5摇 精度评价
(1)总体分类精度
总体分类精度指被正确分类的像元总数占总像
元数的比例。
Po = (移mi = 1P ii) / N (3)
式中,Po 是分类的总体精度,表示分类结果与实际地
物类型一致的概率,m 为分类的类别数,N 为样本总
数,P ii为第 i类被正确分类的样本数目。
(2) 总体 Kappa系数
Kappa系数是由 Cohen在 1960年提出的用于评
价遥感图像分类的正确程度和比较图件一致性的
指数[26]。
5627摇 24期 摇 摇 摇 姜洋摇 等:浙江省森林信息提取及其变化的空间分布 摇
http: / / www.ecologica.cn
图 3摇 落叶针叶林、落叶阔叶林样本夏季第 4波段值
Fig.3摇 Value of the fourth band of deciduous coniferous forest
and broadleaved deciduous forest samples in summer
摇 K = (N移mi = 1P ii - 移
m
i = 1
(P i + 伊 P +j)) / (N2 -
移mi = 1(P +j 伊 P ii)) (4)
式中,K为 Kappa系数。
4摇 结果与分析
4.1摇 森林资源分布
2000年、2005 年以及 2010 年浙江省的土地利
用覆盖图如图 4、5、6所示。
经 SPSS软件统计分析得知浙江省 2000 年的森
林面积为 61075.5 km2,森林覆盖率为 58.79%;2005
年的森林面积为 61100. 2 km2,森林覆盖率为
58郾 82%;2010年的森林面积为 61981.3 km2,森林覆
盖率为 59.67%。 2000年到 2005 年森林覆盖率增长
0郾 03%,2005 年到 2010 年森林覆盖率增长 0.85%。
在 ArcGIS中将各个市的矢量边界与浙江 2010 年土
地覆被分类结果进行相交处理,统计得到各个市的
森林面积。 其中,丽水市的森林面积为 13689 km2,
占全省森林面积的 22. 16%;杭州市的森林面积为
11697 km2,占全省森林面积的 18.93%;温州市的森
林面积为 7842 km2,占全省森林面积的 12.74%;金
华市的森林面积为 6501 km2,占全省森林面积的
10郾 51%;衢州市的森林面积为 5940 km2,占全省森
林面积的 9.62%。 从空间分布来看,森林主要分布
在浙南、浙西北以及浙东的丘陵地区,这和浙江省的
地形分布趋势一致。
4.2摇 精度评价结果
本文采用的样本点为 2010 年浙江省环保厅野
图 4摇 浙江省 2000年土地利用覆被图
Fig.4摇 Map of land use and land cover in Zhejiang Province
in 2000
图 5摇 浙江省 2005年土地利用覆被图
Fig.5摇 Map of land use and land cover in Zhejiang Province
in 2005
外调查取样的点,共有 1216 个点,以正确分类的点
数占调查总点数的百分比计算精度。 浙江省分类正
确的点以及分类错误的点的分布如图 7所示。
浙江省林地分类结果的混淆矩阵如表 2 所示。
根据混淆矩阵可以看出浙江省森林分类总体精度为
92.76%,总体Kappa系数为0.893,总体分类精度良
6627 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
图 6摇 浙江省 2010年土地利用覆被图
Fig.6摇 Map of land use and land cover of Zhejiang Province
in 2010
好。 其中,常绿针叶林和常绿阔叶林的分类精度要
比落叶针叶林和落叶阔叶林的精度要高,这说明区
分常绿林和落叶林和所选影像的时相以及所选择的
图 7摇 浙江省验证样本点分布
Fig.7摇 Distribution of verification sample points in Zhejiang
样本关系密切。 常绿针叶林、常绿阔叶林易与针阔
混交林混淆,由于光谱特征比较相似,出现了较多错
分现象,这是目前森林分类的难点所在。
表 2摇 分类结果混淆矩阵
Table 2摇 Confusion matrix of classification result
地类
The class
常绿阔叶
Evergreen
broad鄄leaved
落叶阔叶
Decious
broad鄄leaved
常绿针叶
Evergreen
coniferous
落叶针叶
Decious
coniferous
针阔混交
Mixed forest
灌木林
Shrubwood
其他
Others
常绿阔叶 Evergreen broad鄄leaved 262 4 2 0 19 0 6
落叶阔叶 Decious broad鄄leaved 2 47 9 0 8 0 0
常绿针叶 Evergreen coniferous 0 0 188 1 2 1 2
落叶针叶 Decious coniferous 0 0 1 6 1 0 0
针阔混交 Mixed forest 1 0 14 0 224 0 2
灌木林 Shrubwood 0 0 0 0 0 54 1
其他 Others 3 0 2 1 2 4 347
总体精度(The overall accuracy):92.76%摇 Kappa= 0.893
4.3摇 森林资源变化的空间分布
对 3a的森林专题图进行空间叠加分析,得到森
林变化的空间分布图。 2000 到 2005 年以及 2005 到
2010年浙江省森林资源变化的空间分布如图 8
所示。
统计分析得知,2000 年到 2005 年,常绿针叶林
的转出面积 (从常绿针叶林变为其他类别)为 41
km2,转入面积(从其他类别变为常绿针叶林)为 53
km2;常绿阔叶林的转出面积为 57 km2,转入面积为
56 km2;落叶针叶林的转出面积为 16 km2,转入面积
为 4.3 km2;落叶阔叶林的转出面积为 0.7 km2,转入
面积为 2.4 km2;针阔混交林的转出面积为 1.2 km2,
转入面积为 2.3 km2。 2005 年到 2010 年,常绿针叶
林的转出面积为 56 km2,转入面积为 446 km2;常绿
阔叶林的转出面积为 39 km2,转入面积为 192 km2;
落叶针叶林的转出面积为 9 km2,转入面积为 188
km2;落叶阔叶林的转出面积为 6.5 km2,转入面积为
103 km2;针阔混交林的转出面积为 0.2 km2,转入面
7627摇 24期 摇 摇 摇 姜洋摇 等:浙江省森林信息提取及其变化的空间分布 摇
http: / / www.ecologica.cn
积为 21 km2。
图 8摇 森林变化的空间分布
Fig.8摇 Spatial distribution of forests忆 change
左边是 2000—2005年森林资源变化图,右边是 2005—2010年森林资源变化图
摇 摇 从图 8和以上分析数据得到结论 2005 到 2010
年浙江省森林变化较 2000 到 2005 年更剧烈。 2000
年到 2005年林地的转入类别主要是裸土、耕地、河
流、水库 /坑塘、草丛,转出类别主要是裸土、居住地、
水库 /坑塘、湖泊、采矿场;2005 年到 2010 年林地的
转入类别主要是耕地、裸土、居住地,转出类别主要
是耕地、居住地、裸土、工业用地。 从总体上看,2005
年到 2010 年变化斑块的面积和密度都比 2000 到
2005年大。 2000 年到 2005 年,浙江省积极响应国
家“退耕还林冶政策,整个省域森林覆盖率都在提高。
而 2005 年到 2010 年,从图上看来减少的森林面积
较多,主要分布在东南沿海以及浙西北,实际上森林
的增加占绝对优势,主要分布在浙江中部以及南部
山区,这是因为,随着工业化的扰动,浙江变化图斑
更加破碎,很多小图斑聚集在一起看似面积很大。
在过去的 10a,全省森林面积增长 1.015 倍,森林覆
盖率从 58. 79%提高到 59. 67%,环保部门预测到
2015年,全省森林覆盖率将达到 61%以上。 另外,
随着浙江省对林业发展的重视不断提高,人们从更
加科学合理的角度利用土地,山区的裸地等未利用
地逐渐变为植被覆盖度较高的土地覆被类型并且一
些不利于种植作物的土地利用类型也变为森林。
5摇 结论
(1) 本文采用面向对象的方法对浙江省的森林
信息进行快速提取,得到浙江省 2000 年、2005 年以
及 2010年的土地覆被分类,2010年林地分类精度较
高,达到 92.76%,这表明基于卫星影像的面向对象
分类用于林业资源调查、土地利用调查是可行的。
本文的不足之处在于文中的灌木林是目视解译得到
的,没有研究森林中灌木林的遥感自动提取方法,今
后将往这个方向进一步进行研究。
(2) 由于植被二级分类比较困难,用单一时相
数据划分森林类型存在较大难度。 本文在多尺度分
割的基础上,结合多时相、多源遥感数据,利用决策
树算法,较好地解决了森林植被的二级分类问题。
结果表明,面向对象分类与决策树算法结合为森林
植被信息的提取提供了新的方法。
(3) 文中对 3a 间森林资源分布的空间位置及
其空间变化进行了分析,结果表明随着时间的推移,
森林变化越来越剧烈,浙江中南部山区是森林增加
的主要区域,沿海地带是森林减少的主要区域。 对
于森林变化的小斑块要进行人工修正,确定是否是
虚假变化。 由于研究的时间尺度较小,自然因素导
致的变化相对缓慢,人文因素占主导地位。
References:
[ 1 ] 摇 Zheng F Y, Zhang Y S. China忆 s forest resources and its
sustainable development countermeasures. Western Resources,
2006, (5): 16鄄18.
8627 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
[ 2 ]摇 Zhan X, Defries R, Townshend J R G, Dimiceli C, Hansen M,
Huang C, Sohlberg R. The 250 m global land cover change
product from the Moderate Resolution Imaging Spectroradiometer of
NASA忆s Earth Observing System. International Journal of Remote
Sensing, 2000, 21(6 / 7): 1433鄄1460.
[ 3 ] 摇 Deng S B, Wu H G, Jiang T. An approach to the extraction of
remotely鄄sensed information of forest cover based on PCA / NDVI.
Remote Sensing for Land & Resources, 2007, 19(2): 82鄄85.
[ 4 ] 摇 Nemani R, Running S. Land cover characterization using
multitemporal red, near鄄IR, and thermal鄄IR data from NOAA /
AVHRR. Ecological Applications, 1997, 7(1): 79鄄90.
[ 5 ] 摇 Mayaux P, De Grandi G, Malingreau J. Central African forest
cover revisited: a multisatellite analysis. Remote Sensing of
Environment, 2000, 71(2): 183鄄196.
[ 6 ] 摇 Bolstad P V, Lillesand T M. Improved classification of forest
vegetation in northern Wisconsin through a rule鄄based combination
of soils, terrain, and Landsat Thematic Mapper data. Forest
Science, 1992, 38(1): 5鄄20.
[ 7 ] 摇 McDonald A J, Gemmell F M, Lewis P E. Investigation of the
utility of spectral vegetation indices for determining information on
coniferous forests. Remote Sensing of Environment, 1998, 66
(3): 250鄄272.
[ 8 ] 摇 Liu X S, Zhang X L. Remote sensing classification of forest
vegetation based on artificial neural network. Forest Resources
Management, 2005, 2(1): 51鄄54.
[ 9 ] 摇 Jing X, Wang J D, Wang J H, Huang W J, Liu L Y. Classifying
forest vegetation using sub鄄region classification based on multi鄄
temporal renote sensing images. Remote Sensing Technology and
Application, 2008, 23(4): 394鄄397.
[10] 摇 Yuan J G. Study of forest vegetation classification with remote
sensing. Journal of Hebei Normal University: Natural Science,
1999, 23(2): 274鄄277.
[11] 摇 Lu Y C, Chen J Z, Hong L X, Lei X D. Application of remote鄄
sensing image classification techniques in forest landscape
classification and evaluation. Forest Research, 2005, 18 ( 1):
31鄄35.
[12] 摇 Shi Y J. Research on Technologies of Forest Classification by
Remote Sensing A Case of Northwest Mountainous Area in
Zhejiang [D]. Zhejiang: Zhejiang University, 2003.
[13] 摇 Li J X, Song Y C. Landscape classification and mapping with
remotely sensed data for Tiantong National Forest Park in Zhejiang
Province. Chinese Journal of Ecology, 2003, 22(4): 102鄄106.
[14] 摇 Fu S X. Remote Sensing Thematic Analysis and Geological
Mapping. Beijing: Science Press, 2002.
[15] 摇 Hansen M C, Defries R S, Townshend J R G, Sohlberg R. Global
land cover classification at 1 km spatial resolution using a
classification tree approach. International Journal of Remote
Sensing, 2000, 21(6 / 7):1331鄄1364.
[16] 摇 Di Gregorio A, Jansen L J M. FAO land Cover Classification: A
Dichotomous, Modular鄄Hierarchical Approach, 1997, http: / /
www.fao.org / waicent / faoinfo / agricult / AGLS / FGDCFAO.htm
[17]摇 Zeng Z Y. Computer Classification of Satellite Remote Sensing
Images and the Applied Research in Geosciences. Beijing:
Science Press, 2004.
[18] 摇 Li M G, Fang H D, Deng K Z. New methods for water body
extraction from TM data based on LBV transformation. Science of
Surveying and Mapping. 2010, 35(3): 138鄄139.
[19] 摇 Li H M, Liu H B, Wu W. Vegetation change in the Three Gorges
Reservoir area of Chongqing. Scientia Geographica Sinica, 2010,
30(1): 119鄄123.
[20] 摇 Zhen J G, Chen Y W. Vegetation indices and the applications in
monitoring tillage revering to woodland or grassland ecosystems.
Remote Sensing Technology and Application, 2006, 21 ( 1 ):
41鄄48.
[21] 摇 Yang C J, Ou X K, Dang C L, Zhang Z X. Detecting the change
information of forest vegetation in Lushui County of Yunnan
Province. Geo鄄Information Science, 2000, 2(4): 71鄄74.
[22] 摇 Sellers P J. Canopy reflectance, photosynthesis and transpiration.
International Journal of Remote Sensing, 1985, 6 ( 8 ):
1335鄄1372.
[23] 摇 Baatz M, Sch覿pe A. Multiresolution segmentation: an optimization
approach for high quality multi鄄scale image segmentation / /
Angewandte Geographische Informationsverarbeitung. Heidelberg:
Wichmann鄄Verlag, 2000: 12鄄23.
[24] 摇 Wen S P, Hu G D, Yang X F. Extracting information from ETM+
image using C5. 0 decision tree algorithm. Geography and Geo鄄
Information Science, 2007, 23(6): 26鄄29.
[25] 摇 Chen L, Lin H, Sun H, Yan E P, Wang J J. Studies on
information extraction of forest in Zhuzhou city based on decision
tree classification. Journal of Central South University of Forestry
& Technology, 2013, 33(1): 47鄄50.
[26] 摇 Liu M, Hu Y M, Bu R C, Wu Z J, Xue Y, Qiu S F, Zhang W.
Study on 1andscape change based on RS and GIS In Songpan
Couny. Journal of Liaoning Technical University, 2007, 26(3):
351鄄353.
参考文献:
[ 1 ] 摇 郑凤英, 张英珊. 我国森林资源及其可持续发展对策. 西部资
源, 2006, (5): 16鄄18.
[ 3 ] 摇 邓书斌, 武红敢, 江涛. 基于 PCA / NDVI 的森林覆盖遥感信
息提取方法研究. 国土资源遥感, 2007, 19(2): 82鄄85.
[ 8 ] 摇 刘旭升, 张晓丽. 基于 BP 神经网络的森林植被遥感分类研
究. 林业资源管理, 2005, 2(1): 51鄄54.
[ 9 ] 摇 竞霞, 王锦地, 王纪华, 黄文江, 刘良云. 基于分区和多时相
遥感数据的山区植被分类研究. 遥感技术与应用, 2008, 23
(4): 394鄄397.
[10] 摇 袁金国. 森林植被遥感分类研究. 河北师范大学学报: 自然科
学版, 1999, 23(2): 274鄄277.
9627摇 24期 摇 摇 摇 姜洋摇 等:浙江省森林信息提取及其变化的空间分布 摇
http: / / www.ecologica.cn
[11]摇 陆元昌, 陈敬忠, 洪玲霞, 雷相东. 遥感影像分类技术在森林
景观分类评价中的应用研究. 林业科学研究, 2005, 18(1):
31鄄35.
[12] 摇 施拥军. 森林遥感分类技术研究———以浙西北山区为例 [D].
浙江: 浙江大学, 2003.
[13] 摇 李俊祥, 宋永昌. 浙江天童国家森林公园景观的遥感分类与
制图. 生态学杂志, 2003, 22(4): 102鄄106.
[14] 摇 傅肃性. 遥感专题分析与地学图谱. 北京: 科学出版社. 2002.
[17] 摇 曾志远. 卫星遥感图像计算机分类与地学应用研究. 北京: 科
学出版社, 2004.
[18] 摇 栗敏光,范洪冬,邓喀中. 基于 LBV变换的 TM数据水体提取
新方法. 测绘科学, 2010, 35(3): 138鄄139.
[19] 摇 李惠敏, 刘洪斌, 武伟. 近 10年重庆市归一化植被指数变化
分析. 地理科学, 2010, 30(1): 119鄄123.
[20] 摇 甄计国,陈亚伟. 植被指数与退耕还林 (草) 初期的遥感监测
应用. 遥感技术与应用, 2006, 21(1): 41鄄48.
[21] 摇 杨存建, 欧晓昆, 党承林, 张增祥. 森林植被动态变化信息的
遥感检测. 地球信息科学, 2000, 2(4): 71鄄74.
[24] 摇 温兴平, 胡光道, 杨晓峰. 基于 C5. 0决策树分类算法的 ETM
+影像信息提取. 地理与地理信息科学, 2007, 23(6): 26鄄29.
[25] 摇 陈利, 林辉, 孙华, 严恩萍, 王家均. 基于决策树分类的森林
信息提取研究. 中南林业科技大学学报, 2013, 33(1): 47鄄50.
[26] 摇 刘淼, 胡远满, 布仁仓, 吴志军, 薛杨, 邱素芬, 张薇. 基于
RS 和 GIS 的松潘县景观变化研究. 辽宁工程技术大学学报:
自然科学版, 2007, 26(3): 351鄄353.
0727 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇