免费文献传递   相关文献

An practical method for automatically identifying the evergreen and deciduous characteristic of forests at mountainous areas: a case study in Mt.Gongga Region

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



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:环保部“生态十年冶专项(STSN鄄01鄄04); 中国科学院“百人计划冶项目(110900K242); 四川省“百人计划冶项目; 中国科学院战略先导性科
技专项———碳专项(XDA05050105); 中国科学院院重要方向性项目(KZCX2鄄YW鄄QN313); 国家自然科学基金项目面上项目(41271433)联合资助
收稿日期:2013鄄10鄄11; 摇 摇 修订日期:2014鄄10鄄20
*通讯作者 Corresponding author.E鄄mail: ainongli@ imde.ac.cn
DOI: 10.5846 / stxb201310112440
雷光斌,李爱农,边金虎,张正健,张伟,吴炳方.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.生态学报,
2014,34(24):7210鄄7221.
Lei G B, Li A N, Bian J H, Zhang Z J, Zhang W,Wu B F.An practical method for automatically identifying the evergreen and deciduous characteristic of
forests at mountainous areas: a case study in Mt.Gongga Region.Acta Ecologica Sinica,2014,34(24):7210鄄7221.
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
雷光斌1,2,李爱农1,*,边金虎1,2,张正健1,张摇 伟1,3,吴炳方4
(1. 中国科学院水利部成都山地灾害与环境研究所,成都摇 610041; 2. 中国科学院大学,北京摇 100049;
3. 中国农业科学院农业资源与农业区划研究所,北京摇 100081; 4. 中国科学院遥感与数字地球研究所,北京摇 100101)
摘要:森林的常绿、落叶特征是土地覆被产品的重要属性。 由于山区地形复杂,地表遥感辐射信号地形效应明显,导致山区森林
常绿、落叶特征遥感自动识别一直是难点。 提出了一种基于阈值法的山区森林常绿、落叶特征遥感自动识别简单实用方法。 该
方法利用多源、多时相遥感影像,选择归一化植被指数(NDVI)为指标,通过统计参考样本的 NDVI 在生长季和非生长季的差
异,自动找出区分常绿、落叶特征的阈值,基于判别规则识别山区森林常绿、落叶特征。 以贡嘎山地区为例,分别以多时相
Landsat TM影像(简称 TM)、多时相环境减灾卫星影像(简称 HJ)为单源数据,多时相的 HJ、TM组合影像为多源数据,验证该方
法的有效性。 实验结果表明,该方法能够有效识别山区森林常绿、落叶特征,总体精度达到 93.87%,Kappa系数为 0.87。 该方法
适用于山区大面积森林常绿、落叶特征遥感自动提取,已被成功应用于“生态十年冶专项西南地区土地覆被数据的生产。
关键词:常绿; 落叶; NDVI差值; 森林生态系统; 遥感
An practical method for automatically identifying the evergreen and deciduous
characteristic of forests at mountainous areas: a case study in Mt.Gongga Region
LEI Guangbin1,2,LI Ainong1,*, BIAN Jinhu1,2, ZHANG Zhengjian1, ZHANG Wei1,3,WU Bingfang4
1 Institute of Mountain Hazards and Environment, Chinese Academy of Sciences, Chengdu 610041, China
2 University of Chinese Academy of Sciences, Beijing 100049, China
3 Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China
4 Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China
Abstract: Land cover products are the important background for researches such as climate change, material and energy
cycle, eco鄄environment evaluation, land surface process modeling, eco鄄parameters inversion, and so on. The evergreen and
deciduous characteristic of forests is one of the most important attributes for land cover products. But it is still a challenge
how to efficiently distinguish the evergreen and deciduous characteristic of forests using remote sensing technology at regional
or global scales. Especially in the mountainous areas, due to the abundant biodiversity and heterogeneous landscape patterns
caused by unique climate, eco鄄environmental conditions, and long鄄term and persistent human disturbances, it is usually
more difficult to automatically identify the evergreen and deciduous characteristic of forests than other regions. This paper
http: / / www.ecologica.cn
proposed a simple, practical and automatic method to identify the evergreen and deciduous characteristic of forests in
mountainous areas. The NDVI (Normalized Difference Vegetation Index) which is the best indicator to represent the growth
state of vegetation was selected as an index, and the evergreen needleleaf forest was then selected as reference sample in the
proposed method. Firstly, a preliminary map of forest types must be produced by multi鄄source and multi鄄temporal remote
sensing images through the object鄄oriented classification method. The frequency histogram of the NDVI_D (the differences
of NDVI) between growing season and non鄄growing season of needleleaf forests obtained from the preliminary map was used
to choose the threshold value. The evergreen and deciduous characteristic of forests were accurately distinguished by
threshold rules at last. For the areas covered with clouds, seasonal snows and shadows, the evergreen and deciduous
characteristics of forests were replaced by the characteristics of its surrounding forests. Choosing the proper threshold values
and building the distinguished rules are the cores of this method. This paper took Mt. Gongga as study area, the Landsat TM
images, multi鄄spectral HJ ( Chinese small constellation of environmental and disaster mitigation) CCD images and the
combined Landsat TM and HJ images to respectively validate the effectiveness of this method. The validation results showed
that the proposed method in this paper could effectively identify evergreen and deciduous characteristic of forests in
mountainous areas. The total accuracy of identification results was 93.87% and the Kappa coefficient was 0.87. The time
phase of remote sensing images, cloud contamination, seasonal snows cover, and shadows cast by mountains and clouds are
the major factors affecting the identification accuracy. To use the proposed method, both the time phase and quality of
remote sensing images need to be considered. Meanwhile, the remote sensing images covered with clouds or seasonal snows
need try to be avoided. This method can be used not only in mountainous areas, but also in the plain or hill regions.
However, it is still necessary to choose proper land cover type like the evergreen needleleaf forests in mountainous areas as
the reference sample when it is applied in plain and hill regions. The reference sample must geographically widely
distributes in the whole area and has small spectral changes in the entire growth cycle. This method is expected suitable for
automatic identification the evergreen and deciduous characteristic of forests at large area and had been successfully applied
in the “National Ecological Environment Decade of Change (2000—2010)冶 specific project of MEP&CAS to map the land
covers in Southwestern China.
Key Words: evergreen forest; deciduous forest; multi鄄temporal ndvi; forest ecosystem; remote sensing
摇 摇 土地覆被产品是全球气候变化[1鄄2]、陆地生态系
统物质与能量循环[3]、生物多样性与生态环境评
估[4鄄5]、土地利用和土地管理决策[6]等研究重要的本
底数据之一。 当前,包括中国[7]、欧盟[8鄄9]、欧空
局[10]、日本[11]、法国[12]、苏格兰[13]、IGBP (International
Geosphere鄄Biosphere Programme) 组织[14]、美国马里
兰大学[15]等多个国家、组织生产了不同尺度、不同
区域的多个土地覆被遥感产品,不同土地覆被产品
均有其独特的特征和服务对象,以满足不同领域的
应用需求。 对于以生态学为主体的应用领域,其使
用的土地覆被产品需要能够体现森林生态系统类型
在树形(乔木 /灌木)、叶型(阔叶 /针叶)、生长期(常
绿 /落叶)等方面的差异。 因此,森林的常绿、落叶特
征是应用于生态学领域的土地覆被产品的重要属性
信息,但如何高效地利用遥感技术准确地提取区域
乃至全球尺度的森林常绿、落叶特征一直是该领域
的难点课题。
伴随着遥感、计算机、人工智能技术的发展,土
地覆被遥感制图方法已由传统的人工目视解译向半
自动、自动化方向转变,制图采用的遥感数据源也由
单源单时相数据转向多源多时相数据[16鄄17],土地覆
被产品中森林的常绿、落叶特征提取逐渐受到重视。
基于遥感影像识别森林的常绿、落叶特征主要是利
用常绿和落叶树种在生长季和非生长季光谱特征变
化的差异[18],其识别方法包括训练样本法和阈值法
两种。 训练样本法首先选取常绿和落叶森林类型样
本,然后采用人工智能算法对样本进行训练,最终采
用训练形成的知识判别森林常绿、落叶特征,该方法
的识别精度受制于样本的质量[14鄄15]。 阈值法首先选
择对森林生长过程敏感的波段或指数,再确定相关
1127摇 24期 摇 摇 摇 雷光斌摇 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 摇
http: / / www.ecologica.cn
波段或指数最佳阈值,最后基于阈值识别森林的常
绿、落叶特征,如何客观合理地确定森林常绿、落叶
特征提取的阈值是阈值法的关键[19]。 山区受地形、
海拔等的影响,水、热、光照条件差异明显,造成各森
林类型的常绿、落叶特征难以准确提取,地表遥感辐
射信号因地形起伏造成的地形效应以及云的遮蔽效
应[20],进一步加大了山区森林常绿、落叶特征提取
的难度。
为了增强基于阈值法识别山区森林常绿、落叶
特征的客观性,并进一步提高山区森林常绿、落叶特
征识别的准确度,本文提出了一种山区森林常绿、落
叶特征遥感自动识别的简单实用方法。 该方法利用
多源多时相遥感影像,选择 NDVI 作为指标,通过统
计参考样本在生长期和非生长期两景遥感影像上
NDVI差值的差异,自动确定区分常绿、落叶特征的
阈值,并采用判别规则有效提取山区森林的常绿、落
叶特征。 本文以贡嘎山地区为例,采用 TM、HJ 等多
源、多时相遥感影像,验证了该方法在识别典型山区
森林常绿、落叶特征的实用性和优势,分别讨论了时
相、云、阴影、季节性积雪对山区森林常绿、落叶特征
自动识别的影响,并简要说明了该方法在非山地区
域推广时需注意的问题。
1摇 研究区与数据
1.1摇 研究区
研究区位于四川省甘孜藏族自治州境内,如图 1
所示。 该区域地处横断山构造带内,地形起伏大,特
别是研究区东南部的贡嘎山东坡区域,在水平距离
不到 30 km的范围内,地形起伏达 6400 m。 区域从
南到北热量的递减、从东到西水分的递减,再加之地
形的作用,使得区域内形成了多样的植被类型和植
被空间分布格局[21]。 近年来,在人类活动的干扰
下,该区域植被类型空间异质性越趋复杂。 研究区
复杂多样的植被类型和空间分布格局使得该区域是
山区森林类型常绿、落叶特征自动识别的理想实验
区,也是山区森林常绿、落叶特征自动识别的难点
地区。
1.2摇 数据与处理
本文采用三组数据源对比验证典型山地森林常
绿、落叶特征自动识别方法的实用性和优势。 三组
数据源分别是多时相的 TM影像、HJ 影像、TM 与 HJ
图 1摇 研究区位置示意
Fig.1摇 Location of the study area
组合影像。 TM影像与 HJ影像具有相同的空间分辨
率,在可见光、近红外波段具有相似的波谱范围 (表
1) [22],保证了两种异源影像能够组合使用。 HJ 传
感器具有比 TM 传感器更短的回访周期,能获取更
多 TM传感器无法获取的无云影像,更适合作为提
取山区森林常绿、落叶特征的数据源。
每一组实验均选择了两期遥感影像,一期位于
生长期,一期位于非生长期。 两期影像时间间隔尽
量限定在 1a内,避免由于土地覆被类型动态变化造
成的误判。 研究区位于长江中上游天然林保护工程
区域内,近十多年以来,大范围的天然林砍伐已经停
止,森林覆被类型动态变化少,同时,该区域获取的
大量遥感影像受云、季节性积雪的干扰而无法使用,
因此,实验中适当延长了两景遥感影像的时间间隔。
TM影像与 HJ影像具有不同的影像分幅方式,本次
实验采用 TM 影像分幅方式确定遥感影像范围,轨
道号为 131鄄39(WRS鄄2)。 实验采用的 TM影像通过
马里兰大学 GLCF(Global Land Cover Facility)数据
平台(http: / / glcf. umiacs. umd. edu)获取,HJ 影像通
过中国资源卫星应用中心数据平台 ( http: / / www.
cresda.com / n16 / index.html)获取。
TM影像和 HJ影像的正射纠正和几何配准分别
采用了 NASA(美国国家航空和航天管理局)下设
LEDAPS ( Landsat Ecosystem Disturbance Adaptive
Processing System)课题组开发的自动配准与正射纠
正程序包(AROP) [23]和作者所在课题组自主开发的
环境减灾卫星 CCD 多光谱遥感影像自动几何精纠
正与正射校正软件(AROS) [24]。 通过几何纠正和正
2127 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
射纠正保证了山区同源、异源遥感影像之间位置偏
差最小。 已有研究表明 AROP 对于山区 TM 影像及
类 TM影像的配准误差小于 0.5 个象元[25],满足实
验的要求。
表 1摇 Landsat TM与 HJ鄄1A / B传感器特征
Table 1摇 The characters of Landsat TM and HJ鄄1A / B sensor
传感器
Sensor
波段
Band
光谱范围
Range of
spectrum
/ 滋m
回访周期
Return
cycle / d
分辨率
Resolution
/ m
传感器
Sensor
波段
Band
光谱范围
Range of
spectrum
/ 滋m
回访周期
Return
cycle / d
分辨率
Resolution
/ m
TM 1 0.45—0.52 16 30 HJ鄄1A / B 1 0.43—0.52 单台相机 4d, 30
2 0.52—0.60 2 0.52—0.60 两机结合 2d
3 0.63—0.69 3 0.63—0.69
4 0.76—0.90 4 0.76—0.90
5 1.55—1.75
6 10.4—12.5
7 2.08—2.35
摇 摇 遥感影像记录的信息除了地物光谱信息之外,
还包含大气对光谱信息的影响,而大气状况时空变
异大,因此,采用多源多时相遥感影像进行定量研究
前必须完成大气校正。 TM 影像大气校正采用了基
于暗目标法的 LEDAPS预处理程序包[26],HJ影像大
气校正则直接采用了暗目标法[27]。
研究区植被生长季主要集中在 5—10 月[21],而
该区域生长季云覆盖度高,非生长季季节性积雪大
量覆盖了高海拔地区,造成大量遥感影像难以使用,
因此,本研究选用的影像尽可能满足时相与影像质
量的双重要求。 实验一采用多时相 TM 影像为数据
源,参与实验的两期影像的获取时间分别是 2009 年
2月 18 日(非生长期,图 2a)和 2008 年 10 月 13 日
(生长期,图 2b)。 实验二采用多时相 HJ 影像为数
据源,参与实验的两期影像的获取时间分别是 2010
年 3月 20日(非生长期,图 2c)和 2011 年 5 月 5 日
(生长期,图 2d)。 实验三则组合多时相 TM 影像和
HJ影像为数据源 ,参与实验的两期影像分别是
图 2摇 三组实验采用的遥感影像(假彩色合成)
Fig. 2摇 False鄄color remote sensing images (false鄄color image using the near infrared, red and green band) used in three experiments
a: 非生长季的 Landsat TM影像;b: 生长季的 Landsat TM影像;c: 非生长季的 HJ影像;d: 生长季的 HJ影像
3127摇 24期 摇 摇 摇 雷光斌摇 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 摇
http: / / www.ecologica.cn
2008年 10月 13 日(生长期)获取的 Landsat TM 影
像(图 2b)和 2010 年 3 月 20 日(非生长期)获取的
HJ影像(图 2c)。 对比图 2a与图 2b、c和图 2d,生长
季与非生长季遥感影像上常绿与落叶植被存在显著
的光谱变化差异,本研究正是基于其光谱变化的差
异有效识别山区森林的常绿、落叶特征。
土地覆被野外考察样本主要用于验证 3 组实验
结果的精度。 本文采用的样点来源于两次土地覆被
野外考察,第 1 次是 2011 年 7 月 11 日,考察了国道
318沿途的土地覆被情况;第 2 次为 2011 年 9 月 18
日,考察了贡嘎山东坡区域的土地覆被情况。 两次
考察共获得野外样点近 500 个,去除非林地的样点
后共有森林样点 276 个,其空间分布见图 1 中黑色
小三角形所示。
土地覆被野外样点采用沿行进道路两侧 2 km
范围内等间距布设的方式,两相邻样点间距离约 3
km,若相邻几个点土地覆被类型比较一致,则适当扩
大样点间的距离,最大不超过 5 km。 样点必须位于
该区域最具代表性的土地覆被类型中,面积超过 1
hm2。 森林的常绿、落叶特征则根据植被类别以及植
被凋落物综合确定。
2摇 方法
常绿树种与落叶树种在生长季和非生长季遥感
影像上光谱变化的差异是基于阈值法自动识别山区
森林常绿、落叶特征的理论基础[18]。 植被指数是通
过对反映植被生长特征的波段运算(加、减、乘、除等
线性或非线性运算)得到的数值,它是植被生长状态
的最佳指示因子[28鄄29]。 因此,本文选择常用的植被
指数———归一化差值植被指数(NDVI)作为指标,利
用生长季和非生长季两期遥感影像的 NDVI 差值
(NDVI_D)自动识别森林的常绿、落叶特征。 基于阈
值法的山区森林常绿、落叶特征自动识别方法流程
如图 3所示。 首先,基于多源多时相遥感影像初步
提取山区森林类型图,然后,分别计算生长期和非生
长期两景遥感影像的 NDVI 值和 NDVI_D;再从山区
森林类型初步图中选择常绿针叶林作为参考样本,
根据参考样本 NDVI_D 的频率分布确定阈值;最后
利用判别规则识别森林的常绿、落叶特征。 阈值确
定和设定判别规则是本方法的核心。
图 3摇 山区森林常绿、落叶特征遥感自动识别方法流程
Fig.3摇 flowchart of the automatic identification algorithm of evergreen and deciduous characteristic for forest at mountainous areas
2.1摇 山区森林类型初步分类图制作
山区森林类型初步分类图包括阔叶林、针叶林、
针阔混交林和灌木林四种森林类型,它基于多源多
时相遥感影像,采用面向对象分类思想与决策树分
类器相结合的方法制作完成。 山区森林类型初步分
类图制作包括以下步骤:首先对参与分类的影像进
行几何纠正、正射纠正等预处理工作;然后利用面向
对象商业软件 eCognition提供的多尺度分割算法[30]
分割参与分类的影像,得到同质的对象;从多源多时
相遥感影像的光谱信息和一些常用的指数 (如
NDVI、NDWI[31])中选择参与分类的特征,再根据野
外实地考察与高分辨率遥感影像判读,构建训练样
点集;并利用决策树分类器 See5.0 对训练样本进行
训练生成用于分类的决策树;最后基于决策树在
eCognition中提取山区森林类型初步分类图。 自动
提取的山区森林类型初步分类图如图 4 所示。 为排
除由于不同数据源制作的山区森林类型初步分类图
不一致对验证自动识别常绿、落叶特征方法造成的
误差,本文 3 组验证实验采用一致的山区森林类型
初步分类图。
2.2摇 参考样本的选择
参考样本的选择是确定阈值的前提条件,选择
的参考样本须满足两个条件:(1)参考样本在区域内
广泛而均匀分布;(2)参考样本在生长季与非生长季
4127 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
图 4摇 山区森林类型分类初步
Fig.4摇 Unfinished map of forest types at mountainous area
遥感影像之间光谱的变异主要是由于成像条件、气
象等因素造成的,而不是植被的周期性生长过程引
起的。
贡嘎山区地处亚热带与暖温带的过渡区,区域
内植被类型丰富,以冷杉、云杉、松柏为主体的常绿
针叶林在区域大量分布,而落叶针叶林分布较少,并
且常绿针叶林光谱年内变化小[32],满足参考样本的
要求。 山区森林类型初步分类图中已将针叶林类型
与其他森林类型区分,因此直接将初步图中的针叶
林图斑作为参考样本。 由于自动分类提取的常绿针
叶林样本中,存在一些面积过小或位于云和阴影区
的样本,需进一步剔除,以免影响后期阈值的确定。
面积过小不能真实反映针叶林的光谱变化,云与阴
影区常绿针叶林样本 NDVI 值的变化很可能是由于
云和阴影造成的。
2.3摇 阈值确定
确定 NDVI_D 的阈值是区分森林常绿、落叶特
征的关键步骤之一。 首先,计算参考样本在生长季
和非生长季遥感影像中的 NDVI 值,并计算 NDVI_
D。 为了使 NDVI _D 为正值,计算时采用生长季
NDVI值减去非生长季 NDVI值:
NDVIt1 =
(B4t1 - B3t1)
(B4t1 + B3t1)
(1)
NDVIt2 =
(B4t2 - B3t2)
(B4t2 + B3t2)
(2)
NDVI_D = NDVIt2 - NDVIt1 (3)
式中, B4代表遥感影像近红外波段, B3代表遥感影
像红波段, t1代表非生长季, t2代表生长季。
然后,计算参考样本 NDVI_D的均值和标准差:
MNDVI_D =移
n
i = 1
NDVI_Di / n (4)
DNDVI_D =

n
i = 1
(NDVI_Di - MNDVI_D) 2
n - 1
(5)
式中, n代表参考样本总数。
最后,绘制参考样本 NDVI_D 频率分布图。 如
果参考样本在研究区内大量而均匀的分布,绘制出
的参考样本 NDVI_D频率分布服从正态分布。 正态
分布曲线在 x = u + 滓 (均值+1倍标准差)和 x = u -
滓 (均值 - 1 倍标准差)处各有一个拐点,横轴区间
(滋 - 滓,滋 + 滓) 内的面积为 68.27%,横轴区间 (滋 -
1.96滓,滋 + 1.96滓) 内的面积为 95.45%,也就是说位
于 x = u 依2滓之外的面积不到 5%,属于小概率事件,
因此 u 依 滓 、 u 依 2滓常作为划分正态分布曲线的阈
值点。 本文选择了经提纯后的常绿针叶林作为参考
样本,3组实验的 NDVI_D频率分布图均服从正态分
布,因此,本文最终选择 MNDVI_D - DNDVI_D 、 MNDVI_D +
DNDVI_D 、 MNDVI_D + 2DNDVI_D 作为划分山区森林常绿、
落叶特征的阈值。
2.4摇 常绿、落叶特征的判别规则
在确定区分常绿、落叶特征阈值的基础上,根据
阈值对山区森林常绿、落叶特征予以判别,判别规则
逻辑示意图见图 5。
若 NDVI_Di 沂 [MNDVI_D - DNDVI_D,MNDVI_D +
DNDVI_D] ,则该森林特征判定为常绿。 大量的常绿样
本聚集在该区间,其光谱变化主要是由于不同时相
遥感影像获取的成像条件、气象条件差异造成的。
若 NDVI_Di > MNDVI_D + 2DNDVI_D ,则该森林特征
判定为落叶。 仅有极少部分由于初步分类图中森林
类型误判造成的常绿样本分布在该区间。 对于常绿
样本来说该区域属于小概率区域,因此是落叶树种
主要分布的区域。
由于 NDVI_D 是利用生长季遥感影像的 NDVI
减去非生长季遥感影像的 NDVI,其值应该不存在小
于 MNDVI_D - DNDVI_D 的情况,如果存在则可能是非森
5127摇 24期 摇 摇 摇 雷光斌摇 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 摇
http: / / www.ecologica.cn
林误判为森林或地形阴影、云及云阴影造成的。 当
存在 NDVI_Di < MNDVI_D - DNDVI_D 的图斑,如果是非
森林误判为森林造成的,则将森林图斑修改为非森
林图斑。 如果是地形阴影、云及云阴影造成的 NDVI
_D异常,则采用邻近相似原则,用周围森林的常绿、
落叶特征替代该森林图斑的常绿、落叶特征。
若 NDVI_Di 沂 [MNDVI_D + DNDVI_D,MNDVI_D +
2DNDVI_D] ,则需要再次判定该森林的常绿、落叶特
征。 再次判定有两种方法,一种是采用临近相似原
则,根据周围森林的常绿、落叶特征来确定该森林图
斑的常绿、落叶特征;另一种是采用决策树分类器
See5.0,将已确定常绿、落叶特征的图斑作为训练样
本,通过 See5.0挖掘非生长季影像的光谱信息,构建
区分常绿、落叶特征的决策树,从而确定该森林图斑
的常绿、落叶特征。 第一种方式简单,第二种方式相
对复杂,但精度高。
图 5摇 山区森林常绿、落叶特征自动识别判别方法
Fig.5摇 The distinguished rules for automatically identifying the evergreen and deciduous characteristic of forests
2.5摇 精度验证
精度验证是遥感土地覆被分类不可或缺的环
节,评价结果是数据使用者最主要的参考信息[33]。
山区森林常绿、落叶特征自动识别精度仅考虑常绿
和落叶两个特征是否正确,不考虑森林类型初步分
类图中各森林类型的正误。 本研究采用样本点逐一
对比的方法,并形成误差矩阵表,以此计算用户精
度、生产精度、总精度和 Kappa系数。
3摇 结果与讨论
本文以中国西南地区具有明显垂直地带性特征
的贡嘎山地区为例,分别以多时相 TM 影像、多时相
HJ影像为单源数据,多时相的 HJ、TM组合影像为多
源数据,试验该方法在识别典型山区森林常绿、落叶
特征中的有效性。 在数据预处理的基础上,分别计
算每一组实验采用的两个时相遥感影像的 NDVI值,
并计算 NDVI_D。 然后从山区森林类型初步分类图
中提取针叶林图斑,剔除面积小于 10 个像元和位于
阴影区域的图斑,将剩余的针叶林图斑作为常绿针
叶林样本。 最后按照 2.3 节中介绍的阈值确定方式
和 2.4节中介绍的判别规则确定各森林类型的常绿、
落叶特征。
基于相同的常绿针叶林样本,本文分别提取 3
组实验常绿针叶林样本的 NDVI_D,绘制 NDVI_D频
率分布直方图并计算 NDVI_D 的均值和标准差。 经
计算,实验一(TM 影像)的 MNDVI_D = 0.11, DNDVI_D =
0.06;实验二(HJ影像)的 MNDVI_D = - 0.03, DNDVI_D =
0.12;实验三(TM与 HJ组合影像)的 MNDVI_D = 0.20,
DNDVI_D = 0.13。 3组实验常绿针叶林样本 NDVI_D频
率分布如图 6所示。 从图中可以看出,3组实验的常
绿针叶林样本 NDVI_D的频率分布均具有正态分布
特征,HJ 影像生长季与非生长季常绿树种的 NDVI
变化较小,其均值为-0.03;TM 影像的 NDVI 变化较
大,其均值为 0.11;而 TM与 HJ影像组合的 NDVI 变
化最大,其均值为 0. 2。 常绿植被不同数据源上
NDVI_D均值的差异主要与选择影像生长季和非生
长季时间跨度有关。 选择两景 TM 影像的时相分别
是 2月和 10 月,而 HJ 影像的时相分别是 2 月和 5
6127 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
月,HJ 影像较 TM 影像跨度小,因此出现了上述的
差异。
图 6摇 3组实验常绿针叶林样本 NDVI_D频率分布
Fig.6摇 The frequency histogram of reference samples for NDVI
_D of threee experiments
按照 2. 3 节阈值确定规则,分别以 MNDVI_D -
DNDVI_D 、 MNDVI_D + DNDVI_D 、 MNDVI_D + 2DNDVI_D 为阈值
对各森林类型的常绿、落叶特征进行自动识别。实
验一的阈值设置为 0.05、0.17、0.23;实验二的阈值设
置为-0.15、0.09、0.21;实验三的阈值设置为 0.07、
0郾 33、0.46。 基于以上设定的阈值,根据 2.4 节设定
的判别规则自动识别各森林类型的常绿、落叶特征,
并对云、阴影区进行专门处理,识别结果如图 7
所示。
对于未受到云、雪干扰的区域,无论是采用单源
数据还是多源数据,基于本文方法均可以有效的提
取山区森林类型的常绿、落叶特征,如图 7 中的 A区
域。 当区域受到大面积云、雪干扰时,单源数据较多
源数据能够获取的无云数据少,其提取的山区森林
类型的常绿、落叶特征精度较多源数据低,如图 7 中
的 B、C两个区域。 B 区域位于贡嘎山东坡,由于选
择的 TM影像(图 7(B3)和图 7(B4))上有大片的云
覆盖,而 HJ影像(图(B1)和图 7(B2))上无云覆盖,
HJ影像提取的常绿、落叶特征(图 7(B5))比 TM 影
像提取的常绿、落叶特征(图7(B6))更符合实际情
7127摇 24期 摇 摇 摇 雷光斌摇 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 摇
http: / / www.ecologica.cn
图 7摇 山区森林常绿、落叶特征识别实验结果
Fig.7摇 The results of automatic identification of evergreen and deciduous characteristic for forest at mountainous area
字母 A、B、C分别表示一个典型区域;数字 1代表生长季 HJ影像;2代表非生长季 HJ影像;3 代表生长季 TM 影像;4 代表非生长季 TM 影
像;5代表实验一 (HJ)自动识别结果;6代表实验二 (TM)自动识别结果;7代表实验三 (TM+HJ)自动识别结果
况。 TM与 HJ组合影像在该区域提取的常绿、落叶
特征(图 7(B7))与 HJ影像提取的常绿、落叶特征更
一致。 C 区域位于海拔较高的高原面上,由于选择
的 HJ影像(图 7(C2))上有较大范围的季节性降雪
区域,该区域植被被冰雪覆盖,而选择的 TM 影像未
受季节性积雪的影响,从而使得 TM 影像提取的常
绿、落叶特征(图 7(C5))比 HJ 影像提取的常绿、落
叶特征(图 7(C6))更符合实际情况。 TM 与 HJ 组
合影像在该区域提取的常绿、落叶特征(图 7(C7))
与 TM影像提取的常绿、落叶特征更一致。
本文采用野外考察样点分别对 3 组实验结果进
行逐样点对比。 由于常绿针叶林作为参考样本,因
此精度评价时未纳入常绿针叶林样本,共计 163 个
样本参与精度评价,其中常绿样本 65 个,落叶样本
98个。 3组实验常绿、落叶特征提取精度评价结果
如表 2所示,基于阈值法的山区森林常绿、落叶特征
遥感自动识别方法能够有效识别山区森林常绿、落
叶特征,总体精度达到 93.87%,Kappa 系数为 0.87。
从表 2中可以看出,基于多时相 TM影像的试验中常
绿植被误判较多,而基于多时相 HJ 影像的试验中落
叶植被被误判较多,主要是由于云以及季节性积雪
造成的,在前文已做分析。
8127 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
表 2摇 3组实验精度评价
Table 2摇 Accuracy assessment tables of three experiments
类别 Type 实验一 (TM)Experiment one
实验二 (HJ)
Experiment two
实验三 (TM+HJ)
Experiment three
常绿 Evergreen 90.77% 96.92% 95.38%
落叶 Deciduous 92.86% 89.80% 92.86%
总精度 Total accuracy 92.02% 92.64% 93.87%
Kappa系数 Kappa coefficient 0.83 0.85 0.87
摇 摇 时相是影响山区森林常绿、落叶特征自动识别
精度的首要因素。 自动识别常绿、落叶特征需要选
择能够最大化落叶植被光谱差异的时相。 植被生长
最茂盛的 7、8月份以及落叶植被基本全部落叶的 1、
2月份是最理想的时相。 然而,7、8 月份也是北半球
的雨季,云雾覆盖日数多,影像质量难以得到保证;
1、2月份对于高海拔地区来说,季节性积雪较多,也
难以找到合适的影像。 非生长季选择的时相需要位
于落叶植被的落叶期,对于高海拔和高纬地区来说,
非生长季选择的时相范围较大,然而,对于低海拔和
低纬地区来说,落叶植被落叶时间较短,有些落叶植
被落叶的同时伴随着新叶的生长,使得非生长季可
选择的时相十分有限。 因此,在选择用于识别常绿、
落叶特征的遥感影像时需要兼顾影像质量与影像
时相。
地形阴影、云及云阴影是另一个影响山区森林
常绿、落叶特征自动识别精度的因素。 生长季太阳
高度角大,遥感影像上形成的地形阴影小,非生长季
太阳高度角小,遥感影像上形成的地形阴影大[20]。
利用 NDVI差值的阈值提取森林常绿、落叶特征容易
将一些地形阴影区的常绿植被识别为落叶植被。 云
覆盖了其下部地物的光谱信息,其 NDVI值大多为负
值,若两景影像的同一个区域只有一景有云,则易将
常绿植被识别为落叶植被。 本研究采用临近相似原
则获取云区域的森林的常绿、落叶特征,去除了大部
分云的影响。 但是,对于大面积的云区域,由于其周
围缺少可供参考的正确信息,其提取精度较低,本研
究中贡嘎山东坡河谷存在的误判,大多由于云的影
响。 季节性积雪是高海拔区域和高纬地区山区森林
常绿、落叶特征自动识别需要考虑的一个问题。 积
雪遮盖了地物的光谱信息,两个时相 NDVI 差值较
大,该区域的植被均被判为落叶,由于季节性积雪大
多成片分布,难以采用临近相似原则去除其影响,因
此,在时相选择时尽量避开有明显季节性积雪的
影像。
山区森林常绿、落叶特征遥感自动识别方法不
仅仅局限于山区,对于平原和丘陵区域同样适用。
平原与丘陵区域由于地形起伏小,地形阴影的影响
小,同时,该区域云雾覆盖几率较山区小,可用于自
动识别的遥感影像多,因此,更有利于该方法在平
原、丘陵区域的实施。 该方法在不同区域推广时,参
考样本的选择是最关键的环节。 参考样本需要在区
域内广泛分布,并且一年四季的光谱变异小。 若参
考样本分布较少或仅在局部区域分布,基于参考样
本绘制的 NDVI_D 频率分布难以满足正态分布,此
时需要选择其他满足参考样本选择条件的土地覆被
类型做为参考样本。 常绿针叶林作为参考样本难以
适用于既存在常绿针叶林又存在落叶针叶林的区
域,对于这些区域也需选择其他满足参考样本选择
条件的土地覆被类型做为参考样本。
4摇 结论
本文针对山区森林常绿、落叶特征难以客观、自
动提取的问题,提出了一种山区森林常绿、落叶特征
遥感自动识别的简单实用方法。 该方法基于多源多
时相遥感影像,通过统计参照样本在生长季和非生
长季 NDVI差值的分布规律,自动确定区分常绿、落
叶特征的阈值,并设定判别规则,客观的提取山区森
林的常绿、落叶特征。 本文以贡嘎山地区为例,采用
多时相 TM影像、多时相 HJ 影像以及多时相的 TM
与 HJ组合影像为数据源,设计了 3 组实验验证方法
的有效性。 验证结果表明:该方法能够有效识别山
区森林常绿、落叶特征,总体精度达到 93. 87%,
Kappa系数为 0.87;但受时相、云、阴影以及季节性积
雪的影响,部分区域仍有识别错误。 本文所述方法
不仅仅适用于山区,在平原、丘陵等区域也同样适
用,但该方法推广时需要选择适合该区域的地物类
型作为参考样本。 本文提出的方法适用于山区森林
9127摇 24期 摇 摇 摇 雷光斌摇 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 摇
http: / / www.ecologica.cn
常绿、落叶特征大面积遥感自动提取,已被成功应用
于“生态十年冶专项西南地区土地覆被数据的生
产中。
References:
[ 1 ]摇 Vitousek P M. Beyond global warming: ecology and global change.
Ecology, 1994, 75(7): 1861鄄1876.
[ 2 ] 摇 Shao P, Zeng X D. Progress in the study of the effects of land use
and land cover change on the climate system. Climatic and
Environmental Research, 2012, 17(1): 103鄄111.
[ 3 ] 摇 Ran H, Xing L X, Pan J, Huang S C, You J F, Zhang S Y.
Remote sensing technology and research on terrestrial ecosystem
carbon cycle. Environmental Science and Management, 2010, 35
(3): 117鄄121.
[ 4 ] 摇 Wu J G, L俟 J J. Effects of land use change on the biodiversity.
Ecology and Environment, 2008, 17(3): 1276鄄1281.
[ 5 ] 摇 Guo Z W, Li D M, Gan Y L. The assessment of forest ecosystem
biodiversity by remote sensing. Acta Ecologica Sinica, 2001, 21
(8): 1369鄄1384.
[ 6 ] 摇 Dai J F. Dynamic analysis of land resources in Yangtze River Delta
by using remote sensing. Geo鄄information Science, 2002, (4):
69鄄74.
[ 7 ] 摇 Chen J, Chen J, Gong P, Liao A P, He C Y. Higher resolution
global land Cover Mapping. Geomatics World, 2011, 9 ( 2 ):
12鄄14.
[ 8 ] 摇 Mayaux P, Eva H, Gallego J, Strahler A H, Herold M, Agrawal
S, Naumov S, De Miranda E E, Di Bella C M, Ordoyne C,
Kopin Y, Roy P S. Validation of the global land cover 2000 map.
IEEE Transactions on Geoscience and Remote Sensing, 2006, 44
(7): 1728鄄1739.
[ 9 ] 摇 Bartholom佴 E, Belward A S. GLC2000: a new approach to global
land cover mapping from Earth observation data. International
Journal of Remote Sensing, 2005, 26(9): 1959鄄1977.
[10] 摇 Arino O, Bicheron P, Achard F, Latham J, Witt R, Weber J L.
GLOBCOVER The most detailed portrait of Earth. Esa Bulletin鄄
European Space Agency, 2008, (136): 24鄄31.
[11] 摇 Tateishi R, Uriyangqai B, Al鄄Bilbisi H, Ghar M A, Tsend鄄Ayush
J, Kobayashi T, Kasimu A, Hoan N T, Shalaby A, Alsaaideh B,
Enkhzaya T, Gegentana, Sato H P. Production of global land
cover data 鄄 GLCNMO. International Journal of Digital Earth,
2011, 4(1): 22鄄49.
[12] 摇 Han K S, Champeaux J L, Roujean J L. A land cover
classification product over France at 1 km resolution using
SPOT4 / VEGETATION data. Remote Sensing of Environment,
2004, 92(1): 52鄄66.
[13] 摇 Aitkenhead M J, Aalders I H. Automating land cover mapping of
Scotland using expert system and knowledge integration methods.
Remote Sensing of Environment, 2011, 115(5): 1285鄄1295.
[14] 摇 Loveland T R, Reed B C, Brown J F, Ohlen D O, Zhu Z, Yang
L, Merchant J W. Development of a global land cover
characteristics database and IGBP DISCover from 1 km AVHRR
data. International Journal of Remote Sensing, 2000, 21(6 / 7):
1303鄄1330.
[15] 摇 Hansen M C, Defries R S, Townshend J R G, Sohlberg R. Global
land cover classification at 1km spatial resolution using a
classification tree approach. International Journal of Remote
Sensing, 2000, 21(6 / 7): 1331鄄1364.
[16] 摇 Li A N, Jiang J G, Bian J H, Deng W. Combining the matter
element model with the associated function of probability
transformation for multi鄄source remote sensing data classification in
mountainous regions. Isprs Journal of Photogrammetry and Remote
Sensing, 2012, 67: 80鄄92.
[17] 摇 Hansen M C, Loveland T R. A review of large area monitoring of
land cover change using Landsat data. Remote Sensing of
Environment, 2012, 122: 66鄄74.
[18] 摇 Youhao E, Wang J H, Gao S Y, Yan P, Yang Z H. Monitoring of
vegetation changes using multi鄄temporal NDVI in peripheral
regions around Minqin oasis, Northwest China / / IEEE
International Geoscience and Remote Sensing Symposium. New
York: IEEE, 2007: 3448鄄3451.
[19] 摇 Xiao X M, Boles S, Liu J Y, Zhuang D F, Liu M L.
Characterization of forest types in Northeastern China, using multi鄄
temporal SPOT鄄 4 VEGETATION sensor data. Remote Sensing of
Environment, 2002, 82(2 / 3): 335鄄348.
[20] 摇 Huang H, Gong P, Clinton N, Hui F. Reduction of atmospheric
and topographic effect on Landsat TM data for forest classification.
International Journal of Remote Sensing, 2008, 29 ( 19 ):
5623鄄5642.
[21] 摇 Yao Y H, Zhang B P, Han F, Pang Y. Spatial pattern and
exposure effect of altitudinal belts in the hengduan mountains.
Journal of Mountain Science, 2010, 28(1): 11鄄20.
[22] 摇 Wang Q, Wu C Q, Li Q, Li J S. Chinese HJ鄄1A / B satellites and
data characteristics. Science China Earth Sciences, 2010, 53
(1): 51鄄57.
[23] 摇 Gao F, Masek J, Wolfe R E. Automated registration and
orthorectification package for Landsat and Landsat鄄like data
processing. Journal of Applied Remote Sensing, 2009, 3
(1): 033515.
[24] 摇 Bian J H, Li A N, Jin H A, Lei G B, Huang C Q, Li M X.
Auto鄄registration and orthorecification Algorithm for the Time
Series HJ鄄 1A / B CCD Images. Journal of Mountain Science,
2013, 10(5): 754鄄767.
[25] 摇 Li A N, Jiang J G, Bian J H, Lei G B, Huang C Q. Experiment
and accuracy analysis of automated registration and
orthorectification for Landsat鄄like images based on AROP. Remote
Sensing Technology and Application, 2012, 27(1): 23鄄32.
[26] 摇 Wolfe R, Masek J, Saleous N, Hall F. LEDAPS: Mapping north
American disturbance from the landsat record / / IEEE
International Geoscience and Remote Sensing Symposium. 2004:
1鄄4.
[27] 摇 Li S S, Chen L F, Tao J H, Han D, Wang Z T, He B H.
Retrieval and validation of the surface reflectance using HJ鄄1鄄CCD
data. Spectroscopy and Spectral Analysis, 2011, 31 ( 2 ):
516鄄520.
[28] 摇 Zhao Y S. Theory and Method of Remote Sensing Application
Analysis. Beijing: Science Press, 2003: 374鄄374.
[29] 摇 Carlson T N, Ripley D A. On the relation between NDVI,
0227 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
fractional vegetation cover, and leaf area index. Remote Sensing of
Environment, 1997, 62(3): 241鄄252.
[30] 摇 Benz U C, Hofmann P, Willhauck G, Lingenfelder I, Heynen M.
Multi鄄resolution, object鄄oriented fuzzy analysis of remote sensing
data for GIS鄄ready information. Isprs Journal of Photogrammetry
and Remote Sensing, 2004, 58(3 / 4): 239鄄258.
[31] 摇 Gao B C. NDWI 鄄 A normalized difference water index for remote
sensing of vegetation liquid water from space. Remote Sensing of
Environment, 1996, 58(3): 257鄄266.
[32] 摇 Ma Y H. Study on Extraction of Coniferous Forest Information in
Southern China [D]. Hunan: Central South University of Forestry
and Technology, 2010.
[33] 摇 Herold M, Mayaux P, Woodcock C E, Baccini A, Schmullius C.
Some challenges in global land cover mapping: An assessment of
agreement and accuracy in existing 1 km datasets. Remote Sensing
of Environment, 2008, 112(5): 2538鄄2556.
参考文献:
[ 2 ]摇 邵璞, 曾晓东. 土地利用和土地覆盖变化对气候系统影响的
研究进展. 气候与环境研究, 2012, 17(1): 103鄄111.
[ 3 ] 摇 冉慧, 邢立新, 潘军, 黄舒城, 尤金凤, 张淑燕. 遥感技术与
陆地生态系统碳循环研究. 环境科学与管理, 2010, 35(3):
117鄄121.
[ 4 ] 摇 吴建国, 吕佳佳. 土地利用变化对生物多样性的影响. 生态环
境, 2008, 17(3): 1276鄄1281.
[ 5 ] 摇 郭中伟,李典谟,甘雅玲. 森林生态系统生物多样性的遥感评
估. 生态学报, 2001, 21(8): 1369鄄1384.
[ 6 ] 摇 戴锦芳. 长江三角洲土地资源遥感动态分析. 地球信息科学,
2002, (4): 69鄄74.
[ 7 ] 摇 陈军, 陈晋, 宫鹏, 廖安平, 何超英. 全球地表覆盖高分辨率
遥感制图. 地理信息世界, 2011, 9(2): 12鄄14.
[21] 摇 姚永慧, 张百平, 韩芳, 庞宇. 横断山区垂直带谱的分布模式
与坡向效应. 山地学报, 2010, 28(1): 11鄄20.
[25] 摇 李爱农, 蒋锦刚, 边金虎, 雷光斌, 黄成全. 基于 AROP 程序
包的类 Landsat遥感影像配准与正射纠正试验和精度分析. 遥
感技术与应用, 2012, 27(1): 23鄄32.
[27] 摇 李莘莘, 陈良富, 陶金花, 韩冬, 王中挺, 贺宝华. 基于 HJ鄄1鄄
CCD数据的地表反射率反演与验证. 光谱学与光谱分析,
2011, 31(2): 516鄄520.
[28] 摇 赵英时. 遥感应用分析原理与方法. 北京:科学出版社, 2003:
374鄄374.
[32] 摇 马延辉. 南方针叶林遥感信息提取研究 [D]. 中南林业科技
大学, 2010.
1227摇 24期 摇 摇 摇 雷光斌摇 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 摇