全 文 ：第 51 卷 第 10 期
2 0 1 5 年 10 月
林 业 科 学
SCIENTIA SILVAE SINICAE
Vol. 51，No. 10
Oct．，2 0 1 5
doi:10．11707 / j．1001-7488．20151006
收稿日期: 2014 － 10 － 08; 修回日期: 2015 － 02 － 09。
基金项目: 国家自然科学基金项目 ( 41201365 ) ; 浙江省自然基金重点项目 ( LZ15C160001 ) ; 浙江农林大学科研发展基金项目
(2013FＲ052，2014FＲ004) ; 浙江省自然科学基金项目(LQ12D01006)。
* 刘丽娟为通讯作者。
基于线性混合像元分解技术提取山核桃空间分布*
奚祯苑1，2 刘丽娟1，2 陆灯盛1，2 葛宏立1，2 陈耀亮3
(1． 浙江农林大学 浙江省森林生态系统碳循环与固碳减排重点实验室 临安 311300;
2． 浙江农林大学环境与资源学院 临安 311300; 3． 浙江大学公共管理学院 杭州 310000)
摘 要: 【目的】利用混合像元分解技术研究一种快速、准确提取山核桃空间分布信息的新方法，为亚热带经济
林资源及其动态变化的快速检测提供新手段。【方法】以浙江省临安市西部为研究区，首先，采用线性混合像元分
解技术获取植被(GV)、阴影( shade)和土壤( soil)3 个分量图，据实地考察，基于山核桃的 GV，shade 和 soil 分量与
其他植被的区分性较大的特征，构建植被 －土壤指数、植被 － 阴影指数和归一化多分量指数 3 种新的指数;然后，
基于归一化植被指数和新的指数建立决策树模型提取山核桃;最后，将研究区的土地覆盖类型分为山核桃和其他
地类，并通过地面调查收集的样地数据和 Google Earth 高分辨率影像对分类结果进行验证。【结果】归一化多分量
指数可最大限度地扩大山核桃与其他在光谱上易混淆的植被之间的差距，与其他植被的可分离性最好，因此，将归
一化多分量指数作为提取山核桃的最优指数。基于该指数提取山核桃的总体精度达 88. 67%，Kappa 系数为 0. 76，
成功实现临安西部区域的山核桃信息提取，证明使用线性混合像元分解模型提取山核桃的潜力。【结论】针对山
核桃经济林提取而提出的归一化多分量指数，物理意义明确，实现简单，易于理解和分析，尽可能地降低由于步骤
复杂、样本类数多而造成的系统误差和人为误差，其结果还可为今后其他地区山核桃的提取或具有相似生长条件
的经济林空间分布信息的提取提供参考，具有较高的应用潜力和推广价值。
关键词: Landsat 8 OLI 遥感影像; 山核桃; 线性混合像元分解; 归一化多分量指数
中图分类号: S758 文献标识码: A 文章编号: 1001 － 7488(2015)10 － 0043 － 10
Mapping of Carya cathayensis Spatial Distribution with
Linear Spectral Mixture Model
Xi Zhenyuan1 ，2 Liu Lijuan1 ，2 Lu Dengsheng1 ，2 Ge Hongli1 ，2 Chen Yaoliang3
(1 ． Zhejiang Provincial Key Laboratory of Carbon Cycling in Forest Ecosystems and Carbon Sequestration Zhejiang A＆F University Lin’an 311300;
2 ． School of Environmental and Ｒesource Science，Zhejiang A＆F University Lin’an 311300;
3 ． School of Public Management，Zhejiang University Hangzhou 310000)
Abstract: 【Objective】Hickory(Carya cathayensis)，one of the most important cash forests in Zhejiang province，plays
an important role in improving economic conditions for local people and government． Currently，the hickory plantation area
is mainly calculated from the estimation of hickory owners，but this area amount is often inaccurate and lack of spatial
distribution information． Ｒemote sensing with its unique characteristics in data collection and presentation has become the
primary data source for mapping land cover distribution in a large area． However，mapping hickory plantation using remote
sensing data remains a challenge because of the fact that hickory is a broadleaf tree and its plantation is often confused with
other broadleaf forests in spectral signatures． Therefore，this research selected region of western Lin’an county，Zhejiang
province，as a study area to explore the approach to map hickory distribution． Two Landsat 8 OLI images with leaf-on and
leaf-off seasons in 2013 were used．【Method】Firstly，spectral mixture model ( LSMM ) was used to unmix Landsat
multispectral imagery into three fraction images-green vegetation，shade and soil． Secondly，because hickory plantation
has slightly different forest stand structure comparing with other broadleaf forest，their compositions of green vegetation，
shade，and soil will be various． Based on this feature，three new indices，those are，vegetation-soil index，vegetation-
shade index，and normalized multi-fraction index were proposed． Field survey data covering hickory plantations and other
broadleaf forests were used to conduct a comparative analysis of these fraction images and newly proposed indices for the
林 业 科 学 51 卷
separation between hickory and other broadleaf forests． Thirdly，a decision-tree classifier was constructed by taking into
account of Normalized Difference Vegetation Index (NDVI) and new index for mapping hickory distribution． Finally，the
land-cover types of the research area were divided into two categories: hickory-others． The accuracy assessment of
classification map was obtained by using field inventory data and high-resolution image of Google Earth．【Ｒesult】This
study indicated that the normalized multi-fraction index could enlarge the difference of hickory from other broadleaf forests
and could be successfully used to extract hickory plantation in this study area． The accuracy assessment result indicated
that an overall accuracy of 88. 67% with kappa coefficient of 0. 76 was obtained in this study and implied that the LSMM
based approach was promising in mapping hickory plantation．【Conclusion】 Comparing with commonly used classification
methods，the proposed normalized multi-fraction index has advantages in physical meaning，easy use and understanding，
and the requirement in sample plots，thus，this new approach has the potential to provide a better classification accuracy
than traditional classification algorithms． Furthermore，this approach may be used to map other plantations such as bamboo
forest spatial distributions．
Key words: Landsat 8 OLI imagery; Garya cathayensis; linear spectral mixture model; normalized multi-fraction index
山 核 桃 ( Carya cathayensis ) 为 胡 桃 科
( Juglandaceae)山核桃属(Carya)落叶乔木，是我国
特有的珍贵干果和木本油料树种，是山区经济发展
中经济效益最高的经济树种之一 (詹森梁等，
2004)。山核桃主要分布于浙皖交界的天目山区，
包括浙江省临安、淳安、安吉、建德以及安徽省宁国、
歙县、绩溪等县 (市) (郭传友等，2004)，其中浙江
省临安市的山核桃总面积达 2. 87 万 hm2，占全国山
核桃总面积的 40%左右(徐燕等，2010)，为当地人
民带来了可观的经济效益。然而，快速增加的山核
桃种植面积以及高强度的经营措施(如施肥、除草、
杀虫等)导致了水土流失加快、土地退化严重、病虫
害发生频率增高等一系列问题，给生态环境保护带
来了严峻的挑战。根据实地踏勘，发现山核桃分布和
种植主要有以下特点: 1) 山核桃主要分布在立地条
件较差的山区陡坡上，土壤贫瘠，地势险峻; 2) 山核
桃经济效益高，种植面积不断扩大，以农民承包土地
人工种植为主，小部分栽种在田间、路边。基于上述
特点，目前对山核桃面积计算多来源于农户的估计，
较难通过地面调查获取准确的面积测算及空间分布
信息，这给山核桃产量、经济效益预估和生态环境保
护以及政府部门的管理和决策带来了一定的困难。
遥感技术以其获取地表信息的宏观性、周期性、
经济性、客观性等优势，是目前非常有效的对地观测
技术和信息获取手段，这为准确估算山核桃的种植
面积及空间分布提供了可能。在过去 40 年中，学者
们利用遥感数据进行地表覆盖分类及动态变化监测
(Lu et al．，2007; 2014; Gong et al．，2013); 但利用
遥感技术针对某一经济树种进行专题信息提取的研
究相对较少。傅文杰等(2006)选用 ETM + 数据结
合线 性 光 谱 混 合 模 型 提 取 了 枇 杷 ( Eriobotrya
japonica) 的种植面积信息; 韩凝等 ( 2009 ) 基于
IKONOS 影像，采用面向对象的分类方法，充分利用
多尺度分割逐级分层提取的优势提取了香榧
(Torreya grandis)树的分布信息; 杨争等(2012)利
用冬夏不同时相的 CBEＲS-02 卫星数据，采用主成
分分析与监督分类相结合的方法提取了山核桃种植
面积及空间分布信息，得出混合像元是制约精度的
影响因子之一; Kou 等(2015)基于落叶橡胶(Hevea
brasiliensis)在旱期独特的物候特征，结合多时相
TM /ETM +影像和 50 m PALSAＲ 数据提取落叶橡胶
林; Li 等(2015)结合多时相 Landsat 影像和 DEM 数
据，基于落叶橡胶林在干季独特的物候特征，发现无
论在落叶阶段还是叶理结构，归一化燃烧率指数
(normalized burn ratio，NBＲ)提取西双版纳橡胶林
都要优于归一化植被指数 ( normalized difference
vegetation index，NDVI ) 和 地 表 水 体 指 数 ( land
surface water index，LSWI)。
山核桃的光谱曲线易与其他落叶阔叶林混淆，
基于像元方法提取山核桃的精度仍有提升的空间。
因此，本文拟利用混合像元分解技术研究一种快速、
准确提取山核桃空间分布信息的新方法，为亚热带
经济林资源及其动态变化的快速检测提供新手段。
1 研究区概况
研究区位于浙江省临安市西部，地理位置
118°51—119°21 E，29°56—30°22 N(图 1)，东西
相距 48 km，总面积 1 457 km2。研究区地形以丘陵
山地为主，地势自西向东倾斜，地形起伏较大，海拔
在10 ～ 1 580 m之间。该地属亚热带季风气候区，四
季分 明，光 照 充 足，雨 量 充 沛，全 年 平 均 气 温
16. 4 ℃，年均降水量 1 628. 6 mm。凭借其山核桃产
44
第 10 期 奚祯苑等: 基于线性混合像元分解技术提取山核桃空间分布
量和面积分别占全国山核桃的 51. 3%和 46% (詹森
梁等，2004)，临安市享有“中国山核桃之都”的美
誉。作为全国最大种植山核桃面积的区域，临安市
山核桃主要分布在岛石、龙岗、大峡谷、新桥、马啸、
河桥、昌化、湍口等乡镇，千洪、西天目、太湖源、高虹
等乡镇的北部和藻溪、玲珑街道、上甘街道的南部也
有零星分布(吕惠进，2005; 金志凤等，2011)。
根据 2009 年二类调查数据和样地数据的统计
分析，临安西部主要林地有，1 ) 松林: 以马尾松
(Pinus massoniana ) 为主，少量的黄山 松 ( Pinus
taiwanensis)和金钱松(Pseudolarix amabilis); 2) 柏
木(Cupressus funebris)，少量的杉木 ( Cunninghamia
lanceolata)和柳杉 ( Cryptomeria fortunei); 3 ) 硬阔
类: 绝大多数为常绿阔叶树，少量由檫树( Sassafras
tsumu)等树种构成的落叶阔叶林; 4) 栎类: 以麻栎
(Quercus acutissima)林为主; 5) 竹林: 主要由毛竹
( Phyllostachys edulis ) 林、雷 竹 ( Phyllostachys
praecox) 林和其他杂竹组成; 6 ) 灌木林: 以茅栗
(Castanea seguinii)为主，间有少量常绿灌木及各种
藤本、草本植物; 7) 经济林: 面积较大具有代表性
的是山核桃，而茶 ( Camellia sinensis )、桑 ( Morus
alba)、银杏(Ginkgo biloba)及各种果树零星分布。
图 1 研究区: 浙江省临安市西部
Fig． 1 Study area: west of Lin’an county in Zhejiang Province
2 数据收集及预处理
利用 Landsat 8 OLI 遥感数据提取山核桃技术
路线见图 2: 1) 数据预处理; 2) 利用线性混合像元
分解技术( linear spectral mixture model，LSMM)获得
植被 ( GV)、阴影 ( shape)及土壤( soil) 3 个分量;
3) 根据山核桃的分量特征得出新的植被指数，并根
据地面调查数据确定合适的阈值以提取山核桃;
4) 提取结果后处理及精度验证。
2. 1 数据收集
收集的数据包括样地数据和遥感数据。样地数
据收集于 2013 年 6 月—2014 年 8 月，调查山核桃样
地 20 个、常绿林 30 个、其他落叶阔叶林 20 个、灌木
林 14 个，共 84 个纯林样地数据。获取样地中心点经
纬度坐标和样地森林类型，并对照高空间分辨率卫星
影像，现场勾绘纯林样地影像区域，作为参考数据。
遥感数据为 Landsat 8 OLI(LDCM)的 L1T 产品，分别
于 2013 年 7 月 10 日和 2013 年 12 月 1 日。Landsat 8
上主要载荷运营性陆地成像仪 ( operational land
imager，OLI) (包含波长从0. 433 ～ 2. 300 μm 的 9 个
波段 ) 和热红外传感器 ( thermal infrared sensor，
TIＲS)(包括 2 个热红外波段)。本研究选用 OLI 传
感器空间分辨率为 30 m 的多光谱波段，包括 3 个可
见光波段、1 个近红外波段和 2 个短波红外波段。
数字高程模型(digital elevation model，DEM)来源于
地形图，空间分辨率为 10 m。所有数据预处理都在
UTM WGS 1984(50 N)投影坐标系统下进行。试验
区所在影像的轨道号为 120 /39。
54
林 业 科 学 51 卷
图 2 利用 Landsat 8 OLI 数据提取山核桃技术路线
Fig． 2 Flow chart of hickory extraction with OLI data
2. 2 图像预处理
图像预处理主要包含去云处理、大气校正、几何
校正和地形校正 4 部分。
1) 去云处理 两景影像在研究区都有少量的
云覆盖，因此，通过目视解译对云和阴影区进行
掩膜。
2 ) 大 气 校 正 暗 像 元 法 ( dark object
subtraction，DOS)无需地表测量和大气参数，是基于
影像本身 DN( digital number)值的校正，实用性强，
其校正精度可以满足一般遥感的研究和应用。因
此，Landsat 8 数据经过辐射定标后，采用暗像元法
进行大气校正以消除大气等因素对影像信息的影
响，而获得地表反射率 ( Chavez，1996; Lu et al．，
2002; 何颖清等，2010)。
3) 几何校正 为了消除地形对影像的影响，
需要根据 DEM 对 Landsat 8 数据进行地形校正，因
此要求 DEM 数据与 Landsat 8 影像进行几何配准。
从研究区的 Landsat 8 影像和 DEM 上选取位置对
应的 30 ～ 40 个 控 制 点 ( ground control points，
GCPs)，要求这些控制点尽量均匀分布。采用三次
多项式模型、最近邻重采样法进行几何校正。均
方根误差( root mean square error，ＲMSE)在 0. 5 个
像元内。
4) 地形校正 从头文件中获取太阳高度角和
太阳天顶角，采用 C 校正模型(Ｒichter et al．，2009;
Ｒeese et al．，2011; 李翠翠等，2014)对每一景影像
进行地形校正以消除地形对遥感影像的影响。C 校
正模型在很大程度上能消除地形阴影，反映阴影区
域的细节信息，且保持了影像的光谱特性 (钟耀武
等，2006 )。以最近邻法对 DEM 数据重采样至
30 m，与 Landsat 8 影像空间分辨率一致。将影像像
元值和太阳入射角的余弦值进行线性拟合，通过最
终获得 C 校正系数以达到校正目的。
3 研究方法
山核桃是落叶阔叶树种 (图 3A)，与其他阔叶
林(图 3B)相比，虽然二者的光谱特征比较相似(图
3C)，但山核桃有其特殊性: 人工林，林分结构较单
一且无林下植被，这为区分山核桃与其他阔叶林提
供了可能。
64
第 10 期 奚祯苑等: 基于线性混合像元分解技术提取山核桃空间分布
图 3 研究区内植被实地调查图及其光谱曲线
Fig． 3 The field survey images and reflectance curves of vegetation in study area
A: 山核桃林 Hickory; B: 以硬阔和栎类为主的落叶阔叶林 Deciduous-broadleaved forest;C: 研究区山核桃与其他植被的反
射率曲线 The reflectance curves of vegetation in study area．
3. 1 植被、阴影及土壤分量的提取
3. 1. 1 线性混合像元分解模型 线性混合像元分
解模型把像元反射率表示为一系列端元反射率的线
性组合( Lu et al．，2003)。LSMM 数学公式可以表
示为:
Ｒi = ∑
n
k = 1
fkＲ ik + ε i。 (1)
式中: i = 1，2，3，…，m (波段数); k = 1，2，3，…，n
(端元数); Ｒi 为混合像元的反射率;Ｒik为第 i 个波
段第 k 个端元组分的反射率; fk 是该像元第 k 个端
元组分的丰度; ε i为第 i波段的误差。方程(1)的约
束条件为:
∑
n
k = 1
fk = 1，0 ≤ fk ≤ 1。 (2)
均方根误差(ＲMSE)计算影像所有参与像元的
误差值，是判断端元的数量以及端元的选择是否合
适的评价标准之一。表示如下:
ＲMSE = ∑
m
i = 1
ε i
2
槡 /m。 (3)
ＲMSE 越大，则模型的拟合度越差 (Mather，1999;
胡潭高等，2011)。
3. 1. 2 端元选取和分量提取 一个林分可以认为
是由绿色植被 (叶子)、非光合作用植被 (树干、树
枝)、土壤及阴影 4 个端元组成的。然而，由于土壤
与非光合作用植被的光谱曲线非常相似而难以区分
(Lu et al．，2003)，因此，植被、阴影和土壤 3 个端元
可用于描述一个林分的结构特征。
为了降低波段之间的相关性和噪声影响，首先，
利用最小噪声分离变换 ( minimum noise fraction，
MNF)方法，经过 2 次叠置的主成分分析，达到数据
降维、分离数据中噪声、减少计算量的目的 ( Li
et al．，2005; 王杰等，2011)。MNF 变换后前 3 个波
段包含了研究区 95% 以上的信息，因此本文根据
MNF 前 3 个波段相互之间构建二维散点图进行端
元选取。其次，结合高空间分辨率影像，查看选择端
元的光谱曲线和地理位置，反复筛选，最终从散点图
选取影像中相对纯净的 3 个端元。
端元选择完成后，利用约束性最小二乘法
( constrained least square， CLS ) 把 预 处 理 后 的
Landsat 8 OLI 影像求解式(1)，计算得到各分量［植
被(GV)、阴影( shade)和土壤( soil)］的面积比例图
像及残余误差图像(ＲMSE)。
3. 2 山核桃空间分布提取方法
据实地考察，山核桃林下基本无植被覆盖，裸露
74
林 业 科 学 51 卷
土壤特征明显。由于山核桃的植被、阴影和土壤分
量与其他植被的区分性较大，所以 3 个分量组合为
提取山核桃提供了可能性。通过分析山核桃像元与
其他植被像元在 3 个分量上的差异，构建了 3 种新
的指数: 植被 － 土壤指数、植被 － 阴影指数和归一
化多分量指数，其表达式如下:
植被 － 土壤指数 = GV － soilGV + soil
; (4)
植被 － 阴影指数 = GV － shadeGV + shade
; (5)
归一化多分量指数 = (GV + shade) － soil(GV + shade) + soil
。
(6)
利用决策树(decision tree)算法具有计算简单、
结构清晰、分类精度高等优点，本文基于 NDVI 指数
和新的植被指数建立决策树模型提取山核桃。经过
多次试验，制定决策树规则依据如下: 1) 夏季常绿
植被和落叶植被的 NDVI 差异不大，冬季落叶植被
的 NDVI 减小而常绿植被变化不大，即落叶植被
NDVI 在夏季与冬季的差值大于常绿植被，利用该
特点，通过 NDVI夏 － NDVI冬确定阈值区分常绿植被
与落叶植被; 2) 在落叶植被中，通过新的指数确定
阈值，阈值的确定根据地面调查数据，分析山核桃与
其他植被在新的指数上的特征，确定合适的阈值区
分山核桃与其他落叶阔叶林。
3. 3 精度验证
本研究分析精度的方法是比较分类和参考数
据。分类数据是基于 Landsat 8 影像的 LSMM － 决
策树的分类结果，参考数据是实地调查数据和空间
分辨率为 0. 6 m 的 2013 年 Google Earth 影像。结果
为 2 类: 一类为山核桃; 其他地类包括常绿植被
(主要为柏木、松林、竹林)、除山核桃外的落叶阔叶
林(主要为硬阔类、栎类)、农田、灌木林、不透水地
表(城市和道路)、水体。结合外业调查及高分辨率
影像，分层抽取 150 个验证样本(山核桃 55 个、其他
类 95 个)对本文提出的方法进行精度评价。
4 结果与分析
4. 1 各地类在分量上的特征
图 4 是部分研究区的植被、阴影及土壤分量图
及构建的指数图，从分量图上可以明显看出各分量
所反映的不同地类特征。如在植被分量图(图 4A)
上，植被的 GV 值最高，呈白色或浅灰色; 农田颜色
比植被深，呈灰色; 水体、不透水地表和裸地呈黑
色。在阴影分量图(图 4B)上，水体和阴影的光谱曲
线相近，呈白色; 植被呈浅灰色或灰色; 农田颜色
比植被深; 不透水地表和裸地呈深灰或黑色。在土
壤分量图(图 4C)上，不透水地表和裸地的 soil 值最
高，呈白色; 其次是农田，呈浅灰色; 由于土壤背景
影响较大，山核桃在土壤分量图上比其他植被颜色
浅，呈灰色; 其他植被呈深灰色; 水体呈黑色。
4. 2 各地类在构建指数上的特征
水体、不透水地表和裸地的植被 － 土壤指数最
低，呈黑色; 其次为农田，呈深灰色; 山核桃与其他
植被相比，值较低，呈浅灰色; 其他植被呈灰白色
(图 4D)。水体、不透水地表和裸地的植被 － 阴影
指数最低，呈黑色; 农田和植被较接近，呈灰色(图
4E)。由于不透水地表和裸地的值最低，在归一化
多分量指数分量图上呈黑色; 其次为农田，呈灰色;
其他植被的归一化多分量指数较高，呈灰白色; 山
核桃介于农田和其他植被之间，呈浅灰色; 水体呈
白色(图 4F)。分量之间的差异使得利用 LSMM 方
法提取山核桃有较好的区分性。
4. 3 山核桃提取的指数选择
由图 5 可知，山核桃的 GV 值最低，灌木林、常
绿植被次之，而其他落叶阔叶林 GV 值最高。常绿
植被在 shade 分量图上最高，其次为灌木林和其他
落叶阔叶林，山核桃在 shade 分量上最低。相反，山
核桃的 soil 值最高，其次为灌木林、其他落叶阔叶林
和常绿植被，但三者的 soil 值非常接近，混淆严重。
因此，山核桃 soil 值最高而 GV 值和 shade 值最低。
应用山核桃在分量图上的特征构建植被 － 土壤指
数、植被 －阴影指数和归一化多分量指数提取山核
桃的空间分布信息。
归一化多分量指数明显优于植被 －土壤指数和
植被 －阴影指数。从图 5 看，除植被 －阴影指数外，
另 2 种指数均能很好地区分山核桃与其他植被，其
中山核桃的归一化多分量指数值最低，与其他植被
的可分离性最好，灌木林、常绿植被和其他落叶阔叶
林值明显高于山核桃且三者值域近似，较易与山核
桃区分; 而植被 － 土壤指数中，尽管山核桃的值低
于其他各类植被，但几种地类间的可分离性没有归
一化多分量指数明显，易发生混淆; 植被 － 阴影指
数各地类的值非常接近，类间的可分离性最差。归
一化多分量指数增大了山核桃和其他植被之间的差
距，与其他植被的可分离性最好，优于利用单一分量
或 2 个分量组合提取山核桃的方法，因此本文选择
归一化多分量指数作为提取山核桃的最优指数。
4. 4 山核桃空间分布
图 6 是基于归一化多分量指数提取山核桃的空
84
第 10 期 奚祯苑等: 基于线性混合像元分解技术提取山核桃空间分布
图 4 部分研究区植被、阴影、土壤分量及构建的指数图
Fig． 4 Fraction images of GV，shade，soil and new indexes for part of the study area
A. 植被分量 Green vegetation fraction(GV fraction) ;B:阴影分量 Shade fraction;C:土壤分量 Soil fraction;D: 植被 － 土壤指数
Vegetation-soil index;E: 植被 －阴影指数 Vegetation-shade index;F: 归一化多分量指数 Normalized multi-fraction index．
间分布图。从图 6 可以看出，研究区内山核桃主要
分布在临安市西北部，以岛石镇、新桥镇和大峡谷镇
为主; 其次在研究区中部，即龙岗镇、河桥镇和清凉
峰镇边界处; 山核桃在南部也有较广分布，以湍口
镇和清凉峰镇为主; 此外昌化东北部、太阳镇北部、
马啸乡也有零星分布。
对基于线性混合像元分解的决策树分类法提取
结果进行实地验证，误差矩阵和精度报告见表 1，山
核桃总体精度达到 88. 67%，其用户精度和生产精
度分别为 82. 76%和 87. 27%，Kappa 系数为 0. 76。
5 结论与讨论
本文以覆盖浙江省临安市西部的 2013 年
Landsat 8 数据为基础，探讨了一种基于混合像元分
解模型提取山核桃的方法。粗放的经营方式导致了
山核桃林下几无植被，土壤背景对像元的光谱反射
率值影响较大，影像上表现为山核桃、土壤的混合像
元，若是直接基于像元提取山核桃，不能有效提高精
94
林 业 科 学 51 卷
图 5 各种分量及其构建指数比较
Fig． 5 The comparison of fractions and new indexes from fractions
图 6 基于归一化多分量指数的山核桃空间分布
Fig． 6 Mapping hickory in study area by normalized multi-fraction index
表 1 基于归一化多分量指数分类结果精度评价①
Tab． 1 Accuracy assessment for classification of normalized multi-fraction index
分类数据
Classified data
参考数据 Ｒeference data
山核桃
Hickory
其他
Others
总数
Ｒow total
用户精度
User’s accuracy (% )
山核桃 Hickory 48 10 58 82． 76
其他 Other 7 85 92 92． 39
总数 Column total 55 95 150
生产精度 Producer’s accuracy(% ) 87． 27 89． 47
总体精度 Overall accuracy = 88． 67%
Kappa 系数 Kappa coefficient = 0． 758 8
①其他类包括农田、水体、不透水地表、裸地、常绿植被和其他落叶阔叶林。Others include farmland，water，imperious surface，bare land，
evergreen and deciduous broadleaf forest．
度。因此，本文根据影像上山核桃林在冬夏两季林
相差异的特征，采用线性混合像元分解方法获取植
被、阴影及土壤 3 个分量图。山核桃在土壤分量图
上的分量值比其他植被高，而在植被分量图和阴影
分量图上的分量值则较低，通过分析，根据山核桃在
分量图上的特征提出归一化多分量指数来扩大山核
05
第 10 期 奚祯苑等: 基于线性混合像元分解技术提取山核桃空间分布
桃与其他在光谱上易混淆的植被之间的差距，提高
其可分离性，成功地实现了临安西部区域山核桃信
息提取，总体精度达到 88. 67%，Kappa 系数为
0. 76。研究表明: 本文针对山核桃经济林提取而提
出的归一化多分量指数，物理意义明确，易于理解和
分析，实现简单，降低了由于步骤复杂、样本类数多
而造成的系统误差和人为误差，证明了使用线性混
合像元分解模型提取山核桃的潜力，为今后其他地
区山核桃的提取或有类似种植特征经济树种的有效
提取提供了借鉴，具有较高的应用潜力和推广价值。
为了进一步验证本文方法的提取精度，本文还
基于 像 元 的 最 大 似 然 法 ( maximum likelihood
classification，MLC)对研究区进行了分类试验。图
7 为基于归一化多分量指数和 MLC 提取结果的研
究区局部空间分布比较。经地面调查验证，红色边
界内确定为山核桃林。然而，通过比较可以明显地
观察到 MLC 方法未能完整地提取山核桃信息，局部
区域有错分现象，而基于归一化多分量指数则较好
地实现了提取。分析其原因可概括为以下 3 点: 1)
MLC 是基于像元光谱间统计特征进行分类的方法，
训练样本光谱往往是包含一个像元内所有地物的混
合光谱，而临安市以山地丘陵为主，林分结构复杂，
树种丰富，地物光谱之间可分离性不高，易出现异物
同谱的现象，仅仅依靠光谱特征不足以准确地提取
山核桃信息; 2) 根据实地考察，山核桃在村民的房
前屋后种植较多，而周围的房屋、农田、道路等地物
分布较破碎，在空间分辨率为 30 m 的影像上往往以
混合像元的形式出现; 3) 线性混合像元分解方法
则选取的是最符合实际地物光谱的分量，提高了山
核桃和其他地物样本的纯度。因此，基于归一化多
分量指数提取山核桃信息的方法能较好地弥补基于
像元的 MLC 方法的不足。本文也与杨争等(2012)
的分类结果进行了比较。从总体精度来看，基于归
一化多分量指数方法(88. 67% )得到的结果明显优
于基于像元的 MLC 方法(83. 71% )，更好地反映了
山核桃空间分布的真实性。
图 7 研究区内部分地区提取的山核桃空间分布
Fig． 7 Mapping hickory for part of study area
如何选择合适的端元是基于线性混合像元分解
技术提取目标地物获得高精度的关键。不同林龄的
山核桃光谱曲线并不一致，然而由于林龄数据的缺
乏，本文采用不同林龄山核桃的光谱均值作为像元
的山核桃光谱曲线。因此，在端元选取过程中，一定
程度上会影响端元的纯净度，从而影响提取精度。
此外，通过 Google Earth 影像验证发现，一些陡
坡上的梯田与山核桃同样存在季节性差异，生长条
件相似，土壤背景影响较大，且二者的光谱曲线相
似，在提取过程中很容易将这部分梯田误提为山核
桃，若能去除将可以进一步提高分类精度。
下一步工作将考虑在经济林提取中引入山核桃
林龄结构和图像融合技术尝试改善分类精度; 另
外，结合其他经济林，如香榧、柑橘(Citrus reticulata)
等特征，改进本文方法，使其普适性更强。
参 考 文 献
傅文杰，戴塔根 ． 2006． 基于线性光谱混合模型的遥感影像枇杷树
信息提取 ． 西北林学院学报，21(2) :13 － 15．
(Fu W J，Dai T G． 2006． Mapping of Loquat spatial distribution with
linear spectral mixture model． Journal of Northwest Forestry
University，21(2) :13 － 15． ［in Chinese］)
郭传友，黄坚钦，方炎明 ． 2004． 山核桃研究综述及展望 ． 经济林研
15
林 业 科 学 51 卷
究，22(1) : 61 － 63．
(Guo C Y，Huang J Q，Fang Y M． 2004． Ｒeview and perspective of
research on Carya cathayensis． Nonwood Forest Ｒesearch，22(1) :
61 － 63．［in Chinese］)
韩 凝，张秀英，王小明，等 ． 2009． 基于面向对象的 IKONOS 影像
香榧树分布信息提取研究 ． 浙江大学学报: 农业与生命科学
版，35(6) : 670 － 676．
(Han N，Zhang X Y，Wang X M，et al． 2009． Extraction of Torreya
grandis Fort． based on object-oriented method of from IKONOS
imagery． Journal of Zhejiang University: Agriculture and Life
Sciences，35(6) : 670 － 676． ［in Chinese］)
何颖清，邓孺孺，陈 蕾，等 ． 2010． 复杂地形下自动提取多暗像元
的 TM 影像大气纠正方法 ． 遥感技术与应用，25(4) :532 － 539．
(He Y Q，Deng Ｒ Ｒ，Chen L，et al． 2010． The atmospheric correction
for TM image under complicated geographic conditions based on
automatically extracted many dark objects． Ｒemote Sensing
Technology and Application，25(4) :532 － 539． ［in Chinese］)
胡潭高，潘耀忠，张锦水，等 ． 2011． 基于线性光谱模型和支撑向量
机的软硬分类方法 ． 光谱学与光谱分析，31(2) :508 － 511．
(Hu T G，Pan Y Z，Zhang J S，et al． 2011． Integration of soft and hard
classifications using linear spectral mixture model and support vector
machines． Spectroscopy and Spectral Analysis，31(2) :508 － 511．
［in Chinese］)
金志凤，赵宏波，李 波，等 ． 2011． 基于 GIS 的浙江山核桃栽植综
合区划 ． 浙江农林大学学报，28(2) :256 － 261．
( Jin Z F，Zhao H B，Li B，et al． 2011． Optimum areas for Carya
cathayensis planting in Zhejiang Province based on GIS． Journal of
Zhejiang A＆F University，28(2) :256 － 261． ［in Chinese］)
李翠翠，樊基仓，付潇华，等 ． 2014． 复杂地形山区 Landsat TM 影像
C 校正策略与实验 ． 地球信息科学学报，16(1) :134 － 141．
(Li C C，Fan J C，Fu X H，et al． 2014． Analysis and comparison test
on C-correction strategies and their scale effects with TM images in
rugged mountainous terrain． Journal of Geo-Information Science，
16(1) :134 － 141． ［in Chinese］)
吕惠进 ． 2005． 浙江临安山核桃立地环境研究 ． 森林工程，21 (1) :
1 － 6．
(Lv H J． 2005． The natural stands conditions of Carya cathayensis in
Lin’an county of Zhejiang Province． Forest Engineering，21 (1 ) :
1 － 6． ［in Chinese］)
王 杰，杨 辽，沈金祥，等 ． 2011． 两种基于空间与光谱相结合的
TM 影 像 端 元 提 取 算 法 ． 光 谱 学 与 光 谱 分 析， 31 ( 5 ) :
1286 － 1289．
(Wang J，Yang L，Shen J X，et al． 2011． Two endmember extraction
Algorithms with combined spatial and spectral domain TM image．
Spectroscopy and Spectral Analysis，31 ( 5 ) : 1286 － 1289． ［in
Chinese］)
徐 燕，沈月琴，黄坚钦，等 ． 2010． 农户对山核桃生态化经营模式
的意愿分析 ． 浙江林学院学报，27(5) : 750 － 756．
(Xu Y，Shen Y Q，Huang J Q，et al． 2010． Farmers’willingness to
adopt ecological management model for Carya cathayensis． Journal of
Zhejiang Forestry College，27(5) : 750 － 756． ［in Chinese］)
杨 争，丁丽霞，许 明，等 ． 2012． 基于 CBEＲS-02 卫星数据的山
核桃种植面积提取研究 ． 西南林业大学学报，32(3) : 60 － 63．
(Yang Z，Ding L X，Xu M，et al． 2012． Study on data extraction of
Carya cathayensis planting area based on CBEＲS-02 database．
Journal of Southwest Forestry University，32 ( 3 ) : 60 － 63． ［in
Chinese］)
詹森梁，赵伟明，叶立前，等 ． 2004． 临安市山核桃产量大小年特征
的时间序列研究 ． 华东森林经理，18(4) :13 － 16．
(Zhan S L，Zhao W M，Ye L Q，et al． 2004． The series study on the
alternate bearing phenomenon of Carya cathayensis in Lin’an． East
China Forest Management，2004. 18(4) :13 － 16． ［in Chinese］)
钟耀武，刘良云，王纪华，等 ． 2006． SCS + C 地形辐射校正模型的
应用分析研究 ． 国土资源遥感，(4) :14 － 18．
(Zhong Y W，Liu L Y，Wang J H，et al． 2006． The application of
SCS + C methods for topographic radiation correction． Ｒemote
Sensing for Land ＆ Ｒesources，(4) :14 － 18． ［in Chinese］)
Chavez J． 1996． Image-based atmospheric corrections-revisited and
improved． Photogrammetric Engineering and Ｒemote Sensing，
62(9) :1025 － 1036．
Gong P，Wang J，Yu L，et al． 2013． Finer resolution observation and
monitoring of global land cover: first mapping results with Landsat
TM and ETM + data． International Journal of Ｒemote Sensing，
34(7) : 2607 － 2654．
Kou W L，Xiao X M，Dong J W，et al． 2015． Mapping deciduous
rubber plantation areas and stand ages with PALSAＲ and Landsat
images． Ｒemote Sensing，7(1) :1048 － 1073．
Li L，Dong J W，Tenku S N，et al． 2015． Mapping oil palm plantation
in cameroon using PALSAＲ 50-m orthorectified mosaic images．
Ｒemote Sensing，7(2) :1206 － 1224．
Li L，Lay M，Ustin S L． 2005． Application of multiple endmember
spectral mixture analysis(MESMA) to AVIＲIS imagery for coastal
salt marsh mapping a case study in China Camp， CA， USA．
International Journal of Ｒemote Sensing，26(23) : 5193 － 5207．
Lu D S，Li G Y，Moran E． 2014． Current situation and needs of change
detection techniques． International Journal of Image and Data
Fusion，5(1) : 13 － 38．
Lu D S， Mausel P， Brondízio E S， et al． 2002． Assessment of
atmospheric correction methods for Landsat TM data applicable to
Amazon basin LBA research． International Journal of Ｒemote
Sensing，23(13) : 2651 － 2671．
Lu D S，Moran E，Batistella M． 2003． Linear mixture model applied to
Amazonian vegetation classification． Ｒemote Sensing of
Environment，87(4) : 456 － 469．
Lu D S，Weng Q． 2007． A survey of image classification methods and
techniques for improving classification performance． International
Journal of Ｒemote Sensing，28(5) : 823 － 870．
Mather P． 1999． Computer processing of remotely-sensed images: an
introduction． 2nd ed． Chichester:John Wiley ＆ Sons．
Ｒeese H，Olsson H． 2011． C-correction of optical satellite data over
alpine vegetation areas: a comparison of sampling strategies for
determining the empirical c-parameter． Ｒemote Sensing of
Environment，115(6) :1387 － 1400．
Ｒichter Ｒ， Kellenberger T， Kaufmann H． 2009． Comparison of
topographic correction methods． International Journal of Ｒemote
Sensing，1(3) : 184 － 196．
(责任编辑 石红青)
25