橡胶林信息提取技术研究综述

苗 苗，岳彩荣

(西南林业大学，云南 昆明 650000)

橡胶林信息提取技术研究综述

苗 苗，岳彩荣

(西南林业大学，云南 昆明 650000)

橡胶林种植面积扩张与天然林保护之间的矛盾日益突出，利用遥感技术快速监测橡胶林分布及其动态变化，已成为热带天然林保护和土地利用规划决策的重要技术手段。通过查阅文献，对橡胶林遥感提取技术和龄组识别方法的研究现状进行了分析评价。橡胶林信息提取技术主要有监督分类、SAM-SID混合分类技术、面向对象决策树分类、模糊数学分类和基于训练样本的最近距离法等。介绍了橡胶林的龄组判别方法，包括依据时间节点和基于NDVI阈值的橡胶林龄组判别以及基于Landsat时间序列橡胶林林龄重构模型等方法，为林龄判断研究提供思路。

橡胶林；信息提取；遥感技术；龄组判别

天然橡胶因其独特的物理化学特性成为一种世界性的重要战略物资。近年来伴随着云南橡胶林的急速扩张，原始森林大量减少。西双版纳地区1976—2003年间，森林面积年均减少了37.04万 hm2，约占森林总面积的28%，其中热带雨林减少了近67%，与之对应的是1976—2003年西双版纳橡胶林增加了19.42万 hm2(增长约90%)[1]。2008—2012年间，西双版纳州橡胶林面积由24.41万 hm2增加到28.95万 hm2，增加了18.6%[2]，其土地来源主要为天然林地。橡胶林的扩张是以天然林的损耗为代价的，这使得日益发展的橡胶林产业与热带森林保护的矛盾日益突出，橡胶林的极度扩张已造成生物多样性下降、保持水土能力降低、热带雨林景观破碎等消极影响，不利于生态环境的可持续发展。在此前提下，及时掌握橡胶林的动态，深入了解橡胶林扩张对环境的影响已刻不容缓。准确、及时识别和监测橡胶林的时空格局和扩张趋势，对定量评估橡胶林对生态环境和社会经济影响具有重要的现实意义[3-4]。

近年来，随着遥感技术的发展，众多学者利用遥感技术开展了橡胶林遥感监测研究，在橡胶林的识别方法、年龄重构、动态变化及其驱动力等方面进行了有益的探索。同时，橡胶林遥感识别还存在一些有待深入研究的问题。例如，橡胶幼林比较容易和旱地、裸地混淆；橡胶成林与热带常绿森林的多光谱反射特征相似容易造成误分等。本文在查阅中外文献的基础上，对橡胶林遥感监测的发展现状、存在问题进行了分析研究，对监测技术的发展趋势进行了展望。

1 数据源

当前在橡胶林的研究中所使用的遥感数据主要包括中等分辨率光学遥感、高分辨率光学遥感和微波遥感。

中等分辨率卫星数据是橡胶林动态监测的重要数据来源。中等分辨率遥感数据空间分辨率适中，价格相对合理，可获得性比较好，成为国际上研究橡胶林信息提取和动态监测的优选数据。例如Landsat数据由于其适中的分辨率，数据获取渠道比较便捷且时间跨度比较长，能够较好地表达出橡胶林的动态变化和物候特征，是目前为止橡胶林信息识别和遥感监测研究中应用最多的数据源。李增加等[5]利用Landsat数据进行监督分类，获得橡胶林分布信息；M.N.Suratman[6]基于Landsat数据研究了马来西亚橡胶林的提取方法；Shidiq.I.P.A.等[7]利用Landsat数据监测马来西亚西海岸森美兰州橡胶林的分布；Zhe Li[8]等利用TM影像识别了泰国东北地区的橡胶林。

随着1999年IKONOS-2以及2001年QuickBird的成功发射，开辟了高分辨率对地观测的新时代[9]。目前，常用的高分辨率遥感数据全色波段空间分辨率大多能达到1 m左右，遥感图像的信息含量得到极大地提高[10]。刘少军等[11]使用Quick Bird高分辨率遥感影像，采用面向对象分类的方法提取了橡胶林的信息。近年来，随着中国经济和科学技术的发展，中国自主研制的卫星数据逐渐应用到科研中。李亚飞等[12]利用HJ-1CCD卫星(环境与灾害预报小卫星)为主要数据来源，提取了西双版纳地区橡胶林分布信息。

TerraSAR、CosmoSKY-Med、RADARSAT-2三颗高分辨率雷达卫星陆续发射成功，星载高分辨率雷达因其不受天气影响，具有极强的穿透能力、全天候的工作能力等特点，为研究橡胶林提供了新的机会。近年来，国内外学者尝试利用雷达数据获取橡胶林信息。如Dong等[13]利用PALSAR(相控阵型L波段合成孔径雷达)数据并结合Landsat TM影像获得了海南省橡胶林的分部信息；Bangqian Chen[14]等基于PALSAR和Landsat数据区分了海南的热带雨林和橡胶园。

2 橡胶林遥感识别

遥感技术的迅速发展和广泛应用，为橡胶林的动态监测提供了可靠有效的技术手段，众多学者对橡胶林遥感信息提取方法进行了探索研究，并取得了阶段性的成果。对于提取橡胶林信息，影像的分析方法主要有监督分类、SAM-SID混合分类技术、面向对象决策树分类、模糊数学分类、基于训练样本的最近距离法等。

2.1 监督分类

监督分类是一种常用的统计判决分类，在已知类别的训练场地上提取各类训练样本，通过特征变量的选择、判别函数的确定、规则的判别，将图像中的像元点归到各个综合定类的分类方法[15]。

传统的橡胶林提取方法多局限于单一时相数据，例如张京红[16]以2008年的TM遥感影像为信息源，以监督分类方法为主，同时结合实地调查结果，对海南省的橡胶林进行了分类提取。橡胶林生长在生态系统复杂的热带地区，“同物异谱、同谱异物”的现象严重，基于单一时相遥感数据的提取具有较大的不确定性。橡胶林的生长有其特定的时间变化规律，这种物候特征只有通过多时相遥感数据才能进行较好地表现。余凌翔等[17]以多时相HJ-2CCD遥感影像为基础，分析橡胶林的物候特征，选取研究区橡胶林的第一蓬叶变色稳定时期的数据作为数据源，通过对比此稳定期与其他时期的影像差异进行监督分类，在监督分类前计算得到研究区的归一化植被指数(NDVI)分析各地物类型NDVI值域范围，对非提取目标信息进行剔除，有效减少了工作量，实现了对西双版纳州橡胶林种植区域的提取，此方法能有效地降低基于像元的监督分类方法分类过程中由于橡胶林树龄、耕作制度等原因产生的光谱差异所造成的误差，其分类结果的精度为97.6%。该方法与张京红等仅从监督分类的角度提取橡胶林分布信息的研究相比，解决了监督分类时由于树龄、耕种制度差异所造成的光谱差异问题。

MODIS数据空间分辨率中等，同时具有高时间分辨率特点，有利于进行橡胶林生长周期中光谱变化特征的研究。陈汇林等[18]通过计算海南省MODIS-INDVI值，结合GPS选定橡胶种植样本训练区的多时相INDVI值变化值变化曲线、橡胶冬季落叶和蓬叶生长等的年度生长变化规律，采用监督分类的方法对橡胶林等地物进行分类，将与已知橡胶林样本训练区INDVI值相近的遥感信息提取出来，同时将阶段性同谱异物逐一剔除，最终实现海南省橡胶种植空间分布的遥感信息提取，精度达到90%以上。同时指出MODIS空间分辨率相对较低，混合像元的分解是提高监测精度的关键。

监督分类可充分利用分类地区的先验知识，预先确定分类的类别；同时可以控制训练样本的选择，通过反复检验训练样本来提高分类精度。但其分类结果因遥感图像本身分辨率，极易出现“同物异谱”和“异物同谱”现象，导致出现错分、漏分的情况，使分类精度降低。

2.2 SAM-SID混合分类技术

光谱角匹配法(SAM)通过计算待分类像元的测量光谱和已确定地物类型的训练样本之间的角度来确定二者相似性，当角度小于其给定的阈值时，则两者光谱特征相似，可归为同一类，反之则不属于同一类[19]。光谱信息散度法(SID)是一种考虑光谱概率分布的随机方法，通过光谱曲线的形状计算各信息点包含的信息熵，比较信息熵的大小对不同曲线的相似性进行判断[20]。DU等[21]在这2种方法的基础上，创立了SAM-SID混合分类方法，该方法可以有效地提高地物的光谱分类精度。用SAM-SID混合分类方法提取橡胶林信息，是通过SAM和SIM算法对样本和多时相遥感影像像元时序光谱特征的匹配来识别和提取橡胶林的信息。张洪等[22]基于时序光谱特征匹配(Temporal SpectrumMatch，TSM)的遥感影像对于橡胶林进行识别，通过SAM及SID算法对样本与多时相遥感影像像元时序光谱特征的匹配来识别和提取遥感影像中的橡胶林，计算出来SAM及SID影像，其取值越接近0值，则说明像元光谱与橡胶林样本光谱的匹配度越高，即像元为橡胶林的概率就越大。通过调整和设置阈值，即可提取出影像中的橡胶林分布区域，使用该方法提取橡胶林的精度在93%以上，且指出光谱信息散度较光谱角匹配能取得更高的精度。

2.3 面向对象的决策树分类

决策树方法是一种基于多元统计的分类，利用树结构按一定分割原则将数据分为特征更均匀的子集，这些子集即为数据结构中的节点，其基本思想是利用一组自变量来预测每个样本最可能对应的类型即因变量。决策树分类法具有直观的分类结构，运算效率比较高，大多以“二类判别”为基础，通过分层、逐次比较最后达到分类的目的[23]。

利用决策树方法提取橡胶林分布信息的关键是建立有效的判别规则，但是某些与橡胶林光谱特征或空间特征相似的地物还需要其他分类方法的辅助。杨红卫等[24]以IKONOS影像为主要数据源，结合实测数据选取合适的植被指数，将多光谱和植被指数的影像进行地统计半方差分析，获取最佳提取窗口提取各种纹理信息，将纹理和光谱特征结合构建地物分类规则并用C5决策树方法实现橡胶树的提取，得到的橡胶林生产者精度为81%，用户精度为82.65%，总精度为83.5%，Kappa系数为0.78。刘晓娜[25]、廖谌婳[26]等基于Landsat影像，利用决策树方法分别识别了中老缅边界地区和西双版纳的橡胶林。

充分利用遥感数据多平台、多传感器、多波段、多时相等众多突出优势，结合多种遥感数据的优点，可以有效地提高遥感分类精度。梁守真等[27]以MODIS归一化植被指数NDVI时间序列和多时相的Landsat TM数据为基础，分析了橡胶林的季相和光谱特征，确定了橡胶林的提取时间和特征参数，构建面向对象的决策树分类模型，提取了橡胶林的分布信息。采用融合技术提高遥感图像时间和空间分辨率，结合图像纹理特征信息对橡胶林的分布信息进行提取，是橡胶林信息遥感监测的新趋势。

2.4 模糊数学分类

模糊集的概念是扎德(Zadeh L A)于1965年提出的，开创了模糊数学研究的历史。模糊数学分类方法是一种对不确定性事物的分析方法，模糊集理论扩展了传统经典集合论，主要是为了克服经典集合“非此即彼”的精确二值逻辑。它与经典集合的区别在于明确提出了集合的隶属函数，每个元素是否属于集合或者属于集合的程度是可以通过隶属函数计算得到的[28]。李怀宵等[29]以Landsat TM影像为主要数据源，采用面向对象的方法提取西双版纳橡胶林信息，选用基于边界的分割算法，依据灰度不连续原理对图像进行分割，为了精确提取橡胶林，对研究区其他地物进行光谱特征研究，根据地物不同的光谱响应值和其他非光谱特征，通过隶属函数建立每个地类模糊规则，基于模糊数学分类方法使得特征标准化，同时提供了明确的、可调整的特征描述，经过模糊运算和层次类型描述能够描述复杂的特征，对同区、同源数据能明显提高其效率与一致性。该分类技术在橡胶林识别和动态监测的研究中具有明显优势，弥补了单独分别分类所带来的人为主观误差影响。

2.5 基于训练样本的最近距离法

最近距离法是类似于传统图像分析软件中的监督分类方法，该方法需要对训练区进行定义。根据影像的地物类型选择相适的分类器，依据选择区的特点将图像划分类别，分别建立对应的训练样本进行分类，结合目视判断和分类的结果，将未分类和错分类纠正到正确的分类中去，再次分类，检验结果。刘少军等[11]就以Quick Bird卫星影像为基础，利用该方法，用光谱、形状、纹理等特征构建提取规则，获取橡胶林的信息，总分类精度为87.12%，Kappa系数为0.85。同时得到传统基于像元监督分类的总精度为78.71%,Kappa系数为0.71，显而易见，该方法能够明显地提高分类精度。

3 橡胶林龄组判别

树龄是森林结构的主要参数之一，与胸径、郁闭度等林段参数一起常用于区域尺度上的森林生物量、净初级生产量等研究[30]。不同林龄橡胶林之间的光谱特征存在明显的差异[31]。利用遥感技术对橡胶林龄组进行判别已成为目前橡胶林信息提取研究中的一个热点。

3.1 依据时间节点进行橡胶林龄组判别

早期的方法是通过多时相影像的参照，分析橡胶林光谱差异和橡胶树生长规律，确定合适的区分橡胶成林和橡胶幼林的时间节点，然后依据时间节点分别提取橡胶幼林与橡胶成林。刘晓娜等[32]基于MODIS数据构建不同地类NDVI时间序列，分析确定2月份为橡胶林地最佳提取时间。利用Landsat数据采用面向对象的决策树分类方法，系统研究了光谱、纹理、地形等相关特征，建立决策树模型,分别提取橡胶成林和橡胶幼林。研究参考不同时期的TM影像和橡胶树光谱差异特征进行初步判断，结合橡胶树连续生长规律，认为10 a是一个比较合适的时间节点，按照橡胶幼林(<10 a)、橡胶成林(≥10 a)的划分提取了橡胶林地，总精度达85.20%，橡胶成林精度为92.50%，橡胶幼林精度为76.42%。

3.2 基于NDVI阈值的橡胶林龄组判别

廖谌婳等[26]利用Landsat多时相遥感影像和橡胶成林、幼林样本点，首先构建主要植被类型的的遥感特征参数时间序列，建立橡胶林遥感提取规则，将橡胶幼林和橡胶成林与其他植被类型进行区分。其次构建橡胶幼林和橡胶成林NDVI年际变化曲线并进行对比分析，确定不同林龄阶段橡胶林的NDVI阈值作为橡胶林龄组判别的依据，提出了橡胶林龄组判别的方法。对刘晓娜等定性地将10 a确定为西双版纳地区划分橡胶幼林和橡胶成林的误识进行了纠正,科学地划分了橡胶林的林龄阶段。

3.3 基于Landsat时间序列的橡胶林林龄重构模型

该方法主要利用多时相Landsat年际时间序列获取橡胶林对森林的干扰信息号，结合橡胶林林龄变化特征，构建橡胶林林龄重构的参数模型。寇卫利[33]利用PALSAR数据进行了森林分布信息的提取，采用Landsat数据和物候特征分析对橡胶林与天然林进行了区分。研究通过Landsat的NDVI、EVI(增强型植被指数)和LSWI(地表水指数)时间序列分析发现，相对于NDVI和EVI 2个指数，LSWI对森林干扰历史信号反应更为显著，是快速准确识别橡胶林种植期的有效指标。已知LSWI为筛选出的橡胶林林龄重构指标，确定其阈值的过程较为简易，根据Landsat的LSWI时间序列进行分析，可以通过判断LSWI是否为负值来确定橡胶树的种植期，基于LSWI落叶期<0的阈值提出了一种基于多时相Landsat年际时间序列的数学模型判别橡胶林林龄。研究主要是构建了橡胶林林龄的判别过程，该过程以橡胶林分布范围为基础，判断每一个橡胶林像素干扰历史信号首次出现的时间，从而判别该橡胶林像素的种植期，根据种植期最终实现林龄重构。由于LSWI从干扰当年开始保持在负值水平有5 a左右，所以结合5 a期橡胶林林龄分类方法，得到3类5 a期(≤5 a、6～10 a和>10 a)的橡胶林林龄分布图。该模型获取橡胶林龄组结构组成信息的过程较为简单迅速，效果比前2个方法好。

4 建议与展望

光学遥感影像在橡胶林信息提取方面的应用较为成熟，但是在我国南方适宜种植橡胶林的热带地区，光学影像的应用受到常年多云雨天气的影响。而微波遥感因其平台属于主动遥感范畴，能够穿透云雨，具有全天候的工作能力，恰好弥补了光学遥感影像的不足。在橡胶林的遥感信息提取研究方面，利用微波遥感影像进行橡胶林遥感提取的研究还不多。另外，多源、多时相遥感影像的综合应用，是提高橡胶林信息遥感提取精度的发展方向。

此外，橡胶林时空动态监测的研究多侧重于监测方法、面积变化等方面，忽视了驱动力因素的分析。对橡胶林时空变化的驱动力因素进行分析，可为橡胶林种植提供可靠指导。

[1] LI H，MA Y，AIDE T M，et al． Past，Present，and Future Land -use in Xishuangbanna，China and the Implications for Carbon Dy-namics[J]． Forest Ecology and Management，2008,225: 16-24．

[2] 张佳琦，薛元达.西双版纳橡胶林种植的生态环境影像研究[J].中国人口资源与环境，2013，23(S2):304-307.

[3] LI Z, FOX J M. Mapping rubber tree growth in mainland Southeast Asia using time- series MODIS 250 m NDVI and statistical data[J]. Applied Geography, 2012,32(2): 420-432.

[4] SENF C, PFLUGMACHER D, VAN D L S, et al. Mapping rubber plantations and natural forests in Xishuangbanna (Southwest China) using multi- spectral phenological metrics from MODIS time series [J]. Remote Sensing,2013,5(6): 2795-2812.

[5] 李增加,马友鑫,李红梅,等.基于RS和GIS的西双版纳土地利用/覆盖变化与地形的关系[J].植物生态学报，2007,25(3)：280-289.

[6] SURATMAN M N, BULL G Q, LECKIE D G, et al.Prediction models for estimating the area, volume, and age of rubber (Hevea brasiliensis) plantations in Malaysia using Landsat TM data[J]. Int. For. Rev., 20046(1):12.

[7] SHIDIQ P A，ISMAIL M H，KAMARUDIN N.Initial results of spatial distribution of rubber trees in Peninsular Malaysia using remotely sensed data for biomass estimate, IPO Conference: Earth and Environmental Science[J]. International Symposium of the Digital Earth, 2014,18(1):8.

[8] LI Z, JM FOX. Rubber Tree Distribution Mapping in Northeast Thailand[J].International Journal of Geosciences, 2011, 2(4):573-584.

[9] KUENZER C, BLUEMEL A, GEBBARDT S, et al. Remote Sensing of Mangrove Ecosystems: A Review. Remote Sensing [J].2011, 3: 878-928.

[10] 毛丽君.基于遥感的广东湛江红树林湿地动态变化研究[D].南京:南京林业大学,2011.

[11] 刘少军,张京红,何政伟,等.基于面向对象的橡胶分布面积估算研究[J].广东农业科学,2010(1):168-170.

[12] 李亚飞，刘高焕.基于HJ-1CCD数据的西双版纳地区橡胶林分布特征[J]. 中国科学：信息科学，2011(S1).

[13] DONG J W, XIAO X M, CHEN B Q,et al. Mapping deciduous rubber plantations through integration of PLASAR and multi-temporal Landsat imagery[J].Remote Sensing of Environment,2013,134:392-402.

[14] CHEN B Q，LI X I，XIAO X M，et al. Mapping tropical forests and deciduous rubber plantations in Hainan Island, China by integrating PALSAR 25-m and multi-temporal Landsat images[J].International Journal of Applied Earth Observation and Geoinformation, 2016,50:117-130.

[15] 梅安新,彭望琭,秦其明,等.遥感导论[M].北京:高等教育出版社,2001.

[16] 张京红，陶忠良，刘少军，等.基于TM影像的海南岛橡胶种植信息提取[J].热带作物学报，2010,31(4)：661-665.

[17] 余凌翔，朱勇，鲁韦坤，等.基于HJ-1CCD遥感影像的西双版纳橡胶种植区提取[J].中国农业气象，2013,34(4)：493-497.

[18] 陈汇林，陈小敏，陈丽珍，等.基于MODIS遥感数据提取海南橡胶林信息初步研究[J].热带作物学报，2010,31(7)：1181-1185.

[19] 陈方，牛铮，骆成凤，等.一种基于光谱知识库的TM影像地物识别方法[J].遥感技术与应用,2005，20(4):386-392.

[20] CHANG C I.An information-theoretic approach to spectral variability,similarity,and discrimination for hyperspectral image analysis[J].IEEE Transaction on Information Theory,2000,46(5):1927-1932.

[21] DU Y Z,CHANG C I,REN H,el al.New Hyperspectral discrimination measure for spectral characterization[J].Optical Engineers,2004,43(8):1777-1786.

[22] 张洪，沈金祥.基于时序光谱特征匹配的中分辨率遥感橡胶林提取[J].江西农业学报，2016,28(3)：93-97.

[23] 权文婷，王钊.冬小麦种植面积遥感提取方法研究[J].国土资源遥感,2003,25(4):8-15.

[24] 杨红卫，童小华.高分辨率影像的橡胶林分部信息提取[J].武汉大学学报(信息科学版)，2014,39(4)：441-416.

[25] 刘晓娜，封志明，姜鲁光，等.基于决策树分类的橡胶林地遥感识别[J].农业工程学报，2013(24)：163-172.

[26] 廖谌婳，李鹏，封志明，等.西双版纳橡胶林面积遥感监测和时空变化[J].农业工程学报，2014,30(22):170-180.

[27] 梁守真，陈劲松，吴炳方，等，应用面向对象的决策树模型提取橡胶林信息[J].遥感学报，2015,19(3)：485-494.

[28] 杜世宏.空间关系模糊描述及组合推理的理论和方法研究[D].北京:中国科学院遥感所,2004.

[29] 李怀宵.基于面向对象的西双版纳橡胶林提取[J].江西农业学报，2014(8)：96-100.

[30] ZHENG G, CHEN J M, TIAN Q J, et al. Combining remote sensing imagery and forest age inventory for biomass mapping [J].Journal of Environmental Management，2007, 85(3): 616-623.

[31] EKADINATA A, WIDAYATI A, VINCENT G. Rubber agroforest identification using object- based classification in Bungo District, Jambi, Indonesia[C]//Proceedings of the 25th Asian Conference on Remote Sensing. Chiang Mai, Thailand: ACRS，2004.

[32] 刘晓娜，封志明，姜鲁光，等.西双版纳橡胶林地的遥感识别与数字制图[J].资源科学，2012,34(9)：1769-1780.

[33] 寇卫利.基于多源遥感的橡胶林时空演变研究[D].昆明：昆明理工大学，2015.

Literature Review of Information Extraction Technology of Rubber Forest

MIAO Miao, YUE Cairong

(Southwest Forestry University, Kunming 650000, China)

The contradiction between planting area expansion of rubber forest and natural forest protection is increaseing, the remote sensing technology used for monitoring the rapid distribution and dynamic change of rubber foresting has become a important technical means to protect tropical natural forests and decision-making of land use planning. Through the literature, this paper analyzed the study status of rubber forest extraction technology and age group identification method. The methods of rubber forest information extraction technology included supervised classification, SAM-SID mixed classification technology, object-oriented decision tree classification, fuzzy classification and recent distance method based on the training sample. This study also introduced age group discriminated method of rubber forest, including the time node and age group distinguish based on NDVI, rubber forest age reconstruction model based on Lanasat time series. This study provided a train of thought for the research of forest age judgment.

rubber forest; information extraction; remote sensing technology; age group distinguish

10.3969/j.issn.1671-3168.2017.01.003

2016-12-27.

国家自然基金(31260156)；西南林业大学云南省林学一流学科建设项目.

苗 苗(1990-)，女，江苏连云港人，硕士研究生.主要研究方向为3S技术在林业中的应用.Email:miaokindle@126.com

岳彩荣(1964-)，男，云南建水人，博士，教授，博士生导师.主要从事遥感与GIS应用研究.Email: cryue@163.com

S727.31；G202

A

1671-3168(2017)01-0011-05