西双版纳橡胶林信息提取和时空格局扩张监测

刘陈立，张 军，李阳阳，陈玉龙，杨旭超

(1.云南大学资源环境与地球科学学院，云南 昆明 650504；2.华东师范大学地理科学学院，上海 200062)

西双版纳橡胶林信息提取和时空格局扩张监测

刘陈立1，张 军1，李阳阳1，陈玉龙2，杨旭超1

(1.云南大学资源环境与地球科学学院，云南 昆明 650504；2.华东师范大学地理科学学院，上海 200062)

以Landsat TM/OLI遥感影像为数据源，利用归一化指数、纹理、光谱差异、地形因子等特征构建面向对象隶属度分类模型分别提取2005年、2010年、2015年西双版纳橡胶林信息，并借助Google Earth平台和调查采样点进行橡胶林的判识和分析验证，最后，结合地形因子、橡胶林面积变化等分析橡胶林时空扩张情况。研究结果表明：采用面向对象隶属度对橡胶林分类效果较好，提取的橡胶林主要集中在景洪和勐腊2市县，橡胶大多分布在海拔600～1200 m和坡度在8°～25°范围内；2005—2010年期间，橡胶林扩展速度最快，为3.39万hm2·a-1，2010年以后，橡胶林种植面积增长速率逐渐减少。

橡胶林；隶属度分类；归一化指数；纹理特征；西双版纳

橡胶林是一种多年生的高大乔木，自1906年首次从马来西亚引进以来，已经对海南岛、云南和广东等地的土地利用和森林覆盖产生了重大影响，同时也是我国重要的热带雨林作物，具有显著的经济和社会效益。近年来，随着人口增长和经济利益驱动，西双版纳的土地利用变化日趋激烈，橡胶种植面积扩大，给当地的生态环境造成很大的压力，水土流失、土壤肥力下降和地方气候变化等生态矛盾日益突出[1]。这一系列的生态环境问题，引发了许多学者对橡胶林信息提取的研究。遥感技术具有快速、客观、大面积同步观测、花费低、不受地面条件限制等优势，是当今农作物信息提取和面积估算较为普遍的手段。但是，采用什么分类方法能够提高分类精度又是许多学者面临的问题。廖谌婳等[2]利用TM/ETM+数据的时间序列对西双版纳橡胶林面积和时空变化进行遥感监测。李怀霄[3]基于TM数据的面向对象的西双版纳橡胶林提取，并且提取精度相对较高。刘晓娜等[4]利用TM/ETM+数据对中老缅交界地区基于决策树分类的橡胶林地进行遥感识别。余凌翔等[5]2013年利用HJ-1CCD遥感影像对西双版纳橡胶种植区进行提取。以上都根据影像某一时期的特征等信息提取橡胶种植分布。因此，本研究以中分辨率Landsat TM/OLI遥感影像为数据源，采用陈汇林等[6]对海南岛多时相遥感信息识别信息，利用面向对象的隶属度分类方法，对西双版纳2005—2015年橡胶林进行提取，分析橡胶林的时空变换规律及扩张情况，为政府和农业部门及时准确的掌握橡胶种植分布情况和发展状况，推动橡胶种植可持续发展提供决策。

1 材料与方法

1.1 研究区概括

西双版纳州位于云南南部，包括勐腊县、景洪市和勐海县，地处北纬21°08′—22°36′、东经99°56′—101°50′，属热带季风气候，面积19202 km2，东西南与老挝、缅甸接壤，地势北高南低，由北向南逐渐倾斜，中部较低，南部边缘处又相对隆起。地貌结构以山地为主，其中又分布着许多宽谷盆地，其外围分布着环状低丘和低地，气候温暖湿润，立体气候特征明显；河流属澜沧江水系，干流澜沧江由西北向东南纵贯州境。植被类型丰富，分布有全国面积最大、森林生态系统最完整、生物资源最丰富的热带季节雨林，植被呈水平及垂直地带性分布。

1.2 数据源及预处理

采用Landsat TM/OLI影像作为基础遥感数据，该数据来自USGS数据平台http：//glovis.usgs.gov/；Google Earth平台提供的高分辨率影像；DEM数据(http：//www.gscloud.cn/)，空间分辨率为30 m，主要用于提取坡度、坡向、高程。本文采用的Landsat影像已经过几何校正，后续只需对影像进行大气校正，消除不同时间影像成像条件差异引起的偏差。同时，为了增强影像的目视效果，需要对影像进行融合处理，截取需要的研究区域。

1.3 研究方法

图1 技术流程图

西双版纳为热带作物的主要分布区，植被覆盖地类丰富，容易出现同物异谱，同谱异物的现象，同时，基于像元的分类方法容易造成“椒盐现象”，分类精度不高[7]，因此，橡胶林地提取的难点就是如何从众多植被地类中识别橡胶林地特征差异。根据典型地物NDVI时间变化曲线[8]可知，橡胶林的NDVI仅次于常绿阔叶林，有较显著的季节波动，5—10月主要是橡胶林的生长旺季，NDVI值较高，2月达最低，此后橡胶林NDVI又逐渐升高。因此，根据该地区地形特征，选择2月下旬—3月中旬的影像作为橡胶林地提取的主要时间窗口，此时橡胶正处于发芽期，橡胶林冠偏绿。参照已有的研究，采用面向对象分类方法[9]，该方法不再是基于单个像素，而是基于影像对象，即把影像根据相邻像元的光谱异质性分割成多个对象特征，并在对象的基础上加入空间、纹理等特征进行辅助分类，建立分类层次结构，逐步提取2005年、2010年和2015年的橡胶林。首先选择合适的分类尺度进行多尺度分割(通过反复试验确定该地区的分割尺度为80)，将影像分为若干对象；然后根据NDVI将植被与非植被分离；再对植被(橡胶幼林、橡胶成林、有林地、其它园地)和非植被(建筑用地、耕地和水体)中不同地物的光谱特征、归一化指数(NDVI、MNDWI、LSWI、NDBI)及纹理信息分别在eCognition软件中建立不同类别的隶属函数，将橡胶林地提取出来。同时基于Google Earth高清影像生成的ROI和实地采集样本点建立混淆矩阵，对2015年分类精度进行评价。另外，结合地形因子(海拔、坡度、坡向)分别利用叠加分析、空间统计提取橡胶林(3期)的空间分布信息，分析西双版纳橡胶林2005—2015年的时空扩张及变化情况(图1)。

2 结果与分析

2.1 橡胶林信息提取分类模型的建立

2.1.1 影像分割 影像分割使影像中同质像元相合并与异质像元分离，将影像聚划分为若干有意义的多边形对象，每个对象具有相同或相似的特征[10]，如：空间、光谱、纹理和形状等，其分割尺寸大小结果直接影响特征提取与分类精度。本研究以橡胶林纹理特征为基础，通过反复试验确定分割尺度为80，该尺度可以将植被与非植被完全分离出来，同时各类植被类别也能较好区分(图2、图3)。

图2 分割尺度(80)图3 分类分层

2.1.2 不同地物特征提取

1)自定义归一化指数特征：植被指数是利用红光波段和近红外波段反射率的多重组合而成的能反映作物长势、类型及分布的植被参数。植被指数(NDVI)通过增强植被某一特性或细节，反映植被生长状态及植被茂密程度的指标因子[11]。在一般分类中，利用NDVI指数为0来区分植被与非植被发现不准确，通过多次设定NDVI阈值，并对设置的阈值对照实际影像检查发现，耕地(水田)中有部分NDVI>0.4，主要是由于影像获取的时间是2月，水田中种植其他农作物，导致NDVI值偏大，但结合地形情况，设置条件，能把耕地(水田)区分出来，同时对提取的植被和非植被参照Google Earth高清影像和实地调查进行验证对比，选择最接近实际情况的阈值来区分植被与非植被的条件，最终选择NDVI>0.4来提取植被。

对非植被中水体的提取采用改进化的归一化水体指数MNDWI，该指数是徐涵秋[12]通过对Mcfeeters提出的归一化差异水体指数(NDWI)的改进，能有效地提取水体。它主要用于提取水体信息，同时消弱土壤，勾画水域边界。利用地物MNDWI<0特征可以把水分类出来，通过试验发现，提取出来的部分水体中含有阴影，经研究，对提取的水体结合NDVI可以有效地去除部分阴影。

而对陆地中建筑物和耕地采用查勇[13]改为归一化建筑指数NDBI，该指数源于对归一化差异植被指数(NDVI)深入分析后的改进，用来区分城镇用地信息、耕地、不透水建筑材料所覆盖的表面，通过利用隶属度分类中的设定阈值，提取建筑物信息，NDBI>0.1效果达到最好(表1)。

根据地物的光谱分析(图4)，2月下旬—3月中旬地物在近红外波段和短波红外波段反射率值分散，能较好地反映植物和土壤中的水分。因此，本研究利用土壤湿度和植被含水量较为敏感的地表水分指数[14](LSWI)来提取橡胶成林和有林地，即LSWI>0.20来提取有林地，并结合海拔和坡度获取高精度分类结果。

表1 典型地物归一化指数值

2)不同地物的光谱及纹理特征：通过利用ENVI对影像进行预处理后，用ROI进行分类，提取各自地物的光谱信息，得到典型地物光谱曲线(图4)，发现植被在近红外和中红外存在明显的差异，地物波谱出现异常，其中橡胶成林、有林地和其他园地、橡胶幼林在近红外和中红外容易区分，利用近红外大于中红外来提取橡胶成林、有林地和其他园地、橡胶幼林。

图4 不同地物原始光谱特征曲线图

纹理是指图像上色调作为等级函数在空间上的变化，被定义为纹理清晰的区域，灰度等级相对于不同纹理的地区一定比较接近。它是除光谱信息之外，遥感影像所包含的最重要的信息之一，也是目视判读和计算机自动解译的重要依据。二阶概率统计用一个灰色调空间相关性矩阵来计算纹理值，这是一个相对频率矩阵，即像元值在2个邻近处理窗口中出现的频率，该矩阵显示了一个像元和它的特定领域之间关系的发生系数[15]。本次分别采用协同性(Hom)、对比度(Con)、信息熵(Ent)、角二阶矩(Asm)进行纹理分析[16]，窗口大小基于5×5，由每个像元和它的水平方向的邻域生成。通过利用不同的方法计算下图纹理特征可以发现：①在有林地和橡胶成林中，Con和Asm的差别较大，橡胶成林的Con最大，为4.76486，表现为细节丰富，沟纹明显，而Asm最小，表现为纹理细腻，影像灰度分布均匀，容易和有林地区分；②橡胶幼林和其他园地中，提取的纹理表现为Hom园地大于橡胶幼林，说明其他园地相对橡胶幼林分布较为规则，纹理结构单一，而Asm则大于其他园地，看纹理灰度较均匀，反差不大，同时，Con也相对于其他园地大，表现为纹理醒目，清晰度高。各典型地物特征向量提取的纹理信息见表2。

2.1.3 隶属度分类模型构建 基于对上述研究区地物的光谱特征和纹理特征分析，针对不同的地物用各特征参数进行隶属度分类，选择NDVI、MNDWI、NDBI、LSWI归一化指数和橡胶林在红波段比较显著特征及特征纹理，同时结合海拔，采用逐层分类提取橡胶信息。本研究结合国家现行的土地利用分类标准[17]，从实际情况对西双版纳进行分类，分为有林地、橡胶成林、橡胶幼林、其他园地(茶园和果园)、建筑用地、水域、耕地(水田和旱地)。首先对预处理后的影像进行影像分割处理，并确定分割尺度大小，然后，通过利用NDVI值区分出植被和非植被，设定阈值为0.4，对提取的植被和非植被在通过各自的特征参数并结合地形因子，逐层提取(图3)，基于不同地类的特性变量分析，构建分类模型(图5)，从而快速、高效的分离出橡胶林地。

表2 典型植被纹理特征

图5 分类模型建立

2.2 橡胶林面积提取及时空特征分析

利用eCogintion软件对2005年、2010年和2015年3期影像分别利用面向对象的隶属度方法提取，得到西双版纳2005—2015年期间的橡胶林面积和时空变化结果(图6)。经统计分析发现，西双版纳橡胶种植空间分布主要分布在景洪市东和勐腊县，勐海县西部有部分分散，呈现出空间聚集分布特征，种植范围由内向外扩张并呈增加趋势，尤其2005—2010年橡胶林成倍增加(表3)。利用最新的Google earth高清影像获取橡胶林样本和实地调查点验证2015年提取精度，结果显示，面向对象的隶属度分类法总体精度为90.79%，kappa系数为89.19%，橡胶成林的分类精度为93.58%，橡胶幼林为87.38%。

从表3可知，西双版纳橡胶林2005—2010年橡胶扩展显著，种植面积由30.36万hm2增加到2010年的47.33万hm2，扩展速度增速约为3.39万hm2·a-1，主要原因是国内和国际上橡胶需求量的不断扩大，导致橡胶价格整体呈上升趋势，2008年，橡胶价格达到最高，促使胶农加大对橡胶的种植。而2010年后，橡胶价格逐渐下跌，以及大面积种植橡胶对当地的生态环境有一定的影响，破坏物种多样性等因素，胶农减少了对橡胶的种植力度，2015年，橡胶种植面积为50.04万hm2。

表3 2005—2015年期间西双版纳橡胶林地面积变化

*：西双版纳橡胶林地统计面积来自《云南省统计年鉴》[18]。

图6 西双版纳橡胶林各时期面积变化和扩展情况

2.3 橡胶林种植分布的地形特征

橡胶林的生长受水热条件、地形地貌的影响。对提取的橡胶林空间分布结合DEM数据，分析3期影像中橡胶林时空扩展与地形因素中的海拔、坡度和坡向的相互关系，分析橡胶林在不同海拔、坡度和坡向上的分布特征，为橡胶林的适应性生长、空间分布提供参考。

表4 2005—2015年橡胶林地在不同海拔上的空间分布比例

以300 m海拔梯度为一个阶梯分析统计(表4)，2005年，橡胶林种植主要集中在海拔600～900 m，这部分地区气候温暖，水分充足，很适合橡胶林生长，但随着各种驱动因素的制约，2010—2015年期间，海拔600～900 m基本处于保持状态，橡胶林逐渐向900～1200 m海拔扩展，而在海拔1200 m以上的橡胶林较少。总之，从2005—2015年，橡胶林主要集中在海拔600～1200 m的地区生长，具有较高的适应性。

根据SL 190—2007土壤侵蚀分类标准[19]中坡度分级标准，分为6级，分别为微坡(0～5°)、较缓坡(5°～8°)、缓坡(8°～15°)、较陡坡(15°～25°)、陡坡(25°～35°)、急陡坡(>35°)；坡向分为平地(0°)、阴坡(0°～45°)和(315°～360°)、半阴坡(45°～135°)、阳坡(135°～225°)、半阳坡(225°～315°)等6级。由图7可知，橡胶林主要分布在坡度小于35°的范围内，大于35°的非常少，2005—2015年间大部分集中分布于缓坡和较缓坡上；西双版纳橡胶林在阴坡、阳坡、半阴坡、半阳坡分布比较均匀，平地几乎没有分布，说明各坡向对橡胶林的生长影响较小，橡胶林2005—2010年，在阳坡、半阳坡和阴坡均逐渐增加，增幅较小，而2010—2015年只有阳坡增加较大，而其它坡向均有所减少。

图7 橡胶林在不同坡度和坡向上的空间分布比例

3 结论和讨论

西双版纳是典型的热带雨林区，具有良好的水热条件，非常适合橡胶林生长，在各种驱动力因素下，林业发展方向从传统的天然林向橡胶林地转变。本研究以中分辨率的Landsat TM/OLI遥感影像为主要数据源，利用面向对象的隶属度分类方法分别提取了2005—2015年的橡胶林种植面积，分别为30.36、47.33、50.04万hm2。参照《云南省统计年鉴》[18]、刘晓娜等[4]、廖谌婳等[2]的研究面积统计情况，采用面向对象的隶属度分类法提取的橡胶林面积与他们的统计面积不同，2010年的统计面积比统计年鉴和廖谌婳等[2]的统计结果大，主要原因在于利用eCogintion软件进行分割时，由于影像属于中高分辨率影像，会造成混合像元问题，使其他一些植被误判成橡胶林地；而比刘晓娜等[4]统计的面积小2.77万hm2，是因为在利用隶属度分类时使用的隶属函数和条件差异，还有就是对分类后处理合并小图班归属的不同，造成统计面积减少。从2005—2015年不同年份提取的橡胶林面积来看，利用遥感技术分类面积总体比统计年鉴大，主要是有些偏远地区橡胶林地种植没进行官方统计。

对提取的橡胶林地从空间分布和地形因素进行分析发现：①从橡胶林的时空分布来看，2005—2015年这10 a由最初的30.36万hm2增加到2015年的50.03万hm2，尤其在2005—2010年橡胶林扩展最快，景洪和勐腊2县(市)的橡胶林地共达44.17万hm2，占整个西双版纳橡胶林的2/3以上，呈现出以景洪为中心，向北和勐腊县扩展的趋势。②提取的橡胶林地分布与地形因子结合分析发现，西双版纳的橡胶林与地形紧密相关，制约着橡胶林的扩展，主要集中分布在海拔600～1200 m，但从2005—2015年间，部分橡胶林逐渐向高海拔区域扩展。坡度上，主要集中分布在缓坡(8°～15°)和较陡坡(15°～25°)上，占整个西双版纳橡胶林地面积的2/3，从2005—2015年，微坡和较缓坡上出现先小幅度增加然后又减少，而较陡坡和陡坡橡胶林面积比重增加，逐渐向急陡坡扩展。而在坡向上除平地以外，2005—2015年所占面积比例均衡，说明坡向对橡胶林种植影响较小，新增橡胶林主要分布在半阴坡和阳坡。

总之，西双版纳的橡胶林2005—2015年期间，橡胶面积增长速度出现先增后减，逐渐向高海拔扩展。2010年以后，橡胶林增长速度下降主要是政府对橡胶种植格局实施控制和橡胶林价格下跌，另外，政府意识到橡胶林种植对当地生态环境有巨大的破坏，使人们转变经济发展方式。对橡胶林提取研究，由于研究区受地形和天气的影响，获取的影像数据可能困难，不能形成完整的时间序列，因此选择最能突出橡胶林生长的2—3月作为时间窗口来提取橡胶信息，使得提取的橡胶林有一定的误差。在今后的研究中，需要结合多源遥感数据，不能简单依靠某一时期的影像，采用多时相影像，尤其是国产卫星高分序列和环境一号卫星，兼顾高空间和高时间分辨率，其中高分三号卫星不受地形的影响，高分四号卫星时间分辨率高，可以高精度的提取橡胶林。

[1]李增加.西双版纳土地利用/覆盖变化及其气候效应研究[D].西双版纳：中国科学院研究生院，2008.

[2]廖谌婳，李鹏，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，2014，22(30)：170-174.

[3]李怀霄.基于面向对象的西双版纳橡胶林提取[J].江西农业学报，2014，26(8)：96-100.

[4]刘晓娜，封志明，姜鲁光.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(29)：163-169.

[5]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)：494-496.

[6]陈汇林，陈小敏，陈珍丽，等.基于MODIS遥感数据提取海南橡胶信息初步研究[J].热带作物学报，2010，31(7)：1182-1185.

[7]朱海涛，张霞，王树东，等.基于面向对象决策树算法的半干旱地区遥感影像分类[J].遥感信息，2013，28(4)：50-56.

[8]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)：488-489.

[9]周春艳，王萍，张振勇，等.基于面向对象信息提取技术的城市用地分类[J].遥感技术与应用，2008，23(1)：31-35.

[10]李卫国.农作物遥感监测方法与应用[M].北京：中国农业科学技术出版社，2012：224-227.

[11]正斌，余东莉.基于Landsat 8影像的西双版纳森林覆盖信息提取研究[J].林业调查规划，2014，8(39)：11-14.

[12]徐涵秋.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J].遥感学报，2005，5(9)：590-591.

[13]查勇，倪绍祥，杨山，等.一种利用TM图像自动提取城镇用地信息的有效方法[J].遥感学报，2003，7(1)：37-40.

[14]刘元亮，李艳，吴剑亮.基于LSWI和NDVI时间序列的水田信息提取研究[J].地理与地理信息科学，2015，31(3)：33-34.

[15]邓书斌，陈秋锦，杜会建，等.ENVI遥感图像处理方法[M].北京：高等教育出版社，2014：109-110.

[16]Herold M，Liu X H，Clarke C k.Spatial metrics and imagine texture for mapping urban land use[J].Photogrammetic Engineering&Remote Sensing，2003，28(4)：509-512.

[17]国家质量监督检验检疫总局.GB/T 21010—2007土地利用现状分类[S].北京：中国标准出版社，2007.

[18]云南省统计局.2016年云南统计年鉴[M].北京：中国统计出版社，2016：485-489.

[19]水利部.SL190—2007土壤侵蚀分类分级标准[S].北京：中国水利出版社，2008.

Rubber Plantation of Xishuangbanna Information Extraction and Monitoring of Spatial-temporal Pattern Expansion

LIU Chenli1，ZHANG Jun1，LI Yangyang1，CHEN Yulong2，YANG Xuchao1

(1.SchoolofResourcesEnvironment&EarthScience，YunnanUniversity，Kunming650504，Yunnan，China；(2.SchoolofGeographicScience，EastChinaNomalUniversity，Shanghai200062，China)

Rubber plantation of Xishuangbanna is planted apart from Hainan Island in china′s largest rubber plantation base，extraction of rubber planting area using remote sensing techniques，monitoring changes in the spatial distribution and spatial-temporal change pattern，ecological environment changes in local decision-making foundation for rational exploitation of resources and the promotion of economic development.Base on Landsat TM/OLI image as data source，respectively for 2005，2010，2015，rubber forest extraction.Firstly，the spectral analysis of a typical surface features，space，time，texture，color and other features，using normalized spectral differences，index，texture，terrain features，such as object-oriented classification model of rubber forest.Meanwhile，with the Google Earth platform and investigation sampling point for rubber-identification and analysis.Finally，combined with topography，rubber area analysis time and space expansion.The results showed that rubber forest classification using object-oriented membership better，the extraction of rubber is mainly concentrated in the cities of mengla and Jinghong Counties，showing characteristics of spatial aggregation，from center to spread all over，most of the rubber distributed in 600～1200 meters above sea level and within the slope 8°～25°.From 2005 to 2010，the fastest rubber expansion at 33900 hm2·a-1，2010 years later，rubber planted area growth rate gradually reduced.

rubber plantation；classification of membership；normalized index；texture；Xishuangbanna

2016-11-29；

2017-01-15

云南省科技厅基金项目(中高分辨率遥感数据支持下的橡胶林地信息定量识别方法研究，2013ZD002)

刘陈立(1992—)，男，云南曲靖人，云南大学资源环境与地球科学学院硕士研究生，从事遥感与地理信息系统研究。E-mail：1770642605@qq.com。

张军(1972—)，男，云南大学资源环境与地球科学学院副研究员，博士。E-mail：50981534@qq.com。

10.13428/j.cnki.fjlk.2017.02.008

S794.1；TP79

A

1002-7351(2017)02-0043-08