运用植被指数时序特征对落叶松人工林分类1)

马婷 李崇贵 郭瑞霞 刘思涵 刘伯涛

(西安科技大学，西安，710054)

落叶松(Larixgmelini)是我国北方林区常见的一种寒温带及温带树种，由于具有速生、材质好、抗性强、适应性广等特点，已成为我国北方主要的造林树种[1]。落叶松人工林能够在一定程度上减轻对天然林木材供给需求的压力。随着我国落叶松人工林造林面积的逐年加大，林业重点工程建设的稳步推进，对落叶松人工林资源的调查也是林业调查领域一项新需求，特别是对快速获取落叶松人工林空间位置分布状况。

在林业遥感领域，国内外学者对不同林地类型分类进行了大量的研究工作，并取得一定成果。Suchenwirth et al.[2]通过分析遥感特征值、空间几何信息和坡度信息等，构建相应的知识规则，运用专家知识的决策树算法分类，在泛洪区分类中提取了芦羊、白杨林和草地等植被；王荣[3]利用面向对象的多尺度分割算法、Sobel算子边缘检测及骨架线提取等方法，提取天然林与人工林的纹理线特征，构建了面向对象的纹理线条密度指数(ITLD)，该指数能有效提取森林内部天然林与人工林植被覆盖信息；贾明明等[4]以环境星(HJ-1 CCD)数据和中等分辨率的MODIS时间序列数据为基础，通过分析不同森林类型的季相和光谱特征，确定不同森林类型的特征参数并进行森林类型分类试验，结果表明MODIS时间序列数据和环境星(HJ-1 CCD)数据结合的森林类型分类精度，与使用单一的环境星(HJ-CCD)数据相比得到大幅度提高。梁守真等[5]尝试利用多时相的Landsat TM数据和时间序列MODIS-NDVI数据进行橡胶林信息提取实验，利用包含橡胶关键季相期的多时相数据能得到更高的提取精度。Chen et al.[6]尝试利用植被局部差异指数(IVLD)和最大似然分类法相合，进行森林植被类型分类试验，结合空间信息提取的植被局部差异指数信息能够提高森林类型分类精度。鲁楠等[7]运用国产高分二号(GF-2)数据和CART决策树算法设计了一种四季时相知识规则集，并采用分层逐步分类和多种分类方法相结合，进行森林类型分类实验，该方法能够有效提高森林类型的分类精度。国内外针对落叶松人工林的研究文献多集中于生物量模型、土壤肥力、经营状况、落叶松落叶病以及苗圃培育等方面，利用遥感图像分类算法提取落叶松人工林空间位置分布的研究鲜有报道。目前基于遥感影像的林地类型分类，特别是针叶林、阔叶林和针阔混交林的分类精度相对较低，尚不能有效满足实际生产需要。因此，利用遥感手段探讨我国落叶松人工林的分布情况，在理论研究和实际应用上都有十分重要的意义。

1 研究区概况

研究区域为黑龙江省佳木斯市桦南县东北部的孟家岗林场，地理坐标为东经130°32′42″～130°52′36″，北纬46°20′16″～46°30′50″，属东亚大陆性季风气候，年平均气温2.7 ℃，海拔168～575 m[8]。该林场是以经营落叶松为主的人工林基地，全场总面积16 733.3 hm2，其中人工造林占林地面积的76.7%，主要种植树种有落叶松(Larixgmelini)、红松(Pinuskoraiensis)、云杉(Piceaasperata)和樟子松(Pinussylvestris)等。

2 研究方法

2.1 遥感影像数据与预处理

本研究采用的研究数据是2017年7月6日由“高分一号”卫星拍摄的孟家岗林场8 m分辨率的多光谱彩色图像和2 m分辨率的全色图像。利用ENVI5.3软件对多光谱图像进行辐射定标、FLAASH大气校正、几何校正、正射校正，对全色图像进行辐射定标、几何校正、正射校正，再采用G-S融合算法将8 m分辨率的多光谱影像融合成2 m分辨率多光谱影像。

2017年多时相Landsat8 OLI影像下载于地理空间数据云(http://www.gscloud.cn/)，研究区内自11月份至2018年3月份积雪较厚，一年内多时相高质量影像难以全部获取，本文选取Landsat8 OLI遥感影像构建相应的植被指数时间序列，影像信息如表1所示。为了更好的识别地物特征，对多时相OLI影像进行辐射定标、大气校正、裁剪。

2.2 植被指数选择与计算

运用灰度共生矩阵对预处理后2 m分辨率的GF-1影像提取8个纹理特征(均值、方差、协同性、对比度、相异性、信息熵、二阶矩和相关性)，再利用预处理后的Landsat8 OLI影像数据提取研究区内5个树种的植被指数，构建相应的植被指数时间序列特征；并与GF-1遥感影像的4个光谱波段和8个纹理特征组成多源数据集。最后采用最大似然和随机森林两种方法进行落叶松人工林分类。

表1 Landsat8 OLI数据信息

在遥感影像中，植被信息主要体现在植被冠层和叶子的光谱特性上，时相和光谱特征是遥感影像中最为直观的信息[9]。参考大量文献和多次试验后，选取归一化植被指数(INDV)、差值植被指数(IDV)、比值植被指数(IRV)和增强型植被指数(IEV)作为本次研究的植被指数。

归一化植被指数(INDV)可以很好的反映植被生物量、生长状态及覆盖度信息。其时间序列变化曲线可以很好的描述地表植被的动态过程[10]。其计算公式为：INDV=(ρNIR-ρR)/(ρNIR+ρR)。式中，式中：ρR、ρNIR分别表示红光(0.630～0.680 μm)、近红外波段(0.845～0.885 μm)对应的反射率。

差值植被指数(IDV)很好地反映了植被生态环境。其计算公式为：IDV=ρNIR-ρR。

比值植被指数(IRV)是健康植物灵敏指数参数，当IRV小于1时，说明无植被信息，可能为裸土、建筑、水体、植被哭死或者严重虫害。IRV越大，说明植被生长状况越好，生物量、覆盖度越高[11]。计算公式为：IRV=ρNIR/ρR。

增强型植被指数(IEV)通过加入蓝光波段(0.450～0.515 μm)增强了植被信号，矫正土壤背景和气溶胶散射的影响，更好地反映植被生长状况及覆盖度[12]。计算公式为：IEV=2.5×[(ρNIR-ρR)/(ρNIR+6ρR-7.5ρB+1)]。式中：ρB表示蓝光波段对应的反射率。

2.3 试验样本与验证数据

利用无人机拍摄的0.5 m分辨率CCD数据解译人工落叶松林的分布，结合孟家岗林场2014年森林资源二类调查小班矢量数据，将林场内土地覆盖划分为6种类型，分别是落叶松、红松、樟子松、云杉、阔叶树。分别计算出不同覆盖类型在林场中所占面积大小，根据面积所占权重布设试验样地，共布设了420块28.28 m×28.28 m的正方形样地。

采用地面调查样点作为分类验证样本。样点采集于2017年6月，使用手持GPS获取样点地理坐标和树种类型。经实地调查，共获取了395个有效的土地覆盖类型样点。

3 结果与分析

3.1 典型植被INDV时序特征

通过试验样本数据，计算该研究区典型植被的INDV均值，构建相应的INDV时间序列曲线。

由图1可知。落叶松人工林的INDV在6、7、8月较大，最大值为0.9，说明夏季落叶松长势好，生物量和覆盖度较高，而后逐渐降低，在10月下旬下降至0.28，说明秋季落叶松生物量较低，来年春季INDV逐渐升高，这和落叶松的季相和物候特征一致；落叶松属落叶乔木，夏季生物量最高，长势最好，随着季节变化，到了秋季，叶子逐渐掉落，因而INDV值逐渐衰减，等到来年春季，叶子逐渐长出，INDV再升高。阔叶树与落叶松的INDV时间序列曲线基本一致，在夏季长势最好，生物量达到最高，随着秋冬季节来临，INDV逐渐衰减，在10月下旬下降至0.4，说明此时阔叶树生物量和覆盖度较低，但仍有一定的植被覆盖度，这与落叶松的INDV有一定差异；本文研究区域内的阔叶树基本属于天然林，树种类型丰富，不完全是落叶乔木，所以在秋冬季节依然有少量植被覆盖。红松、樟子松和云杉的INDV时间序列曲线基本一致，尤其是红松和樟子松，INDV全年在0.8～0.9附近小幅度波动，说明全年的生物量和植被覆盖度基本不变，由于红松、樟子松和云杉均属于常绿针叶乔木；红松在10月下旬INDV略微衰减，下降至0.65，这与红松、樟子松和云杉的季相和物候特征一致。落叶松具有显著的季相和物候特征，生长旺盛期与常绿针叶乔木INDV相近，落叶期与常绿乔木差异较大，因此，落叶期的INDV图像对识别落叶松有很大帮助。

图1 归一化植被指数时间序列曲线

3.2 其他植被指数时序特征分析

用相同的方法分别构建了典型植被的IDV、IRV和IEV时间序列曲线，结果如图2、图3、图4所示。

由图2可知，在落叶松生长阶段内，随着季节的变化，5种植被的IDV时序曲线均呈下降趋势，其中阔叶树的IDV时序曲线斜率最大，对区分落叶松和阔叶树有很大优势。

图2 差值植被指数时间序列曲线

图3 比值植被指数时间序列曲线

由图3可知，随着季节变化，落叶松和阔叶树的IRV时序曲线均呈下降趋势，落叶松IRV曲线缓慢下降，阔叶树IRV曲线大幅度下降；红松、樟子松和云杉的IRV曲线值在6～14小幅度波动。因此，生长期的IRV图像对识别落叶松有优势。

图4 增强型植被指数时间序列曲线

由图4可知，伴随季节的变化，5种植被的IEV时序曲线变化相似，但10月份之后，落叶松IEV时序曲线大幅度降低并且指数值低于1，因此，落叶期的IEV图像对识别落叶松有明显的优势。

3.3 分类精度

为探讨植被指数时序特征是否有利于落叶松人工林的提取，分别选取单一时相影像和加入植被指数时序特征的多源数据集两组数据，并且均加入纹理信息，采用最大似然和随机森林两种算法进行2组对比试验。

由图5可以看出，单一时相影像分类地物过于破碎，落叶松与红松混分较多，红松错分到阔叶树情况严重，而加入植被指数时序特征后，地物破碎性得到了很大改善，错分和漏分情况较少，分类效果比较好。

图5 分类结果

由表2可知，加入植被指数时序特征的多源数据集的总体分类精度均高于单一时相影像的分类精度。最大似然算法的森林类型分类总体精度为89.53%，Kappa系数为0.87，比未加入植被指数时间序列的分类精度提高了13.35%；随机森林算法的森林类型分类总体精度为93.22%，Kappa系数为0.92，比未加入植被指数时间序列的分类精度提高了19.8%。充分说明，相比于单一时相的多源数据集，加入植被指数时序特征后能得到更高的落叶松提取精度。

表2 两组试验分类结果精度比较

4 结论

本文以提高落叶松人工林提取精度为目的，根据落叶松林的季相和物候特征，尝试在单一时相影像中加入植被指数时序特征，并采用最大似然和随机森林两种分类方法，对单一时相影像和加入植被指数时序特征的影像两种数据进行了2组对比试验，并且在两种数据中均加入纹理特征进行辅助分类。

通过分析植被指数时序特征和分类结果发现：(1)落叶松在落叶期的INDV、IEV和生长季的IRV与其他树种差异较大，这几种特征可作为落叶松的影像分类指数。(2)加入植被指数时序特征后，采用最大似然和随机森林分类，影像的分类精度均得到显著提高，说明植被指数时序特征可有效区分研究区内主要地物，实现落叶松高精度提取；最大似然算法分类精度提高了13.35%，随机森林算法分类精度提高了19.8%。本研究加入植被指数时序特征方法，可以对快速、高精度绘制监测区域落叶松人工林的空间分布提供，为高效监测落叶松人工林的动态变化具有重要作用。