基于植被指数的林地变化检测技术研究

包广道，刘存发，程 岩，王丽丽，衣晓雨，李秀娥，刘 婷，张忠辉

(1.吉林省林业科学研究院，吉林 长春 130033；2.吉林省野生动物救护繁育中心，吉林 长春 130122；3.吉林松花江三湖国家级自然保护区管理局，吉林 吉林 132000；4.吉林市林业科学研究院，吉林 吉林 132000；5.吉林省林业技术推广站，吉林 长春 130022；6.辉南县森林病虫防治检疫站，吉林 通化 135100)

林地不仅是国家的重要资源和战略资源，而且在增强森林生态防护效益、实现国民经济的可持续发展中起着不可估量的作用，具有生态、经济和社会的三大效益功能[1,2]。林地的变化对区域的生态安全，以至全球的环境变化都起着至关重要的作用[3,4]。因此，周期性掌握林地的变化情况对生态安全建设、森林资源管理具有重要的现实意义[5]。传统的林地变化检测主要以现地调查、遥感数据目视解译结合档案资料进行，虽然结果准确，但存在工作量大、效率低、成本高等缺点[6]。遥感技术的出现及快速发展，提供了一种具有覆盖范围广、重复周期短等特征的技术手段，可为林地变化提供一个较为全面和直观的检测方法，已成为森林资源检测中的最基本技术。基于遥感影像变化检测方法主要有目视解译法、基于像元分类法[7,8]、多源遥感数据法[9,10]、多时相复合分类法[11]、辅助信息综合分类法[12]以及面向对象分类法等[13,14]。但由于不同数据源及光谱特征差异等原因，导致检测结果存在伪变化，在实际工作中仍需要大量人工处理。此外，由于传统变化检测手段需要大量前期处理，如样本选取、分类训练等，导致整个过程不确定性增加，对变化结果有着很大的影响。运用遥感等技术手段开展我国林地动态变化检测，建立切实可行的动态变化检测体系是林业管理部门的一项迫切任务。通过影像准确获得林地信息并检测出林地变化已成为林政资源管理人员急需研究和探索的热点。本文以长岭县为研究对象，以Landsat8-OLI遥感影像为主要数据源，基于植被指数实现林地信息快速提取，从而进行林地变化的检测。

1 研究区概况

本研究以吉林省松原市长岭县为研究区，地理位置123°6′～124°45′E， 43°59′～44°42′N，如图1所示。该地区位于吉林省西部，地处松辽平原腹地、科尔沁草原东部。地形东南高西北低，地势平坦，海拔145～270 m，年平均气温4.9 ℃，年平均降水量470 mm，为农牧交错区，属于北方半湿润农业区和半干旱牧业区的过渡地带，是全国商品粮基地县、油料生产重点县和吉林省玉米出口基地县。同时，也是“三北”防护林体系的重要组成部分，是吉林省西部的主要风沙灾害区之一。林业的发展直接关系到农牧业生产和人民生活。

图1 研究区位置

2 研究方法

2.1遥感数据及预处理

选取2015年和2017年15 m分辨率的Landsat8-OLI遥感影像作为主要数据源，行列号为119029，日期分别为2015-05-22和2017-05-27(图2)，影像季相相同，无云覆盖，植被生长状态相近，影像质量较好且研究结果具有可比性。在ENVI5.3下，对两期遥感影像分别进行辐射定标、大气校正、几何纠正等预处理工作，将原始影像的灰度值(DN)转换为传感器反射率，从而降低不同影像间地形、光照和大气带来的差异。

图2 研究区遥感影像

2.2 植被指数计算

根据植被对于可见光红波段表现出强吸收，近红外波段表现为高透射的光谱特性，将可见光红波段和近红外波段进行组合，形成各种植被指数，可达到简单、有效地定量和定性对地表植被状况进行评价的目的。目前，已定义40多种植被指数并广泛应用在遥感对地监测之中[15]。归一化植被指数(Normalized difference vegetation index，NDVI)是目前应用最为广泛的植被指数，是反映植被覆盖度的最佳指示因子，对土壤背景的变化比较敏感，能在很大程度上消除地形和群落结构阴影的影响，并能削弱大气的干扰，大大扩展了对植被覆盖度检测的灵敏度，是反映生态环境的重要指标[16]。其计算公式为：

式中：NDVI为归一化植被指数；RNIR为近红外波段反射率；RRED为可见光红波段反射率。

2.3 林地信息提取

基于研究区Landsat 8-OLI的遥感影像计算NDVI。为避免影像中存在一定的噪声或离群值的干扰，根据NDVI的取值范围，以[-1,1]为区间进行置信处理，得到研究区NDVI初步识别结果(如图3、图4、图5所示)。

图3 NDVI初步识别结果

图4 NDVI初步识别结果细节

图5 NDVI初步识别结果细节区域遥感影像

根据研究区实际情况与遥感影像的光谱特征，结合研究目的，将地物类型划分为林地、建设用地、耕地、水域、草地以及盐碱地六类。使用Arcgis软件，在研究区内每种地物类型随机选取样点，其中，林地213个，建设用地208个，耕地234个，水域168个，草地156个，盐碱地173个，总计1 152个样点。将选取的样点与NDVI叠加，计算各个地物类型样点NDVI的最大值、最小值、平均值以及标准差等特征值(见表1)。

表1 地物光谱特征值统计

参照表1林地地物光谱特征，植被指数阈值计算公式如下：

通过公式求得2015年和2017年植被指数阈值分别为0.318和0.301。经过验证与对比，最终确定2015年和2017年的林地NDVI提取阈值分别为0.32和0.31。根据阈值对研究区的NDVI结果做二值化处理，设林地区域为1，其他为0，得到研究区林地的初步识别结果。为避免研究区其他地类对林地提取的干扰，利用相应年份的研究区土地利用类型矢量数据，去除研究区内建设用地、耕地、水域、草地以及盐碱地区域，最终得到研究区的林地提取结果，如图6、图7、图8所示。

图6 林地提取结果

图7 林地提取细节

图8 林地提取细节区域遥感影像

2.4 林地变化

在ENVI软件下，将两期林地提取结果按照如下公式进行波段运算，得到2015年与2017年林地的变化情况，并将林地类型划分为林地不变、林地增加与林地减少三种，最终得到研究区林地变化检测图(图9)。

ΔS=Si-Sj

式中：ΔS为林地变化总面积；Si为检测年林地总面积；Sj为本底年林地总面积。

图9 林地变化检测

从图9中可以看出，研究区林地变化类型主要以林地不变为主，占研究区的绝大部分。有少量林地增加和细微的林地减少类型存在。其中，变化的林地类型主要以零星的小斑块分布在研究区的西部及北部地区，且形状多以细长型为主。变化的林地主要为农田防护林及防风固沙林。

图10 林地变化检测细节

从图10中可以看出，林地变化类型提取结果精度较高，与林地实际变化情况基本吻合。

2.5 精度验证

为验证林地变化检测结果的准确率，本研究采用随机抽样法进行精度检验。结合已有的辅助资料、野外调查成果和Google Earth高分辨率遥感影像，利用混淆矩阵进行精度评价，结果如表2所示。

表2 精度统计

经过检验，通过NDVI能较好地快速提取防护林信息，林地不变、林地增加及林地减少的总精度分别为90.2 %、70.4 %和84.3 %。其中，林地不变的分类精度最高，林地减少次之，林地增加分类精度较低。

3 结果与分析

本次研究选取由可见光红波段与近红外波段组合的归一化植被指数NDVI，通过对各地物类型随机选取采样点提取NDVI数值并结合计算公式，从而确定提取林地的NDVI阈值。利用阈值生成二值化的林地初步识别信息，辅助研究区地物类型数据去除建设用地、耕地、水域、草地以及盐碱地的干扰信息，获得林地信息的快速提取结果。在ENVI支持下，利用波段运算最终求得研究区的林地变化检测数据。

本次研究以春季为研究时段，此时，耕地处于裸土时，林地与其他地物的光谱特征差异相对比较明显，易于进行林地信息的提取。通过对各地物类型采样点的植被指数特征值计算并结合植被指数阈值计算公式，最终确定2015年和2017年NDVI的提取阈值分别为0.32和0.31。

三种林地变化类型中，林地减少与林地不变的精度相对较高，分别为84.3 %和90.2 %，均在80 %以上。林地增加的精度较低，为70.4 %。

本次研究的林地变化检测方法可实现大面积、快速、准确地掌握林地变化情况。与传统的实地调查与目视解译方法相比，工作效率得到明显提升，同时，也大幅降低了工作成本，为实现短周期快速掌握林地资源变化情况提供了技术支撑。

4结论与讨论

本研究以两期五月份15 m分辨率的Landsat 8-OLI遥感影像为主要数据源，以长岭县为研究区，提出的基于植被指数NDVI的林地快速提取方法，与其他研究区、不同数据源及时间段下的植被指数阈值可能会略有不同。但本文提供了定量分析的方法和思路，可为相关研究及工作需求提供科学的参考与借鉴。

基于植被指数提取的林地信息精度在85 %以上，可满足大区域尺度下林地变化检测的需要，且具有快速可操作的特点。林地变化检测结果，三种变化类型中林地不变和林地减少精度较高，均达到80 %以上，林地增加精度相对较低，为70.4 %。此次研究的主要目的在于提取与实际相符的林地信息，实现短周期、高效率的林地检测目标，从而有效提高林地监管能力，加强林地保护利用管理，为深化国家和地方政府宏观决策管理提供基础和支撑。

在以后的研究中，可以在以下两个方面加强：一是本次研究选取的Landsat影像分辨率偏低，后期使用其他高分辨率遥感影像数据源(如GF-1、GF-2、GF-6、JL101C等)来探测林地变化信息，分析变化检测精度；二是针对林地变化类型间准确率存在差异的原因开展进一步的分析研究，提高林地变化检测的精度。