中分卫星遥感技术在森林资源动态监测中的应用

兰玉芳,石小华,马胜利,王照利,靳 新

(1.国家林业和草原局西北调查规划设计院,西安 710048；2.西安绿环林业技术服务公司,西安 710048)

森林资源是国家重要的自然资源和战略资源,是现代林业建设和发展的根本,是人类生存的重要生态屏障,对保障陆地生态系统功能、维护地球生态平衡、缓解全球气候变暖发挥着不可替代的作用。因此,森林生态安全是国家安全体系的重要组成部分[1]。目前,我国的森林资源监管仍面临违法违规占用林地、毁林开垦、非法采伐林木、森林火灾、地质灾害、病虫害等诸多威胁,这些外界有害干扰不断破坏森林生态系统正常结构,引起生态功能退化和生态平衡失调,对森林生态健康和安全造成严重威胁[2]。近年来,森林生态安全问题已引起国家高度重视[3],国家林业和草原局为建立常态化监督机制,切实加大对破坏森林资源行为的发现、查处和整改力度,于2018年启动了全国全覆盖的森林督查工作[4]。

目前,遥感变化检测技术在许多领域都发挥了非常重要的作用,但国内变化检测技术研究多集中于基于机器深度学习的高分影像变化检测[5-6],采用中分卫星遥感技术进行森林资源动态变化监测研究还较少。青海省为加强森林资源保护管理,利用航空影像和高分卫星数据开展森林督查暨森林资源管理“一张图”年度更新工作,建立森林资源“一张图”和森林督查数据库,并进行实地变化调查和案件督办,该项工作已成为全省林业资源变化监管业务中的常态化工作。但高分数据空间覆盖能力弱,时间分辨率低,生产周期长[7-9],青海省基于高分卫星数据的森林资源变化监测1年只能全覆盖1次,使得“一张图”更新完成时间跨度过大,不能及时、准确地掌握森林资源变化信息,制约了森林资源监管的时效性和有效性。为实现高频次探测青海省森林资源动态变化情况,提高森林资源变化监管技术能力,本文采用中分卫星遥感技术,利用LSMA 光谱混合分析模型和Li-Strahler几何光学模型构建变化检测算法,以期实现基于中分卫星遥感技术的森林资源智能变化监测和过程监管。

1 研究区概况

青海省位于我国西部,青藏高原东北部，地理位置为31°65′～39°32′N,89°58′～103°07′E,是长江、黄河、澜沧江的发源地,全省东西长1 200多公里,南北宽800多公里,土地总面积排在新疆、西藏、内蒙古之后。青海省森林资源是青藏高原高寒森林生态系统中的重要组成部分,也是“中华水塔”重要的生态安全屏障,发挥着水源涵养、水土保持、防风固沙、调节气候、防灾减灾、保护野生动物及保护生物多样性等多种生态功能[10]。根据青海省2020年森林资源“一张图”年度更新数据结果(1)青海省林业和草原局,国家林业和草原局西北调查规划设计院.青海省2020年森林资源管理“一张图”年度更新成果报告.2020.,青海省土地总面积7 174.81万hm2,其中:林地面积1 092.96万hm2,占15.23%；森林面积585.38万hm2,占林地面积的53.56%，森林覆盖率8.38%。森林植被主要分布在长江、黄河、澜沧江、黑河流域高山峡谷地带,海拔3 200～4 000m。植被在地域上跨青藏高原、温带荒漠和温带草原三大植被区,具有高寒及旱生的特点[11-12]。

本文在青海省域范围内选择8个县作为典型试点区域,包括位于三江源地区的玉树市、玛沁县、格尔木市和共和县,人类活动较为频繁的海东市的乐都区、湟中区和化隆回族自治县,及海西蒙古族藏族自治州的都兰县。

2 研究方法

2.1 数据源

采用2019年7月至2020年10月中分遥感数据(10/30m),包括Sentinel-2A和Landsat-8。Sentinel-2A(哨兵-2A号,10-day,10-m,13-band)来源于欧盟委员会和欧洲宇航局(ESA),是唯一一个在红边范围含有3个波段的数据,对植被监测非常有效,ESA向全球用户提供数据免费获取服务(https://scihub.copernicus.eu/)；Landsat-8(美国陆地卫星8号,15-day,30-m,11-band)来源于美国地质勘探局官网(USGS),也向全球用户提供数据免费获取服务(https://earthexplorer.usgs.gov/)。本文以Sentinel-2A作为主要数据源,Landsat-8为补充数据源,主要对一些局部云量覆盖大的区域进行补充。首先按行政区对中分遥感数据进行融合、镶嵌、配准,再进行质量控制,产出各期高质量匀色处理产品数据。

所用的地面调查数据为2018—2020年3期森林督查成果,以及森林资源管理“一张图”年度更新数据(2)国家林业和草原局西北调查规划设计院.青海省2018—2020年森林督查暨森林资源管理“一张图”年度更新成果.2020.。每年通过高分遥感技术监测林地及森林变化地块,最终形成“一张图”和森林督查数据库。其中,历史森林督查数据库主要为变化检测模型提供各类特征变化训练区数据集,结合研究区地形地貌及植被覆盖特征不断优化调整检测算法；“一张图”数据主要用来提取林地范围内疑似变化图斑及变化检测结果分析。

2.2 技术路线

由于青海地理位置特殊,地处青藏高原,属于高原大陆性气候。6—8月为EVI指数最大时期[13],而部分落叶灌木的生长季主要集中在4—10月[14]。故本次监测分2个时间段:第一期为2019年7月至2020年7月；第二期为2020年7—10月。监测的林地地类主要包括有林地、灌木林地、疏林地、苗圃地、未成林地等。通过输入试点县处理后的高质量前后期中分辨率卫星影像,应用优化调整后的变化检测模型,自动提取青海省8个试点县森林资源变化图斑,然后结合内业人工识别对自动检测的变化图斑进行筛查,最后开展外业实地验证。技术路线如图1所示。

图1 技术路线图

2.3 变化检测模型

协同采用LSMA 光谱混合分析模型及Li-Strahler几何光学模型进行变化图斑自动提取。中分辨率遥感影像由于分辨率原因存在混合像元的现象,即1个像元往往包含多种地物[15]。LSMA光谱混合分析就是假设在遥感影像中每个像元都由几种地物根据不同比例混合而成,通过提取每种地物的纯净光谱(即端元光谱),利用已有混合像元光谱,推算出每种地物在混合像元中所占面积比例[16]。LSMA线性光谱混合模型及其约束条件如下[17]:

(1)

式中:Rb为像元在波段b的反射率；N为端元数目；fi为端元i的权重,即各个光谱端元所占比率；Rib为端元i在波段b的反射率；eb为残差。通过

计算每个波段的残差eb的均方根检验模型误差,误差计算公式如下:

(2)

式中:RMS为残差eb的均方根；M为影像波段数。实际应用中,RMS越小,模型误差越小。

在光谱分析确定端元时,引入Li-Strahler几何光学模型,该模型已被广泛用来反演森林郁闭度及叶面积指数[18-19]。考虑地物宏观几何结构的“场景模型”,通过引入光照冠层、阴影冠层、光照背景及阴影背景等4个分量,计算各像元冠层分量,然后根据前后2期冠层分量占比变化情况识别森林资源变化图斑。检测的图斑类型主要包括2类:1)前期影像有植被覆盖,本期出现地表裸露特征,主要表现为林木采伐；2)前期影像有植被覆盖,本期出现建设项目用地特征,主要表现为征占用林地。提取时,根据检测的图斑类型特点,结合研究区地形地貌和植被覆盖特征,设置不同的阈值进行检测。在计算机自动检测的基础上,开展内业人工识别,标记出自动检测错判图斑,找出可能漏判的图斑,进一步提高变化检测的正判率和准确率。

2.4 精度评价

采取外业实地勘查和内业资料(造林设计、使用林地审核审批管理资料等)核实验证变化检测结果精度。通过数值精度指标总体准确率(Accuracy)进行精度评价。总体准确率表示为经核实确认变化的图斑数除以变化检测的所有图斑总数,以百分比形式表示,计算公式如下(按图斑个数计算):

(3)

式中:NW为经外业和内业资料核实确认发生变化的图斑数；Ntotal为变化检测图斑总数,即经核实,确认变化的图斑数与未变化图斑数之和。

3 结果与分析

3.1 变化图斑统计

表1可以看出,在2019年7月至2020年10月共15个月的时间跨度中,共监测疑似林地变化图斑693个,总面积1 286.382 7hm2,其中:公益林地面积1 253.991 3hm2,占97.48%；商品林地面积32.391 6 hm2,占2.52%。第一期监测到林地变化图斑379个,总面积235.015 7hm2,其中,公益林地面积220.844 2 hm2,商品林地面积14.171 5 hm2；第二期监测到林地变化图斑314个,总面积1 051.367 0 hm2,其中,公益林地面积1 033.147 1 hm2,商品林地面积18.220 1 hm2。由此可见,疑似变化图斑主要发生在公益林地范围内。

表1 监测变化图斑统计

根据各个县市林地变化图斑空间分布及面积统计情况,变化较明显的区域主要集中在东部人为活动较多的共和县和乐都区,其中共和县主要是风力发电项目修建风电塔基、道路等引起的影像变化；乐都区主要为城区建设修建道路以及矿山资源开采等项目占用林地。

3.2 精度验证

由表2可知,2期共监测疑似林地变化图斑693个,实际确认发生变化图斑共计605个,2期监测总体准确率达到87.30 %。其中:第一期379个疑似变化图斑中,实际发生变化图斑332个,准确率为87.60%；第二期314个疑似变化图斑中,实际发生变化图斑273个,准确率为86.94%。整体监测精度能够满足青海省森林资源动态监管需求。图2为变化图斑前期影像、本期中分影像、本期高分影像及现地核实照片对比示意图。

表2 精度验证结果

图2 变化图斑核实情况对比示意图

4 讨论与结论

1) 该研究最大的特点是使用中分卫星遥感技术高频次监测优势,突破原来森林督查1年1次监测的局限性,能够做到按季度或按月对监测区域森林资源疑似变化图斑进行自动识别,使得林草主管部门能更加及时、准确地掌握森林资源变化信息,做到对违法违规改变林地用途及采伐林木情况早发现、早制止、早处置,极大提高了森林资源监管的时效性和有效性。实验结果表明，中分卫星遥感监测技术在监测大面积变化图斑具有很大优势,但相比高分影像,对人为经营活动频繁的细碎变化地块进行监测时还存在一定缺陷,总体准确率明显偏低,尤其在乐都区体现明显。

2) 通过定期对监测区域开展中分遥感自动检测,并将监测图斑推送给基层林业工作者,为其提供巡查线索,可极大地提高基层人员护林巡护的针对性和目的性,同时巡护人员可根据现地变化情况对森林资源档案数据进行更新,以变化图斑检测倒逼森林资源档案管理更新的时效性和准确性。实地验证发现,中分遥感技术可以将部分藏在大山深处面积超过0.1 hm2(1.5亩)的变化图斑识别出来,能够为基层林业工作者提供强有力的技术支撑,提升基层护林员的巡护能力以及全省森林资源监测、保护和管理水平。

3) 在精度控制方面有以下经验值得借鉴:a.在计算机自动识别变化图斑的基础上,加入人工复核,标记出自动识别错判图斑,找出可能漏判的图斑,能进一步提高变化监测的正判率和准确率；b.虽然正确识别图斑最小面积达到0.1 hm2(1.5亩),但主要集中在郁闭度较大的林区,因此还需要进一步加大对郁闭度较小区域的碎小图斑检测,尤其是人为活动频繁的区域；c.在监测过程中,由于局地小气候引起水汽或薄云影响,导致影像部分像元存在光谱失真现象,从而产生误判和漏判,在实际应用中可采用多季度或多月连续的监测方法,使漏判图斑在后期影像上被识别,进而取得更好的监测效果；d.逐步开展多种分辨率影像相结合的监测工作,能够不断提高森林资源监测管理的精细化水平。

4) 该研究成果可直接定期推送到林长平台,按照各级林长责任区域、目标任务、人员分工等,进行疑似变化图斑巡护任务下达落地,实现调查监测、资源监管、数据更新、业务考核等一体化。

5) 该研究能够做到按季度或按月对森林资源进行实时动态监测,同时结合实地调查验证,可及时对森林资源档案数据进行更新,客观反映全省森林资源按季度或按月数据的变化情况,进而为森林资源年度出数提供更为准确详实的基础数据。

6) 本文基于Sentinel-2A和Landsat-8中分辨率遥感数据,利用LSMA 光谱混合分析模型及Li-Strahler几何光学模型,借助模式识别、大数据挖掘和机器学习等技术,构建了青海省森林资源变化图斑检测算法,并对8个试点县2019年7月至2020年10月的森林资源进行动态监测。结果显示,整体精度能够满足青海省森林资源高频次动态监管要求,可实现全省森林资源管理快速发现、精准核实和依法查处,提高森林资源过程监管效能；同时,本研究成果还可为青海省林长制和森林资源年度出数提供基础依据。但是由于中分卫星的空间分辨率通常为10～30m,空间解析能力明显弱于高分卫星,导致高分卫星人工目视解译技术难以在中分卫星数据发挥作用。且由于林地变化涉及因素多,变化情况复杂,各个区域地形地貌特征、气候特征、植被特征等差异较大,如何大幅度提高中分卫星探测的敏感性,使有效识别的变化图斑满足生产实践应用,进而提高变化检测的总体精度有待今后继续研究。