林地小班边界及地形因子计算机自动提取研究及应用进展

陈永富，陈 巧，刘 华

(中国林业科学研究院资源信息研究所,北京 100091)

林地小班(sub-compartment,简称小班)是指内部特征基本一致,与相邻地段有明显区别,需要采取相同经营措施的连续地块,是森林资源规划设计调查、统计和经营管理的基本单位[1]。小班调查是林业重要的基础性工作,为编制森林经营方案,进行林业区划、规划、计划,指导林业生产提供基础数据支撑。小班边界和地形因子(海拔、坡度、坡向、坡位)是小班调查的重要内容。

快速、准确地提取小班边界及地形因子对小班的科学经营管理具有重要作用。在实际工作中,传统的小班边界及地形因子的提取常利用罗盘仪、GPS、海拔表等仪器进行现地测量,或利用航片、地形图和卫片到现地勾绘,或利用地形图进行室内手工估算,或利用遥感影像在计算机屏幕上进行目视解译[2-13]。这些方法普遍存在劳动强度大、受环境条件限制多、适用范围窄、专业知识要求高等问题,以及小班边界位移、小班面积大小和地形因子不准确等现象。随着计算机科学技术、遥感技术、地理信息系统技术和空间分析算法的发展及其应用,基于遥感影像、地形图的数字图形图像的地形分析、区域边界及其地形因子(海拔、坡度、坡向、坡位)的提取方法研究已有很多,并逐渐扩展到小班边界和地形因子的计算机自动提取之中[14-31]。本文对小班边界及海拔、坡度、坡向、坡位等地形因子计算机自动提取方法进行系统梳理,归纳其应用现状和存在问题,提出未来发展建议。

1 林地小班边界计算机自动提取方法

小班边界是小班之间的空间分界线,是依据权属、地类、林种、公益林事权与保护等级、工程类别、起源、优势树种(组)、龄级、郁闭度、立地类型等小班划分条件确定的,在小班边界内的地况和林况特征基本一致,将小班边界线绘制在图面资料上形成林相图[4-5]。依据数据源的不同,小班边界的计算机自动提取方法可分为基于遥感影像、遥感影像辅以DEM数据和DEM数据辅以遥感影像这3种方法。

1.1 基于遥感影像的小班边界计算机自动提取方法

遥感影像,特别是中高分辨率遥感影像为大范围小班边界的快速提取提供了重要的数据源,利用遥感图像处理软件和地理信息系统软件,通过遥感影像的计算机自动分类、边界矢量化、形成小班分布矢量图。李明诗等[32]以吉林汪清林业局金仓林场为研究区,在TM影像自动分类的基础上,通过自主设计算法完成分类图像的“孤岛”去除、边界提取和宽边缘的弱化功能,实现了计算机对区域面积、形状的自动分析判断,搜索到真正的小班边界；李春干等[33]以广西南宁市高峰林场为研究区,应用图像分割技术对SPOT5遥感影像进行自动分割,实现小班边界的自动处理,并将提取结果作为外业工作手图,成功用于森林资源规划调查工作中；杨芳等[34]以新疆尼勒克县为研究区,利用高分二号卫星影像,以实际小班边界作为分类样本,并结合NDVI指数,主成分分析,影像分割和SVM方法对影像进行分类并自动提取森林小班边界；张艮龙等[35]以吉林汪清林业局为研究对象,利用SPOR5遥感影像,采用面向对象多尺度分割分类及边界平滑方法提取小班边界。

1.2 基于遥感影像辅以地形信息的小班边界计算机自动提取方法

遥感影像提供丰富的地物光谱特征,地形信息提供丰富的空间位置及立地特征,二者结合将有助于提高小班边界提取精度。田鹏[36]以黑龙江省大兴安岭地区塔河林业局作为研究对象,利用Landset TM遥感影像辅以DEM、坡度、坡向数据和面向对象的多尺度分割技术自动提取小班边界,精度为85%。李卫正等[37]以广东省九曲水林场为研究对象,提出一种利用TM图像数据融合坡向信息的基于核的模糊C均值聚类算法(KFCM算法),并研究了使用该方法提取小班边界的处理流程和技术,提取小班边界的精度为76%；结合沉浸分水岭和Normalized cut算法的图像分割方法,提取小班边界的精度为81%；采用前期林班界线作为图像分割的控制线,结合沉浸分水岭算法和Normalized cut算法,提取小班边界的精度为84%。

1.3 基于DEM数据辅以遥感影像的小班边界计算机自动提取方法

地形因子不仅决定了小班的空间位置,也反映了小班的气候、水文等立地特征,为小班的划分和边界的提取提供了重要的信息支撑。李卫正等[37]以广东省九曲水林场为研究对象,从坡度或坡向为划分小班依据的思想用出发,进行了直接利用DEM提取小班界线的方法探讨。他们利用地形图提供的等高线生成不同空间分辨率的DEM,选择最佳分辨率DEM提取坡向图,在GIS支持下对坡向图进行图像处理形成矢量多边形,整理成小班边界线,与人工地面调查的小班界线的符合度为70%。对于DEM无法提取的部分区域则通过遥感影像分类后再分割的方法提取,整理矢量多边形边界形成小班边界。何柏华等[42]研究了从DEM中提取出山谷线、山脊线,结合SPOT5遥感影像信息,采用图像分割技术自动提取小班边界的方法。

2 基于DEM的小班地形因子计算机自动提取方法

地形因子体现了小班空间位置和立地特征[39],小班地形因子形成其温度、湿地、降雨、光照、太阳辐射、土壤、养分等生境特性,是反映小班地表形态、生产作业条件、立地质量以及土壤侵蚀的重要指标,影响着小班地表物质流动与能量流动的规模与强度,决定了林木生长与分布[22,40-44]。针对不同的地形因子,基于DEM的小班地形因子计算机自动提取的方法不完全相同,主要有中心点法、中值法、等级法、众数法、最大特征值法、概率法、平均值法、高低点法、矢量法、模型法、地形分析法、水文分析法等。

2.1 中心点法

利用GIS软件,结合DEM数据,生成小班内所有网格单元地形因子值,其中小班中心点对应的网格单元的地形因子值即为该小班地形因子值。曾春阳[45]以江西景德镇枫树山林场三宝、南山分场为研究对象,并利用地理信息系统软件ArcGIS,随机抽取46个小班,计算每个小班的中心点坡度,经实地调查验证,中心点坡度准确率50%。陈晨[40]以浙江省宁海县位例,按中心点法提取的小班坡度,其标准差为3.78。

2.2 中值法

在小班范围内,将所有网格单元的地形因子值按升序或降序排列,将中间的值作为该小班地形因子值。曾春阳[45]以江西景德镇枫树山林场三宝、南山分场为研究对象,并利用地理信息系统软件ArcGIS,随机抽取46个小班,计算每个小班的坡度中值作为小班坡度值,经实地调查验证,中值坡度准确率73.9%。

2.3 等级法

利用GIS软件,结合DEM数据,按照地形因子分级原则,形成地形因子分级图,包括按极高山、高山、中山、低山、丘陵、平原分级的地貌图,按平坡、缓坡、斜坡、陡坡、急坡、险坡分级的坡度图,按东、南、西、北、东南、东北、西南、西北、无分级的坡向图[20],按脊、上、中、下、谷、平地分级的坡位图[1]。地形因子分级图与小班分布图进行叠加,提取小班内分布最多的地形因子级别类型为小班地形因子值。于浩然等[46]利用ArcGIS软件和数字高程数据构建了TIN数字高程模型及林地海拔、坡度、坡向级图层,并与小班分布图叠加,提取小班的海拔、坡度、坡向级图对应的值；王秀云等[47]以江苏省江浦县为例,在林地资源调查中应用GIS和DEM数据实现小班坡度、坡向级提取；李林辉[48]以黑龙江省朗乡林业局小白林场林相图及森林资源二类调查数据为研究对象,在林业局级数字化森林资源信息管理中应用DEM实现小班坡度、坡向级提取。

2.4 众数法

在小班地形因子统计分布上具有明显集中趋势点的数值,或出现次数最多的数值作为小班地形因子值。熊安华[44]以湖北省当阳市淯溪镇为研究区,基于数字高程模型(DEM),并结合GIS分析工具的方法,计算小班内所有网格单元坡度的众数,进而确定小班的坡度值。

2.5 最大特征值法

基于统计分布理论的最大特征值确定小班地形因子值。谭伟等[49]以北京房山区蒲洼乡为例,在规格网格(点)数字高程模型的基础上,求出各网格或者网点的坡向,进行按数值区间统计各网格(点)的数量,或者进行定性化后再统计各独立值统计数,即按东南西北等8个方向或者阴、阳、半阴、半阳4个方向,取定性指标统计数最大的坡向为小班的平均坡向,其结果精度为90%；陈晨[40]以浙江省宁海县为例,应用三阶不带权差分算法进行坡向计算,再利用3倍方差剔除异常起伏点,最后利用最大特征值法计算小班坡向,小班坡向与人工调查结果的吻合度在90%以上。

2.6 概率法

在规格网点数字高程模型的基础上,求出小班各网点的地形因值,进行按数值区间统计各网点的数量,或者进行定性化后再统计各独立值统计数,即按东南西北等八个方向,取定性指标统计最大的坡向为小班坡向。曾春阳[45]以江西景德镇枫树山林场三宝、南山分场为研究对象,随机抽取46个小班,利用概率法提取各小班的坡向,经实地调查验证,准确率达到87%。

2.7 平均值法

小班范围内所有网格单元地形因子的平均值作为小班地形因子值,包括算术平均值、加权平均值两种。

2.7.1算术平均值法

提取小班内所有网格单元地形因子值的算术平均值为小班地形因子值。叶江霞等[50]以云南省曲靖市沾益县大坡乡为例,利用现有软件ArcGIS,对DEM进行重采样,计算各网格单元的高程和坡度,选取小班界线范围内所有网格单元的高程、坡度,求算该多边形内所有网格单元的高程、坡度值之和与单元数,求其平均值,即为该小班的海拔、坡度值,将所得数据写入小班属性库中,实现了小班海拔、坡度的快速计算；李希飞[51]以内蒙古大青山国家级自然保护区为对象,利用ArcGIS软件空间分析功能,将小班内的各个网格单元高程、坡度、坡向取算术平均,然后挂接到相应的小班属性表中,精度均在85%以上；陈占稳[52]将DEM、矢量小班界线结合ArcGIS,对小班界线进行水平方向和垂直方向三线切割,获得小班界线的高程数据,分析小班界线切割点在水平方向和垂直方向的高程变化,计算小班平均海拔、坡度和坡向；曾春阳[45]以江西景德镇枫树山林场三宝、南山分场为研究对象,并利用地理信息系统软件ArcGIS,随机抽取46个小班,计算每个小班内所有网格单元坡度、坡向的算数平均值,经实地调查验证,准确率80.4%,71.7%；熊安华[44]以湖北省当阳市淯溪镇为研究区,基于数字高程模型(DEM),并结合GIS分析工具的方法,计算小班内所有网格单元坡度的平均数；谭伟等[49]以北京房山区蒲洼乡为例,利用算数平均值法提取的小班坡向,其精度仅为23%；陈晨[40]以浙江省宁海县位例,按算术平均值法提取的小班坡度,其标准差为0.69。

2.7.2加权平均值法

根据小班内不同分区面积,不同方向上的距离与地形因子值进行加权平均确定小班地形因子值。王龙柱[39]以云南省昆明市安宁市1∶50 000 DEM数据为基础,利用自主编程实现八方向反距离加权平均计算小班海拔、坡度、坡向；何长斌[19]以云南思茅江城县曼老街乡为研究对象,将小班分为5个区,采用自主编程实现小班内各网格单元高程点分区加权平均的方法提取小班海拔平均值。

2.8 高低点法

在小班中找到地形因子的最高点和最低点,然后对这两点计算小班的地形因子值。曾春阳[45]以江西景德镇枫树山林场三宝、南山分场为研究对象,随机抽取46个小班,根据每个小班最高点和最低点求小班坡向,经实地调查验证,准确率为56.5%；谭伟等[52]以北京房山区蒲洼乡为例,利用最高点和最低点法提取的小班坡向,其结果精度为66%。

2.9 模型法

依据小班内的各点的高程建立坡面回归模型,计算小班地形因子值。陈晨[40]以浙江省宁海县为例,利用3倍方差剔除异常点,应用线性回归建立小班斜平面,根据坡度计算原理计算小班坡度,与人工调查结果的吻合度在90%以上,标准差为0.04。何长斌[19]以云南思茅江城县曼老街乡为研究对象,基于DEM模型,进行趋势面分析,建立小班趋势面方程,进而求出小班坡度；通过平面方程来逼近高次的曲面方程,将高次曲面不同点的切平面方程化为单一的平面方程,通过定性得到坡向结果。陈建义等[43]以福建省将乐县为研究区,基于ArcGIS软件,采用Horn算法作为坡度计算模型计算小班坡度。

2.10 矢量法

通过矢量运算提取小班地形因子值。熊安华[44]以湖北省当阳市淯溪镇为研究区,将每一个网格单元的坡向作为单位向量,通过矢量代数的统计运算,合成为小班定量的平均坡向,再对定量结果进行分类作为小班坡向定性的描述；王龙柱[39]以云南昆明安宁市为研究区,基于地形分析特点和矢量统计原理计算小班坡向；陈孝银等[53]以浙江省安吉县为例,在分析已有小班坡向提取法存在的误差后,提出了小班坡向的主方向加权矢量法和模糊模式识别法,即通过构建单点坡向的隶属函数,求算小班坡向模糊矩阵与模板矩阵的贴近度,判断坡向所属的坡向类别。

2.11 地形分析法

基于地形分析的地形因子信息生成方法又称为连续的模糊分类算法(模糊法),通过算法窗口计算局部地形几何属性,利用剖面曲率、水平曲率等几何形状因子进行聚类分析,得到地形因子值,此类研究中的代表有模糊聚类方法、基于模糊规则的模糊推理方法、基于相似度的模糊分类算法[27,54-57]。王龙柱[3]以云南省安宁市1∶50 000 DEM数据,利用模糊聚类方法,将平地和山地分开。陈晨[40]以浙江省宁海县为例,利用3倍方差剔除异常点,引入模糊理论数学模型,根据地形位置确定隶属函数,构建模糊矩阵,根据隶属函数和模糊矩阵确定小班模板矩阵,再根据贴近度函数计算每个小班坡位与各个坡位模式的贴近度,最后根据择近原则确定小班所属坡位类别,提取的小班坡位与人工调查结果比较,吻合度在90%以上。

2.12 水文分析法

基于水文分析的地形因子信息提取方法采用比地形分析法窗口更大,一般是基于流域范围或子流域范围的坡面来计算位置指数,通过位置指数大小得到坡位信息[58]。韦建波[59]以广西西部的右江区为研究对象,利用DEM数据提取平地、山谷线和山脊线,经过水平直线距离分析,计算并比较每一空间位置与山谷和山脊的距离,根据坡位指数,实现了利用GIS技术快速自动林地坡位划分。王龙柱[39]以云南省昆明市安宁市1∶50 000 DEM数据,根据划分的山体,利用水流模型,计算了坡位指数,然后使用分类方法实现了小班坡位的计算,并编程实现了计算机自动提取,根据小班矢量图层的ID和小班研究区的ID字段的对应关系将得到的小班整体坡位值写入小班矢量图层属性库。

3 问题与建议

1) 采用多源数据融合的小班边界计算机自动提取方法是未来发展趋势。基于单时相光学遥感影像的小班边界计算机自动提取方法,既没有考虑地形因素的影响,也没有完全解决遥感影像同谱异物、异物同谱对小班边界提取的影响问题；基于单时相光学遥感影像结合DEM的小班边界计算机自动提取方法比前者提取的小班边界结果更符合实际情况,但仍然没有解决遥感影像同谱异物和异物同谱给小班边界提取带来影响的问题；以DEM为主的小班边界提取方法难以满足小班区划的要求。小班边界的提取是以小班区划为前提,小班区划受林分因子、立地因子以及经营措施的综合影响,为了提高小班边界提取的精度,今后应加强基于植物形态特征(针叶、阔叶)、物候特征(常绿、落叶、花期、果期)及演替阶段特征(发生、发展、稳定等阶段颜色或含水量变化)的不同时相、不同季相、不同传感器(可见光、多光谱、高光谱、激光雷达等)的遥感影像、高精度DEM等多源数据融合的小班边界计算机自动提取及其精度定量评价方法研究。

2) 探讨非线性回归或混合效应模型的小班地形因子自动提取方法研究。小班地形因子中心点法,虽然操作简单、工作效率高,但小班的形态各异,中心点定位可能存在一定误差,每个网格单元的地形因子不总是一致,其精度受到小班中心点位置和DEM模型的精度以及小班地形特征的影响较大,往往因为中心点的特殊地形特征而导致结果偏差较大,中心点的地形因子对整个小班的代表性差、精度低,一般都不采用此方法；中值法的缺点是容易造成小班图像的不连续性；最高与最低点法没有考虑到小班的形状,不能反映小班的整体地形因子情况,如果小班内存在2个最高点,相距很近,一个最低点,显然计算出2个不同的坡向值,并且这种方法忽略了小班内差异点的存在；平均值法顾及了小班内所有网格单元的地形因子,没有考虑小班形状的多样化,因而反映不了小班的整体地形特点。另外,在小班内不容否认地存在一些对整个小班地形没有贡献的差异单元,求小班地形因子平均时难免引入误差；最大特征值法、等级法、众数法、概率法等的本质是通过统计小班内所有网格单元的地形因子在既定类别中最大频率分布的所在地形结果,是对小班内所有地形因子值的直观统计,虽然在一定程度上可以反映小班的地形,但其舍弃了复杂地形下小班的情况,当小班处于复杂地形时,异常高低起伏点会影响小班地形因子值的计算,造成最终结果出现偏差；模型法能够准确地提取小班的地形因子,并且能够适应地形复杂度较高的区域,实现代替人工实测提取小班地形因子。目前，主要采用单一的线性回归模型对所有小班进行地形因子提取,而实际情况中,小班的地形特征无论在边界还是在内部都存在多种差异。未来应从小班地形因子及形态因子方面入手,探索非线性回归或混合效应模型的小班地形因子计算机自动提取研究,针对不同地形特征小班制定不同的求算模型,达到提高精度的目的。

3) 加强小班坡向模糊模式识别的自适应研究。传统坡向矢量法存在数据误差和权重误差；基于模糊地形分类系统方法需要设定 100 个以上的参数,调试过程过于复杂,其实用性也大大降低。基于模糊模式识别的小班坡向算法具有更加客观的坡向分类依据,且具备更高的小班坡向求算精度,更符合实际地形表达。模糊模式识别方法有大量优化与拓展空间,因此,为了增强基于模糊模式识别的小班坡向算法的实用性,今后应深入开展针对不同小班特点的不同模糊模式识别方法提取小班坡向的自适应研究。

4) 深入开展基于水文分析的小班坡位计算机自动提取方法研究。基于地形分析方法来划分坡位的参数太多、方法复杂、计算量大,并存在坡位误判、坡位破碎无序的缺点,而且当坡度越平缓出现误判的情形越多。因此,有人提出基于水文分析方法的坡位信息提取的研究,此方法比前者具有明显的优势,此方法具有快速、准确、成本低等优点,但目前在小班坡位信息提取方面的研究和应用还比较少。