文章信息
- 雷光斌, 李爱农, 边金虎, 张正健, 张伟, 吴炳方
- LEI Guangbin, LI Ainong, BIAN Jinhu, ZHANG Zhengjian, ZHANG Wei, WU Bingfang
- 基于阈值法的山区森林常绿、落叶特征遥感自动识别方法——以贡嘎山地区为例
- An practical method for automatically identifying the evergreen and deciduous characteristic of forests at mountainous areas: a case study in Mt.Gongga Region
- 生态学报, 2014, 34(24): 7210-7221
- Acta Ecologica Sinica, 2014, 34(24): 7210-7221
- http://dx.doi.org/10.5846/stxb201310112440
-
文章历史
- 收稿日期:2013-10-11
- 修订日期:2014-10-20
2. 中国科学院大学, 北京 100049;
3. 中国农业科学院农业资源与农业区划研究所, 北京 100081;
4. 中国科学院遥感与数字地球研究所, 北京 100101
2. University of Chinese Academy of Sciences, Beijing 100049, China;
3. Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China;
4. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China
土地覆被产品是全球气候变化[1, 2]、陆地生态系统物质与能量循环[3]、生物多样性与生态环境评估[4, 5]、土地利用和土地管理决策[6]等研究重要的本底数据之一。当前,包括中国[7]、欧盟[8, 9]、 欧空局[10]、日本[11]、法国[12]、苏格兰[13]、IGBP (International Geosphere-Biosphere Programme) 组织[14]、美国马里兰大学[15]等多个国家、组织生产了不同尺度、不同区域的多个土地覆被遥感产品,不同土地覆被产品均有其独特的特征和服务对象,以满足不同领域的应用需求。对于以生态学为主体的应用领域,其使用的土地覆被产品需要能够体现森林生态系统类型在树形(乔木/灌木)、叶型(阔叶/针叶)、生长期(常绿/落叶)等方面的差异。因此,森林的常绿、落叶特征是应用于生态学领域的土地覆被产品的重要属性信息,但如何高效地利用遥感技术准确地提取区域乃至全球尺度的森林常绿、落叶特征一直是该领域的难点课题。
伴随着遥感、计算机、人工智能技术的发展,土地覆被遥感制图方法已由传统的人工目视解译向半自动、自动化方向转变,制图采用的遥感数据源也由单源单时相数据转向多源多时相数据[16, 17],土地覆被产品中森林的常绿、落叶特征提取逐渐受到重视。基于遥感影像识别森林的常绿、落叶特征主要是利用常绿和落叶树种在生长季和非生长季光谱特征变化的差异[18],其识别方法包括训练样本法和阈值法两种。训练样本法首先选取常绿和落叶森林类型样本,然后采用人工智能算法对样本进行训练,最终采用训练形成的知识判别森林常绿、落叶特征,该方法的识别精度受制于样本的质量[14, 15]。阈值法首先选择对森林生长过程敏感的波段或指数,再确定相关波段或指数最佳阈值,最后基于阈值识别森林的常绿、落叶特征,如何客观合理地确定森林常绿、落叶特征提取的阈值是阈值法的关键[19]。山区受地形、海拔等的影响,水、热、光照条件差异明显,造成各森林类型的常绿、落叶特征难以准确提取,地表遥感辐射信号因地形起伏造成的地形效应以及云的遮蔽效应[20],进一步加大了山区森林常绿、落叶特征提取的难度。
为了增强基于阈值法识别山区森林常绿、落叶特征的客观性,并进一步提高山区森林常绿、落叶特征识别的准确度,本文提出了一种山区森林常绿、落叶特征遥感自动识别的简单实用方法。该方法利用多源多时相遥感影像,选择NDVI作为指标,通过统计参考样本在生长期和非生长期两景遥感影像上NDVI差值的差异,自动确定区分常绿、落叶特征的阈值,并采用判别规则有效提取山区森林的常绿、落叶特征。本文以贡嘎山地区为例,采用TM、HJ等多源、多时相遥感影像,验证了该方法在识别典型山区森林常绿、落叶特征的实用性和优势,分别讨论了时相、云、阴影、季节性积雪对山区森林常绿、落叶特征自动识别的影响,并简要说明了该方法在非山地区域推广时需注意的问题。
1 研究区与数据 1.1 研究区研究区位于四川省甘孜藏族自治州境内,如图 1所示。该区域地处横断山构造带内,地形起伏大,特别是研究区东南部的贡嘎山东坡区域,在水平距离不到30 km的范围内,地形起伏达6400 m。区域从南到北热量的递减、从东到西水分的递减,再加之地形的作用,使得区域内形成了多样的植被类型和植被空间分布格局[21]。近年来,在人类活动的干扰下,该区域植被类型空间异质性越趋复杂。研究区复杂多样的植被类型和空间分布格局使得该区域是山区森林类型常绿、落叶特征自动识别的理想实验区,也是山区森林常绿、落叶特征自动识别的难点地区。
1.2 数据与处理本文采用三组数据源对比验证典型山地森林常绿、落叶特征自动识别方法的实用性和优势。三组数据源分别是多时相的TM影像、HJ影像、TM与HJ组合影像。TM影像与HJ影像具有相同的空间分辨率,在可见光、近红外波段具有相似的波谱范围 (表 1)[22],保证了两种异源影像能够组合使用。HJ传感器具有比TM传感器更短的回访周期,能获取更多TM传感器无法获取的无云影像,更适合作为提取山区森林常绿、落叶特征的数据源。
传感器 Sensor | 波段 Band | 光谱范围 Range of spectrum /μm | 回访周期 Return cycle/d | 分辨率 Resolution /m | 传感器 Sensor | 波段 Band | 光谱范围 Range of spectrum /μm | 回访周期 Return cycle/d | 分辨率 Resolution /m |
TM | 1 | 0.45—0.52 | 16 | 30 | HJ-1A/B | 1 | 0.43—0.52 | 单台相机4d, | 30 |
2 | 0.52—0.60 | 2 | 0.52—0.60 | 两机结合2d | |||||
3 | 0.63—0.69 | 3 | 0.63—0.69 | ||||||
4 | 0.76—0.90 | 4 | 0.76—0.90 | ||||||
5 | 1.55—1.75 | ||||||||
6 | 10.4—12.5 | ||||||||
7 | 2.08—2.35 |
每一组实验均选择了两期遥感影像,一期位于生长期,一期位于非生长期。两期影像时间间隔尽量限定在1a内,避免由于土地覆被类型动态变化造成的误判。研究区位于长江中上游天然林保护工程区域内,近十多年以来,大范围的天然林砍伐已经停止,森林覆被类型动态变化少,同时,该区域获取的大量遥感影像受云、季节性积雪的干扰而无法使用,因此,实验中适当延长了两景遥感影像的时间间隔。TM影像与HJ影像具有不同的影像分幅方式,本次实验采用TM影像分幅方式确定遥感影像范围,轨道号为131-39(WRS-2)。实验采用的TM影像通过马里兰大学GLCF(Global Land Cover Facility)数据平台(http://glcf.umiacs.umd.edu)获取,HJ影像通过中国资源卫星应用中心数据平台(http://www.cresda.com/n16/index.html)获取。
TM影像和HJ影像的正射纠正和几何配准分别采用了NASA(美国国家航空和航天管理局)下设LEDAPS (Landsat Ecosystem Disturbance Adaptive Processing System)课题组开发的自动配准与正射纠正程序包(AROP)[23]和作者所在课题组自主开发的环境减灾卫星CCD多光谱遥感影像自动几何精纠正与正射校正软件(AROS)[24]。通过几何纠正和正射纠正保证了山区同源、异源遥感影像之间位置偏差最小。已有研究表明AROP对于山区TM影像及类TM影像的配准误差小于0.5个象元[25],满足实验的要求。
遥感影像记录的信息除了地物光谱信息之外,还包含大气对光谱信息的影响,而大气状况时空变异大,因此,采用多源多时相遥感影像进行定量研究前必须完成大气校正。TM影像大气校正采用了基于暗目标法的LEDAPS预处理程序包[26],HJ影像大气校正则直接采用了暗目标法[27]。
研究区植被生长季主要集中在5—10月[21],而该区域生长季云覆盖度高,非生长季季节性积雪大量覆盖了高海拔地区,造成大量遥感影像难以使用,因此,本研究选用的影像尽可能满足时相与影像质量的双重要求。实验一采用多时相TM影像为数据源,参与实验的两期影像的获取时间分别是2009年2月18日(非生长期,图 2a)和2008年10月13日(生长期,图 2b)。实验二采用多时相HJ影像为数据源,参与实验的两期影像的获取时间分别是2010年3月20日(非生长期,图 2c)和2011年5月5日(生长期,图 2d)。实验三则组合多时相TM影像和 HJ影像为数据源,参与实验的两期影像分别是
2 008年10月13日(生长期)获取的Landsat TM影像(图 2b)和2010年3月20日(非生长期)获取的HJ影像(图 2c)。对比图 2a与图 2b、c和图 2d,生长季与非生长季遥感影像上常绿与落叶植被存在显著的光谱变化差异,本研究正是基于其光谱变化的差异有效识别山区森林的常绿、落叶特征。
土地覆被野外考察样本主要用于验证3组实验结果的精度。本文采用的样点来源于两次土地覆被野外考察,第1次是2011年7月11日,考察了国道318沿途的土地覆被情况;第2次为2011年9月18日,考察了贡嘎山东坡区域的土地覆被情况。两次考察共获得野外样点近500个,去除非林地的样点后共有森林样点276个,其空间分布见图 1中黑色小三角形所示。
土地覆被野外样点采用沿行进道路两侧2 km范围内等间距布设的方式,两相邻样点间距离约3 km,若相邻几个点土地覆被类型比较一致,则适当扩大样点间的距离,最大不超过5 km。样点必须位于该区域最具代表性的土地覆被类型中,面积超过1 hm2。森林的常绿、落叶特征则根据植被类别以及植被凋落物综合确定。
2 方法常绿树种与落叶树种在生长季和非生长季遥感影像上光谱变化的差异是基于阈值法自动识别山区森林常绿、落叶特征的理论基础[18]。植被指数是通过对反映植被生长特征的波段运算(加、减、乘、除等线性或非线性运算)得到的数值,它是植被生长状态的最佳指示因子[28, 29]。因此,本文选择常用的植被指数——归一化差值植被指数(NDVI)作为指标,利用生长季和非生长季两期遥感影像的NDVI差值(NDVI_D)自动识别森林的常绿、落叶特征。基于阈值法的山区森林常绿、落叶特征自动识别方法流程如图 3所示。首先,基于多源多时相遥感影像初步提取山区森林类型图,然后,分别计算生长期和非生长期两景遥感影像的NDVI值和NDVI_D;再从山区森林类型初步图中选择常绿针叶林作为参考样本,根据参考样本NDVI_D的频率分布确定阈值;最后利用判别规则识别森林的常绿、落叶特征。阈值确定和设定判别规则是本方法的核心。
2.1 山区森林类型初步分类图制作山区森林类型初步分类图包括阔叶林、针叶林、针阔混交林和灌木林四种森林类型,它基于多源多时相遥感影像,采用面向对象分类思想与决策树分类器相结合的方法制作完成。山区森林类型初步分类图制作包括以下步骤:首先对参与分类的影像进行几何纠正、正射纠正等预处理工作;然后利用面向对象商业软件eCognition提供的多尺度分割算法[30]分割参与分类的影像,得到同质的对象;从多源多时相遥感影像的光谱信息和一些常用的指数(如NDVI、NDWI[31])中选择参与分类的特征,再根据野外实地考察与高分辨率遥感影像判读,构建训练样点集;并利用决策树分类器See5.0对训练样本进行训练生成用于分类的决策树;最后基于决策树在eCognition中提取山区森林类型初步分类图。自动提取的山区森林类型初步分类图如图 4所示。为排除由于不同数据源制作的山区森林类型初步分类图不一致对验证自动识别常绿、落叶特征方法造成的误差,本文3组验证实验采用一致的山区森林类型初步分类图。
2.2 参考样本的选择参考样本的选择是确定阈值的前提条件,选择的参考样本须满足两个条件:(1)参考样本在区域内广泛而均匀分布;(2)参考样本在生长季与非生长季遥感影像之间光谱的变异主要是由于成像条件、气象等因素造成的,而不是植被的周期性生长过程引起的。
贡嘎山区地处亚热带与暖温带的过渡区,区域内植被类型丰富,以冷杉、云杉、松柏为主体的常绿针叶林在区域大量分布,而落叶针叶林分布较少,并且常绿针叶林光谱年内变化小[32],满足参考样本的要求。山区森林类型初步分类图中已将针叶林类型与其他森林类型区分,因此直接将初步图中的针叶林图斑作为参考样本。由于自动分类提取的常绿针叶林样本中,存在一些面积过小或位于云和阴影区的样本,需进一步剔除,以免影响后期阈值的确定。面积过小不能真实反映针叶林的光谱变化,云与阴影区常绿针叶林样本NDVI值的变化很可能是由于云和阴影造成的。
2.3 阈值确定确定NDVI_D的阈值是区分森林常绿、落叶特征的关键步骤之一。首先,计算参考样本在生长季和非生长季遥感影像中的NDVI值,并计算NDVI_D。为了使NDVI_D为正值,计算时采用生长季NDVI值减去非生长季NDVI值:
式中,B4代表遥感影像近红外波段,B3代表遥感影像红波段,t1代表非生长季,t2代表生长季。
然后,计算参考样本NDVI_D的均值和标准差:
式中,n代表参考样本总数。
最后,绘制参考样本NDVI_D频率分布图。如果参考样本在研究区内大量而均匀的分布,绘制出的参考样本NDVI_D频率分布服从正态分布。正态分布曲线在x=u+σ(均值+1倍标准差)和x=u-σ (均值-1倍标准差)处各有一个拐点,横轴区间(μ-σ,μ+σ)内的面积为68.27%,横轴区间(μ-1.96σ,μ+1.96σ)内的面积为95.45%,也就是说位于x=u±2σ之外的面积不到5%,属于小概率事件,因此u±σ、u±2σ常作为划分正态分布曲线的阈值点。本文选择了经提纯后的常绿针叶林作为参考样本,3组实验的NDVI_D频率分布图均服从正态分布,因此,本文最终选择MNDVI_D-DNDVI_D、MNDVI_D+DNDVI_D、MNDVI_D+2DNDVI_D作为划分山区森林常绿、落叶特征的阈值。
2.4 常绿、落叶特征的判别规则在确定区分常绿、落叶特征阈值的基础上,根据阈值对山区森林常绿、落叶特征予以判别,判别规则逻辑示意图见图 5。
若NDVI_Di∈[MNDVI_D-DNDVI_D,MNDVI_D+DNDVI_D],则该森林特征判定为常绿。大量的常绿样本聚集在该区间,其光谱变化主要是由于不同时相遥感影像获取的成像条件、气象条件差异造成的。
若NDVI_Di>MNDVI_D+2DNDVI_D,则该森林特征判定为落叶。仅有极少部分由于初步分类图中森林类型误判造成的常绿样本分布在该区间。对于常绿样本来说该区域属于小概率区域,因此是落叶树种主要分布的区域。
由于NDVI_D是利用生长季遥感影像的NDVI减去非生长季遥感影像的NDVI,其值应该不存在小于MNDVI_D-DNDVI_D的情况,如果存在则可能是非森林误判为森林或地形阴影、云及云阴影造成的。当存在NDVI_Di<MNDVI_D-DNDVI_D的图斑,如果是非森林误判为森林造成的,则将森林图斑修改为非森林图斑。如果是地形阴影、云及云阴影造成的NDVI_D异常,则采用邻近相似原则,用周围森林的常绿、落叶特征替代该森林图斑的常绿、落叶特征。
若NDVI_Di∈[MNDVI_D+DNDVI_D,MNDVI_D+2DNDVI_D],则需要再次判定该森林的常绿、落叶特征。再次判定有两种方法,一种是采用临近相似原则,根据周围森林的常绿、落叶特征来确定该森林图斑的常绿、落叶特征;另一种是采用决策树分类器See5.0,将已确定常绿、落叶特征的图斑作为训练样本,通过See5.0挖掘非生长季影像的光谱信息,构建区分常绿、落叶特征的决策树,从而确定该森林图斑的常绿、落叶特征。第一种方式简单,第二种方式相对复杂,但精度高。
2.5 精度验证精度验证是遥感土地覆被分类不可或缺的环节,评价结果是数据使用者最主要的参考信息[33]。山区森林常绿、落叶特征自动识别精度仅考虑常绿和落叶两个特征是否正确,不考虑森林类型初步分类图中各森林类型的正误。本研究采用样本点逐一对比的方法,并形成误差矩阵表,以此计算用户精度、生产精度、总精度和Kappa系数。
3 结果与讨论本文以中国西南地区具有明显垂直地带性特征的贡嘎山地区为例,分别以多时相TM影像、多时相HJ影像为单源数据,多时相的HJ、TM组合影像为多源数据,试验该方法在识别典型山区森林常绿、落叶特征中的有效性。在数据预处理的基础上,分别计算每一组实验采用的两个时相遥感影像的NDVI值,并计算NDVI_D。然后从山区森林类型初步分类图中提取针叶林图斑,剔除面积小于10个像元和位于阴影区域的图斑,将剩余的针叶林图斑作为常绿针叶林样本。最后按照2.3节中介绍的阈值确定方式和2.4节中介绍的判别规则确定各森林类型的常绿、落叶特征。
基于相同的常绿针叶林样本,本文分别提取3组实验常绿针叶林样本的NDVI_D,绘制NDVI_D频率分布直方图并计算NDVI_D的均值和标准差。经计算,实验一(TM影像)的MNDVI_D=0.11,DNDVI_D=0.06;实验二(HJ影像)的MNDVI_D=-0.03,DNDVI_D=0.12;实验三(TM与HJ组合影像)的MNDVI_D=0.20,DNDVI_D=0.13。3组实验常绿针叶林样本NDVI_D频率分布如图 6所示。从图中可以看出,3组实验的常绿针叶林样本NDVI_D的频率分布均具有正态分布特征,HJ影像生长季与非生长季常绿树种的NDVI变化较小,其均值为-0.03;TM影像的NDVI变化较大,其均值为0.11;而TM与HJ影像组合的NDVI变化最大,其均值为0.2。常绿植被不同数据源上NDVI_D均值的差异主要与选择影像生长季和非生长季时间跨度有关。选择两景TM影像的时相分别是2月和10月,而HJ影像的时相分别是2月和5月,HJ影像较TM影像跨度小,因此出现了上述的差异。
按照2.3节阈值确定规则,分别以MNDVI_D-DNDVI_D、MNDVI_D+DNDVI_D、MNDVI_D+2DNDVI_D为阈值 对各森林类型的常绿、落叶特征进行自动识别。实 验一的阈值设置为0.05、0.17、0.23;实验二的阈值设置为-0.15、0.09、0.21;实验三的阈值设置为0.07、0.33、0.46。基于以上设定的阈值,根据2.4节设定的判别规则自动识别各森林类型的常绿、落叶特征,并对云、阴影区进行专门处理,识别结果如图 7所示。
对于未受到云、雪干扰的区域,无论是采用单源数据还是多源数据,基于本文方法均可以有效的提取山区森林类型的常绿、落叶特征,如图 7中的A区域。当区域受到大面积云、雪干扰时,单源数据较多源数据能够获取的无云数据少,其提取的山区森林类型的常绿、落叶特征精度较多源数据低,如图 7中的B、C两个区域。B区域位于贡嘎山东坡,由于选择的TM影像(图 7(B3)和图 7(B4))上有大片的云覆盖,而HJ影像(图(B1)和图 7(B2))上无云覆盖,HJ影像提取的常绿、落叶特征(图 7(B5))比TM影 像提取的常绿、落叶特征(图 7(B6))更符合实际情况。TM与HJ组合影像在该区域提取的常绿、落叶特征(图 7(B7))与HJ影像提取的常绿、落叶特征更一致。C区域位于海拔较高的高原面上,由于选择的HJ影像(图 7(C2))上有较大范围的季节性降雪区域,该区域植被被冰雪覆盖,而选择的TM影像未受季节性积雪的影响,从而使得TM影像提取的常绿、落叶特征(图 7(C5))比HJ影像提取的常绿、落叶特征(图 7(C6))更符合实际情况。TM与HJ组合影像在该区域提取的常绿、落叶特征(图 7(C7))与TM影像提取的常绿、落叶特征更一致。
本文采用野外考察样点分别对3组实验结果进行逐样点对比。由于常绿针叶林作为参考样本,因此精度评价时未纳入常绿针叶林样本,共计163个样本参与精度评价,其中常绿样本65个,落叶样本98个。3组实验常绿、落叶特征提取精度评价结果如表 2所示,基于阈值法的山区森林常绿、落叶特征遥感自动识别方法能够有效识别山区森林常绿、落叶特征,总体精度达到93.87%,Kappa系数为0.87。从表 2中可以看出,基于多时相TM影像的试验中常绿植被误判较多,而基于多时相HJ影像的试验中落叶植被被误判较多,主要是由于云以及季节性积雪造成的,在前文已做分析。
类别 Type | 实验一 (TM) Experiment one | 实验二 (HJ) Experiment two | 实验三 (TM+HJ) Experiment three |
常绿 Evergreen | 90.77% | 96.92% | 95.38% |
落叶 Deciduous | 92.86% | 89.80% | 92.86% |
总精度 Total accuracy | 92.02% | 92.64% | 93.87% |
Kappa系数 Kappa coefficient | 0.83 | 0.85 | 0.87 |
时相是影响山区森林常绿、落叶特征自动识别精度的首要因素。自动识别常绿、落叶特征需要选择能够最大化落叶植被光谱差异的时相。植被生长最茂盛的7、8月份以及落叶植被基本全部落叶的1、2月份是最理想的时相。然而,7、8月份也是北半球的雨季,云雾覆盖日数多,影像质量难以得到保证;1、2月份对于高海拔地区来说,季节性积雪较多,也难以找到合适的影像。非生长季选择的时相需要位于落叶植被的落叶期,对于高海拔和高纬地区来说,非生长季选择的时相范围较大,然而,对于低海拔和低纬地区来说,落叶植被落叶时间较短,有些落叶植被落叶的同时伴随着新叶的生长,使得非生长季可选择的时相十分有限。因此,在选择用于识别常绿、落叶特征的遥感影像时需要兼顾影像质量与影像时相。
地形阴影、云及云阴影是另一个影响山区森林常绿、落叶特征自动识别精度的因素。生长季太阳高度角大,遥感影像上形成的地形阴影小,非生长季太阳高度角小,遥感影像上形成的地形阴影大[20]。利用NDVI差值的阈值提取森林常绿、落叶特征容易将一些地形阴影区的常绿植被识别为落叶植被。云覆盖了其下部地物的光谱信息,其NDVI值大多为负值,若两景影像的同一个区域只有一景有云,则易将常绿植被识别为落叶植被。本研究采用临近相似原则获取云区域的森林的常绿、落叶特征,去除了大部分云的影响。但是,对于大面积的云区域,由于其周围缺少可供参考的正确信息,其提取精度较低,本研究中贡嘎山东坡河谷存在的误判,大多由于云的影响。季节性积雪是高海拔区域和高纬地区山区森林常绿、落叶特征自动识别需要考虑的一个问题。积雪遮盖了地物的光谱信息,两个时相NDVI差值较大,该区域的植被均被判为落叶,由于季节性积雪大多成片分布,难以采用临近相似原则去除其影响,因此,在时相选择时尽量避开有明显季节性积雪的影像。
山区森林常绿、落叶特征遥感自动识别方法不仅仅局限于山区,对于平原和丘陵区域同样适用。平原与丘陵区域由于地形起伏小,地形阴影的影响小,同时,该区域云雾覆盖几率较山区小,可用于自动识别的遥感影像多,因此,更有利于该方法在平原、丘陵区域的实施。该方法在不同区域推广时,参考样本的选择是最关键的环节。参考样本需要在区域内广泛分布,并且一年四季的光谱变异小。若参考样本分布较少或仅在局部区域分布,基于参考样本绘制的NDVI_D频率分布难以满足正态分布,此时需要选择其他满足参考样本选择条件的土地覆被类型做为参考样本。常绿针叶林作为参考样本难以适用于既存在常绿针叶林又存在落叶针叶林的区域,对于这些区域也需选择其他满足参考样本选择条件的土地覆被类型做为参考样本。
4 结论本文针对山区森林常绿、落叶特征难以客观、自动提取的问题,提出了一种山区森林常绿、落叶特征遥感自动识别的简单实用方法。该方法基于多源多时相遥感影像,通过统计参照样本在生长季和非生长季NDVI差值的分布规律,自动确定区分常绿、落叶特征的阈值,并设定判别规则,客观的提取山区森林的常绿、落叶特征。本文以贡嘎山地区为例,采用多时相TM影像、多时相HJ影像以及多时相的TM与HJ组合影像为数据源,设计了3组实验验证方法的有效性。验证结果表明:该方法能够有效识别山区森林常绿、落叶特征,总体精度达到93.87%,Kappa系数为0.87;但受时相、云、阴影以及季节性积雪的影响,部分区域仍有识别错误。本文所述方法不仅仅适用于山区,在平原、丘陵等区域也同样适用,但该方法推广时需要选择适合该区域的地物类型作为参考样本。本文提出的方法适用于山区森林常绿、落叶特征大面积遥感自动提取,已被成功应用于“生态十年”专项西南地区土地覆被数据的生产中。
[1] | Vitousek P M. Beyond global warming: ecology and global change. Ecology, 1994, 75(7): 1861-1876. |
[2] | Shao P, Zeng X D. Progress in the study of the effects of land use and land cover change on the climate system. Climatic and Environmental Research, 2012, 17(1): 103-111. |
[3] | Ran H, Xing L X, Pan J, Huang S C, You J F, Zhang S Y. Remote sensing technology and research on terrestrial ecosystem carbon cycle. Environmental Science and Management, 2010, 35(3): 117-121. |
[4] | Wu J G, Lü J J. Effects of land use change on the biodiversity. Ecology and Environment, 2008, 17(3): 1276-1281. |
[5] | Guo Z W, Li D M, Gan Y L. The assessment of forest ecosystem biodiversity by remote sensing. Acta Ecologica Sinica, 2001, 21(8): 1369-1384. |
[6] | Dai J F. Dynamic analysis of land resources in Yangtze River Delta by using remote sensing. Geo-information Science, 2002, (4): 69-74. |
[7] | Chen J, Chen J, Gong P, Liao A P, He C Y. Higher resolution global land Cover Mapping. Geomatics World, 2011, 9(2): 12-14. |
[8] | Mayaux P, Eva H, Gallego J, Strahler A H, Herold M, Agrawal S, Naumov S, De Miranda E E, Di Bella C M, Ordoyne C, Kopin Y, Roy P S. Validation of the global land cover 2000 map. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(7): 1728-1739. |
[9] | Bartholomé E, Belward A S. GLC2000: a new approach to global land cover mapping from Earth observation data. International Journal of Remote Sensing, 2005, 26(9): 1959-1977. |
[10] | Arino O, Bicheron P, Achard F, Latham J, Witt R, Weber J L. GLOBCOVER The most detailed portrait of Earth. Esa Bulletin-European Space Agency, 2008, (136): 24-31. |
[11] | Tateishi R, Uriyangqai B, Al-Bilbisi H, Ghar M A, Tsend-Ayush J, Kobayashi T, Kasimu A, Hoan N T, Shalaby A, Alsaaideh B, Enkhzaya T, Gegentana, Sato H P. Production of global land cover data - GLCNMO. International Journal of Digital Earth, 2011, 4(1): 22-49. |
[12] | Han K S, Champeaux J L, Roujean J L. A land cover classification product over France at 1 km resolution using SPOT4/VEGETATION data. Remote Sensing of Environment, 2004, 92(1): 52-66. |
[13] | Aitkenhead M J, Aalders I H. Automating land cover mapping of Scotland using expert system and knowledge integration methods. Remote Sensing of Environment, 2011, 115(5): 1285-1295. |
[14] | Loveland T R, Reed B C, Brown J F, Ohlen D O, Zhu Z, Yang L, Merchant J W. Development of a global land cover characteristics database and IGBP DISCover from 1 km AVHRR data. International Journal of Remote Sensing, 2000, 21(6/7): 1303-1330. |
[15] | Hansen M C, Defries R S, Townshend J R G, Sohlberg R. Global land cover classification at 1km spatial resolution using a classification tree approach. International Journal of Remote Sensing, 2000, 21(6/7): 1331-1364. |
[16] | Li A N, Jiang J G, Bian J H, Deng W. Combining the matter element model with the associated function of probability transformation for multi-source remote sensing data classification in mountainous regions. Isprs Journal of Photogrammetry and Remote Sensing, 2012, 67: 80-92. |
[17] | Hansen M C, Loveland T R. A review of large area monitoring of land cover change using Landsat data. Remote Sensing of Environment, 2012, 122: 66-74. |
[18] | Youhao E, Wang J H, Gao S Y, Yan P, Yang Z H. Monitoring of vegetation changes using multi-temporal NDVI in peripheral regions around Minqin oasis, Northwest China//IEEE International Geoscience and Remote Sensing Symposium. New York: IEEE, 2007: 3448-3451. |
[19] | Xiao X M, Boles S, Liu J Y, Zhuang D F, Liu M L. Characterization of forest types in Northeastern China, using multi-temporal SPOT-4 VEGETATION sensor data. Remote Sensing of Environment, 2002, 82(2/3): 335-348. |
[20] | Huang H, Gong P, Clinton N, Hui F. Reduction of atmospheric and topographic effect on Landsat TM data for forest classification. International Journal of Remote Sensing, 2008, 29(19): 5623-5642. |
[21] | Yao Y H, Zhang B P, Han F, Pang Y. Spatial pattern and exposure effect of altitudinal belts in the hengduan mountains. Journal of Mountain Science, 2010, 28(1): 11-20. |
[22] | Wang Q, Wu C Q, Li Q, Li J S. Chinese HJ-1A/B satellites and data characteristics. Science China Earth Sciences, 2010, 53(1): 51-57. |
[23] | Gao F, Masek J, Wolfe R E. Automated registration and orthorectification package for Landsat and Landsat-like data processing. Journal of Applied Remote Sensing, 2009, 3(1): 033515. |
[24] | Bian J H, Li A N, Jin H A, Lei G B, Huang C Q, Li M X. Auto-registration and orthorecification Algorithm for the Time Series HJ-1A/B CCD Images. Journal of Mountain Science, 2013, 10(5): 754-767. |
[25] | Li A N, Jiang J G, Bian J H, Lei G B, Huang C Q. Experiment and accuracy analysis of automated registration and orthorectification for Landsat-like images based on AROP. Remote Sensing Technology and Application, 2012, 27(1): 23-32. |
[26] | Wolfe R, Masek J, Saleous N, Hall F. LEDAPS: Mapping north American disturbance from the landsat record//IEEE International Geoscience and Remote Sensing Symposium. 2004: 1-4. |
[27] | Li S S, Chen L F, Tao J H, Han D, Wang Z T, He B H. Retrieval and validation of the surface reflectance using HJ-1-CCD data. Spectroscopy and Spectral Analysis, 2011, 31(2): 516-520. |
[28] | Zhao Y S. Theory and Method of Remote Sensing Application Analysis. Beijing: Science Press, 2003: 374-374. |
[29] | Carlson T N, Ripley D A. On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote Sensing of Environment, 1997, 62(3): 241-252. |
[30] | Benz U C, Hofmann P, Willhauck G, Lingenfelder I, Heynen M. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. Isprs Journal of Photogrammetry and Remote Sensing, 2004, 58(3/4): 239-258. |
[31] | Gao B C. NDWI - A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 1996, 58(3): 257-266. |
[32] | Ma Y H. Study on Extraction of Coniferous Forest Information in Southern China [D]. Hunan: Central South University of Forestry and Technology, 2010. |
[33] | Herold M, Mayaux P, Woodcock C E, Baccini A, Schmullius C. Some challenges in global land cover mapping: An assessment of agreement and accuracy in existing 1 km datasets. Remote Sensing of Environment, 2008, 112(5): 2538-2556. |
[2] | 邵璞, 曾晓东. 土地利用和土地覆盖变化对气候系统影响的研究进展. 气候与环境研究, 2012, 17(1): 103-111. |
[3] | 冉慧, 邢立新, 潘军, 黄舒城, 尤金凤, 张淑燕. 遥感技术与陆地生态系统碳循环研究. 环境科学与管理, 2010, 35(3): 117-121. |
[4] | 吴建国, 吕佳佳. 土地利用变化对生物多样性的影响. 生态环境, 2008, 17(3): 1276-1281. |
[5] | 郭中伟, 李典谟, 甘雅玲. 森林生态系统生物多样性的遥感评估. 生态学报, 2001, 21(8): 1369-1384. |
[6] | 戴锦芳. 长江三角洲土地资源遥感动态分析. 地球信息科学, 2002, (4): 69-74. |
[7] | 陈军, 陈晋, 宫鹏, 廖安平, 何超英. 全球地表覆盖高分辨率遥感制图. 地理信息世界, 2011, 9(2): 12-14. |
[21] | 姚永慧, 张百平, 韩芳, 庞宇. 横断山区垂直带谱的分布模式与坡向效应. 山地学报, 2010, 28(1): 11-20. |
[25] | 李爱农, 蒋锦刚, 边金虎, 雷光斌, 黄成全. 基于AROP程序包的类Landsat遥感影像配准与正射纠正试验和精度分析. 遥感技术与应用, 2012, 27(1): 23-32. |
[27] | 李莘莘, 陈良富, 陶金花, 韩冬, 王中挺, 贺宝华. 基于HJ-1-CCD数据的地表反射率反演与验证. 光谱学与光谱分析, 2011, 31(2): 516-520. |
[28] | 赵英时. 遥感应用分析原理与方法. 北京: 科学出版社, 2003: 374-374. |
[32] | 马延辉. 南方针叶林遥感信息提取研究 [D]. 中南林业科技大学, 2010. |