生态学报  2014, Vol. 34 Issue (24): 7243-7250

文章信息

胡砚霞, 黄进良, 杜耘, 韩鹏鹏, 王久玲, 黄维
HU Yanxia, HUANG Jinliang, DU Yun, HAN Pengpeng, WANG Jiuling, HUANG Wei
洞庭湖洲滩速生杨树林变化信息提取方法
Research on methods for extracting change information of the fast-growing poplar in Dongting Lake
生态学报, 2014, 34(24): 7243-7250
Acta Ecologica Sinica, 2014, 34(24): 7243-7250
http://dx.doi.org/10.5846/stxb201310162491

文章历史

收稿日期:2013-10-16
修订日期:2014-10-16
洞庭湖洲滩速生杨树林变化信息提取方法
胡砚霞1, 2, 黄进良1 , 杜耘1, 韩鹏鹏1, 2, 王久玲1, 2, 黄维1, 2    
1. 中国科学院测量与地球物理研究所, 武汉 430077;
2. 中国科学院大学, 北京 100049
摘要:洞庭湖是我国第二大淡水湖,其湿地资源具有重要的生态功能和经济价值.近20年来,洞庭湖洲滩速生杨树林发展迅速,其中西洞庭湖杨树林的扩张最为明显,极大改变了湖区湿地植被分布格局,隐含极大的生态风险.以Landsat ETM+和HJ-1A/1B CCD影像为数据源,提出了洞庭湖速生杨树林变化信息提取的两种方法,并对这两种方法进行了比较研究.一种是分类的方法,即采用面向对象分层信息提取的方法先提取出树林滩地信息,再将距离大堤一定范围内的树林滩地归为防护林,速生杨树林变化的面积即为两个时相提取结果的差值.另一种是变化检测的方法,它是基于像元进行变化检测,先确定出总的变化区域,再从中筛选速生杨树林的变化信息.结果表明:(1)两种提取方法都是可行的,不同方法提取的速生林变化信息存在一定差异,但空间分布大体一致;(2)基于分类的方法总体精度和Kappa系数均略高于基于变化检测的方法:其中基于分类的方法总体精度达84.00%,Kappa系数为0.67,基于变化检测的方法总体精度达83.00%,Kappa系数为0.65;(3)基于分类的方法图斑较大、图斑数较少,基于变化检测的方法图斑较小且较破碎、图斑数多;(4)基于分类的方法漏分较少、错分较多,基于变化检测的方法漏分较多、错分较少.为洞庭湖洲滩杨树林的动态监测提供了研究方法,也为杨树林扩张原因及其生态效应分析提供研究基础.
关键词速生杨树林    分类    变化检测    
Research on methods for extracting change information of the fast-growing poplar in Dongting Lake
HU Yanxia1, 2, HUANG Jinliang1 , DU Yun1, HAN Pengpeng1, 2, WANG Jiuling1, 2, HUANG Wei1, 2    
1. Institute of Geodesy and Geophysics, Chinese Academy of Sciences, Wuhan 430077, China;
2. University of Chinese Academy of Sciences, Beijing 100049, China
Abstract:Dongting Lake is the second largest freshwater lake of China, and has an important ecological function and economic value for its abundant wetland resources. The fast-growing poplar trees have grown fast on the beach land in Dongting Lake during the past 20 years, especially in West Dongting Lake, where a dramatic wetland vegetation distribution change is observed with a high ecological risk. In this study, two fast growing poplar tree change extraction methods, which are the classification method and change detection method, are proposed using remote sensed data (Landsat ETM+ images and HJ-1A/1B CCD images, both with a resolution of 30 m) in two periods in West Dongting Lake. And comparisons of the results obtained by these two methods were analyzed. In the classification method, an object-oriented hierarchical information extraction approach was applied to extract the woods beach land information. Then the regions within a certain distance from the dike were classified as windbreaks fields. The change area of fast-growing poplar trees was extracted to be the difference between the results of the two periods. In the change detection method, the change area was firstly calculated based on the changed pixels. Then the change poplar trees were detected as the expansion information for the poplar trees according to the sample information and priori knowledge. The two methods were examined using experimental data, and the result shows that both methods are feasible to extract poplar tree change information. The spatial distributions of changed poplar trees are similar in the two results, though some differences in the location are observed. The overall accuracy and Kappa coefficient of the classification method are slightly higher than that of the change detection method. The overall accuracy is 84.00% and the Kappa coefficient is 0.67 for the classification method. The overall accuracy is 83.00% and the Kappa coefficient is 0.65 for the change detection method. More large polygon patches are observed in the classification result with low degree of fragmentation. By contrast, more small and isolated patches are observed in the change detection result with high degree of fragmentation. The classification method tends to obtain lower omission errors but higher misclassification errors from the accuracy statistic. The change detection method gains lower misclassification errors but higher omission error. This study on extracting change areas of fast-growing poplar trees in Dongting Lake provides a way to dynamically monitor changing areas of fast-growing poplar trees, and offers basic research for other further studies such as the research on the expansion of fast-growing poplar trees and ecological effects that poplar expansion brought about.
Key words: fast-growing poplar    classification    change detection    

洞庭湖区是全国速生丰产林造林计划的重点发展地区,20世纪70年代主要发展以杉木为主的用材林,80年代开始发展杨树[1]。目前洞庭湖造林计划的格局是:在洞庭湖堤内发展以旱柳为主的防护林,作防浪护堤、抑螺防病之用;在洞庭湖内滩地上发展以欧美黑杨为主的用材林,以西洞庭湖最为明显;在洞庭湖周围山地上发展以油茶林和竹林为主的经济林。20余年来,洞庭湖洲滩速生杨树林发展迅速,主要分布于湖区洲滩及一些垸子周围,甚至一些基本农田都种植有杨树。洞庭湖洲滩所植速生杨树林大多数为欧美黑杨,喜湿、生长快、适应性强,一般6年便可成材,是造纸业的重要原材料。但是,创造经济效益的另一面是对洞庭湖生态环境造成的严重威胁:一方面速生杨树林的扩张改变了湖区湿地植被结构;另一方面,盲目单一种植外来物种可能隐含极大的生态风险。

目前,对洞庭湖湿地植被的研究主要集中在湿地植被演替[2]、格局变化[3]、生态功能[4]以及三峡工程的影响[5]等,但对洞庭湖洲滩速生杨树林的变化情况及分布特征的研究较少。变化信息提取方法多采用遥感变化检测的方法,但这种检测需建立在一个相对统一的基准上,实际情况中常受遥感系统和环境因素的影响使变化检测精度不高,因而也常采用传统的先分类再提取变化信息的方法。现阶段对变化信息提取方法的研究主要还是集中于变化信息的自动检测研究以及面向对象方法的应用等。本研究基于遥感影像提出了速生杨树林变化信息提取的两种方法,并对其进行了比较,为洞庭湖洲滩速生杨树林变化的动态监测、扩张原因及生态效应分析等相关研究提供方法和研究基础。

1 数据源与预处理 1.1 研究区概况

洞庭湖位于湖南省北部、长江荆江河段以南。长江水沙通过松滋、太平、藕池“三口”进入洞庭湖,湖水经城陵矶附近注入长江。洞庭湖是长江最重要的调蓄湖泊,由于泥沙淤塞和围垦造田,洞庭湖被分割为东洞庭湖、南洞庭湖、西洞庭湖(目平湖)和七里湖等几部分。洞庭湖湖盆由燕山运动断陷形成,外围高、中部低平,湖底自西北向东南微倾。区域气候为亚热带季风气候,温暖湿润,年均温16.4—17 ℃,无霜期258—275 d,年均降雨量1100—1400 mm,降水不均,多集中在4—6月,多大雨和暴雨,易发生洪涝灾害[6]。湖区滩地植被以芦苇(Phragmites australis)和草为主,其中草主要包括苔草(Carex brevicuspis)、虉草(Phalaris arundimacea)、辣蓼(Polygonum flaccidum)和蒌蒿(Artemisia selengensis),但近些年以欧美黑杨(Populus euramericana)为主的速生林发展十分迅速。雷璇[7]、胡砚霞[8]的研究表明,洞庭湖速生杨树林在2002之后发展最为显著,以西洞庭湖尤甚。本研究以西洞庭湖主体部分为实验区,探讨洞庭湖速生杨树林变化信息的提取方法(图 1)。

图 1 研究区位置图 Fig. 1 Location of study area
1.2 数据源

本研究选用的数据为遥感影像数据,其中2002年采用Landsat ETM+数据,2010年采用HJ-1A/1B CCD卫星数据,分辨率均为30 m × 30 m,每个时期均有枯水期、平水期和洪水期的影像,详见表 1。其他数据有洞庭湖野外调查资料及各湿地植被类型GPS定位点、高程和坡度数据等。

表 1 遥感影像数据列表 Table 1 The list of remote sensing data
年份 Year枯水期(冬季) The low-flow period (winter)平水期 The normal period洪水期(夏季) The flood period (summer)
2002 etm12440-20020105etm12440-20021105etm12440-20020902
2010HJ1A-CCD2-2-80-20100102HJ1A-CCD1-3-80-20101030HJ1B-CCD1-2-80-20100803
1.3 数据预处理

数据预处理主要包含以下几部分: ①以地形图为基准对遥感影像数据进行几何校正,误差范围控制在1个像元之内;②选用校正后的影像确定研究区范围:沿洞庭湖一级堤垸勾画边界,无堤垸处以洪水期最大水面为界,并截取出西洞庭湖主体湖区,具体范围参见图 2;③所用数据均统一到Albers等积正割投影下:中央经线为105°E,第一标纬和第二标纬分别为25°N、47°N,Krasovsky椭球体,大地坐标系。

图 2 树林滩地提取流程图 (以2010年影像为例) Fig. 2 Flow chart for extracting forest beaches
2 研究方法

受Landsat ETM+和HJ-1A/1B CCD影像分辨率的限制,很难从物种上对林地进行细分,但洞庭湖洲滩林地主要分为防护林滩地和速生杨树林滩地两种,而防护林滩地沿大堤分布,且多年间少有变化。本研究运用两种方法探讨速生杨树林变化信息的提取:一是基于分类的方法,即采用面向对象分层信息提取的方法先提取出树林滩地信息,再将距离大堤一定范围内的林地归为防护林,速生杨树林变化的面积即为两个时相提取结果的差值;二是采用基于像元的变化检测方法先确定变化区域,再从中判断速生杨树林的变化信息。

2.1 基于分类的方法 2.1.1 树林滩地的提取

此方法基于面向对象的影像特征提取方法,只对树林滩地这一类目标进行提取,针对性强,可提高速生杨提取的精度,较大程度上避免了传统分类方法造成的多类型之间混淆的问题。相较于传统基于像元的方法,面向对象[9]的方法考虑了相关联的邻近信息,除光谱信息外,还给分类特征添加了形状、纹理和层次信息,且能有效减少“椒盐”图斑。

洞庭湖湿地主要包括水体、泥沙滩地、草滩地、芦苇滩地和树林滩地5种类型,各湿地覆被类型不同季节的波谱特征见图 3。据此可采用分层信息提取[10]的方法将这几类湿地覆被类型区分开,具体思路为:1)利用归一化植被指数NDVI区分出草滩地、芦苇滩地、 树林滩地与水体、泥沙滩地;2)利用冬季枯水期影像(这个时期芦苇已收割,影像上呈白色,易和草滩地、树林滩地区分)区分出芦苇滩地与树林滩地、草滩地;3)利用夏季时期影像上林地在红波段的强吸收和在近红外波段的强反射特征区分出草滩地与树林滩地。具体流程图见图 3

图 3 典型湿地植被类型波谱特征 Fig. 3 Spectrum of typical wetland vegetation types 图中b、g、r、nir分别指遥感影像的蓝波段、绿波段、红波段、近红外波段。
2.1.2 速生杨树林信息的筛选

受Landsat ETM+和HJ-1A/1B CCD影像的波段数和分辨率限制,很难对树林滩地进行更详细的树种区分。但洞庭湖树林滩地有其独特特点,其主要类型及其特征见表 2。洞庭湖滩地主要分为防护林滩地和用材林滩地,其中防护林滩地沿大堤呈带状分布,比人工种植的杨树林高且树冠较大,在假彩色合成影像上纹理清晰、亮度较暗,呈深红色。根据野外采样时的经验,本研究认为沿大堤200 m之内的树林滩地可近似界定为防护林滩地,则剔除由大堤向洞庭湖内200 m范围内的树林滩地即可筛选出速生杨树林滩地。

表 2 洞庭湖树林滩地的主要类型及其特征 Table 2 The main types of woods beach and their characteristics in Dongting Lake
类型 Types树种 Species特征 Characteristic
防护林滩地 The windbreak beach旱柳常沿大堤,呈长条带状,宽度较均一;
用材林滩地(速生杨树林) The timber beach(Fast-growing poplars)①欧美黑杨 ②荻+欧美黑杨 (芦林相间)①新开辟的林地一般有较规则的边界 ②人工栽种,树间是芦苇,颜色和纹理介于芦苇和林地之间,高分辨率影像上可见较宽沟壑; 3、4a后转化为用材林滩地

分别对2002年和2010年两个时相速生杨树林信息进行提取,二者的差值即为2002—2010年速生杨树林变化信息。

2.2 基于变化检测的方法

由于洞庭湖水体和泥沙滩地的季节性波动很大,为减小其对变化检测效果的影响,本研究对湿地植被区域作掩膜处理,使水体和泥沙滩地不参与变化检测(水体和泥沙滩地的范围基于平水期影像进行提取)。

2.2.1 变化特征的确定

归一化植被指数NDVI可以很好的反映植被的生长状况和活性,本研究通过分析2002年和2010年两个时相NDVI值不同季节的周期性变化确定变化检测的最佳时期,以此选择合适的影像进行变化检测。分别计算2002年、2010年影像枯水期、洪水期和平水期的NDVI值,用各个季节植被指数的变化系数[11](COV)表征各湿地植被类型的变化特征。COV定义为某一像元NDVI值的标准差和均值的比值,即COV=σ/μ。计算结果见图 4。由图可知洪水期变化特征最明显,其次为枯水期,平水期大部分区域变化特征不明显。考虑到洪水期时相当一部分湿地植被被淹没,且COV值大很可能受水位变化的影响,本研究选取枯水期影像进行变化检测。枯水期COV图中蓝色区域COV值最大,实际上这些区域大都不是变化,是由于芦苇有无收割导致的光谱差异,冬季未收割的芦苇呈白色,反射率很高,而收割的芦苇反射率较低。这些信息将辅助后续变化类型的确定。

图 4 不同季节COV(植被指数变化系数)图 Fig. 4 The COV image in different seasons
2.2.2 变化强度分析及阈值的设定

年际同期归一化差值植被指数是植被生长状况变化的重要指示因子。朱云燕[12]和王维[13]等运用归一化差值植被指数对植被的动态变化以及对极端干旱气候的响应等进行了研究。本研究利用2002年和2010年两个时相归一化差值植被指数表征湿地植被类型变化的强度。计算两个时相枯水期NDVI的差值,得到的差值图像亮度值近似呈高斯分布,其中没有变化的像元多集中在均值附近,变化较大的像元分布于直方图的两端,据此特征可设定阈值提取出变化区域,再根据不同湿地植被枯水期NDVI值的变化特征判断变化类型。在eCognition 8.7 软件中对NDVI差值影像进行多阈值分割,阈值的选取参考野外采样实测样点和专家目视解译,并辅以植被指数的变化系数COV进行变化类型判断。本研究中将NDVI差值介于0.27—0.38,且COV>0.35范围内的变化类型界定为速生杨树林变化信息。具体流程图见图 5

图 5 基于变化检测的速生杨树林变化信息提取流程图 Fig. 5 Flow chart for extracting change information of the fast-growing poplar based on change detection
3 结果分析

图 6为运用以上两种方法提取的速生杨树林变化结果。

图 6 两种方法提取的速生杨树林变化信息 Fig. 6 Change information for the fast-growing poplar extracted in two methods
3.1 精度评价

将由上述两种速生林变化信息提取方法得到的 结果,用200个独立参考像元进行正确性检验。200个验证点采用随机布点原则生成,其真值由野外采样和专家目视解译判断。为保证评价的一致性,均采用误差矩阵进行精度评价。

验证结果表明,两种方法精度都较高,用于速生林变化信息的提取是可行的:基于分类的方法总体精度达84.00%,Kappa系数为0.67;基于变化检测的方法总体精度达83.00%,Kappa系数为0.65。具体结果见表 3

表 3 误差矩阵及精度评价表 Table 3 Error Matrix and accuracy assessment
方法 Methods被评价图像 Image being evaluated精度评价 Accuracy assessment
表中方法1指基于分类的方法,方法2指基于变化检测的方法
方法1 真值图像速生杨树林其他总和总体精度:84.00%
Method 2速生杨树林10113114漏分误差:11.40%
其他196786错分误差:15.83%
总和12080200Kappa系数:0.67
方法2真值图像速生杨树林其他总和总体精度:83.00%
Method 2速生杨树林10317120漏分误差:14.17%
其他176380错分误差:14.17%
总和12080200 Kappa系数:0.65
3.2 两种方法的比较

(1)总体上看,两种方法提取的结果存在一定的差异,但速生林的分布大体一致,局部区域有差别。基于分类的方法采用的是面向对象分类,图斑较大,图斑数较少;基于像元的变化检测方法,图斑较小且破碎,图斑数较多,此现象在图 4中黄色框区域表现明显。从速生林扩张的面积来看,基于分类的方法提取的面积较大,为62.29 km2,占整个研究区的18.75%,基于变化检测的方法提取的面积为45.23 km2,占整个研究区的13.61%。

(2)从细节上看,相较于基于分类的方法,基于变化检测的方法漏分较多:如图 4中,有一小块速生林未被检测到。基于分类的方法得到的变化信息更易加入一些伪变化:如图 4中,基于分类的方法把一部分芦苇滩地加入到速生林信息中。从理论上讲,面向像元提取的变化信息更接近真值,因为面向对象的分割对斑块信息进行了平均,这使得变化信息可能会加入一些伪变化。但变化检测对影像的质量以及季节的一致性要求很高,使得实际应用中变化检测的精度受一定的影响。

(3)从精度上看,基于分类的方法总体精度和Kappa系数均略高于基于变化检测的方法。

下表对两种方法的比较进行了概括(表 4)。

表 4 两种方法的对比 Table 4 Comparison of two methods
方法 Methods整体上On the whole 细节上On details 精度Accuracy
分布格局 Distribution图斑 Patch 面积 Area伪变化 Pseudo change漏分情况 Omission 总体精度 Overall accuracyKappa系数 Kappa coefficient
表中方法1指基于分类的方法,方法2指基于变化检测的方法
方法1 Method 1大体一致较大、图斑数较大较多较少较高较高
方法2 Method 2大体一致较小、破碎、图斑数多较小较少较多较低较低
4 结论与讨论

(1)运用两种方法对洞庭湖速生杨树林变化信息提取进行了研究:两种方法提取出的速生林变化信息存在差异,但空间分布大体一致;基于分类的方法图斑较大、图斑数较少,基于变化检测的方法图斑较小且较破碎、图斑数多;基于分类的方法提取的面积较基于变化检测的方法要大;基于分类的方法总体精度和Kappa系数均略高于基于变化检测的方法;基于分类的方法漏分较少、错分较多,基于变化检测的方法漏分较多、错分较少。

(2)由于面向对象的分割对斑块信息进行了平均,相较于先进行面向对象的分割再提取变化信息的方法,基于像元的变化区域提取可能更准确。此外,先进行两期分类再提取变化信息的方法会累积分类误差。理想条件下,基于变化检测的方法总体精度会高于基于分类的方法,但变化检测方法对影像质量和时相的要求极高,造成本研究中基于变化检测的方法的总体精度低于基于分类的方法。实际应用中,可先通过面向像元的方法提取变化区域,再运用面向对象的方法提取变化类型,这样既可保证变化区域提取的准确性,同时更多的邻近信息也有助于变化类型的判断。

(3)从林地更新的角度上讲,变化检测获取的林地变更信息比直接分类更快速、省力,实际应用中可对早期影像运用分类的方法,之后时期采用变化检测的方法。

(4)本研究中对防护林滩地的界定较粗糙,更细致的研究可加入高分辨率影像。

(5)本文中速生林提取方法只限于森林湿地种类单一的区域,其他区域的速生林变化监测还要借助时间序列影像检测速生林新种植或砍伐的时期,或是辅助高分辨率影像中的纹理信息从遥感影像上进行区分。

参考文献
[1] Zhai Z Q, In J Y, Du J T. Forestry Economic Geography of China. Beijing: China Forestry Publishing House, 1993: 331-338.
[2] Huang J L. The area change and succession of Dongtinghu wetland. Geographical Research, 1999, 18(3): 297-304.
[3] Liu Q H. A Study on Analysis and Prediction of the Temporal and Spatial Variation of Wetland Landscape Patterns in Dongting Lake [D]. Changsha: Central South University of Forestry and Technology, 2009.
[4] Jian Y X, Wang J B, He G Q, Chen J K. A comparative study on aquatic plant diversity and its long-term changes in the three lakes of Dongtinghu district in China. Acta Hydrobiologica Sinica, 2002, 26(2): 160-167.
[5] Xie Y H, Chen X S. Effects of three-gorge project on succession of wetland vegetation in Dongting Lake. Research of Agricultural Modernization, 2008, 29(6): 684-687.
[6] Wang S M, Dou H S. Lakes in China. Beijing: Science Press, 1998: 177-183.
[7] Lei X, Yang B, Jiang W G, Yang Y P, Kuenzer C, Chen Q. Vegetation pattern changes and their influencing factors in the East Dongting Lake wetland. Geographical Research, 31(3): 461-470.
[8] Hu Y X, Huang J L, Deng F. Using remote sensing to monitor wetland cover change and succession in Dongting Lake of China during 1993-2010//2011 International Conference on Multimedia Technology (ICMT). Hangzhou: IEEE, 2011: 5668-5672.
[9] Lowe D G. Object recognition from local scale-invariant features//The Proceedings of the 7th IEEE International Conference Computer Vision. Kerkyra: IEEE, 1999: 1150-1157.
[10] Hansen M, Dubayah R, Defries R. Classification trees: an alternative to traditional land cover classifiers. International Journal of Remote Sensing, 1996, 17(5): 1075-1081.
[11] Weiss E, Marsh S E, Pfirman E S. Application of NOAA-AVHRR NDVI time series data to assess changes in Saudi Arabia's ranglands. International Journal of Remote Sensing, 2001, 22(6): 1005-1027.
[12] Zhu Y Y, Zhu X, Li Z Q. Application of NDVI in Land- cover Investigation by the Remote Sensing. Yunnan Environmental Science, 2003, 22(4): 9-10.
[13] Wang W, Wang W J, Li J S, Wu H, Xu C, Liu X F, Liu T. Remote sensing analysis of impacts of extreme drought weather on ecosystems in southwest region of China based on normalized difference vegetation index. Research of Environmental Sciences, 2010, 23(12): 1447-1455.
[1] 翟中齐, 印嘉祐, 杜锦田. 中国林业经济地理. 北京: 中国林业出版社, 1993: 331-338.
[2] 黄进良. 洞庭湖湿地的面积变化与演替. 地理研究, 1999, 18(3): 297-304.
[3] 刘清华. 洞庭湖湿地景观格局时空变化分析及预测研究 [D]. 长沙: 中南林业科技大学, 2009.
[4] 简永兴, 王建波, 何国庆, 陈家宽. 洞庭湖区三个湖泊水生植物多样性的比较研究. 水生生物学报, 2002, 26(2): 160-167.
[5] 谢永宏, 陈心胜. 三峡工程对洞庭湖湿地植被演替的影响. 农业现代化研究, 2008, 29(6): 684-687.
[6] 王苏民, 窦鸿身. 中国湖泊志. 北京: 科学出版社, 1998: 177-183.
[7] 雷璇, 杨波, 蒋卫国, 杨一鹏, Kuenzer C, 陈强. 东洞庭湿地植被格局变化及其影响因素. 地理研究, 2012, 31(3): 461-470.
[12] 朱云燕, 朱翔, 李卓卿. 归一化差值植被指数在土地覆盖遥感动态调查中的应用. 云南环境科学, 2003, 22(4): 9-10.
[13] 王维, 王文杰, 李俊生, 吴昊, 许超, 刘孝富, 刘锬. 基于归一化差值植被指数的极端干旱气象对西南地区生态系统影响遥感分析. 环境科学研究, 2010, 23(12): 1447-1455.