森林资源是人类赖以生存的物质基础，是林业可持续发展的根本所在，严格保护、科学经营和合理利用森林资源已成为国际社会共同关注的问题^[1]。传统的调查以地面调查方法为主，这种方法费时又费力，并且精度不高，实时性也差。而遥感技术的发展使得森林植被的信息能够实现大面积、实时、动态地获取，尤其在全球环境监测中，发挥着愈来愈重要的作用^[2]。在多时相、多波段遥感影像上提取森林资源信息，具有现势性强、更新周期短和成本相对低廉的特点^[3]。不同森林类型因其光谱特征不同，在影像上的灰度值不同，这为区分不同的地物类型提供可能。为了定量分析浙江省森林资源分布以及年际变化的时空特点，本文以Landsat TM数据为数据源，探索一种精度更高、步骤更简便的森林信息提取方法，从而快速得到浙江省2000、2005、2010年森林资源分布图。在此基础上，分析浙江省2000年到2010年森林变化的空间分布，为浙江省森林资源经营与生态环境建设提供动态决策支持。

使用NOAA/AVHRR数据进行森林信息提取的有：Nemani^[4]等把NOAA/AVHRR影像的红波段、近红外波段、热红外波段作为基础数据，通过归一化植被指数(NDVI)的季节性变动来识别常绿林和落叶林，利用近红外反射率的不同来区分阔叶林和针叶林。Mayaux等采用AVHRR监测森林和热带草原，采用ATSR卫星监测森林二级类，采用ERS以及SAR区分长廊林、种植园和沼泽林，精度达到74.6%^[5]。因为NOAA数据的空间分辨率较低，在小比例尺的制图方面使用有困难，而拥有中等分辨率的Landsat系列卫星此时就非常有效。很多学者都应用Landsat TM影像对森林信息的提取做过研究。Bolstad,Paul V^[6]等以美国威斯康星州北部作为研究区，利用Landsat TM影像结合土壤、地形数据将森林分为13种类型，精度在89%以上。McDonald^[7]基于对Landsat TM 数据的分析发现当植被覆盖度较低时，全球环境监测指数(GEMI)指数对针叶林信息提取最为有利，当植被覆盖度较高时，土壤调节植被指数(SAVI)和转换型土壤调节植被指数(TSAVI)指数最适于提取针叶林信息。刘旭升^[8]根据Landsat ETM+数据基于BP(back-propagation)神经网络法对森林植被进行分类，结果证明灌木林和草地的混分现象有很大的改善，但是存在针阔混分的现象。竞霞^[9]等以密云山区为例，利用多时相遥感数据Landsat TM 进行山区森林植被分类，取得了较好的分类效果。袁金国^[10]通过对森林植被采用植被指数进行基于图像的分类，提出垂直植被指数(PVI)是最适合区分阔叶林和针叶林的植被指数。陆元昌^[11]基于地面调查数据和TM数据根据不同的森林类型具有不同的光谱特征，采用监督分类方法将森林类型分为人工针叶纯林、针叶混交林、阔叶混交林、针阔混交林以及无林地，精度达到80%以上。施拥军^[12]以浙西北山区为研究对象，利用IKONOS卫星影像和Landsat TM进行森林分类至四级，对于TM影像总体精度为70.67%。李俊祥^[13]等利用多时相Landsat TM影像，采用非监督分类方法，将浙江省天童山森林公园的森林类型分为山坡常绿阔叶林、常绿落叶阔叶混交林、人工林(针叶林、竹林)，精度分别为95.1%、74.4%、88.5%、92.3%。

以上所列举的方法或者是需要利用遥感之外的辅助数据，或者研究区有限或者只对森林进行一级分类。目前为止，仍缺乏适合大区域的森林二级类信息遥感自动快速提取方法。

浙江地处北纬27—31°与东经118—123°之间。地理特征明显，地势自西南向东北呈阶梯状倾斜，浙北地区是水网密集的冲积平原，浙东地区是沿海丘陵，浙南地区大部分是山区。浙江地形以丘陵和山地为主，包括5大平原和1个盆地。浙江属于亚热带季风气候区，四季分明，光照充足，年平均气温15—18 ℃，夏季炎热多雨、冬季低温少雨。全年降水充沛，全省年平均雨量在980—2000 mm，降雨集中在春夏季。浙江省森林植被属中亚热带常绿阔叶林，主要森林植被类型有暖性针叶林、常绿阔叶林、落叶阔叶林、常绿落叶阔叶混交林、针阔混交林、竹林、经济林、灌木林等。从地理区域看，浙北平原森林资源较少，浙西北是浙江省竹木重点产区，浙南是浙江森林资源最多的林区。根据2005年浙江省森林资源年度公报，全省林地面积66797 km²，森林面积58442 km²。

本研究使用的数据包括夏季和冬季的多时相Landsat TM5、 ETM+，空间分辨率为30 m，分类使用的遥感数据轨道号以及获取时间如表 1所示，获取不到的数据采用相邻年份相邻月份的影像代替。辅助数据包括30 m精度的数字高程模型(DEM，digital elevation model)以及由此衍生的坡度、坡向数据等地形因子数据、google earth影像、1 ∶ 100000地形图、2005年1 ∶ 250000土地利用图以及野外采样数据。

首先对收集到的影像数据进行辐射校正和几何校正，几何精校正的精度应控制在0.5个像元以内；其次，利用FLAASH大气校正模型对经过辐射校正和几何校正的影像数据进行大气校正；最后，对经过大气校正的反射率数据实现裁剪与拼接。在Landsat TM以及ETM+影像中，TM2、3、4、5这4个波段的组合特性有利于森林植被分类的识别^[14]。通过波段间的相关性分析找到最适合分类的波段组合，使利用该波段组合时影像上的植被信息特征较为明显。本研究采用的投影坐标系为WGS_1984_Albers，地理坐标系为GCS_WGS_1984，分类之前将所有的数据转换到统一的坐标系统中。

现有的全球地表覆盖产品主要包括美国地质调查局(United States Geological Survey，USGS)、马里兰大学(University of Maryland，UMD)、波士顿大学(Boston University，BU)、欧洲开发的1km空间分辨率的数据以及欧洲300m数据产品，其中前三种采用国际地圈生物圈计划(International Geosphere-Biosphere Program，IGBP)17类地表覆被分类系统^[15]，后两种采用联合国粮农组织(Food and agriculture organization，FAO)地表覆被分类系统。中国研发的数据产品主要有全球地表覆盖制图(Global land cover mapping，GLCM)和ChinaCover，这两种数据都采用FAO地表覆被分类系统。FAO由联合国粮农组织以及联合国环境规划署提出，主要目的是为了提高土地覆被数据的可靠性和兼容性，方便国家、区域甚至是全球进行土地覆被数据的交流。FAO采用的是两步分类系统^[16]：一是根据二分法将土地利用分为8种类型，二是模块分级阶段。

ChinaCover根据FAO分类系统最终确定分类体系为6个一级类、36个二级类。其中林地包括常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林、针阔混交林、常绿阔叶灌木林、落叶阔叶灌木林、常绿针叶灌木林、乔木园地、灌木园地、乔木绿地、灌木绿地12个二级类。本文在此基础上根据浙江省林地分布特征将林地分为常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林、针阔混交林、灌木林，剩余的作为其它类。

LBV变换是曾志远在分析主要图像变换方法和大量实践的基础上提出的卫星图像数据与信息提取方法^[17]。通过分析裸地、水体、植被3种地物类型的光谱特征发现，裸地的总辐射水平最强，水体的红外光辐射最弱，植被的辐射随波段变换最剧烈。因此，L集中反映了裸地的信息，B集中反映了水体的信息，V集中反映了林地的信息。

用于LBV变换的TM图像最佳波段组合是TM₂、TM₃、TM₄、TM₅，最优方法为灰度值曲线回归方程法^[18]，其计算公式如式(1)所示：

点击浏览公式

式中，TM2、TM3、TM4、TM5分别是TM影像的2、3、4、5波段的灰度值。

植被指数是指利用卫星不同波段探测数据组合而成的，能反映植物生长状况的指数。总体来说，植被指数的发展经历了3个阶段：第一类是通过原始波段的比值或波段的线性组合，第二类则是利用物理知识，而第三类是有热红外遥感和高光谱遥感演化而来的^[19]。归一化植被指数NDVI属于第二类植被指数。它的计算公式(2)如下：

点击浏览公式

式中，ρ₄为TM影像近红外波段的反射率值，ρ₃为TM影像近红外波段的反射率值。

为了将外部因素对光谱数据的影响降至最低，科学家不断改进波段组合的方式，从而产生了不同的植被指数计算方法^[20]。其中，NDVI长期以来被用来监测植被变化情况，是遥感估算植被信息中最常用的植被指数^[21]。NDVI数据与植被的许多参数密切相关，如光合有效吸收率、叶绿素密度、叶面积指数、植被覆盖度和植被郁闭度^[22]，因此被广泛应用于植被的监测、农作物长势监测、生态环境监测、土地覆被变化监测等等方面。利用NDVI能够很好的提取植被并且具有较强的抗干扰能力。

影像分割是将影像分割为一个个均匀区域的过程，每个均匀区域为一个对象，从而为进一步分割或分类工作提供信息载体和构建的基础^[23]。根据分类需要设置合适的尺度参数、色彩参数与形状参数对影像进行分割，生成不同尺度的影像对象层，从而在特定对象层上提取特定的地物信息。基于eCognition的多尺度分割，共计得到了3个图像对象层。第一层对象是在较大尺度上分割得到的，只有夏季影像参与，分割尺度为150，形状指数为0.2，紧致度为0.5，将影像分为林地与非林地对象并分别合并成为模板；第二层分割用第一层林地模板覆盖下的冬季影像进行，分割尺度为40，形状指数为0.2，紧致度为0.5，主要用于划分常绿林和落叶林；第3次分割分别针对常绿林和落叶林模板覆盖下的夏季影像进行，分割尺度为30，形状指数为0.2，紧致度为0.5，用于区分常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林以及针阔混交林等。

上述过程中每一层的对象的分类采用的都是面向对象的基于决策树的分类方法。对于决策树分类来说样本的选择应全面并且具有代表性，为此每一地类样本点的选择遵循均匀分布原则，且在目标地物面积较大的中心选取。C5.0作为一种决策树算法能够根据提供最大信息增益的字段分割样本数据，并对决策树各叶子进行裁剪或合并来提高分类精度，最后确定各叶子的最佳阈值^[24]。根据上节所述，本文采取了多层决策树的方法进行森林类型的分类。针对将要区分的两个子类别，在易康软件中分别选取两个子类别的典型样本，并计算得到样本的各特征值，除第一层之外，通过C5.0的训练自动给出合适的特征组合及阈值，编写决策规则集输入到易康里，运行决策树得到分类结果。

第一层的植被与非植被的分类本身较为容易，直接选取第一层对象的NDVI^[25]作为分类特征，采用基于样本分布的监督分类法。通过反复试验，选取对象的NDVI值大于0.35的作为植被对象，NDVI值小于等于0.35的作为非植被对象。

植被对象分为常绿林和落叶林两类对象。分别选取常绿林和落叶林的样本，将它们的夏季NDVI、冬季NDVI、NDVI差值、缨帽变换的变量、LBV变量以及TM各波段值作为C5.0的训练输入，来取得决策规则。样本的夏季、冬季NDVI以及NDVI差值如图 1所示。最终，C5.0给出了冬季影像NDVI作为唯一的决策特征。从图 1可以看出冬季NDVI以及NDVI差值都能区分常绿林和落叶林，但冬季NDVI效果更好。根据C5.0给出的阈值，选取冬季NDVI值大于0.6的对象为常绿林，小于等于0.6的为落叶林。

图 1 常绿林、落叶林样本NDVI值 Fig. 1 Value of NDVI of evergreen and broad-leaved forest samples

图选项

常绿林对象分为常绿针叶林和常绿阔叶林两类。经研究，前述的几种特征已经不再适用于这一层的分类任务。分别选取典型常绿针叶林和常绿阔叶林样本，将主成分分析之后得到的变量、缨帽变换的变量、LBV变量、PVI以及TM各波段值输入C5.0进行训练，输出的特征集是夏季V特征。对常绿针叶林、常绿阔叶林样本V特征统计如图 2所示，从图 2可以看出，夏季影像的V特征能很好的区分常绿针叶林与常绿阔叶林。根据输出的阈值，选取夏季V特征大于2900的对象为常绿阔叶林，选取夏季V特征小于2710的对象为常绿针叶林。介于两者之间的像元对象为针阔混交林。

图 2 常绿针叶林、常绿阔叶林样本夏季V值 Fig. 2 V of evergreen and broad-leaved forest samples in summer

图选项

类似地，落叶林分为落叶针叶林和落叶阔叶林两类。方法和过程同常绿林但C5.0输出的特征集是夏季第4波段。落叶针叶林和落叶阔叶林样本第4波段的值如图 3所示。夏季第4波段的值大于2837的对象为落叶阔叶林，小于等于2837的对象为落叶针叶林。

图 3 落叶针叶林、落叶阔叶林样本夏季第4波段值 Fig. 3 Value of the fourth band of deciduous coniferous forest and broadleaved deciduous forest samples in summer

图选项

(1)总体分类精度

总体分类精度指被正确分类的像元总数占总像元数的比例。

点击浏览公式

式中，P_o是分类的总体精度，表示分类结果与实际地物类型一致的概率，m为分类的类别数，N为样本总数，P_ii为第i类被正确分类的样本数目。

(2) 总体Kappa系数

Kappa系数是由Cohen在1960年提出的用于评价遥感图像分类的正确程度和比较图件一致性的指数^[26]。

点击浏览公式

式中，K为Kappa系数。

2 000年、2005年以及2010年浙江省的土地利用覆盖图如图 4、5、6所示。

图 4 浙江省2000年土地利用覆被图 Fig. 4 Map of land use and land cover in Zhejiang Province in 2000

图选项

图 5 浙江省2005年土地利用覆被图 Fig. 5 Map of land use and land cover in Zhejiang Province in 2005

图选项

图 6 浙江省2010年土地利用覆被图 Fig. 6 Map of land use and land cover of Zhejiang Province in 2010

图选项

经SPSS软件统计分析得知浙江省2000年的森林面积为61075.5 km²，森林覆盖率为58.79%；2005年的森林面积为61100.2 km²，森林覆盖率为58.82%；2010年的森林面积为61981.3 km²，森林覆盖率为59.67%。2000年到2005年森林覆盖率增长0.03%，2005年到2010年森林覆盖率增长0.85%。在ArcGIS中将各个市的矢量边界与浙江2010年土地覆被分类结果进行相交处理，统计得到各个市的森林面积。其中，丽水市的森林面积为13689 km²，占全省森林面积的22.16%；杭州市的森林面积为11697 km²，占全省森林面积的18.93%；温州市的森林面积为7842 km²，占全省森林面积的12.74%；金华市的森林面积为6501 km²，占全省森林面积的10.51%；衢州市的森林面积为5940 km²，占全省森林面积的9.62%。从空间分布来看，森林主要分布在浙南、浙西北以及浙东的丘陵地区，这和浙江省的地形分布趋势一致。

本文采用的样本点为2010年浙江省环保厅野外调查取样的点，共有1216个点，以正确分类的点数占调查总点数的百分比计算精度。浙江省分类正确的点以及分类错误的点的分布如图 7所示。

图 7 浙江省验证样本点分布 Fig. 7 Distribution of verification sample points in Zhejiang

图选项

浙江省林地分类结果的混淆矩阵如表 2所示。根据混淆矩阵可以看出浙江省森林分类总体精度为 92.76%，总体Kappa系数为0.893，总体分类精度良好。其中，常绿针叶林和常绿阔叶林的分类精度要比落叶针叶林和落叶阔叶林的精度要高，这说明区分常绿林和落叶林和所选影像的时相以及所选择的样本关系密切。常绿针叶林、常绿阔叶林易与针阔混交林混淆，由于光谱特征比较相似，出现了较多错分现象，这是目前森林分类的难点所在。

对3a的森林专题图进行空间叠加分析，得到森林变化的空间分布图。2000到2005年以及2005到2010年浙江省森林资源变化的空间分布如图 8所示。

图 8 森林变化的空间分布 Fig. 8 Spatial distribution of forests′ change 左边是2000—2005年森林资源变化图，右边是2005—2010年森林资源变化图

图选项

统计分析得知，2000年到2005年，常绿针叶林的转出面积(从常绿针叶林变为其他类别)为41 km²，转入面积(从其他类别变为常绿针叶林)为53 km²；常绿阔叶林的转出面积为57 km²，转入面积为56 km²；落叶针叶林的转出面积为16 km²，转入面积为4.3 km²；落叶阔叶林的转出面积为0.7 km²，转入面积为2.4 km²；针阔混交林的转出面积为1.2 km²，转入面积为2.3 km²。2005年到2010年，常绿针叶林的转出面积为56 km²，转入面积为446 km²；常绿阔叶林的转出面积为39 km²，转入面积为192 km²；落叶针叶林的转出面积为9 km²，转入面积为188 km²；落叶阔叶林的转出面积为6.5 km²，转入面积为103 km²；针阔混交林的转出面积为0.2 km²，转入面积为21 km²。

从图 8和以上分析数据得到结论2005到2010年浙江省森林变化较2000到2005年更剧烈。2000年到2005年林地的转入类别主要是裸土、耕地、河流、水库/坑塘、草丛，转出类别主要是裸土、居住地、水库/坑塘、湖泊、采矿场；2005年到2010年林地的转入类别主要是耕地、裸土、居住地，转出类别主要是耕地、居住地、裸土、工业用地。从总体上看，2005年到2010年变化斑块的面积和密度都比2000到2005年大。2000年到2005年，浙江省积极响应国家“退耕还林”政策，整个省域森林覆盖率都在提高。而2005年到2010年，从图上看来减少的森林面积较多，主要分布在东南沿海以及浙西北，实际上森林的增加占绝对优势，主要分布在浙江中部以及南部山区，这是因为，随着工业化的扰动，浙江变化图斑更加破碎，很多小图斑聚集在一起看似面积很大。在过去的10a，全省森林面积增长1.015倍，森林覆盖率从58.79%提高到59.67%，环保部门预测到2015年，全省森林覆盖率将达到61%以上。另外，随着浙江省对林业发展的重视不断提高，人们从更加科学合理的角度利用土地，山区的裸地等未利用地逐渐变为植被覆盖度较高的土地覆被类型并且一些不利于种植作物的土地利用类型也变为森林。

(1) 本文采用面向对象的方法对浙江省的森林信息进行快速提取，得到浙江省2000年、2005年以及2010年的土地覆被分类，2010年林地分类精度较高，达到92.76%，这表明基于卫星影像的面向对象分类用于林业资源调查、土地利用调查是可行的。本文的不足之处在于文中的灌木林是目视解译得到的，没有研究森林中灌木林的遥感自动提取方法，今后将往这个方向进一步进行研究。

(2) 由于植被二级分类比较困难，用单一时相数据划分森林类型存在较大难度。本文在多尺度分割的基础上，结合多时相、多源遥感数据，利用决策树算法，较好地解决了森林植被的二级分类问题。结果表明，面向对象分类与决策树算法结合为森林植被信息的提取提供了新的方法。

(3) 文中对3a间森林资源分布的空间位置及其空间变化进行了分析，结果表明随着时间的推移，森林变化越来越剧烈，浙江中南部山区是森林增加的主要区域，沿海地带是森林减少的主要区域。对于森林变化的小斑块要进行人工修正，确定是否是虚假变化。由于研究的时间尺度较小，自然因素导致的变化相对缓慢，人文因素占主导地位。