基于Zone模型的森林小班變化信息提取方法研究

龔鑫燁 ，華一枝 ，黃星旻 ，溫小榮 ，林國(guó)忠 ，陶吉興 ，徐 達(dá)

（1.南京林業(yè)大學(xué) a.南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心；b.林學(xué)院，江蘇 南京 210037；2. 浙江省森林資源監(jiān)測(cè)中心，浙江 杭州 310020）

森林資源是人類賴以生存的物質(zhì)基礎(chǔ)和林業(yè)可持續(xù)發(fā)展的根本所在，堅(jiān)決保護(hù)、科學(xué)經(jīng)營(yíng)和合理利用森林資源是國(guó)際社會(huì)長(zhǎng)久關(guān)注的問題之一[1]。由于森林分布廣泛、森林變化分散又隨機(jī)，傳統(tǒng)的以地面調(diào)查為主的森林變化信息采集方法工作量大、效率低、成本高、精度低[2-3]，森林變化信息采集成了長(zhǎng)期以來森林資源信息更新的難點(diǎn)，如何及時(shí)、準(zhǔn)確的獲取森林植被變化信息十分重要。近年來，由于遙感技術(shù)的進(jìn)一步發(fā)展，基于遙感圖像的森林變化信息采集方法逐漸得到廣泛應(yīng)用[4-6]。羅號(hào)等利用影像代數(shù)變化檢測(cè)、掩膜處理變化檢測(cè)、寫功能存儲(chǔ)插入法變化檢測(cè)和分類后比較變化檢測(cè) 4 種算法開展了黃豐橋林場(chǎng)的森林變化檢測(cè)對(duì)比研究，得出最適合研究區(qū)的變化檢測(cè)方法是分類后比較變化檢測(cè)算法[7]；魏安世等利用基于圖像分割方法自動(dòng)更新小班變化界線[8]；孟雪等利用國(guó)產(chǎn)高分辨率影像提取面向?qū)ο蟮牡仡愋畔9]；高媛赟等比較并分析了適用于資源一號(hào) 02C 數(shù)據(jù)提取森林資源變化信息的融合和分類方法[10]；邢元軍等利用面向?qū)ο蟮姆椒▽?duì) ALOS 遙感影像進(jìn)行森林植被變化信息的提取，精度較高[11]。

本研究基于浙江省建德市2013年和2014年Landsat8 OLI和2007年建德市二類調(diào)查小班數(shù)據(jù)為數(shù)據(jù)源，分析基于統(tǒng)計(jì)分布和Zone模型對(duì)于有林地小班變化信息的提取，獲得適合研究區(qū)的小班變化信息提取方法。

1 研究區(qū)概況和數(shù)據(jù)介紹

建德市位于浙江省西部，東經(jīng)118.8°～119.7°，北緯29.1°～29.8°。地處金衢盆地和浙西丘陵山地毗連處，地表多為分割破碎的低山丘陵。主要有黃壤、潮土、紅壤、巖性土和水稻土五種土壤類型。屬亞熱帶季風(fēng)性氣候，光照充足，雨量充沛，森林資源十分豐富，森林樹種達(dá)700余種，其植被類型主要有常綠闊葉林、針葉林、落葉闊葉林、竹林、經(jīng)濟(jì)林等地帶性植被。森林覆蓋率達(dá)80%，因此對(duì)其森林植被的變化研究具有重要意義。

本研究采用的基礎(chǔ)數(shù)據(jù)為試驗(yàn)區(qū)有關(guān)的森林資源調(diào)查矢量數(shù)據(jù)，包括:1）2007年建德市森林資源二類調(diào)查小班數(shù)據(jù)；2）2013年補(bǔ)充調(diào)查數(shù)據(jù)和林地落界數(shù)據(jù)；影像數(shù)據(jù)包括:1）2013年11月8日浙江省建德市Landsat8 OLI遙感影像；2）2014年10月6日浙江省建德市Landsat8 OLI遙感影像。

2 原理與方法

2.1 影像預(yù)處理方法

利用ENVI5.1軟件對(duì)前期影像進(jìn)行基于偽不變特征的輻射歸一化處理[12]。利用2013年遙感影像對(duì)2014年遙感影像和研究區(qū)森林資源調(diào)查矢量數(shù)據(jù)進(jìn)行圖像配準(zhǔn)[13]，校正誤差控制在0.1個(gè)像元內(nèi)并采用最鄰近法進(jìn)行重采樣。依據(jù)研究區(qū)森林資源二類調(diào)查小班數(shù)據(jù)，融合生成研究區(qū)矢量邊界，并以此為邊界裁剪遙感影像獲得研究區(qū)2013、2014年的影像數(shù)據(jù)。篩選小班屬性表中有林地小班29 418個(gè)，小班屬性表中包括小班編號(hào)、地類、優(yōu)勢(shì)樹種、地貌、坡度、坡向、齡級(jí)等因子。

2.2 有林地小班變化類型的確定

依據(jù)影像特征差異可以區(qū)分不同地物，這些典型的影像特征稱為影像解譯標(biāo)志[14]。解譯標(biāo)志的建立是解譯的基礎(chǔ)，是影像解譯質(zhì)量的保障。依據(jù)研究區(qū)二類調(diào)查小班數(shù)據(jù)屬性表篩選有林地

小班，基于前后兩期影像紋理、色調(diào)等特征以及屬性表中年齡、樹高、胸徑等因子信息的綜合分析，建立有林地小班變化類型目視解譯標(biāo)志，解譯標(biāo)志見表1。本文針對(duì)有林地提取小班的變化信息，常見的變化類型有:1）有林地小班變?yōu)槠渌值匦“啵?）有林地小班變?yōu)榉橇值匦“啵?）其他林地小班變?yōu)橛辛值匦“啵?）非林地小班變?yōu)橛辛值匦“?。本研究將目視解譯得到的變化小班假設(shè)為建德市2013年到2014年間有林地小班變化真值，并作為有林地小班變化信息提取方法精度評(píng)價(jià)的標(biāo)準(zhǔn)。

2.3 有林地小班變化信息提取方法

2.3.1 基于統(tǒng)計(jì)分布的有林地小班變化信息提取

假設(shè)一組數(shù)據(jù)X總體服從正態(tài)分布，則隨機(jī)變量X有:

其中，μ和σ分別表示均值和標(biāo)準(zhǔn)差。誤差控制一般采用2倍標(biāo)準(zhǔn)差，可以看出X的取值幾乎全部落在區(qū)間 [μ-2σ，μ+2σ]內(nèi)，落在以 μ為中心，2為半徑區(qū)間外的概率低于0.05，通常認(rèn)為隨機(jī)變量 X 的取值范圍為區(qū)間 [μ-2σ，μ+2σ]，這被稱為2倍標(biāo)準(zhǔn)差準(zhǔn)則，該準(zhǔn)則適用于大樣本（n＞50）[15]。異常值是指一組數(shù)據(jù)中與平均值的偏差值大于2倍標(biāo)準(zhǔn)差的數(shù)據(jù)，在統(tǒng)計(jì)檢驗(yàn)中，指定為檢出異常值的顯著性水平α=0.05，稱為檢出水平[16]。根據(jù)2倍標(biāo)準(zhǔn)差準(zhǔn)則，可將小于μ-2σ或大于μ+2σ的數(shù)據(jù)作為異常值，予以排除。

本研究基于兩期相對(duì)輻射校正影像，提取影像歸一化植被指數(shù)值（NDVI）[17-18]，并計(jì)算其差值影像，利用ArcGIS軟件計(jì)算影像對(duì)歸一化植被指數(shù)差異值的均值，按照2倍標(biāo)準(zhǔn)差準(zhǔn)則剔除異常值。NDVI對(duì)紅色和近紅外波段做一定非線性數(shù)學(xué)變換，增強(qiáng)植被信息，削弱非植被信息，計(jì)算公式見公式（3）。其對(duì)植被的生長(zhǎng)比較敏感，是常被用來指示植被生產(chǎn)力的最佳指示因子。

式中，ρnir為近紅外波段反射率，ρred為紅色波段反射率。

2.3.2 基于Zone模型的有林地小班變化信息提取

Zone模型算法[19]是使用兩個(gè)光譜指數(shù)捕捉2個(gè)日期間的土地覆蓋變化的變化檢測(cè)算法，用來計(jì)算土地覆蓋已有的以及潛在的變化，包括變化的方向和變化的位置。影像在Zone處理下生成生物量增長(zhǎng)（BI)和生物量減少(BD)。Zone模型通過整合2個(gè)指標(biāo)，準(zhǔn)確檢測(cè)兩期影像之間的變化。兩個(gè)指標(biāo)分別是:燃燒指數(shù)差異dNBR[20]（the differenced normalized burn ratio），計(jì)算公式見（4）、歸一化植被指數(shù)差異dNDVI[21]（the differenced normalized difference vegetation index），計(jì)算公式見（5）。燃燒指數(shù)（NBR）[22]一般用于監(jiān)測(cè)火干擾，歸一化植被指數(shù)（NDVI）用于監(jiān)測(cè)植物生長(zhǎng)狀況和活力，值處于-1～1之間，負(fù)值表示地面覆蓋為云、雪等；0表示裸土或巖石；正值表示植被覆蓋，其值越大表示森林覆蓋度越大。NBR和NDVI是不同波段的比值，因此與單波段相比不易受到地形和輻射的影響，對(duì)森林火災(zāi)和森林采伐等森林干擾和更新更加敏感。影像間NBR和NDVI的差異（即dNBR和dNDVI)表明了變化方向和變化幅度。

表1 遙感影像有林地小班變化信息提取目視解譯標(biāo)志Table 1 Visual interpretation marks of extraction forest sub-compartment changing information based on remote sensing image

Zone根據(jù)下面兩式檢測(cè)多個(gè)閾值的每個(gè)變化指數(shù)的大小來定義每個(gè)像元的生物量增長(zhǎng)或生物量減少。

B1i（i=1，…6，7）指前期影響各波段，B2i（i=1，…6，7）指后期影像各波段。

在ArcGIS10.1環(huán)境下對(duì)Zone模型計(jì)算得到BD圖層矢量化，并對(duì)其進(jìn)行面積計(jì)算，通過多次試驗(yàn)，將面積大于2 700 m2，即3個(gè)以上連續(xù)像元認(rèn)定為生物量減少的小班。并與二類調(diào)查矢量小班進(jìn)行位置篩選，計(jì)算得最終生物量減少小班。統(tǒng)計(jì)BI圖層各小班內(nèi)生物量增長(zhǎng)像元個(gè)數(shù)，根據(jù)經(jīng)驗(yàn)及試驗(yàn)將生物量增加像元個(gè)數(shù)占小班總像元數(shù)30%以上的小班認(rèn)定為可能變化小班，其他則認(rèn)定為正常生長(zhǎng)小班。

2.4 精度評(píng)價(jià)

以研究區(qū)內(nèi)目視解譯得到的有林地小班變化結(jié)果作為有林地小班變化信息真值，基于正確檢測(cè)率、漏檢數(shù)（FN，F(xiàn)alse negatives）、錯(cuò)檢數(shù)（FP，F(xiàn)alse positives）3個(gè)定量指標(biāo)[23]作為標(biāo)準(zhǔn)對(duì)本研究中兩種有林地小班變化信息提取方法分別作出精度評(píng)價(jià)。

3 結(jié)果分析

3.1 目視解譯有林地小班變化信息

建德市共有29 418個(gè)有林地小班，目視解譯提取有林地變化小班278個(gè)，其中植被覆蓋度增加小班66個(gè)，植被覆蓋度減少小班212個(gè)。

3.2 基于統(tǒng)計(jì)分布的有林地小班變化信息提取結(jié)果

基于2013、2014年相對(duì)輻射校正影像，提取影像對(duì)歸一化植被指數(shù)差值（dNDVI），得到有林地小班NDVI差值誤差統(tǒng)計(jì)分布，如圖1所示。有林地小班NDVI差值平均值為-0.003，標(biāo)準(zhǔn)差為0.060。有林地小班NDVI值處于（-∞，-0.123]區(qū)間，表示有林地覆蓋度減少；有林地小班NDVI值處于（-0.123，0.117）區(qū)間，表示有林地小班覆蓋度不變；有林地小班NDVI值處于[0.117，+∞）區(qū)間，表示有林地小班覆蓋度增加。提取植被覆蓋度增加有林地小班202個(gè)，植被覆蓋度減少有林地小班36個(gè)。

圖1 NDVI差值誤差統(tǒng)計(jì)分布圖Fig. 1 The error statistical distribution of subcompartment NDVI difference

3.3 基于Zone模型的有林地小班變化信息提取結(jié)果

基于dNDVI和dNBR的Zone模型可檢測(cè)出研究區(qū)內(nèi)最大潛在光譜變化。為了實(shí)現(xiàn)Zone模型，本文根據(jù)大?。?biāo)準(zhǔn)平均偏差）和方向（正負(fù)偏差）將dNBR和dNDVI劃分為4個(gè)區(qū)間。分別為:

（1）生物量減少且dNDVI/dNBR在平均值和平均值加0.5倍標(biāo)準(zhǔn)差之間的像元；

（2）生物量增加且dNDVI/dNBR在大于平均值加0.5倍標(biāo)準(zhǔn)差到小于或等于平均值之間的像元；

（3）生物量減少且dNDVI/dNBR超過它的平均值加0.5倍標(biāo)準(zhǔn)差的像元；

（4）生物量增加且dNDVI/dNBR小于它的平均值加0.5倍標(biāo)準(zhǔn)差的像元。

由dNDVI和dNBR得到的Zone結(jié)合起來得到16個(gè)區(qū)域，本文指定高階且dNDVI、dNBR同時(shí)正方向的區(qū)域?yàn)锽D（即44區(qū)域），指定高階且dNDVI、dNBR同時(shí)負(fù)方向的區(qū)域?yàn)锽I（即33區(qū)域）。最后用邏輯法則將兩種算法的結(jié)果整合，從而減少誤差。

結(jié)合基于像元的變化檢測(cè)結(jié)果和研究區(qū)二類調(diào)查小班數(shù)據(jù)，得到植被覆蓋度增加的小班為92個(gè)，植被覆蓋度減少的小班為368個(gè)，共460個(gè)變化小班。

3.4 精度評(píng)價(jià)

以3.1節(jié)中目視解譯得到的有林地小班變化信息為真值，以正檢率、錯(cuò)檢率、漏檢率這三個(gè)定量指標(biāo)作為標(biāo)準(zhǔn)對(duì)三種提取方法的精度進(jìn)行以下評(píng)價(jià)。

由表2可知，綜合三個(gè)定量指標(biāo)，基于Zone模型的有林地小班變化信息提取方法檢測(cè)出變化小班共460個(gè)，總體精度為80.58%，漏檢率為19.42%，錯(cuò)檢率為84.89%，檢測(cè)精度優(yōu)于統(tǒng)計(jì)分布法。有林地小班變化信息提取結(jié)果見圖2～圖4。

4 結(jié)論與討論

在利用Landsat8 OLI衛(wèi)星影像對(duì)提取有林地小班變化信息過程中得到以下結(jié)論:

表2 有林地變化小班提取精度對(duì)比Table 2 Comparison of changing forest sub-compartment extraction accuracy

圖2 目視解譯有林地小班變化信息結(jié)果Fig. 2 Forest sub-compartment changing information based on visual interpretation

利用單一的基于dNDVI值的統(tǒng)計(jì)分布提取方法操作簡(jiǎn)單但效果并不理想，正檢率和漏檢率均差于基于Zone模型的有林地小班變化信息提取方法，且錯(cuò)檢率也較高；

利用基于NDVI和NBR的Zone模型以像元為單位檢測(cè)生物量變化情況，結(jié)合矢量數(shù)據(jù)得到的最終小班變化信息正確率較高，漏檢率較低。雖有較高錯(cuò)檢率，但由于正檢率較高，相較于初始矢量數(shù)據(jù)需要進(jìn)一步變更核實(shí)地類的圖斑數(shù)量大大減少，提高了林地變更工作的效率，因此該方法是適合本研究區(qū)的一種有林地小班變化信息提取方法。

本研究中基于Zone模型的有林地小班變化信息提取方法雖有較高正檢率和較低漏檢率，但存在較高錯(cuò)檢率，其原因可能是:(1)選取的陸地衛(wèi)星影像質(zhì)量不高；(2)受云、季節(jié)和影像獲取時(shí)間的影響；(3) Zone模型的檢測(cè)結(jié)果與小班的結(jié)合規(guī)則的選擇具有一定主觀性，為提高正檢率，設(shè)置的結(jié)合規(guī)則可能會(huì)引入部分偽變化。為降低該方法的錯(cuò)檢率，可從以下幾點(diǎn)進(jìn)行進(jìn)一步研究探討:(1)選擇質(zhì)量更高的遙感影像；(2)使用不同季節(jié)的多對(duì)影像相互補(bǔ)充，以減少云、季節(jié)變化和影像獲取時(shí)間可能引起的虛假變化；(3)完善Zone模型的算法，提高基于像元的變化檢測(cè)結(jié)果；(4)結(jié)合實(shí)際情況，探討更具科學(xué)性的基于Zone模型的變化檢測(cè)結(jié)果與小班結(jié)合的規(guī)則。

基于Zone模型的有林地小班變化信息提取方法通過整合光譜的變化檢測(cè)指標(biāo)，結(jié)合矢量數(shù)據(jù)將像元變化信息轉(zhuǎn)化為有林地小班的變化信息，可為林地變更提供技術(shù)支撐。但使用遙感算法精確捕捉大面積區(qū)域的有林地小班變化信息非常復(fù)雜，在全國(guó)范圍內(nèi)使用仍需有效的統(tǒng)一算法。

圖3 基于統(tǒng)計(jì)分布的有林地小班變化信息提取結(jié)果Fig. 3 Forest sub-compartment changing information based on the statistical distribution

圖4 基于Zone模型的有林地小班變化信息提取結(jié)果Fig. 4 Forest sub-compartment changing information based on the Zone model