基于高分二號遙感數(shù)據(jù)的森林自然度等級劃分

張 馳，佃袁勇,2，黃光體，周靖靖,2，李 源，王 熊

(1.華中農(nóng)業(yè)大學園藝林學學院，湖北 武漢 430070；2．湖北林業(yè)信息工程技術(shù)研究中心，湖北 武漢 430070；3．湖北省林業(yè)調(diào)查規(guī)劃院，湖北 武漢 430079)

森林自然度作為衡量森林群落類型當前狀態(tài)與地帶性頂級群落之間的差距指標，被廣泛用于森林經(jīng)營現(xiàn)狀的評價，同時也為森林近自然經(jīng)營提供指導[1-3]。森林自然度評價是生態(tài)系統(tǒng)保護和恢復(fù)計劃的關(guān)鍵步驟[4-5]。為定量化評估森林自然度等級，現(xiàn)階段主要從兩個方面來做:一是比較現(xiàn)實森林植被與相對其存在的天然狀態(tài)之間的差距或相似性[6-7]；二是衡量人類對森林的干擾程度，間接實現(xiàn)對森林自然度的評價[8]。評估的方法主要依據(jù)地面調(diào)查[3]，選擇不同的評價指標進行森林自然度評估。目前國內(nèi)外學者多從森林群落物種豐富度、森林結(jié)構(gòu)、群落演替、林分更新狀況及干擾程度等方面篩選相關(guān)指標構(gòu)建森林自然度評級體系，如Shannon指數(shù)、Pielou指數(shù)、鄉(xiāng)土樹種數(shù)量和種類數(shù)等[1-3,6-11]。

地面調(diào)查評估森林自然度的方法雖能較好地評價樣地水平的森林近自然狀態(tài)，但該方法耗時耗力，且不能及時反映森林自然度的空間分布及變化情況[8,10-11]。隨著遙感技術(shù)日新月異的發(fā)展，現(xiàn)在已實現(xiàn)了高分辨率遙感影像數(shù)據(jù)大量快速的獲取，為進行大區(qū)域范圍的森林資源監(jiān)測提供了豐富的數(shù)據(jù)源[12-14]。目前遙感技術(shù)在林業(yè)的應(yīng)用主要集中在定性分析與定量反演兩個方面，前者被廣泛應(yīng)用于樹種分類、地表覆蓋類型分類等方面，而定量遙感則主要被應(yīng)用于諸如郁閉度、生物量等各項森林參數(shù)的反演[15-16]。在此基礎(chǔ)上，大量研究[17-19]結(jié)果表明，遙感技術(shù)對森林狀態(tài)的判別也具有較好的指示作用，對森林的健康狀態(tài)、生產(chǎn)力能力等都具有較好的判別作用。因此，結(jié)合樣地尺度林分特征數(shù)據(jù)與區(qū)域大尺度遙感影像數(shù)據(jù)的特點，構(gòu)建一種能在區(qū)域尺度范圍劃分森林自然度等級的方法，為森林近自然經(jīng)營與森林生態(tài)系統(tǒng)保護和恢復(fù)提供基礎(chǔ)。

1 研究區(qū)概況與研究數(shù)據(jù)

1.1 研究區(qū)概況

九華山林場位于湖北省十堰市竹山縣南部(東經(jīng)110°08′～110°12′，北緯32°01′～32°06′)，地處堵河中上游，屬于北亞熱帶濕潤氣候區(qū)，林場土地總面積為7 628.4 hm2，森林覆蓋率為97.2% ，屬于高山地貌。林場內(nèi)地形復(fù)雜多樣，主要為新生代地層，其植物物種豐富多樣，典型林分有杉木[Cunninghamialanceolata(Lamb.) Hook.]、馬尾松(PinusmassonianaLamb.)、化香(PlatycaryastrobilaceaSieb. et Zucc.)、樺木(BetulaluminiferaH. Winkl.)和枹櫟(QuercusserrataThunb.)等。

1.2 研究數(shù)據(jù)

1.2.1 樣地數(shù)據(jù) 研究區(qū)位于北亞熱帶常綠、落葉闊葉混交林地帶。根據(jù)所在地區(qū)林分分布特點，選取具有代表性的群落類型，在試驗區(qū)內(nèi)分別設(shè)置針葉林、針闊混交林、闊葉混交林等典型群落類型的不同演替階段的樣地共21個(編號1～21號)(圖1)，分別于2017年10月與2018年5月進行調(diào)查。樣地大小為20 m×20 m，在每個樣地內(nèi)的四周和中心分別設(shè)置 5 m×5 m 的灌木樣方和 1 m×1 m 的草本樣方各 5 個，記錄樣地的經(jīng)緯度、海拔、坡向(正北方向計為0°， 以順時針方向計算)和坡度(表1)。調(diào)查樣地中喬木層、灌木層及草本層因子，喬木層調(diào)查樹種、林齡、胸徑、樹高、冠幅、郁閉度等; 灌木層和草本層分別記錄其種名、株數(shù)、多度、頻度、蓋度。其中1號樣地為杉木純林，其余20個樣地均為混交林。其中兩樹種混交的樣地中，2～6號樣地為杉木、馬尾松混交林；7～8號樣地為杉木、枹櫟混交林；9號樣地為杉木、樺木混交林；10號樣地為杉木、其他軟闊混交林；19號樣地為杉木、華山松(PinusarmandiiFranch.)混交林；20號樣地為樺木、華山松混交林；21號樣地為枹櫟、化香混交林。三樹種混交林的樣地中，11～14號樣地為杉木、枹櫟、樺木混交林；15號樣地為杉木、檫木[Sassafrastzumu(Hemsl.) Hemsl.]、樺木混交林；16～17號樣地為杉木、枹櫟、化香混交林；18號樣地為杉木、馬尾松、檫木混交林。

圖1 樣地分布Figure 1 Distribution of sample plots

表1 樣地概況Table 1 Information of sample plots

1.2.2 森林資源規(guī)劃設(shè)計調(diào)查數(shù)據(jù) 研究中采用了第七次公布的全國森林資源規(guī)劃設(shè)計調(diào)查數(shù)據(jù)中竹山縣數(shù)據(jù)，主要利用了小班邊界、森林起源數(shù)據(jù)。

1.2.3 遙感數(shù)據(jù) GF-2影像獲取時間為2017年7月29日，軌道號10/160，景序列號2655323，數(shù)據(jù)空間分辨率4 m。采用的高程數(shù)據(jù)來自于ASTRER DEM(NASA and Japan METI, https:∥pdaac.usgs.gov/products/astgtmv002/)，該數(shù)據(jù)空間分辨率為30 m。

2 研究方法

2.1 森林自然度等級樣本提取

基于21個樣地，首先確定樣地尺度森林自然度等級，主要從群落組成、結(jié)構(gòu)特征、群落演替和干擾程度4個方面選擇森林自然度評價指標，共篩選出13個指標參與評價。其中群落組成有樹種株數(shù)組成、樹種斷面積指數(shù)組成、活地被種類數(shù)、喬木層Simpon指數(shù)和Shannon指數(shù)指標；結(jié)構(gòu)特征有胸徑標準差、林分密度、林層結(jié)構(gòu)和郁閉度指標；群落演替有天然更新數(shù)、鄉(xiāng)土樹種比例指標；干擾程度有林分起源、枯立木狀況指標。采用層次分析法，綜合評價樣地森林自然度值，劃分為3個等級(Ⅰ、Ⅱ、Ⅲ)。其次，以樣地尺度森林自然度等級為基礎(chǔ)，提取遙感影像中森林自然度等級樣本。通過以樣地的森林自然度等級為中心，以森林資源二類調(diào)查的森林小班邊界為約束條件，構(gòu)建樣地緩沖區(qū)，提取緩沖區(qū)中歸一化植被指數(shù)(normalized difference vegetation index， NDVI)值符合條件的像素點作為森林自然度等級的樣本點。

2.2 特征因子提取

為準確劃分區(qū)域尺度的森林自然度等級，基于遙感圖像中提取不同的特征因子。多光譜圖像的各波段之間高度相關(guān)，但其數(shù)字高程值和顯示效果近似，進行主成分(principal components， PC)分析，可去除波段間的多元信息，將多波段的圖像信息壓縮到少數(shù)的光譜主成分變化分量中，研究中采用含信息量較為豐富的前3個分量，即第一主成分(PC1)、第二主成分(PC2)、第三主成分(PC3)。研究中采用的植被指數(shù)包括NDVI和比值植被指數(shù)(ratio vegetation index, RVI)。研究基于遙感圖像中提取光譜主成分變化分量、植被指數(shù)、灰度共生紋理特征及地形特征4個方面共40個特征因子用于分類(表2)。

表2 特征因子 Table 2 Feature factors

2.3 分類算法

隨機森林算法是近年來一種比較流行的分類技術(shù)，是一種新型高效的組合分類器，遠勝于傳統(tǒng)的分類方法[20]。隨機森林算法是利用隨機重采樣技術(shù)Bootstrap 和節(jié)點隨機分裂的技術(shù)構(gòu)建多棵決策樹，通過投票得到最終分類的結(jié)果，其在多光譜、多時相和高維遙感影像的分類中表現(xiàn)出較高的分類精度、較快的運算速度和穩(wěn)定性[21]。該算法的一個重要特點是在使用隨機森林進行預(yù)測，正確分類的過程中，分析每個特征并進行重要性排序，然后用戶可以過濾不必要的特征，從而得到與因變量高度相關(guān)的特征子集，選擇出數(shù)量較少的特征變量，并能夠充分得到較好的分類結(jié)果，從而使構(gòu)建的分類器模型分類精度較高，同時節(jié)省試驗運行的時間[22]。

2.4 精度評價

不同森林自然度等級的樣本被分割成兩份，20%被保留作為驗證模型的數(shù)據(jù)，其他80%用來訓練。在訓練中采用三折交叉驗證法，交叉驗證重復(fù)3次，每份驗證1次，平均3次的結(jié)果最終得到1個單一估測值。該方法的優(yōu)勢在于同時重復(fù)運用隨機產(chǎn)生的子樣本進行訓練和驗證，每次的結(jié)果驗證1次。采用混淆矩陣中的總體精度、Kappa系數(shù)、制圖精度及用戶精度4個指標評估分類精度。具體的計算公式如下：

(1)

(2)

(3)

(4)

式中：N為總樣本數(shù)；k為總的類別數(shù)目；i為分類結(jié)果數(shù)；j為驗證分類數(shù)；Nii為被分到正確類別的樣本數(shù)；Njj為驗證樣本中分到正確類別的樣本數(shù)；Ni+和N+i分別是第i行和第i列的總樣本數(shù)量；N+j為實際分類中被分為j類的樣本總數(shù)。

3 結(jié)果與分析

3.1 樣地尺度森林自然度等級

運用層次分析法對構(gòu)建的森林自然度評價指標體系進行權(quán)重賦值，最終得到森林自然度數(shù)值，該值分布在0 ～1之間。根據(jù)樣本中森林自然度數(shù)值的分布，結(jié)合研究區(qū)現(xiàn)實林分演替狀態(tài)，將九華山林場的森林自然度值按照0～0.400 0，0.400 0～0.600 0，0.600 0～1.000 0劃分為低、中、高3個等級，分別用Ⅰ、Ⅱ、Ⅲ表示，具體的樣地森林自然度等級見表3。3個樣本處于Ⅰ級，14個樣本處于Ⅱ級，4個樣本處于Ⅲ級?？傮w來看,森林自然度等級為Ⅲ的主要是混交林(2、5、8、16號樣地)。但具有相似樹種的群落其森林自然度也存在差異，如以杉木、馬尾松為主要樹種的混交林(2、3、4、5、6號樣地)，森林自然度涵蓋Ⅰ～Ⅲ級。通過對比森林自然度評價的指標，發(fā)現(xiàn)這些林分的郁閉度、樹種的空間比例配制不同，林下灌草組成、植被多樣性指標有明顯差異，如2號樣地郁閉度為0.3，林下光照條件好，喬木、灌草層生長較好，生物多樣性指標高，而6號樣地郁閉度為0.8，林下幾乎沒有灌草植被，生物多樣性低。這些指標綜合影響到森林自然度等級，導致雖然樹種相似但森林自然度等級確存在差異。

3.2 遙感圖像中不同森林自然度等級樣本點確定

為嚴格限定樣本的質(zhì)量，需基于樣地尺度設(shè)置200 m的緩沖區(qū)以擴充樣本點。根據(jù)實地踏查及現(xiàn)場拍攝照片，發(fā)現(xiàn)該緩沖區(qū)范圍的樣地周圍植被類型情況一致，植被具有相似性，即緩沖區(qū)的設(shè)置符合試驗實際標準(圖2)。NDVI值在緩沖區(qū)范圍內(nèi)滿足在1倍標準差范圍內(nèi)，且不低于0.2，主要為了保證所選樣本點均為植被類型，且與樣地點的差異小。根據(jù)以上方法，得到不同森林自然度等級的樣本16 823個，其中Ⅰ級5 359個、Ⅱ級4 462個、Ⅲ級7 002個。

表3 樣地的森林自然度等級與數(shù)值Table 3 Forest naturalness levels and values of sample plots

遙感影像 Remote sensing image 實地照片F(xiàn)ield photo

遙感影像 Remote sensing image 實地照片F(xiàn)ield photo

遙感影像 Remote sensing image 實地照片F(xiàn)ield photo

3.3 森林自然度等級分類精度評價

隨機森林算法的總體精度為93.97%，Kappa系數(shù)為0.91，具有較好的分類結(jié)果(表4)。其中制圖精度最高的是森林自然度Ⅰ級；用戶精度最高的是森林自然度Ⅰ、Ⅲ級；錯分誤差和漏分誤差最高的均是森林自然度Ⅱ級。各森林自然度等級的精度評價均較高，說明隨機森林算法能較好地對研究區(qū)的森林自然度等級進行分類。

表4 精度評價結(jié)果Table 4 Accuracy evaluation results

3.4 地形及遙感特征因子重要性分析

根據(jù)隨機森林算法中獲得的各特征因子的重要值繪制成柱形圖(圖3)。重要值最高的分別為地形特征中的高程、坡向、坡度，其重要值分別為0.195 1、0.159 4、0.090 6。在紋理特征因子中，4個波段均值的重要值均較高。光譜主成分變化分量中PCA1、PCA2、PCA3重要值也較高。而植被指數(shù)中的NDVI重要值也較高，數(shù)值為0.027 4。所選取的40個遙感特征因子中，地形因子占主導作用，其他因子起輔助分類的作用。分析其原因，針對高山地區(qū)，地形因子為影響該地區(qū)植被分布的重要因素。而均值反映了灰度共生矩陣的紋理因子，可指示計算窗口內(nèi)像素值分布均勻與否，紋理規(guī)則性與均值是正相關(guān)關(guān)系。而NDVI是植被生長狀態(tài)和植被覆蓋度最佳指示因子，其反應(yīng)了遙感圖像中紅波段與近紅外波段的變化，這兩個波段對綠色植物變化的反映十分靈敏。

圖3 各特征因子重要值Figure 3 Important values of the feature factors

3.5 森林自然度空間分布

針對森林自然度Ⅰ、Ⅱ、Ⅲ等級樣本，采用隨機森林算法對研究區(qū)的森林自然度進行分類(圖4)。研究區(qū)大部分地區(qū)森林自然度等級為Ⅱ、Ⅲ級，其中Ⅲ級所占面積為52.51%，Ⅱ級所占面積為36.98%，其面積分別為2 720.027 2、1 915.801 6 hm2，主要分布在遠離道路和的村莊，海拔為1 000～1 300 m，群落結(jié)構(gòu)較為復(fù)雜，起源為天然起源的混交林。森林自然度等級為Ⅰ級的林分較少，其所占面積為9.75%，面積約為506.393 6 hm2，主要分布在道路和村莊附近，起源主要為人工林。

圖4 隨機森林算法分類結(jié)果Figure 4 Classification result of the random forest algorithm

4 討論與結(jié)論

森林自然度等級評價對森林近自然經(jīng)營管理具有重要作用，現(xiàn)有的評價方法主要是在樣地水平構(gòu)建森林自然度的評價指標體系，從而評價森林自然度等級。該模式在推廣到區(qū)域范圍時存在一定的難度。鑒于遙感技術(shù)在大面積區(qū)域范圍的應(yīng)用優(yōu)勢，提出了基于高分遙感數(shù)據(jù)的森林自然度等級劃分方法，該方法以GF-2號遙感影像數(shù)據(jù)為基礎(chǔ)，在選取研究區(qū)典型林分樣地的基礎(chǔ)上，結(jié)合樣地尺度林分特征數(shù)據(jù)與區(qū)域大尺度遙感影像數(shù)據(jù)的特點，從遙感影像中提取遙感特征因子，利用隨機森林算法在大尺度范圍對研究區(qū)森林自然度等級進行分類研究，拓展了區(qū)域范圍森林自然度的評價思路。

高分辨率的遙感影像數(shù)據(jù)可將樣地尺度森林特征與遙感尺度特征關(guān)聯(lián)。相較于傳統(tǒng)的基于樣地調(diào)查結(jié)果推算整體區(qū)域，森林自然度評估的精度受限于地面樣本數(shù)量。如何將地面樣地數(shù)據(jù)尺度轉(zhuǎn)換到遙感尺度是研究的難點。本研究采用了少量(21個)的地面樣地評估樣地尺度的森林自然度，并以此為基礎(chǔ)，利用緩沖區(qū)的方法，結(jié)合NDVI篩選了遙感影像中的不同森林自然度等級樣本，實現(xiàn)了樣地尺度與遙感尺度之間的聯(lián)系，為后續(xù)區(qū)域尺度的森林自然度等級劃分奠定了基礎(chǔ)?；跀?shù)字高程及遙感影像提取的特征指標與森林自然度等級有一定關(guān)聯(lián)。其中數(shù)字高程、坡向、坡度，紋理特征中的均值，光譜主成分變化分量，NDVI在森林自然度等級分類中有較高的重要性，可以較好地反映森林自然度等級。高程、坡度、坡向可以反映森林植被生長的環(huán)境特征，遙感影像中的紋理可以反映植被冠層均勻度與復(fù)雜程度，而冠層的均勻度與復(fù)雜度與森林樹種構(gòu)成、群落結(jié)構(gòu)等相關(guān)，NDVI利用了紅邊波段和紅波段信號，反映植被對光的利用效能，可間接反映植被的生長狀態(tài)，這些特征因子的綜合可以從森林植被生長的外因(地形)、內(nèi)因(群落特征及生長)。森林植被生長的外因和內(nèi)因同時也是影響森林自然度等級的因素，因此，遙感影像提取的特征可間接反映森林自然度等級狀態(tài)。利用隨機森林的機器學習方法，結(jié)合遙感影像中提取的森林特征，可以很好地建立森林自然度等級分類。對森林自然度等級分類的總體精度可達93.97%，Kappa系數(shù)為0.91。該方法在應(yīng)用在九華山林場森林自然度評價中，發(fā)現(xiàn)研究區(qū)范圍內(nèi)主要的森林自然度等級為Ⅱ、Ⅲ級，其中Ⅲ級所占面積為52.51%，Ⅱ級所占面積為36.98%，Ⅰ級的林分較少，其所占面積為9.75%。