德宏州森林覆蓋遙感制圖

劉 暢，劉昕岑，付 堯

(1.西南林業(yè)大學(xué) 林學(xué)院，昆明 650000；2. 玉溪師范學(xué)院 地理與國土工程學(xué)院，云南 玉溪653100)

植被是覆蓋地表的植物群落的總稱，包括森林、草地、農(nóng)作物、灌叢和沼澤等。它與氣候、土壤、地形、動物界及水狀況等自然環(huán)境要素密切相關(guān)。植被覆蓋程度是研究區(qū)域生態(tài)系統(tǒng)環(huán)境變化的重要指標(biāo)，對水文、生態(tài)、區(qū)域變化等都具有重要意義[1-3]。

植被分類是研究植被覆蓋的基礎(chǔ)，運用遙感影像分類是獲取植被信息的重要方式[4]，決策樹分類法最常用。該方法最早產(chǎn)生于20世紀(jì)六七十年代，由Quinlan[5-6]最早在1986年提出ID3算法和1993年提出C4.5算法。目前，國內(nèi)外專家利用該方法進行了大量研究，也取得了很多成果。Colstoun等[7]基于Landsat ETM+多時相衛(wèi)星數(shù)據(jù)探討了決策樹分類器應(yīng)用的可行性，而且對美國Delaware Water國家級公園里的11種土地覆蓋類型進行了分類制圖，其研究結(jié)果表明，決策樹分類方法在土地覆蓋和森林制圖方面具有可行性。韓婷婷等[8]利用Landsat TM影像，采用決策樹方法研究云南省森林分類，抽取香格里拉縣建立決策樹模型，并進行精度評價。白秀蓮等[9]對內(nèi)蒙古自治區(qū)赤峰市中部采用C5.0算法的決策樹分類方法進行分類，研究表明C5.0決策樹能夠有效的利用各種輔助信息參與到遙感分類，從而不同程度地提高分類精度。楊正斌等[10]構(gòu)建了基于決策樹規(guī)則的滇南西雙版納森林覆蓋信息提取模型，進行精度評價得到總體精度達(dá)99.08%，Kappa系數(shù)為0.923。與傳統(tǒng)分類方法相比發(fā)現(xiàn)，采用決策樹方法提取森林信息的精度更高。申文明等[11]利用Landsat ETM+影像和GIS 數(shù)據(jù)對決策樹分類和傳統(tǒng)自動分類進行了對比，結(jié)果表明基于決策樹的分類方法相較于傳統(tǒng)分類方法具有更高的分類精度和適應(yīng)能力，易于實現(xiàn)計算機自動分類的流程化和自動化。

基于此，本文運用遙感技術(shù)，通過分析各分類類型的光譜特性、紋理以及色彩等信息，建立決策樹模型，對整個德宏地區(qū)的地物進行分類，再對分類結(jié)果進行遙感制圖，以期為促進德宏區(qū)生態(tài)建設(shè)和可持續(xù)發(fā)展，為研究德宏區(qū)生態(tài)環(huán)境提供參考。

1 材料與方法

1.1 研究區(qū)概況

德宏州地處我國西南邊陲，位于東經(jīng)97°31′～98°43′，北緯23°50′～25°20′之間，是云南省8個少數(shù)民族自治州之一。東和東北與保山市的龍陵、騰沖相鄰，南、西和西北三面與緬甸聯(lián)邦接壤，全州除梁河縣外其它縣市都有國境線，國境線總長503.8 km。地勢東北高西南低，全州海拔最高點在盈江北部大娘山，為3 404.6 m，海拔最低點也在盈江的西部那邦壩的羯羊河谷，海拔210 m。南亞熱帶季風(fēng)氣候，具有冬無嚴(yán)寒，夏無酷暑，雨量充沛，雨熱同期，干冷同季，年溫差小，日溫差大，霜期短、霜日少等特點，年降水量1 400～1 700 mm，年均氣溫18.4～20 ℃。水系有“三江四河”，即怒江、大盈江、瑞麗江、芒市河、南畹河、戶撒河、芒東河。不同氣候帶森林植被類型和面積不盡相同：熱帶、北亞熱帶季風(fēng)氣候區(qū)森林面積占全州森林總面積5.4%；亞熱帶以闊葉林為主的森林面積占全州森林總面積57.2%；暖溫帶主要植被為常綠闊葉林以及油茶、核桃等經(jīng)濟林，面積約占全州森林36.1%；溫帶山地主要植被為鐵杉、高山櫟、杜鵑灌木叢等，面積約占全州森林1.3%。

圖1 研究區(qū)示意圖

1.2 研究方法

1.2.1 基于專家知識的決策樹分類 基于專家知識的決策樹分類是基于遙感圖像數(shù)據(jù)及其他空間數(shù)據(jù)，通過專家經(jīng)驗總結(jié)、簡單的數(shù)學(xué)統(tǒng)計和歸納方法等，獲得分類規(guī)則并進行遙感分類。分類規(guī)則易于理解，也符合人的認(rèn)知過程，最大的特點是利用多源數(shù)據(jù)?？傮w上分為4個過程：定義分類規(guī)則、構(gòu)建決策樹、執(zhí)行決策樹和評價分類結(jié)果。

決策樹方法分為自下而上和自上而下2類。自下而上方法的基本思想是將每個像素作為一個類，首先計算所有類別之間的距離，合并距離最近的兩類形成一個新類，然后計算新類和其他類別之間的距離，重復(fù)前面的工作，直到最終所有類別都合并為一個大類，形成整個樹結(jié)構(gòu)的根部。每次合并產(chǎn)生樹結(jié)構(gòu)中的一個結(jié)點，分類樹由多個結(jié)點和分枝組成，最下面一層的結(jié)點稱為根結(jié)點，最上面一層的結(jié)點稱為終端結(jié)點，終端結(jié)點為一類。本研究采用自上而下的方法，該方法基本思想是將圖像作為一個大類，按照最大的差異性區(qū)分出兩個類別，對于區(qū)分出的類別同樣按照最大差異性繼續(xù)分類，直到達(dá)到工作要求。

決策樹分類包括訓(xùn)練和分類兩步，首先利用訓(xùn)練樣本對分類樹進行訓(xùn)練，構(gòu)造分類樹結(jié)構(gòu)，然后用訓(xùn)練好的分類樹對像素進行逐級判定，最終確定其類別歸屬。當(dāng)分類出現(xiàn)類別混淆又難以解決時，可以采取逐級分類的方法。先確定特征明顯的大類別，對每一大類再作出進一步的劃分，此時可以更換分類方法，也可以更換分類使用的圖像特征，以提高這一類別的可分性。

1.2.2 光譜特征分析 地物光譜特性是指各種地物各自所具有的電磁波特性(發(fā)射輻射或反射輻射)。遙感圖像中灰度與色調(diào)的變化是遙感圖像所對應(yīng)的地面范圍內(nèi)電磁波譜特性的反映。將影像分為針葉、闊葉、針闊混交、灌木、草本、居民地、水體、濕地、荒地、旱地和水田11個類別，分別在每個類別中勾選出具有代表性和典型性的樣本，統(tǒng)計樣本的光譜均值，繪制地物光譜曲線，分析每個類別的光譜特性。

1.2.3 植被指數(shù) 植被指數(shù)是對地表植被狀況的簡單、有效和經(jīng)驗的度量，廣泛地應(yīng)用在全球與區(qū)域土地覆蓋、植被分類，目前已經(jīng)定義了40多種植被指數(shù)，本研究利用NDVI指數(shù)、DVI指數(shù)和MNDWI指數(shù)。

歸一化植被指數(shù)(NDVI)由Rouse等[13]人提出，可應(yīng)用于植被覆蓋度研究，消除大部分與儀器定標(biāo)、太陽角、地形、云陰影和大氣條件有關(guān)輻照度的變化，增強對植被的響應(yīng)能力。NDVI值范圍為-1～1，一般綠色植被區(qū)的范圍是0.2～0.8。其計算公式為：

(1)

其中，LNIR為近紅外波段，LR為紅波段。

差值植被指數(shù)(DVI)對土壤背景的變化極其敏感，能很好地消除土壤背景對植被造成的影響。其計算公式是：

IDVI=LNIR-LR

(2)

其中，LNIR為近紅外波段，LR為紅波段。

徐秋涵[14]在歸一化差異水體指數(shù)(NDWI)的基礎(chǔ)上，提出了改進的歸一化差異水體指數(shù)(MNDWI)，對比發(fā)現(xiàn)MNDWI更能揭示水體的微細(xì)特征，很容易地區(qū)分陰影和水體，解決了水體提取中難以消除陰影的難題。其計算公式是：

(3)

其中，LG為綠波段，LMIR為中紅外波段。

1.3 研究數(shù)據(jù)

本文采用的數(shù)據(jù)有：德宏州隴川縣的二調(diào)數(shù)據(jù)；覆蓋德宏區(qū)的Landsat8 OLI遙感影像(成像時間2017年11月14日，影像空間分辨率30 m，共1景影像，軌道號p132r43，共11個波段)；GoogleEarth 影像。

2 結(jié)果與分析

2.1 地物類別的光譜特征分析

本研究在Landsat8 OLI遙感影像上選取的針葉、闊葉、針闊混交林、灌木、草本、居民地、水、濕地、荒地、水田和旱地11個類別的樣本數(shù)量分別為140、155、137、113、105、160、140、22、81、52和150，并留取一部分樣本作為驗證樣本。統(tǒng)計光譜均值，繪制樣本在Landsat8 OLI遙感影像多光譜2～8波段、3個植被指數(shù)、主成分分析的前4個分量以及纓帽變換的前3個分量共17個波段上的光譜均值曲線。圖2為典型地物的光譜均值曲線圖，其中B1～B7分別對應(yīng)Landsat8 OLI遙感影像的2～8個波段，NDVI、DVI、MNDWI分別對應(yīng)3個植被指數(shù)(即NDVI指數(shù)、DVI指數(shù)和MNDWI指數(shù))，PC1～PC4對應(yīng)主成分分析的前4個分量，KT1～KT3對應(yīng)纓帽變換的前3個分量(即亮度、綠度和濕度)。

從圖2可以看出，11個類別在B5、B6、B7、DVI、PC1、PC2、PC3、PC4、KT1、KT2、KT3等11個波段的光譜均值差距較大，因此可以結(jié)合這11個波段的光譜均值曲線和直方圖曲線，分析確定每一個類別的最佳分離閾值，逐步分離除水體外的10個類別。最后通過NDVI指數(shù)區(qū)分出植被與非植被，MNDWI指數(shù)區(qū)分出水體與非水體即可。

圖2 典型地物光譜均值曲線

2.2 基于決策樹的森林覆蓋提取模型

2.2.1 決策樹模型 以NDVI指數(shù)、DVI指數(shù)、MNDWI指數(shù)和光譜特征為依據(jù)，確定每種類別之間的最佳分離閾值。通過反復(fù)試驗，結(jié)果表明：NDVI大于0.7即為植被，反之即為非植被。在植被區(qū)，B5大于3 671和B5大于1 446為闊葉，B6 大于1 395 和B5大于3 044為草本，PC1大于-517和B6大于1 257為灌木，PC3大于-25 和KT2大于-510為針葉，PC1大于-2 655為針闊混交林。 在非植被區(qū)，MNDVI大于0.24即為水體，反之即為非水體，B6大于2 311、DVI大于1 575和PC3小于-362為荒地，PC4小于-77.223為居民地，PC1小于-2 864為旱地，DVI大于616和PC2大于690為濕地，MNDVI大于-0.2為水田。圖3為決策樹模型。

圖3 決策樹模型

2.2.2 分類結(jié)果圖 執(zhí)行決策樹模型后，對分類結(jié)果進行Majority分析剔除小圖斑，生成德宏森林覆蓋圖(圖4)。

圖4 德宏森林覆蓋圖

2.3 精度評價

從決策樹分類精度檢驗表(表1)可以看出，基于決策樹的德宏森林覆蓋信息提取模型的總體精度為66.265 4%，Kappa系數(shù)為0.603 6。其中水體、居民地、闊葉、針闊混交的制圖精度都在70%以上，其他幾類的漏分精度都在50%以上。

表1 決策樹分類精度檢驗表

本研究采用的分類方法是基于專家知識的決策樹分類方法，由于分類類別較為細(xì)致，因此在確定分離閾值的時候存在一定難度，持續(xù)時間較長，需要參考大量文獻(xiàn)反復(fù)試驗，以求的最佳分類結(jié)果。從分類精度來看，該模型的分類體系可以滿足德宏州的精度要求，但是分類結(jié)果中還是出現(xiàn)大量錯分的情況。由于Landsat 8 OIL傳感器還沒有相應(yīng)的纓帽變換模型，而OIL影像的Band2～7波段和ETM+的6個多光譜影像波段范圍相近，因此在對經(jīng)過預(yù)處理之后的遙感影像進行纓帽變換時，可以選擇ETM+模型進行纓帽變換[12]。

3 結(jié)論

(1)利用NDVI指數(shù)可以很好的區(qū)分出植被與非植被，MNDWI指數(shù)可以很好的區(qū)分出水體與非水體。通過反復(fù)試驗得到NDVI大于0.7即為植被，反之即為非植被。MNDVI大于0.24即為水體，反之即為非水體。

(2)建立混淆矩陣計算得到該模型的總體精度為66.265 4%，Kappa系數(shù)為0.603 6。其中水體、居民地、闊葉、針闊混交的分類精度較好，針葉、荒地、水田和旱地錯分情況不多但是漏分精度較高，灌木、草本和濕地的錯分和漏分精度較高。