何鑫蘭 崔月鑫 梁 彬 余 玲 黃 玲 何 文
基于RapidEye遙感影像的黃冕鎮(zhèn)桉樹時空動態(tài)分析
何鑫蘭1崔月鑫1梁 彬1余 玲1黃 玲1何 文2
(1.南寧理工學(xué)院,廣西 桂林 541006;2.廣西喀斯特植物保育與恢復(fù)生態(tài)學(xué)重點實驗室/廣西壯族自治區(qū)中國科學(xué)院廣西植物研究所,廣西 桂林 541006)
文章基于RapidEye遙感影像,通過ENVI、ArcMap軟件,使用隨機森林、最大似然法、支持向量機、CART的方法獲取2010年、2012年、2014年、2016年、2018年桉樹人工林時空動態(tài)格局變化,并利用Google Earth Pro歷史影像對實驗結(jié)果進行了精度驗證,結(jié)果表明:利用隨機森林法提取黃冕鎮(zhèn)桉樹種植面積效果最佳,分類精度最高達到94.38%。2010年至2018年黃冕鎮(zhèn)桉樹種植面積逐年增加。研究結(jié)果可為日后桉樹人工林的監(jiān)測及種植提供科學(xué)依據(jù)。
桉樹;RapidEye;遙感提?。粫r空動態(tài)
桉樹(Eucalyptus)為桃金娘科桉屬密蔭大喬木,是我國三大速生樹種(桉樹、楊樹、松樹)之一[1],具有耐旱易種、生長速度快、效益高等優(yōu)點,在廣西種植桉樹就有60多年的歷史,以桉樹為原材料的林業(yè)對廣西經(jīng)濟發(fā)展有著重要貢獻。傳統(tǒng)的面積提取方法是以統(tǒng)計報表和抽樣調(diào)查的方式[2],但是這種工作方法不僅工作量大,而且工作效率不高,這就導(dǎo)致了調(diào)查的工作周期延長,并且隨著社會的發(fā)展已經(jīng)無法滿足林業(yè)資源的年度檢測需求[3]?,F(xiàn)代遙感技術(shù)因其具有覆蓋面廣、回訪速度快、客觀準(zhǔn)確等特點[4],在植被空間分布等信息的提取方法得到了廣泛應(yīng)用。遙感的使用,就提高了植被面積提取的效率,目前常用的植被面積提取方法有最大似然法、支持向量機法、隨機森林法等。如盧獻健等[5]利用Google Earth Engine(GEE)平臺,通過利用最大似然法、支持向量機、最大熵模型、隨機森林等方法對廣西南寧市橫縣縣城的桉樹面積進行研究;李小梅等[6]基于CHRISPROBA高光譜數(shù)據(jù),通過使用最大似然法、最小距離法、支持向量機法等分類方法,對長白山自然保護區(qū)森林類型進行分類,取得很好的分類精度;DaSilva Marcio等[7]使用歷史航空和RapidEye衛(wèi)星圖像評估南澳大利亞的雅法海岸線變化。不難發(fā)現(xiàn),以上的方法都能提取植被面積,但是現(xiàn)有研究多數(shù)集中在桉樹的種植、現(xiàn)狀、生態(tài)問題的影響比較多,以及研究桉樹的土壤肥力、生態(tài)系統(tǒng)多樣性、生長效應(yīng)等方面較多[8-13]。利用高分辨率遙感影像采用不同的分類方法分析,研究桉樹的時空動態(tài)分布,及時準(zhǔn)確掌握桉樹的種植生產(chǎn)情況,有效跟蹤監(jiān)測桉樹的消長動態(tài),有利于推動桉樹的可持續(xù)發(fā)展。此次研究通過不同方法提取黃冕桉樹種植面積,并由此分析時空格局變化,有利于桉樹日后的管理以及種植。
廣西柳州市鹿寨縣黃冕國有林場是自治區(qū)林業(yè)局直屬的大型國有林場,有著一定規(guī)模數(shù)量的桉樹人工林,為研究提供了條件。因此,本文基于RapidEye遙感影像,使用不同的提取方法提取桉樹人工林面積,為桉樹人工林的監(jiān)測及種植提供科學(xué)依據(jù)。
黃冕國有林場位于廣西柳州市鹿寨縣黃冕鎮(zhèn)(如圖1),地理位置為109°43′46″~109°58′18″E,24°37′25″~24°52′11″N。該林場總面積達34466.6667公頃,并且地跨桂林、柳州兩市,森林蓄積量達278立方米,森林覆蓋率90%以上。黃冕鎮(zhèn)的地勢東部山多,而且山的高度相對較高,相反鎮(zhèn)內(nèi)西部地區(qū)地勢較低,總體呈現(xiàn)不規(guī)則的長方形。黃冕鎮(zhèn)屬于中亞熱帶氣候,溫暖多雨,光照充足,雨熱同季。氣候溫和,年平均氣溫為25℃。水陸交通便利,境內(nèi)有洛清江、湘桂鐵路、桂柳高速路穿鄉(xiāng)而過。由于其氣候適合桉樹生長,并且當(dāng)?shù)赜幸欢ㄒ?guī)模數(shù)量的桉樹人工林,為研究的開展提供了條件。
圖1 研究區(qū)示意圖
RapidEye是德國商用衛(wèi)星,日覆蓋范圍達400萬平方千米以上,能夠在15天內(nèi)覆蓋整個中國,該影像范圍覆蓋廣、高重訪率、高分辨率、多光譜獲取數(shù)據(jù)方式,空間分辨率為5米。本文基于RapidEye高分辨影像數(shù)據(jù)經(jīng)過鑲嵌、融合、裁剪等數(shù)據(jù)預(yù)處理,選取了2010年10月、2012年9月、2014年9月、2018年8月五期RapidEye遙感影像,并結(jié)合野外調(diào)查數(shù)據(jù)進行精度驗證。外業(yè)調(diào)查共觀測了49個實驗點的坐標(biāo)點數(shù)據(jù),在谷歌地圖根據(jù)野外數(shù)據(jù)點的坐標(biāo)采集樣本。
最大似然法(Maximun likelihood classification)[14]是監(jiān)督分類法其中的一種算法,在遙感圖像分類中發(fā)展較早且應(yīng)用廣泛,它以建立的訓(xùn)練區(qū)信息為模板,通過各分類器算法對圖像基于模板進行像元聚類從而實現(xiàn)分類。
隨機森林(Random Forest,RF)[15]作為一種近年來興盛起來的、具有高敏捷度的集成機器算法,有著廣闊的應(yīng)用前景。這個概念最早由Leo Breiman和Adele Cutler提出,是監(jiān)督分類法中的一種,同時也屬于多決策樹分類法的方法之一。隨機森林算法就是通過集成學(xué)習(xí)的思想將多棵樹集成的一種算法,它的基本單元是決策樹,而它的本質(zhì)屬于機器學(xué)習(xí)的一大分支——集成學(xué)習(xí)方法。
決策樹分類(Classification And Regression Tree)[16]是基于遙感圖像及其他空間數(shù)據(jù),利用桉樹樣本點通過專家經(jīng)驗總結(jié)、大多數(shù)據(jù)統(tǒng)計和歸納獲得桉樹的分類規(guī)則。再分類任務(wù)中CART算法使用基尼系數(shù)作為特征選擇的依據(jù),在回歸任務(wù)中則以均方誤差作為特征選擇的依據(jù)。
支持向量機分類(Support Vector Mashine,SVM)[17]源自于統(tǒng)計學(xué)理論。在研究小樣本情況下,并學(xué)習(xí)其分類規(guī)律的理論的方法。支持向量具體是指越靠近最優(yōu)決策面的點集,就與所選擇的訓(xùn)練樣本密切判相關(guān)。
本研究使用了最大似然法、隨機森林法、CART、支持向量機這四種方法提取黃冕鎮(zhèn)的桉樹面積,分類結(jié)果如圖2所示。由圖2可以看出,使用這四種分類方法對研究區(qū)的桉樹及其他地物進行分類,分類結(jié)果均較為理想。桉樹與其他林地,由于這兩類地物紋理特征相似,所以單純地從分類結(jié)果觀察,還不能判斷出哪種分類結(jié)果較為理想。因此,進一步采用總體精度和Kappa系數(shù)對不同分類方法的精度進行評判。由表1可分析出隨機森林的分類結(jié)果優(yōu)于其他三類分類方法,分類總體精度均達到了89%以上,Kappa系數(shù)達到了0.86以上,信息提取的可信度較高。
圖2 四種不同方法分類結(jié)果
表1 四種分類方法分類精度
提取研究區(qū)內(nèi)不同的地物信息其目在于調(diào)查桉樹的種植范圍以及變化,分別統(tǒng)計出利用不同的分類方法對提取桉樹不同年份的面積的結(jié)果,如表2所示。從表2所知,最大似然法、隨機森林、支持向量機、決策樹分類結(jié)果在統(tǒng)計面積以及圖斑結(jié)果上有著很大的差別??偟膩砜?,隨機森林分類法在圖斑數(shù)目上都比其他三類方法的圖斑數(shù)目多;支持向量機法(SVM)的圖斑數(shù)目是四個分類法里最少的。在面積總和上,各分類方法所得出的計算結(jié)果都不一樣,因此,使用哪種方法研究黃冕鎮(zhèn)桉樹人工林的時空動態(tài)格局分析最佳,與實際黃冕鎮(zhèn)桉樹鎮(zhèn)的桉樹分布最符合,這需要進一步精度驗證。
表2 四種分類方法桉樹的統(tǒng)計面積(單位:km2)
將2010—2018年這五年分類結(jié)果與谷歌影像所計算的分類結(jié)果采用混淆矩陣進行精度評價的方法。運用ENVI軟件將樣本進行精度評價,得到的結(jié)果如表3所示。由表3所知,隨機森林的分類結(jié)果比其他三類分類結(jié)果精度要高。隨機森林2010年黃冕鎮(zhèn)桉樹人工林的分類結(jié)果總體精度78.78%,Kappa系數(shù)達到0.72;2012年的分類結(jié)果總體精度70.79%,Kappa系數(shù)達到0.62;2014年的分類結(jié)果總體精度達到了71.01%,Kappa系數(shù)達到0.62;2016年的分類結(jié)果總體精度69.42%,Kappa系數(shù)達到0.60;2018年的分類結(jié)果總體精度達到71.76%,Kappa系數(shù)達到0.63。
表3 研究區(qū)分類結(jié)果信息表
為了進一步分析黃冕鎮(zhèn)桉樹時空變化特征,通過隨機森林分類法得到的黃冕鎮(zhèn)不同時期的桉樹分布圖(見圖5)。從圖中可以看出2010年黃冕鎮(zhèn)桉樹總體分布不均勻,主要分布在北部和東部,少量分布在西南,其余零散分布在黃冕鎮(zhèn)內(nèi);2012年黃冕鎮(zhèn)桉樹種植面積顯著增加,不再是單一的分布在某一片區(qū)域,相較于2010年,2012年黃冕鎮(zhèn)的桉樹種植向東部擴展,耕地面積也隨之較少,其他地區(qū)的桉樹種植面積也更加密集;2014年黃冕鎮(zhèn)的桉樹種植范圍已經(jīng)擴展到除了中心鄉(xiāng)鎮(zhèn)地帶以及耕地以外的地區(qū),桉樹基本包圍了整個黃冕鎮(zhèn);2016年黃冕鎮(zhèn)的桉樹分布相較于2014年的桉樹空間分布沒有什么基本變化;2018年黃冕鎮(zhèn)的桉樹分布,可以從圖中看出,桉樹種植更密集,并且占用了大量耕地,從五期的影像觀察黃冕鎮(zhèn)桉樹的種植從單一的一片蔓延到黃冕鎮(zhèn)遍布桉樹。
圖3 桉樹動態(tài)分布圖
基于隨機森林分類法提取的黃冕鎮(zhèn)桉樹面積分布如圖4所示。結(jié)合圖3和圖4分析可知,2010年黃冕鎮(zhèn)桉樹分布在北部、東部以及西南部,桉樹總面積192.02 km2;2012年從原本的東部,西部慢慢擴展到了中部,種植面積比2010年增加了45 km2;緊接著到2014年的桉樹種植,數(shù)據(jù)表明桉樹面積已經(jīng)達到了279 km2,比2010年桉樹種植面積增加了88 km2;2016年的桉樹種植面積對比2014年桉樹種植面積只有少量的增加,原因可能是桉樹種植經(jīng)歷了一輪砍伐,種植幼林,導(dǎo)致在影像上提取分析時,砍伐過的區(qū)域或者幼林無法正確識別出來;2018年,桉樹種植面積達到了314 km2,對比2016年的面積有了大幅度的增長,2018年黃冕鎮(zhèn)桉樹分布圖,黃冕鎮(zhèn)的植被構(gòu)成幾乎是由桉樹組成,其他林地面積越來越少,甚至占用到了耕地。
圖4 黃冕鎮(zhèn)桉樹種植面積統(tǒng)計圖
本文運用四種不同的分類方法對黃冕鎮(zhèn)的桉樹動態(tài)分布進行提取,并分析黃冕鎮(zhèn)的分析桉樹的時空動態(tài)格局變化。
(1)相對于最大似然法、支持向量機(SVM)、決策樹分類法(CART),基于隨機森林法提取黃冕鎮(zhèn)桉樹面積效果更好。
(2)使用隨機森林分類法,對黃冕鎮(zhèn)桉樹林面積進行計算得出:2010年桉樹種植面積為191 km2;2012年桉樹種植面積為236 km2;2014年桉樹種植面積為279 km2;2016年黃冕鎮(zhèn)的桉樹種植面積為279 km2;2018年桉樹種植面積為314 km2,桉樹種植面積總體呈現(xiàn)增長的趨勢。
(3)桉樹的分布逐漸從北部、東部、西南部逐漸向內(nèi)擴散,與此同時其他林地的分布也變得越來越少。綜上所述,2010年至2018年黃冕鎮(zhèn)桉樹的種植面積都在不斷增加,而其他林地的面積隨之減少。
目前隨著桉樹人工林種植面積的增加,桉樹所帶來的社會效益和生態(tài)效益也越來越受到大家的關(guān)注,桉樹種植、生長和砍伐周期交替頻繁,因此使用遙感影像以及遙感技術(shù)對桉樹人工林面積,桉樹時空分布格局變化的研究有著重要意義。
[1] 黃國勤,趙其國. 廣西桉樹種植的歷史、現(xiàn)狀、生態(tài)問題及應(yīng)對策略[J]. 生態(tài)學(xué)報,2014,34(18): 5142-5152.
[2] 郝鵬宇,唐華俊,陳仲新,等. 基于歷史增強型植被指數(shù)時序的農(nóng)作物類型早期識別[J]. 農(nóng)業(yè)工程學(xué)報,2018,34(13): 179-186.
[3] 欒猛,張欣,王松華. 遙感在城市綠地調(diào)查中的應(yīng)用[J].安徽農(nóng)業(yè)科學(xué),2009,37(28): 13815-13818,13821.
[4] 張麗云,趙天忠,夏朝宗,等. 遙感變化檢測技術(shù)在林業(yè)中的應(yīng)用[J]. 世界林業(yè)研究,2016,29(2): 44-48.
[5] 盧獻健,黃俞惠,晏紅波,等. 基于GEE平臺廣西桉樹快速提取研究[J]. 林業(yè)資源管理,2019(5): 52-60,75.
[6] 李小梅,譚炳香,李增元,等. CHRIS高光譜圖像森林類型分類方法比較研究[J]. 遙感技術(shù)與應(yīng)用,2010,25(2): 227-234.
[7] da Silva M. Assessing shoreline change using historical aerial and RapidEye satellite imagery (Cape Jaffa, south Australia)[J]. Journal of Coastal Research, 2021, 37(3): 468-483.
[8] 王城城,葉文偉,趙從舉,等. 熱帶桉樹樹干液流的時滯效應(yīng)分析[J]. 灌溉排水學(xué)報,2022,41(1): 25-32.
[9] 楊嘉麒,鄧海燕,張港隆,等. 4種混交比例對桉樹-紅椎人工混交林生長和土壤養(yǎng)分的影響[J]. 中南林業(yè)科技大學(xué)學(xué)報,2021,41(11): 90-97.
[10] 李世敏,王偉強. 提高桉樹幼林抗風(fēng)能力的營林措施[J].南方農(nóng)業(yè),2021,15(32): 96-97,100.
[11] 趙巧巧,趙筱青,黃佩,等. 我國不同林齡桉樹對土壤理化性質(zhì)影響研究進展[J]. 桉樹科技,2021,38(4): 47-52.
[12] 周靜,王蕊蕊,丁芷柔,等. 2種不同寄主對桉樹枝癭姬小蜂體內(nèi)細菌多樣性的影響[J]. 生物安全學(xué)報,2022,31(1): 81-86.
[13] Tiwari A, Singh P, Jaitley P, et al. Garg, Eucalyptus robusta leaves methanolic extract suppresses inflammatory mediators by specifically targeting TLR4/TLR9, MPO, COX2, INOS and inflammatory cytokines in experimentally-induced endometritis in rats[J]. Journal of Ethnopharmacology, 2018, 213: 149-158.
[14] 鄧書斌,陳秋錦,杜會建,等. ENVI遙感圖像處理方法[M]. 北京: 高等教育出版社,2014.
[15] Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.
[16] 齊樂,岳彩榮. 基于CART決策樹方法的遙感影像分類[J]. 林業(yè)調(diào)查規(guī)劃,2011(4): 63-66.
[17] Cortes C, Vapnik V. Support-Vector networks[J]. Machine Learning, 1995, 20(3): 273-297.
Spatiotemporal Dynamic Analysis of Eucalyptus in Huangmian Town Based on RapidEye Remote Sensing Images
Based on the RapidEye remote sensing image, the spatiotemporal dynamic pattern changes of eucalyptus plantations in 2010, 2012, 2014, 2016 and 2018 were obtained by using the methods of random forest, maximum likelihood, support vector machine and CART through ENVI and ArcMap software. The accuracy of the experimental results was verified by using the historical image of Google Earth Pro. The results showed that the effect of extractup toing eucalyptus planting area in Huangmian town by using the random forest method was the best. The highest classification accuracy reached 94.38%. From 2010 to 2018, the planting area of eucalyptus in Huangmian town increased year by year. The results can provide scientific basis for monitoring and planting eucalyptus plantation in the future.
eucalyptus; RapidEye; remote sensing extraction; spatiotemporal dynamics
S771; TP7
A
1008-1151(2022)08-0022-04
2022-04-12
2020年大學(xué)生創(chuàng)新創(chuàng)業(yè)項目(202013645020);廣西自然科學(xué)基金(2019GXNSFBA245036);廣西科學(xué)院基本科研業(yè)務(wù)費(2019YJJ1009)。
何鑫蘭(1999-),女,南寧理工學(xué)院學(xué)生,研究方向為農(nóng)業(yè)遙感。
何文,男,廣西喀斯特植物保育與恢復(fù)生態(tài)學(xué)重點實驗室/廣西壯族自治區(qū)中國科學(xué)院廣西植物研究所助理研究員,博士,研究方向為生態(tài)遙感。