郭瑞霞，李崇貴，劉思涵，馬 婷，全青青

（西安科技大學(xué) 測(cè)繪科學(xué)與技術(shù)學(xué)院，陜西 西安710054）

落葉松Larix gmelini是中國大部分林區(qū)常見的一種寒溫帶及溫帶樹種，因其具有速生、材質(zhì)好、抗性強(qiáng)、適應(yīng)性廣等特點(diǎn)，已成為中國北方主要的造林樹種。落葉松人工林能夠在一定程度上減輕天然林木材供給需求的壓力。隨著中國落葉松人工林造林面積的逐年加大，林業(yè)重點(diǎn)工程建設(shè)的穩(wěn)步推進(jìn)，對(duì)落葉松人工林資源的調(diào)查成為林業(yè)調(diào)查領(lǐng)域一項(xiàng)新需求，特別是對(duì)落葉松人工林空間位置分布的快速提取。落葉松人工林分布范圍廣，地勢(shì)復(fù)雜，野外調(diào)查工作困難，工作量大，費(fèi)用高，用傳統(tǒng)的資源調(diào)查方法難以準(zhǔn)確定位和勾繪，而遙感技術(shù)因其快速、易獲取、覆蓋范圍廣等特點(diǎn)，已經(jīng)廣泛應(yīng)用于林業(yè)資源調(diào)查。國外學(xué)者很早對(duì)植被的季相和物候特性進(jìn)行了研究，并對(duì)其在植被類型分類中的作用進(jìn)行了探討和分析。BADHWA[1]運(yùn)用多時(shí)相影像進(jìn)行植被類型分類，結(jié)果表明：植被生物物候?qū)W信息能有效改善分類效果。在對(duì)針葉林樹種識(shí)別方面，McDONALD等[2]基于Landsat TM數(shù)據(jù)對(duì)森林光譜植被指數(shù)的森林信息含量進(jìn)行了調(diào)查，結(jié)果表明：當(dāng)植被覆蓋率較低時(shí)，全球環(huán)境監(jiān)測(cè)植被指數(shù)（GEMI）是最有利于針葉林信息提取的指標(biāo)，當(dāng)植被覆蓋度較高時(shí)，土壤調(diào)整植被指數(shù)（SAVI）和轉(zhuǎn)換型土壤調(diào)整植被指數(shù)（TSAVI）是最有利于針葉林信息提取的指標(biāo)。NEMANI等[3]利用NOAA/AVHRR影像的紅（R）波段、近紅外（NIR）波段、熱紅外（TIR）波段，通過歸一化植被指數(shù)的季相特性區(qū)分常綠林和落葉林以及用NIR波段反射率的不同來識(shí)別闊葉林和針葉林。中國林業(yè)遙感分類技術(shù)的研究晚于發(fā)達(dá)國家，從20世紀(jì)70年代開始，遙感技術(shù)被引入到森林類型分類的研究中。40 a來，遙感技術(shù)在不斷成熟、更新和發(fā)展，而且獲得了大量的研究成果。趙東方[4]利用 SPOT 5遙感影像和外業(yè)調(diào)查數(shù)據(jù)，運(yùn)用最大似然、神經(jīng)網(wǎng)絡(luò)、馬氏距離等分類法對(duì)針葉林信息進(jìn)行提取和精度評(píng)價(jià)，結(jié)果表明：最大似然法在保證針葉林分類精度的同時(shí)，其他類型森林分類精度也比較高，能達(dá)到較為理想的效果。王敏等[5]基于大比例尺航片分別用監(jiān)督分類、專家分類和子像元分類的方法對(duì)針葉樹種進(jìn)行分類，并用固定樣地?cái)?shù)據(jù)分別對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)和對(duì)比分析，得到監(jiān)督分類、專家分類和子像元分類的精度分別為82%、88%和91%。子像元分類精度較監(jiān)督分類和專家分類高，且操作比專家分類簡單，不需要其他先驗(yàn)知識(shí)的參與，尤其適用于對(duì)先驗(yàn)知識(shí)較少的原始針葉林樹種進(jìn)行分類。馬延輝[6]利用單時(shí)相和時(shí)間序列數(shù)據(jù)針對(duì)針葉林遙感信息開展了較為系統(tǒng)的研究，用決策樹分類實(shí)現(xiàn)了多源數(shù)據(jù)之間的混合使用，并得到滿意的分類結(jié)果。但迄今為止，國內(nèi)外針對(duì)落葉松人工林的研究文獻(xiàn)多集中于生物量模型[7]、土壤肥力[8-11]、經(jīng)營狀況、落葉松落葉病[12]以及苗圃培育等方面，利用遙感圖像分類算法提取落葉松人工林空間位置分布的研究鮮有報(bào)道。因此，利用遙感手段研究中國落葉松人工林的分布情況在理論研究和實(shí)際應(yīng)用上都有十分重要的意義。本研究以黑龍江省孟家崗林場(chǎng)的落葉松人工林為研究對(duì)象，利用多時(shí)相Landsat 8影像、數(shù)字高程模型（DEM）數(shù)據(jù)，借助地面樣地調(diào)查資料，結(jié)合落葉松人工林在不同季相條件下所呈現(xiàn)的規(guī)律特性，進(jìn)行基于多時(shí)相特征的落葉松人工林分類方法研究，提取研究區(qū)落葉松人工林的空間位置分布。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

研究區(qū)為黑龍江省佳木斯市樺南縣東北部的孟家崗林場(chǎng)（46°20′16″～46°30′50″N， 130°32′42″～130°52′36″E），林場(chǎng)屬東亞大陸性季風(fēng)氣候，年平均氣溫2.7℃，年平均降水量550.0 mm。地處完達(dá)山西麓余脈，以低山丘陵為主，坡度較為平緩，地勢(shì)東北高，西南低，海拔為168～575 m。土壤以暗棕壤為主，林分以人工林為主，占森林面積72.5%，其中落葉松人工林為優(yōu)勢(shì)樹種，是以經(jīng)營落葉松樹種為主的人工林基地。

1.2 數(shù)據(jù)源及預(yù)處理

落葉松屬落葉喬木，夏天繁茂、冬季落葉，與其他常綠樹種相比，季相特征明顯，反映在遙感影像上，表現(xiàn)為樹種間的光譜差異，這對(duì)森林植被類型的識(shí)別有一定的指導(dǎo)作用。Landsat 8影像空間分辨率較低，但其時(shí)間連續(xù)性較好、光譜信息豐富、獲取成本低，有利于森林植被類型的識(shí)別。因此本研究選取3景多時(shí)相的Landsat 8影像數(shù)據(jù)為遙感信息源，用于研究落葉松人工林的季相和物候特性。此外，還使用了2014年全國森林資源二類調(diào)查數(shù)據(jù)和2017年典型森林類型樣地補(bǔ)充調(diào)查數(shù)據(jù)用于落葉松人工林分類和分類結(jié)果驗(yàn)證，以及地理空間數(shù)據(jù)云（Geospatial Data Cloud）提供的30 m分辨率數(shù)字高程模型（DEM）數(shù)據(jù)用于輔助布設(shè)解譯樣地。遙感影像參數(shù)如表1所示。

表1 遙感影像基本參數(shù)Table 1 The basic parameters of remote sensing image

利用ENVI 5.3軟件對(duì)Landsat 8影像進(jìn)行輻射定標(biāo)、FLAASH大氣校正，并通過G-S變換方法對(duì)15 m全色波段和30 m多光譜波段進(jìn)行融合處理，最終得到15 m分辨率的ETM+多光譜數(shù)據(jù)。對(duì)DEM數(shù)據(jù)進(jìn)行預(yù)處理，提取研究區(qū)3類坡向（陰坡、陽坡、無坡向）信息。

1.3 研究方法

1.3.1 森林類別光譜特征分析 研究利用選擇的解譯樣本統(tǒng)計(jì)各森林類別在影像上的光譜均值，繪制各森林類別光譜曲線圖，通過分析各森林類別在多時(shí)相遙感影像上的光譜差異和可分性，研究各森林類別特別是落葉松人工林的季相特性，找出能最好區(qū)別落葉松人工林的光譜特征波段，并且為保證原始影像的完整性（指Landsat 8影像第1～7波段的完整性），選擇其中一個(gè)時(shí)相的影像作為基礎(chǔ)影像，然后在其基礎(chǔ)上擴(kuò)充特征波段?；A(chǔ)影像的選擇依據(jù)影像NIR波段上各地類的區(qū)分能力來定，因?yàn)樵贜IR波段內(nèi)，植物的光譜特征取決于葉片內(nèi)部的細(xì)胞結(jié)構(gòu)，而植物類別間葉子內(nèi)部結(jié)構(gòu)差異較大，植物在近紅外譜段的反射差異比在可見光區(qū)域大，因此對(duì)不同時(shí)相的NIR波段的地類光譜單獨(dú)進(jìn)行研究[13]。

1.3.2 分類模型 不同的分類算法對(duì)不同植被的分類效果可能存在一定差異。為探索不同監(jiān)督分類方法提取落葉松人工林的效果，本研究采用最大似然法、支持向量機(jī)法、光譜角法和k最近鄰法等。最大似然分類在2類或多類判別中，用統(tǒng)計(jì)方法根據(jù)貝葉斯判別準(zhǔn)則建立非線性判別函數(shù)集，假定各類分布函數(shù)為正態(tài)分布，選擇訓(xùn)練區(qū)，計(jì)算待分類樣本的歸屬概率，把待分像元分到歸屬概率最大的分類類別中，是一種常用的監(jiān)督分類方法[14-15]。最大似然分類法對(duì)呈正態(tài)分布的類別判別函數(shù)易于建立，綜合應(yīng)用了每個(gè)類別在各波段中的均值、方差以及各波段之間的協(xié)方差，有較好的統(tǒng)計(jì)特性，被認(rèn)為是一種穩(wěn)定性和魯棒性都比較好的分類方法。支持向量機(jī)（SVM）是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的計(jì)算機(jī)學(xué)習(xí)方法，將多維特征輸入映射到高維的核空間，使原本不可分的數(shù)據(jù)獲得新的特征，更加有利于分類。SVM的關(guān)鍵在于如何選擇核函數(shù)和設(shè)置不同的參數(shù)。在特征空間中，待分模式對(duì)決策面的可偏離程度由懲罰系數(shù)C的變化大小來決定[16-18]。支持向量機(jī)在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)。光譜角分類是一種基于相關(guān)/匹配濾波器的分類方法，能充分利用光譜維的信息，強(qiáng)調(diào)光譜的形狀特征，極大減少特征信息，是目前超光譜圖像分類中較常用的方法。其原理是把光譜作為矢量投影到N維空間上，其N維數(shù)為試驗(yàn)時(shí)選取的所有波段數(shù)。在N維空間中，各光譜曲線被看作是有長度和方向的矢量，而各光譜之間形成的夾角為光譜角。光譜角分類的核心思想是同一種地類波譜向量方向應(yīng)該一致，夾角越小待估計(jì)像元與樣本類別相似度越大[19-20]。具體計(jì)算公式如下：

式（1）中：Xp表示待分像元P的光譜向量，Xj表示類別j的平均光譜向量，αpj為像元P與類別j之間的夾角。k最近鄰法（k-NN）分類的判別函數(shù)建立在地物光譜特征在特征空間中是按集群方式分布的前提下。它是設(shè)法計(jì)算某隨機(jī)特征點(diǎn)X到各樣本的距離，取前k個(gè)最近的樣本，統(tǒng)計(jì)這k個(gè)最近的樣本所屬類別，按照眾數(shù)法確定隨機(jī)特征點(diǎn)的類別。k-NN方法對(duì)于類域的交叉或重疊較多的待分樣本集來說，較其他方法更為適合，但當(dāng)樣本不平均時(shí)，如一個(gè)類別的樣本容量很大，而其他類別樣本容量卻很小時(shí)，有可能導(dǎo)致當(dāng)輸入一個(gè)新樣本時(shí)，該樣本的k個(gè)鄰居中大容量類別的樣本占多數(shù)。另外，k-NN方法計(jì)算量較大，因?yàn)閷?duì)每一個(gè)待分類的樣本都要計(jì)算它到全體已知樣本的距離，才能求得它的k個(gè)最近鄰點(diǎn)[21]。

1.3.3 精度評(píng)價(jià) 遙感圖像分類通常使用混淆矩陣來進(jìn)行分類精度評(píng)價(jià)，主要采用總體分類精度和Kappa系數(shù)2種評(píng)價(jià)指標(biāo)，對(duì)于單個(gè)地物類別的提取效果，可用制圖精度和用戶精度進(jìn)行評(píng)價(jià)，但是在實(shí)際分類中，制圖精度和用戶精度又相互制衡，不能準(zhǔn)確判斷分類方法和數(shù)據(jù)的優(yōu)劣，因此，本研究引入數(shù)據(jù)挖掘中不平衡樣本的F度量整體評(píng)價(jià)遙感圖像中落葉松人工林的提取結(jié)果。F計(jì)算公式為：

式（2）中：A表示制圖精度，U表示用戶精度。

2 試驗(yàn)與分析

2.1 解譯樣地布設(shè)

依據(jù)森林資源二類調(diào)查數(shù)據(jù)和典型森林類型樣地補(bǔ)充調(diào)查數(shù)據(jù)，確定研究區(qū)域的樣本類型為紅松Pinus koraiensis人工林、落葉松人工林、云杉Picea asperat人工林、樟子松Pinus sylvestris var.mongolica人工林、天然林、無林地等6類。對(duì)于整個(gè)研究區(qū)而言，典型森林類型樣地?cái)?shù)據(jù)分布不夠均勻，因此將二類小班數(shù)據(jù)按不同齡組（幼齡林、中齡林和成熟林）、不同林種（紅松人工林、落葉松人工林、云杉人工林、樟子松人工林、天然林和無林地）渲染分類，與由DEM數(shù)據(jù)得到的3類坡向圖（陰坡、陽坡、無坡向）疊加，綜合考慮地形信息和樹種信息，根據(jù)各森林類型面積權(quán)重增加布設(shè)樣地。樣地大小為28.28 m×28.28 m的正方形樣地，共計(jì)565塊，按7∶3比例抽取監(jiān)督樣本和驗(yàn)證樣本，用于森林類型分類和精度驗(yàn)證。樣地類別及各類別的樣本數(shù)量見表2。

表2 樣地類別及各類別樣地的數(shù)量Table 2 The category of sample plot and the numbers of each category of sample plot

2.2 不同森林類型時(shí)相特征分析

對(duì)各森林類別在不同時(shí)相影像上的光譜均值變化進(jìn)行統(tǒng)計(jì)，森林類別光譜曲線如圖1所示。在2017年6月16日獲取的影像上，無林地光譜均值變化規(guī)律與有林地之間差異明顯。通過目視解譯遙感影像可以看出：此時(shí)段內(nèi)，無林地處于裸露狀態(tài)，無植被或農(nóng)作物生長。對(duì)有林地而言，各樹種處于夏季生長季，光譜變化趨勢(shì)相似，在近紅外波段各有林地類別間區(qū)分度明顯，天然林光譜均值最高，與人工林光譜差異顯著，落葉松人工林此時(shí)間段長勢(shì)較好，光譜均值次之，與其他人工林區(qū)分明顯。

在2017年8月19日獲取的影像上，由于正值初秋季節(jié)，研究區(qū)以玉米Zea mays、蘭花豆Vicia faba為主的田間農(nóng)作物正處于成熟季，綠色植被豐富，因此無林地光譜變化規(guī)律與有林地大致一致，而落葉松人工林葉綠素含量下降，葉片開始變黃。在TM1、TM2、TM3、TM4波段上，各類別區(qū)分度都較弱，很難區(qū)分。在近紅外波段，無林地光譜均值最高，天然林次之，落葉松人工林與其他人工林區(qū)分明顯，紅松人工林和云杉人工林的光譜均值較接近，TM6波段次之，TM7波段較好。

在2017年10月22日獲取的影像上，農(nóng)作物收割，無林地光譜變化規(guī)律與有林地明顯不同，落葉松人工林和天然林大范圍落葉，光譜變化規(guī)律較一致，其他人工林屬常綠樹種，變化規(guī)律相對(duì)一致，落葉松人工林在TM1～TM7波段與其他森林類別分離度都較好，天然林在TM4、TM5、TM6、TM7波段與除落葉松人工林外的其他人工林分離度最好。

圖1 不同時(shí)相影像上地類的光譜變化Figure 1 Terrestrial spectral variation of different phase images

對(duì)比分析不同時(shí)相近紅外波段的地類光譜變化，3期影像均以近紅外波段各森林類別區(qū)別最大。在2017年6月16日獲取的影像上，植被葉片生長狀況最好，內(nèi)部結(jié)構(gòu)豐富，各森林類別間區(qū)分最明顯。在8月19日獲取的影像上，各地類區(qū)分能力次之，此時(shí)正值初秋時(shí)節(jié)，田間玉米、大豆等農(nóng)作物成熟，無林地光譜均值升高，而落葉松人工林開始逐漸變黃，各樹種類別光譜均值降低。在10月22日獲取的影像上，各森林類別區(qū)分能力最低，此時(shí)落葉松人工林和天然林大范圍落葉，光譜均值最低，與其他常綠人工林光譜均值差距較大。

2.3 基于多時(shí)相特征的落葉松人工林分類

分析不同地類在Landsat 8多時(shí)相數(shù)據(jù)上地類光譜變化規(guī)律，以2017年6月16日獲取的影像作為基準(zhǔn)數(shù)據(jù)，擴(kuò)展波段為2017年8月19日獲取影像TM5、TM6波段，2017年10月22日獲取影像TM3、TM4、TM5、TM6波段，進(jìn)行多時(shí)相特征數(shù)據(jù)組合。利用ENVI軟件對(duì)多時(shí)相特征數(shù)據(jù)進(jìn)行最大似然法和支持向量機(jī)法分類，其中支持向量機(jī)采用線性函數(shù)進(jìn)行分類；利用C#語言實(shí)現(xiàn)光譜角分類法和k最近鄰法分類，提取研究區(qū)落葉松人工林的空間分布，其中，k最近鄰法中k值的確定需要多次訓(xùn)練。研究對(duì)k分別從1～10取值進(jìn)行分類，得到當(dāng)k=5時(shí)，分類效果最好。因?yàn)楸狙芯恐饕槍?duì)落葉松人工林信息提取進(jìn)行研究，因此將除落葉松人工林以外的其他類別進(jìn)行合并，得到凸出顯示落葉松人工林的空間位置分布的分類圖，分類結(jié)果如圖2和表3所示。同時(shí)，為凸顯本研究實(shí)驗(yàn)方法的可行性，采用最大似然分類法對(duì)單時(shí)相遙感影像進(jìn)行分類，分類結(jié)果精度如表4所示。

3 討論

圖2 基于多時(shí)相特征的分類結(jié)果Figure 2 Classification results based on multi-temporal remote sensing data

表3 基于多時(shí)相遙感數(shù)據(jù)的分類精度Table 3 Classification accuracy based on multi-temporal remote sensing data

表4 基于單時(shí)相遙感數(shù)據(jù)分類精度Table 4 Classification accuracy based on single phase remote sensing data

利用多時(shí)相Landsat 8影像，采用最大似然法、支持向量機(jī)法、光譜角法和k最近鄰法對(duì)研究區(qū)落葉松人工林信息進(jìn)行提取，并與基于單時(shí)相數(shù)據(jù)的分類結(jié)果做比較，可以得到：①落葉松人工林具有明顯的植被光譜特征，與裸地等地物區(qū)分明顯，與其他樹種類別變化規(guī)律相似。在近紅外波段，各樹種類別光譜可分性最好，落葉松人工林區(qū)分明顯，對(duì)于不同時(shí)相遙感數(shù)據(jù)，森林長勢(shì)較好的夏季樹種類別的光譜差異最大。②落葉松人工林的信息提取受數(shù)據(jù)源特征信息量的影響，在秋季，落葉松開始落葉，與其他常綠樹種光譜差異明顯。因此，在單時(shí)相影像分類結(jié)果中，秋季影像對(duì)落葉松人工林信息提取效果較好，F(xiàn)精度為84.513 9%。多時(shí)相特征數(shù)據(jù)綜合了落葉松夏季茂盛、冬季落葉的季相特性，其落葉松人工林提取結(jié)果明顯優(yōu)于單時(shí)相遙感數(shù)據(jù)提取結(jié)果，落葉松人工林F精度提高到87.979 3%。③各分類方法中，光譜角法和k最近鄰法的制圖精度相同，為91.14%，但最近鄰法的用戶精度為84.71%，低于光譜角法的用戶精度85.71%，因?yàn)閗最近鄰法是計(jì)算某隨機(jī)特征點(diǎn)X到各樣本的距離按眾數(shù)法判別待估計(jì)樣本類別，樣本數(shù)量的不平衡及位置分布不均勻使其較光譜角法存在 “過提取”現(xiàn)象。同樣，最大似然法和支持向量機(jī)法的制圖精度相同，為86.02%，但支持向量機(jī)法的用戶精度為87.12%，低于最大似然法的用戶精度90.03%。這是由于最大似然法以訓(xùn)練樣本作為中心，而支持向量機(jī)以訓(xùn)練樣本分析分類邊界，導(dǎo)致以相同樣本進(jìn)行落葉松人工林信息提取時(shí)，最大似然法存在 “欠提取”現(xiàn)象，支持向量機(jī)法存在 “過提取”現(xiàn)象。利用F精度整體評(píng)價(jià)各方法的落葉松人工林提取精度，光譜角法最好，F(xiàn)精度為88.346 3%，最大似然法次之，精度為87.979 3%，k最近鄰法的提取精度為87.807 4%，支持向量機(jī)法最低為86.566 5%。

4 結(jié)論

通過實(shí)驗(yàn)與分析可以得出：①落葉松人工林有著明顯的植被季相特征，利用多時(shí)相Landsat 8影像提取落葉松人工林信息的效果相比于單時(shí)相影像提取效果好，其提取精度大大提高，精度提高范圍為[3.465 4,18.098 6]；②本研究所采用的4種分類方法中，光譜角法對(duì)落葉松人工林的空間位置分布提取較好，F(xiàn)精度為88.346 3%，即利用多時(shí)相遙感影像采用光譜角法可以較好地提取研究區(qū)落葉松人工林空間位置分布。本研究對(duì)大面積獲取落葉松人工林的空間位置分布具有一定的參考價(jià)值，對(duì)掌握中國落葉松人工林分布并促進(jìn)落葉松人工林合理種植具有現(xiàn)實(shí)意義。