田雷,傅文學,孫燕武,荊林海,邱玉寶,李新武
(1.中國科學院空天信息創(chuàng)新研究院數(shù)字地球重點實驗室,北京 100094;2.安徽理工大學空間信息與測繪工程學院,淮南 232001)
全球變暖導致世界氣候產(chǎn)生顯著變化,1951—2012年間,地球表面的平均溫度上升了約0.72 ℃,石化燃料的大量使用以及大規(guī)模毀林所導致的大氣中溫室氣體尤其是二氧化碳(CO2)濃度的不斷升高是造成全球氣候變化的主因[1]。據(jù)《2015年全球森林資源評估報告》顯示: 全球森林面積為39.99億hm2,是陸地重要的碳庫[2]。作為地球上分布面積最廣、結(jié)構(gòu)最為復雜的陸地生態(tài)系統(tǒng),全球森林在2006—2015年吸收了超過1/4的全球碳排放[3]。因此,森林是全球碳循環(huán)系統(tǒng)中一個重要的組成部分,能夠?qū)Υ髿鈱訙厥覛怏w的濃度帶來重大影響,對于全球氣候調(diào)節(jié)起著無可替代的作用[4-6]。
北方森林區(qū)約占全球森林面積的30%,主要分布于北美和歐亞大陸,其中: 60%位于俄羅斯,28%位于加拿大,其余12%分布于中國、芬蘭、挪威、瑞典等10多個北半球國家[7-8]。作為巨大的碳庫,北方森林在全球碳平衡和應對氣候變化中具有重要的地位,同時也是受氣候變化最敏感的地區(qū)之一,其動態(tài)變化是促進全球變化重要的因子,因此在與全球氣候系統(tǒng)的耦合中,存在極強的交互作用。在全球變暖背景下,監(jiān)測北方森林長時間尺度的空間變化特征,對全球氣候變化研究和可持續(xù)發(fā)展有著實際意義。
森林覆蓋變化主要體現(xiàn)在受人為和自然因素導致的林地與非林地之間的變化[9]。遙感技術(shù)的快速發(fā)展,使得獲取大范圍地區(qū)長時間序列的森林覆蓋變化信息成為可能,極大地改善了過去依靠外業(yè)耗時耗力的局面。國內(nèi)外研究學者已在利用多源遙感技術(shù)監(jiān)測森林覆蓋變化方面做了大量研究,在不同尺度上發(fā)展了一系列實用可靠的技術(shù)方法,并取得較好的結(jié)果。在低空間分辨率數(shù)據(jù)方面,覃先林等[10]利用MODIS數(shù)據(jù),分別采用紅光-近紅外法、共生矩陣紋理法和基于相似度的變化監(jiān)測方法,對我國東北林區(qū)的森林覆蓋變化監(jiān)測方法進行研究,對比驗證表明基于相似度的變化監(jiān)測方法正確度最高(80%以上)。但由于影像空間分辨率低,結(jié)果誤差大,較適宜于對大區(qū)域的森林覆蓋變化進行監(jiān)測。高空間分辨率數(shù)據(jù)覆蓋范圍小,更適用于小尺度精細分析。王榮等[11]以IKONOS影像為數(shù)據(jù)源,利用面向?qū)ο蠖喑叨确指钏惴?、Sobel算子邊緣檢測及骨架線提取等方法,構(gòu)建紋理線條密度指數(shù)(TLDI)對納版河自然保護區(qū)的天然林與人工林進行分類,研究表明: 與常用的植被特征指數(shù)和紋理特征指數(shù)相比,TLDI指數(shù)的離散度更好、分類效果更佳,可以有效地提取森林內(nèi)部天然林與人工林植被覆蓋信息; Wilson等[12]利用歸一化植被指數(shù)(normalized difference vegetation index,NDVI)和歸一化差異水分指數(shù)(normalized difference water index,NDWI)對時間序列Landsat專題圖圖像進行分類以檢測森林采伐水平并比較了兩者的多重分類精度; 任沖等[13]以1988—2015年5期夏季Landsat TM/OLI遙感影像為主要數(shù)據(jù)源,利用隨機森林和參數(shù)優(yōu)化支持向量機分類器對土地覆蓋類型進行分類,獲得了天水市近30 a林地動態(tài)變化信息; 姜洋等[14]利用不同時相的Landsat TM/ETM+為數(shù)據(jù)源,采用面向?qū)ο蠛突诙嗉墰Q策樹的分類方法得到了浙江省2000年、2005年、2010年的森林植被覆被圖,并通過專題圖分析獲取了浙江省森林資源動態(tài)變化的空間分布信息。這些研究的結(jié)果表明Landsat系列數(shù)據(jù)可以兼顧大尺度與較精細分辨率的優(yōu)勢,在大范圍的森林研究中發(fā)揮重要的作用。但是以上研究工作只考慮了森林整體的變化,沒有顧及到森林變化隨緯度的空間變化規(guī)律。
本文選取西伯利亞森林受人類活動影響較少的典型研究區(qū),定量化研究近30 a森林覆蓋度的總體變化及隨緯度的空間變化規(guī)律,為分析該區(qū)域?qū)θ蜃兓捻憫峁﹨⒖肌?/p>
本文選取西伯利亞北方森林典型區(qū)俄羅斯克拉斯諾亞爾斯克邊疆區(qū)北方森林區(qū)為研究區(qū),地理位置見圖1。研究區(qū)位于西伯利亞中部,空間范圍在E81°~102°,N51°~69°之間。該研究區(qū)的氣候為典型的大陸性氣候,氣溫變化劇烈,冬季漫長,夏季短促。1月份平均溫度北部達-36 ℃,南部達-18 ℃; 7月份的平均溫度北部為10 ℃,南部為20 ℃,年平均降水量約316 mm。
圖1 研究區(qū)地理位置示意圖Fig.1 Location of the study area
北方森林地理區(qū)系主要由云杉(PiceaasperataMast.)、松樹(Pinus)、冷杉(Abiesfabri(Mast.)Craib)和落葉松(Larixgmelinii(Rupr.)Kuzen)等針葉樹以及樺木(Betula)、楊樹(PopulusL)、柳樹(Salix)和榿木(AlnuscremastogyneBurk)等闊葉樹組成。盡管北方森林生態(tài)系統(tǒng)物種組成相對簡單,但北方森林區(qū)無論是平均溫度還是降水均表現(xiàn)出了與全球一致的變化趨勢,并且變化幅度要比全球平均趨勢更為劇烈[15-16]。該研究區(qū)人類活動較少,只在N53°~57° 緯度帶內(nèi)存在少量的城市及農(nóng)田區(qū),因此研究區(qū)內(nèi)森林的變化總體上可以體現(xiàn)自然因素的影響。
采用的數(shù)據(jù)為完全覆蓋研究區(qū)的1985年Landsat 5 TM與2015年Landsat 8 OLI 2期夏季時相遙感影像,數(shù)據(jù)來源于USGS(http: //glovis.usgs.gov/),共149景影像。影像時間主要集中在6—9月,云量小于5%,產(chǎn)品級別L1T。對于當年數(shù)據(jù)缺失的影像,采用相鄰或鄰近年份的數(shù)據(jù)補全,時相差異不超過2 a。
影像數(shù)據(jù)預處理包括輻射定標、大氣校正、幾何糾正、去云處理、鑲嵌以及裁剪等,如圖2所示。其中影像去云是通過薄云優(yōu)化變換(haze optimized transformation,HOT)進行遙感影像薄云識別與去除。主要原理是利用影像中無云區(qū)地物的藍光波段和紅光波段的高度相關(guān)性確定晴空線,然后計算云區(qū)的像元相對于晴空線的偏移距離(HOT),最后依據(jù)HOT的大小實現(xiàn)薄云的自動探測與去除[17]。HOT計算公式為:
HOT=ρBLUEsinθ-ρREDcosθ-|I|cosθ,
(1)
式中:ρBLUE和ρRED分別為TM/OLI影像的藍光波段和紅光波段的反射率;I為晴空線的截距;θ為晴空線的傾度。
圖2 TM/OLI影像預處理流程Fig.2 Preprocessing flowchart of TM/OLI scenes
森林覆蓋分類采用決策樹分類法[18],根據(jù)影像的不同特征,利用訓練空間實體集產(chǎn)生規(guī)則和發(fā)現(xiàn)規(guī)律; 其次根據(jù)不同取值建立樹的分支,在每個分支子集中重復建立下層結(jié)點和分支,以樹型結(jié)構(gòu)表示分類或決策集合; 最后形成決策樹,從而將研究區(qū)劃分為有林地和無林地2種地類。選用歸一化植被指數(shù)(normalized difference vegetation index,NDVI)、比值植被指數(shù)(ratio vegetation index,RVI)以及近紅外波段進行有林地和無林地的分類。NDVI作為遙感估算植被信息中最常用的植被指數(shù),能有效地削弱復雜地形對影像信息提取的不利影響,增強植被與其他地類的區(qū)分度,有助于提高森林信息提取的精度和可信度,其公式為:
NDVI=(ρNIR-ρRED)/(ρNIR+ρRED),
(2)
式中ρNIR為影像的近紅外波段的反射率。
RVI能較好地反映植被生長狀況和覆蓋度的差異,特別適用于植被生長旺盛、具有高覆蓋度的植被監(jiān)測,RVI計算公式為:
RVI=ρNIR/ρRED。
(3)
以上2種植被指數(shù)可有效區(qū)分有林地和無林地,但對于部分植被覆蓋度較高的無林地(如農(nóng)用地)分類效果較差。研究發(fā)現(xiàn)不同植物在近紅外波段(0.76~0.90 μm)的光譜反射峰值不同[19],近紅外波段對不同植物葉片內(nèi)部結(jié)構(gòu)不同引起的反射率差異甚為敏感,因此可用近紅外波段來進行有林地和其他植被的區(qū)分。根據(jù)這一特性,本研究通過樣本訓練確定有林地和農(nóng)用地在近紅外波段的最佳區(qū)分閾值范圍,采用決策樹算法進行分類,如圖3所示?;跇颖居柧毚_定定量的決策樹分類規(guī)則: NDVI值大于0.52且RVI值大于6作為植被對象,否則作為非植被對象; 選取上層分類的植被對象的近紅外波段值小于3 788(反射率經(jīng)大氣校正后擴大了104倍)的作為有林地對象,否則作為非林地對象。最后,將第一層非植被對象和第二層無林地對象合并作為最終的無林地分類結(jié)果,第二層有林地對象作為最終有林地分類結(jié)果。
圖3 TM/OLI影像決策樹分類模型Fig.3 TM/OLI scenes classification based ondecision tree classification model
為驗證分類精度和可靠性,選取了2015年同時期4景高分辨率遙感影像高分二號數(shù)據(jù)(全色譜段空間分辨率為0.81 m)進行分類結(jié)果驗證,在高分二號影像上隨機選取均勻分布的987個有代表性的獨立檢驗樣本進行精度驗證。選用總體分類精度和Kappa系數(shù)作為驗證指標。
1)總體分類精度??傮w分類精度是指被正確分類的像元總數(shù)占總像元數(shù)的比例,即
(4)
式中:P0為分類的總體精度;m為分類的類別數(shù);N為樣本總數(shù);Pii為第i類被正確分類的樣本數(shù)目。
2)總體Kappa系數(shù)。Kappa系數(shù)是由Cohen在1960年提出的用于評價遙感圖像分類正確程度和比較圖件一致性的指數(shù)[20],即
Kappa=(P0-Pe)/(1-Pe),
(5)
(6)
式中:a1,a2,…,am分別為每一類的真實樣本個數(shù);b1,b2,…,bm分別為預測的每一類樣本個數(shù)。
對1985年、2015年Landsat TM/OLI影像采用決策樹法進行分類,并將分類結(jié)果中的圖斑進行主要分析處理,以去除圖斑噪聲的影響,結(jié)果如圖4所示。通過精度評價結(jié)果表明本研究所采用的決策樹分類方法總體分類精度為94.53%,Kappa系數(shù)為0.870,分類結(jié)果可靠,可滿足于大區(qū)域、復雜地形的植被/森林覆蓋度變化監(jiān)測。
為了更好地描述研究近30 a西伯利亞北方森林覆蓋度的空間變化信息,對研究區(qū)進行2° 緯度帶間隔分割,并分別統(tǒng)計每個緯度帶內(nèi)森林覆蓋信息,統(tǒng)計信息見表1。其中,面積變化率表示1985—2015年有林地面積增加量與1985年有林地面積之比; 覆蓋度變化表示研究區(qū)單位面積的林地變化量,從林地面積變化率和覆蓋度的增加量上分別體現(xiàn)有林地的變化程度。
表1 1985年和2015年森林覆蓋信息統(tǒng)計Tab.1 Statistics of forest cover information in 1985 and 2015
經(jīng)統(tǒng)計分析得知研究區(qū)內(nèi)森林1985年的森林面積為538 831.05 km2,森林覆蓋度為75.42%; 2015年的森林面積為575 310.77 km2,森林覆蓋度為80.53%。經(jīng)過近30 a的變化,研究區(qū)森林面積增加了36 479.72 km2,森林覆蓋度增加了5.11百分點,森林面積和覆蓋度總體上都呈現(xiàn)增加的趨勢。對2期森林覆蓋情況進行空間變化疊加分析,得到1985—2015年研究區(qū)北方森林覆蓋變化的空間分布,如圖5所示。
圖5 森林覆蓋動態(tài)變化監(jiān)測結(jié)果Fig.5 Monitoring results of dynamic changes of forestcover based on classification results
由圖5和表1可以看出,近30 a研究區(qū)在N63°~69° 緯度帶內(nèi)面積變化率較高: 其中,N67°~69° 緯度帶有林地增加面積為892.31 km2,面積變化率為15.28%,森林覆蓋度增加了4.55百分點; N65°~67° 緯度帶有林地增加面積為7 937.23 km2,面積變化率為24.61%,森林覆蓋度增加了13.50百分點; N63°~65° 緯度帶有林地增加面積為5 159.35 km2,面積變化率為12.87%,森林覆蓋度增加了8.84百分點。在這些緯度帶內(nèi),森林覆蓋度增加最為顯著,表明對氣候的響應更敏感,受氣候變化的影響更強。
在N57°~63° 緯度帶,研究區(qū)的有林地和無林地空間變化相對平穩(wěn),從圖5上看,整體上表現(xiàn)為無變化的黃色區(qū)域,森林覆蓋度增加緩慢: 不同緯度帶增加比例分別為1.57(N61°~63°),3.24(N59°~61°),1.00(N57°~59°)百分點。表明該緯度帶森林受氣候變化影響較小,面積和覆蓋度都呈現(xiàn)出穩(wěn)定的趨勢。
而在N51°~57° 緯度帶內(nèi)有少量的城市和農(nóng)業(yè)區(qū),人類活動對林地變化產(chǎn)生了一定的影響,但總體上森林存在著增加的趨勢。統(tǒng)計發(fā)現(xiàn)森林覆蓋度增加量隨著緯度的降低而降低: N55°~57° 緯度帶有林地增加面積為9 110.38 km2,森林覆蓋度增加了7.96百分點,N53°~55° 緯度帶有林地增加面積為4 870.15 km2,森林覆蓋度增加了6.28百分點,N51°~53° 緯度帶有林地增加面積為1 685.21 km2,森林覆蓋度增加了5.02百分點。
圖5也展示了有林地與無林地的相互轉(zhuǎn)化,其中綠色為無林地轉(zhuǎn)化為有林地,表示林地的增加部分; 而紅色為有林地轉(zhuǎn)化為有林地,表示林地的砍伐或退化; 黃色為無變化,保持了原有林地的部分; 灰色為無林地。統(tǒng)計分析表明: 研究區(qū)1985—2015年無林地轉(zhuǎn)化為有林地為7.94%,有林地轉(zhuǎn)化為無林地為2.83%,有林地面積凈增加5.11%。有林地增加區(qū)域主要分布在N53°~55°,N55°~57°,N63°~65°和N65°~67° 緯度帶; 有林地減少區(qū)域主要分布在N55°~57°和N57°~59° 緯度帶。
由此可見,研究區(qū)內(nèi)北方森林覆蓋總體上呈現(xiàn)增加趨勢,但不同緯度帶的增加率明顯不同。已有研究利用AVHRR數(shù)據(jù),分析了CO2大氣濃度年增幅40%對北半球高緯度地區(qū)植被生長增加的驅(qū)動過程[21-22],與本研究西伯利亞北方森林覆蓋度變化規(guī)律表現(xiàn)出較強的一致性,表明氣候變化是北方森林覆蓋增長的一個重要驅(qū)動因素。同時不同緯度帶內(nèi)溫度和降雨的差異性,可能是西伯利亞北方森林覆蓋度變化在不同緯度帶表現(xiàn)不同的原因,但對于響應機制以及復雜的耦合過程還需進一步研究。
利用1985年和2015年2期Landsat遙感數(shù)據(jù)研究了西伯利亞典型研究區(qū)北方森林近30 a的總體森林面積空間變化和森林覆蓋變化規(guī)律。同時對研究區(qū)進行2° 緯度帶間隔分割,定量化分析了不同緯度帶內(nèi)森林面積和覆蓋度變化,主要結(jié)論如下:
1)近30 a來,西伯利亞北方森林覆蓋度變化顯著,總體森林覆蓋度由1985年的75.42%增加到2015年的80.53%,森林覆蓋度增加了5.11百分點。
2)西伯利亞北方森林在不同緯度帶內(nèi)有林地面積變化出現(xiàn)了較大的差異: 在N65°~67° 緯度帶內(nèi)有林地面積變化率最高,變化率達到24.61%,森林覆蓋度增加了13.50百分點; 在N67°~69° 緯度帶有林地面積變化率次之,變化率為15.28%,森林覆蓋度增加了4.55百分點; 在N57°~59° 緯度帶內(nèi)有林地面積變化率最低,變化率為1.11%,森林覆蓋度增加了1.00百分點。
3)總體上看,西伯利亞北方森林有林地面積在各個緯度帶內(nèi)都出現(xiàn)了不同程度的增加,增加區(qū)域主要分布在N63°~67° 緯度帶和N53°~57° 緯度帶; 有林地減少區(qū)域主要分布在N55°~59° 緯度帶。在N63°~67° 緯度帶內(nèi)森林覆蓋度增加最顯著,不同緯度帶增加比例分別為: 8.84(N63°~65°)和13.50(N65°~67°)百分點; 在N57°~63° 緯度帶森林覆蓋度變化相對平穩(wěn),不同緯度帶增加比例分別為1.00(N57°~59°),3.24(N59°~61°)和1.57(N61°~63°)百分點; 在N51°~57° 緯度帶內(nèi)森林覆蓋度增加量隨著緯度的降低而降低,不同緯度帶增加比例分別為7.96(N55°~57°),6.28(N53°~55°)和5.02(N51°~55°)百分點。