竹林信息遙感提取方法研究進(jìn)展

蒲夢馨, 倪忠云,3*, 趙銀兵, 周國李, 梁家鳳

1.成都理工大學(xué) 地球科學(xué)學(xué)院，成都 610059；

2.國家林業(yè)和草原局/北京市建竹藤科學(xué)與技術(shù)重點實驗室，北京 100102；

3.首都師范大學(xué) 資源環(huán)境與旅游學(xué)院，北京 100048；

4.成都理工大學(xué) 旅游與城鄉(xiāng)規(guī)劃學(xué)院，成都 610059

竹資源作為一種重要的非木材林產(chǎn)品和木材替代品，是一種巨大的、綠色的、可再生的森林資源，對竹資源的有效監(jiān)測是利用竹資源的基本前提[1]。竹林的生物量是生活在竹林或以竹筍為食的野生動物棲息地建模的重要數(shù)據(jù)，竹資源評價是生態(tài)系統(tǒng)碳儲量估算的重要依據(jù)[2-4]。傳統(tǒng)上，竹林分布等相關(guān)信息多通過實地調(diào)查實現(xiàn)[5]，遙感技術(shù)提升了人們的空間識別能力，同時極大地提升了遙感技術(shù)在竹林監(jiān)測、評價和開發(fā)利用等方面的應(yīng)用潛力[6]。前人提出了很多基于遙感影像的竹林信息提取方法，從主觀性強的目視解譯到具有客觀性的非監(jiān)督分類和監(jiān)督分類。隨著遙感技術(shù)的發(fā)展，傳統(tǒng)的統(tǒng)計識別模型因其局限性不能滿足多樣化的竹林信息提取需求，從20世紀(jì)80年代開始，計算機模擬人工行為操作的機器學(xué)習(xí)分類在各大領(lǐng)域日益興起，多維圖像分類方法隨之逐漸融入竹林信息提取中，如決策樹以及隨機森林分類器等[7]。由于竹林與相鄰森林影像光譜特征相似，且竹林生長速度快，樣本采集困難等問題，對竹林進(jìn)行有效的遙感監(jiān)測仍然具有挑戰(zhàn)性[8]。近年來，為解決竹林生長區(qū)域云量多、單時相遙感數(shù)據(jù)識別精度低等問題，部分學(xué)者根據(jù)竹林生長物候差異等特點，提出了多時序遙感影像與物候特征和紋理信息相結(jié)合的方法，聚焦竹林的變化特征，提高竹林與其他綠色植被的可分性[9, 10]。隨著光譜信息種類的衍化和衛(wèi)星技術(shù)的精進(jìn)，如今除了利用常見多光譜光學(xué)傳感器獲取的可見光遙感影像信息之外，發(fā)揮竹林樹干筆直光滑和結(jié)構(gòu)多樣性低的特點，其他波譜特征（紅外光譜、高光譜、SAR等）也逐漸被應(yīng)用于竹林信息提取[11-13]。

本文梳理了遙感影像的竹林信息提取方法發(fā)展的三個階段，總結(jié)竹林信息提取方法中存在的不足，展望竹林信息提取方法未來的發(fā)展趨勢，該項工作有利于為竹林信息提取提供理論和方法參考，積極服務(wù)于竹資源開發(fā)和生態(tài)保護(hù)。

1 竹林信息遙感提取方法進(jìn)展

竹林信息遙感影像的識別從最初簡單的地物分類到后期森林資源的調(diào)查，細(xì)化到了如今竹林信息的提取。期間各類的遙感圖像分類方法都被應(yīng)用于竹林信息提取的研究中，形成了以監(jiān)督分類和非監(jiān)督分類為主的兩類方法，此外隨著遙感圖像信息的深入挖掘，多源信息的加入在竹林信息提取中也發(fā)揮了重要的作用（圖1）。竹林遙感信息提取方法的發(fā)展可以分為三個階段。

圖1 竹林信息提取方法[14, 15]Fig.1 Methods for extracting bamboo forest information

1.1 傳統(tǒng)的統(tǒng)計識別模型

早期在林業(yè)調(diào)查中獲取竹林信息，需要大量勞動力進(jìn)行野外實地調(diào)查。自1972年Landsat系列衛(wèi)星數(shù)據(jù)采集和應(yīng)用以來，遙感技術(shù)逐漸運用于森林資源的調(diào)查中，最初主要是通過衛(wèi)星影像的目視解譯完成，需要利用影像和空間特征與其他信息資料相結(jié)合識別地物，受影像分辨率的限制，林地層次信息復(fù)雜，解譯精度受人為主觀影響較大[16]。為達(dá)到理想的分類精度，保證竹林信息提取結(jié)果的準(zhǔn)確性以及時間效率，目視解譯只適用于空間尺度小，分辨率高的竹資源調(diào)查中[17]。隨著計算機技術(shù)逐漸與遙感影像分類相結(jié)合并逐步實現(xiàn)竹林分類技術(shù)的提升，監(jiān)督分類和非監(jiān)督分類方法相繼出現(xiàn)。較之于監(jiān)督分類，非監(jiān)督分類依靠竹林的光譜特征完成自動化分類，“同譜異物”和“同物異譜”現(xiàn)象嚴(yán)重，時間和地形變化等因素對分類結(jié)果影響較大，在竹林監(jiān)測中適應(yīng)性較差。李俊祥等（2005）在利用NOAA-AVHRR數(shù)據(jù)進(jìn)行森林資源調(diào)查時發(fā)現(xiàn)用非監(jiān)督分類中的IsoData方法對竹林進(jìn)行分類的精度僅有28.7%[18]；官鳳英等（2010）在進(jìn)行非監(jiān)督分類、最大似然法和子像元分類比較研究中發(fā)現(xiàn)，非監(jiān)督分類結(jié)果中圖斑的數(shù)量眾多，并且邊緣含有大量的細(xì)碎斑塊，導(dǎo)致界限不清，難以識別植被類型[19]。使用非監(jiān)督分類所得結(jié)果往往并不理想，因此有關(guān)竹林信息提取研究大多選擇監(jiān)督分類進(jìn)行，而非監(jiān)督分類在竹林信息提取中的應(yīng)用較少。

非監(jiān)督分類在竹林信息提取中僅依靠機器自動完成，而監(jiān)督分類以統(tǒng)計識別函數(shù)為基礎(chǔ)，再配合人為的主觀參與，在竹林信息提取的應(yīng)用中更加靈活[20]。在遙感影像分類方法發(fā)展的前期，1984年發(fā)射的Landsat5為竹林信息提取提供了數(shù)據(jù)基礎(chǔ)，其搭載的ERTS-1多光譜掃描儀（MSS）和專題制圖儀（TM），被應(yīng)用于地球自然資源的監(jiān)測[21]。選取合適月份的Landsat5數(shù)據(jù)，采用監(jiān)督分類的方法，能夠成功地提取出竹林的分布情況。如Murakami等（2006）使用監(jiān)督分類方法對日本福岡縣久山和佐柳市附近的森林地區(qū)的Landsat5影像進(jìn)行分類，成功識別出竹林、針葉林和闊葉林[22]。在Landsat5之后，從1999年開始由IKONOS衛(wèi)星領(lǐng)銜的高分辨率衛(wèi)星陸續(xù)發(fā)射成功，在監(jiān)督分類和非監(jiān)督分類的基礎(chǔ)上，高分辨率影像的加入增加了有效識別竹林與相鄰地類之間差異的可能性，例如利用IKONOS影像進(jìn)行最小距離法和ISODATA非監(jiān)督分類竹林分類精度分別可以達(dá)到80%和60%以上[23]。20世紀(jì)末，人們提出基于監(jiān)督分類的面向?qū)ο蠓诸惙椒?，該方法在高分辨率圖像中的應(yīng)用比普遍的面向像素分類方法具有更豐富的竹林分類依據(jù)，如顏色、形狀、紋理、拓?fù)涞榷加兄诔浞滞诰蚋叻直媛蔬b感影像中的細(xì)節(jié)信息[24]。Guo等（2009）在基于IKONOS圖像的竹林信息提取中發(fā)現(xiàn)，相比于最佳迭代非監(jiān)督分類和決策樹方法，面向?qū)ο蠓诸惙椒ㄔ诟叻直媛蕡D像中具有一定優(yōu)勢[25]。為了避免面向?qū)ο蠓诸愔杏捎谔卣骷^多引起的“維數(shù)災(zāi)難”，有研究人員在進(jìn)行竹林信息提取中提出了相應(yīng)的解決方法，如Relief算法中的Filter模型[26]。我國2010年啟動的“高分專項”計劃提升了面向?qū)ο蠓诸愐罁?jù)其獲取細(xì)節(jié)信息的能力，“高分”系列衛(wèi)星數(shù)據(jù)在竹林信息提取中更加具有應(yīng)用潛力[27]。

1.2 機器學(xué)習(xí)分類

基于概率統(tǒng)計的機器學(xué)習(xí)有效地推動了遙感影像地物識別的研究進(jìn)度[28]。以中、高分辨率數(shù)據(jù)為主，決策樹分類、支持向量機以及隨機森林分類器為代表的分類方法在竹林信息提取中得到了廣泛應(yīng)用。決策樹分類從1999年出現(xiàn)相關(guān)研究，它借助竹林生長中的差異性并直觀利用概論分析，逐步形成熵值，該方法能夠根據(jù)不同地區(qū)竹林分布，物種生長狀態(tài)和遙感數(shù)據(jù)類型的差異合理調(diào)整，可用于提取較大區(qū)域尺度甚至是全球尺度的竹林信息。如Y.TANIGAK等（2010）通過ALOS AVNIR-2A衛(wèi)星圖像使用最大似然法和決策樹分類對日本的竹林進(jìn)行監(jiān)測[29]。隨著數(shù)據(jù)集時序間隔愈加密集，決策樹分類出現(xiàn)在更大尺度區(qū)域的竹林提取研究中。如崔璐等（2017）通過MODIS和Landsat數(shù)據(jù)，利用決策樹結(jié)合混合像元分解的分類方法進(jìn)行了中國全國大尺度的竹林遙感信息提取[30]；Du等（2018）將最大似然法和決策樹分類相結(jié)合，并根據(jù)各國分布，物種生長和遙感數(shù)據(jù)的差異調(diào)整閾值，提取了全球范圍內(nèi)竹林分布信息[31]。決策樹分類往往能處理大量竹林特有的輔助特征，并包含多種不同類型算法，形成一個龐大的分叉樹篩選體系，但是決策樹分類更適合大尺度信息提取，而在中小空間尺度的高分辨率影像提取竹林信息中優(yōu)勢并不明顯。

在決策樹分類的遙感應(yīng)用出現(xiàn)之后，由于竹林分布特征的復(fù)雜性以及圖像中可用特征數(shù)量增多，迫切需要新的方法應(yīng)對分類過程中的多維性。從2002年開始，備受關(guān)注的支持向量機和隨機森林分類的機器學(xué)習(xí)分類開始融入遙感圖像信息提取中，它比決策樹分類具有更佳的泛化性。Corinna Cortes和Vapnik在1995年的研究指出支持向量機算法受主觀影響小，可以基于最小經(jīng)驗風(fēng)險理論對影像進(jìn)行分類，比非監(jiān)督分類、最大似然法等傳統(tǒng)分類方法更加適用于竹林信息提取[32]。為獲取更詳盡的竹林信息，支持向量機與隨機森林法通常被用作對比研究，Breiman在2001年提出的隨機森林法由bootstrap樣本訓(xùn)練的決策樹集成，在大數(shù)據(jù)中能夠根據(jù)特征變量重要性進(jìn)行調(diào)整，對決策樹分類中的每個節(jié)點進(jìn)行分裂并減少泛化誤差，能夠解決決策樹分類中過度擬合引起的誤差，它和支持向量機一樣適用于竹林信息中高維度特征的分類[33]。2014年支持向量機運用于遙感影像國土監(jiān)測的研究成果大增，其他方法也逐漸被引入竹林信息提取的研究中。如印度學(xué)者Ghosh等（2014）在使用WorldView2對印度西孟加拉邦竹林監(jiān)測中發(fā)現(xiàn)支持向量機較之于隨機森林分類具有更高精度[34]。但是基于不同的基礎(chǔ)數(shù)據(jù)和研究區(qū)域，在竹林相關(guān)特征種類重要性程度不同且特征數(shù)量較多時，隨機森林算法可以分解變量的數(shù)量，降低計算復(fù)雜度，而支持向量機在具有大量竹林觀測樣本的情況下效率較低[35]。嚴(yán)欣榮等（2020）在利用Sentinel-2A影像對滇西南地區(qū)的竹林遙感監(jiān)測中發(fā)現(xiàn)，在反向神經(jīng)網(wǎng)絡(luò)、隨機森林分類和支持向量機這三種方法中，隨機森林總體分類精度最高達(dá)到90%[36]。由于機器學(xué)習(xí)算法的性能受到特征提取和方法選擇的限制，機器學(xué)習(xí)在竹林信息提取中除了使用單種分類器之外，近年不少學(xué)者為了提高圖像識別的靈活性將注意力轉(zhuǎn)向了集成分類器，如常見的Bagging和Boosting分類器[37]。竹林信息提取方法的集成可以針對不同需求進(jìn)行融合，得到的模型數(shù)據(jù)簡單且信息豐富，例如將隨機森林分類替換卷積神經(jīng)網(wǎng)絡(luò)中的全連接層（Fully Connected，F(xiàn)C）用于VHRRS圖像中亞熱帶森林信息提取[38]。與傳統(tǒng)的分類方法相比，隨機森林分類和支持向量機通常能成功的從森林中識別出更加精細(xì)的竹林信息，這兩者之間的拓展運用亟待深入。

1.3 多源信息復(fù)合分類

隨著遙感圖像分辨率的提高，可供竹林信息提取的遙感數(shù)據(jù)選擇更加多樣化。為充分利用獲取的數(shù)據(jù)，多時相多源信息的應(yīng)用是提高竹林信息提取的途徑之一，基于物候?qū)W分類和基于紋理信息結(jié)構(gòu)分類法的融入，突破了單一使用光譜信息的局限性，使得竹林信息提取更具多元化[39]。部分研究在1995年就將紋理特征和物候信息應(yīng)用于遙感圖像分類中，近十年來，國內(nèi)外遙感技術(shù)的發(fā)展提供了高時空分辨率的遙感數(shù)據(jù)源，使得紋理特征和物候信息的挖掘空間增加，這些信息助推了竹林信息提取。植物物候現(xiàn)象在不同的時間周期中能夠?qū)夂蜃兓龀隹焖夙憫?yīng)，隨著遙感數(shù)據(jù)的時間分辨率和空間分辨率的提高，物候?qū)W在氣候變化和陸地生態(tài)系統(tǒng)的動態(tài)耦合關(guān)系研究中處于前沿領(lǐng)域[40]。竹林的物候現(xiàn)象成為竹林信息研究的突破口，而多時序的遙感數(shù)據(jù)則是竹林物候研究的數(shù)據(jù)支撐，NOAA系列衛(wèi)星中的全球植被指數(shù)在1981年就投入到竹林物候研究中，但是數(shù)據(jù)的低分辨率限制了對地觀測的精細(xì)程度[41, 42]。較之于低空間分辨率衛(wèi)星生產(chǎn)的NDVI數(shù)據(jù)，同樣具有高時間密度的Landsat系列數(shù)據(jù)在竹林監(jiān)測中更加適用，從第一顆Landsat衛(wèi)星發(fā)射開始已經(jīng)成功收集了連續(xù)40年的對地觀測數(shù)據(jù)，利于進(jìn)行多時態(tài)表征[43]。如Liu等（2018）和Zhang等（2019）在分別對福建省和中國青島市的竹林信息提取研究中皆得出，基于全季多時相特征集的分類結(jié)果明顯比基于單季節(jié)特征集精度高[9, 44]。在過去的20年來，不乏竹林生長過程中物候?qū)W的研究能夠為竹林信息提取研究提供參考，如印度學(xué)者Nath等（2008）對印度地區(qū)三種竹林兩年期間鞘、葉和莖稈 變 化 進(jìn) 行 了 記 錄[45]， de Carvalho 等 （ 2013）繪制了亞馬遜西南部地區(qū)中一個以竹子為主的原始森林中竹林的開花范圍，推斷了其生命周期長度，并描述了其開花的時空模式[46]。Li等（2019）通過研究制約竹林分布的關(guān)鍵因子預(yù)測了在未來氣候條件的影響和制約下中國竹林的潛在分布[47]。將這一系列竹林物候研究與遙感數(shù)據(jù)相結(jié)合可以實現(xiàn)竹林信息的動態(tài)監(jiān)測，將竹林相關(guān)物候指標(biāo)，如歸一化植被指數(shù)、歸一化水分指數(shù)、增強植被指數(shù)、溫度以及降水等作為特征因子，可以彌補影像信息單一的缺點。

單純使用光譜特征獲取竹林信息容易將具有相似光譜的植被類型混淆，所以紋理特征通常作為另一個重要的輔助信息應(yīng)用于竹林信息提取中，光譜信息和紋理信息的結(jié)合能夠?qū)崿F(xiàn)竹林信息有效提取[48, 49]。如今隨著高分辨率影像獲取愈加便利，具有詳細(xì)的映射能力和監(jiān)視復(fù)雜森林模式能力的紋理特征能夠挖掘更多遙感影像中潛在的竹林信息。竹子的紋理特征較其他樹種而言差異明顯，紋理信息的加入比僅基于像素值分類具有更強的適用性[50]。20世紀(jì)80年代最初的紋理特征僅限于特定的紋理信息，如直線型以及粗糙度等，沒有完整的定義以及參考模型[51]。在此之后，紋理特征的相關(guān)模型逐漸被提出，其中能夠直觀地觀察研究對象并反映空間形狀特征的灰度共生矩陣法常用于竹林紋理特征研究中，其具有14種紋理特征指標(biāo)，如間隔、方向和變化幅度等，能夠深入挖掘季節(jié)變化中竹林紋理特征值的變化并實現(xiàn)自動化分類[52, 53]?；叶裙采仃嚨募尤肽軌虿蹲讲煌脖豢臻g混合時所導(dǎo)致的復(fù)雜色調(diào)特征區(qū)域，Liu等（2018）在使用Landsat8影像對毛竹林的提取中，將是否加入灰度共生矩陣的分類結(jié)果進(jìn)行對比，發(fā)現(xiàn)在云量較少的情況下使用紋理信息的分類結(jié)果精度普遍有所上升[44]。與具有中分辨率的Landsat影像相比，高級遙感產(chǎn)品獲取的高分辨率影像的細(xì)節(jié)表述能力更能體現(xiàn)紋理在竹林信息提取中的重要性，如法國2002年發(fā)射的SPOT5衛(wèi)星獲取的遙感影像空間分辨率最高可達(dá)2.5 m，并且較短的重訪周期使得其在重復(fù)觀測中能夠改進(jìn)植被類型的識別能力，將SPOT5影像用于竹林光譜紋理信息的挖掘中，對竹林分類的精度可以達(dá)到95%以上[54]。紋理通過植被之間空間排列的關(guān)系，借助竹林不同季節(jié)生長的規(guī)律和特征以實現(xiàn)竹林信息監(jiān)測，它是竹林信息提取中的一大“利器”。

竹林信息提取的方法經(jīng)過三個階段的改進(jìn)后，形成了較為完備的方法體系。在三個階段的逐層進(jìn)階中，根據(jù)竹林信息提取的需求以及數(shù)據(jù)在不同方法應(yīng)用中的靈活程度，對三種不同階段方法的優(yōu)缺點進(jìn)行了總結(jié)（表1）。

表1 三種不同階段方法優(yōu)缺點比較Tab.1 Comparison of advantages and disadvantages of three different stages of bamboo forest information remote sensing extraction method

2 現(xiàn)有竹林信息遙感提取方法不足

2.1 高時空分辨率遙感數(shù)據(jù)獲取困難

從竹林信息遙感提取方法的研究中得出，分類結(jié)果受時間和空間分辨率的影響較大，空間分辨率為10 m以上且時間分辨率高的影像得到的分類精度通常在90%以上，比低中分辨率影像提取的結(jié)果高出許多，但是高時空分辨率遙感數(shù)據(jù)獲取較為困難。隨著高分辨率對地觀測系統(tǒng)中的時間和空間分辨率的提升，傳統(tǒng)的Landsat系列等中分辨率遙感影像并不具備高分辨影像所擁有的復(fù)雜特征，在竹林信息提取中的優(yōu)勢逐漸被高分辨率影像取代[55]。如今世界上已經(jīng)具有龐大的高分辨率影像遙感觀測體系，其中包括國內(nèi)的高分系列、資源系列衛(wèi)星等，國外的Worldview、Quick Bird、SPOT衛(wèi)星等，但是高分辨率航空遙感數(shù)據(jù)由于角度數(shù)據(jù)不足且尺度過于精細(xì)，只能適用于局部觀測中。并且高分辨影像大多為商用，獲取渠道少，難以得到大面積多角度的影像。如何利用少量高分辨率數(shù)據(jù)獲得較多的竹林信息量來提高竹林分類精度的問題亟待解決[56]。

2.2 光學(xué)遙感提取信息具有不完備性

在過去竹林信息提取的大量研究中，大多側(cè)重于光學(xué)遙感的研究，但是僅僅根據(jù)少數(shù)的波段特征，忽略樹枝形狀、種植間隔以及植被高度等不同所帶來的植被差異，竹林的錯分漏分情況時有發(fā)生，導(dǎo)致信息不完備。遙感衛(wèi)星大多運用可見光探測地物，由于云層的穿透力不強，在天氣復(fù)雜的研究區(qū)域竹林信息提取的結(jié)果受云層影響大。與光學(xué)遙感相比，微波雷達(dá)技術(shù)作為一項主動遙感新興探測技術(shù)，具有傳統(tǒng)光學(xué)遙感所不具備的優(yōu)點，能夠?qū)χ窳謱崿F(xiàn)全天時全天候的觀測，可用于竹林的垂直特征識別中，如樹高、種植密度等[57]?，F(xiàn)今雷達(dá)技術(shù)已經(jīng)運用在不少植被識別及監(jiān)測中，如森林中生物量密度測量[58]、估算樹干和樹枝的生物量[59]等。竹子樹干光滑，在垂直面上有識別度，但是雷達(dá)影像在竹林信息提取中的運用較少，僅使用可見光和部分紅外波譜組成的遙感影像缺少竹林的三維觀測角度且受天氣影響大，限制了竹林信息提取的精度，在竹林信息提取中亟須突破光學(xué)遙感的限制，從不同的數(shù)據(jù)源中實現(xiàn)較為完備的信息獲取。

2.3 林冠下竹林信息提取難度較大

在不同的林冠種類中，竹林通常被認(rèn)為是一種下層植被，反射光譜多被林冠上層遮蓋，冠層覆蓋率不同、底層植被種類復(fù)雜以及竹林生長高矮不一等問題使得遙感影像中竹林分辨率低，無法準(zhǔn)確獲取下層竹林空間分布信息[60]。在竹林分類中需要一種基于遙感技術(shù)的方法來實現(xiàn)底層植被監(jiān)測，以進(jìn)行更準(zhǔn)確的森林系統(tǒng)監(jiān)測和生物多樣性評估[61]。在林下竹類探測中，竹林物候信息和植被指數(shù)等都可以應(yīng)用其中，如冬季可以作為衡量混交林區(qū)常綠林下竹林覆蓋率的最佳季節(jié)[62]。除了物候特征，冠層的背景特征、竹林環(huán)境限制以及上層植被與下層林之間共生關(guān)系等特征都可以在竹林信息提取的研究中發(fā)揮作用[63]。如何突破影像表層信息的限制來獲取林下竹林信息的問題亟需解決。

2.4 大空間尺度信息提取精度欠佳

目前采用傳統(tǒng)的方法和遙感數(shù)據(jù)源完成大尺度、高精度、工作量較小的竹林信息提取研究困難重重，精度通常不能達(dá)到理想的狀態(tài)。國內(nèi)許多竹林信息提取的相關(guān)研究僅限于一個縣城的面積大小，擴展到省以及國家尺度面積較少，且不能充分利用遙感數(shù)據(jù)所提供信息的最大限度，難以獲取滿意的分類結(jié)果。當(dāng)需要提取的竹林范圍過大時，不同區(qū)域氣候、地貌、竹林種類、降雨量等因素之間的差異都會對構(gòu)建竹林信息提取模型時參數(shù)的設(shè)置造成影響，并且大尺度高精度的遙感影像數(shù)據(jù)量大，影響提取效率。多種遙感數(shù)據(jù)的綜合是解決大尺度竹林信息提取問題的有效途徑之一，怎樣從有限的遙感數(shù)據(jù)中獲取大量的竹林信息且實現(xiàn)方法高度自動化是目前大尺度竹林信息提取的一大難題。

3 竹林信息遙感提取方法發(fā)展趨勢

近年來遙感對地觀測系統(tǒng)越加完善，國內(nèi)外傳感器技術(shù)的發(fā)展迅猛，并且利用遙感系統(tǒng)進(jìn)行竹林監(jiān)測不再局限于可見光等信息，尤其是高光譜技術(shù)和激光雷達(dá)等新興探測技術(shù)在的遙感系統(tǒng)觀測中的應(yīng)用逐漸加深。另外竹林信息提取的各類方法逐漸趨于成熟，各種方法之間相互交叉融合為竹林信息提取提供了新思路。為獲取更加完善的竹林信息，竹林基礎(chǔ)研究、傳感器的改進(jìn)、多源多時序數(shù)據(jù)的應(yīng)用以及多種提取方法交叉融合都能夠推進(jìn)竹林信息遙感提取方法的發(fā)展。

3.1 竹林基礎(chǔ)研究改善方法選擇

隨著近年來竹林信息提取研究的區(qū)域多樣性增加，不同區(qū)域中竹林生長狀況和環(huán)境之間關(guān)系研究較為欠缺，竹林生長的地理環(huán)境以及物候特征等信息皆能提高方法選擇的多樣性，竹林的基礎(chǔ)研究亟待深入。竹林分布形式復(fù)雜，研究竹林生長過程中影像色調(diào)和紋理的變化起著重要的作用，挖掘多時相圖像中的物候信息對竹林的監(jiān)測至關(guān)重要[64]。在竹林生長周期變化研究中，考慮氣候、地形、土壤等輔助信息，能夠拓展竹林信息提取的途徑，有利于克服“同譜異物、同物異譜”的植被分類局限性[65]。隨著竹林基礎(chǔ)研究的跟進(jìn)，在竹林信息提取中能夠更加熟練的掌握竹林生長特性，并將其運用于影像的識別中，多源信息的復(fù)合分析能發(fā)揮更大的優(yōu)勢。

3.2 傳感器改進(jìn)助推數(shù)據(jù)源改善

竹林信息的提取技術(shù)與遙感技術(shù)的發(fā)展有較高的契合度，隨著時間的推移各國遙感衛(wèi)星源源不斷地發(fā)射成功，國內(nèi)外傳感器數(shù)量和種類的增多有利于數(shù)據(jù)源的改善，推進(jìn)竹林信息提取技術(shù)逐步走向成熟。在過去的40多年來，各類國際遙感計劃在各國推出（如EOS、PO-EM、BOREAS等），成為傳感器發(fā)展的推動力，推動國外傳感器所獲取的遙感影像空間分辨率從最初Landsat5的30 m上升到了如今Worldview3的0.31 m[66]。隨著國內(nèi)外對地觀測系統(tǒng)突飛猛進(jìn)，竹林信息提取中數(shù)據(jù)的選擇日益增多，在互聯(lián)網(wǎng)大數(shù)據(jù)的背景下，許多國家將大量中高空間分辨率的遙感影像數(shù)據(jù)（如MODIS、Landsat、Sentinel、ASTER等）進(jìn)行了共享，竹林信息提取研究中數(shù)據(jù)的獲取愈加便利[67]。美國、歐洲和加拿大等提供的高精度商用衛(wèi)星也可以滿足高分辨率條件下的竹林遙感信息獲取需求，另外ALOS衛(wèi)星搭載的雷達(dá)數(shù)據(jù)PALSAR、哨兵數(shù)據(jù)等也可應(yīng)用于竹林信息提取與監(jiān)測中。

近20年來國內(nèi)的遙感技術(shù)迅猛發(fā)展，自我國1999年第一顆自主遙感衛(wèi)星發(fā)射以來，已成功發(fā)射近百個陸地觀測衛(wèi)星，擁有高分、資源、環(huán)境以及測繪四大系列[68]。我國民用衛(wèi)星中資源三號系列衛(wèi)星提供了激光測高系統(tǒng)，為竹林的立體測量提供了可能，2020年立項的資源三號系列第四顆衛(wèi)星的計劃發(fā)射可以滿足基礎(chǔ)竹林信息提取需求[69]?？臻g分辨率達(dá)到1 m的“高分”系列衛(wèi)星也成為我國遙感界的新寵，它具備高光譜、高時密以及高輻射分辨率的優(yōu)勢可以為竹林信息的監(jiān)測提供強大的數(shù)據(jù)支持[70]。商業(yè)衛(wèi)星中已經(jīng)發(fā)射成功的北京二號衛(wèi)星和2018年以來持續(xù)發(fā)射的吉林一號衛(wèi)星等都可以為研究學(xué)者提供精確、高效的提取數(shù)據(jù)源。除了傳感器硬件本身的改進(jìn)之外，遙感影像的校正方法以及多數(shù)據(jù)時空定量信息融合方法等也隨著傳感器性能的改進(jìn)處于不斷探索中發(fā)展之中，如多衛(wèi)星傳感器影像的Brovey融合[71]和小波雙三次插值方法提高空間分辨率[72]等。傳感器的持續(xù)發(fā)展將會為遙感數(shù)據(jù)庫的搭建提供技術(shù)支撐，為竹林信息的提取提供可靠的數(shù)據(jù)來源，特別是在我國，隨著遙感事業(yè)的跟進(jìn)，數(shù)據(jù)的逐漸累積，從硬件和軟件方面對數(shù)據(jù)源持續(xù)改進(jìn)，竹林遙感信息的提取將得到進(jìn)一步改善。

3.3 多源長時序數(shù)據(jù)支撐動態(tài)監(jiān)測

由于單種數(shù)據(jù)具有時間和空間分辨率單一的局限性，為應(yīng)對多尺度、多時相的竹林信息研究，多源長時序數(shù)據(jù)在竹林的植被監(jiān)測中可以發(fā)揮重要的作用。高分辨率數(shù)據(jù)可以很好地提取竹林信息，但是提取區(qū)域范圍小，數(shù)據(jù)計算量大，而低分辨率數(shù)據(jù)可以用于大規(guī)模植被監(jiān)測，但是竹林與相鄰植被之間的像素容易混淆，結(jié)果精度低。多源長時序遙感數(shù)據(jù)可以克服竹林相關(guān)數(shù)據(jù)集中時間、空間和光譜分辨率的不足，在竹林的動態(tài)監(jiān)測中既能表現(xiàn)低精度影像中的宏觀變化，也能保留高精度影像的空間細(xì)節(jié)[73]。為了獲取多樣的光譜波段，從2000年開始，高光譜數(shù)據(jù)逐漸出現(xiàn)在研究學(xué)者的視野中，利用高光譜數(shù)據(jù)波段多、光譜分辨率高和“譜像合一”等特點，可以根據(jù)需求選擇適用于竹林的特征光譜，為多信息、高精度竹林信息提取提供了重要的手段[74, 75]。隨著高光譜成像機制以及光學(xué)成像和衍射技術(shù)的發(fā)展，如中國中分辨率成像光譜儀（CMODIS）的星載成像光譜儀，目前許多新穎的光譜儀和技術(shù)都已運用在竹林信息提取中[76]。如程永剛等（2011）利用 ASD Fieldspec Pro FR 野外光譜輻射儀獲取高光譜數(shù)據(jù)，基于非參數(shù)檢驗，利用支持向量機方法成功識別了不同的竹類[77]。張雨等（2013）使用Hyperion高光譜數(shù)據(jù)進(jìn)行了森林信息提取，其中竹林信息提取精度達(dá)到了80%以上[78]。由此可見，多源長時序數(shù)據(jù)在大規(guī)模、綜合性的森林資源監(jiān)測中具有明顯優(yōu)勢，在一定程度上提高了竹林信息監(jiān)測的準(zhǔn)確性。

3.4 多種提取方法交叉融合加深

基于遙感技術(shù)提取竹林信息最初只是單一地運用模式識別模型（監(jiān)督分類、非監(jiān)督分類）進(jìn)行分類，從2000年開始，經(jīng)過對傳統(tǒng)分類方式不斷改進(jìn)后，大量基于計算機技術(shù)分類方法的出現(xiàn)（支持向量機、決策樹分類、神經(jīng)網(wǎng)絡(luò)分類等），使得圖像分類技術(shù)實現(xiàn)了巨大的飛躍，多種方法之間的相互配合逐漸應(yīng)用于竹林信息的提取中。相關(guān)研究表明，僅采用一種分類方法所得到的結(jié)果精度較低，并且不同方法所得結(jié)果精度差異較大。多數(shù)分類方法都是基于竹林在電磁光譜中的差異性進(jìn)行分類，但大量已有研究中分類結(jié)果表明僅憑光譜信息無法準(zhǔn)確將竹林與其他森林類型區(qū)分開來[79]。將常用的分類方法與多源信息結(jié)合通常能獲得可信的結(jié)果，例如氣溫的上升與竹林生長高度的向上擴散有密切關(guān)系，地形也是影響竹類資源分布重要因素之一，所以多種環(huán)境因子可作為竹林信息提取的重要輔助條件[80, 81]。除了特征信息的加入之外，近十年來隨著遙感影像分類方法的運用越加靈活以及方法多樣性的增加，有不少學(xué)者建議將兩種以及兩種以上的方法綜合地應(yīng)用于竹林信息的提取中，提高了竹林分類精度，因此多種方法交叉融合的加深在竹林信息提取中具有良好的應(yīng)用前景。

4 結(jié)論

竹林信息遙感提取方法經(jīng)過多階段的進(jìn)展已經(jīng)形成了多種適用的方法，能夠滿足竹林信息提取的基礎(chǔ)需求。但是受到遙感數(shù)據(jù)精度的限制，無法從多角度去獲得詳盡的竹林信息，因此竹林信息的提取方法亟須加入新興的遙感技術(shù)來應(yīng)對更高精度要求?，F(xiàn)今遙感技術(shù)的發(fā)展正是竹林信息提取方法的突破口，國內(nèi)外近年新增的高光譜遙感影像以及雷達(dá)影像已經(jīng)投入許多遙感信息的提取中，特別是我國陸地衛(wèi)星的迅猛發(fā)展將形成逐年的數(shù)據(jù)積累為長時間序列的竹林信息研究提供支撐。遙感影像分類方法隨著新一代信息技術(shù)的沖擊在傳統(tǒng)的分類方法基礎(chǔ)上也有了一定的突破，機器學(xué)習(xí)算法的應(yīng)用逐漸廣泛以及紋理信息的獲取和竹林物候特征的研究愈加全面，將多源信息和各種改進(jìn)后的方法相結(jié)合以開展竹林信息提取研究更是如虎添翼。如今互聯(lián)網(wǎng)大數(shù)據(jù)為竹林信息提取提供了海量的數(shù)據(jù)，但是現(xiàn)在針對竹林信息提取方法的研究較少，難以形成系統(tǒng)的方法體系，因此完善的竹林信息提取方法體系值得進(jìn)一步探討。