航空植保近年来在我国取得快速发展且市场需求巨大。在林业航空植保中, 对于森林植被信息的现势性要求较高, 当年最新的森林植被信息提取是保证林业航空植保作业任务洽谈、提高航空植保作业航线规划精度和作业效率的必要前提[1]。植保公司需在前期投入一定的人力、物力对飞防区开展地面调查, 以掌握当前最新的植保作业区域森林植被空间分布和面积信息。但是地面调查方式的成本高、周期长, 不利于大面积森林植被信息的获取。在大区域植保作业时, 为减少野外实地调查的工作量, 作业人员常采用人机交互的方式从历史高清影像上目视解译获得森林植被的分布情况和面积核算[2, 3, 4], 还有作业人员借助Google Earth历史影像对森林植被分布区域进行目视判读估算。高清影像的目视解译需要解译人员对作业区域非常熟悉, 且工作量大, 难以满足大区域的应急性需要。此外, Google Earth的历史影像存在部分区域更新频率不够的问题, 常出现因森林变化导致提取的飞防区边界与实际情况不符, 引发误喷洒农药事件。
遥感技术因其现势性强、可重复、覆盖地域广等优势, 已成为当前获取大面积森林植被信息的主要手段。基于遥感技术的森林植被信息快速提取需要解决最新遥感影像数据的获取和遥感影像数据快速解译两方面的难题。一方面, 我国已于2013年发射了高分1号卫星, “ 高分1号” 数据具有4 d的重访周期, 地面最高分辨率可实现全色优于2 m, 多光谱优于8 m, 能够在时空分辨率上为航空植保作业获取作业所需的当年最新森林植被信息提供便利。此外, “ 高分1号” 16 m分辨率影像数据可免费获取, 对于大中尺度林业遥感监测是较好的低成本数据源。另一方面, 随着遥感处理技术手段的提高, 计算机软硬件技术的发展, 基于遥感自动提取方法获取森林植被信息空间分布和面积信息变得更加可靠[5, 6, 7]。
然而我国亚热带地区的农林植被混合较为常见, 森林植被与邻近的农田植被在一定时期存在明显的光谱重叠, 易产生“ 异物同谱” 现象, 给森林植被的遥感自动提取造成干扰。由于光谱重叠具有一定的时间跨度, 直接从单景遥感影像上对森林植被信息的计算机提取易造成“ 错分和漏分” 的情况, 提取结果很难保证精度。一些研究者通过构建结合植被物候信息的时序归一化植被指数(Normalized Difference Vegetation Index, NDVI)以实现森林植被信息的精确提取。如Chen等[8]将具有光谱和物候信息的多时相Landsat影像与具有较好的林地结构信息的雷达数据结合, 采用决策树法实现对海南岛地区热带雨林和橡胶人工林的高精度提取。雷光斌等[9]结合生长季和非生长季的多时相遥感影像, 采用决策树法显著提高了山地森林类型自动制图精度。贾明明等[10]结合HJ-1 CDD的光谱和纹理特征, 以及MODIS时序数据的物候特征, 采用面向对象的分类方法对森林植被类型进行提取, 结果表明采用加入物候特征的面向对象分类方法可大幅提高森林类型的分类精度。
此外, 针对亚热带农林植被混合地区森林植被与农田植被在主要物候期存在光谱重叠的现象, 直接从森林植被角度出发进行遥感提取也易产生“ 错分和漏分” 的问题。鉴于此, 本研究以安徽省蚌埠市林业航空植保作业需求为目的, 选取2015年5月1日、6月6日、8月3日和2016年2月8日、3月27日5个时相的高分1号遥感数据开展森林植被信息提取。基于森林植被和邻近农田植被物候信息的差异, 采用分区决策树分类方法首先提取蚌埠市总的植被覆被信息和易于提取的农田植被覆盖信息, 然后从总的植被覆被中剔除农田植被, 从而得到蚌埠市森林植被信息。本研究以期快速获取实时最新的森林植被空间分布情况和精确核算森林植被面积, 制作森林植被分布图, 为当地林业航空植保工作的开展提供前期基础数据。
1 数据和方法
1.1 研究区概况
蚌埠市位于淮海平原, 属黄淮冲积平原, 北部开阔平坦, 南部岗丘起伏, 平均海拔约20 m。地理位置介于116° 44′ 08″~118° 04′ 05″E, 32° 42′ 60″~33° 30′ 57″N。蚌埠市土地总面积5 950.72 km2(图1), 从行政范围看整个蚌埠地区包括蚌埠市区(下辖淮上区、禹会区、蚌山区、龙子湖区4区)和怀远县、五河县、固镇县3个县。
蚌埠地区的农林植被混合现象较为常见。根据2015年蚌埠市统计年鉴[11], 全市耕地总面积为378 180 hm2, 主要种植小麦、水稻、玉米等农田植被, 全市种植小麦面积约240 064 hm2, 水稻种植面积110 425 hm2。同时还种植有花生、大豆、薯类、油菜、棉花、蔬菜等经济作物。蚌埠市的森林植被类型属北亚热带落叶阔叶林和常绿阔叶混交林地带, 主要森林类型是黑松(Pinus thunbergii)林、松栎(Pinus tabulaeformis+Quercus liaotungensis)混交林及杨树(Populus L)林。近年来, 蚌埠市林业快速发展, 人工造林面积呈现逐年增加的趋势。根据2015年蚌埠市统计年鉴[11], 2010— 2014年蚌埠市造林面积分别为1 085、1 602、3 922、8 726、10 124 hm2。蚌埠市逐渐形成了经济林、种苗花卉、木材加工和森林旅游等产业[12], 林业的发展促使蚌埠市林业植保需求的快速增加。
野外调查样点于2016年6月底采集完成, 主要调查地物类型、地形地貌等, 调查路线(图1)为蚌埠市区、怀远县城、固镇县城、五河县城, 最后再回到蚌埠市区。共采集样点245个, 其中森林样本点140个, 非森林样本点105个。
1.2 高分1号数据及预处理
1.2.1 高分1号遥感数据
当前遥感卫星数据多样, 为森林植被信息的提取提供了多样化的数据选择。考虑到研究区面积较大, 且高分1号数据具有重访周期短(4 d覆盖中国全境)、高幅宽(800 km)的数据特点, 为方便构建NDVI时间序列, 本研究采用高分1号WFV相机数据作为监测森林植被的数据源(http://www.rscloudmart.com/)。高分1号卫星搭载有4台多光谱宽覆盖相机(WFV1、WFV2、WFV3、WFV4相机), 空间分辨率为16 m, 含蓝、绿、红、近红外4个波段。作为中国高分辨率对地观测系统的首发星, 高分1号大大提高了我国高分辨率数据的自给率, 降低了大尺度林业遥感监测的数据成本, 提高了监测的时效性。研究中根据森林和农田植被的关键物候期、云量、相对湿度和风速4个参数, 选取2015年5月1日数据1景、2015年6月6日2景、2015年8月3日3景、2016年2月8日1景、2016年3月27日1景(表1)。
1.2.2 遥感数据预处理
本研究的数据预处理包括影像的辐射定标、大气校正、几何精校正、正射校正、影像的镶嵌和裁剪等。高分1号卫星WFV相机绝对辐射定标系数来自中国资源卫星应用中心(http://www.cresda.com/)。有研究表明[13]使用多光谱数据计算光谱指数时, 可以使用简单的快速大气校正或暗像元法。本研究区域由于面积较大, 为减少由大气散射和吸收引起的辐射误差, 故采用FLAASH大气校正法。几何精校正是以蚌埠市2014年林地第二次全国土地调查(简称“ 二调” )数据为基准, 将其他影像统一配准到西安1980坐标系, 所有影像在几何配准时, 控制精度在1个像元范围内。影像正射校正的处理是在ENVI软件中RPC正射校正工作流程中完成, 采用的DEM数据为GMTED 2010数据。对2015年6月6日WFV1和WFV2的两景不同传感器数据和2015年8月3日3景不同传感器数据, 在对各景影像分别进行辐射和大气校正等处理后再镶嵌裁剪, 以期消除传感器因素对地物光谱的影响。
1.3 研究方法
1.3.1 植被指数
归一化植被指数(NDVI)是由Rouse等[14]提出, 能够反映绿色植被的覆盖度, 可以用来监测植被生长活动的季节和年际变化, 计算公式为:NDVI=ρnir−ρredρnir+ρred(1)
式中: ρnir为近红外波段反射率; ρred为红光波段反射率。
对5个时相的影像进行预处理后分别计算NDVI值, 将其中2015年8月3日、2015年6月6日、2015年的5月1日3景高分1号数据的NDVI图分别赋予R、G、B三个通道, 进行RGB伪彩色合成, 得到的结果如图2。
1.3.2 植被遥感监测分区
通过地面调查与遥感光谱分析发现, 在不同的区域, 即使相同的地物, 其光谱特性也可能有较大的差异。野外调查显示研究区北部地区(包括固镇县在内)当年农田作物主要以花生等经济作物种植为主, 一年一季; 而南部地区(怀远县、蚌埠市区和五河县)农田作物为水稻、小麦等, 一年两季; 苜蓿的种植主要分布在五河县; 黑松林、松栎混交林等森林植被主要分布在山峰地区和林场周围。
综合影像数据时相差异和蚌埠地区植被的物候信息, 将研究区划分为北部地区的A区域和南部地区的B区域两部分(图2)。A区域主要为固镇县, 还包括五河县和怀远县的北部小部分地区。B区域主要包括蚌埠市市区, 五河县和怀远县的南部大片地区。分别针对两个区域植被的物候差异, 构建不同的决策规则。本文中的决策树分类通过ENVI 5.3软件实现。
1.3.3 分类精度检验
为评价森林植被的提取精度, 本研究一方面通过同期Google Earth影像比照进行定性评价, 另一方面采用独立验证样本点进行定量评价。验证样本点是基于2014年林地“ 二调” 小班数据随机抽样选取的237个样点, 其中林地样本123个, 非林地样本114个。
2 结果与讨论
2.1 植被指数变化及决策模型构建
统计研究区5个时相的影像组合中245个训练样本点的NDVI, 不同森林植被和农田植被NDVI均值变化曲线见表2。从表2中可看出农田植被和森林植被的NDVI值发生季节性变化, 并表现出差异性。假定B1、B2、B3、B4、B5分别表示2015年5月1日、2015年6月6日、2015年8月3日、2016年2月8日、2016年3月27日的NDVI值。
森林植被(包括北亚热带落叶阔叶林和常绿阔叶混交林)在6— 8月光合作用旺盛, 从表2中可以看到森林植被样点的NDVI均值在前3个时期能达到0.6以上; 进入秋季后随着一些阔叶林开始落叶, 叶面积降低, NDVI均值也随之降低; 进入冬季落叶阔叶林基本落叶, 只有针叶林还保持植被特征, NDVI均值降到最低。直至第二年春天(第5时期), 树叶发芽, NDVI均值开始回升。因此, 分别构建A区域的B1≥ 0.3、B2≥ 0.75、B3≥ 0.45和B区域的B1≥ 0.3、B2≥ 0.6、B3≥ 0.45规则可以分别剔除A和B两个区域的建筑用地、水体、道路和裸地, 提取出植被区域(包括森林植被和农田植被)。
从表2中可以看出, 冬小麦-夏玉米(水稻)的农田在第1时期为冬小麦的拔节-开花期, 植被叶面积较高, 覆盖度较大, 到第2个时期进入灌浆期, 期间NDVI值呈现下降趋势。6月中上旬后冬小麦进入灌浆-收获期, 叶面积持续降低, NDVI值下降; 在6月中下旬前后小麦收割, 地块呈裸地特征, NDVI值降到最低。紧接着又因接茬种植夏玉米或水稻作物使得农田NDVI值呈现上升趋势, 玉米或水稻收获后NDVI值下降, 在2016年的2— 3月冬小麦返青期NDVI值呈现上升趋势。双季农田的NDVI曲线会出现3个波峰, 包括第1和3时期形成两个NDVI峰值, 以及冬小麦在越冬后的第5时期形成另一个小峰。因此, 可以建立规则B1≥ B2且B3≥ B2去除冬小麦-夏玉米或者冬小麦-水稻的双季农田。
A区域的花生地在不同时期NDVI均值变化趋势与森林植被比较相似, 不同的是森林植被从第3时期进入到第4时期下降较快, 而花生地的NDVI均值在该时期几乎无变化。因此, 在A区域可以根据规则B3/B4(比值)> 0.8可以剔除花生地; B区域苜蓿地的NDVI均值曲线与森林植被非常相似, 不同的是苜蓿地在进入6月份后被刈割, 因此B区域可以根据规则B2/B3< 2剔除掉苜蓿地。
综上所述, 从农田植被覆盖的角度出发间接提取森林植被信息的提取规则见图3。
2.2 森林植被分布
分区域分别采用不同规则(A区域采用Rule A, B区域采用Rule B, 以下简称分区决策树法)的决策树提取法得到的蚌埠地区森林植被总覆盖面积约为39 863 hm2 [图4(a)], 未分区采用规则A(以下简称未分区Rule A)得到的整个蚌埠地区森林植被总面积约为25 269 hm2 [图4(b)], 未分区采用规则B(以下简称未分区Rule B)得到的整个蚌埠地区森林植被总面积约为65 197 hm2 [图4(c)], 3种方法得到的蚌埠地区森林植被总覆盖面积统计结果和空间分布上存在一定的差异。
分区县统计森林植被分布结果显示 [图4(d)], 3种森林植被提取方法得到的各区县森林植被覆盖面积大小的总体趋势是:未分区Rule A≤ 分区决策树≤ 未分区Rule B。提取结果差异最大的是固镇县, 其次是怀远县和五河县。固镇县的未分区Rule B方法得到的森林植被面积要比分区决策树分类得到的森林植被面积多约183 km2, 原因很可能是Rule B将固镇县的花生地错分到了森林植被中, 增加了森林植被的分类面积, 对比图4(c)和图4(a)的森林分布图也可以明显看出。从野外实际调研数据分析, 固镇县的森林植被多为农田周边的防护林。由于其与田间作物在空间上相邻, 遥感影像中森林植被往往与周边环境的像元相混合, 不易分辨, 提取时易与农田植被混淆, 难以获得精确的农田边界[15]。
五河县、蚌埠市区和怀远县3个区域采用未分区Rule A方法得到的森林植被面积要比其他两种方法少很多, 可能是Rule A在对A区域花生地剔除的同时, 也剔除掉了B区域的一些森林植被。对比图4(b)和图4(a)可以看出, 部分山峰附近和林场周边的森林在图4(b)中明显减少。此外, 五河县地区的小片苜蓿地边界产生的混合像元也可能是导致局部地区森林植被面积差异大的原因。
森林在蚌埠市区(淮上区、禹会区、蚌山区、龙子湖区)的分布比较集中, 主要分布在荆山— 涂山— 黑虎山区域、老虎山— 陶山— 燕山— 孟山区域和东芦山— 西芦山区域, 多为山地种植的天然林。固镇县、五河县和怀远县3个县的森林分布较为分散, 且多以平原地带的人工种植林为主, 主要分布在沿河两岸和一些林场, 如五河县的森林主要分布在大巩山林场附近。
2.3 森林植被提取精度评价
为定性评价森林植被提取的精度, 选取水渠两侧、河道两侧、村庄周边、省道两侧4个代表性区域的森林植被提取结果(白色)与同期的Google Earth高分辨率影像进行对比。结果显示(表3):高分1号影像上提取出以水渠两侧的农田防护林、河道两侧的经济林、省道两侧的行道树为代表的线状森林植被和以村庄周围为代表的块状森林植被提取结果均与Google Earth影像具有较高的吻合度。
使用混淆矩阵评价的方法将决策树提取结果与林地“ 二调” 地表信息进行比较, 评价指标包括总体精度、Kappa系数、生产者精度、用户精度、错分和漏分误差。评价的详细结果见表4。
从表4中可以看出, 分区决策树法和未分区Rule A决策树法的森林植被提取用户精度能高于95%。但分区决策树森林植被提取总体精度达到90.72%, 较未分区Rule A法和未分区Rule B法分别提高3.80%、4.65%, Kappa系数达到0.81, 较未分区A法和未分区B法分别提高0.07、0.10, 分区决策树较优。这说明在影像划分基础上进行分类的分区决策树法, 能够一定程度上减少“ 同物异谱或异物同谱” 现象的出现概率, 使得在同一区域的相同地物类型具有较为一致的光谱特征, 不同地物之间则有较大的光谱差异, 以达到提高森林提取精度的目的。这与贺鹏等[16]在使用高分1号多时相影像提取作物分类时, 采用分区决策树和未分区决策树法进行对比研究得到的结果一致。此外, 在山区植被分类时, 有研究者[17, 18]为使多时相遥感数据能够充分利用其光谱特征时间效应, 减少位于山地和平原地区同种植被的光谱亮度值差异, 也常采用分区多时相植被分类法来提高精度。
采用多时相影像进行大中尺度遥感监测时是基于不同时相不同地物的光谱特征差异, 而在不同区域由于水热条件等不同, 同一植被可能因为种植的时间不同而导致当年物候期推迟或提前, 这会对未分区森林植被提取结果产生较大的影响。从表4可以看出, 3种方法均出现森林植被不同程度被漏分的情况, 其中未分区Rule A法的森林植被漏分误差最大, 达到21.17%。对比图4(b)和图4(a)可以发现, 漏分区域主要分布在B区域, 一些山峰和林场周边的森林明显漏分。这说明Rule A对于B区域的森林提取过于“ 严苛” 。同时, 3种方法对森林植被的提取也出现了不同程度的错分情况, 其中错分误差最大的为未分区Rule B法, 达到12.32%。对比图4(c)和图4(a)可以发现, 错分区域主要分布在A区域, 部分花生地被错分到森林植被中。这说明Rule B对于A区域的森林提取过于“ 松弛” 。
尽管分区决策树法的森林提取总体精度达到90.72%, 但仍然存在13.14%的漏分误差。A区域的漏分可能是在剔除花生地时剔除掉了一些农田和植被混合区域的森林植被。为提高该因素引起的森林植被误分, 可以进一步细化对当地农田植被的生长期调查, 特别是与该地区森林植被生长期在光谱上难以区分的作物。或者提高分类数据的质量, 采用更高分辨率的遥感数据。本研究中采用的对森林植被的分区决策树法只考虑到森林植被和农田植被的光谱特征, 缺少纹理特征的分析。一些研究[19, 20, 21]表明在对森林进行提取的结果发现, 结合时相纹理特征的数据能得到更好的分类精度。对于B区域的漏分, 在野外调研的样点中采集到B区域的一些幼林样点, 但由于幼林的叶面积指数较小, 在16 m高分遥感影像上难以识别出来, 从而可能导致一些森林植被被漏分。刘晓娜等[22]以2010年TM影像, 根据橡胶林在不同树龄所表现的光谱差异, 基于“ 晚期的橡胶成林早期一定是橡胶幼林, 而早期的橡胶幼林晚期一般变为橡胶成林” 的植被生长规律, 采用面向对象分类法, 分类出橡胶幼林和成林。其中成林的分类精度92.5%, 幼林的分类精度76.42%。这与本研究的幼林区在中高分辨率的遥感影像上分类精度低的结果一致。此外, 受16 m空间分辨率的遥感数据限制, 对于一些仅几米的破碎森林也难以精确识别。为实现小片森林的精细遥感监测, Li等[23]尝试将多种尺度的数据进行结合, 实现了对森林植被高精度的提取。本研究提取的森林植被结果是为当地的航空植保需求服务, 而航空植保的作业兴趣区主要集中在郁闭度较高的森林覆被地区, 因而这部分漏分森林植被对植保作业区域的估计影响不大。
3 结论
为提取蚌埠地区最新森林植被的分布, 服务于该区域林业航空植保工作, 本文采用5个关键植被生育期的高分1号数据, 通过先将整个蚌埠地区划分为A和B两个子区域, 并分别应用不同的决策树模型提取得到各子区域的森林植被信息, 然后再合并。同时将合并的结果与未分区决策树法进行对比, 最后对森林植被提取信息的特征和精度进行分析。研究结果表明:
1)分区和未分区决策树法得到的蚌埠市森林植被总覆盖面积差异较大, 总体趋势表现为:未分区Rule A≤ 分区决策树≤ 未分区Rule B, 其中差异最大的是固镇县。
2)分区决策树森林植被提取总体精度达到90.72%, 较未分区Rule A法和未分区Rule B法分别提高3.80%、4.65%, Kappa系数达到0.81, 较未分区Rule A法和未分区Rule B法分别提高0.07、0.10。分区决策树法结合植被物候信息可以实现对森林植被较高精度的提取, 能够满足林业航空植保作业的精度要求。
3)具有较高空间分辨率、低成本、宽覆盖、短重访周期的高分1号影像, 对于大区域的林业航空植保森林植被信息的提取表现出较大的潜力。
The authors have declared that no competing interests exist