羅朝沁，林 輝，孫 華，吳梓尚

（中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心，湖南 長沙 410004）

基于MODIS影像大尺度森林資源信息提取方法研究

羅朝沁，林 輝，孫 華，吳梓尚

（中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心，湖南 長沙 410004）

森林類型的識別對于掌握森林生態(tài)系統(tǒng)和自然環(huán)境變化具有重要意義。針對單一時相遙感數(shù)據(jù)提取森林植被類型信息方法的局限性，以中國東北三省為研究區(qū)，探討了基于多時相MODIS遙感數(shù)據(jù)，實現(xiàn)主要森林類型識別的方法。將東三省的森林植被劃分為非林地、針葉林、闊葉林、針闊混交林、灌木林5種類型，通過分析不同森林類型一年內(nèi)生長差異，選取多時相NDVI第10期、NDIV第23期、EVI第10期、LAI第20期特征數(shù)據(jù)，建立了非林地、針葉林、闊葉林、針闊混交林、灌木林的決策樹模型，實現(xiàn)了森林類型信息的識別，得出了東三省的森林覆蓋率42.39%，植被類型分類總體精度為86.7%，與第八次全國森林資源清查的東三省結(jié)果對比，森林覆蓋率提取精度高達95.6%。說明應(yīng)用多時相的MODIS遙感影像可以實現(xiàn)大尺度森林資源信息的快速提取，在大范圍的植被類型調(diào)查與監(jiān)測方法具有較大的應(yīng)用價值。

遙感；森林類型；概率密度；大尺度；MODIS

森林是一個國家的重要資源之一，有著重要的經(jīng)濟和生態(tài)價值。森林資源為人類提供了生存的物質(zhì)基礎(chǔ)，其生態(tài)價值又為人類提供了必要的生存環(huán)境[1-3]。隨著可持續(xù)發(fā)展的提出，保護和合理利用森林資源已成為社會共同關(guān)注的話題。傳統(tǒng)的森林資源調(diào)查是以地面調(diào)查方法為主，這種方法耗時費力，并造成監(jiān)測周期長、信息質(zhì)量差、精度低、人為誤差大。遙感信息技術(shù)的應(yīng)用與發(fā)展為森林資源信息提取提供了一種便利的手段[2]。隨著遙感影像分辨率的提高，基于遙感的森林資源信息提取經(jīng)歷低分辨率、中分辨率、高分辨率的提取研究[4-8]。對于中低分辨率影像的森林信息提取主要是應(yīng)用在基于多時相MODIS數(shù)據(jù)實現(xiàn)，通過特征組合、邏輯判斷的方式進行決策樹算法或者常用監(jiān)督分類進行常見森林植被類型信息的提取，分類總體精度最高達到84%左右[9]。對于中分辨率的森林信息提取主要是以多波段的影像數(shù)據(jù)源以及由植被指數(shù)、纓帽變換、主成分變化以及其他DEM等遙感輔助數(shù)據(jù)等，通過選擇較好的訓(xùn)練樣本進行監(jiān)督分類，或者通過決策樹的方式獲取森林類型，其總體分類精度達到了85%左右，森林覆蓋率信息的提取精度達到93%左右[10]。而用高分辨率影像來提取森林信息在基于傳統(tǒng)的監(jiān)督，非監(jiān)督分類上效果不理想，需要結(jié)合紋理信息、多時相和多源信息融合的分類方法來提高精度。其植被分類總精度可以到達92%～95%。高分辨率影像由于數(shù)據(jù)量大，處理時間過長，應(yīng)用高分辨率遙感影像開展區(qū)域森林類型信息提取的研究鮮有報道[11-14]。論文以東三省作為研究區(qū)，將研究區(qū)的森林類型劃分為針葉林、闊葉林、針闊混交林、灌木5種形式，以中低分辨率遙感影像MODIS為數(shù)據(jù)源，探討基于多時相遙感數(shù)據(jù)提取主要森林類型信息的方法，以期為中低分辨率的遙感數(shù)據(jù)區(qū)域森林類型信息快速提取提供技術(shù)和方法參考。

1 研究區(qū)概況

東三省位于中國東北部（見圖1），總土地面積達 7.881×105km2，地處東經(jīng) 118°00′～135°05′，北緯38°00′～53°33′，屬于溫帶季風(fēng)氣候。但由于緯度高，冬季寒冷漫長，夏季溫暖而短促，冬季降雪，蒸發(fā)小，氣候濕潤，低地多沼澤。地形以平原、山地為主。

圖1 研究區(qū)地理位置Fig. 1 Geographic position of study area

2 材料與方法

2.1 遙感數(shù)據(jù)獲取與處理

研究所用的MODIS時序數(shù)據(jù)獲取時間為2010年，數(shù)據(jù)均從美國NASA官方MODIS網(wǎng)站下 載（https://ladsweb.nascom.nasa.gov/data/search.html），涉及的數(shù)據(jù)產(chǎn)品分別為NDVI（MOD13Q1）、EVI（MOD13Q1）、LAI（MOD15A2） 和 GPP（MOD17A2）4種類型。下載的數(shù)據(jù)進行影像預(yù)處理工作，包括投影轉(zhuǎn)換、批量數(shù)據(jù)鑲嵌、黑帶批量去除。利用研究區(qū)的矢量對預(yù)處理后的影像進行裁剪，得到研究區(qū)的MODIS數(shù)據(jù)。

2.2 森林資源信息快速提取與精度驗證

以東北三省1∶250 000森林資源分布圖為基礎(chǔ)，將地類歸并為針葉林、闊葉林、針闊混交林、灌木林和非林地5種形式。每個地類隨機生成2 000個樣本點，5種地類共計10 000個樣點。利用10 000個樣點分別提取NDVI、EVI、LAI和GPP 4種植被指數(shù)一年內(nèi)的變化值，生成4種植被指數(shù)年度變化圖。通過分析植被指數(shù)年度變化圖找出上述5種地類在一年中進行區(qū)分的最佳時間點，即選出5種地類在一年內(nèi)易區(qū)分的時相并建立上述5種地類的密度曲線，計算不同地類概率密度曲線交點值，交點值的計算公式為：

式中：μ1、μ2和 σ1、σ1分別為第 1、2 類樣本在某遙感因子上的光譜均值和標(biāo)準(zhǔn)差[15]。以交點值作為決策樹模型的各類型判別的閾值，建立決策樹模型對研究區(qū)進行森林類型的信息提取。為了進一步比較通過確定概率密度曲線相交點建立決策樹的科學(xué)性，研究同時采用最大似然監(jiān)督分類方法進行森林類型提取。在獲得森林類型信息提取的基礎(chǔ)上，再次利用Arcgis進行隨機抽取5 000個樣點作為驗證數(shù)據(jù)進行精度評價，計算各類型的用戶精度、總體精度及Kappa系數(shù)。

3 結(jié)果與分析

3.1 植被指數(shù)年度變化分析

利用隨機抽樣產(chǎn)生10 000個樣點，對2010年NDVI、EVI、LAI、GPP等4種植被指數(shù)產(chǎn)品進行信息提取。利用IDL語言編程，對每期數(shù)據(jù)的同一地類提取的植被指數(shù)進行均值處理，剔除兩倍標(biāo)準(zhǔn)差外的異常點，得到23期NDVI、EVI指數(shù)均值，46期LAI， GPP植被指數(shù)的均值，結(jié)果如圖2所示。

圖2 4種植被指數(shù)年度變化情況Fig. 2 The annual variation of 4 types vegetation index

從圖2中可以發(fā)現(xiàn)東北三省的5種地類中，非林地與其他4種地類在NDVI植被指數(shù)的第10期、EVI植被指數(shù)的第10期比較容易區(qū)分。灌木林與針葉林、闊葉林和針闊混交林的區(qū)分，在NDVI第23期，EVI第10期，LAI的第20期、第30期、第33期容易區(qū)分。

3.2 地類概率密度曲線分析

根據(jù)植被指數(shù)年度變化分析結(jié)果，找出區(qū)分度大的遙感影像時相，建立各地類的概率密度曲線（見圖3）。

圖3 不同地類的概率密度曲線Fig. 3 The probability density curves of different land types

從圖3（a）和圖3（b）中可以看出，NDVI第10期影像和第23期影像概率密度曲線所表現(xiàn)出來的差異可以分離出非林地和林地。在第10期NDVI為0.67附近非林地和針葉林、闊葉林和針闊混交林的界限明顯，在第23期NDVI為0.16附近非林地和灌木林的界限明顯，經(jīng)交點計算公式得到最佳分離點為0.65、0.15，因此最終確定NDVI10＜0.65并且NDVI23＜0.15來分離非林地，然后進行灌木林、針葉林、闊葉林和針闊混交林的劃分。在LAI第20期的概率密度曲線統(tǒng)計分析結(jié)果如圖3（c）所示，經(jīng)公式（1）計算，得到灌木林和針葉林、闊葉林、針闊混交林的最佳分離點為1.8，因此最終確定閾值為LAI20＜1.8來分離灌木林。然后分離針闊混交林和針葉林、闊葉林，在NDVI第23期的概率密度曲線圖3（d）中，經(jīng)公式計算得到最佳分離點為0.3，因此最終確定閾值為NDVI23＞0.3來分離針闊混交林和針葉林、闊葉林。最后是針葉林和闊葉林的區(qū)分，如圖3（e）的兩種地類的概率密度曲線可以看出兩者的分離度不是很高，最后經(jīng)公式計算得到最佳分離點為0.51，因此最終確定閾值為EVI10＜0.51來分離針葉林?；趫D3和上述的分析結(jié)果進行決策樹模型設(shè)計得到東三省森林信息提取的決策樹模型（見圖4）。

3.3 森林資源信息提取

利用第10期NDVI、第23期NDVI、第10期EVI、第20期LAI合成四波段遙感影像分別開展決策樹與最大似然分類，結(jié)果如表1和圖5。

表1 各地類分類結(jié)果Table 1 All types of classification results hm2

決策樹分類結(jié)果顯示，東三省的森林覆蓋率為42.39%，最大似然法的分類覆蓋率為50.06%，第八次全國森林資源連續(xù)清查結(jié)果中東北三省的平均森林覆蓋率為40.59%，從森林覆蓋率的準(zhǔn)確性來說，決策樹模型優(yōu)于監(jiān)督分類，決策樹模型的森林覆蓋率與森林資源清查結(jié)果相差1.8%，而監(jiān)督分類方法結(jié)果相差了9.57%。從各類型面積總量看，決策樹模型所得各地類面積更加接近森林資源連續(xù)清查公布的調(diào)查結(jié)果，其中非林地、闊葉林面積偏小，針葉林、針闊混交林面積稍微偏大。

圖4 決策樹分類模型Fig. 4 Decision tree classification model

圖5 東北三省森林資源信息提取結(jié)果Fig.5 The extraction results of three provinces in Northeast China forest resource information

從森林資源空間分布角度分析（見圖5），決策樹分類結(jié)果中，東三省北部地區(qū)以針葉林為主，主要分布在黑龍江省。東部、南部闊葉林和混交林較多，國家特別規(guī)定灌木林主要分布在遼寧省的西南部，面積較少，與第八次森林資源清查分布結(jié)果基本保持一致。監(jiān)督分類結(jié)果圖中，針葉林、闊葉林、針闊混交林的大體位置和分布狀態(tài)與決策樹類似，但在遼寧南部分出了很大一片的灌木林，這與實際情況相反。

3.4 森林類型信息提取精度評價

利用Arcgis隨機抽取5 000個樣本，其中針葉林樣本1 490個，闊葉林820個，針闊混交林472個，灌木林286個，非林地1 932個，使用混淆矩陣方法用于精度驗證，并與同最大似然比法進行對比。兩種方法的對比結(jié)果如表2和表3所示。

表2 決策樹分類結(jié)果與精度評價Table 2 Decision tree classification contrast and accuracy assessment

表3 最大似然監(jiān)督分類結(jié)果與精度評價Table 3 Supervise classification contrast and accuracy assessment

監(jiān)督分類法的總體分類精度為74.39%，Kappa系數(shù)為0.63；而決策樹分類法的總體分類精度為86.70%，Kappa系數(shù)為0.87，明顯高于監(jiān)督分類結(jié)果。

4 結(jié)論與討論

論文以MODIS時序數(shù)據(jù)為基礎(chǔ)，分析不同地類之間年度范圍內(nèi)各植被指數(shù)的變化趨勢，確定分離度明顯的植被指數(shù)時相，結(jié)合概率密度曲線，計算出決策時相數(shù)據(jù)模型的最佳判別閾值，開展區(qū)域森林類型快速提取。主要研究結(jié)果如下：

（1）東三省5種地類對應(yīng)的植被指數(shù)年度變化趨勢明顯，區(qū)分度較好。對5種地類的2010年時序MODIS數(shù)據(jù)（NDVI、EVI、LAI、GPP）進行對比發(fā)現(xiàn)，植被指數(shù)NDVI、EVI 各個森林植被類型的光譜值在春季分離度不明顯，步入5月份以后植被指數(shù)呈明顯上升趨勢，在夏季各個森林植被類型有一定的分離度，9月份后兩種植被指數(shù)呈明顯下降趨勢。而LAI和GPP均在夏季出現(xiàn)了兩次波峰且有一定的分離度，可以將該時期的影像作為決策樹分類的數(shù)據(jù)源。

（2）利用概率密度曲線可以很好地確定決策樹閾值。在基于時序的MODIS數(shù)據(jù)進行決策樹的東三省森林信息提取，將NDVI第10期、NDVI第23期、EVI第10期、LAI第20期作為數(shù)據(jù)源進行決策樹的森林植被分類。森林覆蓋率為42.39%與第八次全國森林資源清查大體一致，實現(xiàn)了區(qū)域性的森林覆蓋率信息提取。按照一類調(diào)查標(biāo)準(zhǔn)，將東三省分為非林地、針葉林、闊葉林、針闊混交林、灌木林。其用戶精度分別為96.20%、88.52%、78.43%、60.90%、56.60%。 分類總體精度達到86.70%滿足生產(chǎn)需求，說明使用密度曲線去確定決策樹模型的判別閾值是可行的。

（3）決策樹分類方法適用于大尺度森林類型提取。基于時序的MODIS產(chǎn)品數(shù)據(jù)在大區(qū)域范圍內(nèi)進行決策樹方法的森林信息提取精度較高，森林覆蓋率為42.39%與第八次全國森林資源清查大體一致，森林覆蓋率的提取精度達到95.60%，實現(xiàn)了區(qū)域性的森林覆蓋率信息提取。而分類總體精度達到86.70%，方法可行，可在本研究的基礎(chǔ)上進行全國森林信息提取的推廣研究。

[1]楊存建,周其林,任小蘭,等. 基于多時相MODIS數(shù)據(jù)的四川省森林植被類型信息提取[J]. 自然資源學(xué)報,2014,(3):507-515.

[2]楊正斌,余東莉.基于Landsat 8影像的西雙版納森林覆蓋信息提取研究[J]. 林業(yè)調(diào)查規(guī)劃,2014,(4):10-15.

[3]王 榮.高分辨率遙感影像信息提取方法的研究[D].蘭州:蘭州交通大學(xué),2013.

[4]鄧 輝.西南三江德欽—木里地區(qū)銅多金屬遙感找礦信息研究[D].成都:成都理工大學(xué),2014.

[5]嚴(yán)恩萍.中高分辨率遙感影像闊葉林信息提取研究[D].長沙:中南林業(yè)科技大學(xué),2011.

[6]Enping Yan, Guangxing Wang, Hui Lin, et al. Phenology based classification of vegetation cover types in Northeast China using MODIS NDVI and EVI time series [J]. International Journal of Remote Sensing, 2015, 36(2): 489-512.

[7]Enping Yan, Hui Lin, Guangxing Wang, et al. Multi-scale simulation and accuracy assessment of forest carbon using Landsat and MODIS data [J]. Earth Observation and Remote Sensing Applications (EORSA), 2014 3rd International Workshop on IEEE, 2014: 195-199.

[8]Enping Yan, Hui Lin, Dengkui Mo, et al. Non-wood Forest Information Extraction Based on ALOS Data [J]. 2010 Seventh International Conference on Fuzzy System and Knowledge Discovery (FSKD), 2010, (5): 2037-2041.

[9]Dengkui Mo, Enping Yan, Hui Lin, et al. Development and Validation of 2-band EVI with MODIS Data in Southeast China [J].ICMIC 2012 on IEEE, (1): 88-91.

[10]嚴(yán)恩萍,林 輝,黨永鋒,等.2000至2012年京津風(fēng)沙源治理區(qū)植被覆蓋時空演變特征[J].生態(tài)學(xué)報,2014, 34(17): 5007-5020.

[11]吳慧惠. 面向?qū)ο蟮母叻直媛蔬b感影像森林植被信息提取[D].北京:北京林業(yè)大學(xué),2012.

[12]姜 洋,李 艷.浙江省森林信息提取及其變化的空間分布[J].生態(tài)學(xué)報,2014,24:7261-7270.

[13]莫登奎.中高分辨率遙感影像分割與信息提取研究[D].長沙:中南林業(yè)科技大學(xué),2006.

[14]孫 華. SPOT5在森林資源調(diào)查中的應(yīng)用研究[D].長沙:中南林業(yè)科技大學(xué),2006.

[15]韓婷婷,習(xí)曉環(huán),王 成,等.基于決策樹方法的云南省森林分類研究[J].遙感技術(shù)與應(yīng)用,2014,(5):744-751.

Based on MODIS image large-scale forest resources information extraction method

LUO Chao-qin, LIN Hui, SUN Hua, WU Zi-shang
(Research Center of Forest Remote Sensing & Information Engineering, Central South University of Forestry & Technology,Changsha 410004, Hunan, China)

It plays an irreplaceable role that identified the forest types for control the changes of forest ecology system and the natural environment. As the limitation of single phase remote sensing data extract forest vegetation types’ information, this paper choose the Chinese northeastern provinces as the study area and multi-temporal MODIS remote sensing as the study data. Find the main forest type identification method was the purpose of the paper. In addition, the forest vegetation was divided into 5 types including nonwoodland, coniferous and broadleaf forest, broadleaf forest and shrub. By analyzing the growing differences of different forest types in a year, the feature data of 10th and 23rd multi-temporal NDVI、10th multi-temporal EVI and 20th multi-temporal LAI were selected to build the tree model for non-woodland, coniferous and broadleaf forest, broadleaf forest and shrub. And then it realizes the forest types information identifies. The forest cover rate is 42.39% and the overall accuracy of vegetation type classification is 86.7%. Intercomparison of the 8th national forest resources inventory results, the accuracy of Forest coverage up to 95.6%. It proved that large scale forest resources formation extraction can be achieve using multi-temporal MODIS satellite images and it has greater value in a wide range of vegetation types inventory and monitoring.

remote sense; forest type; probability density ; large scale; MODIS

S771.8

A

1673-923X(2015)11-0021-06

10.14067/j.cnki.1673-923x.2015.11.005

2015-07-10

國家十二五高技術(shù)研究發(fā)展計劃（863計劃）課題“數(shù)字化森林資源監(jiān)測關(guān)鍵技術(shù)研究（2012AA102001）；國家自然科學(xué)基金項目（31370639）；湖南省高校產(chǎn)業(yè)化培育項目（13CY011）

羅朝沁，碩士研究生

林 輝，教授，博士生導(dǎo)師；E-mail：1053460198@qq.com

羅朝沁，林 輝，孫 華，等.基于MODIS影像大尺度森林資源信息提取方法研究[J].中南林業(yè)科技大學(xué)學(xué)報, 2015,35(11): 21-26, 42.

[本文編校：吳 毅]