雷思君，孫 華，劉 華，蔣馥根，陳 松，吳 童，謝 勇

(1.中南林業(yè)科技大學(xué)，湖南 長沙 410004；2.林業(yè)遙感大數(shù)據(jù)與生態(tài)安全湖南省重點(diǎn)實(shí)驗(yàn)室，湖南 長沙 410004；3.南方森林資源經(jīng)營與監(jiān)測國家林業(yè)與草原局重點(diǎn)實(shí)驗(yàn)室，湖南 長沙 410004；4.中國林業(yè)科學(xué)研究院資源信息研究所，北京 100091）

農(nóng)田防護(hù)林是防護(hù)林體系中的一種重要類型，是一種由樹木組成的農(nóng)田廊道網(wǎng)絡(luò)系統(tǒng)[1]。該系統(tǒng)能夠改善農(nóng)田小氣候環(huán)境，調(diào)節(jié)農(nóng)田生態(tài)系統(tǒng)的結(jié)構(gòu)與功能，增加農(nóng)作物產(chǎn)量，保護(hù)農(nóng)田生態(tài)系統(tǒng)的生物多樣性[2-3]，世界各國都將農(nóng)田防護(hù)林體系擺在現(xiàn)代化農(nóng)業(yè)的重要位置[4]。自1978年我國三北防護(hù)林體系工程實(shí)施以來，作為三北防護(hù)林體系中重要的組成部分，農(nóng)田防護(hù)林為三北地區(qū)生態(tài)環(huán)境保護(hù)與糧食生產(chǎn)做出了重要貢獻(xiàn)。因此，快速準(zhǔn)確地獲取農(nóng)田防護(hù)林空間分布可以為農(nóng)、林業(yè)的現(xiàn)代化管理和服務(wù)提供及時有效的信息支持，具有重要的意義。

目前，農(nóng)田防護(hù)林信息的獲取方法包括野外調(diào)查與遙感監(jiān)測兩種。野外調(diào)查方式周期長、成本高，不適用于信息化發(fā)展迅速的當(dāng)代。遙感技術(shù)大范圍、多尺度的特點(diǎn)為農(nóng)田防護(hù)林信息的獲取提供了便利[5]。國內(nèi)外研究學(xué)者開展了大量基于遙感技術(shù)的防護(hù)林監(jiān)測研究，其中基于中高分辨率影像的研究較多，尤其是Landsat 系列數(shù)據(jù)和ZY-3 影像數(shù)據(jù)[6-7]。遙感信息提取方法多依靠基于光譜信息的決策樹方法[8]，其提取結(jié)果精度不高且斑塊破碎，不利于對農(nóng)田防護(hù)林進(jìn)行更深層次的信息挖掘。一些學(xué)者為了提高農(nóng)田防護(hù)林的提取精度，引入了農(nóng)田防護(hù)林的形狀因子及線性特征開展信息提取[9-10]，提升了在農(nóng)田防護(hù)林信息提取研究中的適用性。但對于低分辨率的遙感影像，難以提取較短的林帶，容易造成信息遺漏[11]。為了克服碎斑及林帶斷帶等問題，近年來有學(xué)者研究了多尺度遙感影像在農(nóng)田防護(hù)林信息提取中的應(yīng)用，結(jié)合了光譜特征以及農(nóng)田防護(hù)林的幾何特征，綜合利用數(shù)學(xué)形態(tài)學(xué)和面向?qū)ο蟮姆椒ㄌ崛∞r(nóng)田防護(hù)林[6-7]，由于特征信息有限，提取精度難以從根本上得到提高。與此同時，也有部分研究將紋理特征應(yīng)用于農(nóng)田防護(hù)林信息的提取中，在一定程度上改善了分類精度[12-14]。然而鑒于地物的多尺度特點(diǎn)，單尺度紋理特征難以滿足不同地物的分類需求。

如今多時相遙感影像是提高遙感監(jiān)測精度的重要信息源之一，被大量地應(yīng)用于基于遙感的生產(chǎn)應(yīng)用中[15-17]。同時，大量覆蓋面積廣、回訪周期短的遙感衛(wèi)星為多時相遙感影像的研究與應(yīng)用積累了海量的數(shù)據(jù)源。在地物信息的提取研究中，多時相或時間序列遙感數(shù)據(jù)在農(nóng)作物信息提取中應(yīng)用比較廣泛[18]，能達(dá)到識別不同作物的目的。多時相遙感數(shù)據(jù)是土地覆被遙感制圖的重要信息源[19]，其提供的季相節(jié)律信息是地物分類的重要參數(shù)。物候?qū)W為多時相遙感數(shù)據(jù)的研究與應(yīng)用提供了基本理論[20]。在提取植被信息的研究中，利用多時相遙感數(shù)據(jù)取得了一系列成果，NOAA/AVHRR、MODIS、Landsat等多種數(shù)據(jù)源的多時相數(shù)據(jù)在對森林植被進(jìn)行分類的研究中，均取得較好的分類效果[21-23]。

本研究基于分層分類的思想，利用多時序遙感影像以及多分類指標(biāo)開展農(nóng)田防護(hù)林信息的提取工作。利用2017年4個季度9 期Landsat8 OLI 遙感數(shù)據(jù)，建立2017年甘州區(qū)地物NDVI時序曲線，通過曲線分析實(shí)現(xiàn)甘州區(qū)農(nóng)田防護(hù)林的提取。

1 材料與方法

1.1 研究區(qū)概況

選擇甘州區(qū)為研究區(qū)（圖1），甘州區(qū)位于張掖市，處于甘肅省西北部，河西走廊中段的黑河流域，100°06′～100°52′E，38°32′～39°24′N。甘州區(qū)屬于溫帶大陸性氣候，境內(nèi)大部分農(nóng)作物于3、4月份播種，7、8月份收割。該區(qū)防護(hù)林建設(shè)屬于三北防護(hù)林重點(diǎn)工程，防護(hù)林類型絕大部分屬于農(nóng)田防護(hù)林，以闊葉林為主，其中楊樹面積最大[24]。研究區(qū)北部以及西南部為戈壁，主要植被類型為草本。

圖1 研究區(qū)位置Fig.1 Location of the study area

1.2 數(shù)據(jù)來源與處理

1.2.1 遙感數(shù)據(jù)

選取2017年4個季度9 期Landsat8 OLI時間序列數(shù)據(jù)為農(nóng)田防護(hù)林信息提取的數(shù)據(jù)源，并分別進(jìn)行輻射定標(biāo)與大氣校正處理。由于云量的影響，缺少5、8、9 三個月份的遙感數(shù)據(jù)，研究使用6、7月份數(shù)據(jù)作為夏季部分的關(guān)鍵多時序數(shù)據(jù)，不影響多時序數(shù)據(jù)曲線的構(gòu)建與關(guān)鍵物候參數(shù)的提取。

1.2.2 樣地設(shè)計(jì)與調(diào)查

考慮樣地大小與遙感影像像元的匹配問題，樣地大小設(shè)計(jì)為30 m×30 m 并采用分層隨機(jī)抽樣的方法進(jìn)行樣地布設(shè)。為了保證抽樣的可靠性與合理性，選用甘州區(qū)2017年7月GF-1 影像對研究區(qū)進(jìn)行地類分層預(yù)抽樣研究，設(shè)置抽樣精度為95%，并且增加了20%的保險(xiǎn)系數(shù)，在研究區(qū)內(nèi)布設(shè)462個30 m×30 m 樣地，并于2018年7月17日至8月25日進(jìn)行野外樣地調(diào)查。最終將 462個30 m×30 m 樣地的實(shí)測值作為檢驗(yàn)精度的驗(yàn)證樣本。

1.3 研究方法

為了實(shí)現(xiàn)研究區(qū)內(nèi)農(nóng)田防護(hù)林的準(zhǔn)確提取，研究提出一套基于光譜信息、形狀指數(shù)、植被物候特征相結(jié)合的分層分類方法，具體研究思路如下：

1）在遙感影像預(yù)處理的基礎(chǔ)上，首先利用特定物候期的一景影像提取水體指數(shù)，將研究區(qū)分為水體（包括研究區(qū)內(nèi)的黑河流域、公園濕地、水庫、灌溉水塘等）和非水體區(qū)域。

2）根據(jù)研究區(qū)現(xiàn)有地物狀況，南北部無人工痕跡的戈壁灘在遙感影像上十分明顯，利用特定物候期影像的NDVI 訓(xùn)練閾值，將明顯植被和非植被區(qū)域進(jìn)行區(qū)分。植被類型包括耕地、有林地和草地，非植被類型包括建筑用地、未利用地和部分草地（戈壁灘上的草本植被）。

3）植被類型和非植被類型均可利用Landsat8 OLI時間序列數(shù)據(jù)提取物候參數(shù)實(shí)現(xiàn)細(xì)分，為了提取農(nóng)田防護(hù)林，非植被信息將不再作為研究對象。通過構(gòu)建NDVI時間序列曲線，提取植被類型中的有林地、耕地和草地的關(guān)鍵物候信息，如植被生長季長度、生長變化幅度等，實(shí)現(xiàn)有林地、耕地和草地的區(qū)分提取。為了提取農(nóng)田防護(hù)林信息，需將研究區(qū)內(nèi)少數(shù)成片的公園林地等其他林地類型從有林地中分離，余下的則為整個研究區(qū)的農(nóng)田防護(hù)林。

4）根據(jù)2018年樣地野外調(diào)查結(jié)果及研究區(qū)已有土地利用類型圖和高分辨率影像數(shù)據(jù)，對提取結(jié)果計(jì)算混淆矩陣，進(jìn)行精度評價與分析。

2 結(jié)果與分析

2.1 水體信息提取結(jié)果與分析

為了選取提取水體信息的最佳特征指數(shù)，研究比較了NDWI和MNDWI 兩個特征指數(shù)在水體信息提取中的差異和精度。利用野外樣點(diǎn)調(diào)查數(shù)據(jù)和谷歌影像，選取67個水體樣點(diǎn)和112個位于水體邊界的非水體樣點(diǎn)，對研究區(qū)水體提取結(jié)果計(jì)算基于樣點(diǎn)個數(shù)的混淆矩陣。精度表明：MNDWI 指數(shù)在水體信息的提取中比NDWI 指數(shù)稍居優(yōu)勢。NDWI 在提取水體過程中，會混有土壤、陰影信息，改進(jìn)的水體指數(shù)MNDWI 則能很好地區(qū)分陰影和水體。

2.2 植被與非植被信息提取結(jié)果與分析

經(jīng)過水體信息的掩膜，對研究區(qū)內(nèi)剩余地物提取NDVI 信息，利用該指數(shù)可以進(jìn)行植被與非植被信息區(qū)分提取。2017年7月16日的遙感影像除去水體信息的其他地物NDVI 范圍分布見圖2。

圖2 各地物NDVI 值分布范圍Fig.2 Distribution of NDVI values for each surface

從圖2可以看出：影像的NDVI 范圍值貼合實(shí)際情況，7月16日處于植被最茂盛的時期，提取的耕地和林地NDVI 值均較高。從提取的NDVI范圍結(jié)果可以看出：除去水體，其他地類具有明顯的NDVI 值界線—耕地與林地處于最茂盛的時期，NDVI 最小值均大于0.2；建筑用地和未利用地的NDVI 最大值不超過0.2；草地的NDVI 值相對偏向于非植被類型，同時與植被（耕地、有林地）存在信息混淆現(xiàn)象。這是因?yàn)檠芯繀^(qū)內(nèi)的草地大致分為兩類——戈壁灘上的草本植被和人工種植的成片牧草，其中牧草在此季節(jié)處于茂盛時期，其NDVI值相對偏大，后期將此歸類于耕地類型中。根據(jù)NDVI 閾值訓(xùn)練，研究利用歸一化植被指數(shù)最大值NDVImax將剩下的5個地類分為植被與非植被。其中NDVImax＜0.2 定義為非植被，其余定義為植被。由此，最終將從植被（有林地、耕地）中提取農(nóng)田防護(hù)林。

2.3 多時序數(shù)據(jù)支持下的物候特征提取及地物分類

2.3.1 NDVI時序曲線重構(gòu)

利用NDVI時間序列數(shù)據(jù)提取地物的物候信息時，需對數(shù)據(jù)進(jìn)行平滑處理，以減少噪聲及缺失值的影響。常用的平滑方法有：Savitzky-Golay[25]、分段高斯函數(shù)擬合[26]等。本研究利用多項(xiàng)式函數(shù)對NDVI時間序列進(jìn)行重構(gòu)（見圖3），耕地與有林地的擬合精度均達(dá)到85%以上。對比平滑前后的NDVI時間序列曲線，重構(gòu)的光滑曲線保持了原有曲線的基本走向和形狀，去除噪聲后能更好地描述一年間地物隨季節(jié)的微小變化。

圖3 兩種地物的NDVI時間序列曲線Fig.3 Time-series NDVI curves of four classes

從兩種地物的NDVI時間序列曲線中可以看出：經(jīng)過多項(xiàng)式函數(shù)擬合的曲線噪聲明顯減少，曲線更加平滑，并且保持了原曲線的形狀特征。不同地物的NDVI時間序列曲線形狀特征不同：耕地與有林地都具有明顯的生長季，每年的5月到7月之間生長速度最快，并且在之后一段時間內(nèi)保持較高的NDVI 值；其中耕地的生長季變化幅度較大，NDVI 值從0.2 以下變化至接近0.8，而有林地的生長季變化幅度不如耕地大，最大值在0.55 左右。每年生長季過后，耕地的NDVI 值會逐漸降低至接近0，而林地則保持有植被特征，NDVI 值始終不會變?yōu)?。

2.3.2 物候參數(shù)提取

利用平滑去噪后的NDVI 序列曲線可以提取地物的物候參數(shù)。本研究提取了5個物候參數(shù)，以a至e表示，如表1和圖4（以耕地為例），其中：a、b為生長季始期和生長季末期，分別定義為NDVI在擬合曲線上增加、減少的速率明顯提升或減慢的時刻；c為生長頂峰，定義為NDVI 在擬合曲線上的峰值；d為生長季長度，是生長季末期與生長季始期的差值；e是生長幅度，是生長頂峰與生長季始期（生長季末期）的差值。

圖4 物候參數(shù)示意（以耕地為例）Fig.4 Seasonal parameters marked by cultivated land

表1 物候參數(shù)Table1 Seasonal parameters table

2.3.3 地物識別

對比有林地與耕地的時間序列曲線進(jìn)行分析（圖5）：耕地的曲線相對對稱，耕地相比林地具有較明顯的生長幅度（e），生長頂峰（c）比林地大，且耕地很容易確定生長季長度（d）；另一方面，耕地除了生長季便表現(xiàn)為非植被特征，NDVI 值低于0.2，這與實(shí)際情況吻合。定義規(guī)則（c＞0.55 a和e＞0.4）將耕地進(jìn)行分離提取有林地。利用時間序列曲線分析結(jié)果能有效降低耕地和林地之間存在的同譜異物和同物異譜現(xiàn)象，減少對農(nóng)田防護(hù)林信息提取的干擾。

2.4 甘州區(qū)農(nóng)田防護(hù)林提取結(jié)果與分析

將甘州區(qū)的有林地成功提取后，需將其他林地進(jìn)行分離得到農(nóng)田防護(hù)林。經(jīng)野外調(diào)查獲取到：其他林地主要是甘州農(nóng)場和甘州區(qū)林科所等區(qū)域的成片林地，農(nóng)田防護(hù)林包含農(nóng)田防護(hù)林帶、林網(wǎng)和部分片狀的林地。甘州區(qū)有林地提取效果見圖6，利用462個野外樣點(diǎn)調(diào)查結(jié)果與該地區(qū)土地利用類型圖對分類結(jié)果進(jìn)行精度評價。結(jié)果表明：甘州區(qū)有林地提取總體精度為85.93%，kappa 系數(shù)為0.79。

圖5 耕地與有林地NDVI時序曲線對比Fig.5 Comparison of NDVI sequence curves between cultivated land and forest land

將提取的有林地結(jié)果進(jìn)行人機(jī)交互去除其他有林地得到農(nóng)田防護(hù)林信息。甘州區(qū)的農(nóng)田防護(hù)林信息提取效果見圖7。甘州區(qū)農(nóng)田防護(hù)林提取結(jié)果呈現(xiàn)林帶、林網(wǎng)以及部分片狀林地的交錯分布。利用野外樣點(diǎn)調(diào)查數(shù)據(jù)進(jìn)行精度驗(yàn)證：33個農(nóng)田防護(hù)林樣點(diǎn)中29個被正確提取，精度達(dá)到87.8%。

3 結(jié)論與討論

3.1 結(jié) 論

1）NDVI時間序列數(shù)據(jù)能有效提取地物物候參數(shù)。利用生長季長度、生長幅度等物候參數(shù)能將有林地與耕地信息進(jìn)行分離達(dá)到提取農(nóng)田防護(hù)林的目的，這種基于植被物候信息的地物區(qū)分方法在對農(nóng)作物進(jìn)行細(xì)分的時候應(yīng)用比較廣泛。本研究借鑒有林地與農(nóng)作物之間的物候差異性對甘州區(qū)農(nóng)田防護(hù)林進(jìn)行提取，地物之間的區(qū)分條件不如農(nóng)作物之間進(jìn)行細(xì)分的條件苛刻，并且分類精度較傳統(tǒng)的依靠光譜特征差異的分類方法高。

2）多時序、多特征分層分類方法能有效提取農(nóng)田防護(hù)林信息。結(jié)合野外調(diào)查的33個農(nóng)田防護(hù)林樣點(diǎn)，其中29個被正確提取，分類精度為87.8%。現(xiàn)有研究多注重利用光譜信息、形狀指數(shù)等進(jìn)行決策樹分類，很少有研究將多時序與多特征方法相結(jié)合來提高地物的分類精度。

3.2 討 論

1）本研究利用多時序遙感影像提取植被物候信息，這是非常關(guān)鍵的一步。雖然單期遙感影像可以較好地提取植被信息，但是不能很好地解決影像中一些地類存在的同譜異物和同物異譜現(xiàn)象。而論文提出的利用時間序列數(shù)據(jù)提取植被物候信息，可以獲取同一位置不同時間階段的影像信息，通過分析不同時間階段影像的特征，確定其是否屬于植被。通過這種方法可以有效地解決單期影像所不能完全解決的同譜異物和同物異譜現(xiàn)象，有效地提高了農(nóng)田防護(hù)林提取的精度。

2）農(nóng)田防護(hù)林相對于其他土地利用類型具有明顯的線性、網(wǎng)狀等形狀特征，利用遙感技術(shù)獲取農(nóng)田防護(hù)林可以挖掘豐富的特征信息。在下一步研究中，可以在時間序列曲線中提取更豐富的農(nóng)田防護(hù)林特征信息，也可以考慮溫度因子在多時序影像中的應(yīng)用，將不同物候期溫度的差異應(yīng)用到地物分類的研究中。