陳永富，陳 巧，劉 華

(中國林業(yè)科學研究院資源信息研究所,北京 100091)

林地小班(sub-compartment,簡稱小班)是指內(nèi)部特征基本一致,與相鄰地段有明顯區(qū)別,需要采取相同經(jīng)營措施的連續(xù)地塊,是森林資源規(guī)劃設計調(diào)查、統(tǒng)計和經(jīng)營管理的基本單位[1]。小班調(diào)查是林業(yè)重要的基礎性工作,為編制森林經(jīng)營方案,進行林業(yè)區(qū)劃、規(guī)劃、計劃,指導林業(yè)生產(chǎn)提供基礎數(shù)據(jù)支撐。小班邊界和地形因子(海拔、坡度、坡向、坡位)是小班調(diào)查的重要內(nèi)容。

快速、準確地提取小班邊界及地形因子對小班的科學經(jīng)營管理具有重要作用。在實際工作中,傳統(tǒng)的小班邊界及地形因子的提取常利用羅盤儀、GPS、海拔表等儀器進行現(xiàn)地測量,或利用航片、地形圖和衛(wèi)片到現(xiàn)地勾繪,或利用地形圖進行室內(nèi)手工估算,或利用遙感影像在計算機屏幕上進行目視解譯[2-13]。這些方法普遍存在勞動強度大、受環(huán)境條件限制多、適用范圍窄、專業(yè)知識要求高等問題,以及小班邊界位移、小班面積大小和地形因子不準確等現(xiàn)象。隨著計算機科學技術(shù)、遙感技術(shù)、地理信息系統(tǒng)技術(shù)和空間分析算法的發(fā)展及其應用,基于遙感影像、地形圖的數(shù)字圖形圖像的地形分析、區(qū)域邊界及其地形因子(海拔、坡度、坡向、坡位)的提取方法研究已有很多,并逐漸擴展到小班邊界和地形因子的計算機自動提取之中[14-31]。本文對小班邊界及海拔、坡度、坡向、坡位等地形因子計算機自動提取方法進行系統(tǒng)梳理,歸納其應用現(xiàn)狀和存在問題,提出未來發(fā)展建議。

1 林地小班邊界計算機自動提取方法

小班邊界是小班之間的空間分界線,是依據(jù)權(quán)屬、地類、林種、公益林事權(quán)與保護等級、工程類別、起源、優(yōu)勢樹種(組)、齡級、郁閉度、立地類型等小班劃分條件確定的,在小班邊界內(nèi)的地況和林況特征基本一致,將小班邊界線繪制在圖面資料上形成林相圖[4-5]。依據(jù)數(shù)據(jù)源的不同,小班邊界的計算機自動提取方法可分為基于遙感影像、遙感影像輔以DEM數(shù)據(jù)和DEM數(shù)據(jù)輔以遙感影像這3種方法。

1.1 基于遙感影像的小班邊界計算機自動提取方法

遙感影像,特別是中高分辨率遙感影像為大范圍小班邊界的快速提取提供了重要的數(shù)據(jù)源,利用遙感圖像處理軟件和地理信息系統(tǒng)軟件,通過遙感影像的計算機自動分類、邊界矢量化、形成小班分布矢量圖。李明詩等[32]以吉林汪清林業(yè)局金倉林場為研究區(qū),在TM影像自動分類的基礎上,通過自主設計算法完成分類圖像的“孤島”去除、邊界提取和寬邊緣的弱化功能,實現(xiàn)了計算機對區(qū)域面積、形狀的自動分析判斷,搜索到真正的小班邊界；李春干等[33]以廣西南寧市高峰林場為研究區(qū),應用圖像分割技術(shù)對SPOT5遙感影像進行自動分割,實現(xiàn)小班邊界的自動處理,并將提取結(jié)果作為外業(yè)工作手圖,成功用于森林資源規(guī)劃調(diào)查工作中；楊芳等[34]以新疆尼勒克縣為研究區(qū),利用高分二號衛(wèi)星影像,以實際小班邊界作為分類樣本,并結(jié)合NDVI指數(shù),主成分分析,影像分割和SVM方法對影像進行分類并自動提取森林小班邊界；張艮龍等[35]以吉林汪清林業(yè)局為研究對象,利用SPOR5遙感影像,采用面向?qū)ο蠖喑叨确指罘诸惣斑吔缙交椒ㄌ崛⌒“噙吔纭?/p>

1.2 基于遙感影像輔以地形信息的小班邊界計算機自動提取方法

遙感影像提供豐富的地物光譜特征,地形信息提供豐富的空間位置及立地特征,二者結(jié)合將有助于提高小班邊界提取精度。田鵬[36]以黑龍江省大興安嶺地區(qū)塔河林業(yè)局作為研究對象,利用Landset TM遙感影像輔以DEM、坡度、坡向數(shù)據(jù)和面向?qū)ο蟮亩喑叨确指罴夹g(shù)自動提取小班邊界,精度為85%。李衛(wèi)正等[37]以廣東省九曲水林場為研究對象,提出一種利用TM圖像數(shù)據(jù)融合坡向信息的基于核的模糊C均值聚類算法(KFCM算法),并研究了使用該方法提取小班邊界的處理流程和技術(shù),提取小班邊界的精度為76%；結(jié)合沉浸分水嶺和Normalized cut算法的圖像分割方法,提取小班邊界的精度為81%；采用前期林班界線作為圖像分割的控制線,結(jié)合沉浸分水嶺算法和Normalized cut算法,提取小班邊界的精度為84%。

1.3 基于DEM數(shù)據(jù)輔以遙感影像的小班邊界計算機自動提取方法

地形因子不僅決定了小班的空間位置,也反映了小班的氣候、水文等立地特征,為小班的劃分和邊界的提取提供了重要的信息支撐。李衛(wèi)正等[37]以廣東省九曲水林場為研究對象,從坡度或坡向為劃分小班依據(jù)的思想用出發(fā),進行了直接利用DEM提取小班界線的方法探討。他們利用地形圖提供的等高線生成不同空間分辨率的DEM,選擇最佳分辨率DEM提取坡向圖,在GIS支持下對坡向圖進行圖像處理形成矢量多邊形,整理成小班邊界線,與人工地面調(diào)查的小班界線的符合度為70%。對于DEM無法提取的部分區(qū)域則通過遙感影像分類后再分割的方法提取,整理矢量多邊形邊界形成小班邊界。何柏華等[42]研究了從DEM中提取出山谷線、山脊線,結(jié)合SPOT5遙感影像信息,采用圖像分割技術(shù)自動提取小班邊界的方法。

2 基于DEM的小班地形因子計算機自動提取方法

地形因子體現(xiàn)了小班空間位置和立地特征[39],小班地形因子形成其溫度、濕地、降雨、光照、太陽輻射、土壤、養(yǎng)分等生境特性,是反映小班地表形態(tài)、生產(chǎn)作業(yè)條件、立地質(zhì)量以及土壤侵蝕的重要指標,影響著小班地表物質(zhì)流動與能量流動的規(guī)模與強度,決定了林木生長與分布[22,40-44]。針對不同的地形因子,基于DEM的小班地形因子計算機自動提取的方法不完全相同,主要有中心點法、中值法、等級法、眾數(shù)法、最大特征值法、概率法、平均值法、高低點法、矢量法、模型法、地形分析法、水文分析法等。

2.1 中心點法

利用GIS軟件,結(jié)合DEM數(shù)據(jù),生成小班內(nèi)所有網(wǎng)格單元地形因子值,其中小班中心點對應的網(wǎng)格單元的地形因子值即為該小班地形因子值。曾春陽[45]以江西景德鎮(zhèn)楓樹山林場三寶、南山分場為研究對象,并利用地理信息系統(tǒng)軟件ArcGIS,隨機抽取46個小班,計算每個小班的中心點坡度,經(jīng)實地調(diào)查驗證,中心點坡度準確率50%。陳晨[40]以浙江省寧?？h位例,按中心點法提取的小班坡度,其標準差為3.78。

2.2 中值法

在小班范圍內(nèi),將所有網(wǎng)格單元的地形因子值按升序或降序排列,將中間的值作為該小班地形因子值。曾春陽[45]以江西景德鎮(zhèn)楓樹山林場三寶、南山分場為研究對象,并利用地理信息系統(tǒng)軟件ArcGIS,隨機抽取46個小班,計算每個小班的坡度中值作為小班坡度值,經(jīng)實地調(diào)查驗證,中值坡度準確率73.9%。

2.3 等級法

利用GIS軟件,結(jié)合DEM數(shù)據(jù),按照地形因子分級原則,形成地形因子分級圖,包括按極高山、高山、中山、低山、丘陵、平原分級的地貌圖,按平坡、緩坡、斜坡、陡坡、急坡、險坡分級的坡度圖,按東、南、西、北、東南、東北、西南、西北、無分級的坡向圖[20],按脊、上、中、下、谷、平地分級的坡位圖[1]。地形因子分級圖與小班分布圖進行疊加,提取小班內(nèi)分布最多的地形因子級別類型為小班地形因子值。于浩然等[46]利用ArcGIS軟件和數(shù)字高程數(shù)據(jù)構(gòu)建了TIN數(shù)字高程模型及林地海拔、坡度、坡向級圖層,并與小班分布圖疊加,提取小班的海拔、坡度、坡向級圖對應的值；王秀云等[47]以江蘇省江浦縣為例,在林地資源調(diào)查中應用GIS和DEM數(shù)據(jù)實現(xiàn)小班坡度、坡向級提??；李林輝[48]以黑龍江省朗鄉(xiāng)林業(yè)局小白林場林相圖及森林資源二類調(diào)查數(shù)據(jù)為研究對象,在林業(yè)局級數(shù)字化森林資源信息管理中應用DEM實現(xiàn)小班坡度、坡向級提取。

2.4 眾數(shù)法

在小班地形因子統(tǒng)計分布上具有明顯集中趨勢點的數(shù)值,或出現(xiàn)次數(shù)最多的數(shù)值作為小班地形因子值。熊安華[44]以湖北省當陽市淯溪鎮(zhèn)為研究區(qū),基于數(shù)字高程模型(DEM),并結(jié)合GIS分析工具的方法,計算小班內(nèi)所有網(wǎng)格單元坡度的眾數(shù),進而確定小班的坡度值。

2.5 最大特征值法

基于統(tǒng)計分布理論的最大特征值確定小班地形因子值。譚偉等[49]以北京房山區(qū)蒲洼鄉(xiāng)為例,在規(guī)格網(wǎng)格(點)數(shù)字高程模型的基礎上,求出各網(wǎng)格或者網(wǎng)點的坡向,進行按數(shù)值區(qū)間統(tǒng)計各網(wǎng)格(點)的數(shù)量,或者進行定性化后再統(tǒng)計各獨立值統(tǒng)計數(shù),即按東南西北等8個方向或者陰、陽、半陰、半陽4個方向,取定性指標統(tǒng)計數(shù)最大的坡向為小班的平均坡向,其結(jié)果精度為90%；陳晨[40]以浙江省寧海縣為例,應用三階不帶權(quán)差分算法進行坡向計算,再利用3倍方差剔除異常起伏點,最后利用最大特征值法計算小班坡向,小班坡向與人工調(diào)查結(jié)果的吻合度在90%以上。

2.6 概率法

在規(guī)格網(wǎng)點數(shù)字高程模型的基礎上,求出小班各網(wǎng)點的地形因值,進行按數(shù)值區(qū)間統(tǒng)計各網(wǎng)點的數(shù)量,或者進行定性化后再統(tǒng)計各獨立值統(tǒng)計數(shù),即按東南西北等八個方向,取定性指標統(tǒng)計最大的坡向為小班坡向。曾春陽[45]以江西景德鎮(zhèn)楓樹山林場三寶、南山分場為研究對象,隨機抽取46個小班,利用概率法提取各小班的坡向,經(jīng)實地調(diào)查驗證,準確率達到87%。

2.7 平均值法

小班范圍內(nèi)所有網(wǎng)格單元地形因子的平均值作為小班地形因子值,包括算術(shù)平均值、加權(quán)平均值兩種。

2.7.1算術(shù)平均值法

提取小班內(nèi)所有網(wǎng)格單元地形因子值的算術(shù)平均值為小班地形因子值。葉江霞等[50]以云南省曲靖市沾益縣大坡鄉(xiāng)為例,利用現(xiàn)有軟件ArcGIS,對DEM進行重采樣,計算各網(wǎng)格單元的高程和坡度,選取小班界線范圍內(nèi)所有網(wǎng)格單元的高程、坡度,求算該多邊形內(nèi)所有網(wǎng)格單元的高程、坡度值之和與單元數(shù),求其平均值,即為該小班的海拔、坡度值,將所得數(shù)據(jù)寫入小班屬性庫中,實現(xiàn)了小班海拔、坡度的快速計算；李希飛[51]以內(nèi)蒙古大青山國家級自然保護區(qū)為對象,利用ArcGIS軟件空間分析功能,將小班內(nèi)的各個網(wǎng)格單元高程、坡度、坡向取算術(shù)平均,然后掛接到相應的小班屬性表中,精度均在85%以上；陳占穩(wěn)[52]將DEM、矢量小班界線結(jié)合ArcGIS,對小班界線進行水平方向和垂直方向三線切割,獲得小班界線的高程數(shù)據(jù),分析小班界線切割點在水平方向和垂直方向的高程變化,計算小班平均海拔、坡度和坡向；曾春陽[45]以江西景德鎮(zhèn)楓樹山林場三寶、南山分場為研究對象,并利用地理信息系統(tǒng)軟件ArcGIS,隨機抽取46個小班,計算每個小班內(nèi)所有網(wǎng)格單元坡度、坡向的算數(shù)平均值,經(jīng)實地調(diào)查驗證,準確率80.4%,71.7%；熊安華[44]以湖北省當陽市淯溪鎮(zhèn)為研究區(qū),基于數(shù)字高程模型(DEM),并結(jié)合GIS分析工具的方法,計算小班內(nèi)所有網(wǎng)格單元坡度的平均數(shù)；譚偉等[49]以北京房山區(qū)蒲洼鄉(xiāng)為例,利用算數(shù)平均值法提取的小班坡向,其精度僅為23%；陳晨[40]以浙江省寧?？h位例,按算術(shù)平均值法提取的小班坡度,其標準差為0.69。

2.7.2加權(quán)平均值法

根據(jù)小班內(nèi)不同分區(qū)面積,不同方向上的距離與地形因子值進行加權(quán)平均確定小班地形因子值。王龍柱[39]以云南省昆明市安寧市1∶50 000 DEM數(shù)據(jù)為基礎,利用自主編程實現(xiàn)八方向反距離加權(quán)平均計算小班海拔、坡度、坡向；何長斌[19]以云南思茅江城縣曼老街鄉(xiāng)為研究對象,將小班分為5個區(qū),采用自主編程實現(xiàn)小班內(nèi)各網(wǎng)格單元高程點分區(qū)加權(quán)平均的方法提取小班海拔平均值。

2.8 高低點法

在小班中找到地形因子的最高點和最低點,然后對這兩點計算小班的地形因子值。曾春陽[45]以江西景德鎮(zhèn)楓樹山林場三寶、南山分場為研究對象,隨機抽取46個小班,根據(jù)每個小班最高點和最低點求小班坡向,經(jīng)實地調(diào)查驗證,準確率為56.5%；譚偉等[52]以北京房山區(qū)蒲洼鄉(xiāng)為例,利用最高點和最低點法提取的小班坡向,其結(jié)果精度為66%。

2.9 模型法

依據(jù)小班內(nèi)的各點的高程建立坡面回歸模型,計算小班地形因子值。陳晨[40]以浙江省寧?？h為例,利用3倍方差剔除異常點,應用線性回歸建立小班斜平面,根據(jù)坡度計算原理計算小班坡度,與人工調(diào)查結(jié)果的吻合度在90%以上,標準差為0.04。何長斌[19]以云南思茅江城縣曼老街鄉(xiāng)為研究對象,基于DEM模型,進行趨勢面分析,建立小班趨勢面方程,進而求出小班坡度；通過平面方程來逼近高次的曲面方程,將高次曲面不同點的切平面方程化為單一的平面方程,通過定性得到坡向結(jié)果。陳建義等[43]以福建省將樂縣為研究區(qū),基于ArcGIS軟件,采用Horn算法作為坡度計算模型計算小班坡度。

2.10 矢量法

通過矢量運算提取小班地形因子值。熊安華[44]以湖北省當陽市淯溪鎮(zhèn)為研究區(qū),將每一個網(wǎng)格單元的坡向作為單位向量,通過矢量代數(shù)的統(tǒng)計運算,合成為小班定量的平均坡向,再對定量結(jié)果進行分類作為小班坡向定性的描述；王龍柱[39]以云南昆明安寧市為研究區(qū),基于地形分析特點和矢量統(tǒng)計原理計算小班坡向；陳孝銀等[53]以浙江省安吉縣為例,在分析已有小班坡向提取法存在的誤差后,提出了小班坡向的主方向加權(quán)矢量法和模糊模式識別法,即通過構(gòu)建單點坡向的隸屬函數(shù),求算小班坡向模糊矩陣與模板矩陣的貼近度,判斷坡向所屬的坡向類別。

2.11 地形分析法

基于地形分析的地形因子信息生成方法又稱為連續(xù)的模糊分類算法(模糊法),通過算法窗口計算局部地形幾何屬性,利用剖面曲率、水平曲率等幾何形狀因子進行聚類分析,得到地形因子值,此類研究中的代表有模糊聚類方法、基于模糊規(guī)則的模糊推理方法、基于相似度的模糊分類算法[27,54-57]。王龍柱[3]以云南省安寧市1∶50 000 DEM數(shù)據(jù),利用模糊聚類方法,將平地和山地分開。陳晨[40]以浙江省寧?？h為例,利用3倍方差剔除異常點,引入模糊理論數(shù)學模型,根據(jù)地形位置確定隸屬函數(shù),構(gòu)建模糊矩陣,根據(jù)隸屬函數(shù)和模糊矩陣確定小班模板矩陣,再根據(jù)貼近度函數(shù)計算每個小班坡位與各個坡位模式的貼近度,最后根據(jù)擇近原則確定小班所屬坡位類別,提取的小班坡位與人工調(diào)查結(jié)果比較,吻合度在90%以上。

2.12 水文分析法

基于水文分析的地形因子信息提取方法采用比地形分析法窗口更大,一般是基于流域范圍或子流域范圍的坡面來計算位置指數(shù),通過位置指數(shù)大小得到坡位信息[58]。韋建波[59]以廣西西部的右江區(qū)為研究對象,利用DEM數(shù)據(jù)提取平地、山谷線和山脊線,經(jīng)過水平直線距離分析,計算并比較每一空間位置與山谷和山脊的距離,根據(jù)坡位指數(shù),實現(xiàn)了利用GIS技術(shù)快速自動林地坡位劃分。王龍柱[39]以云南省昆明市安寧市1∶50 000 DEM數(shù)據(jù),根據(jù)劃分的山體,利用水流模型,計算了坡位指數(shù),然后使用分類方法實現(xiàn)了小班坡位的計算,并編程實現(xiàn)了計算機自動提取,根據(jù)小班矢量圖層的ID和小班研究區(qū)的ID字段的對應關(guān)系將得到的小班整體坡位值寫入小班矢量圖層屬性庫。

3 問題與建議

1) 采用多源數(shù)據(jù)融合的小班邊界計算機自動提取方法是未來發(fā)展趨勢?；趩螘r相光學遙感影像的小班邊界計算機自動提取方法,既沒有考慮地形因素的影響,也沒有完全解決遙感影像同譜異物、異物同譜對小班邊界提取的影響問題；基于單時相光學遙感影像結(jié)合DEM的小班邊界計算機自動提取方法比前者提取的小班邊界結(jié)果更符合實際情況,但仍然沒有解決遙感影像同譜異物和異物同譜給小班邊界提取帶來影響的問題；以DEM為主的小班邊界提取方法難以滿足小班區(qū)劃的要求。小班邊界的提取是以小班區(qū)劃為前提,小班區(qū)劃受林分因子、立地因子以及經(jīng)營措施的綜合影響,為了提高小班邊界提取的精度,今后應加強基于植物形態(tài)特征(針葉、闊葉)、物候特征(常綠、落葉、花期、果期)及演替階段特征(發(fā)生、發(fā)展、穩(wěn)定等階段顏色或含水量變化)的不同時相、不同季相、不同傳感器(可見光、多光譜、高光譜、激光雷達等)的遙感影像、高精度DEM等多源數(shù)據(jù)融合的小班邊界計算機自動提取及其精度定量評價方法研究。

2) 探討非線性回歸或混合效應模型的小班地形因子自動提取方法研究。小班地形因子中心點法,雖然操作簡單、工作效率高,但小班的形態(tài)各異,中心點定位可能存在一定誤差,每個網(wǎng)格單元的地形因子不總是一致,其精度受到小班中心點位置和DEM模型的精度以及小班地形特征的影響較大,往往因為中心點的特殊地形特征而導致結(jié)果偏差較大,中心點的地形因子對整個小班的代表性差、精度低,一般都不采用此方法；中值法的缺點是容易造成小班圖像的不連續(xù)性；最高與最低點法沒有考慮到小班的形狀,不能反映小班的整體地形因子情況,如果小班內(nèi)存在2個最高點,相距很近,一個最低點,顯然計算出2個不同的坡向值,并且這種方法忽略了小班內(nèi)差異點的存在；平均值法顧及了小班內(nèi)所有網(wǎng)格單元的地形因子,沒有考慮小班形狀的多樣化,因而反映不了小班的整體地形特點。另外,在小班內(nèi)不容否認地存在一些對整個小班地形沒有貢獻的差異單元,求小班地形因子平均時難免引入誤差；最大特征值法、等級法、眾數(shù)法、概率法等的本質(zhì)是通過統(tǒng)計小班內(nèi)所有網(wǎng)格單元的地形因子在既定類別中最大頻率分布的所在地形結(jié)果,是對小班內(nèi)所有地形因子值的直觀統(tǒng)計,雖然在一定程度上可以反映小班的地形,但其舍棄了復雜地形下小班的情況,當小班處于復雜地形時,異常高低起伏點會影響小班地形因子值的計算,造成最終結(jié)果出現(xiàn)偏差；模型法能夠準確地提取小班的地形因子,并且能夠適應地形復雜度較高的區(qū)域,實現(xiàn)代替人工實測提取小班地形因子。目前，主要采用單一的線性回歸模型對所有小班進行地形因子提取,而實際情況中,小班的地形特征無論在邊界還是在內(nèi)部都存在多種差異。未來應從小班地形因子及形態(tài)因子方面入手,探索非線性回歸或混合效應模型的小班地形因子計算機自動提取研究,針對不同地形特征小班制定不同的求算模型,達到提高精度的目的。

3) 加強小班坡向模糊模式識別的自適應研究。傳統(tǒng)坡向矢量法存在數(shù)據(jù)誤差和權(quán)重誤差；基于模糊地形分類系統(tǒng)方法需要設定 100 個以上的參數(shù),調(diào)試過程過于復雜,其實用性也大大降低?；谀：Ｊ阶R別的小班坡向算法具有更加客觀的坡向分類依據(jù),且具備更高的小班坡向求算精度,更符合實際地形表達。模糊模式識別方法有大量優(yōu)化與拓展空間,因此,為了增強基于模糊模式識別的小班坡向算法的實用性,今后應深入開展針對不同小班特點的不同模糊模式識別方法提取小班坡向的自適應研究。

4) 深入開展基于水文分析的小班坡位計算機自動提取方法研究?；诘匦畏治龇椒▉韯澐制挛坏膮?shù)太多、方法復雜、計算量大,并存在坡位誤判、坡位破碎無序的缺點,而且當坡度越平緩出現(xiàn)誤判的情形越多。因此,有人提出基于水文分析方法的坡位信息提取的研究,此方法比前者具有明顯的優(yōu)勢,此方法具有快速、準確、成本低等優(yōu)點,但目前在小班坡位信息提取方面的研究和應用還比較少。