基于地物光谱季节曲线特征的毛竹林分布提取-莱森光学

莱森光学 2023-06-15 423

电子说

1.3w人已加入

描述

引言

毛竹是我国分布面积最大的竹林种类，第八次全国森林资源清查数据显示，毛竹占中国竹林总面积的74%以上，集中分布在福建、浙江、湖南、江西等地。毛竹生态效益高、生长速度快，其强固碳能力和丰富的碳储量对全球生态系统碳循环意义重大，强再生能力和广泛的用途使其在竹产区农村经济中占据重要地位。获取毛竹林时空分布信息，有助于毛竹林资源的监测及管理，充分发挥其生态和经济效益。

卫星遥感能够获得大尺度空间连续的对地观测数据，为获取毛竹林的时空分布提供了可靠的数据源。高分辨率数据提供了精细的空间和纹理细节，竹林空间分布提取准确性高，但数据价格昂贵，不适宜大范围应用。MODIS等低分辨率数据提供了每天的全球250m~1000km的观测，但混合像元问题严重影响了林种的提取精度。

基于卫星遥感的林种精细提取难度较大。在毛竹林分布的亚热带和热带区域，常分布有大面积的阔叶林、针叶林、混交林等其他森林，大部分森林与毛竹林同为常绿林，在光谱特征和季节变化上接近，这给毛竹林的精准提取带来了很大困难。常用的Landsat等中高分辨率卫星的时间分辨率往往较低，在亚热带和热带地区，频繁的云覆盖导致高质量无云影像的获取较为困难。现有研究多直接采用可得的晴空观测，未细致考虑不同时相遥感观测在毛竹林提取方面的差异。各种森林类型的树种组成和林下植被不同，由于树木叶片叶绿素含量和林下植被在物候特征方面的差异，不同森林类型在季节曲线上呈现出一定差异。充分利用各植被类型季节曲线的差异，寻找区分度最大的时相的遥感影像用于分类，有利于提高毛竹林的提取精度与效率。MODIS提供了地表每天的观测，能够获取地物的光谱季节曲线。利用MODIS获得的季节曲线辨别不同地表类型在各个季节的可区分性，结合Landsat高空间分辨率影像，将有助于毛竹林分布的高精度提取。

浙江省庆元县被誉为我国生态环境第一县，森林覆盖率达86%以上，毛竹林约占林业用地总面积的17%。以浙江庆元为研究区，通过提取典型植被的MODIS光谱季节曲线，分析各季相地物光谱毛竹林的可区分度；基于Landsat分析各波段反射率和多种光谱指数对毛竹林和其他典型地物的区分性，选择毛竹林提取的有效分类特征；在此基础上，采用2016~2018年所有可得的晴空Landsat影像，基于随机森林分类器优选最佳分类时相，构建毛竹林提取方法，期望为其他亚热带地区毛竹林分类提供参考。

研究区概况

庆元县位于浙江省西南部，总面积1897km2，是浙江省有名的竹乡。区域内山岭连绵，地势由东北向西南倾斜，海拔240~1856.7m，50%的区域坡度大于20°。气候属亚热带季风气候，温暖湿润，年平均气温13.3℃，年降水量2294.2mm。境内地带性植被为常绿阔叶林，另有常绿针叶林、针阔混交林和竹林广泛分布。竹林是庆元林业建设的重要内容，竹产业是该县社会经济发展和农民增收致富的重要支柱产业之一。2016年庆元县林业资源普查结果显示，全县竹林面积2.79万hm2，毛竹占比高达99.57%，其他主要竹种为小杂竹。

数据与方法

3.1 遥感数据

采用研究区内2016~2018年所有可得晴空Landsat影像（共5景）用于光谱特征提取和土地利用分类，数据空间分辨率30m，通过Google Earth Engine平台获取已采用LaSRC算法进行大气校正后的影像。采用2013~2017年MODIS地表反射率产品MOD09A1（h28v06）分析不同植被光谱季节曲线，数据时空分辨率为8d、500m，并利用基于时间序列拐点的云检测算法对MOD09A1进行了精细的云掩膜。采用ASTER GDEM V2数字高程数据提取坡度、坡向作为分类特征，空间分辨率为30m。

3.2 样本数据

根据实地调研获得的庆元县主要土地利用类型，结合高分辨率影像的可辨认性，将当地地表覆盖划分为毛竹林、常绿针叶林、常绿阔叶/针阔混交林、耕地、建设用地、水体共6类典型地物。由于当地针阔混交林以阔叶树为主，阔叶林与混交林区分难度大，在分类中归并为一类，以便将研究重点聚焦在毛竹林的提取上。基于Google Earth高分辨率影像结合2018年8月和2019年1月两次野外考察，选择了318个感兴趣区（ROIs），包括16485个像元，涵盖6种典型地物类型。其中，随机选择224个ROIs（14725个像元）用于分类分类器训练，剩余的94个ROIs（1760个像元）用于精度验证（表2、图2）。毛竹林生长高大且密集，在高分辨率遥感影像上少有侧影，呈现出绒状纹理特征，与常绿阔叶/针阔混交林的浅色粗糙团状纹理和常绿针叶林深色密集针状纹理有明显差别（图2）。

表2 典型地物地面样本数量统计

图 2 典型地物训练样本与验证样本分布及参考高分辨率影像

3.3 光谱指数计算

光谱指数综合多个光谱信号实现植被信号增强，在土地覆盖分类领域广泛应用。实验选择归一化差值植被指数（NDVI）、差值植被指数（DVI）、比值植被指数（RVI）、比值光谱指数（RSI）、归一化水指数（NDWI）、地表水分指数（LSWI）、缨帽变换的亮度分量（TCB）、缨帽变换的绿度分量（TCG）和缨帽变换的湿度分量（TCW）等9种常见的表征植被绿度、水分含量和土壤亮度信息的光谱指数（表3），利用预处理后的MODIS和Landsat地表反射率分别计算光谱指数。

表3 不同光谱指数计算公式

3.4 季相区分度分析

基于野外调查结合高分辨率影像，选择植被连续大面积分布的4处典型站点，分别为毛竹林常绿针叶林，常绿阔叶/针阔混交林和耕地。分别提取各个站点2013~2017年MODIS1~7波段地表反射率和光谱指数。为去除云、气溶胶等噪声的影响，采用5a晴空的平均值，并进行SG平滑处理。基于地表反射率和光谱指数季节曲线分析毛竹林与其他地类在春季（3~5月）、夏季（6~8月）、秋季（9~11月）和冬季（12~2月）的可区分度，将区分度划分为4级，强区分度为毛竹林季节曲线与其他植被没有重合，且差别较大；较强区分度为毛竹林与其他植被季节曲线重合度较低，但在某一段较为接近；较弱区分度为毛竹林与其他植被季节曲线比较接近，仍存在一定差别；弱区分度为毛竹林与其他植被季节曲线重合度较高。由于建设用地与水体的光谱特性显著区别于植被，且无明显季节特性，未参与季节特征分析。

3.5 有效分类特征

选择实验采用SEaTH算法从6种地表反射率、9种光谱指数，以及DEM、坡度、坡向3种地形要素中筛选有效特征。其算法核心是在分类特征服从正态分布的条件下，通过计算每两种地类在某一特征上的J-M（Jeffries-Matusita）距离判断可分离度，其计算公式为：

其中：a1、a2为每个特征值均值；a1、a2为每个特征值的标准差；B为巴氏距离；J为J-M距离。J的取值范围为［0，2］，若J>1.9，说明可分离度较强。利用6种地类的训练样本计算各特征可分离度。由于实验侧重毛竹林提取，可分离度与毛竹林相关的，选择J>1.9的前10种特征，并取交集；与毛竹林无关的，选择J>1.9的前3种特征，重复项合并。

3.6 随机森林分类及验证

随机森林分类器是一种进行图像分类的机器学习算法，通过分析输入样本特征构建多种不同决策树，最终选择所有决策树结果的众数作为分类结果。算法精度较高，被广泛应用于植被精细分类研究。实验采用2016~2018年所有可得晴空Landsat影像，基于MATLAB平台构建随机森林分类器，利用训练样本的有效分类特征训练分类器实现单/多时相毛竹林提取。基于预留的独立验证样本计算混淆矩阵评价不同时相的分类精度，分析毛竹林提取的最佳时相，并与森林资源调查数据进行对比，验证分类效果。

结果与分析

4.1季相区分度分析

图3为毛竹林、常绿针叶林、常绿阔叶/针阔混交林和耕地典型站点MODIS光谱反射率及光谱指数季节曲线。以近红外波段为例（图3（d）），春季毛竹林近红外反射率与常绿针叶林较为相似，但在120~150d稍高于常绿针叶林，毛竹林区分度为较弱；夏季毛竹林反射率显著高于其他植被，区分度强；秋季毛竹林反射率与其他植被没有重合，但与常绿阔叶/针阔混交林曲线相似，区分度较强；冬季毛竹林季节曲线与常绿针叶林基本重合，区分度弱。由区分标准得到不同季节毛竹林区分度数量统计（表4），结果表明，秋季毛竹林区分度最高，共有11个区分度强或较强的特征，其中强区分度特征有8个；夏季次之，共有7个强区分度特征和2个较强区分度特征；冬季与春季毛竹林在短波红外2，TCW等特征上具有一定区分性，但整体可分性不如秋季与夏季。

图 3 不同植被类型典型站点的 MODIS 光谱反射率及光谱指数季节曲线及各季相区分度

表 4 各季节区分度强弱的分类特征数量统计

4.2有效分类特征选择

利用2018年10月5日Landsat影像计算18种分类特征的可分离度，结果如表5所示，粗体为满足筛选条件的J-M距离。共得到12种有效分类特征，包括光谱反射率红、绿、蓝、近红外和两个短波红外波段，光谱指数NDVI、DVI、RVI、NDWI、TCB和TCW。其中，近红外和TCB对所有地类都具有较高的可分离度，J-M距离均大于1.99；短波红外1、DVI和TCW主要用于分离毛竹林与其他植被；NDVI、RVI和NDWI用于分离常绿针叶林和常绿阔叶/针阔混交林；红、绿波段和短波红外2用于分离植被与非植被。本实验另分析了其他4个时相Landsat影像各分类特征的可分离度，结果与10月影像表现一致。

表5 不同分类特征的 J-M 距离

4.3不同时相分类精度评估

由于MODIS数据空间分辨率较粗，可能存在混合像元问题，且进行实验的站点数目有限。本研究在MODIS季节曲线分析基础上，利用研究区2016~2018年所有可得Landsat晴空观测，设计单时相和多时相组合的16组对比实验（表6），进一步分析不同季相影像对毛竹林提取精度的影响。单时相影像分类（实验1到5）结果表明，影像季相会显著影响分类准确性（图4）。

表6不同时相分类实验设计

基于秋季初中期10月Landsat影像的毛竹林分类精度和总体分类精度最高，毛竹林用户和制图精度分别达到89.00%和86.91%，总体精度为87.56%。与其他时相分类结果相比，用户和制图精度分别提高了3.44%~20.62%和5.39%~14.71%，总体精度提高了1.42%~8.35%，这也证实了选用区分度高的季相观测有助于提高分类准确性。夏季6月分类精度次之，毛竹林用户和制图精度分别为80.76%和80.20%。春季3月影像分类精度较低，用户和制图精度分别为74.91%和75.43%。深秋11月的用户和制图精度仅为68.38和78.35%，冬季2月毛竹林分类精度最低（低于72%）。实验6~16评估了采用多时相影像的毛竹林提取精度。实验6~8使用分类效果最好的秋季（10月）分别与春（3月）、夏（6月）、冬（2月）季的影像组合；实验9~11假设无秋季晴空影像时，分别采用冬春（2月与3月）、冬夏（2月与6月）、春夏（3月与6月）影像结合分类；实验12~16分别采用3个季节（春夏冬、春秋冬、夏秋冬、春夏秋）及四季结合（春夏秋冬）影像分类。根据毛竹林用户和制图精度，并参考总体分类精度和Kappa系数，结果表明，基于多时相影像提取毛竹林的精度均不如秋季（10月）单时相，其中冬夏季结合（实验10）分类精度最高，毛竹林用户与制图精度分别为85.57%和78.06%，与夏季单时相结果相比，虽然制图精度略有下降（2.15%），但毛竹林用户精度和总体精度分别提高了4.81%和5.74%（图4）

图4 各组实验分类精度（用户精度和制图精度均指毛竹林）

4.4最优方法分类结果及验证

上述分析表明，基于秋季初中期10月单时相观测（实验4）可以实现研究区毛竹林分布最佳提取，且总体分类精度最高。采用最佳的实验4方案提取研究区毛竹林分布，结果显示，庆元毛竹林面积达307.62km2，在全县各乡镇均有分布，尤以西南部和西北部更为集中，东部分布分散（图5（b））。常绿针叶林和常绿阔叶/针阔混交林面积分别为690.17km2和627.04km2，主要分布在研究区北部、中部和东部；建设用地面积为39.83km2，在县政府所在的中西部最集中，其他居民点散落分布在坡度较缓的河谷地带；耕地面积达224.84km2，多分布在居民点附近的河谷和山腰（图5（a））。为进一步验证实验提出的毛竹林提取方法的精度，将分类结果与2016年庆元县林业资源普查结果进行面积对比。2016年庆元毛竹林普查面积为277.72km2，实验提取结果为307.62km2，精度为89.23%。根据庆元县政府网，为促进竹产业、林下经济发展和农民增收，县政府每年投入大量资金扶持竹林建设，2018年毛竹林面积实际应高于2016年普查数据，与本研究结果更为接近。

图 5 2018 年庆元县土地利用和毛竹林分布图

讨论

现有竹林遥感提取研究多直接采用可得的单幅或多幅晴空影像进行分类，实验充分考虑植被生长的季节差异，引入MODIS高时间分辨率观测获取地物光谱季节曲线，通过分析季节区分度和比较不同时相分类精度，筛选了亚热带区域毛竹林识别的最佳季节，结果证实选用区分度高的季相观测有助于提高毛竹林的识别精度。

毛竹生长具有大小年的规律，大年出笋小年换叶，其叶片光合色素含量、内部物质变化和代谢能力受大小年影响，呈现不同的季节变化特征。一般小年春季（4~5月）毛竹落叶并抽发新叶，叶片叶绿素含量较低呈黄色，随着营养物质积累，6~7月叶片转为深绿色，并一直保持到次年（大年）11月。而其他常绿林在春季4~5月叶片叶绿素含量较高，与处于小年落叶期的毛竹林存在显著差异。但本研究MODIS季节曲线分析表明，春季3~5月毛竹林的区分度并非最高的，研究区近5a无4~5月晴空影像，而邻近的3月和6月分类结果也不如10月。这可能是由于研究区毛竹林分布分散，各乡镇种植时间不一，导致各区域毛竹林大小年不同步。以春季落叶期作为遥感检测的关键期仅能检测出处于小年期的毛竹林，导致处于大年期的毛竹林的大面积漏检。无论大年小年，秋季毛竹叶片仍呈现深绿色，而同时期阔叶林、针叶林冬季叶片不再维持深绿，与毛竹林在波段反射率和光谱指数林提取效果优于春季。

季节曲线分析结果表明，秋季毛竹林的可区分度最佳，但在实际提取实验中，秋季初中期（10月）毛竹林提取效果较好，而深秋（11月）毛竹林用户精度不理想。这可能与研究区内森林树种组成复杂有关。尽管研究区地带性植被为常绿林，但区内山地众多，海拔1200m以上散布有麻栎、槲栎等落叶林。深秋季节，毛竹林叶绿素含量降低，落叶树种落叶，林下植被也出现落叶或叶片叶绿素含量降低现象。由于落叶植被占比和叶绿素含量降低程度不一，加剧了各植被类型区分的复杂性，导致其他植被类型被错分为毛竹林，用户精度显著降低。多组实验证明初、中秋影像更适于区内毛竹林的精细提取。

高时空分辨率卫星能够获取更加精细的植被生长季相特征与空间信息，同时红边波段提供了更为丰富的波谱信息。后续研究可尝试新的传感器，将有助于植被类型识别，提高毛竹林提取的精度。

结论

实验采用MODIS高时间分辨率与Landsat OLI高空间分辨率观测，通过分析不同植被类型MODIS光谱季节特征曲线，并结合近3a所有可得晴空观测进行分类实验，筛选了毛竹林分类的最优时相，基于随机森林实现了毛竹林分布提取。结果表明：

（1）对于单时相影像，基于秋季初中期10月影像的毛竹林提取精度优于其他季节，是区分毛竹林与研究区内其他植被的最优时相；夏季次之，春季与冬季较差。与其他单时相分类结果相比，秋季初中期影像的毛竹林分类用户精度和制图精度分别提高了3.44%~20.62%和5.39%~14.71%。

（2）对于多时相影像，在秋季观测基础上增加其他季节观测未能提高毛竹林分类精度；夏冬影像结合相对于其他多时相以及夏季、冬季单时相分类，提取精度更高，用户和制图精度分别达到85.57%和78.06%。

（3）基于2018年10月5日Landsat影像及有效分类特征（蓝、绿、红、近红外和两个短波红外波段，NDVI、DVI、RVI、NDWI、TCB和TCW），实现了研究区毛竹林分布的最优提取。与独立验证样本比较，毛竹林用户和制图精度分别达到89.00%和86.91%；与当地森林资源普查数据对比，毛竹林提取精度优于89.23%。（4）在类似亚热带区域竹林提取中，当有多个时相晴空观测可供选择时，应优先选择秋季初、中期影像；当此时期没有晴空观测时，应优先组合夏季与冬季观测进行分类。