代華兵,李春干

(1.廣西壯族自治區(qū)林業(yè)勘測(cè)設(shè)計(jì)院,南寧 530011；2.廣西大學(xué) 林學(xué)院,南寧 530004)

小班是森林資源規(guī)劃設(shè)計(jì)調(diào)查(二類調(diào)查)的基本單元,也是區(qū)域森林資源統(tǒng)計(jì)的最小單元,因此,小班區(qū)劃是二類調(diào)查中最基礎(chǔ)、最重要的工作。近40年來(lái),我國(guó)森林資源二類調(diào)查的小班區(qū)劃由早期采用中小比例尺(1∶50 000,放大至1∶25 000)地形圖[1-2]和中大比例尺地形圖(1∶10 000)[3-4]實(shí)地區(qū)劃,至2000年后開(kāi)始采用SPOT5,IKONOS和ALOS等高分衛(wèi)星影像實(shí)地區(qū)劃[5-7],2010年后,一些地區(qū)采用這些圖像在室內(nèi)進(jìn)行區(qū)劃[7-9]。在小班的區(qū)劃諸條件中,優(yōu)勢(shì)樹(shù)種(組)的差異性是最核心的條件[10]。理論上,SPOT5,IKONOS和ALOS等高分衛(wèi)星圖像有限的光譜分辨率和空間分辨率不足以滿足森林資源二類調(diào)查中優(yōu)勢(shì)樹(shù)種分類的需要[11]。有研究表明:在參考林業(yè)檔案信息的情況下,SPOT5圖像優(yōu)勢(shì)樹(shù)種判讀的總正判率只有73.3%,杉類、松類的正判率也分別只有75.9%和84.4%[12]。因此,在優(yōu)勢(shì)樹(shù)種(組)都不能準(zhǔn)確區(qū)分的情況下,討論SPOT5,IKONOS等高分衛(wèi)星影像小班室內(nèi)區(qū)劃的準(zhǔn)確率或精度是沒(méi)有任何意義的?；诟叻中l(wèi)星影像室內(nèi)區(qū)劃的小班邊界,仍需在實(shí)地進(jìn)行核對(duì)和修正[13]。盡管如此,高分衛(wèi)星影像對(duì)于提高小班區(qū)劃精度和工作效率、減輕勞動(dòng)強(qiáng)度仍具有顯著作用。

航空影像曾經(jīng)是中國(guó)森林資源調(diào)查最早應(yīng)用的基礎(chǔ)技術(shù)資料[14],始用于大興安嶺地區(qū)(1)中華人民共和國(guó)林業(yè)部調(diào)查設(shè)計(jì)局航空調(diào)查隊(duì),蘇聯(lián)農(nóng)業(yè)部全蘇森林調(diào)查設(shè)計(jì)總局特種綜合調(diào)查總隊(duì).大興安嶺森林資源調(diào)查報(bào)告(第一卷).北京:1955.,在20世紀(jì)五六十年代廣泛應(yīng)用[15-16],但70年代末后,由于航空影像缺乏的原因,少見(jiàn)應(yīng)用。近10年來(lái),在有條件的一些地區(qū),已經(jīng)采用航空影像進(jìn)行小班區(qū)劃,取得了良好的效果[17-18]。在廣西第五次森林資源規(guī)劃設(shè)計(jì)調(diào)查中,全域采用航空影像進(jìn)行小班區(qū)劃和基本屬性識(shí)別,不但顯著地提高了小班區(qū)劃精度和土地類型、優(yōu)勢(shì)樹(shù)種(組)等小班基本屬性識(shí)別的精度,而且還極大地提高了工作效率,減輕了勞動(dòng)強(qiáng)度。現(xiàn)以廣西南寧市橫縣為例,介紹其主要技術(shù)方法與結(jié)果,為構(gòu)建我國(guó)森林資源規(guī)劃設(shè)計(jì)調(diào)查新技術(shù)體系提供參考。

1 研究區(qū)及數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)橫縣位于廣西壯族自治區(qū)東南部,地理位置為22°08＇～23°30＇N,108°48＇～109°37＇E,總面積3 448 km2。全縣四周群山環(huán)抱,中部平緩開(kāi)闊,形似一個(gè)盆地。北部為鎮(zhèn)龍山脈,最高峰大圣山海拔1 167 m,南部最高峰南山海拔540 m。山地、丘陵和平原約各占全縣總面積的14%,62%和24%。位于北回歸線以南,屬南亞熱帶季風(fēng)氣候區(qū),年平均氣溫21.6℃,最熱月7月(平均氣溫為28.5℃),最冷月1月(平均氣溫為7.7℃),多年平均降雨量1 400 mm,4—9月為雨季,降雨量占全年總降雨量的71%。地帶性土壤為赤紅壤,地帶性植被為南亞熱帶季雨林。現(xiàn)存植被均為次生植被,天然植被有馬尾松(Pinusmassoniana)、紅錐(Castanopsishystrix)、公孫錐(C.tonkinensis)、青鉤栲(C.kawakam)、黃果厚殼桂(Crytocaryaconcinna)、華潤(rùn)楠(Machiluschinensis)、樟(Cinnamomumcamphora)、荷木(Schimasuperba)等。杉木林、松樹(shù)林、桉樹(shù)林、闊葉林、竹林、經(jīng)濟(jì)林木和特殊灌木林分別占全縣森林面積的3.0%,26.4%,59.3%,5.6%,3.0%,2.6%和0.1%。

1.2 數(shù)據(jù)

所用數(shù)據(jù)為2016年由廣西壯族自治區(qū)測(cè)繪與地理信息局組織獲取的真彩色航空數(shù)字正射影像(DOM),空間分辨率為0.2 m。

其它參考數(shù)據(jù)包括:2015—2016年林地“一張圖”數(shù)據(jù)庫(kù),2016年生態(tài)公益林區(qū)劃調(diào)整成果數(shù)據(jù)庫(kù)等。

2 方法

2.1 航空影像目視解譯決策樹(shù)的建立

土地類型是小班最重要的管理屬性,優(yōu)勢(shì)樹(shù)種(組)、林木起源、伴生樹(shù)種(組)是森林小班最重要的自然屬性,這4個(gè)屬性是小班的基本屬性。由于土地類型與優(yōu)勢(shì)樹(shù)種(組)和伴生樹(shù)種(組)之間存在緊密的聯(lián)系,林木起源與優(yōu)勢(shì)樹(shù)種(組)之間也存在較為緊密的關(guān)系,如:杉木林、桉樹(shù)林無(wú)天然林,在集體林區(qū)中,闊葉林很少有人工林。因此,在遙感圖像判讀中,優(yōu)勢(shì)樹(shù)種(組)的確定最為重要,是小班最核心的基本屬性。對(duì)于人工林,原則上識(shí)別到種(柑桔類中因有柑類、桔類、橙類等多個(gè)樹(shù)種,識(shí)別到類)；對(duì)于天然闊葉林,因樹(shù)種多且為混交林,在實(shí)地調(diào)查中也難以分辨優(yōu)勢(shì)樹(shù)種,可歸為一類。

遙感圖像判讀的依據(jù)是其表征,包括色調(diào)、顏色、形狀、大小、紋理、圖案、陰影、位置和相關(guān)布局等[19]。在衛(wèi)星遙感圖像判讀過(guò)程中,一般都事先建立解譯標(biāo)志[19-24],詳細(xì)描述各個(gè)樹(shù)種(組)在圖像上的表征[5],作為判讀的依據(jù)。由于航空影像的分辨率極高,除新造林外,不同優(yōu)勢(shì)樹(shù)種(組)構(gòu)成的林分林木特征十分明顯,因此,解譯標(biāo)志的建立并非十分必要。在廣西第五次森林資源規(guī)劃設(shè)計(jì)調(diào)查實(shí)踐中,在深入研究主要優(yōu)勢(shì)樹(shù)種(組)圖像表征的基礎(chǔ)上,準(zhǔn)確地總結(jié)了不同樹(shù)種(組)的主要識(shí)別特征,沒(méi)有建立圖像解譯標(biāo)志,而是采用以下方法和步驟進(jìn)行圖像判讀。

1)根據(jù)圖案(林木排列)和樹(shù)冠形狀將林分分為3個(gè)類型,即人工林(規(guī)則排列)、天然林(隨機(jī)排列)、竹林(竹梢彎曲致林冠成羽毛狀)；

2)在以上3個(gè)森林類型中,根據(jù)圖案、樹(shù)冠形狀和大小、色調(diào)、陰影、紋理、位置等,進(jìn)一步分辨不同的優(yōu)勢(shì)樹(shù)種(組)。

研究區(qū)各個(gè)樹(shù)種(組)判讀的決策樹(shù)如圖1所示。

圖1 航空?qǐng)D像優(yōu)勢(shì)樹(shù)種(組)解譯決策樹(shù)(橫縣)Fig.1 Interpretation decision tree of dominant tree species(group)in aerial image(Hengxian)

在判讀優(yōu)勢(shì)樹(shù)種(組)的基礎(chǔ)上,根據(jù)優(yōu)勢(shì)樹(shù)種(組)與土地類型、林木起源、伴生樹(shù)種(組)的相互關(guān)系,結(jié)合影像特征進(jìn)一步判讀其他基本屬性。在小班基本屬性識(shí)別過(guò)程中,還需要參考?xì)v史調(diào)查資料和相關(guān)管理檔案資料,尤其是經(jīng)濟(jì)樹(shù)種、馬尾松和濕地松等的判讀。

2.2 小班區(qū)劃方法和標(biāo)準(zhǔn)

經(jīng)航空?qǐng)D像解譯培訓(xùn),調(diào)查人員基本掌握了小班基本屬性識(shí)別知識(shí)并積累一定經(jīng)驗(yàn)后,在GIS軟件平臺(tái)支持下,以2016年航空DOM為參考資料，通過(guò)屏幕矢量化方法進(jìn)行小班區(qū)劃。小班區(qū)劃技術(shù)標(biāo)準(zhǔn):1)影像上分界明顯的林地小班邊界(如以林區(qū)道路為分界線)的采集精度應(yīng)控制在5個(gè)像元以內(nèi)；人工林小班之間、人工林小班與天然林小班之間界線的采集精度原則上應(yīng)控制在一行樹(shù)木以內(nèi)；天然林小班之間的界線采集精度控制在10 m之內(nèi)。2)林地(含耕地中的森林)面狀小班最小上圖面積為400m2；防火線、防火林帶、鐵路、公路、鄉(xiāng)村道路、林區(qū)道路、河流等線狀小班最小上圖寬度為4 m(2)廣西壯族自治區(qū)林業(yè)廳.廣西壯族自治區(qū)第五次森林資源規(guī)劃設(shè)計(jì)調(diào)查技術(shù)標(biāo)準(zhǔn)匯編(部分).南寧:2017.。

2.3 驗(yàn)證方法

2.3.1小班區(qū)劃

小班區(qū)劃?rùn)z驗(yàn)在GIS軟件支持下進(jìn)行,以2016年林地“一張圖”的小班數(shù)據(jù)庫(kù)(代表SPOT5圖像實(shí)地勾繪方法)為對(duì)比,分析本次小班區(qū)劃方法與傳統(tǒng)方法的優(yōu)劣,具體方法如下:

1)在研究區(qū)小班區(qū)劃結(jié)果圖的林地范圍內(nèi),隨機(jī)布設(shè)500個(gè)樣點(diǎn),從小班區(qū)劃結(jié)果和2016年林地“一張圖”中分別提取包含這500個(gè)樣點(diǎn)的小班,得到469個(gè)小班(其中25個(gè)小班包含2～3個(gè)樣點(diǎn))；

2)由第三人以航空DOM為基礎(chǔ),根據(jù)樣點(diǎn)周圍的圖像表征,對(duì)本次區(qū)劃的小班界線進(jìn)行逐一檢查、修正,得到最合理、最準(zhǔn)確的小班區(qū)劃界線,稱為基準(zhǔn)小班圖；

3)將基準(zhǔn)小班圖與區(qū)劃小班圖、林地“一張圖”小班疊合,并將樣點(diǎn)編號(hào)按空間位置分別賦予基準(zhǔn)小班、區(qū)劃小班、林地“一張圖”小班,使上述3個(gè)圖層中空間位置相同的小班具有相同的編號(hào)；

4)以基準(zhǔn)小班圖的小班面積為基準(zhǔn),分別計(jì)算區(qū)劃小班圖、林地“一張圖”中每個(gè)小班的面積誤差；

5)用基準(zhǔn)小班圖對(duì)區(qū)劃小班圖、林地“一張圖”分別進(jìn)行切割,得到區(qū)劃小班圖、林地“一張圖”中每個(gè)小班與相應(yīng)位置基準(zhǔn)小班的重疊面積,計(jì)算小班重疊率[25]。

2.3.2優(yōu)勢(shì)樹(shù)種(組)判讀

在研究區(qū)隨機(jī)抽取12個(gè)林班共2 160個(gè)小班,其中林木小班1 502個(gè),由第三方機(jī)構(gòu)(森林調(diào)查專業(yè)公司)進(jìn)行實(shí)地驗(yàn)證,通過(guò)混淆矩陣計(jì)算判讀精度。

3 結(jié)果分析

3.1 小班區(qū)劃精度

研究區(qū)469個(gè)小班的檢驗(yàn)結(jié)果表明:本次小班區(qū)劃的小班面積平均誤差為0.5%,平均重疊率為99.7%；林地“一張圖”小班面積平均誤差為114.7%,平均重疊率為67.4%。說(shuō)明本次小班區(qū)劃質(zhì)量明顯高于林地“一張圖”(表1)。

表1 小班區(qū)劃與林地“一張圖”的誤差比較Tab.1 Error comparison between sub-compartment division and forest land map %

由表1可以看出,本次區(qū)劃的小班中,面積誤差小于5%的小班比重達(dá)到97.9%,小班面積誤差全部小于10%；而林地“一張圖”小班中,面積誤差小于10%的小班比重只有30.9%,超過(guò)40%的小班面積誤差大于50%:說(shuō)明本次區(qū)劃的小班面積精度遠(yuǎn)高于林地“一張圖”。此外,本次區(qū)劃的小班重疊率全部大于90%；而林地“一張圖”中,不到1/3的小班重疊率大于90%,有27.9%的小班重疊率小于50%:說(shuō)明本次區(qū)劃的小班的界線準(zhǔn)確性遠(yuǎn)大于林地“一張圖”。

得到以上結(jié)果的主要原因是:本次小班區(qū)劃基礎(chǔ)資料空間分辨率高、地物特征明顯,并且技術(shù)標(biāo)準(zhǔn)高、區(qū)劃過(guò)程認(rèn)真細(xì)致；而林地“一張圖”小班區(qū)劃基礎(chǔ)資料(SPOT5圖像,空間分辨率為2.5 m)信息量不夠豐富,加上技術(shù)標(biāo)準(zhǔn)不夠嚴(yán)格、區(qū)劃過(guò)程不夠認(rèn)真細(xì)致,通常導(dǎo)致一個(gè)小班內(nèi)包含多種地物、區(qū)劃不夠合理、界線不夠準(zhǔn)確的情況存在。按本次區(qū)劃的要求,大部分林地“一張圖”的小班需進(jìn)一步細(xì)分為2個(gè)甚至多個(gè)小班。研究區(qū)2016年林地“一張圖”只有10萬(wàn)個(gè)小班,本次調(diào)查區(qū)劃小班數(shù)量達(dá)到20萬(wàn)個(gè)。

3.2 優(yōu)勢(shì)樹(shù)種(組)判讀的正判率

研究區(qū)1 502個(gè)林木小班中,優(yōu)勢(shì)樹(shù)種(組)總的正判率為97.5%,Kappa系數(shù)為0.959 8。杉木正判率最低,為83.3%,其余優(yōu)勢(shì)樹(shù)種(組)均高于90%,其中面積最大的樹(shù)種馬尾松和桉樹(shù)正判率分別達(dá)97.6%和99.6%(表2),說(shuō)明通過(guò)航空DOM可準(zhǔn)確地識(shí)別小班的優(yōu)勢(shì)樹(shù)種(組)。

表2 小班優(yōu)勢(shì)樹(shù)種識(shí)別精度檢驗(yàn)混淆矩陣Tab.2 Confusion matrix of interpretation accuracy of sub-compartment dominant tree species

杉木為塔形樹(shù)冠,均為人工林,中幼林林相一般較為整齊,容易識(shí)別,但對(duì)于面積較小,且與馬尾松、一般闊葉樹(shù)混交的近成過(guò)熟林,林相不夠整齊,容易出現(xiàn)識(shí)別錯(cuò)誤。一般闊葉林多為混交林,有時(shí)也與馬尾松混淆。小面積的荔枝,也易與馬尾松、一般闊葉樹(shù)混淆。以上錯(cuò)誤大多發(fā)生在圖像不夠清晰的區(qū)域,尤以村莊附近最多。

4 討論

本文試驗(yàn)結(jié)果表明,采用航空DOM區(qū)劃小班和識(shí)別土地類型、優(yōu)勢(shì)樹(shù)種(組)等小班基本屬性,不但可以取得很高的精度,而且可以復(fù)查復(fù)核,質(zhì)量可控,完全可以替代地面調(diào)查,可為實(shí)現(xiàn)森林資源的精準(zhǔn)、快速、高效調(diào)查監(jiān)測(cè)奠定堅(jiān)實(shí)基礎(chǔ)。

優(yōu)勢(shì)樹(shù)種(組)判讀是小班區(qū)劃和其他基本屬性識(shí)別的基礎(chǔ)。在衛(wèi)星遙感圖像解譯中,建立解譯標(biāo)志通常是必不可少的步驟[19],在一些地區(qū),航空影像判讀中也建立解譯標(biāo)志[18]。本文也曾嘗試建立航空?qǐng)D像解譯標(biāo)志,但實(shí)踐中發(fā)現(xiàn)沒(méi)有必要,因?yàn)樵诤娇誅OM中,樹(shù)冠清晰可辨,林木排列十分明顯,不同的樹(shù)種(組)在圖像上表征的區(qū)別十分明顯,通過(guò)林木排列和樹(shù)冠形狀將森林分為人工林、天然林和竹林等3個(gè)類型,然后在3個(gè)類型中根據(jù)林木排列、樹(shù)冠形狀、大小、色調(diào)、紋理、位置等圖像特征進(jìn)一步區(qū)分優(yōu)勢(shì)樹(shù)種,即根據(jù)圖1所示的航空?qǐng)D像優(yōu)勢(shì)樹(shù)種(組)解譯決策樹(shù)進(jìn)行優(yōu)勢(shì)樹(shù)種(組)判讀,實(shí)踐證明效果很好。圖1所示技術(shù)路線的現(xiàn)實(shí)基礎(chǔ)是:杉木、桉樹(shù)、國(guó)外松(主要為濕地松,也有少量火炬松、加勒比松等)和經(jīng)濟(jì)林木(包括八角、肉桂、荔枝、龍眼、柑桔等)均為人工林,除國(guó)有林場(chǎng)外,闊葉林幾乎均為天然林,馬尾松大部分為天然林,少部分為人工林,一般灌木林全部為天然林,且分布于山頂、山脊、陡坡或巖溶石山中。實(shí)踐證明,與建立圖像解譯標(biāo)志相比,圖1所示技術(shù)路線的圖像判讀思路更為清晰,不同優(yōu)勢(shì)樹(shù)種(組)區(qū)別的要點(diǎn)更為明了,判讀人員更易掌握?qǐng)D像判讀要領(lǐng)。在廣西的大區(qū)域?qū)嶋H應(yīng)用中,并未建立圖像解譯標(biāo)志,但即使是無(wú)任何森林調(diào)查經(jīng)驗(yàn)的在校大學(xué)生,經(jīng)過(guò)約20天的培訓(xùn)和練習(xí)后,也可達(dá)到95%左右的小班基本屬性判讀精度。

判讀深度的確定對(duì)森林資源二類調(diào)查而言十分重要。航空DOM判讀的主要依據(jù)是樹(shù)冠的形狀、大小、排列、紋理、陰影等,因此,一些冠形、大小、葉色相近(說(shuō)明各個(gè)光譜段的反射率相近)的樹(shù)種,如馬尾松和濕地松,柑、桔和橙,粉單竹和吊絲竹,等等,航空DOM是難以區(qū)分的。天然闊葉林幾乎全為混交林,樹(shù)種多且混雜分布,優(yōu)勢(shì)樹(shù)種不明顯,也是很難區(qū)分到樹(shù)種的。只有在范圍小且資源檔案齊備的國(guó)有林場(chǎng),才有可能區(qū)分闊葉林樹(shù)種[26]。因此,對(duì)大區(qū)域森林資源調(diào)查而言,必須依據(jù)圖像,深入研究各個(gè)樹(shù)種的可分性,明確可以達(dá)到的判讀深度,不能一味地追求分辨到樹(shù)種,以有效避免判讀錯(cuò)誤。此外,對(duì)于難以確定優(yōu)勢(shì)樹(shù)種(組)和邊界的小班,地面補(bǔ)充調(diào)查也是不可或缺的工作。

對(duì)于訓(xùn)練有素的判讀人員而言,絕大部分小班的優(yōu)勢(shì)樹(shù)種(組)都能準(zhǔn)確識(shí)別,但也有一些小班難以準(zhǔn)確判讀,如:杉木成過(guò)熟林與馬尾松人工林成過(guò)熟林的樹(shù)冠形狀、大小、色調(diào)和紋理相近,容易產(chǎn)生判讀錯(cuò)誤；馬尾松幼林和闊葉樹(shù)幼林的紋理均不明,也難以區(qū)分；直立型叢生竹與杉木幼林的形態(tài)、大小、顏色、紋理相近,也容易出現(xiàn)判錯(cuò)誤,如此等等。隨著機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能技術(shù)的發(fā)展,可以預(yù)期不久的將來(lái),航空?qǐng)D像和分米級(jí)衛(wèi)星遙感圖像的樹(shù)種判讀問(wèn)題將得到有效解決,并很有可能實(shí)現(xiàn)小班的自動(dòng)區(qū)劃。

5 結(jié)論

在航空DOM上,林木樹(shù)冠清晰可辨,不同樹(shù)種(組)的表征區(qū)別十分明顯,通過(guò)圖像表征和圖像目視解譯決策樹(shù),可以有效地分辨各個(gè)樹(shù)種(組),精細(xì)地區(qū)劃小班并準(zhǔn)確地識(shí)別其基本屬性,基本上可以取代實(shí)地小班勾繪核實(shí)工作,結(jié)合機(jī)載激光雷達(dá)森林參數(shù)估測(cè)與制圖,可以實(shí)現(xiàn)森林資源的精準(zhǔn)、快速、高效調(diào)查。