張娜, 魏建兵,*, 劉景琦, 張興義, 王玉璽

基于Landsat8-OLI影像的山蒿植被信息提取研究

張娜1, 魏建兵1,*, 劉景琦1, 張興義2, 王玉璽3

1. 沈陽(yáng)大學(xué), 區(qū)域污染環(huán)境生態(tài)修復(fù)教育部重點(diǎn)實(shí)驗(yàn)室, 沈陽(yáng) 110044 2. 中國(guó)科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所, 哈爾濱 150081 3. 黑龍江省水利科學(xué)研究院, 哈爾濱 150080

山蒿是一種廣布于我國(guó)北部干旱半干旱區(qū)低山丘陵中高海拔地帶的次生植物, 根據(jù)部分地區(qū)現(xiàn)場(chǎng)調(diào)查和筆者的前期研究, 認(rèn)為其具有生態(tài)保護(hù)和資源利用價(jià)值。為了實(shí)現(xiàn)山蒿優(yōu)勢(shì)群落集中分布區(qū)調(diào)查方法開發(fā), 以內(nèi)蒙古自治區(qū)興安盟突泉縣為例, 選取了2017年多時(shí)相Landsat8-OLI遙感影像, 根據(jù)地形特征、NDVI指數(shù)和GNDVI指數(shù)建立規(guī)則集, 構(gòu)建山蒿植被信息提取決策樹模型, 并進(jìn)行了典型區(qū)山蒿提取和精度驗(yàn)證。結(jié)果表明, 遙感提取總體精度為78.65%, Kappa系數(shù)為0.63, 山蒿信息提取的制圖精度為72.13%, 用戶精度為75.7%, 目標(biāo)于初步分布區(qū)域調(diào)查, 使用此模型方法進(jìn)行山蒿信息提取是可行的, 研究成果能夠?yàn)檫M(jìn)一步改進(jìn)和構(gòu)建植被信息提取方法提供思路, 也能夠?yàn)樯捷镏脖豢臻g分布監(jiān)測(cè)及其生態(tài)保護(hù)規(guī)劃管理提供決策支持。

山蒿; 植被信息提取; NDVI; GNDVI; Landsat8-OLI影像

0 前言

山蒿(Franch.)是一種小灌木狀多年生草本植物, 莖木質(zhì)化, 成苗株高60—100 cm, 別稱巖蒿、駱駝?shì)? 隸屬于菊科蒿屬, 分布于我國(guó)內(nèi)蒙古、河北、山西、陜西、寧夏以及甘肅的北部干旱半干旱區(qū)[1], 據(jù)《全國(guó)中草藥匯編》記載, 山蒿有清熱、解毒、祛濕之功效[2]。目前對(duì)山蒿開發(fā)利用的基礎(chǔ)研究較少, 集中在藥用價(jià)值、植株化學(xué)成分的測(cè)定研究方面[3-4]。根據(jù)文獻(xiàn)資料以及野外科學(xué)調(diào)查, 山蒿是一種具有水土保持與生態(tài)修復(fù)潛力的次生植物, 生長(zhǎng)于中高海拔陽(yáng)坡草地、礫質(zhì)坡地半荒漠草原、戈壁及巖石縫中, 在很多干旱半干旱山區(qū)局部形成優(yōu)勢(shì)群落[1,5]。筆者在我國(guó)自然植被稀少的內(nèi)蒙古興安盟地區(qū)調(diào)研發(fā)現(xiàn), 山蒿廣布于該地區(qū)低山丘陵地帶, 抗旱、抗瘠薄、抗干擾能力強(qiáng), 但長(zhǎng)期遭受到農(nóng)墾開荒、薪柴砍伐、牛羊放牧等威脅, 其生境破壞明顯, 當(dāng)?shù)氐牧謱W(xué)和水土保持專家將其稱為東北半干旱區(qū)自然植被“生態(tài)底線”, 認(rèn)為急需獲得保護(hù)。然而, 截止到目前, 在我國(guó)土地利用分類系統(tǒng)中, 尚未把山蒿作為一種資源植被, 仍歸類為草地, 當(dāng)?shù)卣矝](méi)有采取有效保護(hù)措施, 其資源利用和生態(tài)保護(hù)價(jià)值沒(méi)有得到充分的重視。植被與生態(tài)環(huán)境有強(qiáng)相關(guān)性, 當(dāng)前, 生態(tài)赤字逐漸擴(kuò)大, 生態(tài)環(huán)境破壞程度加劇[6-7], 在我國(guó)“美麗中國(guó)”建設(shè)、“國(guó)土資源生態(tài)修復(fù)”等戰(zhàn)略背景下, 山蒿資源集中分布區(qū)識(shí)別和生態(tài)保護(hù)規(guī)劃研究應(yīng)該成為緊迫的應(yīng)用基礎(chǔ)研究[5]。

山蒿群落分布于低山丘陵區(qū), 傳統(tǒng)的地面人工調(diào)查困難。與傳統(tǒng)的實(shí)地調(diào)查相比, 遙感技術(shù)在土地利用覆被分類、植被信息提取和環(huán)境變化監(jiān)測(cè)等方面具有實(shí)時(shí)性強(qiáng)、覆蓋范圍廣、成本低等優(yōu)勢(shì), 兼具經(jīng)濟(jì)和社會(huì)效益。遙感技術(shù)在農(nóng)作物信息提取方面發(fā)展比較成熟, 尤其在水稻、小麥作物影像特征識(shí)別、種植面積和產(chǎn)量估算方面發(fā)揮了重要作用[8-9]。近年來(lái), 許多學(xué)者致力于植被遙感分類研究, 基于多光譜和高光譜遙感數(shù)據(jù)的森林和濕地識(shí)別技術(shù)為自然植被的可持續(xù)發(fā)展和有效管理提供了科學(xué)依據(jù), 遙感技術(shù)在區(qū)域生態(tài)環(huán)境監(jiān)測(cè)方面表現(xiàn)出顯著優(yōu)勢(shì)[10-12]。基于Landsat系列影像, 特別是Landsat8-OLI具有中等分辨率, 數(shù)據(jù)獲取免費(fèi), 應(yīng)用領(lǐng)域廣泛等特點(diǎn), 該種數(shù)據(jù)在植被信息提取方面也有較豐富的成果可以借鑒。Cingolani等[13]基于Landsat數(shù)據(jù), 采用最大似然法和使用特征統(tǒng)計(jì)分析獲得的判別函數(shù)對(duì)異質(zhì)山脈草地進(jìn)行分類, 取得了很好的效果。很多學(xué)者致力于長(zhǎng)時(shí)間序列的研究, Sandamali等[14]使用1975—2015年的Landsat影像分析森林類別的變化, 采用歸一化植被指數(shù)(NDVI)和綠色歸一化植被指數(shù)(GNDVI)提取植被和冠層條件。Zhang等[15]認(rèn)為基于對(duì)象的圖像分析技術(shù), 中分辨率Landsat數(shù)據(jù)可有效繪制研究區(qū)佛羅里達(dá)大沼澤地植被的主要群落。Marcel等[16]通過(guò)繪制巴西熱帶稀樹草原植被梯度圖, 強(qiáng)調(diào)了利用長(zhǎng)期Landsat時(shí)間序列來(lái)分析異構(gòu)生態(tài)系統(tǒng)的有用性。國(guó)內(nèi)學(xué)者在Landsat影像的植被信息提取方面也開展了一些研究, 劉杰等[17]基于單時(shí)相Landsat8-OLI影像構(gòu)建了棉花信息提取模型。王月如等[18]構(gòu)建水體差異增強(qiáng)指數(shù)(DENWI), 獲取富貴竹的種植信息。為了提高遙感監(jiān)測(cè)精度, 基于多時(shí)相遙感數(shù)據(jù)的植被分類迅速發(fā)展, 白燕英等[19]根據(jù)作物的NDVI時(shí)間序列構(gòu)建植被分類模型, 分類精度高; 李曉東等[20]基于多時(shí)相遙感數(shù)據(jù)構(gòu)建多維分類特征, 利用季相、光譜、紋理特征建立規(guī)則集, 提取地表覆被類型。

綜上所述, 基于Landsat遙感影像開展區(qū)域植被分布識(shí)別是可行可操作的, 預(yù)期進(jìn)一步結(jié)合地形、植被指數(shù)等其他因子開展構(gòu)建分類模型的研究有利于開發(fā)新的方法和提高分類精度。目前的研究集中在農(nóng)作物和其他自然植被的信息提取與分類, 關(guān)于針對(duì)具有水土保持和生態(tài)保護(hù)價(jià)值的山蒿信息提取研究尚未有檢索發(fā)現(xiàn)。本文選取內(nèi)蒙古自治區(qū)興安盟突泉縣山蒿集中分布區(qū)學(xué)田鄉(xiāng)、六戶鎮(zhèn)、永安鎮(zhèn)和東杜爾基鎮(zhèn)為研究區(qū), 基于多時(shí)相Landsat8-OLI遙感影像提取山蒿植被光譜信息, 構(gòu)建山蒿信息提取方法, 識(shí)別山蒿集中分布區(qū), 為制定其生態(tài)保護(hù)規(guī)劃和探索其資源利用價(jià)值提供支持。

1 研究區(qū)概況

內(nèi)蒙古自治區(qū)興安盟突泉縣位于興安盟中南部(圖1), 處于大興安嶺山地向松嫩平原過(guò)渡地帶, 地勢(shì)西北高, 東南低, 具有獨(dú)特的“北山、中丘、南平原”地形特點(diǎn)。屬于溫帶半干旱大陸性季風(fēng)氣候, 春季多風(fēng)少雨, 蒸發(fā)大, 濕度小; 夏季短促溫?zé)? 降水集中; 秋季涼爽短暫; 冬季寒冷漫長(zhǎng)風(fēng)大雪少。年平均降水量393.1 mm。年積溫2700 ℃—2900 ℃, 年均氣溫5.7 ℃。主要土壤類型有暗棕壤、黑鈣土、草甸土和黑土。山蒿群落主要分布在突泉縣中部低山石質(zhì)丘陵區(qū)。

圖1 研究區(qū)位置

Figure 1 Location of study area

2 材料與方法

2.1 數(shù)據(jù)源與數(shù)據(jù)預(yù)處理

遙感影像選用2017年的Landsat8-OLI數(shù)據(jù), 根據(jù)山蒿的生長(zhǎng)期選擇不同生長(zhǎng)狀態(tài)下的時(shí)相, 成像時(shí)間分別為2月、3月、5月、7月、8月、10月和11月, 軌道號(hào)為121/28, 所選影像拍攝清晰, 云量少。其他數(shù)據(jù)包括突泉縣空間分辨率為30 m的DEM數(shù)據(jù)、突泉縣土地分類數(shù)據(jù)、突泉縣行政邊界矢量數(shù)據(jù)以及野外定位采樣數(shù)據(jù)。

圖像預(yù)處理使用ENVI5.3 Radiometric Cali-bration功能進(jìn)行輻射定標(biāo), FLAASH Atmospheric Correction功能進(jìn)行大氣校正, 用研究區(qū)矢量數(shù)據(jù)進(jìn)行地理校正和裁剪得到研究區(qū)遙感影像圖。

2.2 研究方法

2019年7月和2020年1月對(duì)學(xué)田鄉(xiāng)、六戶鎮(zhèn)、永安鎮(zhèn)和東杜爾基鎮(zhèn)進(jìn)行野外調(diào)查, 確定研究區(qū)地物類型主要為耕地、農(nóng)村和城鎮(zhèn)建設(shè)用地, 楊、榆、蒙古櫟等喬木林地, 草原、山蒿、檸條、虎榛子等灌草地。運(yùn)用GPS測(cè)量?jī)x采集地物類型樣本位置, 其中, 學(xué)田鄉(xiāng)地物類型全面, 山蒿分布集中, 分布面積較大, 具有代表性。因此, 以學(xué)田鄉(xiāng)作為訓(xùn)練區(qū)探討植被信息提取方法。然后將其應(yīng)用于整個(gè)研究區(qū)。技術(shù)流程主要包括五個(gè)步驟, 第一, 使用遙感數(shù)據(jù)波段反射特征初步分辨植被類型; 第二, 分析植被分布區(qū)的地形特征; 第三, 通過(guò)植被指數(shù)特征進(jìn)一步識(shí)別植被分布區(qū); 第四, 依據(jù)植被分布的地形特征和不同時(shí)期的植被指數(shù)特征, 建立植被信息識(shí)別決策樹模型; 第五, 通過(guò)實(shí)地定位記錄和高分影像數(shù)據(jù)來(lái)評(píng)價(jià)山蒿信息提取的精度。

2.2.1 光譜特征

2.2.2 地形分布特征

利用DEM數(shù)據(jù)提取學(xué)田鄉(xiāng)高程圖和坡度圖, 統(tǒng)計(jì)山蒿、檸條、草地、蒙古櫟、虎榛子、耕地、建設(shè)用地七種地物分布的高程和坡度數(shù)據(jù)。

2.2.3 植被指數(shù)

植被指數(shù)是廣泛應(yīng)用于植被信息提取與分類的指標(biāo)[21]。植被在紅光波段強(qiáng)吸收, 近紅外波段高反射, 兩波段組合能增強(qiáng)植被信息[22]。歸一化植被指數(shù)(Normalized Difference Vegetation Index, NDVI)是最常用的植被指數(shù)之一, 是植被生長(zhǎng)狀態(tài)及植被覆蓋度最佳指示因子, 對(duì)綠色植被表現(xiàn)敏感, 可以監(jiān)測(cè)植被生長(zhǎng)活動(dòng)的季節(jié)和年際變化[23-24]。綠色歸一化植被指數(shù)[25](Green Normalized?Difference Vegetation Index, GNDVI)與NDVI相似, 它測(cè)量的是從540 nm到570 nm的綠色光譜, 而不是紅色光譜, 該指標(biāo)比NDVI對(duì)葉綠素濃度更敏感。除了以上兩種植被指數(shù), 本研究還提取了差值植被指數(shù)(Difference Vegetation Index ,DVI)、比值植被指數(shù)(Ratio Vegetation Index ,RVI)、增強(qiáng)植被指數(shù)(Enhanced Vegetation Index ,EVI)和葉面積指數(shù)(Leaf Area Index, LAI), 篩選在提取山蒿植被信息中能夠與研究區(qū)的其他地物進(jìn)行有效區(qū)分的指數(shù)。

式中: ρNIR為近紅外波段反射率, ρRed為紅色波段反射率, ρGreen為綠色波段反射率。

2.2.4 決策樹分類法

決策樹分類, 又稱基于專家知識(shí)決策樹分類, 能夠利用多源遙感影像數(shù)據(jù)實(shí)現(xiàn)分類, 其規(guī)則和分類過(guò)程也易于理解。ENVI決策樹分類器是一個(gè)多級(jí)分類器, 由一系列二叉決策樹構(gòu)成, 一般包括四個(gè)步驟: 定義分類規(guī)則、構(gòu)建決策樹、執(zhí)行和精度評(píng)定和分類后處理。本研究使用此方法建立了山蒿植被決策樹分類模型。

3 研究結(jié)果與分析

3.1 山蒿的波段特征

從各地物的光譜曲線圖(圖2)可以看出, 不同地物類型的光譜特征具有差異, 這為識(shí)別山蒿提供了可能, 建設(shè)用地、耕地和草地的光譜曲線特征差異較大, 虎榛子和蒙古櫟的光譜曲線特征相似, 山蒿和檸條的光譜曲線特征相似, 說(shuō)明在植被信息提取過(guò)程中, 檸條對(duì)山蒿的干擾大, 直接提取山蒿信息難度較大。山蒿信息提取要選擇信息量大、相關(guān)性小的波段進(jìn)行組合, 圖2還可以看出地物的光譜特征主要表現(xiàn)在B3—B6波段, 尤其第5波段(近紅外波段)是植被的高反射區(qū)。

圖2 研究區(qū)主要地物類型光譜曲線

Figure 2 Spectral curves of main features in the study area

3.2 山蒿的地形分布特征

從高程上看(圖3), 建設(shè)用地、耕地和檸條平均海拔小于500 m, 略低于山蒿, 山蒿和草地分布區(qū)海拔比較相似, 蒙古櫟分布區(qū)海拔最高, 虎榛子海拔次之。七種地物在坡度分布上具有一定差異, 建設(shè)用地和耕地的坡度小且坡度區(qū)間集中, 建設(shè)用地坡度小于4°, 分布地區(qū)最平坦, 耕地次之, 坡度小于8°; 山蒿坡度在10°—25°之間, 平均坡度最大, 與草地、檸條、虎榛子和蒙古櫟相比坡度區(qū)間最小; 草地坡度在5°—25°, 檸條坡度在5°—20°, 蒙古櫟坡度在3°—25°, 虎榛子在3°—35°, 坡度區(qū)間最大, 平坡、緩坡和陡坡均有分布。綜上所述, 山蒿的坡度高于建設(shè)用地和耕地, 因此可以設(shè)置坡度閾值將面積較大的耕地和建設(shè)用地與山蒿區(qū)分。

參考1984年中國(guó)農(nóng)業(yè)區(qū)劃委員會(huì)頒發(fā)《土地利用現(xiàn)狀調(diào)查技術(shù)規(guī)程》(表1), 結(jié)合實(shí)地采樣數(shù)據(jù), 設(shè)置耕地的坡度閾值為8°, 把學(xué)田鄉(xiāng)坡度分為0°—8°、8°—20°和20°—43°三級(jí)(圖4)。

3.3 山蒿的植被指數(shù)特征

植被的生長(zhǎng)發(fā)育具有物候特性, 其光譜信息會(huì)隨季節(jié)的變化而改變, 導(dǎo)致單一時(shí)期的影像分類效果通常并不理想。山蒿生長(zhǎng)緩慢, 幾年內(nèi)植株變化不大, 在不同生長(zhǎng)期差異也較小。單一時(shí)相的植被指數(shù)難以將目標(biāo)地物山蒿與其他植被區(qū)分開來(lái), 因此本研究提取了不同季節(jié)的植被指數(shù)。

根據(jù)研究區(qū)主要植被類型的NDVI統(tǒng)計(jì)結(jié)果(表2), 不同地物2月18日和3月6日的NDVI差異不大。研究區(qū)緯度偏高, 冬季寒冷漫長(zhǎng), 氣候干旱, 植被生長(zhǎng)緩慢。5月9日, 蒙古櫟NDVI最小值0.48大于山蒿、檸條和草地的NDVI最大值, 差異顯著, 蒙古櫟與山蒿、檸條、草地的分離性好; 蒙古櫟與虎榛子易混淆; 草地NDVI與檸條和虎榛子的NDVI不重合交叉, 草地和檸條、虎榛子的分離性好。7—8月是植被生長(zhǎng)高峰期, 草地與蒙古櫟和耕地的NDVI不交叉, 分離性較好, 山蒿、檸條、虎榛子、蒙古櫟的NDVI值均存在交叉區(qū)間, 難以區(qū)分。10月16日, 蒙古櫟與山蒿和草地的NDVI不交叉重疊, 蒙古櫟和山蒿、蒙古櫟和草地的分離性好; 山蒿與檸條、草地、虎榛子容易混淆。11月17日, 山蒿與草地、山蒿與蒙古櫟、草地與蒙古櫟的NDVI值區(qū)間不交叉重疊, 山蒿和檸條、虎榛子容易混淆。綜上所述, 5月9日NDVI可以將蒙古櫟與山蒿、檸條、草地區(qū)分, 草地與檸條、虎榛子區(qū)分; 10月16日的NDVI可以將蒙古櫟與山蒿、草地區(qū)分; 11月17日山蒿、草地、蒙古櫟可相互區(qū)分。

圖3 各地物類型分布高程、坡度圖

Figure 3 Elevation and slope map of various types of objects

表1 耕地坡度分級(jí)

圖4 學(xué)田鄉(xiāng)坡度圖

Figure 4 Slope map of Xuetian township

表2 各地物NDVI指數(shù)統(tǒng)計(jì)表

六類主要地物中(圖5), 蒙古櫟NDVI最大, 在不同時(shí)期均處于較高水平, 蒙古櫟是喬木, 生物量大; 耕地NDVI 5月最小, 2—5月平均NDVI小于0.25, 5—7月上升迅速, 5月初是農(nóng)作物出苗期, 7—8月是農(nóng)作物的生長(zhǎng)旺盛期, NDVI值達(dá)到最大, 隨后迅速下降; 虎榛子、檸條、山蒿和草地的NDVI曲線大致相似, 但虎榛子NDVI值較高, 3—5月增長(zhǎng)幅度大, 檸條與山蒿NDVI變化趨勢(shì)最相似, 檸條NDVI大于山蒿, 8月差異較大, 草地在各時(shí)期NDVI最小, 與山蒿相比, 山蒿在5月上旬進(jìn)入萌芽期, NDVI增長(zhǎng), 草地3—5月上旬NDVI幾乎不變, NDVI小于0.2。

根據(jù)GNDVI統(tǒng)計(jì)結(jié)果(表3), 2月18日和3月6日GNDVI處于較低水平, 山蒿與其他植被類型不易區(qū)分。5月9 日, 山蒿與虎榛子、山蒿與蒙古櫟的GNDVI區(qū)間不交叉, 山蒿與虎榛子、山蒿與蒙古櫟分離性好; 草地與虎榛子、草地與蒙古櫟GNDVI區(qū)間不交叉, 草地與虎榛子、草地與蒙古櫟分離性好; 山蒿與檸條、草地、耕地不易區(qū)分。7月28日, 草地與蒙古櫟、草地與耕地的GNDVI區(qū)間不交叉重疊, 草地與蒙古櫟、草地與耕地分離性好; 山蒿與其他地物容易混淆, 不易區(qū)分。8月29日, 六類地物的GNDVI值差異較小, 各地物之間易混淆。10月16日, 蒙古櫟與山蒿、檸條、草地的GNDVI區(qū)間不交叉, 蒙古櫟與山蒿、檸條、草地的分離性好。11月17日, 山蒿與蒙古櫟、草地與蒙古櫟的GNDVI區(qū)間不交叉, 差異較大, 山蒿與蒙古櫟、草地與蒙古櫟分離性好。綜上所述, 5月9日GNDVI可將山蒿與虎榛子、山蒿與蒙古櫟、草地與虎榛子、草地與蒙古櫟區(qū)分; 10月16日GNDVI可將蒙古櫟與山蒿、檸條、草地區(qū)分; 11月17日GNDVI可將山蒿與蒙古櫟、草地與蒙古櫟區(qū)分。

圖6所示, 耕地2—5月GNDVI較小, 5—7月增長(zhǎng)顯著, 7月、8月是農(nóng)作物生長(zhǎng)旺盛期, 8月GNDVI最大, 隨后迅速減小; 蒙古櫟GNDVI 2—3月略有減小, 5月增長(zhǎng)迅速, 10月達(dá)到最大值, 蒙古櫟GNDVI明顯大于虎榛子、檸條、山蒿和草地; 虎榛子、檸條、山蒿和草地GNDVI趨勢(shì)大致相似, 各時(shí)期虎榛子最大, 草地最小, 山蒿2—5月GNDVI基本不變略有減小, 而檸條GNDVI逐漸上升。

3.4 山蒿信息提取模型及精度評(píng)價(jià)

3.4.1 山蒿信息提取模型

依據(jù)研究區(qū)各地物分布的地形特征和不同時(shí)期的植被指數(shù)特征, 建立山蒿信息識(shí)別的決策樹, 如圖7所示, 具體過(guò)程為: 根據(jù)坡度區(qū)分建設(shè)用地和耕地為分類1, 該部分包含少量草地、蒙古櫟、虎榛子和檸條, 但不包含山蒿; 進(jìn)而用5月9日的NDVI區(qū)分出蒙古櫟(含虎榛子), 另一部分包含山蒿、檸條、虎榛子和草地, 同樣用5月9日的NDVI將其分為兩部分, 一部分為草地和部分山蒿, 另一部分為山蒿、檸條和虎榛子; 根據(jù)11月的NDVI將草地(分類3)和山蒿區(qū)分開來(lái); 最后利用5月的GNDVI排除虎榛子和部分檸條, 用5月NDVI以及2月至5月山蒿與檸條GNDVI的變化特征將山蒿提取出來(lái), 兩部分山蒿合并為分類5, 分類4是檸條混雜虎榛子的區(qū)域。

圖5 主要地物NDVI時(shí)間序列曲線

Figure 5 NDVI time series curve of main features

表3 各地物GNDVI指數(shù)統(tǒng)計(jì)表

圖6 主要地物GNDVI時(shí)間序列曲線

Figure 6 GNDVI time series curve of main features

Figure 7 Information extraction process ofFranch

應(yīng)用構(gòu)建的山蒿信息提取決策樹模型, 得到學(xué)田鄉(xiāng)山蒿分布圖, 提取結(jié)果如圖8所示, 將決策樹模型推廣到學(xué)田鄉(xiāng)周邊的六戶鎮(zhèn)、永安鎮(zhèn)和東杜爾基鎮(zhèn), 得到山蒿空間分布圖, 見(jiàn)圖9。

圖8 學(xué)田鄉(xiāng)山蒿提取結(jié)果

Figure 8 Extraction results ofFranch in Xuetian township

圖9 六戶鎮(zhèn)、永安鎮(zhèn)和東杜爾基鎮(zhèn)山蒿提取結(jié)果

Figure 9 Extraction results ofFranch in Liuhu, Yong'an and East Durki town

3.4.2 精度分析

根據(jù)野外定位采樣點(diǎn)和Google Earth高分辨率影像對(duì)六戶鎮(zhèn)、永安鎮(zhèn)和東杜爾基鎮(zhèn)山蒿提取結(jié)果進(jìn)行精度分析。本文的決策樹模型分類出山蒿和草地, 其他類別地物具有混交特征并非單一植被類型, 因此合并為其他地物, 相應(yīng)地建立山蒿、草地和其他地物三類感興趣區(qū)驗(yàn)證分類結(jié)果, 計(jì)算山蒿分類的混淆矩陣, 精度結(jié)果如表4, 分類總體精度為78.65%, Kappa系數(shù)為0.63, 山蒿信息提取的制圖精度72.13%, 用戶精度為75.7%, 山蒿信息提取效果比較理想, 能夠滿足山蒿集中分布區(qū)的識(shí)別和山蒿保護(hù)規(guī)劃的需要。

4 討論

本文在我國(guó)建設(shè)生態(tài)文明、國(guó)土生態(tài)修復(fù)戰(zhàn)略背景下, 以典型區(qū)為案例, 基于成本效益原則, 采用中分辨率遙感數(shù)據(jù), 探索研究具有水土保持和生態(tài)修復(fù)價(jià)值的山蒿植被優(yōu)勢(shì)群落集中分布區(qū)識(shí)別方法。

林草生態(tài)建設(shè)堅(jiān)持自然恢復(fù)為主的原則, 符合尊重自然、順應(yīng)自然的宗旨。研究區(qū)生態(tài)環(huán)境脆弱,而山蒿有很強(qiáng)的抗貧瘠和耐旱能力, 山蒿植被對(duì)于自然生態(tài)系統(tǒng)的穩(wěn)定性和生態(tài)服務(wù)功能具有較大價(jià)值。因此, 因地制宜以自然修復(fù)為主-——加強(qiáng)山蒿植被保護(hù), 自然恢復(fù)與人工修復(fù)相結(jié)合——保護(hù)當(dāng)?shù)刈匀恢脖慌c人工造林相結(jié)合, 順應(yīng)了生態(tài)文明建設(shè)的目標(biāo)。本文對(duì)于山蒿資源集中分布區(qū)的識(shí)別能夠掌握山蒿植被分布特征, 對(duì)植被生態(tài)保護(hù)提供了基礎(chǔ)。根據(jù)植被的光譜反射、植被指數(shù)、紋理以及地形分布特征, 利用決策樹方法構(gòu)建某種植被的識(shí)別模型和進(jìn)行土地利用分類十分廣泛, 使用這種方法探索的山蒿植被信息識(shí)別模型效果好, 對(duì)于其他地區(qū)山蒿信息提取同樣具有技術(shù)參考價(jià)值。

表4 山蒿信息提取精度評(píng)價(jià)

本文構(gòu)建的山蒿信息識(shí)別模型是對(duì)山蒿識(shí)別的初步探索, 可用于宏觀了解山蒿分布特征, 對(duì)于精準(zhǔn)掌握其分布信息有待更深入的研究; 例如使用的遙感影像像元分辨率還不夠大, 識(shí)別精度還不夠高; 草地與山蒿、檸條與山蒿的交界處容易產(chǎn)生混合像元; 而且植被長(zhǎng)勢(shì)與稀疏程度也會(huì)影響分類結(jié)果, 使山蒿信息提取產(chǎn)生誤差。因此, 選取更高精度的影像數(shù)據(jù), 探討綜合利用面向像元和面向?qū)ο蟮忍崛》椒? 提高山蒿信息的分類精度是未來(lái)可進(jìn)一步研究的方向。本文建立的山蒿信息識(shí)別決策樹模型是在逐步排除其他地物的情況下完成的, 對(duì)于探索山蒿植被區(qū)別于其他地物的獨(dú)有特征, 尋找如何直接識(shí)別山蒿遙感特性的方法有待進(jìn)一步探索和研究。

與其他植被信息提取研究結(jié)果相比較(表5), 高分辨率遙感數(shù)據(jù)的分類精度高, 采用GF數(shù)據(jù)和Worldview-2數(shù)據(jù)分類精度大于90%, Kappa系數(shù)在0.9左右; 中分辨率遙感影像在土地利用分類中分類精度通常80%左右, kappa系數(shù)大于0.75, 但這些研究是做一級(jí)分類, 并非對(duì)具體的植物類型進(jìn)行識(shí)別。利用中分辨率影像HJ-1A/B CCD數(shù)據(jù)對(duì)林區(qū)植被進(jìn)行分類, 分類精度略大于70%, Kappa系數(shù)0.67, 與本文的研究結(jié)果接近。本研究分類精度偏低的原因可能在于: 首先, 本研究中山蒿識(shí)別模型是對(duì)一個(gè)典型區(qū)域進(jìn)行研究后推廣應(yīng)用于周邊地區(qū)得出的總結(jié)果, 而參考文獻(xiàn)中均是直接對(duì)整個(gè)研究區(qū)進(jìn)行研究得出的; 其次, 中分辨率影像精度有限, 混合像元對(duì)提取結(jié)果的準(zhǔn)確性影響較大。但基于識(shí)別山蒿這種相對(duì)低矮的小灌木狀草本植物的集中分布區(qū), 此精度還是可以接受的。

5 結(jié)論

(1) 利用多時(shí)相遙感影像, 根據(jù)內(nèi)蒙古自治區(qū)興安盟突泉縣學(xué)田鄉(xiāng)山蒿分布區(qū)的特點(diǎn), 結(jié)合地形特征、NDVI指數(shù)和GNDVI指數(shù), 構(gòu)建山蒿信息提取模型, 將該模型應(yīng)用于六戶鎮(zhèn)、永安鎮(zhèn)和東杜爾基鎮(zhèn)的山蒿分布區(qū), 總體分類精度為78.65%, Kappa系數(shù)為0.63, 山蒿信息提取的制圖精度72.13%, 用戶精度為75.7%。

(2) 山蒿生長(zhǎng)于低山丘陵區(qū), 野外調(diào)查耗費(fèi)大量人力物力, 基于遙感影像提取山蒿信息是可行的, 本研究的山蒿信息識(shí)別模型具有可推廣性, 提取效果比較理想, 容易操作, 適用于與研究區(qū)類似區(qū)域

的山蒿信息提取, 滿足山蒿集中分布區(qū)識(shí)別和山蒿植被生態(tài)保護(hù)規(guī)劃的需要。

表5 本研究與其他研究分類精度對(duì)比

(3) 本研究建立的山蒿信息識(shí)別模型可用于宏觀調(diào)查山蒿分布特征, 但從精度檢驗(yàn)結(jié)果上看, 草地和檸條與山蒿的交界處容易產(chǎn)生混合像元, 而且植被長(zhǎng)勢(shì)與稀疏程度也會(huì)影響分類結(jié)果, 使山蒿信息提取產(chǎn)生誤差, 影響提取精度, 因此, 如何消除這些干擾因素, 進(jìn)一步提高山蒿信息的分類精度是下一步深入研究的重點(diǎn)。

[1] 中國(guó)植物志編輯委員會(huì). 中國(guó)植物志(20卷)[M]. 北京: 科學(xué)出版社, 2011.

[2] 王國(guó)強(qiáng). 全國(guó)中草藥匯編(卷一)[M]. 北京: 人民衛(wèi)生出版社, 2014.

[3] HU Junpeng, WANG Wenxia, DAI Jiali, et al. Chemical composition and biological activity against Tribolium castaneum (Coleoptera: Tenebrionidae) of Artemisia brachyloba essential oil [J]. Industrial Crops and Products, 2019, 128: 29–37.

[4] ZHANG Puming, ZHANG Cheng, ZENG Kewu, et al. Lignans and flavonoids from Artemisia brachyloba[J]. Journal of Chinese Pharmaceutical Sciences, 2018, 27(6): 429–435.

[5] 魏建兵, 孫曉倩, 侯永俠, 等. 山蒿生物學(xué)特征及其生態(tài)保護(hù)應(yīng)用價(jià)值潛力初探[J]. 環(huán)境生態(tài)學(xué), 2019, 1(3): 10–14.

[6] 王舉鳳, 何亮, 陸紹娟, 等. 內(nèi)蒙古不同類型草原光合植被覆蓋度對(duì)降水變化的響應(yīng)[J]. 生態(tài)學(xué)報(bào), 2020, 40(16): 1–10.

[7] 趙其國(guó), 黃國(guó)勤, 馬艷芹. 中國(guó)生態(tài)環(huán)境狀況與生態(tài)文明建設(shè)[J]. 生態(tài)學(xué)報(bào), 2016, 36(19): 6328–6335.

[8] 李孟倩, 蘇世宗. 基于Landsat8-OLI遙感影像水稻種植區(qū)提取方法研究[J]. 華北理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 2019, 41(3): 26–33+59.

[9] 趙文亮, 賀振, 賀俊平, 等. 基于MODIS-NDVI的河南省冬小麥產(chǎn)量遙感估測(cè)[J]. 地理研究, 2012, 31(12): 2310–2320.

[10] YUAN Jingguo, WANG Wei. Identification of Forest Vegetation Using Vegetation Indices[J]. Chinese Journal of Population, Resources and Environment, 2004, 2(4): 12–16.

[11] ELHADI A, ONISIOM M, DENIS R. Multispectral and hyperspectral remote sensing for identification and mapping of wetland vegetation: a review[J]. Wetlands Ecology and Management, 2010, 18(3): 281–296.

[12] RAPINEL S, CLEMENT B, MAGNANON S, et al. Identification and mapping of natural vegetation on a coastal site using a Worldview-2 satellite image[J]. Journal of environmental management, 2014, 144: 236–246.

[13] ANA M C, DANNIEL R, MARCELO R Z, et al. Mapping vegetation in a heterogeneous mountain rangeland using landsat data: an alternative method to define and classify land-cover units[J]. Remote Sensing of Environment, 2004, 92(1): 84–97.

[14] SANDAMALI K U J, WELIKANNA D R. Deforestation or Reforestation, A Time Series Remote Sensing Perspective of Wilpattu National Park, Sri Lanka[J]. Journal of Applied Mathematics and Computation, 2018, 2(10): 473–482.

[15] ZHANG C Y, SMITH M, LV J, et al. Applying time series Landsat data for vegetation change analysis in the Florida Everglades Water Conservation Area 2A during 1996– 2016[J]. International Journal of Applied Earth Observa-tions and Geoinformation, 2017, 57: 214–223.

[16] SCHWIEDER M, LEITAO P J, MERCEDES M C B, et al. Mapping Brazilian savanna vegetation gradients with Landsat time series[J]. International Journal of Applied Earth Observations and Geoinformation, 2016, 52: 361–370.

[17] 劉杰, 劉振波, 劉吉?jiǎng)P, 等. 基于單時(shí)相Landsat8-OLI影像的棉花提取技術(shù)研究[J]. 科學(xué)技術(shù)與工程, 2014, 14(33): 28–33.

[18] 王月如, 韓鵬鵬, 關(guān)舒婧, 等. 基于Landsat8 OLI數(shù)據(jù)的富貴竹種植區(qū)域信息提取[J]. 國(guó)土資源遙感, 2019, 31(1): 133–140.

[19] 白燕英, 高聚林, 張寶林. 基于Landsat8影像時(shí)間序列NDVI的作物種植結(jié)構(gòu)提取[J]. 干旱區(qū)地理, 2019, 42(4): 893–901.

[20] 李曉東, 姜琦剛. 基于多時(shí)相遙感數(shù)據(jù)的吉林西部土地覆被分類提取[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(9): 173–178.

[21] 郭鈮. 植被指數(shù)及其研究進(jìn)展[J]. 干旱氣象, 2003, 21(4): 71–75.

[22] 周在明, 楊燕明, 陳本清. 基于無(wú)人機(jī)影像的灘涂入侵種互花米草植被信息提取與覆蓋度研究[J]. 遙感技術(shù)與應(yīng)用, 2017, 32(4): 714–720.

[23] 楊超, 鄔國(guó)鋒, 李清泉, 等. 植被遙感分類方法研究進(jìn)展[J]. 地理與地理信息科學(xué), 2018, 34(4): 24–32.

[24] 張榮群, 王盛安, 高萬(wàn)林, 等. 基于時(shí)序植被指數(shù)的縣域作物遙感分類方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(S1): 246–252.

[25] GITELSON A A, MERZLYAK M N. Remote sensing of chlorophyll concentration in higher plant leaves[J]. Advances in Space Research, 1998, 22(5): 689–692.

[26] 劉心云, 鄭江華. 基于分形紋理特征的新疆羅布麻遙感分類[J]. 中山大學(xué)學(xué)報(bào)(自然科學(xué)版), 2019, 58(1): 22–29.

[27] 張俊瑤, 姚永慧, 索南東主, 等. 基于垂直帶譜的太白山區(qū)山地植被遙感信息提取[J]. 地球信息科學(xué)學(xué)報(bào), 2019, 21(8): 1284–1294.

[28] 楊屹鹍, 蔣平安, 武紅旗, 等. 基于高分一號(hào)與Landsat 8衛(wèi)星影像的庫(kù)爾勒市香梨種植面積識(shí)別研究[J]. 山東農(nóng)業(yè)科學(xué), 2018, 50(1): 153–157.

[29] 楊朝輝, 白俊武, 陳志輝, 等. 利用Sentinel-2A影像的面向?qū)ο筇卣鳚竦貨Q策樹分類方法[J]. 測(cè)繪科學(xué)技術(shù)學(xué)報(bào), 2019, 36(3): 262–268.

[30] 裴歡, 孫天嬌, 王曉妍. 基于Landsat 8 OLI影像紋理特征的面向?qū)ο笸恋乩?覆蓋分類[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(2): 248–255.

[31] 李夢(mèng)瑩, 胡勇, 王征禹. 基于C5.0決策樹和時(shí)序HJ-1A/B CCD數(shù)據(jù)的神農(nóng)架林區(qū)植被分類[J]. 長(zhǎng)江流域資源與環(huán)境, 2016, 25(7): 1070–1077.

Vegetation information extraction ofFranch based on Landsat8-OLI images

ZHANG Na1, WEI Jianbing1,*, LIU Jingqi1, ZHANG Xingyi2, WANG Yuxi3

1. Key Laboratory of Eco-restoration of Regional Contaminated Environment, Shenyang University, Shenyang 110044, China 2. Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, Harbin 150081, China 3. Heilongjiang Province Hydraulic Research Institute, Harbin 150080, China

Franch is a kind of secondary plant widely distributed in the low mountains and hills of the arid and semi-arid areas in the north of China. According to field investigations and the author's previous studies, it is believed thatFranch has the value of ecological protection and resource utilization. For developing survey method of concentrated distribution area of dominant community of this plant, this article took Tuquan County, Xing'an League, Inner Mongolia Autonomous Region as an example, selected multi temporal remote sensing images of Landsat 8-OLI in 2017, established rule set according to terrain characteristics, NDVI and GNDVI, constructed decision tree model for vegetation information extraction ofFranch, and carried out extraction experiment and accuracy verification in typical areas. The results showed that the overall accuracy of remote sensing extraction was 78.65%, kappa coefficient was 0.63, the mapping accuracy was 72.13%, and the user accuracy was 75.7%. It is feasible to use this model to extractFranch information. The research results can provide ideas for further improvement and construction of vegetation information extraction methods, as well as for monitoring spatial distribution change ofFranch and provides decision support for ecological protection planning and management practices.

Franch; vegetation information extraction; NDVI; GNDVI; Landsat8-OLI images

10.14108/j.cnki.1008-8873.2022.04.018

X87

A

1008-8873(2022)04-151-13

2020-07-19;

2020-08-19

國(guó)家重點(diǎn)科技研發(fā)計(jì)劃重點(diǎn)專項(xiàng)(2017YFC0504204)

張娜(1996—), 女, 山東萊蕪人, 碩士研究生, 研究方向?yàn)榄h(huán)境可持續(xù)發(fā)展與規(guī)劃, E-mail: 1966219435@qq.com

通信作者:魏建兵(1972—), 男, 山西汾陽(yáng)人, 博士, 教授, 主要從事景觀生態(tài)學(xué)、遙感和地理信息系統(tǒng)應(yīng)用教學(xué)和科研工作, E-mail: oliver1208@sina.com

張娜, 魏建兵, 劉景琦,等. 基于Landsat8-OLI影像的山蒿植被信息提取研究[J]. 生態(tài)科學(xué), 2022, 41(4): 151–163.

ZHANG Na, WEI Jianbing, LIU Jingqi, et al. Vegetation information extraction ofFranch based on Landsat8-OLI images[J]. Ecological Science, 2022, 41(4): 151–163.