摘" 要：天然橡膠作為世界上重要的工業(yè)原料，也是老撾農(nóng)民收入的重要組成部分，受替代種植政策和橡膠價(jià)格變化的影響，準(zhǔn)確快速地監(jiān)測(cè)當(dāng)?shù)厝斯は鹉z林對(duì)于促進(jìn)橡膠產(chǎn)業(yè)的良性發(fā)展具有重要意義。目前大部分研究都集中在小區(qū)域的橡膠林提取，多為單時(shí)相或雙時(shí)相影像的分類提取，無(wú)法得到長(zhǎng)時(shí)間序列的橡膠林?jǐn)U張?zhí)卣鳌樘骄块L(zhǎng)時(shí)間、大尺度的橡膠林種植擴(kuò)張?zhí)卣鳎狙芯窟x取1990—2020年連續(xù)30年的Landsat時(shí)間序列影像，利用LandTrendr算法對(duì)老撾30年間橡膠林變化進(jìn)行提取，并借助國(guó)際橡膠期貨價(jià)格和地形數(shù)據(jù)進(jìn)行時(shí)空變化分析。結(jié)果表明：經(jīng)過(guò)優(yōu)選后的特征組合可以更好地進(jìn)行橡膠林分布提取，2020年橡膠林分布提取的總體精度為89.85%，Kappa系數(shù)為0.82，得出老撾在2020年的橡膠林總面積為32.1萬(wàn)hm2；使用LandTrendr算法和二次分類的橡膠林?jǐn)U張變化監(jiān)測(cè)總體精度為92.44%，Kappa系數(shù)為0.82；老撾人工橡膠林的擴(kuò)張和橡膠期貨市場(chǎng)密切相關(guān)，通過(guò)地形因素分析，得出橡膠林適宜種植在低海拔、坡度平緩且向陽(yáng)的區(qū)域。本研究能夠很好地在國(guó)家尺度上對(duì)橡膠林變化進(jìn)行長(zhǎng)時(shí)間的監(jiān)測(cè)，為橡膠產(chǎn)業(yè)的發(fā)展和政策的把控提供數(shù)據(jù)支撐。

關(guān)鍵詞：老撾；人工橡膠林；LandTrendr算法；Landsat；變化檢測(cè)中圖分類號(hào)：S31" " " 文獻(xiàn)標(biāo)志碼：A

Remote Sensing Identification and Expansion Monitoring of Rubber Forests in Laos Based on LandTrendr

JU Wanglong1， ZHAN Zhenghao2， QIN Zhenyu1， ZHANG Jun2*

1. Institute of International Rivers and Eco-security， Yunnan University， Kunming， Yunnan 650500， China; 2. School of Earth Sciences， Yunnan University， Kunming， Yunnan 650500， China

Abstract： Natural rubber， a crucial industrial raw material worldwide， and a significant part of the income for Laotian farmers， is influenced by alternative planting policies and fluctuations in rubber prices. Aaccurate and rapid monitoring of local artificial rubber plantation is of crucial significance for promoting the sustainable development of the rubber industry. Most research has focused on the extraction of rubber plantation information in small areas， typically utilizing single or dual-temporal image classification， which fails to capture the long-term expansion characteristics of rubber forests. To investigate the long-term， large-scale expansion features of rubber plantation， this study selected a continuous thirty-year Landsat time series imagery from 1990 to 2020. The LandTrendr algorithm was employed to extract changes in rubber plantation across Laos over the three decades. International rubber futures prices and terrain data were also utilized for spatiotemporal change analysis. The selected feature combination， after optimization， can better extract rubber forest distribution. The overall accuracy of rubber forest distribution extraction in 2020 was 89.85%， with a Kappa coefficient of 0.82， revealing Laos’ rubber plantation area to be 321 000 hectares in 2020. The overall accuracy of rubber forest expansion change monitoring using the LandTrendr algorithm and secondary classification was 92.44%， with a Kappa coefficient of 0.82. The expansion of artificial rubber forests in Laos was closely related to the rubber futures market. Through terrain factor analysis， it is deduced that rubber forests are suitable for planting in low-altitude， gently sloping， and sunny areas. This study effectively monitors changes in rubber forests at the national level over an extended period， providing valuable data support for the development of the rubber industry and policy control.

Keywords： Laos; planted rubber forest; LandTrendr algorithm; Landsat; change detection

DOI： 10.3969/j.issn.1000-2561.2024.08.023

天然橡膠作為重要的工業(yè)原料是國(guó)防和工業(yè)建設(shè)不可或缺的戰(zhàn)略資源，已成為中國(guó)國(guó)民經(jīng)濟(jì)的基礎(chǔ)產(chǎn)業(yè)之一[1]。橡膠樹(shù)作為重要的經(jīng)濟(jì)作物在熱帶地區(qū)農(nóng)民增收和經(jīng)濟(jì)發(fā)展中發(fā)揮著越來(lái)越重要的作用[2]。全球天然橡膠的生產(chǎn)地高度集中，東南亞地區(qū)的天然橡膠產(chǎn)品占全球的90%以上。而老撾的橡膠種植得益于馬來(lái)西亞、泰國(guó)等先行國(guó)的經(jīng)驗(yàn)，在國(guó)家市場(chǎng)的強(qiáng)勁需求下，發(fā)展迅速，橡膠種植面積和產(chǎn)量得到大幅提升，成為東南亞橡膠新的增長(zhǎng)點(diǎn)[3]。同時(shí)，老撾的橡膠種植也受中國(guó)境外罌粟替代種植政策的影響，老撾的南塔省、烏多姆賽省、豐沙里省開(kāi)展替代種植的主要農(nóng)作物就包含天然橡膠，這極大地促進(jìn)了當(dāng)?shù)氐慕?jīng)濟(jì)社會(huì)發(fā)展[4]。老撾橡膠產(chǎn)業(yè)飛速發(fā)展的同時(shí)，大量的原始森林被砍伐用于滿足橡膠林的擴(kuò)張，給生態(tài)環(huán)境帶來(lái)嚴(yán)重影響。利用遙感技術(shù)提取天然橡膠林種植的空間分布信息，對(duì)橡膠林進(jìn)行長(zhǎng)時(shí)序的擴(kuò)張監(jiān)測(cè)，獲取橡膠林種植的時(shí)空變化特征，是開(kāi)展橡膠林長(zhǎng)勢(shì)、災(zāi)害、產(chǎn)量遙感監(jiān)測(cè)的重要前置條件[5]。

變化檢測(cè)作為林業(yè)遙2感領(lǐng)域的研究熱點(diǎn)，經(jīng)過(guò)多年的發(fā)展，已經(jīng)取得了大量的研究成果。隨著美國(guó)地質(zhì)調(diào)查局（USGS）對(duì)Landsat數(shù)據(jù)的免費(fèi)開(kāi)放，可以將這些數(shù)據(jù)應(yīng)用于區(qū)域尺度和全球尺度的森林信息提取[6]。而森林變化分析作為變化檢測(cè)中重要的組成部分，變化較為頻繁且干擾類型復(fù)雜多樣，不同區(qū)域不同時(shí)期的森林變化所適用的變化檢測(cè)方法也有所不同[7]?；贚andsat影像數(shù)據(jù)的森林變化檢測(cè)方法在近10年得到非常大的發(fā)展，在此基礎(chǔ)上，也有不少研究將這些方法應(yīng)用于橡膠林種植擴(kuò)張研究，并取得了不錯(cuò)的成果[8]。與其他變化檢測(cè)方法不同，LandTrendr算法對(duì)于影像的要求較低，通過(guò)自定義時(shí)間窗口，每年獲得一幅完整清晰的影像即可進(jìn)行變化檢測(cè)，且生成的基于軌跡的光譜時(shí)間序列數(shù)據(jù)基本上不存在年際信號(hào)噪聲，對(duì)于東南亞這種多云多雨的區(qū)域有著較好的適用性。

目前對(duì)人工橡膠林的研究多集中于海南島等小區(qū)域，且使用決策樹(shù)方法進(jìn)行單時(shí)相種植區(qū)域識(shí)別，對(duì)大范圍的人工橡膠林識(shí)別和變化檢測(cè)研究很少。本研究將單時(shí)相的隨機(jī)森林分類和基于LandTrendr算法的變化檢測(cè)相結(jié)合，對(duì)老撾進(jìn)行連續(xù)30年的人工橡膠林?jǐn)U張監(jiān)測(cè)，總結(jié)出一套適用于大范圍人工橡膠林?jǐn)U張監(jiān)測(cè)的方法。通過(guò)對(duì)老撾人工橡膠林的擴(kuò)張監(jiān)測(cè)，可以為中國(guó)橡膠產(chǎn)業(yè)的發(fā)展和政策制定提供數(shù)據(jù)支撐。

1" 材料與方法

1.1" 研究區(qū)概況

老撾位于東南亞，是一個(gè)位于中南半島內(nèi)陸的國(guó)家，其國(guó)土面積為23.68萬(wàn)km2。老撾地勢(shì)南北高低不平，北部與中國(guó)云南的滇西高原相接，東部與老撾和越南的邊境地區(qū)形成由長(zhǎng)山山脈構(gòu)成的高原，西部則為湄公河谷地和湄公河及其支流沿岸的盆地和少量平原。老撾屬于熱帶和亞熱帶季風(fēng)氣候，5—10月為雨季，11月至次年4月為旱季。全境降水量充沛，一般年降水量為2000 mm。

老撾的橡膠樹(shù)種植開(kāi)始于1930年，自2000年以來(lái)，天然橡膠種業(yè)發(fā)展迅速，主要的驅(qū)動(dòng)力包括其國(guó)內(nèi)和國(guó)際兩方面因素，主要是由于大規(guī)模土地租賃特許權(quán)的開(kāi)放[9]。

1.2" 數(shù)據(jù)源

1.2.1" 數(shù)據(jù)源和預(yù)處理" Landsat是美國(guó)航空航天局（NASA）與美國(guó)地質(zhì)調(diào)查局（USGS）的聯(lián)合計(jì)劃，該計(jì)劃提供了較長(zhǎng)時(shí)間的連續(xù)基空觀測(cè)記錄。

本研究使用1990—2020年的Landsat 5/7/8衛(wèi)星獲得的遙感影像數(shù)據(jù)，所有的Landsat數(shù)據(jù)均為L(zhǎng)evel 2-Collection 2-Tier 1級(jí)別，均來(lái)自GEE平臺(tái)。Level 2表示數(shù)據(jù)經(jīng)過(guò)了幾何校正、輻射定標(biāo)和大氣校正；Collection 2表示USGS對(duì)Landsat檔案進(jìn)行的第二次重大再處理工作，實(shí)現(xiàn)了多項(xiàng)數(shù)據(jù)產(chǎn)品改進(jìn)；Tier 1表示具有最高數(shù)據(jù)質(zhì)量的Landsat影像，并被認(rèn)為適合于時(shí)間序列分析[10]，在此數(shù)據(jù)的基礎(chǔ)上進(jìn)行去云處理就可以進(jìn)行相關(guān)研究。

完全覆蓋研究區(qū)域需要25景Landsat影像（path： 125～130， row： 44～51）。為了做到連續(xù)變化檢測(cè)，需要消除不同Landsat衛(wèi)星之間傳感器差異造成的影響，本研究將Landsat 8進(jìn)行與Landsat 5/7相同的輻射校正參數(shù)，便于后期的纓帽變換處理。

除了Landsat影像數(shù)據(jù)之外，本研究還用到分辨精度為30 m的SRTM 1地形數(shù)據(jù)，這是由美國(guó)在2000年2月11日測(cè)量的覆蓋全球80%以上陸地面積的數(shù)字高程模型DEM（Digital Elevation Model）數(shù)據(jù)。本研究使用DEM數(shù)據(jù)提取坡度、坡向等地形輔助因子數(shù)據(jù)，有助于提高分類精度。

World Cover數(shù)據(jù)集是歐洲航天局（ESA）聯(lián)合全球多家科研機(jī)構(gòu)，共同制作的2020年全球土地覆蓋產(chǎn)品，分辨率為10 m，基于Sentinel-1和Sentinel-2數(shù)據(jù)進(jìn)行制作，將該數(shù)據(jù)集中包含森林的部分進(jìn)行掩膜提取[11]。

1.2.2" 樣本點(diǎn)數(shù)據(jù)" 為了對(duì)現(xiàn)有橡膠林的分布進(jìn)行提取，需要有數(shù)量充足且準(zhǔn)確的樣本點(diǎn)進(jìn)行分類訓(xùn)練和驗(yàn)證。本研究主要選取5種地物類型，分別為橡膠林、森林、耕地、水體和建成區(qū)。樣本點(diǎn)的來(lái)源是年度全球土地利用數(shù)據(jù)和Google Earth（https：//google.cn/earth/）的歷史高分辨率衛(wèi)星影像，還有一些橡膠替代種植企業(yè)提供的數(shù)據(jù)。對(duì)于除橡膠林外的4種地物類型，本研究使用2020年ESA全球土地覆蓋10 m分辨率數(shù)據(jù)（https：//esa-worldcover.org/en）進(jìn)行隨機(jī)樣本點(diǎn)的生成，之后利用Google Earth對(duì)樣本點(diǎn)進(jìn)行比對(duì)和修改，刪除明顯錯(cuò)誤的樣本點(diǎn)，再添加目視解譯和企業(yè)提供數(shù)據(jù)獲得的橡膠林樣本點(diǎn)數(shù)據(jù)。最終獲得9901個(gè)樣本點(diǎn)，其中包括橡膠林樣本2346個(gè)，森林樣本4630個(gè)，耕地樣本431個(gè)，建成區(qū)樣本2395個(gè)和水體樣本99個(gè)，其中70%用于隨機(jī)森林模型的樣本訓(xùn)練，其余30%用于精度驗(yàn)證。

借助Google Earth提供的高清歷史影像和LandTrendr算法擬合的時(shí)間序列曲線獲取變化和非變化樣本區(qū)域，最終共獲得450個(gè)樣本，其中帶有大致變化年份的樣本324個(gè)，未發(fā)生變化的樣本126個(gè)，將用于橡膠林變化制圖的精度評(píng)估。

1.3" 方法

1.3.1" 橡膠林種植分布提取" 隨機(jī)森林是通過(guò)集成學(xué)習(xí)的Bagging思想將多棵樹(shù)集成的一種算法，其基本單元為決策樹(shù)。隨機(jī)森林在多光譜、多時(shí)相遙感影像分類中，具有速度快和精度高等優(yōu)點(diǎn)[12]。在進(jìn)行隨機(jī)森林分類時(shí)，需要考慮特征個(gè)數(shù)和決策樹(shù)棵數(shù)，針對(duì)不同的特征組合選擇合適的參數(shù)，可以在保證效率的情況下得到更高的精度。

對(duì)于Landsat 8影像，本研究選取6個(gè)基礎(chǔ)波段和4個(gè)光譜指數(shù)作為特征因子。6個(gè)基礎(chǔ)波段分別為藍(lán)、綠、紅、近紅外、短波紅外1和短波紅外2，4個(gè)光譜指數(shù)分別為歸一化植被指數(shù)、歸一化水體指數(shù)、歸一化建筑指數(shù)和綠紅植被指數(shù)。紋理特征是一種全局特征，反映圖像中同質(zhì)現(xiàn)象的視覺(jué)特征?；叶裙采仃嚕℅LCM）的統(tǒng)計(jì)方法是在假定圖像中各像素間的空間分布關(guān)系包含了圖像紋理信息的前提下，提出的具有廣泛性的紋理分析方法[13]。在GLCM的基礎(chǔ)上計(jì)算描述紋理特征的統(tǒng)計(jì)屬性，可以獲得8個(gè)常用的紋理特征，分別為均值（mean）、方差（variance）、同質(zhì)度（homogeneity）、對(duì)比度（contrast）、非相似性（dissimilarity）、熵（entropy）、角二階矩（ASM）和相關(guān)性（correlation）。通過(guò)纓帽變換，可以獲得反映多光譜遙感中的土壤和植被信息，分別為亮度、綠度和濕度。利用DEM數(shù)據(jù)，可以提取出高程、坡度和坡向，作為分類的特征因子。

在隨機(jī)森林算法中，訓(xùn)練樣本會(huì)通過(guò)有放回的隨機(jī)抽樣進(jìn)行t次抽樣，并進(jìn)入到并行的t個(gè)決策樹(shù)中。這樣的抽樣方式會(huì)導(dǎo)致有部分訓(xùn)練集中的樣本無(wú)法進(jìn)入決策樹(shù)中，而這些未被采集的樣本就叫做袋外數(shù)據(jù)（Out of Bag， OOB），通過(guò)袋外數(shù)據(jù)可以檢測(cè)模型的泛化能力，相當(dāng)于交叉驗(yàn)證[14]。對(duì)于這些特征，利用隨機(jī)森林算法中的特征重要性和OOB袋外誤差進(jìn)行篩選，進(jìn)行最佳特征組合，避免信息冗余。

1.3.2" 橡膠林?jǐn)U張監(jiān)測(cè)" LandTrendr是一組光譜- 時(shí)間分割算法，是針對(duì)多波段Landsat影像的時(shí)間序列開(kāi)發(fā)，用于檢測(cè)變化以及對(duì)在變化發(fā)生之前和之后的土地覆蓋進(jìn)行分類。對(duì)于森林類型的土地覆蓋，該算法可以捕獲突然發(fā)生的干擾事件，例如砍伐和火災(zāi)[15]。LandTrendr算法可以通過(guò)擬合時(shí)間序列曲線對(duì)不同像元進(jìn)行擾動(dòng)檢測(cè)，通過(guò)光譜變化軌跡簡(jiǎn)化后的重要特征，例如變化發(fā)生的年份、變化持續(xù)時(shí)間、變化強(qiáng)度、變化前后的光譜值等，從而獲得森林變化的基本信息。具體的擬合公式如下：

式中，代表擬合的曲線，代表時(shí)間序列中的時(shí)間點(diǎn)，是Legendre多項(xiàng)式的系數(shù)，是Legendre多項(xiàng)式的第階，代表擬合曲線的階數(shù)，通常根據(jù)具體情況選擇。

歸一化燃燒指數(shù)（normalized burn ratio， NBR）是一種遙感影像指數(shù)，可以很好地反映植被狀況，從而對(duì)森林的變化較為敏感，經(jīng)常被用于檢測(cè)森林?jǐn)_動(dòng)和生態(tài)恢復(fù)過(guò)程[16]，其計(jì)算公式為：

式中，NIR代表近紅外波段的反射值，SWIR代表短波紅外波段的反射值。

研究區(qū)內(nèi)的橡膠林具有明顯的物候特征，直接體現(xiàn)在葉的抽發(fā)和凋落，在12月底橡膠林開(kāi)始落葉，到次年3月開(kāi)始進(jìn)入新葉抽發(fā)期。為避免落葉期光譜指數(shù)對(duì)識(shí)別的影響，將每年4月20日—12月10日作為綠葉期，試驗(yàn)選擇的影像均為綠葉期的影像。將1990—2020年綠葉期的Landsat影像輸入LandTrendr算法，再使用CFMask算法進(jìn)行云和陰影的掩膜，獲得一組連續(xù)的無(wú)云Landsat時(shí)間序列影像集。對(duì)時(shí)間序列影像集進(jìn)行森林的柵格掩膜，可以有效避免類似森林的地物變化對(duì)變化檢測(cè)產(chǎn)生的干擾，例如灌木叢的砍伐、密集農(nóng)田的棄耕和復(fù)墾。

對(duì)掩膜后的影像集進(jìn)行逐像元的NBR計(jì)算，將計(jì)算得到的NBR值按照時(shí)間順序排列，將NBR時(shí)間序列作為L(zhǎng)andTrendr算法的輸入數(shù)據(jù)，算法會(huì)在NBR時(shí)間序列中檢測(cè)變化點(diǎn)，識(shí)別和描述地表特征的變化。通過(guò)設(shè)置參數(shù)，對(duì)趨勢(shì)線進(jìn)行擬合，獲得一條地表特征隨著時(shí)間變化的趨勢(shì)線，通過(guò)對(duì)突變時(shí)間、持續(xù)時(shí)間、前后數(shù)值變化來(lái)判斷是否發(fā)生了森林?jǐn)_動(dòng)。通過(guò)查閱文獻(xiàn)和反復(fù)試驗(yàn)，本研究的LandTrendr算法參數(shù)如表1所示。

通過(guò)LandTrendr算法檢測(cè)出的森林?jǐn)_動(dòng)除了包含橡膠林種植，還包括火燒、城市擴(kuò)張、農(nóng)田種植等原因，需要通過(guò)二次分類將檢測(cè)到的森林?jǐn)_動(dòng)進(jìn)行區(qū)分，篩選出由于橡膠林種植造成的森林?jǐn)_動(dòng)。該算法生成的圖像共包含6個(gè)波段，包括擾動(dòng)發(fā)生的年份、擾動(dòng)強(qiáng)度、持續(xù)時(shí)間、變化普遍性、變化速率和檢測(cè)信噪比。除擾動(dòng)發(fā)生年份外，其他信息可有助于區(qū)分是否為橡膠林種植引起的森林?jǐn)_動(dòng)。根據(jù)這些信息進(jìn)行二次分類可以獲得橡膠林?jǐn)_動(dòng)變化圖，再使用2020年橡膠林分布圖掩膜掉非橡膠林種植的區(qū)域，可以進(jìn)一步避免其他森林?jǐn)_動(dòng)類型對(duì)于試驗(yàn)的干擾。

1.3.3" 分類精度評(píng)價(jià)" 在使用隨機(jī)森林進(jìn)行分類后，計(jì)算混淆矩陣的總體分類精度和Kappa系數(shù)來(lái)判斷分類準(zhǔn)確與否?？傮w精度為正確分類的像元總和除以總像元數(shù)，而Kappa系數(shù)用于衡量分類精度，檢驗(yàn)一致性[17]。當(dāng)Kappa系數(shù)小于0.40時(shí)，表明一致性不理想；當(dāng)Kappa系數(shù)為0.40～0.60時(shí)，表明一致性效果一般；當(dāng)Kappa系數(shù)大于0.60時(shí)，表明參考的分類結(jié)果和橡膠提取的結(jié)果二者之間的一致性較強(qiáng)[18]。其計(jì)算公式為：

式中，OA表示分類正確的樣本個(gè)數(shù)占所有樣本個(gè)數(shù)的比例；TP表示實(shí)際為正類的樣本被正確地分類為正類的數(shù)量；TN表示實(shí)際為負(fù)類的樣本被正確地分類為負(fù)類的數(shù)量；FN表示實(shí)際為正類的樣本被錯(cuò)誤地分類為負(fù)類的數(shù)量；FP為實(shí)際為負(fù)類的樣本被錯(cuò)誤地分類為正類的數(shù)量；N表示類別個(gè)數(shù)的總和；r表示類別；i為矩陣中元素所在位置的行數(shù)和列數(shù)；xii為誤差矩陣對(duì)角線元素；xi+為類別的列總和；x+i為類別的行總和；PA為生產(chǎn)者精度；UA為用戶精度。

1.3.4" 橡膠林?jǐn)U張時(shí)空變化分析" 橡膠林的種植需要先找到適合種植橡膠的土地，然后清理、平整土地，確保適宜的土壤條件，再將培育的橡膠幼苗移植到準(zhǔn)備好的土地上，并按照一定的間距進(jìn)行定植，便于植株的生長(zhǎng)和管理。本研究將發(fā)生擾動(dòng)后的第一年作為橡膠林的種植年份[19]。同時(shí)結(jié)合國(guó)際橡膠歷史價(jià)格對(duì)橡膠林種植年份進(jìn)行分析，分析其相關(guān)性。

同時(shí)，種植橡膠樹(shù)對(duì)海拔、坡度和坡向有一定的要求，海拔高度一般低于950 m；坡向盡量選擇陽(yáng)坡和半陽(yáng)坡，不宜選擇陰坡；坡度大于35°的區(qū)域不宜種植。通過(guò)DEM數(shù)據(jù)計(jì)算每個(gè)像元所包含的坡度和坡向信息，將橡膠林變化數(shù)據(jù)與地形特征相關(guān)聯(lián)，識(shí)別出不同坡度和坡向條件下橡膠林變化的空間分布規(guī)律，得出坡度、坡向?qū)ο鹉z林時(shí)空變化的影響程度。為了便于分析，本研究根據(jù)橡膠樹(shù)的種植特性和區(qū)域規(guī)定將海拔分為4個(gè)等級(jí)（表2），將坡度分為5個(gè)等級(jí)（表3），坡向分為8類（表4）。

2" 結(jié)果與分析

2.1" 橡膠林種植分布

2.1.1" 分類特征組合" 研究區(qū)域地形差異較大，而橡膠樹(shù)的種植對(duì)高度和坡度有一定的要求，因此對(duì)SRTM 30 m數(shù)據(jù)提取了高程和坡度數(shù)據(jù)作為分類的特征組合之一。對(duì)于Landsat影像，每個(gè)波段均可以提取8個(gè)紋理特征，有大量的紋理信息，為了避免不重要的信息干擾，對(duì)影像進(jìn)行主成分分析，第一主成分（PC1）含總信息量的69.03%，對(duì)第一主成分進(jìn)行紋理特征提取，獲得8個(gè)紋理特征。最后加上Landsat影像的光譜特征。但是特征太多會(huì)造成冗余，同時(shí)會(huì)影響分類精度和分類效率。

為得出最佳特征組合，本研究利用特征重要性和OOB袋外誤差對(duì)特征因子進(jìn)行篩選（圖1）。按照特征重要性由高到低的順序置于隨機(jī)森林中進(jìn)行分類，比對(duì)GEE提供的袋外誤差估計(jì)（OOBE）大小，數(shù)值越低表示OOBE越小。如圖2所示，當(dāng)輸入特征個(gè)數(shù)為12的時(shí)候，OOBE數(shù)值達(dá)到最小，為0.1203，隨著特征個(gè)數(shù)的增多，OOBE數(shù)值開(kāi)始出現(xiàn)波動(dòng)，但幾乎未提升。因此，最佳特征組合為特征重要性排序的前12個(gè)特征。

2.1.2" 橡膠林分布與精度評(píng)價(jià)" 對(duì)特征進(jìn)行篩選組合后，在減少特征數(shù)量的情況下，還能夠有更高的分類精度。從精度評(píng)價(jià)結(jié)果來(lái)看，當(dāng)分類的總體精度為89.85%，Kappa系數(shù)為0.82時(shí)，分類效果較好，從橡膠林的用戶精度和生產(chǎn)者精度上看，能夠較好地將該地物和其他地物區(qū)分開(kāi)來(lái)（表5）。

從橡膠林分布來(lái)看，2020年老撾的橡膠林總面積為32.1萬(wàn)hm2，與資料中顯示的30萬(wàn)hm2

相差不大[20]，這可能是由于在分類時(shí)，和部分零碎的森林產(chǎn)生混淆，導(dǎo)致橡膠林面積變大；還可能由于Landsat分辨率較低和提取范圍較大，導(dǎo)致了混合像元的誤提取。在分布區(qū)域上看，與已有的資料一致，在北部靠近邊境的省份種植較多，在中部和南部也有種植。

2.2" 橡膠林變化制圖精度評(píng)估

在研究區(qū)域內(nèi)結(jié)合谷歌歷史高清影像和LandTrendr算法擬合出的NBR曲線獲得樣本驗(yàn)證數(shù)據(jù)，利用隨機(jī)獲得的不同年份的450個(gè)樣本數(shù)據(jù)對(duì)橡膠林變化進(jìn)行精度評(píng)估。在進(jìn)行驗(yàn)證時(shí)，變化樣本點(diǎn)和實(shí)際變化區(qū)域重合，且相差年份不超過(guò)2年，則認(rèn)為分類正確，反之則認(rèn)為分類錯(cuò)誤。未變化樣本點(diǎn)若在變化檢測(cè)時(shí)間內(nèi)發(fā)生變化，則認(rèn)為分類錯(cuò)誤。通過(guò)樣本驗(yàn)證數(shù)據(jù)對(duì)橡膠林變化檢測(cè)圖進(jìn)行生產(chǎn)者精度、用戶精度、總體精度和Kappa系數(shù)的計(jì)算，從而判斷制圖的準(zhǔn)確性是否符合要求。對(duì)于變化區(qū)域，生產(chǎn)者精度和用戶精度均達(dá)到90%以上，分別為96.47%和92.90%，制圖的總體精度為92.44%，Kappa系數(shù)達(dá)到0.82，說(shuō)明對(duì)于橡膠林變化檢測(cè)的效果較好（表6）。

2.3" 老撾橡膠林時(shí)空變化分析

2.3.1" 橡膠林總體擴(kuò)張趨勢(shì)" 從圖3可以看出，1991—2020年，老撾的橡膠林一直處于不斷擴(kuò)張的趨勢(shì)，從分布來(lái)看，橡膠林的種植擴(kuò)張多處于邊境省份，例如與多國(guó)交界的北部省份，橡膠林?jǐn)U張較為明顯；在中部區(qū)域，橡膠林?jǐn)U張多位于與泰國(guó)相鄰的省份。從總體數(shù)據(jù)來(lái)看，1990—2020年，新種植橡膠林18.94萬(wàn)hm2，占2020年已有面積的59%，可以看出老撾橡膠林的擴(kuò)張較為迅速，種植面積增長(zhǎng)明顯。2006—2010年新增橡膠林最多，共7.07萬(wàn)hm2，僅2010年新增橡膠林3.43萬(wàn)hm2（圖4）。

根據(jù)2020年老撾橡膠林分布和30年間新植橡膠林可以計(jì)算出老撾各省份在1990年的橡膠林種植分布。如表7所示，其中橡膠林種植較多和增長(zhǎng)較多的省份大多位于邊境，例如與中國(guó)、緬甸接壤的豐沙里省、瑯南塔省和波喬省，與泰國(guó)接壤的沙灣拿吉省等。

有很強(qiáng)的相關(guān)性。橡膠期貨價(jià)格自2001年到達(dá)谷底后，開(kāi)始逐漸上漲，橡膠林面積也隨之上升，在2010年達(dá)到頂峰，而橡膠期貨價(jià)格也在2011年達(dá)到最高，之后逐漸下降并趨于平穩(wěn)（圖4）。

圖4" 1990—2020年老撾橡膠林種植擴(kuò)張分布與期貨價(jià)格

Fig. 4" Distribution of rubber forest plantation expansion and futures prices in Laos from 1990 to 2020

2.3.2" 橡膠林?jǐn)U張地形特征" 研究區(qū)域內(nèi)的橡膠林分布基本符合資料中對(duì)種植條件的描述[21]，橡膠林的擴(kuò)張主要分布在海拔0～750 m區(qū)間，其中0～500 m占64.4%，500～750 m占34.9%，而750 m以上基本很少，僅占0.7%，基本均處于低海拔區(qū)域（圖5A）。對(duì)于坡度，橡膠林不宜種植在35°以上的區(qū)域，從圖5B可知，絕大多數(shù)的橡膠林均種植在35°以下，0～5°占42.1%，5～15°占36.2%，15～25°占17.6%，25～35°占3.9%，而35°以上只占0.2%。從坡向來(lái)看，橡膠林的擴(kuò)張分布較為平均，占比最多的坡向?yàn)槟虾蜄|南，分別占18.5%和17.8%，皆為陽(yáng)坡。在所有坡向中，位于陽(yáng)坡種植的橡膠林占57.6%，半陽(yáng)坡種植的占22.3%（圖5C）。

3" 討論

通過(guò)GEE平臺(tái)和Landsat衛(wèi)星數(shù)據(jù)可以在國(guó)家尺度上對(duì)橡膠林進(jìn)行提取，能夠取得良好效果，并且分類效率高。隨機(jī)森林算法分類效果較好，但輸入的特征并不是越多越好，當(dāng)特征較多時(shí)，分類效率會(huì)下降，同時(shí)也會(huì)導(dǎo)致分類效果較差，因此要選擇合適的特征和隨機(jī)森林分類參數(shù)。

通過(guò)GEE平臺(tái)提供的強(qiáng)大計(jì)算能力，結(jié)合長(zhǎng)時(shí)間序列的Landsat時(shí)序影像，可以很好地減少雨云對(duì)影像質(zhì)量的影響。通過(guò)選取的驗(yàn)證樣本發(fā)現(xiàn)，通過(guò)LandTrendr算法檢測(cè)到的橡膠林?jǐn)U張變化總體精度能達(dá)到92.44%，Kappa系數(shù)為0.82。變化檢測(cè)結(jié)果顯示，1990—2020年共新增橡膠林18.94萬(wàn)hm2，占橡膠林總種植面積的59%，其中2006—2010年種植最多，為7.07萬(wàn)hm2。通過(guò)比對(duì)國(guó)際市場(chǎng)橡膠期貨價(jià)格，可以看出橡膠林的種植和橡膠期貨價(jià)格的變化有著較強(qiáng)關(guān)聯(lián)。從橡膠種植的地形環(huán)境上看，橡膠主要種植在低海拔區(qū)域，0～500 m區(qū)域占64.4%；坡度較為平緩的區(qū)域種植橡膠更多，坡度在25°以下區(qū)域的橡膠林占95.9%；坡向上，不同方向皆有橡膠種植，但陽(yáng)坡種植較多，占57.6%。以上說(shuō)明橡膠林宜種植在海拔較低、坡度平緩且向陽(yáng)的區(qū)域。

與其他研究相比，本研究結(jié)果未使用逐年分類的方法，而利用變化檢測(cè)算法對(duì)區(qū)域內(nèi)的橡膠林?jǐn)U張進(jìn)行識(shí)別，極大減少了工作量[22]。連續(xù)的變化檢測(cè)更利于進(jìn)行相關(guān)性分析，與相關(guān)試驗(yàn)進(jìn)行對(duì)比，發(fā)現(xiàn)橡膠林變化數(shù)據(jù)和變化區(qū)域基本符合[8]。由于是大范圍長(zhǎng)時(shí)間的變化檢測(cè)，而且Landsat影像的空間分辨率不高，對(duì)邊緣和細(xì)小區(qū)域檢測(cè)效果較差；其次，由于研究區(qū)位于東南亞，離赤道較近，雨云較多，嚴(yán)重影響了影像質(zhì)量，無(wú)法獲得更密集的時(shí)間序列影像，只能使用年合成影像進(jìn)行變化檢測(cè)，無(wú)法更好地利用橡膠林的物候特征獲得更高的精度。未來(lái)可以考慮進(jìn)行實(shí)地勘測(cè)，利用無(wú)人機(jī)提供的影像進(jìn)行更加準(zhǔn)確的識(shí)別，同時(shí)結(jié)合當(dāng)?shù)叵鹉z樹(shù)的種植特性，進(jìn)行更加準(zhǔn)確的分析。

參考文獻(xiàn)

[1] 李維銳， 趙國(guó)祥， 候丹. 云南天然橡膠產(chǎn)業(yè)高質(zhì)量發(fā)展對(duì)策[J]. 熱帶農(nóng)業(yè)科技， 2022， 45（3）： 1-5， 14. LI W R， ZHAO G X， HOU D. Natural rubber industry in Yunnan province and the strategies for healthy development at high level[J]. Tropical Agricultural Science amp; Technology， 2022， 45（3）： 1-5， 14. （in Chinese）

[2] 陳明文. 中國(guó)熱帶地區(qū)農(nóng)戶種植結(jié)構(gòu)調(diào)整研究[D]. 北京： 中國(guó)農(nóng)業(yè)大學(xué)， 2018. CHEN M W. A study of China tropical regions farmers’ planting structure adjustment[D]. Beijing： China Agricultural University， 2018. （in Chinese）

[3] 姚元園. 深度分析東南亞橡膠產(chǎn)業(yè)發(fā)展?fàn)顩r[J]. 世界熱帶農(nóng)業(yè)信息， 2016（11）： 1-10. YAO Y Y. In-depth analysis of the development of rubber industry in Southeast Asia[J]. World Tropical Agriculture Information， 2016（11）： 1-10. （in Chinese）

[4] 李隆偉， 王云美， 毛昭慶. 中國(guó)境外（老撾）罌粟替代種植政策的問(wèn)題研究[J]. 農(nóng)業(yè)展望， 2021， 17（8）： 65-70. LI L W， WANG Y M， MAO Z Q. Research on the problems of implementing opium poppy substitution cultivation policy outside China （Laos）[J]. Agricultural Outlook， 2021， 17（8）： 65-70. （in Chinese）

[5] 翟佳豪， 劉影， 肖池偉. 1987—2018年西雙版納橡膠林時(shí)空變化及其線狀特征[J]. 熱帶地理， 2022， 42（8）： 1376-1385.ZHAI J H， LIU Y， XIAO C W. Spatio-temporal changes and linear characteristics of rubber plantations in Xishuangbanna， Southwest China from 1987 to 2018[J]. Tropical Geography， 2022， 42（8）： 1376-1385. （in Chinese）

[6] 劉月， 濮毅涵， 劉艷清， 安德帥， 徐丹丹， 朱建琴， 阮宏華. 基于Landsat影像研究全球氣候變化對(duì)武夷山國(guó)家公園垂直帶譜上各植被群落的影響[J]. 生態(tài)科學(xué)， 2022， 41（5）： 152-162.LIU Y， PU Y H， LIU Y Q， AN D S， XU D D， ZHU J Q， RUAN H H. Study on the impact of global climate change on the communities of vegetation vertical zone spectrum in Wuyishan National Park based on landsat imagery[J]. Ecological Science， 2022， 41（5）： 152-162. （in Chinese）

[7] 鐘莉， 陳蕓芝， 汪小欽. 基于Landsat時(shí)序數(shù)據(jù)的森林干擾監(jiān)測(cè)[J]. 林業(yè)科學(xué)， 2020， 56（5）： 80-88. ZHONG L， CHEN Y Z， WANG X Q. Forest disturbance monitoring based on time series of Landsat data[J]. Scientia Silvae Sinicae， 2020， 56（5）： 80-88. （in Chinese）

[8] 李偉光， 張京紅， 劉少軍， 陳小敏， 鄒海平， 白蕤， 呂潤(rùn). 基于GEE的東南亞主產(chǎn)區(qū)橡膠林分布遙感提取[J]. 熱帶作物學(xué)報(bào)， 2021， 42（11）： 3345-3350. LI W G， ZHANG J H， LIU S J， CHEN X M， ZOU H P， BAI R， LYU R. GEE-based extraction of rubber forest distribution in main producing areas of Southeast Asia[J]. Chinese Journal of Tropical Crops， 2021， 42（11）： 3345-3350. （in Chinese）

[9] 劉洪江， 蘭恒星， 張軍， 劉杰， 楊軍. 老撾北部罌粟替代種植高分辨率遙感調(diào)查評(píng)價(jià)與分析[J]. 資源科學(xué)， 2010， 32（7）： 1425–1432.LIU H J， LAN H X， ZHANG J， LIU J， YANG J. Evaluation and analysis for the substitution planting for opium poppy in the north of Laos based on remote sensing[J]. Resources Science， 2010， 32（7）： 1425-1432. （in Chinese）

[10] PARASTATIDIS D， MITRAKA Z， CHRYSOULAKIS N， ABRAMS M. Online global land surface temperature estimation from landsat[J]. Remote Sensing， 2017， 9（12）： 1208.

[11] VAN DE KERCHOVE R， ZANAGA D， KEERSMAECKER W， SOUVERIJNS N， WEVERS J， BROCKMANN C， GR O S U A， PACCINI A， CARTUS O， SANTORO M， LESIV M， GE ORGIEVA I， FRITZ S， CARTER S， TSENDBAZAR N- E， LI L， HEROLD M， ARINO O. ESA WorldCover： global land cover mapping at 10 m resolution for 2020 based on Sentinel-1 and 2 data[C/OL]. AGU Fall Meeting 2021， held in New Orleans， LA， 13—17 December 2021， id. GC45I- 0915. [2023-12-23]. https：//ui.adsabs.harvard.edu/abs/2021 A GUF M G C45I0915V/abstract.

[12] BELGIU M， DR?GU? L. Random forest in remote sensing： a review of applications and future directions[J]. Journal of Photogrammetry and Remote Sensing， 2016， 114： 24-31.

[13] HARALICK R M， SHANMUGAM K， DINSTEIN I. Textural features for image classification[J]. IEEE Transactions on Systems， Man and Cybernetics， 1973， 3（6）： 610- 621.

[14] EISAVI V， HOMAYOUNI S， YAZDI A M， ALIMOHA M M ADI A. Land cover mapping based on random forest classification of multitemporal spectral and thermal images[J]. Environmental Monitoring and Assessment， 2015， 187（5）： 291.

[15] KENNEDY R E， YANG Z， COHEN W B. Detecting trends in forest disturbance and recovery using yearly landsat time series： 1. LandTrendr - temporal segmentation algorithms[J]. Remote Sensing of Environment， 2010， 114（12）： 2897-2910.

[16] KEY C H， BENSON N C. Landscape assessment （LA）[R]// LUTES D C， KEANE R E， CARATTI J F， KEY C H， BE N SON N C， SUTHERLAND S， GANGI L J （Eds.）. FIR EM ON： fire effects monitoring and inventory system. General Technical Report RMRS-GTR-164-CD. Fort Collins， CO： USDA Forest Service， Rocky Mountain Research Station， 2006.

[17] 唐萬(wàn)， 胡俊， 張暉， 吳攀， 賀華. Kappa系數(shù)： 一種衡量評(píng)估者間一致性的常用方法（英文）[J]. 上海精神醫(yī)學(xué)， 2015， 27（1）： 62-67. TANG W， HU J， ZHANG H， WU P， HE H. Kappa coefficient： a popular measure of rater agreement[J]. Shanghai Archives of Psychiatry， 2015， 27（1）： 62-67. （in Chinese）

[18] 李宇宸， 張軍， 薛宇飛， 張萍. 基于Google Earth Engine的中老緬交界區(qū)橡膠林分布遙感提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2020， 36（8）： 174-181. LI Y C， ZHANG J， XUE Y F， ZHANG P. Remote sensing image extraction for rubber forest distribution in the border regions of China， Laos and Myanmar based on Google Earth Engine platform[J]. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（8）： 174-181. （in Chinese）

[19] SINGH A K， LIU W， ZAKARI S， WU J， YANG B， JIANG X J， ZHU X， ZOU X， ZHANG W， CHEN C， SINGH R， NATH A J. A global review of rubber plantations： impacts on ecosystem functions， mitigations， future directions， and policies for sustainable cultivation[J]. Science of the Total Environment， 2021， 796： 148948.

[20] 王立豐， 袁坤， 劉勇， 白淵松. 瀾湄合作機(jī)制下的中國(guó)-老撾天然橡膠科技國(guó)際合作現(xiàn)狀與展望[J]. 熱帶農(nóng)業(yè)科學(xué)， 2022， 42（6）： 110-115. WANG L F， YUAN K， LIU Y， BAI Y S. Current situation and prospects of international cooperation in natural rubber technology between China and Laos under “Lancang-Mek ong Cooperation”[J]. Chinese Journal of Tropical Agriculture， 2022， 42（6）： 110-115. （in Chinese）

[21] 李陽(yáng)陽(yáng)， 張軍， 劉陳立， 楊旭超， 李杰. 老撾北部5省橡膠林提取及時(shí)空擴(kuò)張研究[J]. 林業(yè)科學(xué)研究， 2017， 30（5）： 709-717. LI Y Y， ZHANG J， LIU C L， YANG X C， LI J. Research on extraction and spatial-temporal expansion of rubber forest in five provinces of northern Laos based on multi-source remote sensing[J]. Forest Research， 2017， 30（5）： 709-717. （in Chinese）

[22] HAN P， CHEN J， HAN Y， YI L， ZHANG Y， JIANG X. Monitoring rubber plantation distribution on Hainan Island using Landsat OLI imagery[J]. International Journal of Remote Sensing， 2018， 39（8）： 2189-2206.