林业科学  2011, Vol. 47 Issue (1): 15-21   PDF    
0

文章信息

张超, 黄清麟, 朱雪林, 张晓红, 普布顿珠, 旦增
Zhang Chao, Huang Qinglin, Zhu Xuelin, Zhang Xiaohong, Pubu Dunzhu, Dan Zeng
基于ETM+和DEM的西藏灌木林遥感分类技术
Remote Sensing Classification Technique of Shrub in Tibet Based on ETM+ and DEM
林业科学, 2011, 47(1): 15-21.
Scientia Silvae Sinicae, 2011, 47(1): 15-21.

文章历史

收稿日期:2009-12-07
修回日期:2010-05-07

作者相关文章

张超
黄清麟
朱雪林
张晓红
普布顿珠
旦增

基于ETM+和DEM的西藏灌木林遥感分类技术
张超1,2, 黄清麟2, 朱雪林3, 张晓红2, 普布顿珠3, 旦增3    
1. 西南林业大学资源学院 昆明 650224;
2. 中国林业科学研究院资源信息研究所 国家林业局林业遥感与信息技术重点实验室 北京 100091;
3. 西藏自治区林业调查规划研究院 拉萨 850000
摘要: 对西藏地区主要类型灌木林进行外业遥感调查,选取海拔、坡向、坡度和NDVI 4个影响西藏灌木林空间分布的主要指标,采用判别分析方法,构建判别模型和判别规则,提取基于空间分布特征的识别决策,基于覆盖研究区的ETM+和DEM,进行西藏灌木林的遥感分类技术研究。结果表明:基于灌木林空间分布特征的遥感分类精度达到86.24%,其中,狼牙刺-沙棘-红柳组合的分类精度最高,为95.00%,杜鹃-小檗和高山柳-铺地柏组合的分类精度相当,分别为81.08%和81.25%。
关键词:西藏    灌木林    遥感分类    空间分布特征    
Remote Sensing Classification Technique of Shrub in Tibet Based on ETM+ and DEM
Zhang Chao1,2, Huang Qinglin2 , Zhu Xuelin3, Zhang Xiaohong2, Pubu Dunzhu3, Dan Zeng3    
1. Faculty of Natural Resources, Southwest Forestry University Kunming 650224;
2. Key Laboratory of Forestry Remote Sensing and Information Technology, State Forestry Administration Institute of Forest Resources Information Techniques, CAF Beijing 100091;
3. Forest Inventory and Planning Institute of Tibet Autonomous Region Lasa 850000
Abstract: The classification of shrub types in Tibet with the remote sensing would be efficient because of the large size of shrub patch and pure stand mostly. Based on an investigation on the main types of shrub in Tibet by using the remote sensing, elevation, slope, aspect and NDVI were chosen as the main factors influncing spatial distribution of shrubs and discriminate model and rules were established by using the method of discriminate analysis. The remote sensing classification technique of shrub, used in Tibet, was discussed, and an assistant classification was carried out based on spatial distribution. The result showed the accuracy of assistant classification was carried out based on the spatial distribution. Characteristics was 86.24%, which met the requirements of forestry production. The accuracy of the mixed forests of Sophora davidii, Hippophae and Tamarix ramosissima was 95.00%, and the accuracy of the other groups were 81.08% and 81.25%.
Key words: Tibet    shrub    remote sensing classification    spatial distribution    

灌木林在西藏占有十分重要的地位,在维护区域生态安全、促进区域经济社会发展中起着重要和不可替代的作用(黄清麟等,2010)。根据第六次全国森林资源清查结果(国家林业局,2005),西藏全区现有森林面积1 389.61万hm2,其中,国家特别规定的灌木林面积544.47万hm2(基本上全是天然灌木林),全区灌木林资源对森林覆盖率的贡献率达到39.18%。

传统的灌木林资源调查一般以地面调查为主,具有工作时间长、劳动强度大、调查成本高等弊端。迄今为止,未见到利用遥感手段进行灌木林信息提取技术的相关研究。研究灌木林遥感分类技术,将大幅度缩短调查时间、降低劳动强度、提高成果质量、减少调查成本,对于现代林业建设中灌木林资源的动态监测与有效保护具有重要的现实意义。

1 自然概况

研究区位于西藏拉萨地区中部,处于雅鲁藏布江中游河谷地带及其支流拉萨河流域,属高原温带半干旱季风气候,自然条件较差,生态环境脆弱。年均降水量为200~510 mm,年均气温较低,1月均温-2.0 ℃,6月均温15.7 ℃,年日照时数3 000 h以上(中国科学院青藏高原综合科学考察队,1988)。该地区天然灌木林分布于河谷山麓地带,是当地陆地生态系统的主体。

研究区分为核心区和扩展区2部分,如图 1所示。核心区位于墨竹工卡县南部、乃东县北部,地处91.56°— 92.12°E,29.27°— 29.98°N,为40 km×72 km的矩形区域,面积为28.80万hm2,位于扩展区的中部。核心区是西藏灌木林资源最为丰富、类型较为集中的地区之一。通过外业遥感调查发现,区内植被以天然灌木纯林占绝对优势,以小檗(Berberis)、杜鹃(Rhododendron)、铺地柏(Sabina procumbens)、高山柳(Salix cupularis)、狼牙刺(Sophora davidii)、沙棘(Hippophae)和红柳(Tamarix ramosissima)等类型的灌木林为主。

图 1 研究区位置 Figure 1 Location of study area

为了能够更为全面、准确地提取核心区内各主要类型灌木林的空间分布特征,减少噪声,为遥感分类提供可用的辅助识别决策支持,将《西藏自然地理》关于西藏综合自然区划中第Ⅵ1分区—雅鲁藏布江中游山地灌丛草原地区(中国科学院青藏高原综合科学考察队,1982)的东部区域作为识别决策提取的扩展区,面积为279.33万hm2,区内灌木林以铺地柏、小檗、杜鹃、狼牙刺、高山柳、蔷薇(Rosa)、红柳和沙棘等类型为主。

2 研究方法

在遥感手段能够获取和分析的前提下,本文选取影响扩展区内各主要类型灌木林空间分布的主要指标,运用相关数学方法(唐守正,1986; 任若思等,1997),研究各指标对各主要类型灌木林空间分布的影响,提取用于灌木林类型或类型组合识别的辅助决策(张超等,2010),指导灌木林遥感分类。研究所采用的技术流程如图 2所示。

图 2 技术流程 Figure 2 Technique flow
2.1 地面调查

地面调查分为样地调查和路线调查2部分。在核心区内,选择各主要类型灌木林的典型地块,设置14个大小为5 m×50 m的长方形样地,调查内容主要包括坐标、海拔、灌木优势种等; 除在核心区内进行样地调查外,为提高调查效率,对核心区的大部和扩展区的部分地区进行较为详尽的路线调查,共涉及109个调查样点,调查内容主要包括坐标、海拔和灌木优势种等。

2.2 数据预处理

本文采用的遥感数据主要为覆盖扩展区的2景Landsat ETM+,成像时间为2002年6月9日,和2景DEM(均来源于美国Maryland大学数据共享网)。影像数据经过几何校正、图像镶嵌和裁剪等过程,完成分类前的数据准备。

同时,利用ArcView GIS 3.3a的xtools模块中Convert Shapes To Centroids工具,基于2002年森林分布图,提取扩展区内各类型灌木林斑块的中心点(非重心,共1 070个),以中心点代表所在斑块,分别提取各中心点的指标数据,包括:利用DEM提取各主要类型灌木林斑块中心点的海拔、坡向和坡度; 利用ETM+数据中的近红外和红波段提取各中心点的NDVI数值。

2.3 灌木植被提取

为减少非灌木林地物对分类过程的影响,首先将灌木植被从影像中掩膜出来。本文所采用的方法是利用NDVI提取核心区灌木植被的分布范围。

首先预设一个NDVI取值范围,如本文中设定NDVI≥0.20(Jimenez et al., 2006; Stefanov et al., 2005;陈朝晖等,2004; 郭航等,2007),提取该NDVI范围的区域; 然后依据地面调查的14个样地和109个样点的空间位置,利用目视判读的方法,使以上样地和样点均能落入此范围; 经过多次调整NDVI取值,确定核心区灌木植被的NDVI范围为≥0.26。

2.4 灌木林空间分布特征提取

选取海拔、坡向、坡度和NDVI 4个影响灌木林空间分布的主要指标,采用判别分析方法,构建判别模型和判别规则,提取识别决策(张超,2009)。

3 结果与分析

本文采用Fisher判别分析方法,将m种灌木林类型、n个指标的数据投影到二维平面上,使得投影后灌木林类型间(或类型组合间)的距离尽可能分开,最终实现类型(或类型组合)的分离,以此建立判别模型和判别规则。

3.1 基于类型的判别分析

首先以扩展区中的8种主要类型灌木林斑块为对象,即m=8,进行基于类型的判别分析,结果如表 12,3和图 3a所示。

表 1可知:判别函数Func.1和Func.2分别解释了全部方差的71.3%和25.0%,相关系数分别为0.879和0.736,二者的累积贡献率达到96.3%,解释效果较好。由表 2可知:在判别函数Func.1中,海拔的标准化系数(绝对值)明显高于其他指标,为0.937,其次为坡度、NDVI和坡向,表明在Func.1中,海拔的影响作用最大,即判别函数Func.1主要反映海拔对各类型灌木林分布的影响; 在判别函数Func.2中,坡度的标准化系数明显高于其他指标,为0.995,即判别函数Func.2主要反映坡度对各类型灌木林分布的影响。

表 1 判别函数特征值 Tab.1 Discriminant function eigenvalues
表 2 判别函数系数 Tab.2 Discriminant function coefficients

表 3可知:基于类型的判别结果并不理想,各类型灌木林的正判率均较低(均低于75%)。若将此判别规则用于核心区的灌木林辅助分类,势必对最终的分类精度造成较大影响。因此,基于灌木林类型进行判别分析是不合适的,应在此基础上进行组合,使组合间的距离尽可能分离,以提高分类精度。

表 3 基于类型的判别混淆矩阵 Tab.3 Confusion matrix of discriminant based on type
3.2 基于类型组合的判别分析

根据基于类型的判别结果,将距离较近的类型进行组合,结果如下:组合1(杜鹃-小檗)、组合2(高山柳-铺地柏)、组合3(狼牙刺-沙棘-红柳)、组合4(蔷薇)。以扩展区中的4种类型组合为对象,即m = 4,进行判别分析,结果如表 456图 3b所示。

表 4 判别函数特征值 Tab.4 Discriminant function eigenvalues
表 5 判别函数系数 Tab.5 Discriminant function coefficients
图 3 判别结果 Figure 3 Result of discriminant

表 4可知:判别函数Func.1和Func.2的累积贡献率达到98.0%,其解释效果好于基于类型的判别分析。由表 5可知:判别函数Func.1主要反映海拔对各灌木林类型组合分布的影响,判别函数Func.2主要反映坡度对各灌木林类型组合分布的影响,与基于类型的判别分析结果一致。由表 5图 3b可知:判别距离能够较明显地将各类型组合分离,各类型组合的正判率明显高于单个类型的正判率,其中,组合1(杜鹃-小檗)的正判率达到88.4%。

综合以上结果可以看出:采用基于类型的判别分析对扩展区内灌木林的判别结果并不理想,各主要类型灌木林的正判率均较低。造成以上问题的原因为西藏主要类型灌木林种群的生态位重叠所致。西藏灌木林种群由于经过长期的自然选择,在各维环境空间上,群落内的资源利用已被各物种分配,存在较小的种间竞争,已形成稳定的共生关系。若将此判别规则用于核心区的灌木林遥感分类,势必对最终的分类精度造成较大影响。

基于灌木林类型组合的判别分析所得结果中,各类型组合在判别距离上存在较为明显的差异。对比表 3表 6可以看出:各灌木林类型组合的正判率明显高于单个类型的正判率,其中,组合1(杜鹃-小檗)的正判率达到88.4%。因此,以类型组合为对象构建判别模型和判别规则。

表 6 基于类型组合的判别混淆矩阵 Tab.6 Confusion matrix of discriminant based on type-group
3.3 基于空间分布特征的遥感分类

以组合1(杜鹃-小檗)、组合2(高山柳-铺地柏)、组合3(狼牙刺-沙棘-红柳)和组合4(蔷薇)为观测样本,以海拔(X1)、坡度(X2)、坡向(X3)和NDVI(X4)为变量,构建二维判别模型:

以此二维判别模型(扩展区)判定核心区各灌木林像元空间F(Func.1,Func.2) 中每个像元的归属类别G(1,2,3,4),得到核心区基于空间分布特征的分类结果,如图 4所示。

图 4 基于空间分布特征的遥感分类结果 Figure 4 Classification result based on spatial distribution
3.4 分类精度评价

以地面调查的14个样地和109个样点对应的像元作为已知灌木林类型的参考像元,利用ERDAS IMAGINE的Accuracy Assessment工具进行分类精度评价,得到分类精度评价结果,如表 7所示。

表 7 分类精度 Tab.7 Classification accuracy

对以上精度评价结果分析可知:基于空间分布特征的总体分类精度为86.24%,总体Kappa系数为0.793。其中,组合3(狼牙刺-沙棘-红柳)的分类精度最高,为95.00%;组合1(杜鹃-小檗)和组合2(高山柳-铺地柏)的分类精度相当,分别为81.08%和81.25%。

4 结论

通过对西藏主要类型灌木林空间分布特征的研究,选取自然条件较为一致、范围相对较大的区域作为扩展区,研究了扩展区内各主要类型灌木林的空间分布特征,采用判别分析方法,提取出核心区内用于灌木林类型或类型组合识别的辅助分类决策,进行遥感分类,得到基于空间分布特征的西藏灌木林遥感分类结果。

西藏灌木林斑块较大,且多为纯林,有利于利用遥感手段进行分类识别。而个别类型灌木林的光谱特征较为接近,有些灌木林如金露梅(Potentilla fruticosa)等与地表颜色相近,以上情况在基于光谱特征的分类过程中容易产生较多混淆,完全依靠光谱特征很难将其分类识别。本文基于空间分布特征的分类过程得到的结果具有较为满意的精度,为以后具体灌木林类型的遥感分类识别提供了前提和保障。研究结果表明:基于空间分布特征的辅助分类精度为86.24%,组合1(杜鹃-小檗)和组合2(高山柳-铺地柏)的分类精度相当,分别为81.08%和81.25%,组合3(狼牙刺-沙棘-红柳)的分类精度为95.00%。

传统的灌木林调查一般以地面调查为主,由于西藏地区地域广阔,外业工作条件十分艰苦,对于灌木林资源分布缺乏较深入的研究,至今未形成完整的灌木林资源调查和监测技术。本文基于空间分布特征的遥感分类过程对于灌木林类型组合的识别精度较高,这在一定程度上将有助于相关部门及时获取灌木林分布信息,以及有效保护、恢复和合理利用灌木林资源等提供基础依据,对于今后研究具体类型灌木林的分类识别具有辅助作用,为实现灌木林类型的遥感分类提供了可能和有益的技术借鉴。

需要注意的是,本文基于空间分布特征的遥感分类仅能识别到空间分布特征相近的灌木林类型的组合,需进一步研究灌木林的空间分布规律,探讨基于主要影响因子的分类识别和提取; 同时,应重点研究各主要类型灌木林的光谱曲线,建立不同覆盖度等与象元亮度值之间的回归关系,探讨多种分类方法、多源数据相结合,研究西藏灌木林类型的遥感分类技术。

参考文献(References)
陈朝晖, 朱江, 徐兴奎. 2004. 利用归一化植被指数研究植被分类、面积估算和不确定性分析的进展[J]. 气候与环境研究, 9(4): 687-696.
郭航, 张晓丽. 2007. 基于遥感技术的植被分类研究现状与发展趋势[J]. 世界林业研究, 20(3): 14-19.
国家林业局. 2005. 2005中国森林资源报告[M]. 北京: 中国林业出版社.
黄清麟, 张超, 张晓红, 等. 2010. 西藏灌木林群落结构特征[J]. 山地学报, 28(5): 566-571.
任若思, 王惠文. 1997. 多元统计数据分析—理论、方法、实例[M]. 北京: 国防工业出版社.
唐守正. 1986. 多元统计分析方法[M]. 北京: 中国林业出版社.
张超. 2009. 西藏灌木林评价与遥感分类技术研究. 中国林业科学研究院博士学位论文. http://www.cnki.com.cn/Article/CJFDTotal-LYKE201301025.htm
张超, 黄清麟, 朱雪林, 等. 2010. 西藏灌木林遥感分类方法对比研究[J]. 山地学报, 28(5): 572-578.
中国科学院青藏高原综合科学考察队. 1982. 西藏自然地理[M]. 北京: 科学出版社.
中国科学院青藏高原综合科学考察队. 1988. 西藏植被[M]. 北京: 科学出版社.
Jimenez J C, Sobrino J A, Gillespie A, et al. 2006. Improved land surface emissivities over agricultural areas using ASTER NDVI[J]. Remote Sensing of Environment, 103(4): 474-487. DOI:10.1016/j.rse.2006.04.012
Stefanov W L, Netzband M. 2005. Assessment of ASTER land cover and MODIS NDVI data at multiple scales for ecological characterization of an arid urban center[J]. Remote Sensing of Environment, 99(1): 31-43.