利用遥感技术进行林业资源调查，可以在相对短的时段内，快速完成国家资源环境宏观调查，同时还可以实现动态监测和定期更新，实现了定性与定量研究相结合，可以满足政府决策与生产部门的需求。目前，以中、高空间分辨率卫星遥感数据作为基础数据源的森林资源遥感调查得到广泛应用(史培军，2000)，Landsat资源卫星数据在土地覆盖/利用以及森林资源调查中应用较广(宫照红等，2002；张学元，2006；顾祝军等，2008)，多光谱、高空间分辨率的卫星遥感数据也在区域地物覆盖及森林资源调查中发挥作用(任国业等，2005；李忠峰等，2007；马保东等，2009)。MODIS数据因其视域广、运行周期短、数据获取快、连续观察、可重复覆盖、成本低、容易获得，在宏观与动态调查方面具有很强的实用性，为土地利用的动态监测提供了有力支持(刘勇洪等，2004；徐晓桃等，2008)。我国新一代极轨气象卫星FY-3A的研制与开发，为大面积森林监测提供了新的遥感数据源，其携带的中分辨率成像光谱仪MERSI将250 m分辨率的波段从MODIS的2个增加到5个，尤其是包含了一个热红外波段。因此，MERSI数据相对MODIS数据具有更高的空间分辨率，对于地物的分类效果及精度都要好于MODIS数据(范天锡，2002；王馨凝等，2009)。

目前利用遥感图像分类比较成熟的方法大体有非监督分类、监督分类、模糊识别分类和神经网络分类等(曾志远，2004)。每种方法都有其优缺点，其中监督分类法比较常用。监督分类法主要是利用遥感数据的统计特征，假定各类地物的反射光谱为正态分布函数，按正态分布规律用最大似然判别准则(Bayes准则)进行判别(梅安新，2005)。

山西省林业部门早在“四五”期间就广泛应用黑白航片，全野外调绘，进行全省森林资源清查。“六五”期间应用陆地卫星影像，进行全省森林资源解译，获得了全省森林分布情况(龚卫红，1999；段寅成等，2001)。为进一步研究利用FY-3A/MERSI数据进行区域森林监测，提升我国卫星遥感自主应用能力，减少对国外遥感数据的依赖，本研究利用单时相MERSI可见光到近红外波段数据，采用非监督分类与监督分类相结合的方法分析研究区域不同地物分类结果，在对地物分类结果进行精度评估基础上，重点探讨林地分类的可行性及不同分类方法的监测精度。以期从宏观上摸清区域森林资源覆盖特征，便于快速、准确地查清山西省土地利用状况和森林资源的空间分布，为山西省森林资源合理开发利用提供科学依据。

1 研究区概况

山西省(110°15′—114°32′E，34°36′—40°44′N)位于黄土高原东部，地处黄河中游。由于长期受人为活动的干扰，山西原生植被早已荡然无存，现有植被为天然次生植被和人工栽培植被。植被类型主要为针叶林、针阔叶混交林、阔叶林、落叶阔叶灌丛、灌草丛和草甸。山西南北跨越6个纬度带，由于水、热条件差异，由东南向西北构成暖温带和温带2个气候带，基本以恒山为界，植被呈现出明显的水平地带变化特征；同时境内地形高低起伏较大，地貌类型多样，植被分布随海拔高度、坡向不同，垂直变化表现突出。山西森林资源主要分布在管涔山、五台山、关帝山、黑茶山、太行山、太岳山、吕梁山和中条山，几个主要山区的森林分布均具有明显的垂直带谱特点。

2 数据来源及处理

本研究主要数据源为研究区2010年2月23日晴空MERSI影像，来自山西省气候中心实时接收的FY3A卫星遥感数据，研究所用MERSI1—4波段主要性能参数见表 1。以1:150万的山西省土地利用图、山西省森林资源图和山西省植被类型图(山西省计划委员会，1990)为研究辅助数据。

数据处理过程使用华云星地通公司的卫星数据处理系统及遥感数据处理软件ENVI 4.3进行。

通过反复对比，利用MERSI数据第1，3和4种波段合成的假彩色图像色彩鲜艳，层次分明，轮廓突出，适于综合性判读分析。然后，套合山西省行政边界图屏蔽掉山西周边区域，生成山西省MERSI数字图像(图 1)。在此图像上，可以看到山西南部运城的冬小麦种植区基本为浅绿色；裸地基本为紫红色；森林覆盖区域基本呈现墨绿色；水体呈现深蓝色。

3 非监督分类

首先对假彩色合成图像进行非监督分类，非监督分类技术只能划分图像的类别数，不能确定类别所代表的内容。

4 监督分类

对照土地利用、森林资源分布、植被类型等数字化图件，合并部分类别, 最终将研究区域地物分为林地、冬小麦、水体和裸地4类。对各类地物进行采样后，提取各类地物可见光和近红外波段(CH1－CH4)的光谱特征进行对比分析(图 2)。分析图 2可以看出，在可见光波段(CH1－CH3)，各类地物的反射率表现为冬小麦>裸地>水体>林地，且林地和水体在可见光波段的反射率比较接近，而在近红外波段CH4波段上，林地和冬小麦的反射率突然增大，而水体出现剧烈下降，只有裸地的变化不大。因此，利用林地和冬小麦在CH4波段突变可将植被与其他地物区分开来，再根据反射率的变化范围不同将林地和冬小麦区分开来。可见，多波段组合方法可作为监督分类的依据，能将林地从影像中分离提取出来。

光谱可分性的计算方法很多，通常采用的是Jeffries-Matusita(J-M)距离法计算典型地物样本间的分离度(张顺谦等，2009)，通过对上述4类地物的光谱可分性分析，得到各类地物样本间分离度基本在1.99和2.00之间，说明各地物类别之间的可分性满足监督分类的要求，其中水体可分性最高，其次是林地。

分别采用最大似然分类法、平行算法、最小距离法和马氏距离法4种监督分类法对山西省进行土地利用类型分类。经过监督分类形成的分类影像图往往存在一些不符合制图学要求的图斑，需要对其进行空间滤波处理，消除那些在一定区域内大小不足3×3个像元的图斑，这样才能满足制图要求。在计算机分类的基础上，通过目视解译加以纠正，并辅以大量的实地考证。将同物异谱和异物同谱的现象进行有效地剔除。实地调查后，对分类情况进行校核，尽量减少误差，使分类后的图像尽可能地反映地面情况。

最后，得到基于4类分类方法的山西省土地利用图(图 3)，以及各方法得到的各类地物所占面积百分比见表 2。从图 4和表 2中可以看出：利用平行算法得到的分类效果较差，尤其是林地的分类误差较大。而利用最大似然分类法、最小距离法和马氏距离法识别出的各地物比较一致，其中，马氏距离法分类结果中水体和裸地的面积偏大许多，只有最小距离法和最大似然法得到的分类图与实际情况最接近。

以山西省土地利用图、森林资源图、植被类型图为精度评价的参照图，在数字化图件中随机选取500个ROI参照点对分类后图像进行精度评价，采用常规的分类精度评价方法Confusion Matrix，结果(表 3)表明：最大似然分类法分类结果的精度最高(85%)，Kappa系数达到了0.69，而平行算法的分类结果精度最差。这与根据各类地物面积百分比得出的结果是一致的。

5 林地提取

研究所选时相为冬季，区域地物植被基本为林地和冬小麦(南部)。选取的4类典型地物中，冬小麦存在由北及南的渐进返青，北部冬小麦表现出裸地特征；中北部也会表现出裸地特性，而林地覆盖空间分布变化不显著。因此，在此时相内监测林地覆盖是可行的。

根据最大似然分类结果所得到的山西省宏观森林资源分布结果见图 4。图中黑色部分为森林分布区，森林覆盖率较大的区域在山西东南部，山西森林资源主要分布在吕梁山、太岳山、太行山、中条山和王屋山，尤其以太岳山森林资源分布最多，北部的恒山和五台山也有零星分布。

国家林业局审查、认定、公开发布的山西省森林资源清查结果显示，山西省现有森林面积221.11万公顷，森林覆盖率为14.12%。这与最大似然分类法得出的结果15.5%最为接近，对比相关森林资源分布图件，分类得到的林地分布也符合山西省林地分布特征。

6 结论与讨论

MERSI数据中250 m空间分辨率的可见光和近红外波段增加到4个，大大提高了分类的精度，同时提高了区分同谱异物和同物异谱的精度。

在可见光波段(CH1－CH3)，各类地物的反射率表现为冬小麦>裸地>水体>林地，在近红外波段(CH4)上，林地和冬小麦的反射率突然增大，而水体出现剧烈下降，只有裸地的变化不大。

基于MERSI数据采用监督分类和非监督分类相结合的方法进行宏观土地利用分类是可行的，4种分类结果中：最大似然分类法分类结果的精度最高，达到85%，其次是最小距离法和马氏距离法，平行算法结果较差。其中，平行算法分类结果中林地的误差较大，马氏距离法分类结果中水体和裸地的面积偏大许多，只有最小距离法和最大似然法得到的分类结果与实际情况最接近。

利用冬季单时相MERSI数据提取出的山西省森林资源分布结果精度较高，符合实际情况，可作为区域宏观森林资源分布监测的有效手段。

利用MERSI数据对区域资源进行宏观调查，不仅可提供资源环境数据，进而还可说明其区域分布状况，进一步充分发挥其高时间分辨率(每日过境)还可以实现动态监测和定期更新，同时融合应用其他高空间分辨率卫星数据，对我省森林资源进行宏观微观、定性定量相结合的监测研究，提高MERSI数据的应用能力和水平，满足政府决策与生产部门的需求。