森林是陆地生态系统的主体，在减缓全球气候变化、维持生态平衡等方面起着至关重要的作用。森林资源调查与监测可掌握森林资源的现状与消长变化、检验经营措施的有效性和合理性，为制定林业方针政策、宏观规划及森林资源经营方案提供重要的数据支撑(唐小明等，2012)。传统的森林资源规划设计调查以地面调查为主，成本高、周期长、工作量大，且时效性和准确性往往难以满足实际应用的需要。而遥感技术具有覆盖范围大、重访周期短、应用成本低等优势，能及时、准确地掌握森林类型、分布、面积、结构、质量、现状及动态变化情况，在森林区划、森林资源调查、森林类型精细识别(陈尔学等，2007)、植被制图(张志明等，2013)、动态变化监测等方面具有巨大的应用潜力。

利用遥感影像开展林地类型分类和森林类型识别已有较多尝试，研究主要集中在非参数化智能化分类、多源遥感数据与辅助信息综合分类(高晓岚等，2008； Voisin et al.，2014)、知识挖掘和专家系统、多时相复合分类(竞霞等，2008；温一博等，2013)、面向对象分类(Benz et al.，2004)、新方法引入与分类策略(柏延臣等，2005；Foody et al.，2007)等方面，并且在植被分类、林地信息提取、森林类型精细识别(Helmer et al.，2012；Kempeneers et al.，2012)、树种(组)分类(仝慧杰等，2007；王妮等，2012)、动态变化监测等方面获得广泛的应用。

近年来，遥感影像空间分辨率逐步提高，使得森林资源详细调查、林地类型及森林类型精细分类、森林树种(组)识别等精准监测成为可能。高空间分辨率遥感影像具有独特的空间特性和光谱特性，随着空间分辨率提高，地物的几何结构和纹理信息更为明显，影像高度细节化，空间异质性增强；但同时，光谱波段较少，地物光谱分布更具变化，同类光谱特征差异变大，异类光谱特征相互重叠，“同物异谱”、“同谱异物”现象严重，减弱了影像光谱域统计可分性；而且由于遥感数据、分类方法与策略、影像理解与处理模式等方面的局限，利用高分辨率遥感影像实现林地类型划分、森林类型精细分类、树种(组)识别及林地信息提取仍存在一定的困难(赵宪文，2009)，大都存在识别精度不高、详细程度和可信度较低等问题，难以满足精准掌握林地及森林类型信息的应用需求。

目前，已有较多高空间分辨率遥感影像林地类型分类与森林类型精细识别的研究；但是，在复杂山区地形条件下综合利用SPOT5和最新国产卫星高分一号(GF-1)遥感影像多元特征、基础地理信息、林业辅助资料的多层次信息提取方法研究，尤其在暖温带落叶阔叶天然林区域的森林类型精细识别能力与分类应用研究尚未见报道。本文以甘肃省小陇山林业实验局百花林场为例，充分利用影像多元特征和辅助信息，开展基于多源数据支持下的层次化林地类型信息提取与森林类型精细识别方法研究，以促进高分辨率遥感数据，尤其是国产GF-1数据在森林资源调查与监测方面的深入应用。

研究区位于甘肃省小陇山林业实验局百花林场(106°15′—106°30′E，34°16′—34°25′N)，总面积约291.03 km²，如图 1影像覆盖范围内白色边界区域所示。百花林场地处秦岭山脉西端南麓，是嘉陵江上游重要的水源涵养林区，是黄土高原南缘的绿色屏障，是兼有我国南北气候特点的典型天然次生林区。

图 1 研究区地理位置及影像覆盖 Fig.1 The location of test site and the images coverage

研究区地处中山峡谷地貌区，地势由东北向西南倾斜，海拔1 400～2 500 m，坡度26°～45°，平均坡度38°。属暖温带大陆性季风气候，气候温和湿润，年平均气温10.9 ℃，年均相对湿度69%，无霜期184.8天，年均降水量800 mm。土壤以山地棕壤和山地褐土为主，山地褐土是地带性典型土壤，海拔1 800 m以下集中成带，山地棕壤分布于海拔1 400～2 400 m之间的阴坡、半阴坡。

研究区植物种类非常丰富，过渡性明显、交汇性显著，植物类型极具多样性。全场天然林比重大，森林覆盖率为92.8%。森林植被组成和树种成分较复杂，属中山阔叶混交、针阔混交林带，基本特点为次生林，萌生起源为主，兼有实生林及实生树木。树种结构以栎类为主，阔叶树种占优势。落叶树种主要有日本落叶松(Larix kaempferi)、锐齿栎(Quercus aliena var. acuteserrata)、麻栎(Q. acutissima)等；常绿树种主要有油松(Pinus tabulaeformis)、华山松(Pinus armandii)、云杉(Picea asperata)等。

本研究获取1景SPOT5和2景GF-1 PMS2遥感影像。影像均含4个多光谱波段，SPOT5空间分辨率为10 m(短波红外为20 m)，GF-1空间分辨率为8 m。2景GF-1影像时相相差8天，镶嵌拼接可完整覆盖试验区。影像覆盖如图 1所示，红色边框为SPOT5范围，黄色边框为GF-1范围。影像基本参数见表 1。鉴于研究区数据获取情况和地表类型时空特征，尽管2种不同传感器影像获取时间相隔2年半，但由于该时间段内典型地物和主要森林类型自身信息类别属性变化甚微，且受自然和人为干扰很小，因此，可认为基本未发生变化，即影像时间不一致对林地类型精细分类结果的影响可忽略不计。

表 1 影像基本参数 Tab.1 Image basic parameters

表 1 影像基本参数 Tab.1 Image basic parameters 传感器 Sensor 产品号 Product ID 获取时间 Imaging date 景中心坐标 Center coordinate 太阳高度角 Sun elevation/(°) 太阳方位角 Sun azimuth/(°) SPOT5 HRG2 263281 2011-06-23 34°16′37″N 106°20′40″E 71.03 119.94 GF-1 PMS2 144138 2013-12-31 34°20′55″N 106°19′12″E 30.95 164.38 GF-1 PMS2 147560 2014-01-08 34°19′41″N 106°37′28″E 31.47 162.76

辅助数据包括：1∶5万地形图及其矢量化、数字高程模型(DEM)及坡度图； 2008年前后“二类调查”成果与林相图(图略)及森林类型分布图(图 2)，图 2反映森林优势树种(组)类型信息，油松林、华山松林、日本落叶松林、栎类落叶阔叶林均表示小班树种成数大于5，针阔混交林表示小班内N₁个阔叶树种与N₂个针叶树种的成数均小于5，落叶阔叶混交林表示小班内N个阔叶树种的成数均小于5，其他表示均不符合上述类别，仅少量小班，树种含栎类、桦类、红桦(Betula albosinensis)、硬阔类，杨、槭、软阔类及云杉、柏等。

图 2 主要森林类型分布 Fig.2 Main forest type distribution

外业调查样本用于分类训练及精度验证是较为客观、可靠的方法。在不同季节，通过3次外业实地调查获得研究区典型地类与主要森林类型的样本空间位置及类别属性：第1次外业调查于2014年9月开展，考虑到各类别分布状况、面积比例与大小、调查工作量与可及性等因素，重点获取各典型地类和主要森林类型要素150个样本，样本独立、均匀分布，具有良好的代表性，样本大小为10 m ×10 m，调查方式为在样本中心采用GPS(Trimble Geo Explorer 6000)单点空间定位、属性标注、附记录表和外业照片；第2次外业数据采集于2015年4月开展，兼顾区域整体森林分布、重点区域类型精细识别、类别重要性及固有样本容量、调查工作量与可及性等因素，共获取各主要森林类型要素1 382个样本，每类样本数均在60个以上，调查方式为对独立、均质样本采用GPS精确定位、属性标注、附记录表和外业照片，确保各类别空间位置精确、信息类别精细，并记录森林类型、树种组成、优势树种(组)、郁闭度、龄组、林下灌木种类与盖度、海拔、坡度、坡向、坡位、经营活动等主要调查因子；第3次外业调查于2015年6月开展，主要针对随时间变化较大的地物类别(耕地等)及未成林地、无立木林地、灌木林、苗圃地等林地类型进行补测、核实，共获取各类型要素36个样本，采用GPS单点定位、属性标注、附记录表和外业照片。囿于某些区域地形复杂、可及性差、信号欠佳等因素影响限制，外业样本分布均匀性受到影响；尽管如此，外业采集样本仍涵盖了百花林场典型地类和所有主要森林类型，具有一定的典型性和代表性，并能满足实际应用需求。需要指出的是，虽然遥感影像获取时间与实地调查时间未能完全同步，但开展研究期间该区域典型地类和主要森林类型变化很小(苗圃地除外)，且通过3次外业调查对于试验区各类别季节变化与时相特征已详尽掌握，因此时间上的不一致性对类别精细识别和精度评价影响甚微。外业调查各主要森林类型样本与GF-1假彩色合成影像叠加显示如图 3所示。

图 3 主要森林类型外业样本点 Fig.3 Field sample points of main forest types

为达到林地类型精细识别的目的，需要空间位置精确、光谱信息真实，因此需要对遥感影像进行预处理，包括遥感影像的辐射定标、大气校正、正射校正、地形辐射校正、拼接、相互配准、裁剪等。对SPOT5和GF-1影像进行大气校正，使植被波谱曲线趋于正常。通过1∶5万地形图获取DEM对影像进行正射校正，改正影像倾斜和投影差，消除因山区地形起伏和传感器系统误差等而引起的像点位移。进行地形辐射校正以减弱遥感影像地形效应，补偿由于不规则地形起伏而造成的地物亮度变化。对正射校正后2景GF-1影像进行镶嵌，以SPOT5校正结果作为参考影像，选取45个同名点，采用二阶多项式进行相对配准，总体均方根误差(total RMS error)为 0.494。

参考《国家森林资源连续清查技术规定》¹⁾(国家林业局. 2004. 国家森林资源连续清查技术规定.)地类划分标准与《森林资源规划设计调查主要技术规定》²⁾(国家林业局. 2003. 森林资源规划设计调查主要技术规定.)林地分类系统，根据研究区地表覆盖状况和应用需求，结合遥感影像特点和森林类型精细识别能力，综合考虑类别科学性、系统性及层次性，将本研究主要林地类型划分为油松林、华山松林、日本落叶松林、栎类落叶阔叶林、其他落叶阔叶混交林、其他林地和苗圃地7类，构建如表 2所示4级分类系统。其中，油松林和华山松林为本区域的优良乡土树种；日本落叶松林为人工营造的速生丰产林；栎类落叶阔叶林为由栎类和槭、椴、桦等阳性阔叶树种构成的典型、稳定次生落叶阔叶林；其他落叶阔叶混交林由栎类、桦类、红桦、水曲柳等硬阔类树种等组成；其他林地包括未成林地、宜林地、灌木林地等非有林地范畴的林地及四旁树。本研究旨在发展林地类型精细分类方法，进一步对油松林、华山松林、日本落叶松林、栎类落叶阔叶林、其他落叶阔叶混交林5种主要森林类型进行信息提取，以期达到优势树种(组)级别的精细识别目的；而非林地不作为本研究的重点内容，故非林地类型仅划分为耕地、牧草地、水域、未利用地、建设用地5类，不再进一步细分。

表 2 分类系统 Tab.2 Classification system

表 2 分类系统 Tab.2 Classification system 1级类型The first level category 2级类型The second level category 3级类型The third level category 4级类型The fourth level category 林地Forest land 有林地Closed forest 针叶林Coniferous forest 油松林Pinus tabulaeformis 华山松林Pinus armandii 日本落叶松林Larix kaempferi 阔叶林Broad-leaved forest 栎类落叶阔叶林Oak species dominant broad-leaved deciduous forest 混交林Mixed forest 其他落叶阔叶混交林Other deciduous broad-leaved mixed forest 其他林地Other forest types 苗圃地Nursery 非林地Non-forest land 耕地 Farmland 牧草地 Grassland 水域 Water 未利用地 Unused land 建设用地 Construction land

基于SPOT5和GF-1影像上典型地类和主要森林类型的光谱特征，分析各类别在不同数据源、不同时相影像上的光谱差异和光谱域类别可分性。

图 4a，b所示为SPOT5和GF-1影像上典型地类光谱曲线。由图 4a可知，SPOT5影像上耕地、牧草地在红波段(Band2)和近红外波段(Band3)表现出明显的植被光谱响应“峰谷”特征，建设用地、未利用地和苗圃地类别光谱特征重叠，仅依赖光谱特征难以区分。由图 4b可知，由于时相原因，耕地、牧草地和苗圃地在各个波段上的光谱特征表现出一致性，在近红外波段(Band4)具有相似的特征趋势，尤其是耕地和苗圃地光谱曲线几乎完全重合。

图 4 典型地类光谱曲线 Fig.4 Spectral curves of six typical ground objects

图 5a，b所示为SPOT5和GF-1影像上主要森林类型光谱曲线。由图 5a可知，SPOT5影像上油松林、华山松林、日本落叶松林、栎类落叶阔叶林、其他落叶阔叶混交林、其他林地类型表现出明显的植被光谱响应“峰谷”特征，栎类落叶阔叶林在近红外波段(Band3)上具有显著特征，而其他落叶阔叶混交林与其他林地在近红外波段(Band3)上差异较小。对于主要森林类型，除栎类落叶阔叶林外，其他森林类型在SPOT5影像光谱域上区分程度有限，难以满足精细识别的要求。由图 5b可知，油松林、华山松林与其他森林类型波谱特征趋势明显不同，尤其在近红外波段(Band4)与其他森林类型差异极为显著；而油松林与华山松林类别间的光谱差异，在GF-1影像近红外波段(Band4)也较SPOT5影像更为显著。油松林和华山松林光谱特征在不同时相影像上的波段特征趋势也发生明显变化，这可能与不同数据源波段的光谱范围设置有关，但更重要的是油松林和华山松林本身的生物学特征使光谱响应特征随季节而发生显著变化。油松林和华山松林不同时相的光谱响应及其变化规律为进一步使用波段差值、波段比值及多时相植被指数精细识别油松林和华山松林这2种常绿针叶林提供了可靠依据。

图 5 林地类型光谱曲线 Fig.5 Spectral curves of six main forest land types

日本落叶松林、栎类落叶阔叶林、其他落叶阔叶混交林和其他林地等林地类型具有冬季完全落叶的生物学特性，在GF-1影像红(Band3)、红外波段(Band4)上表现明显，与SPOT5影像对应波段光谱特征差异显著。栎类落叶阔叶林、其他落叶阔叶混交林在GF-1影像上光谱曲线几乎完全重合，说明冬季影像更多反映落叶阔叶林落叶后林分表面和背景(林间空隙、土壤、环境等)的混合光谱特征，二者表现出较强的“异物同谱”现象，仅用光谱域特征难以区分。由SPOT5影像栎类落叶阔叶林和其他落叶阔叶混交林光谱特征曲线可知，2类光谱 特征曲线具有一定的可分性，若能加入其他显著特征(如纹理、植被指数等)，有可能使2类光谱特征曲线完全分开。日本落叶松林为针叶落叶树种，在GF-1影像上表现出与其他阔叶落叶树种相似的光谱变化趋势，但在SPOT5影像上日本落叶松林光谱特征值范围和区间与其他类别有较大差异，尤其是在红、近红外波段。因此，日本落叶松林显著的生物学特征和影像光谱特征的时相变化规律可为该森林类型的精细识别提供可靠的判别依据。

分析发现，仅用SPOT5影像光谱特征难以将油松林和华山松林准确区分开，结果可能会存在类别混淆和较大不确定性，而GF-1影像特征可区分油松林和华山松林，这说明多源影像信息互补在森林类型精细识别方面具有比单一影像数据源更大的优势。

植被指数是地表植被覆盖、生长状况的有效度量，有助于增强遥感影像的解译与识别能力(田庆久等，1998)。本文选取归一化植被指数(NDVI)、比值植被指数(RVI)、比值短波红外指数(RSI)和差值植被指数(DVI)作为有效特征参数参与林地类型精细分类。

影像在某个方向θ上，以相隔一定距离s的1对像元灰度(i，j)出现的统计规律，可用灰度共生矩阵(GLCM)表达方向、相邻间隔、变化幅度的综合信息，即P_(θ，s)表示。θ一般取4个离散方向：0°，45°，90°，135°，而s一般取为{0，4，8，…，32}或1。均值(mean，ME)、同质性(homogeneity，HOM)、非相似性(dissimilarity，DIS)、熵(entropy，ENT)、角二阶距(angular second moment，ASM)等为常用纹理特征(Haralick，1979)。引入相对峰值(relative kurtosis，RK)作为像元间DN值信息变动的纹理度量，该参数不用假设纹理参量服从某种概率分布规律，可以直接对纹理进行度量以表征相对于高斯分布的样本多元峰度(Doulgeris et al.，2008)。

根据研究区类别特征和影像纹理特征差异，经过反复测试，选取均值(ME)、同质性(HOM)、非相似性(DIS)、信息熵(ENT)、角二阶距(ASM)、相对峰值(RK)6个显著纹理特征参与影像分类。

由图 6a，b可知，同质性(HOM)、非相似性(DIS)纹理特征的引入使得苗圃地与其他类别之间具有明显的可分性。

图 6 类纹理特征可分性 Fig.6 exture feature separability of three ground objects

图 7a表明SPOT5影像Band 1纹理特征均值(ME)的引入，使得其他林地类型与日本落叶松、栎类落叶阔叶林、其他落叶阔叶林类型之间具有明显的可分性；其他落叶阔叶混交林与栎类落叶阔叶林之间也具有较为明显的可分性；而栎类落叶阔叶林与日本落叶松林表现出相同的纹理特征值，难以区分，但是在光谱域则具有显著的可区分性。而Band 3，Band 4纹理特征对于上述类型可分性欠佳(图 7c，d)。

图 7 林地纹理特征可分性 Fig.7 Texture feature separability of four forest land types

地形因子主要有坡度、坡向和海拔等。研究区主要森林类型及优势树种本身的生物学特性(如喜光)、树种群落特性和生态适生范围(如红桦等硬阔适生于较高海拔区域)、垂直向空间分布特征等较为明显，即主要森林类型与DEM高程及坡度、坡向等地形因子间具有较强相关性，故将DEM高程及坡度、坡向因子等作为森林类型精细分类的有效特征和辅助信息，以进一步提高森林类型精细识别精度。

试验区地处中山区域，地形复杂，“同物异谱、同谱异物”现象严重，且阴影明显，虽进行了正射校正和辐射校正等预处理，但仍难以完全消除地形因素影响导致的光谱异常、信息畸变和类别混淆，单一影像光谱特征和单一数据源难以满足林地类型精细识别的应用需求。鉴于上述区域状况、地表覆盖和影像特点，本文充分利用多源数据、挖掘多元特征、综合辅助信息，总体上采用层次化信息提取策略，开展复杂山区地形条件下高空间分辨率遥感影像林地类型精细化信息提取方法研究，由易到难逐层提取各类型信息，在每层上采用适于该层待提取信息类别的分类特征和分类方法，确保每层信息类别的分类精度，使层间误差和不确定性降至最低。

首先，对二级类水域、未利用地、建设用地、苗圃地Ⅰ 4类进行信息提取。利用SPOT5影像归一化植被指数NDVI＜0.6提取非林地的水域、未利用地、建设用地和林地的苗圃地Ⅰ区域，将其作为Layer 1，其中，苗圃地Ⅰ为纯苗圃地。在分析类别光谱特征和可分性的基础上，引入HOM、DIS、ENT、ASM和RK纹理特征，选取3×3窗口，纹理特征的引入对光谱域易于混淆的苗圃地和建设用地具有很好的可分性。针对Layer 1影像上4种类别所占面积比例较小的实际状况，采用支持向量机(SVM)分类方法。

其次，对耕地、牧草地、日本落叶松Ⅰ、苗圃地Ⅱ和其他林地Ⅰ 5类进行信息提取。其中，日本落叶松Ⅰ为山谷平地区域日本落叶松幼龄林；苗圃地Ⅱ为苗圃幼苗地；其他林地Ⅰ为四旁树。结合研究区实际状况与实地调查结果，设定坡度Slope阈值为10°，以Slope＜10°与二类调查结果林地边界为条件，提取SPOT5影像NDVI>0.6影像区域，将其作为Layer 2，在该层影像上提取耕地、牧草地、日本落叶松Ⅰ、苗圃地Ⅱ和其他林地Ⅰ 5类信息。鉴于不同分类器对于分类模式具有互补性，联合多个分类器的输出结果可提高林地类型精细识别性能，在解决复杂分类问题方面能够获取比单一成员分类器精度更高、性能更可靠的分类效果。针对Layer 2影像光谱域类别特征，分别独立采用最大似然法(MLC)、支持向量机(SVM)和人工神经网络(ANN)3种分类方法对Layer 2进行分类，进一步采用并联结构的组合分类器(MCC)投票规则将多个分类器独立分类的结果进行决策级组合优化，即通过最大投票方法(MV)确定各分类器输出结果信息类别不一致时模式类别确定问题。

再次，对Layer 1和Layer 2范围外的SPOT5影像区域进行分析，发现SPOT5影像光谱域的森林类型识别能力难以满足精细分类要求。油松林和华山松林在GF-1影像上容易与其他类别区分，且油松和华山松类别间也更易区分。因此，在GF-1影像上可较容易提取油松Ⅰ、华山松、阴影、有林地、冰雪等类别，其中，油松Ⅰ分布于未受阴影影响区域；阴影、有林地和冰雪类仅作为过渡类，不参与最终信息类别确定。针对GF-1影像，选用光谱特征和NDVI、RVI、DVI指数特征，采用方法同Layer 2，以GF-1影像分类结果中油松Ⅰ与华山松区域作为Layer 3。

需要指出的是，GF-1影像太阳高度角较大，影像存在阴影区域且难以消除，地形效应明显，“同物异谱现象”较为显著，因此在GF-1影像上除油松林、华山松林以外的其他类别统一归为“有林地”，不在GF-1影像上进一步细分。SPOT5影像入射角较小，近似垂直成像，阴影少，故用SPOT5影像对油松林、日本落叶松林、栎类落叶阔叶林、其他落叶阔叶混交林、其他林地类别做进一步细分。

最后，在Layer 1，Layer 2和Layer 3范围外的SPOT5影像上进行油松林Ⅱ、日本落叶松林Ⅱ、日本落叶松林Ⅲ、栎类落叶阔叶林Ⅰ、栎类落叶阔叶林Ⅱ、其他林地Ⅱ、其他落叶阔叶混交林7类信息的提取。其中，油松Ⅱ为影像上受地形和阴影影响区域；日本落叶松Ⅱ、日本落叶松Ⅲ受地形影响存在“同物异谱”现象；栎类落叶阔叶林Ⅰ、栎类落叶阔叶林Ⅱ分别为栎类树种占7成以上的纯林和栎类树种占5成及以上的落叶阔叶混交林，由于栎类树种组成和所占成分不同，光谱差异影响较大；其他林地Ⅱ包括未成林地、宜林地、灌木林地。引入纹理特征ME、植被指数NDVI、RVI、SVI等特征，使得油松林Ⅱ与日本落叶松林Ⅱ、栎类落叶阔叶林Ⅰ与其他落叶阔叶混交林具有显著可分性；并同时引入DEM、坡度、坡向3个地形特征因子，采用人工神经网络(ANN)分类器进行森林类型精细识别，将其作为Layer 4。

上述Layer 1～Layer 3每层影像保证待分类别训练样本可分性为1.95以上，Layer 4影像可分性为1.90以上，并用独立验证样本检验分类精度，经反复测试调整，使得每层内分类结果信息类别精度可靠，且多层之间误差传播的可能性降至最低。需要说明的是，训练样本根据外业实地调查和辅助数据选取，兼顾样本代表性、可分离度和信息类别分布状况，各层均选取一定数量的训练样本，且每类训练样本数目不低于60。支持向量机(SVM)分类方法采用径向基(RBF)核函数，神经网络(ANN)分类方法采用Logistic激活函数，训练终止误差RMS最大为0.15，训练迭代次数最大为2 000。上述各层信息提取后即做掩膜处理，最终将上述Layer 1～Layer 4 结果进行合并，并将类别合并为分类系统中所有信息类别。

通过上述多层次林地类型精细分类方法，得到研究区林地类型精细分类图。对分类结果进行重编码后处理，分类结果如图 8所示。下文为图表简明起见，栎类落叶阔叶林、其他落叶阔叶混交林和其他林地简写为栎类林、其他混交林和其他林地。

图 8 林地类型精细分类 Fig.8 Precise classification of forest land types

为验证本文方法在复杂山区地形条件下的适用情况和林地类型精细识别的精确性，基于外业调查获取的GPS样点数据，结合二类调查成果及林相图，根据研究区类别分布、信息类别数及各类别覆盖面积，估计各类别分类精度检验样本数量，最终采用分层随机抽样产生1 645个独立检验样本对分类结果林地类型进行精度验证，结果如表 3所示。由表 3可知，油松林、华山松林、日本落叶松林、苗圃地生产者精度和用户精度高；栎类落叶阔叶林与其他落叶阔叶混交林、栎类落叶阔叶林与其他林地存在一定程度的混淆；其他林地生产精度较低。总体分类精度为92.28%，Kappa系数为0.899 6，可以满足实际应用需求。

表 3 林地类型精度验证^① Tab.3 Accuracy validation of forest land type classification results

表 3 林地类型精度验证① Tab.3 Accuracy validation of forest land type classification results 类名Informational classes 油松Pinustabulaeformis 华山松Pinus armandii 日本落叶松Larix kaempferi 栎类林Oak 其他混交林Other mixed forest 其他林地Others 苗圃地Nursery 行总计Total 用户精度User accuracy(%) 油松Pinus tabulaeformis 5 482 63 4 2 1 23 0 5 575 98.33 华山松 Pinus armandii 7 1 165 0 0 0 0 0 1 172 99.40 日本落叶松 Larix kaempferi 0 0 2 265 4 3 42 0 2 314 97.88 栎类林Oak 0 0 0 9 101 234 701 0 10 036 90.68 其他混交林 Other mixed forest 0 0 0 950 3 766 22 20 4 738 79.49 其他林地Others 0 0 2 0 0 2 089 0 2 091 99.90 苗圃地Nursery 0 0 0 0 0 0 718 718 100.00 列总计Total 5 489 1 228 2 271 10 057 4 004 2 877 718 26 644 生产者精度 Producer accuracy(%) 99.87 94.87 99.74 90.49 94.06 72.61 100.00 ①总体分类精度Overall accuracy：92.28%； Kappa系数Kappa coefficient：0.899 6.

为进一步验证方法的应用精度，将遥感影像林地类别面积统计结果与二类调查及影像解译各类别面积统计结果进行对比分析，结果如表 4所示。由表 4可知，基于遥感影像林地类型精细分类结果精度较高，5种主要森林类型分类结果面积统计平均相对精度为92.4%。其中，油松林、华山松林在不同时相影像上光谱响应反差明显，且存在大面积纯林，易于提取，精度高；而对于小片油松林、华山松林及光谱特征受地形因素影响较大的区域，存在一定的误差。日本落叶松林相对精度为82.2%，这是由于日本落叶松林在夏季影像上“同物异谱”现象严重，加之复杂山区地形影响，易于与其他类别混淆，且多分布于沟谷，识别精度受到影响。栎类落叶阔叶林在本研究区具有典型性和代表性，与其他森林类别在光谱特征、生物学特征(喜光、落叶等)等方面存在明显差异，且不再进一步细分，故相对精度较高。由于其他落叶阔叶混交林多为硬阔类树种，与其他森林类型在光谱域具有显著差异，季相变化和生物学特征显著，且分布于海拔较高区域，生态适生范围和群落分布极具特殊性，故相对精度最高。总体而言，有林地5种主要森林类型分类结果统计面积与二类调查及影像解译结果统计面积具有很高的一致性。

表 4 林地类型面积统计与对比 Tab.4 Area statistics and comparative analysis of forest land types

表 4 林地类型面积统计与对比 Tab.4 Area statistics and comparative analysis of forest land types 油松 Pinus tabulaeformis 华山松 Pinus armandii 日本落叶松 Larix kaempferi 栎类林 Oak 其他混交林 Other mixed forest 调查及解译结果Inventory and interpretation results/hm2 7 808 55 2 056 13 565 3 714 影像分类结果 Image classification results/hm2 8 438 57 2 500 12 375 3 727 相对精度 Relative accuracy(%) 92.5 96.5 82.2 91.2 99.7 平均相对精度 Mean relative accuracy(%) 92.4

1 )本文发展的基于遥感影像多元特征、地形特征和辅助信息的分层信息提取方法，使得不同类别之间可分性增强，类型识别更为精细和有效，能满足复杂山区地形条件下高空间分辨率遥感影像林地类型信息提取和森林类型精细识别的应用需求。

2 )多源多时相遥感影像、基础地理数据、林业专题信息优势互补，组合分类、综合分析、层次化信息提取方法在林地类型精细识别方面具有比单一数据源、单一策略、单一方法更大的优势，能确保森林资源调查成果的精细化、准确性、高效性；尤其是国产卫星GF-1遥感影像在森林类型精细识别方面的显著优势，将在森林类型精准监测、时空变化信息提取、森林空间结构分析及优化调整辅助决策等方面发挥重要作用。

3 )综合多源、多时相高分遥感影像，可有效减弱地形阴影、“同谱异物”、“同物异谱”问题对分类结果精度的影响，降低复杂山区地形条件下林地类型信息提取、优势树种(组)精细识别、空间分布与面积统计方面等的误差和不确定性。

4 )高空间分辨率遥感影像林地类型精细分类方法仍有待进一步研究，尤其在大比例尺林地类型制图、大区域森林类型精细分类、树种(组)精准识别、自动化及智能化信息提取、变化监测技术等方面仍存在诸多障碍。多源、多时相、多角度时空遥感数据集与光谱库、地学知识、生物学规律相结合的专家系统、数据融合与数据挖掘、智能化分类器与集成分类器、多层次影像理解、面向对象分析、高光谱及SAR数据应用等方面的深入研究有望进一步提高森林类型识别精度、可信度和精细化程度，实现森林类型精准监测，满足国家准确了解森林类型信息的需求。

5 )本研究区具有典型性和代表性，大面积针叶纯林、以栎类为主的落叶阔叶林以及生长于高海拔区域由硬阔树种组成的其他落叶阔叶混交林，具有明显的时空特征。栎类落叶阔叶林、其他落叶阔叶混交林及其他林地未进一步细分。本文所采用的方法在其他区域的林地类型精细识别能力及实用性还需要进一步的验证与评估。