文章信息
- 鲁宁, 寇卫利, 徐伟恒, 狄光智, 王欢, 杨雪静
- LU Ning, KOU Weili, XU Weiheng, DI Guangzhi, WANG Huan, YANG Xuejing
- 西双版纳12a间森林扰动监测研究
- Forest disturbance monitoring of Xishuangbanna in the recent 12 years
- 森林与环境学报,2017, 37(4): 446-452.
- Journal of Forest and Environment,2017, 37(4): 446-452.
- http://dx.doi.org/10.13324/j.cnki.jfcf.2017.04.012
-
文章历史
- 收稿日期: 2017-01-08
- 修回日期: 2017-05-25
森林是陆地生态系统的一个重要组成部分,不仅能有效防止水土流失和保护环境,而且能够为人类的生产生活提供重要的物质保障[1]。热带森林是生物圈的一个重要组成部分,在生态环境和生物多样性保护方面有着非常重要的意义和作用。森林扰动是指受人类活动及自然灾害的影响,森林冠层覆盖及林木生物量减少或消失的事件[2-3]。森林扰动是森林生态系统演替的一个重要过程,在维持区域生态平衡与稳定方面具有不可替代的功能。然而,过于频繁的森林扰动又会严重影响区域生态平衡与稳定,尤其是受人类活动和自然灾害的影响而造成森林覆盖面积下降和质量退化[2]。以人为砍伐、自然火灾、暴雨风雪和病虫害为主的森林扰动在一定程度上直接或间接地影响着局部乃至全球的气候变化[3]。森林扰动监测研究对于揭示森林时空演变规律具有非常重要的意义,同时也为全球森林碳汇估算研究提供基础理论和技术支撑,已经成为全球变化研究领域的一个重要课题方向[4-5]。
人工调查是传统的森林扰动监测方法,其主要采用地面调查与测量来实现[6]。该方法存在费时、费力、效率低、时效性差、高山密林难以到达等问题,不能满足当前森林扰动监测的实际需求[7]。遥感技术能够大尺度地对地面进行观测,为解决该问题提供了一个新途径。国内外专家学者利用卫星遥感技术开展了大量的森林扰动监测研究,其方法主要分为两类:阈值分割法和影像分类法。如HEALEY et al[8]利用缨帽变换方法建立了森林扰动指数,使用阈值分割方法有效获取了多年的森林扰动信息,但该方法存在消除噪声干扰和阈值本地化问题,对于不同区域其阈值的大小直接决定着森林扰动提取的精度。影像分类法是利用遥感技术进行变化检测常用的方法,如王俊杰等[9]利用多时相遥感影像获取了红树林的时空变异特征,杨婷婷等[10]利用2000—2014年遥感数据揭示了福建长汀红壤区植被覆盖度变化。近年来,许多学者利用时序影像,采用随机森林、人工神经网络、支持向量机[11-12]等多种机器学习分类方法对森林扰动进行了研究。这些方法通过选取多类学习样本实现对多类覆盖类型分类,然而多类学习样本点的识别精度直接影响其分类精度,分类结果精度又决定着扰动解析的精度。西双版纳地属热带地区,多类样本点的选取解析较为困难,制约了森林扰动信息的提取。单类支持向量机(one class support vector machine,OCSVM)[12]是支持向量机的一个分支算法,在高光谱影像的异常检测和地物识别等多个领域中应用广泛。OCSVM的主要优势在于只关心研究区内的类型,在牺牲少量泛化性的同时, 能够有效降低误检率,并提高检测速度。在森林扰动检测研究中, 只关注森林的变化情况,对于非森林如裸地、水体、农地等类型不关心,OCSVM尤其适用于复杂环境下的森林扰动检测研究。热带森林是世界上生物多样性最为丰富的地区之一,目前针对热带地区的森林扰动遥感监测研究较少,亟需掌握其详细森林干扰情况,为区域土地利用和生态环境保护提供依据[13]。
本研究以西双版纳傣族自治州(西双版纳)为研究区域,将10 a的MODIS(2001—2010年)数据与1999—2010年间的6期30 m空间分辨率的Landsat 5/7 TM/ ETM+卫星遥感影像相结合,采用OCSVM分类方法探索西双版纳热带雨林的森林扰动规律,为当地的森林保护和土地利用覆盖变化监测提供了基础资料。
1 研究地概况与资料 1.1 研究地概况西双版纳地处北纬约21°10′,东经99°55′~101°50′之间,属北回归线以南的热带湿润区,按照Landsat卫星采用的全球参考系统划分规则,西双版纳地区被四景影像(Path 130/Row 045,Path 129/Row 045,Path 130/Row 044,Path 131/Row 045) 所覆盖(图 1)。西双版纳是我国唯一的热带雨林自然保护区,树木葱茏,属热带季风气候,气候温暖湿润。日照充足,雨量充沛,年平均气温约21 ℃,雨季约5个月,旱季约7个月, 雨季降水量占全年降水的80%以上, 终年无霜雪,年雾日达108~146 d。
1.2 研究方法通过获取Landsat遥感数据、MODIS数据,并进行预处理,采用OCSVM生成6期西双版纳的森林分布图,并基于此生成森林扰动图,具体的技术路线如图 2所示。
1.2.1 Landsat遥感数据获取与处理选用1999—2010年间空间分辨率为30 m的Landsat影像作为主要数据源来提取研究区的森林扰动信息,影像数据来自美国地质调查局(USGS)网站(http://glovis.usgs.org),每两年选取1期,共选取6期24景作为基础数据,对于受到云影响的影像,研究选取相近年份影像代替。研究所用到的Landsat 5/7 TM/ETM+影像数据均使用大气辐射校正软件(landsat ecosystem disturbance adaptive processing system, LEDAPS, http://ledaps.nascom.nasa.gov)对其进行了大气校正和辐射校正(表 1),以2005年的Path130/Row045(LT51300452005047BKT00) 的影像为基准,利用ENVI 5.1对各景反射率影像进行了几何纠正,配准精度控制在0.5个像素以内。采用掩膜方法对所有用到的Landsat 5/7 TM/ETM+影像的云进行处理,以减少云覆盖对分类结果的影响,主要处理步骤包括3步:(1) 通过Fmask[14]得到各期Landsat数据的云掩膜图层;(2) 使用ArcGIS的镶嵌工具,将第一步的各个云掩膜图层生成整个研究区的云掩膜图层;(3) 将整个研究区的云掩膜图层与各期影像进行空间叠加,生成各期去云后的影像数据。为提高数据处理速度,处理后的所有遥感影像都基于西双版纳行政区边界进行了裁剪。
编号 No. |
数据名称File name | Landsat类型 Landsat type |
获取时间 Acquisition date |
云量 Cloud/% |
1 | LE71300451999359EDC00 | ETM+ | 1999-12-25 | 0.20 |
2 | LT51300452001052BJC00 | TM | 2001-02-21 | 0.05 |
3 | LE71300452003050SGS00 | ETM+ | 2003-02-19 | 0.16 |
4 | LT51300452005047BKT00 | TM | 2005-02-16 | 0.16 |
5 | LT51300452007085BKT00 | TM | 2007-03-26 | 0.00 |
6 | LT51300452010045BJC00 | TM | 2010-02-14 | 0.00 |
7 | LE71290451999320SGS00 | ETM+ | 1999-11-16 | 13.86 |
8 | LT51290452001061BJC00 | TM | 2001-03-02 | 31.08 |
9 | LE71290452003059SGS00 | ETM+ | 2003-02-28 | 2.43 |
10 | LT51290452005056BJC01 | TM | 2005-02-25 | 0.56 |
11 | LT51290452006059BKT00 | TM | 2006-02-28 | 11.29 |
12 | LT51290452009019BKT00 | TM | 2009-01-19 | 11.57 |
13 | LE71300441999359EDC00 | ETM+ | 1999-12-25 | 0.30 |
14 | LT51300442001052BJC00 | TM | 2001-02-21 | 2.44 |
15 | LT51300442003058BJC00 | TM | 2003-02-27 | 2.75 |
16 | LT51300442005047BKT00 | TM | 2005-02-16 | 12.02 |
17 | LT51300442007085BKT00 | TM | 2007-03-26 | 7.66 |
18 | LT51300442010045BJC00 | TM | 2010-02-14 | 0.17 |
19 | LE71310452000081SGS00 | ETM+ | 2000-03-21 | 0.00 |
20 | LE71310452001035SGS00 | ETM+ | 2001-02-04 | 2.07 |
21 | LE71310452003057SGS00 | ETM+ | 2003-02-26 | 0.10 |
22 | LT51310452005038BKT00 | TM | 2005-02-07 | 1.00 |
23 | LT51310452007268BKT01 | TM | 2007-09-25 | 11.21 |
24 | LT51310452009337BKT00 | TM | 2009-12-03 | 16.85 |
训练样本选择的准确性、随机性、完整性直接影响着影像分类的精度,选择基于时序的MODIS分类数据用于Landsat分类训练和验证样本的生成。首先,研究从美国地质调查局网站(http://lpdaac.usgs.gov/dataset_discovery/modis/MODIS_products_table/MCD12Q1)下载了2001—2010年间10期500 m空间分辨率的免费MODIS MCD12Q1数据。其次,将MODIS产品UMD(类型2) 重分类为森林和非森林两类,其中森林包括常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林、混交林、封闭灌木丛、开放灌木丛。为确保MODIS与Landsat影像坐标系的一致性,将MODIS数据重投影到Landsat坐标系(WGS_84_UTM_zone_47N)。为了与30 m的Landsat遥感影像分辨率一致,研究将MODIS数据重新采样为30 m分辨率,并进行了影像配准。
1.3 研究方法 1.3.1 OCSVM的基本原理采用支持向量机进行遥感影像目标检测的本质是将目标检测问题转化为一个具体样本的分类过程。作为半监督分类的单类支持向量机(one class support vector machine, OCSVM)适用于单一类别目标信息源的目标检测问题,其主要理论依据是目标类样本在特征空间分布上具有较好的相似性以及非目标类在空间分布上的分散性。由于OCSVM只使用了一类训练样本,理论上比SVM节约一半左右的计算时间[15]。函数概率密度是OCSVM最早应用的领域[16],OCSVM的主要原理可以描述如下:假设有一组数据样本{xi,i=1,2,…,N},为了使其能够得到较好的聚集性,一般都采用一个核函数Ø将其映射至一个高维特征空间之中,同时为了实现目标数据和坐标原点之间的最大分离程度,在特征空间之中求解并且构造出一个最优的超平面(图 3)。假设坐标原为一个唯一的异常样本,则最优超平面和坐标原点之间的最大距离定义成ρ/‖ω‖,并且坐标原点和分界面间允许有一小部分样本存在,和分类超平面之间的距离是§/‖ω‖,其决策函数如公式(1) 所示。
$f\left( x \right) = {\rm{sign}}\left[ {\omega \mathit{\Phi }\left( x \right) - \rho } \right]$ | (1) |
式中:ω为支持向量权重;ρ为阈值。参数ω和ρ通过公式(2) 获得
$\begin{array}{*{20}{l}} {\mathit{\boldsymbol{ \boldsymbol{\varPhi} }}\left( {\omega ,\mathit{\S},\rho } \right) = \frac{1}{2}{{\left\| \omega \right\|}^2} + \frac{1}{{vN}}\sum\limits_{i = 1}^N {{\mathit{\S}_i}} - \rho }\\ {s.{\rm{ }}t.{\rm{ }}\left[ {\omega \mathit{\Phi }\left( x \right)} \right] \ge \rho - {\mathit{\S}_i},{\mathit{\S}_i} \ge 0} \end{array}$ | (2) |
式中:ξi为松驰因子;v为控制错分比例参数,v∈(0,1);s.t.为约束条件,为了控制支持向量在所选的训练样本中的比重,通过引入核函数,将上述问题转换为对偶问题。
$\begin{array}{*{20}{l}} {{\rm{LD}}\left( \alpha \right) = \frac{1}{2}\sum\limits_{i = 1}^N {\sum\limits_{j = 1}^N {\left[ {{a_i}{a_j}k\left( {{x_i},{x_j}} \right)} \right]} } }\\ {s.{\rm{ }}t.{\rm{ }}0 \le {a_i} \le \frac{1}{{vN}},\sum\limits_{i = 1}^N {{a_i} = 1} } \end{array}$ | (3) |
式中:LD(α)是在条件
基于10期MODIS的MCD12Q1产品, 采用自动化算法生成研究需要的样本数据,利用较高时间分辨率(8 d)的时序MODIS分类产品获取准确可靠的训练和验证样本[17-18]。首先,将2001—2010年间的10期MODIS的MCD12Q1数据产品进行联合运算,自动识别出连续10 a间土地利用类型为森林的区域,并利用全局云掩膜图层排除受云影响的区域;然后, 以1 000 m为最小间隔,采用随机采样方式提取1 700个森林样本点。为确保森林样本点的准确性,利用Google Earth高清影像人工解译的方法获取了1 700个学习样本,其中144(8.47%)个样本因为缺失高清影像或有云不能确定其准确类型,1 394(82.0%)个连续10 a都为森林,162个(9.52%)为非森林。从1 394个样本中随机地选择了70%(976个)作为训练数据,剩余的30%作为验证数据(418个),采用OCSVM进行西双版纳热带森林扰动信息提取。
1.3.3 OCSVM参数设置OCSVM的参数设置对于分类结果具有非常大的影响,所以合理选择和设置参数十分重要。本研究选用的是Schoelkopf′s方法,Gamma参数设置为1,Nu参数设定为0.01。
1.3.4 基于目标检测的森林扰动制图首先,基于训练样本和1999—2010年间的西双版纳Landsat TM/ETM+遥感影像,使用Matlab软件包LibSVM[17]实现的OCSVM分类算法自动化地进行森林分类,得到1999、2001、2003、2005、2007、2010年的6期西双版纳的森林分布图。然后,使用ArcGIS 10.2空间信息处理平台对6期森林分布图进行了变化检测,得到1999—2010年间的森林变化图。再次,通过对森林变化图进行重分类生成了森林扰动图。最后,基于森林样本点对不同时期的森林分布图进行了分类结果精度验证。
2 结果与分析 2.1 基于OCSVM的1999—2010年间的森林扰动图根据1999—2010年间研究区森林扰动结果图(图 4)及森林扰动细节图(图 5)的分析,结果表明,西双版纳森林在1999—2010年间发生了较大的扰动。
通过对1999—2010年间的森林扰动变化图进行统计,以1999年西双版纳的分类结果为基准,其中森林像元数有18 852 355个,面积为1 696 711.95 hm2,占总面积的90.92%;非森林1 883 486个,面积为169 513.7 hm2,占总面积的9.08%,1999—2010年间受到扰动的像元数共有2 027 935个,变化总面积为182 514.15 hm2,占森林总面积的10.67%。分年份统计情况如表 2所示,其中2007年扰动最大,占3.68%,2005年扰动最小,占1.58%。
年份 Year |
像元数 Pixel number |
扰动面积 Area of disturbance/hm2 |
百分比 Percentage/% |
2010 | 332 545 | 29 929.05 | 1.69 |
2007 | 722 316 | 65 008.44 | 3.68 |
2005 | 310 303 | 27 927.27 | 1.58 |
2003 | 576 080 | 51 847.20 | 2.93 |
2001 | 410 710 | 36 963.90 | 2.09 |
利用418个样本点对OCSVM各期影像的分类结果进行了分类精度验证,其中377个森林样本点在1999—2010年间一直保持为森林类型,各期影像的森林分类精度均大于93%(表 3),能够满足森林变化检测和扰动分析的要求。
年份 | 正确分类的森林样本数 | 错误分类的森林样本数 | 制图精度 | 用户精度 | 总体精度 |
Year | Correct classification forest sample | Misclassification forest sample | Prod. Accuracy/% | User Accuracy/% | Accuracy/% |
1999 | 416 | 2 | 99.52 | 99.52 | 99.04 |
2001 | 409 | 9 | 99.76 | 98.08 | 97.85 |
2003 | 410 | 8 | 100.00 | 98.56 | 98.56 |
2005 | 416 | 2 | 99.52 | 99.52 | 99.04 |
2007 | 391 | 27 | 99.49 | 93.96 | 93.54 |
2010 | 415 | 3 | 99.04 | 99.52 | 98.56 |
与1999年相比,2001年森林面积增加了0.51%(表 4)。2003年非森林面积达到12.59%,相比2001年的8.57%,森林减少百分比达4.02%。2007年非森林百分比达到最大值(12.86%)。1999—2010年间西双版纳的森林持续受到干扰(表 5),每两期间的森林面积转出与转入变化明显,说明此期间森林仍然受到各种因素的影响,干扰呈持续发生状态。从时间维度来看,2003年森林的转出面积远大于森林转入,森林面积流失相当严重。2007年后森林转出面积呈下降趋势,森林转入面积呈快速上升趋势,表明当地政府土地利用政策与环境保护政策对森林扰动也有一定的作用,有利于热带森林及其生态环境的保护。扰动主要发生在海拔较低的景洪市和勐腊县,主要原因是人口增长引起的耕地增加和以橡胶林为代表的人工林种植。
年份 Year |
非森林面积 Non-forest area/hm2 |
森林面积 Forest area/hm2 |
非森林百分比 Non-forest rate/% |
1999 | 169 513.74 | 1 696 711.95 | 9.08 |
2001 | 159 861.78 | 1 706 363.90 | 8.57 |
2003 | 234 866.25 | 1 631 359.44 | 12.59 |
2005 | 225 388.89 | 1 640 836.80 | 12.08 |
2007 | 240 085.26 | 1 626 140.43 | 12.86 |
2010 | 193 928.40 | 1 672 297.29 | 10.39 |
年份 Year |
2001年2001 Year | 2003年2003 Year | 2005年2005 Year | 2007年2007 Year | 2010年2010 Year | |||||||||
森林转出 Loss/hm2 |
非森林转入 Gain/hm2 |
森林转出 Loss/hm2 |
非森林转入 Gain/hm2 |
森林转出 Loss/hm2 |
非森林转入 Gain/hm2 |
森林转出 Loss/hm2 |
非森林转入 Gain/hm2 |
森林转出 Loss/hm2 |
非森林转入 Gain/hm2 |
|||||
1999 | 63 731.79 | 73 383.75 | ||||||||||||
2001 | 123 773.13 | 48 768.66 | ||||||||||||
2003 | 76 867.11 | 86 344.47 | ||||||||||||
2005 | 101 032.38 | 86 336.01 | ||||||||||||
2007 | 67 402.98 | 113 559.84 |
本研究基于30 m分辨率的Landsat TM/ETM+遥感影像,采用OCSVM方法对1999—2010年间西双版纳热带森林的扰动情况进行了提取、分析和监测。研究结果表明:OCSVM方法在提取热带森林方面具有较高的精度(90.19%),并且具有操作简单方便的优点,是一种能够快速实现热带森林提取的有效方法。根据西双版纳的热带森林在1999—2010年间的干扰监测结果可知:该地区的森林仍然受到各种因素的不断干扰,其中2007年扰动最大,2005年扰动最小,热带森林面积呈逐年减小的趋势,热带森林保护的形势依然较为严峻。由于森林面积的变化与区域土地环境保护政策密切相关,根据2007年森林面积开始不断增加的结果来看,区域土地利用与环境保护政策能够在一定程度上能够抑制人为活动产生的热带森林干扰,有利于热带森林及其生态环境的保护。
本研究采用的自动化地提取森林样本的方法能够有效快速地提取准确的大量森林样本,为算法训练和结果验证提供可靠依据,能够用于相关的研究当中。虽然OCSVM方法在热带森林扰动监测中具有较高的效率和精度,但其在农作物的生长期容易与农地产生误分现象,因此下一步的研究工作需要从这个方面对该方法进行优化, 并进一步明确区域内详细的森林扰动类型及分析其森林扰动原因。
[1] | 曹云, 祝善友, 高玚, 等. 复合高低空间分辨率遥感影像的云南省近十年森林扰动提取[J]. 西北林学院学报, 2015, 30(6): 203–209. |
[2] | HUANG C Q, GOWARD S N, SCHLEEWEIS K, et al. Dynamics of national forests assessed using the Landsat record:case studies in eastern United States[J]. Remote Sensing of Environment, 2009, 113(7): 1430–1442. DOI:10.1016/j.rse.2008.06.016 |
[3] | 郁达威, 沈润平, 杨辰, 等. 武宁县森林扰动及驱动因子分析[J]. 生态与农村环境学报, 2013, 29(5): 581–586. |
[4] | HUANG C Q, COWARD S N, MASEK J G, et al. An automated approach for reconstructing recent forest disturbance history using dense Landsat time series stacks[J]. Remote Sensing of Environment, 2010, 114(1): 183–198. DOI:10.1016/j.rse.2009.08.017 |
[5] | MASEK J G, HUANG C Q, WOLFE R, et al. North American forest disturbance mapped from a decadal Landsat record[J]. Remote Sensing of Environment, 2008, 112(6): 2914–2926. DOI:10.1016/j.rse.2008.02.010 |
[6] | 张连华, 庞勇, 岳彩荣, 等. 基于缨帽变换的景洪市时间序列Landsat影像森林扰动自动识别方法研究[J]. 林业调查规划, 2013, 38(2): 6–12, 19. |
[7] | 赵宪文, 李崇贵, 斯林, 等. 基于信息技术的森林资源调查新体系[J]. 北京林业大学学报, 2002, 24(5/6): 147–155. |
[8] | HEALEY S P, COHEN W B, YANG Z Q, et al. Comparison of tasseled cap-based Landsat data structures for use in forest disturbance detection[J]. Remote Sensing of Environment, 2005, 97(3): 301–310. DOI:10.1016/j.rse.2005.05.009 |
[9] | 王俊杰, 刘珏, 石铁柱, 等. 1990-2015年广西廉州湾红树林遥感动态监测[J]. 森林与环境学报, 2016, 36(4): 455–460. |
[10] | 杨婷婷, 郭福涛, 王文辉, 等. 福建长汀红壤区植被覆盖度变化趋势分析[J]. 森林与环境学报, 2016, 36(1): 15–21. |
[11] | 杨辰, 沈润平, 郁达威, 等. 利用遥感指数时间序列轨迹监测森林扰动[J]. 遥感学报, 2013, 17(5): 1246–1263. |
[12] | SCHÖLKOPF B, PLATT J C, SHAWE-TAYLOR J, et al. Estimating the support of a high-dimensional distribution[J]. Neural Computation, 2001, 13(7): 1443–1471. DOI:10.1162/089976601750264965 |
[13] | LIU S S, WEI X L, LI D Q, et al. Examining forest disturbance and recovery in the subtropical forest region of Zhejiang Province using Landsat time-series data[J]. Remote Sensing, 2017, 9(5): 479. DOI:10.3390/rs9050479 |
[14] | ZHU Z, WOODCOCK C E. Object-based cloud and cloud shadow detection in Landsat imagery[J]. Remote Sensing of Environment, 2012, 118: 83–94. DOI:10.1016/j.rse.2011.10.028 |
[15] | 王凯峰, 秦前清. 基于单类SVM的遥感图像目标检测[J]. 计算机工程与应用, 2005, 41(32): 67–68, 72. |
[16] | 吴定海, 张培林, 任国全, 等. 基于支持向量的单类分类方法综述[J]. 计算机工程, 2011, 37(5): 187–189. |
[17] | LU N, HERNANDEZ A J, RAMSEY R D. Land cover dynamics monitoring with Landsat data in Kunming, China:a cost-effective sampling and modelling scheme using Google Earth imagery and random forests[J]. Geocarto International, 2015, 30(2): 186–201. |
[18] | 陈亮, 秦前清. 基于SVM的遥感影像目标检测中的样本选取[J]. 计算机工程与应用, 2006, 42(9): 212–214. |