森林自然度作为衡量森林群落类型当前状态与地带性顶级群落之间的差距指标，被广泛用于森林经营现状的评价，同时也为森林近自然经营提供指导^[1-3]。森林自然度评价是生态系统保护和恢复计划的关键步骤^[4-5]。为定量化评估森林自然度等级，现阶段主要从两个方面来做:一是比较现实森林植被与相对其存在的天然状态之间的差距或相似性^[6-7]；二是衡量人类对森林的干扰程度，间接实现对森林自然度的评价^[8]。评估的方法主要依据地面调查^[3]，选择不同的评价指标进行森林自然度评估。目前国内外学者多从森林群落物种丰富度、森林结构、群落演替、林分更新状况及干扰程度等方面筛选相关指标构建森林自然度评级体系，如Shannon指数、Pielou指数、乡土树种数量和种类数等^{[1-3, 6-11]}。

地面调查评估森林自然度的方法虽能较好地评价样地水平的森林近自然状态，但该方法耗时耗力，且不能及时反映森林自然度的空间分布及变化情况^{[8, 10-11]}。随着遥感技术日新月异的发展，现在已实现了高分辨率遥感影像数据大量快速的获取，为进行大区域范围的森林资源监测提供了丰富的数据源^[12-14]。目前遥感技术在林业的应用主要集中在定性分析与定量反演两个方面，前者被广泛应用于树种分类、地表覆盖类型分类等方面，而定量遥感则主要被应用于诸如郁闭度、生物量等各项森林参数的反演^[15-16]。在此基础上，大量研究^[17-19]结果表明，遥感技术对森林状态的判别也具有较好的指示作用，对森林的健康状态、生产力能力等都具有较好的判别作用。因此，结合样地尺度林分特征数据与区域大尺度遥感影像数据的特点，构建一种能在区域尺度范围划分森林自然度等级的方法，为森林近自然经营与森林生态系统保护和恢复提供基础。

九华山林场位于湖北省十堰市竹山县南部(东经110°08′~110°12′，北纬32°01′~32°06′)，地处堵河中上游，属于北亚热带湿润气候区，林场土地总面积为7 628.4 hm²，森林覆盖率为97.2%，属于高山地貌。林场内地形复杂多样，主要为新生代地层，其植物物种丰富多样，典型林分有杉木[Cunninghamia lanceolata (Lamb.) Hook.]、马尾松(Pinus massoniana Lamb.)、化香(Platycarya strobilacea Sieb. et Zucc.)、桦木(Betula luminifera H. Winkl.)和枹栎(Quercus serrata Thunb.)等。

研究区位于北亚热带常绿、落叶阔叶混交林地带。根据所在地区林分分布特点，选取具有代表性的群落类型，在试验区内分别设置针叶林、针阔混交林、阔叶混交林等典型群落类型的不同演替阶段的样地共21个(编号1~21号)(图 1)，分别于2017年10月与2018年5月进行调查。样地大小为20 m×20 m，在每个样地内的四周和中心分别设置5 m×5 m的灌木样方和1 m×1 m的草本样方各5个，记录样地的经纬度、海拔、坡向(正北方向计为0°，以顺时针方向计算)和坡度(表 1)。调查样地中乔木层、灌木层及草本层因子，乔木层调查树种、林龄、胸径、树高、冠幅、郁闭度等; 灌木层和草本层分别记录其种名、株数、多度、频度、盖度。其中1号样地为杉木纯林，其余20个样地均为混交林。其中两树种混交的样地中，2~6号样地为杉木、马尾松混交林；7~8号样地为杉木、枹栎混交林；9号样地为杉木、桦木混交林；10号样地为杉木、其他软阔混交林；19号样地为杉木、华山松(Pinus armandii Franch.)混交林；20号样地为桦木、华山松混交林；21号样地为枹栎、化香混交林。三树种混交林的样地中，11~14号样地为杉木、枹栎、桦木混交林；15号样地为杉木、檫木[Sassafras tzumu (Hemsl.) Hemsl.]、桦木混交林；16~17号样地为杉木、枹栎、化香混交林；18号样地为杉木、马尾松、檫木混交林。

	图 1 样地分布 Fig. 1 Distribution of sample plots
图选项

研究中采用了第七次公布的全国森林资源规划设计调查数据中竹山县数据，主要利用了小班边界、森林起源数据。

GF-2影像获取时间为2017年7月29日，轨道号10/160，景序列号2655323，数据空间分辨率4 m。采用的高程数据来自于ASTRER DEM(NASA and Japan METI, https://pdaac.usgs.gov/products/astgtmv002/)，该数据空间分辨率为30 m。

基于21个样地，首先确定样地尺度森林自然度等级，主要从群落组成、结构特征、群落演替和干扰程度4个方面选择森林自然度评价指标，共筛选出13个指标参与评价。其中群落组成有树种株数组成、树种断面积指数组成、活地被种类数、乔木层Simpon指数和Shannon指数指标；结构特征有胸径标准差、林分密度、林层结构和郁闭度指标；群落演替有天然更新数、乡土树种比例指标；干扰程度有林分起源、枯立木状况指标。采用层次分析法，综合评价样地森林自然度值，划分为3个等级(Ⅰ、Ⅱ、Ⅲ)。其次，以样地尺度森林自然度等级为基础，提取遥感影像中森林自然度等级样本。通过以样地的森林自然度等级为中心，以森林资源二类调查的森林小班边界为约束条件，构建样地缓冲区，提取缓冲区中归一化植被指数(normalized difference vegetation index，NDVI)值符合条件的像素点作为森林自然度等级的样本点。

为准确划分区域尺度的森林自然度等级，基于遥感图像中提取不同的特征因子。多光谱图像的各波段之间高度相关，但其数字高程值和显示效果近似，进行主成分(principal components，PC)分析，可去除波段间的多元信息，将多波段的图像信息压缩到少数的光谱主成分变化分量中，研究中采用含信息量较为丰富的前3个分量，即第一主成分(PC1)、第二主成分(PC2)、第三主成分(PC3)。研究中采用的植被指数包括NDVI和比值植被指数(ratio vegetation index, RVI)。研究基于遥感图像中提取光谱主成分变化分量、植被指数、灰度共生纹理特征及地形特征4个方面共40个特征因子用于分类(表 2)。

随机森林算法是近年来一种比较流行的分类技术，是一种新型高效的组合分类器，远胜于传统的分类方法^[20]。随机森林算法是利用随机重采样技术Bootstrap和节点随机分裂的技术构建多棵决策树，通过投票得到最终分类的结果，其在多光谱、多时相和高维遥感影像的分类中表现出较高的分类精度、较快的运算速度和稳定性^[21]。该算法的一个重要特点是在使用随机森林进行预测，正确分类的过程中，分析每个特征并进行重要性排序，然后用户可以过滤不必要的特征，从而得到与因变量高度相关的特征子集，选择出数量较少的特征变量，并能够充分得到较好的分类结果，从而使构建的分类器模型分类精度较高，同时节省试验运行的时间^[22]。

不同森林自然度等级的样本被分割成两份，20%被保留作为验证模型的数据，其他80%用来训练。在训练中采用三折交叉验证法，交叉验证重复3次，每份验证1次，平均3次的结果最终得到1个单一估测值。该方法的优势在于同时重复运用随机产生的子样本进行训练和验证，每次的结果验证1次。采用混淆矩阵中的总体精度、Kappa系数、制图精度及用户精度4个指标评估分类精度。具体的计算公式如下：

总体分类精度(overall accuracy，A_O)：

用户精度(对于第i类分类数据，user accuracy, A_U)：

制图精度(对于第j类验证数据，producer accuracy, A_P)：

式中：N为总样本数；k为总的类别数目；i为分类结果数；j为验证分类数；N_ii为被分到正确类别的样本数；N_jj为验证样本中分到正确类别的样本数；N_i+和N_+i分别是第i行和第i列的总样本数量；N_+j为实际分类中被分为j类的样本总数。

运用层次分析法对构建的森林自然度评价指标体系进行权重赋值，最终得到森林自然度数值，该值分布在0 ~1之间。根据样本中森林自然度数值的分布，结合研究区现实林分演替状态，将九华山林场的森林自然度值按照0~0.400 0，0.400 0~0.600 0，0.600 0~1.000 0划分为低、中、高3个等级，分别用Ⅰ、Ⅱ、Ⅲ表示，具体的样地森林自然度等级见表 3。3个样本处于Ⅰ级，14个样本处于Ⅱ级，4个样本处于Ⅲ级。总体来看, 森林自然度等级为Ⅲ的主要是混交林(2、5、8、16号样地)。但具有相似树种的群落其森林自然度也存在差异，如以杉木、马尾松为主要树种的混交林(2、3、4、5、6号样地)，森林自然度涵盖Ⅰ~Ⅲ级。通过对比森林自然度评价的指标，发现这些林分的郁闭度、树种的空间比例配制不同，林下灌草组成、植被多样性指标有明显差异，如2号样地郁闭度为0.3，林下光照条件好，乔木、灌草层生长较好，生物多样性指标高，而6号样地郁闭度为0.8，林下几乎没有灌草植被，生物多样性低。这些指标综合影响到森林自然度等级，导致虽然树种相似但森林自然度等级确存在差异。

为严格限定样本的质量，需基于样地尺度设置200 m的缓冲区以扩充样本点。根据实地踏查及现场拍摄照片，发现该缓冲区范围的样地周围植被类型情况一致，植被具有相似性，即缓冲区的设置符合试验实际标准(图 2)。NDVI值在缓冲区范围内满足在1倍标准差范围内，且不低于0.2，主要为了保证所选样本点均为植被类型，且与样地点的差异小。根据以上方法，得到不同森林自然度等级的样本16 823个，其中Ⅰ级5 359个、Ⅱ级4 462个、Ⅲ级7 002个。

	图 2 不同森林自然度的遥感影像和实地图 Fig. 2 Remote sensing images and pictures of different forest naturalness
图选项

随机森林算法的总体精度为93.97%，Kappa系数为0.91，具有较好的分类结果(表 4)。其中制图精度最高的是森林自然度Ⅰ级；用户精度最高的是森林自然度Ⅰ、Ⅲ级；错分误差和漏分误差最高的均是森林自然度Ⅱ级。各森林自然度等级的精度评价均较高，说明随机森林算法能较好地对研究区的森林自然度等级进行分类。

根据随机森林算法中获得的各特征因子的重要值绘制成柱形图(图 3)。重要值最高的分别为地形特征中的高程、坡向、坡度，其重要值分别为0.195 1、0.159 4、0.090 6。在纹理特征因子中，4个波段均值的重要值均较高。光谱主成分变化分量中PCA1、PCA2、PCA3重要值也较高。而植被指数中的NDVI重要值也较高，数值为0.027 4。所选取的40个遥感特征因子中，地形因子占主导作用，其他因子起辅助分类的作用。分析其原因，针对高山地区，地形因子为影响该地区植被分布的重要因素。而均值反映了灰度共生矩阵的纹理因子，可指示计算窗口内像素值分布均匀与否，纹理规则性与均值是正相关关系。而NDVI是植被生长状态和植被覆盖度最佳指示因子，其反应了遥感图像中红波段与近红外波段的变化，这两个波段对绿色植物变化的反映十分灵敏。

	图 3 各特征因子重要值 Fig. 3 Important values of the feature factors
图选项

针对森林自然度Ⅰ、Ⅱ、Ⅲ等级样本，采用随机森林算法对研究区的森林自然度进行分类(图 4)。研究区大部分地区森林自然度等级为Ⅱ、Ⅲ级，其中Ⅲ级所占面积为52.51%，Ⅱ级所占面积为36.98%，其面积分别为2 720.027 2、1 915.801 6 hm²，主要分布在远离道路和的村庄，海拔为1 000~1 300 m，群落结构较为复杂，起源为天然起源的混交林。森林自然度等级为Ⅰ级的林分较少，其所占面积为9.75%，面积约为506.393 6 hm²，主要分布在道路和村庄附近，起源主要为人工林。

	图 4 随机森林算法分类结果 Fig. 4 Classification result of the random forest algorithm
图选项

森林自然度等级评价对森林近自然经营管理具有重要作用，现有的评价方法主要是在样地水平构建森林自然度的评价指标体系，从而评价森林自然度等级。该模式在推广到区域范围时存在一定的难度。鉴于遥感技术在大面积区域范围的应用优势，提出了基于高分遥感数据的森林自然度等级划分方法，该方法以GF-2号遥感影像数据为基础，在选取研究区典型林分样地的基础上，结合样地尺度林分特征数据与区域大尺度遥感影像数据的特点，从遥感影像中提取遥感特征因子，利用随机森林算法在大尺度范围对研究区森林自然度等级进行分类研究，拓展了区域范围森林自然度的评价思路。

高分辨率的遥感影像数据可将样地尺度森林特征与遥感尺度特征关联。相较于传统的基于样地调查结果推算整体区域，森林自然度评估的精度受限于地面样本数量。如何将地面样地数据尺度转换到遥感尺度是研究的难点。本研究采用了少量(21个)的地面样地评估样地尺度的森林自然度，并以此为基础，利用缓冲区的方法，结合NDVI筛选了遥感影像中的不同森林自然度等级样本，实现了样地尺度与遥感尺度之间的联系，为后续区域尺度的森林自然度等级划分奠定了基础。基于数字高程及遥感影像提取的特征指标与森林自然度等级有一定关联。其中数字高程、坡向、坡度，纹理特征中的均值，光谱主成分变化分量，NDVI在森林自然度等级分类中有较高的重要性，可以较好地反映森林自然度等级。高程、坡度、坡向可以反映森林植被生长的环境特征，遥感影像中的纹理可以反映植被冠层均匀度与复杂程度，而冠层的均匀度与复杂度与森林树种构成、群落结构等相关，NDVI利用了红边波段和红波段信号，反映植被对光的利用效能，可间接反映植被的生长状态，这些特征因子的综合可以从森林植被生长的外因(地形)、内因(群落特征及生长)。森林植被生长的外因和内因同时也是影响森林自然度等级的因素，因此，遥感影像提取的特征可间接反映森林自然度等级状态。利用随机森林的机器学习方法，结合遥感影像中提取的森林特征，可以很好地建立森林自然度等级分类。对森林自然度等级分类的总体精度可达93.97%，Kappa系数为0.91。该方法在应用在九华山林场森林自然度评价中，发现研究区范围内主要的森林自然度等级为Ⅱ、Ⅲ级，其中Ⅲ级所占面积为52.51%，Ⅱ级所占面积为36.98%，Ⅰ级的林分较少，其所占面积为9.75%。