-
国内遥感技术在林业中的应用主要包括森林资源监测、林业工程监测与生态效益评价、森林资源开发利用等方面,如胡博等[1]以寒温带针叶林区域为例开展基于遥感影像的大区域植被类型样本快速提取方法研究,任冲等[2]开展了多源数据林地类型的精细分类方法,陈巧等[3]开展了基于3S技术的天保区植被变化监测方法研究,曹庆先等[4]基于TM影像纹理与光谱特征和KNN方法开展了5种红树林群落生物量的估算。在天然林保护成效评估方面,主要是基于生态定位站数据或者一类清查样地数据进行评估。使用遥感技术,曾经基于TM遥感数据开展了天然林资源信息提取的工作,但尚未真正使用遥感技术开展国家需要的工程成效评估[5-11]。本研究通过采用分类后比较法监测地表覆盖类型变化,采用归一化植被指数结合像元二分模型对复杂地表植被覆盖度的反演监测植被覆盖度变化,实现对金河林业局天然林保护成效的评估。
-
针对试验区的地表覆盖和土地类型情况,参考森林资源清查规程和《全国遥感监测土地利用/覆盖分类体系》,确定该应用示范区土地覆盖遥感分类的类别包括有林地、湿地、火烧迹地、建筑用地和水域共5类。
利用二类调查数据进行精度评价得到的分类结果精度评价结果表明,2期影像的总体精度均达到80%以上(表 1、表 2),满足后续变化检测的应用需求。
表 1 2004年分类结果精度评价
Table 1. Accuracy evaluation of classification results in 2004
项目
Items有林地
Forestland湿地
Wetland火烧迹地
Burned land建设用地
Construction land水域
Body of water样本总数
Total number of samples生产者精度
PA/%有林地Forestland 2 025 123 85 34 7 2 274 89.05 湿地Wetland 120 1 819 111 17 15 2 082 87.37 火烧迹地Burned land 111 98 1 227 66 6 1 508 81.37 建设用地Construction land 0 0 71 305 16 392 77.81 水域Body of water 0 39 0 5 165 209 78.95 样本总数Total number of samples 2 256 2 079 1 494 427 209 6 465 用户精度UA/% 89.76 87.49 82.13 71.43 78.95 总体精度:(5 541/6 465) =85.71%,Kappa系数:0.800 03。 表 2 2015年分类结果精度评价
Table 2. Accuracy evaluation of classification results in 2015
项目
Items有林地
Forestland湿地
Wetland火烧迹地
Burned land建设用地
Construction land水域
Body of water样本总数
Total number of samples生产者精度
PA/%有林地Forestland 7 472 174 218 4 6 7 874 94.89 湿地Wetland 477 6 324 446 28 1 7 276 86.92 火烧迹地Burned land 399 263 3 814 119 50 4 645 82.11 建设用地Construction land 0 238 344 471 43 1 096 42.97 水域Body of water 0 17 5 19 376 417 90.17 样本总数Total number of samples 8 348 7 016 4 827 641 476 21 308 用户精度UA/% 89.51 90.14 79.01 73.48 78.99 总体精度:(18 457/21 308) = 86.62%,Kappa系数:0.806 49。 -
统计2004年和2015年各地表覆盖类型的面积如表 3所示。可以看出,2004—2015年间,火烧迹地面积减少了约8 165 hm2;2004—2015年间金河林业局西南及东北部发生林火,形成一定面积火烧迹地,统计约为5 310 hm2;有林地面积明显增加;湿地面积减少,大部分转化为有林地;其它类型面积变化不大(表 4)。总体来说,金河林业局2004—2015年间森林(有林地和湿地)面积增加约为11 057 hm2,森林(有林地和湿地)面积覆盖率由92.11%提高至94.61%。
表 3 2004—2015面积变化统计
Table 3. Area change statistics 2004—2015
hm2 项目Items 2004年面积
Area in 20042015年面积
Area in 2015面积变化
Area change火烧迹地Burned land 21 863.74 13 697.91 -8 165.83 建设用地Construction land 5 635.49 6 063.66 428.17 有林地Forestland 270 489.31 347 016.78 76 527.47 湿地Wetland 135 974.13 70 503.66 -65 470.47 水域Body of water 7 326.59 4 007.25 -3 319.34 总面积Total area 441 289.26 441 289.26 0 表 4 2004—2015年土地类型转移矩阵
Table 4. Land type transfer matrix 2004—2015
hm2 项目Items 2004年 火烧迹地
Burned land建设用地
Construction land有林地
Forestland湿地
Wetland水域
Body of water2015年 火烧迹地Burned land 6 913.05 338.49 5 039.55 1 096.95 309.87 建设用地Construction land 723.35 1 146.51 2 113.47 1 890.36 189.97 有林地Forestland 7 138.24 1 121.06 256 442.47 77 823.62 4 491.39 湿地Wetland 6 816.31 2 695.53 5 525.91 54 326.24 1 139.67 水域Body of water 272.79 333.9 1 367.91 836.96 1 195.69 将2004年和2015年的土地覆盖类型变化运算,得到主要地类到其他地类的转化如图 3所示。从2004—2015年两期影像变化检测图可以看出,在2004—2015年间金河林业局西南及东北部有小面积林火发生,形成火烧迹地,过火面积约为5 310 hm2,如图 3(a)所示;2003金河林业局南部由林火形成的火烧迹地已有部分完全恢复为有林地及湿地,如图 3(b)所示;有很大一部分湿地转变为有林地,如图 3(c)所示。
-
利用植被指数进行像元二分模型植被覆盖度的估算公式如下:
$FVC = \left( {NDVI - NDV{I_{soil}}} \right)/\left( {NDV{I_{veg}} - NDV{I_{soil}}} \right) $
其中:NDVIsoil是无植被像元的NDVI值,即完全被裸土覆盖的像元的NDVI值;NDVIveg是全植被像元的NDVI值,即完全被绿色植被覆盖的像元的NDVI值。像元二分模型的关键为计算NDVIveg和NDVIsoil的值,取值会随植被类型和时空分布而发生变化,借助林相图,两者取值分别对应影像上给定置信区间内的最大值和最小值。试验不同的置信度值,并用野外实测数据进行验证,取精度最高情况下对应的NDVIsoil和NDVIveg作为研究区植被覆盖度反演的NDVIsoil和NDVIveg,森林在各置信度值对应的覆盖度反演精度如表 5所示。
表 5 不同置信度的模型参数及林地覆盖度反演精度
Table 5. Land type transfer matrix 2004—2015
项目Items 置信度0.1%
Confidence degree 0.1%置信0.5%
Confidence degree 0.5%置信度1%
Confidence degree 1%NDVIsoil 0.440 5 0.480 0 0.492 2 NDVIveg 0.750 4 0.735 2 0.726 1 RMSE 0.214 3 0.197 9 0.239 7 精度(1-RMSE)/% 78.57 80.21 76.03 用0.5%作为置信度区间截取NDVI上下限阈值近似代表NDVIsoil和NDVIveg,两期影像的取值情况如表 6所示。
表 6 NDVIveg和NDVIsoil取值
Table 6. Value of NDVIveg and NDVIsoil
年份Year NDVIveg NDVIsoil 2014 0.735 2 0.480 0 2015 0.795 6 0.216 0 将NDVIsoil和NDVIveg代入模型,即可得到两期研究区的植被覆盖度图,经野外实测数据验证精度达到83%,金河林业局2004年和2015年植被覆盖度如图 4所示:
-
将植被覆盖度变化(fc)分为10个等级:5级负变化,低退化(-20%≤fc<0)、较低退化(-40%≤fc<-20%)、中度退化(-60%≤fc<-40%)、较高退化(-80%≤fc<-60%)、高退化(-80%≤fc<-1),5级正变化,低增长(0≤fc<20%)、较低增长(20%≤fc<40%)、中度增长(40%≤fc<60%)、较高增长(60%≤fc<80%)、高增长(80%≤fc<1)[15]。基于上述植被覆盖度变化的5个正变化等级分类,将天然林恢复成效评估等级分为低恢复、较低恢复、中度恢复、较高恢复、高恢复,如图 5所示。金河林业局2004—2015年各植被覆盖度等级转移矩阵见表 7。
图 5 2004—2015金河林业局植被覆盖恢复等级评估图
Figure 5. Assessment map of vegetation cover recovery in Jinhe Forestry Bureau
表 7 金河林业局2004—2015年各植被覆盖度等级转移矩阵
Table 7. Grade transfer matrix of vegetation coverage from 2004 to 2015 in Jinhe Forestry Bureau
% 项目Items 2004年 低Low
(0%~20%)较低Lower
(20%~40%)中Middle
(40%~60%)较高Higher
(60%~80%)高High
(80%~100%)2015年 低Low(0%~20%) 9.30 1.84 0.62 0.20 0.13 较低Lower(20%~40%) 8.17 7.60 5.42 1.03 0.34 中Middle(40%~60%) 23.89 30.86 25.31 4.50 0.83 较高Higher(60%~80%) 35.68 41.34 44.86 29.50 11.60 高High(80%~100%) 22.92 18.09 23.75 64.73 87.06 植被覆盖度的相对变化监测结果表明,尽管期间出现森林火灾等自然灾害,大面积毁坏森林,但截至2015年9月份植被覆盖度主要集中在中、较高、高等级区域。自1998年开始试点启动重点国有林区天然林保护工程以来,2000年正式启动,到2015年天保工程二期中期,经过十多年努力金河林业局的天然林保护取得了一定成效。
基于GF-1和TM数据的金河林业局天然林保护成效评估研究
Study on the Evaluation of Natural Forest Protection in Jinhe Forestry Bureau Based on GF-1 and TM Data
-
摘要:
目的 利用遥感影像的特点,将地表覆盖类型和植被覆盖度作为天然林保护成效评估的研究指标,提出一种评估天然林保护成效的方法。 方法 首先,分析GF-1遥感影像特点,结合TM影像特点,研究针对GF-1遥感影像的处理和分析技术;其次,选择评估天然林保护成效评估的指标;再次,选取内蒙古金河林业局作为试验区,对试验区的地表覆盖类型变化、植被覆盖度变化进行分析,结合现地调查数据进行验证,从而评估天然林保护成效。 结果 基于采用分类后比较法能够有效检测出地表覆盖类型变化,经验证检测精度能够达到90%以上;归一化植被指数结合像元二分模型能够用于复杂地表植被覆盖度的反演,经野外实测数据验证精度可达到83%。 结论 根据地表覆盖类型变化监测和植被覆盖度变化监测结果,金河林业局天然林保护工程实施以来实现了森林资源由过度消耗向恢复性增长转变 Abstract:Objective Based on the characteristics of remote sensing images, the surface cover types and vegetation coverage were used as indicators to evaluate the effectiveness of natural forest protection, and a method to evaluate the effectiveness of natural forest protection was put forward. Method The characteristics of GF-1 data in China were analyzed, and the processing and analysis techniques for GF-1 remote sensing images were studied in combination with the features of TM images. Then, in view of the performance evaluation of natural forest protection, the indicators for evaluating the effectiveness of natural forest protection were selected. The Jinhe Forestry Bureau was selected as a test area, where the changes of surface cover type changes and vegetation coverage were analyzed, and then verified with field survey data to assess the effectiveness of natural forest protection. Result The post-classification method can effectively detect the changes of land cover types based on proven detection, the accuracy are higher more than 90%. Two pixel normalized vegetation index model can be used for inversion of complex surface vegetation coverage, and the accuracy verified by the field data can reach 83%. Conclusion According to the results of monitoring the change of surface cover type and vegetation coverage, the natural forest protection project has achieved some achievements since the implementation of the natural forest protection project of the forest resources from excessive consumption to the restorative growth. -
Key words:
- natural forest protection
- / GF-1
- / TM
- / surface cover type
- / vegetation coverage
-
表 1 2004年分类结果精度评价
Table 1. Accuracy evaluation of classification results in 2004
项目
Items有林地
Forestland湿地
Wetland火烧迹地
Burned land建设用地
Construction land水域
Body of water样本总数
Total number of samples生产者精度
PA/%有林地Forestland 2 025 123 85 34 7 2 274 89.05 湿地Wetland 120 1 819 111 17 15 2 082 87.37 火烧迹地Burned land 111 98 1 227 66 6 1 508 81.37 建设用地Construction land 0 0 71 305 16 392 77.81 水域Body of water 0 39 0 5 165 209 78.95 样本总数Total number of samples 2 256 2 079 1 494 427 209 6 465 用户精度UA/% 89.76 87.49 82.13 71.43 78.95 总体精度:(5 541/6 465) =85.71%,Kappa系数:0.800 03。 表 2 2015年分类结果精度评价
Table 2. Accuracy evaluation of classification results in 2015
项目
Items有林地
Forestland湿地
Wetland火烧迹地
Burned land建设用地
Construction land水域
Body of water样本总数
Total number of samples生产者精度
PA/%有林地Forestland 7 472 174 218 4 6 7 874 94.89 湿地Wetland 477 6 324 446 28 1 7 276 86.92 火烧迹地Burned land 399 263 3 814 119 50 4 645 82.11 建设用地Construction land 0 238 344 471 43 1 096 42.97 水域Body of water 0 17 5 19 376 417 90.17 样本总数Total number of samples 8 348 7 016 4 827 641 476 21 308 用户精度UA/% 89.51 90.14 79.01 73.48 78.99 总体精度:(18 457/21 308) = 86.62%,Kappa系数:0.806 49。 表 3 2004—2015面积变化统计
Table 3. Area change statistics 2004—2015
hm2 项目Items 2004年面积
Area in 20042015年面积
Area in 2015面积变化
Area change火烧迹地Burned land 21 863.74 13 697.91 -8 165.83 建设用地Construction land 5 635.49 6 063.66 428.17 有林地Forestland 270 489.31 347 016.78 76 527.47 湿地Wetland 135 974.13 70 503.66 -65 470.47 水域Body of water 7 326.59 4 007.25 -3 319.34 总面积Total area 441 289.26 441 289.26 0 表 4 2004—2015年土地类型转移矩阵
Table 4. Land type transfer matrix 2004—2015
hm2 项目Items 2004年 火烧迹地
Burned land建设用地
Construction land有林地
Forestland湿地
Wetland水域
Body of water2015年 火烧迹地Burned land 6 913.05 338.49 5 039.55 1 096.95 309.87 建设用地Construction land 723.35 1 146.51 2 113.47 1 890.36 189.97 有林地Forestland 7 138.24 1 121.06 256 442.47 77 823.62 4 491.39 湿地Wetland 6 816.31 2 695.53 5 525.91 54 326.24 1 139.67 水域Body of water 272.79 333.9 1 367.91 836.96 1 195.69 表 5 不同置信度的模型参数及林地覆盖度反演精度
Table 5. Land type transfer matrix 2004—2015
项目Items 置信度0.1%
Confidence degree 0.1%置信0.5%
Confidence degree 0.5%置信度1%
Confidence degree 1%NDVIsoil 0.440 5 0.480 0 0.492 2 NDVIveg 0.750 4 0.735 2 0.726 1 RMSE 0.214 3 0.197 9 0.239 7 精度(1-RMSE)/% 78.57 80.21 76.03 表 6 NDVIveg和NDVIsoil取值
Table 6. Value of NDVIveg and NDVIsoil
年份Year NDVIveg NDVIsoil 2014 0.735 2 0.480 0 2015 0.795 6 0.216 0 表 7 金河林业局2004—2015年各植被覆盖度等级转移矩阵
Table 7. Grade transfer matrix of vegetation coverage from 2004 to 2015 in Jinhe Forestry Bureau
% 项目Items 2004年 低Low
(0%~20%)较低Lower
(20%~40%)中Middle
(40%~60%)较高Higher
(60%~80%)高High
(80%~100%)2015年 低Low(0%~20%) 9.30 1.84 0.62 0.20 0.13 较低Lower(20%~40%) 8.17 7.60 5.42 1.03 0.34 中Middle(40%~60%) 23.89 30.86 25.31 4.50 0.83 较高Higher(60%~80%) 35.68 41.34 44.86 29.50 11.60 高High(80%~100%) 22.92 18.09 23.75 64.73 87.06 -
[1] 胡博, 鞠洪波, 刘华, 等.基于遥感影像的大区域植被类型样本快速提取方法研究——以寒温带针叶林区域为例[J].林业科学研究, 2017, 30(1):111-116. [2] 任冲, 鞠洪波, 张怀清, 等.多源数据林地类型的精细分类方法[J].林业科学. 2016, 52(6):54-65. [3] 陈巧, 陈永富, 鞠洪波, 等.基于3S技术的天保区植被变化监测方法研究[J].林业科学研究, 2013, 26(6):736:743. [4] 曹庆先, 徐大平, 鞠洪波.基于TM影像纹理与光谱特征和KNN方法估算5种红树林群落生物量[J].林业科学研究, 2011, 24(2):144-150. [5] 罗杰, 周广华, 赖家明, 等.遥感技术在川西天然林资源监测中的应用—以道孚县甲斯孔林场为例[J].四川农业大学, 2010, 28(3):313-318. doi: 10.3969/j.issn.1000-2650.2010.03.010 [6] 王慧, 王兵, 牛香, 等.长白山森工集团天保工程生态效益动态变化[J].中国水土保持科学, 2017, 15(5):86-93. [7] 崔方茹, 支玲, 谢彦明.陕西靖边天保工程森林生态系统服务功能价值评估[J].西南林业大学学报, 2017, 37(4):58-66. [8] 谭炳香, 李增元, 陈尔学, 等.高光谱遥感森林信息提取研究进展[J].林业科学研究, 2008, 21 (z1):105-111. doi: 10.3321/j.issn:1001-1498.2008.z1.021 [9] 栗永红.连续清查在天然林保护工程效益监测中的应用[J].山西林业, 2007, (5):13-14. doi: 10.3969/j.issn.1005-4707.2007.05.009 [10] 邢喜云.凉城县天然林保护工程一期监测效果分析[J].内蒙古林业调查设计, 2015, 38(2): 39-41. doi: 10.3969/j.issn.1006-6993.2015.02.015 [11] 刘晓双.海南省霸王岭天然林变化的遥感监测技术研究[D].北京: 中国林业科学研究院, 2010. [12] 毕杰和.内蒙古自治区金河林业局森林资源现状评价分析[J].内蒙古林业调查设计, 2011, 34(2):38-40. doi: 10.3969/j.issn.1006-6993.2011.02.018 [13] 方杰诗, 周晓霖.基于遥感影像和NDVI阈值法的银川市植被覆盖度反演与监测[J].节水灌溉, 2014, (11):68-70. doi: 10.3969/j.issn.1007-4929.2014.11.019 [14] 吕浩博.基于多时相光谱遥感影像的变化检测研究[D].西安: 中国科学院研究生院(西安光学精密机械研究所), 2015. [15] 徐琼珵.基于统计分析的多波段遥感图像变化检测方法研究[D].上海: 上海交通大学, 2013.