-
森林变化包括森林突发性变化和时间序列趋势变化[1]。森林扰动是森林突发性变化,是研究者们在森林变化中关注的重点。随着大量中高分辨率卫星遥感数据的免费开放,研究者可利用美国Landsat系列、欧洲Sentinel系列和我国高分系列光学卫星数据开展时间序列森林变化分析研究。目前基于时间序列的森林变化检测方法大致包括3类:(1)基于多时期分类图斑的方法[2];(2)基于多时序像元级阈值判定的方法[3];(3)基于长时间序列轨迹分析的方法。基于多时期分类图斑的变化分析方法是通过对不同时期卫星影像进行地物识别和分类,并对分类结果进行比较,从而确定森林变化的发生情况[2]。因此,时间序列数据质量与分类精度都会对变化检测的结果产生较大的影响。基于多时序像元级阈值判定的变化分析方法是通过构建植被指数,计算时间序列中逐个像元的指数曲线,在指数超出阈值时即可检测到森林变化。这类森林变化分析方法包括植被变化追踪算法(Vegetation Change Tracker, VCT)[4]、Hilker等[5]使用的映射反射率变化的时空自适应算法,相比多时期分类图斑的变化检测,该类方法能够在长时间范围内连续观测同一地区的森林覆盖情况,可以得到变化区内更细致的时空变化特征,例如森林在某段时间内经历的成熟-砍伐-恢复-成熟等活动。这类方法的不足是阈值的选取本身会影响变化检测的结果,并且构建的指数会受到辐射差异的影响[1]。基于长时间序列轨迹分析的变化分析方法是通过时间序列光谱轨迹分析来检测森林变化:Hansen等[6]使用的方法是曲线拟合法,即预先确定每种类型森林变化曲线的形状,根据时间序列曲线形状进行变化归类;LandTrendr方法[7]是分割法,首先将时间序列光谱轨迹分割成一系列直线段以模拟时间轨迹重要特征,再根据分割所得直线段端点提取变化信息;CCDC方法[8]是统计边界法,首先将时间序列曲线分解为趋势、季节变化和噪声,然后对时间序列的统计学边界进行估计,如果某一年的数值超过了估计的边界值则认为有森林变化发生。轨迹分析法相比阈值法,更好地利用了时间序列信息。
VCT算法是多时序森林变化检测方法中的经典方法之一,其构建的IFZ指数(Integrated Forest Z-score,IFZ)简便有效,运算速度较快。Huang等[4]使用VCT算法对美国东部7个州的森林动态变化进行了检测,总体精度达到80%。张连华等[9]通过缨帽变换构建扰动指数(Disturbance Index)以代替IFZ进行变化识别,但仍有检测精度较低的年份。黄春波等[10]在IFZ的基础上引入了NDVI进行加权计算,对三峡大坝附近森林进行变化检测,相比Huang等在美国的结果,漏检率和过检率分别降低到了4.7%和5.3%。VCT算法对森林覆盖变化剧烈的情况较为灵敏,如大规模砍伐、森林火灾等导致的森林扰动等;对森林覆盖变化轻微的情况如择伐、少量病虫害导致的森林扰动以及森林逐渐恢复的检测效果欠佳[4]。同时,有植被覆盖的非森林区(如农田、草地等)的变化过识别会影响森林区域的变化精度。对于农田区,VCT算法利用扰动变化前后数年的信息以排除季相因素导致的伪变化[3]。
通常森林的变化情况在一段时间内相对稳定,较少出现短时间内发生连续扰动,因此VCT算法能较准确地检测出森林发生扰动的年份。然而对于短轮伐期的速生用材林,森林砍伐后的再造林或萌生林相隔时间较短,仅经过两年甚至一年的恢复,IFZ指数便能恢复到正常的森林水平,则VCT算法易判定为森林没有发生扰动,容易出现漏检情况。因此,对IFZ指数进行优化以提高其算法对森林扰动的检测能力,可以减少伪变化同时降低漏检风险。
本研究以高峰林场为研究试验区,在减弱VCT伪变化判读机制的前提下使用了结合NDVI的IFZ指数进行森林扰动的检测,对比使用原始IFZ指数的森林扰动检测结果,新的IFZ指数在保证生产者精度不变的前提下提升了用户精度和总精度。
HTML
-
采用IFZ、NIFZ、NIFZ2和NIFZ3作为反映森林扰动指数应用于VCT算法中,在不使用前后年份进行验证的情况下得出森林扰动检测的结果,并使用外业调查数据结合卫星影像来进行二者的精度检验。其中NIFZ2得到的结果如图5所示。由不同指数扰动检测结果对比图(图6)来看,4个指数的表现较为相似,但NIFZ与NIFZ2的检测结果相比IFZ的结果减少了很多细碎的图斑。总体而言,NIFZ2的检测结果减少了大量主要类型为2015年森林扰动的孤立像元,从检测结果图上看是效果最好的指数。
Figure 6. Comparison of VCT forest disturbance detection results of four z-scores, located in the white box of Fig. 5
最终,使用采集和抽样的验证点对4种指数的检测结果进行验证,各指数的检测精度如表1所示。总体情况显示,NIFZ2的精度最优,总精度达79.2%,NIFZ其次,为77.4%;而从年度情况来看,2014年4个指数的用户精度都比较低,而2015年NIFZ2的用户精度获得了较大提升,其余3个指数的用户精度虽比2014年有所提升但仍然不理想。精度较低主要是由于2013年和2014年的影像中残存的云像元对检测结果有一定影响;3种指数中NIFZ3的精度最低,说明对不同年份的森林指数结果进行加权比较并不能消除不同年份之间的差异,同时可能还会对森林扰动的识别带来负面的影响,这可能是由于尽管不同年份之间森林像元指数值存在差异,但利用森林峰值提取森林样本时,不同年份的影像提取到的森林峰值的反射率值较为接近,所以被选为森林样本的像元的指数值的差异在不同年份之间并不大,因此对不同年份加权并没有令NIFZ3在相同地物上不同年份间的表现趋近相同。
使用的指数 Z-scores used IFZ NIFZ NIFZ2 NIFZ3 总扰动精度Overall disturbance accuracy/% 67.2 77.4 79.2 72.8 过检测率 Error of commission/% 31.4 18.8 14.4 17.7 漏检测率 Error of omission/% 2.9 5.7 8.6 13.6 Table 1. Comparisons of change detection accuracy using four different z-scores
高峰林场的验证结果表明,采用NDVI的3个指数所得到的森林扰动变化检测结果的精度均好于采用原始影像光学波段的IFZ的扰动检测结果。相比IFZ的结果,3种使用NDVI并加权的指数的用户精度得到了显著提升,而生产者精度则有小幅度的降低。由于Landsat8地表反射率产品未经过地形校正,处于向阳坡面的森林,其指数取值会比背阳面更高,更加接近农作物等非森林植被的指数;此外,不同质的森林由于树种、密度、郁闭度等差异,也会影响森林指数值。这些都是利用阈值判断的森林变化检测方法的不确定因素,加权融合NDVI与IFZ的方法增加了森林与非森林在森林指数上的区分度,间接降低了这些不确定因素的影响,从而提高了森林扰动检测的精度。其他遥感衍生的植被指数例如增强型植被指数(EVI)和差值植被指数(DVI)也能够反映森林覆盖变化相关的信息,但对于上述指数是否适用于提高IFZ的检测精度有待进一步验证;此外,经过穗帽变换所得到的波段,同样含有森林变化的信息[18],也有着与IFZ相结合的可能性。