亚洲jlzzjlzz少妇,久久麻豆成人精品av

引言

毛竹是我國分布面積最大的竹林種類，第八次全國森林資源清查數(shù)據(jù)顯示，毛竹占中國竹林總面積的74%以上，集中分布在福建、浙江、湖南、江西等地。毛竹生態(tài)效益高、生長速度快，其強(qiáng)固碳能力和豐富的碳儲量對全球生態(tài)系統(tǒng)碳循環(huán)意義重大，強(qiáng)再生能力和廣泛的用途使其在竹產(chǎn)區(qū)農(nóng)村經(jīng)濟(jì)中占據(jù)重要地位。獲取毛竹林時空分布信息，有助于毛竹林資源的監(jiān)測及管理，充分發(fā)揮其生態(tài)和經(jīng)濟(jì)效益。

衛(wèi)星遙感能夠獲得大尺度空間連續(xù)的對地觀測數(shù)據(jù)，為獲取毛竹林的時空分布提供了可靠的數(shù)據(jù)源。高分辨率數(shù)據(jù)提供了精細(xì)的空間和紋理細(xì)節(jié)，竹林空間分布提取準(zhǔn)確性高，但數(shù)據(jù)價格昂貴，不適宜大范圍應(yīng)用。MODIS等低分辨率數(shù)據(jù)提供了每天的全球250m~1000km的觀測，但混合像元問題嚴(yán)重影響了林種的提取精度。

基于衛(wèi)星遙感的林種精細(xì)提取難度較大。在毛竹林分布的亞熱帶和熱帶區(qū)域，常分布有大面積的闊葉林、針葉林、混交林等其他森林，大部分森林與毛竹林同為常綠林，在光譜特征和季節(jié)變化上接近，這給毛竹林的精準(zhǔn)提取帶來了很大困難。常用的Landsat等中高分辨率衛(wèi)星的時間分辨率往往較低，在亞熱帶和熱帶地區(qū)，頻繁的云覆蓋導(dǎo)致高質(zhì)量無云影像的獲取較為困難?，F(xiàn)有研究多直接采用可得的晴空觀測，未細(xì)致考慮不同時相遙感觀測在毛竹林提取方面的差異。各種森林類型的樹種組成和林下植被不同，由于樹木葉片葉綠素含量和林下植被在物候特征方面的差異，不同森林類型在季節(jié)曲線上呈現(xiàn)出一定差異。充分利用各植被類型季節(jié)曲線的差異，尋找區(qū)分度最大的時相的遙感影像用于分類，有利于提高毛竹林的提取精度與效率。MODIS提供了地表每天的觀測，能夠獲取地物的光譜季節(jié)曲線。利用MODIS獲得的季節(jié)曲線辨別不同地表類型在各個季節(jié)的可區(qū)分性，結(jié)合Landsat高空間分辨率影像，將有助于毛竹林分布的高精度提取。

浙江省慶元縣被譽為我國生態(tài)環(huán)境第一縣，森林覆蓋率達(dá)86%以上，毛竹林約占林業(yè)用地總面積的17%。以浙江慶元為研究區(qū)，通過提取典型植被的MODIS光譜季節(jié)曲線，分析各季相地物光譜毛竹林的可區(qū)分度；基于Landsat分析各波段反射率和多種光譜指數(shù)對毛竹林和其他典型地物的區(qū)分性，選擇毛竹林提取的有效分類特征；在此基礎(chǔ)上，采用2016~2018年所有可得的晴空Landsat影像，基于隨機(jī)森林分類器優(yōu)選最佳分類時相，構(gòu)建毛竹林提取方法，期望為其他亞熱帶地區(qū)毛竹林分類提供參考。

研究區(qū)概況

慶元縣位于浙江省西南部，總面積1897km2，是浙江省有名的竹鄉(xiāng)。區(qū)域內(nèi)山嶺連綿，地勢由東北向西南傾斜，海拔240~1856.7m，50%的區(qū)域坡度大于20°。氣候?qū)賮啛釒Ъ撅L(fēng)氣候，溫暖濕潤，年平均氣溫13.3℃，年降水量2294.2mm。境內(nèi)地帶性植被為常綠闊葉林，另有常綠針葉林、針闊混交林和竹林廣泛分布。竹林是慶元林業(yè)建設(shè)的重要內(nèi)容，竹產(chǎn)業(yè)是該縣社會經(jīng)濟(jì)發(fā)展和農(nóng)民增收致富的重要支柱產(chǎn)業(yè)之一。2016年慶元縣林業(yè)資源普查結(jié)果顯示，全縣竹林面積2.79萬hm2，毛竹占比高達(dá)99.57%，其他主要竹種為小雜竹。

數(shù)據(jù)與方法

3.1 遙感數(shù)據(jù)

采用研究區(qū)內(nèi)2016~2018年所有可得晴空Landsat影像（共5景）用于光譜特征提取和土地利用分類，數(shù)據(jù)空間分辨率30m，通過Google Earth Engine平臺獲取已采用LaSRC算法進(jìn)行大氣校正后的影像。采用2013~2017年MODIS地表反射率產(chǎn)品MOD09A1（h28v06）分析不同植被光譜季節(jié)曲線，數(shù)據(jù)時空分辨率為8d、500m，并利用基于時間序列拐點的云檢測算法對MOD09A1進(jìn)行了精細(xì)的云掩膜。采用ASTER GDEM V2數(shù)字高程數(shù)據(jù)提取坡度、坡向作為分類特征，空間分辨率為30m。

3.2 樣本數(shù)據(jù)

根據(jù)實地調(diào)研獲得的慶元縣主要土地利用類型，結(jié)合高分辨率影像的可辨認(rèn)性，將當(dāng)?shù)氐乇砀采w劃分為毛竹林、常綠針葉林、常綠闊葉/針闊混交林、耕地、建設(shè)用地、水體共6類典型地物。由于當(dāng)?shù)蒯橀熁旖涣忠蚤熑~樹為主，闊葉林與混交林區(qū)分難度大，在分類中歸并為一類，以便將研究重點聚焦在毛竹林的提取上?；贕oogle Earth高分辨率影像結(jié)合2018年8月和2019年1月兩次野外考察，選擇了318個感興趣區(qū)（ROIs），包括16485個像元，涵蓋6種典型地物類型。其中，隨機(jī)選擇224個ROIs（14725個像元）用于分類分類器訓(xùn)練，剩余的94個ROIs（1760個像元）用于精度驗證（表2、圖2）。毛竹林生長高大且密集，在高分辨率遙感影像上少有側(cè)影，呈現(xiàn)出絨狀紋理特征，與常綠闊葉/針闊混交林的淺色粗糙團(tuán)狀紋理和常綠針葉林深色密集針狀紋理有明顯差別（圖2）。

表2 典型地物地面樣本數(shù)量統(tǒng)計

圖 2 典型地物訓(xùn)練樣本與驗證樣本分布及參考高分辨率影像

3.3 光譜指數(shù)計算

光譜指數(shù)綜合多個光譜信號實現(xiàn)植被信號增強(qiáng)，在土地覆蓋分類領(lǐng)域廣泛應(yīng)用。實驗選擇歸一化差值植被指數(shù)（NDVI）、差值植被指數(shù)（DVI）、比值植被指數(shù)（RVI）、比值光譜指數(shù)（RSI）、歸一化水指數(shù)（NDWI）、地表水分指數(shù)（LSWI）、纓帽變換的亮度分量（TCB）、纓帽變換的綠度分量（TCG）和纓帽變換的濕度分量（TCW）等9種常見的表征植被綠度、水分含量和土壤亮度信息的光譜指數(shù)（表3），利用預(yù)處理后的MODIS和Landsat地表反射率分別計算光譜指數(shù)。

表3 不同光譜指數(shù)計算公式

3.4 季相區(qū)分度分析

基于野外調(diào)查結(jié)合高分辨率影像，選擇植被連續(xù)大面積分布的4處典型站點，分別為毛竹林常綠針葉林，常綠闊葉/針闊混交林和耕地。分別提取各個站點2013~2017年MODIS1~7波段地表反射率和光譜指數(shù)。為去除云、氣溶膠等噪聲的影響，采用5a晴空的平均值，并進(jìn)行SG平滑處理?；诘乇矸瓷渎屎凸庾V指數(shù)季節(jié)曲線分析毛竹林與其他地類在春季（3~5月）、夏季（6~8月）、秋季（9~11月）和冬季（12~2月）的可區(qū)分度，將區(qū)分度劃分為4級，強(qiáng)區(qū)分度為毛竹林季節(jié)曲線與其他植被沒有重合，且差別較大；較強(qiáng)區(qū)分度為毛竹林與其他植被季節(jié)曲線重合度較低，但在某一段較為接近；較弱區(qū)分度為毛竹林與其他植被季節(jié)曲線比較接近，仍存在一定差別；弱區(qū)分度為毛竹林與其他植被季節(jié)曲線重合度較高。由于建設(shè)用地與水體的光譜特性顯著區(qū)別于植被，且無明顯季節(jié)特性，未參與季節(jié)特征分析。

3.5 有效分類特征

選擇實驗采用SEaTH算法從6種地表反射率、9種光譜指數(shù)，以及DEM、坡度、坡向3種地形要素中篩選有效特征。其算法核心是在分類特征服從正態(tài)分布的條件下，通過計算每兩種地類在某一特征上的J-M（Jeffries-Matusita）距離判斷可分離度，其計算公式為：

其中：a1、a2為每個特征值均值；a1、a2為每個特征值的標(biāo)準(zhǔn)差；B為巴氏距離；J為J-M距離。J的取值范圍為［0，2］，若J>1.9，說明可分離度較強(qiáng)。利用6種地類的訓(xùn)練樣本計算各特征可分離度。由于實驗側(cè)重毛竹林提取，可分離度與毛竹林相關(guān)的，選擇J>1.9的前10種特征，并取交集；與毛竹林無關(guān)的，選擇J>1.9的前3種特征，重復(fù)項合并。

3.6 隨機(jī)森林分類及驗證

隨機(jī)森林分類器是一種進(jìn)行圖像分類的機(jī)器學(xué)習(xí)算法，通過分析輸入樣本特征構(gòu)建多種不同決策樹，最終選擇所有決策樹結(jié)果的眾數(shù)作為分類結(jié)果。算法精度較高，被廣泛應(yīng)用于植被精細(xì)分類研究。實驗采用2016~2018年所有可得晴空Landsat影像，基于MATLAB平臺構(gòu)建隨機(jī)森林分類器，利用訓(xùn)練樣本的有效分類特征訓(xùn)練分類器實現(xiàn)單/多時相毛竹林提取。基于預(yù)留的獨立驗證樣本計算混淆矩陣評價不同時相的分類精度，分析毛竹林提取的最佳時相，并與森林資源調(diào)查數(shù)據(jù)進(jìn)行對比，驗證分類效果。

結(jié)果與分析

4.1季相區(qū)分度分析

圖3為毛竹林、常綠針葉林、常綠闊葉/針闊混交林和耕地典型站點MODIS光譜反射率及光譜指數(shù)季節(jié)曲線。以近紅外波段為例（圖3（d）），春季毛竹林近紅外反射率與常綠針葉林較為相似，但在120~150d稍高于常綠針葉林，毛竹林區(qū)分度為較弱；夏季毛竹林反射率顯著高于其他植被，區(qū)分度強(qiáng)；秋季毛竹林反射率與其他植被沒有重合，但與常綠闊葉/針闊混交林曲線相似，區(qū)分度較強(qiáng)；冬季毛竹林季節(jié)曲線與常綠針葉林基本重合，區(qū)分度弱。由區(qū)分標(biāo)準(zhǔn)得到不同季節(jié)毛竹林區(qū)分度數(shù)量統(tǒng)計（表4），結(jié)果表明，秋季毛竹林區(qū)分度最高，共有11個區(qū)分度強(qiáng)或較強(qiáng)的特征，其中強(qiáng)區(qū)分度特征有8個；夏季次之，共有7個強(qiáng)區(qū)分度特征和2個較強(qiáng)區(qū)分度特征；冬季與春季毛竹林在短波紅外2，TCW等特征上具有一定區(qū)分性，但整體可分性不如秋季與夏季。

圖 3 不同植被類型典型站點的 MODIS 光譜反射率及光譜指數(shù)季節(jié)曲線及各季相區(qū)分度

表 4 各季節(jié)區(qū)分度強(qiáng)弱的分類特征數(shù)量統(tǒng)計

4.2有效分類特征選擇

利用2018年10月5日Landsat影像計算18種分類特征的可分離度，結(jié)果如表5所示，粗體為滿足篩選條件的J-M距離。共得到12種有效分類特征，包括光譜反射率紅、綠、藍(lán)、近紅外和兩個短波紅外波段，光譜指數(shù)NDVI、DVI、RVI、NDWI、TCB和TCW。其中，近紅外和TCB對所有地類都具有較高的可分離度，J-M距離均大于1.99；短波紅外1、DVI和TCW主要用于分離毛竹林與其他植被；NDVI、RVI和NDWI用于分離常綠針葉林和常綠闊葉/針闊混交林；紅、綠波段和短波紅外2用于分離植被與非植被。本實驗另分析了其他4個時相Landsat影像各分類特征的可分離度，結(jié)果與10月影像表現(xiàn)一致。

表5 不同分類特征的 J-M 距離

4.3不同時相分類精度評估

由于MODIS數(shù)據(jù)空間分辨率較粗，可能存在混合像元問題，且進(jìn)行實驗的站點數(shù)目有限。本研究在MODIS季節(jié)曲線分析基礎(chǔ)上，利用研究區(qū)2016~2018年所有可得Landsat晴空觀測，設(shè)計單時相和多時相組合的16組對比實驗（表6），進(jìn)一步分析不同季相影像對毛竹林提取精度的影響。單時相影像分類（實驗1到5）結(jié)果表明，影像季相會顯著影響分類準(zhǔn)確性（圖4）。

表6不同時相分類實驗設(shè)計

基于秋季初中期10月Landsat影像的毛竹林分類精度和總體分類精度最高，毛竹林用戶和制圖精度分別達(dá)到89.00%和86.91%，總體精度為87.56%。與其他時相分類結(jié)果相比，用戶和制圖精度分別提高了3.44%~20.62%和5.39%~14.71%，總體精度提高了1.42%~8.35%，這也證實了選用區(qū)分度高的季相觀測有助于提高分類準(zhǔn)確性。夏季6月分類精度次之，毛竹林用戶和制圖精度分別為80.76%和80.20%。春季3月影像分類精度較低，用戶和制圖精度分別為74.91%和75.43%。深秋11月的用戶和制圖精度僅為68.38和78.35%，冬季2月毛竹林分類精度最低（低于72%）。實驗6~16評估了采用多時相影像的毛竹林提取精度。實驗6~8使用分類效果最好的秋季（10月）分別與春（3月）、夏（6月）、冬（2月）季的影像組合；實驗9~11假設(shè)無秋季晴空影像時，分別采用冬春（2月與3月）、冬夏（2月與6月）、春夏（3月與6月）影像結(jié)合分類；實驗12~16分別采用3個季節(jié)（春夏冬、春秋冬、夏秋冬、春夏秋）及四季結(jié)合（春夏秋冬）影像分類。根據(jù)毛竹林用戶和制圖精度，并參考總體分類精度和Kappa系數(shù)，結(jié)果表明，基于多時相影像提取毛竹林的精度均不如秋季（10月）單時相，其中冬夏季結(jié)合（實驗10）分類精度最高，毛竹林用戶與制圖精度分別為85.57%和78.06%，與夏季單時相結(jié)果相比，雖然制圖精度略有下降（2.15%），但毛竹林用戶精度和總體精度分別提高了4.81%和5.74%（圖4）

圖4 各組實驗分類精度（用戶精度和制圖精度均指毛竹林）

4.4最優(yōu)方法分類結(jié)果及驗證

上述分析表明，基于秋季初中期10月單時相觀測（實驗4）可以實現(xiàn)研究區(qū)毛竹林分布最佳提取，且總體分類精度最高。采用最佳的實驗4方案提取研究區(qū)毛竹林分布，結(jié)果顯示，慶元毛竹林面積達(dá)307.62km2，在全縣各鄉(xiāng)鎮(zhèn)均有分布，尤以西南部和西北部更為集中，東部分布分散（圖5（b））。常綠針葉林和常綠闊葉/針闊混交林面積分別為690.17km2和627.04km2，主要分布在研究區(qū)北部、中部和東部；建設(shè)用地面積為39.83km2，在縣政府所在的中西部最集中，其他居民點散落分布在坡度較緩的河谷地帶；耕地面積達(dá)224.84km2，多分布在居民點附近的河谷和山腰（圖5（a））。為進(jìn)一步驗證實驗提出的毛竹林提取方法的精度，將分類結(jié)果與2016年慶元縣林業(yè)資源普查結(jié)果進(jìn)行面積對比。2016年慶元毛竹林普查面積為277.72km2，實驗提取結(jié)果為307.62km2，精度為89.23%。根據(jù)慶元縣政府網(wǎng)，為促進(jìn)竹產(chǎn)業(yè)、林下經(jīng)濟(jì)發(fā)展和農(nóng)民增收，縣政府每年投入大量資金扶持竹林建設(shè)，2018年毛竹林面積實際應(yīng)高于2016年普查數(shù)據(jù)，與本研究結(jié)果更為接近。

圖 5 2018 年慶元縣土地利用和毛竹林分布圖

討論

現(xiàn)有竹林遙感提取研究多直接采用可得的單幅或多幅晴空影像進(jìn)行分類，實驗充分考慮植被生長的季節(jié)差異，引入MODIS高時間分辨率觀測獲取地物光譜季節(jié)曲線，通過分析季節(jié)區(qū)分度和比較不同時相分類精度，篩選了亞熱帶區(qū)域毛竹林識別的最佳季節(jié)，結(jié)果證實選用區(qū)分度高的季相觀測有助于提高毛竹林的識別精度。

毛竹生長具有大小年的規(guī)律，大年出筍小年換葉，其葉片光合色素含量、內(nèi)部物質(zhì)變化和代謝能力受大小年影響，呈現(xiàn)不同的季節(jié)變化特征。一般小年春季（4~5月）毛竹落葉并抽發(fā)新葉，葉片葉綠素含量較低呈黃色，隨著營養(yǎng)物質(zhì)積累，6~7月葉片轉(zhuǎn)為深綠色，并一直保持到次年（大年）11月。而其他常綠林在春季4~5月葉片葉綠素含量較高，與處于小年落葉期的毛竹林存在顯著差異。但本研究MODIS季節(jié)曲線分析表明，春季3~5月毛竹林的區(qū)分度并非最高的，研究區(qū)近5a無4~5月晴空影像，而鄰近的3月和6月分類結(jié)果也不如10月。這可能是由于研究區(qū)毛竹林分布分散，各鄉(xiāng)鎮(zhèn)種植時間不一，導(dǎo)致各區(qū)域毛竹林大小年不同步。以春季落葉期作為遙感檢測的關(guān)鍵期僅能檢測出處于小年期的毛竹林，導(dǎo)致處于大年期的毛竹林的大面積漏檢。無論大年小年，秋季毛竹葉片仍呈現(xiàn)深綠色，而同時期闊葉林、針葉林冬季葉片不再維持深綠，與毛竹林在波段反射率和光譜指數(shù)林提取效果優(yōu)于春季。

季節(jié)曲線分析結(jié)果表明，秋季毛竹林的可區(qū)分度最佳，但在實際提取實驗中，秋季初中期（10月）毛竹林提取效果較好，而深秋（11月）毛竹林用戶精度不理想。這可能與研究區(qū)內(nèi)森林樹種組成復(fù)雜有關(guān)。盡管研究區(qū)地帶性植被為常綠林，但區(qū)內(nèi)山地眾多，海拔1200m以上散布有麻櫟、槲櫟等落葉林。深秋季節(jié)，毛竹林葉綠素含量降低，落葉樹種落葉，林下植被也出現(xiàn)落葉或葉片葉綠素含量降低現(xiàn)象。由于落葉植被占比和葉綠素含量降低程度不一，加劇了各植被類型區(qū)分的復(fù)雜性，導(dǎo)致其他植被類型被錯分為毛竹林，用戶精度顯著降低。多組實驗證明初、中秋影像更適于區(qū)內(nèi)毛竹林的精細(xì)提取。

高時空分辨率衛(wèi)星能夠獲取更加精細(xì)的植被生長季相特征與空間信息，同時紅邊波段提供了更為豐富的波譜信息。后續(xù)研究可嘗試新的傳感器，將有助于植被類型識別，提高毛竹林提取的精度。

結(jié)論

實驗采用MODIS高時間分辨率與Landsat OLI高空間分辨率觀測，通過分析不同植被類型MODIS光譜季節(jié)特征曲線，并結(jié)合近3a所有可得晴空觀測進(jìn)行分類實驗，篩選了毛竹林分類的最優(yōu)時相，基于隨機(jī)森林實現(xiàn)了毛竹林分布提取。結(jié)果表明：

（1）對于單時相影像，基于秋季初中期10月影像的毛竹林提取精度優(yōu)于其他季節(jié)，是區(qū)分毛竹林與研究區(qū)內(nèi)其他植被的最優(yōu)時相；夏季次之，春季與冬季較差。與其他單時相分類結(jié)果相比，秋季初中期影像的毛竹林分類用戶精度和制圖精度分別提高了3.44%~20.62%和5.39%~14.71%。

（2）對于多時相影像，在秋季觀測基礎(chǔ)上增加其他季節(jié)觀測未能提高毛竹林分類精度；夏冬影像結(jié)合相對于其他多時相以及夏季、冬季單時相分類，提取精度更高，用戶和制圖精度分別達(dá)到85.57%和78.06%。

（3）基于2018年10月5日Landsat影像及有效分類特征（藍(lán)、綠、紅、近紅外和兩個短波紅外波段，NDVI、DVI、RVI、NDWI、TCB和TCW），實現(xiàn)了研究區(qū)毛竹林分布的最優(yōu)提取。與獨立驗證樣本比較，毛竹林用戶和制圖精度分別達(dá)到89.00%和86.91%；與當(dāng)?shù)厣仲Y源普查數(shù)據(jù)對比，毛竹林提取精度優(yōu)于89.23%。（4）在類似亞熱帶區(qū)域竹林提取中，當(dāng)有多個時相晴空觀測可供選擇時，應(yīng)優(yōu)先選擇秋季初、中期影像；當(dāng)此時期沒有晴空觀測時，應(yīng)優(yōu)先組合夏季與冬季觀測進(jìn)行分類。