罗朝沁，林 辉，孙 华，吴梓尚

（中南林业科技大学 林业遥感信息工程研究中心，湖南 长沙 410004）

基于MODIS影像大尺度森林资源信息提取方法研究

罗朝沁，林 辉，孙 华，吴梓尚

（中南林业科技大学 林业遥感信息工程研究中心，湖南 长沙 410004）

森林类型的识别对于掌握森林生态系统和自然环境变化具有重要意义。针对单一时相遥感数据提取森林植被类型信息方法的局限性，以中国东北三省为研究区，探讨了基于多时相MODIS遥感数据，实现主要森林类型识别的方法。将东三省的森林植被划分为非林地、针叶林、阔叶林、针阔混交林、灌木林5种类型，通过分析不同森林类型一年内生长差异，选取多时相NDVI第10期、NDIV第23期、EVI第10期、LAI第20期特征数据，建立了非林地、针叶林、阔叶林、针阔混交林、灌木林的决策树模型，实现了森林类型信息的识别，得出了东三省的森林覆盖率42.39%，植被类型分类总体精度为86.7%，与第八次全国森林资源清查的东三省结果对比，森林覆盖率提取精度高达95.6%。说明应用多时相的MODIS遥感影像可以实现大尺度森林资源信息的快速提取，在大范围的植被类型调查与监测方法具有较大的应用价值。

遥感；森林类型；概率密度；大尺度；MODIS

森林是一个国家的重要资源之一，有着重要的经济和生态价值。森林资源为人类提供了生存的物质基础，其生态价值又为人类提供了必要的生存环境[1-3]。随着可持续发展的提出，保护和合理利用森林资源已成为社会共同关注的话题。传统的森林资源调查是以地面调查方法为主，这种方法耗时费力，并造成监测周期长、信息质量差、精度低、人为误差大。遥感信息技术的应用与发展为森林资源信息提取提供了一种便利的手段[2]。随着遥感影像分辨率的提高，基于遥感的森林资源信息提取经历低分辨率、中分辨率、高分辨率的提取研究[4-8]。对于中低分辨率影像的森林信息提取主要是应用在基于多时相MODIS数据实现，通过特征组合、逻辑判断的方式进行决策树算法或者常用监督分类进行常见森林植被类型信息的提取，分类总体精度最高达到84%左右[9]。对于中分辨率的森林信息提取主要是以多波段的影像数据源以及由植被指数、缨帽变换、主成分变化以及其他DEM等遥感辅助数据等，通过选择较好的训练样本进行监督分类，或者通过决策树的方式获取森林类型，其总体分类精度达到了85%左右，森林覆盖率信息的提取精度达到93%左右[10]。而用高分辨率影像来提取森林信息在基于传统的监督，非监督分类上效果不理想，需要结合纹理信息、多时相和多源信息融合的分类方法来提高精度。其植被分类总精度可以到达92%～95%。高分辨率影像由于数据量大，处理时间过长，应用高分辨率遥感影像开展区域森林类型信息提取的研究鲜有报道[11-14]。论文以东三省作为研究区，将研究区的森林类型划分为针叶林、阔叶林、针阔混交林、灌木5种形式，以中低分辨率遥感影像MODIS为数据源，探讨基于多时相遥感数据提取主要森林类型信息的方法，以期为中低分辨率的遥感数据区域森林类型信息快速提取提供技术和方法参考。

1 研究区概况

东三省位于中国东北部（见图1），总土地面积达 7.881×105km2，地处东经 118°00′～135°05′，北纬38°00′～53°33′，属于温带季风气候。但由于纬度高，冬季寒冷漫长，夏季温暖而短促，冬季降雪，蒸发小，气候湿润，低地多沼泽。地形以平原、山地为主。

图1 研究区地理位置Fig. 1 Geographic position of study area

2 材料与方法

2.1 遥感数据获取与处理

研究所用的MODIS时序数据获取时间为2010年，数据均从美国NASA官方MODIS网站下 载（https://ladsweb.nascom.nasa.gov/data/search.html），涉及的数据产品分别为NDVI（MOD13Q1）、EVI（MOD13Q1）、LAI（MOD15A2） 和 GPP（MOD17A2）4种类型。下载的数据进行影像预处理工作，包括投影转换、批量数据镶嵌、黑带批量去除。利用研究区的矢量对预处理后的影像进行裁剪，得到研究区的MODIS数据。

2.2 森林资源信息快速提取与精度验证

以东北三省1∶250 000森林资源分布图为基础，将地类归并为针叶林、阔叶林、针阔混交林、灌木林和非林地5种形式。每个地类随机生成2 000个样本点，5种地类共计10 000个样点。利用10 000个样点分别提取NDVI、EVI、LAI和GPP 4种植被指数一年内的变化值，生成4种植被指数年度变化图。通过分析植被指数年度变化图找出上述5种地类在一年中进行区分的最佳时间点，即选出5种地类在一年内易区分的时相并建立上述5种地类的密度曲线，计算不同地类概率密度曲线交点值，交点值的计算公式为：

式中：μ1、μ2和 σ1、σ1分别为第 1、2 类样本在某遥感因子上的光谱均值和标准差[15]。以交点值作为决策树模型的各类型判别的阈值，建立决策树模型对研究区进行森林类型的信息提取。为了进一步比较通过确定概率密度曲线相交点建立决策树的科学性，研究同时采用最大似然监督分类方法进行森林类型提取。在获得森林类型信息提取的基础上，再次利用Arcgis进行随机抽取5 000个样点作为验证数据进行精度评价，计算各类型的用户精度、总体精度及Kappa系数。

3 结果与分析

3.1 植被指数年度变化分析

利用随机抽样产生10 000个样点，对2010年NDVI、EVI、LAI、GPP等4种植被指数产品进行信息提取。利用IDL语言编程，对每期数据的同一地类提取的植被指数进行均值处理，剔除两倍标准差外的异常点，得到23期NDVI、EVI指数均值，46期LAI， GPP植被指数的均值，结果如图2所示。

图2 4种植被指数年度变化情况Fig. 2 The annual variation of 4 types vegetation index

从图2中可以发现东北三省的5种地类中，非林地与其他4种地类在NDVI植被指数的第10期、EVI植被指数的第10期比较容易区分。灌木林与针叶林、阔叶林和针阔混交林的区分，在NDVI第23期，EVI第10期，LAI的第20期、第30期、第33期容易区分。

3.2 地类概率密度曲线分析

根据植被指数年度变化分析结果，找出区分度大的遥感影像时相，建立各地类的概率密度曲线（见图3）。

图3 不同地类的概率密度曲线Fig. 3 The probability density curves of different land types

从图3（a）和图3（b）中可以看出，NDVI第10期影像和第23期影像概率密度曲线所表现出来的差异可以分离出非林地和林地。在第10期NDVI为0.67附近非林地和针叶林、阔叶林和针阔混交林的界限明显，在第23期NDVI为0.16附近非林地和灌木林的界限明显，经交点计算公式得到最佳分离点为0.65、0.15，因此最终确定NDVI10＜0.65并且NDVI23＜0.15来分离非林地，然后进行灌木林、针叶林、阔叶林和针阔混交林的划分。在LAI第20期的概率密度曲线统计分析结果如图3（c）所示，经公式（1）计算，得到灌木林和针叶林、阔叶林、针阔混交林的最佳分离点为1.8，因此最终确定阈值为LAI20＜1.8来分离灌木林。然后分离针阔混交林和针叶林、阔叶林，在NDVI第23期的概率密度曲线图3（d）中，经公式计算得到最佳分离点为0.3，因此最终确定阈值为NDVI23＞0.3来分离针阔混交林和针叶林、阔叶林。最后是针叶林和阔叶林的区分，如图3（e）的两种地类的概率密度曲线可以看出两者的分离度不是很高，最后经公式计算得到最佳分离点为0.51，因此最终确定阈值为EVI10＜0.51来分离针叶林。基于图3和上述的分析结果进行决策树模型设计得到东三省森林信息提取的决策树模型（见图4）。

3.3 森林资源信息提取

利用第10期NDVI、第23期NDVI、第10期EVI、第20期LAI合成四波段遥感影像分别开展决策树与最大似然分类，结果如表1和图5。

表1 各地类分类结果Table 1 All types of classification results hm2

决策树分类结果显示，东三省的森林覆盖率为42.39%，最大似然法的分类覆盖率为50.06%，第八次全国森林资源连续清查结果中东北三省的平均森林覆盖率为40.59%，从森林覆盖率的准确性来说，决策树模型优于监督分类，决策树模型的森林覆盖率与森林资源清查结果相差1.8%，而监督分类方法结果相差了9.57%。从各类型面积总量看，决策树模型所得各地类面积更加接近森林资源连续清查公布的调查结果，其中非林地、阔叶林面积偏小，针叶林、针阔混交林面积稍微偏大。

图4 决策树分类模型Fig. 4 Decision tree classification model

图5 东北三省森林资源信息提取结果Fig.5 The extraction results of three provinces in Northeast China forest resource information

从森林资源空间分布角度分析（见图5），决策树分类结果中，东三省北部地区以针叶林为主，主要分布在黑龙江省。东部、南部阔叶林和混交林较多，国家特别规定灌木林主要分布在辽宁省的西南部，面积较少，与第八次森林资源清查分布结果基本保持一致。监督分类结果图中，针叶林、阔叶林、针阔混交林的大体位置和分布状态与决策树类似，但在辽宁南部分出了很大一片的灌木林，这与实际情况相反。

3.4 森林类型信息提取精度评价

利用Arcgis随机抽取5 000个样本，其中针叶林样本1 490个，阔叶林820个，针阔混交林472个，灌木林286个，非林地1 932个，使用混淆矩阵方法用于精度验证，并与同最大似然比法进行对比。两种方法的对比结果如表2和表3所示。

表2 决策树分类结果与精度评价Table 2 Decision tree classification contrast and accuracy assessment

表3 最大似然监督分类结果与精度评价Table 3 Supervise classification contrast and accuracy assessment

监督分类法的总体分类精度为74.39%，Kappa系数为0.63；而决策树分类法的总体分类精度为86.70%，Kappa系数为0.87，明显高于监督分类结果。

4 结论与讨论

论文以MODIS时序数据为基础，分析不同地类之间年度范围内各植被指数的变化趋势，确定分离度明显的植被指数时相，结合概率密度曲线，计算出决策时相数据模型的最佳判别阈值，开展区域森林类型快速提取。主要研究结果如下：

（1）东三省5种地类对应的植被指数年度变化趋势明显，区分度较好。对5种地类的2010年时序MODIS数据（NDVI、EVI、LAI、GPP）进行对比发现，植被指数NDVI、EVI 各个森林植被类型的光谱值在春季分离度不明显，步入5月份以后植被指数呈明显上升趋势，在夏季各个森林植被类型有一定的分离度，9月份后两种植被指数呈明显下降趋势。而LAI和GPP均在夏季出现了两次波峰且有一定的分离度，可以将该时期的影像作为决策树分类的数据源。

（2）利用概率密度曲线可以很好地确定决策树阈值。在基于时序的MODIS数据进行决策树的东三省森林信息提取，将NDVI第10期、NDVI第23期、EVI第10期、LAI第20期作为数据源进行决策树的森林植被分类。森林覆盖率为42.39%与第八次全国森林资源清查大体一致，实现了区域性的森林覆盖率信息提取。按照一类调查标准，将东三省分为非林地、针叶林、阔叶林、针阔混交林、灌木林。其用户精度分别为96.20%、88.52%、78.43%、60.90%、56.60%。 分类总体精度达到86.70%满足生产需求，说明使用密度曲线去确定决策树模型的判别阈值是可行的。

（3）决策树分类方法适用于大尺度森林类型提取。基于时序的MODIS产品数据在大区域范围内进行决策树方法的森林信息提取精度较高，森林覆盖率为42.39%与第八次全国森林资源清查大体一致，森林覆盖率的提取精度达到95.60%，实现了区域性的森林覆盖率信息提取。而分类总体精度达到86.70%，方法可行，可在本研究的基础上进行全国森林信息提取的推广研究。

[1]杨存建,周其林,任小兰,等. 基于多时相MODIS数据的四川省森林植被类型信息提取[J]. 自然资源学报,2014,(3):507-515.

[2]杨正斌,余东莉.基于Landsat 8影像的西双版纳森林覆盖信息提取研究[J]. 林业调查规划,2014,(4):10-15.

[3]王 荣.高分辨率遥感影像信息提取方法的研究[D].兰州:兰州交通大学,2013.

[4]邓 辉.西南三江德钦—木里地区铜多金属遥感找矿信息研究[D].成都:成都理工大学,2014.

[5]严恩萍.中高分辨率遥感影像阔叶林信息提取研究[D].长沙:中南林业科技大学,2011.

[6]Enping Yan, Guangxing Wang, Hui Lin, et al. Phenology based classification of vegetation cover types in Northeast China using MODIS NDVI and EVI time series [J]. International Journal of Remote Sensing, 2015, 36(2): 489-512.

[7]Enping Yan, Hui Lin, Guangxing Wang, et al. Multi-scale simulation and accuracy assessment of forest carbon using Landsat and MODIS data [J]. Earth Observation and Remote Sensing Applications (EORSA), 2014 3rd International Workshop on IEEE, 2014: 195-199.

[8]Enping Yan, Hui Lin, Dengkui Mo, et al. Non-wood Forest Information Extraction Based on ALOS Data [J]. 2010 Seventh International Conference on Fuzzy System and Knowledge Discovery (FSKD), 2010, (5): 2037-2041.

[9]Dengkui Mo, Enping Yan, Hui Lin, et al. Development and Validation of 2-band EVI with MODIS Data in Southeast China [J].ICMIC 2012 on IEEE, (1): 88-91.

[10]严恩萍,林 辉,党永锋,等.2000至2012年京津风沙源治理区植被覆盖时空演变特征[J].生态学报,2014, 34(17): 5007-5020.

[11]吴慧惠. 面向对象的高分辨率遥感影像森林植被信息提取[D].北京:北京林业大学,2012.

[12]姜 洋,李 艳.浙江省森林信息提取及其变化的空间分布[J].生态学报,2014,24:7261-7270.

[13]莫登奎.中高分辨率遥感影像分割与信息提取研究[D].长沙:中南林业科技大学,2006.

[14]孙 华. SPOT5在森林资源调查中的应用研究[D].长沙:中南林业科技大学,2006.

[15]韩婷婷,习晓环,王 成,等.基于决策树方法的云南省森林分类研究[J].遥感技术与应用,2014,(5):744-751.

Based on MODIS image large-scale forest resources information extraction method

LUO Chao-qin, LIN Hui, SUN Hua, WU Zi-shang
(Research Center of Forest Remote Sensing & Information Engineering, Central South University of Forestry & Technology,Changsha 410004, Hunan, China)

It plays an irreplaceable role that identified the forest types for control the changes of forest ecology system and the natural environment. As the limitation of single phase remote sensing data extract forest vegetation types’ information, this paper choose the Chinese northeastern provinces as the study area and multi-temporal MODIS remote sensing as the study data. Find the main forest type identification method was the purpose of the paper. In addition, the forest vegetation was divided into 5 types including nonwoodland, coniferous and broadleaf forest, broadleaf forest and shrub. By analyzing the growing differences of different forest types in a year, the feature data of 10th and 23rd multi-temporal NDVI、10th multi-temporal EVI and 20th multi-temporal LAI were selected to build the tree model for non-woodland, coniferous and broadleaf forest, broadleaf forest and shrub. And then it realizes the forest types information identifies. The forest cover rate is 42.39% and the overall accuracy of vegetation type classification is 86.7%. Intercomparison of the 8th national forest resources inventory results, the accuracy of Forest coverage up to 95.6%. It proved that large scale forest resources formation extraction can be achieve using multi-temporal MODIS satellite images and it has greater value in a wide range of vegetation types inventory and monitoring.

remote sense; forest type; probability density ; large scale; MODIS

S771.8

A

1673-923X(2015)11-0021-06

10.14067/j.cnki.1673-923x.2015.11.005

2015-07-10

国家十二五高技术研究发展计划（863计划）课题“数字化森林资源监测关键技术研究（2012AA102001）；国家自然科学基金项目（31370639）；湖南省高校产业化培育项目（13CY011）

罗朝沁，硕士研究生

林 辉，教授，博士生导师；E-mail：1053460198@qq.com

罗朝沁，林 辉，孙 华，等.基于MODIS影像大尺度森林资源信息提取方法研究[J].中南林业科技大学学报, 2015,35(11): 21-26, 42.

[本文编校：吴 毅]