刘婷 包广道 张大伟 何怀江 罗也 张忠辉

摘 要：以0.8 m的GF-2卫星影像为主要数据源，根据防护林特有植被指数特征，研究GF-2遥感影像通过植被指数快速提取防护林的方法。通过样本点特征分析和对比分析分别确定比值植被指数（RVI）、差值植被指数（DVI）和归一化差值植被指数（NDVI）的提取阈值，辅助Landsat8 OLI影像做掩膜去除建设用地中林地的干扰信息，对影像做二值化处理，分别得到3种植被指数防护林的提取结果。研究结果表明，用RVI、DVI以及NDVI分类的林带识别总体精度分别为89.2%、90.4%和88.3%，均在85%以上，说明这三种方法都可以较精确地提取防护林信息，其中采用DVI的方法提取效果相对较好，同时在林带交错及林带间距较小时，DVI可提供更为丰富的细节信息，有助于林带信息的精准识别。本研究可在大尺度下为东北地区防护林的现状监测及评价提供科学支撑。

关键词：防护林;植被指数;GF-2;遥感;信息提取

中图分类号：S127 ; S757; F301.21 文献标识码：A文章编号：1006-8023（2018）06-0013-07

Research on Rapid Extraction of Shelter Forest Using GF-2 Images Based on Vegetation Indices

LIU Ting， BAO Guangdao*， ZHANG Dawei， HE Huaijiang， LUO Ye， ZHANG Zhonghui

（Jilin Provincial Academy of Forestry Sciences， Changchun 130033）

Abstract： In this study， 0.8 m GF-2 satellite image was taken as the main data source. According to the vegetation index characteristics of shelter forest， the method of GF-2 remote sensing image to quickly extract shelter forest through vegetation index was studied. The extraction thresholds of the ratio vegetation index （RVI）， the difference vegetation index （DVI） and the normalized difference vegetation index （NDVI） were determined by sample point feature analysis and comparative analysis， respectively. The Landsat8 OLI image was used as a mask to remove the interference information of the forest land in the construction land， and the image was binarized to obtain the extraction results of the three vegetation indexes of the shelter forest. The results show that the overall accuracy of forest belt identification using RVI， DVI and NDVI are 89.2%， 90.4% and 88.3%， respectively， both are above 85%， indicating that these three methods can extract the information of shelter forest very accurately. Among them， DVI method has relatively accurate extraction result， and it can provide more detailed information when the forest belt is interlaced and the forest belt spacing is small， which is helpful for the accurate identification of forest belt information. This study can provide scientific support for the monitoring of current status and remote sensing inversion of large-scale shelterbelts in Northeast China.

Keywords： Shelter forest; vegetation index; GF-2; remote sensing; information extraction

0 引言

防護林是指以防护效应作为基本经营目的，由人工林和天然林组成的森林总称[1]。防护林可为生态较为脆弱地区的经济环境、土地资源、农业生产、畜牧养殖，建筑设施和居住环境提供保护，防止或减轻所保护地区的自然灾害，或避免不利因素的损害和干扰[2-3]，对提高作物产量和增强气候变化下的稳定性具有潜在优势，降低非农投入水平[4]，为社会提供多种的外部效益[5]。常规的防护林调查和识别方法一般以高成本、费时、费力的野外实地调查和遥感影像人工解译为主。由于遥感技术具有宏观、综合、动态和快速等特点，可快速提供大范围空间数据，而逐渐被广泛应用于林业动态监测和制图中，目前已成为防护林调查的主要技术手段。随着遥感技术的快速发展，时间、空间和光谱分辨率的不断提高，传统方法逐渐无法满足实际工作对调查效率的需求，简单、快速、精准的防护林识别方法，能够减少人力物力投入，增加调查效率、提高调查精度。

早期应用遥感技术对防护林的研究主要以中低分辨率的Landsat TM/ETM+[6-9]为主，随后，高分辨率遥感卫星逐渐得到应用，应用较多的是基于ZY-3[10-11]、SPOT5[12-13]、QuickBird[14]和Geo-eye[8，15]开展的研究。在提取防护林的方法上，主要有实地测量法、人机交互解译法、植被指数法[11，16]、面向对象法[17-19]以及决策树分类法[20]。现有防护林提取研究中，植被指数多采用NDVI和RVI，此次加入DVI方法，探寻各植被指数提取防护林的效果差异，应用鲜有研究的国产高分辨率GF-2遥感影像为主要数据源，从而找出快速提取防护林空间分布信息的方法，为监测与管理防护林提供数据支持，对后续防护林的维护与结构调整提供依据，对促进经济增产与生态平衡具有重要意义。

1 研究区概况

本研究选取德惠和农安境内的23.5 km×23.5 km （44°10′45′′ ～ 44°25′20′′N，125°15′54′′～ 125°36′50′′E）范围为研究区域，如图1所示。该地区地处松辽平原中部腹地，属寒温带半湿润大陆性气候，春季干燥少雨，风害严重。是吉林省著名的商品粮基地。于建国初期开展防护林的营造活动，自1978年国务院作出开展建设“三北”防护林体系的决定以来，至今已形成比较完善的农田林网化[21]。为当地生态环境、农业生产和区域经济发展带来了积极的作用与影响。

2 研究方法

2.1 遥感数据及预处理

采用GF-2卫星遥感影像作为主要数据源，原始影像包括0.8 m的全色影像和3.2 m的4波段多光谱影像。为确保影像清晰，选择云覆盖少于影像总面积的10%;为区分耕地和防护林，影像获取时间介于五月中旬至六月上旬。最终，选取接收时间为2015年5月15日的影像数据。通过ENVI5.5遥感处理软件对GF-2遥感影像进行辐射定标、大气校正、正射校正以及图像融合等预处理工作，最终得到研究区0.8 m的多光谱遥感影像数据。此外，还选择美国30 m空间分辨率的Landsat8 OLI遥感影像作为提取建设用地中林地掩膜信息的数据源，采集时间为2015年1月7日。

2.2 植被指数

根据植被对于可见光红波段表现出强吸收、近红外波段表现为高透射的光谱特性。将可见光红波段和近红外波段进行组合，形成各种植被指数，可达到简单、有效的定量和定性对地表植被状况进行评价的目的。目前，已定义四十多种植被指数，并广泛应用在全球与区域土地覆盖、植被分类和环境变化、干旱监测等方面[22]。此次研究选取应用比较广泛的比值植被指数（RVI）、差值植被指数（DVI）和归一化差值植被指数（NDVI）3种植被指数进行快速防护林信息提取。

2.2.1 信息提取

基于研究区0.8 m GF-2的遥感影像分别计算RVI、DVI和NDVI。由于影像中存在一定的噪声或离群值，使提取的植被指数的最大值、最小值、均值和标准差与实际情况的数值存在一定的偏差。为减弱噪声和离群值对植被指数阈值判断的影响[23]，此次研究基于统计学原理，对每个植被指数的提取值进行统计，最终选取累计概率为[2%，98%]的置信区间，确定RVI、DVI和NDVI的取值范围分别为 [0，5]、[-10，1800]和[-1，1]。并将各植被指数计算结果以2%的线性拉伸方式显示，如图2和图3所示。

本次研究采用结合Landsat8 OLI遥感影像提取研究区的建设用地边界，做掩膜处理去除建设用地中的植被干扰信息，建设用地边界提取如图5所示。根据研究区实际情况与遥感影像的光谱特征，结合研究目的将地物类型划分为防护林、耕地、建设用地和水域4类，由于已做建设用地边界掩膜处理，故研究区的地物类型为防护林、耕地和水域3类。

使用Arcgis软件，在整个研究区每类地物随机选取样点，其中防护林236个，耕地233个，水域135个，总计604个样点，如图4所示。将选取的样点与植被指数叠加，计算各个植被指数样点的最大值、最小值、平均值以及标准差等特征值。

由表2可知，三种植被指数变化幅度最大的是DVI，NDVI变化幅度最小。在RVI、DVI和NDVI下，防护林与耕地均能得到较好的区分，但利用RVI和NDVI提取的防护林与水域均有部分区域重合。由于DVI对土壤背景的变化极为敏感，能较好地识别植被与水体，DVI对防护林的区分能力要稍优于其他两种植被指数。主要结合各地物在不同植被指数下的特征值分析，并通过对阈值进行反复实验调整，当防护林信息能被较为完善的提取，且耕地与水域的干扰相对最低时，最终确定各植被指数提取防护林信息的阈值。RVI为1.5、DVI为600以及NDVI为0.2。

通过阈值对研究区各植被指数影像图做二值化处理，最终得到研究区防护林的分布影像图，如图6和图7所示。

2.2.2 精度检验

精度检验方法包括野外实地调查验证数据、高分辨率遥感影像数据以及已有成果数据。全区验证采用在影像范围内随机抽样100个采点，并于2015年5月22日至 2015年5月28日进行野外实地验证，记录各采集点防护林状态及相关周边信息。

经过检验，通过RVI、DVI和NDVI 3种植被指数均能较好地快速提取防护林信息，准确率分别为89.2%、90.4%和88.3%，均大于85%。其中，耕地的分類精度最高，分别为90.2%、92.5%和92.1%，均大于90%。防护林的精度次之，为88.5%、91.2%和86.6%。水域的分类精度最低，分别为85.3%、90.9%和83.7%。

3 结果与分析

本次研究选取由可见光红波段与近红外波段不同组合的三种常见植被指数RVI、DVI和NDVI，辅助Landsat 8 OLI遥感影像提取建设用地掩膜边界去除居民地中的林木干扰信息，通过对各地物随机选取采样点提取植被指数特征值确定分割阈值，最终二值化获得防护林信息的快速提取结果。

本研究选择春季为研究时段，耕地处于裸土时，防护林与其他地物的特征差异比较明显，易于进行防护林的信息提取。为避免噪声及离群值的影响，首先对植被指数进行[2%，98%]的置信区间处理，RVI为[0，5]，DVI为[-10，1 800]，NDVI为[-1，1]。

在阈值选取时，充分考虑低阈值会导致少量耕地被误分成防护林，同时较宽的防护林带出现加粗、毛刺等现象。过高的阈值会使部分林带提取不完整，造成林带稀疏和幼龄林林带遗漏现象的发生。通过分析各地物采样点的植被指数特征值及多次验证，最终确定各植被指数的提取阈值，RVI为0.15，DVI为600，NDVI为0.2。

RVI、DVI和NDVI 3种植被指数在防护林的提取中均表现出较好的效果。在防护林和耕地的提取上，3种植被指数提取效果较为接近。在连片性好的耕地区域，防护林信息提取效果较好，反之则较差。由于研究区的水域多为窄线性或小面积目标，不容易识别。DVI相较于RVI和NDVI具有较大的变化幅度，在防护林和水域的区分能力上能够表现出更好的效果。林带交错及林带间距较小时，DVI也可提供更为丰富的细节信息，有效提高林带信息的识别精度。

本研究提取的速度与成本明显小于人工目视解译。与现有的防护林自动信息提取方法相比，本文采用的方法优点主要有：①确定RVI、DVI和NDVI的置信区间，去除异常值对阈值选取的干扰;②使用Landsat 8 OLI遥感影像提取建设用地边界做掩膜，去除建设用地中的林地干扰;③确定提取防护林的各植被指数阈值;④基于植被指数提取防护林信息的方法快速且准确度较高，辅以人工目视判读，将误分的信息删除或修改可得到更完善的结果。

4 讨论

此次研究以GF-2为主要数据源，以德惠与农安境内23.5 km×23.5 km为研究区，提出不同植被指数下防护林的置信区间与提取阈值，其他数据源、时间段或研究区下植被指数的置信区间与提取阈值可能会略有不同。但本文提供了一种定量分析的方法和思路，可为相关研究提供科学的参考和借鉴。

基于3种植被指数提取的防护林信息精度均在85%以上，均可满足大区域尺度下防护林状态监测的需要，且具有效率高、投入小的优点。此次研究主要旨在提取与实际情况相符，且具有快速可操作的目的，所以未对存在一定长度断口不连续的林带进行形态学的膨胀、腐蚀等处理。针对不同的工作及研究需要，可酌情添加形态学手段以期获得较连续和完整的林带信息。通过分析发现提取的防护林信息会存在一定的线性不等加宽、毛刺等现象，针对这一问题后期可综合其他几何与纹理特征做深入研究，分析其不同条件下的拉伸系数，进一步提高防护林的提取精度。

本研究深化了遥感技术及植被指数在防护林监测方面的研究，提升了防护林研究的技术水平，为防护林研究增加了新的方法和思路，为探索防护林的快速提取与监测提供科学的依据。

【参 考 文 献】

[1]ZAGAS T D，RAPTIS D I，ZAGAS D T. Identifying and mapping the protective forests of southeast Mt.Olympus as a tool for sustainable ecological and silvicultural planning，in a multi-purpose forest management framework[J].Ecological Engineering，2011，37（2）：286-293.

[2]BRANDLEJ R，HINTZDL. Agriculture，ecosystems and environment-special issue-proceedings of an international-symposium on windbreak technology-lincoln，nebraska-june 23-27，1986-preface[J].Agriculture Ecosystems & Environment，1988，22（3）：R9-R10.

[3]姜凤岐，于占源，曾德慧，等.三北防护林呼唤生态文明[J].防护林科技，2013，28（5）：1-3.

JIANG F Q，YU Z Y，ZENG D H，et al.Three-north shelterbelt calls for ecological progress[J].Protection Forest Science and Technology，2013，28（5）：1-3.

[4]BRANDLE J R，HODGES L，ZHOU X H.Windbreaks in north American agricultural systems[J].Agroforestry Systems，2004，61（1-3）： 65-78.

[5] RIVEST D，VEZINA A. Maize yield patterns on the leeward side of tree windbreaks are site-specific and depend on rainfall conditions in eastern Canada[J].Agroforestry Systems，2015，89（2）：237-246.

[6]徐冠華，徐吉炎.再生资源遥感研究——“三北”防护林地区平泉遥感综合调查的方法与实践[M]北京：科学出版社.1988.

XU G H，XU J Y. Research on remote sensing of renewable resources - methods and practice of comprehensive survey Three-North shelterbelt by remote sensing in Pingquan[M]. Beijing： China Science Publishing， 1988.

[7]刘兴汉，张柏.TM图像在“三北”防护林遥感调查中的应用：以吉林省西部为例[J].遥感技术动态，1990，5（3） ：25-29.

LIU X H，ZHANG B. Application of TM image in remote sensing geological survey of Three-North shelterbelt： the west of Jilin province as an example[J]. Remote Sensing Technology Trends，1990，5（3）：25-29.

[8]王文娟，邓荣鑫，李颖，等.TM与SPOT5数据对农田防护林景观评价影响的对比分析[J].东北林业大学学报，2011，39（9）：54-56.

WANG W J，DENG R X，LI Y，et al.Contrastive analysis of influences of TMand SPOT5 data on landscape assessment of farmland shelterbelts[J].Journal of Northeast Forestry University，2011，39（9）：54-56.

[9]邓荣鑫，李颖，张树文，等.基于TM影像的农田防护林信息提取研究[J].农业系统科学与综合研究，2011，27（1） ：12-16.

DENG R X，LI Y，ZHANG S. Research on extracting information of shelterbelt based on TM remote sensing images[J].System Sciences and Comprehensive Studies in Agriculture，2011，27（1）：12-16.

[10]扈晶晶.基于HJ-1和ZY-3遥感图像的农田防护林信息提取研究[D].北京：北京林业大学，2014.

HU J J. The farmland shelterbelts extraction based on HJ-1 and ZY-3 satellite images[D].Beijing： Beijing Forestry University，2014.

[11]幸泽峰，李颖，邓荣鑫，等.基于ZY-3影像的农田防护林自动提取[J].林业科学，2016，52（4） ：11-20.

XING Z F，LI Y，DENG R X，et al.Extracting farmland shelterbelt automatically based on ZY-3 remote sensing images[J].Scientia Silvae Sinicae，2016，52（4）：11-20.

[12]张艳，郭彦茹，张晓勉，等.基于SPOT-5的岱山岛沿海防护林动态监测[J].浙江林业科技，2013，33（5）：62-66.

ZHANG Y，GUO Y R，ZHANG X M，et al.Dynamic changes of coastal protective forests on Daishan island from SPOT5 imagery[J]. Journal of Zhejiang forestry Science&Technology， 2013，33（5）：62-66.

[13]鄭晓，朱教君.基于多元遥感影像的三北地区片状防护林面积估算[J].应用生态学报，2013，24（8） ：2257-2264.

ZHENG X，ZHU J J.Estimation of shelter forest area in Three-North shelter forest program region based on multi-sensor remote sensing data[J].Chinese Journal of Applied Ecology，2013，24（8）：2257-2264.

[14]CZEREPOWICZ L，CASE B S，DOSCHER C. Using satellite image data to estimate aboveground shelterbelt carbon stocks across an agricultural landscape[J].Agriculture Ecosystems & Environment，2012，156（6）：142-150.

[15]吕雅慧，张超，郧文聚，等.高分辨率遥感影像农田林网自动识别[J].农业机械学报，2018，49（1） ：157-163.

LV Y H，ZHANG C，YUN W J，et al.Automatic recognition of farmland shelterbelts in high spatial resolution remote sensing data[J]. Transactions of the Chinese Society for Agricultural Machinery，2018，49（1）：157-163.

[16] 张春桂，朱晓铃，陈惠，等.福建沿海防护林资源的卫星遥感监测[J].中国农业气象，2007，28（4） ：446-449.

ZHANG C G，ZHU X L，CHEN H，et al.A study on monitoring of Littoral shelter forest by remote sensing in Fujian[J].Chinese Journal of Agrometrorology， 2007，28（4）：446-449.

[17]梁文海，刘吉凯，张伟，等.基于面向对象方法的GF-2影像桉树林信息提取[J].浙江农林大学学报，2017，34（4） ：721-729.

LIANG W H，LIU J K，ZHANG W，et al.Extracting eucalyptus information using GF-2 images based on an object-oriented method[J].Journal of Zhejiang A&F University，34（4）：721-729.

[18]尹毅.基于对象分析方法的人工防护林分布格局及其变化研究[D].兰州：兰州大学，2014.

YIN Y.Study on the spatial pattern and evolution of protective forest plantation using object-based image analysis[D]. Lanzhou： Lanzhou University，2014.

[19]GHIMIRE K，DULIN M W，ATCHISON R L，et al. Identification of windbreaks in Kansas using object-based image analysis，GIS techniques and field survey[J].Agroforestry Systems，2014，88（5）： 865-875.

[20]周淑玲，徐涵秋.基于决策树的泉州湾沿海防护林动态变化研究[J].遥感技术与应用，2011，26（5） ：619-626.

ZHOU S L，XU H Q.Study on dynamics ofcoastal protecting forest in Quanzhou bay based on decision tree classification[J].Remote Sensing Technology and Application，2011，26（5）：619-626.

[21] 郭濤，王成祖.三北防护林体系建设20年综述[J].林业经济，1998（6）：1-13.

GUO T，WANG C Z.Review of twenty-year construction of Three-North protection forest project[J].Forestry Economics，1998（6）：1-13.

[22]陈明华，柴鹏，陈文祥，等.不同植被指数估算植被覆盖度的比较研究[J].亚热带水土保持，2016，28（1） ：1-4.

CHEN M H，CHAI P，CHEN W X，et al.Comparative study on the estimation of the vegetation coverage by different vegetation index[J].Subtropical Soil and Water Conservation，2016，28（1）：1-4.

[23]李钰溦，贾坤，魏香琴，等.中国北方地区植被覆盖度遥感估算及其变化分析[J].国土资源遥感，2015，27（2） ：112-117.

LI Y W，JIA K，WEI X Q，et al. Fractional vegetation cover estimation in northern China and its change analysis[J].Remote Sensing for Land and Resources，2015，27（2）：112-117.