天然林保护工程区森林植被类型遥感监测

doi:10.13466/j.cnki.lyzygl.2023.02.013

林业资源管理 ›› 2023›› Issue (2): 96-103.doi: 10.13466/j.cnki.lyzygl.2023.02.013

天然林保护工程区森林植被类型遥感监测

王晓慧¹^,²(), 张会儒¹^,²(), 庞勇¹^,², 覃先林¹^,², 李海奎¹^,², 蒙诗栎¹^,², 余涛¹^,²

1.中国林业科学研究院资源信息研究所,北京 100091
2.国家林业和草原局林业遥感与信息技术重点实验室,北京 100091

收稿日期:2023-01-10 修回日期:2023-04-21 出版日期:2023-04-28 发布日期:2023-06-26
通讯作者: 张会儒(1964-),男,甘肃合水人,博士,研究员,主要从事森林可持续经营研究工作。Email:huiru@ifrit.ac.cn
作者简介:王晓慧(1974-),女,山西忻州人,博士,副研究员,主要从事森林资源遥感监测研究工作。Email:wangxh@ifrit.ac.cn
基金资助:
中央级公益性科研院所基本科研业务费专项资金(CAFYBB2020ZD002);国家重点研发计划(2022YFF0711602)

Forest Vegetation Type Monitoring in the Natural Forest Protection Project Area

WANG Xiaohui¹^,²(), ZHANG Huiru¹^,²(), PANG Yong¹^,², QIN Xianlin¹^,², LI Haikui¹^,², MENG Shili¹^,², YU Tao¹^,²

1. Institute of Forest Resource Information Techniques,Chinese Academy of Forestry,Beijing 100091,China
2. Key Laboratory of Forestry Remote Sensing and Information System,National Forestry and Grassland Administration,Beijing 100091,China

Received:2023-01-10 Revised:2023-04-21 Online:2023-04-28 Published:2023-06-26

摘要/Abstract

摘要：

应用中等分辨率遥感影像开展森林植被类型遥感监测,为天然林保护工程区成效监测以及森林植被制图提供技术支撑。以汪清林业局为例,基于Landsat 8 OLI的生长季和非生长季影像,应用随机森林分类法,以及基于时间维的分类结果校正,开展森林植被类型信息提取研究,根据混淆矩阵和查全率分析引起森林植被类型混分的因素。结果表明:1)研究区森林植被类型遥感监测的总体精度为86.41%,Kappa系数为0.82,体现了较好的分类效果。2)在各森林植被类型中,落叶阔叶林地分类精度高,生产者精度和用户精度在90%以上;落叶针叶林地生产者精度较高,为86.96%;常绿针叶林地和针阔混交林地生产者精度和用户精度较低,平均为75.19%。常绿针叶林地、落叶针叶林地、落叶阔叶林地与针阔混交林地分类混分的影响因素为混交比例、郁闭度和林龄。3)汪清林业局森林覆盖率为96.64%,落叶阔叶林地所占面积比例最大,针阔混交林地次之,落叶针叶林地、常绿针叶林地、灌木林地和其他林地分布比较少。通过分析可知:基于中等分辨率影像的多时相和物候信息,有利于提取天然林保护工程区森林植被类型。

关键词: 天然林保护工程区, 森林植被类型, 多时相和物候信息, 随机森林, 时间维校正, 汪清林业局

Abstract:

Based on moderate resolution remote sensing images,forest vegetation type monitoring was performed to provide technical support for achievement monitoring of the natural forest protection project area and forest vegetation mapping.Based on Landsat8 OLI images in growing and non-growing seasons,random forest and time dimension correction methods were applied to forest vegetation type monitoring in Wangqing Forestry Bureau.Based on confusion matrix and recall ratio,factors leading to classification confusion were analyzed.The results showed that:1) Overall accuracy of forest vegetation type monitoring was 86.41%,and kappa coefficient was 0.82,illustrating a better classification effect.2) Among various forest vegetation types,deciduous broadleaved forest land had high classification accuracy,with producer's and user's accuracy of over 90%,respectively.Deciduous coniferous forest land had relatively high producer's accuracy of 86.96%.Evergreen coniferous forest land and coniferous and broadleaved mixed forest land had relatively low producer's and user's accuracies of average 75.19%.Classification confusion between evergreen coniferous forest,deciduous coniferous forest,deciduous broadleaved forest,and coniferous and broadleaved mixed forest frequently occurred as the result of mixed proportion,forest canopy closure and forest age.3) Forest coverage of Wangqing Forestry Bureau was 96.64%.The area proportion of deciduous broadleaved forest land was the largest,that of coniferous and broadleaved mixed forest land was the secondly largest,and that of deciduous coniferous forest land,evergreen coniferous forest land,shrubland and other forest land was small.The analysis showed that multitemporal and phenological information of moderate resolution remote sensing images was effective in obtaining forest vegetation types of the natural forest protection project area.

Key words: natural forest protection project area, forest vegetation type, multitemporal and phenological information, random forest, time dimension correction, Wangqing Forestry Bureau

中图分类号:

S771.8

王晓慧, 张会儒, 庞勇, 覃先林, 李海奎, 蒙诗栎, 余涛. 天然林保护工程区森林植被类型遥感监测[J]. 林业资源管理, 2023,(2): 96-103.

WANG Xiaohui, ZHANG Huiru, PANG Yong, QIN Xianlin, LI Haikui, MENG Shili, YU Tao. Forest Vegetation Type Monitoring in the Natural Forest Protection Project Area[J]. FOREST RESOURCES WANAGEMENT, 2023,(2): 96-103.

图/表 7

图1

表1

表2

表3

表4

表5

图2

参考文献 19

[1]	黄建文, 胡庭兴, 张忠辉. 天然林资源保护工程监测技术[M]. 北京: 中国林业出版社, 2012.
[2]	刘洋, 肖中琪, 张怀清, 等. 新疆阿尔泰山天然林保护工程区2000—2016年林地类型变化分析[J]. 林业资源管理, 2019(1):70-77.
[3]	赖家明, 杨武年. 基于RS的川西天然林区近29年植被覆盖动态变化[J]. 国土资源遥感, 2018, 30(4):132-138.
[4]	李爱农, 边金虎, 张正健, 等. 山地遥感主要研究进展、发展机遇与挑战[J]. 遥感学报, 2016, 20(5):1199-1215.
[5]	Townshend J R G, Justice C O, Gurney C, et al. The impact of misregistration on change detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(5):1054-1060. doi: 10.1109/36.175340
[6]	高若楠, 谢阳生, 雷相东, 等. 基于随机森林模型的天然林立地生产力预测研究[J]. 中南林业科技大学学报, 2019, 39(4):39-46.
[7]	钱钊晖, 王绍强, 陈敬华, 等. 表征亚热带常绿林光合作用季节变化特征的多种植被指数[J]. 生态学报, 2018, 38(16):5771-5781.
[8]	周蕾, 迟永刚, 刘啸添, 等. 日光诱导叶绿素荧光对亚热带常绿针叶林物候的追踪[J]. 生态学报, 2020, 40(12):4114-4125.
[9]	郭庆华, 关宏灿, 胡天宇, 等. 新一代1∶50万中国植被图绘制方法探讨[J]. 中国科学:生命科学, 2021, 51(3):229-241.
[10]	Immitzer M, Neuwirth M, Böck S, et al. Optimal input features for tree species classification in central Europe based on multi-temporal Sentinel-2 data[J]. Remote Sensing, 2019, 11(22):2599. doi: 10.3390/rs11222599
[11]	林丽群, 汪正祥, 雷耘, 等. 神农架川金丝猴栖息地优势乔木树种遥感识别及其分布特征[J]. 生态学报, 2017, 37(19):6534-6543.
[12]	Pang Yong, Li Zengyuan, Fan Shunxiang, et al. Fill invalid pixels of thematic map using composited image[C]// 2019 IEEE International Geoscience and Remote Sensing Symposium.Yokohama, Japan: IEEE, 2019:6748-6751.
[13]	TD/T 1055—2019,第三次全国国土调查技术规程[S].
[14]	GB/T 21010—2017,土地利用现状分类[S].
[15]	Meyer P, Itten K I, Kellenberger T, et al. Radiometric corrections of topographically induced effects on Landsat TM data in an alpine environment[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1993, 48(4):17-28. doi: 10.1016/0924-2716(93)90028-L
[16]	Moreira E P, Valeriano M M. Application and evaluation of topographic correction methods to improve land cover mapping using object-based classification[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 32:208-217. doi: 10.1016/j.jag.2014.04.006
[17]	刘时城, 温仲明, 陶宇, 等. 不同地形校正方法对刺槐林遥感提取的影响[J]. 北京林业大学学报, 2017, 39(5):25-33.
[18]	Breiman L. Random forests[J]. Machine Learning, 2001, 45(1):5-32. doi: 10.1023/A:1010933404324
[19]	Cutler A, Cutler D R, Stevens J R. Random forests[M]//Zhang C,Ma Y Q.Ensemble machine learning:Methods and applications. New York,USA: Springer-Verlag, 2012:157-175.

分类类型	参考样本
分类类型	1	2	3	4	5	6	7	8	9	UA/%	CE/%
1	16	0	5	0	0	0	0	0	0	76.19	23.81
2	0	20	6	1	0	0	0	0	0	74.07	25.93
3	4	2	66	15	0	0	0	0	0	75.86	24.14
4	1	1	13	223	2	3	1	0	0	91.39	8.61
5	0	0	0	1	13	0	1	0	0	86.67	13.33
6	0	0	1	0	0	12	0	0	0	92.31	7.69
7	0	0	0	0	0	0	15	1	0	93.75	6.25
8	0	0	0	0	0	0	1	7	0	87.50	12.50
9	0	0	0	0	0	0	0	0	3	100.00	0.00
PA/%	76.19	86.96	72.53	92.92	86.67	80.00	83.33	87.50	100.00
OE/%	23.81	13.04	27.47	7.08	13.33	20.00	16.67	12.50	0.00
OA=0.8641 Kappa=0.82

参考样本	查全率	参考样本	查全率
常绿针叶纯林	81.82	常绿针叶混交林	60.00
落叶针叶纯林	86.36	落叶针叶混交林	100.00
落叶阔叶纯林	98.51	落叶阔叶混交林	91.86
针阔混交林	73.63

类型	面积/km²	比例/%
常绿针叶林地	43.08	1.38
落叶针叶林地	105.94	3.39
针阔混交林地	627.24	20.05
落叶阔叶林地	2246.88	71.82
灌木林地	0.88	0.03
其他林地	9.50	0.30
耕地	78.28	2.50
建设用地	11.65	0.37
水体	4.95	0.16

天然林保护工程区森林植被类型遥感监测

Forest Vegetation Type Monitoring in the Natural Forest Protection Project Area

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 19

相关文章 15

编辑推荐

Metrics

本文评价

[1]	唐佳俊, 柴宗政. 基于机载激光雷达和机器学习的林分平均胸径遥感估测[J]. 林草资源研究, 2024, 0(1): 56-64.
[2]	张国丽, 慈雪伦, 杨雪清, 蒋春颖, 孙志超, 孟海丁. 森林火灾时空分布特征及易发性分析研究[J]. 林草资源研究, 2023, 0(5): 48-55.
[3]	梁立成, 傅晓强, 张滨, 程谷栒, 李佐晖. 基于GEE与随机森林的象山港互花米草动态监测[J]. 林业资源管理, 2023, 0(3): 38-45.
[4]	高金萍, 于慧娜, 翟召坤. 高分多模卫星林业地类及树种识别应用研究[J]. 林业资源管理, 2023, 0(1): 127-132.
[5]	王晓洋, 姜友谊, 黎晓, 胡亚轩, 张家政, 刘博伟. 基于GF-1影像的多时相多特征落叶松人工林提取研究[J]. 林业资源管理, 2022, 0(4): 109-118.
[6]	黄冰倩, 岳彩荣, 朱泊东. 基于GF-1数据多尺度遥感特征的森林蓄积量估测研究[J]. 林业资源管理, 2022, 0(3): 54-59.
[7]	黄锦程, 刘洪生, 宁金魁, 欧阳勋志, 臧颢. 基于随机森林算法的江西省崇义县主要造林树种适生性研究[J]. 林业资源管理, 2022, 0(2): 117-125.
[8]	龙植豪, 罗鹏, 许等平, 李振, 代华兵. Sentinel-2A红边波段森林蓄积量反演研究[J]. 林业资源管理, 2022, 0(2): 126-134.
[9]	唐金灏, 张加龙, 陈立业, 程滔. 高山松地上生物量估测与尺度转换研究[J]. 林业资源管理, 2021, 0(6): 83-89.
[10]	杜志, 陈振雄, 马开森, 刘紫薇, 顾兴贵. 基于无人机LiDAR特征变量的南方集体林区蓄积量估测[J]. 林业资源管理, 2021, 0(4): 157-165.
[11]	肖越, 许晓东, 龙江平, 林辉. 基于国产高分数据的森林蓄积量反演研究[J]. 林业资源管理, 2021, 0(3): 101-107.
[12]	李斌, 李崇贵, 李煜. 基于Sentinel-2数据的塞罕坝机械林场落叶松人工林提取[J]. 林业资源管理, 2021, 0(2): 117-123.
[13]	韩瑞, 吴达胜, 方陆明, 黄宇玲. 基于Boruta和极端随机树方法的森林蓄积量估测[J]. 林业资源管理, 2020, 0(4): 127-133.
[14]	金忠明, 曹姗姗, 王蕾, 孙伟. 天山云杉林无人机可见光影像树冠信息提取方法研究[J]. 林业资源管理, 2020, 0(1): 125-135.
[15]	孙雪莲, 舒清态, 欧光龙, 胥辉. 基于随机森林回归模型的思茅松人工林生物量遥感估测[J]. 林业资源管理, 2015, 0(1): 71-76.