基于Zone模型的森林小班变化信息提取方法研究

龚鑫烨 ，华一枝 ，黄星旻 ，温小荣 ，林国忠 ，陶吉兴 ，徐 达

（1.南京林业大学 a.南方现代林业协同创新中心；b.林学院，江苏 南京 210037；2. 浙江省森林资源监测中心，浙江 杭州 310020）

森林资源是人类赖以生存的物质基础和林业可持续发展的根本所在，坚决保护、科学经营和合理利用森林资源是国际社会长久关注的问题之一[1]。由于森林分布广泛、森林变化分散又随机，传统的以地面调查为主的森林变化信息采集方法工作量大、效率低、成本高、精度低[2-3]，森林变化信息采集成了长期以来森林资源信息更新的难点，如何及时、准确的获取森林植被变化信息十分重要。近年来，由于遥感技术的进一步发展，基于遥感图像的森林变化信息采集方法逐渐得到广泛应用[4-6]。罗號等利用影像代数变化检测、掩膜处理变化检测、写功能存储插入法变化检测和分类后比较变化检测 4 种算法开展了黄丰桥林场的森林变化检测对比研究，得出最适合研究区的变化检测方法是分类后比较变化检测算法[7]；魏安世等利用基于图像分割方法自动更新小班变化界线[8]；孟雪等利用国产高分辨率影像提取面向对象的地类信息[9]；高媛赟等比较并分析了适用于资源一号 02C 数据提取森林资源变化信息的融合和分类方法[10]；邢元军等利用面向对象的方法对 ALOS 遥感影像进行森林植被变化信息的提取，精度较高[11]。

本研究基于浙江省建德市2013年和2014年Landsat8 OLI和2007年建德市二类调查小班数据为数据源，分析基于统计分布和Zone模型对于有林地小班变化信息的提取，获得适合研究区的小班变化信息提取方法。

1 研究区概况和数据介绍

建德市位于浙江省西部，东经118.8°～119.7°，北纬29.1°～29.8°。地处金衢盆地和浙西丘陵山地毗连处，地表多为分割破碎的低山丘陵。主要有黄壤、潮土、红壤、岩性土和水稻土五种土壤类型。属亚热带季风性气候，光照充足，雨量充沛，森林资源十分丰富，森林树种达700余种，其植被类型主要有常绿阔叶林、针叶林、落叶阔叶林、竹林、经济林等地带性植被。森林覆盖率达80%，因此对其森林植被的变化研究具有重要意义。

本研究采用的基础数据为试验区有关的森林资源调查矢量数据，包括:1）2007年建德市森林资源二类调查小班数据；2）2013年补充调查数据和林地落界数据；影像数据包括:1）2013年11月8日浙江省建德市Landsat8 OLI遥感影像；2）2014年10月6日浙江省建德市Landsat8 OLI遥感影像。

2 原理与方法

2.1 影像预处理方法

利用ENVI5.1软件对前期影像进行基于伪不变特征的辐射归一化处理[12]。利用2013年遥感影像对2014年遥感影像和研究区森林资源调查矢量数据进行图像配准[13]，校正误差控制在0.1个像元内并采用最邻近法进行重采样。依据研究区森林资源二类调查小班数据，融合生成研究区矢量边界，并以此为边界裁剪遥感影像获得研究区2013、2014年的影像数据。筛选小班属性表中有林地小班29 418个，小班属性表中包括小班编号、地类、优势树种、地貌、坡度、坡向、龄级等因子。

2.2 有林地小班变化类型的确定

依据影像特征差异可以区分不同地物，这些典型的影像特征称为影像解译标志[14]。解译标志的建立是解译的基础，是影像解译质量的保障。依据研究区二类调查小班数据属性表筛选有林地

小班，基于前后两期影像纹理、色调等特征以及属性表中年龄、树高、胸径等因子信息的综合分析，建立有林地小班变化类型目视解译标志，解译标志见表1。本文针对有林地提取小班的变化信息，常见的变化类型有:1）有林地小班变为其他林地小班；2）有林地小班变为非林地小班；3）其他林地小班变为有林地小班；4）非林地小班变为有林地小班。本研究将目视解译得到的变化小班假设为建德市2013年到2014年间有林地小班变化真值，并作为有林地小班变化信息提取方法精度评价的标准。

2.3 有林地小班变化信息提取方法

2.3.1 基于统计分布的有林地小班变化信息提取

假设一组数据X总体服从正态分布，则随机变量X有:

其中，μ和σ分别表示均值和标准差。误差控制一般采用2倍标准差，可以看出X的取值几乎全部落在区间 [μ-2σ，μ+2σ]内，落在以 μ为中心，2为半径区间外的概率低于0.05，通常认为随机变量 X 的取值范围为区间 [μ-2σ，μ+2σ]，这被称为2倍标准差准则，该准则适用于大样本（n＞50）[15]。异常值是指一组数据中与平均值的偏差值大于2倍标准差的数据，在统计检验中，指定为检出异常值的显著性水平α=0.05，称为检出水平[16]。根据2倍标准差准则，可将小于μ-2σ或大于μ+2σ的数据作为异常值，予以排除。

本研究基于两期相对辐射校正影像，提取影像归一化植被指数值（NDVI）[17-18]，并计算其差值影像，利用ArcGIS软件计算影像对归一化植被指数差异值的均值，按照2倍标准差准则剔除异常值。NDVI对红色和近红外波段做一定非线性数学变换，增强植被信息，削弱非植被信息，计算公式见公式（3）。其对植被的生长比较敏感，是常被用来指示植被生产力的最佳指示因子。

式中，ρnir为近红外波段反射率，ρred为红色波段反射率。

2.3.2 基于Zone模型的有林地小班变化信息提取

Zone模型算法[19]是使用两个光谱指数捕捉2个日期间的土地覆盖变化的变化检测算法，用来计算土地覆盖已有的以及潜在的变化，包括变化的方向和变化的位置。影像在Zone处理下生成生物量增长（BI)和生物量减少(BD)。Zone模型通过整合2个指标，准确检测两期影像之间的变化。两个指标分别是:燃烧指数差异dNBR[20]（the differenced normalized burn ratio），计算公式见（4）、归一化植被指数差异dNDVI[21]（the differenced normalized difference vegetation index），计算公式见（5）。燃烧指数（NBR）[22]一般用于监测火干扰，归一化植被指数（NDVI）用于监测植物生长状况和活力，值处于-1～1之间，负值表示地面覆盖为云、雪等；0表示裸土或岩石；正值表示植被覆盖，其值越大表示森林覆盖度越大。NBR和NDVI是不同波段的比值，因此与单波段相比不易受到地形和辐射的影响，对森林火灾和森林采伐等森林干扰和更新更加敏感。影像间NBR和NDVI的差异（即dNBR和dNDVI)表明了变化方向和变化幅度。

表1 遥感影像有林地小班变化信息提取目视解译标志Table 1 Visual interpretation marks of extraction forest sub-compartment changing information based on remote sensing image

Zone根据下面两式检测多个阈值的每个变化指数的大小来定义每个像元的生物量增长或生物量减少。

B1i（i=1，…6，7）指前期影响各波段，B2i（i=1，…6，7）指后期影像各波段。

在ArcGIS10.1环境下对Zone模型计算得到BD图层矢量化，并对其进行面积计算，通过多次试验，将面积大于2 700 m2，即3个以上连续像元认定为生物量减少的小班。并与二类调查矢量小班进行位置筛选，计算得最终生物量减少小班。统计BI图层各小班内生物量增长像元个数，根据经验及试验将生物量增加像元个数占小班总像元数30%以上的小班认定为可能变化小班，其他则认定为正常生长小班。

2.4 精度评价

以研究区内目视解译得到的有林地小班变化结果作为有林地小班变化信息真值，基于正确检测率、漏检数（FN，False negatives）、错检数（FP，False positives）3个定量指标[23]作为标准对本研究中两种有林地小班变化信息提取方法分别作出精度评价。

3 结果分析

3.1 目视解译有林地小班变化信息

建德市共有29 418个有林地小班，目视解译提取有林地变化小班278个，其中植被覆盖度增加小班66个，植被覆盖度减少小班212个。

3.2 基于统计分布的有林地小班变化信息提取结果

基于2013、2014年相对辐射校正影像，提取影像对归一化植被指数差值（dNDVI），得到有林地小班NDVI差值误差统计分布，如图1所示。有林地小班NDVI差值平均值为-0.003，标准差为0.060。有林地小班NDVI值处于（-∞，-0.123]区间，表示有林地覆盖度减少；有林地小班NDVI值处于（-0.123，0.117）区间，表示有林地小班覆盖度不变；有林地小班NDVI值处于[0.117，+∞）区间，表示有林地小班覆盖度增加。提取植被覆盖度增加有林地小班202个，植被覆盖度减少有林地小班36个。

图1 NDVI差值误差统计分布图Fig. 1 The error statistical distribution of subcompartment NDVI difference

3.3 基于Zone模型的有林地小班变化信息提取结果

基于dNDVI和dNBR的Zone模型可检测出研究区内最大潜在光谱变化。为了实现Zone模型，本文根据大小（标准平均偏差）和方向（正负偏差）将dNBR和dNDVI划分为4个区间。分别为:

（1）生物量减少且dNDVI/dNBR在平均值和平均值加0.5倍标准差之间的像元；

（2）生物量增加且dNDVI/dNBR在大于平均值加0.5倍标准差到小于或等于平均值之间的像元；

（3）生物量减少且dNDVI/dNBR超过它的平均值加0.5倍标准差的像元；

（4）生物量增加且dNDVI/dNBR小于它的平均值加0.5倍标准差的像元。

由dNDVI和dNBR得到的Zone结合起来得到16个区域，本文指定高阶且dNDVI、dNBR同时正方向的区域为BD（即44区域），指定高阶且dNDVI、dNBR同时负方向的区域为BI（即33区域）。最后用逻辑法则将两种算法的结果整合，从而减少误差。

结合基于像元的变化检测结果和研究区二类调查小班数据，得到植被覆盖度增加的小班为92个，植被覆盖度减少的小班为368个，共460个变化小班。

3.4 精度评价

以3.1节中目视解译得到的有林地小班变化信息为真值，以正检率、错检率、漏检率这三个定量指标作为标准对三种提取方法的精度进行以下评价。

由表2可知，综合三个定量指标，基于Zone模型的有林地小班变化信息提取方法检测出变化小班共460个，总体精度为80.58%，漏检率为19.42%，错检率为84.89%，检测精度优于统计分布法。有林地小班变化信息提取结果见图2～图4。

4 结论与讨论

在利用Landsat8 OLI卫星影像对提取有林地小班变化信息过程中得到以下结论:

表2 有林地变化小班提取精度对比Table 2 Comparison of changing forest sub-compartment extraction accuracy

图2 目视解译有林地小班变化信息结果Fig. 2 Forest sub-compartment changing information based on visual interpretation

利用单一的基于dNDVI值的统计分布提取方法操作简单但效果并不理想，正检率和漏检率均差于基于Zone模型的有林地小班变化信息提取方法，且错检率也较高；

利用基于NDVI和NBR的Zone模型以像元为单位检测生物量变化情况，结合矢量数据得到的最终小班变化信息正确率较高，漏检率较低。虽有较高错检率，但由于正检率较高，相较于初始矢量数据需要进一步变更核实地类的图斑数量大大减少，提高了林地变更工作的效率，因此该方法是适合本研究区的一种有林地小班变化信息提取方法。

本研究中基于Zone模型的有林地小班变化信息提取方法虽有较高正检率和较低漏检率，但存在较高错检率，其原因可能是:(1)选取的陆地卫星影像质量不高；(2)受云、季节和影像获取时间的影响；(3) Zone模型的检测结果与小班的结合规则的选择具有一定主观性，为提高正检率，设置的结合规则可能会引入部分伪变化。为降低该方法的错检率，可从以下几点进行进一步研究探讨:(1)选择质量更高的遥感影像；(2)使用不同季节的多对影像相互补充，以减少云、季节变化和影像获取时间可能引起的虚假变化；(3)完善Zone模型的算法，提高基于像元的变化检测结果；(4)结合实际情况，探讨更具科学性的基于Zone模型的变化检测结果与小班结合的规则。

基于Zone模型的有林地小班变化信息提取方法通过整合光谱的变化检测指标，结合矢量数据将像元变化信息转化为有林地小班的变化信息，可为林地变更提供技术支撑。但使用遥感算法精确捕捉大面积区域的有林地小班变化信息非常复杂，在全国范围内使用仍需有效的统一算法。

图3 基于统计分布的有林地小班变化信息提取结果Fig. 3 Forest sub-compartment changing information based on the statistical distribution

图4 基于Zone模型的有林地小班变化信息提取结果Fig. 4 Forest sub-compartment changing information based on the Zone model