基于Landsat8-OLI影像的山蒿植被信息提取研究

张娜, 魏建兵,*, 刘景琦, 张兴义, 王玉玺

基于Landsat8-OLI影像的山蒿植被信息提取研究

张娜1, 魏建兵1,*, 刘景琦1, 张兴义2, 王玉玺3

1. 沈阳大学, 区域污染环境生态修复教育部重点实验室, 沈阳 110044 2. 中国科学院东北地理与农业生态研究所, 哈尔滨 150081 3. 黑龙江省水利科学研究院, 哈尔滨 150080

山蒿是一种广布于我国北部干旱半干旱区低山丘陵中高海拔地带的次生植物, 根据部分地区现场调查和笔者的前期研究, 认为其具有生态保护和资源利用价值。为了实现山蒿优势群落集中分布区调查方法开发, 以内蒙古自治区兴安盟突泉县为例, 选取了2017年多时相Landsat8-OLI遥感影像, 根据地形特征、NDVI指数和GNDVI指数建立规则集, 构建山蒿植被信息提取决策树模型, 并进行了典型区山蒿提取和精度验证。结果表明, 遥感提取总体精度为78.65%, Kappa系数为0.63, 山蒿信息提取的制图精度为72.13%, 用户精度为75.7%, 目标于初步分布区域调查, 使用此模型方法进行山蒿信息提取是可行的, 研究成果能够为进一步改进和构建植被信息提取方法提供思路, 也能够为山蒿植被空间分布监测及其生态保护规划管理提供决策支持。

山蒿; 植被信息提取; NDVI; GNDVI; Landsat8-OLI影像

0 前言

山蒿(Franch.)是一种小灌木状多年生草本植物, 茎木质化, 成苗株高60—100 cm, 别称岩蒿、骆驼蒿, 隶属于菊科蒿属, 分布于我国内蒙古、河北、山西、陕西、宁夏以及甘肃的北部干旱半干旱区[1], 据《全国中草药汇编》记载, 山蒿有清热、解毒、祛湿之功效[2]。目前对山蒿开发利用的基础研究较少, 集中在药用价值、植株化学成分的测定研究方面[3-4]。根据文献资料以及野外科学调查, 山蒿是一种具有水土保持与生态修复潜力的次生植物, 生长于中高海拔阳坡草地、砾质坡地半荒漠草原、戈壁及岩石缝中, 在很多干旱半干旱山区局部形成优势群落[1,5]。笔者在我国自然植被稀少的内蒙古兴安盟地区调研发现, 山蒿广布于该地区低山丘陵地带, 抗旱、抗瘠薄、抗干扰能力强, 但长期遭受到农垦开荒、薪柴砍伐、牛羊放牧等威胁, 其生境破坏明显, 当地的林学和水土保持专家将其称为东北半干旱区自然植被“生态底线”, 认为急需获得保护。然而, 截止到目前, 在我国土地利用分类系统中, 尚未把山蒿作为一种资源植被, 仍归类为草地, 当地政府也没有采取有效保护措施, 其资源利用和生态保护价值没有得到充分的重视。植被与生态环境有强相关性, 当前, 生态赤字逐渐扩大, 生态环境破坏程度加剧[6-7], 在我国“美丽中国”建设、“国土资源生态修复”等战略背景下, 山蒿资源集中分布区识别和生态保护规划研究应该成为紧迫的应用基础研究[5]。

山蒿群落分布于低山丘陵区, 传统的地面人工调查困难。与传统的实地调查相比, 遥感技术在土地利用覆被分类、植被信息提取和环境变化监测等方面具有实时性强、覆盖范围广、成本低等优势, 兼具经济和社会效益。遥感技术在农作物信息提取方面发展比较成熟, 尤其在水稻、小麦作物影像特征识别、种植面积和产量估算方面发挥了重要作用[8-9]。近年来, 许多学者致力于植被遥感分类研究, 基于多光谱和高光谱遥感数据的森林和湿地识别技术为自然植被的可持续发展和有效管理提供了科学依据, 遥感技术在区域生态环境监测方面表现出显著优势[10-12]。基于Landsat系列影像, 特别是Landsat8-OLI具有中等分辨率, 数据获取免费, 应用领域广泛等特点, 该种数据在植被信息提取方面也有较丰富的成果可以借鉴。Cingolani等[13]基于Landsat数据, 采用最大似然法和使用特征统计分析获得的判别函数对异质山脉草地进行分类, 取得了很好的效果。很多学者致力于长时间序列的研究, Sandamali等[14]使用1975—2015年的Landsat影像分析森林类别的变化, 采用归一化植被指数(NDVI)和绿色归一化植被指数(GNDVI)提取植被和冠层条件。Zhang等[15]认为基于对象的图像分析技术, 中分辨率Landsat数据可有效绘制研究区佛罗里达大沼泽地植被的主要群落。Marcel等[16]通过绘制巴西热带稀树草原植被梯度图, 强调了利用长期Landsat时间序列来分析异构生态系统的有用性。国内学者在Landsat影像的植被信息提取方面也开展了一些研究, 刘杰等[17]基于单时相Landsat8-OLI影像构建了棉花信息提取模型。王月如等[18]构建水体差异增强指数(DENWI), 获取富贵竹的种植信息。为了提高遥感监测精度, 基于多时相遥感数据的植被分类迅速发展, 白燕英等[19]根据作物的NDVI时间序列构建植被分类模型, 分类精度高; 李晓东等[20]基于多时相遥感数据构建多维分类特征, 利用季相、光谱、纹理特征建立规则集, 提取地表覆被类型。

综上所述, 基于Landsat遥感影像开展区域植被分布识别是可行可操作的, 预期进一步结合地形、植被指数等其他因子开展构建分类模型的研究有利于开发新的方法和提高分类精度。目前的研究集中在农作物和其他自然植被的信息提取与分类, 关于针对具有水土保持和生态保护价值的山蒿信息提取研究尚未有检索发现。本文选取内蒙古自治区兴安盟突泉县山蒿集中分布区学田乡、六户镇、永安镇和东杜尔基镇为研究区, 基于多时相Landsat8-OLI遥感影像提取山蒿植被光谱信息, 构建山蒿信息提取方法, 识别山蒿集中分布区, 为制定其生态保护规划和探索其资源利用价值提供支持。

1 研究区概况

内蒙古自治区兴安盟突泉县位于兴安盟中南部(图1), 处于大兴安岭山地向松嫩平原过渡地带, 地势西北高, 东南低, 具有独特的“北山、中丘、南平原”地形特点。属于温带半干旱大陆性季风气候, 春季多风少雨, 蒸发大, 湿度小; 夏季短促温热, 降水集中; 秋季凉爽短暂; 冬季寒冷漫长风大雪少。年平均降水量393.1 mm。年积温2700 ℃—2900 ℃, 年均气温5.7 ℃。主要土壤类型有暗棕壤、黑钙土、草甸土和黑土。山蒿群落主要分布在突泉县中部低山石质丘陵区。

图1 研究区位置

Figure 1 Location of study area

2 材料与方法

2.1 数据源与数据预处理

遥感影像选用2017年的Landsat8-OLI数据, 根据山蒿的生长期选择不同生长状态下的时相, 成像时间分别为2月、3月、5月、7月、8月、10月和11月, 轨道号为121/28, 所选影像拍摄清晰, 云量少。其他数据包括突泉县空间分辨率为30 m的DEM数据、突泉县土地分类数据、突泉县行政边界矢量数据以及野外定位采样数据。

图像预处理使用ENVI5.3 Radiometric Cali­bration功能进行辐射定标, FLAASH Atmospheric Correction功能进行大气校正, 用研究区矢量数据进行地理校正和裁剪得到研究区遥感影像图。

2.2 研究方法

2019年7月和2020年1月对学田乡、六户镇、永安镇和东杜尔基镇进行野外调查, 确定研究区地物类型主要为耕地、农村和城镇建设用地, 杨、榆、蒙古栎等乔木林地, 草原、山蒿、柠条、虎榛子等灌草地。运用GPS测量仪采集地物类型样本位置, 其中, 学田乡地物类型全面, 山蒿分布集中, 分布面积较大, 具有代表性。因此, 以学田乡作为训练区探讨植被信息提取方法。然后将其应用于整个研究区。技术流程主要包括五个步骤, 第一, 使用遥感数据波段反射特征初步分辨植被类型; 第二, 分析植被分布区的地形特征; 第三, 通过植被指数特征进一步识别植被分布区; 第四, 依据植被分布的地形特征和不同时期的植被指数特征, 建立植被信息识别决策树模型; 第五, 通过实地定位记录和高分影像数据来评价山蒿信息提取的精度。

2.2.1 光谱特征

2.2.2 地形分布特征

利用DEM数据提取学田乡高程图和坡度图, 统计山蒿、柠条、草地、蒙古栎、虎榛子、耕地、建设用地七种地物分布的高程和坡度数据。

2.2.3 植被指数

植被指数是广泛应用于植被信息提取与分类的指标[21]。植被在红光波段强吸收, 近红外波段高反射, 两波段组合能增强植被信息[22]。归一化植被指数(Normalized Difference Vegetation Index, NDVI)是最常用的植被指数之一, 是植被生长状态及植被覆盖度最佳指示因子, 对绿色植被表现敏感, 可以监测植被生长活动的季节和年际变化[23-24]。绿色归一化植被指数[25](Green Normalized Difference Vegetation Index, GNDVI)与NDVI相似, 它测量的是从540 nm到570 nm的绿色光谱, 而不是红色光谱, 该指标比NDVI对叶绿素浓度更敏感。除了以上两种植被指数, 本研究还提取了差值植被指数(Difference Vegetation Index ,DVI)、比值植被指数(Ratio Vegetation Index ,RVI)、增强植被指数(Enhanced Vegetation Index ,EVI)和叶面积指数(Leaf Area Index, LAI), 筛选在提取山蒿植被信息中能够与研究区的其他地物进行有效区分的指数。

式中: ρNIR为近红外波段反射率, ρRed为红色波段反射率, ρGreen为绿色波段反射率。

2.2.4 决策树分类法

决策树分类, 又称基于专家知识决策树分类, 能够利用多源遥感影像数据实现分类, 其规则和分类过程也易于理解。ENVI决策树分类器是一个多级分类器, 由一系列二叉决策树构成, 一般包括四个步骤: 定义分类规则、构建决策树、执行和精度评定和分类后处理。本研究使用此方法建立了山蒿植被决策树分类模型。

3 研究结果与分析

3.1 山蒿的波段特征

从各地物的光谱曲线图(图2)可以看出, 不同地物类型的光谱特征具有差异, 这为识别山蒿提供了可能, 建设用地、耕地和草地的光谱曲线特征差异较大, 虎榛子和蒙古栎的光谱曲线特征相似, 山蒿和柠条的光谱曲线特征相似, 说明在植被信息提取过程中, 柠条对山蒿的干扰大, 直接提取山蒿信息难度较大。山蒿信息提取要选择信息量大、相关性小的波段进行组合, 图2还可以看出地物的光谱特征主要表现在B3—B6波段, 尤其第5波段(近红外波段)是植被的高反射区。

图2 研究区主要地物类型光谱曲线

Figure 2 Spectral curves of main features in the study area

3.2 山蒿的地形分布特征

从高程上看(图3), 建设用地、耕地和柠条平均海拔小于500 m, 略低于山蒿, 山蒿和草地分布区海拔比较相似, 蒙古栎分布区海拔最高, 虎榛子海拔次之。七种地物在坡度分布上具有一定差异, 建设用地和耕地的坡度小且坡度区间集中, 建设用地坡度小于4°, 分布地区最平坦, 耕地次之, 坡度小于8°; 山蒿坡度在10°—25°之间, 平均坡度最大, 与草地、柠条、虎榛子和蒙古栎相比坡度区间最小; 草地坡度在5°—25°, 柠条坡度在5°—20°, 蒙古栎坡度在3°—25°, 虎榛子在3°—35°, 坡度区间最大, 平坡、缓坡和陡坡均有分布。综上所述, 山蒿的坡度高于建设用地和耕地, 因此可以设置坡度阈值将面积较大的耕地和建设用地与山蒿区分。

参考1984年中国农业区划委员会颁发《土地利用现状调查技术规程》(表1), 结合实地采样数据, 设置耕地的坡度阈值为8°, 把学田乡坡度分为0°—8°、8°—20°和20°—43°三级(图4)。

3.3 山蒿的植被指数特征

植被的生长发育具有物候特性, 其光谱信息会随季节的变化而改变, 导致单一时期的影像分类效果通常并不理想。山蒿生长缓慢, 几年内植株变化不大, 在不同生长期差异也较小。单一时相的植被指数难以将目标地物山蒿与其他植被区分开来, 因此本研究提取了不同季节的植被指数。

根据研究区主要植被类型的NDVI统计结果(表2), 不同地物2月18日和3月6日的NDVI差异不大。研究区纬度偏高, 冬季寒冷漫长, 气候干旱, 植被生长缓慢。5月9日, 蒙古栎NDVI最小值0.48大于山蒿、柠条和草地的NDVI最大值, 差异显著, 蒙古栎与山蒿、柠条、草地的分离性好; 蒙古栎与虎榛子易混淆; 草地NDVI与柠条和虎榛子的NDVI不重合交叉, 草地和柠条、虎榛子的分离性好。7—8月是植被生长高峰期, 草地与蒙古栎和耕地的NDVI不交叉, 分离性较好, 山蒿、柠条、虎榛子、蒙古栎的NDVI值均存在交叉区间, 难以区分。10月16日, 蒙古栎与山蒿和草地的NDVI不交叉重叠, 蒙古栎和山蒿、蒙古栎和草地的分离性好; 山蒿与柠条、草地、虎榛子容易混淆。11月17日, 山蒿与草地、山蒿与蒙古栎、草地与蒙古栎的NDVI值区间不交叉重叠, 山蒿和柠条、虎榛子容易混淆。综上所述, 5月9日NDVI可以将蒙古栎与山蒿、柠条、草地区分, 草地与柠条、虎榛子区分; 10月16日的NDVI可以将蒙古栎与山蒿、草地区分; 11月17日山蒿、草地、蒙古栎可相互区分。

图3 各地物类型分布高程、坡度图

Figure 3 Elevation and slope map of various types of objects

表1 耕地坡度分级

图4 学田乡坡度图

Figure 4 Slope map of Xuetian township

表2 各地物NDVI指数统计表

六类主要地物中(图5), 蒙古栎NDVI最大, 在不同时期均处于较高水平, 蒙古栎是乔木, 生物量大; 耕地NDVI 5月最小, 2—5月平均NDVI小于0.25, 5—7月上升迅速, 5月初是农作物出苗期, 7—8月是农作物的生长旺盛期, NDVI值达到最大, 随后迅速下降; 虎榛子、柠条、山蒿和草地的NDVI曲线大致相似, 但虎榛子NDVI值较高, 3—5月增长幅度大, 柠条与山蒿NDVI变化趋势最相似, 柠条NDVI大于山蒿, 8月差异较大, 草地在各时期NDVI最小, 与山蒿相比, 山蒿在5月上旬进入萌芽期, NDVI增长, 草地3—5月上旬NDVI几乎不变, NDVI小于0.2。

根据GNDVI统计结果(表3), 2月18日和3月6日GNDVI处于较低水平, 山蒿与其他植被类型不易区分。5月9 日, 山蒿与虎榛子、山蒿与蒙古栎的GNDVI区间不交叉, 山蒿与虎榛子、山蒿与蒙古栎分离性好; 草地与虎榛子、草地与蒙古栎GNDVI区间不交叉, 草地与虎榛子、草地与蒙古栎分离性好; 山蒿与柠条、草地、耕地不易区分。7月28日, 草地与蒙古栎、草地与耕地的GNDVI区间不交叉重叠, 草地与蒙古栎、草地与耕地分离性好; 山蒿与其他地物容易混淆, 不易区分。8月29日, 六类地物的GNDVI值差异较小, 各地物之间易混淆。10月16日, 蒙古栎与山蒿、柠条、草地的GNDVI区间不交叉, 蒙古栎与山蒿、柠条、草地的分离性好。11月17日, 山蒿与蒙古栎、草地与蒙古栎的GNDVI区间不交叉, 差异较大, 山蒿与蒙古栎、草地与蒙古栎分离性好。综上所述, 5月9日GNDVI可将山蒿与虎榛子、山蒿与蒙古栎、草地与虎榛子、草地与蒙古栎区分; 10月16日GNDVI可将蒙古栎与山蒿、柠条、草地区分; 11月17日GNDVI可将山蒿与蒙古栎、草地与蒙古栎区分。

图6所示, 耕地2—5月GNDVI较小, 5—7月增长显著, 7月、8月是农作物生长旺盛期, 8月GNDVI最大, 随后迅速减小; 蒙古栎GNDVI 2—3月略有减小, 5月增长迅速, 10月达到最大值, 蒙古栎GNDVI明显大于虎榛子、柠条、山蒿和草地; 虎榛子、柠条、山蒿和草地GNDVI趋势大致相似, 各时期虎榛子最大, 草地最小, 山蒿2—5月GNDVI基本不变略有减小, 而柠条GNDVI逐渐上升。

3.4 山蒿信息提取模型及精度评价

3.4.1 山蒿信息提取模型

依据研究区各地物分布的地形特征和不同时期的植被指数特征, 建立山蒿信息识别的决策树, 如图7所示, 具体过程为: 根据坡度区分建设用地和耕地为分类1, 该部分包含少量草地、蒙古栎、虎榛子和柠条, 但不包含山蒿; 进而用5月9日的NDVI区分出蒙古栎(含虎榛子), 另一部分包含山蒿、柠条、虎榛子和草地, 同样用5月9日的NDVI将其分为两部分, 一部分为草地和部分山蒿, 另一部分为山蒿、柠条和虎榛子; 根据11月的NDVI将草地(分类3)和山蒿区分开来; 最后利用5月的GNDVI排除虎榛子和部分柠条, 用5月NDVI以及2月至5月山蒿与柠条GNDVI的变化特征将山蒿提取出来, 两部分山蒿合并为分类5, 分类4是柠条混杂虎榛子的区域。

图5 主要地物NDVI时间序列曲线

Figure 5 NDVI time series curve of main features

表3 各地物GNDVI指数统计表

图6 主要地物GNDVI时间序列曲线

Figure 6 GNDVI time series curve of main features

Figure 7 Information extraction process ofFranch

应用构建的山蒿信息提取决策树模型, 得到学田乡山蒿分布图, 提取结果如图8所示, 将决策树模型推广到学田乡周边的六户镇、永安镇和东杜尔基镇, 得到山蒿空间分布图, 见图9。

图8 学田乡山蒿提取结果

Figure 8 Extraction results ofFranch in Xuetian township

图9 六户镇、永安镇和东杜尔基镇山蒿提取结果

Figure 9 Extraction results ofFranch in Liuhu, Yong'an and East Durki town

3.4.2 精度分析

根据野外定位采样点和Google Earth高分辨率影像对六户镇、永安镇和东杜尔基镇山蒿提取结果进行精度分析。本文的决策树模型分类出山蒿和草地, 其他类别地物具有混交特征并非单一植被类型, 因此合并为其他地物, 相应地建立山蒿、草地和其他地物三类感兴趣区验证分类结果, 计算山蒿分类的混淆矩阵, 精度结果如表4, 分类总体精度为78.65%, Kappa系数为0.63, 山蒿信息提取的制图精度72.13%, 用户精度为75.7%, 山蒿信息提取效果比较理想, 能够满足山蒿集中分布区的识别和山蒿保护规划的需要。

4 讨论

本文在我国建设生态文明、国土生态修复战略背景下, 以典型区为案例, 基于成本效益原则, 采用中分辨率遥感数据, 探索研究具有水土保持和生态修复价值的山蒿植被优势群落集中分布区识别方法。

林草生态建设坚持自然恢复为主的原则, 符合尊重自然、顺应自然的宗旨。研究区生态环境脆弱,而山蒿有很强的抗贫瘠和耐旱能力, 山蒿植被对于自然生态系统的稳定性和生态服务功能具有较大价值。因此, 因地制宜以自然修复为主­——加强山蒿植被保护, 自然恢复与人工修复相结合——保护当地自然植被与人工造林相结合, 顺应了生态文明建设的目标。本文对于山蒿资源集中分布区的识别能够掌握山蒿植被分布特征, 对植被生态保护提供了基础。根据植被的光谱反射、植被指数、纹理以及地形分布特征, 利用决策树方法构建某种植被的识别模型和进行土地利用分类十分广泛, 使用这种方法探索的山蒿植被信息识别模型效果好, 对于其他地区山蒿信息提取同样具有技术参考价值。

表4 山蒿信息提取精度评价

本文构建的山蒿信息识别模型是对山蒿识别的初步探索, 可用于宏观了解山蒿分布特征, 对于精准掌握其分布信息有待更深入的研究; 例如使用的遥感影像像元分辨率还不够大, 识别精度还不够高; 草地与山蒿、柠条与山蒿的交界处容易产生混合像元; 而且植被长势与稀疏程度也会影响分类结果, 使山蒿信息提取产生误差。因此, 选取更高精度的影像数据, 探讨综合利用面向像元和面向对象等提取方法, 提高山蒿信息的分类精度是未来可进一步研究的方向。本文建立的山蒿信息识别决策树模型是在逐步排除其他地物的情况下完成的, 对于探索山蒿植被区别于其他地物的独有特征, 寻找如何直接识别山蒿遥感特性的方法有待进一步探索和研究。

与其他植被信息提取研究结果相比较(表5), 高分辨率遥感数据的分类精度高, 采用GF数据和Worldview-2数据分类精度大于90%, Kappa系数在0.9左右; 中分辨率遥感影像在土地利用分类中分类精度通常80%左右, kappa系数大于0.75, 但这些研究是做一级分类, 并非对具体的植物类型进行识别。利用中分辨率影像HJ-1A/B CCD数据对林区植被进行分类, 分类精度略大于70%, Kappa系数0.67, 与本文的研究结果接近。本研究分类精度偏低的原因可能在于: 首先, 本研究中山蒿识别模型是对一个典型区域进行研究后推广应用于周边地区得出的总结果, 而参考文献中均是直接对整个研究区进行研究得出的; 其次, 中分辨率影像精度有限, 混合像元对提取结果的准确性影响较大。但基于识别山蒿这种相对低矮的小灌木状草本植物的集中分布区, 此精度还是可以接受的。

5 结论

(1) 利用多时相遥感影像, 根据内蒙古自治区兴安盟突泉县学田乡山蒿分布区的特点, 结合地形特征、NDVI指数和GNDVI指数, 构建山蒿信息提取模型, 将该模型应用于六户镇、永安镇和东杜尔基镇的山蒿分布区, 总体分类精度为78.65%, Kappa系数为0.63, 山蒿信息提取的制图精度72.13%, 用户精度为75.7%。

(2) 山蒿生长于低山丘陵区, 野外调查耗费大量人力物力, 基于遥感影像提取山蒿信息是可行的, 本研究的山蒿信息识别模型具有可推广性, 提取效果比较理想, 容易操作, 适用于与研究区类似区域

的山蒿信息提取, 满足山蒿集中分布区识别和山蒿植被生态保护规划的需要。

表5 本研究与其他研究分类精度对比

(3) 本研究建立的山蒿信息识别模型可用于宏观调查山蒿分布特征, 但从精度检验结果上看, 草地和柠条与山蒿的交界处容易产生混合像元, 而且植被长势与稀疏程度也会影响分类结果, 使山蒿信息提取产生误差, 影响提取精度, 因此, 如何消除这些干扰因素, 进一步提高山蒿信息的分类精度是下一步深入研究的重点。

[1] 中国植物志编辑委员会. 中国植物志(20卷)[M]. 北京: 科学出版社, 2011.

[2] 王国强. 全国中草药汇编(卷一)[M]. 北京: 人民卫生出版社, 2014.

[3] HU Junpeng, WANG Wenxia, DAI Jiali, et al. Chemical composition and biological activity against Tribolium castaneum (Coleoptera: Tenebrionidae) of Artemisia brachyloba essential oil [J]. Industrial Crops and Products, 2019, 128: 29–37.

[4] ZHANG Puming, ZHANG Cheng, ZENG Kewu, et al. Lignans and flavonoids from Artemisia brachyloba[J]. Journal of Chinese Pharmaceutical Sciences, 2018, 27(6): 429–435.

[5] 魏建兵, 孙晓倩, 侯永侠, 等. 山蒿生物学特征及其生态保护应用价值潜力初探[J]. 环境生态学, 2019, 1(3): 10–14.

[6] 王举凤, 何亮, 陆绍娟, 等. 内蒙古不同类型草原光合植被覆盖度对降水变化的响应[J]. 生态学报, 2020, 40(16): 1–10.

[7] 赵其国, 黄国勤, 马艳芹. 中国生态环境状况与生态文明建设[J]. 生态学报, 2016, 36(19): 6328–6335.

[8] 李孟倩, 苏世宗. 基于Landsat8-OLI遥感影像水稻种植区提取方法研究[J]. 华北理工大学学报(自然科学版), 2019, 41(3): 26–33+59.

[9] 赵文亮, 贺振, 贺俊平, 等. 基于MODIS-NDVI的河南省冬小麦产量遥感估测[J]. 地理研究, 2012, 31(12): 2310–2320.

[10] YUAN Jingguo, WANG Wei. Identification of Forest Vegetation Using Vegetation Indices[J]. Chinese Journal of Population, Resources and Environment, 2004, 2(4): 12–16.

[11] ELHADI A, ONISIOM M, DENIS R. Multispectral and hyperspectral remote sensing for identification and mapping of wetland vegetation: a review[J]. Wetlands Ecology and Management, 2010, 18(3): 281–296.

[12] RAPINEL S, CLEMENT B, MAGNANON S, et al. Identification and mapping of natural vegetation on a coastal site using a Worldview-2 satellite image[J]. Journal of environmental management, 2014, 144: 236–246.

[13] ANA M C, DANNIEL R, MARCELO R Z, et al. Mapping vegetation in a heterogeneous mountain rangeland using landsat data: an alternative method to define and classify land-cover units[J]. Remote Sensing of Environment, 2004, 92(1): 84–97.

[14] SANDAMALI K U J, WELIKANNA D R. Deforestation or Reforestation, A Time Series Remote Sensing Perspective of Wilpattu National Park, Sri Lanka[J]. Journal of Applied Mathematics and Computation, 2018, 2(10): 473–482.

[15] ZHANG C Y, SMITH M, LV J, et al. Applying time series Landsat data for vegetation change analysis in the Florida Everglades Water Conservation Area 2A during 1996– 2016[J]. International Journal of Applied Earth Observa­tions and Geoinformation, 2017, 57: 214–223.

[16] SCHWIEDER M, LEITAO P J, MERCEDES M C B, et al. Mapping Brazilian savanna vegetation gradients with Landsat time series[J]. International Journal of Applied Earth Observations and Geoinformation, 2016, 52: 361–370.

[17] 刘杰, 刘振波, 刘吉凯, 等. 基于单时相Landsat8-OLI影像的棉花提取技术研究[J]. 科学技术与工程, 2014, 14(33): 28–33.

[18] 王月如, 韩鹏鹏, 关舒婧, 等. 基于Landsat8 OLI数据的富贵竹种植区域信息提取[J]. 国土资源遥感, 2019, 31(1): 133–140.

[19] 白燕英, 高聚林, 张宝林. 基于Landsat8影像时间序列NDVI的作物种植结构提取[J]. 干旱区地理, 2019, 42(4): 893–901.

[20] 李晓东, 姜琦刚. 基于多时相遥感数据的吉林西部土地覆被分类提取[J]. 农业工程学报, 2016, 32(9): 173–178.

[21] 郭铌. 植被指数及其研究进展[J]. 干旱气象, 2003, 21(4): 71–75.

[22] 周在明, 杨燕明, 陈本清. 基于无人机影像的滩涂入侵种互花米草植被信息提取与覆盖度研究[J]. 遥感技术与应用, 2017, 32(4): 714–720.

[23] 杨超, 邬国锋, 李清泉, 等. 植被遥感分类方法研究进展[J]. 地理与地理信息科学, 2018, 34(4): 24–32.

[24] 张荣群, 王盛安, 高万林, 等. 基于时序植被指数的县域作物遥感分类方法研究[J]. 农业机械学报, 2015, 46(S1): 246–252.

[25] GITELSON A A, MERZLYAK M N. Remote sensing of chlorophyll concentration in higher plant leaves[J]. Advances in Space Research, 1998, 22(5): 689–692.

[26] 刘心云, 郑江华. 基于分形纹理特征的新疆罗布麻遥感分类[J]. 中山大学学报(自然科学版), 2019, 58(1): 22–29.

[27] 张俊瑶, 姚永慧, 索南东主, 等. 基于垂直带谱的太白山区山地植被遥感信息提取[J]. 地球信息科学学报, 2019, 21(8): 1284–1294.

[28] 杨屹鹍, 蒋平安, 武红旗, 等. 基于高分一号与Landsat 8卫星影像的库尔勒市香梨种植面积识别研究[J]. 山东农业科学, 2018, 50(1): 153–157.

[29] 杨朝辉, 白俊武, 陈志辉, 等. 利用Sentinel-2A影像的面向对象特征湿地决策树分类方法[J]. 测绘科学技术学报, 2019, 36(3): 262–268.

[30] 裴欢, 孙天娇, 王晓妍. 基于Landsat 8 OLI影像纹理特征的面向对象土地利用/覆盖分类[J]. 农业工程学报, 2018, 34(2): 248–255.

[31] 李梦莹, 胡勇, 王征禹. 基于C5.0决策树和时序HJ-1A/B CCD数据的神农架林区植被分类[J]. 长江流域资源与环境, 2016, 25(7): 1070–1077.

Vegetation information extraction ofFranch based on Landsat8-OLI images

ZHANG Na1, WEI Jianbing1,*, LIU Jingqi1, ZHANG Xingyi2, WANG Yuxi3

1. Key Laboratory of Eco-restoration of Regional Contaminated Environment, Shenyang University, Shenyang 110044, China 2. Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, Harbin 150081, China 3. Heilongjiang Province Hydraulic Research Institute, Harbin 150080, China

Franch is a kind of secondary plant widely distributed in the low mountains and hills of the arid and semi-arid areas in the north of China. According to field investigations and the author's previous studies, it is believed thatFranch has the value of ecological protection and resource utilization. For developing survey method of concentrated distribution area of dominant community of this plant, this article took Tuquan County, Xing'an League, Inner Mongolia Autonomous Region as an example, selected multi temporal remote sensing images of Landsat 8-OLI in 2017, established rule set according to terrain characteristics, NDVI and GNDVI, constructed decision tree model for vegetation information extraction ofFranch, and carried out extraction experiment and accuracy verification in typical areas. The results showed that the overall accuracy of remote sensing extraction was 78.65%, kappa coefficient was 0.63, the mapping accuracy was 72.13%, and the user accuracy was 75.7%. It is feasible to use this model to extractFranch information. The research results can provide ideas for further improvement and construction of vegetation information extraction methods, as well as for monitoring spatial distribution change ofFranch and provides decision support for ecological protection planning and management practices.

Franch; vegetation information extraction; NDVI; GNDVI; Landsat8-OLI images

10.14108/j.cnki.1008-8873.2022.04.018

X87

A

1008-8873(2022)04-151-13

2020-07-19;

2020-08-19

国家重点科技研发计划重点专项(2017YFC0504204)

张娜(1996—), 女, 山东莱芜人, 硕士研究生, 研究方向为环境可持续发展与规划, E-mail: 1966219435@qq.com

通信作者:魏建兵(1972—), 男, 山西汾阳人, 博士, 教授, 主要从事景观生态学、遥感和地理信息系统应用教学和科研工作, E-mail: oliver1208@sina.com

张娜, 魏建兵, 刘景琦,等. 基于Landsat8-OLI影像的山蒿植被信息提取研究[J]. 生态科学, 2022, 41(4): 151–163.

ZHANG Na, WEI Jianbing, LIU Jingqi, et al. Vegetation information extraction ofFranch based on Landsat8-OLI images[J]. Ecological Science, 2022, 41(4): 151–163.