基于RapidEye遥感影像的黄冕镇桉树时空动态分析

何鑫兰 崔月鑫 梁 彬 余 玲 黄 玲 何 文

基于RapidEye遥感影像的黄冕镇桉树时空动态分析

何鑫兰1崔月鑫1梁 彬1余 玲1黄 玲1何 文2

（1.南宁理工学院，广西 桂林 541006；2.广西喀斯特植物保育与恢复生态学重点实验室/广西壮族自治区中国科学院广西植物研究所，广西 桂林 541006）

文章基于RapidEye遥感影像，通过ENVI、ArcMap软件，使用随机森林、最大似然法、支持向量机、CART的方法获取2010年、2012年、2014年、2016年、2018年桉树人工林时空动态格局变化，并利用Google Earth Pro历史影像对实验结果进行了精度验证，结果表明：利用随机森林法提取黄冕镇桉树种植面积效果最佳，分类精度最高达到94.38%。2010年至2018年黄冕镇桉树种植面积逐年增加。研究结果可为日后桉树人工林的监测及种植提供科学依据。

桉树；RapidEye；遥感提取；时空动态

引言

桉树（Eucalyptus）为桃金娘科桉属密荫大乔木，是我国三大速生树种（桉树、杨树、松树）之一[1]，具有耐旱易种、生长速度快、效益高等优点，在广西种植桉树就有60多年的历史，以桉树为原材料的林业对广西经济发展有着重要贡献。传统的面积提取方法是以统计报表和抽样调查的方式[2]，但是这种工作方法不仅工作量大，而且工作效率不高，这就导致了调查的工作周期延长，并且随着社会的发展已经无法满足林业资源的年度检测需求[3]。现代遥感技术因其具有覆盖面广、回访速度快、客观准确等特点[4]，在植被空间分布等信息的提取方法得到了广泛应用。遥感的使用，就提高了植被面积提取的效率，目前常用的植被面积提取方法有最大似然法、支持向量机法、随机森林法等。如卢献健等[5]利用Google Earth Engine（GEE）平台，通过利用最大似然法、支持向量机、最大熵模型、随机森林等方法对广西南宁市横县县城的桉树面积进行研究；李小梅等[6]基于CHRISPROBA高光谱数据，通过使用最大似然法、最小距离法、支持向量机法等分类方法，对长白山自然保护区森林类型进行分类，取得很好的分类精度；DaSilva Marcio等[7]使用历史航空和RapidEye卫星图像评估南澳大利亚的雅法海岸线变化。不难发现，以上的方法都能提取植被面积，但是现有研究多数集中在桉树的种植、现状、生态问题的影响比较多，以及研究桉树的土壤肥力、生态系统多样性、生长效应等方面较多[8-13]。利用高分辨率遥感影像采用不同的分类方法分析，研究桉树的时空动态分布，及时准确掌握桉树的种植生产情况，有效跟踪监测桉树的消长动态，有利于推动桉树的可持续发展。此次研究通过不同方法提取黄冕桉树种植面积，并由此分析时空格局变化，有利于桉树日后的管理以及种植。

广西柳州市鹿寨县黄冕国有林场是自治区林业局直属的大型国有林场，有着一定规模数量的桉树人工林，为研究提供了条件。因此，本文基于RapidEye遥感影像，使用不同的提取方法提取桉树人工林面积，为桉树人工林的监测及种植提供科学依据。

1 研究区与数据源

1.1 研究区概况

黄冕国有林场位于广西柳州市鹿寨县黄冕镇（如图1），地理位置为109°43′46″～109°58′18″E，24°37′25″～24°52′11″N。该林场总面积达34466.6667公顷，并且地跨桂林、柳州两市，森林蓄积量达278立方米，森林覆盖率90%以上。黄冕镇的地势东部山多，而且山的高度相对较高，相反镇内西部地区地势较低，总体呈现不规则的长方形。黄冕镇属于中亚热带气候，温暖多雨，光照充足，雨热同季。气候温和，年平均气温为25℃。水陆交通便利，境内有洛清江、湘桂铁路、桂柳高速路穿乡而过。由于其气候适合桉树生长，并且当地有一定规模数量的桉树人工林，为研究的开展提供了条件。

图1 研究区示意图

1.2 数据获取及预处理

RapidEye是德国商用卫星，日覆盖范围达400万平方千米以上，能够在15天内覆盖整个中国，该影像范围覆盖广、高重访率、高分辨率、多光谱获取数据方式，空间分辨率为5米。本文基于RapidEye高分辨影像数据经过镶嵌、融合、裁剪等数据预处理，选取了2010年10月、2012年9月、2014年9月、2018年8月五期RapidEye遥感影像，并结合野外调查数据进行精度验证。外业调查共观测了49个实验点的坐标点数据，在谷歌地图根据野外数据点的坐标采集样本。

2 研究方法

2.1 最大似然法

最大似然法（Maximun likelihood classification）[14]是监督分类法其中的一种算法，在遥感图像分类中发展较早且应用广泛，它以建立的训练区信息为模板，通过各分类器算法对图像基于模板进行像元聚类从而实现分类。

2.2 随机森林

随机森林（Random Forest，RF）[15]作为一种近年来兴盛起来的、具有高敏捷度的集成机器算法，有着广阔的应用前景。这个概念最早由Leo Breiman和Adele Cutler提出，是监督分类法中的一种，同时也属于多决策树分类法的方法之一。随机森林算法就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习方法。

2.3 决策树分类

决策树分类（Classification And Regression Tree）[16]是基于遥感图像及其他空间数据，利用桉树样本点通过专家经验总结、大多数据统计和归纳获得桉树的分类规则。再分类任务中CART算法使用基尼系数作为特征选择的依据，在回归任务中则以均方误差作为特征选择的依据。

2.4 支持向量机

支持向量机分类（Support Vector Mashine，SVM）[17]源自于统计学理论。在研究小样本情况下，并学习其分类规律的理论的方法。支持向量具体是指越靠近最优决策面的点集，就与所选择的训练样本密切判相关。

3 结果与分析

3.1 不同分类方法比较

本研究使用了最大似然法、随机森林法、CART、支持向量机这四种方法提取黄冕镇的桉树面积，分类结果如图2所示。由图2可以看出，使用这四种分类方法对研究区的桉树及其他地物进行分类，分类结果均较为理想。桉树与其他林地，由于这两类地物纹理特征相似，所以单纯地从分类结果观察，还不能判断出哪种分类结果较为理想。因此，进一步采用总体精度和Kappa系数对不同分类方法的精度进行评判。由表1可分析出随机森林的分类结果优于其他三类分类方法，分类总体精度均达到了89%以上，Kappa系数达到了0.86以上，信息提取的可信度较高。

图2 四种不同方法分类结果

表1 四种分类方法分类精度

提取研究区内不同的地物信息其目在于调查桉树的种植范围以及变化，分别统计出利用不同的分类方法对提取桉树不同年份的面积的结果，如表2所示。从表2所知，最大似然法、随机森林、支持向量机、决策树分类结果在统计面积以及图斑结果上有着很大的差别。总的来看，随机森林分类法在图斑数目上都比其他三类方法的图斑数目多；支持向量机法（SVM）的图斑数目是四个分类法里最少的。在面积总和上，各分类方法所得出的计算结果都不一样，因此，使用哪种方法研究黄冕镇桉树人工林的时空动态格局分析最佳，与实际黄冕镇桉树镇的桉树分布最符合，这需要进一步精度验证。

表2 四种分类方法桉树的统计面积（单位：km2）

将2010—2018年这五年分类结果与谷歌影像所计算的分类结果采用混淆矩阵进行精度评价的方法。运用ENVI软件将样本进行精度评价，得到的结果如表3所示。由表3所知，随机森林的分类结果比其他三类分类结果精度要高。随机森林2010年黄冕镇桉树人工林的分类结果总体精度78.78%，Kappa系数达到0.72；2012年的分类结果总体精度70.79%，Kappa系数达到0.62；2014年的分类结果总体精度达到了71.01%，Kappa系数达到0.62；2016年的分类结果总体精度69.42%，Kappa系数达到0.60；2018年的分类结果总体精度达到71.76%，Kappa系数达到0.63。

表3 研究区分类结果信息表

3.2 黄冕桉树人工林空间分布特征

为了进一步分析黄冕镇桉树时空变化特征，通过随机森林分类法得到的黄冕镇不同时期的桉树分布图（见图5）。从图中可以看出2010年黄冕镇桉树总体分布不均匀，主要分布在北部和东部，少量分布在西南，其余零散分布在黄冕镇内；2012年黄冕镇桉树种植面积显著增加，不再是单一的分布在某一片区域，相较于2010年，2012年黄冕镇的桉树种植向东部扩展，耕地面积也随之较少，其他地区的桉树种植面积也更加密集；2014年黄冕镇的桉树种植范围已经扩展到除了中心乡镇地带以及耕地以外的地区，桉树基本包围了整个黄冕镇；2016年黄冕镇的桉树分布相较于2014年的桉树空间分布没有什么基本变化；2018年黄冕镇的桉树分布，可以从图中看出，桉树种植更密集，并且占用了大量耕地，从五期的影像观察黄冕镇桉树的种植从单一的一片蔓延到黄冕镇遍布桉树。

图3 桉树动态分布图

3.3 黄冕桉树人工林时间变异规律

基于随机森林分类法提取的黄冕镇桉树面积分布如图4所示。结合图3和图4分析可知，2010年黄冕镇桉树分布在北部、东部以及西南部，桉树总面积192.02 km²；2012年从原本的东部，西部慢慢扩展到了中部，种植面积比2010年增加了45 km²；紧接着到2014年的桉树种植，数据表明桉树面积已经达到了279 km²，比2010年桉树种植面积增加了88 km²；2016年的桉树种植面积对比2014年桉树种植面积只有少量的增加，原因可能是桉树种植经历了一轮砍伐，种植幼林，导致在影像上提取分析时，砍伐过的区域或者幼林无法正确识别出来；2018年，桉树种植面积达到了314 km²，对比2016年的面积有了大幅度的增长，2018年黄冕镇桉树分布图，黄冕镇的植被构成几乎是由桉树组成，其他林地面积越来越少，甚至占用到了耕地。

图4 黄冕镇桉树种植面积统计图

4 结论

本文运用四种不同的分类方法对黄冕镇的桉树动态分布进行提取，并分析黄冕镇的分析桉树的时空动态格局变化。

（1）相对于最大似然法、支持向量机（SVM）、决策树分类法（CART），基于随机森林法提取黄冕镇桉树面积效果更好。

（2）使用随机森林分类法，对黄冕镇桉树林面积进行计算得出：2010年桉树种植面积为191 km²；2012年桉树种植面积为236 km²；2014年桉树种植面积为279 km²；2016年黄冕镇的桉树种植面积为279 km²；2018年桉树种植面积为314 km²，桉树种植面积总体呈现增长的趋势。

（3）桉树的分布逐渐从北部、东部、西南部逐渐向内扩散，与此同时其他林地的分布也变得越来越少。综上所述，2010年至2018年黄冕镇桉树的种植面积都在不断增加，而其他林地的面积随之减少。

目前随着桉树人工林种植面积的增加，桉树所带来的社会效益和生态效益也越来越受到大家的关注，桉树种植、生长和砍伐周期交替频繁，因此使用遥感影像以及遥感技术对桉树人工林面积，桉树时空分布格局变化的研究有着重要意义。

[1] 黄国勤，赵其国. 广西桉树种植的历史、现状、生态问题及应对策略[J]. 生态学报，2014，34(18): 5142-5152.

[2] 郝鹏宇，唐华俊，陈仲新，等. 基于历史增强型植被指数时序的农作物类型早期识别[J]. 农业工程学报，2018，34(13): 179-186.

[3] 栾猛，张欣，王松华. 遥感在城市绿地调查中的应用[J].安徽农业科学，2009，37(28): 13815-13818，13821.

[4] 张丽云，赵天忠，夏朝宗，等. 遥感变化检测技术在林业中的应用[J]. 世界林业研究，2016，29(2): 44-48.

[5] 卢献健，黄俞惠，晏红波，等. 基于GEE平台广西桉树快速提取研究[J]. 林业资源管理，2019(5): 52-60，75.

[6] 李小梅，谭炳香，李增元，等. CHRIS高光谱图像森林类型分类方法比较研究[J]. 遥感技术与应用，2010，25(2): 227-234.

[7] da Silva M. Assessing shoreline change using historical aerial and RapidEye satellite imagery (Cape Jaffa, south Australia)[J]. Journal of Coastal Research, 2021, 37(3): 468-483.

[8] 王城城，叶文伟，赵从举，等. 热带桉树树干液流的时滞效应分析[J]. 灌溉排水学报，2022，41(1): 25-32.

[9] 杨嘉麒，邓海燕，张港隆，等. 4种混交比例对桉树-红椎人工混交林生长和土壤养分的影响[J]. 中南林业科技大学学报，2021，41(11): 90-97.

[10] 李世敏，王伟强. 提高桉树幼林抗风能力的营林措施[J].南方农业，2021，15(32): 96-97，100.

[11] 赵巧巧，赵筱青，黄佩，等. 我国不同林龄桉树对土壤理化性质影响研究进展[J]. 桉树科技，2021，38(4): 47-52.

[12] 周静，王蕊蕊，丁芷柔，等. 2种不同寄主对桉树枝瘿姬小蜂体内细菌多样性的影响[J]. 生物安全学报，2022，31(1): 81-86.

[13] Tiwari A, Singh P, Jaitley P, et al. Garg, Eucalyptus robusta leaves methanolic extract suppresses inflammatory mediators by specifically targeting TLR4/TLR9, MPO, COX2, INOS and inflammatory cytokines in experimentally-induced endometritis in rats[J]. Journal of Ethnopharmacology, 2018, 213: 149-158.

[14] 邓书斌，陈秋锦，杜会建，等. ENVI遥感图像处理方法[M]. 北京: 高等教育出版社，2014.

[15] Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

[16] 齐乐，岳彩荣. 基于CART决策树方法的遥感影像分类[J]. 林业调查规划，2011(4): 63-66.

[17] Cortes C, Vapnik V. Support-Vector networks[J]. Machine Learning, 1995, 20(3): 273-297.

Spatiotemporal Dynamic Analysis of Eucalyptus in Huangmian Town Based on RapidEye Remote Sensing Images

Based on the RapidEye remote sensing image, the spatiotemporal dynamic pattern changes of eucalyptus plantations in 2010, 2012, 2014, 2016 and 2018 were obtained by using the methods of random forest, maximum likelihood, support vector machine and CART through ENVI and ArcMap software. The accuracy of the experimental results was verified by using the historical image of Google Earth Pro. The results showed that the effect of extractup toing eucalyptus planting area in Huangmian town by using the random forest method was the best. The highest classification accuracy reached 94.38%. From 2010 to 2018, the planting area of eucalyptus in Huangmian town increased year by year. The results can provide scientific basis for monitoring and planting eucalyptus plantation in the future.

eucalyptus; RapidEye; remote sensing extraction; spatiotemporal dynamics

S771; TP7

A

1008-1151(2022)08-0022-04

2022-04-12

2020年大学生创新创业项目（202013645020）；广西自然科学基金（2019GXNSFBA245036）；广西科学院基本科研业务费（2019YJJ1009）。

何鑫兰（1999－），女，南宁理工学院学生，研究方向为农业遥感。

何文，男，广西喀斯特植物保育与恢复生态学重点实验室/广西壮族自治区中国科学院广西植物研究所助理研究员，博士，研究方向为生态遥感。