基于Landsat 8时间序列数据的翠岗林场森林类型划分

doi:10.13287/j.1001-9332.202209.007

应用生态学报 ›› 2022, Vol. 33 ›› Issue (9): 2339-2346.doi: 10.13287/j.1001-9332.202209.007

基于Landsat 8时间序列数据的翠岗林场森林类型划分

董灵波¹, 梁凯富¹, 张一帆², 刘兆刚^1*

¹东北林业大学林学院, 森林生态系统可持续经营教育部重点实验室, 哈尔滨 150040;
²中船(浙江)海洋科技有限公司, 浙江舟山 316021

收稿日期:2022-02-15 接受日期:2022-04-28 出版日期:2022-09-15 发布日期:2023-03-15
通讯作者: * E-mail: lzg19700602@163.com
作者简介:董灵波, 男, 1988年生, 博士, 副教授。主要从事森林可持续经营研究。E-mail: farrell0503@126.com
基金资助:
国家自然科学基金项目(32171778)资助。

Classification of forest types in Cuigang Forest Farm based on time series data of Landsat 8

DONG Ling-bo¹, LIANG Kai-fu¹, ZHANG Yi-fan², LIU Zhao-gang^1*

¹Ministry of Education Key Laboratory of Sustainable Forest Ecosystem Management, School of Forestry, Northeast Forestry University, Harbin 150040, China;
²CSSC (ZheJiang) Ocean Technology Co., Ltd., Zhoushan 316021, Zhejiang, China

Received:2022-02-15 Accepted:2022-04-28 Online:2022-09-15 Published:2023-03-15

摘要/Abstract

摘要： 探讨增强型植被指数(EVI)时间序列数据对提升森林类型识别精度的实际作用,可以促进光学遥感数据在森林资源调查和监测领域的深层次应用。以大兴安岭新林林业局翠岗林场为对象,以2014—2018年的20景Landsat 8 OLI时间序列数据、2017—2019年的56块固定样地数据和2016年二类调查数据为基础,运用随机森林算法,以光谱特征、纹理特征和EVI时间序列特征为基础构建6种不同的分类方案,实现翠岗林场森林类型的划分,并评估不同分类方案的精度。结果表明: 落叶松林、白桦林、针阔混交林、针叶混交林和阔叶混交林的EVI值在非生长季(36—111日和287—367日)间差异较大,其间针叶混交林EVI值显著高于其他4种森林类型,而阔叶混交林EVI值始终低于其他4种森林类型;在生长季早期(111—143日),白桦林EVI值高于落叶松EVI值,可有效区分白桦林和落叶松林;在6种分类方案中,光谱特征+纹理特征+EVI时间序列特征的分类精度最高,其Kappa达到0.82、分类精度86.1%。对比结果表明,加入植被指数时间序列特征的总体精度比光谱特征的总体精度提高了14.3%。因此,光谱特征、纹理特征及EVI时间序列特征组合下的随机森林算法能够对翠岗林场森林类型进行有效划分,具有良好的识别精度和可信度。

关键词: 时间序列数据, 大兴安岭, 森林类型, 随机森林算法

Abstract: To explore the practical role of enhanced vegetation index (EVI) time series data in improving the accuracy of forest type recognition could promote the deep application of optical remote sensing data in forest resources investigation and monitoring. With Cuigang Forest Farm of Xinlin Forestry Bureau in Daxing’anling as the object, we constructed six classification schemes, using random forest algorithm with spectral feature, texture feature and EVI time series feature. The data sources were 20-view Landsat 8 OLI time series data from 2014 to 2018, 56 fixed plots data from 2017-2019, and the 2016 Class II survey data. Our aims were to realize the classification of forest types in Cuigang Forest Farm and to evaluate the accuracy of different classification schemes. The results showed the EVI values of Larix gmelinii forest, Betula platyphylla forest, coniferous-broadleaved mixed forest, coniferous mixed forest and broadleaved mixed forest were significantly different in non-growing seasons (36-111 days and 287-367 days), with the EVI value of mixed conifer forest being significantly higher, and that of mixed broadleaf forest being always lower than the other four forest types. In the early growing season (111-143 days), the EVI value of B. platyphylla forest were higher than L. gmelinii forest, which could effectively distinguish the two forests. Among the six classification schemes, spectral feature, texture feature, and EVI time series feature had the highest classification accuracy, with a Kappa of 0.82 and a classification accuracy of 86.1%. The comparison results showed that the overall accuracy of adding vegetation index time series feature was improved by 14.3% compared with that of spectral feature. The random forest algorithm with combined spectral, texture and EVI time series features could effectively classify forest stand types in Cuigang Forest Farm, with good recognition accuracy and confidence.

Key words: time series data, Daxing’anling, forest type, random forest algorithm

董灵波, 梁凯富, 张一帆, 刘兆刚. 基于Landsat 8时间序列数据的翠岗林场森林类型划分[J]. 应用生态学报, 2022, 33(9): 2339-2346.

DONG Ling-bo, LIANG Kai-fu, ZHANG Yi-fan, LIU Zhao-gang. Classification of forest types in Cuigang Forest Farm based on time series data of Landsat 8[J]. Chinese Journal of Applied Ecology, 2022, 33(9): 2339-2346.

参考文献

[1] 吴炳方, 张淼, 曾红伟, 等. 全球农情遥感速报系统20年. 遥感学报, 2019, 23(6): 1053-1063
[2] 刘旭升, 张晓丽. 森林植被遥感分类研究进展与对策. 林业资源管理, 2004(1): 61-64
[3] 陈丽萍, 孙玉军. 基于不同决策树的面向对象林区遥感影像分类比较. 应用生态学报, 2018, 29(12): 3995-4003
[4] Thompson ID, Maher SC, Rouillard DP, et al. Accuracy of forest inventory mapping: Some implications for boreal forest management. Forest Ecology and Management, 2007, 252: 208-221
[5] 李哲, 张沁雨, 邱新彩, 等. 基于高分二号遥感影像树种分类的时相及方法选择. 应用生态学报, 2019, 30(12): 4059-4070
[6] Tokola T, Sarkeala J, Van DLM. Use of topographic correction in Landsat TM-based forest interpretation in Nepal. International Journal of Remote Sensing, 2001, 22: 551-563
[7] 黄华国. 林业定量遥感研究进展和展望. 北京林业大学学报, 2019, 41(12): 1-14
[8] 毛学刚, 魏晶昱. 基于多源遥感数据的面向对象森林类型识别. 应用生态学报, 2017, 28(11): 3711-3719
[9] Li CC, Wang J, Hu LY, et al. A circa 2010 thirty meter resolution forest map for China. Remote Sensing, 2014, 6: 5325-5343
[10] Xiao X, Boles S, Liu J, et al. Characterization of forest types in Northeastern China, using multi-temporal SPOT-4 VEGETATION sensor data. Remote Sensing of Environment, 2002, 82: 335-348
[11] Masek JG, Goward SN, Kennedy RE, et al. United States forest disturbance trends observed using Landsat time series. Ecosystems, 2013, 16: 1087-1104
[12] 田庆久, 闵祥军. 植被指数研究进展. 地球科学进展, 1998, 13(4): 327-333
[13] 李瑾, 王雷光, 郑晨, 等. 云南香格里拉区域尺度森林类型遥感分类评价. 西南林业大学学报: 自然科学, 2022, 42(1): 124-132
[14] 杨闫君, 占玉林, 田庆久, 等. 基于GF-1/WFV NDVI时间序列数据的作物分类. 农业工程学报, 2015, 31(24): 155-161
[15] 马婷, 李崇贵, 郭瑞霞, 等. 运用植被指数时间序列特征对落叶松人工林分类. 东北林业大学学报, 2020, 48(3): 56-59
[16] 张健康, 程彦培, 张发旺, 等. 基于多时相遥感影像的作物种植信息提取. 农业工程学报, 2012, 28(2): 134-141
[17] 贾明明, 任春颖, 刘殿伟, 等. 基于环境星与MODIS时间序列数据的面向对象森林植被分类. 生态学报, 2014, 34(24): 7167-7174
[18] 鲁楠, 王新杰, 汪锦, 等. 依据季相特征GF-2影像的植被分类. 东北林业大学学报, 2019, 47(3): 62-67
[19] 詹国旗, 杨国东, 王凤艳, 等. 基于特征空间优化的随机森林算法在GF-2影像湿地分类中的研究. 地球信息科学学报, 2018, 20(10): 1520-1528
[20] 吕杰, 郝宁燕, 李崇贵, 等. 利用随机森林和纹理特征的森林类型识别. 遥感信息, 2017, 32(6): 109-114
[21] Wang B, Li J, Jin X, et al. Mapping tea plantations from multi-seasonal Landsat-8 OLI imageries using a random forest classifier. Journal of the Indian Society of Remote Sensing, 2019, 47: 1315-1329
[22] Zhou FQ, Zhang AN. Optimal subset selection of time-series MODIS images and sample data transfer with random forests for supervised classification modelling. Sensors, 2016, 16: 1783
[23] 王斌, 何丙辉, 林娜, 等. 基于随机森林特征选择进行茶园遥感提取. 吉林大学学报: 工学版, 2021, doi: 10.13229/j.cnki.jdxbgxb20210138
[24] 杨红艳, 杜健民, 阮培英, 等. 基于无人机遥感与随机森林的荒漠草原植被分类方法. 农业机械学报, 2021, 52(6): 186-194
[25] 刘凯, 龚辉, 曹晶晶, 等. 基于多类型无人机数据的红树林遥感分类对比. 热带地理, 2019, 39(4): 492-501
[26] 浮媛媛, 赵建军, 张洪岩, 等. 基于生态地理分区的大兴安岭植被物候时空变化. 应用生态学报, 2016, 27(9): 2797-2806
[27] 侯学会, 牛铮, 高帅. 近十年中国东北森林植被物候遥感监测. 光谱学与光谱分析, 2014, 34(2): 515-519
[28] 李智峰, 朱谷昌, 董泰锋. 基于灰度共生矩阵的图像纹理特征地物分类应用. 地质与勘探, 2011, 47(3): 456-461
[29] 陈波, 胡玉福, 喻攀, 等. 基于纹理和地形辅助的山区土地利用信息提取研究. 地理与地理信息科学, 2017, 33(1): 1-7
[30] 吴焕丽, 崔可旺, 张馨, 等. 基于改进K-means图像分割算法的细叶作物覆盖度提取. 农业机械学报, 2019, 50(1): 42-50
[31] 中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. 森林资源规划设计调查技术规程(GB/T 26424-2010) [EB/OL]. (2011-01-14) [2021-10-12]. http://www.foodcta.com/spbz/detail70962.html
[32] Breiman L. Random forests. Machine Earning, 2001, 45: 5-32
[33] 祝宁, 江洪, 金永岩. 中国东北天然次生林主要树种的物候研究. 植物生态学报, 1990, 14(4): 336-349
[34] 李若楠, 欧光龙, 代沁伶, 等. 基于GEE和Landsat时间序列数据的香格里拉森林类型分类研究. 西南林业大学学报:自然科学版, 2020, 40(5): 115-125
[35] Jakubauskas ME, Legates DR, Kastens JH. Crop identification using harmonic analysis of time-series AVHRR NDVI data. Computers and Electronics in Agriculture, 2002, 37: 127-139
[36] 何云, 黄翀, 李贺, 等. 基于Sentinel-2A影像特征优选的随机森林土地覆盖分类. 资源科学, 2019, 41(5): 992-1001
[37] 刘杰, 刘吉凯, 安晶晶, 等. 基于时序Landsat 8 OLI多特征与随机森林算法的作物精细分类研究. 干旱地区农业研究, 2020, 38(3): 281-288

基于Landsat 8时间序列数据的翠岗林场森林类型划分

Classification of forest types in Cuigang Forest Farm based on time series data of Landsat 8

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	姜静宜, 孙晓新, 王宪伟, 王淑洁, 马国宝, 陈宁, 杜宇. 大兴安岭多年冻土泥炭地土壤水可溶性有机碳夏秋季节变化特征及其影响因素 [J]. 应用生态学报, 2023, 34(9): 2413-2420.
[2]	董灵波, 马榕, 田栋元, 王涛, 刘兆刚. 大兴安岭天然林不同演替阶段共优势种种群结构与动态 [J]. 应用生态学报, 2022, 33(8): 2077-2087.
[3]	杨婧雯, 张秋良, 宋文琦, 张旭, 李宗善, 张远东, 王晓春. 大兴安岭兴安落叶松和樟子松径向生长对气候变化的响应差异 [J]. 应用生态学报, 2021, 32(10): 3415-3427.
[4]	肖华翠, 李靖雯, 夏允, 杨柳明, 林燕语, 范跃新. 中亚热带不同母质发育森林土壤磷组分特征及其影响因素 [J]. 应用生态学报, 2021, 32(1): 16-22.
[5]	及利, 马立新, 程政磊, 祝清超, 张岩, 杨雨春, 杨立学. 大兴安岭北部不同海拔天然林土壤胞外酶化学计量特征及其季节动态 [J]. 应用生态学报, 2020, 31(8): 2491-2499.
[6]	张凌宇, 董灵波, 陈莹, 刘兆刚. 大兴安岭中部天然次生林种子雨动态 [J]. 应用生态学报, 2020, 31(12): 4035-4041.
[7]	梁东哲, 赵雨森, 辛颖. 大兴安岭重度火烧迹地天然次生林土壤温室气体通量及其影响因子 [J]. 应用生态学报, 2019, 30(3): 777-784.
[8]	魏红洋, 董灵波, 刘兆刚. 大兴安岭主要森林类型林分空间结构优化模拟 [J]. 应用生态学报, 2019, 30(11): 3824-3832.
[9]	杨立宾, 隋心, 魏丹, 崔福星, 朱道光, 倪红伟. 大兴安岭棕色针叶林土壤的真菌多样性 [J]. 应用生态学报, 2019, 30(10): 3411-3418.
[10]	张宇婧, 吴志伟, 顾先丽, 付婧婧, 闫赛佳. 火烧强度和火后恢复时间对大兴安岭森林土壤有机碳含量的影响 [J]. 应用生态学报, 2018, 29(8): 2455-2462.
[11]	罗旭, 王聿丽, 张金荃. 气候变化和林火干扰对大兴安岭林区地上生物量影响的动态模拟 [J]. 应用生态学报, 2018, 29(3): 713-724.
[12]	于宏洲,舒立福,邓继峰,杨光,梁启,李景浩,朱航勇. 以小时为步长的大兴安岭典型林分地表死可燃物含水率模型预测及外推精度 [J]. 应用生态学报, 2018, 29(12): 3959-3968.
[13]	洪娇娇, 陈宏伟, 齐淑艳, 刘娜, 许晶. 火干扰强度对大兴安岭森林地上植被碳储量的影响 [J]. 应用生态学报, 2017, 28(8): 2481-2487.
[14]	肖好燕, 刘宝, 余再鹏, 万晓华, 桑昌鹏, 周富伟, 黄志群. 亚热带不同林分土壤矿质氮库及氮矿化速率的季节动态 [J]. 应用生态学报, 2017, 28(3): 730-738.
[15]	李顺, 吴志伟, 梁宇, 贺红士. 大兴安岭人为火发生影响因素及气候变化下的趋势 [J]. 应用生态学报, 2017, 28(1): 210-218.