基于Landsat8-OLI影像的山蒿植被信息提取研究

張娜, 魏建兵,*, 劉景琦, 張興義, 王玉璽

基于Landsat8-OLI影像的山蒿植被信息提取研究

張娜1, 魏建兵1,*, 劉景琦1, 張興義2, 王玉璽3

1. 沈陽大學, 區域污染環境生態修復教育部重點實驗室, 沈陽 110044 2. 中國科學院東北地理與農業生態研究所, 哈爾濱 150081 3. 黑龍江省水利科學研究院, 哈爾濱 150080

山蒿是一種廣布于我國北部干旱半干旱區低山丘陵中高海拔地帶的次生植物, 根據部分地區現場調查和筆者的前期研究, 認為其具有生態保護和資源利用價值。為了實現山蒿優勢群落集中分布區調查方法開發, 以內蒙古自治區興安盟突泉縣為例, 選取了2017年多時相Landsat8-OLI遙感影像, 根據地形特征、NDVI指數和GNDVI指數建立規則集, 構建山蒿植被信息提取決策樹模型, 并進行了典型區山蒿提取和精度驗證。結果表明, 遙感提取總體精度為78.65%, Kappa系數為0.63, 山蒿信息提取的制圖精度為72.13%, 用戶精度為75.7%, 目標于初步分布區域調查, 使用此模型方法進行山蒿信息提取是可行的, 研究成果能夠為進一步改進和構建植被信息提取方法提供思路, 也能夠為山蒿植被空間分布監測及其生態保護規劃管理提供決策支持。

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

0 前言

山蒿(Franch.)是一種小灌木狀多年生草本植物, 莖木質化, 成苗株高60—100 cm, 別稱巖蒿、駱駝蒿, 隸屬于菊科蒿屬, 分布于我國內蒙古、河北、山西、陜西、寧夏以及甘肅的北部干旱半干旱區[1], 據《全國中草藥匯編》記載, 山蒿有清熱、解毒、祛濕之功效[2]。目前對山蒿開發利用的基礎研究較少, 集中在藥用價值、植株化學成分的測定研究方面[3-4]。根據文獻資料以及野外科學調查, 山蒿是一種具有水土保持與生態修復潛力的次生植物, 生長于中高海拔陽坡草地、礫質坡地半荒漠草原、戈壁及巖石縫中, 在很多干旱半干旱山區局部形成優勢群落[1,5]。筆者在我國自然植被稀少的內蒙古興安盟地區調研發現, 山蒿廣布于該地區低山丘陵地帶, 抗旱、抗瘠薄、抗干擾能力強, 但長期遭受到農墾開荒、薪柴砍伐、牛羊放牧等威脅, 其生境破壞明顯, 當地的林學和水土保持專家將其稱為東北半干旱區自然植被“生態底線”, 認為急需獲得保護。然而, 截止到目前, 在我國土地利用分類系統中, 尚未把山蒿作為一種資源植被, 仍歸類為草地, 當地政府也沒有采取有效保護措施, 其資源利用和生態保護價值沒有得到充分的重視。植被與生態環境有強相關性, 當前, 生態赤字逐漸擴大, 生態環境破壞程度加劇[6-7], 在我國“美麗中國”建設、“國土資源生態修復”等戰略背景下, 山蒿資源集中分布區識別和生態保護規劃研究應該成為緊迫的應用基礎研究[5]。

山蒿群落分布于低山丘陵區, 傳統的地面人工調查困難。與傳統的實地調查相比, 遙感技術在土地利用覆被分類、植被信息提取和環境變化監測等方面具有實時性強、覆蓋范圍廣、成本低等優勢, 兼具經濟和社會效益。遙感技術在農作物信息提取方面發展比較成熟, 尤其在水稻、小麥作物影像特征識別、種植面積和產量估算方面發揮了重要作用[8-9]。近年來, 許多學者致力于植被遙感分類研究, 基于多光譜和高光譜遙感數據的森林和濕地識別技術為自然植被的可持續發展和有效管理提供了科學依據, 遙感技術在區域生態環境監測方面表現出顯著優勢[10-12]。基于Landsat系列影像, 特別是Landsat8-OLI具有中等分辨率, 數據獲取免費, 應用領域廣泛等特點, 該種數據在植被信息提取方面也有較豐富的成果可以借鑒。Cingolani等[13]基于Landsat數據, 采用最大似然法和使用特征統計分析獲得的判別函數對異質山脈草地進行分類, 取得了很好的效果。很多學者致力于長時間序列的研究, Sandamali等[14]使用1975—2015年的Landsat影像分析森林類別的變化, 采用歸一化植被指數(NDVI)和綠色歸一化植被指數(GNDVI)提取植被和冠層條件。Zhang等[15]認為基于對象的圖像分析技術, 中分辨率Landsat數據可有效繪制研究區佛羅里達大沼澤地植被的主要群落。Marcel等[16]通過繪制巴西熱帶稀樹草原植被梯度圖, 強調了利用長期Landsat時間序列來分析異構生態系統的有用性。國內學者在Landsat影像的植被信息提取方面也開展了一些研究, 劉杰等[17]基于單時相Landsat8-OLI影像構建了棉花信息提取模型。王月如等[18]構建水體差異增強指數(DENWI), 獲取富貴竹的種植信息。為了提高遙感監測精度, 基于多時相遙感數據的植被分類迅速發展, 白燕英等[19]根據作物的NDVI時間序列構建植被分類模型, 分類精度高; 李曉東等[20]基于多時相遙感數據構建多維分類特征, 利用季相、光譜、紋理特征建立規則集, 提取地表覆被類型。

綜上所述, 基于Landsat遙感影像開展區域植被分布識別是可行可操作的, 預期進一步結合地形、植被指數等其他因子開展構建分類模型的研究有利于開發新的方法和提高分類精度。目前的研究集中在農作物和其他自然植被的信息提取與分類, 關于針對具有水土保持和生態保護價值的山蒿信息提取研究尚未有檢索發現。本文選取內蒙古自治區興安盟突泉縣山蒿集中分布區學田鄉、六戶鎮、永安鎮和東杜爾基鎮為研究區, 基于多時相Landsat8-OLI遙感影像提取山蒿植被光譜信息, 構建山蒿信息提取方法, 識別山蒿集中分布區, 為制定其生態保護規劃和探索其資源利用價值提供支持。

1 研究區概況

內蒙古自治區興安盟突泉縣位于興安盟中南部(圖1), 處于大興安嶺山地向松嫩平原過渡地帶, 地勢西北高, 東南低, 具有獨特的“北山、中丘、南平原”地形特點。屬于溫帶半干旱大陸性季風氣候, 春季多風少雨, 蒸發大, 濕度小; 夏季短促溫熱, 降水集中; 秋季涼爽短暫; 冬季寒冷漫長風大雪少。年平均降水量393.1 mm。年積溫2700 ℃—2900 ℃, 年均氣溫5.7 ℃。主要土壤類型有暗棕壤、黑鈣土、草甸土和黑土。山蒿群落主要分布在突泉縣中部低山石質丘陵區。

圖1 研究區位置

Figure 1 Location of study area

2 材料與方法

2.1 數據源與數據預處理

遙感影像選用2017年的Landsat8-OLI數據, 根據山蒿的生長期選擇不同生長狀態下的時相, 成像時間分別為2月、3月、5月、7月、8月、10月和11月, 軌道號為121/28, 所選影像拍攝清晰, 云量少。其他數據包括突泉縣空間分辨率為30 m的DEM數據、突泉縣土地分類數據、突泉縣行政邊界矢量數據以及野外定位采樣數據。

圖像預處理使用ENVI5.3 Radiometric Cali-bration功能進行輻射定標, FLAASH Atmospheric Correction功能進行大氣校正, 用研究區矢量數據進行地理校正和裁剪得到研究區遙感影像圖。

2.2 研究方法

2019年7月和2020年1月對學田鄉、六戶鎮、永安鎮和東杜爾基鎮進行野外調查, 確定研究區地物類型主要為耕地、農村和城鎮建設用地, 楊、榆、蒙古櫟等喬木林地, 草原、山蒿、檸條、虎榛子等灌草地。運用GPS測量儀采集地物類型樣本位置, 其中, 學田鄉地物類型全面, 山蒿分布集中, 分布面積較大, 具有代表性。因此, 以學田鄉作為訓練區探討植被信息提取方法。然后將其應用于整個研究區。技術流程主要包括五個步驟, 第一, 使用遙感數據波段反射特征初步分辨植被類型; 第二, 分析植被分布區的地形特征; 第三, 通過植被指數特征進一步識別植被分布區; 第四, 依據植被分布的地形特征和不同時期的植被指數特征, 建立植被信息識別決策樹模型; 第五, 通過實地定位記錄和高分影像數據來評價山蒿信息提取的精度。

2.2.1 光譜特征

2.2.2 地形分布特征

利用DEM數據提取學田鄉高程圖和坡度圖, 統計山蒿、檸條、草地、蒙古櫟、虎榛子、耕地、建設用地七種地物分布的高程和坡度數據。

2.2.3 植被指數

植被指數是廣泛應用于植被信息提取與分類的指標[21]。植被在紅光波段強吸收, 近紅外波段高反射, 兩波段組合能增強植被信息[22]。歸一化植被指數(Normalized Difference Vegetation Index, NDVI)是最常用的植被指數之一, 是植被生長狀態及植被覆蓋度最佳指示因子, 對綠色植被表現敏感, 可以監測植被生長活動的季節和年際變化[23-24]。綠色歸一化植被指數[25](Green Normalized?Difference Vegetation Index, GNDVI)與NDVI相似, 它測量的是從540 nm到570 nm的綠色光譜, 而不是紅色光譜, 該指標比NDVI對葉綠素濃度更敏感。除了以上兩種植被指數, 本研究還提取了差值植被指數(Difference Vegetation Index ,DVI)、比值植被指數(Ratio Vegetation Index ,RVI)、增強植被指數(Enhanced Vegetation Index ,EVI)和葉面積指數(Leaf Area Index, LAI), 篩選在提取山蒿植被信息中能夠與研究區的其他地物進行有效區分的指數。

式中: ρNIR為近紅外波段反射率, ρRed為紅色波段反射率, ρGreen為綠色波段反射率。

2.2.4 決策樹分類法

決策樹分類, 又稱基于專家知識決策樹分類, 能夠利用多源遙感影像數據實現分類, 其規則和分類過程也易于理解。ENVI決策樹分類器是一個多級分類器, 由一系列二叉決策樹構成, 一般包括四個步驟: 定義分類規則、構建決策樹、執行和精度評定和分類后處理。本研究使用此方法建立了山蒿植被決策樹分類模型。

3 研究結果與分析

3.1 山蒿的波段特征

從各地物的光譜曲線圖(圖2)可以看出, 不同地物類型的光譜特征具有差異, 這為識別山蒿提供了可能, 建設用地、耕地和草地的光譜曲線特征差異較大, 虎榛子和蒙古櫟的光譜曲線特征相似, 山蒿和檸條的光譜曲線特征相似, 說明在植被信息提取過程中, 檸條對山蒿的干擾大, 直接提取山蒿信息難度較大。山蒿信息提取要選擇信息量大、相關性小的波段進行組合, 圖2還可以看出地物的光譜特征主要表現在B3—B6波段, 尤其第5波段(近紅外波段)是植被的高反射區。

圖2 研究區主要地物類型光譜曲線

Figure 2 Spectral curves of main features in the study area

3.2 山蒿的地形分布特征

從高程上看(圖3), 建設用地、耕地和檸條平均海拔小于500 m, 略低于山蒿, 山蒿和草地分布區海拔比較相似, 蒙古櫟分布區海拔最高, 虎榛子海拔次之。七種地物在坡度分布上具有一定差異, 建設用地和耕地的坡度小且坡度區間集中, 建設用地坡度小于4°, 分布地區最平坦, 耕地次之, 坡度小于8°; 山蒿坡度在10°—25°之間, 平均坡度最大, 與草地、檸條、虎榛子和蒙古櫟相比坡度區間最小; 草地坡度在5°—25°, 檸條坡度在5°—20°, 蒙古櫟坡度在3°—25°, 虎榛子在3°—35°, 坡度區間最大, 平坡、緩坡和陡坡均有分布。綜上所述, 山蒿的坡度高于建設用地和耕地, 因此可以設置坡度閾值將面積較大的耕地和建設用地與山蒿區分。

參考1984年中國農業區劃委員會頒發《土地利用現狀調查技術規程》(表1), 結合實地采樣數據, 設置耕地的坡度閾值為8°, 把學田鄉坡度分為0°—8°、8°—20°和20°—43°三級(圖4)。

3.3 山蒿的植被指數特征

植被的生長發育具有物候特性, 其光譜信息會隨季節的變化而改變, 導致單一時期的影像分類效果通常并不理想。山蒿生長緩慢, 幾年內植株變化不大, 在不同生長期差異也較小。單一時相的植被指數難以將目標地物山蒿與其他植被區分開來, 因此本研究提取了不同季節的植被指數。

根據研究區主要植被類型的NDVI統計結果(表2), 不同地物2月18日和3月6日的NDVI差異不大。研究區緯度偏高, 冬季寒冷漫長, 氣候干旱, 植被生長緩慢。5月9日, 蒙古櫟NDVI最小值0.48大于山蒿、檸條和草地的NDVI最大值, 差異顯著, 蒙古櫟與山蒿、檸條、草地的分離性好; 蒙古櫟與虎榛子易混淆; 草地NDVI與檸條和虎榛子的NDVI不重合交叉, 草地和檸條、虎榛子的分離性好。7—8月是植被生長高峰期, 草地與蒙古櫟和耕地的NDVI不交叉, 分離性較好, 山蒿、檸條、虎榛子、蒙古櫟的NDVI值均存在交叉區間, 難以區分。10月16日, 蒙古櫟與山蒿和草地的NDVI不交叉重疊, 蒙古櫟和山蒿、蒙古櫟和草地的分離性好; 山蒿與檸條、草地、虎榛子容易混淆。11月17日, 山蒿與草地、山蒿與蒙古櫟、草地與蒙古櫟的NDVI值區間不交叉重疊, 山蒿和檸條、虎榛子容易混淆。綜上所述, 5月9日NDVI可以將蒙古櫟與山蒿、檸條、草地區分, 草地與檸條、虎榛子區分; 10月16日的NDVI可以將蒙古櫟與山蒿、草地區分; 11月17日山蒿、草地、蒙古櫟可相互區分。

圖3 各地物類型分布高程、坡度圖

Figure 3 Elevation and slope map of various types of objects

表1 耕地坡度分級

圖4 學田鄉坡度圖

Figure 4 Slope map of Xuetian township

表2 各地物NDVI指數統計表

六類主要地物中(圖5), 蒙古櫟NDVI最大, 在不同時期均處于較高水平, 蒙古櫟是喬木, 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月初是農作物出苗期, 7—8月是農作物的生長旺盛期, NDVI值達到最大, 隨后迅速下降; 虎榛子、檸條、山蒿和草地的NDVI曲線大致相似, 但虎榛子NDVI值較高, 3—5月增長幅度大, 檸條與山蒿NDVI變化趨勢最相似, 檸條NDVI大于山蒿, 8月差異較大, 草地在各時期NDVI最小, 與山蒿相比, 山蒿在5月上旬進入萌芽期, NDVI增長, 草地3—5月上旬NDVI幾乎不變, NDVI小于0.2。

根據GNDVI統計結果(表3), 2月18日和3月6日GNDVI處于較低水平, 山蒿與其他植被類型不易區分。5月9 日, 山蒿與虎榛子、山蒿與蒙古櫟的GNDVI區間不交叉, 山蒿與虎榛子、山蒿與蒙古櫟分離性好; 草地與虎榛子、草地與蒙古櫟GNDVI區間不交叉, 草地與虎榛子、草地與蒙古櫟分離性好; 山蒿與檸條、草地、耕地不易區分。7月28日, 草地與蒙古櫟、草地與耕地的GNDVI區間不交叉重疊, 草地與蒙古櫟、草地與耕地分離性好; 山蒿與其他地物容易混淆, 不易區分。8月29日, 六類地物的GNDVI值差異較小, 各地物之間易混淆。10月16日, 蒙古櫟與山蒿、檸條、草地的GNDVI區間不交叉, 蒙古櫟與山蒿、檸條、草地的分離性好。11月17日, 山蒿與蒙古櫟、草地與蒙古櫟的GNDVI區間不交叉, 差異較大, 山蒿與蒙古櫟、草地與蒙古櫟分離性好。綜上所述, 5月9日GNDVI可將山蒿與虎榛子、山蒿與蒙古櫟、草地與虎榛子、草地與蒙古櫟區分; 10月16日GNDVI可將蒙古櫟與山蒿、檸條、草地區分; 11月17日GNDVI可將山蒿與蒙古櫟、草地與蒙古櫟區分。

圖6所示, 耕地2—5月GNDVI較小, 5—7月增長顯著, 7月、8月是農作物生長旺盛期, 8月GNDVI最大, 隨后迅速減小; 蒙古櫟GNDVI 2—3月略有減小, 5月增長迅速, 10月達到最大值, 蒙古櫟GNDVI明顯大于虎榛子、檸條、山蒿和草地; 虎榛子、檸條、山蒿和草地GNDVI趨勢大致相似, 各時期虎榛子最大, 草地最小, 山蒿2—5月GNDVI基本不變略有減小, 而檸條GNDVI逐漸上升。

3.4 山蒿信息提取模型及精度評價

3.4.1 山蒿信息提取模型

依據研究區各地物分布的地形特征和不同時期的植被指數特征, 建立山蒿信息識別的決策樹, 如圖7所示, 具體過程為: 根據坡度區分建設用地和耕地為分類1, 該部分包含少量草地、蒙古櫟、虎榛子和檸條, 但不包含山蒿; 進而用5月9日的NDVI區分出蒙古櫟(含虎榛子), 另一部分包含山蒿、檸條、虎榛子和草地, 同樣用5月9日的NDVI將其分為兩部分, 一部分為草地和部分山蒿, 另一部分為山蒿、檸條和虎榛子; 根據11月的NDVI將草地(分類3)和山蒿區分開來; 最后利用5月的GNDVI排除虎榛子和部分檸條, 用5月NDVI以及2月至5月山蒿與檸條GNDVI的變化特征將山蒿提取出來, 兩部分山蒿合并為分類5, 分類4是檸條混雜虎榛子的區域。

圖5 主要地物NDVI時間序列曲線

Figure 5 NDVI time series curve of main features

表3 各地物GNDVI指數統計表

圖6 主要地物GNDVI時間序列曲線

Figure 6 GNDVI time series curve of main features

Figure 7 Information extraction process ofFranch

應用構建的山蒿信息提取決策樹模型, 得到學田鄉山蒿分布圖, 提取結果如圖8所示, 將決策樹模型推廣到學田鄉周邊的六戶鎮、永安鎮和東杜爾基鎮, 得到山蒿空間分布圖, 見圖9。

圖8 學田鄉山蒿提取結果

Figure 8 Extraction results ofFranch in Xuetian township

圖9 六戶鎮、永安鎮和東杜爾基鎮山蒿提取結果

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

3.4.2 精度分析

根據野外定位采樣點和Google Earth高分辨率影像對六戶鎮、永安鎮和東杜爾基鎮山蒿提取結果進行精度分析。本文的決策樹模型分類出山蒿和草地, 其他類別地物具有混交特征并非單一植被類型, 因此合并為其他地物, 相應地建立山蒿、草地和其他地物三類感興趣區驗證分類結果, 計算山蒿分類的混淆矩陣, 精度結果如表4, 分類總體精度為78.65%, Kappa系數為0.63, 山蒿信息提取的制圖精度72.13%, 用戶精度為75.7%, 山蒿信息提取效果比較理想, 能夠滿足山蒿集中分布區的識別和山蒿保護規劃的需要。

4 討論

本文在我國建設生態文明、國土生態修復戰略背景下, 以典型區為案例, 基于成本效益原則, 采用中分辨率遙感數據, 探索研究具有水土保持和生態修復價值的山蒿植被優勢群落集中分布區識別方法。

林草生態建設堅持自然恢復為主的原則, 符合尊重自然、順應自然的宗旨。研究區生態環境脆弱,而山蒿有很強的抗貧瘠和耐旱能力, 山蒿植被對于自然生態系統的穩定性和生態服務功能具有較大價值。因此, 因地制宜以自然修復為主-——加強山蒿植被保護, 自然恢復與人工修復相結合——保護當地自然植被與人工造林相結合, 順應了生態文明建設的目標。本文對于山蒿資源集中分布區的識別能夠掌握山蒿植被分布特征, 對植被生態保護提供了基礎。根據植被的光譜反射、植被指數、紋理以及地形分布特征, 利用決策樹方法構建某種植被的識別模型和進行土地利用分類十分廣泛, 使用這種方法探索的山蒿植被信息識別模型效果好, 對于其他地區山蒿信息提取同樣具有技術參考價值。

表4 山蒿信息提取精度評價

本文構建的山蒿信息識別模型是對山蒿識別的初步探索, 可用于宏觀了解山蒿分布特征, 對于精準掌握其分布信息有待更深入的研究; 例如使用的遙感影像像元分辨率還不夠大, 識別精度還不夠高; 草地與山蒿、檸條與山蒿的交界處容易產生混合像元; 而且植被長勢與稀疏程度也會影響分類結果, 使山蒿信息提取產生誤差。因此, 選取更高精度的影像數據, 探討綜合利用面向像元和面向對象等提取方法, 提高山蒿信息的分類精度是未來可進一步研究的方向。本文建立的山蒿信息識別決策樹模型是在逐步排除其他地物的情況下完成的, 對于探索山蒿植被區別于其他地物的獨有特征, 尋找如何直接識別山蒿遙感特性的方法有待進一步探索和研究。

與其他植被信息提取研究結果相比較(表5), 高分辨率遙感數據的分類精度高, 采用GF數據和Worldview-2數據分類精度大于90%, Kappa系數在0.9左右; 中分辨率遙感影像在土地利用分類中分類精度通常80%左右, kappa系數大于0.75, 但這些研究是做一級分類, 并非對具體的植物類型進行識別。利用中分辨率影像HJ-1A/B CCD數據對林區植被進行分類, 分類精度略大于70%, Kappa系數0.67, 與本文的研究結果接近。本研究分類精度偏低的原因可能在于: 首先, 本研究中山蒿識別模型是對一個典型區域進行研究后推廣應用于周邊地區得出的總結果, 而參考文獻中均是直接對整個研究區進行研究得出的; 其次, 中分辨率影像精度有限, 混合像元對提取結果的準確性影響較大。但基于識別山蒿這種相對低矮的小灌木狀草本植物的集中分布區, 此精度還是可以接受的。

5 結論

(1) 利用多時相遙感影像, 根據內蒙古自治區興安盟突泉縣學田鄉山蒿分布區的特點, 結合地形特征、NDVI指數和GNDVI指數, 構建山蒿信息提取模型, 將該模型應用于六戶鎮、永安鎮和東杜爾基鎮的山蒿分布區, 總體分類精度為78.65%, Kappa系數為0.63, 山蒿信息提取的制圖精度72.13%, 用戶精度為75.7%。

(2) 山蒿生長于低山丘陵區, 野外調查耗費大量人力物力, 基于遙感影像提取山蒿信息是可行的, 本研究的山蒿信息識別模型具有可推廣性, 提取效果比較理想, 容易操作, 適用于與研究區類似區域

的山蒿信息提取, 滿足山蒿集中分布區識別和山蒿植被生態保護規劃的需要。

表5 本研究與其他研究分類精度對比

(3) 本研究建立的山蒿信息識別模型可用于宏觀調查山蒿分布特征, 但從精度檢驗結果上看, 草地和檸條與山蒿的交界處容易產生混合像元, 而且植被長勢與稀疏程度也會影響分類結果, 使山蒿信息提取產生誤差, 影響提取精度, 因此, 如何消除這些干擾因素, 進一步提高山蒿信息的分類精度是下一步深入研究的重點。

[1] 中國植物志編輯委員會. 中國植物志(20卷)[M]. 北京: 科學出版社, 2011.

[2] 王國強. 全國中草藥匯編(卷一)[M]. 北京: 人民衛生出版社, 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, 孫曉倩, 侯永俠, 等. 山蒿生物學特征及其生態保護應用價值潛力初探[J]. 環境生態學, 2019, 1(3): 10–14.

[6] 王舉鳳, 何亮, 陸紹娟, 等. 內蒙古不同類型草原光合植被覆蓋度對降水變化的響應[J]. 生態學報, 2020, 40(16): 1–10.

[7] 趙其國, 黃國勤, 馬艷芹. 中國生態環境狀況與生態文明建設[J]. 生態學報, 2016, 36(19): 6328–6335.

[8] 李孟倩, 蘇世宗. 基于Landsat8-OLI遙感影像水稻種植區提取方法研究[J]. 華北理工大學學報(自然科學版), 2019, 41(3): 26–33+59.

[9] 趙文亮, 賀振, 賀俊平, 等. 基于MODIS-NDVI的河南省冬小麥產量遙感估測[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 Observa-tions 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] 劉杰, 劉振波, 劉吉凱, 等. 基于單時相Landsat8-OLI影像的棉花提取技術研究[J]. 科學技術與工程, 2014, 14(33): 28–33.

[18] 王月如, 韓鵬鵬, 關舒婧, 等. 基于Landsat8 OLI數據的富貴竹種植區域信息提取[J]. 國土資源遙感, 2019, 31(1): 133–140.

[19] 白燕英, 高聚林, 張寶林. 基于Landsat8影像時間序列NDVI的作物種植結構提取[J]. 干旱區地理, 2019, 42(4): 893–901.

[20] 李曉東, 姜琦剛. 基于多時相遙感數據的吉林西部土地覆被分類提取[J]. 農業工程學報, 2016, 32(9): 173–178.

[21] 郭鈮. 植被指數及其研究進展[J]. 干旱氣象, 2003, 21(4): 71–75.

[22] 周在明, 楊燕明, 陳本清. 基于無人機影像的灘涂入侵種互花米草植被信息提取與覆蓋度研究[J]. 遙感技術與應用, 2017, 32(4): 714–720.

[23] 楊超, 鄔國鋒, 李清泉, 等. 植被遙感分類方法研究進展[J]. 地理與地理信息科學, 2018, 34(4): 24–32.

[24] 張榮群, 王盛安, 高萬林, 等. 基于時序植被指數的縣域作物遙感分類方法研究[J]. 農業機械學報, 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] 劉心云, 鄭江華. 基于分形紋理特征的新疆羅布麻遙感分類[J]. 中山大學學報(自然科學版), 2019, 58(1): 22–29.

[27] 張俊瑤, 姚永慧, 索南東主, 等. 基于垂直帶譜的太白山區山地植被遙感信息提取[J]. 地球信息科學學報, 2019, 21(8): 1284–1294.

[28] 楊屹鹍, 蔣平安, 武紅旗, 等. 基于高分一號與Landsat 8衛星影像的庫爾勒市香梨種植面積識別研究[J]. 山東農業科學, 2018, 50(1): 153–157.

[29] 楊朝輝, 白俊武, 陳志輝, 等. 利用Sentinel-2A影像的面向對象特征濕地決策樹分類方法[J]. 測繪科學技術學報, 2019, 36(3): 262–268.

[30] 裴歡, 孫天嬌, 王曉妍. 基于Landsat 8 OLI影像紋理特征的面向對象土地利用/覆蓋分類[J]. 農業工程學報, 2018, 34(2): 248–255.

[31] 李夢瑩, 胡勇, 王征禹. 基于C5.0決策樹和時序HJ-1A/B CCD數據的神農架林區植被分類[J]. 長江流域資源與環境, 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

國家重點科技研發計劃重點專項(2017YFC0504204)

張娜(1996—), 女, 山東萊蕪人, 碩士研究生, 研究方向為環境可持續發展與規劃, E-mail: 1966219435@qq.com

通信作者:魏建兵(1972—), 男, 山西汾陽人, 博士, 教授, 主要從事景觀生態學、遙感和地理信息系統應用教學和科研工作, E-mail: oliver1208@sina.com

張娜, 魏建兵, 劉景琦,等. 基于Landsat8-OLI影像的山蒿植被信息提取研究[J]. 生態科學, 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.