基于RapidEye遙感影像的黃冕鎮桉樹時空動態分析

何鑫蘭 崔月鑫 梁 彬 余 玲 黃 玲 何 文

基于RapidEye遙感影像的黃冕鎮桉樹時空動態分析

何鑫蘭1崔月鑫1梁 彬1余 玲1黃 玲1何 文2

（1.南寧理工學院，廣西 桂林 541006；2.廣西喀斯特植物保育與恢復生態學重點實驗室/廣西壯族自治區中國科學院廣西植物研究所，廣西 桂林 541006）

文章基于RapidEye遙感影像，通過ENVI、ArcMap軟件，使用隨機森林、最大似然法、支持向量機、CART的方法獲取2010年、2012年、2014年、2016年、2018年桉樹人工林時空動態格局變化，并利用Google Earth Pro歷史影像對實驗結果進行了精度驗證，結果表明：利用隨機森林法提取黃冕鎮桉樹種植面積效果最佳，分類精度最高達到94.38%。2010年至2018年黃冕鎮桉樹種植面積逐年增加。研究結果可為日后桉樹人工林的監測及種植提供科學依據。

桉樹；RapidEye；遙感提??；時空動態

引言

桉樹（Eucalyptus）為桃金娘科桉屬密蔭大喬木，是我國三大速生樹種（桉樹、楊樹、松樹）之一[1]，具有耐旱易種、生長速度快、效益高等優點，在廣西種植桉樹就有60多年的歷史，以桉樹為原材料的林業對廣西經濟發展有著重要貢獻。傳統的面積提取方法是以統計報表和抽樣調查的方式[2]，但是這種工作方法不僅工作量大，而且工作效率不高，這就導致了調查的工作周期延長，并且隨著社會的發展已經無法滿足林業資源的年度檢測需求[3]?，F代遙感技術因其具有覆蓋面廣、回訪速度快、客觀準確等特點[4]，在植被空間分布等信息的提取方法得到了廣泛應用。遙感的使用，就提高了植被面積提取的效率，目前常用的植被面積提取方法有最大似然法、支持向量機法、隨機森林法等。如盧獻健等[5]利用Google Earth Engine（GEE）平臺，通過利用最大似然法、支持向量機、最大熵模型、隨機森林等方法對廣西南寧市橫縣縣城的桉樹面積進行研究；李小梅等[6]基于CHRISPROBA高光譜數據，通過使用最大似然法、最小距離法、支持向量機法等分類方法，對長白山自然保護區森林類型進行分類，取得很好的分類精度；DaSilva Marcio等[7]使用歷史航空和RapidEye衛星圖像評估南澳大利亞的雅法海岸線變化。不難發現，以上的方法都能提取植被面積，但是現有研究多數集中在桉樹的種植、現狀、生態問題的影響比較多，以及研究桉樹的土壤肥力、生態系統多樣性、生長效應等方面較多[8-13]。利用高分辨率遙感影像采用不同的分類方法分析，研究桉樹的時空動態分布，及時準確掌握桉樹的種植生產情況，有效跟蹤監測桉樹的消長動態，有利于推動桉樹的可持續發展。此次研究通過不同方法提取黃冕桉樹種植面積，并由此分析時空格局變化，有利于桉樹日后的管理以及種植。

廣西柳州市鹿寨縣黃冕國有林場是自治區林業局直屬的大型國有林場，有著一定規模數量的桉樹人工林，為研究提供了條件。因此，本文基于RapidEye遙感影像，使用不同的提取方法提取桉樹人工林面積，為桉樹人工林的監測及種植提供科學依據。

1 研究區與數據源

1.1 研究區概況

黃冕國有林場位于廣西柳州市鹿寨縣黃冕鎮（如圖1），地理位置為109°43′46″～109°58′18″E，24°37′25″～24°52′11″N。該林場總面積達34466.6667公頃，并且地跨桂林、柳州兩市，森林蓄積量達278立方米，森林覆蓋率90%以上。黃冕鎮的地勢東部山多，而且山的高度相對較高，相反鎮內西部地區地勢較低，總體呈現不規則的長方形。黃冕鎮屬于中亞熱帶氣候，溫暖多雨，光照充足，雨熱同季。氣候溫和，年平均氣溫為25℃。水陸交通便利，境內有洛清江、湘桂鐵路、桂柳高速路穿鄉而過。由于其氣候適合桉樹生長，并且當地有一定規模數量的桉樹人工林，為研究的開展提供了條件。

圖1 研究區示意圖

1.2 數據獲取及預處理

RapidEye是德國商用衛星，日覆蓋范圍達400萬平方千米以上，能夠在15天內覆蓋整個中國，該影像范圍覆蓋廣、高重訪率、高分辨率、多光譜獲取數據方式，空間分辨率為5米。本文基于RapidEye高分辨影像數據經過鑲嵌、融合、裁剪等數據預處理，選取了2010年10月、2012年9月、2014年9月、2018年8月五期RapidEye遙感影像，并結合野外調查數據進行精度驗證。外業調查共觀測了49個實驗點的坐標點數據，在谷歌地圖根據野外數據點的坐標采集樣本。

2 研究方法

2.1 最大似然法

最大似然法（Maximun likelihood classification）[14]是監督分類法其中的一種算法，在遙感圖像分類中發展較早且應用廣泛，它以建立的訓練區信息為模板，通過各分類器算法對圖像基于模板進行像元聚類從而實現分類。

2.2 隨機森林

隨機森林（Random Forest，RF）[15]作為一種近年來興盛起來的、具有高敏捷度的集成機器算法，有著廣闊的應用前景。這個概念最早由Leo Breiman和Adele Cutler提出，是監督分類法中的一種，同時也屬于多決策樹分類法的方法之一。隨機森林算法就是通過集成學習的思想將多棵樹集成的一種算法，它的基本單元是決策樹，而它的本質屬于機器學習的一大分支——集成學習方法。

2.3 決策樹分類

決策樹分類（Classification And Regression Tree）[16]是基于遙感圖像及其他空間數據，利用桉樹樣本點通過專家經驗總結、大多數據統計和歸納獲得桉樹的分類規則。再分類任務中CART算法使用基尼系數作為特征選擇的依據，在回歸任務中則以均方誤差作為特征選擇的依據。

2.4 支持向量機

支持向量機分類（Support Vector Mashine，SVM）[17]源自于統計學理論。在研究小樣本情況下，并學習其分類規律的理論的方法。支持向量具體是指越靠近最優決策面的點集，就與所選擇的訓練樣本密切判相關。

3 結果與分析

3.1 不同分類方法比較

本研究使用了最大似然法、隨機森林法、CART、支持向量機這四種方法提取黃冕鎮的桉樹面積，分類結果如圖2所示。由圖2可以看出，使用這四種分類方法對研究區的桉樹及其他地物進行分類，分類結果均較為理想。桉樹與其他林地，由于這兩類地物紋理特征相似，所以單純地從分類結果觀察，還不能判斷出哪種分類結果較為理想。因此，進一步采用總體精度和Kappa系數對不同分類方法的精度進行評判。由表1可分析出隨機森林的分類結果優于其他三類分類方法，分類總體精度均達到了89%以上，Kappa系數達到了0.86以上，信息提取的可信度較高。

圖2 四種不同方法分類結果

表1 四種分類方法分類精度

提取研究區內不同的地物信息其目在于調查桉樹的種植范圍以及變化，分別統計出利用不同的分類方法對提取桉樹不同年份的面積的結果，如表2所示。從表2所知，最大似然法、隨機森林、支持向量機、決策樹分類結果在統計面積以及圖斑結果上有著很大的差別?？偟膩砜?，隨機森林分類法在圖斑數目上都比其他三類方法的圖斑數目多；支持向量機法（SVM）的圖斑數目是四個分類法里最少的。在面積總和上，各分類方法所得出的計算結果都不一樣，因此，使用哪種方法研究黃冕鎮桉樹人工林的時空動態格局分析最佳，與實際黃冕鎮桉樹鎮的桉樹分布最符合，這需要進一步精度驗證。

表2 四種分類方法桉樹的統計面積（單位：km2）

將2010—2018年這五年分類結果與谷歌影像所計算的分類結果采用混淆矩陣進行精度評價的方法。運用ENVI軟件將樣本進行精度評價，得到的結果如表3所示。由表3所知，隨機森林的分類結果比其他三類分類結果精度要高。隨機森林2010年黃冕鎮桉樹人工林的分類結果總體精度78.78%，Kappa系數達到0.72；2012年的分類結果總體精度70.79%，Kappa系數達到0.62；2014年的分類結果總體精度達到了71.01%，Kappa系數達到0.62；2016年的分類結果總體精度69.42%，Kappa系數達到0.60；2018年的分類結果總體精度達到71.76%，Kappa系數達到0.63。

表3 研究區分類結果信息表

3.2 黃冕桉樹人工林空間分布特征

為了進一步分析黃冕鎮桉樹時空變化特征，通過隨機森林分類法得到的黃冕鎮不同時期的桉樹分布圖（見圖5）。從圖中可以看出2010年黃冕鎮桉樹總體分布不均勻，主要分布在北部和東部，少量分布在西南，其余零散分布在黃冕鎮內；2012年黃冕鎮桉樹種植面積顯著增加，不再是單一的分布在某一片區域，相較于2010年，2012年黃冕鎮的桉樹種植向東部擴展，耕地面積也隨之較少，其他地區的桉樹種植面積也更加密集；2014年黃冕鎮的桉樹種植范圍已經擴展到除了中心鄉鎮地帶以及耕地以外的地區，桉樹基本包圍了整個黃冕鎮；2016年黃冕鎮的桉樹分布相較于2014年的桉樹空間分布沒有什么基本變化；2018年黃冕鎮的桉樹分布，可以從圖中看出，桉樹種植更密集，并且占用了大量耕地，從五期的影像觀察黃冕鎮桉樹的種植從單一的一片蔓延到黃冕鎮遍布桉樹。

圖3 桉樹動態分布圖

3.3 黃冕桉樹人工林時間變異規律

基于隨機森林分類法提取的黃冕鎮桉樹面積分布如圖4所示。結合圖3和圖4分析可知，2010年黃冕鎮桉樹分布在北部、東部以及西南部，桉樹總面積192.02 km2；2012年從原本的東部，西部慢慢擴展到了中部，種植面積比2010年增加了45 km2；緊接著到2014年的桉樹種植，數據表明桉樹面積已經達到了279 km2，比2010年桉樹種植面積增加了88 km2；2016年的桉樹種植面積對比2014年桉樹種植面積只有少量的增加，原因可能是桉樹種植經歷了一輪砍伐，種植幼林，導致在影像上提取分析時，砍伐過的區域或者幼林無法正確識別出來；2018年，桉樹種植面積達到了314 km2，對比2016年的面積有了大幅度的增長，2018年黃冕鎮桉樹分布圖，黃冕鎮的植被構成幾乎是由桉樹組成，其他林地面積越來越少，甚至占用到了耕地。

圖4 黃冕鎮桉樹種植面積統計圖

4 結論

本文運用四種不同的分類方法對黃冕鎮的桉樹動態分布進行提取，并分析黃冕鎮的分析桉樹的時空動態格局變化。

（1）相對于最大似然法、支持向量機（SVM）、決策樹分類法（CART），基于隨機森林法提取黃冕鎮桉樹面積效果更好。

（2）使用隨機森林分類法，對黃冕鎮桉樹林面積進行計算得出：2010年桉樹種植面積為191 km2；2012年桉樹種植面積為236 km2；2014年桉樹種植面積為279 km2；2016年黃冕鎮的桉樹種植面積為279 km2；2018年桉樹種植面積為314 km2，桉樹種植面積總體呈現增長的趨勢。

（3）桉樹的分布逐漸從北部、東部、西南部逐漸向內擴散，與此同時其他林地的分布也變得越來越少。綜上所述，2010年至2018年黃冕鎮桉樹的種植面積都在不斷增加，而其他林地的面積隨之減少。

目前隨著桉樹人工林種植面積的增加，桉樹所帶來的社會效益和生態效益也越來越受到大家的關注，桉樹種植、生長和砍伐周期交替頻繁，因此使用遙感影像以及遙感技術對桉樹人工林面積，桉樹時空分布格局變化的研究有著重要意義。

[1] 黃國勤，趙其國. 廣西桉樹種植的歷史、現狀、生態問題及應對策略[J]. 生態學報，2014，34(18): 5142-5152.

[2] 郝鵬宇，唐華俊，陳仲新，等. 基于歷史增強型植被指數時序的農作物類型早期識別[J]. 農業工程學報，2018，34(13): 179-186.

[3] 欒猛，張欣，王松華. 遙感在城市綠地調查中的應用[J].安徽農業科學，2009，37(28): 13815-13818，13821.

[4] 張麗云，趙天忠，夏朝宗，等. 遙感變化檢測技術在林業中的應用[J]. 世界林業研究，2016，29(2): 44-48.

[5] 盧獻健，黃俞惠，晏紅波，等. 基于GEE平臺廣西桉樹快速提取研究[J]. 林業資源管理，2019(5): 52-60，75.

[6] 李小梅，譚炳香，李增元，等. CHRIS高光譜圖像森林類型分類方法比較研究[J]. 遙感技術與應用，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，葉文偉，趙從舉，等. 熱帶桉樹樹干液流的時滯效應分析[J]. 灌溉排水學報，2022，41(1): 25-32.

[9] 楊嘉麒，鄧海燕，張港隆，等. 4種混交比例對桉樹-紅椎人工混交林生長和土壤養分的影響[J]. 中南林業科技大學學報，2021，41(11): 90-97.

[10] 李世敏，王偉強. 提高桉樹幼林抗風能力的營林措施[J].南方農業，2021，15(32): 96-97，100.

[11] 趙巧巧，趙筱青，黃佩，等. 我國不同林齡桉樹對土壤理化性質影響研究進展[J]. 桉樹科技，2021，38(4): 47-52.

[12] 周靜，王蕊蕊，丁芷柔，等. 2種不同寄主對桉樹枝癭姬小蜂體內細菌多樣性的影響[J]. 生物安全學報，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] 鄧書斌，陳秋錦，杜會建，等. ENVI遙感圖像處理方法[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] 齊樂，岳彩榮. 基于CART決策樹方法的遙感影像分類[J]. 林業調查規劃，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年大學生創新創業項目（202013645020）；廣西自然科學基金（2019GXNSFBA245036）；廣西科學院基本科研業務費（2019YJJ1009）。

何鑫蘭（1999－），女，南寧理工學院學生，研究方向為農業遙感。

何文，男，廣西喀斯特植物保育與恢復生態學重點實驗室/廣西壯族自治區中國科學院廣西植物研究所助理研究員，博士，研究方向為生態遙感。