基于遙感技術的植被識別方法研究進展

杜中曼, 馬文明, 周青平, 陳紅, 鄧增卓瑪, 劉金秋

基于遙感技術的植被識別方法研究進展

杜中曼, 馬文明*, 周青平, 陳紅, 鄧增卓瑪, 劉金秋

西南民族大學青藏高原研究院, 四川 610041

植被具有明顯的年際變化特征, 其演替對氣候調節以及水土保持具有重要作用。遙感技術是研究區域乃至全球尺度地表植被分布狀況以及覆蓋度變化的有效手段, 可對地表進行長期、連續的觀測, 具有宏觀性、廣闊性、多樣性以及適應性強等優勢。綜述和歸納了國內外基于遙感監測技術的植被物候以及植被覆蓋度時空動態變化的研究現狀、不同衛星遙感數據在植被分類中的應用、遙感植被識別的分類方法, 剖析了遙感植被識別分類中決策樹等方法及其優缺點, 提出今后遙感植被識別分類仍需進一步研究的若干問題。

遙感技術; 植被動態; 遙感植被分類; 決策樹

0 前言

自第一次工業革命以來, 全球平均氣溫已升高1.5 ℃, 氣候變暖已成為不爭的事實(IPCC)。植被是連接土壤、大氣和水分的重要“紐帶”, 具有明顯的年際變化和季節變化特征, 其分布及演替與區域氣候有著密切聯系[1], 是全球氣候變化研究的“指示器”[2], 因此植被的時空動態變化在一定程度上可以反映區域氣候變化的趨勢。

遙感(Remote Sensing, RS)技術是研究區域尺度生態學、地理學和生物學等學科的重要手段。遙感技術是根據地物反射、吸收、發射不同波長的電磁波來探測地物波譜信息, 以此獲取遙感圖像[3]。探測的范圍廣、采集數據快, 并具有周期性使得遙感技術在大尺度和較長的時間序列研究中具有獨特的優勢, 隨著遙感技術的不斷發展成熟, 使利用遙感技術研究植被覆蓋時空動態變化具備了較好的可操作性與實現性。在研究植被覆蓋時往往用植被指數作為指標進行研究, 其中歸一化植被指數(Normalized Difference Vegetation Index, NDVI)是反映植被生長狀態及植被覆蓋程度最常用的指示因子[4], 是監測區域或全球植被和生態環境變化最有效指標, NDVI與植被覆蓋密度呈線性相關關系, 被廣泛應用于植被覆蓋變化研究。目前, 基于遙感技術研究區域植被常用到的數據包括NOAA-AVHRR數據、搭載在Terra和Aqua衛星上的中分辨率成像光譜儀MODIS的NDVI數據、Landsat陸地衛星數據、SPOT系列衛星數據、Sentinel-2等。

遙感影像分類能夠有效的獲取地表植被信息, 遙感植被識別分類方法則是影響分類精度的關鍵, 主要分為監督分類、非監督分類、決策樹分類法、支持向量機法、人工神經網絡、面向對象等[5-6]。早期植被遙感分類主要以目視解譯為主, 但往往依賴于判讀者的經驗, 分類精度不高, 隨著衛星的陸續增多以及傳感器的日趨先進, 獲取的影像空間分辨率越來越高, 且分類方法逐漸自動化。本文通過綜述國內外基于遙感監測技術對植被物候以及植被覆蓋度時空動態變化研究、不同衛星遙感數據在植被分類中的應用和遙感植被識別分類方法, 分析遙感植被分類中面臨的困難以及今后在灌叢植被識別分類方面的發展趨勢, 以期為我國氣候變化背景下灌叢化的研究提供參考。

1 基于遙感技術的植被時空動態變化

植被是影響復雜氣候系統的一個關鍵因素, 對植被時空動態監測能一定程度的反映氣候變化的方向及強度[7]。AVHRR是大尺度、長時間序列植被監測通常使用到的數據, 主要包括PAL 、GLMMS和LTDR數據產品, 其中GIMMS數據應用最為廣泛[8], 基于GIMMS的植被監測研究始于1990年代中期, 研究主要集中在全球植被分布變化、植被物候及其時空變化等方面[4]。Bao等[9]融合NOAA/AVHRR衍生的GIMMS-NDVI數據以及MODIS-NDVI數據定量分析了內蒙古草原1982—2010年植被時空動態變化以及氣候變化對草原植被動態的影響, 結果表明近十年來植被的減少主要歸因于氣候變暖、干燥以及干旱脅迫; 馬曉芳等[10]基于1982—2005年的GIMMS-NDVI數據,采用動態閾值法提取青藏高原高寒草地物候信息, 結果表明青藏高原植被物候多年均值的空間分布與水熱條件密切相關; Gamon等[11]將NDVI作為植被物候學和生產力的指標, 用NOAA數據研究分析阿拉斯加濱海苔原區植被NDVI時空動態, 發現較早融雪后NDVI值變小, 植被減少。在植被覆蓋監測方面, 多用歸一化植被指數以及像元二分模型估算植被覆蓋度。王華等[12]基于Landsat 5 TM和Landsat 8 OLI的產品利用像元二分模型對藏東南典型高山峽谷區進行植被覆蓋度的時空特征分析以及相關性分析, 結果表明該區域植被變化與青藏高原植被變化既有相似性又存在差異, 總體呈現出上升趨勢, 氣溫與降水與植被覆蓋度有著正相關關系, 也有著負相關關系, 人類活動影響對植被覆蓋影響較大; 伍超群等[13]基于Landsat系列影像采用歸一化植被指數以及像元二分模型對青海省木里煤田礦區計算植被覆蓋度并對植被覆蓋等級的面積變化進行分析, 結果表明高植被覆蓋面積整體呈下降趨勢, 低、中植被覆蓋面積呈上升趨勢, 裸土面積增加。綜上所述, 學者們利用遙感技術對植被物候、NDVI值變化以及植被覆蓋的時空動態變化及其驅動力進行研究[14], 而對于灌叢植被覆蓋的時空動態變化研究較少, 且大多數研究停留在一級植被分類基礎上進行的植被時空動態研究, 而對于進一步的二級植被分類基礎上的植被時空動態變化研究較少[15-16]。

2 植被分類的遙感數據源

遙感影像數據是研究植被時空動態變化以及植被精細分類的基礎, 可直接影響分析結果的可靠性。因此, 選擇合適的遙感數據十分重要。近年來應用于植被時空動態研究以及植被覆蓋分類研究的多光譜遙感影像有(如表1)主要有NOAA/AVHRR、MODIS、Landsat TM、Landsat ETM+、Landsat 8 OLI、SPOT、IKNOS、Sentinel-2、Quick Bird等。

AVHRR是NOAA系列衛星的主要探測儀器, 該數據空間分辨率較大, 可進行大尺度區域的研究, 在中小尺度區域土地覆蓋研究的應用不足。Fensholt等[17]根據1981—2007年GIMMS時間序列數據, 對半干旱地區的植被綠度變化趨勢進行分析, 結果表明植被綠度平均增加, 與世界各地半干旱地區的土地退化現狀不符; Eastman等[18]利用GIMMS-NDVI 3 g時間序列數據, 分析得出1982—2011年全球植被季節性變化趨勢主要分為3類: 第一類為森林, 第二類為草原和灌木叢, 第三類為針葉林和凍原生物群落。

MODIS數據產品多、使用范圍廣、時間分辨率高, 其應用于土地利用變化、土地覆蓋、植被指數、地表溫度、荒漠化等研究中。Amjad等[19]基于2000—2009年 MODIS遙感監測數據, 通過ISODATA非監督分類和層次聚類(HCA)相結合的方法, 將檢測到的NDVI梯度值與野外數據進行相關分析, 結果表明超時相NDVI影像可以成功的探測和繪制土地覆蓋梯度圖, 能表現出植被覆蓋的梯度差異; Esau等[20]根據2000—2014年6—8月MODIS-NDVI遙感數據, 對西伯利亞北部植被覆蓋進行分析, 研究表明植被變化與城市化發展關系密切; 高子恒等[21]根據MODIS數據, 采用隨機森林分類方法對日喀則地區進行土地利用分類并生成分類結果混淆矩陣, 通過多日期后分類比較變化分析法對土地覆蓋時序變化進行分析, 結果表明植被增加, 原因主要是相應的保護政策實施。

Landsat系列的第一顆衛星發射于1972年7月23日, 到1999年4月15日一共發射6顆, 分別命名為Landsat 1-Landsat 5以及Landsat 7, 直到2013年, Landsat 8發射成功, 其空間分辨率達到30 m, 是目前最常用的數據。胡鴻等[22]借助2013—2015年高分辨率(1—1.5 m)的Google Earth影像和實地調查數據, 利用1976—2014年Landsat MSS/TM數據和專家分類系統把土地利用分為森林、灌叢、農田、居民地和裸地, 通過混淆矩陣結合統計數據來檢驗精度, 并得出植被覆蓋變化的驅動因素。Gilber-tson等[23]基于Landsat 8數據, 采用決策樹、隨機森林、支持向量機(Support Vector Machine, SVM)以及K最近鄰(K-Nearest Neighbors, KNN)算法對南非開普酒鄉的7種植被類型進行分類, 結果顯示SVM分類效果最佳。可見Landsat陸地衛星數據的不僅應用于植被覆蓋變化、景觀格局變化, 還可用于植被類型分類等領域的研究[24]。

哨兵系列數據具有空間分辨率高, 光譜質量好, 種類全等優點, 其最高分辨率達10 m, 哨兵-2A、哨兵-2B兩顆衛星分別于2015年和2017年成功發射, Sentinel-2 A/B衛星數據用于土地覆蓋變化監測、災害應急監測以及環境變化監測等[25]。郭文婷等[26]基于Sentinel-2數據, 結合NDVI時序、光譜特征、紋理特征進行植被分類, 發現能夠明顯提高植被分類精度, 未來可充分利用更多的地形信息結合進行分類; 王紅巖等[27]基于Sentinel-2 A遙感影像采用CART決策樹方法對修文縣的撂荒地進行提取, 結合遙感影像光譜信息、植被指數等對撂荒地進行多特征分析, 多時相的植被指數變化特征對撂荒地識別較強, 其中比值指數相對于歸一化植被指數以及差值植被指數較好, 表明該研究方法對該區域撂荒地提取效果較好。衛星遙感影像具有豐富的光譜信息, 能夠探測到不同植被之間的差別, 因此成為植被分類以及植被監測研究的基礎數據。

表1 研究植被常用的衛星遙感數據

注: 數據源自中國科學院資源環境科學數據中心云平臺。

3 遙感技術的植被分類方法

基于遙感影像對植被覆蓋度進行分類和制圖, 首先要建立一個植被分類方法, 作者以“Web of Science核心合集”作為外文文獻的檢索庫, 將“Vegetation classification method”和“remote- sensing”作為檢索詞, 共檢索出1557篇論文, 剔出訪談、社論、會議等后得到1519篇論文。以“中國知網(CNKI)”作為國內文獻檢索庫, 采用高級檢索, 以“植被分類方法”和“遙感”為檢索詞, 共檢索出365篇論文, 其中期刊195篇, 博士論文25篇, 碩士論文136篇, 剔除會議、消息后得到356篇論文, 共獲得1875篇論文。這些文獻雖然不能夠完全的代表國內外關于利用遙感技術進行植被識別分類的所有研究成果, 但能基本的反映出國內外遙感植被分類方法的研究動態變化趨勢。從年度發文量(如圖1)可以看出國內外關于植被分類方法的研究呈上升趨勢, 國內研究的起始時間均早于國外, 最早關于遙感植被分類方法的研究在1994年。然而國外相關研究文章比國內多, 國外研究成果呈現大幅增長趨勢, 國內則相對緩慢。目前對于植被之間的分類已從傳統分類向智能分類方向發展, 決策樹分類方法以及人工神經網絡的智能方法, 組合各種帶有因果關系的先驗知識進行推理, 實現智能化的分類[28]。

3.1 傳統的植被分類方法

傳統遙感影像分類可分為監督分類和非監督分類[6], 監督分類中的分類器通常可以選擇最小距離、最大似然、平行六面體、二進制編碼、光譜角及馬氏距離等分類法[29], 監督分類[3]即利用已被確認類別的樣本像元去識別其他未知像元, 利用訓練樣本來提取統計信息, 建立決策樹規則進行分類, 訓練樣本的選擇以及檢驗是監督分類的關鍵, 適用于已知樣本的研究區。非監督分類[30-31]又稱為聚類分析法, 較為常用的是ISODATA和K-Mean方法, 依靠影像上不同類地物光譜信息進行特征提取, 再將統計特征的差別作為依據進行分類, 人為干預少, 自動化程度高。但是在進行不同植被類型分類時, 利用僅有的光譜信息進行分類達不到分類的精度要求[32-33]。拉巴卓瑪等[34]基于做數字化底圖的2001年的1:100萬中國植被圖集中西藏藏北高原部分以及2004年9月的EOS/MODIS衛星遙感數據, 通過監督分類中的最大似然估計法對藏北和拉薩地區的植被類型進行細致的分類, 得出藏北高原7個典型植被類型及其面積。董洲等[35]研究內蒙古鑲黃境內灌叢化草原的分布特征, 在用歸一化植被指數閾值法提取了植被覆蓋區域后, 運用最大似然法和馬氏距離法來進行灌草鑲嵌斑塊和草地斑塊的辨別, 得出這兩種方法對于灌叢化草地的識別精度不高, 每塊草場的異質性及云層是主要的影像因素。因此應用單一傳統的植被分類方法分類精度并不理想, 無法實現植被的精細化分類。

3.2 新興的植被分類方法

由于傳統的分類方法具有很多的局限性, 許多研究提出各種改進的植被分類方法, 有結合多源信息融合法[36]、植被指數法[37]、支持向量機[38]、決策樹分類法[39]、人工神經網絡[40-43]、面向對象等[5]。甄佳寧等[44]以1987—2017年中七個時期段的Landsat衛星遙感數據為數據源, 采用支持向量機分類結合野外實地調查的方法, 提取紅樹林信息并計算其面積變化率和景觀指數變化建立質心遷移模型, 分析研究區紅樹林的時空變化特征, 結果表明1987年以來七個時期該研究區的紅樹林面積整體上再減少, 研究區的紅樹林都遭到挖塘養殖、砍伐和破壞使得片區紅樹林斑塊向不同的方向移動; 谷祥輝等[45]利用哨兵2數據, 將NDVI、EVI、紅邊NDVI三種植被指數進行組合構建成時序植被指數圖像, 然后使用支持向量機、隨機森林、CART決策樹和最大似然四種算法對四種作物、三種林草、裸露地表以及水體進行分類, 結果表明農作物的分類精度最高, 將時間序列組合植被指數用于農作物分類是可行的。耿仁方[46]等利用面向對象的多尺度分割法對巖溶濕地植被進行識別, 尺度參數對分類精度的影像較大, 經過多尺度分割試驗選取最優尺度參數以提高分類精度。目前已有很多關于植被分類的研究方法, 但從植被分類的精細化以及植被分類的精度問題出發, 還存在許多值得探討的地方, 雖然新興的分類方法相對于傳統的分類方法精度有所提高, 但是仍然依賴于高分辨率影像, 因此未來可探尋新興分類方法的適用性以及多種分類方法的結合。

圖1 1994—2020年國內外基于遙感植被分類方法研究年度發文量

Figure 1 1994-2020 Annual research papers based on remote sensing vegetation classification at home and abroad

圖2 植被遙感分類方法[5]

Figure 2 Classification methods using vegetation remote sensing[5]

3.3 灌叢植被遙感識別分類方法

灌叢化是指木本植物蓋度、密度和生物量增加而導致本地草本植物種類與密度減少的現象, 已成為全球重要的生態過程[47]。來自不同類型傳感器的遙感圖像數據已被廣泛應用于灌木入侵稀樹草原和北極凍土帶的研究, 并揭示了灌木分布范圍的變化。灌木覆蓋度可以定量地反映灌木入侵的狀態, 準確獲取灌叢蓋度是研究草原灌叢入侵動態的重要信息。

21世紀以來, 我國灌叢的遙感識別方法研究取得了卓有成效的成果, 常用到決策樹分類、支持向量機以及面向對象等方法(如表2), 有學者采用融合多源數據采用決策樹分類法提高分類精度。如王瑾等[48-49]利用1977、1990、2000和2009年TM遙感影像和輔助地理信息, 經過IKNOS-2高分辨率影像(范圍小)和1: 10萬地形圖的分析, 將研究區1: 5萬DEM數據融入TM影像植被分類過程中, 統計灌叢的特征值范圍, 然后通過IKNOS確認訓練樣本, 建立新決策樹分類方法提取峻河流域高寒灌叢, 并且結果表明能夠明顯提高高寒灌叢植被的分類精度。有的學者采用面向對象和支持向量機的方法對灌叢進行識別并進行分類精度的對比分析。如張順等[50]基于低空無人機遙感影像并且結合實地調查, 通過對灌叢、草地和裸地歸一化植被指數(NDVI)的方差統計分析來確定裸地與植被分割閾值, 然后利用面向對象的決策樹、貝葉斯、K最鄰近、支持向量機器學習分類等多種方法對灌叢進行識別, 研究表明貝葉斯分類器精度穩定、灌叢分類精度最高; 董洲等[34]利用高分辨率(5.8 m)衛星資源三號遙感影像, 用歸一化植被指數閾值法提取植被覆蓋區域后, 分別采用基于像元的監督分類方法(支持向量機、最大似然和馬氏距離)和面向對象方法對內蒙古鑲黃旗境內灌叢化草原進行灌草鑲嵌斑塊和草地斑塊的辨別, 結果表明支持向量機算法對灌叢化草地的識別精度相對較高; Brandt等[51]基于1974年Landsat MSS、1990、2000、2009年的Landsat TM/ETM+影像, 將所有圖像共同融合到校正的Landsat 2000 GeoCover數據集中, 利用支持向量機進行分類, 分為草地、灌木林、森林和雪, 并結合氣象數據、地區年鑒資料等分析灌木形成的驅動力。

還有學者采用研究模型對研究區灌叢進行識別, 如王波等[52]借助美國FieldSpec 4高分辨率地物光譜儀, 采集六種典型灌木植物的室內光譜數據, 通過反射率REF、吸收率ABS及其一階微分(GREF和GABS)的變換, 進一步提高灌木植物光譜曲線間的可辨析度, 結果得到識別灌叢的最優模型; 劉濤宇等[53]基于Landsat 8衛星影像, 利用線性回歸模型和MESMA模型對內蒙古黃旗地區進行灌木蓋度的反演, 結果表明相比基于盛夏時節影像的多端元混合光譜分界模型, 利用灌木和草本植物季相特征差異建立的基于初秋時節影像的線性模型更適合灌叢化草原灌木蓋度的遙感反演。

綜上所述, 基于遙感將灌叢進行分類的方法多樣, 只要精度驗證能夠達標說明此方法能夠得以應用。在眾多的數據源以及植被的分類方法中, 不同的研究區域根據研究目的的不同需要選擇不同的數據源以及分類方法。對于青藏高原高寒灌叢植被分布, 采用Landsat陸地衛星系列數據, 結合高程數據、氣象數據、高分辨率衛星影像以及地面調查數據等作為輔助數據對高寒灌叢進行特征選擇, 建立新的決策樹規則對高寒灌叢進行分類是一種可行的途徑。

4 展望與結語

目前我國高寒草地灌叢化的時空動態監測研究已取得了一些可貴的成果, 但草地灌叢化的時空變化及灌叢化的驅動因素仍需進一步研究。灌叢化不僅影響草原面積以及草本植物的質量和產量, 而且會導致草地土壤生源物質循環, 進而影響區域乃至全球的物質循環進程。已有的植被分類研究多關注于森林[54]、草地植被[55]、濕地植被[56]類型的提取, 而對于灌叢植被類型的研究不夠深入。在植被分類過程中遙感影像本身的局限性以及植被分類特征的選擇也會對精度產生一定的影響[57], 因此, 基于遙感技術監測長時間序列灌叢植被類型的覆蓋變化、高寒灌叢分類特征的選擇以及高寒灌叢覆蓋變化驅動力的研究是下一步研究的重要方向。

表2 基于遙感灌叢的識別方法

[1] 馬明國, 王建, 王雪梅. 基于遙感的植被年際變化及其與氣候關系研究進展[J]. 遙感學報, 2006, 10(3): 421–431.

[2] 孫紅雨, 王長耀, 牛錚, 等. 中國地表植被覆蓋變化及其與氣候因子關系—基于NOAA時間序列數據分析[J]. 遙感學報, 1998, 2(3): 3–5.

[3] 趙英時等編著. 遙感應用分析原理與方法[M]. 北京: 科學出版社, 2003.

[4] 齊敬輝, 葉晨曦, 韓杰. 植被遙感監測研究綜述[J]. 現代商貿工業, 2019, 40(25): 187–189.

[5] 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.

[6] 楊鑫. 淺談遙感圖像監督分類與非監督分類[J]. 四川地質學報, 2008(3): 251–254.

[7] 宋成舜, 何國松, 周惠萍. 鄂東南丘陵地區土地利用變化及驅動力研究—以崇陽縣為例[J]. 國土與自然資源研究, 2010(1): 32–33.

[8] 朱藝旋, 張揚建, 俎佳星, 等. 基于MODIS NDVI、SPOT NDVI數據的GIMMS NDVI性能評價[J]. 應用生態學報, 2019, 30(2): 536–544.

[9] BAO G, QIN Z, BAO Y, et al. NDVI-Based Long-Term Vegetation Dynamics and Its Response to Climatic Change in the Mongolian Plateau[J]. Remote Sensing, 2014,6(9): 8337–8358.

[10] 馬曉芳, 陳思宇, 鄧婕, 等. 青藏高原植被物候監測及其對氣候變化的響應[J]. 草業學報, 2016, 25(1): 13–21.

[11] GAMON J A, HUEMMRICH K F, STONE R S, et al. Spatial and temporal variation in primary productivity (NDVI) of coastal Alaskan tundra: Decreased vegetation growth following earlier snowmelt[J]. Remote Sensing of Environment, 2013, 129: 144–153.

[12] 王華, 楊乾鵬, 郭山川, 等. Landsat時序數據支持下的藏東南植被時空變化監測[J]. 測繪通報, 2020(11): 7–12.

[13] 伍超群, 張緒冰, 王耀, 等. 基于Landsat影像的木里煤田礦區植被覆蓋提取及時空變化分析[J]. 測繪與空間地理信息, 2020, 43(2):67–72.

[14] 陳效逑, 王林海. 遙感物候學研究進展[J]. 地理科學進展, 2009, 28(1): 33–40.

[15] 田新光, 張繼賢, 張永紅. 基于IKONOS影像的海岸帶土地覆蓋分類[J]. 遙感信息, 2007(5): 44–47.

[16] CAKIR H I, KHORRAM S, NELSON S A C. Correspondence analysis for detecting land cover change[J]. Remote Sensing of Environment, 2006, 102(3): 306–317.

[17] FENSHLT R, LANGANKE T, RASMUSSEN K, et al. Greenness in semi-arid areas across the globe 1981–2007 — an Earth Observing Satellite based analysis of trends and drivers[J]. Remote Sensing of Environment, 2012: 144–158.

[18] EASTMAN J R R C, SANGERMANO F F C E, MACHADO E A E M, et al. Global Trends in Seasonality of Normalized Difference Vegetation Index (NDVI), 1982–2011[J]. Remote Sensing, 2013(10): 4799–4818.

[19] ALI A, DE BIE C A J M, SKIDMORE A K, et al. Mapping land cover gradients through analysis of hyper-temporal NDVI imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2013,23: 301–312.

[20] ESAU I, MILES V V, DAVY R, et al. Trends in normalized difference vegetation index (NDVI) associated with urban development in northern West Siberia[J]. Atmospheric Chemistry & Physics, 2016(15): 9563–9577.

[21] 高子恒, 丁煒, 何靜. 基于隨機森林算法和MODIS數據的日喀則地區土地覆蓋分類與動態監測[J]. 安徽農業科學, 2020, 48(16): 1–12.

[22] 胡鴻, 許延麗, 鞠洪波, 等. 基于遙感影像的福建省長汀縣級植被覆蓋變化監測及分析[J]. 南京林業大學學報(自然科學版), 2019, 43(3): 92–98.

[23] GILBERTSON J K, KEMP J, VAN NIEKERK A. Effect of pan-sharpening multi-temporal Landsat 8 imagery for crop type differentiation using different classification techniques[J]. Computers and Electronics in Agriculture, 2017, 134: 151–159.

[24] 張起鵬, 王建, 張志剛, 等. 高寒草甸草原景觀格局動態演變及其驅動機制[J]. 生態學報, 2019, 39(17): 6510–6521.

[25] 田穎, 陳卓奇, 惠鳳鳴, 等. 歐空局哨兵衛星Sentinel-2A/B數據特征及應用前景分析[J]. 北京師范大學學報(自然科學版), 2019, 55(1): 57–65.

[26] 郭文婷,張曉麗.基于Sentinel-2時序多特征的植被分類[J].浙江農林大學學報, 2019, 36(5): 849–856.

[27] 王紅巖, 汪曉帆, 高亮, 等. 基于季相變化特征的撂荒地遙感提取方法研究[J]. 遙感技術與應用, 2020, 35(3): 596–605.

[28] XIE Y, SHA Z, YU M. Remote sensing imagery in vegetation mapping: a review[J]. Journal of Plant Ecology, 2008, 1(1): 9–23.

[29] 陳曉玲. 遙感數字影像處理導論[M]北京: 機械工業出版社, 2007.

[30] 魏從玲, 符麗萍. 非監督分類中初始聚類中心法的比較研究[J]. 測繪工程, 2009, 18(1): 19–21.

[31] 黎明, 嚴超華, 劉高航. 基于遺傳策略和神經網絡的非監督分類方法[J]. 軟件學報, 1999(12): 3–5.

[32] 閆利, 江維薇. 多光譜遙感影像植被覆蓋分類研究進展[J]. 國土資源遙感, 2016, 28(2): 8–13.

[33] 董廣軍, 張永生, 范永弘. PHI高光譜數據和高空間分辨率遙感圖像融合技術研究[J]. 紅外與毫米波學報, 2006(2): 123–126.

[34] 拉巴卓瑪, 除多, 拉巴. 基于MODIS的藏北高原植被分類研究[J]. 高原山地氣象研究, 2010, 30(2): 18–21.

[35] 董洲, 趙霞, 梁棟, 等. 內蒙古灌叢化草原分布特征的遙感辨識[J]. 農業工程學報, 2014, 30(11): 152–158.

[36] ASMARSAIKHAN D A D A, DOUGLAS T T D N. Data fusion and multisource image classification[J]. Interna-tional Journal of Remote Sensing, 2004(17): 3529– 3539.

[37] 魏鵬飛, 徐新剛, 楊貴軍, 等. 基于多時相影像植被指數變化特征的作物遙感分類[J]. 中國農業科技導報, 2019, 21(2): 54–61.

[38] 張靜, 張翔, 田龍, 等. 西北旱區遙感影像分類的支持向量機法[J]. 測繪科學, 2017, 42(1): 49–52.

[39] 張友靜, 高云霄, 黃浩, 等. 基于SVM決策支持樹的城市植被類型遙感分類研究[J]. 遙感學報, 2006, 10(2): 191– 196.

[40] 王立海, 趙正勇. 基于BP神經網絡的針闊混交林TM遙感圖像自動分類技術研究[J]. 林業科學, 2005, 41(6): 97– 103.

[41] 周廷剛, 蘇迎春. 基于人工神經網絡的城市航空遙感圖像植被分類研究[J]. 西南師范大學學報(自然科學版), 2004, 29(6): 1037–1040.

[42] BERBEROGLU S, YILMAZ K T, OZKAN C. Mapping and monitoring of coastal wetlands of Cukurova Delta in the Eastern Mediterranean region[J]. Biodiversity & Conservation, 2004(3): 615–633.

[43] 王任華, 霍宏濤, 游先祥. 人工神經網絡在遙感圖像森林植被分類中的應用[J]. 北京林業大學學報, 2003, 25 (4): 1–5.

[44] 甄佳寧, 廖靜娟, 沈國狀. 1987以來海南省清瀾港紅樹林變化的遙感監測與分析[J]. 濕地科學, 2019, 17(1): 44–51.

[45] 谷祥輝, 張英, 桑會勇, 等. 基于哨兵2時間序列組合植被指數的作物分類研究[J]. 遙感技術與應用, 2020, 35(3): 702–711.

[46] 耿仁方, 付波霖, 金雙根, 等. 面向對象的無人機遙感影像巖溶濕地植被遙感識別[J]. 測繪通報, 2020(11): 13–18.

[47] 魏楠, 趙凌平, 譚世圖, 等. 草地灌叢化研究進展[J]. 生態科學, 2019, 38(6): 208–216.

[48] 王瑾, 蔡演軍, 安芷生, 等. 基于遙感的高寒灌叢分布變化及其驅動力——以峻河流域為例[J]. 資源科學, 2013, 35(6): 1300–1309.

[49] 王瑾, 蔡演軍, 梁福源, 等. 基于遙感影像的峻河流域高寒灌叢決策樹提取方法[J]. 地球環境學報, 2010, 1(3): 243–248.

[50] 張順, 趙玉金, 白永飛, 等. 基于低空無人機的草原灌叢遙感辨識方法[J]. 熱帶地理, 2019, 39(4): 512–520.

[51] BRANDT J S, HAYNES M A, KUEMMERLE T, et al. Regime shift on the roof of the world: Alpine meadows converting to shrublands in the southern Himalayas[J]. Biological Conservation, 2013, 158: 116–127.

[52] 王波, 柳小妮, 王洪偉, 等. 東祁連山高寒灌叢六種灌木植物的光譜特征分析[J]. 光譜學與光譜分析, 2019, 39(5): 1509–1516.

[53] 劉濤宇, 趙霞, 沈海花, 等. 灌叢化草原灌木和草本植物光譜特征差異及灌木蓋度反演——以內蒙古鑲黃旗為例[J]. 植物生態學報, 2016, 40(10): 969–979.

[54] 鄧懿. 森林植被遙感分類研究進展探析[J]. 中國科技信息, 2020(8): 74–75.

[55] 張秀敏, 盛煜, 南卓銅, 等.基于決策樹方法的青藏高原溫泉區域高寒草地植被分類研究[J].草業科學, 2011, 28(12): 2074–2083.

[56] 張強. 濕地植被遙感分類研究進展[J]. 世界林業研究, 2019, 32(3): 49–54.

[57] 陶佳, 張寶文, 李會平. 植被遙感影像特征提取及分類研究[J]. 河北農業大學學報, 2016,39(3): 131–135.

Research progress of vegetation recognition methods based on remote sensing technology

DU Zhongman, MA Wenming*, ZHOU Qingping, CHEN Hong, DENG-ZENG Zhuoma, LIU Jinqiu

Southwest Minzu University, Sichuan 610041, China

Vegetation has obvious interannual variation, and its succession plays an important role in climate regulation and soil and water conservation. Remote sensing technology is an effective means to study the distribution and coverage changes of surface vegetation at regional and global scales, which can provide long-term and continuous observation of the ground surface and has the advantages of macroscopic, extensive, diversity and adaptability. Therefore, the research status of vegetation phenology and spatio-temporal dynamic changes of vegetation coverage based on remote sensing monitoring technology at home and abroad, the application of different satellite remote sensing data in vegetation classification, and the methods of remote sensing vegetation identification and classification are reviewed and summarized. The advantages and disadvantages of decision tree and other methods in remote sensing vegetation classification are analyzed; several issues that still need further research for future remote sensing vegetation identification and classification are proposed.

remote sensing technology; vegetation dynamics; remote sensing vegetation classification; decision tree

10.14108/j.cnki.1008-8873.2022.06.026

TP79

A

1008-8873(2022)06-222-08

2020-10-13;

2020-12-23基金項目:國家自然科學基金(31600378); 西南民族大學中央高校基本科研業務費專項資金項目資助(ZYN2022052)

杜中曼(1995—), 女, 四川成都人, 在讀研究生, 主要從事高寒草地灌叢化研究, E-mail: 252663169@qq.com

通信作者:馬文明, 男, 副研究員, 主要從事草原土壤生物地球化學循環研究, E-mail: Mawmtf@swun.edu.cn

杜中曼, 馬文明, 周青平, 等. 基于遙感技術的植被識別方法研究進展[J]. 生態科學, 2022, 41(6): 222–229.

DU Zhongman, MA Wenming, ZHOU Qingping, et al. Research progress of vegetation recognition methods based on remote sensing technology[J]. Ecological Science, 2022, 41(6): 222–229.