基于遙感的西雙版納近20年植被覆蓋率時(shí)空變化分析

摘 要 基于2000、2010、2020年3期西雙版納Landsat影像、DEM數(shù)據(jù)，利用多特征融合的SVM分類方法提取云南省西雙版納傣族自治州植被及土地利用類型的分布情況，并基于轉(zhuǎn)移矩陣分析近20年植被變化來(lái)源。研究表明：基于多特征融合的SVM分類方法植被分類精度為93.71%，Kappa系數(shù)為0.84，分類結(jié)果可靠；20年間植被覆蓋度及變化率較小，總體略有增加，主要分布在海拔600～1 600 m、緩坡及斜坡處，海拔小于600 m、平坡及東坡向的植被減少率最高，海拔800～1 000 m、斜坡及西北處植被增長(zhǎng)率最高；植被增加主要來(lái)源于農(nóng)田，減少的主要去向?yàn)榻ㄔO(shè)用地。

關(guān)鍵詞 遙感；多特征融合；SVM分類；植被覆蓋率；云南省西雙版納傣族自治州

中圖分類號(hào)：S718.54 文獻(xiàn)標(biāo)志碼：A DOI：10.19415/j.cnki.1673-890x.2024.15.026

熱帶雨林具有最大的凈初生產(chǎn)力和固碳能力[1]，是陸地生態(tài)系統(tǒng)中生物多樣性最豐富的生態(tài)系統(tǒng)，對(duì)生態(tài)系統(tǒng)及生物物種的保護(hù)起到了重要作用[2]。隨著城市化進(jìn)程的推進(jìn)，人類生活環(huán)境與熱帶雨林之間的矛盾不斷加劇，導(dǎo)致全球熱帶雨林的面積迅速減少，植被破碎化程度加劇，生態(tài)環(huán)境及生物多樣性都面臨著巨大的挑戰(zhàn)。隨著地理信息及遙感技術(shù)的發(fā)展，對(duì)植被覆蓋的時(shí)空監(jiān)測(cè)可以快速有效地分析出植被的動(dòng)態(tài)變化趨勢(shì)、影響植被覆蓋變化的主要驅(qū)動(dòng)因子等[3]。近年來(lái)，對(duì)于熱帶雨林植被覆蓋的監(jiān)測(cè)，主要集中于整個(gè)時(shí)空的動(dòng)態(tài)監(jiān)測(cè)、土地利用覆蓋類型變換研究及熱帶雨林中單一作物的時(shí)空分布特征研究[4-5]，對(duì)于長(zhǎng)時(shí)間序列、不同時(shí)空及地形熱帶雨林的分布研究較少。因此，研究分析2000—2020年云南西雙版納植被在時(shí)間及空間上的分布變化規(guī)律，并通過(guò)轉(zhuǎn)移矩陣分析20年間植被動(dòng)態(tài)變化的驅(qū)動(dòng)因子，對(duì)維護(hù)西雙版納生態(tài)系統(tǒng)平衡和穩(wěn)定及可持續(xù)發(fā)展政策的制定具有重要意義。

1 研究區(qū)概況

西雙版納傣族自治州地處云南省的最南端，其經(jīng)緯度為北緯21°10′～22°36′，東經(jīng)99°55′～101°50′[5]，位于北回歸線以南的熱帶北部邊沿地區(qū)，整個(gè)地區(qū)以山地為主，四面地勢(shì)高，中部地區(qū)的地勢(shì)相對(duì)較低，山區(qū)面積占總面積的95%[6]。西雙版納州占地面積為19 124.5 km2，國(guó)境線長(zhǎng)達(dá)966.3 km，州內(nèi)最高海拔為2 429 m，最低海拔為477 m。西雙版納下轄景洪市、勐?？h和勐臘縣。研究區(qū)區(qū)位圖見(jiàn)圖1。

2 "數(shù)據(jù)與方法

2.1 "數(shù)據(jù)來(lái)源與預(yù)處理

研究以2000、2010、2020年的Landsat TM/OLI為基礎(chǔ)影像數(shù)據(jù)，數(shù)據(jù)主要來(lái)源于USGS官網(wǎng)（https：//earthexplorer.usgs.gov/），數(shù)據(jù)預(yù)處理使用ENVI5.6遙感圖像處理軟件。1）對(duì)Landsat數(shù)據(jù)的多光譜及全色波段進(jìn)行輻射定標(biāo)和大氣校正，獲得影像正確的地表反射值；2）利用小波變換對(duì)全色及多光譜數(shù)據(jù)進(jìn)行融合得到15 m分辨率的多光譜數(shù)據(jù)；3）利用西雙版納行政邊界對(duì)融合后的影像進(jìn)行裁剪，利用ENVI中Seamless Mosaic對(duì)影像圖進(jìn)行鑲嵌，去除影像中有云區(qū)域并制成完整的西雙版納影像圖。

2.2 "研究方法

2.2.1 "多特征融合

根據(jù)研究區(qū)域的影像圖特征，將地類分為植被（含天然林、人工林、灌木及草地）、農(nóng)田（含裸地、未利用林地等）、建設(shè)用地及水體4類典型地物特征。不同地物特征因其自身結(jié)構(gòu)和組成成分存在較大的差異，分析和獲取有效的特征信息是區(qū)分影像中不同地物類型的前提，這些差異主要存在于影像的光譜、紋理及地形分布特征[7]。

綠色植被因葉片的葉綠素可以吸收太陽(yáng)光中的紅波段，同時(shí)對(duì)近紅外波段有較大的反射，在紅波段與近紅外波段范圍內(nèi)就形成了植被波譜曲線中獨(dú)有的紅邊效應(yīng)，通過(guò)分析植被與其他地物類型的波譜曲線差異，利用植被獨(dú)特的紅邊效應(yīng)，建立歸一化植被指數(shù)（NDVI）及改進(jìn)的歸一化水體指數(shù)（MNDWI）作為分類的光譜指數(shù)特征[8-9]，計(jì)算時(shí)分別用NDVI和MNDWI表示，這樣可以有效區(qū)分植被與城市建設(shè)用地、水體等的信息，其公式如下：

NDVI＝（[ρ]NIR _[ρ]RED）/（[ρ]NIR+[ρ]RED） （1）

MNDWI＝（[ρ]SWIR1_[ρ]GREEN）/（[ρ]SWIR1+[ρ]GREEN） （2）

式中，[ρ]NIR為近紅外波段，[ρ]RED為紅波段，[ρ]SWIR1為短波近紅外1波段，[ρ]GREEN為綠波段。

紋理特征作為圖像中一種重要的視覺(jué)線索[10]，是遙感影像分類中的重要特征。例如，植被與農(nóng)田中綠色農(nóng)作物存在極為相近的光譜特征，僅利用光譜特征進(jìn)行區(qū)分極易混淆植被和農(nóng)田，造成精度降低，而從紋理特征的角度上看，西雙版納的植被多為天然林，邊界不規(guī)整，無(wú)明顯界線，而農(nóng)田受人為因素的干擾，其形狀主要以矩形為主，邊界清晰規(guī)整，因此，可以利用植被與農(nóng)田在紋理特征中的差異進(jìn)行有效區(qū)分。研究使用的紋理特征主要是基于ENVI中的灰度共生矩陣工具，計(jì)算近紅外波段的對(duì)比度、角二階矩、熵及同質(zhì)度[11]作為分類的紋理特征。

植被、農(nóng)田、建設(shè)用地等土地利用類型在海拔及坡度分布上也有差異性特征。如農(nóng)田、建設(shè)用地主要集中分布在低海拔平坡區(qū)域，植被主要分布在中高海拔且有一定坡度的區(qū)域。因此，利用ASTER GDEM 30 m分辨率數(shù)字高程數(shù)據(jù)，重采樣至15 m分辨率，基于ArcGIS生成坡度數(shù)據(jù)，以海拔數(shù)據(jù)與坡度數(shù)據(jù)作為分類的地形特征。

2.2.2 "基于SVM的分類方法

支持向量機(jī)（SVM）是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的一種算法，通過(guò)構(gòu)造最佳超平面從而使數(shù)據(jù)變得線性可分，使分類樣本之間的間隔最大化[12]。目前SVM的核函數(shù)主要有四大類，即線性核函數(shù)、多項(xiàng)式核函數(shù)、RBF核函數(shù)及Sigmoid核函數(shù)[13]，其中，RBF核函數(shù)相比其他核函數(shù)具有模型較為簡(jiǎn)單、數(shù)值限制條件少等優(yōu)勢(shì)，并在早前分類研究中已證實(shí)其精度相對(duì)較高[14-15]。因此，研究選擇RBF核函數(shù)，其表達(dá)式為：

K（xj，xk）=esp（-t[xj?xk]）2 " "（3）

式中，[xj] ，[xk]為向量序號(hào)，t為RBF核函數(shù)待確定的參數(shù)。

根據(jù)上述計(jì)算得到的植被指數(shù)、紋理指數(shù)、地形特征及影像波段信息（band1～band7），基于ENVI中的Build Layer Stack進(jìn)行不同特征波段組合。以2020年影像為例，對(duì)SVM多特征組合分類算法得到的2020年西雙版納影像分類結(jié)果進(jìn)行精度驗(yàn)證，再采用相同算法得到2000、2010年的影像分類結(jié)果。

2.2.3 "精度評(píng)價(jià)

研究采用混淆矩陣方法對(duì)分類后的結(jié)果進(jìn)行分類精度評(píng)價(jià)[16]，比對(duì)不同特征組合的分類精度，總體分類精度（OA，Overall Accuracy）及Kappa系數(shù)，計(jì)算時(shí)分別用OA和Kappa表示。

OA[=k=1nxkkN] " "（4）

式中，OA為總體分類精度，表示正確分類的類別樣本數(shù)與樣本總數(shù)的比值，N為驗(yàn)證樣本總數(shù)，n為分類類別數(shù)，[xkk]為正確分類的類別像元數(shù)。

Kappa[=Ni=1nxii?i=1nxi+x+iN2?i=1n（xi+x+i）] " " （5）

式中，Kappa為Kappa系數(shù)，代表著分類與完全隨機(jī)的分類產(chǎn)生錯(cuò)誤減少的比例，xii為分類結(jié)果中任意類別的像元數(shù)，xi+為分類后得到的第i類的樣本數(shù)，x+i為第i類的預(yù)測(cè)樣本數(shù)，N為驗(yàn)證樣本總數(shù)，n為分類類別數(shù)。

2.2.4 "不同時(shí)空及地形的植被分布特征

基于上述分類方法，分別提取得到2000、2010、2020年西雙版納植被覆蓋范圍。利用DEM數(shù)據(jù)在ArcGIS中生成坡度、坡向和不同海拔數(shù)據(jù)，海拔等級(jí)劃分為小于600 m、600～800 m、800～1 000 m、1 000～1 200 m、1 200～1 400 m、1 400～1 600 m、1 600～1 800 m、1 800～2 000 m、大于2 000 m共9個(gè)等級(jí)；坡度等級(jí)的劃分是將坡度分為平坡（0～5°）、緩坡（6～15°）、斜坡（15～25°）、陡坡（26～35°）、急坡（36°～45°）、險(xiǎn)坡（＞46°）6個(gè)等級(jí)；坡向劃分為東北、東、東南、南、西南、西、西北、北共8個(gè)等級(jí)，提取出的植被面積疊加至海拔、坡度、坡向分級(jí)數(shù)據(jù)，利用ArcGIS中面積制表工具得到西雙版納植被在不同地形上的分布特征。

2.2.5 "土地利用轉(zhuǎn)移矩陣

土地利用類型轉(zhuǎn)移矩陣是對(duì)系統(tǒng)狀態(tài)及狀態(tài)轉(zhuǎn)移的定量描述。如表1所示，A1-An為土地利用/覆蓋中的各種地物類型，Snn為對(duì)應(yīng)年份兩類地物類型之間轉(zhuǎn)換的面積，當(dāng)nn相同時(shí)，表示自身未發(fā)生變化的面積。根據(jù)轉(zhuǎn)移矩陣可以得知西雙版納植被在2000—2020年面積的變化。

3 "結(jié)果與分析

3.1 "2000、2010、2020年西雙版納植被面積分布特征

研究基于SVM分類算法融合光譜、紋理、指數(shù)及地形多種特征對(duì)2020年西雙版納Landsat 8 OLI影像進(jìn)行分類，得到分類結(jié)果圖（見(jiàn)圖2 c）。通過(guò)混淆矩陣對(duì)分類后結(jié)果進(jìn)行精度驗(yàn)證，總體分類精度為91.87%，Kappa系數(shù)為0.84，植被分類精度為93.71%。從分類結(jié)果圖及混淆矩陣驗(yàn)證結(jié)果表明分類結(jié)果可靠。采用相同的分類方法，得到西雙版納2000、2010年Landsat TM影像分類結(jié)果圖（見(jiàn)圖2 a、圖b）。從2000、2010、2020年西雙版納各典型地物面積統(tǒng)計(jì)（見(jiàn)表2）及分類結(jié)果圖可以看出，西雙版納在20年間植被覆蓋范圍變化較小，2000年植被面積為16 904.24 km2，2010年植被面積增加為17 071.33 km2，2020年又減少為16 980.36 km2，植被總覆蓋率基本維持在88%左右。從其他地類面積變化可以看出，面積變化最大的為農(nóng)田及建設(shè)用地，建設(shè)用地面積從2000年59.52 km2增加至1 956.99 km2，農(nóng)田則由2 215.03 km2減少至198.19 km2，由此可見(jiàn)西雙版納這20年間城市化的發(fā)展進(jìn)程。

3.2 "2000、2010、2020年西雙版納植被不同地形面積分布特征

為更好地研究分析西雙版納20年間植被的時(shí)空變化信息，研究基于DEM數(shù)據(jù)生成海拔、坡度及坡向數(shù)據(jù)，對(duì)不同海拔、坡度區(qū)間及坡向植被面積進(jìn)行統(tǒng)計(jì)。研究表明：從2000、2010、2020年西雙版納植被在不同海拔面積統(tǒng)計(jì)可以看出（見(jiàn)表3），植被分布主要集中于海拔600～1 600 m，其中海拔1 000～1 200 m的植被分布最多。從2000—2020年植被面積變化量及變化率可以看出，西雙版納植被面積在不同海拔區(qū)間均有所變化，大多數(shù)區(qū)間植被面積呈現(xiàn)減少的趨勢(shì)，其中，海拔1 200～1 400 m面積減少量最多，從2000年的3 360.22 km2減少至2020年的3 254.50 km2，共減少105.72 km2；海拔小于600 m植被面積減少率最高，為23.34%；植被面積僅在海拔為600～1 000 m有所增加，其中，增加量及增加變化率最多的為海拔800～1 000 m，植被面積從2000年的3 569.72 km2增加至2020年的3 880 km2，共增加310.88 km2。

從2000、2010、2020年西雙版納植被在不同坡度面積統(tǒng)計(jì)可以看出（見(jiàn)表4），西雙版納植被面積主要集中在緩坡和斜坡處，占據(jù)植被總面積約78%。從2000—2020年植被面積變化量及變化率可以看出，20年間植被面積的變化主要集中在平坡及斜坡處，平坡處的面積減少最多，從2000年1 041.65 km2減少至953.94 km2，面積減少量為87.71 km2，面積減少率為8.42%；斜坡處植被面積增加最多，共增加158.13 km2，面積增長(zhǎng)率為2.32%；急坡及險(xiǎn)坡處的植被分布少，2000—2020年無(wú)明顯變化。

從2000、2010、2020年西雙版納植被在不同坡向面積統(tǒng)計(jì)可以看出（見(jiàn)表5），植被在各個(gè)坡向上的分布較為均衡，分布面積最多的為北坡向，分布最少的為東坡向。從面積變化量和面積變化率可以看出，20年間植被面積在東北、東、東南、南坡向的面積有所減少，其中減少最多的坡向?yàn)闁|坡向，共減少11.76 km2，減少變化率為0.62%；在西南、西、西北以及北坡向面積有所增加，其中增加最多的為西北坡向，共增加37.07 km2，變化率為1.71%。

3.3 "2000—2020年西雙版納植被時(shí)空變化特征

為研究2000—2020年西雙版納植被增加與減少的主要去向及來(lái)源，研究對(duì)2000年及2020年的遙感影像分類結(jié)果進(jìn)行疊加分析，生成土地利用類型轉(zhuǎn)移矩陣。從轉(zhuǎn)移矩陣中可以看出（見(jiàn)表6），20年間植被共增加1 222.15 km2，共減少1 136.33 km2，增加部分最主要的來(lái)源為農(nóng)田，為1 192.05 km2，占2020年植被總景觀的7.02%，由建設(shè)用地轉(zhuǎn)變?yōu)橹脖坏挠?7.11 km2，占植被總景觀的0.16%，減少的部分主要轉(zhuǎn)移至建設(shè)用地，由植被景觀變?yōu)榻ㄔO(shè)用地的面積為1 065.34 km2，占2000年總景觀的6.31%。

4 "結(jié)論與討論

4.1 "結(jié)論

利用多特征融合的SVM分類方法，基于西雙版納2000、2010、2020年Landsat TM/OLI遙感影像得到3期西雙版納土地利用分布圖，并基于DEM生成海拔、坡度及坡向數(shù)據(jù)，據(jù)此分析西雙版納2000—2020年植被面積在時(shí)間和空間上的分布及變化規(guī)律，最后建立2000—2020年土地利用轉(zhuǎn)移矩陣，分析20年間植被增加及減少的主要來(lái)源和去向，得到以下結(jié)論。

1）根據(jù)混淆矩陣對(duì)2020年分類結(jié)果的驗(yàn)證，總體分類精度為91.87%，Kappa系數(shù)為0.84，植被分類精度為93.71%，證明基于SVM的多特征融合分類方法對(duì)西雙版納的植被分類結(jié)果可靠。

2）從2000—2020年總體分布情況看，植被覆蓋范圍及面積變化率較小且基本穩(wěn)定，總體略有增加；從不同地形分布上看，植被主要分布在海拔600～1 600 m緩坡以及斜坡處，而各坡向分布均衡，北坡略多；從時(shí)空變化分析結(jié)果看，植被在海拔低于600 m的平坡以及東坡向的面積減少變化率最高；在海拔800～1 000 m、斜坡及西北處植被面積增加變化率最高。

3）從土地利用轉(zhuǎn)移矩陣可以看出，20年間植被減少的主要去向?yàn)榻ㄔO(shè)用地，面積為1 065.34 km2，占總面積的6.31%；增加的主要來(lái)源為農(nóng)田的轉(zhuǎn)化，面積為1 192.05 km2。

4.2 "討論

西雙版納地勢(shì)主要是以山地為主，農(nóng)業(yè)及城鎮(zhèn)化建設(shè)主要集中在地勢(shì)平坦海拔較低的區(qū)域內(nèi)[17]，隨著城市化進(jìn)程的推進(jìn)，低海拔地區(qū)及平坡處的植被、農(nóng)田大多數(shù)轉(zhuǎn)化為城市建設(shè)用地，由此導(dǎo)致了海拔小于600 m及平坡處植被面積大幅度減少。

天然橡膠作為西雙版納重要的經(jīng)濟(jì)支柱產(chǎn)業(yè)，主要的種植區(qū)域在海拔900 m以下及緩坡斜坡內(nèi)，在橡膠林經(jīng)濟(jì)效益的驅(qū)使之下，從2005年西雙版納橡膠林開(kāi)始快速擴(kuò)張，2010—2015年達(dá)到擴(kuò)張巔峰，大量農(nóng)田、裸地用于種植橡膠林，由此造成了2010年西雙版納植被總體面積的增加，且面積增加最多的區(qū)域也主要位于海拔800～1 000 m緩坡斜坡處種植的橡膠林區(qū)域。因受市場(chǎng)膠價(jià)及我國(guó)為熱帶雨林生態(tài)環(huán)境保護(hù)而實(shí)施的“退膠還林”政策影響，從2016年開(kāi)始，橡膠林種植面積有所減少，因此導(dǎo)致了2020年植被總面積略有下降。

通過(guò)定量分析2000—2020年西雙版納植被的時(shí)空變化特征，掌握了西雙版納20年來(lái)植被的發(fā)展變化規(guī)律及植被在不同地形上的分布和變化情況，為后續(xù)植被的發(fā)展變化趨勢(shì)預(yù)測(cè)及政策的制定提供了重要依據(jù)。

參考文獻(xiàn)：

[1] 卜文圣. 海南島熱帶天然林生物多樣性與生態(tài)系統(tǒng)功能關(guān)系的研究 [D]. 北京： 中國(guó)林業(yè)科學(xué)研究院， 2013.

[2] LAURANCE W F， GOOSEM M， LAURANCE S G W.Impacts of roads and linear clearings on tropical forests[J].Trends in Ecology amp; Evolution，2009，24（12）：659-669.

[3] 趙安周， 劉憲鋒， 朱秀芳， 等. 2000—2014年黃土高原植被覆蓋時(shí)空變化特征及其歸因 [J]. 中國(guó)環(huán)境科學(xué)， 2016， 36（5）： 1568-1578.

[4] 許婧， 劉飛鵬， 王建雄， 等. 基于MODIS NDVI的西雙版納植被覆蓋變化趨勢(shì)研究 [J]. 西南林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)）， 2018， 38（5）： 145-153.

[5] 李建偉， 杜凡， 陸元昌， 等. 近30年西雙版納熱帶雨林群落冠層組成與結(jié)構(gòu)的動(dòng)態(tài)變化 [J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2023， 51（10）： 80-88， 96.

[6] 陳燕玲，周瑞伍，陳耀亮，等.基于MOD09GQ計(jì)算的西雙版納橡膠人工林落葉日數(shù)據(jù)集（2003—2019）[J].全球變化數(shù)據(jù)倉(cāng)儲(chǔ)（中英文）， 2022（12）：13-16.

[7] 王李祺， 張成， 侯宇超， 等. 基于深度學(xué)習(xí)特征融合的遙感圖像場(chǎng)景分類應(yīng)用 [J]. 南京信息工程大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2023， 15（3）： 346-356.

[8] LINGYU W ， CHEN Q ， WU Y ，et al.Accurate recognition and extraction of karst abandoned land features based on cultivated land parcels and time series NDVI[J].Remote Sensing for Land amp; Resources， 2020， 32：23-31.

[9] SZILáRD， SZABó， ZOLTáN，et al.Specific features of NDVI， NDWI and MNDWI as reflected in land cover categories[J]. Landscape amp; Environment， 2016， 10（3-4）： 194-202.

[10] 劉麗， 匡綱要. 圖像紋理特征提取方法綜述 [J]. 中國(guó)圖象圖形學(xué)報(bào)， 2009， 14（4）： 622-635.

[11] 任國(guó)貞， 江濤. 基于灰度共生矩陣的紋理提取方法研究[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2014， 31（11）： 190-192， 325.

[12] NETWORKS S C .RETRACTED.A classification method of network ideological and political resources using improved svm algorithm[J].Security and Communication Networks，2023，

[12] NETWORKS S C .RETRACTED. A classification method of network ideological and political resources using improved SVM algorithm [J]. Security and Communication Networks， 2023， 2023： 9789401.

[13] CORINNACORTES，VLADIMIRVAPNIK.Support-vector networks[J].Machine Learning，1995，20：273-297.

[14] 紀(jì)童， 王波， 楊軍銀， 等. 寧夏鹽池荒漠植物光譜特征分析及光譜識(shí)別 [J]. 光譜學(xué)與光譜分析， 2022， 42（3）： 678-685.

[15] 周曉宇， 陳富龍， 姜愛(ài)輝. 基于SVM雷達(dá)臥龍大熊貓棲息地森林成圖 [J]. 國(guó)土資源遙感， 2017， 29（3）： 85-91.

[16] CONGALTON R G.A review of assessing the accuracy of classifications of remotely sensed data[J].Remote Sensing of Environment，1991，37（1）：35-46.

[17] XIN X， ZHANG T， HE F， et al.Assessing and simulating changes in ecosystem service value based on land use/cover change in coastal cities： a case study of Shanghai， China[J].Ocean amp; Coastal Management，2023，239： 106591.

（責(zé)任編輯：敬廷桃）

收稿日期：2024-03-20

基金項(xiàng)目：云南省農(nóng)業(yè)基礎(chǔ)研究聯(lián)合專項(xiàng)[2017FG001（-034），2018FG001（-059）]；生物資源數(shù)字化開(kāi)發(fā)應(yīng)用項(xiàng)目（202002AA10007）。

作者簡(jiǎn)介：劉濤（1981—），碩士，講師，主要研究森林資源管理、林業(yè)信息技術(shù)。E-mail：18087426416@163.com。

*為通信作者，E-mail：kwl_eric@163.com。