基于LandTrendr的老撾橡膠林遙感識別及擴張監測

摘" 要：天然橡膠作為世界上重要的工業原料，也是老撾農民收入的重要組成部分，受替代種植政策和橡膠價格變化的影響，準確快速地監測當地人工橡膠林對于促進橡膠產業的良性發展具有重要意義。目前大部分研究都集中在小區域的橡膠林提取，多為單時相或雙時相影像的分類提取，無法得到長時間序列的橡膠林擴張特征。為探究長時間、大尺度的橡膠林種植擴張特征，本研究選取1990—2020年連續30年的Landsat時間序列影像，利用LandTrendr算法對老撾30年間橡膠林變化進行提取，并借助國際橡膠期貨價格和地形數據進行時空變化分析。結果表明：經過優選后的特征組合可以更好地進行橡膠林分布提取，2020年橡膠林分布提取的總體精度為89.85%，Kappa系數為0.82，得出老撾在2020年的橡膠林總面積為32.1萬hm2；使用LandTrendr算法和二次分類的橡膠林擴張變化監測總體精度為92.44%，Kappa系數為0.82；老撾人工橡膠林的擴張和橡膠期貨市場密切相關，通過地形因素分析，得出橡膠林適宜種植在低海拔、坡度平緩且向陽的區域。本研究能夠很好地在國家尺度上對橡膠林變化進行長時間的監測，為橡膠產業的發展和政策的把控提供數據支撐。

關鍵詞：老撾；人工橡膠林；LandTrendr算法；Landsat；變化檢測中圖分類號：S31" " " 文獻標志碼：A

Remote Sensing Identification and Expansion Monitoring of Rubber Forests in Laos Based on LandTrendr

JU Wanglong1， ZHAN Zhenghao2， QIN Zhenyu1， ZHANG Jun2*

1. Institute of International Rivers and Eco-security， Yunnan University， Kunming， Yunnan 650500， China; 2. School of Earth Sciences， Yunnan University， Kunming， Yunnan 650500， China

Abstract： Natural rubber， a crucial industrial raw material worldwide， and a significant part of the income for Laotian farmers， is influenced by alternative planting policies and fluctuations in rubber prices. Aaccurate and rapid monitoring of local artificial rubber plantation is of crucial significance for promoting the sustainable development of the rubber industry. Most research has focused on the extraction of rubber plantation information in small areas， typically utilizing single or dual-temporal image classification， which fails to capture the long-term expansion characteristics of rubber forests. To investigate the long-term， large-scale expansion features of rubber plantation， this study selected a continuous thirty-year Landsat time series imagery from 1990 to 2020. The LandTrendr algorithm was employed to extract changes in rubber plantation across Laos over the three decades. International rubber futures prices and terrain data were also utilized for spatiotemporal change analysis. The selected feature combination， after optimization， can better extract rubber forest distribution. The overall accuracy of rubber forest distribution extraction in 2020 was 89.85%， with a Kappa coefficient of 0.82， revealing Laos’ rubber plantation area to be 321 000 hectares in 2020. The overall accuracy of rubber forest expansion change monitoring using the LandTrendr algorithm and secondary classification was 92.44%， with a Kappa coefficient of 0.82. The expansion of artificial rubber forests in Laos was closely related to the rubber futures market. Through terrain factor analysis， it is deduced that rubber forests are suitable for planting in low-altitude， gently sloping， and sunny areas. This study effectively monitors changes in rubber forests at the national level over an extended period， providing valuable data support for the development of the rubber industry and policy control.

Keywords： Laos; planted rubber forest; LandTrendr algorithm; Landsat; change detection

DOI： 10.3969/j.issn.1000-2561.2024.08.023

天然橡膠作為重要的工業原料是國防和工業建設不可或缺的戰略資源，已成為中國國民經濟的基礎產業之一[1]。橡膠樹作為重要的經濟作物在熱帶地區農民增收和經濟發展中發揮著越來越重要的作用[2]。全球天然橡膠的生產地高度集中，東南亞地區的天然橡膠產品占全球的90%以上。而老撾的橡膠種植得益于馬來西亞、泰國等先行國的經驗，在國家市場的強勁需求下，發展迅速，橡膠種植面積和產量得到大幅提升，成為東南亞橡膠新的增長點[3]。同時，老撾的橡膠種植也受中國境外罌粟替代種植政策的影響，老撾的南塔省、烏多姆賽省、豐沙里省開展替代種植的主要農作物就包含天然橡膠，這極大地促進了當地的經濟社會發展[4]。老撾橡膠產業飛速發展的同時，大量的原始森林被砍伐用于滿足橡膠林的擴張，給生態環境帶來嚴重影響。利用遙感技術提取天然橡膠林種植的空間分布信息，對橡膠林進行長時序的擴張監測，獲取橡膠林種植的時空變化特征，是開展橡膠林長勢、災害、產量遙感監測的重要前置條件[5]。

變化檢測作為林業遙2感領域的研究熱點，經過多年的發展，已經取得了大量的研究成果。隨著美國地質調查局（USGS）對Landsat數據的免費開放，可以將這些數據應用于區域尺度和全球尺度的森林信息提取[6]。而森林變化分析作為變化檢測中重要的組成部分，變化較為頻繁且干擾類型復雜多樣，不同區域不同時期的森林變化所適用的變化檢測方法也有所不同[7]。基于Landsat影像數據的森林變化檢測方法在近10年得到非常大的發展，在此基礎上，也有不少研究將這些方法應用于橡膠林種植擴張研究，并取得了不錯的成果[8]。與其他變化檢測方法不同，LandTrendr算法對于影像的要求較低，通過自定義時間窗口，每年獲得一幅完整清晰的影像即可進行變化檢測，且生成的基于軌跡的光譜時間序列數據基本上不存在年際信號噪聲，對于東南亞這種多云多雨的區域有著較好的適用性。

目前對人工橡膠林的研究多集中于海南島等小區域，且使用決策樹方法進行單時相種植區域識別，對大范圍的人工橡膠林識別和變化檢測研究很少。本研究將單時相的隨機森林分類和基于LandTrendr算法的變化檢測相結合，對老撾進行連續30年的人工橡膠林擴張監測，總結出一套適用于大范圍人工橡膠林擴張監測的方法。通過對老撾人工橡膠林的擴張監測，可以為中國橡膠產業的發展和政策制定提供數據支撐。

1" 材料與方法

1.1" 研究區概況

老撾位于東南亞，是一個位于中南半島內陸的國家，其國土面積為23.68萬km2。老撾地勢南北高低不平，北部與中國云南的滇西高原相接，東部與老撾和越南的邊境地區形成由長山山脈構成的高原，西部則為湄公河谷地和湄公河及其支流沿岸的盆地和少量平原。老撾屬于熱帶和亞熱帶季風氣候，5—10月為雨季，11月至次年4月為旱季。全境降水量充沛，一般年降水量為2000 mm。

老撾的橡膠樹種植開始于1930年，自2000年以來，天然橡膠種業發展迅速，主要的驅動力包括其國內和國際兩方面因素，主要是由于大規模土地租賃特許權的開放[9]。

1.2" 數據源

1.2.1" 數據源和預處理" Landsat是美國航空航天局（NASA）與美國地質調查局（USGS）的聯合計劃，該計劃提供了較長時間的連續基空觀測記錄。

本研究使用1990—2020年的Landsat 5/7/8衛星獲得的遙感影像數據，所有的Landsat數據均為Level 2-Collection 2-Tier 1級別，均來自GEE平臺。Level 2表示數據經過了幾何校正、輻射定標和大氣校正；Collection 2表示USGS對Landsat檔案進行的第二次重大再處理工作，實現了多項數據產品改進；Tier 1表示具有最高數據質量的Landsat影像，并被認為適合于時間序列分析[10]，在此數據的基礎上進行去云處理就可以進行相關研究。

完全覆蓋研究區域需要25景Landsat影像（path： 125～130， row： 44～51）。為了做到連續變化檢測，需要消除不同Landsat衛星之間傳感器差異造成的影響，本研究將Landsat 8進行與Landsat 5/7相同的輻射校正參數，便于后期的纓帽變換處理。

除了Landsat影像數據之外，本研究還用到分辨精度為30 m的SRTM 1地形數據，這是由美國在2000年2月11日測量的覆蓋全球80%以上陸地面積的數字高程模型DEM（Digital Elevation Model）數據。本研究使用DEM數據提取坡度、坡向等地形輔助因子數據，有助于提高分類精度。

World Cover數據集是歐洲航天局（ESA）聯合全球多家科研機構，共同制作的2020年全球土地覆蓋產品，分辨率為10 m，基于Sentinel-1和Sentinel-2數據進行制作，將該數據集中包含森林的部分進行掩膜提取[11]。

1.2.2" 樣本點數據" 為了對現有橡膠林的分布進行提取，需要有數量充足且準確的樣本點進行分類訓練和驗證。本研究主要選取5種地物類型，分別為橡膠林、森林、耕地、水體和建成區。樣本點的來源是年度全球土地利用數據和Google Earth（https：//google.cn/earth/）的歷史高分辨率衛星影像，還有一些橡膠替代種植企業提供的數據。對于除橡膠林外的4種地物類型，本研究使用2020年ESA全球土地覆蓋10 m分辨率數據（https：//esa-worldcover.org/en）進行隨機樣本點的生成，之后利用Google Earth對樣本點進行比對和修改，刪除明顯錯誤的樣本點，再添加目視解譯和企業提供數據獲得的橡膠林樣本點數據。最終獲得9901個樣本點，其中包括橡膠林樣本2346個，森林樣本4630個，耕地樣本431個，建成區樣本2395個和水體樣本99個，其中70%用于隨機森林模型的樣本訓練，其余30%用于精度驗證。

借助Google Earth提供的高清歷史影像和LandTrendr算法擬合的時間序列曲線獲取變化和非變化樣本區域，最終共獲得450個樣本，其中帶有大致變化年份的樣本324個，未發生變化的樣本126個，將用于橡膠林變化制圖的精度評估。

1.3" 方法

1.3.1" 橡膠林種植分布提取" 隨機森林是通過集成學習的Bagging思想將多棵樹集成的一種算法，其基本單元為決策樹。隨機森林在多光譜、多時相遙感影像分類中，具有速度快和精度高等優點[12]。在進行隨機森林分類時，需要考慮特征個數和決策樹棵數，針對不同的特征組合選擇合適的參數，可以在保證效率的情況下得到更高的精度。

對于Landsat 8影像，本研究選取6個基礎波段和4個光譜指數作為特征因子。6個基礎波段分別為藍、綠、紅、近紅外、短波紅外1和短波紅外2，4個光譜指數分別為歸一化植被指數、歸一化水體指數、歸一化建筑指數和綠紅植被指數。紋理特征是一種全局特征，反映圖像中同質現象的視覺特征。灰度共生矩陣（GLCM）的統計方法是在假定圖像中各像素間的空間分布關系包含了圖像紋理信息的前提下，提出的具有廣泛性的紋理分析方法[13]。在GLCM的基礎上計算描述紋理特征的統計屬性，可以獲得8個常用的紋理特征，分別為均值（mean）、方差（variance）、同質度（homogeneity）、對比度（contrast）、非相似性（dissimilarity）、熵（entropy）、角二階矩（ASM）和相關性（correlation）。通過纓帽變換，可以獲得反映多光譜遙感中的土壤和植被信息，分別為亮度、綠度和濕度。利用DEM數據，可以提取出高程、坡度和坡向，作為分類的特征因子。

在隨機森林算法中，訓練樣本會通過有放回的隨機抽樣進行t次抽樣，并進入到并行的t個決策樹中。這樣的抽樣方式會導致有部分訓練集中的樣本無法進入決策樹中，而這些未被采集的樣本就叫做袋外數據（Out of Bag， OOB），通過袋外數據可以檢測模型的泛化能力，相當于交叉驗證[14]。對于這些特征，利用隨機森林算法中的特征重要性和OOB袋外誤差進行篩選，進行最佳特征組合，避免信息冗余。

1.3.2" 橡膠林擴張監測" LandTrendr是一組光譜- 時間分割算法，是針對多波段Landsat影像的時間序列開發，用于檢測變化以及對在變化發生之前和之后的土地覆蓋進行分類。對于森林類型的土地覆蓋，該算法可以捕獲突然發生的干擾事件，例如砍伐和火災[15]。LandTrendr算法可以通過擬合時間序列曲線對不同像元進行擾動檢測，通過光譜變化軌跡簡化后的重要特征，例如變化發生的年份、變化持續時間、變化強度、變化前后的光譜值等，從而獲得森林變化的基本信息。具體的擬合公式如下：

式中，代表擬合的曲線，代表時間序列中的時間點，是Legendre多項式的系數，是Legendre多項式的第階，代表擬合曲線的階數，通常根據具體情況選擇。

歸一化燃燒指數（normalized burn ratio， NBR）是一種遙感影像指數，可以很好地反映植被狀況，從而對森林的變化較為敏感，經常被用于檢測森林擾動和生態恢復過程[16]，其計算公式為：

式中，NIR代表近紅外波段的反射值，SWIR代表短波紅外波段的反射值。

研究區內的橡膠林具有明顯的物候特征，直接體現在葉的抽發和凋落，在12月底橡膠林開始落葉，到次年3月開始進入新葉抽發期。為避免落葉期光譜指數對識別的影響，將每年4月20日—12月10日作為綠葉期，試驗選擇的影像均為綠葉期的影像。將1990—2020年綠葉期的Landsat影像輸入LandTrendr算法，再使用CFMask算法進行云和陰影的掩膜，獲得一組連續的無云Landsat時間序列影像集。對時間序列影像集進行森林的柵格掩膜，可以有效避免類似森林的地物變化對變化檢測產生的干擾，例如灌木叢的砍伐、密集農田的棄耕和復墾。

對掩膜后的影像集進行逐像元的NBR計算，將計算得到的NBR值按照時間順序排列，將NBR時間序列作為LandTrendr算法的輸入數據，算法會在NBR時間序列中檢測變化點，識別和描述地表特征的變化。通過設置參數，對趨勢線進行擬合，獲得一條地表特征隨著時間變化的趨勢線，通過對突變時間、持續時間、前后數值變化來判斷是否發生了森林擾動。通過查閱文獻和反復試驗，本研究的LandTrendr算法參數如表1所示。

通過LandTrendr算法檢測出的森林擾動除了包含橡膠林種植，還包括火燒、城市擴張、農田種植等原因，需要通過二次分類將檢測到的森林擾動進行區分，篩選出由于橡膠林種植造成的森林擾動。該算法生成的圖像共包含6個波段，包括擾動發生的年份、擾動強度、持續時間、變化普遍性、變化速率和檢測信噪比。除擾動發生年份外，其他信息可有助于區分是否為橡膠林種植引起的森林擾動。根據這些信息進行二次分類可以獲得橡膠林擾動變化圖，再使用2020年橡膠林分布圖掩膜掉非橡膠林種植的區域，可以進一步避免其他森林擾動類型對于試驗的干擾。

1.3.3" 分類精度評價" 在使用隨機森林進行分類后，計算混淆矩陣的總體分類精度和Kappa系數來判斷分類準確與否。總體精度為正確分類的像元總和除以總像元數，而Kappa系數用于衡量分類精度，檢驗一致性[17]。當Kappa系數小于0.40時，表明一致性不理想；當Kappa系數為0.40～0.60時，表明一致性效果一般；當Kappa系數大于0.60時，表明參考的分類結果和橡膠提取的結果二者之間的一致性較強[18]。其計算公式為：

式中，OA表示分類正確的樣本個數占所有樣本個數的比例；TP表示實際為正類的樣本被正確地分類為正類的數量；TN表示實際為負類的樣本被正確地分類為負類的數量；FN表示實際為正類的樣本被錯誤地分類為負類的數量；FP為實際為負類的樣本被錯誤地分類為正類的數量；N表示類別個數的總和；r表示類別；i為矩陣中元素所在位置的行數和列數；xii為誤差矩陣對角線元素；xi+為類別的列總和；x+i為類別的行總和；PA為生產者精度；UA為用戶精度。

1.3.4" 橡膠林擴張時空變化分析" 橡膠林的種植需要先找到適合種植橡膠的土地，然后清理、平整土地，確保適宜的土壤條件，再將培育的橡膠幼苗移植到準備好的土地上，并按照一定的間距進行定植，便于植株的生長和管理。本研究將發生擾動后的第一年作為橡膠林的種植年份[19]。同時結合國際橡膠歷史價格對橡膠林種植年份進行分析，分析其相關性。

同時，種植橡膠樹對海拔、坡度和坡向有一定的要求，海拔高度一般低于950 m；坡向盡量選擇陽坡和半陽坡，不宜選擇陰坡；坡度大于35°的區域不宜種植。通過DEM數據計算每個像元所包含的坡度和坡向信息，將橡膠林變化數據與地形特征相關聯，識別出不同坡度和坡向條件下橡膠林變化的空間分布規律，得出坡度、坡向對橡膠林時空變化的影響程度。為了便于分析，本研究根據橡膠樹的種植特性和區域規定將海拔分為4個等級（表2），將坡度分為5個等級（表3），坡向分為8類（表4）。

2" 結果與分析

2.1" 橡膠林種植分布

2.1.1" 分類特征組合" 研究區域地形差異較大，而橡膠樹的種植對高度和坡度有一定的要求，因此對SRTM 30 m數據提取了高程和坡度數據作為分類的特征組合之一。對于Landsat影像，每個波段均可以提取8個紋理特征，有大量的紋理信息，為了避免不重要的信息干擾，對影像進行主成分分析，第一主成分（PC1）含總信息量的69.03%，對第一主成分進行紋理特征提取，獲得8個紋理特征。最后加上Landsat影像的光譜特征。但是特征太多會造成冗余，同時會影響分類精度和分類效率。

為得出最佳特征組合，本研究利用特征重要性和OOB袋外誤差對特征因子進行篩選（圖1）。按照特征重要性由高到低的順序置于隨機森林中進行分類，比對GEE提供的袋外誤差估計（OOBE）大小，數值越低表示OOBE越小。如圖2所示，當輸入特征個數為12的時候，OOBE數值達到最小，為0.1203，隨著特征個數的增多，OOBE數值開始出現波動，但幾乎未提升。因此，最佳特征組合為特征重要性排序的前12個特征。

2.1.2" 橡膠林分布與精度評價" 對特征進行篩選組合后，在減少特征數量的情況下，還能夠有更高的分類精度。從精度評價結果來看，當分類的總體精度為89.85%，Kappa系數為0.82時，分類效果較好，從橡膠林的用戶精度和生產者精度上看，能夠較好地將該地物和其他地物區分開來（表5）。

從橡膠林分布來看，2020年老撾的橡膠林總面積為32.1萬hm2，與資料中顯示的30萬hm2

相差不大[20]，這可能是由于在分類時，和部分零碎的森林產生混淆，導致橡膠林面積變大；還可能由于Landsat分辨率較低和提取范圍較大，導致了混合像元的誤提取。在分布區域上看，與已有的資料一致，在北部靠近邊境的省份種植較多，在中部和南部也有種植。

2.2" 橡膠林變化制圖精度評估

在研究區域內結合谷歌歷史高清影像和LandTrendr算法擬合出的NBR曲線獲得樣本驗證數據，利用隨機獲得的不同年份的450個樣本數據對橡膠林變化進行精度評估。在進行驗證時，變化樣本點和實際變化區域重合，且相差年份不超過2年，則認為分類正確，反之則認為分類錯誤。未變化樣本點若在變化檢測時間內發生變化，則認為分類錯誤。通過樣本驗證數據對橡膠林變化檢測圖進行生產者精度、用戶精度、總體精度和Kappa系數的計算，從而判斷制圖的準確性是否符合要求。對于變化區域，生產者精度和用戶精度均達到90%以上，分別為96.47%和92.90%，制圖的總體精度為92.44%，Kappa系數達到0.82，說明對于橡膠林變化檢測的效果較好（表6）。

2.3" 老撾橡膠林時空變化分析

2.3.1" 橡膠林總體擴張趨勢" 從圖3可以看出，1991—2020年，老撾的橡膠林一直處于不斷擴張的趨勢，從分布來看，橡膠林的種植擴張多處于邊境省份，例如與多國交界的北部省份，橡膠林擴張較為明顯；在中部區域，橡膠林擴張多位于與泰國相鄰的省份。從總體數據來看，1990—2020年，新種植橡膠林18.94萬hm2，占2020年已有面積的59%，可以看出老撾橡膠林的擴張較為迅速，種植面積增長明顯。2006—2010年新增橡膠林最多，共7.07萬hm2，僅2010年新增橡膠林3.43萬hm2（圖4）。

根據2020年老撾橡膠林分布和30年間新植橡膠林可以計算出老撾各省份在1990年的橡膠林種植分布。如表7所示，其中橡膠林種植較多和增長較多的省份大多位于邊境，例如與中國、緬甸接壤的豐沙里省、瑯南塔省和波喬省，與泰國接壤的沙灣拿吉省等。

有很強的相關性。橡膠期貨價格自2001年到達谷底后，開始逐漸上漲，橡膠林面積也隨之上升，在2010年達到頂峰，而橡膠期貨價格也在2011年達到最高，之后逐漸下降并趨于平穩（圖4）。

圖4" 1990—2020年老撾橡膠林種植擴張分布與期貨價格

Fig. 4" Distribution of rubber forest plantation expansion and futures prices in Laos from 1990 to 2020

2.3.2" 橡膠林擴張地形特征" 研究區域內的橡膠林分布基本符合資料中對種植條件的描述[21]，橡膠林的擴張主要分布在海拔0～750 m區間，其中0～500 m占64.4%，500～750 m占34.9%，而750 m以上基本很少，僅占0.7%，基本均處于低海拔區域（圖5A）。對于坡度，橡膠林不宜種植在35°以上的區域，從圖5B可知，絕大多數的橡膠林均種植在35°以下，0～5°占42.1%，5～15°占36.2%，15～25°占17.6%，25～35°占3.9%，而35°以上只占0.2%。從坡向來看，橡膠林的擴張分布較為平均，占比最多的坡向為南和東南，分別占18.5%和17.8%，皆為陽坡。在所有坡向中，位于陽坡種植的橡膠林占57.6%，半陽坡種植的占22.3%（圖5C）。

3" 討論

通過GEE平臺和Landsat衛星數據可以在國家尺度上對橡膠林進行提取，能夠取得良好效果，并且分類效率高。隨機森林算法分類效果較好，但輸入的特征并不是越多越好，當特征較多時，分類效率會下降，同時也會導致分類效果較差，因此要選擇合適的特征和隨機森林分類參數。

通過GEE平臺提供的強大計算能力，結合長時間序列的Landsat時序影像，可以很好地減少雨云對影像質量的影響。通過選取的驗證樣本發現，通過LandTrendr算法檢測到的橡膠林擴張變化總體精度能達到92.44%，Kappa系數為0.82。變化檢測結果顯示，1990—2020年共新增橡膠林18.94萬hm2，占橡膠林總種植面積的59%，其中2006—2010年種植最多，為7.07萬hm2。通過比對國際市場橡膠期貨價格，可以看出橡膠林的種植和橡膠期貨價格的變化有著較強關聯。從橡膠種植的地形環境上看，橡膠主要種植在低海拔區域，0～500 m區域占64.4%；坡度較為平緩的區域種植橡膠更多，坡度在25°以下區域的橡膠林占95.9%；坡向上，不同方向皆有橡膠種植，但陽坡種植較多，占57.6%。以上說明橡膠林宜種植在海拔較低、坡度平緩且向陽的區域。

與其他研究相比，本研究結果未使用逐年分類的方法，而利用變化檢測算法對區域內的橡膠林擴張進行識別，極大減少了工作量[22]。連續的變化檢測更利于進行相關性分析，與相關試驗進行對比，發現橡膠林變化數據和變化區域基本符合[8]。由于是大范圍長時間的變化檢測，而且Landsat影像的空間分辨率不高，對邊緣和細小區域檢測效果較差；其次，由于研究區位于東南亞，離赤道較近，雨云較多，嚴重影響了影像質量，無法獲得更密集的時間序列影像，只能使用年合成影像進行變化檢測，無法更好地利用橡膠林的物候特征獲得更高的精度。未來可以考慮進行實地勘測，利用無人機提供的影像進行更加準確的識別，同時結合當地橡膠樹的種植特性，進行更加準確的分析。

參考文獻

[1] 李維銳， 趙國祥， 候丹. 云南天然橡膠產業高質量發展對策[J]. 熱帶農業科技， 2022， 45（3）： 1-5， 14. LI W R， ZHAO G X， HOU D. Natural rubber industry in Yunnan province and the strategies for healthy development at high level[J]. Tropical Agricultural Science amp; Technology， 2022， 45（3）： 1-5， 14. （in Chinese）

[2] 陳明文. 中國熱帶地區農戶種植結構調整研究[D]. 北京： 中國農業大學， 2018. CHEN M W. A study of China tropical regions farmers’ planting structure adjustment[D]. Beijing： China Agricultural University， 2018. （in Chinese）

[3] 姚元園. 深度分析東南亞橡膠產業發展狀況[J]. 世界熱帶農業信息， 2016（11）： 1-10. YAO Y Y. In-depth analysis of the development of rubber industry in Southeast Asia[J]. World Tropical Agriculture Information， 2016（11）： 1-10. （in Chinese）

[4] 李隆偉， 王云美， 毛昭慶. 中國境外（老撾）罌粟替代種植政策的問題研究[J]. 農業展望， 2021， 17（8）： 65-70. LI L W， WANG Y M， MAO Z Q. Research on the problems of implementing opium poppy substitution cultivation policy outside China （Laos）[J]. Agricultural Outlook， 2021， 17（8）： 65-70. （in Chinese）

[5] 翟佳豪， 劉影， 肖池偉. 1987—2018年西雙版納橡膠林時空變化及其線狀特征[J]. 熱帶地理， 2022， 42（8）： 1376-1385.ZHAI J H， LIU Y， XIAO C W. Spatio-temporal changes and linear characteristics of rubber plantations in Xishuangbanna， Southwest China from 1987 to 2018[J]. Tropical Geography， 2022， 42（8）： 1376-1385. （in Chinese）

[6] 劉月， 濮毅涵， 劉艷清， 安德帥， 徐丹丹， 朱建琴， 阮宏華. 基于Landsat影像研究全球氣候變化對武夷山國家公園垂直帶譜上各植被群落的影響[J]. 生態科學， 2022， 41（5）： 152-162.LIU Y， PU Y H， LIU Y Q， AN D S， XU D D， ZHU J Q， RUAN H H. Study on the impact of global climate change on the communities of vegetation vertical zone spectrum in Wuyishan National Park based on landsat imagery[J]. Ecological Science， 2022， 41（5）： 152-162. （in Chinese）

[7] 鐘莉， 陳蕓芝， 汪小欽. 基于Landsat時序數據的森林干擾監測[J]. 林業科學， 2020， 56（5）： 80-88. ZHONG L， CHEN Y Z， WANG X Q. Forest disturbance monitoring based on time series of Landsat data[J]. Scientia Silvae Sinicae， 2020， 56（5）： 80-88. （in Chinese）

[8] 李偉光， 張京紅， 劉少軍， 陳小敏， 鄒海平， 白蕤， 呂潤. 基于GEE的東南亞主產區橡膠林分布遙感提取[J]. 熱帶作物學報， 2021， 42（11）： 3345-3350. LI W G， ZHANG J H， LIU S J， CHEN X M， ZOU H P， BAI R， LYU R. GEE-based extraction of rubber forest distribution in main producing areas of Southeast Asia[J]. Chinese Journal of Tropical Crops， 2021， 42（11）： 3345-3350. （in Chinese）

[9] 劉洪江， 蘭恒星， 張軍， 劉杰， 楊軍. 老撾北部罌粟替代種植高分辨率遙感調查評價與分析[J]. 資源科學， 2010， 32（7）： 1425–1432.LIU H J， LAN H X， ZHANG J， LIU J， YANG J. Evaluation and analysis for the substitution planting for opium poppy in the north of Laos based on remote sensing[J]. Resources Science， 2010， 32（7）： 1425-1432. （in Chinese）

[10] PARASTATIDIS D， MITRAKA Z， CHRYSOULAKIS N， ABRAMS M. Online global land surface temperature estimation from landsat[J]. Remote Sensing， 2017， 9（12）： 1208.

[11] VAN DE KERCHOVE R， ZANAGA D， KEERSMAECKER W， SOUVERIJNS N， WEVERS J， BROCKMANN C， GR O S U A， PACCINI A， CARTUS O， SANTORO M， LESIV M， GE ORGIEVA I， FRITZ S， CARTER S， TSENDBAZAR N- E， LI L， HEROLD M， ARINO O. ESA WorldCover： global land cover mapping at 10 m resolution for 2020 based on Sentinel-1 and 2 data[C/OL]. AGU Fall Meeting 2021， held in New Orleans， LA， 13—17 December 2021， id. GC45I- 0915. [2023-12-23]. https：//ui.adsabs.harvard.edu/abs/2021 A GUF M G C45I0915V/abstract.

[12] BELGIU M， DR?GU? L. Random forest in remote sensing： a review of applications and future directions[J]. Journal of Photogrammetry and Remote Sensing， 2016， 114： 24-31.

[13] HARALICK R M， SHANMUGAM K， DINSTEIN I. Textural features for image classification[J]. IEEE Transactions on Systems， Man and Cybernetics， 1973， 3（6）： 610- 621.

[14] EISAVI V， HOMAYOUNI S， YAZDI A M， ALIMOHA M M ADI A. Land cover mapping based on random forest classification of multitemporal spectral and thermal images[J]. Environmental Monitoring and Assessment， 2015， 187（5）： 291.

[15] KENNEDY R E， YANG Z， COHEN W B. Detecting trends in forest disturbance and recovery using yearly landsat time series： 1. LandTrendr - temporal segmentation algorithms[J]. Remote Sensing of Environment， 2010， 114（12）： 2897-2910.

[16] KEY C H， BENSON N C. Landscape assessment （LA）[R]// LUTES D C， KEANE R E， CARATTI J F， KEY C H， BE N SON N C， SUTHERLAND S， GANGI L J （Eds.）. FIR EM ON： fire effects monitoring and inventory system. General Technical Report RMRS-GTR-164-CD. Fort Collins， CO： USDA Forest Service， Rocky Mountain Research Station， 2006.

[17] 唐萬， 胡俊， 張暉， 吳攀， 賀華. Kappa系數： 一種衡量評估者間一致性的常用方法（英文）[J]. 上海精神醫學， 2015， 27（1）： 62-67. TANG W， HU J， ZHANG H， WU P， HE H. Kappa coefficient： a popular measure of rater agreement[J]. Shanghai Archives of Psychiatry， 2015， 27（1）： 62-67. （in Chinese）

[18] 李宇宸， 張軍， 薛宇飛， 張萍. 基于Google Earth Engine的中老緬交界區橡膠林分布遙感提取[J]. 農業工程學報， 2020， 36（8）： 174-181. LI Y C， ZHANG J， XUE Y F， ZHANG P. Remote sensing image extraction for rubber forest distribution in the border regions of China， Laos and Myanmar based on Google Earth Engine platform[J]. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（8）： 174-181. （in Chinese）

[19] SINGH A K， LIU W， ZAKARI S， WU J， YANG B， JIANG X J， ZHU X， ZOU X， ZHANG W， CHEN C， SINGH R， NATH A J. A global review of rubber plantations： impacts on ecosystem functions， mitigations， future directions， and policies for sustainable cultivation[J]. Science of the Total Environment， 2021， 796： 148948.

[20] 王立豐， 袁坤， 劉勇， 白淵松. 瀾湄合作機制下的中國-老撾天然橡膠科技國際合作現狀與展望[J]. 熱帶農業科學， 2022， 42（6）： 110-115. WANG L F， YUAN K， LIU Y， BAI Y S. Current situation and prospects of international cooperation in natural rubber technology between China and Laos under “Lancang-Mek ong Cooperation”[J]. Chinese Journal of Tropical Agriculture， 2022， 42（6）： 110-115. （in Chinese）

[21] 李陽陽， 張軍， 劉陳立， 楊旭超， 李杰. 老撾北部5省橡膠林提取及時空擴張研究[J]. 林業科學研究， 2017， 30（5）： 709-717. LI Y Y， ZHANG J， LIU C L， YANG X C， LI J. Research on extraction and spatial-temporal expansion of rubber forest in five provinces of northern Laos based on multi-source remote sensing[J]. Forest Research， 2017， 30（5）： 709-717. （in Chinese）

[22] HAN P， CHEN J， HAN Y， YI L， ZHANG Y， JIANG X. Monitoring rubber plantation distribution on Hainan Island using Landsat OLI imagery[J]. International Journal of Remote Sensing， 2018， 39（8）： 2189-2206.