基于隨機森林分類的塞罕壩機械林場生態環境質量研究

文章編號：1674-6139（2025）06-0189-06

中圖分類號：X171文獻標志碼：B

Ecological Environment Quality Analysis of Saihanba Mechanical ForestFarm BasedonRandom ForestClassification

Shi Wenbing1，Liu Liyuan2，Liu Yaping3

（1.Hebei Saihanba Machinery ForestFarmForestry Surveyand Planning Design Institute，Shijiazhuang O5oO21，China； 2.Emergency Material Supply Center of Hebei Province，Shijiazhuang O50021，China； 3.Chengde Weichang County Guangfayong Township Government，Shijiazhuang O5o021，China）

Abstract：Acordingtoteeqremetsofologicalnviometconstructioforestsourcesplaanimportantoleinrotecting environmentalqualityTesudyadoptsaclasificationstemofremotesensingimagesandvegetationindicestoanalyzethtrespis clasificationmethodandecologicalenvironmentindexofShanbaMechanicalForestFarm.Bycomparingthclasificationidicatos andecologicalenvironmentindex，theoverallaccuracyoftherandomforestclasificationmthodinidentifying treespeciesis 89.67% ， and combined with field resources，the area accuracy of white birch is 97.73% .For the analysis of environmental ecological quality，the remotesensingecologicalindexmodelwasusedtoevaluatethedominanttrespecies，anditwasfoundthatthecologicalindexofoak trees reached its highest value of O.73O9 at an elevation of 1300m～1500m ．Therefore，this indicates that the random forest classification methodhashighaccuracyinanalyzingtheecologicalenvironmentqualityofforestfarms，andprovidesreliabledataforthedevelopent and protection of forest resources.

Keywordsfstouesotalpote；aooi；otesiaes；olocalvtalty

前言

隨著全球經濟的飛速發展，環境污染問題日益嚴重，森林資源的開發和保護已成為當前生態環境的重要關注內容[1]。塞罕壩生態恢復歷經了林場、國家森林公園和國家級自然保護區建設，通過封山育林、育苗技術的治理，塞罕壩機械林場的森林資源逐漸豐富且樹種類別繁多，恢復了生態平衡和物種多樣性[2-3]。塞罕壩機械林場發展到現階段的塞罕項國家級自然保護區，森林資源發揮了重要的生態平衡和物種多樣性的基礎作用，優勢樹種的培育和生長為當地防風固沙、涵養水源提供了重要的生態屏障。因此森林植被和優勢樹種的生態環境評價對森林資源規劃和生態保護具有積極影響[4-5]。目前對于植被時空演變規律，已有研究利用遙感衛星影像來監測植被覆蓋和歸一化植被指數，同時樹種識別和特征變量的區分也影響著森林樹種的分類，利用遙感數據、分類特征和分類方法對優勢樹種進行區分，以探索最優樹種的空間分布[6。但在樹種識別和分類研究中，分類器組合無法精確提取樹種的特征變量，導致分類精度較低。因此，研究使用隨機森林分類方法，精確分類優勢樹種，并運用遙感圖像處理軟件對優勢樹種的遙感生態指數進行質量分析，旨在實現林場的生態環境規劃，并為區域森林資源的開發利用提供技術參考。

1塞罕壩機械林場的森林樹種分類和識別方法

1.1遙感影像下的隨機森林分類方法的樹種識別

塞罕壩機械林場位于內蒙古高原和冀北山地的交接地帶，林場地形復雜，可分別為北部的壩上和中南部的壩下，壩上氣溫低、風沙大，主要以草原草甸為主，而東部和中部的水源豐富，降水豐富，以森林植被為主，西部受地形阻擋，降水極少，風沙多，因此整個林場屬于森林與草原交錯的植被類型[7]。樹種結構是反映森林生態環境質量的重要指標之一，樹種的類型和分布情況對森林病蟲害、火災監測、種植結構規劃和生態環境保護起到重要作用[8]。目前森林樹種的分類體系是通過遙感技術和植被指數來進行劃分，根據樹種類型來提取不同層次的分類特征，從而為后續林場種植結構和多樣性保護提供參考。具體如下：在樹種分類體系中，林地與非林地的劃分由歸一化植被指數等完成。然后根據遙感影像反映的樹種光譜曲線，從而得出不同時相的樹種光譜特征，而植被指數在遙感影像的每個波段的基礎上，通過計算得出植被生長的情況。最后遙感影像反映的紋理特征能夠表現出地面物種在空間上的分布特征和細化特點，地物的紋理特征信息主要是依據統計學方法來建立相關函數，從而獲取影像的紋理特征值。

在遙感技術及其影像的分類特征中，研究利用分類方法來對樹種的信息特征進行有效排序，從而實現遙感影像信息的特征分類。森林樹種的分類方法主要包括支持向量機（SupportVectorMachine，SVM）和隨機森林（RandomForest，RF），其中支持向量機算法對遙感影像的樣本質量要求不高，且適合樣本量不足或分布不均衡的情況，但分類運算的效率比較低。隨機森林算法可隨機選擇樣本，受限制較少，同時能夠對影像特征進行準確快速的排序，比較適合高維信息特征的遙感影像分類。通過分類方法的總體精度（Overall Accuracy，OA）和Kappa系數的比較，研究采用RF算法及其分類插件對塞罕壩林場的遙感影像進行提取，并結合混淆矩陣的用戶精度（UserAccuracy，UA）、制圖精度（Producer Accuracy，PA）和二者的調和平均數來評價遙感圖像樹種類別的提取精度。由于遙感影像中林場樹種的空間分布較為直觀，所以研究還使用面積精度（Area accuracy，AC）來對樹種類別的提取面積進行統計分析。

1.2基于遙感生態指數模型的機械林場生態環境 質量評價

森林資源及其生態系統能夠有效吸收環境中的污染空氣，并通過植被的光合作用產生大量氧氣，從而凈化污染的空氣，同時森林資源的生態平衡還能維持氣候穩定，在土壤污染、水污染和噪聲污染中發揮凈化環境的作用[9]。但由于目前人類對環境和資源的過度開采，森林生態系統和調節能力無法承載人類社會帶來的資源環境壓力，所以需要對森林資源的生態環境質量進行準確評價，從而提高對環境污染的自凈能力和自我調節能力[10]

研究利用遙感生態指數（RemoteSensingEcologicalIndex，RSEI）模型，并結合塞罕壩機械林場的地理分區和優勢樹種的時空演化規律，并對影響因素進行分析。遙感生態指數模型是通過四種生態環境指標，即綠度、濕度、干度和熱度，來構建的一種綜合的生態環境質量指數，其中綠度指標采用歸一化植被指數（NormalizedVegetation Index，NDVI）來反映塞罕壩機械林場的植被生長、覆蓋和生產力等狀況，如式（1）所示：

NDVI=（R_?NIR-R_?red）

式（1）中， R 為波段的反射率，其中 R_NIR 代表近紅外波段（NearInfraRed，NIR）NIR的反射率， R_red 為紅波段 _red 的反射率。濕度指標Wet采用陸地衛星計劃Landsat8的陸地成像儀的遙感影像，對土壤和植被的濕度含量進行計算。而干度指標是由建筑指數（Normalized Differences Built-up Index，NDBI）和裸土指數（BareSoilIndex，BSI）共同組成的，主要在于地面干度與建筑用地和裸露土地的發生，NDBI和BSI的公式如式（2）和式（3）所示：

式（2）中， R_swir1 和 _swir2 分別為短波紅外（ShortWaveInfraRed，SWIR）SWIR1波段和2波段的反射率。

式（3）中，建筑指標中與綠波段 R_green 的反射率有關，而裸土指數與藍波段 R_blue 相關聯。之后二者構建的干度指標（Normalized Differences built upindex-bareSoilIndex，NDSI）如式（4）所示：

式（4）中，NDBI和 BSI 分別為建筑指標和裸土指標。關于熱度指標的計算，研究采用遙感影像的熱紅外波段翻轉地表溫度（Invertingsurface temperature，LST）來表示。由于四個指標的基本屬性不同，因此將其進行歸一化處理，并設置指標的范圍為[0，1]，歸一后的值如式（5）所示：

式（5）中， Nv 代表歸一化處理后的結果， Iv 為指標的初始值， Iv_max 和 Iv_min 分別為初始值的最大值和最小值。最后將四個指標進行主成分分析，來降維多種集中指標的數據信息，并歸一化處理起始的遙感生態指數，如式（6）所示：

RSEI_C=PC₁×（NDVI，Wet，NDSI，LST） 式（6）

式（6）中， RSEI_c 代表起始的遙感生態指數，PC₁ 表示將四個指標進行集中降維的第一主成分分析。通過四個指標的計算和歸一化處理，塞罕壩機械林場的遙感生態指數模型能夠對林場的樹種空間分布和影響因子進行準確評估，從而實現林場的生態環境質量評價。

2塞罕壩機械林場的樹種識別結果和生態環境質量分析

2.1機械林場的分類特征對樹種識別的效果分析

森林資源作為生態系統中的主導因素，其樹種培育對環境污染和生態建設具有重要作用。由于塞罕壩森林類型多樣，研究結合實地調查結果，對林場的優勢樹種進行三層提取，第一層將森林資源分為林地和非林地，第二層林地劃分為針葉林和闊葉林兩個區域。而第三層中針葉林區域的主要樹種為落葉松、樟子松和云杉，闊葉林區域包括白樺和柞樹。首先采用支持向量機和隨機森林的分類方法對地物分類指標進行比較，同時將光譜曲線、植被指數和紋理特征用1、2和3來表示，結果見圖1。

從圖1（a）中得出支持向量機分類方法對光譜曲線和植被指數的總體精度最低，為 84.12% ，而對三個特征的組合總體精度最高，為 86.75% 。同時隨機森林分類方法的總體精度整體比支持向量機方法的較高，并且最高值為三種指標組合的 89.67% 。在圖1（b）中得出支持向量機分類方法對分類指標的卡帕系數，整體低于隨機森林方法。其中支持向量機分類方法對光譜曲線和植被指數組合的值為0.79，植被指數和紋理特征組合的值為0.81。而隨機森林分類方法對光譜曲線和植被指數組合的值為0.82，與支持向量機方法的最高值一致，同時隨機森林方法對三者組合的系數值為0.85，因此得出隨機森林分類方法對多層樹種識別及其影響提取的效果較為優越。

通過遙感影像可得知區域生態環境的時空演變，同時監測環境污染的類型和變化程度，從而采取積極的應對措施來改善生態環境，促進綠色可持續發展。研究將隨機森林分類方法用于遙感影像的多時相特征組合，并結合混淆矩陣的影像像元即林場的樹種劃分，對各個樹種類別進行評價指標的測試，見圖2。

從圖2（a）中得出樟子松在混淆矩陣的用戶精度最高，其值為 94.89% ，云杉的制圖精度最低為55.69% 。調和平和數最佳的樹種為樟子松 92.18% 。對于面積精度的比較，白樺的地理劃分區域較大，面積精度值為 98.85% 。在圖2（b）中得出落葉松和樟子松的影響提取精度較好，混淆矩陣的均衡精度分別為 90.94% 和 91.24% ，而云杉的提取精度最低為 68.43% 。另外對于影響的面積精度提取，落葉松和白樺的面積精度較高，分別為 96.32% 和97.73% ，因此說明云杉樹種的地理空間分布較為分散，面積提取精度有所降低。同時兩種樹種評價方法的差異較小，進而說明隨機森林分類方法的提取效果最佳。

2.2遙感生態指數模型對機械林場的生態環境質量分析

生態環境的質量評價通常是根據區域內的生態環境問題，對資源利用和環境治理進行準確監測，從而兼顧經濟和生態環境的和諧發展。在大力封山育林、植樹造林及幼林撫育的綠色措施中，優勢樹種對固碳制氧、保持水土以及溫室效應等方面具有積極影響，從而減緩了空氣污染、土壤污染和氣候問題的加劇程度。研究根據遙感影像提取的第三層優勢樹種，采用生態環境指標，對樹種的空間劃分進行計算分析，由于隨機森林分類方法對云杉樹種的提取精度較低，因此指數結果見圖3。

從圖3（a）中得出樟子松的生態環境指標不斷均衡上升，最后歸一化植被和濕度指數的值分別為0.8497和0.7584，且翻轉地表溫度和遙感生態指數的變化和結果比較接近。樟子松的干度指數值為最低，最后指標結果為0.4159。在圖3（b）中得出白樺的生態環境變化較為明顯，在歸一化植被指數中表現最高為0.9245，干度指數中表現最低，最近的指數結果為0.3379。由于塞罕壩機械林場屬于干旱半干旱地區，水分貧瘠，樹種生長能夠適應當地高寒貧瘠的自然條件，所以植被覆蓋和分布空間的生態環境質量比較符合森林資源的環境需求。

在大面積植樹造林的活動中，塞罕壩機械林場結合地形和氣候條件，積極培育優勢樹種，為西北風沙和水土流失提供生態屏障，減少環境污染并增加物種多樣性。地形因素對塞罕壩森林資源的生長影響比較重要，研究利用遙感生態指數模型與塞罕壩和樹種進行地形高程的分析。結果見表1。

從表1中得出由地形的高程影響，優勢樹種的遙感生態指數會隨著高程的增加而增加。其中樟子松和白樺樹種與高程的變化趨勢一致，樟子松在150m～1700m 的高程時RESI最高，為0.6543，白樺在 1700m 以上的高程后，RESI最高，值為0.768 4 。同時與鄰近高程分區的結果差距較小。柞樹會隨著高程的增加而出現先升后降的變化，并在地形高程為 1 300～ 1 500m 時，RESI最高為0.7309 。同時隨著地形海拔的上升，落葉松的RE-SI呈現先降后升的形式，在 1 300～1 500m 的高度時，RESI最低為0.6815。綜合地形高程的影響因素和樹種生長關系，說明RESI模型對林場生態環境質量改善具有一定的指向意義，并為生態環境保護提供積極的指標評價。

3 結束語

針對塞罕壩機械林場的生態環境質量評價問題，研究利用分類指標和分類方法的精度比較，并結合遙感影像和實地調查，對優勢樹種進行生態環境指標的質量分析。通過分類方法的比較和樹種的生態環境指數分析，結果得出隨機森林分類方法對三種指標組合的總體精度為 89.67% 。對于優勢樹種的分類評價，說明白樺的地理劃分區域較大，精度為 98.85% ，落葉松和樟子松的影響提取精度分別為 90.94% 和91.24% 。關于樹種的生態環境指標，經指數計算得出樟子松的綠色指標和干度指數的值分別為0.8497和0.7584，在地形因素的影響中，白樺在1 700m 以上的高程中，生態環境質量指標最高為0.7684。綜合所有數據，說明基于隨機森林分類方法對機械林場優勢樹種的生態環境質量評價效果最好。

參考文獻：

[1]王欽藝，黃玫，王昭生，等.臭氧污染對亞熱帶森林生產力和生物量的影響—以鼎湖山為例[J].生態學報，2023，43（5）：1832-1842.

[2]姜雨，黃選瑞，時田雨，等.不同間伐強度對自然保護區人工林植被多樣性及分布格局的影響一一以河北省塞罕壩機械林場為例[J].中南林業科技大學學報，2022，42（12）：68-81.

[3]馬雪梅，劉強，張志東，等.塞罕壩機械林場華北落葉松冠層光合作用的空間異質性[J].中南林業科技大學學報，2023，43（1）：113-122.

[4]王曉紅，辛守英，陽麗虹，等.塞罕壩植被覆蓋時空分異與驅動機制研究[J].西部林業科學，2024，53（1）：163-171.

[5]葛楠，李鴻祥，曹峰.基于SBE－AHP法的河北塞罕壩森林公園植物景觀質量評價[J].中南林業科技大學學報，2023，43（4）：182-190

[6]方攀飛，王雷光，徐偉恒，等.云南香格里拉地區森林優勢樹種決策融合分類[J].遙感技術與應用，2022，37（3）：638-650.

[7]邢博，王英男，殷志強，等.塞罕壩森林生態系統對區域溫度降水變化的影響[J].地質通報，2023，42（12）：2174-2184.

[8]吳登瑜，竇嘯文，湯孟平.天目山針闊混交林結構與碳儲量的關系[J].應用生態學報，2023，34（8）：2029-2038.

[9]蔡秀亭，呂潔華，王成齊.中國森林生態安全空間關聯的網絡特征及其驅動機制[J].自然資源學報，2022，37（8）：2137-2152.

[10]趙瑛，劉陽陽，栗桑，等.青海省納日貢瑪銅鉬礦地質環境問題及環境恢復研究[J].中國錳業，2023，41（4）：61-66.