引言

毛竹是我國分布面積最大的竹林種類，第八次全國森林資源清查數據顯示，毛竹占中國竹林總面積的74%以上，集中分布在福建、浙江、湖南、江西等地。毛竹生態效益高、生長速度快，其強固碳能力和豐富的碳儲量對全球生態系統碳循環意義重大，強再生能力和廣泛的用途使其在竹產區農村經濟中占據重要地位。獲取毛竹林時空分布信息，有助于毛竹林資源的監測及管理，充分發揮其生態和經濟效益。

衛星遙感能夠獲得大尺度空間連續的對地觀測數據，為獲取毛竹林的時空分布提供了可靠的數據源。高分辨率數據提供了精細的空間和紋理細節，竹林空間分布提取準確性高，但數據價格昂貴，不適宜大范圍應用。MODIS等低分辨率數據提供了每天的全球250m~1000km的觀測，但混合像元問題嚴重影響了林種的提取精度。

基于衛星遙感的林種精細提取難度較大。在毛竹林分布的亞熱帶和熱帶區域，常分布有大面積的闊葉林、針葉林、混交林等其他森林，大部分森林與毛竹林同為常綠林，在光譜特征和季節變化上接近，這給毛竹林的精準提取帶來了很大困難。常用的Landsat等中高分辨率衛星的時間分辨率往往較低，在亞熱帶和熱帶地區，頻繁的云覆蓋導致高質量無云影像的獲取較為困難。現有研究多直接采用可得的晴空觀測，未細致考慮不同時相遙感觀測在毛竹林提取方面的差異。各種森林類型的樹種組成和林下植被不同，由于樹木葉片葉綠素含量和林下植被在物候特征方面的差異，不同森林類型在季節曲線上呈現出一定差異。充分利用各植被類型季節曲線的差異，尋找區分度最大的時相的遙感影像用于分類，有利于提高毛竹林的提取精度與效率。MODIS提供了地表每天的觀測，能夠獲取地物的光譜季節曲線。利用MODIS獲得的季節曲線辨別不同地表類型在各個季節的可區分性，結合Landsat高空間分辨率影像，將有助于毛竹林分布的高精度提取。

浙江省慶元縣被譽為我國生態環境第一縣，森林覆蓋率達86%以上，毛竹林約占林業用地總面積的17%。以浙江慶元為研究區，通過提取典型植被的MODIS光譜季節曲線，分析各季相地物光譜毛竹林的可區分度；基于Landsat分析各波段反射率和多種光譜指數對毛竹林和其他典型地物的區分性，選擇毛竹林提取的有效分類特征；在此基礎上，采用2016~2018年所有可得的晴空Landsat影像，基于隨機森林分類器優選最佳分類時相，構建毛竹林提取方法，期望為其他亞熱帶地區毛竹林分類提供參考。

研究區概況

慶元縣位于浙江省西南部，總面積1897km2，是浙江省有名的竹鄉。區域內山嶺連綿，地勢由東北向西南傾斜，海拔240~1856.7m，50%的區域坡度大于20°。氣候屬亞熱帶季風氣候，溫暖濕潤，年平均氣溫13.3℃，年降水量2294.2mm。境內地帶性植被為常綠闊葉林，另有常綠針葉林、針闊混交林和竹林廣泛分布。竹林是慶元林業建設的重要內容，竹產業是該縣社會經濟發展和農民增收致富的重要支柱產業之一。2016年慶元縣林業資源普查結果顯示，全縣竹林面積2.79萬hm2，毛竹占比高達99.57%，其他主要竹種為小雜竹。

數據與方法

3.1 遙感數據

采用研究區內2016~2018年所有可得晴空Landsat影像（共5景）用于光譜特征提取和土地利用分類，數據空間分辨率30m，通過Google Earth Engine平臺獲取已采用LaSRC算法進行大氣校正后的影像。采用2013~2017年MODIS地表反射率產品MOD09A1（h28v06）分析不同植被光譜季節曲線，數據時空分辨率為8d、500m，并利用基于時間序列拐點的云檢測算法對MOD09A1進行了精細的云掩膜。采用ASTER GDEM V2數字高程數據提取坡度、坡向作為分類特征，空間分辨率為30m。

3.2 樣本數據

根據實地調研獲得的慶元縣主要土地利用類型，結合高分辨率影像的可辨認性，將當地地表覆蓋劃分為毛竹林、常綠針葉林、常綠闊葉/針闊混交林、耕地、建設用地、水體共6類典型地物。由于當地針闊混交林以闊葉樹為主，闊葉林與混交林區分難度大，在分類中歸并為一類，以便將研究重點聚焦在毛竹林的提取上。基于Google Earth高分辨率影像結合2018年8月和2019年1月兩次野外考察，選擇了318個感興趣區（ROIs），包括16485個像元，涵蓋6種典型地物類型。其中，隨機選擇224個ROIs（14725個像元）用于分類分類器訓練，剩余的94個ROIs（1760個像元）用于精度驗證（表2、圖2）。毛竹林生長高大且密集，在高分辨率遙感影像上少有側影，呈現出絨狀紋理特征，與常綠闊葉/針闊混交林的淺色粗糙團狀紋理和常綠針葉林深色密集針狀紋理有明顯差別（圖2）。

表2 典型地物地面樣本數量統計

圖 2 典型地物訓練樣本與驗證樣本分布及參考高分辨率影像

3.3 光譜指數計算

光譜指數綜合多個光譜信號實現植被信號增強，在土地覆蓋分類領域廣泛應用。實驗選擇歸一化差值植被指數（NDVI）、差值植被指數（DVI）、比值植被指數（RVI）、比值光譜指數（RSI）、歸一化水指數（NDWI）、地表水分指數（LSWI）、纓帽變換的亮度分量（TCB）、纓帽變換的綠度分量（TCG）和纓帽變換的濕度分量（TCW）等9種常見的表征植被綠度、水分含量和土壤亮度信息的光譜指數（表3），利用預處理后的MODIS和Landsat地表反射率分別計算光譜指數。

表3 不同光譜指數計算公式

3.4 季相區分度分析

基于野外調查結合高分辨率影像，選擇植被連續大面積分布的4處典型站點，分別為毛竹林常綠針葉林，常綠闊葉/針闊混交林和耕地。分別提取各個站點2013~2017年MODIS1~7波段地表反射率和光譜指數。為去除云、氣溶膠等噪聲的影響，采用5a晴空的平均值，并進行SG平滑處理。基于地表反射率和光譜指數季節曲線分析毛竹林與其他地類在春季（3~5月）、夏季（6~8月）、秋季（9~11月）和冬季（12~2月）的可區分度，將區分度劃分為4級，強區分度為毛竹林季節曲線與其他植被沒有重合，且差別較大；較強區分度為毛竹林與其他植被季節曲線重合度較低，但在某一段較為接近；較弱區分度為毛竹林與其他植被季節曲線比較接近，仍存在一定差別；弱區分度為毛竹林與其他植被季節曲線重合度較高。由于建設用地與水體的光譜特性顯著區別于植被，且無明顯季節特性，未參與季節特征分析。

3.5 有效分類特征

選擇實驗采用SEaTH算法從6種地表反射率、9種光譜指數，以及DEM、坡度、坡向3種地形要素中篩選有效特征。其算法核心是在分類特征服從正態分布的條件下，通過計算每兩種地類在某一特征上的J-M（Jeffries-Matusita）距離判斷可分離度，其計算公式為：

其中：a1、a2為每個特征值均值；a1、a2為每個特征值的標準差；B為巴氏距離；J為J-M距離。J的取值范圍為［0，2］，若J>1.9，說明可分離度較強。利用6種地類的訓練樣本計算各特征可分離度。由于實驗側重毛竹林提取，可分離度與毛竹林相關的，選擇J>1.9的前10種特征，并取交集；與毛竹林無關的，選擇J>1.9的前3種特征，重復項合并。

3.6 隨機森林分類及驗證

隨機森林分類器是一種進行圖像分類的機器學習算法，通過分析輸入樣本特征構建多種不同決策樹，最終選擇所有決策樹結果的眾數作為分類結果。算法精度較高，被廣泛應用于植被精細分類研究。實驗采用2016~2018年所有可得晴空Landsat影像，基于MATLAB平臺構建隨機森林分類器，利用訓練樣本的有效分類特征訓練分類器實現單/多時相毛竹林提取。基于預留的獨立驗證樣本計算混淆矩陣評價不同時相的分類精度，分析毛竹林提取的最佳時相，并與森林資源調查數據進行對比，驗證分類效果。

結果與分析

4.1季相區分度分析

圖3為毛竹林、常綠針葉林、常綠闊葉/針闊混交林和耕地典型站點MODIS光譜反射率及光譜指數季節曲線。以近紅外波段為例（圖3（d）），春季毛竹林近紅外反射率與常綠針葉林較為相似，但在120~150d稍高于常綠針葉林，毛竹林區分度為較弱；夏季毛竹林反射率顯著高于其他植被，區分度強；秋季毛竹林反射率與其他植被沒有重合，但與常綠闊葉/針闊混交林曲線相似，區分度較強；冬季毛竹林季節曲線與常綠針葉林基本重合，區分度弱。由區分標準得到不同季節毛竹林區分度數量統計（表4），結果表明，秋季毛竹林區分度最高，共有11個區分度強或較強的特征，其中強區分度特征有8個；夏季次之，共有7個強區分度特征和2個較強區分度特征；冬季與春季毛竹林在短波紅外2，TCW等特征上具有一定區分性，但整體可分性不如秋季與夏季。

圖 3 不同植被類型典型站點的 MODIS 光譜反射率及光譜指數季節曲線及各季相區分度

表 4 各季節區分度強弱的分類特征數量統計

4.2有效分類特征選擇

利用2018年10月5日Landsat影像計算18種分類特征的可分離度，結果如表5所示，粗體為滿足篩選條件的J-M距離。共得到12種有效分類特征，包括光譜反射率紅、綠、藍、近紅外和兩個短波紅外波段，光譜指數NDVI、DVI、RVI、NDWI、TCB和TCW。其中，近紅外和TCB對所有地類都具有較高的可分離度，J-M距離均大于1.99；短波紅外1、DVI和TCW主要用于分離毛竹林與其他植被；NDVI、RVI和NDWI用于分離常綠針葉林和常綠闊葉/針闊混交林；紅、綠波段和短波紅外2用于分離植被與非植被。本實驗另分析了其他4個時相Landsat影像各分類特征的可分離度，結果與10月影像表現一致。

表5 不同分類特征的 J-M 距離

4.3不同時相分類精度評估

由于MODIS數據空間分辨率較粗，可能存在混合像元問題，且進行實驗的站點數目有限。本研究在MODIS季節曲線分析基礎上，利用研究區2016~2018年所有可得Landsat晴空觀測，設計單時相和多時相組合的16組對比實驗（表6），進一步分析不同季相影像對毛竹林提取精度的影響。單時相影像分類（實驗1到5）結果表明，影像季相會顯著影響分類準確性（圖4）。

表6不同時相分類實驗設計

基于秋季初中期10月Landsat影像的毛竹林分類精度和總體分類精度最高，毛竹林用戶和制圖精度分別達到89.00%和86.91%，總體精度為87.56%。與其他時相分類結果相比，用戶和制圖精度分別提高了3.44%~20.62%和5.39%~14.71%，總體精度提高了1.42%~8.35%，這也證實了選用區分度高的季相觀測有助于提高分類準確性。夏季6月分類精度次之，毛竹林用戶和制圖精度分別為80.76%和80.20%。春季3月影像分類精度較低，用戶和制圖精度分別為74.91%和75.43%。深秋11月的用戶和制圖精度僅為68.38和78.35%，冬季2月毛竹林分類精度最低（低于72%）。實驗6~16評估了采用多時相影像的毛竹林提取精度。實驗6~8使用分類效果最好的秋季（10月）分別與春（3月）、夏（6月）、冬（2月）季的影像組合；實驗9~11假設無秋季晴空影像時，分別采用冬春（2月與3月）、冬夏（2月與6月）、春夏（3月與6月）影像結合分類；實驗12~16分別采用3個季節（春夏冬、春秋冬、夏秋冬、春夏秋）及四季結合（春夏秋冬）影像分類。根據毛竹林用戶和制圖精度，并參考總體分類精度和Kappa系數，結果表明，基于多時相影像提取毛竹林的精度均不如秋季（10月）單時相，其中冬夏季結合（實驗10）分類精度最高，毛竹林用戶與制圖精度分別為85.57%和78.06%，與夏季單時相結果相比，雖然制圖精度略有下降（2.15%），但毛竹林用戶精度和總體精度分別提高了4.81%和5.74%（圖4）

圖4 各組實驗分類精度（用戶精度和制圖精度均指毛竹林）

4.4最優方法分類結果及驗證

上述分析表明，基于秋季初中期10月單時相觀測（實驗4）可以實現研究區毛竹林分布最佳提取，且總體分類精度最高。采用最佳的實驗4方案提取研究區毛竹林分布，結果顯示，慶元毛竹林面積達307.62km2，在全縣各鄉鎮均有分布，尤以西南部和西北部更為集中，東部分布分散（圖5（b））。常綠針葉林和常綠闊葉/針闊混交林面積分別為690.17km2和627.04km2，主要分布在研究區北部、中部和東部；建設用地面積為39.83km2，在縣政府所在的中西部最集中，其他居民點散落分布在坡度較緩的河谷地帶；耕地面積達224.84km2，多分布在居民點附近的河谷和山腰（圖5（a））。為進一步驗證實驗提出的毛竹林提取方法的精度，將分類結果與2016年慶元縣林業資源普查結果進行面積對比。2016年慶元毛竹林普查面積為277.72km2，實驗提取結果為307.62km2，精度為89.23%。根據慶元縣政府網，為促進竹產業、林下經濟發展和農民增收，縣政府每年投入大量資金扶持竹林建設，2018年毛竹林面積實際應高于2016年普查數據，與本研究結果更為接近。

圖 5 2018 年慶元縣土地利用和毛竹林分布圖

討論

現有竹林遙感提取研究多直接采用可得的單幅或多幅晴空影像進行分類，實驗充分考慮植被生長的季節差異，引入MODIS高時間分辨率觀測獲取地物光譜季節曲線，通過分析季節區分度和比較不同時相分類精度，篩選了亞熱帶區域毛竹林識別的最佳季節，結果證實選用區分度高的季相觀測有助于提高毛竹林的識別精度。

毛竹生長具有大小年的規律，大年出筍小年換葉，其葉片光合色素含量、內部物質變化和代謝能力受大小年影響，呈現不同的季節變化特征。一般小年春季（4~5月）毛竹落葉并抽發新葉，葉片葉綠素含量較低呈黃色，隨著營養物質積累，6~7月葉片轉為深綠色，并一直保持到次年（大年）11月。而其他常綠林在春季4~5月葉片葉綠素含量較高，與處于小年落葉期的毛竹林存在顯著差異。但本研究MODIS季節曲線分析表明，春季3~5月毛竹林的區分度并非最高的，研究區近5a無4~5月晴空影像，而鄰近的3月和6月分類結果也不如10月。這可能是由于研究區毛竹林分布分散，各鄉鎮種植時間不一，導致各區域毛竹林大小年不同步。以春季落葉期作為遙感檢測的關鍵期僅能檢測出處于小年期的毛竹林，導致處于大年期的毛竹林的大面積漏檢。無論大年小年，秋季毛竹葉片仍呈現深綠色，而同時期闊葉林、針葉林冬季葉片不再維持深綠，與毛竹林在波段反射率和光譜指數林提取效果優于春季。

季節曲線分析結果表明，秋季毛竹林的可區分度最佳，但在實際提取實驗中，秋季初中期（10月）毛竹林提取效果較好，而深秋（11月）毛竹林用戶精度不理想。這可能與研究區內森林樹種組成復雜有關。盡管研究區地帶性植被為常綠林，但區內山地眾多，海拔1200m以上散布有麻櫟、槲櫟等落葉林。深秋季節，毛竹林葉綠素含量降低，落葉樹種落葉，林下植被也出現落葉或葉片葉綠素含量降低現象。由于落葉植被占比和葉綠素含量降低程度不一，加劇了各植被類型區分的復雜性，導致其他植被類型被錯分為毛竹林，用戶精度顯著降低。多組實驗證明初、中秋影像更適于區內毛竹林的精細提取。

高時空分辨率衛星能夠獲取更加精細的植被生長季相特征與空間信息，同時紅邊波段提供了更為豐富的波譜信息。后續研究可嘗試新的傳感器，將有助于植被類型識別，提高毛竹林提取的精度。

結論

實驗采用MODIS高時間分辨率與Landsat OLI高空間分辨率觀測，通過分析不同植被類型MODIS光譜季節特征曲線，并結合近3a所有可得晴空觀測進行分類實驗，篩選了毛竹林分類的最優時相，基于隨機森林實現了毛竹林分布提取。結果表明：

（1）對于單時相影像，基于秋季初中期10月影像的毛竹林提取精度優于其他季節，是區分毛竹林與研究區內其他植被的最優時相；夏季次之，春季與冬季較差。與其他單時相分類結果相比，秋季初中期影像的毛竹林分類用戶精度和制圖精度分別提高了3.44%~20.62%和5.39%~14.71%。

（2）對于多時相影像，在秋季觀測基礎上增加其他季節觀測未能提高毛竹林分類精度；夏冬影像結合相對于其他多時相以及夏季、冬季單時相分類，提取精度更高，用戶和制圖精度分別達到85.57%和78.06%。

（3）基于2018年10月5日Landsat影像及有效分類特征（藍、綠、紅、近紅外和兩個短波紅外波段，NDVI、DVI、RVI、NDWI、TCB和TCW），實現了研究區毛竹林分布的最優提取。與獨立驗證樣本比較，毛竹林用戶和制圖精度分別達到89.00%和86.91%；與當地森林資源普查數據對比，毛竹林提取精度優于89.23%。（4）在類似亞熱帶區域竹林提取中，當有多個時相晴空觀測可供選擇時，應優先選擇秋季初、中期影像；當此時期沒有晴空觀測時，應優先組合夏季與冬季觀測進行分類。

推薦：

便攜式地物光譜儀iSpecField-NIR/WNIR

專門用于野外遙感測量、土壤環境、礦物地質勘探等領域的最新明星產品，由于其操作靈活、便攜方便、光譜測試速度快、光譜數據準確是一款真正意義上便攜式地物光譜儀。

無人機機載高光譜成像系統iSpecHyper-VM100

一款基于小型多旋翼無人機機載高光譜成像系統，該系統由高光譜成像相機、穩定云臺、機載控制與數據采集模塊、機載供電模塊等部分組成。無人機機載高光譜成像系統通過獨特的內置式或外部掃描和穩定控制，有效地解決了在微型無人機搭載推掃式高光譜照相機時，由于振動引起的圖像質量較差的問題，并具備較高的光譜分辨率和良好的成像性能。

便攜式高光譜成像系統iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。

審核編輯黃宇