基于高空间分辨率时间序列影像的对象级侵占林地图斑快速检测

刘晓双; 李才文; 赵义兵

doi:10.12171/j.1000-1522.20210261

基于高空间分辨率时间序列影像的对象级侵占林地图斑快速检测

刘晓双^{1, 2,},
李才文^{1, 2, ,},
赵义兵^{1, 2}

1.
国家林业和草原局西北调查规划院，陕西西安 710048
2.
旱区生态水文与灾害防治国家林业局重点实验室，陕西西安 710048

基金项目: 国家林草局自主研发项目计划（2020-LC-1-08）

详细信息

作者简介:
刘晓双，高级工程师。主要研究方向：森林资源监测。Email：148442221@qq.com　地址：710048 陕西省西安市碑林区金花南路156号国家林业和草原局西北调查规划院

责任作者:
李才文，高级工程师。主要研究方向：森林资源监测。Email：442409249@qq.com　地址：同上

中图分类号: TP79
计量
- 文章访问数: 684
- HTML全文浏览量: 173
- PDF下载量: 79
出版历程
- 收稿日期: 2021-07-13
- 修回日期: 2022-10-15
- 网络出版日期: 2022-10-20
- 发布日期: 2022-11-24

Rapid detection of object-level invaded forest map patch based on high spatial resolution time series image

Liu Xiaoshuang^{1, 2,},
Li Caiwen^{1, 2, ,},
Zhao Yibing^{1, 2}

1.
Northwest Surveying and Planning Institute of National Forestry and Grassland Administration, Xi’an 710048, Shaanxi, China
2.
Key Laboratory of National Forestry Administration on Ecological Hydrology and Disaster Prevention in Arid Regions, Xi’an 710048, Shaanxi, China

摘要

摘要:
目的为掌握森林资源动态变化情况，及时、快速、准确地发现侵占林地地块，并解决主流遥感变化检测方法对数据源和时相一致性要求高、人工干预多、过程繁琐等应用瓶颈，采用一种基于高空间分辨率时间序列影像的多尺度对象级分割和变化提取方法，对主流方法的分类和检测两个过程进行了融合和简化。
方法以陕西省白水县为研究区，采用GF-1和ZY-3卫星数据源，将前后两期遥感影像波段拆分和重组形成时间序列影像，对时间序列影像进行多尺度面向对象的分割，通过分割结果的光谱变化值统计学抽样判断临界点并制定提取阈值，再利用NDVI变化值对结果进行优化。
结果以人工目视解译结果作为参照，该方法的检测精度达86.2%。在成功检出的侵占林地图斑中，形状吻合较好或基本吻合的图斑占48.8%。
结论该方法能够实现侵占林地图斑的快速检测，在检测效率、精度和适应性方面可满足大范围、多时相、混合数据源森林资源监测工作的实际应用需要。
- 变化检测 /
- 面向对象 /
- 时间序列影像 /
- NDVI /
- 林地图斑
Abstract:
Objective In order to know the dynamic changes of forest resources, detect the infringement of forest land promptly, quickly and accurately, and solve the application bottlenecks of mainstream remote sensing change detection methods such as high requirements of consistency for data source and data time, too much manual interventions and complicated process, this research used a multi-scale object-level segmentation and change extraction method based on high spatial resolution time-series images to merge and simplify the two processes of classification and detection in mainstream methods.
Method Taking Baishui County in Shaanxi Province of northwestern China as the research area, using GF-1 and ZY-3 satellite data sources, the two remote sensing image bands were split and reorganized to form the time-series image, and the time-series image was segmented in a multi-scale object-oriented manner. The spectral change value of the segmentation result was statistically sampled to determine the critical point and establish the extraction threshold, and then the NDVI change value was used to optimize the result.
Result Taking the results of manual visual interpretation as a reference, the detection accuracy of this method was 86.2%. Among the classes that successfully detected invading forests, classes with good or almost consistent shapes accounted for 48.8%.
Conclusion This method can realize the rapid detection of invaded forest classes, and can meet the practical application needs of large-scale, multi-temporal, and mixed image data source forest resource monitoring in terms of detection efficiency, accuracy and adaptability.
- change detection /
- object-oriented /
- time series image /
- NDVI /
- woodland patch

HTML全文

土壤有机碳（soil organic carbon，SOC）是植物和微生物生长所必需的物质能量来源，是影响土壤肥力、生产力和养分有效性的关键因素，对土壤理化特性具有重要调节作用^[1]。SOC储量分布特征是其长期累积的结果，与土壤剖面的发育密切相关。人工林生态系统具有较强的碳汇和增汇潜能^[2]，被认为是实现“双碳”目标最经济、最安全的有效途径之一^[3]。人工林大面积营建改良了土壤质量，改变了土壤有机质的输入与分解方式，利于SOC贮存和积累^[4]，人工林土壤碳库库容较大，能维持较稳定的碳储量^[5−6]。然而，人工林SOC的贮存受土壤理化性质、植被类型和地形等诸多因素的影响^[7−8]，关于不同人工林下SOC分布特征尚未达成共识。大量研究基于土壤表层或单一林分，吴慧等^[9]研究得出热带山地雨林次生林在0 ~ 50 cm垂直方向上土壤有机碳质量分数随土壤深度增加而减小；王越等^[10]通过文献整合分析得出油松（Pinus tabuliformis）林0 ~ 20 cm有机碳储量最高，20 ~ 60 cm稳定且保持较低水平；张智勇等^[11]认为陕北黄土区沙棘林有机碳储量优于草地和油松林。据《全球森林评估》报道，我国人工林面积居世界前列^[12]，人工林生态系统对森林生态系统碳储量增加的贡献较大^[13]，因此阐明不同人工林SOC储量的分布特征在宏观方向上研究森林碳汇尤为重要。

黄土高原生境脆弱，水土流失严重。随着“退耕还林还草”生态工程的实施，黄土高原植被覆盖大幅增加^[14]，不同人工林土壤固碳问题逐渐成为研究者们关注的热点问题^[15]。土地利用变化的改变增强了土壤碳汇功能^[16]。Zhang等^[17]研究得出退耕后土壤有机碳储量在0 ~ 20 cm以36.67 g/（m²· a）的速率发生巨大的变化，包玉斌^[18]研究了2000—2010年陕北黄土高原退耕年间，其退耕地土壤碳固存总量增加。目前，关于黄土高原SOC储量的研究多集中在大尺度空间分布^[19]、单一人工林^[20]、模型拟合^[21]和浅层土壤（0 ~ 100 cm）^[11]。这些研究仅是土地利用前后或退耕后单一林地与草地或农田之间的对比研究，而对于退耕后不同人工林及深层土壤SOC储量的研究较少。相关研究表明，土壤是一个不均匀且不连续的时空变异体^[22]，其演化过程十分复杂。土壤碳库的分布特征，因缺乏连续、可靠、统一的土壤剖面资料，区域SOC储量实测及代表性数据贫乏^[23]，存在明显的不确定性^[24]。因此，准确评估退耕后小尺度不同人工林SOC储量的分布特征，对森林土壤有机碳库的精确估算以及土壤碳汇研究具有重要意义。

鉴于此，本研究以黄土丘陵区典型同一退耕年限的人工油松林、山杏（Armeniaca sibirica）林、沙棘（Hippophae rhamnoides）林和天然草地0 ~ 200 cm土壤为研究对象，探究不同人工林SOC储量的垂直分布特征，以期为准确计算黄土高原有机碳储量提供数据支撑，为建立黄土高原土壤碳库，优化人工林土壤固碳格局提供理论依据。

1. 研究区概况与研究方法

1.1 研究区概况

研究区位于陕西省吴起县（107°38′57″ ~ 108°32′49″ E，36°33′33″ ~ 37°24′27″ N），海拔高度1 233 ~ 1 809 m，是典型的黄土高原丘陵沟壑区。吴起县地处中温带半湿润—半干旱区域，温带大陆性季风气候特征明显，年均温7.8 ℃，年平均降水量483.4 mm，时空分布不均，主要集中在7—9月，年无霜期146 d。主要土壤类型为黄绵土，结构疏松、持水力低、易侵蚀。自1999年坡耕地转变为林地以来，形成了刺槐（Robinia pseudoacacia）、油松、侧柏（Platycladus orientalis）、山杏、沙棘、柠条（Caragana sinica）、白莲蒿（Artemisia stechmanniana）、达乌里胡枝子（Lespedeza daurica）等以及自然恢复草地为主的乔灌草植物群落，全县林草覆盖率显著增加，生态环境得以改善。

1.2 土壤样品采集与处理

于2020年9月进行样品采集，在研究区选择相同退耕年限的典型人工油松林、山杏林、沙棘林和天然草地，分别布设25 m × 25 m大样方，利用GPS采集地理信息数据，样地基本信息如表1。使用内径6 cm的土钻，在样方内，采用五点采样法，以0 ~ 20 cm、20 ~ 40 cm、40 ~ 60 cm、60 ~ 100 cm、100 ~ 150 cm、150 ~ 200 cm分层采集土壤样品，带回实验室进行分析。待土壤样品风干后，研磨、过筛，进行理化性质测定。土壤密度采用环刀法测定，土壤有机碳采用重铬酸钾稀释热法测定，全氮采用半微量凯式定氮法测定，全磷采用硫酸−高氯酸消煮−钼锑抗比色法定，全碳通过元素分析仪测定，无机碳根据全碳、有机碳之间关系获得，碱解氮采用碱解扩散法测定，速效磷采用钼锑抗比色法测定，土壤粒度组成使用激光粒度分析仪（Mastersize-zer 3000）测定^[25]。

表 1 样地基本信息

Table 1. Basic information of the sample plots

人工林 Plantation	海拔 Elevation/m	坡度 Gradient/（°）	坡向 Aspect	平均高度 Average height/m	平均胸径 Average DBH/cm	郁闭度或盖度 Crown density or coverage	林下优势种 Dominant understory species
油松 Pinus tabuliformis	1 362.6	20	SFS	8.5	11.3	0.65	MO, LB, ASB
山杏 Armeniaca sibirica	1 459.7	21	SFS	7.3	10.4	0.62	ASB, PS, LB, PC
沙棘 Hippophae rhamnoides	1 389.9	6	NFS	2.9	3.5	0.71	LS, ASW, LB
草地 Grassland	1 376.7	33	SFS			0.86	LB, LS, SC
注：SFS. 阳坡；NFS. 阴坡；MO. 草木犀；LB. 胡枝子；ASB. 白莲蒿；PS. 败酱；PC. 委陵菜；LS. 赖草；ASW. 猪毛蒿；SC. 针茅。Notes: SFS, south-facing slope; NFS, north-facing slope; MO, Melilotus officinalis; LB, Lespedeza bicolor; ASB, Artemisia stechmanniana; PS, Patrinia scabiosaefolia; PC, Potentilla chinensis; LS, Leymus secalinus; ASW, Artemisia scoparia; SC, Stipa capillata.

下载: 导出CSV

| 显示表格

土壤有机碳储量计算公式为

${\rm{SOC}}_{储量}=w_{{\mathrm{SOC}}i}\times \rho_{{\rm{BD}}i}\times D_i\times 0.01$

式中：SOC_储量表示土壤有机碳储量（g/m²），w_SOCi表示第i层的土壤有机碳含量（g/kg），ρ_BDi表示第i层的土壤密度（g/cm³），D_i表示第i层的土层厚度。

1.3 数据处理

应用SPSS26.0对数据进行统计分析，采用单因素方差分析（ANOVA）对比不同人工林、不同土层深度有机碳储量之间的差异；应用Origin2018对土壤有机碳储量与土壤理化性质、不同人工林、地形等影响因素之间的关系强弱和作用机理进行PCA分析并绘图；应用R4.2.1对土壤有机碳储量和各环境变量的贡献关系进行冗余分析。

2. 结果与分析

2.1 有机碳储量分布特征

研究区0 ~ 200 cm土层平均SOC储量由大到小为山杏（16.190 g/m²） > 草地（15.403 g/m²） > 沙棘（11.449 g/m²） > 油松（10.188 g/m²）（表2）。不同人工林SOC储量变异系数在10% ~ 30%，为中等程度变异，表现为沙棘（0.219） > 山杏（0.136） > 油松（0.124） > 草地（0.115）。变异系数表征了SOC储量的空间异质性，沙棘的SOC储量空间异质性最大，草地的SOC储量空间异质性最低。

表 2 不同人工林土壤有机碳储量描述统计

Table 2. Description statistical characteristics of soil organic carbon stocks content in different plantations

人工林 Plantation	土层 Soil layer/cm	平均值 Mean value/（g·m⁻²）	最大值 Max. value/（g·m⁻²）	最小值 Min. value/（g·m⁻²）	标准差 Standard deviation	变异系数 Variation coefficient	占比 Proportion
油松 Pinus tabuliformis	0 ~ 20	11.658	12.197	10.627	0.893	0.077	0.191
	20 ~ 40	7.009	9.253	4.457	2.412	0.344	0.115
	40 ~ 60	7.691	8.506	7.267	0.706	0.092	0.126
	60 ~ 100	10.246	12.052	8.016	2.051	0.200	0.167
	100 ~ 150	13.491	13.844	13.040	0.411	0.030	0.221
	150 ~ 200	11.035	11.050	11.010	0.022	0.002	0.180
	0 ~ 200	10.188	13.490	7.008	1.082	0.124
山杏 Armeniaca sibirica	0 ~ 20	19.049	20.198	16.988	1.789	0.094	0.196
	20 ~ 40	13.201	17.450	10.940	3.683	0.279	0.136
	40 ~ 60	11.359	12.901	10.199	1.390	0.122	0.117
	60 ~ 100	19.106	23.617	15.815	4.041	0.211	0.197
	100 ~ 150	20.097	22.132	19.009	1.764	0.088	0.207
	150 ~ 200	14.332	14.670	14.033	0.320	0.022	0.147
	0 ~ 200	16.190	20.097	11.359	2.184	0.136
沙棘 Hippophae rhamnoides	0 ~ 20	19.692	24.417	16.385	4.199	0.214	0.287
	20 ~ 40	9.659	13.084	7.616	2.984	0.309	0.141
	40 ~ 60	5.912	8.583	4.269	2.333	0.395	0.086
	60 ~ 100	8.850	10.196	7.530	1.333	0.151	0.128
	100 ~ 150	13.247	15.749	11.861	2.171	0.164	0.193
	150 ~ 200	11.333	12.417	10.544	0.971	0.086	0.165
	0 ~ 200	11.449	19.691	5.912	2.331	0.219
草地 Grassland	0 ~ 20	19.906	22.351	16.274	3.208	0.161	0.215
	20 ~ 40	10.066	11.177	8.118	1.692	0.168	0.109
	40 ~ 60	9.256	10.564	8.160	1.216	0.131	0.100
	60 ~ 100	14.409	15.494	12.767	1.446	0.100	0.156
	100 ~ 150	20.021	20.836	18.609	1.228	0.061	0.217
	150 ~ 200	18.760	20.178	17.629	1.299	0.069	0.203
	0 ~ 200	15.403	20.021	9.255	1.681	0.115

下载: 导出CSV

| 显示表格

在不同人工林中（图1），在0~200 cm剖面上SOC储量呈现出山杏（97.145 g/m²） > 草地（92.418 g/m²） > 沙棘（68.695 g/m²） > 油松（61.130 g/m²）的分布格局，山杏的SOC储量与油松、沙棘差异显著（P < 0.05）。人工油松林，山杏林，沙棘林与天然草地0 ~ 60 cm SOC储量占整个剖面的43.11%、44.89%、51.33%、42.45%，表层碳储量高。垂直分布上，油松、山杏、沙棘的SOC储量自表层向下随深度增加变异系数先增大后减小，在20 ~ 40 cm土层变异系数达到最大，草地的SOC储量自表层向下随深度增加变异系数减小。在不同深度土层中，油松的SOC储量与山杏、沙棘、草地在0 ~ 20 cm、20 ~ 40 cm、150 ~ 200 cm土层差异显著（P < 0.05），沙棘的SOC储量与山杏、油松、草地在40 ~ 60 cm、60 ~ 100 cm土层差异显著（P < 0.05），油松、沙棘的SOC储量与山杏、草地在100 ~ 150 cm土层差异显著（P < 0.05）。

图 1 不同人工林土壤有机碳储量的垂直分布

Figure 1. Vertical distribution of soil organic carbon stocks in different plantations

下载: 全尺寸图片幻灯片

2.2 环境因素对典型人工林土壤有机碳储量的影响

典型人工林SOC储量空间变异的主成分分析如下（图2），第一轴和第二轴解释值分别为39.70%和22.70%。第一主成分与部分环境指标的相关系数在0.37以上，其中，PC1与粉粒、黏粒、坡度正相关，与砂粒负相关，第一主成分主要包含了土壤物理性质信息；第二主成分与部分环境指标的相关系数0.5以上，其中PC2与全碳、碱解氮、全氮正相关，主要包含了土壤化学信息，第一和第二主成分反映的信息量占总信息量的62.40%。

图 2 土壤有机碳储量与土壤环境因子的主成分分析

TP. 全磷；TN. 全氮；TC. 全碳；SIC. 土壤无机碳；AP. 速效磷；AN. 碱解氮；Clay. 黏粒；Silt. 粉粒；Sand. 砂粒；ELE. 海拔；SA. 坡向；SG. 坡度。下同。PC1. 第一主成分；PC2. 第二主成分。TP, total phosphorus; TN, total nitrogen; TC, total carbon; SIC, soil inorganic carbon; AP, available phosphorus; AN, alkali-hydrolyzable nitrogen; Clay, clay; Silt, silt; Sand, sand; ELE, elevation; SA, slope aspect; SG, slope gradient. The same below. PC1, the first principal component; PC2, the second principal component.

Figure 2. Principal component analysis of soil organic carbon stocks and soil environmental factors

下载: 全尺寸图片幻灯片

2.3 环境因素对土壤剖面有机碳储量垂直分布的影响

不同环境因素对SOC储量垂直变化的贡献度不同（图3）。土壤化学性质、土壤物理性质、地形和植被群落分别对0 ~ 200 cm土壤剖面中SOC储量分布差异的影响约占51.84%、13.58%、30.71%和3.87%。在土壤化学性质中，0 ~ 200 cm SOC储量的变化受全磷影响最大（11.99%），受全氮影响最小（5.64%）；在土壤物理性质中，0 ~ 200 cm SOC储量的变化受砂粒影响最大（5.65%），受黏粒影响最小（2.89%）；在地形因素中，0 ~ 200 cm SOC储量的变化受海拔影响最大（19.66%），受坡向影响最小（4.97%）；植物群落对0 ~ 200 cm SOC储量变化影响较小。

图 3 土壤化学性质、土壤物理性质、地形和植物群落对土壤有机碳储量变化的相对贡献

SCP. 土壤化学性质；SPP. 土壤物理性质；Topo. 地形；PT. 植物群落。SCP, soil chemical property, SPP, soil physical property, Topo, topography, PT, phytocoenosium.

Figure 3. Relative contribution of soil chemistry, soil physical properties, topography and phytocoenosium to changes in soil organic carbon stocks

下载: 全尺寸图片幻灯片

3. 讨　　论

3.1 不同人工林土壤有机碳储量分布差异的对比

本研究发现SOC储量富集在土壤表层，呈现出明显的“表聚性”，这与王文静等^[26]的研究结论一致。不同植被群落在土壤浅层聚集了大量的根系和凋落物，凋落物分解产生有机质归还于土壤，通过养分的循环进入土壤^[27]，因此，大量的有机碳在土壤表层形成和累积。

本研究中，山杏林表现出最优的土壤固碳效益，草地次之，油松林最差，这与李龙波等^[28]对乔灌草固碳效益效果的研究结果不一致。植被类型和植被生长间的差异会导致土壤温度、湿度、凋落物数量和根系分泌物等的显著不同^[29]，进而影响土壤的固碳效益。本研究中草地植被覆盖度高于油松和沙棘林下植被覆盖度（表1），单位面积的植被残体、根系分泌物、枯枝落叶量多，有机质输入量更高，同时，适宜的土壤温度和湿度促进了微生物的生长代谢，提高了植被残体的分解速率，使得草地土壤固碳效率提高。不同人工林中，植物生产力和质量的巨大差异导致SOC储量空间分布的显著差异^[30]。且有研究表明，在年平均降水量 < 510 mm区域，草地比灌木和林地积累更多的有机碳^[31]，本研究区位于黄土丘陵区，年降水量483.4 mm，草地SOC储量高于沙棘和油松。落叶乔木在增加枯落物归还量方面明显优于常绿乔木，这在诸多研究中均有报道^[32]。本研究中山杏SOC储量远高于油松，是因为落叶阔叶乔木比常绿针叶乔木产生更多的枯落物凋落量^[32]，山杏林表层枯落物多，根密度大，不断更替的根系结合不断积累的地表枯落物，不仅改变了土壤腐殖质，也改善了土壤质地，增加了土壤有机碳的积累，因此山杏林具有较高的土壤碳储量，碳汇功能表现较强。

3.2 土壤有机碳储量空间差异的主要影响因素和作用机制

本研究中，不同人工林土壤有机碳储量与黏粒、粉粒和坡度正相关，砂粒与土壤有机碳储量负相关，这阐释了土壤粒径及坡度与土壤有机碳储量之间的关系，这与李顺姬等^[33]的研究结果一致。土壤结构是影响有机质分解的主导因素^[34]，黏粒对土壤有机碳有很好的保护作用，砂质土壤有机碳的矿化更为迅速^[33]。当土壤黏粒含量较高时，具有较大的表面积，易形成较多的毛细管，有较强的毛管作用，完整的土壤孔隙为有机碳自表层向下层传输提供了通道，促进深层土壤有机碳固存^[35]，具有较强的固碳能力。而当土壤砂粒含量较高时，有效土层薄，土壤生物作用弱，土壤有机碳矿化作用较弱，微生物群落质量较低，土壤固碳能力较低。黄土丘陵区“退耕还林还草”工程对土壤机械组成产生一定的影响，使土壤物理性质发生变化。土壤机械组成影响土壤孔隙度、密度，改变土壤的透气性和持水能力，改变植物根系的生长发育及微生物活动条件，进而影响有机碳的储存^[36]。坡度显著影响土壤有机碳固存，坡度通过影响水分运移、植被分布及土壤机械组成等间接影响土壤有机碳储量。

本研究中，土壤化学性质对SOC储量的影响较大，全氮、碱解氮、全磷对土壤有机碳储量正向效应显著，阐释了土壤有机碳与土壤养分之间的关系。土壤全氮和碱解氮对土壤有机碳的转化和固存有重要作用。全氮对有机碳储量起正向效应，较高的全氮可以降低凋落物中的碳氮比，避免微生物与植物的“争氮”现象，利于凋落物矿化分解^[37]，促进土壤有机碳储存。这与王越等^[10]研究得出全氮对土壤有机碳呈显著正效应的结果一致。有研究表明，地形显著影响土壤发育、迁移等活动，从而影响土壤碳的输入输出过程^[38]。黄土丘陵区水土流失导致了流域内水土资源的重新分配，冗余分析表明，海拔对土壤剖面有机碳储量贮存起主要贡献（图3），通过调控水热条件，进而影响土壤有机碳的积累^[39]。

4. 结　　论

（1）研究区不同人工林土壤碳储量不同，表现为山杏 > 草地 > 沙棘 > 油松。因此，在黄土高原地区进行人工林营建时，可优先配置山杏林与适宜草种，以增加黄土高原土壤固碳。

（2）研究区不同人工林土壤有机碳储量与土壤机械组成和土壤养分显著相关，黏粒、粉粒、砂粒、全氮、碱解氮是影响黄土丘陵区不同人工林土壤有机碳储量空间分布的主导因子。

（3）研究区人工林土壤有机碳储量在土壤剖面中差异较大，土壤有机碳储量的垂直分布主要受地形的影响。其中，海拔通过影响有机碳的转化与固存对土壤有机碳储量的贮存起主要贡献作用。

图 1 白水县前期、后期遥感影像预处理结果

Figure 1. Preprocessing results of remote sensing images in Baishui County

下载: 全尺寸图片幻灯片

图 2 不同最大尺度的分割试验效果

Figure 2. Experimental results of segmentation at different maximum scales

下载: 全尺寸图片幻灯片

图 3 已知变化区域的分割结果

Figure 3. Segmentation result of known change area

下载: 全尺寸图片幻灯片

图 4 对象光谱亮度增加值曲线

Figure 4. Curve of spectral brightness increase of object

下载: 全尺寸图片幻灯片

图 5 不同吻合度等次的自动检测效果

Figure 5. Automatic detection effect of different degree of coincidence

下载: 全尺寸图片幻灯片

表 1 遥感数据情况

Table 1 Remote sensing data situation

时段 Period	数据源 Data source	全色分辨率 Panchromatic resolution/m	多光谱分辨率 Multi-spectral resolution/m	轨道号 Track No.	拍摄日期 Shooting date
前期影像（2018年） Pre-image (year of 2018)	高分一号 GF-1	2.0	8.0	E109.8N35.5	2018−06−11
				E109.7N35.2	2018−06−11
				E109.4N35.2	2018−06−23
				E109.2N35.3	2018−07−05
				E110.1N35.2	2018−09−08
				E109.4N35.8	2018−10−15
	资源三号 ZY-3	2.1	5.8	034839_015136	2018−04−18
后期影像（2019年） Post-image (year of 2019)	高分一号 GF-1	2.0	8.0	E109.4N35.2	2019−07−30
后期影像（2019年） Post-image (year of 2019)	高分一号 GF-1	2.0	8.0	E109.8N35.2	2019−08−15

下载: 导出CSV

表 2 时间序列影像各波段信息

Table 2 Information of each band of time series image

波段序号 Band No.	时段 Period	波段名 Band name	波长范围 Wavelength range/nm
1	前期影像 Pre-image	近红外波段 Near infrared band	770 ~ 890
2	前期影像 Pre-image	红波段 Red band	630 ~ 690
3	前期影像 Pre-image	绿波段 Green band	520 ~ 590
4	后期影像 Post-image	近红外波段 Near infrared band	770 ~ 890
5	后期影像 Post-image	红波段 Red band	630 ~ 690
6	后期影像 Post-image	绿波段 Green band	520 ~ 590

下载: 导出CSV

表 3 变化检测结果和精度评价

Table 3 Change detection results and accuracy evaluation

检测方法 Detection method	检测结果 Detection result	自动检测 Automatic detection		合计 Total	评价结果 Evaluation result
检测方法 Detection method	检测结果 Detection result	检出 Checked	未检出 Undetected	合计 Total	命中率（生产者精度） Correct rate (producer accuracy)	遗漏率 Omission rate
人工判读 Manual interpretation	检出 Checked	125	20	145	86.2%	13.8%
人工判读 Manual interpretation	未检出 Undetected	68			86.2%	13.8%

下载: 导出CSV

表 4 吻合度评价标准和评价结果

Table 4 Evaluation standard and evaluation results of coincidence degree

评价等次 Evaluation grade	面积差异度 Area difference		位置偏离度 Position deviation		综合评价 Comprehensive evaluation
评价等次 Evaluation grade	标准 Standard	个数 Number	标准 Standard	个数 Number	标准 Standard	个数 Number
吻合较好 Good coincidence	（0，10%]	33	（0，10%]	35	（0，10%]	33
基本吻合 Basically coincide	（10%，20%]	25	（10%，20%]	30	（10%，20%]	28
一般吻合 Generally coincide	（20%，40%]	23	（20%，40%]	26	（20%，40%]	21
吻合较差 Poor coincidence	（40%，1]	44	（40%，1]	34	（40%，1]	43

下载: 导出CSV

参考文献(44)

[1]	闫宏伟, 黄国胜, 曾伟生, 等. 全国森林资源一体化监测体系建设的思考[J]. 林业资源管理, 2011(6): 6−11. doi: 10.3969/j.issn.1002-6622.2011.06.002 Yan H W, Huang G S, Zeng W S, et al. Considerations on construction of the integrated forest resource monitoring system in China[J]. Forest Resources Management, 2011(6): 6−11. doi: 10.3969/j.issn.1002-6622.2011.06.002
[2]	武红敢, 常原飞, 石木耀. 森林灾害的高分遥感辅助调查技术体系研究[J]. 林业资源管理, 2014(5): 43−50. Wu H G, Chang Y F, Shi M Y. Study on technical system of forest disaster investigation aided by high spatial resolution remote sensing technology[J]. Forest Resources Management, 2014(5): 43−50.
[3]	张煜星, 王雪军, 黄国胜, 等. 森林面积多阶遥感监测方法[J]. 林业科学, 2017, 53(7): 94−104. doi: 10.11707/j.1001-7488.20170710 Zhang Y X, Wang X J, Huang G S, et al. Forest area remote sensing monitoring using the multi-level sampling interpretation approach[J]. Scientia Silvae Sinicae, 2017, 53(7): 94−104. doi: 10.11707/j.1001-7488.20170710
[4]	Hasanlou M, Seydi S T, Shah-Hosseini R. A sub-pixel multiple change detection approach for hyperspectral imagery[J]. Canadian Journal of Remote Sensing, 2018, 44(6): 601−615. doi: 10.1080/07038992.2019.1573137
[5]	Rokni K, Ahmad A, Solaimani K, et al. A new approach for surface water change detection: integration of pixel level image fusion and image classification techniques[J]. International Journal of Applied Earth Observations and Geoinformation, 2015, 34(1): 226−234.
[6]	马娜, 胡云锋, 庄大方, 等. 基于遥感和像元二分模型的内蒙古正蓝旗植被覆盖度格局和动态变化[J]. 地理科学, 2012, 32(2): 251−256. Ma N, Hu Y F, Zhuang D F, et al. Vegetation coverage distribution and its changes in Plan Blue Banner based on remote sensing data and dimidiate pixel model[J]. Scientia Geographica Sinica, 2012, 32(2): 251−256.
[7]	高敏, 王肖霞, 杨风暴, 等. 面向SAR图像像素级变化检测的去模糊化处理方法[J]. 激光与光电子学进展, 2020, 57(22): 277−283. Gao M, Wang X X, Yang F B, et al. Deblurring processing method for pixel level change detection of SAR images[J]. Laser & Optoelectronics Progress, 2020, 57(22): 277−283.
[8]	张学, 童小华, 刘妙龙. 一种扩展的土地覆盖转换像元变化检测方法[J]. 同济大学学报(自然科学版), 2009, 37(5): 685−689. Zhang X, Tong X H, Liu M L. An extended dectection method for land cover transformation[J]. Journal of Tongji University (Natural Science), 2009, 37(5): 685−689.
[9]	Ardila J P, Bijker W, Tolpekin VA, et al. Multitemporal change detection of urban trees using localized region-based active contours in VHR images[J]. Remote Sensing of Environment, 2012, 124: 413−426. doi: 10.1016/j.rse.2012.05.027
[10]	Santosh C, Krishnaiah C, Praveen G D. Land use/land cover and change detection in Chikodi Taluk, Belagavi District, Karnataka using object based image classification[J]. International Journal of Engineering and Advanced Technology (IJEAT), 2019, 9(1): 1522−1527. doi: 10.35940/ijeat.A1290.109119
[11]	赵敏, 赵银娣. 面向对象的多特征分级CVA遥感影像变化检测[J]. 遥感学报, 2018, 22(1): 119−131. doi: 10.11834/jrs.20186293 Zhao M, Zhao Y D. Object-oriented and multi-feature hierarchical change detection based on CVA for high-resolution remote sensing imagery[J]. Journal of Remote Sensing, 2018, 22(1): 119−131. doi: 10.11834/jrs.20186293
[12]	李春干, 梁文海. 基于面向对象变化向量分析法的遥感影像森林变化检测[J]. 国土资源遥感, 2017, 29(3): 77−84. Li C G, Liang W H. Forest change detection using remote sensing image based on object-oriented change vector analysis[J]. Remote Sensing for Land & Resources, 2017, 29(3): 77−84.
[13]	Volpi M, Tuia D, Bovolo F, et al. Supervised change detection in VHR images using contextual information and support vector machines[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 20(1): 77−85.
[14]	He P F, Zhao X W, Shi Y L, et al. Unsupervised change detection from remotely sensed images based on multi-scale visual saliency coarse-to-fine fusion[J/OL]. Remote Sensing, 2021, 13(4): 630[2021−12−20]. https://doi.org/10.3390/rs13040630.
[15]	庄会富, 邓喀中, 范洪冬. 纹理特征向量与最大化熵法相结合的SAR影像非监督变化检测[J]. 测绘学报, 2016, 45(3): 339−346. doi: 10.11947/j.AGCS.2016.20150022 Zhuang H F, Deng K Z, Fan H D. SAR images unsupervised change detection based on combination of texture feature vector with maximum entropy principle[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(3): 339−346. doi: 10.11947/j.AGCS.2016.20150022
[16]	谢福鼎, 赫佳妮, 郑宏亮. 半监督离散势理论在遥感影像变化检测中的应用[J]. 测绘通报, 2019(8): 54−58. Xie F D, He J N, Zheng H L. Application of semi-supervised discrete potential theory in remote sensing image change detection[J]. Bulletin of Surveying and Mapping, 2019(8): 54−58.
[17]	张涵, 秦昆, 毕奇, 等. 注意力引导的三维卷积网络用于遥感场景变化检测[J]. 应用科学学报, 2021, 39(2): 272−280. doi: 10.3969/j.issn.0255-8297.2021.02.009 Zhang H, Qin K, Bi Q, et al. Attention guided 3D Conv Net for aerial scene change detection[J]. Journal of Applied Sciences-Electronics and Information Engineering, 2021, 39(2): 272−280. doi: 10.3969/j.issn.0255-8297.2021.02.009
[18]	华夏, 王新晴, 王东, 等. 基于改进SSD的交通大场景多目标检测[J]. 光学学报, 2018, 38(12): 221−231. Hua X, Wang X Q, Wang D, et al. Multi-objective detection of traffic scenes based on improved SSD[J]. Acta Optica Sinica, 2018, 38(12): 221−231.
[19]	Mahmoudi F T, Hosseini S. Three-dimensional building change detection using object-based image analysis (case study: Tehran)[J]. Applied Geomatics, 2021(prepublish): 1−8.
[20]	Nagarajan, Khamaru, Witt D. UAS based 3D shoreline change detection of jupiter inlet lighthouse ONA after hurricane irma[J]. International Journal of Remote Sensing, 2019, 40(24): 9140−9158. doi: 10.1080/01431161.2019.1569792
[21]	彭代锋, 张永军, 熊小东. 结合LiDAR点云和航空影像的建筑物三维变化检测[J]. 武汉大学学报(信息科学版), 2015, 40(4): 462−468. Peng D F, Zhang Y J, Xiong X D. 3D building change detection by combining LiDAR point clouds and aerial imagery[J]. Geomatics and Information Science of Wuhan University, 2015, 40(4): 462−468.
[22]	李畅, 王欢, 李奇, 等. GIS数据辅助灾区影像平面扫描密集匹配及其三维变化检测[J]. 武汉大学学报(信息科学版), 2014, 39(3): 295−299. Li C, Wang H, Li Q, et al. Multi-view plane sweep dense image matching and 3D change detection of geological disasters from remotely sensed stereo pairs with GIS-aided data[J]. Geomatics and Information Science of Wuhan University, 2014, 39(3): 295−299.
[23]	Islam K, Jashimuddin M, Nath B, et al. Land use classification and change detection by using multi-temporal remotely sensed imagery: the case of Chunati wildlife sanctuary, Bangladesh[J]. The Egyptian Journal of Remote Sensing and Space Sciences, 2018, 21(1): 37−47. doi: 10.1016/j.ejrs.2016.12.005
[24]	Du P J, Liu S C, Xia J S. Information fusion techniques for change detection from multi-temporal remote sensing images[J]. Information Fusion, 2013, 14(1): 19−27. doi: 10.1016/j.inffus.2012.05.003
[25]	黄亮. 多时相遥感影像变化检测技术研究[J]. 测绘学报, 2020, 49(6): 801. Huang L. Research on change detection technology in multi-temporal remote sensing images[J]. Acta Geodaetica et Cartographica Sinica, 2020, 49(6): 801.
[26]	杜培军, 王欣, 蒙亚平, 等. 面向地理国情监测的变化检测与地表覆盖信息更新方法[J]. 地球信息科学学报, 2020, 22(4): 857−866. doi: 10.12082/dqxxkx.2020.190747 Du P J, Wang X, Meng Y P, et al. Effective change detection approaches for geographic national condition monitoring and land cover map updating[J]. Journal of Geo-information Science, 2020, 22(4): 857−866. doi: 10.12082/dqxxkx.2020.190747
[27]	赵金奇. 多时相极化SAR影像变化检测方法研究[J]. 测绘学报, 2019, 48(4): 536. doi: 10.11947/j.AGCS.2019.20180281 Zhao J Q. Research on change detection method in multi-temporal polarimetric SAR imagery[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(4): 536. doi: 10.11947/j.AGCS.2019.20180281
[28]	Philipp G, Michael F, Alishir K, et al. Object based change detection of Central Asian Tugai vegetation with very high spatial resolution satellite imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 31(5): 110−121.
[29]	张春霖, 吴蓉蓉, 李国君, 等. 面向对象的高空间分辨率遥感影像箱线图变化检测方法[J]. 国土资源遥感, 2020, 32(2): 19−25. Zhang C L, Wu R R, Li G J, et al. High resolution remote sensing image object change detection based on box- plot method[J]. Remote Sensing for Land & Resources, 2020, 32(2): 19−25.
[30]	魏晶昱, 毛学刚, 方本煜, 等. 基于Landsat 8 OL1辅助的亚米级遥感影像树种识别[J]. 北京林业大学学报, 2016, 38(11): 23−33. Wei J Y, Mao X G, Fang B Y, et al. Submeter remote sensing image recognition of trees based on Landsat 8 OLI support[J]. Journal of Beijing Forestry University, 2016, 38(11): 23−33.
[31]	陈鹏, 吕鹏远, 宋蜜, 等. 高空间分辨率遥感影像下的违法用地变化检测[J]. 测绘通报, 2018(4): 108−111. Chen P, Lü P Y, Song M, et al. Change detection using high spatial resolution remote sensing images for illegal land use extraction[J]. Bulletin of Surveying and Mapping, 2018(4): 108−111.
[32]	祝锦霞, 王珂. 面向对象的高分辨率影像变化检测方法研究[J]. 农业机械学报, 2013, 44(4): 184−189. doi: 10.6041/j.issn.1000-1298.2013.04.032 Zhu J X, Wang K. Object-oriented change detection method using very high spatial resolution imagery[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(4): 184−189. doi: 10.6041/j.issn.1000-1298.2013.04.032
[33]	Zhou H P, Jiang H, Huang Q H. Landscape and water auality change detection in urban wetland: a post-classification comparison method with IKONOS data[J]. Procedia Environmental Sciences, 2011, 10: 1726−1731. doi: 10.1016/j.proenv.2011.09.271
[34]	庞博, 王浩, 宁晓刚. 基于稳定像元的决策树分类后比较法在林地变化检测中的应用[J]. 生态学杂志, 2018, 37(9): 2849−2855. Pang B, Wang H, Ning X G. Application of decision tree post-classification comparison based on stable pixels in forest-land change detection[J]. Chinese Journal of Ecology, 2018, 37(9): 2849−2855.
[35]	吴田军, 胡晓东, 夏列钢, 等. 基于对象级分类的土地覆盖动态变化及趋势分析[J]. 遥感技术与应用, 2014, 29(4): 600−606. Wu T J, Hu X D, Xia L G, et al. Analysis on dynamic change and tendency of land-cover based on object-oriented classification[J]. Remote Sensing Technology and Application, 2014, 29(4): 600−606.
[36]	王崇阳, 田昕. 基于GF-1 PMS数据的森林覆盖变化检测[J]. 遥感技术与应用, 2021, 36(1): 208−216. Wang C Y, Tian X. Forest cover change detection based on GF-1 PMS data[J]. Remote Sensing Technology and Application, 2021, 36(1): 208−216.
[37]	史忠奎, 李培军, 罗伦, 等. 基于形态学属性剖面和单类随机森林分类的道路路域新增建筑物提取方法[J]. 北京大学学报(自然科学版), 2018, 54(1): 105−114. Shi Z K, Li P J, Luo L, et al. A method for extraction of newly-built buildings in road region using morphological attribute profiles and one-class random forest[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2018, 54(1): 105−114.
[38]	陈雪, 马建文, 戴芹. 基于贝叶斯网络分类的遥感影像变化检测[J]. 遥感学报, 2005, 9(6): 667−672. doi: 10.11834/jrs.20050698 Chen X, Ma J W, Dai Q. Remote sensing change detection based on bayesian networks classifications[J]. Journal of Remote Sensing, 2005, 9(6): 667−672. doi: 10.11834/jrs.20050698
[39]	刘巨峰, 刘勇, 蒋月, 等. 集成基于对象影像分析与贝叶斯软融合的土地覆被变化检测[J]. 兰州大学学报(自然科学版), 2020, 56(2): 196−204. Liu J F, Liu Y, Jiang Y, et al. Land cover change detection based on the object-based image analysis and Bayesian soft fusion method[J]. Journal of Lanzhou University (Natural Sciences), 2020, 56(2): 196−204.
[40]	连喜红, 祁元, 王宏伟, 等. 基于面向对象的青海湖环湖区居民地信息自动化提取[J]. 遥感技术与应用, 2020, 35(4): 775−785. Lian X H, Qi Y, Wang H W, et al. Automatic extraction of residential information based on object-oriented in the areas around the Qinghai Lake[J]. Remote Sensing Technology and Application, 2020, 35(4): 775−785.
[41]	杨超, 邬国锋, 李清泉, 等. 植被遥感分类方法研究进展[J]. 地理与地理信息科学, 2018, 34(4): 24−32. doi: 10.3969/j.issn.1672-0504.2018.04.005 Yang C, Wu G F, Li Q Q, et al. Research progress on remote sensing classification of vegetation[J]. Geography and Geo-Information Science, 2018, 34(4): 24−32. doi: 10.3969/j.issn.1672-0504.2018.04.005
[42]	张丽云, 赵天忠, 夏朝宗, 等. 遥感变化检测技术在林业中的应用[J]. 世界林业研究, 2016, 29(2): 44−48. Zhang L Y, Zhao T Z, Xia C Z, et al. Application of change detection technologies of remote sensing to forestry[J]. World Forestry Research, 2016, 29(2): 44−48.
[43]	李慧, 唐韵玮, 刘庆杰, 等. 一种改进的基于最小生成树的遥感影像多尺度分割方法[J]. 测绘学报, 2015, 44(7): 791−796. doi: 10.11947/j.AGCS.2015.20140060 Li H, Tang Y W, Liu Q J, et al. An improved algorithm based on minimum spanning tree for multi-scale segmentation of remote sensing imagery[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(7): 791−796. doi: 10.11947/j.AGCS.2015.20140060
[44]	经波, 宁文怡. 基于阈值分割与决策树的SAR影像水体信息提取[J]. 地理空间信息, 2021, 19(3): 46−49. doi: 10.3969/j.issn.1672-4623.2021.03.013 Jing B, Ning W Y. Water body information extraction of SAR images based on threshold segmentation and decision tree[J]. Geospatial Information, 2021, 19(3): 46−49. doi: 10.3969/j.issn.1672-4623.2021.03.013

施引文献

资源附件(0)

图(5) / 表(4)

计量

文章访问数: 684
HTML全文浏览量: 173
PDF下载量: 79
被引次数: 0

1. 研究区概况与研究方法
1.1 研究区概况
1.2 土壤样品采集与处理
1.3 数据处理
2. 结果与分析
2.1 有机碳储量分布特征
2.2 环境因素对典型人工林土壤有机碳储量的影响
2.3 环境因素对土壤剖面有机碳储量垂直分布的影响
3. 讨　　论
3.1 不同人工林土壤有机碳储量分布差异的对比
3.2 土壤有机碳储量空间差异的主要影响因素和作用机制
4. 结　　论

1. 研究区概况与研究方法
1.1 研究区概况
1.2 土壤样品采集与处理
1.3 数据处理
2. 结果与分析
2.1 有机碳储量分布特征
2.2 环境因素对典型人工林土壤有机碳储量的影响
2.3 环境因素对土壤剖面有机碳储量垂直分布的影响
3. 讨　　论
3.1 不同人工林土壤有机碳储量分布差异的对比
3.2 土壤有机碳储量空间差异的主要影响因素和作用机制
4. 结　　论

参考文献(44)

施引文献

资源附件(0)

基于高空间分辨率时间序列影像的对象级侵占林地图斑快速检测

作者简介: 刘晓双，高级工程师。主要研究方向：森林资源监测。Email：148442221@qq.com 地址：710048 陕西省西安市碑林区金花南路156号国家林业和草原局西北调查规划院

责任作者: 李才文，高级工程师。主要研究方向：森林资源监测。Email：442409249@qq.com 地址：同上

计量

出版历程