Extraction of deciduous coniferous forest based on Google earth engine (GEE) and Sentinel-2 image
-
摘要:目的 针对森林资源精细监测评价的需求，探索多时相、多特征的Sentinel-2影像在落叶针叶林识别中的应用潜力，根据落叶针叶林的物候特征构建分类模型，为大范围落叶针叶林识别提供方法参考。方法 基于GEE平台，以黑龙江省孟家岗林场为研究区，分析不同季节落叶针叶林与其他森林之间的差异。研究使用2020年春季（5月7日和5月27日）、夏季（8月9日）和秋季（10月19日）的4景Sentinel-2影像，提取光谱特征、纹理特征和地形特征构建多特征数据集，根据特征重要性得分进行特征优选，最后使用随机森林分类器得到落叶针叶林识别的最佳模型，实现孟家岗林场落叶针叶林的精确提取。结果 试验结果表明落叶针叶林具有明显的植被光谱特征和季相特性，多时相影像数据包含落叶针叶林更多物候期，春季和秋季的影像更有利于区分落叶针叶林与其他森林。此外，近红外、短波红外波段的光谱信息对识别落叶针叶林有较大帮助。利用 GEE平台和多时相Sentinel-2影像可以高效快速地提取植被信息，落叶针叶林提取总体精度与Kappa系数分别达到 91.20%，0.82。结论 基于GEE平台和Sentinel-2影像构建的分类模型对落叶针叶林信息的快速提取有一定的可行性和适用性，研究结果对大面积落叶针叶林的空间位置分布提取具有一定的参考价值。
-
关键词:
- 落叶针叶林 /
- Sentinel-2影像 /
- 物候特征 /
- 随机森林 /
- GEE平台
Abstract:Objective In view of fine monitoring and evaluation needs of forest resources, the application potential of multi-temporal and multi-feature Sentinel-2 images in the identification of deciduous coniferous forests was exploratively studied, and a classification model was built according to the phenological characteristics of deciduous coniferous forests to provide method reference for identifying deciduous coniferous forests on a large scale.Method Based on the GEE platform, the difference between deciduous coniferous forests and other forests in different seasons was analyzed by taking Mengjiagang Forest Farm in Heilongjiang Province of northeastern China as the research area. In this study, four seasonal Sentinel-2 images of spring (May 7 and May 27), summer (August 9), and autumn (October 19) in 2020 were used to construct a multi-feature dataset by extracting spectral features, texture features, and topographic features. Feature optimization was carried out according to feature importance scores. Finally, the optimal model for identifying deciduous coniferous forests was established by a random forest classifier to achieve rapid extraction of deciduous coniferous forest in Mengjiagang Forest Farm.Result The experimental results showed that deciduous coniferous forests displayed obvious vegetation spectral features and seasonal characteristics. The multi-temporal image data contained more phenological period information on deciduous coniferous forests, and the images in spring and autumn can enable better differentiation between deciduous coniferous forests and other forests. In addition, near-infrared and short-wave infrared spectral information can greatly help identify deciduous coniferous forests. By the GEE platform and multi-temporal Sentinel-2 images, it is possible to extract vegetation information efficiently and quickly. The overall extraction accuracy and Kappa coefficient of deciduous coniferous forest reached 91.20% and 0.82, respectively.Conclusion The classification model constructed based on the GEE platform and Sentinel-2 image has certain feasibility and applicability for the rapid extraction of deciduous coniferous forest information, and the research results provide a certain reference value for the large-scale extraction of spatial location distribution information of deciduous coniferous forest. -
落叶针叶林是冬季落叶的针叶乔木群种所组成的各种森林群落的总称。落叶针叶林立木高大挺直，木材坚韧，抗腐性强，蓄积量高，分布面积广，具有十分重要的经济价值，是世界经济用材的重要来源之一。落叶针叶林多分布于山区，在保持水土、改善环境以及维持生物圈动态平衡方面均发挥着重要作用。准确识别落叶针叶林的分布对经济发展，森林资源可持续利用具有重要意义[1]。
卫星遥感技术具有覆盖面积广、重访周期短等观测优势，利用遥感手段可以更加快速、准确地识别森林树种类型[2]。传统遥感影像的处理软件在收集、存储和处理覆盖大尺度区域长时间序列的遥感数据方面效率低下[3]。随着 google earth engine（GEE）云计算平台的出现，解决了大区域尺度影像处理的存储和计算的问题。GEE拥有海量历史遥感影像数据的存档，实现PB级遥感数据的高性能并行运算[4]。欧洲空间局“哥白尼”计划（Copernicus Programme），发射了双星协同5 d的Sentinel-2多光谱卫星，高重访周期可以有效减少影像的云污染，为森林分类提供了新的途径。李斌等[5]基于GEE平台，使用Sentinel-2数据实现塞罕坝机械林场主要树种遥感影像分类，研究发现GEE相较于单机影像分类模式具有显著的优势；最小距离、决策树和随机森林分类器下的分类精度分别为80%、83%和92%，随机森林分类器更适合复杂的遥感分类任务。同时，Sentinel-2是目前唯一一个在红边波段范围含有3个波段的多光谱传感器[6]，其携带的3个红边谱段B5、B6、B7可以有效反映植被色素状态和健康状况，为优势树种识别提供更敏感的光谱信息，Sentinel-2为树种识别提供了前所未有的新机会。Persson 等[7]利用Sentinel-2影像对瑞典中部森林常见树种进行分类，研究发现红边波段和短红外波段对树种识别具有重要意义，最终的模型总体精度88.2%。姚茂林等[8]使用Sentinel-2A影像快速提取福建永安的竹林分布，发现红边光谱指数特征在试验中发挥一定作用，基于红边波段构成的植被指数有利于植被识别。
目前使用遥感影像实现较大区域精细森林类型分类的研究较少，主要原因是山区森林的地形、气候条件复杂，传感器重访周期长，获取时间序列遥感数据困难。对森林进行大范围精细分类是目前研究的重难点。在进行森林类型分类识别时，树种间存在“同物异谱”和“同谱异物”现象，目前研究大多采用多源数据融合或算法优化的方法，利用不同树种间的光谱差异进行分类也是提高识别精度的一种方法。Immitzer等[9]利用多时相Sentinel-2影像对中欧地区森林中的针叶林和阔叶林进行分类，分类精度比单时相影像提高12.8%，证实了多时相Sentinel-2数据在森林分类中的应用潜力。Grabska等[10]使用Sentinel-2时间序列在波兰喀尔巴阡山脉地区对复杂的混交林进行分类，总体精度达86.6%，得到使用多时相数据可以显著提升森林树种制图精度的结论。多时相特征分类的优势在于找到目标树种与其他树种之间具有时空差异的特征变量。落叶针叶林与其他针叶林的季相有明显不同, 树冠结构和叶子形态与阔叶林存在差异，这些显著的特征为识别落叶针叶林提供了可靠的理论基础。
基于上述原因，本文提出一种基于GEE平台和Sentinel-2影像提取落叶针叶林的方法，实现了孟家岗地区2020年落叶针叶林的快速提取，以期为后续更大范围内实现快速、准确识别落叶针叶林提供方法参考。主要研究包括：（1）基于GEE平台获取无云遥感影像，提取数据特征集并利用随机森林算法得到初步分类结果；（2）结合现有多期土地覆盖公开数据集构建高可信度的训练样本集合；（3）基于Sentinel-2影像探讨识别落叶针叶林的最佳物候期；（4）结合Sentinel-2影像提取落叶针叶林的纹理、光谱、地形等特征，建立不同时相的多特征数据集，通过随机森林分类器对特征重要性进行评估，探索多时相、多特征数据集下快速准确提取落叶针叶林的方法模型。
1. 研究区概况与数据
1.1 研究区概况
孟家岗林场位于黑龙江省佳木斯市桦南县东北部，130°32′ ~ 130°52′E，46°20′ ~ 46°30′N，属东亚大陆季风气候，全年平均气温2.7 ℃。林场总面积为16 274 hm2，林业用地面积为14 107 hm2，其中林地面积为13 079 hm2，占林场总面积的80.36%。林场内落叶针叶林的树种主要为落叶松（Larix gmelinii），其他森林包括常绿针叶林和阔叶林[11]。
1.2 研究数据
1.2.1 数据来源
Sentinel-2卫星包括Sentinel-2A与Sentinel-2B，双星同步工作，重访周期为5 d（表1）。Sentinel-2卫星的13个较窄波段能够有效地区分不同地物的光谱差异，灵敏捕捉各类物质特征波长间的细微差别[12]。
表 1 Sentinel-2光谱波段信息Table 1. Sentinel-2 spectral band information波段
Band描述
Description中心波长
Central
wavelength/nm分辨率
Resolution/mB2 蓝光 Blue light 497 10 B3 绿光 Green light 560 10 B4 红光 Red light 665 10 B5 红边1 Red edge 1 704 20 B6 红边2 Red edge 2 740 20 B7 红边3 Red edge 3 783 20 B8 近红外 Near-infrared（NIR） 835 10 B8A 窄波近红外 Narrow NIR 865 20 B11 短波红1 Short-wave infrared 1 （SWIR1） 1 614 20 B12 短波红2 Short-wave infrared 2 （SWIR2） 2 202 20 1.2.2 土地覆盖产品数据
分类样本训练集决定了机器学习分类模型的分类精度，为构建可信的分类样本库，在收集的2套共6个分类产品[13-16]的基础上求取2000—2020年间同类土地覆盖类型的交集区域，生成各覆盖类型的分类样本库[17]（表2）。
表 2 土地覆盖产品收集情况Table 2. Collection of land cover products产品分类 Product classification 发布机构 Issuing authority 数据来源 Data source 产品年份 Product year GLC_FCS 30 中国科学院 Chinese Academy of Sciences Landsat TM/ETM+ 2000、2015、2020 ChinaCover 中国科学院 Chinese Academy of Sciences Landsat TM/ETM+HJ-1A/B 2000、2010、2015 1.2.3 其他辅助数据
（1） DEM数据，数据来源于GEE平台中30 m空间分辨率的全球数字高程数据。本文利用GEE平台的重采样函数将其转换为10 m分辨率的高程数据，再按照孟家岗的边界进行裁剪。
（2） 2020年GlobalLand 30作为森林/非森林样本参考。
（3） 2017年6月、2020年9月，在研究区开展地面样地调查，共获得226块样地。
（4） 2017年5月31日—6月15日，利用中国林业科学研究院机载观测系统（Chinese Academy of Forestry’s LiDAR, CCD, Hyperspectral system, CAF-LiCHy）[18]，获得了研究区范围内的机载高光谱数据（空间分辨率2 m，光谱分辨率9.6 nm）。
1.2.4 样本数据
研究将样本数据分为两部分（图1、表3）。首先进行森林/非森林分类，然后在森林范围基础上，进一步识别落叶针叶林和其他森林的分类。一层训练数据森林/非森林参考2020年GlobalLand 30获取，二层训练数据落叶针叶林/其他森林则通过土地覆盖产品获取的落叶针叶林交集获取。所有样本均结合Google Earth历史影像进行目视判别采集样本点。
表 3 样本情况Table 3. Sample plot situation类型
Type训练样本
Training sample验证样本
Validation sample描述
Description森林 Forest 230 133 非森林 Non-forest 216 80 落叶针叶林 Deciduous coniferous forest 150 98 实地 In the field 88 机载高光谱 Airborne hyperion （CAF-LiCHy） 其他森林 Other forest 163 84 实地 In the field 88 机载高光谱 Airborne hyperion （CAF-LiCHy） 合计 Total 759 571 本研究的验证样本基于机载高光谱数据的树种（落叶松、樟子松（Pinus sylvestris var. mongholica）、红松（Pinus koraiensis）、云杉（Picea asperata）以及阔叶树种）分类结果（总体精度为89.10%，Kappa系数为0.84）进行选取。一层验证数据基于机载高光谱数据获取。二层验证数据基于机载高光谱数据以及实地野外调查样本获取。
2. 研究方法
2.1 数据预处理
研究使用存储在GEE平台中的Level-2A级产品，已经过辐射校正、几何校正、卷云与大气校正等处理。预处理包括重采样、裁剪和镶嵌等。由于Sentinel-2影像波段之间存在3种不同的分辨率，需要统一分辨率，因此将影像数据重采样为10 m。将重采样后的影像利用孟家岗林场矢量边界对其进行拼接剪裁。
2.2 分类体系及流程
考虑到数据的空间分辨率、光谱信息的局限性，将森林类型划分为落叶针叶林和其他森林，将森林以外的类型，如耕地、建设用地、草地、灌木、水域、未利用地统一划分为非森林类型，不进行细分。
如图2所示，首先基于GEE平台对遥感影像进行筛选、最小云量合成。为充分利用Sentinel-2影像提供的丰富光谱和空间信息，对筛选的影像进行特征提取，利用森林/非森林样本进行分类，将分类结果提取出只含有森林部分的影像。为解决高维海量数据信息冗余问题，筛选出有利于落叶针叶林识别的特征，再在森林的基础上将落叶针叶林/其他森林样本输入随机森林分类器，并进行特征重要性分析，以对比光谱、纹理和地形特征在提取落叶针叶林空间分布中的作用，并针对落叶针叶林的特征进行优化，确定最优特征组合。最后利用最优特征组合结合随机森林算法得到落叶针叶林分类结果，并进行精度验证。
2.3 确定落叶针叶林最佳物候期
落叶针叶林的季相变化明显，4—5月处于落叶松生长季早期，花芽开放；7—8月叶子翠绿；秋季9—11月叶子逐步变黄直至脱落。根据孟家岗地区2020年的Sentinel-2遥感影像进行筛选，利用预处理后的遥感影像结合训练样本和随机森林算法根据落叶针叶林物候期，将试验分为3个时间窗口：春季5月、夏季8月和秋季10月合成的多时相影像作为基础数据。
2.4 特征提取
2.4.1 光谱特征分析
植被指数在反映土地覆盖类型时比单一波段更为稳定。通过对不同波段进行组合计算，得到反应植物生长状况的光谱特征（表4）。在遥感影像中，植被信息主要体现在植被冠层和叶子的光谱特性上，时相和光谱特征是遥感影像中最为直观的信息[19]。光谱特征由Sentinel-2的光谱波段及波段组合计算得到的光谱指数构成。参考大量文献和多次试验后，研究选取归一化差值植被指数（normalized difference vegetation index，NDVI）、增强型植被指数（enhance vegetation index，EVI）、土壤调节植被指数（soil-adjusted vegetation index，SAVI）、比值植被指数（ratio vegetation index，RVI）、差值植被指数（difference vegetation index，DVI）进行研究。研究中按照3个时间窗口分别进行中值合成，得到15个特征组合。
表 4 光谱特征Table 4. Spectral characteristics光谱指数
Spectral index公式
Formula参考文献
ReferenceNDVI （B8 − B4）/（B8 + B4） [20] SAVI （B8 − B4）/（B8 + B4 + 0.5） × 1.5 [21] EVI 2.5 × （B8 − B4）/（B8 + 6.0 × B4 − 7.5 × B2 + 1.0） [22] RVI B8/B4 [23] DVI B8 − B4 [24] 注：NDVI. 归一化植被指数；SAVI. 土壤调整植被指数；EVI. 增强型植被指数；RVI. 比值植被指数；DVI.差值植被指数。Notes: NDVI, normalized difference vegetation index; SAVI, soil-adjusted vegetation index; EVI, enhanced vegetation index; RVI, ratio vegetation index; DVI, difference vegetation index. 2.4.2 纹理特征分析
纹理特征能反映丰富的地物信息，由于NDVI对植被变化更加敏感，因此本文使用灰度共生矩阵方法提取Sentinel-2影像NDVI的6个纹理特征，即相关性（corr）、方差（var）、逆差矩（idm）、对比度（con）、熵（ent）、角二阶矩（asm）。使用GEE平台提供的glcmTexture （）方法可以快速实现纹理特征提取。
2.4.3 地形特征分析
地形特征可以影响区域的气候条件和植被生长，使用GEE平台提供的Terrain. Product （）方法可以快速计算海拔高度（elevation）、坡度（slope）、坡向（aspect）特征。
综上所述，结合落叶针叶林季相特征共选取54个特征用于分类。如表5所示。
表 5 特征统计Table 5. Statistic of features特征类型
Feature type特征变量
Feature variables数量
Number光谱波段
Spectral bandB2_5，B3_5，B4_5，B5_5，B6_5，B7_5，B8_5，B8A_5，B11_5，B12_5 30 B2_8，B3_8，B4_8，B5_8，B6_8，B7_8，B8_8，B8A_8，B11_8，B12_8 B2_10，B3_10，B4_10，B5_10，B6_10，B7_10，B8_10，B8A_10，B11_10，B12_10 光谱指数
Spectral indexNDVI_5， DVI_5， RVI_5， EVI_5， SAVI_5 15 NDVI_8， DVI_8， RVI_8， EVI_8， SAVI_8 NDVI_10， DVI_10， RVI_10， EVI_10， SAVI_10 纹理特征
Textural featurecorr， var， idm，con，ent，asm 6 地形特征
Topographic feature海拔 Elevation ，坡度 Slope ，坡向 Aspect 3 合计 Total 54 注：corr. 相关性；var. 方差；idm. 逆差矩；con. 对比度；ent. 熵；asm.角二阶矩。Notes: corr, correlation; var, variance; idm, inverse different moment; con, contrast; ent, entropy; asm, angular second-order moment. 2.5 特征筛选
由于本研究中特征数量较多，因此执行随机森林建模之前，使用基于随机森林算法的递归特征消除方法去除对模型精度没有显著贡献的变量。研究使用随机森林算法计算每个特征的重要性得分，并根据得分进行重要性排序。并根据随机森林模型得到特征重要性得分后，选定要消除特征的比例，得到新的特征集。用新的特征集再次进行随机森林建模，直到得到最优特征集。选择袋外误差率较低和Kappa系数较高的特征进行综合考虑。
丰富的特征因子能够提供多种多样的识别信息，但特征因子间存在相关性，如果将所有的候选特征都用于训练模型，则会导致信息冗余并且导致模型的可解释性降低，因此要对所提取的建模因子进行筛选。目前在同类研究中，最常用的变量选择方法为Pearson相关系数。本研究根据特征值之间的Pearson相关系数，开展相关分析。Pearson相关分析是研究同一样本空间上参数之间的线性相关关系，目的是探讨参数之间的线性相关关系的强弱，本研究将Pearson相关系数与随机森林相结合进行特征选择。依照相关性越强信息冗余越大、特征重要性越小分类能力越弱的原则去除相关系数大于0.8且重要性小的特征。
2.6 分类方法与精度验证
随机森林（random forest，RF）算法是Breiman提出的一种集成分类算法。随机森林由多棵决策树构成，输入待分类样本后使用集成学习算法对样本进行训练，每棵决策树通过投票的方式输出结果[25]。该算法首先在所有样本中随机选择M个样本，使用Bootstrap方法进行多次随机放回抽样，共得到n个数据集，剩余的样本作为袋外数据，用于分类后误差估计。然后根据样本数据集构建决策树，得到M棵决策树，最后集中所有决策树的投票结果，将得票最高的类别作为分类结果。本研究中使用GEE平台中提供的RF算法进行分类。RF可高效运行高维数据，可以在分类过程中生成特征重要性评价指标，筛选重要特征，避免过拟合现象。
研究使用基于机载高光谱数据的树种分类结果和地面样地数据选取验证样本，采用混淆矩阵、总体精度、生产精度和 Kappa 系数等指标对分类结果精度进行评价[26]。
3. 结果与分析
3.1 森林/非森林分类与精度评价
使用机载高光谱的数据获取的验证样本，建立混淆矩阵，选用总体精度以及各类地物的制图精度和用户精度作为分类结果的评价指标，分别对森林/非森林分类结果和落叶针叶林/其他森林分类结果进行验证。本研究得到的孟家岗林场2020年森林覆盖范围见图3。本研究分类结果与机载数据结果接近。采用混淆矩阵计算精度结果显示（表6），使用机载数据验证得到总体分类精度96.20%、Kappa系数0.93，森林类别的用户精度96.29%，生产精度97.74%。通过目视判别、混淆矩阵精度评价对比分析，本研究的森林/非森林分类结果精度较高，可以作为森林细化分类的基础。
表 6 混淆矩阵Table 6. Confusion matrix类别
Type非森林
Non-forest森林
Forest生产精度
Production accuracy/%非森林 Non-forest 75 5 93.75 森林 Forest 3 130 97.74 用户精度
User accuracy/%96.15 96.29 注：总精度96.20%；Kappa系数0.93。Notes: overall accuracy is 96.20%; Kappa coefficient is 0.93. 3.2 落叶针叶林分类与精度评价
使用机载数据组成的验证样本建立混淆矩阵。结果显示（表7），总体分类精度90.00%，落叶针叶林的用户精度达到 92.59%，生产精度87.20%。使用样地实测的数据组成验证样本建立混淆矩阵（表8），结果显示总体分类精度91.20%，落叶针叶林的用户精度和生产精度分别为93.61%，89.79%。本文选择Google Earth Pro中2019和2021年的历史影像作为验证影像，结合实地采样数据与落叶针叶林分类结果进行比较。因为本研究主要针对落叶针叶林信息提取进行研究，因此将除落叶针叶林以外的其他类别进行合并，得到凸出显示落叶针叶林的空间位置分布的分类图，见图4。
表 7 机载高光谱数据验证样本混淆矩阵Table 7. CAF-LiCHy validation of sample confusion matrix类别
Type其他森林
Other forest落叶针叶林
Deciduous coniferous forest生产精度
Production accuracy/%其他森林
Other forest78 6 92.85 落叶针叶林
Deciduous coniferous forest11 75 87.20 用户精度
User accuracy/%87.64 92.59 注：总精度90.00%；Kappa系数0.80。Notes: overall accuracy is 90%; Kappa coefficient is 0.80. 表 8 实地验证样本混淆矩阵Table 8. Field validation of sample confusion matrix类别
Type其他森林
Other forest落叶针叶林
Deciduous coniferous forest生产精度
Production accuracy/%其他森林
Other forest78 6 92.85 落叶针叶林
Deciduous coniferous forest10 88 89.79 用户精度
User accuracy/%88.86 93.61 注：总精度91.20%；Kappa系数0.82。Notes: overall accuracy is 91.20%； Kappa coefficient is 0.82. 在分类精度检验与评估中，用参数指标衡量的分类结果与实际地物的吻合程度较高。使用实测样本数据获取的验证点对分类结果进行验证的结果较好（图5）。从目视结果与实地数据的对比来看，落叶针叶林的分布与实地踏查点分布基本一致。由于一些新造未成林地、常绿针叶林与部分落叶针叶林的光谱差异不太明显，造成两者相互错分现象。总体而言，这个分类模型的精度满足大范围提取落叶针叶林分布的要求。
![]()
图 5 本文局部 Google earth影像及其对应的分类结果Figure 5. Local Google earth images and their corresponding classification results of this paper3.3 落叶针叶林最佳时相
对2020年孟家岗地区影像进行筛选，按月合成中值影像进行监督分类，选择最佳物候期。经筛选3—10月共有12幅无云影像。经过监督分类试验结果发现，10月的合成影像落叶针叶林提取取得了最高精度86.82%，其次是5月和8月，森林/非森林分类结果总体精度为94.83%；落叶针叶林/其他森林分类总体精度为83.21%和83.50%。研究选择5、8、10月3个时间窗口合成影像，这是为了改进分类，考虑到选定时间窗口内的植被变化，减轻由于气象条件造成的轻微变化的影响，提取窗口内不同的特征来提升落叶针叶林识别的精度。
3.4 特征选择
本研究共选择了54个特征变量，包括45个光谱特征、6个纹理特征以及3个地形特征，采用随机森林特征重要性排序与Pearson相关系数相结合的方法对特征集进一步筛选，基于特征重要性得分和特征之间的Pearson相关系数，选择相关性小、重要性得分高的特征构建特征集（图6 ~ 8），统计不同特征变量的重要性。不同特征变量的重要性得分差异较大。NDVI_10的特征重要性得分最高，高达13.54。随着特征数量的增加，特征个数从1增加到15时，总体分类精度和落叶针叶林分类精度迅速上升，这主要因为前期特征变量的重要性评分高且贡献大，根据图8可知特征之间的相关性较低，冗余特征少，从而提高了随机森林分类器的性能；当特征个数达到15时，森林/非森林的分类精度达到最高96.20%，落叶针叶林/其他森林的分类精度趋于稳定，达到91.20%，当特征数量位于15到29之间时，落叶针叶林分类精度提高不明显，停留在90%左右，说明特征变量之间相关性高；当特征个数超过29时，分类精度不增反降，这是因为后期冗余特征和不相关特征增加导致模型复杂度过高，使运行时间过长，发生过拟合现象。当特征变量的个数达到15时，分类精度和Kappa均达到最大值，最终选择前15个重要性得分高且Pearson相关系数小于0.80的特征构成特征集参与精度评价。
落叶针叶林识别的关键是找到其与其他地物的特征差异。根据图9所示，10月落叶季的光谱指数在构建特征集时发挥了重要作用。NDVI的重要性排在第1位，结合NDVI时间序列曲线，常绿针叶林的NDVI值始终在0.30 ~ 0.90的范围内波动，说明植被覆盖度受季节影响较小。10月落叶针叶林的NDVI曲线呈下降趋势，处于落叶期。因此在10月落叶期，落叶针叶林与常绿针叶林植被特征差异最为显著。EVI的重要性排在第4位。结合EVI时间序列曲线，常绿针叶林的值要高于落叶针叶林与阔叶林，且在落叶期落叶针叶林的EVI曲线变化明显，有利于识别落叶针叶林与常绿针叶林之间的差异。排在第6位的SAVI指数解释背景光学特征变化并修正NDVI对土壤背景的敏感性[21]，结合SAVI时间序列曲线，有利于区分常绿针叶林与落叶针叶林之间的差异。RVI值越大，说明植被生长状况越好，生物量、覆盖度越高，在重要性排序中RVI排在第8位。落叶期的落叶针叶林与阔叶林叶子逐渐脱落，覆盖度降低，RVI可有效区分落叶针叶林与常绿针叶林之间的差异。DVI在重要性排序中排在第9位，其对土壤背景变化敏感，适用于植被覆盖率较低的植被监测[24]。结合DVI时间序列曲线，8—10月阔叶林的曲线变化幅度大，与落叶针叶林之间的差异明显，且阔叶林的DVI值大部分时间都大于落叶针叶林，有利于区分落叶针叶林与阔叶林之间的差异。地形数据在分类过程中也发挥了至关重要的作用，排在了第5位。根据已有的研究指出[27]，地形特征的加入可以有效提高地物分类的精度。纹理特征中角二矩阵（asm），在生长季（8月），可以有效地进行分类，为落叶针叶林识别做出贡献。
图10展示了5、8和10月不同地物的波谱曲线。可以看到，在落叶针叶林生长期（5月），落叶针叶林与常绿针叶林在短红外波段（B11，B12）波谱差异较大，该阶段常绿针叶林波谱曲线，在短波红外波段波谱较低，5月落叶针叶林和阔叶林叶子发芽，并未完全成熟，叶绿素含量较少，因此波谱曲线相似；针叶林与阔叶林在短波红外反射率较高，但由于植被本身的生化性质和冠层结构不同，所以在短波红外波段上差异明显。8月落叶针叶林叶子发育成熟，叶子的叶绿素含量丰富，落叶针叶林的波谱曲线与常绿针叶林光谱曲线表现基本一致，波谱差异较小。在该阶段阔叶林对近红外波段（B6，B8A）反射率较高，有利于区分针叶林与阔叶林之间的差异。在落叶针叶林落叶期（10月），树种间波谱差异性与生长期相似，此时落叶针叶林叶片脱落，叶子变黄，对近红外（B7）和短波红外（B12）光谱较为敏感，与常绿针叶林差异明显。该阶段由于落叶针叶林和阔叶林落叶时间存在一些差异，因此二者波谱曲线虽然相似，但在近红外和短波红外波谱值上仍具有一定的差异。因此，生长期和落叶期近红外、短波红外波段的光谱信息对识别落叶针叶林具有的很大帮助。
4. 讨 论
利用多时相Sentinel-2影像，采用随机森林算法对研究区的落叶针叶林信息进行提取，不同日期卫星影像的组合补充了单一影像的光谱信息，多时相数据集增加了模型的预测能力。Hill等人[28]利用3月、5月、7月、9月和10月的Airborne Thematic Mapper图像对温带地区的落叶林进行分类，他们发现10月处于落叶期的图像本身具有较好的分类效果（71%），与3月、7月和10月的影像组合获得了最高的准确性（84%）。在本研究中发现，10月（秋天）有利于识别落叶针叶林与其他森林之间的差异，对5月，8月和10月的影像进行组合获得了落叶针叶林识别最高精度（91.20%），根据特征重要性分析发现秋季（10月）的影像是最重要的。在研究中发现，窄红外波段（B6、B7和B8A）以及短波红外波段（B11、B12）在落叶针叶林分类中具有较为重要的作用。这一发现与Immitzer等[6]和Nelson[29]的研究结果相一致，他们在研究中发现红边波段（B2、B3）、窄红外波段（B6、B7和B8A）以及短波红外波段（B12）的波段在树种分类中起着关键作用。
根据目前已有的多项利用随机森林分类器的研究表明，训练数据集的大小对土地覆盖分类和树种识别有一定影响。同时现有针对我国落叶针叶林的研究十分有限，目前大部分中高分辨率土地覆盖分类产品中一般只对森林进行一级分类，而后续更为精细的分类则需要有实地调查数据或二类调查数据作为样本。在没有这些数据支撑地区难以精确识别落叶针叶林。使用已有的公开数据集获取足量的，可靠的训练样本，为之后一些样本不足、实地调查困难的地区进行土地覆盖和树种分类在理论研究和实际应用中都有十分重要的意义。但使用的两种共6期土地覆盖产品所采用的分类策略以及分类系统不同，这种差异和不确定性导致各产品在相同区域一致性低。同时，同系列土地覆盖产品间的不同时期也出现部分内容有较大分歧的问题。本研究的分类训练样本来自于各产品类别相同的区域，分类产品间的不一致性问题则会造成局部地区某些类别的分类样本过少，从而直接影响分类结果的稳定。保证有限样本可以稳定分类是下一步需解决的问题。
GEE作为一个云计算平台，具有强大的数据存储、管理以及数据处理能力。研究利用现有的土地数据集构建样本集，使用GEE平台实现了对2020年孟家岗林场落叶针叶林快速提取。结果表明，该方法对大区域范围的土地覆盖分类具有明显优势，为大尺度范围的专题制图研究提供了途径。但目前国内关于GEE平台的应用和研究还处于起步阶段，在遥感影像分类领域使用GEE平台结合深度学习算法的研究很少。同时GEE具有一些计算限制，包括时间、内存和存储，在未来对大范围区域进行落叶针叶林提取时可能会遇到一些限制。
本次的研究区域落叶针叶林为人工林纯林，与天然林相比分布均匀且混合像元少。天然林多为混交林，在分类时与人工林相比精度会降低，在对天然林进行模型构建时需要考虑实际情况构建更高精度的分类模型，便于满足更大范围内的落叶针叶林提取研究。
5. 结 论
研究基于遥感数据云平台GEE提供的Sentinel-2数据和已公开发布的土地覆盖产品，从多时相和多特征角度，提取孟家岗地区落叶针叶林最佳物候期和光谱波段，利用不同物候期的多特征数据集，结合随机森林分类算法，实现了2020年孟家岗地区落叶针叶林的高精度提取。结论如下：
（1）通过机载及实地验证数据对研究结果进行检验，森林类型分类结果精度达96.20%；落叶针叶林类型分类精度达91.20%。分类精度较高，最终分类结果对落叶针叶林分布特征描绘较为准确。
（2）研究结果显示现有的土地覆盖公开数据集建立的样本集能为落叶针叶林识别提供可靠充足的训练样本，可以解决部分区域落叶针叶林提取样本不足的问题。
（3）根据特征优选的结果显示，10月落叶期是识别落叶针叶林的关键时期，光谱特征在识别落叶针叶林研究中发挥了重要作用，地形特征和纹理特征在一定程度上也提升了识别的精度。
（4）单时相影像数据包含信息量有限，而多时相数据包含更多落叶针叶林的物候信息，使落叶针叶林与其他森林类型差异明显，有利于落叶针叶林的提取。同时，Sentinel-2卫星频繁的重访时间有利于捕获森林树种之间的光谱差异。
-
![]()
图 5 本文局部 Google earth影像及其对应的分类结果
Figure 5. Local Google earth images and their corresponding classification results of this paper
表 1 Sentinel-2光谱波段信息
Table 1 Sentinel-2 spectral band information
波段
Band描述
Description中心波长
Central
wavelength/nm分辨率
Resolution/mB2 蓝光 Blue light 497 10 B3 绿光 Green light 560 10 B4 红光 Red light 665 10 B5 红边1 Red edge 1 704 20 B6 红边2 Red edge 2 740 20 B7 红边3 Red edge 3 783 20 B8 近红外 Near-infrared（NIR） 835 10 B8A 窄波近红外 Narrow NIR 865 20 B11 短波红1 Short-wave infrared 1 （SWIR1） 1 614 20 B12 短波红2 Short-wave infrared 2 （SWIR2） 2 202 20 
下载: 导出CSV
表 2 土地覆盖产品收集情况
Table 2 Collection of land cover products
产品分类 Product classification 发布机构 Issuing authority 数据来源 Data source 产品年份 Product year GLC_FCS 30 中国科学院 Chinese Academy of Sciences Landsat TM/ETM+ 2000、2015、2020 ChinaCover 中国科学院 Chinese Academy of Sciences Landsat TM/ETM+HJ-1A/B 2000、2010、2015
下载: 导出CSV
表 3 样本情况
Table 3 Sample plot situation
类型
Type训练样本
Training sample验证样本
Validation sample描述
Description森林 Forest 230 133 非森林 Non-forest 216 80 落叶针叶林 Deciduous coniferous forest 150 98 实地 In the field 88 机载高光谱 Airborne hyperion （CAF-LiCHy） 其他森林 Other forest 163 84 实地 In the field 88 机载高光谱 Airborne hyperion （CAF-LiCHy） 合计 Total 759 571
下载: 导出CSV
表 4 光谱特征
Table 4 Spectral characteristics
光谱指数
Spectral index公式
Formula参考文献
ReferenceNDVI （B8 − B4）/（B8 + B4） [20] SAVI （B8 − B4）/（B8 + B4 + 0.5） × 1.5 [21] EVI 2.5 × （B8 − B4）/（B8 + 6.0 × B4 − 7.5 × B2 + 1.0） [22] RVI B8/B4 [23] DVI B8 − B4 [24] 注：NDVI. 归一化植被指数；SAVI. 土壤调整植被指数；EVI. 增强型植被指数；RVI. 比值植被指数；DVI.差值植被指数。Notes: NDVI, normalized difference vegetation index; SAVI, soil-adjusted vegetation index; EVI, enhanced vegetation index; RVI, ratio vegetation index; DVI, difference vegetation index.
下载: 导出CSV
表 5 特征统计
Table 5 Statistic of features
特征类型
Feature type特征变量
Feature variables数量
Number光谱波段
Spectral bandB2_5，B3_5，B4_5，B5_5，B6_5，B7_5，B8_5，B8A_5，B11_5，B12_5 30 B2_8，B3_8，B4_8，B5_8，B6_8，B7_8，B8_8，B8A_8，B11_8，B12_8 B2_10，B3_10，B4_10，B5_10，B6_10，B7_10，B8_10，B8A_10，B11_10，B12_10 光谱指数
Spectral indexNDVI_5， DVI_5， RVI_5， EVI_5， SAVI_5 15 NDVI_8， DVI_8， RVI_8， EVI_8， SAVI_8 NDVI_10， DVI_10， RVI_10， EVI_10， SAVI_10 纹理特征
Textural featurecorr， var， idm，con，ent，asm 6 地形特征
Topographic feature海拔 Elevation ，坡度 Slope ，坡向 Aspect 3 合计 Total 54 注：corr. 相关性；var. 方差；idm. 逆差矩；con. 对比度；ent. 熵；asm.角二阶矩。Notes: corr, correlation; var, variance; idm, inverse different moment; con, contrast; ent, entropy; asm, angular second-order moment.
下载: 导出CSV
表 6 混淆矩阵
Table 6 Confusion matrix
类别
Type非森林
Non-forest森林
Forest生产精度
Production accuracy/%非森林 Non-forest 75 5 93.75 森林 Forest 3 130 97.74 用户精度
User accuracy/%96.15 96.29 注：总精度96.20%；Kappa系数0.93。Notes: overall accuracy is 96.20%; Kappa coefficient is 0.93.
下载: 导出CSV
表 7 机载高光谱数据验证样本混淆矩阵
Table 7 CAF-LiCHy validation of sample confusion matrix
类别
Type其他森林
Other forest落叶针叶林
Deciduous coniferous forest生产精度
Production accuracy/%其他森林
Other forest78 6 92.85 落叶针叶林
Deciduous coniferous forest11 75 87.20 用户精度
User accuracy/%87.64 92.59 注：总精度90.00%；Kappa系数0.80。Notes: overall accuracy is 90%; Kappa coefficient is 0.80.
下载: 导出CSV
表 8 实地验证样本混淆矩阵
Table 8 Field validation of sample confusion matrix
类别
Type其他森林
Other forest落叶针叶林
Deciduous coniferous forest生产精度
Production accuracy/%其他森林
Other forest78 6 92.85 落叶针叶林
Deciduous coniferous forest10 88 89.79 用户精度
User accuracy/%88.86 93.61 注：总精度91.20%；Kappa系数0.82。Notes: overall accuracy is 91.20%； Kappa coefficient is 0.82.
下载: 导出CSV
-
[1] 周以良. 中国的几种植被类型(Ⅵ)落叶针叶林[J]. 生物学通报, 1988(5): 6−10. Zhou Y L. Several types of vegetation in China (Ⅵ) deciduous coniferous forest[J]. Bulletin of Biology, 1988(5): 6−10.
[2] 刘旭升, 张晓丽. 森林植被遥感分类研究进展与对策[J]. 林业资源管理, 2004(1): 61−64. Liu X S, Zhang X L. Research advances and counter measures of remote sensing classification of forest vegetation[J]. Forest Resources Management, 2004(1): 61−64.
[3] Teluguntla P, Thenkabail P S, Oliphant A, et al. A 30-m landsat-derived cropland extent product of Australia and China using random forest machine learning algorithm on Google Earth Engine cloud computing platform[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 144: 325−340. doi: 10.1016/j.isprsjprs.2018.07.017
[4] Gorelick N, Hancher M, Dixon M, et al. Google Earth Engine: planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202: 18−27. doi: 10.1016/j.rse.2017.06.031
[5] 李斌, 李崇贵, 李煜. 基于Sentinel-2数据的塞罕坝机械林场落叶松人工林提取[J]. 林业资源管理, 2021(2): 117−123. Li B, Li C G, Li Y. Research on larch extraction in Saihanba Mechanical Forest Farm based on Sentinel-2 data[J]. Forest Resources Management, 2021(2): 117−123.
[6] Immitzer M, Vuolo F, Atzberger C. First experience with Sentinel-2 data for crop and tree species classifications in central Europe[J/OL]. Remote Sensing, 2016, 8(3): 166[2023−01−22]. https://doi.org/10.3390/rs8030166.
[7] Persson M, Lindberg E, Reese H. Tree species classification with multi-temporal Sentinel-2 data[J/OL]. Remote Sensing, 2018, 10(11): 1794[2023−01−02]. https://doi.org/10.3390/rs10111794.
[8] 姚茂林, 江洪, 张丽玉. 基于Sentinel-2影像红边光谱指数与特征优选的竹林提取研究[J]. 海南大学学报(自然科学版), 2022, 40(4): 373−381. Yao M L, Jiang H, Zhang L Y. Bamboo information extraction from Sentinel-2 image based on improved spectral indices and random forest Gini index[J]. Natural Science Journal of Hainan University, 2022, 40(4): 373−381.
[9] Immitzer M, Neuwirth M, Böck S, et al. Optimal input features for tree species classification in central Europe based on multi-temporal Sentinel-2 data[J/OL]. Remote Sensing, 2019, 11(22): 2599[2023−01−02]. https://doi.org/10.3390/rs11222599.
[10] Grabska E, Frantz D, Ostapowicz K. Evaluation of machine learning algorithms for forest stand species mapping using Sentinel-2 imagery and environmental data in the Polish Carpathians[J/OL]. Remote Sensing of Environment, 2020, 251: 112103[2023−01−23]. https://doi.org/10.1016/j.rse.2020.112103.
[11] 郑杨, 董利虎, 李凤日. 黑龙江省红松人工林枝条分布数量模拟[J]. 应用生态学报, 2016, 27(7): 2172−2180. Zheng Y, Dong L H, Li F R. Branch quantity distribution simulation for Pinus koraiensis plantation in Heilongjiang Province, China[J]. Chinese Journal of Applied Ecology, 2016, 27(7): 2172−2180.
[12] Shoko C, Mutanga O. Examining the strength of the newly-launched Sentinel 2 MSI sensor in detecting and discriminating subtle differences between C3 and C4 grass species[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 129: 32−40. doi: 10.1016/j.isprsjprs.2017.04.016
[13] 吴炳方, 苑全治, 颜长珍, 等. 21世纪前十年的中国土地覆盖变化[J]. 第四纪研究, 2014, 34(4): 723−731. Wu B F, Yuan Q Z, Yan C Z, et al. Land cover changes of China from 2000 to 2010[J]. Quaternary Sciences, 2014, 34(4): 723−731.
[14] 吴炳方. 中华人民共和国土地覆被地图集(1∶1 000 000)[M]. 北京: 中国地图出版社, 2017. Wu B F. Land cover atlas of the People’s Republic of China (1∶1 000 000)[M]. Beijing: China Cartographic Publishing House, 2017.
[15] Zhang X, Liu L, Chen X, et al. Fine land-cover mapping in China using Landsat datacube and an operational SPECLib-based approach[J/OL]. Remote Sensing, 2019, 11(9): 1056[2023−01−02]. https://doi.org/10.3390/rs11091056.
[16] Zhang X, Liu L, Chen X, et al. GLC_FCS30: Global Land-Cover product with fine classification system at 30m using time-series Landsat imagery[J]. Earth System Science Data, 2021, 13(6): 2753−2776. doi: 10.5194/essd-13-2753-2021
[17] 庞勇, 蒙诗栎, 史锴源, 等. 中国天然林保护工程区森林覆盖遥感监测[J]. 生态学报, 2021, 41(13): 5080−5092. Pang Y, Meng S L, Shi K Y, et al. Forest coverage monitoring in the Natural Forest Protection Project area of China[J]. Acta Ecologica Sinica, 2021, 41(13): 5080−5092.
[18] Pang Y, Li Z, Ju H, et al. LiCHy: the CAF’s LiDAR, CCD and hyperspectral integrated airborne observation system[J/OL]. Remote Sensing, 2016, 8(5): 398[2023−01−02]. https://doi.org/10.3390/rs8050398.
[19] 池毓锋, 赖日文, 余莉莉, 等. 基于Landsat 8 OLI数据的树种类型分布提取[J]. 自然资源学报, 2017, 32(7): 1193−1203. Chi Y F, Lai R W, Yu L L, et al. Extracting tree species distribution with Landsat 8 OLI data[J]. Journal of Natural Resources, 2017, 32(7): 1193−1203.
[20] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8(2): 127−150. doi: 10.1016/0034-4257(79)90013-0
[21] Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295−309. doi: 10.1016/0034-4257(88)90106-X
[22] 董灵波, 梁凯富, 张一帆,等. 基于Landsat 8时间序列数据的翠岗林场森林类型划分[J]. 应用生态学报, 2022, 33(9): 2339−2346. Dong L B, Liang K F, Zhang Y F, et al. Classification of forest types in Cuigang Forest Farm based on time series data of Landsat 8[J]. Chinese Journal of Applied Ecology, 2022, 33(9): 2339−2346.
[23] 尹芬, 丁美青. 运用 ENVI 实现 SPOT-5 卫星影像的 RVI 提取[J]. 测绘与空间地理信息, 2016, 39(1): 47−48. Yin F, Ding M Q. RVI extraction of SPOT-5 satellite images using ENVI[J]. Geomatics & Spatial Information Technology, 2016, 39(1): 47−48.
[24] 周晓双. 基于高光谱的稻麦叶面积指数监测研究[D]. 南京: 南京农业大学, 2015. Zhou X S. Monitoring leaf area index in rice and wheat with hyperspectral remote sensing[D]. Nanjing: Nanjing Agricultural University, 2015.
[25] 李智峰, 朱谷昌, 董泰锋. 基于灰度共生矩阵的图像纹理特征地物分类应用[J]. 地质与勘探, 2011, 47(3): 456−461. Li Z F, Zhu G C, Dong T F. Application of GLCM-based texture features to remote sensing image classification[J]. Geology and Exploration, 2011, 47(3): 456−461.
[26] Huang D, Xu S, Sun J, et al. Accuracy assessment model for classification result of remote sensing image based on spatial sampling[J/OL]. Journal of Applied Remote Sensing, 2017, 11(4): 046023[2023−01−02]. https://doi.org/10.1117/1.JRS.11.046023.
[27] Qu L, Chen Z, Li M, et al. Accuracy improvements to pixel-based and object-based lulc classification with auxiliary datasets from Google earth engine[J/OL]. Remote Sensing, 2021, 13(3): 453[2023−01−02]. https://doi.org/10.3390/rs13030453.
[28] Hill R A, Wilson A K, George M, et al. Mapping tree species in temperate deciduous woodland using time-series multi-spectral data[J]. Applied Vegetation Science, 2010, 13(1): 86−99. doi: 10.1111/j.1654-109X.2009.01053.x
[29] Nelson M. Evaluating multitemporal sentinel-2 data for forest mapping using random forest[J/OL]. Environmental Science, Mathematics, 2017[2023−01−02]. https://core.ac.uk/display/132537655.
计量
- 文章访问数: 697
- HTML全文浏览量: 212
- PDF下载量: 143
