Object-oriented multi-index integrated vegetation change analysis based on WorldView2 and GF-2
-
摘要:目的利用高分辨率卫星影像获取精确的植被变化信息对植被资源合理利用及可持续经营有重要意义。传统的基于像元的直接变化检测法容易产生椒盐噪声,而用面向对象分类法结果又严重依赖于分类精度。本文在分析现有算法优劣势基础上,力图找到一种针对高分辨率遥感数据进行植被变化检测的相对客观算法,并验证其有效性。方法基于现有的多指标综合变化分析算法(MIICA),提出了面向对象的MIICA。本算法用准确率(P)和查全率(R)分析确定的最优分割参数对前后两期跨传感器影像进行统一分割,利用分割获得的对象影像进行特征参数提取,并用ROC曲线法选择合适的阈值进行变化信息提取并整合,最终获得植被变化位置及方向(植被增多或减少)。结果经与基于像元的MIICA及面向对象分类法的比较,本方法的生产者精度高于基于像元的MIICA,用户精度高于面向对象分类法,并且总体精度和Kappa系数分别达到了0.880和0.805。本方法能更好地反映植被变化的位置及形状,也能较准确地检测出一些面积微小的变化。结论面向对象的MIICA能弥补基于像元的MIICA和面向对象分类的缺点,提高检测精度,对存在高人为影响的森林公园或自然保护区植被变化分析、植被资源合理利用及可持续经营有重要意义。Abstract:ObjectiveUsing high spatial resolution satellite images to capture accurate information on vegetation change is of great significance for the rational use of vegetation resources and sustainable management. Traditional pixel-based direct change detection methods are easy to cause salt-and-pepper noises and the results of object-oriented classification methods depend heavily on the classification accuracy. After investigating the advantages and weaknesses of the existing algorithms for vegetation change analysis, the major objective of this study was to develop a relatively objective algorithm for vegetation change detection by high spatial resolution remote sensing data, and to verify its effectiveness.MethodAn object-oriented multi-index integrated change analysis (MIICA) algorithm was proposed in the analysis based on a existing MIICA. First, bi-temporal cross-sensor high spatial resolution images were segmented uniformly with the optimal segmentation parameters, which were determined by examining the precision (P) and recall (R) indices, followed by the extraction of feature parameters of the segmented objects. Then the appropriate thresholds objectively determined by ROC (receiver operating characteristic) curves were integrated to derive vegetation change positions and directions (vegetation gain or loss) finally.ResultResults showed that compared with the pixel-based MIICA and the object-oriented classification method, the producer’s accuracy of our method was higher than that of the pixel-based MIICA, meanwhile the user’s accuracy was higher than that of the object-oriented classification method. And our method had higher overall accuracy and Kappa coefficient, estimated at 0.880 and 0.805, respectively. The detection results of our method could better reflect the positions and shapes of the vegetation change areas, with some subtle vegetation changes clearly detected.ConclusionObject-oriented MIICA can improve the shortcomings of pixel-based MIICA and object-oriented classification method, and improve the detection accuracy. The proposed method is essential for the analysis of vegetation changes, the reasonable utilization and sustainable management of vegetation resources in forest parks or natural reserves, where heavy anthropogenic disturbances frequently exist.
-
生物多样性是指生物体与其所处的生态系统的组合,伴随着多种相关的生态进程,是人类生活的基础,其潜能影响着人类生存和发展的未来[1]。物种多样性是生态系统的主要特征之一,是种群数量和分布均匀程度的量化,反映其结构的复杂性[2]。群落种类的多样化,既是其内部结构与空间上的异质,又是其功能的主要特点,受国内外学者广泛关注[3]。
林窗作为影响物种多样性的重要因素之一,在森林植被演替与循环[4]、维持生物多样性、稳定森林群落结构方面发挥着重要作用[5−6]。林窗面积影响着林窗中微生境因子的变化,是林窗的最基本特征之一[7]。林窗在林中不同地区分布造成林间生态系统的异质性[8],同时,林下植被的异质资源能为林下植被植物的种类更新提供有效资源和空间[9−10],进而促进林下植被种类更新[11−12]。光因子为林窗生态环境的重要生态因子之一,影响其他生态环境因素,如林地温度、湿度、土壤养分状况等。林窗内部生态环境研究是研究林窗干扰和林窗内更新的基础。了解林窗内部生态因子的特征及变化规律、影响因素有利于揭示林窗内更新机制。通过对林窗干扰、林窗生态因子变化规律及森林树种生物学特性的综合分析,可以实现对森林群落的物质共存、动态更新及多样性维持机制进行深入的探究[13]。
我国对林窗的研究在南方较多,相关研究大多关注林窗面积特征及其林分环境因子特征方面。臧润国等[14]对不同面积大小、不同生长期的热带常绿阔叶林林隙中的树种多样性进行分析,研究发现林隙中的植物多样性随林隙年龄的增大而呈现出明显的递减趋势。赵秀海等[15]分析了我国阔叶红松(Pinus koraiensis)林林隙大小、发育阶段与林隙内树种多样性之间的相关关系,研究发现林隙大小与林隙内树种多样性之间存在着显著相关性。崔宁洁等[12]对马尾松(Pinus massoniana)人工林林窗大小及季节变化与树种多样性之间的关系进行了分析,认为林窗大小对其内部植物的物种组成和丰富度具有重要影响。以上研究主要关注了林窗面积及发展动态对其内部植被特征的影响。
国外林窗研究的研究对象多是热带和亚热带森林。Naaf等[16]探究了林窗大小、光照以及食草动物对欧洲山毛榉(Fagus sylvatica)林草本层植被的影响,结果显示物种数量随着林窗大小和光照可用性的增加而增加;食草动物减少了树木再生,从而降低了竞争,也导致了物种数量增加。Shabani等[17]分析了生境因素对林窗物种多样性的影响,发现海拔与生物多样性具有显著的相关性。Brandani等[18]研究了热带湿润森林林窗的内部异质性以及对物种丰富度的维持作用。Barik等[19]研究了亚热带阔叶森林林窗和林下的微环境变化及其对物种多样性的影响,指出林窗大小变化引起的光照和水分状况变化对耐荫和不耐荫树种组成和丰富度产生重要影响。Pedersen等[20]探究了成熟混交林林窗对地上树木和森林生长速率的影响,结果表明林窗虽然增加了物种多样性,但森林增长率却明显下降。这些研究表明,林窗内生态因子对林下植被生长的重要性,尤其是光照因子。
目前,我国北方有关林窗干扰的研究较少,特别是不同大小林窗对物种多样性影响的生态机制。此外,国内关于光环境因子对林下植被影响的研究也较少,且多是从光环境因子或森林群落其他特征进行单方面分析[21−22]。因此,本研究探讨了关帝山华北落叶松(Larix principis-rupprechtii)天然次生林林窗大小对林下植被多样性的影响,同时分析等级林窗内部光因子与林下植被物种多样性之间的关系,揭示林下植被生物多样性的形成和维持机制,以期为森林群落物种多样性的保护和可持续经营提供科学依据。
1. 研究区概况与研究方法
1.1 研究区概况
研究区位于山西省庞泉沟国家级自然保护区(111°22′ ~ 111°33′E,37°45′ ~ 37°55′N) 。该区地处吕梁山脉中段,海拔1 500 ~ 2 831 m,最高峰孝文山,为关帝山的主峰。该区属于暖温带半湿润区,年均气温4.3℃,相对湿度70%,年均降水量820 mm左右,无霜期180 d。区内的植被类型为寒温性针叶混交林、针阔混交林和温性阔叶混交林。主要的乔木树种有华北落叶松、云杉(Picea asperata)、山杨(Populus davidiana)、红桦(Betula albosinensis)、白桦(Betula platyphylla)、油松(Pinus tabuliformis)等。主要的灌木树种有美蔷薇(Rosa bella)、灰栒子(Cotoneaster acutifolius)、黄刺玫(Rosa xanthina)、三裂绣线菊(Spiraea trilobata)等,草本植物以华北苔草(Carex hancockiana)、小红菊(Chrysanthemum chanetii)、野草莓(Fragaria vesca)等为主[2]。
1.2 林窗调查
在研究区域内分别选择海拔、坡度、坡向等环境因子相似,林窗形成木腐烂程度、形成方式基本一致的林窗,且各林窗间距大于10 m[23]。林窗分布的海拔范围为1 987.2 ~ 2 098.6 m,天然次生林林分平均胸径为29.8 cm,平均高25.6 m,平均坡度为17.4°,坡向为西南,平均密度约为325株/hm2。测量林窗长轴和短轴的长度,采用椭圆面积公式与海伦公式(Heron’s formula)计算林窗面积[23]。结合前人对林窗面积的划分依据[24−25]及样地的实际林窗特征,将林窗面积划分为4个等级:0 ~ 50 m2、50 ~ 100 m2、100 ~ 150 m2、150 ~ 250 m2。每个面积等级内选择3个林窗(3个重复),共12个。各林窗内边缘正西南、中间、边缘正东北分别设置5 m × 5 m 灌木调查样方,并于各5 m × 5 m样方中间位置设置1 m × 1 m 的草本调查样方1个,在距林窗10 m外设置相同面积的林内对照样方(CK),共12个。各对照样方内,按照同样的方式设置灌木及草本样方。共调查林窗灌木样方36个,草本样方36个,林内对照灌木样方36个,草本样方36个,共144个样方。
2. 研究方法
2.1 林窗面积计算
按照研究区域内的林窗形状,分别用两种方法进行了分析。在一般或接近卵形的情况下,采用椭圆区域的方法,而在非规则或较大的情况下,采用海伦公式。
椭圆面积公式
A=πLW/4 (1) 式中:A为椭圆面积,L为椭圆长轴,W为椭圆短轴。
海伦公式
SΔ=[s(s−a)(s−b)(s−c)]/2 (2) 式中:SΔ为三角形面积,s为半周长,a、b、c为边长。
2.2 林窗光因子测定
采用半球摄影法对林窗冠层指标进行测定[26]。沿南北方向,分别于林窗中心、林冠边缘、林窗中心与林冠连线的中点和林冠下方布设图像采集点(图1)。采集图像点的高度为距离地面1.3 m。为了避免过度曝光对图像的影响,采集时段设定为06:00—09:00,15:00—19:00[27],并且在每个测量点至少拍摄3张照片。共拍摄300张冠层照片,选取84张进行处理分析。利用Gap Light Analyzer 2.0(GLA)软件对冠层图像进行数字化处理[28],设定一组有关该测量点的经纬度、海拔、坡度、坡向等基础资料,并设定天顶角为60°,得直接辐射(trans direct radiation,TDR)、散射辐射(trans diffuseradiation,TDF)和总辐射(trans total radiation,Tot)等光因子指标。
2.3 物种多样性测定
各样方内,测量并统计所有高度小于3 m的木本植物(含乔木幼苗幼树),以及草本植物(含草质藤本和蕨类植物)的物种名称、株(丛)数、冠幅(盖度)和高度。采用α多样性测量方法[3]中的Simpson优势度指数(H′)、Shannon-Wiener指数(H)、Pielou均匀度指数(Jsw)、Margalef丰富度指数(D)计算灌木层、草本层的物种多样性指数综合测定华北落叶松天然次生林林下物种多样性。
H′=1−S∑i=1P2i (3) H =−S∑i=1PilnPi (4) Jsw=−S∑i=1PilnPilnS (5) D=(S−1)/lnN (6) 式中:Pi = Ni/N,表示第i个物种的个体数Ni(i = 1,2,3,···,S)占所有物种的个体总数N的比例。其中,S为样方内的物种数。
2.4 统计分析
运用Microsoft Office Excel 2010对林窗和样方数据进行整理与分析。在SPSS 17.0统计软件环境下,采用单因素方差分析法(One-way ANOVA)分析不同等级林窗间各多样性指数差异。利用Excel软件作图。
3. 结果与分析
3.1 华北落叶松天然次生林林窗内灌草物种组成
林窗和非林窗林地样方灌草物种组成的调查结果见表1、2。在灌木层中,共记录到植物8种,其中株(丛)数占比最多的前5个物种为美蔷薇、灰栒子、三裂绣线菊、小叶忍冬(Lonicera microphylla)、毛榛(Corylus mandshurica)。在草木层中,共记录到植物32种,其中株(丛)数占比最多的前5个物种为野草莓、小红菊、华北苔草、四叶葎(Galium bungei)和五福花(Adoxa moschatellina)。
表 1 不同林窗等级华北落叶松天然次生林灌木层主要植物株(丛)数占比Table 1. Proportion of main plants in shrub layer of natural secondary forest of Larix principis-rupprechtii in different forest gap grades% 物种
Species林窗等级 Forest gap grade CK Ⅰ Ⅱ Ⅲ Ⅳ 美蔷薇 Rosa bella 39.47 31.25 12.90 21.78 24.44 灰栒子 Cotoneaster acutifolius 34.21 38.75 35.48 43.56 51.11 三裂绣线菊 Spiraea trilobata 18.42 6.25 17.35 11.88 6.60 小叶忍冬 Lonicera microphylla 7.90 22.50 24.19 10.89 2.20 毛榛 Corylus mandshurica 0.00 0.00 4.84 7.92 15.56 合计Total 100.00 98.75 94.76 96.03 99.91 注:Ⅰ~Ⅳ表示林窗面积分别为0 ~ 50 m2、50 ~ 100 m2、100 ~ 150 m2、 150 ~ 250 m2。下同。Notes: Ⅰ−Ⅳ represent the forest gap areas are 0−50 m2, 50−100 m2, 100−150 m2, 150−250 m2, respectively. The same below. 表 2 不同林窗等级华北落叶松天然次生林草木层主要植物株(丛)数占比Table 2. Proportion of main plants in herb layer of natural secondary forest of Larix principis-rupprechtii in different forest gap grades% 物种
Species林窗等级 Forest gap grade CK Ⅰ Ⅱ Ⅲ Ⅳ 野草莓 Fragaria vesca 36.57 15.76 35.24 0.00 0.00 小红菊 Chrysanthemum chanetii 10.49 29.89 14.58 48.91 31.53 华北苔草 Carex hancockiana 15.35 26.63 20.14 34.30 45.94 四叶葎 Galium bungei 3.06 9.23 4.51 1.46 4.51 五福花 Adoxa moschatellina 15.35 0.00 7.29 3.64 0.00 合计Total 80.82 81.51 81.76 88.31 81.98 在Ⅰ级林窗中,数量最多的灌木植物为美蔷薇,占比达39.47%,而数量最多的草本植物为野草莓,占比达36.57%。Ⅱ级林窗中,最常见的灌木植物是灰栒子,占比为38.75%,最多的草本植物为小红菊,占比达29.89%。Ⅲ级林窗中数量最多的灌木植物为灰栒子,占比达35.48%,最多的草本植物为野草莓,也占比为35.24%。Ⅳ级林窗中数量最多的灌木植物为灰栒子,占比高达43.56%,最多的草本植物为小红菊,占比高达48.91%。林内对照组(CK)中数量最多的灌木植物为灰栒子,占比高达51.11%,最多的草本植物为华北苔草,占比为45.94%。
3.2 不同面积等级林窗灌草物种多样性的比较
根据α多样性测度方法[3]中的H′、H、Jsw、D等4个指标计算华北落叶松天然次生林林窗与林下物种多样性指数(图2、3),结果表明,总体来看林窗内的物种多样性水平高于非林窗物种多样性水平,林窗的形成在一定程度上促进了群落物种多样性水平的提高。
图 2 华北落叶松天然次生林不同面积等级林窗内灌木层物种多样性的比较H. Shannon-Wiener指数;Jsw. Pielou均匀度指数;H′. Simpson优势度指数;D. Margalef丰富度指数。下同。H, Shannon-Wiener index; Jsw, Pielou evenness index; H′, Simpson dominance index; D, Margalef richness index. The same below.Figure 2. Comparison of species diversity of shrub layer in different area grades of Larix principis-rupprechtii natural secondary forest3.2.1 Shannon-Wiener指数
在灌木层中,随着林窗面积的增大,H值呈现出先增大后减小的趋势,其中以Ⅲ级林窗的H值最大,Ⅰ级林窗的H值最小,不同面积等级林窗灌木Shannon-Wiener指数变化范围为1.408 ~ 1.775,均大于CK。呈现出Ⅲ级(1.775) > Ⅳ级(1.444) > Ⅱ级(1.434) > Ⅰ级(1.408) > CK(1.269)趋势,表明面积大的林窗相对更有利于提高群落的物种多样性水平;对于草本层,不同面积林窗草本Shannon-Wiener指数的变化范围为1.704 ~ 2.104,也均大于CK。H值在小林窗最大,随着林窗面积的增大而逐渐减小,整体表现为Ⅰ级(2.104) > Ⅱ级(1.948) > Ⅲ级(1.765) > Ⅳ级(1.704) > CK(1.637)。
3.2.2 Simpson优势度指数
由图2、3中H′ 的变化趋势可知,随着林窗面积的增大灌木层的H′值呈先增大后减小的变化趋势,其中以Ⅲ级林窗的H′值最大,Ⅰ级林窗的H′值最小,不同面积等级林窗灌木Simpson优势度指数的变化范围为0.298 ~ 0.545,呈现出Ⅲ级(0.545) > Ⅱ级(0.442) > Ⅳ级(0.382) > CK(0.365) > Ⅰ级(0.298)趋势;在草本层中,H′值随林窗面积增加呈现出逐渐降低的变化趋势,不同面积林窗草本Simpson优势度指数的变化区间为0.305 ~ 0.412,均大于CK。整体表现为Ⅰ级(0.412) > Ⅱ级(0.369) > Ⅲ级(0.366) > Ⅳ级(0.305) > CK(0.294)。这表明林窗会增加森林群落的物种不稳定性,对于灌木层,大林窗内的物种不稳定性程度最高,而对于草本层,小林窗内的物种不稳定性程度最高。
3.2.3 Pielou均匀度指数
随着林窗面积等级增加,灌木层Jsw值呈现先增加后降低的变化趋势,其中以Ⅱ级林窗的Jsw值最大,Ⅰ级林窗的Jsw值最小。不同面积林窗灌木Pielou均匀度指数变化范围为0.718 ~ 0.814,均高于CK。其大小顺序为Ⅱ级林窗(0.814) > Ⅲ级(0.811) > Ⅳ级(0.770) > Ⅰ级(0.718) > CK(0.618)趋势。表明林窗面积等级对灌木层物种均匀分布程度的影响存在差异,其中Ⅱ级林窗内物种均匀度最高;草本层中,不同面积等级林窗草本Pielou均匀度指数的变化范围为0.723 ~ 0.778,也均大于CK。整体表现为Ⅰ级(0.778) > Ⅱ级(0.760) > Ⅲ级(0.731) > Ⅳ级(0.723) > CK(0.720)。与灌木层相比,草本层群落的物种均匀度指数变化不大。总体上,Ⅰ级林窗和Ⅱ级林窗的Jsw值都比较大,表明在小林窗中,草本层的分布更为均匀。
3.2.4 Margalef丰富度指数
不同面积等级的林窗内各层次Margalef丰富度指数D表现出明显差别,在灌木层中,随着林窗面积等级的增加,D值的变化表现为先增加后降低的趋势,其中以Ⅲ级林窗的D值最大,Ⅰ级林窗的D值最小,不同面积林窗灌木Margalef丰富度指数的变化范围为0.437 ~ 0.817,由大到小的顺序为Ⅲ级林窗(0.817) > Ⅳ级(0.722) > CK(0.633) > Ⅱ级(0.575) > Ⅰ级(0.437)。在草本层中,不同面积等级林窗草本Margalef丰富度指数最小值为0.792,最大值0.848,均大于CK。D值随林窗面积增大先增大后减小,整体表现为Ⅱ级(0.848) > Ⅲ级(0.811) > Ⅰ级(0.810) > Ⅳ级(0.792) > CK(0.695)。通过对灌木层与草本层的D值进行对比分析发现,草本层的D值高于灌木层,且其D值随林窗面积等级的增加发生的变化更加明显,林窗对草本层物种数量的影响较灌木层更大。
3.3 不同面积等级林窗群落物种多样性相关性
通过对群落各层次植被的4个物种多样性指数进行相关分析(表3)发现,灌木层和草本层物种多样性指数之间的相关性较弱(P > 0.05),但草本层的H′指数与林窗面积存在显著相关性(P < 0.05);草本层的Jsw指数与H指数存在极显著相关性(P < 0.01);灌木层和草本层的其他物种多样性指数均无显著相关性(P > 0.05)。表明灌草的4个物种多样性指数值不存在直接的关系。
表 3 不同面积等级林窗华北落叶松天然次生林群落中物种多样性指数的相关系数Table 3. Correlation coefficients of species diversity index in natural secondary forest community of Larix principis-rupprechtii in different area grades多样性指数
Diversity index面积
Area灌木层 Shrub layer (SL) 草本层 Herb layer (HL) H Jsw H′ D H Jsw H′ D 面积Area 1.000 SL-H 0.172 1.000 SL-Jsw 0.292 0.546 1.000 SL-H′ 0.266 0.856 0.901 1.000 SL-D 0.740 0.772 0.672 0.813 1.000 HL-H −0.932 −0.493 −0.549 −0.592 −0.931 1.000 HL-Jsw −0.927 −0.523 −0.509 −0.583 −0.938 0.997** 1.000 HL-H′ −0.974* −0.030 −0.361 −0.236 −0.657 0.884 0.863 1.000 HL-D −0.572 −0.116 0.491 0.245 −0.308 0.432 0.484 0.406 1.000 注:H. Shannon-Wiener指数;Jsw. Pielou均匀度指数;H′. Simpson优势度指数;D. Margalef丰富度指数。*表示显著相关(P < 0.05);**表示显著相关(P < 0.01)。Notes: H, Shannon-Wiener index; Jsw, Pielou evenness index; H′, Simpson dominance index; D, Margalef richness index. * indicates significant correlation at P < 0.05 level; ** indicates significant correlation at P < 0.01 level. 3.4 不同面积等级林窗的光因子特征
不同面积等级林窗的光因子特征如表4所示。结果表明,林窗的存在对光因子产生了显著影响,直射辐射量、散射辐射量和总辐射量在不同面积的林窗内差异显著(P < 0.05)。随着林窗面积的增大散射辐射量和总辐射量也随之增大,而直射辐射量是随着林窗的面积增大先减小后增加,在林窗面积为50 ~ 100 m2时,直射辐射量最小。
表 4 不同面积等级林窗内光因子变化Table 4. Changes of light factors in gaps of different area grades林窗面积
Forest gap size/m2总辐射量
Total amount of radiation/%直射辐射量
Direct solar radiation/%散射辐射量
Diffuse solar radiation/%0 ~ 50 14.29 ± 0.57a 10.69 ± 1.15a 19.03 ± 0.68a 50 ~ 100 15.17 ± 0.78b 8.97 ± 1.31b 22.41 ± 1.06b 100 ~ 150 19.96 ± 1.03c 12.56 ± 1.77c 28.74 ± 1.59c 150 ~ 250 24.35 ± 1.49d 15.92 ± 2.43d 32.81 ± 1.54d 注:表中数值表示平均值 ± 标准误差;不同字母表示不同林窗面积等级之间差异显著(显著性水平α = 0.05)。Notes: values in the table represent mean ± standard error; different letters indicate significant differences between varied levels of forest gap area (significance level α = 0.05). 4. 讨论与结论
4.1 讨 论
群落的物种组成和种类是由群落内的物种与环境条件之间的相互作用决定的,这种相互作用也体现了不同环境条件下物种组成的差异[29]。林窗通过改善微环境,提高了部分物种的种子发芽率。因此,一些原本不能在林下自然更新的植物种类能够在林窗内生长,从而促进林下物种的更新[30−31]。随林窗面积等级的增加,灌木层的物种多样性指数呈现了先增加后降低的趋势,其中在林窗面积100 ~ 150 m2时达到最高。这一趋势与林窗内直射辐射量的变化趋势(先降低后增加)相反。这种现象可能是因为,相较于小林窗,中等大小的林窗在空间资源、光照和水分等方面都较为充足,为灌木的生长创造了有利环境,从而促进了灌木物种多样性水平提升。然而,过大面积的林窗导致直射辐射量过高(表4),可能会造成水热分布不均,从而降低灌木层的物种多样性。林窗内草本层的各物种丰富度指数受林窗面积等级的影响则不完全相同。Simpson指数、Shannon-Wiener指数、Pielou指数在0 ~ 50 m2林窗面积等级时均达到最大值。然而,总体来看,随林窗面积等级的增大,各物种多样性指数呈现逐渐降低的趋势。周东等[29]的研究也得出了类似的结论。这一趋势与本研究中观察到的林窗内总辐射量和散射辐射量随着林窗面积等级增大而增大的趋势相反(表4)。较大面积等级林窗的光环境条件更接近无林地或采伐空地,导致环境异质性也就相对较小,从而物种丰富度较低。此外,群落内部的种间资源和空间竞争也是影响因素[32]。研究表明,林窗内更新物种的种类、数量及其分布均匀程度受林窗大小的影响,存在一个最适更新的林窗面积范围[10,33],其物种多样性水平最高。通过比较不同面积等级林窗内灌木和草本的优势种变化及其与林内对照组的对比,草本的优势种的类型受林窗面积等级的影响更为明显(表1、2)。光质数据的变化也显示,草本植物对光照的响应比灌木更为敏感。
林窗中的光线因为树冠层的变化而更加复杂[34−35],这不仅影响了土壤中有机物的降解和新陈代谢,也影响了植物光合作用。因此,对土壤有机质、林下植被的生长发育及其种类和结构产生了一定影响。相关研究表明,林窗内的光照和温度是影响植物生长生长发育的重要因素[36−37]。结果显示,林下直射辐射量、林下散射辐射量和林下总辐射量的相对增加有利于林下植物多样性的提升及其分布区域的扩大。然而,随着林窗面积的增大,虽然光因子也随着增加,物种多样性水平却逐渐减少(表4,图2、3)。这主要是因为过大的林窗面积导致光强过高,进而增加水分散失,降低植物的资源利用效率,总体上不利于群落发展[23],从而降低物种多样性水平。
森林群落物种多样性的增加是增强森林群落稳定性的重要因素之一[38]。研究表明,中小尺度的林窗干扰对森林群落的物种丰富度有显著影响。由于生态系统的特点,自然干扰造成的林窗区域大小在不同区域间存在较大的差异[39−40]。本研究使用了4个物种多样性指标,对华北落叶松天然次生林的林窗和非林窗下的物种生物多样性进行了分析,揭示了林窗与非林窗条件下生物多样性的显著差异。然而,目前尚无有效方法能够充分反映出各种群间的差异,并将这些差异与种群的生物特性联系起来。此外,不同地区林窗的规模和数量也会对物种的多样性和富集程度产生一定的影响。
4.2 结 论
林窗面积等级不同,通过光因子影响林下植被的物种多样性。不同类型的光因子对灌木和草本多样性的影响存在差异。林窗面积在100 ~ 150 m2时有利于提升灌木层的物种多样性水平,在0 ~ 50 m2时有利于提升草本层的物种多样性水平,而在50 ~ 100 m2林下群落物种丰富度最高。适当的光因子有利于增加林下植被物种多样性,但过高的光照因子反而不利于林下植被多样性的形成。在天然次生林的林下植被物种多样性保护过程中,林窗应以中小面积等级为主。
-
图 3 P值随合并尺度和分割尺度的变化
a. 当分割尺度为0时P值随合并尺度的变化;b. 当合并尺度为75时P值随分割尺度的变化。 a, trends of P with the change of merging scale when the segmentation scale was 0; b, trends of P with the change of segmentation scale when the merging scale was 75.
Figure 3. Trends of P with the change of merging scale and segmentation scale
图 7 特征参数在不同变化阈值下FPR和TPR的ROC曲线
a. dNDVI植被减少阈值;b. dNDVI植被增多阈值;c. RCVMAX正值部分阈值;d. RCVMAX负值部分阈值。 a, dNDVI thresholds of vegetation loss; b, dNDVI thresholds of vegetation gain; c, RCVMAX thresholds of positive part; d, RCVMAX thresholds of negative part.
Figure 7. ROC curves of FPR and TPR for characteristic parameters at different change thresholds
图 9 不同方法检测结果图
a. 2015年影像;b. 2018年影像;c. 基于像元的MIICA结果;d. 面向对象的MIICA结果;e. 面向对象分类法结果。①、②分别指示不同图像的相同位置。 a, image in 2015; b, image in 2018; c, pixel-based MIICA result; d, object-oriented MIICA result; e, object-oriented classification result. ① and ② indicate the same positions in different images, respectively.
Figure 9. Change detection results of different methods
表 1 不同CV阈值下的FPR和TPR
Table 1 FPR and TPR at different CV thresholds
正类率 Positive rate CV 阈值 CV threshold 0 100 200 300 350 400 500 600 700 800 900 1 000 FPR 1.00 0.64 0.38 0.21 0.19 0.13 0.08 0.06 0.03 0.02 0.01 0.00 TPR 1.00 0.94 0.89 0.84 0.82 0.77 0.69 0.65 0.51 0.44 0.37 0.00 注:FPR为假正类率,TPR为真正类率。Notes: FPR is false positive rate,TPR is true positive rate. 表 2 不同dNDVI阈值下的FPR和TPR(植被减少)
Table 2 FPR and TPR at different dNDVI thresholds (vegetation loss)
正类率 Positive rate dNDVI 阈值(植被减少) dNDVI threshold (vegetation loss) 0.00 0.11 0.12 0.13 0.14 0.15 0.16 0.20 0.50 1.00 FPR 1.00 0.69 0.56 0.42 0.22 0.18 0.17 0.08 0.00 0.00 TPR 1.00 0.98 0.97 0.95 0.87 0.84 0.83 0.65 0.13 0.00 表 6 本研究提取植被变化所用的参数阈值
Table 6 Parametric thresholds used to extract vegetation change in this study
项目
Item植被减少
Vegetation loss植被增多
Vegetation gaindNDVI > 0.16 < − 0.21 CV > 350 > 350 RCVMAX < − 0.006或 > 0.006 < − 0.006或 > 0.006 表 3 不同dNDVI阈值下的FPR和TPR(植被增多)
Table 3 FPR and TPR at different dNDVI thresholds (vegetation gain)
正类率 Positive rate dNDVI 阈值(植被增多) dNDVI threshold (vegetation gain) 0.00 − 0.10 − 0.15 − 0.20 − 0.21 − 0.22 − 0.25 − 0.30 − 0.40 − 0.50 FPR 1.00 0.56 0.31 0.26 0.13 0.08 0.06 0.04 0.01 0.00 TPR 1.00 0.99 0.96 0.95 0.87 0.82 0.78 0.71 0.31 0.00 表 4 不同RCVMAX阈值下的FPR和TPR(正值部分)
Table 4 FPR and TPR at different RCVMAX thresholds (positive part)
正类率 Positive rate RCVMAX(阈值正值部分) RCVMAX threshold (positive part) 0.00 0.001 0.002 0.004 0.006 0.008 0.01 0.02 0.04 0.06 FPR 1.00 0.45 0.28 0.23 0.16 0.08 0.06 0.04 0.02 0.00 TPR 1.00 0.94 0.91 0.89 0.84 0.72 0.67 0.59 0.41 0.00 表 5 不同RCVMAX阈值下的FPR和TPR(负值部分)
Table 5 FPR and TPR at different RCVMAX thresholds (negative part)
正类率 Positive rate RCVMAX阈值(负值部分) RCVMAX thresholds (negative part) 0.00 − 0.001 − 0.002 − 0.003 − 0.004 − 0.005 − 0.006 − 0.01 − 0.02 − 0.03 FPR 1.00 0.83 0.63 0.55 0.38 0.31 0.24 0.07 0.00 0.00 TPR 1.00 0.97 0.93 0.91 0.83 0.79 0.74 0.47 0.02 0.00 表 7 紫金山2015—2018年植被变化面积及比例
Table 7 Vegetation change area and rate in the Purple Mountains during 2015−2018
植被变化状况 Vegetation change 面积 Area/m2 比例 Rate/% 植被减少 Vegetation loss 356 102 1.21 植被增多 Vegetation gain 268 901 0.92 表 8 不同检测方法精度的对比
Table 8 Comparison of accuracies from different change detection methods
精度相关参数
Parameters of precision基于像元的MIICA
Pixel-based MIICA面向对象的MIICA
Object-oriented MIICA面向对象分类法
Object-oriented classification植被减少Vegetation loss 植被增多 Vegetation gain 植被减少 Vegetation loss 植被增多 Vegetation gain 植被减少 Vegetation loss 植被增多 Vegetation gain 用户精度 User’s accuracy 0.927 0.957 0.896 0.944 0.712 0.780 生产者精度 Producer’s accuracy 0.717 0.750 0.811 0.850 0.887 0.883 总体精度 Overall accuracy 0.844 0.880 0.791 Kappa 系数 Kappa coefficient 0.739 0.805 0.678 -
[1] 王琰, 舒宁, 龚龑. 高分辨率遥感影像土地利用变化检测方法研究[J]. 国土资源遥感, 2012, 24(1):43−47. doi: 10.6046/gtzyyg.2012.01.08 Wang Y, Shu N, Gong Y. A study of land use change detection based on high resolution remote sensing images[J]. Remote Sensing for Land & resources, 2012, 24(1): 43−47. doi: 10.6046/gtzyyg.2012.01.08
[2] Deng J S, Wang K, Deng Y H, et al. PCA-based land-use change detection and analysis using multitemporal and multisensor satellite data[J]. International Journal of Remote Sensing, 2008, 29(16): 4823−4838. doi: 10.1080/01431160801950162
[3] 赖祖龙, 申邵洪, 程新文, 等. 基于图斑的高分辨率遥感影像变化检测[J]. 测绘通报, 2009, 16(3):16−19. Lai Z L, Shen S H, Cheng X W, et al. Change detection of high-resolution remote sensing image based on map spot[J]. Bulletin of Surveying and Mapping, 2009, 16(3): 16−19.
[4] Weismiller R A, Kristof S J, Scholz D K, et al. Change detection in coastal zone environments[J]. Photogrammetric Engineering & Remote Sensing, 1997, 43(12): 1533−1539.
[5] 杨存建, 欧晓昆, 党承林, 等. 森林植被动态变化信息的遥感检测[J]. 地球信息科学学报, 2000, 2(4):71−74. doi: 10.3969/j.issn.1560-8999.2000.04.016 Yang C J, Ou X K, Dang C L, et al. Detecting the change information of forest vegetation in Lushui County of Yunnan Province[J]. Geo-Information Science, 2000, 2(4): 71−74. doi: 10.3969/j.issn.1560-8999.2000.04.016
[6] Chen J, Lu M, Chen X, et al. A spectral gradient difference based approach for land cover change detection[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2013, 85(2): 1−12.
[7] Jin S M, Yang L M, Danielson P, et al. A comprehensive change detection method for updating the National Land Cover Database to circa 2011[J]. Remote Sensing of Environment, 2013, 132(10): 159−175.
[8] 韩飞. 光谱梯度差分与面向对象方法相结合的高分辨率遥感影像变化检测[D]. 成都: 西南交通大学, 2016. Han F. The change detection combining spectral gradient difference with object-oriented method for high resolution remote sensing images[D]. Chengdu: Southwest Jiaotong University, 2016.
[9] Baatz M, Schäpe A. Object-oriented and multi-scale image analysis in semantic networks[C]//Proceeding of 2nd International Symposium: Operationalization of Remote Sensing, Enschede: ITC, 1999: 87−109.
[10] Chen G, Hay G J, Carvalho L M T, et al. Object-based change detection[J]. International Journal of Remote Sensing, 2012, 33(14): 4434−4457. doi: 10.1080/01431161.2011.648285
[11] Howell R G, Petersen S L. A comparison of change detection measurements using object-based and pixel-based classification methods on western juniper dominated woodlands in eastern Oregon[J]. Aims Environmental Science, 2017, 4(2): 348−357. doi: 10.3934/environsci.2017.2.348
[12] Gamanya R, Maeyer P D, Dapper M D. Object-oriented change detection for the city of Harare, Zimbabwe[J]. Expert Systems with Applications, 2009, 36(1): 571−588. doi: 10.1016/j.eswa.2007.09.067
[13] Desclée B, Bogaert P, Defourny P. Forest change detection by statistical object-based method[J]. Remote Sensing of Environment, 2006, 102(1): 1−11.
[14] 李亮, 王蕾, 孙晓鹏, 等. 面向对象变化向量分析的遥感影像变化检测[J]. 遥感信息, 2017, 32(6):71−77. doi: 10.3969/j.issn.1000-3177.2017.06.012 Li L, Wang L, Sun X P, et al. Remote sensing change detection method based on object-oriented change vector analysis[J]. Remote Sensing Information, 2017, 32(6): 71−77. doi: 10.3969/j.issn.1000-3177.2017.06.012
[15] 刘璐. 南京紫金山植被变化及其对环境质量的影响[J]. 福建农业, 2015(6):209−211. Liu L. Changes of vegetation and its effect on environmental quality in Purple Mountain, Nanjing[J]. Fujian Agric, 2015(6): 209−211.
[16] 董丽娜, 徐海兵, 居峰, 等. 南京紫金山国家森林公园植物多样性现状及保护对策[J]. 江苏林业科技, 2011, 38(1):30−35. doi: 10.3969/j.issn.1001-7380.2011.01.008 Dong L N, Xu H B, Ju F, et al. Plant diversity and its conservation strategies in Zijin Mountain National Forest Park in Nanjing[J]. Journal of Jiangsu Forestry Science & Technology, 2011, 38(1): 30−35. doi: 10.3969/j.issn.1001-7380.2011.01.008
[17] Qi C, Lalasia B M. Assessment of Vegetation Response to Ungulate Removal Utilizing High Resolution Remotely Sensed Data[R/OL]. Status Report for the Makua and Oahu Implementation Plans, 2014 [2018−09−16]. http://manoa.hawaii.edu/hpicesu/DPW/2014_YER/ES5.pdf.
[18] 胡茂莹. 基于高分二号遥感影像面向对象的城市房屋信息提取方法研究[D]. 长春: 吉林大学, 2016. Hu M Y. Research on the object-oriented method of urban building extraction with GF-2 remote-sensing imagery[D]. Changchun: Jilin University, 2016.
[19] 李明诗, 梅昭容. 土地覆盖变化检测中不同相对辐射归一化方法的评价[J]. 南京林业大学学报(自然科学版), 2017, 41(4):108−114. Li M S, Mei Z R. Performance assessment of different relative radiometric normalization approaches applied to land cover change detection[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2017, 41(4): 108−114.
[20] 彭士纯, 柳健. 基于高通滤波的多光谱图像融合方法[J]. 计算机应用研究, 2007, 24(8):218−219. doi: 10.3969/j.issn.1001-3695.2007.08.070 Peng S C, Liu J. Multi-spectral image fusion method based on high pass filter[J]. Application Research of Computers, 2007, 24(8): 218−219. doi: 10.3969/j.issn.1001-3695.2007.08.070
[21] Witharana C, Larue M A, Lynch H J. Benchmarking of data fusion algorithms in support of earth observation based Antarctic wildlife monitoring[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 113: 124−143. doi: 10.1016/j.isprsjprs.2015.12.009
[22] 龚建周, 刘彦随, 夏北成, 等. 小波基及其参数对遥感影像融合图像质量的影响[J]. 地理与地理信息科学, 2010, 26(2):6−10. Gong J Z, Liu Y S, Xia B C, et al. Effect of wavelet basis and decomposition levels on performance of fusion images from remotely sensed data[J]. Geography and Geo-Information Science, 2010, 26(2): 6−10.
[23] 刘春燕. 图像分割评价方法研究[D]. 西安: 西安电子科技大学, 2011. Liu C Y. Survey on evaluation methods of image segmentation algorithms[D]. Xi’an: Xidian University, 2011.
[24] 朱成杰, 杨世植, 崔生成, 等. 面向对象的高分辨率遥感影像分割精度评价方法[J/OL]. 强激光与粒子束, 2015, 27(6): 27061007[2018−06−16]. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=qjgylzs201506007. Zhu C J, Yang S Z, Cui S C, et al. Accuracy evaluating method for object-based segmentation of high resolution remote sensing image[J/OL]. High Power Laser and Particle Beams, 2015, 27(6): 27061007 [2018−06−16]. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=qjgylzs201506007.
[25] LópezGarcía M J, Caselles V. Mapping burns and natural reforestation using thematic Mapper data[J]. Geocarto International, 1991, 6(1): 31−37.
[26] Hanley J A. The meaning and use of the areas under a receiver operating characteristic (ROC) curve[J]. Radiology, 1982, 143(1): 29−36. doi: 10.1148/radiology.143.1.7063747
[27] Leshowitz B. Comparison of ROC curves from one- and two-interval rating-scale procedures[J]. The Journal of the Acoustical Society of America, 1969, 46(2B): 399−402. doi: 10.1121/1.1911703
[28] Banko G. A review of assessing the accuracy of classifications of remotely sensed data and of methods including remote sensing data in forest inventory[R]. Vienna: International Institute for Applied Systems Analysis Interim Report, 1998: IR-98-081.
[29] Congalton R G. A review of assessing the accuracy of classifications of remotely sensed data[J]. Remote Sensing of Environment, 1991, 37(1): 35−46.