森林資源動態監測系統與ENVI決策樹分類技術的應用

馮若昂　王瑞燕

【摘 要】在山東省2014年展開的森林資源二次調查的前提下，以濰坊安丘市凌河鎮趙家溝村為研究區域。利用ENVI軟件的決策樹分類技術對研究區的樹種進行了分類，再以森林資源調查過程中用GIS技術開發的《山東省森林資源動態監測調查系統》軟件的實地調查結果為依據對研究區樹種分類結果進行精度驗證，結果顯示研究區森林覆蓋率55.82%，分類精度為76.7554%。本文提出兩種研究手段在研究過程中所出現的問題及建議。

【關鍵詞】森林資源調查；決策樹；濰坊安丘市

森林是陸地主要的生態系統，不僅是經濟和社會發展的物質基礎，還是維持生態平衡和改善生態環境的重要保障，在應對全球氣候變化中發揮不可替代的作用[1]。近幾年，我國在地區森林資源發展趨勢[2]、森林可持續發展的管理方法[3]、森林資源調查方法[4-7]、發展對策[8-10]以及森林資源保護措施[11-12]等方面進行了大量的研究，而遙感技術是森林資源調查中首要手段，其應用及發展具有廣闊的前景[12-15]。2008年以來，近紅外光譜技術在林業中的應用以及高光譜遙感技術在林業信息提取中的應用都充分說明遙感技術在森林資源調查中越來越重要。可以說掌握森林資源現狀的研究手段，對合理分析森林資源以其生態功能、合理經營與科學管理森林資源，實現林業的可持續發展具有重要意義[16-17]。本文在山東省濰坊安丘市凌河鎮森林資源調查的基礎上，利用山東省森林資源動態監測調查軟件、ENVI決策樹分類技術對凌河鎮森林資源進行林種分類，并提出兩種技術手段相結合存在的問題與建議，以期為森林資源可持續發展的科學管理提供參考依據。

1 研究技術與方法

1.1 森林資源動態監測調查系統

1.1.1 操作平臺

山東省森林資源動態監測調查系統，是綜合運用數據庫技術、MIS技術、GIS技術開發的系統，該系統是基于森林資源調查數據的基礎上完成相關工作。調查的內容包括調查各類林地面積、蓄積和分布、各類農田林網、農林間作、地堰綠化面積、蓄積和分布以及調查區樹木的株數和蓄積[18]。

該系統綜合功能強、操作簡單。桌面版軟件主要是完成小班的內業區劃、數據拆分、數據合并、數據下發、數據接收、后期數據處理、數據檢查和生成報表等工作（操作界面如圖1所示）。移動版軟件主要用于外業調查，主要對調查區域進行實地調查、錄入小班屬性因子和實地拍攝照片等（操作界面如圖2所示）。

1.1.2 使用過程

1）桌面端使用過程

桌面版軟件使用，以高分辨率的遙感影像數據為工作底圖，然后疊加小班數據，也可以添加矢量數據來增加邊界的識別程度，填充方式改為透明顯示。根據外業工作組的調查對數據進行拆分，但拆分前應該確定軟件系統設置中數據字典的完整性，數據字典又分為政區字典和資源字典。

利用軟件自帶面分割，線分割，合并、分解等處理工具對拆分好的數據庫進行圖斑編輯，除去實地調查需要實地錄入的屬性因子，系統會對小班號進行自動賦值和面積自動平差。在相同背景及距離較近的圖像小班的屬性經常會存在許多因子一樣的情況，為了避免重復錄入相同的屬性信息，減少工作量可以使用屬性復制工具。把選中小班的屬性信息復制到目標小班。同理利用屬性復制工具還可以對多個目標小班進行屬性復制。

最后對匯總合并后的調查數據進行數據質檢，包括屬性檢查和空間檢查，根據錯誤提示修改結果，然后輸出質檢報告和最后的森林資源調查結果。

2）移動端使用過程

將桌面版軟件中的工程數據和影像文件進行拆分并拷貝到平板電腦移動版軟件中，然后進行軟件GPS定位設置，使GPS參數符合外業調查。

實地調查中驗證小班邊界和小班實際范圍是否吻合，采用修邊工具對不一致的邊界進行調整。對不同的小班（林網小班、間作小班、地堰綠化小班）進行調查時，選中調查地，然后根據實地林種類型進行調查，點擊調查表，錄入屬性因子。調查中根據實地情況的不同還需要填的調查表有未成林、灌木林、幼林標準地調查表，經濟林、竹林標準地調查表，苗圃地調查表，散生木調查表等。實地調查還包括村鎮樹（鄉鎮范圍和城建區范圍）信息錄入，村鎮樹實地調查時采用抽樣調查的方法。最后將調查結果導入桌面端軟件數據庫中。

1.2 ENVI決策樹分類

1.2.1 分類過程

利用ENVI軟件加載高空間分辨率遙感影像數據。進行決策樹分類前首先應該獲取多源數據。對遙感影像數據進行監督分類獲得監督分類結果圖、NDVI（歸一化植被指數）、DEM（數字高程模型）、Slope（坡度信息提取）、Aspect（坡向信息提取）等定義分類規則，按照二叉樹描述方式對數據進行分層。例如，在第一層中以NDVI來區分植被和非植被信息，根據NDVI和實際影像信息來選取合適的閾值劃分第一層，然后對第二層中的植被信息根據坡度、高程、光譜信息等數據對植被種類進行劃分，以此類推。然后利用ENVI分類菜單下的決策樹分類工具進行輸入已經定義好了的分類規則，輸入規則應嚴格按照ENVI軟件的語言要求輸入。最后執行決策樹分類，在輸出窗口上選擇投影參數、重采樣方法等信息，然后輸出分類結果圖[19-22]。

1.2.2 精度分析

分類結果精度評價是分類結果是否可用的一種度量。用混淆矩陣來評價是目前使用較多的一種方法，它是由相同個數的行和列組成的矩陣，行和列的個數代表分類的個數。Kappa系數為非參數統計方法，其值在0-1之間，Kappa系數即考慮了混淆矩陣對角線上被正確分類的像素，又考慮了不在對角線上的各種漏分和錯分錯誤[23-24]。

2 應用案例

2.1 研究區選取

以濰坊安丘市凌河鎮趙家溝村附近1km2的地區為應用案例，利用3S技術進行林種劃分。趙家溝村位于安丘凌河鎮西南的留山北側山腳，該村大體符合安丘市的地形格局，山區、丘陵與平原大體各占三分之一，且樹木種類大體符合安丘凌河鎮的現狀，凌河鎮的植被主要以黑楊為主，還有大面積的桃樹、杏樹、蘋果樹等果林，還分布少量的側柏，觀賞和經濟植物幼苗為主的苗圃，灌木林及其草地。

2.2 研究方法

首先對高空間分辨率的遙感影像進行裁剪，由于遙感數據為有關部門下發的處理妥善的2012年分辨率為0.5m的航拍數據，所以不需對影像進行預處理，在這里只需要對數據進行裁剪選取自己需要的區域就可以了。利用ENVI軟件的裁剪功能選取包括安丘市凌河鎮趙家溝村附近的大約1km2（約40000000個像元）的地區進行裁剪。然后在地理空間數據云平臺上下載對應地區分辨率為30m的DEM數據，并運用ENVI軟件的裁剪功能，以裁剪好的航拍數據為依據裁剪DEM數據。

以凌河鎮調查中的實地植被種類為先驗知識，對經過裁剪的研究區域用遙感分類方法進行林種監督分類。首先利用目視解譯的方法對研究區高分辨率影像進行大體樹種劃分（主要劃分為五種類型：非林地、黑楊、側柏、灌木林和苗圃林，其中非林地中包含耕地，灌木林中包含草地），然后選取合適的訓練樣本進行監督分類。運用ENVI遙感軟件對影像進行多源信息提取。利用高分辨率和DEM影像提取植被指數（NDVI）和坡度坡向信息，最后利用決策樹的分類方法對研究區樹種進行分類，并且計算趙家溝村附近區域的森林覆蓋率。

利用GIS開發的《山東省森林資源動態監測調查系統》軟件移動版加載經過幾何校正后的航拍影像來作為外業調查所用的參考底圖，選擇外業調查線路，攜帶平板等實地調查儀器去實地進行外業調查，利用平板自帶的GPS定位系統開展小班的定位調查，調查記錄不同林種的樣點，調查錄入相關的調查因子，拍攝實地樹種樣地的照片，保存到平板移動版軟件的相關文件夾下。室內將調查結果匯總合并到桌面版軟件數據庫中。

然后依據《山東省森林資源動態監測調查系統》軟件的凌河鎮調查結果，選取趙家溝村附近的實際調查數據為依據，利用混淆矩陣中的地表真實感興趣區對ENVI分類結果進行精度驗證。輸出Kappa系數和總體精度報告。

2.3 結果與分析

經過此次森林資源調查，濰坊安丘市凌河鎮的小班數量一共有1023個，其中非林地小班312個，喬木林小班572個，苗圃地小班95個，未成林造林地小班41個，宜林荒山荒地小班3個。隸屬趙家溝村的小班有9個小班，非林地小班有2個，喬木林小班有7個。

圖3為研究區域的植被分類圖，表1為植被分類結果精度與實地面積表。結果趙家溝村區域可劃分為林地與非林地（包含耕地）兩大類，林地劃分為黑楊、側柏、灌木林（含草地）和苗圃地。由分類結果表1可知，此次研究總體分類精度為76.7554%，其中非林地占36.36%；有林地占40.4%；還有23.24%的錯分像元（圖上1像元代表實際面積0.25m2）。錯分像元存在的原因主要是由高分辨率航拍影像存在異物同譜和同譜異物現象造成的。影像的空間分辨率越高其所對應的光譜分辨率就會越低，使得地物波譜曲線存在異物同譜和同譜異物的現象。

對有林地的分類結果分析可以發現，黑楊主要集中在趙家溝村周圍和道路兩側，其面積為239509.8m2，約占總區域面積的23.95%；灌木林（含草地）主要分布在趙家溝村西北和東南的低山丘陵地帶，其面積為157361m2，約占總區域面積的15.74%；側柏零星分布在村子外圍和東南山丘頂部，其面積為92402.25m2，約占總區域的9.24%；還有苗圃地零星分布在村落的四周，占地面積為68893m2，約占從區域面積的6.89%。最后根據有林地面積與國家特別規定灌木林面積之和比上土地總面積求算得趙家溝附近區域的森林覆蓋率約為55.82%。

3 結論

（1）決策樹分類是基于遙感影像數據及其他空間數據，通過知識經驗總結、簡單的數學統計和歸納方法等，獲得分類規則并進行分類。相比較單純利用《山東省森林資源動態監測調查系統》軟件為工具所進行的實際林業資源調查而言，以ENVI決策樹分類技術、GPS定位技術和GIS調查軟件相結合的3S技術可以打破傳統森林資源調查的局限，減少地形復雜區域的森林資源調查的困難程度，減少人力和物力資源的浪費，能加快森林資源調查的進程和速度。

（2）遙感影像的光譜分辨率與空間分辨率相互制約，遙感影像的空間分辨率高就意味著遙感影像的光譜分辨率低。使用高空間分辨率遙感影像來進行森林資源調查相比傳統的調查方法而言，加快了森林資源調查工作的速度和精準程度。但在本文中高空間分辨率影像的分類研究表明，由于高分辨率遙感影像存在很多因地形、陰影、拍攝時間、拍攝角度、植被生長情況等所造成的異物同譜和同譜異物問題，會造成遙感分類結果中光譜信息相似的地物種類存在錯誤分類的現象。高空間分辨率影像的低光譜信息量特征是造成樹種錯誤分類結果的主要原因。伴隨著高空間、高光譜、微波遙感等遙感技術的發展，高空間、時間分辨率的影像在林業資源調查中的使用將加強森林資源調查的精準度，加快森林資源更新調查的速度，且遙感影像在林業中的應用必然會有廣闊的前景。

（3）在此次林業資源調查過程中，3S技術的運用雖然起到了一定的積極效果，但3S技術集成應用的實際功能還未完全的開發出來，結合本文的應用案例分析，造成實際功能不能完全體現的原因主要是由于遙感分類技術達不到林業資源調查的要求；另外在地形復雜的山地和丘陵地區，移動端平板自帶的GPS的定位功能會受到地形和樹木遮擋的影響，造成定位精度達不到森林資源調查的要求的現象。應該加強各級相關部門的財政投入，更新調查工具和手段，使森林資源調查工作能高效率的展開。但伴隨著3S技術的發展，利用3S技術對山地和丘陵地區森林資源的狀況進行動態監測會提高森林資源調查的準確性，加快森林資源調查的速度。

致謝

感謝山東省第四地質礦產勘查院元偉濤師兄在數據提供與論文寫作上給予的大力幫助。

【參考文獻】

[1]國家林業局森林資源管理司.第七次全國森林資源清查及森林資源狀況[J].林業資源管理，2010，01：1-8.

[2]陳雪峰.中國森林資源可持續發展問題的探討[J].自然資源學報，1996，04：318-325.

[3]楊明，王朝琴，彭彰俊.黔南州長順縣林業資源調查與分析[J].森林工程，2013，06：44-46.

[4]鄧坤枚.青藏高原林業資源的可持續發展探討[J].自然資源學報，2000，04：340-347.

[5]代占山.黑龍江省寶清縣林業局國有森林資源現狀及今后經營利用分析[J].林業勘察設計，2010，01：1-6.

[6]郭生祥，汪有奎，張建奇，等.基于“3S”技術的祁連山自然保護區森林資源調查分析[J].林業實用技術，2011，03：47-49.

[7]張杰.試析我國東北地區林業資源現狀及保護措施[J].黑龍江科技信息，2012，（12）：225.

[8]狄文彬，杜鵬志.對北京市森林資源現狀及未來發展趨勢的探討[J].山東林業科技，2012，03：128-130+105.

[9]杜志，甘世書，胡覺.西南高山林區森林資源特點及保護利用對策探討[J].林業資源管理，2014（z1）：27-31.

[10]賀鵬，甘世書，胡覺，等.我國熱帶林區森林資源動態變化特點及發展保護對策探析[J].林業資源管理，2014（z1）：22-26，36.

[11]龍超，魯德，龍躍，等.中亞五國林業發展及國際合作展望[J].世界林業研究，2015，01：80-84.

[12]戴前石，譚寬祥，鄭紅.衛星遙感技術在林地變化監測中的應用[J].林業資源管理，2000，02：57-59.

[13]許國民.森林資源調查技術與方法[J].中國農業信息，2015，11：82.

[14]張鵬程.分析遙感技術在林業中的運用[J].黑龍江科技信息，2015，12：284.

[15]肖永有，劉小強，何偉民.衛星遙感影像在森林資源調查小班區劃中的應用[J].南方林業科學，2015，05：40-42.

[16]龔玉梅，張煒.近紅外光譜檢測技術及其在林業中的應用[J].光譜學與光譜分析，2008，07：1544-1548.

[17]吳見，彭道黎.高光譜遙感林業信息提取技術研究進展[J].光譜學與光譜分析，2011，09：2305-2312.

[18]山東省林業監測規劃院.山東省森林資源動態監測系統建設森林資源調查操作細則[M].2014.

[19]陳利，林輝，孫華，等.基于決策樹分類的森林信息提取研究[J].中南林業科技大學學報，2013，01：46-51.

[20]羅朝沁，林輝，孫華，等.基于MODIS影像大尺度森林資源信息提取方法研究[J].中南林業科技大學學報，2015，11：21-26+42.

[21]孫靜雯，王紅旗，張欣，等.基于決策樹分類的根河市土地利用變化及驅動力分析[J].中國人口.資源與環境，2014，S1：449-452.

[22]韓婷婷，習曉環，王成，等.基于決策樹方法的云南省森林分類研究[J].遙感技術與應用，2014，05：744-751.

[23]劉旭攏，何春陽，潘耀忠，等.遙感圖像分類精度的點、群樣本檢驗與評估[J].遙感學報，2006，03：366-372.

[24]孫元芳，周斌，蓋穎穎，等.遙感監測墨西哥灣溢油目標識別算法[J].測繪科學，2015，03：63-67+106.

[責任編輯：王楠]