天水市近30年林地動(dòng)態(tài)變化遙感監(jiān)測(cè)研究*

任 沖，鞠洪波 ，張懷清，黃建文

(中國(guó)林業(yè)科學(xué)研究院資源信息研究所，北京 100091)

天水市近30年林地動(dòng)態(tài)變化遙感監(jiān)測(cè)研究*

任 沖，鞠洪波**，張懷清，黃建文

(中國(guó)林業(yè)科學(xué)研究院資源信息研究所，北京 100091)

[目的]以甘肅省天水市為例，基于遙感影像變化監(jiān)測(cè)技術(shù)，探討黃土高原丘陵溝壑與小隴山-西秦嶺山地交接過渡區(qū)域近30年來(lái)森林(林地)資源空間分布規(guī)律、時(shí)間變化趨勢(shì)及變化影響因素。[方法]以1988—2015年5期夏季Landsat TM/OLI遙感影像為主要數(shù)據(jù)源，結(jié)合輔助數(shù)據(jù)和外業(yè)實(shí)地樣本點(diǎn)，以光譜特征和指數(shù)特征為特征變量，分別利用隨機(jī)森林(RF)和參數(shù)優(yōu)化支持向量機(jī)(POSVM)分類器對(duì)土地覆蓋類型進(jìn)行分類，然后基于分類后比較法進(jìn)行森林資源動(dòng)態(tài)變化監(jiān)測(cè)。[結(jié)果]分類結(jié)果表明，兩種分類器的分類效果均較好，且隨機(jī)森林分類器在分類精度、效率和穩(wěn)定性方面明顯優(yōu)于參數(shù)優(yōu)化支持向量機(jī)分類器。變化監(jiān)測(cè)結(jié)果表明，近30年來(lái)森林資源總體變化趨勢(shì)為林地面積先減少后增加。1990—1996年，林地面積減少0.74%；1996—2002年，林地面積減少2.74%；2002—2008年，林地面積增加1.06%；2008—2015年，林地面積增加8.89%。[結(jié)論]本研究采用的基于非參數(shù)分類器分類后比較法的變化監(jiān)測(cè)技術(shù)是復(fù)雜地形地貌過渡區(qū)森林資源動(dòng)態(tài)變化監(jiān)測(cè)的一種有效途徑，在分類結(jié)果分析統(tǒng)計(jì)的基礎(chǔ)上，得出研究區(qū)森林資源變化的總體趨勢(shì)：以2002年(2002年影像)為界，林地總體趨勢(shì)為先減少后增加，2002年后林地面積增加顯著。

遙感；森林資源；變化監(jiān)測(cè)；隨機(jī)森林

傳統(tǒng)以地面調(diào)查為主的森林資源調(diào)查方法成本高，周期長(zhǎng)，工作量大，時(shí)效性差，準(zhǔn)確性不足，且在偏遠(yuǎn)地區(qū)和復(fù)雜地形區(qū)域根本無(wú)法進(jìn)行實(shí)地地面調(diào)查，不利于森林資源信息提取及動(dòng)態(tài)變化監(jiān)測(cè)研究的大范圍開展。遙感技術(shù)為森林資源變化監(jiān)測(cè)研究提供了有力的探測(cè)手段，大大提升了森林資源監(jiān)測(cè)水平，已成為監(jiān)測(cè)、評(píng)價(jià)大區(qū)域森林資源變化最為有效的工具[1-4]。

近年來(lái)，利用遙感影像開展森林植被變化監(jiān)測(cè)研究方面已有較多嘗試，主要集中在土地覆蓋/植被變化[5]、景觀格局[6]、林冠狀態(tài)[7]、森林覆蓋(率)變化[8-9]、森林增加/減少[10]、森林病蟲災(zāi)害[11]、造林成活率[12]、林業(yè)重點(diǎn)工程和生態(tài)工程實(shí)施監(jiān)測(cè)[13-16]等方面。

基于遙感影像變化監(jiān)測(cè)方法大致可分為3類：目視解譯法、直接信息提取法、分類后比較法[17]。目視解譯法效率較低，且年際間穩(wěn)定性和可比性較差，解譯精度取決于數(shù)據(jù)質(zhì)量和解譯人員經(jīng)驗(yàn)。直接信息提取法簡(jiǎn)單易行、易于解譯，結(jié)果取決于敏感波段及有效特征選取、多源數(shù)據(jù)融合和影像變換方法、代數(shù)合成運(yùn)算和模型閾值設(shè)置等因素，大多難以提供變化類型信息，且精度不高。分類后比較法效率較高，適用性強(qiáng)，結(jié)果在年際間穩(wěn)定性和可比性較好，且能夠提供變化類型信息，并可集成多源數(shù)據(jù)與特征[18-19]、專家知識(shí)[20-21]、輔助數(shù)據(jù)及已有成果[22]等提高分類精度、提升綜合分析能力。具體而言，根據(jù)不同數(shù)據(jù)源、試驗(yàn)區(qū)狀況、應(yīng)用目的和信息需求，現(xiàn)已發(fā)展了諸多森林植被定性或定量變化監(jiān)測(cè)方法，如代數(shù)運(yùn)算法、變換法、變化矢量分析法、分類后比較法、GIS方法、空間相關(guān)分析、面向?qū)ο蠓椒╗23]、模型法[24]、時(shí)間序列統(tǒng)計(jì)特性分析[25]、鄰近相關(guān)分析[26]等。

甘肅省天水市位于嘉陵江上游、黃土高原丘陵溝壑區(qū)與小隴山-西秦嶺山地交接地帶，屬于典型過渡區(qū)和生態(tài)脆弱區(qū)域，提取該區(qū)域林地資源動(dòng)態(tài)變化信息有助于理解森林資源空間分布規(guī)律、時(shí)間變化趨勢(shì)及變化影響因素[27-28]。目前，利用長(zhǎng)時(shí)間序列Landsat TM/OLI影像對(duì)該區(qū)域進(jìn)行森林資源動(dòng)態(tài)變化信息提取、定量分析及綜合評(píng)價(jià)等方面的應(yīng)用研究鮮有報(bào)道，本研究以1988—2015年5期夏季Landsat TM/OLI遙感影像為主要數(shù)據(jù)源，結(jié)合森林資源分布圖、林相圖等輔助數(shù)據(jù)和外業(yè)實(shí)測(cè)樣本點(diǎn)，采用基于兩種非參數(shù)分類器(隨機(jī)森林和參數(shù)優(yōu)化支持向量機(jī))分類后比較法的森林資源動(dòng)態(tài)變化監(jiān)測(cè)技術(shù)，以期為該區(qū)域植被變化分析與生態(tài)環(huán)境評(píng)價(jià)、森林資源配置與優(yōu)化調(diào)整、經(jīng)營(yíng)管理與輔助決策、林業(yè)工程(天然林保護(hù)工程、退耕還林工程等)實(shí)施與進(jìn)展監(jiān)測(cè)、森林保護(hù)措施制定與輔助決策等提供一定的參考。

1 實(shí)驗(yàn)區(qū)與數(shù)據(jù)

1.1 實(shí)驗(yàn)區(qū)概況

圖1 研究區(qū)地理位置Fig.1 Location of the study area

1.2 數(shù)據(jù)及預(yù)處理

獲取完全覆蓋研究區(qū)的1988—2015年5期夏季Landsat TM/OLI遙感影像序列，數(shù)據(jù)來(lái)源于USGS(http://glovis.usgs.gov/)，共16景影像，影像時(shí)間分別為1990年、1996年、2002年、2008年和2015年，主要集中在5—8月，級(jí)別產(chǎn)品L1T。對(duì)缺失數(shù)據(jù)以相鄰年份補(bǔ)全，時(shí)間差異盡量不超過1年。遙感影像預(yù)處理包括正射校正、鑲嵌拼接、配準(zhǔn)、裁剪等。其中，逐期影像相對(duì)配準(zhǔn)同名點(diǎn)不少于25個(gè)，東西向最大誤差(Error X)0.682，南北向最大誤差(Error Y)0.742，最大誤差(RMS)0.755，最大總體均方根誤差(Total RMS Error)0.468，保證5期夏季影像間相對(duì)配準(zhǔn)精度在半個(gè)像元之內(nèi)。Landsat時(shí)序影像數(shù)據(jù)集如圖2所示。

圖2 Landsat時(shí)序影像數(shù)據(jù)集Fig.2 Dataset of Landsat time-series images

輔助數(shù)據(jù)包括甘肅省天水市1998年森林資源分布圖、小隴山林區(qū)2008年森林資源“二類調(diào)查”數(shù)據(jù)、地形圖及其矢量化數(shù)據(jù)、各縣區(qū)矢量邊界及其他專題成果。在不同季節(jié)通過兩次外業(yè)調(diào)查獲得研究區(qū)地類與森林類型實(shí)地樣本點(diǎn)，外業(yè)時(shí)間分別為2014年9月和2015年12月，共計(jì)獲取覆蓋整個(gè)研究區(qū)有代表性的典型地類和主要森林類型樣本點(diǎn)1 006個(gè)，如圖3所示。

圖3 外業(yè)樣本點(diǎn)與2015年Landsat8 OLI影像(RGB_432)疊加顯示Fig.3 Overlapping display of field sample points and Landsat8 OLI images in 2015 (RGB_432)

2 研究方法

2.1 分類系統(tǒng)

根據(jù)《國(guó)家森林資源連續(xù)清查技術(shù)規(guī)定》地類劃分標(biāo)準(zhǔn)[29]，依據(jù)研究區(qū)覆蓋狀況、遙感影像特點(diǎn)與信息提取能力，確定本研究分類類別，包括一級(jí)地類2個(gè)：林地和非林地；非林地劃分為耕地、草地、建設(shè)用地和水域4個(gè)二級(jí)類，林地則不再細(xì)分。其中，林地包括有林地、灌木林地、其他林地等；耕地主要有旱地、灌溉水田、水澆地等；草地包括高、中、低覆蓋度的天然草地及人工草地；建設(shè)用地包括交通、城鎮(zhèn)、工礦等；水域包括河流、水庫(kù)、池塘等。本研究分類系統(tǒng)如下表1所示。

表1 分類系統(tǒng)Table 1 Classification system

2.2 分類特征

2.3 分類方法

隨機(jī)森林(RF)算法是對(duì)決策樹算法的一種改進(jìn)[32]，通過自助法重采樣技術(shù)隨機(jī)選擇樣本和特征，用于多個(gè)決策樹的隨機(jī)構(gòu)建，針對(duì)每一個(gè)待分類元素，所建立的每一個(gè)決策樹都要對(duì)其所屬類別進(jìn)行判斷，隨機(jī)森林的最終輸出結(jié)果為所有決策樹分類結(jié)果中最多的類別。與傳統(tǒng)決策樹方法相比，隨機(jī)森林具有預(yù)測(cè)準(zhǔn)確率高、泛化能力強(qiáng)、模型簡(jiǎn)潔、快速高效、實(shí)用性強(qiáng)、并行化、不易過度擬合等諸多優(yōu)點(diǎn)，在處理高維海量數(shù)據(jù)、克服數(shù)據(jù)缺失與噪音、解決類別不平衡問題等方面具有顯著優(yōu)勢(shì)。

支持向量機(jī)(SVM)以VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理為基礎(chǔ)，通過構(gòu)造函數(shù)子集序列的方式使風(fēng)險(xiǎn)達(dá)到最小化，既降低了建模復(fù)雜性，又提高了學(xué)習(xí)能力，在解決小樣本、非線性、高維數(shù)據(jù)分類方面有顯著優(yōu)勢(shì)[33]。核函數(shù)選擇與懲罰參數(shù)設(shè)置會(huì)顯著影響其分類效果。參數(shù)優(yōu)化支持向量機(jī)(POSVM)通過參數(shù)空間自動(dòng)尋優(yōu)搜索或非線性最優(yōu)化、智能優(yōu)化算法等，選取訓(xùn)練集驗(yàn)證精度最高的參數(shù)組合作為最優(yōu)參數(shù)參與模型分類[34-36]。雖然參數(shù)優(yōu)化方法、泛化能力和結(jié)果精度仍有待驗(yàn)證與評(píng)估，且往往在搜索或優(yōu)化階段計(jì)算量大、耗時(shí)較長(zhǎng)；但相比其他方法(如最大似然法等)，參數(shù)優(yōu)化支持向量機(jī)方法分類方法的分類精度仍得到較大程度的提高。故本研究以參數(shù)尋優(yōu)搜索法尋找核函數(shù)與懲罰參數(shù)的優(yōu)化參數(shù)組合，以優(yōu)化參數(shù)進(jìn)行遙感影像土地覆蓋分類研究。

2.4 變化監(jiān)測(cè)

對(duì)上述方法的分類結(jié)果進(jìn)行逐期精度評(píng)價(jià)和對(duì)比分析，選擇最優(yōu)的分類結(jié)果。基于分類后逐期比較法進(jìn)行森林資源動(dòng)態(tài)變化監(jiān)測(cè)研究，探討典型黃土高原丘陵溝壑與小隴山-西秦嶺山地交接過渡區(qū)域近30年來(lái)森林資源空間分布規(guī)律、時(shí)間變化趨勢(shì)及其變化影響因素。

3 結(jié)果與分析

3.1 分類結(jié)果

對(duì)Landsat TM/OLI影像分別采用隨機(jī)森林(RF)和參數(shù)優(yōu)化支持向量機(jī)(POSVM)分類方法進(jìn)行分類，進(jìn)行主要分析、編輯、重編碼等后處理，結(jié)果如圖4、圖5所示。

圖4 基于RF算法分類結(jié)果圖Fig.4 Classification results based on Random Forest (RF) algorithm

圖5 基于POSVM算法分類結(jié)果圖Fig.5 Classification results based on Parameter Optimization SVM (POSVM) algorithm

為驗(yàn)證本研究采用的兩種分類方法在典型黃土高原丘陵溝壑與小隴山-西秦嶺山地交接帶的土地覆蓋分類精度和適用性，基于外業(yè)調(diào)查獲取的有代表性、覆蓋整個(gè)研究區(qū)的1 006個(gè)典型地類類別GPS實(shí)測(cè)樣本點(diǎn)，參考高分辨率遙感影像、已有輔助資料和調(diào)查成果、目視解譯與判讀結(jié)果等，選取均勻分布、足夠數(shù)量且有代表性的獨(dú)立檢驗(yàn)樣本對(duì)上述分類結(jié)果逐期進(jìn)行精度驗(yàn)證。結(jié)果表明：本研究所采用的兩種非參數(shù)分類方法均取得了較好的分類效果，且隨機(jī)森林(RF)分類方法在分類精度、效率、計(jì)算量和穩(wěn)定性方面均明顯優(yōu)于參數(shù)優(yōu)化支持向量機(jī)(POSVM)分類方法。隨機(jī)森林(RF)分類方法對(duì)于復(fù)雜地形、破碎地貌區(qū)和典型植被(森林-灌草-草地)交錯(cuò)過渡區(qū)域具有的較強(qiáng)的適用性，可應(yīng)用于大區(qū)域、復(fù)雜地形、過渡區(qū)域的植被/森林制圖和變化監(jiān)測(cè)。

雖然林地和草地、林地和耕地、建設(shè)用地和耕地等存在一定程度的混淆，但總體上分類精度均達(dá)到95%以上，可滿足森林資源監(jiān)測(cè)實(shí)際應(yīng)用需要。基于兩種不同分類方法的分類結(jié)果具有較好的空間一致性，時(shí)序分類結(jié)果及逐期變化分析結(jié)果可客觀反映該區(qū)域近30年森林資源時(shí)空動(dòng)態(tài)變化。以下基于隨機(jī)森林(RF)分類結(jié)果對(duì)研究區(qū)森林資源進(jìn)行動(dòng)態(tài)變化趨勢(shì)分析、結(jié)果統(tǒng)計(jì)和原因分析。

3.2 變化監(jiān)測(cè)結(jié)果

基于上述圖4隨機(jī)森林(RF)分類結(jié)果，對(duì)非林地類別進(jìn)行合并，經(jīng)逐期比較可得森林資源動(dòng)態(tài)變化(林地分布、增減、趨勢(shì)等)情況，具體結(jié)果如圖6所示。

圖6 森林資源動(dòng)態(tài)變化監(jiān)測(cè)結(jié)果圖Fig.6 Monitoring results of dynamic changes of forest resources based on classification results

由圖6及統(tǒng)計(jì)分析可知，該區(qū)域森林資源增減變化、趨勢(shì)及變化類型，具體如下：

(1)1990—1996年林地轉(zhuǎn)化為非林地為3.76%，非林地轉(zhuǎn)化為林地3.02%。林地面積凈減少0.74%。林地減少區(qū)域主要分布在武山縣、麥積區(qū)和清水縣；林地增加區(qū)域主要分布在武山縣灘歌林場(chǎng)和清水縣。類型轉(zhuǎn)化主要表現(xiàn)為：林地轉(zhuǎn)化為耕地，耕地轉(zhuǎn)化為林地和建設(shè)用地，草地轉(zhuǎn)化為耕地、林地和建設(shè)用地。林地和耕地面積變化不顯著，草地面積減少。

1996—2002年林地轉(zhuǎn)化為非林地為5.65%，非林地轉(zhuǎn)化為林地2.91%。林地面積凈減少2.74%，林地減少呈現(xiàn)加劇趨勢(shì)。林地減少區(qū)域主要分布在武山縣、甘谷縣和張家川回族自治縣；林地增加區(qū)域主要分布在麥積區(qū)和張家川回族自治縣。類型轉(zhuǎn)化主要表現(xiàn)為：林地轉(zhuǎn)化為耕地和草地，耕地轉(zhuǎn)化為林地，草地轉(zhuǎn)化為耕地和林地。耕地面積變化不顯著，草地面積減少。

2002—2008年林地轉(zhuǎn)化為非林地為5.57%，非林地轉(zhuǎn)化為林地6.63%。林地面積凈增加1.06%。林地減少區(qū)域主要分布在武山縣、甘谷縣和和張家川回族自治縣；林地增加區(qū)域主要分布在秦州區(qū)、麥積區(qū)、清水縣和張家川回族自治縣。類型轉(zhuǎn)化主要表現(xiàn)為：林地轉(zhuǎn)化為草地和耕地，耕地轉(zhuǎn)化為林地、草地和建設(shè)用地，草地轉(zhuǎn)化為林地和耕地。耕地面積減少，林地和草地面積增加。

2008—2015年林地轉(zhuǎn)化為非林地為6.56%，非林地轉(zhuǎn)化為林地15.45%。林地面積凈增加8.89%。林地減少區(qū)域主要分布在武山縣和張家川回族自治縣；各縣區(qū)均有林地增加。類型轉(zhuǎn)化主要表現(xiàn)為：林地轉(zhuǎn)化為草地和耕地，耕地轉(zhuǎn)化為林地、草地和建設(shè)用地，草地轉(zhuǎn)化為林地和耕地。耕地面積減少，林地和草地面積增加。

(2)在以上分類結(jié)果分析統(tǒng)計(jì)的基礎(chǔ)上，得出森林資源變化的總體趨勢(shì)：以2002年(2002年影像)為界，林地總體趨勢(shì)為先減少后增加，2002年后林地面積增加顯著。林地面積增加主要原因是其他類型林地向有林地轉(zhuǎn)化：(a)封山育林、人工造林等措施使得灌木林和無(wú)林地以及宜林地轉(zhuǎn)變?yōu)橛辛值兀斯ち置娣e的增加是林地面積增加的主要因素；(b)未成林造林地向有林地的轉(zhuǎn)化，由于未成林地在影像上被有效識(shí)別不僅取決于影像本身及其預(yù)處理、分類方法和策略，還取決于地物本身。未成林地在幼苗和幼齡林階段難以在影像上表現(xiàn)出來(lái)，而郁閉成林后，即可被有效提取和識(shí)別；(c)非林地經(jīng)退耕還林而轉(zhuǎn)化為有林地。1999年以后，隨著天然林保護(hù)工程、退耕還林工程、重點(diǎn)公益林建設(shè)等林業(yè)重點(diǎn)工程的實(shí)施，該區(qū)域森林覆蓋率上升趨勢(shì)明顯，林地面積顯著擴(kuò)大。

森林資源減少明顯的區(qū)域主要集中在武山縣和張家川回族自治縣，在林地與其他地類的過渡地帶、林緣區(qū)域表現(xiàn)尤為明顯，尤其在2002年之后。林地減少的可能原因?yàn)槿祟惢顒?dòng)影響的擴(kuò)大使該區(qū)域原有森林、灌木林、疏林地等森林植被類型遭到嚴(yán)重破壞，林地轉(zhuǎn)變?yōu)楦亍⒉莸睾徒ㄔO(shè)用地等類型，局部生態(tài)環(huán)境有進(jìn)一步惡化的風(fēng)險(xiǎn)和可能。

4 討論

基于時(shí)序遙感影像非參數(shù)分類器分類后逐期比較法是大區(qū)域、復(fù)雜地形地貌條件下，典型過渡區(qū)快速、準(zhǔn)確、高效獲取森林資源現(xiàn)狀和動(dòng)態(tài)變化信息的一種有效途徑。通過類型信息提取、逐期對(duì)比與統(tǒng)計(jì)分析，得出該區(qū)域近30年來(lái)森林資源(林地面積)呈現(xiàn)“先減少后增加”總體變化趨勢(shì)。2002年(2002期影像)后林地面積增加尤為顯著，隨著國(guó)家六大林業(yè)重點(diǎn)工程的實(shí)施，該區(qū)域林地面積顯著擴(kuò)大、森林覆蓋率明顯上升，森林資源得到有效保護(hù)，生態(tài)環(huán)境得以持續(xù)改善。

本研究重點(diǎn)研究森林資源(林地)動(dòng)態(tài)變化監(jiān)測(cè)，而林地細(xì)類或森林類型的精準(zhǔn)監(jiān)測(cè)仍有待進(jìn)一步深入研究。針對(duì)研究區(qū)監(jiān)測(cè)應(yīng)用中存在的問題，可能需要采用多源數(shù)據(jù)或高空間分辨率與高時(shí)間分辨率(多時(shí)相/時(shí)間序列)遙感影像相結(jié)合的方式予以解決。對(duì)于智能化分類器結(jié)果對(duì)比、組合分類器及分類策略在復(fù)雜地形地貌條件下、典型交接過渡區(qū)域分類效果評(píng)價(jià)和適用性等方面仍有待進(jìn)一步研究。綜合、充分應(yīng)用多種變化監(jiān)測(cè)技術(shù)(如GIS分析法、模型法、面向?qū)ο蠓ā⒒谥R(shí)的方法等)，提高林地及林地內(nèi)類別間動(dòng)態(tài)變化監(jiān)測(cè)精度和效率尤為重要。而如何充分利用先進(jìn)的影像分析技術(shù)，快速、高效獲取所需的森林資源動(dòng)態(tài)變化信息將成為應(yīng)用的關(guān)鍵。在結(jié)合已有成果資料、專題信息、專家知識(shí)等進(jìn)行多元信息挖掘與綜合分析、時(shí)序變化信息地學(xué)解釋、驅(qū)動(dòng)力分析、預(yù)測(cè)分析、不確定性分析等方面仍有待進(jìn)一步深入研究。

隨著遙感影像空間分辨率不斷提高、傳感器類型不斷增多、林業(yè)應(yīng)用日益深入，遙感技術(shù)將在森林資源監(jiān)測(cè)中發(fā)揮更大的作用，有助于深入了解在一定社會(huì)經(jīng)濟(jì)政策條件下森林資源的發(fā)展?fàn)顩r，全面評(píng)估林業(yè)重點(diǎn)工程實(shí)施效果和資源潛力，為促進(jìn)區(qū)域森林資源管理、生態(tài)環(huán)境改善、政策調(diào)整實(shí)施、社會(huì)可持續(xù)發(fā)展等提供重要的信息參考和決策依據(jù)。

5 結(jié)論

本研究以甘肅省天水市為例，以1988—2015年5期夏季Landsat TM/OLI遙感影像為主要數(shù)據(jù)源，結(jié)合輔助數(shù)據(jù)和外業(yè)實(shí)地樣本點(diǎn)，采用基于兩種非參數(shù)分類器分類后比較法的森林資源動(dòng)態(tài)變化監(jiān)測(cè)技術(shù)，初步揭示了典型黃土高原丘陵溝壑與小隴山-西秦嶺山地交接過渡區(qū)域近30年來(lái)森林資源時(shí)空變化規(guī)律(類型、數(shù)量、空間分布、總體變化趨勢(shì)等變化信息)和變化影響因素，在以上分類結(jié)果分析統(tǒng)計(jì)的基礎(chǔ)上，得出森林資源變化的總體趨勢(shì)：以2002年(2002年影像)為界，林地總體趨勢(shì)為先減少后增加，2002年后林地面積增加顯著。

[1] 鞠洪波.森林與濕地資源綜合監(jiān)測(cè)技術(shù)體系研究叢書[M]. 北京：中國(guó)林業(yè)出版社，2011.

[2] Lu D, Mausel P, Brondizio E,etal. Change detection techniques[J]. International Journal of Remote Sensing, 2004, 25(12): 2365-2401.

[3] Huang C, Gowarda S N, Schleeweis K,etal. Dynamics of national forests assessed using the Landsat record: Case studies in eastern United States[J]. Remote Sensing of Environment, 2009, 113(7): 1430-1442.

[4] Potapov P V, Turubanova S A, Hansen M C,etal. Quantifying forest cover loss in Democratic Republic of the Congo, 2000-2010, with Landsat ETM+data[J]. Remote Sensing of Environment, 2012, 122: 106-116.

[5] Rogan J, Franklin J, Roberts D A. A comparison of methods for monitoring multitemporal vegetation change using Thematic Mapper imagery[J]. Remote Sensing of Environment, 2002, 80(1): 143-156.

[6] 于德永，王艷艷，郝占慶,等. 吉林省露水河地區(qū)森林景觀格局變化[J]. 資源科學(xué)，2005，27(04)：147-153.

[7] 曾慶偉，武紅敢，蘇 淼. 基于TM數(shù)據(jù)的林冠狀態(tài)變化遙感監(jiān)測(cè)研究[J]. 遙感技術(shù)與應(yīng)用，2009，24(2)：186-191.

[8] 王 昊，呂 植，顧 壘,等. 基于Global Forest Watch觀察2000-2013年間中國(guó)森林變化[J]. 生物多樣性，2015，23(5): 575-582.

[9] 范應(yīng)龍，譚炳香. 兩種熱帶森林覆蓋變化檢測(cè)方法比較研究[J]. 林業(yè)科學(xué)研究，2015，28(3)：325-331.

[10] Hansen M C, Potapov P V, Moore R,etal. High-Resolution Global Maps of 21st-Century Forest Cover Change[J]. Science, 2013, 342(6160):850-853

[11] 劉清旺,武紅敢,石 進(jìn),等. 基于TM影像的森林病蟲災(zāi)害遙感監(jiān)測(cè)系統(tǒng)[J]. 遙感信息，2007，(2)：46-49.

[12] 黃建文,鞠洪波,趙 峰,等.利用遙感進(jìn)行退耕還林成活率及長(zhǎng)勢(shì)監(jiān)測(cè)方法的研究[J].遙感學(xué)報(bào)，2007，11(6)：899-905.

[13] 陳爾學(xué),劉 健,王曉慧,等. 重點(diǎn)防護(hù)林工程監(jiān)測(cè)技術(shù)[M]. 北京：中國(guó)林業(yè)出版社，2012.

[14] 黃建文,陳永富,陳 巧. 利用3S技術(shù)進(jìn)行退耕還林工程信息提取的研究[J]林業(yè)科學(xué)研究，2010，23(4)：500-504.

[15] 陳 巧，陳永富，鞠洪波. 基于3S技術(shù)的天保區(qū)植被變化監(jiān)測(cè)方法研究[J]林業(yè)科學(xué)研究，2013，26(6)：736-743.

[16] 楊朝俊，胡庭興，劉 波,等. 基于GIS的退耕還林工程區(qū)林地動(dòng)態(tài)變化遙感監(jiān)測(cè)研究[J]. 遙感信息，2006，(01)：38-40.

[17] 李世明，王志慧，韓學(xué)文,等. 森林資源變化遙感監(jiān)測(cè)技術(shù)研究進(jìn)展[J]. 北京林業(yè)大學(xué)學(xué)報(bào)，2011，33(3)：132-138.

[18] Hansen M C, Roy D P, Lindquist E,etal. A method for integrating MODIS and Landsat data for systematic monitoring of forest cover and change in the Congo Basin[J]. Remote Sensing of Environment, 2008, 112(5): 2495-2513.

[19] Hilker T, Wulder M A, Coops N C,etal. A new data fusion model for high spatial- and temporal-resolution mapping of forest disturbance based on Landsat and MODIS[J]. Remote Sensing of Environment, 2009, 113(8): 1613-1627.

[20] 王旭紅，肖 平. 基于知識(shí)庫(kù)分類法在植被提取中應(yīng)用研究[J]. 測(cè)繪通報(bào)，2004，( 7)：48-50.

[21] 甘 淑，袁希平，何大明. 遙感專家分類系統(tǒng)在滇西北植被信息提取中的應(yīng)用試驗(yàn)研究[J]. 云南大學(xué)學(xué)報(bào):自然科學(xué)版，2003，26(06)：553-557.

[22] 陳蕓芝，陳崇成，汪小欽,等. 多源數(shù)據(jù)在森林資源動(dòng)態(tài)變化監(jiān)測(cè)中的應(yīng)用[J].資源科學(xué)，2004，26(4): 146-152.

[23] Desclée B, Bogaert P, Defourny P. Forest change detection by statistical object-based method[J]. Remote Sensing of Environment, 2006, 102(1-2): 1-11.

[24] D Liu, K Song, John R G,etal. Using local transition probability models in Markov random fields for forest change detection[J]. Remote Sensing of Environment, 2008, 112(5): 2222-2231.

[25] 黃春波，佃袁勇，周志翔,等. 基于時(shí)間序列統(tǒng)計(jì)特性的森林變化監(jiān)測(cè)[J].遙感學(xué)報(bào)，2015，19(4): 657-668.

[26] 李世明，王志慧，李增元,等. 基于鄰近相關(guān)圖像和決策樹分類的森林景觀變化檢測(cè)[J].林業(yè)科學(xué)，2011，47(9): 69-74.

[27] 董曉峰，馬如蘭，龐國(guó)錦,等. 近30年隴東黃土高原溝壑區(qū)林地時(shí)空變化及其驅(qū)動(dòng)力分析[J]. 西北師范大學(xué)學(xué)報(bào):自然科學(xué)版，2011，47(03)：92-98.

[28] 趙鵬祥, 強(qiáng)建華, 張會(huì)儒,等. 基于RS的黃土高原天然林資源時(shí)空動(dòng)態(tài)變化分析[J].林業(yè)科學(xué)研究，2007，20(3)：307-311.

[29] 國(guó)家林業(yè)局. 國(guó)家森林資源連續(xù)清查技術(shù)規(guī)定[M].北京： 2003.

[30] 田慶久, 閔祥軍. 植被指數(shù)研究進(jìn)展[J].地球科學(xué)進(jìn)展，1998，13(4)：327-333.

[31] 徐涵秋. 利用改進(jìn)的歸一化差異水體指數(shù)(MNDWI)提取水體信息的研究[J]. 遙感學(xué)報(bào)，2005，9(5)：589-595.

[32] Breiman L. Random forests[J]. Machine Learning. 2001,45(1):5-32.

[33] Vapnik V N. The Nature of Statistical Learning Theory[M]. New York: Springer, 1995

[34] 許文杰，邢朝輝，李菲菲.基于參數(shù)選擇優(yōu)化SVM算法的研究[J].山東交通學(xué)院學(xué)報(bào)，2010，18(2)：79-82.

[35] 林海晏，岳彩榮，吳曉暉,等.基于EnMAP-Box的遙感圖像分類研究[J]. 西南林業(yè)大學(xué)學(xué)報(bào)，2014，(2)：67-71.

[36] 林海晏.基于SVM遙感圖像分類的參數(shù)優(yōu)化研究[D]. 昆明：西南林業(yè)大學(xué)，2014.

(責(zé)任編輯：彭南軒)

Research on Remote Sensing Monitoring Technology of Forest Land Dynamic Change in Tianshui in Recent 30 Years

RENChong,JUHong-bo,ZHANGHuai-qing,HUANGJian-wen

(Research Institute of Forestry Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China)

[Objective]Taking Tianshui of Gansu province as a case study, the spatial distribution law, time changing trends and influence factors of forest resource had been researched in the transition region of typical Loess Plateau and Xiaolongshan-western Qinling Mountains in the past 30 years. [Method]The main data sources are Landsat TM/OLI remote sensing images with 5 series in summer from 1988 to 2015, combined with auxiliary data and field survey data. Image spectral features and indices characteristics were selected as the input characteristic variables. The land cover types were classified based on the random forest classifier and the optimal parameter SVM classifier. Subsequently, the forest resources dynamic change monitoring was implemented by the post-classification comparison method. [Result]The results show that the classification performance based on two classifiers are good, and the random forest classifier is better than that of optimal parameter SVM classifier, especially in the classification accuracy, algorithm efficiency and stability. The change detection results show that over the past 30 years the overall change trend of forest area was first decreased and then increased. From 1990 to 1996, the forest land area decreased by 0.74%, and from 1996 to 2002, forest land area decreased by 2.74%. However, forest land area increased by 1.06% from 2002 to 2008, and more significantly, forest land area increased by 8.89% from 2008 to 2015. [Conclusion]The forest change detection method based on post-classification comparison of non-parametric classifiers classification result proposed in this paper is an effective approach for monitoring of forest resources dynamic change and information extraction in complex terrain landform transition region, which could provide valuable reference for quantitative analysis of vegetation change and comprehensive evaluation, reasonable spatial allocation and optimization adjustment of forest resources, forest management and assistant decision making and dynamic monitoring of forestry major project and ecological environment evaluation.

remote sensing; forest resources; change detection; random forest

10.13275/j.cnki.lykxyj.2017.01.004

2016-05-10

國(guó)家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)“數(shù)字化森林資源監(jiān)測(cè)技術(shù)”項(xiàng)目(2012AA102001)。

任 沖(1987—)，男，陜西漢中人，博士研究生，研究方向：森林資源監(jiān)測(cè)技術(shù)。電話:010-62889191,E-mail:renchongrs@163.com 地址:中國(guó)林業(yè)科學(xué)研究院資源信息研究所 100091。
* 感謝國(guó)家林業(yè)科學(xué)數(shù)據(jù)平臺(tái)提供的天水市1998年森林資源分布圖、小隴山林業(yè)局1995年森林資源分布圖；感謝甘肅省小隴山林業(yè)調(diào)查規(guī)劃院提供的2008年小隴山林區(qū)森林資源二類調(diào)查數(shù)據(jù)，以及在外業(yè)數(shù)據(jù)采集方面給予的大力支持。
** 通訊作者：鞠洪波(1956—)，男，黑龍江牡丹江人，研究員，博士生導(dǎo)師，研究方向：林業(yè)信息技術(shù)。電話：010-62889160，E-mail：ju@caf.ac.cn.

771.8

A

1001-1498(2017)01-0025-09