基于植被指數的GF-2影像防護林快速提取研究

劉婷 包廣道 張大偉 何懷江 羅也 張忠輝

摘 要：以0.8 m的GF-2衛星影像為主要數據源，根據防護林特有植被指數特征，研究GF-2遙感影像通過植被指數快速提取防護林的方法。通過樣本點特征分析和對比分析分別確定比值植被指數（RVI）、差值植被指數（DVI）和歸一化差值植被指數（NDVI）的提取閾值，輔助Landsat8 OLI影像做掩膜去除建設用地中林地的干擾信息，對影像做二值化處理，分別得到3種植被指數防護林的提取結果。研究結果表明，用RVI、DVI以及NDVI分類的林帶識別總體精度分別為89.2%、90.4%和88.3%，均在85%以上，說明這三種方法都可以較精確地提取防護林信息，其中采用DVI的方法提取效果相對較好，同時在林帶交錯及林帶間距較小時，DVI可提供更為豐富的細節信息，有助于林帶信息的精準識別。本研究可在大尺度下為東北地區防護林的現狀監測及評價提供科學支撐。

關鍵詞：防護林;植被指數;GF-2;遙感;信息提取

中圖分類號：S127 ; S757; F301.21 文獻標識碼：A文章編號：1006-8023（2018）06-0013-07

Research on Rapid Extraction of Shelter Forest Using GF-2 Images Based on Vegetation Indices

LIU Ting， BAO Guangdao*， ZHANG Dawei， HE Huaijiang， LUO Ye， ZHANG Zhonghui

（Jilin Provincial Academy of Forestry Sciences， Changchun 130033）

Abstract： In this study， 0.8 m GF-2 satellite image was taken as the main data source. According to the vegetation index characteristics of shelter forest， the method of GF-2 remote sensing image to quickly extract shelter forest through vegetation index was studied. The extraction thresholds of the ratio vegetation index （RVI）， the difference vegetation index （DVI） and the normalized difference vegetation index （NDVI） were determined by sample point feature analysis and comparative analysis， respectively. The Landsat8 OLI image was used as a mask to remove the interference information of the forest land in the construction land， and the image was binarized to obtain the extraction results of the three vegetation indexes of the shelter forest. The results show that the overall accuracy of forest belt identification using RVI， DVI and NDVI are 89.2%， 90.4% and 88.3%， respectively， both are above 85%， indicating that these three methods can extract the information of shelter forest very accurately. Among them， DVI method has relatively accurate extraction result， and it can provide more detailed information when the forest belt is interlaced and the forest belt spacing is small， which is helpful for the accurate identification of forest belt information. This study can provide scientific support for the monitoring of current status and remote sensing inversion of large-scale shelterbelts in Northeast China.

Keywords： Shelter forest; vegetation index; GF-2; remote sensing; information extraction

0 引言

防護林是指以防護效應作為基本經營目的，由人工林和天然林組成的森林總稱[1]。防護林可為生態較為脆弱地區的經濟環境、土地資源、農業生產、畜牧養殖，建筑設施和居住環境提供保護，防止或減輕所保護地區的自然災害，或避免不利因素的損害和干擾[2-3]，對提高作物產量和增強氣候變化下的穩定性具有潛在優勢，降低非農投入水平[4]，為社會提供多種的外部效益[5]。常規的防護林調查和識別方法一般以高成本、費時、費力的野外實地調查和遙感影像人工解譯為主。由于遙感技術具有宏觀、綜合、動態和快速等特點，可快速提供大范圍空間數據，而逐漸被廣泛應用于林業動態監測和制圖中，目前已成為防護林調查的主要技術手段。隨著遙感技術的快速發展，時間、空間和光譜分辨率的不斷提高，傳統方法逐漸無法滿足實際工作對調查效率的需求，簡單、快速、精準的防護林識別方法，能夠減少人力物力投入，增加調查效率、提高調查精度。

早期應用遙感技術對防護林的研究主要以中低分辨率的Landsat TM/ETM+[6-9]為主，隨后，高分辨率遙感衛星逐漸得到應用，應用較多的是基于ZY-3[10-11]、SPOT5[12-13]、QuickBird[14]和Geo-eye[8，15]開展的研究。在提取防護林的方法上，主要有實地測量法、人機交互解譯法、植被指數法[11，16]、面向對象法[17-19]以及決策樹分類法[20]。現有防護林提取研究中，植被指數多采用NDVI和RVI，此次加入DVI方法，探尋各植被指數提取防護林的效果差異，應用鮮有研究的國產高分辨率GF-2遙感影像為主要數據源，從而找出快速提取防護林空間分布信息的方法，為監測與管理防護林提供數據支持，對后續防護林的維護與結構調整提供依據，對促進經濟增產與生態平衡具有重要意義。

1 研究區概況

本研究選取德惠和農安境內的23.5 km×23.5 km （44°10′45′′ ～ 44°25′20′′N，125°15′54′′～ 125°36′50′′E）范圍為研究區域，如圖1所示。該地區地處松遼平原中部腹地，屬寒溫帶半濕潤大陸性氣候，春季干燥少雨，風害嚴重。是吉林省著名的商品糧基地。于建國初期開展防護林的營造活動，自1978年國務院作出開展建設“三北”防護林體系的決定以來，至今已形成比較完善的農田林網化[21]。為當地生態環境、農業生產和區域經濟發展帶來了積極的作用與影響。

2 研究方法

2.1 遙感數據及預處理

采用GF-2衛星遙感影像作為主要數據源，原始影像包括0.8 m的全色影像和3.2 m的4波段多光譜影像。為確保影像清晰，選擇云覆蓋少于影像總面積的10%;為區分耕地和防護林，影像獲取時間介于五月中旬至六月上旬。最終，選取接收時間為2015年5月15日的影像數據。通過ENVI5.5遙感處理軟件對GF-2遙感影像進行輻射定標、大氣校正、正射校正以及圖像融合等預處理工作，最終得到研究區0.8 m的多光譜遙感影像數據。此外，還選擇美國30 m空間分辨率的Landsat8 OLI遙感影像作為提取建設用地中林地掩膜信息的數據源，采集時間為2015年1月7日。

2.2 植被指數

根據植被對于可見光紅波段表現出強吸收、近紅外波段表現為高透射的光譜特性。將可見光紅波段和近紅外波段進行組合，形成各種植被指數，可達到簡單、有效的定量和定性對地表植被狀況進行評價的目的。目前，已定義四十多種植被指數，并廣泛應用在全球與區域土地覆蓋、植被分類和環境變化、干旱監測等方面[22]。此次研究選取應用比較廣泛的比值植被指數（RVI）、差值植被指數（DVI）和歸一化差值植被指數（NDVI）3種植被指數進行快速防護林信息提取。

2.2.1 信息提取

基于研究區0.8 m GF-2的遙感影像分別計算RVI、DVI和NDVI。由于影像中存在一定的噪聲或離群值，使提取的植被指數的最大值、最小值、均值和標準差與實際情況的數值存在一定的偏差。為減弱噪聲和離群值對植被指數閾值判斷的影響[23]，此次研究基于統計學原理，對每個植被指數的提取值進行統計，最終選取累計概率為[2%，98%]的置信區間，確定RVI、DVI和NDVI的取值范圍分別為 [0，5]、[-10，1800]和[-1，1]。并將各植被指數計算結果以2%的線性拉伸方式顯示，如圖2和圖3所示。

本次研究采用結合Landsat8 OLI遙感影像提取研究區的建設用地邊界，做掩膜處理去除建設用地中的植被干擾信息，建設用地邊界提取如圖5所示。根據研究區實際情況與遙感影像的光譜特征，結合研究目的將地物類型劃分為防護林、耕地、建設用地和水域4類，由于已做建設用地邊界掩膜處理，故研究區的地物類型為防護林、耕地和水域3類。

使用Arcgis軟件，在整個研究區每類地物隨機選取樣點，其中防護林236個，耕地233個，水域135個，總計604個樣點，如圖4所示。將選取的樣點與植被指數疊加，計算各個植被指數樣點的最大值、最小值、平均值以及標準差等特征值。

由表2可知，三種植被指數變化幅度最大的是DVI，NDVI變化幅度最小。在RVI、DVI和NDVI下，防護林與耕地均能得到較好的區分，但利用RVI和NDVI提取的防護林與水域均有部分區域重合。由于DVI對土壤背景的變化極為敏感，能較好地識別植被與水體，DVI對防護林的區分能力要稍優于其他兩種植被指數。主要結合各地物在不同植被指數下的特征值分析，并通過對閾值進行反復實驗調整，當防護林信息能被較為完善的提取，且耕地與水域的干擾相對最低時，最終確定各植被指數提取防護林信息的閾值。RVI為1.5、DVI為600以及NDVI為0.2。

通過閾值對研究區各植被指數影像圖做二值化處理，最終得到研究區防護林的分布影像圖，如圖6和圖7所示。

2.2.2 精度檢驗

精度檢驗方法包括野外實地調查驗證數據、高分辨率遙感影像數據以及已有成果數據。全區驗證采用在影像范圍內隨機抽樣100個采點，并于2015年5月22日至 2015年5月28日進行野外實地驗證，記錄各采集點防護林狀態及相關周邊信息。

經過檢驗，通過RVI、DVI和NDVI 3種植被指數均能較好地快速提取防護林信息，準確率分別為89.2%、90.4%和88.3%，均大于85%。其中，耕地的分類精度最高，分別為90.2%、92.5%和92.1%，均大于90%。防護林的精度次之，為88.5%、91.2%和86.6%。水域的分類精度最低，分別為85.3%、90.9%和83.7%。

3 結果與分析

本次研究選取由可見光紅波段與近紅外波段不同組合的三種常見植被指數RVI、DVI和NDVI，輔助Landsat 8 OLI遙感影像提取建設用地掩膜邊界去除居民地中的林木干擾信息，通過對各地物隨機選取采樣點提取植被指數特征值確定分割閾值，最終二值化獲得防護林信息的快速提取結果。

本研究選擇春季為研究時段，耕地處于裸土時，防護林與其他地物的特征差異比較明顯，易于進行防護林的信息提取。為避免噪聲及離群值的影響，首先對植被指數進行[2%，98%]的置信區間處理，RVI為[0，5]，DVI為[-10，1 800]，NDVI為[-1，1]。

在閾值選取時，充分考慮低閾值會導致少量耕地被誤分成防護林，同時較寬的防護林帶出現加粗、毛刺等現象。過高的閾值會使部分林帶提取不完整，造成林帶稀疏和幼齡林林帶遺漏現象的發生。通過分析各地物采樣點的植被指數特征值及多次驗證，最終確定各植被指數的提取閾值，RVI為0.15，DVI為600，NDVI為0.2。

RVI、DVI和NDVI 3種植被指數在防護林的提取中均表現出較好的效果。在防護林和耕地的提取上，3種植被指數提取效果較為接近。在連片性好的耕地區域，防護林信息提取效果較好，反之則較差。由于研究區的水域多為窄線性或小面積目標，不容易識別。DVI相較于RVI和NDVI具有較大的變化幅度，在防護林和水域的區分能力上能夠表現出更好的效果。林帶交錯及林帶間距較小時，DVI也可提供更為豐富的細節信息，有效提高林帶信息的識別精度。

本研究提取的速度與成本明顯小于人工目視解譯。與現有的防護林自動信息提取方法相比，本文采用的方法優點主要有：①確定RVI、DVI和NDVI的置信區間，去除異常值對閾值選取的干擾;②使用Landsat 8 OLI遙感影像提取建設用地邊界做掩膜，去除建設用地中的林地干擾;③確定提取防護林的各植被指數閾值;④基于植被指數提取防護林信息的方法快速且準確度較高，輔以人工目視判讀，將誤分的信息刪除或修改可得到更完善的結果。

4 討論

此次研究以GF-2為主要數據源，以德惠與農安境內23.5 km×23.5 km為研究區，提出不同植被指數下防護林的置信區間與提取閾值，其他數據源、時間段或研究區下植被指數的置信區間與提取閾值可能會略有不同。但本文提供了一種定量分析的方法和思路，可為相關研究提供科學的參考和借鑒。

基于3種植被指數提取的防護林信息精度均在85%以上，均可滿足大區域尺度下防護林狀態監測的需要，且具有效率高、投入小的優點。此次研究主要旨在提取與實際情況相符，且具有快速可操作的目的，所以未對存在一定長度斷口不連續的林帶進行形態學的膨脹、腐蝕等處理。針對不同的工作及研究需要，可酌情添加形態學手段以期獲得較連續和完整的林帶信息。通過分析發現提取的防護林信息會存在一定的線性不等加寬、毛刺等現象，針對這一問題后期可綜合其他幾何與紋理特征做深入研究，分析其不同條件下的拉伸系數，進一步提高防護林的提取精度。

本研究深化了遙感技術及植被指數在防護林監測方面的研究，提升了防護林研究的技術水平，為防護林研究增加了新的方法和思路，為探索防護林的快速提取與監測提供科學的依據。

【參 考 文 獻】

[1]ZAGAS T D，RAPTIS D I，ZAGAS D T. Identifying and mapping the protective forests of southeast Mt.Olympus as a tool for sustainable ecological and silvicultural planning，in a multi-purpose forest management framework[J].Ecological Engineering，2011，37（2）：286-293.

[2]BRANDLEJ R，HINTZDL. Agriculture，ecosystems and environment-special issue-proceedings of an international-symposium on windbreak technology-lincoln，nebraska-june 23-27，1986-preface[J].Agriculture Ecosystems & Environment，1988，22（3）：R9-R10.

[3]姜鳳岐，于占源，曾德慧，等.三北防護林呼喚生態文明[J].防護林科技，2013，28（5）：1-3.

JIANG F Q，YU Z Y，ZENG D H，et al.Three-north shelterbelt calls for ecological progress[J].Protection Forest Science and Technology，2013，28（5）：1-3.

[4]BRANDLE J R，HODGES L，ZHOU X H.Windbreaks in north American agricultural systems[J].Agroforestry Systems，2004，61（1-3）： 65-78.

[5] RIVEST D，VEZINA A. Maize yield patterns on the leeward side of tree windbreaks are site-specific and depend on rainfall conditions in eastern Canada[J].Agroforestry Systems，2015，89（2）：237-246.

[6]徐冠華，徐吉炎.再生資源遙感研究——“三北”防護林地區平泉遙感綜合調查的方法與實踐[M]北京：科學出版社.1988.

XU G H，XU J Y. Research on remote sensing of renewable resources - methods and practice of comprehensive survey Three-North shelterbelt by remote sensing in Pingquan[M]. Beijing： China Science Publishing， 1988.

[7]劉興漢，張柏.TM圖像在“三北”防護林遙感調查中的應用：以吉林省西部為例[J].遙感技術動態，1990，5（3） ：25-29.

LIU X H，ZHANG B. Application of TM image in remote sensing geological survey of Three-North shelterbelt： the west of Jilin province as an example[J]. Remote Sensing Technology Trends，1990，5（3）：25-29.

[8]王文娟，鄧榮鑫，李穎，等.TM與SPOT5數據對農田防護林景觀評價影響的對比分析[J].東北林業大學學報，2011，39（9）：54-56.

WANG W J，DENG R X，LI Y，et al.Contrastive analysis of influences of TMand SPOT5 data on landscape assessment of farmland shelterbelts[J].Journal of Northeast Forestry University，2011，39（9）：54-56.

[9]鄧榮鑫，李穎，張樹文，等.基于TM影像的農田防護林信息提取研究[J].農業系統科學與綜合研究，2011，27（1） ：12-16.

DENG R X，LI Y，ZHANG S. Research on extracting information of shelterbelt based on TM remote sensing images[J].System Sciences and Comprehensive Studies in Agriculture，2011，27（1）：12-16.

[10]扈晶晶.基于HJ-1和ZY-3遙感圖像的農田防護林信息提取研究[D].北京：北京林業大學，2014.

HU J J. The farmland shelterbelts extraction based on HJ-1 and ZY-3 satellite images[D].Beijing： Beijing Forestry University，2014.

[11]幸澤峰，李穎，鄧榮鑫，等.基于ZY-3影像的農田防護林自動提取[J].林業科學，2016，52（4） ：11-20.

XING Z F，LI Y，DENG R X，et al.Extracting farmland shelterbelt automatically based on ZY-3 remote sensing images[J].Scientia Silvae Sinicae，2016，52（4）：11-20.

[12]張艷，郭彥茹，張曉勉，等.基于SPOT-5的岱山島沿海防護林動態監測[J].浙江林業科技，2013，33（5）：62-66.

ZHANG Y，GUO Y R，ZHANG X M，et al.Dynamic changes of coastal protective forests on Daishan island from SPOT5 imagery[J]. Journal of Zhejiang forestry Science&Technology， 2013，33（5）：62-66.

[13]鄭曉，朱教君.基于多元遙感影像的三北地區片狀防護林面積估算[J].應用生態學報，2013，24（8） ：2257-2264.

ZHENG X，ZHU J J.Estimation of shelter forest area in Three-North shelter forest program region based on multi-sensor remote sensing data[J].Chinese Journal of Applied Ecology，2013，24（8）：2257-2264.

[14]CZEREPOWICZ L，CASE B S，DOSCHER C. Using satellite image data to estimate aboveground shelterbelt carbon stocks across an agricultural landscape[J].Agriculture Ecosystems & Environment，2012，156（6）：142-150.

[15]呂雅慧，張超，鄖文聚，等.高分辨率遙感影像農田林網自動識別[J].農業機械學報，2018，49（1） ：157-163.

LV Y H，ZHANG C，YUN W J，et al.Automatic recognition of farmland shelterbelts in high spatial resolution remote sensing data[J]. Transactions of the Chinese Society for Agricultural Machinery，2018，49（1）：157-163.

[16] 張春桂，朱曉鈴，陳惠，等.福建沿海防護林資源的衛星遙感監測[J].中國農業氣象，2007，28（4） ：446-449.

ZHANG C G，ZHU X L，CHEN H，et al.A study on monitoring of Littoral shelter forest by remote sensing in Fujian[J].Chinese Journal of Agrometrorology， 2007，28（4）：446-449.

[17]梁文海，劉吉凱，張偉，等.基于面向對象方法的GF-2影像桉樹林信息提取[J].浙江農林大學學報，2017，34（4） ：721-729.

LIANG W H，LIU J K，ZHANG W，et al.Extracting eucalyptus information using GF-2 images based on an object-oriented method[J].Journal of Zhejiang A&F University，34（4）：721-729.

[18]尹毅.基于對象分析方法的人工防護林分布格局及其變化研究[D].蘭州：蘭州大學，2014.

YIN Y.Study on the spatial pattern and evolution of protective forest plantation using object-based image analysis[D]. Lanzhou： Lanzhou University，2014.

[19]GHIMIRE K，DULIN M W，ATCHISON R L，et al. Identification of windbreaks in Kansas using object-based image analysis，GIS techniques and field survey[J].Agroforestry Systems，2014，88（5）： 865-875.

[20]周淑玲，徐涵秋.基于決策樹的泉州灣沿海防護林動態變化研究[J].遙感技術與應用，2011，26（5） ：619-626.

ZHOU S L，XU H Q.Study on dynamics ofcoastal protecting forest in Quanzhou bay based on decision tree classification[J].Remote Sensing Technology and Application，2011，26（5）：619-626.

[21] 郭濤，王成祖.三北防護林體系建設20年綜述[J].林業經濟，1998（6）：1-13.

GUO T，WANG C Z.Review of twenty-year construction of Three-North protection forest project[J].Forestry Economics，1998（6）：1-13.

[22]陳明華，柴鵬，陳文祥，等.不同植被指數估算植被覆蓋度的比較研究[J].亞熱帶水土保持，2016，28（1） ：1-4.

CHEN M H，CHAI P，CHEN W X，et al.Comparative study on the estimation of the vegetation coverage by different vegetation index[J].Subtropical Soil and Water Conservation，2016，28（1）：1-4.

[23]李鈺溦，賈坤，魏香琴，等.中國北方地區植被覆蓋度遙感估算及其變化分析[J].國土資源遙感，2015，27（2） ：112-117.

LI Y W，JIA K，WEI X Q，et al. Fractional vegetation cover estimation in northern China and its change analysis[J].Remote Sensing for Land and Resources，2015，27（2）：112-117.