基于多源遙感數據的納板河國家級自然保護區人類活動用地監測

劉曉龍，徐 瑞，付 卓，史正濤，高書鵬

?

基于多源遙感數據的納板河國家級自然保護區人類活動用地監測

劉曉龍1，徐 瑞1，付 卓2※，史正濤1，高書鵬1

（1. 云南師范大學旅游與地理科學學院，昆明 650500；2. 環境保護部衛星環境應用中心，北京 100094）

人類活動對自然保護區內的珍稀及瀕危野生動植物資源產生威脅。以自然保護區土地利用及其變化作為保護區內人類活動的代表。針對在低緯度熱帶地區多云霧天氣對光學遙感成像產生嚴重干擾的條件下，如何實現基于多源遙感數據構建高時間、高空間分辨率遙感數據，監測復雜地形及氣候環境下的熱帶雨林環境自然保護區土地利用變化監測，進而分析保護區人類活動這一問題展開研究。采用時空數據融合技術實現了2000年、2004年、2010年和2015年納板河國家級自然保護區內人類活動（主要為人類活動用地：橡膠林、耕地、建筑用地）和自然地表（水體和自然林）分類識別，結果表明：1）時空數據融合技術能夠實現復雜地形以及多云多霧天氣條件下的高時空分辨率遙感數據，實現基于該時間序列數據的人類活動用地較高精度識別（2000年、2004年、2010年、2015年的總體分類精度分別為88.13%、86.88%、89.38%、90.63%，Kappa系數分別為0.834 0、0.817 6、0.853 3、0.871 1）；2）納板河國家級自然保護區內2000年至2015年期間，自然林的面積持續減少，橡膠林、耕地及建筑的面積持續增加；3）保護區內人類活動隨地形的變化特征是：橡膠林及耕地范圍在向坡度較大的地區擴張，大部分橡膠林種植在坡度為13°~24°之間，耕地也在向坡度較大的地區逐步擴張。該研究可為自然保護區監管部門及環境保護研究領域提供技術支持。

遙感；土地利用；監測；納板河國家級自然保護區；時空數據融合；時間序列；土地利用變化

0 引 言

自然保護區是指對具有代表性的自然生態系統、珍稀瀕危野生動植物物種的天然集中分布區、有特殊意義的自然遺跡等保護對象所在的陸地、陸地水體或者海域，依法劃出一定面積予以特殊保護和管理的區域[1]。自然保護區的建立對生物的多樣性、生態平衡、構建和諧的人與自然關系具有重大作用。然而自然災害以及人類活動對自然保護區造成了嚴重的影響，其中人類活動是導致自然保護區生態平衡遭受破壞的重要原因[2-3]。2016年，原環境保護部用遙感技術對全國446個國家級自然保護區進行了監測，監測結果發現，2016年全國國家級自然保護區均存在不同程度的人類活動[4]。自然保護區人類活動遙感監測可為及時發現違法違規行為提供線索，為保護區監管提供技術支持。

隨著遙感技術的快速發展，遙感技術為自然保護區監測提供了新手段。傳統的以光譜分析特征為基礎的監督分類和非監督分類在自然保護區識別人類活動中應用比較廣泛，但基于監督分類和非監督分類的傳統分類方法的分類精度在很大程度上取決于影像質量和時相選取[5]。因此，基于監督分類和非監督分類的傳統分類方法得到的分類結果存在很大的不確定性[6-7]。而時間序列分析方法則強調在一段時間內對同一區域進行連續遙感監測，提取地物隨時相變化的有關特征，并分析地物變化特性，諸如，可以通過分析經濟作物的多時相特征（NDVI時間序列）來識別人工林、人工作物。目前有很多通過構建NDVI時間序列來提取地物的研究，如劉曉娜等[8]曾用時間序列MODIS-NDVI提取西雙版納橡膠林；王紅說等[9]利用MODIS-NDVI時間序列譜匹配的方法提取季相相似的耕地。然而，針對低緯地區多云多霧、地形復雜等特征，采用單一遙感數據源進行地物精細識別具有局限性，如空間分辨率不足，或時間分辨率較低。為此，許多研究者利用多源遙感數據基于時間序列進行地物的提取，如劉曉娜等[10]利用Landsat和MODIS-NDVI數據采用決策樹分類方法提取中老緬邊界處的橡膠林；梁守真等[11]利用MODIS時間序列的NDVI數據與多時相的Landsat TM數據用面向對象的方法提取海南省松濤水庫周邊的橡膠林。上述研究結果表明，基于時間序列遙感數據可以獲取地物時相信息，進而有效地實現地物識別精度的提高。然而基于多源可見光遙感數據的復雜天氣及地形條件下自然保護區人類活動及其變化特征分析研究不多見[12]，目前基于時間序列遙感觀測的自然保護區變化監測多采用高時間、低空間分辨數據[13-15]，或高空間、低時間分辨率遙感觀測數據[16-18]。這兩者在保護區土地利用或保護區人類活動監測上均有不足：前者有利于保護區內人類活動的動態變化識別，但是低空間分辨率數據存在大量混合像元，不利于對地表覆被變化的精細分析，無法實現面積較小的人類活動提取；后者能夠更精細地捕捉地物空間紋理及結構特征，但是中國西南熱帶地區植被覆蓋度高、地形復雜，導致不同類型植被的空間紋理及結構特征存在混淆，因此單一時相高空間分辨率數據的空間結構及光譜特征，在不同類型植被分類識別中存在困難。如何兼具遙感影像觀測中地物的時間、空間特征，獲取高時空分辨率數據，是實現基于可見光遙感數據的熱帶地區復雜環境下高精度地物分類識別的重要途徑。

本文針對低緯度熱帶地區多云霧天氣對光學遙感成像產生嚴重干擾的條件下，實現基于多源遙感數據構建高時間、高空間分辨率遙感數據，監測復雜地形及氣候環境下的熱帶雨林環境自然保護區土地利用變化，進而分析保護區人類活動，對自然保護區監管和時間序列遙感觀測技術在自然保護區人類活動動態監測應用中具有重要價值。

1 研究區數據

1.1 研究區概況

納板河國家級自然保護區位于中國云南省西雙版納傣族自治州境內，該保護區是由1991年建立的省級自然保護區，于2000年4月晉升為國家級自然保護區。保護區距離景洪市大約40 km，其地理坐標為：北緯22°04￠～22°17￠，東經100°32￠～100°44￠（圖1）。保護區內熱量充足、氣候濕潤，年平均氣溫18～22 ℃，年降雨量1 100～1 600 mm，充沛的降雨和充足的熱量條件造就了該保護區內豐富的生物多樣性。納板河保護區自然林覆蓋率為67.74%，屬于自然生態系統中的森林生態系統[19]。納板河自然保護區的主要保護對象是熱帶雨林以及珍貴的動植物，但是隨著橡膠市場的價格抬升，加上西雙版納得天獨厚的氣候條件使得村民在自然保護區內大面積種植橡膠林，許多輪歇地變成了橡膠林種植地，甚至砍伐大面積的熱帶雨林后種植橡膠林，嚴重威脅保護區內的生物多樣性，受到人們的廣泛關注。

圖1 研究區位置（納板河國家級自然保護區位于西雙版納傣族自治州景洪市以北約40 km）

1.2 數據與方法

1.2.1 數據及其預處理

由于研究區的氣候為熱帶季風氣候，分干季和濕季，濕季云雨天氣較多，可見光數據可用性差，因此用于本文的MODIS與Landsat數據均選自這一地區干季（當年11月初至次年3月中旬，地面調查結果表明，期間耕地、自然林、橡膠林植被覆蓋度及其變化特征各不相同：耕地與自然林植被覆蓋度不變，但是耕地處于休耕期，植被覆蓋度明顯低于自然林；橡膠林出現落葉及返青現象，植被覆蓋度先減小，后回升），數據近一個季度的時間跨度保證了研究區內地物具有相近的時相。本文使用的數據有4種：

1）Landsat數據。Landsat數據1級產品下載自美國地質調查局（USGS）（https://glovis.usgs.gov/），數據成像周期為16 d。選取在研究區內無云的2000年、2004年、2010年、2015年4個年份的Landsat TM/ETM+/OLI數據，如表1所示。各年份內所用MODIS與Landsat數據具有相同的時相，但由于不同年份之間可用的Landsat數據和成像時間不同，所以各年份之間的數據時相存在差別，但是每個時期內，都具有前文所述的不同類型植被覆蓋度的變化特征。美國地質調查局在發布Landsat數據之前已經對其進行系統校正，屬于一級產品，研究需要用到地表反射率數據，因此本文使用LEDAPS大氣校正模型對其進行大氣校正。LEDAPS是基于6S（Second Simulation of a Satellite Signal in the Solar Spectrum）模型的大氣校正軟件，由NASA GSFC（Goddard Space Flight Center）提供相應的參數數據[20]。由于Landsat 7 Enhanced Thermal Mapper Plus（ETM +）傳感器的掃描線校正器（scan line corrector，SLC）出現故障，導致大約22%的像素未被掃描，存在數據缺失。因此，在使用Landsat 7 ETM+數據之前要對其進行條帶填充，本文使用GNSPI算法對ETM+數據進行條帶填充處理[21]。

2）MODIS數據：采用與Landsat數據同一時期的MOD09GQ數據（MODIS地表反射率產品，屬于陸地標準數據，地面分辨率為250 m，重訪周期為1 d）。MODIS數據源自NASA數據共享平臺(http://reverb.echo.nasa. gov/)。MODIS發布產品為HDF格式，投影類型為正弦曲線投影（等面積偽圓柱投影），與Landsat數據不同，所以本文選用MRT（MODIS Reprojection Tool）工具對其進行投影轉換批處理，將MODIS數據投影轉換為基于WGS-84橢球體的UTM投影，與Landsat數據坐標系保持一致。

3）SPOT數據和4）Google Earth數據：SPOT數據和Google Earth數據用于地物識別的精度驗證，研究區2000年的分類結果使用SPOT數據（空間分辨率10 m）進行精度評定，2004年、2010年、2015年的分類結果分別采用Google Earth數據（空間分辨率4 m）進行精度驗證。

表1 所采用遙感影像

1.2.2 研究方法

Landsat數據的空間分辨率為30 m，能夠以較高的精度識別地物，但時間分辨率較低（重訪周期16 d），且易受到云霧天氣的影響，導致部分數據缺失，限制了Landsat數據對地表植被覆蓋變化的監測能力。MODIS 數據的空間分辨率較低，可應用于種植面積較大，結構單一的作物識別和監測[22-23]，但不適用于地表覆蓋類型破碎、空間異質性強烈的復雜地物識別。受限于傳感器技術，當前尚不存在高時間、高空間分辨率的衛星遙感數據。但是通過多源數據融合技術，能夠獲取可見光波段的地表反射率融合數據，可以融合得到每日的30 m空間分辨率的地表反射率數據，綜合Landsat數據和MODIS 數據的優點，能夠有效監測不同植被隨時間的生長變化情況[24]。Zhu等[25]提出的時空數據融合算法ESTARFM（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model），該算法通過指定大小窗口內前后2個時期的低分辨率和高分辨率像元對，及待融合時相的低分辨率影像像元，建立待融合像元與前后時期像元之間的空間關系，估算當前高分辨率像元值。因該模型應用普遍、可靠程度高，容易實現等原因，本文采用時空數據融合算法ESTARFM，融合獲得高時空分辨率數據。

獲取融合數據后，對融合的結果進行精度驗證。本文用融合得到的數據與當日衛星觀測數據進行相關性分析，例如驗證2015年第35天（DOY035）的融合精度，是用融合得到的數據（DOY035紅光和近紅外波段反射率）計算NDVI，建立該NDVI與當日Landsat數據計算所得NDVI之間的相關系數，根據該相關系數分析融合精度[26]。運用此方法分別驗證2000、2004、2010和2015年融合的NDVI數據，相關性2分別為：0.821 3、0.818 1、0.942 0和0.901 2。決定系數2均高于0.8（<0.01），融合結果與觀測結果顯著相關，表明融合產品的精度可靠，可在一定程度上代表同時相觀測影像的光譜信息。

在基于融合得到的高時空分辨率數據的研究區地類分類中，首先用融合得到的數據構建NDVI時間序列，由于NDVI時間序列上存在噪聲，因此本文使用S-G（Savitzky-Golay）濾波對其進行濾波處理[27]，如圖2所示。獲取的NDVI時間序列數據集屬于高維數據，含有大量的植被變化信息，而過高的數據維度會造成數據冗余及分類精度下降問題[28-29]。因此，本文提取NDVI時間序列曲線上對分類貢獻較大的6個分類特征：每年12月至次年3月期間的NDVI的最大值、最小值、時間序列曲線導數取值最小時對應的NDVI值(不同類型植被NDVI的這3個值不同，區分度高)、總體時間序列NDVI曲線積分(曲線積分表達不同類型植被生長情況的不同)、每年第1天與每年第43天之間的NDVI曲線積分（這一時期曲線積分表達橡膠林生長的累積量，提高橡膠分類精度）、NDVI最大值與NDVI曲線積分的比值(使用不同特征的比值，提高特征的區分度)[30-31]。

分類中運用隨機森林（RF，Random Forest）分類器并利用上述6個分類特征對保護區內建筑用地、耕地、橡膠林、水體和自然林進行分類識別。分類中，訓練樣本的選取直接關系到分類結果，為了保證選取樣本的代表性以及隨機性，本文根據2000年10 m分辨率的SPOT數據和2004—2015年的Google Earth高清影像，大致估算各地類的面積比例，然后根據各年份各地類比例選取相應的樣本點。樣本選取中，各年份的樣本總數均為400個。分類中隨機選取200個樣本作為訓練樣本，用于訓練分類器，其余的200個（1/2）用于分類結果的精度評價。本研究采用分類誤差矩陣進行精度評價[32]。研究區土地利用變化分析中，采用轉移矩陣分析各年份間土地利用變化。整體方法流程見圖3所示。

圖2 各時期時間序列NDVI數據去噪及不同植被曲線特征

圖3 納板河自然保護區人類活動用地監測方法流程圖

2 地物分類及精度評價

本研究采用隨機森林分類器實現分類，隨機森林采用集成分類器的思想將若干弱分類器集成在一起，采用訓練樣本運用bootstrap sample（隨機且有放回地抽取）抽樣方法生成每個弱分類器的訓練樣本并得到相應的分類結果，各個弱分類器的分類結果共同構成了每個類別的一次“投票”，票數最多的那個類別即為分類結果，以此得到所有類別的分類結果。在弱分類器的使用中，Breiman[16]采用CART（classification and regression trees）分類器作為構成隨機森林分類器的弱分類器，在CART中的類別決策中使用Gini指數和信息熵作為決策依據。本文使用Breiman的隨機森林分類器模型(https://www. stat.berkeley.edu/~breiman/RandomForests/cchome.htm#papers），分類中分別設置隨機森林中生長樹為100，節點分裂變量數為3，分類特征為前文選取的6個分類特征。采用隨機森林分類器的分類結果如圖4所示。

結合分類結果（見圖4）和分類精度（見表2），研究區4個不同年份的總體分類精度均在86%以上，Kappa系數大于0.817，分類精度較高。各年份分類結果中，極少部分耕地錯分為橡膠林，這是由于在當年12月至翌年3月橡膠林處于落葉期，耕地處于農閑時期，橡膠林與農作物在影像上呈現相似的光譜特征，導致誤分。在建筑物周圍橡膠林被誤分為自然林，因為在建筑物周圍橡膠林與自然林之間沒有明顯的界限，自然林中混有橡膠林。當自然林的覆蓋度較低時，自然林和耕地會出現小部分誤分的現象。另一個導致分類精度評價結果較低的原因是分類樣本，研究區內樣本的選取是按各地物比例選取，而納板河國家自然保護區內部分用地（如建筑用地）占比很小，導致這類地物的錯分、漏分比例被夸大。

圖4 納板河自然保護區2000、2004、 2010、2015年地物分類結果

表2 納板河自然保護區2000、2004、2010、2015年分類精度

注：PA表示生產者精度，UA表示用戶精度。

Note: PA represents producer’s accuracy and UA represents user’s accuracy.

3 結果與分析

為分析納板河國家自然保護區用地在2000—2015年期間的變化特征，本文分別從2000—2015年保護區內各地類之間的相互轉換和每種土地利用的時間變化趨勢進行分析。另外本文又對2000—2015年期間該地區人工用地在地形上的變化趨勢進行了分析，以揭示保護區人工用地變化的空間特征。

3.1 土地利用變化分析

土地利用轉移矩陣可以很好地描述并分析研究區內的土地利用類型的面積變化情況，被廣泛應用于土地利用變化分析中。本文利用土地利用變化分析中比較常用的相對變化量、總變化量、轉移矩陣來進行土地利用變化分析。

以2000、2004、2010和2015年的納板河自然保護區土地利用分類結果為輸入數據，利用ENVI 5.3軟件計算得到西雙版納納板河國家級自然保護區3個時間段的土地利用轉移矩陣（見表3）。根據表3，計算得到2000—2015年間3個時間段各地類的變化情況（見表4）。對2000—2015年納板河流域自然保護區的土地利用情況進行分析可以看出：

2000—2004年保護區內各地類變化中：

1）保護區內增加的水體面積主要來源于耕地和建筑用地，轉變成水體的耕地和建筑用地分別占研究區面積的0.06%和0.01%；

2）擴張的耕地大部分由自然林轉變而來（占整個研究區1.75%的自然林轉變成耕地），其次是橡膠林（占整個研究區面積0.62%的橡膠林轉變成耕地）；

3）自然林和耕地對建筑用地的貢獻率分別達到了0.01%和0.04%，耕地成為建筑用地的主要來源；

4）橡膠林的種植范圍在快速擴張，擴張的橡膠林主要來源于自然林和耕地（占整個研究區面積1.28%的自然林轉變成橡膠林，占研究區面積1.75%的耕地變為橡膠林）。

2004—2010年保護區內各地類變化中：

1）增加的水體面積主要來源于自然林和橡膠林，分別為研究區總面積的0.62%和0.17%；

2）增加的建筑用地主要由耕地轉變而來（占整個研究區面積0.05%的耕地成為了建筑用地），而增加的耕地面積主要來源于自然林，有整個研究區面積3.47%的自然林轉變成耕地；

3）擴張的橡膠林主要由自然林轉變而來，轉變成橡膠林的自然林面積占整個研究區面積的1.74%，其次是耕地，占研究區面積的0.58%。

2010—2015年保護區內各地類變化中：

1）增加的水體面積主要來源于耕地，占整個研究區面積0.04%的耕地轉變成水體，其次分別是橡膠林、自然林和建筑用地，對水體的貢獻率均為0.01%；

2）自然林對耕地的貢獻率最大，增加的耕地面積中有96.47%來自于自然林（2010—2015年轉變成耕地的自然林占整個研究區面積的比值為4.10%，2010—2015年新增的耕地面積占整個研究區面積的比值為4.25%，4.10 /4.25×100% = 96.47%）；

3）擴張的建筑用地面積有76.92%來自耕地和橡膠林（2010—2015年轉變為建筑用地的耕地與橡膠林的面積占整個研究區面積的百分比均為0.05%，0.13%是2010—2015年新增的建筑用地面積占整個研究區面積的比值，（0.05%+ 0.05%）÷0.13% = 76.92%）；占整個研究區總面積0.94%和0.60%的耕地和自然林用地轉變成橡膠林種植地。

綜上所述，研究區內2000—2015年減少的自然林用地主要轉變成耕地、建筑用地、橡膠林種植地。擴張的建筑用地主要來源于耕地，其次是自然林和橡膠林；擴張的耕地主要由自然林和橡膠林轉變而來。2000—2004年、2004—2010年、2010—2015年，每個時間段都有超過0.60%的自然林用地轉變成橡膠林。

表3 納板河流域自然保護區2000—2015年土地利用轉移矩陣

根據表4對納板河國家級自然保護區進行2000—2015年土地利用變化統計分析，分析結果如下：

1）2000—2004年納板河國家級自然保護區內橡膠林的總變化量最大，占研究區土地總面積的4.23%，其次是自然林和耕地，分別占4.05%和3.83%，建筑用地和水體相對較小，分別占0.09%和0.08%。自然林的相對變化量達到–2.03%，其次是橡膠林和耕地，為0.99%和0.97%。

2）2004—2010年納板河國家級自然保護區內自然林的總變化量最大（6.04%），其次是耕地和橡膠林，總變化量分別為4.44%和2.50%。但是橡膠林和自然林的相對變化量剛好相反，自然林的相對變化量為–5.64%，占總變化量的93.38%，橡膠林的相對變化量為+2.14%，占總變化量的85.60%。建筑用地的相對變化量為+0.02%，占總變化量的16.67%，耕地的相對變化量為+2.54%，水體的相對變化量為+0.94%。從表4可以看出橡膠林、耕地、建筑用地和水體面積在增加，自然林的范圍在逐漸縮小。

3）2010—2015年耕地的總變化量最大（5.29%），其次是自然林和橡膠林，總變化量分別為4.74%和1.71%，相對變化量較大的是自然林和耕地，分別為–4.72%和+3.21%。橡膠林的總變化量和相對變化量相對較小（分別為1.71%和+1.41%），建筑用地和水體的總變化量和相對變化量較小（建筑用地分別為0.20%和+0.06%，水體分別為0.09%和+0.03%）。水體、耕地、建筑用地、橡膠林、自然林的相對變化量占總變化量的比值分別為33.33%、60.68%、30.00%、82.46%、99.58%。

綜上所述，2000—2015年期間，該自然保護區內水體、耕地、建筑用地、橡膠林面積在增加，自然林的面積在減少。

表4 納板河流域自然保護區2000—2015年土地利用變化統計

2000、2004、2010和2015年保護區內各地類分類結果獲取的各個地類面積及其變化如圖5所示，不難發現納板河流域自然保護區內各地類變化明顯：

1）2000—2015年期間水體面積整體上在增加，但是2004—2010年水體面積增加較大，這是由于華能景洪水電廠的建立使得河道變寬（華能景洪水電廠于2003年7月開始籌建，2008年6月正式投入使用）[33]。

2）2000—2015年期間耕地面積逐漸增加。2000—2004年、2004—2010年、2010—2015年，各時間段的耕地增長率分別為16.40%、37.43%、34.35%。研究區內耕地面積整體上在增加，對比3個時間段內耕地的面積增長率，可知2004—2010年的增長率最大。

3）根據圖5結果，建筑用地和水體的面積都在增加，但相對于橡膠林和耕地而言建筑用地和水體的面積變化較小。

4）圖5表明保護區內橡膠林種植面積在2000—2015年期間持續增加，并且2004—2015年間增長最迅速（增長率為32.81%）。

5）2000—2015年間，保護區內自然林面積在持續減少。2000—2004年、2004—2010年、2010—2015年，各時間段的自然林減少率分別為2.30%、6.56%、5.86%。對比3個時間段內自然林減少率，可知2004—2010年的減少率最大。結合表3結果可知減少的自然林用地轉變成水體、建筑用地、耕地和橡膠林，其中減少的自然林大部分轉變成了橡膠林和耕地，有2.62%的自然林轉變成橡膠林（1.28% + 1.74% + 0.6% - 1% = 2.62%，1.28%、1.74%、0.6%分別為2000—2004年、2004—2010年、2010—2015年轉變為橡膠林的自然林面積與整個研究區面積的比值，1%為2000—2004年轉變成自然林的橡膠林面積與整個研究區面積的比值），有9.14%的自然林轉變成耕地。總的來看，2000—2015年期間減少的橡膠林主要轉變為耕地。

圖5 2000—2015年各地類變化趨勢

3.2 自然保護區人類活動隨地形分布特征

結合西雙版納納板河自然保護區的坡度圖對橡膠林、耕地、建筑用地的變化情況進行分析，如圖6、7所示。

根據圖6的結果，建筑用地的分布位置總體上沒發生變化，但是面積增加，建筑用地的變化趨勢不如耕地和橡膠林明顯；可以看出2000—2015年橡膠林的種植范圍在擴大，橡膠林的種植范圍主要在地勢平緩地區，種植區比較集中，如圖7a所示。橡膠林首先在坡度0°～12°之間擴張，隨后從坡度0°～12°遞增到13°～24°，再逐漸擴大到坡度為25°～36°之間，坡度37°～48°之間極少橡膠林分布，且各年份間的變化微小，在坡度為25°～36°之間的橡膠林較少，坡度在0°～12°之間的橡膠林比較多，大部分橡膠林種植在坡度為13°～24°之間。

圖6 2000—2015年橡膠林、耕地、建筑用地隨地形分布情況

圖7 2000—2015年橡膠林、耕地種植范圍隨坡度變化情況

根據圖6、7b的結果，可以看出耕地的面積在增大，首先在坡度0°～12°之間擴張，隨后從坡度0°～12°遞增到13°～24°，再逐漸擴大到坡度為37°～48°之間。坡度大于48°的地區不存在耕地，較少的耕地分布在坡度為37°～48°之間，一部分耕地分布在坡度為25°～36°之間，分布在坡度為0°～12°之間的耕地比較多，大部分耕地分布在坡度為13°～24°之間。耕地變化最明顯的地區位于研究區的西南部，在這一片區，耕地大面積地擴張。

總體上，2000—2015年期間納板河流域自然保護區內建筑物面積變化最小，面積變化較大的是橡膠林、耕地、自然林。橡膠林的種植范圍在逐漸擴大，耕地的面積也在增加，而自然林的面積持續減少，減少的自然林以轉換為橡膠林和耕地為主。納板河流域自然保護區內人工用地變化較大，人類活動的增加必然導致自然保護區內的自然林面積的減少。

4 結論與討論

針對受天氣條件干擾嚴重致使衛星觀測數據不足的低緯熱帶地區，本文利用時空數據融合算法獲取了西雙版納地區納板河國家級自然保護區的高時空分辨率數據，并基于該數據對研究區內代表人類活動強度的土地利用進行分類識別，基于識別結果分析了該區域內2000—2015年人類活動的時空變化規律。主要結論如下：

1）時空數據融合技術能夠實現復雜地形以及多云多霧天氣條件下的時間序列數據構建，實現基于時間序列數據的土地利用高精度識別；

2）基于時間序列數據的分類結果，對研究區人類生產活動用地變化分析表明：2000—2015自然林的面積在持續減少，橡膠林、耕地及建筑用地的面積在持續增加；

3）橡膠林及耕地范圍在向坡度較大的地區擴張，大部分橡膠林種植在坡度為13°～24°之間，耕地也在向坡度較大的地區逐步擴張。

綜合分析可知在納板河國家自然保護區內人類的種植活動活躍，對區域內用地類型影響最大，導致自然保護區內自然林的面積在持續減少。

[1] 中華人民共和國自然保護區條例. 鐵路環保法規匯編[C]. 北京：中國鐵道協會，2013.

[2] 魏建兵，肖篤寧，解伏菊. 人類活動對生態環境的影響評價與調控原則[J]. 地理科學進展，2006(2)：36－45. Wei Jianbing, Xiao Duning, Xie Fuju. Evaluation and regulation principles for the effects of human activities on ecology and environment[J]. Progress in Geography, 2006(2): 36－45. (in Chinese with English abstract)

[3] Xu H, Tang X, Liu J, et al. China's progress toward the significant reduction of the rate of biodiversity loss[J]. Bioscience, 2009, 59(10): 843－852.

[4] 2016年國家級自然保護區人類活動遙感監測報告[N].中國環境報，2016-12-06(004).

[5] Hansen A J, Defries R S. Land Use Intensification around Nature Reserves in Mountains: Implications for Biodiversity[M]// Global Change and Mountain Regions. Springer Netherlands, 2005:563?571.

[6] 余凌翔，朱勇，魯韋坤，等. 基于HJ-1 CCD遙感影像的西雙版納橡膠種植區提取[J]. 中國農業氣象，2013，34(4)：493－497. Yu Lingxiang, Zhu Yong, Lu Weikun, et al. Rubber planting area extraction in Xishuangbanna region based on HJ-1CCD remote sensing image[J]. Chinese Journal of Agrometeorology, 2013, 34(4): 493－497. (in Chinese with English abstract)

[7] 李亞飛，劉高煥，黃翀. 基于HJ-1CCD數據的西雙版納地區橡膠林分布特征[J]. 中國科學：信息科學， 2011, 41(S1):166?176. Li Yafei, Liu Gaohuan, Huang Chong. Analysis of distribution characteristics of Hevea brasiliensis in the Xishuangbanna area based on HJ-1 satellite data[J]. Scientia Sinica: Informationis, 2011, 41(S1): 166?176. (in Chinese with English abstract)

[8] 劉曉娜，封志明，姜魯光，等. 2012. 西雙版納橡膠林地的遙感識別與數字制圖[J]. 資源學報，2012, 34(9)：1769－1780. Liu Xiaona, Feng Zhiming, Jiang Luguang, et al. Rubber plantations in Xishuangbanna: Remote sensing identification and digital mapping[J]. Resources Science, 2012, 34(9): 1769－1780. (in Chinese with English abstract)

[9] 王紅說，黃敬峰，徐俊峰，等. 基于MODIS NDVI時間序列譜匹配的耕地信息提取研究——以浙中地區為例[J]. 浙江大學學報：農業與生命科學版，2008，34(3)：334－340. Wang Hongshuo, Huang Jingfeng, Xu Junfeng, et al. Research on cultivated land extraction based on MODIS NDVI time series matching analysis: A case in middle part of Zhejiang[J]. Journal of Zhejiang University:Agric. & Life Sci, 2008, 34(3): 334－340. (in Chinese with English abstract)

[10] 劉曉娜，封志明，姜魯光. 基于決策樹分類的橡膠林地遙感識別[J]. 農業工程學報，2013，29(24)：163－172. Liu Xiaona, Feng Zhiming, Jiang Luguang. Application of decision tree classification to rubber plantations extraction with remote sens-ing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(24): 163－172. (in Chinese with English abstract)

[11] 梁守真，陳勁松，吳炳方，等. 應用面向對象的決策樹模型提取橡膠林信息[J]. 遙感學報，2015，19(3)：485－494. Liang Shouzhen, Chen Jinsong, Wu Bingfang, et al. Extracting rubber plantation with decision tree model based on object-oriented method[J]. Journal of Remote Sensing, 2015, 19(3): 485－494. (in Chinese with English abstract)

[12] 朱俊鳳，錢峻屏，張運英，等. 自然保護區遙感研究進展[J]. 安徽農業科學，2010，38(20)：10828－10831. Zhu Junfeng, Qian Junping, Zhang Yunying, et al. Research progress of nature reserve using remote sensing[J]. Journal of Anhui Agricultural Sciences, 2010, 38(20): 10828－10831. (in Chinese with English abstract)

[13] 劉旭穎，關燕寧，郭杉，等. 基于時間序列諧波分析的鄱陽湖濕地植被分布與水位變化響應[J]. 湖泊科學, 2016, 28(1)：195－206. Liu Xuying, Guan Yanning, Guo Shan, et al. Response on wetland vegetation distribution to hydrology regularity based on harmonictime series analysis[J]. Journal of Lake Sciences, 2016, 28(1): 195－206. (in Chinese with English abstract)

[14] 樸英超，關燕寧，張春燕，等. 基于小波變換的臥龍國家級自然保護區植被時空變化分析[J]. 生態學報，2016，36(9)：2656－2668. Piao Yingchao, Guan Yanning, Zhang Chunyan, et al. Analysis of temporal and spatial changes in vegetation cover using wavelet transform method in Wolong Natural Reserve[J]. Acta Ecologica Sinica, 2016, 36(9): 2656－2668. (in Chinese with English abstract)

[15] 聶勇，劉林山，張鐿鋰，等. 1982-2009年珠穆朗瑪峰自然保護區植被指數變化[J]. 地理科學進展, 2012, 31(7): 895－903. Nie Yong, Liu Linshan, Zhang Yili, et al. NDVI Change Analysis in the Mount Qomolangma (Everest) National Nature Preserve during 1982-2009[J]. Progress in Geography, 2012, 31(7): 895?903. (in Chinese with English abstract)

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

[17] Zhang F, Kung H, Johnson V C. Assessment of land-cover/ land-use change and landscape patterns in the two national nature reserves of Ebinur Lake Watershed, Xinjiang, China[J]. Sustainability, 2017, 9(5): 724.

[18] Yan G, Lou H, Liang K, et al. Dynamics and driving forces of bojiang lake area in erdos larus relictus national nature reserve, china[J]. Quaternary International, 2018, 475: 16－27.

[19] 晁增華. 納板河流域國家級自然保護區森林資源現狀及發展對策[J]. 山東林業科技, 2010, 40(3):104?106.

[20] Masek J G, Vermote E F, Saleous N E, et al. A Landsat surface reflectance dataset for North America, 1990-2000[J]. IEEE Geoscience and Remote Sensing Letters, 2006, 3(1): 68－72.

[21] Zhu X, Liu D, Chen J. A new geostatistical approach for filling gaps in Landsat ETM+ SLC-off images[J]. Remote Sensing of Environment, 2012, 124: 49－60.

[22] Xiao X, Boles S, Frolking S, et al. Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images[J]. Remote Sensing of Environment, 2006, 100(1): 95－113.

[23] 莊喜陽. 基于Landsat 8 OLI與MODIS的時空數據融合方法研究[D]. 南京：南京大學，2017. Zhuang Xiyang. A Spatial-Temporal Data Fusion Method Based on Landsat 8 OLI and MODIS data[D]. Nanjing: Nanjing University, 2017. (in Chinese with English abstract)

[24] 劉建波，馬勇，武易天，等. 遙感高時空融合方法的研究進展及應用現狀[J]. 遙感學報，2016, 20(5)：1038?1049. Liu Jianbo, Ma Yong, Wu Yitian, et al. Review of methods and ap-plications of high spatiotemporal fusion of remote sensing data[J]. Journal of Remote Sensing, 2016, 20(5): 1038?1049. (in Chinese with English abstract)

[25] Zhu X, Chen J, Gao F, et al. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J]. Remote Sensing of Environment, 2010, 114(11): 2610－2623.

[26] Huang B, Song H. Spatiotemporal reflectance fusion via sparse representation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(10): 3707－3716.

[27] Savitzky A, Golay M J E. Smoothing and differentiation of data by simplified least squares procedures[J]. Analytical Chemistry, 1964, 36(8): 1627－1639.

[28] Jonsson P, Eklundh L. Seasonality extraction by function fitting to time-series of satellite sensor data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(8): 1824－1832.

[29] Hughes G. On the mean accuracy of statistical pattern recognizers[J]. IEEE Transactions on Information Theory, 1968, 14(1): 55－63.

[30] Liu X, Bo Y, Zhang J, et al. Classification of C3 and C4 vegetation types using MODIS and ETM+ blended high spatio-temporal resolution data[J]. Remote Sensing, 2015, 7(11): 15244－15268.

[31] 高書鵬，史正濤，劉曉龍，等，基于高時空分辨率可見光遙感數據的熱帶山地橡膠林識別[J].遙感技術與應用（錄用待刊）

Gao Shupeng, Shi Zhengtao, Liu Xiaolong, et al. Identification of rubber plantations in tropical mountainous region based on high Spatio-Temporal resolution visible remote sensing data[J]. Remote Sensing Technology and Application（in press）

[32] Congalton R G, Green K. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices[C]// Geoscience and Remote Sensing Symposium, 1989. IGARSS'89. 12th Canadian Symposium on Remote Sensing. 1989 International. IEEE, 1998:1847?1850.

[33] 華能景洪水電廠日發電超過3000萬kW×h[J]. 水力發電，2009，35(9)：4.

Monitoring land use for human activities in Nabanhe National Nature Reserve based on multi-source remote sensing data

Liu Xiaolong1, Xu Rui1, Fu Zhuo2※, Shi Zhengtao1, Gao Shupeng1

(1.650500,; 2.100094,)

Human activities within the Nature Reserves are considered a threat to the endangered species. This study takes the land cover/land use as the representative of human activities within the Nabanhe National Nature Reserve. As optical remote sensing images are frequently contaminated by cloud and frog, which will restrict its practicality in monitoring human activities in Nabanhe National Nature Reserve, this study aimed to fuse the multi-resources of optical remote sensing images to build a high spatio-temporal resolution data (30 m daily surface reflectance) for the year 2000, 2004, 2010 and 2015 using the ESTARFM (Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model). The fused data was assessed during the data fusing procedure, and in a correlation of greater than 0.8 (with<0.01) with the reference image for each period of time. The fused data was then used to generate the time-series NDVI (Normalized Difference Vegetation Index), which would be used to differentiate each of the 5 land covers (namely natural forest, rubber trees, water, farmland and built-up area) to be classified. Previous to the extraction of the time-series features, denoising of the time-series NDVI was conducted using the double S-G (Savitzky-Golay) filter. 6 features were generated using the denoised NDVI time-series data, and used to classify the 5 land covers above. The Random Forest classifier was used during the classification, and the RF classifier was trained using the reference samples that were selected from high spatial resolution Google Earth images. The overall accuracies of the final classification results were greater than 86.88%, with Kappa values greater than 0.817 6 (the overall classification accuracies for the year 2000, 2004, 2010 and 2015 were 88.13%, 86.88%, 89.38% and 90.63% respectively, and the corresponding Kappa values were 0.834 0, 0.817 6, 0.853 3 and 0.871 1,respectively). This accuracy guaranteed the availability of the classification results in monitoring human activities in Nabanhe National Nature Reserve. The land cover/land use changing trend was analyzed based on the classification results for each period of time, of which the results were as follows: from 2000 to 2004, water area increased mainly due to the conversion of farmland and built-up area, which occupied 0.06% and 0.01% respectively of the entire area of the Nabanhe National Nature Reserve. Farmland area increased, and the increased area was mainly from natural forest and rubber trees. Built-up area increased, and the increased area was from natural forest and farmland. The area of the increased rubber trees is the largest, and the increased rubber trees occupied natural forest and farmland. The only decreased land cover/land use was the natural forest during this period of time. From 2004 to 2010, water areas increased mainly due to the conversion of natural forest and rubber trees, because there was a hydropower station built during this period of time. Increased farmland area was mainly from forest, while increased built-up area was mainly from farmland. Rubber area was increasing due to the conversion of forest, the area of which was decreasing constantly during this period of time. From 2010 to 2015, increased water occupied farmland and the forest was changed to farmland with the largest area (96.47% of all land converted to farmland was forest). Expanded built-up area was from rubber farmland (occupied 76.92% of all land changed to built-up). It was during this time that the farmland changed the most, it was 5.29% of the area of the Nabanhe National Nature Reserve. Obvious land use changing trend corresponding to terrain was found from 2000 to 2015. Built-up distribution changed less, but the corresponding area increased. The rubber was distributed in areas with slopes ranging from 0 to 36 degrees, and it was first expanded from 0 to 12 degrees, and then to 24 degrees and now is distributed to near 36 degrees. The expansion of rubber is pushing the rubber planting to the limit in the Nabanhe National Nature Reserve. Same changing trend was found to the farmland from 2000 to 2015. Both of these land covers are expanding to steeper terrain and larger areas in the Nabanhe National Nature Reserve. The method provided by this study may support the governmental departments in monitoring human activities within Nature Reserves.

remote sensing; land use; monitoring; Nabanhe National Nature Reserve; spatio-temporal data fusion; time-series; land cover/land use change

10.11975/j.issn.1002-6819.2018.19.034

S127；S794.1

A

1002-6819(2018)-19-0266-10

2018-06-20

2018-09-03

國家重點研發計劃項目( 2016YFB0501404)；云南省青年基金“基于多源遙感數據的植被類型精細分類方法研究” (2016FD021)；高分對地觀測重大專項（30-Y20A37-9003-15/17）

劉曉龍，男，內蒙古赤峰人，博士，主要從事高分熱帶植被遙感的理論和應用研究。Email: LiuXL@mail.bnu.edu.cn

付卓，女，湖北省武漢人，高級工程師，主要從事自然保護區變化遙感監測研究。Email：fuzhuo@126.com

劉曉龍，徐 瑞，付 卓，史正濤，高書鵬. 基于多源遙感數據的納板河國家級自然保護區人類活動用地監測[J]. 農業工程學報，2018，34(19)：266－275. doi：10.11975/j.issn.1002-6819.2018.19.034 http://www.tcsae.org

Liu Xiaolong, Xu Rui, Fu Zhuo, Shi Zhengtao, Gao Shupeng. Monitoring land use for human activities in Nabanhe National Nature Reserve based on multi-source remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(19): 266－275. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.19.034 http://www.tcsae.org