大理蒼山東西坡植被的垂直分布格局

張 萍，張 軍，李佳玉，薛宇飛，李宇宸

（云南大學 地球科學學院，云南 昆明 650500）

植被是山地生態系統不可或缺的一部分，是環境的重要因素，也是反映區域生態環境質量的最好標志[1]。客觀掌握山地植被類型及其分布特征，對了解山區生態環境和氣候空間變化具有重要意義[2]。遙感技術的飛速發展為實現山地植被的高精度提取提供了途徑，但由于山區地形地貌復雜，遙感數據對植被的精細提取仍存在較多問題。植物群落間差異小，邊界不明顯，偶有采伐或原生山地植被發生新的變化，以及由于測量技術和缺乏對比數據而限制了植被覆蓋度的監測，都對植被分類提出了巨大挑戰。因此，采用人機交互的方式，將先驗知識與經驗參數充分運用到分類模型中，同時輔以紋理[3?4]、海拔[5?6]、地形地勢[7?8]等信息進行分類來獲得更準確的遙感解譯成果[9?10]，已成為當前的研究熱點。

何鴻杰等[11]利用光譜、紋理和地形信息構建了分類與回歸決策樹(CART)，實現了對西北農牧交錯帶植被信息的提取。陳波等[12]輔以紋理、地形因子等進行面向對象分類，提取了川西南攀枝花市部分山區土地利用信息，分類總體精度達90.57%，Kappa系數達0.889 2。張友靜等[13]采用面向對象分類法，利用分割對象的空間和光譜信息對城市植被進行分類，提取的6種城市植被類型的分類總精度達85.50%。上述研究大多是基于地形、光譜或紋理等輔助信息進行分類的，也有針對山區地形進行研究的，但并沒有明顯地獲得植被的垂直地帶性分布規律。且國內外對于更精細的植被類別劃分較少，這除了要借助高分辨率影像外，對參與分類的植被特征和分類方法也提出了更高的要求。

大理蒼山位于低緯度亞熱帶地區，海拔梯度大，是研究山地植被垂直地帶性的典型山體。前人已對蒼山植被的垂直分布格局做過定性和半定量研究，如袁睿佳等[14]利用ETM+遙感影像和地形圖對蒼山東坡植被進行分類，并疊加數字高程模型(DEM)數據分析了蒼山東坡植被景觀的垂直分布格局，但該研究距今時間跨度長，時效性差。受遙感數據空間分辨率的影響，影像存在較多混合像元，使得信息含量低，精細提取困難。而高分二號(GF-2)高分辨率遙感影像，能夠在時空分辨率上為獲取當年最新森林植被信息提供便利，是林業遙感監測中較好的低成本數據源。鑒于此，本研究基于大理蒼山植被垂直帶譜，以紋理特征和地形因子作為分類的輔助信息，采用面向對象法提取蒼山植被信息，以期為保護和建設蒼山森林資源提供科學依據。

1 研究地區與研究方法

1.1 研究區概況

大理蒼山 (圖 1)位于云南西部大理白族自治州境內 (25°34′～26°00′N，99°55′～100°12′E)，橫跨大理市、漾濞彝族自治縣、洱源縣3市(縣)。屬亞熱帶西南季風氣候，全年干濕季分明。年均氣溫為15.5 ℃，年降水量大于1 000 mm。蒼山地勢陡峭，南高北低，由19座山峰組成，最高點馬龍峰海拔為4 122 m。由于蒼山垂直高差顯著，山地立體氣候十分明顯，從山麓到山頂有3個垂直氣候帶，分別為亞熱帶、暖溫帶和高山寒漠帶。植被的垂直帶譜明顯，植被種類多，層次清晰，分布復雜，保存了許多從南亞熱帶向高山冰漠帶過渡的植被類型，也是目前世界上保存較完整的一組植物垂直分布帶譜。

1.2 數據獲取及預處理

1.2.1 高分二號 (GF-2) 遙感影像 采用 GF-2 PMS 影像 (http://www.cresda.com/)作為基礎遙感數據源，該影像包含全色、藍、綠、紅和近紅外5個波段，除全色波段為1 m分辨率外，其余波段空間分辨率為4 m。大理蒼山屬典型的季風氣候，雨季旱季分明。5—10月為雨季，由于云量較大，影像基本采集不到數據。為覆蓋整個研究區，選擇2017年11月11日的3景和2018年1月24日的2景共5景影像，這個時段研究區內云量少，圖像質量好，滿足應用的需要。在遙感分類之前，應用ENVI 5.3軟件對影像進行輻射定標、大氣校正、正射校正、融合、鑲嵌和裁剪等預處理，得到研究區影像。

1.2.2 數字高程模型數據 為了保證精細植被識別的準確性，在植被分類中利用空間分辨率為30 m的DEM作為輔助數據。30 m的DEM數據下載于地理空間數據云平臺(http://www.gscloud.cn/)。對該數據進行裁剪后獲得研究區的DEM數據，主要用來提取地形約束因子和海拔。

1.2.3 植被分布數據 參考文獻[15]，將蒼山7種植被型組作為分類系統中的主要級別，用于劃分植被類型和確定分類體系。并根據袁睿佳等[14]和閔天祿等[16]整理得到蒼山植被垂直帶譜(圖2)，構建地形約束因子，在分類中輔助選擇樣本。

圖2 大理蒼山植被垂直帶譜Figure 2 Vertical band spectrum of vegetation in Cangshan Mountain,Dali

1.3 研究方法

1.3.1 提取地形因子 為了充分利用蒼山山區植被分布的垂直地帶性規律，在構建地形約束因子時，融入垂直帶譜信息，作為輔助要素進行植被分類。先利用DEM數據提取主山脊線，大致確定東、西坡向；再基于蒼山東西坡的植被垂直分布帶譜，提取優勢植被群系分布的海拔范圍；最后，將東西坡的海拔范圍疊加生成具有植被垂直分布規律的地形因子 (圖 3)。

圖3 大理蒼山地形約束因子分布Figure 3 Distribution of topographic constraint factors in Cangshan Mountain, Dali

1.3.2 植被分類體系確定 參考中國科學院土地利用遙感監測分類系統，結合蒼山植被分布數據、遙感影像和研究區實際土地覆被情況，將蒼山植被劃分為12種類型，包括云南松Pinus yunnanensis林、華山松Pinus armandii林、云南鐵杉Tsuga dumosa-闊葉混交林、蒼山冷杉Abies delavayi-杜鵑Rhododendron simsii林、亞高山草甸、杜鵑灌叢、亞熱帶干熱河谷次生灌叢、常綠闊葉林、杜鵑灌叢草甸、針葉-杜鵑-箭竹Fargesia spp.矮林、旱地、裸地。并基于高分辨率谷歌地球(Google Earth)影像和目視解譯，得出相應植被類型的影像特征。

1.3.3 面向對象分類法 面向對象分類法是以圖像分割的對象為基本單位進行的[17]，分割對象與地物邊界一致性越高，越有利于得到好的信息提取結果[18]，并且該方法可以有效集成專家知識和各種輔助數據，充分利用影像的光譜特征、紋理特征、形狀特征等。面向對象分類過程可以分為3個步驟：圖像分割、特征選擇與分析、影像分類[19]。

由于山區地形復雜，地勢起伏大，影像在不同時相存在“同物異譜”現象。為了提高植被信息提取的準確性，在圖像分割中引入DEM和紋理特征。不同植被類型具有不同的紋理特征，因此基于灰度共生矩陣(GLCM)[20]提取了常用的8個紋理特征。經比較后，在圖像分割中選取近紅外波段的熵。由于植被在近紅外波段的反射率較高，其波段權重設為2，其余圖層波段權重均設為1；并定義形狀因子為0.1，緊致度因子為0.5。圖4A與圖4B顯示：DEM和紋理特征參與分割后，山體陰影更清晰，且多邊形對象數目大量減少，對象數從916 020個減少到了693 239個。可見，有輔助信息參與分割的效果明顯優于僅基于光譜信息的分割效果。

圖4 DEM 紋理參與和未參與圖像分割的結果對比Figure 4 Comparison of the results of DEM texture participation and non-participation in image segmentation

由于研究區內不僅有大片分布的林地，還有小面積分布的其他地類，而本研究的重點是提取有林地類內更精細的植被類型。因此，本研究采用多層次分割法對圖像進行分割，以滿足不同層次不同地物的良好分割效果。在以上參數都相同的情況下，分割尺度參數為70、90、120時，研究區影像中不同地物類型的分類效果最好。即這3個尺度為不同層次下地物的最優分割尺度，具體如表1所示。

表1 多尺度分割的參數設置Table 1 Multi-scale segmentation parameter settings

分割完成后，結合地形約束因子對不同植被類型進行樣本選擇，并使用eCognition軟件中的Feature Space Optimization工具對各地物初始分類特征進行空間優化后，篩選出相應的特征參數，主要包括光譜、形狀、紋理、拓撲關系、上下關系等。最后采用模糊分類和最鄰近分類對植被信息進行分層次提取。各層次的地物分類規則見表2。

表2 不同層次的地物分類規則Table 2 Classification rules of different levels of ground objects

1.3.4 分類精度驗證 在研究區隨機生成 600個樣本點，基于 Google Earth 高分辨率影像，通過目視解譯獲取對應點地類，其中裸地18個、旱地19個、云南松林81個、華山松林36個、云南鐵杉-闊葉混交林126個、蒼山冷杉-杜鵑林55個、亞高山草甸28個、杜鵑灌叢79個、亞熱帶干熱河谷次生灌叢16個、常綠闊葉林42個、杜鵑灌叢草甸8個、針葉-杜鵑-箭竹矮林92個。以此來進行植被信息提取結果的精度驗證，并計算生產者精度、用戶精度、總體精度和Kappa系數。

2 結果與分析

2.1 分類結果

圖5所示：在蒼山植被類型的高精度分類結果中，地物邊界相對清晰，完整性保持良好，與實際情況吻合度高。其中，研究區域內優勢土地覆蓋類型是云南鐵杉-闊葉混交林，面積所占比例最大，為24.23%；其次為云南松林(18.67%)、常綠闊葉林(18.71%)、蒼山冷杉-杜鵑林(13.09%)，以上這4種植被類型占全區總面積的74.71%，主要分布在中海拔的山坡。但在植被類型中，杜鵑灌叢草甸和亞熱帶干熱河谷次生灌叢所占比例最小。而裸地主要是高山上裸露的基巖，旱地分布在較低海拔，面積都較小。

圖5 大理蒼山植被分類結果示意圖Figure 5 Results of vegetation classification in Cangshan Mountain, Dali

2.1.1 大理蒼山東坡植被垂直分布特征 大理蒼山東坡海拔低于 2 200 m 時，旱地、裸地、杜鵑灌叢只有零星分布，分布面積較小，但也有少量云南松林；海拔為2 200～2 500 m時，旱地、杜鵑灌叢明顯減少，且分布的主要植被類型為云南松林；海拔為2 500～2 900 m時，主要集中分布華山松林，局部地段因山勢陡峭，還能發現少量常綠闊葉林；海拔為2 900～3 200 m，高山裸露的基巖零星出現少量裸地，而云南鐵杉-闊葉混交林大面積出現；海拔為3 200～3 500 m時，云南鐵杉-闊葉混交林面積極少，蒼山冷杉-杜鵑林成為主要森林類型，云南松林消失殆盡；海拔為3 500～3 800 m時，亞高山草甸以顯著的面積優勢成為垂直地帶性植被類型；海拔大于3 800 m時，杜鵑灌叢及草甸占主導。但也有部分植被因光譜特征極為相似而導致兩兩混淆。

2.1.2 大理蒼山西坡植被垂直分布特征 大理蒼山西坡海拔低于 1 750 m 的低山丘陵區域，土地多半已被開墾，旱地和次生灌叢分布比例大，而且有少面積的云南松林；海拔為1 750～2 500 m時，云南松林的分布范圍最廣，零星出現少量旱地和裸地；海拔為2 500～2 900 m時，主要分布大面積的常綠闊葉林，裸地分布不明顯；海拔為2 500～3 300 m時，常綠闊葉林已很難看到，云南鐵杉-闊葉混交林以顯著面積優勢成為垂直地帶性植被類型，但裸地面積有明顯增多；海拔為3 300～3 700 m時，主要植被類型為針葉-杜鵑-箭竹矮林，散生少數蒼山冷杉-杜鵑林；海拔大于3 700 m的地區，杜鵑灌叢及草甸呈大面積成片分布。

2.2 精度評價

為了確定分類的精度和可靠性，通常采用混淆矩陣來評估分類的精度。本研究根據獲取的600個驗證樣本點，采用eCognition軟件中基于分割對象選擇的樣本(error matrix based on sample)工具計算面向對象分類法的分類結果驗證的混淆矩陣(表3)。由表3可知：與植被真實分布情況進行對比驗證，600個點中有28個點不匹配，引入輔助信息參與分類的總體精度為95.3%，Kappa系數為0.946 6。對于單一地類的精度，面向對象分類法提取的裸地、云南鐵杉-闊葉混交林、亞高山草甸和杜鵑灌叢草甸的生產者精度非常高，均為100.0%；杜鵑灌叢、蒼山冷杉-杜鵑林、針葉-杜鵑-箭竹矮林和常綠闊葉林次之，分別為98.7%、98.2%、97.8%和97.6%。除杜鵑灌叢草甸和亞熱帶干熱河谷次生灌叢外，各地類的用戶精度均超過90.0%，說明錯分的現象較少。但也存在部分地物分類的誤差，主要原因有：①根據影像時相的不同，在進行拼接時仍無法避免影像存在一定的色差。這也增加了不同植被類型邊界出現“同物異譜，異物同譜”現象的概率；②云南松林、常綠闊葉林、云南鐵杉-闊葉混交林等部分植被影像特征十分相似，造成人工選擇樣本時，界定目標地物存在困難；③由于蒼山東西坡的垂直帶譜信息存在一定差異，不同海拔范圍內優勢物種的描述也有所不同，就使得一些面積較小的植被類型很少描述，由此導致分類不細致。

表3 分類結果的混淆矩陣Table 3 Confusion matrix of classification results

3 結論與討論

本研究結果表明：①研究中引入DEM地形數據、紋理特征來輔助多尺度、多層次的影像分割，能讓分割結果更細致，且使影像分割中過于細碎的圖像得以合并，能更高效、準確地表達地物，從而避免影像上大量山體陰影、積雪等的影響。②結合層次分類的思想，采用面向對象的分類法分層提取植被信息，并在此基礎上疊加地形約束因子，可以有效改善研究區林地面積較大，植被邊界定義模糊，在特征相似或植被分布密集區域造成誤選樣本等問題。③通過構建具有垂直帶譜信息的地形約束因子，利用人機交互的方式能夠更高效、準確地選擇樣本，有效減少錯分，最終實現蒼山植被信息的高精度提取，其總體精度為95.3%，Kappa系數為0.946 6。

本研究提高了地物分類精度，與張俊瑤等[1]、陳波等[12]的研究結論一致。但因本研究中部分數據整理時間相對較早，缺乏野外實地考察，使蒼山的植被垂直帶譜分布范圍可能存在差異。在分類過程中，部分植被光譜特性相似度高、主觀性強等，勢必造成少部分植被被錯分的情況。此外，部分植被如華山松林、云南松林、常綠闊葉林、云南鐵杉-闊葉混交林、針葉-杜鵑-箭竹矮林等影像特征相似，邊界界定模糊，如不引入地形約束因子，就無法識別區分植被。本研究對分類結果的準確度的分析較單一，存在分割結果的邊界過于依賴地形約束因子圖層的邊界，破壞了對象的完整性。因此，今后研究中還將進一步探索地形約束因子能否參與分割和如何參與分割的問題，或是否還能引入更多的因素輔助分類。