img

官方微信

遥感技术与应用, 2021, 36(6): 1259-1271 doi: 10.11873/j.issn.1004-0323.2021.6.1259

LiDAR专栏

基于机载LiDAR数据和Landsat 8影像的芬兰北部泰加林—苔原过渡带提取

常潇月,1, 荆林海2, 林沂,1

1.北京大学 遥感与地理信息系统研究所,北京 100871

2.中国科学院空天信息创新研究院 数字地球重点实验室,北京 100094

Extraction of the Taiga-tundra Ecotone in Northern Finland based on Airborne LiDAR Data and Landsat 8 Images

Chang Xiaoyue,1, Jing Linhai2, Lin Yi,1

1.Institute of Remote Sensing and Geographic Information Science,Peking University,Beijing 100871,China

2.Aerospace Information Research Institute,Key Laboratory of Digital Earth,Chinese Academy of Sciences,Beijing 100094,China

通讯作者: 林沂(1979-),男,山东诸城人,博士,研究员,主要从事激光雷达遥感研究。E⁃mail: yi.lin@pku.edu.cn

收稿日期: 2020-11-25   修回日期: 2021-10-25  

基金资助: 国家自然科学基金项目“激光扫描与涡度测量:三维森林生态系统碳水过程模式”.  31870531
中国科学院数字地球重点实验室开放基金项目“环北极泰加林-苔原过渡带的激光雷达与高分卫星遥感观测”.  2017LDE007

Received: 2020-11-25   Revised: 2021-10-25  

作者简介 About authors

常潇月(1996-),女,山东莱阳人,硕士研究生,主要从事激光雷达遥感研究E⁃mail:1801210261@pku.edu.cn , E-mail:1801210261@pku.edu.cn

摘要

泰加林—苔原过渡带对气候变化敏感,确定其位置可以帮助理解北极地区气候变化。针对当前过渡带提取中存在的自动化程度低、提取困难的问题,以芬兰北部泰加林—苔原过渡带为研究区,以高分辨率航空遥感影像和冠层高度模型生成的过渡带参考数据为基准数据,构建基Landsat影像和LiDAR数据的4个随机森林过渡带分类模型。对模型分类结果去除“椒盐”图斑,使用连通区域边界点提取算法提取过渡带边界的位置坐标,实现过渡带边界提取,并检验过渡带边界的位置精度。其中,RF_Spring_Las模型和RF_Summer_Las模型的Kappa系数分别为0.92、0.98,分类总体精度分别为94.66%、94.44%,分类精度远高于RF_Spring模型和RF_Summer模型。基于RF_Spring_Las模型和RF_Summer_Las模型的过渡带边界提取结果具有较高位置精度,过渡带下边界位置误差分别为25.13 m、25.11 m,过渡带上边界位置误差分别为43.11 m、44.80 m,实现春季和夏季两个季节的芬兰北部泰加林—苔原过渡带提取,为后续过渡带位置监测提供基准数据。

关键词: 泰加林-苔原过渡带 ; 机载LiDAR数据 ; Landsat 8影像 ; 随机森林

Abstract

The taiga-tundra ecotone is sensitive to climate change, and location determination helps to understand climate change in the Arctic region. At present, most of the ecotone extraction methods are manual and semi-automatic, and it is difficult to distinguish forest, ecotone and tundra from moderate resolution satellite data, which have similar spectra. The taiga-tundra ecotone reference data was generated using high-resolution aerial images and Canopy Height Model (CHM). After that, four Random Forest (RF) classification models based on Landsat images and LiDAR data were constructed, named RF_Spring, RF_Summer, RF_Spring_Las and RF_Summer_Las. The salt-and-pepper patches were removed from classification results, and the ecotone boundaries were extracted using the connected region boundary point extraction algorithm in MATLAB. In addition, the position accuracies of ecotone boundaries were tested. The Kappa coefficients of RF_Spring_Las model and RF_Summer_Las model are 0.92 and 0.98 respectively, and the overall accuracies are 0.95 and 0.94 respectively. The classification accuracies of the two models are much higher than those of RF_Spring model and RF_Summer model. Based on the classification results of RF_Spring_Las model and RF_Summer_Las model, the extraction results of ecotone boundaries have high precision. The position errors of the lower boundaries of ecotones are 25.13 m and 25.11 m respectively, and the position errors of the upper boundaries of ecotones are 43.11 m and 44.80 m respectively. Thus, the taiga-tundra ecotone in northern Finland can be extracted from spring and summer Landsat8 images and Airborne LiDAR data, which can help long-term monitoring of the taiga-tundra ecotone.

Keywords: Taiga-tundra ecotone ; Aerial LiDAR data ; Landsat8 image ; Random forest

PDF (6631KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

常潇月, 荆林海, 林沂. 基于机载LiDAR数据和Landsat 8影像的芬兰北部泰加林—苔原过渡带提取. 遥感技术与应用[J], 2021, 36(6): 1259-1271 doi:10.11873/j.issn.1004-0323.2021.6.1259

Chang Xiaoyue, Jing Linhai, Lin Yi. Extraction of the Taiga-tundra Ecotone in Northern Finland based on Airborne LiDAR Data and Landsat 8 Images. Remote Sensing Technology and Application[J], 2021, 36(6): 1259-1271 doi:10.11873/j.issn.1004-0323.2021.6.1259

1 引 言

环北极泰加林—苔原过渡带横跨北美、斯堪的纳维亚半岛、欧亚大陆,绵延超过13 400 km,将南部泰加林与北部无树苔原分隔开来,是世界上最长的植被过渡区1,也是气候变化的一个重要指示因子。在过去的30年间,全球表面温度每10 a上升约0.2℃2,北极地区的平均气温上升速度是其他地区的两倍3。气候变化可以影响物种物候,改变区域物种组成,导致物种分布范围迁移4。全北极范围内,灌木正向苔原不断扩张5。实验表明,气候变暖会导致许多苔原地区落叶灌木和禾本科植物的高度和覆盖度增加,苔藓和地衣覆盖度降低,物种多样性下降6。同时,北方森林和苔原生态系统也可以通过改变其碳储量、反照率和水文影响气候7。因此,泰加林—苔原过渡带的位置确定对理解北极地区气候变化至关重要。

泰加林—苔原过渡带纬度高、东西跨度广,人类难以接近,数据采集难度大。相比于传统测量手段,遥感技术可以高效、可靠地获取过渡带的土地覆盖情况,并对其开展研究。MODIS、Landsat等卫星的中等分辨率遥感影像可以相对准确地区分过渡带的植被覆盖类型,识别森林和非森林区域8-10,但是无法识别单棵树木,因此树木线的定义需要根据遥感影像估计的统计参数确定,然而这些参数的最优标准有待确定11。随着遥感技术的发展,高分辨率遥感技术和激光雷达遥感技术开始应用到泰加林—苔原过渡带的研究中,探究过渡带区域森林线提取12、森林边缘提取的尺度效应13、树木检测14等问题,虽然并未提取出过渡带,但大大提高了对过渡带细节的刻画能力。

前人已经利用多源遥感数据对泰加林—苔原过渡带边界提取进行了很多尝试。Kimball等15对航空影像目视解译,绘制过渡带植被结构图并手动勾勒过渡带边界。Alberto Diaz-Varela等16在对航空影像目视解译的基础上,提出使用前哨算法提取过渡带边界,并揭示了1957~2003年间研究区内过渡带边界的变化趋势。Hofgaard等17使用光谱解混法对过渡带影像进行分类,并手动勾画森林线和树线。这些纯手动或半自动化的过渡带边界提取方法依赖解译者的经验知识,且费时费力。Ranson等18将MODIS树冠覆盖度数据产品进行分割,并基于分割后对象的树冠覆盖度和标准偏差定义硬阈值划分过渡带,由此生成500 m分辨率环北极泰加林—苔原过渡带。Walther等19利用MODIS数据产品、数字高程模型(Digital Elevation Model,DEM)、生物气候数据等多类数据,利用随机森林算法将研究区分为典型苔原、南部苔原和森林,并计算南部苔原的连续概率值,重新定义南部苔原概率大于50%的区域为过渡带。Walther等19-20对森林—苔原过渡带提取的相关研究进行了汇总。

当前,关于泰加林—苔原过渡带的提取大多基于光学影像,然而森林、过渡带和苔原均具有植被光谱特征,易发生混淆。此外,激光雷达技术在泰加林-苔原过渡带提取的研究较少。在森林向苔原逐渐过渡的过程中,植被高度逐渐降低,激光雷达技术在获取植被三维信息方面有巨大优势,可以帮助更加准确地描绘过渡带植被群落结构。

选取芬兰北部泰加林—苔原过渡带为研究区,该区域位于69°3′9″~70°5′27″ N,是环北极泰加林—苔原过渡带的重要组成部分。以基于高分辨率航空影像和冠层高度模型生成的泰加林—苔原过渡带为参考数据,构建基于Landsat 8 OLI影像和机载LiDAR数据的泰加林—苔原过渡带提取方法,弥补Landsat数据在树木识别上的缺陷,提高过渡带提取精度,并为后续过渡带监测提供基准数据。

2 数据与研究区

2.1 研究区概况

研究区位于芬兰拉普兰省北部的泰加林-苔原过渡带(图1)。该区域位于北极圈内,气候寒冷,人烟稀少,云量多,光照条件差,植被生长季节短暂且生长缓慢。研究区内土地覆盖类型由郁闭泰加林逐渐过渡为有苔原斑块的森林,再变为有森林斑块的苔原,最终完全变为无树木的苔原。实验选择位于过渡带的研究区A、B、C、D、E、F构建过渡带提取算法,验证区G、H检验过渡带提取精度,研究区位置分布图如图1所示。

图1

图1   研究区位置及数据分布图

Fig.1   Study area location and data distribution map


2.2 实验数据

2.2.1 高分辨率正射航空遥感影像

高分辨率正射航空遥感影像作为本次实验的参考数据,获取于芬兰国家土地调查公开数据网站(https:∥tiedostopalvelu.maanmittauslaitos.fi/tp/kartta?lang=en),该数据以飞机为遥感平台,获取于2014~2019年间。森林前进或后退可能发生在几十年至几百年之间,单个树木的长成或外观改变也至少需要几年至几十年19,因此本文中数据获取的时间差异对过渡带提取的影响忽略不计。高分辨率正射遥感影像的空间分辨率为0.5 m,包含蓝、绿、红、近红外4个波段,位置精度约为0.5~2 m。

2.2.2 机载LiDAR数据

本研究使用的机载LiDAR数据为三维点状数据,同样获取于为芬兰国家土地调查公开数据网站。该数据由飞机搭载徕卡ALS 50、ALS 70-HP、ALS 80-HP等扫描仪扫描得到,飞机飞行高度约为2 500 m,数据采集时间为2014~2019年,点云密度约为0.9~1.2点每平方米,垂直精度约为0.15 m,LiDAR数据覆盖范围如图1所示。

2.2.3 Landsat 8 OLI影像数据

Landsat 8 OLI影像数据为L2级数据产品——地表反射率,该产品经过辐射校正和几何校正,可直接使用,获取于美国地质勘探局(United States Geological Survey, USGS)官网(https:∥earthexplorer.usgs.gov)。研究区多云,影像大多被云覆盖,难以获取地表信息。综合考虑影像获取时间、云覆盖情况,选取2016年8月18日(夏季)和2019年4月5日(春季)两景影像进行实验,两景影像的云覆盖度分别为0.67%和0%。影像条带号为193,行号为11,Landsat影像数据覆盖范围如图1所示。

2.2.4 其他数据

芬兰水文矢量数据,包含芬兰境内河流、湖泊,同样获取于芬兰国家土地调查公开数据网站。

3 研究方法

3.1 数据预处理

3.1.1 点云数据预处理

在CloudCompare软件中,对点云去噪。设置邻域点个数为10个,标准差倍数为5,对每个点进行邻域分析,计算每个点到10个邻域点的平均距离,假设平均距离是高斯分布,可以计算得到均值μ和标准差σ,将邻域距离位于μ-5σ,μ+5σ区间之外的点标记为离群点,从点云中剔除21。随后,使用Matthew Parkan开发的MATLAB数字林业工具箱(The Digital Forestry Toolbox, DFT)22生成1 m分辨率的数字高程模型(Digital Elevation Model, DEM)和冠层高度模型(Canopy Height Model, CHM)。该程序使用反距离权重插值法(Inverse Distance Weight, IDW),分别将地面点和所有点栅格化为DEM和数字表面模型(Digital Surface Model, DSM),再将二者做差得到CHM。使用DEM数据对点云进行高度归一化,将每个点的高程值Z减去对应位置的DEM高程值,以消除地形起伏对点云高度的影响。

3.1.2 数据配准

使用ArcGIS 10.2软件,以CHM为基准数据,对高分辨率影像进行配准。均匀选取房屋墙角点或电线杆脚点作为控制点,使用一阶仿射变换,将高分辨率影像配准到CHM上,确保总体均方误差(Root Mean Square, RMS)均小于0.25 m。

3.2 过渡带参考数据生成

不同的研究人员对泰加林—苔原过渡带有着不同的定义,Callaghan等1详细总结了前人对过渡带的各种定义。然而,明确且被广泛认可的泰加林—苔原过渡带定义有助于实现对过渡带的长期、有效监测。参照Payette 23对森林—苔原过渡带的定义,定义泰加林-苔原过渡带为位于森林线和树线之间的条带。森林线即森林生长的极限。森林定义为面积大于5 000 m2、树木冠层覆盖度大于30%、树木高度大于2 m的区域。树线定义为高度大于2 m的活个体的生长极限2425

3.2.1 土地覆盖类型确定

使用易康(eCognition)软件对6个研究区和2个验证区进行面向对象的监督分类。输入数据为0.5 m分辨率的航空影像和冠层高度模型。采用多尺度分割对输入数据进行分割。多尺度分割算法需要用户自定义参数,大多数研究者仍采用反复试验、目视判断的方法确定最优分割参数26-28。通过反复实验,最终确定分割权重为B∶G∶R∶NIR∶CHM=1∶1∶1∶1∶2,分割尺度为10,颜色因子占比0.6,形状因子占比0.4。减小分割尺度,同时增加冠层高度在分割中的权重,可以有效分割单个树冠,提高树木分类精度。

影像分割后,在研究区内均匀选取典型分类样本对象,并将原始波段反射率、植被指数和冠层高度作为特征进行分类。使用最近邻分类方法,将研究区分类为树木、苔原、裸地、水体、阴影5大类。分类后,将平均高度大于2 m的阴影对象重分类为树木,减少阴影遮挡对分类精度的影响;将高度最大值小于2 m的对象从树木类中剔除,消除矮灌木对树木分类精度的影响。将分类结果二值化为树和非树,并对分类结果进行精度检验。

Winings20的研究表明当窗口大小为1 000 m2时最能代表周围区域的冠层覆盖情况。因此,实验使用31.5 m×31.5 m的移动窗口扫描树木分类结果,计算研究区树木覆盖度(Cover),树木覆盖度计算公式如下:

Cover=PtreePall×100%

其中:Ptree是窗口内分类为树的像元总数;Pall是窗口内像元总数。

根据森林和过渡带的定义,将树木覆盖度大于30%、面积大于5 000 m2的区域定义为森林,将覆盖度大于0且小于等于30%的区域定义为过渡带,其余无树木覆盖区域为苔原。

3.2.2 过渡带边界提取

MATLAB boundary函数29可以返回连通区域边界点的位置坐标,从而实现提取连续森林的边界——森林线(forest line),作为过渡带的下边界;提取树木生长的极限——树线(tree line),作为过渡带的上边界。对Matlab提取结果进行目视解译并修正,从而确定最终的过渡带边界。

3.2.3 过渡带边界精度检验

Wulder等30提出使用图像梯度法评估边缘标记的有效性,图像梯度法中图像梯度会在边界处达到峰值。图像梯度的计算公式如下:

fx,y=[fx+1,y-f(x,y)]2+[fx,y+1-f(x,y)]2

其中:f(x,y)为图像(x,y)位置处的值。实验对高分辨率影像进行主成分分析,提取第一主成分计算图像梯度。梯度最大值的位置即是森林线和树线的真实位置,分别记作forestline-true和treeline-true。过渡带边界的参考位置与真实位置之间的距离即为过渡带边界的位置误差(图2)。本次实验分别在6个研究区各截取50条影像条带,计算并统计过渡带边界的位置误差。

图2

图2   图像梯度法示意图

Fig.2   Image gradient method schematic diagram


3.3 基于Landsat 8和机载LiDAR数据的过渡带提取
3.3.1 参数计算 (1)Landsat 8参数计算

参考前人的研究31-33,实验选取影像参数23个,如表1所示,其中包含波段原始反射率参数7个,植被指数8个、纹理参数8个。

表1   Landsat 8影像参数

Table 1  Landsat 8 image parameters

序号参数描述序号参数描述
原始反射率15EVI增强型植被指数
1B1Band 1反射率11GNDVI绿色归一化植被指数
2B2Band 2反射率12OSAVI土壤调节植被指数
3B3Band 3反射率13TVI三角植被指数
4B4Band 4反射率纹理参数
5B5Band 5反射率16texture_mean均值
6B6Band 6反射率17texture_variance标准差
7B7Band 7反射率18texture_contrast对比度
植被指数19texture_correlation相关性
8DVI差值植被指数20texture_dissimilarity相异性
9RVI比值植被指数21texture_entropy信息熵
10NDVI归一化植被指数22texture_homogeneity协同性
14ARVI大气阻抗植被指数23texture_secondmonent二阶矩

新窗口打开| 下载CSV


(2)LiDAR参数统计

参考前人的研究34-36,本研究使用Matlab软件统计反映点云高度垂直变化和水平变化的参数共计27个(表2),其中包含18个点云高度参数和9个点云水平差异参数,统计格网大小为30 m×30 m。

表2   LiDAR统计参数

Table 2  LiDAR statistical parameters

序号名称描述
高度参数1var方差
2stdv标准差
3skew偏度
4med中值
5mean均值
6max最大值
7kurt峰度
8iqr四分位间距,75th高度百分位数和25th高度百分位数之差
9cv变异系数,所有点高度的变异系数
10-18prctile_90、prctile_80……prctile_10高度百分位数,点云由低到高排列,高度前90%、80%……10%的点所在的高度
水平差异参数19CHM_slope冠层高度模型的坡度
20texture_mean_las冠层高度模型的纹理均值
21texture_variance_las冠层高度模型的纹理标准差
22texture_contrast_las冠层高度模型的纹理对比度
23texture_correlation_las冠层高度模型的纹理相关性
24texture_dissimilarity_las冠层高度模型的纹理相异性
25texture_entropy_las冠层高度模型的纹理信息熵
26texture_homogeneity_las冠层高度模型的纹理协同性
27texture_secondmonent_las冠层高度模型的纹理二阶矩

新窗口打开| 下载CSV


3.3.2 随机森林分类模型构建

随机森林由Breiman首次提出37,是集成学习的一种,它由若干决策树组成,各决策树独立地学习、预测,最终分类结果由所有决策树投票决定。随机森林分类模型预测准确率高,可以快速处理高维海量数据38,被广泛应用于遥感影像分类39-41

实验在6个研究区共生成个7 282随机样本点,按照3∶1的比例,将其中5 464个样本点作为实验数据集,构建随机森林分类模型,1 818个样本点作为验证数据集,检验随机森林模型分类精度。

实验使用Matlab中TreeBagger函数训练随机森林分类模型,输入参数如表1表2所示,使用验证数据集的分类总体精度(Overall Accuracy, OA)和Kappa系数评价分类精度,OA和Kappa系数值越大,分类精度越高。

(1)输入参数个数n

初始随机森林分类器的输入变量为全部影像参数和点云参数,然而过多的参数会增加运算时间,甚至降低分类精度。实验计算每个参数因为袋外数据(Out of Bag, OOB)置换而导致的分类误差增量,评估参数重要性,分类误差增量越大,参数越重要。

实验依次将参数重要性表中前ni个(i=1,2,3,……,变量总数)变量输入随机森林分类器,计算验证数据集的Kappa系数。当输入参数个数为nj时,Kappa系数取最大值,则nj即为最优输入参数个数,此时随机森林的输入参数为参数重要性表中的前nj个参数。

图3

图3   技术流程图

Fig.3   Technical flow chart


(2)每个节点处随机抽取的变量个数m

随机森林分类精度与森林中任意两棵树的相关性和每棵树的分类能力有关。任意两棵树相关性越大,分类精度越低;每棵树的分类能力越强,分类精度越高。而每个节点处随机抽取的变量个数m会影响森林中树的相关性和每棵树的分类能力,m越大,树的相关性和每棵树的分类能力会降低;反之,二者增大。因此选择最优的m对随机森林分类器至关重要。实验尝试不同的m值构建随机森林分类器。同样,当验证数据集的Kappa系数最大时,m为最优的每个节点处随机抽取的变量个数。

最终,分别确定基于Landsat 8春季影像(RF_ Spring)、基于Landsat8夏季影像(RF_Summer)、基于Landsat8春季影像和LiDAR数据(RF_Spring_Las)、基于Landsat8夏季影像和LiDAR数据(RF_Summer_Las)的最优随机森林分类模型。

3.3.3 过渡带提取及精度检验

分别使用4个最优随机森林分类模型将研究区分类为森林、过渡带和苔原。根据森林定义,将分类结果中面积小于5 000 m2的图斑合并到周围类中,以消除“椒盐”现象对过渡带提取的影响。使用MATLAB boundary函数提取过渡带上边界和下边界—树线和森林线。分别在提取的森林线和树线上生成PforestlinePtreeline个随机点,Pn计算公式如下:

Pn=int(Ln/30)

其中:int函数为向下取整函数;Ln为边界长度;n可以表示森林线(forest line)或树线(tree line)。使用ArcGIS 10.2近邻分析,计算每个随机点与参考数据的最短距离。距离的均值即为过渡带提取的位置误差。

4 结 果

4.1 过渡带参考数据

将易康分类结果二值化为树和非树(图4),并对其分类精度进行检验(表3)。由表3可知,分类总体精度均大于90%,能较为准确地区分树和非树,为过渡带提取奠定基础。图4为研究区A(以此为例)的树木提取结果及在此基础上生成的过渡带参考数据。使用图像梯度法对过渡带参考边界的位置精度检验结果如表4所示,6个研究区内森林线的位置误差均值在2.36~2.06 m之间,树线位置误差均值在2.05~3.35 m之间。森林线位置误差最大值不超过14.5 m,树线位置误差最大值不超过12.5 m,位置偏差合计约为4~6个像素,表明过渡带参考数据是可靠的。

图4

图4   树木提取结果及过渡带参考边界

Fig.4   Tree extraction result and ecotone reference boundaries


表3   树木分类结果精度检验

Table 3  Accuracy assessment of tree classification

参考数据(像素)

总体精度

/%

区域类别非树

分类数据

(像素)

研究区A2722890.83
非树27273
研究区B2633792.67
非树7293
研究区C2703092.00
非树18282
研究区D2742693.33
非树14286
研究区E2703092.33
非树16284
研究区F2663493.33
非树6294
验证区G2821894.67
非树14286
验证区H2604092.67
非树4296

新窗口打开| 下载CSV


表4   参考森林线和树线位置精度

Table 4  Reference forest line and tree line position accuracy

研究区位置误差(单位:m)
均值标准差最小值最大值
森林线A2.362.640.0014.50
B2.652.110.008.00
C2.912.420.0010.00
D2.733.020.0014.50
E2.882.780.0012.00
F3.062.660.009.00
树线A2.051.540.007.00
B2.662.510.0012.50
C2.772.190.0010.50
D3.352.810.0010.50
E3.042.340.007.00
F2.822.160.006.50

新窗口打开| 下载CSV


4.2 基于Landsat8和机载LiDAR数据的过渡带提取结果

4.2.1 最优随机森林分类模型参数

表5为基于不同输入数据构建的最优随机森林分类模型的主要参数。当决策树个数为100时,RF_Spring、RF_Summer、RF_Summer_Las3个模型错分误差值趋于稳定。当决策树个数为80时,RF_Spring_Las模型错分误差值趋于稳定。基于Landsat 8和LiDAR参数的RF_Spring_Las模型和RF_Summer_Las模型分类精度较高,验证数据集分类的总体精度分别为94.66%、94.44%,Kappa系数分为0.92、0.98,明显优于基于Landsat 8参数的RF_Spring模型和RF_Summer模型。

表5   随机森林分类模型参数及分类精度

Table 5  Parameters setting and classification accuracy of random forest classification models

模型决策树个数输入参数个数n

每个节点处

随机抽取的

变量个数m

Kappa

系数

总体

精度

OA

RF_Spring100730.7784.87%
RF_Summer10014100.6878.93%
RF_Spring_Las8022190.9294.66%
RF_Summer_Las1001870.9894.44%

新窗口打开| 下载CSV


表6~表9为4个最优随机森林分类模型的输入参数。基于Landsat 8影像的RF_Spring模型和RF_Summer模型有6个公共输入参数,分别为B1、B6、B7、ARVI、GNDVI和texture_mean。RF_Spring模型最重要的3个参数分别为B6、B1、EVI。RF_Summer模型最重要的3个输入参数分别为B4、ARVI、B7。

表6   RF_Spring模型输入参数

Table 6  Input parameters of RF_Spring model

序号参数重要性序号参数重要性
1B6_spring3.155GNDVI_spring2.11
2B1_spring2.366texture_mean_spring1.76
3EVI_spring2.297ARVI_spring1.75
4B7_spring2.27

新窗口打开| 下载CSV


表7   RF_Summer模型输入参数

Table 7  Input parameters of RF_Summer model

序号参数重要性序号参数重要性
1B4_summer2.388NDVI_summer1.44
2ARVI_summer1.889texture_mean_summer1.38
3B7_summer1.7110DVI_summer1.29
4TVI_summer1.6811B6_summer1.24
5B5_summer1.5612B1_summer1.17
6RVI_summer1.5413B2_summer1.13
7B3_summer1.4714GNDVI_summer1.03

新窗口打开| 下载CSV


表8   RF_Spring_Las模型输入参数

Table 8  Input parameters of RF_Spring_Las model

序号参数重要性序号参数重要性
1texture_mean_las1.6612texture_dissimilarity_las0.87
2B6_spring1.1213texture_variance_spring0.86
3h_var1.1114texture_variance_las0.85
4texture_contrast_las1.0715DVI_spring0.82
5h_stdv0.9916prctile_800.81
6h_med0.9617prctile_900.80
7prctile_600.9618B1_spring0.80
8prctile_700.9219h_max0.80
9h_mean0.9120texture_homogeneity_las0.78
10h_iqr0.8921texture_entropy_las0.77
11B7_spring0.8722h_kurt0.74

新窗口打开| 下载CSV


表9   RF_Summer_Las模型输入参数

Table 9  Input parameters of RF_Summer_Las model

序号参数重要性序号参数重要性
1texture_mean_las2.2410h_skew0.86
2h_med1.1911B4_summer0.85
3prctile_601.0912prctile_900.84
4h_stdv1.0813texture_homogeneity_las0.82
5h_kurt0.9714B7_summer0.79
6h_var0.9515NDVI_summer0.79
7h_mean0.9216RVI_summer0.79
8h_max0.9117TVI_summer0.79
9GNDVI_summer0.8818DVI_summer0.76

新窗口打开| 下载CSV


基于Landsat 8和LiDAR数据的RF_Spring_Las模型和RF_Summer_Las模型有7个公共输入参数,分别为DVI、texture_mean_las、h_med、h_stdv、h_var、prctile_60、prctile_90。RF_Spring_Las模型最重要的3个输入参数分别为texture_mean_las、B6_spring、h_var,均为基于LiDAR数据的参数。RF_Summer_Las模型最重要的3个输入参数分别为texture_mean_las、h_med、prctile_60,也均为基于LiDAR数据的参数。

4.2.2 过渡带分类结果及边界提取

图5为去除“椒盐”图斑后的过渡带分类结果及过渡带边界提取结果(以研究区A为例),可以发现使用不同模型提取的过渡带与过渡带参考数据(图4)有较高的相似性。

图5

图5   研究区A随机森林分类结果及过渡带边界

Fig.5   Classification results of random forest models and ecotone boundaries in study area A


图6为基于RF_Spring_Las模型和RF_Summer_Las模型的芬兰北部泰加林—苔原过渡带分布图,两个模型提取的过渡带走势和分布高度相似,描绘了芬兰北部泰加林—苔原过渡带分布情况。

图6

图6   芬兰北部泰加林-苔原过渡带分布图

Fig.6   The taiga-tundra ecotone in northern Finland


4.2.3 精度检验

表10为各区域的过渡带边界位置精度检验结果。由表10可知,验证区(G、H)过渡带边界的位置误差比研究区(A~F)过渡带边界的位置误差大约5~30 m,约为1个Landsat像元,误差较小,表明本研究构建的4个最优随机森林过渡带分类模型具有一定的普适性。

表10   基于随机森林分类结果的森林线和树线位置误差

Table 10  Position errors of forest line and tree line based on random forest classification results

模型区域森林线位置误差/m树线位置误差/m
均值标准差位置误差均值均值标准差位置误差均值
RF_SpringA27.3344.6324.9574.19123.0885.46
B17.6122.3488.07192.20
C14.4415.7682.41150.35
D19.7930.2957.7078.32
E26.5340.6964.1691.86
F18.7920.9345.8179.48
G30.1065.05119.60168.19
H45.0157.99151.74160.22
RF_SummerA52.81101.4275.05113.89172.25133.90
B54.5386.29128.63297.55
C87.80156.3492.55116.85
D100.18322.29263.18565.35
E100.37192.4472.18113.35
F45.4277.5957.2680.85
G80.00145.19150.19247.91
H79.30169.84193.32243.90
RF_Spring_LasA18.4128.4925.1346.0489.2543.11
B22.7127.4434.6184.78
C23.1329.8751.5789.27
D22.1829.4426.1745.13
E23.3240.3022.6753.40
F15.9029.9317.2333.02
G20.3426.7576.56149.09
H55.0562.4769.99103.84
RF_Summer_LasA18.0628.1325.1147.1090.9844.80
B23.6833.1433.3879.84
C20.7325.7547.7278.12
D25.9533.6127.4045.76
E27.7555.7629.2666.42
F15.5329.8917.4834.18
G20.2832.2174.03149.53
H48.9255.0782.05115.13

新窗口打开| 下载CSV


表10可知,基于RF_Spring模型、RF_Spring_Las模型和RF_Summer_Las模型的森林线位置精度较高,位置误差分别为24.95 m、25.13 m、25.11 m,远小于基于RF_Summer模型的森林线位置误差(75.05 m)。基于RF_Spring_Las模型和RF_Summer_Las模型的树线位置精度较高,位置误差分别为43.11 m和44.80 m,远小于基于RF_Spring和RF_Summer模型的树线位置误差(分别为85.46 m和133.90 m)。

综上所述,基于Landsat 8影像和LiDAR数据的过渡带边界位置精度高于只基于Landsat 8影像的过渡带边界位置精度,RF_Spring_Las模型和RF_Summer_Las模型是较优的随机森林过渡带分类模型。

5 讨 论

本研究构建了一种基于随机森林分类模型的泰加林-苔原过渡带提取方法,有较高的提取精度,但仍有许多不足之处。

首先,使用的随机森林分类模型是一种黑盒模型,虽然随机森林可以评估每个参数的重要性,但是每个参数具体如何影响分类结果却未可知;本研究构建100棵分类树的随机森林,分类树棵树的增加,一定程度上提高了分类精度,但是分类花费的时间也相应增加,尤其是对于输入参数较多的两个模型(RF_Spring_Las模型和RF_Summer_Las模型输入参数分别为22个和18个),已有的输入参数可以帮助模型实现最优分类精度,但大大增加了算法运行时间。接下来可以继续优化输入参数、分类树数量,在分类精度和分类时间之间谋求平衡。

其次,以芬兰北部泰加林—苔原过渡带为研究区开展实验,构建的过渡带提取方法在实验区域有较高的精度,然而该方法在其他泰加林—苔原过渡区域的适用性还有待进一步研究。此外,高纬度地区严重的云覆盖对该方法的使用有一定限制,接下来可以探究使用对云有穿透能力的合成孔径雷达或星载激光雷达补充获取云覆盖区域的地表数据,弥补光学影像易受云影响的不足。

最后,实验构建的基于Landsat 8影像和机载LiDAR数据的过渡带提取方法,受限于机载LiDAR数据获取成本高,难以实现环北极泰加林—苔原过渡带提取。

因此,在今后的研究中还要继续探索和改进使用中等分辨率卫星遥感数据提取过渡带的方法,提高提取精度,降低数据成本,实现大范围应用。

基于Landsat 8春季影像提取的森林线和树线位置误差(分别为24.95 m和85.46 m)远小于基于Landsat 8夏季影像提取的森林线和树线位置误差(分别为75.05 m和133.09 m),这可能因为研究区春季气温较低,积雪尚未融化,苔原仍被积雪覆盖,而常绿树生长区域的光谱仍然呈现出较典型的植被特征,可以帮助区分无树木苔原和树木生长区域,提高过渡带提取精度。这为今后环北极泰加林—苔原过渡带提取研究提供一种新思路,可以尝试使用春季影像开展研究,而不是植被覆盖研究中最常使用的夏季影像,从而提高泰加林—苔原过渡带提取精度。

6 结 论

实验以芬兰北部泰加林—苔原过渡带为研究区,依据过渡带定义,使用高分辨率航空遥感影像和冠层高度模型生成过渡带参考数据。依据参考数据,构建基于Landsat 8影像和机载LiDAR数据的随机森林分类模型,并在过渡带分类的基础上提取过渡带边界,具体结论如下:

(1)基于Landsat 8春季影像和机载LiDAR数据的随机森林分类模型(RF_Spring_Las)和基于Landsat 8夏季影像和机载LiDAR数据的随机森林分类模型(RF_Summer_Las)的分类精度优于基于Landsat8影像的随机森林分类模型(RF_Spring、RF_Summer)。

(2)基于RF_Spring_Las模型的过渡带上、下边界提取精度分别为43.11 m、25.13 m,基于RF_ Summer_Las模型的过渡带上、下边界提取精度分别为44.80 m、25.11 m,实现过渡带边界精细提取。

实验构建基于Landsat 8影像和机载LiDAR数据的芬兰北部泰加林—苔原过渡带提取算法,可以更加准确描绘过渡带植被群落,实现春季、夏季两个季节的过渡带自动提取,为后续过渡带位置变化监测奠定基础。

参考文献

Callaghan T VWerkman B RCrawford R M M.

The Tundra-Taiga interface and its dynamics: concepts and applications

[J]. Ambio, 2002126-14.

[本文引用: 2]

Hansen JSato MRuedy Ret al.

Global temperature change

[J]. Proceedings of the National Academy of Sciences of the United States of America,200610339):14288-14293.

[本文引用: 1]

ACIA. Impacts of a warming Arctic: Arctic climate impact assessment[M]. CambridgeCambridge University Press2004.

[本文引用: 1]

Walther G R.

Plants in a warmer world

[J]. Perspectives in Plant Ecology Evolution and Systematics,200463):169-185.

[本文引用: 1]

Tape KSturm MRacine C.

The evidence for shrub expansion in Northern Alaska and the Pan-Arctic

[J]. Global Change Biology,2006124): 686-702.

[本文引用: 1]

Walker M DWahren C HHollister R Det al.

Plant community responses to experimental warming across the Tundra Biome

[J]. Proceedings of the National Academy of Sciences of the United States of America,20061035): 1342-1346.

[本文引用: 1]

Bonan G BChapin F SThompson S L.

Boreal forest and Tundra ecosystems as components of the climate system

[J]. Climatic Change, 1995292): 145-167.

[本文引用: 1]

Hill R AGranica KSmith G Met al.

Representation of an Alpine Treeline dcotone in SPOT 5 Hrg data

[J]. Remote Sen-sing of Environment, 20071104): 458-467.

[本文引用: 1]

Kharuk V IIm S TDvinskaya M L.

Forest-Tundra ecotone response to climate change in the Western Sayan Mountains, Siberia

[J]. Scandinavian Journal of Forest Research, 2010253): 224-233.

Ranson K JSun GKharuk V Iet al.

Assessing Tundra-Taiga boundary with multi-sensor satellite data

[J]. Remote Sensing of Environment, 2004933): 283-295.

[本文引用: 1]

Rees GBrown IMikkola Ket al.

How can the dynamics of the Tundra-Taiga boundary be femotely monitored?

[J]. Ambio, 20021256-62.

[本文引用: 1]

Stueve K MCerney D LRochefort R Met al.

Post-Fire tree establishment patterns at the Alpine Treeline Ecotone: mount Rainier National Park, Washington, USA

[J]. Journal of Vegetation Science, 2009201): 107-120.

[本文引用: 1]

Rees W G.

Characterisation of Arctic Treelines by Lidar and multispectral imagery

[J]. Polar Record,200743227):345-352.

[本文引用: 1]

Naesset ENelson R.

Using airborne laser scanning to monitor tree migration in the Boreal-Alpine transition zone

[J]. Remote Sensing of Environment, 20071103): 357-369.

[本文引用: 1]

Kimball K DWeihrauch D M.

Alpine vegetation communities and the Alpine-Treeline ecotone boundary in New England as biomonitors for climate change

[C]∥ Wilderness Science in a Time of Change ConferenceMissoula2000.

[本文引用: 1]

Alberto Diaz-Varela RColombo RMeroni Met al.

Spatio-temporal analysis of Alpine Ecotones: a spatial explicit model targeting altitudinal vegetation shifts

[J]. Ecological Modelling, 20102214): 621-633.

[本文引用: 1]

Hofgaard ATommervik HRees Get al.

Latitudinal forest advance in Northernmost Norway since the early 20th century

[J]. Journal of Biogeography, 2013405): 938-949.

[本文引用: 1]

Ranson K JMontesano P MNelson R.

Object-based mapping of the circumpolar Taiga-Tundra ecotone with MODIS tree cover

[J].Remote Sensing of Environment,201111512): 3670-3680.

[本文引用: 1]

Walther CHuettich CUrban Met al.

Modelling the Arctic Taiga-Tundra ecotone using Alos Palsar and optical earth observation data

[J]. International Journal of Applied Earth Observation and Geoinformation, 201981195-206.

[本文引用: 3]

Winings C J.

Mapping alpine treeline with high resolution imagery and Lidar data in North Cascades National Park, Washington

[D]. WashingtonWertern Washington University2013.

[本文引用: 2]

Rusu R BMarton Z CBlodow Net al.

Towards 3d point cloud based object maps for household environments

[J]. Robotics and Autonomous Systems, 20085611): 927-941.

[本文引用: 1]

Parkan M.

Digital forestry toolbox for Matlab/Octave

.[EB/OL]. 2018. DOI: 10.5281/zenodo.1213013. http:

URL     [本文引用: 1]

Payette S.

The forest tundra and present treelines of the Northern Quebec-Labrador Peninsula

[J].Nordicana,1983473-23.

[本文引用: 1]

Camarero J JGutierrez E.

Pace and pattern of recent treeline dynamics: response of ecotones to climatic variability in the Spanish Pyrenees

[J]. Climatic Change,2004631-2):181-200.

[本文引用: 1]

Kullman L.

Pine (Pinus Sylvestris) tree-limit surveillance during recent decades, central Sweden

[J]. Arctic and Alpine Research, 1993251): 24-31.

[本文引用: 1]

Cho M AMathieu RAsner G Pet al.

Mapping tree species composition in South African Savannas using an integrated airborne spectral and Lidar system

[J]. Remote Sensing of Environment, 2012125214-226.

[本文引用: 1]

Malahlela OCho M AMutanga O.

Mapping canopy gaps in an indigenous subtropical coastal forest using high-resolution Worldview-2 data

[J]. International Journal of Remote Sensing, 20143517): 6397-6417.

Mao XuegangYao YaoChen Shuxinet al.

Forest stand identification based on ecognition software using Quickbird remote sensing image: a case of jiangle forest farm in Fujian province

[J]. Journal of Nanjing Forestry University Natural Sciences Edition, 2019431): 127-134.

[本文引用: 1]

毛学刚姚瑶陈树新.

基于易康软件的QuickBird遥感影像林分类型识别——以福建省将乐林场为例

[J], 南京林业大学学报(自然科学版), 2019431): 127-134.

[本文引用: 1]

MathWorks.

Inc

Matlab Help Center[EB/OL]. 2020.

URL     [本文引用: 1]

Wulder M AHan TWhite J Cet al.

An approach for edge matching large-area satellite image classifications

[J]. Canadian Journal of Remote Sensing, 2007334): 266-277.

[本文引用: 1]

Ma HuijiuanGao XiaohongGu Xiaotian.

Random forest classification of Landsat 8 imagery for the complex terrain area based on the combination of spectral, topographic and texture information

[J]. Journal of Geo-Information Science, 2019213): 359-371.

[本文引用: 1]

马慧娟高小红谷晓天.

随机森林方法支持的复杂地形区土地利用/土地覆被分类研究

[J], 地球信息科学学报, 2019213): 359-371.

[本文引用: 1]

Phiri DMorgenroth JXu Cet al.

Effects of pre-processing methods on Landsat Oli-8 land cover classification using obia and random forests classifier

[J]. International Journal of Applied Earth Observation and Geoinformation,201873170-178.

Zhang XiaoyuLi FengriZhen Zhenget al.

Forest vegetation classification of Landsat 8 remote sensing image based on random forests model

[J]. Journal of North-East Forestry University, 2016446): 53-5774.

[本文引用: 1]

张晓羽李凤日甄贞.

基于随机森林模型的陆地卫星-8遥感影像森林植被分类

[J], 东北林业大学学报, 2016446): 53-5774.

[本文引用: 1]

Goodwin N RCoops N CCulvenor D S.

Assessment of forest structure with airborne Lidar and the effects of platform altitude

[J]. Remote Sensing of Environment,20061032): 140-152.

[本文引用: 1]

Lu LinZhou XiaochengYu Zhizhonget al.

Plot-level forest height inversion using airborne Lidar data based on the random forest

[J]. Journal of Geo-Information Science, 2016188): 1133-1140.

鲁林周小成余治忠.

随机森林算法在机载LiDAR数据林分平均树高估算中的应用研究

[J], 地球信息科学学报, 2016188): 1133-1140.

Wallace LMusk RLucieer A.

An assessment of the repeatability of automatic forest inventory metrics derived from Uav-Borne Laser scanning data

[J]. IEEE Transactions on Geoscience and Remote Sensing,20145211): 7160-7169.

[本文引用: 1]

Breiman L.

Random Forests

[J]. Machine Learning,2001451): 5-32.

[本文引用: 1]

Ren ChongJu HongboZhang Huaiqinget al.

Research on remote sensing Mmnitoring technology of forest land dynamic change in Tianshui in recent 30 years

[J]. Forest Research. 2017301): 25-33.任冲, 鞠洪波, 张怀清, 等. 天水市近30年林地动态变化遥感监测研究[J]. 林业科学研究, 2017, 301): 25-33.

[本文引用: 1]

Belgiu MDragut L.

Random forest in remote sensing: a review of applications and future directions

[J]. ISPRS Jour-nal of Photogrammetry and Remote Sensing, 201611424-31.

[本文引用: 1]

Liu YiDu PeijunZheng Huiet al.

Classification of China small satellite remote sensing image based on random forests

[J]. Science of Surveying and Mapping, 2012374): 194-196.

刘毅杜培军郑辉.

基于随机森林的国产小卫星遥感影像分类研究

[J], 测绘科学, 2012374): 194-196.

Rodriguez-Galiano V FGhimire BRogan Jet al.

An assessment of the effectiveness of a random forest classifier for land-cover classification

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 20126793-104.

[本文引用: 1]

/