嵇佳怡 俞徐苗 俞春暉 章宇超 李登秋

摘? ?要? ?準(zhǔn)確獲取香榧林空間分布是進(jìn)行合理經(jīng)營(yíng)管理的重要前提。以浙江香榧林主產(chǎn)區(qū)為研究對(duì)象，利用Landsat OLI遙感數(shù)據(jù)及地形數(shù)據(jù)，采用隨機(jī)森林模型提取了香榧林的空間分布，研究結(jié)果表明本文采用的方法總體精度為78%，明確了香榧林在各鄉(xiāng)鎮(zhèn)的分布，其中面積最大的為虎鹿鎮(zhèn)，種植比例最高的為雅璜鎮(zhèn)。

關(guān)鍵詞? ?香榧林;Landsat;遙感影像;隨機(jī)森林模型;空間分布

中圖分類(lèi)號(hào)：S717.1? ? 文獻(xiàn)標(biāo)志碼：A? ? DOI：10.19415/j.cnki.1673-890x.2018.34.027

近年來(lái)，隨著科學(xué)技術(shù)的進(jìn)步和成功經(jīng)驗(yàn)的積累，加上香榧極高的栽植效益、繁育困難問(wèn)題的突破，以及提高造林成活率技術(shù)的發(fā)展，浙江及周邊省份掀起了發(fā)展香榧的熱潮。然而人們對(duì)香榧的生長(zhǎng)適應(yīng)性認(rèn)識(shí)仍有限并且缺乏定量化研究，由于規(guī)劃不合理、林分結(jié)構(gòu)單一、管理不到位等問(wèn)題，導(dǎo)致引種栽培的香榧產(chǎn)量低、品質(zhì)差，影響周邊生態(tài)環(huán)境等，使得經(jīng)濟(jì)效益和社會(huì)效益下降。準(zhǔn)確提取香榧林種植的空間分布，研究其分布規(guī)律和生長(zhǎng)情況，對(duì)于科學(xué)評(píng)價(jià)香榧林生態(tài)環(huán)境及合理經(jīng)營(yíng)管理具有重要意義。

隨著遙感技術(shù)的發(fā)展，利用遙感數(shù)據(jù)獲取地表信息成為區(qū)域尺度森林監(jiān)測(cè)的重要手段。遙感影像具備豐富的空間信息，清楚地反映地物類(lèi)型差異，并且具有幾何結(jié)構(gòu)、紋理結(jié)構(gòu)清晰的特點(diǎn)，已經(jīng)廣泛應(yīng)用于經(jīng)濟(jì)建設(shè)和國(guó)防等多種領(lǐng)域，尤其在農(nóng)業(yè)、森林、城市規(guī)劃方面作用顯著。從20世紀(jì)70年代出現(xiàn)民用資源衛(wèi)星后，農(nóng)業(yè)成為遙感技術(shù)最先投入應(yīng)用和收益顯著的領(lǐng)域。隨著高空間、高光譜和高時(shí)間分辨率遙感數(shù)據(jù)的出現(xiàn)，農(nóng)業(yè)遙感技術(shù)在農(nóng)作物種類(lèi)細(xì)分、田間精細(xì)農(nóng)業(yè)信息獲取等關(guān)鍵技術(shù)方面取得了突破，農(nóng)業(yè)生產(chǎn)向集約化方向轉(zhuǎn)變[1]。雖然目前采用遙感數(shù)據(jù)對(duì)地表各類(lèi)信息進(jìn)行了大量研究，但針對(duì)香榧林的提取研究還較少。

本文擬利用2016年的Landsat OLI影像數(shù)據(jù)和地形數(shù)據(jù)，并結(jié)合高分辨率遙感數(shù)據(jù)和野外觀(guān)測(cè)數(shù)據(jù)，利用隨機(jī)森林模型進(jìn)行土地利用類(lèi)型分類(lèi)，對(duì)結(jié)果進(jìn)行精度驗(yàn)證和評(píng)價(jià)，進(jìn)而獲得研究區(qū)主要土地利用類(lèi)型的空間分布，并重點(diǎn)分析香榧林空間分布特征。

1 數(shù)據(jù)與方法

1.1 研究區(qū)狀況

以浙江省諸暨市東南部及周邊鄉(xiāng)鎮(zhèn)為主要研究區(qū)。諸暨市為全國(guó)香榧的主產(chǎn)地，利用和栽培香榧已有1 300多年歷史，地處浙中內(nèi)陸，屬亞熱帶季風(fēng)氣候區(qū)，年平均氣溫16.3 ℃，年平均降水量1 462 mm，年平均蒸發(fā)量882.1 mm，年均日照時(shí)數(shù)1 887.6 h。其主要森林植被類(lèi)型有暖性針葉林、常綠闊葉林、落葉闊葉林、常綠落葉闊葉混交林、針闊混交林、竹林、經(jīng)濟(jì)林、灌木林等。諸暨市擁有香榧種植面積

6 667 hm2，盛產(chǎn)2 667 hm2，香榧干果年產(chǎn)量750 t，產(chǎn)值達(dá)2.85億元，有百年以上香榧樹(shù)4.1萬(wàn)株，由于種植香榧經(jīng)濟(jì)效益顯著，帶動(dòng)了周邊鄉(xiāng)鎮(zhèn)香榧大量發(fā)展。在2016年之前，谷來(lái)鎮(zhèn)、竹溪鎮(zhèn)、王院鎮(zhèn)、石璜鎮(zhèn)、雅璜鎮(zhèn)、通源鎮(zhèn)等香榧主要產(chǎn)地，人均香榧年已收入達(dá)到1萬(wàn)元。

1.2 數(shù)據(jù)

通過(guò)USGS下載2016年9月20日覆蓋研究區(qū)的Landsat OLI數(shù)據(jù)，對(duì)Landsat 遙感影像數(shù)據(jù)進(jìn)行預(yù)處理，主要包括幾何校正、大氣校正、研究區(qū)裁剪等，得到研究區(qū)反射率影像圖。根據(jù)研究區(qū)土地利用情況，將研究區(qū)土地利用類(lèi)型分為建設(shè)用地、水體、農(nóng)田、香榧林、裸地、灌木、闊葉林、針葉林、竹林共9種類(lèi)型，通過(guò)外業(yè)調(diào)查，并結(jié)合Google Earth影像獲取了512個(gè)樣點(diǎn)數(shù)據(jù)（各類(lèi)型樣本數(shù)見(jiàn)表1），用于隨機(jī)森林分類(lèi)建模的訓(xùn)練樣本和驗(yàn)證樣本。

1.3 方法

1.3.1 數(shù)據(jù)處理

1）NDVI（歸一化植被指數(shù)）

NDVI也稱(chēng)為生物量指標(biāo)變化，能反映出植物冠層的背景影響，和植物的蒸騰作用、太陽(yáng)光的截取、光合作用以及地表凈初級(jí)生產(chǎn)力等密切相關(guān)。

計(jì)算公式：NDVI=（NIR-R）/（NIR+R）

式中，NIR為近紅外波段反射值，R為紅波段處的反射率值?；赗語(yǔ)言，利用相應(yīng)的算法公式計(jì)算研究區(qū)域的植被指數(shù)。

2）利用ASTER DEM數(shù)據(jù)獲得研究區(qū)30 m空間分辨率影像，并計(jì)算高程、坡度、坡向，結(jié)合NDVI數(shù)據(jù)用于隨機(jī)森林建模自變量。

1.3.2 利用隨機(jī)森林模型進(jìn)行分類(lèi)

隨機(jī)森林是一種數(shù)據(jù)挖掘模型，常用于分類(lèi)預(yù)測(cè)，其中包含了多個(gè)樹(shù)形分類(lèi)器，預(yù)測(cè)結(jié)果由多個(gè)分類(lèi)器投票得出[2]。隨機(jī)森林建模與分類(lèi)在R中進(jìn)行。其主要原理是通過(guò)自助法（bootstrap）重采樣技術(shù)，從原始訓(xùn)練樣本集N中有放回地重復(fù)隨機(jī)抽取k個(gè)樣本生成新的訓(xùn)練樣本集合，然后根據(jù)自助樣本集生成k個(gè)分類(lèi)樹(shù)組成隨機(jī)森林，新數(shù)據(jù)的分類(lèi)結(jié)果按分類(lèi)樹(shù)投票多少形成的分?jǐn)?shù)而定。

具體實(shí)現(xiàn)過(guò)程如下：

1）原始訓(xùn)練集為N，應(yīng)用bootstrap法有放回地隨機(jī)抽取k個(gè)新的自助樣本集，并由此構(gòu)建k棵分類(lèi)樹(shù)，每次未被抽到的樣本組成了k個(gè)袋外數(shù)據(jù);

2）設(shè)有mall個(gè)變量，則在每一棵樹(shù)的每個(gè)節(jié)點(diǎn)處隨機(jī)抽取mtry個(gè)變量，然后在mtry中選擇一個(gè)最具有分類(lèi)能力的變量，變量分類(lèi)的閾值通過(guò)檢查每一個(gè)分類(lèi)點(diǎn)確定;

3）每棵樹(shù)最大限度地生長(zhǎng)，不做任何修剪;

4）將生成的多棵分類(lèi)樹(shù)組成隨機(jī)森林，用隨機(jī)森林分類(lèi)器對(duì)新的數(shù)據(jù)進(jìn)行判別與分類(lèi)，分類(lèi)結(jié)果按樹(shù)分類(lèi)器的投票多少而定。

1.3.3 驗(yàn)證

通過(guò)計(jì)算混淆矩陣來(lái)對(duì)香榧林覆蓋分類(lèi)結(jié)果進(jìn)行精度評(píng)價(jià)?？傮w分類(lèi)精度和Kappa系數(shù)可以從誤差矩陣中計(jì)算出來(lái)，并用來(lái)對(duì)所選分類(lèi)方法的整體效果進(jìn)行評(píng)估;生產(chǎn)者精度和用戶(hù)精度可被用來(lái)評(píng)價(jià)每種地類(lèi)的分類(lèi)效果[3]。

2 結(jié)果與分析

2.1 分類(lèi)結(jié)果的精度驗(yàn)證

分類(lèi)結(jié)果的精度驗(yàn)證表明，基于隨機(jī)森林分類(lèi)模型的總體精度為78%，其中香榧林的用戶(hù)精度為92%，生產(chǎn)者精度為88%，達(dá)到較好的分類(lèi)效果（見(jiàn)表1）。但其中對(duì)于闊葉林和針葉林的分類(lèi)精度較低，闊葉林用戶(hù)精度為64%，生產(chǎn)者精度為48%，針葉林用戶(hù)精度為72%，生產(chǎn)者精度為58%。分析原因，香榧林在遙感影像上呈現(xiàn)明顯的簇團(tuán)形狀，而針葉林和闊葉林在影像上較為相似，且往往存在針闊混交，區(qū)分難度較大，導(dǎo)致精度較低。對(duì)數(shù)據(jù)進(jìn)行Kappa系數(shù)的計(jì)算，得到Kappa為75%，說(shuō)明總體分類(lèi)結(jié)果一致性較好。

2.2 香榧林空間分布特征分析

從表2可見(jiàn)，2016年研究區(qū)香榧總種植面積為251.31 km2。其中：虎鹿鎮(zhèn)香榧種植總面積最大，為36.34 km2，占鄉(xiāng)鎮(zhèn)土地總面積的29.36%;雅璜鄉(xiāng)種植香榧密度最大，香榧面積占鄉(xiāng)鎮(zhèn)總面積的42.60%，竹溪鄉(xiāng)次之，香榧面積占鄉(xiāng)鎮(zhèn)總面積的35.73%;陳宅鎮(zhèn)香榧種植總面積最小，為2.99 km2，并且種植密度最低。

結(jié)合香榧的生長(zhǎng)習(xí)性與當(dāng)?shù)氐膶?shí)際情況分析分布原因：

1）香榧為亞熱帶比較耐寒的樹(shù)種，喜溫濕潤(rùn)、弱光涼爽的氣候環(huán)境下，朝夕多霧的溪流兩旁和直射光較少而散射光較多的山地是它最佳棲息地，適宜在長(zhǎng)江中下游以南地區(qū)。諸暨市屬亞熱帶季風(fēng)氣候區(qū)，四季分明，雨水較多，光照充足，年溫差大于同緯度鄰縣，小氣候差距顯著，屬于典型的丘陵山地氣候特征，十分適宜香榧的生長(zhǎng)。同時(shí)，在研究區(qū)域具有會(huì)稽山脈，其主峰東白山在諸暨、嵊縣、東陽(yáng)三縣交界處，屬虎鹿鎮(zhèn)境內(nèi)，因此虎鹿鎮(zhèn)優(yōu)越的地理?xiàng)l件使得其香榧種植面積最大。

2）近年來(lái)，隨著科學(xué)技術(shù)的進(jìn)步和成功經(jīng)驗(yàn)的積累，繁育困難問(wèn)題被突破，以及提高造林成活率技術(shù)的發(fā)展，為香榧林種植提供了技術(shù)保障，降低了種植培育難度，能夠支持大面積種植和管理香榧，并保證一定的收益。

3）政府這幾年的支持力度也是香榧林面積快速增長(zhǎng)的主要原因。研究區(qū)作為浙江種植香榧的主要地區(qū)，其政府持續(xù)扶持推進(jìn)香榧產(chǎn)業(yè)發(fā)展，做實(shí)產(chǎn)業(yè)規(guī)模;做優(yōu)產(chǎn)業(yè)結(jié)構(gòu)，實(shí)施支持發(fā)展產(chǎn)品精深加工和休閑旅游產(chǎn)業(yè)，優(yōu)化結(jié)構(gòu)、提高效益;做深產(chǎn)業(yè)開(kāi)發(fā)，加大香榧產(chǎn)品開(kāi)發(fā)，拓展香榧延伸產(chǎn)品，深入挖掘香榧文化。

3 結(jié)論

通過(guò)遙感數(shù)據(jù)結(jié)合隨機(jī)森林模型，提取了浙江香榧主產(chǎn)區(qū)土地利用類(lèi)型空間分布圖，并對(duì)香榧林空間分布特征進(jìn)行了分析，研究發(fā)現(xiàn)本文采用的方法能夠較好地提取香榧林的分布，提取結(jié)果表明香榧林分布相對(duì)集中，主要分布在諸暨、東陽(yáng)、紹興三市的交界處，且香榧對(duì)生長(zhǎng)環(huán)境要求較高，集中于稽東鎮(zhèn)、谷來(lái)鎮(zhèn)、璜山鎮(zhèn)、巍山鎮(zhèn)等地區(qū)。

參考文獻(xiàn)：

[1] 趙春江.農(nóng)業(yè)遙感研究與應(yīng)用進(jìn)展[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（12）：277-293.

[2] 趙北康.基于R語(yǔ)言randomforest包的隨機(jī)森林建模研究[J].計(jì)算機(jī)光盤(pán)軟件與應(yīng)用，2015（2）：152-153.

[3] 王亞杰.基于多源數(shù)據(jù)的香榧林分布信息提取及動(dòng)態(tài)變化監(jiān)測(cè)研究[D].杭州：浙江農(nóng)林大學(xué)，2017.