田雷，傅文學(xué)，孫燕武，荊林海，邱玉寶，李新武

(1.中國(guó)科學(xué)院空天信息創(chuàng)新研究院數(shù)字地球重點(diǎn)實(shí)驗(yàn)室，北京 100094；2.安徽理工大學(xué)空間信息與測(cè)繪工程學(xué)院，淮南 232001)

0 引言

全球變暖導(dǎo)致世界氣候產(chǎn)生顯著變化，1951—2012年間，地球表面的平均溫度上升了約0.72 ℃，石化燃料的大量使用以及大規(guī)模毀林所導(dǎo)致的大氣中溫室氣體尤其是二氧化碳(CO2)濃度的不斷升高是造成全球氣候變化的主因[1]。據(jù)《2015年全球森林資源評(píng)估報(bào)告》顯示： 全球森林面積為39.99億hm2，是陸地重要的碳庫(kù)[2]。作為地球上分布面積最廣、結(jié)構(gòu)最為復(fù)雜的陸地生態(tài)系統(tǒng)，全球森林在2006—2015年吸收了超過1/4的全球碳排放[3]。因此，森林是全球碳循環(huán)系統(tǒng)中一個(gè)重要的組成部分，能夠?qū)Υ髿鈱訙厥覛怏w的濃度帶來重大影響，對(duì)于全球氣候調(diào)節(jié)起著無可替代的作用[4-6]。

北方森林區(qū)約占全球森林面積的30%，主要分布于北美和歐亞大陸，其中： 60%位于俄羅斯，28%位于加拿大，其余12%分布于中國(guó)、芬蘭、挪威、瑞典等10多個(gè)北半球國(guó)家[7-8]。作為巨大的碳庫(kù)，北方森林在全球碳平衡和應(yīng)對(duì)氣候變化中具有重要的地位，同時(shí)也是受氣候變化最敏感的地區(qū)之一，其動(dòng)態(tài)變化是促進(jìn)全球變化重要的因子，因此在與全球氣候系統(tǒng)的耦合中，存在極強(qiáng)的交互作用。在全球變暖背景下，監(jiān)測(cè)北方森林長(zhǎng)時(shí)間尺度的空間變化特征，對(duì)全球氣候變化研究和可持續(xù)發(fā)展有著實(shí)際意義。

森林覆蓋變化主要體現(xiàn)在受人為和自然因素導(dǎo)致的林地與非林地之間的變化[9]。遙感技術(shù)的快速發(fā)展，使得獲取大范圍地區(qū)長(zhǎng)時(shí)間序列的森林覆蓋變化信息成為可能，極大地改善了過去依靠外業(yè)耗時(shí)耗力的局面。國(guó)內(nèi)外研究學(xué)者已在利用多源遙感技術(shù)監(jiān)測(cè)森林覆蓋變化方面做了大量研究，在不同尺度上發(fā)展了一系列實(shí)用可靠的技術(shù)方法，并取得較好的結(jié)果。在低空間分辨率數(shù)據(jù)方面，覃先林等[10]利用MODIS數(shù)據(jù)，分別采用紅光-近紅外法、共生矩陣紋理法和基于相似度的變化監(jiān)測(cè)方法，對(duì)我國(guó)東北林區(qū)的森林覆蓋變化監(jiān)測(cè)方法進(jìn)行研究，對(duì)比驗(yàn)證表明基于相似度的變化監(jiān)測(cè)方法正確度最高(80%以上)。但由于影像空間分辨率低，結(jié)果誤差大，較適宜于對(duì)大區(qū)域的森林覆蓋變化進(jìn)行監(jiān)測(cè)。高空間分辨率數(shù)據(jù)覆蓋范圍小，更適用于小尺度精細(xì)分析。王榮等[11]以IKONOS影像為數(shù)據(jù)源，利用面向?qū)ο蠖喑叨确指钏惴?、Sobel算子邊緣檢測(cè)及骨架線提取等方法，構(gòu)建紋理線條密度指數(shù)(TLDI)對(duì)納版河自然保護(hù)區(qū)的天然林與人工林進(jìn)行分類，研究表明： 與常用的植被特征指數(shù)和紋理特征指數(shù)相比，TLDI指數(shù)的離散度更好、分類效果更佳，可以有效地提取森林內(nèi)部天然林與人工林植被覆蓋信息； Wilson等[12]利用歸一化植被指數(shù)(normalized difference vegetation index，NDVI)和歸一化差異水分指數(shù)(normalized difference water index，NDWI)對(duì)時(shí)間序列Landsat專題圖圖像進(jìn)行分類以檢測(cè)森林采伐水平并比較了兩者的多重分類精度； 任沖等[13]以1988—2015年5期夏季Landsat TM/OLI遙感影像為主要數(shù)據(jù)源，利用隨機(jī)森林和參數(shù)優(yōu)化支持向量機(jī)分類器對(duì)土地覆蓋類型進(jìn)行分類，獲得了天水市近30 a林地動(dòng)態(tài)變化信息; 姜洋等[14]利用不同時(shí)相的Landsat TM/ETM+為數(shù)據(jù)源，采用面向?qū)ο蠛突诙嗉?jí)決策樹的分類方法得到了浙江省2000年、2005年、2010年的森林植被覆被圖，并通過專題圖分析獲取了浙江省森林資源動(dòng)態(tài)變化的空間分布信息。這些研究的結(jié)果表明Landsat系列數(shù)據(jù)可以兼顧大尺度與較精細(xì)分辨率的優(yōu)勢(shì)，在大范圍的森林研究中發(fā)揮重要的作用。但是以上研究工作只考慮了森林整體的變化，沒有顧及到森林變化隨緯度的空間變化規(guī)律。

本文選取西伯利亞森林受人類活動(dòng)影響較少的典型研究區(qū)，定量化研究近30 a森林覆蓋度的總體變化及隨緯度的空間變化規(guī)律，為分析該區(qū)域?qū)θ蜃兓捻憫?yīng)提供參考。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

本文選取西伯利亞北方森林典型區(qū)俄羅斯克拉斯諾亞爾斯克邊疆區(qū)北方森林區(qū)為研究區(qū)，地理位置見圖1。研究區(qū)位于西伯利亞中部，空間范圍在E81°～102°，N51°～69°之間。該研究區(qū)的氣候?yàn)榈湫偷拇箨懶詺夂颍瑲鉁刈兓瘎×?，冬季漫長(zhǎng)，夏季短促。1月份平均溫度北部達(dá)-36 ℃，南部達(dá)-18 ℃； 7月份的平均溫度北部為10 ℃，南部為20 ℃，年平均降水量約316 mm。

圖1 研究區(qū)地理位置示意圖Fig.1 Location of the study area

北方森林地理區(qū)系主要由云杉(PiceaasperataMast.)、松樹(Pinus)、冷杉(Abiesfabri(Mast.)Craib)和落葉松(Larixgmelinii(Rupr.)Kuzen)等針葉樹以及樺木(Betula)、楊樹(PopulusL)、柳樹(Salix)和榿木(AlnuscremastogyneBurk)等闊葉樹組成。盡管北方森林生態(tài)系統(tǒng)物種組成相對(duì)簡(jiǎn)單，但北方森林區(qū)無論是平均溫度還是降水均表現(xiàn)出了與全球一致的變化趨勢(shì)，并且變化幅度要比全球平均趨勢(shì)更為劇烈[15-16]。該研究區(qū)人類活動(dòng)較少，只在N53°～57° 緯度帶內(nèi)存在少量的城市及農(nóng)田區(qū)，因此研究區(qū)內(nèi)森林的變化總體上可以體現(xiàn)自然因素的影響。

1.2 數(shù)據(jù)源

采用的數(shù)據(jù)為完全覆蓋研究區(qū)的1985年Landsat 5 TM與2015年Landsat 8 OLI 2期夏季時(shí)相遙感影像，數(shù)據(jù)來源于USGS(http: //glovis.usgs.gov/)，共149景影像。影像時(shí)間主要集中在6—9月，云量小于5%，產(chǎn)品級(jí)別L1T。對(duì)于當(dāng)年數(shù)據(jù)缺失的影像，采用相鄰或鄰近年份的數(shù)據(jù)補(bǔ)全，時(shí)相差異不超過2 a。

2 數(shù)據(jù)處理、分類及評(píng)價(jià)

2.1 數(shù)據(jù)預(yù)處理

影像數(shù)據(jù)預(yù)處理包括輻射定標(biāo)、大氣校正、幾何糾正、去云處理、鑲嵌以及裁剪等，如圖2所示。其中影像去云是通過薄云優(yōu)化變換(haze optimized transformation，HOT)進(jìn)行遙感影像薄云識(shí)別與去除。主要原理是利用影像中無云區(qū)地物的藍(lán)光波段和紅光波段的高度相關(guān)性確定晴空線，然后計(jì)算云區(qū)的像元相對(duì)于晴空線的偏移距離(HOT)，最后依據(jù)HOT的大小實(shí)現(xiàn)薄云的自動(dòng)探測(cè)與去除[17]。HOT計(jì)算公式為：

HOT=ρBLUEsinθ-ρREDcosθ-|I|cosθ，

(1)

式中：ρBLUE和ρRED分別為TM/OLI影像的藍(lán)光波段和紅光波段的反射率；I為晴空線的截距；θ為晴空線的傾度。

圖2 TM/OLI影像預(yù)處理流程Fig.2 Preprocessing flowchart of TM/OLI scenes

2.2 森林覆蓋分類

森林覆蓋分類采用決策樹分類法[18]，根據(jù)影像的不同特征，利用訓(xùn)練空間實(shí)體集產(chǎn)生規(guī)則和發(fā)現(xiàn)規(guī)律； 其次根據(jù)不同取值建立樹的分支，在每個(gè)分支子集中重復(fù)建立下層結(jié)點(diǎn)和分支，以樹型結(jié)構(gòu)表示分類或決策集合； 最后形成決策樹，從而將研究區(qū)劃分為有林地和無林地2種地類。選用歸一化植被指數(shù)(normalized difference vegetation index，NDVI)、比值植被指數(shù)(ratio vegetation index，RVI)以及近紅外波段進(jìn)行有林地和無林地的分類。NDVI作為遙感估算植被信息中最常用的植被指數(shù)，能有效地削弱復(fù)雜地形對(duì)影像信息提取的不利影響，增強(qiáng)植被與其他地類的區(qū)分度，有助于提高森林信息提取的精度和可信度，其公式為：

NDVI=(ρNIR-ρRED)/(ρNIR+ρRED)，

(2)

式中ρNIR為影像的近紅外波段的反射率。

RVI能較好地反映植被生長(zhǎng)狀況和覆蓋度的差異，特別適用于植被生長(zhǎng)旺盛、具有高覆蓋度的植被監(jiān)測(cè)，RVI計(jì)算公式為：

RVI=ρNIR/ρRED。

(3)

以上2種植被指數(shù)可有效區(qū)分有林地和無林地，但對(duì)于部分植被覆蓋度較高的無林地(如農(nóng)用地)分類效果較差。研究發(fā)現(xiàn)不同植物在近紅外波段(0.76～0.90 μm)的光譜反射峰值不同[19]，近紅外波段對(duì)不同植物葉片內(nèi)部結(jié)構(gòu)不同引起的反射率差異甚為敏感，因此可用近紅外波段來進(jìn)行有林地和其他植被的區(qū)分。根據(jù)這一特性，本研究通過樣本訓(xùn)練確定有林地和農(nóng)用地在近紅外波段的最佳區(qū)分閾值范圍，采用決策樹算法進(jìn)行分類，如圖3所示?；跇颖居?xùn)練確定定量的決策樹分類規(guī)則： NDVI值大于0.52且RVI值大于6作為植被對(duì)象，否則作為非植被對(duì)象； 選取上層分類的植被對(duì)象的近紅外波段值小于3 788(反射率經(jīng)大氣校正后擴(kuò)大了104倍)的作為有林地對(duì)象，否則作為非林地對(duì)象。最后，將第一層非植被對(duì)象和第二層無林地對(duì)象合并作為最終的無林地分類結(jié)果，第二層有林地對(duì)象作為最終有林地分類結(jié)果。

圖3 TM/OLI影像決策樹分類模型Fig.3 TM/OLI scenes classification based ondecision tree classification model

2.3 精度評(píng)價(jià)

為驗(yàn)證分類精度和可靠性，選取了2015年同時(shí)期4景高分辨率遙感影像高分二號(hào)數(shù)據(jù)(全色譜段空間分辨率為0.81 m)進(jìn)行分類結(jié)果驗(yàn)證，在高分二號(hào)影像上隨機(jī)選取均勻分布的987個(gè)有代表性的獨(dú)立檢驗(yàn)樣本進(jìn)行精度驗(yàn)證。選用總體分類精度和Kappa系數(shù)作為驗(yàn)證指標(biāo)。

1)總體分類精度。總體分類精度是指被正確分類的像元總數(shù)占總像元數(shù)的比例，即

(4)

式中:P0為分類的總體精度；m為分類的類別數(shù)；N為樣本總數(shù)；Pii為第i類被正確分類的樣本數(shù)目。

2)總體Kappa系數(shù)。Kappa系數(shù)是由Cohen在1960年提出的用于評(píng)價(jià)遙感圖像分類正確程度和比較圖件一致性的指數(shù)[20]，即

Kappa=(P0-Pe)/(1-Pe)，

(5)

(6)

式中：a1，a2，…，am分別為每一類的真實(shí)樣本個(gè)數(shù)；b1，b2，…，bm分別為預(yù)測(cè)的每一類樣本個(gè)數(shù)。

3 結(jié)果與分析

3.1 分類結(jié)果

對(duì)1985年、2015年Landsat TM/OLI影像采用決策樹法進(jìn)行分類，并將分類結(jié)果中的圖斑進(jìn)行主要分析處理，以去除圖斑噪聲的影響，結(jié)果如圖4所示。通過精度評(píng)價(jià)結(jié)果表明本研究所采用的決策樹分類方法總體分類精度為94.53%，Kappa系數(shù)為0.870，分類結(jié)果可靠，可滿足于大區(qū)域、復(fù)雜地形的植被/森林覆蓋度變化監(jiān)測(cè)。

3.2 結(jié)果分析

為了更好地描述研究近30 a西伯利亞北方森林覆蓋度的空間變化信息，對(duì)研究區(qū)進(jìn)行2° 緯度帶間隔分割，并分別統(tǒng)計(jì)每個(gè)緯度帶內(nèi)森林覆蓋信息，統(tǒng)計(jì)信息見表1。其中，面積變化率表示1985—2015年有林地面積增加量與1985年有林地面積之比； 覆蓋度變化表示研究區(qū)單位面積的林地變化量，從林地面積變化率和覆蓋度的增加量上分別體現(xiàn)有林地的變化程度。

表1 1985年和2015年森林覆蓋信息統(tǒng)計(jì)Tab.1 Statistics of forest cover information in 1985 and 2015

經(jīng)統(tǒng)計(jì)分析得知研究區(qū)內(nèi)森林1985年的森林面積為538 831.05 km2，森林覆蓋度為75.42%； 2015年的森林面積為575 310.77 km2，森林覆蓋度為80.53%。經(jīng)過近30 a的變化，研究區(qū)森林面積增加了36 479.72 km2，森林覆蓋度增加了5.11百分點(diǎn)，森林面積和覆蓋度總體上都呈現(xiàn)增加的趨勢(shì)。對(duì)2期森林覆蓋情況進(jìn)行空間變化疊加分析，得到1985—2015年研究區(qū)北方森林覆蓋變化的空間分布，如圖5所示。

圖5 森林覆蓋動(dòng)態(tài)變化監(jiān)測(cè)結(jié)果Fig.5 Monitoring results of dynamic changes of forestcover based on classification results

由圖5和表1可以看出，近30 a研究區(qū)在N63°～69° 緯度帶內(nèi)面積變化率較高： 其中，N67°～69° 緯度帶有林地增加面積為892.31 km2，面積變化率為15.28%，森林覆蓋度增加了4.55百分點(diǎn)； N65°～67° 緯度帶有林地增加面積為7 937.23 km2，面積變化率為24.61%，森林覆蓋度增加了13.50百分點(diǎn)； N63°～65° 緯度帶有林地增加面積為5 159.35 km2，面積變化率為12.87%，森林覆蓋度增加了8.84百分點(diǎn)。在這些緯度帶內(nèi)，森林覆蓋度增加最為顯著，表明對(duì)氣候的響應(yīng)更敏感，受氣候變化的影響更強(qiáng)。

在N57°～63° 緯度帶，研究區(qū)的有林地和無林地空間變化相對(duì)平穩(wěn)，從圖5上看，整體上表現(xiàn)為無變化的黃色區(qū)域，森林覆蓋度增加緩慢： 不同緯度帶增加比例分別為1.57(N61°～63°)，3.24(N59°～61°)，1.00(N57°～59°)百分點(diǎn)。表明該緯度帶森林受氣候變化影響較小，面積和覆蓋度都呈現(xiàn)出穩(wěn)定的趨勢(shì)。

而在N51°～57° 緯度帶內(nèi)有少量的城市和農(nóng)業(yè)區(qū)，人類活動(dòng)對(duì)林地變化產(chǎn)生了一定的影響，但總體上森林存在著增加的趨勢(shì)。統(tǒng)計(jì)發(fā)現(xiàn)森林覆蓋度增加量隨著緯度的降低而降低： N55°～57° 緯度帶有林地增加面積為9 110.38 km2，森林覆蓋度增加了7.96百分點(diǎn)，N53°～55° 緯度帶有林地增加面積為4 870.15 km2，森林覆蓋度增加了6.28百分點(diǎn)，N51°～53° 緯度帶有林地增加面積為1 685.21 km2，森林覆蓋度增加了5.02百分點(diǎn)。

圖5也展示了有林地與無林地的相互轉(zhuǎn)化，其中綠色為無林地轉(zhuǎn)化為有林地，表示林地的增加部分； 而紅色為有林地轉(zhuǎn)化為有林地，表示林地的砍伐或退化； 黃色為無變化，保持了原有林地的部分； 灰色為無林地。統(tǒng)計(jì)分析表明： 研究區(qū)1985—2015年無林地轉(zhuǎn)化為有林地為7.94%，有林地轉(zhuǎn)化為無林地為2.83%，有林地面積凈增加5.11%。有林地增加區(qū)域主要分布在N53°～55°，N55°～57°，N63°～65°和N65°～67° 緯度帶； 有林地減少區(qū)域主要分布在N55°～57°和N57°～59° 緯度帶。

由此可見，研究區(qū)內(nèi)北方森林覆蓋總體上呈現(xiàn)增加趨勢(shì)，但不同緯度帶的增加率明顯不同。已有研究利用AVHRR數(shù)據(jù)，分析了CO2大氣濃度年增幅40%對(duì)北半球高緯度地區(qū)植被生長(zhǎng)增加的驅(qū)動(dòng)過程[21-22]，與本研究西伯利亞北方森林覆蓋度變化規(guī)律表現(xiàn)出較強(qiáng)的一致性，表明氣候變化是北方森林覆蓋增長(zhǎng)的一個(gè)重要驅(qū)動(dòng)因素。同時(shí)不同緯度帶內(nèi)溫度和降雨的差異性，可能是西伯利亞北方森林覆蓋度變化在不同緯度帶表現(xiàn)不同的原因，但對(duì)于響應(yīng)機(jī)制以及復(fù)雜的耦合過程還需進(jìn)一步研究。

4 結(jié)論

利用1985年和2015年2期Landsat遙感數(shù)據(jù)研究了西伯利亞典型研究區(qū)北方森林近30 a的總體森林面積空間變化和森林覆蓋變化規(guī)律。同時(shí)對(duì)研究區(qū)進(jìn)行2° 緯度帶間隔分割，定量化分析了不同緯度帶內(nèi)森林面積和覆蓋度變化，主要結(jié)論如下：

1)近30 a來，西伯利亞北方森林覆蓋度變化顯著，總體森林覆蓋度由1985年的75.42%增加到2015年的80.53%，森林覆蓋度增加了5.11百分點(diǎn)。

2)西伯利亞北方森林在不同緯度帶內(nèi)有林地面積變化出現(xiàn)了較大的差異： 在N65°～67° 緯度帶內(nèi)有林地面積變化率最高，變化率達(dá)到24.61%，森林覆蓋度增加了13.50百分點(diǎn)； 在N67°～69° 緯度帶有林地面積變化率次之，變化率為15.28%，森林覆蓋度增加了4.55百分點(diǎn)； 在N57°～59° 緯度帶內(nèi)有林地面積變化率最低，變化率為1.11%，森林覆蓋度增加了1.00百分點(diǎn)。

3)總體上看，西伯利亞北方森林有林地面積在各個(gè)緯度帶內(nèi)都出現(xiàn)了不同程度的增加，增加區(qū)域主要分布在N63°～67° 緯度帶和N53°～57° 緯度帶； 有林地減少區(qū)域主要分布在N55°～59° 緯度帶。在N63°～67° 緯度帶內(nèi)森林覆蓋度增加最顯著，不同緯度帶增加比例分別為： 8.84(N63°～65°)和13.50(N65°～67°)百分點(diǎn)； 在N57°～63° 緯度帶森林覆蓋度變化相對(duì)平穩(wěn)，不同緯度帶增加比例分別為1.00(N57°～59°)，3.24(N59°～61°)和1.57(N61°～63°)百分點(diǎn)； 在N51°～57° 緯度帶內(nèi)森林覆蓋度增加量隨著緯度的降低而降低，不同緯度帶增加比例分別為7.96(N55°～57°)，6.28(N53°～55°)和5.02(N51°～55°)百分點(diǎn)。