李 瑾 王雷光 鄭 晨 徐偉恒 代沁伶

（1. 西南林業(yè)大學(xué)林學(xué)院，云南 昆明 650233；2. 西南林業(yè)大學(xué)大數(shù)據(jù)與人工智能研究院，云南 昆明 650233；3. 西南林業(yè)大學(xué)森林生態(tài)大數(shù)據(jù)國家林業(yè)與草原局重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650233；4. 河南大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，河南 開封 475004；5. 西南林業(yè)大學(xué)藝術(shù)與設(shè)計(jì)學(xué)院，云南 昆明 650233）

森林作為地球上可再生資源和陸地生態(tài)系統(tǒng)的主體，對保持水土，改善環(huán)境，維持生物圈的動態(tài)平衡具有重要作用[1-2]。森林分類、識別和動態(tài)監(jiān)測對于理解森林生態(tài)系統(tǒng)結(jié)構(gòu)和功能，國家發(fā)展林業(yè)和制定林業(yè)政策都具有重要意義[3-4]。

森林遙感分類技術(shù)是根據(jù)森林植被在不同波段內(nèi)的光譜等特征，進(jìn)行森林類型、樹種等特征提取和分類識別的技術(shù)[5]。目前的無人機(jī)技術(shù)、激光雷達(dá)、高分辨率衛(wèi)星遙感技術(shù)的發(fā)展，使得森林資源遙感監(jiān)測技術(shù)取得了重大的進(jìn)步[6-8]。采用高光譜數(shù)據(jù)對林場、縣級區(qū)域突破了森林類型的分類甚至達(dá)到森林樹種的分類并取得較高的精度[9]。然而，這類數(shù)據(jù)的獲取往往基于機(jī)載或無人機(jī)平臺，導(dǎo)致數(shù)據(jù)獲取成本昂貴，數(shù)據(jù)時(shí)效性差；另一方面，數(shù)據(jù)的存儲、處理也依賴于計(jì)算性能優(yōu)良但成本昂貴的計(jì)算設(shè)備。

區(qū)域尺度，通常被認(rèn)為面積大于10 km2乃至一個(gè)陸地大小的區(qū)域[10]。隨著Google Earth Engine（GEE）為代表的遙感云計(jì)算平臺的出現(xiàn)，解決了大區(qū)域尺度影像處理的存儲和計(jì)算瓶頸問題。目前，GEE 的空間數(shù)據(jù)已超過29PB，包括超過290 個(gè)公共數(shù)據(jù)集、500 萬景影像，每天增加約4 000 景影像[11]。對地觀測衛(wèi)星Sentinel–2 星座的發(fā)射，可免費(fèi)獲得具有豐富光譜信息（13 個(gè)光譜波段）、5 d 重訪周期、較高空間分辨率（10～60 m）的光學(xué)影像，解決了費(fèi)用及時(shí)效性的問題。

從技術(shù)上看，已有不少基于Sentinel–2 及時(shí)間序列的分類研究，Ho?ci?o 等[12]采用多時(shí)相Sentinel–2 數(shù)據(jù)與地形信息結(jié)合，在波蘭南部3 800 km2面積實(shí)現(xiàn)了4 種針葉樹種和4 種闊葉樹種的分類，針葉樹種的總體精度達(dá)81.97%，闊葉樹種的總體精度達(dá)89.47%。Persson 等[13]使用多時(shí)相Sentinel–2 數(shù)據(jù)，在瑞典中部的15 km2成熟林中實(shí)現(xiàn)了5 種樹種的分類，總體精度達(dá)88.2%。李若楠等[14]基于GEE 平臺和Landsat 時(shí)間序列，在香格里拉地區(qū)實(shí)現(xiàn)了常綠針葉林、落葉針葉林、常綠闊葉林、落葉闊葉林4 種森林類型的分類。

通過光學(xué)遙感影像實(shí)現(xiàn)較大區(qū)域的精細(xì)森林類型分類研究少見報(bào)道，究其原因，地理和氣候條件、傳感器重訪周期等條件的限制，導(dǎo)致山區(qū)森林時(shí)間序列遙感數(shù)據(jù)獲取困難。山區(qū)森林的大范圍、精細(xì)分類一直是遙感森林分類研究的一個(gè)熱點(diǎn)和難點(diǎn)[6]。

有鑒于此，擬以云南省迪慶藏族自治州香格里拉市界為研究區(qū)，基于GEE 平臺，結(jié)合多時(shí)相Sentinel–2 數(shù)據(jù)和地形因子，在區(qū)域尺度上開展10 m 空間分辨率的森林類型精細(xì)分類研究。云南現(xiàn)有林地中，針葉林占74%[2]，分布在廣闊的高原和山地上。迪慶州林木資源豐富，是云南省第一大林區(qū)，也是云南省主要的高山針葉林分布地區(qū)。香格里拉市隸屬迪慶州，也是云南省面積最大的縣市級行政區(qū)域[15]，對其開展多個(gè)層次的分類研究，將為云南省主要森林類型和樹種（組）的識別和監(jiān)測提供重要的方法參考。

1 研究區(qū)概況

香格里拉市隸屬迪慶藏族自治州，位于云南省西北部、迪慶州東北部，地理坐標(biāo)為99°20′～100°19′E，26°52′～28°52′N，地處云南亞熱帶常綠闊葉林植被區(qū)向青藏高原高寒植被區(qū)過渡地帶。南北長218 km，東西寬88 km，海拔1 478～5 372 m，垂直落差大，平均海拔3 276 m，海拔在3 000 m 以上的雪山有507 座，多年平均氣溫5.4 ℃。地貌形態(tài)有山地、高原、盆地、河谷，總面積11 613 km2，林業(yè)用地占總面積的83.3%，森林覆蓋率74.99%，是云南省主要的高山針葉林分布地區(qū)，冷杉（Abies fabri）、云杉（Picea asperata）、鐵杉（Tsuga chinensis）、落葉松（Larix gmelinii）、高山松（Pinus densata）等高山針葉林的總蓄積約占全市活立木總蓄積的86%[16]。

2 材料與方法

2.1 數(shù)據(jù)來源與處理

2.1.1 Sentinel–2 數(shù)據(jù)

Sentinel–2 由A、B 2 顆衛(wèi)星組成，是唯一一個(gè)在紅邊范圍包含3 個(gè)波段的數(shù)據(jù)。Immitzer等[17]的研究證實(shí)了Sentinel–2 影像的B2、B3、B4、B5、B6、B7、B8、B8A、B11、B12 這10 個(gè)波段在農(nóng)作物、森林和樹種分類中的適宜性，本研究使用了這10 個(gè)波段，并預(yù)先用QA60 波段去云。遙感影像的選擇，除了考慮云覆蓋的影響，選取影像的日期也一樣重要，選取的多幅影像日期必需接近[18]。獲得的研究區(qū)第1 景地表反射率影像時(shí)間為2018 年12 月14 日，為使得季相上保持連續(xù)性，采用影像時(shí)間區(qū)間為2019 年3 月1 日至2020 年3 月1 日。影像已經(jīng)過大氣校正，等級為L2–A。本研究使用數(shù)據(jù)信息見表1，共514 景影像，每景有不同程度的云覆蓋，沒有無云影像。

表1 研究區(qū)影像數(shù)據(jù)Table 1 The image data in study area

研究表明[19-20]，GEE 的中值函數(shù)能將時(shí)間序列的多景影像的每個(gè)波段的像素計(jì)算中值合成影像堆棧，且能去除云及陰影的噪聲，去除較亮和較暗的像元，合成質(zhì)量較好的無云影像。本研究為了構(gòu)建密集的多時(shí)相時(shí)間序列影像，分別用春季的50 景，夏季32 景，秋季56 景、冬季71 景云量低于30%的影像取中值合成春、夏、秋、冬的無云影像，每季影像10 個(gè)波段。

2.1.2 DEM 數(shù)據(jù)

在研究區(qū)中，森林類型的分布具有垂直分布的特點(diǎn)，結(jié)合地形信息能增強(qiáng)森林類型的可分性。高程數(shù)據(jù)SRTM DEM，分辨率30 m，直接從GEE 獲取，并計(jì)算得到坡度、坡向、海拔3 個(gè)波段，分別與四季影像的波段堆疊組合為影像特征集。受益于GEE 運(yùn)算及數(shù)據(jù)管理機(jī)制，Sentinel–2 數(shù)據(jù)和DEM 數(shù)據(jù)自動匹配至10 m 分辨率，并通過內(nèi)嵌的算法統(tǒng)一坐標(biāo)，確保每個(gè)像元代表的地理范圍相同。

2.2 分類體系

森林范圍的定義遵循聯(lián)合國糧農(nóng)組織（FAO）的定義標(biāo)準(zhǔn)：樹木高度大于5 m，樹冠覆蓋率超過10%。本研究將森林以外的類型，如耕地、草地、灌木、水域等其他類型均劃分為非森林類型，不進(jìn)行細(xì)分。依據(jù)《云南森林》[2]的分類單位，參考《云南植被》[21]的分類系統(tǒng)，分為森林植被型（針葉林和闊葉林），以及森林類型，主要為8 種針葉優(yōu)勢樹種，包括柏木（Cupressus funebris）、冷杉、高山松、云杉、云南松（Pinus yunnanensis）、落葉松、華山松（Pinus armandi）、鐵杉。

2.3 樣本數(shù)據(jù)生成

通過分層隨機(jī)采樣獲得每個(gè)類別樣本，每層樣本數(shù)據(jù)均是分別各自在小班面數(shù)據(jù)中心內(nèi)生成隨機(jī)點(diǎn)，然后對隨機(jī)點(diǎn)緩沖做成面數(shù)據(jù)，通過空間位置去除與小班交界和接近的面數(shù)據(jù)，最后基于Google Earth 高分辨率影像對面數(shù)據(jù)逐個(gè)進(jìn)行目視判讀。

研究使用的樣本數(shù)據(jù)，一共分為3 層。第1 層樣本數(shù)據(jù)用于森林和非森林的分類，通過Google Earth 高分辨率影像目視解譯獲得，為300 m ×300 m（9 hm2）的面數(shù)據(jù)。第2 層樣本數(shù)據(jù)來源于2016 年森林資源規(guī)劃設(shè)計(jì)調(diào)查，根據(jù)優(yōu)勢樹種和小班面積大于0.09 hm2的調(diào)查因子，在小班內(nèi)隨機(jī)生成30 m × 30 m（0.09 hm2）的面數(shù)據(jù)，用來劃分針葉林和闊葉林。第3 層數(shù)據(jù)來源于2020年森林資源管理圖數(shù)據(jù)，根據(jù)優(yōu)勢樹種、監(jiān)測地類型為純林和混交林以及小班面積大于0.01 hm2的調(diào)查因子，在小班內(nèi)隨機(jī)生成10 m × 10 m（0.01 hm2）的面數(shù)據(jù)。第2 層和第3 層的面數(shù)據(jù)轉(zhuǎn)為點(diǎn)類型后進(jìn)行實(shí)驗(yàn)用于8 種森林類型分類。

每層樣本數(shù)量見表2，每層隨機(jī)選取50%作為訓(xùn)練樣本，50%作為測試樣本，訓(xùn)練樣本和測試樣本各自獨(dú)立不重復(fù)。研究中樣本數(shù)據(jù)生成在線下完成，其余技術(shù)流程在GEE 中在線JavaScript編程完成。

表2 分類體系及樣本數(shù)量Table 2 Classification system and the number of samples

2.4 分類方法

實(shí)驗(yàn)設(shè)計(jì)見表3，采用6 組實(shí)驗(yàn)分別進(jìn)行3 個(gè)層次的分類和精度評價(jià)。技術(shù)流程見圖1，首先用第1 層樣本劃分森林和非森林，然后以第1 層的森林分類結(jié)果為掩膜使用第2 層樣本劃分針葉林和闊葉林，最后以第2 層的針葉林分類結(jié)果為掩膜用第3 層樣本劃分8 種針葉林森林類型。

表3 實(shí)驗(yàn)設(shè)計(jì)Table 3 Design of classification experiment

圖1 技術(shù)路線Fig. 1 Flowchart of the applied methods

分類器使用隨機(jī)森林（RF）[22]，現(xiàn)已被廣泛應(yīng)用于遙感的分類領(lǐng)域[23]。本研究在3 個(gè)層次上展開分類，第2、3 層需使用上一層的分類結(jié)果作為掩膜，采用集成算法的隨機(jī)森林分類器，相較于單一分類器，能最大限度的減少層級之間的誤差傳遞。該模型參數(shù)較少[24]，研究只對決策樹數(shù)量進(jìn)行設(shè)置。有研究表明[25]，在模型參數(shù)缺省或采用默認(rèn)值的情況下，該分類器仍能給出最優(yōu)或接近最優(yōu)的結(jié)果。經(jīng)過反復(fù)實(shí)驗(yàn)，與絕大多數(shù)研究相一致，在計(jì)算可以負(fù)荷的情況下，決策樹的數(shù)量越大越好。研究采用構(gòu)成隨機(jī)森林決策樹的數(shù)量第1 層是100，第2 層是500，第3 層是400，以確保模型能夠收斂。

2.5 精度評價(jià)方法

3 結(jié)果與分析

3.1 森林與非森林分類精度評價(jià)

表4 森林和非森林精度評價(jià)Table 4 The summary of the accuracy assessment for the forest/non-forest classification

3.2 針葉林與闊葉林分類精度評價(jià)

表5 針葉林和闊葉林精度評價(jià)Table 5 The summary of the accuracy assessment for the needle-leaved forest and broad-leaved forest classification

3.3 森林類型分類精度評價(jià)

不同實(shí)驗(yàn)設(shè)計(jì)的針葉林森林類型的分類精度評價(jià)見表6。在這一層中，無論是單一時(shí)相還是多時(shí)相，地形信息使各針葉林類型得到更好的分離。3 個(gè)精度評價(jià)指標(biāo)至少提高5%，實(shí)驗(yàn)5 四季時(shí)相影像與地形信息結(jié)合，總體精度為92.87%，Kappa 系數(shù)為0.918 0，F(xiàn)ˉ1為93.07%，分類制圖結(jié)果見圖2。

圖2 森林類型分類結(jié)果Fig. 2 The classification result of forest type

表6 森林類型精度評價(jià)Table 6 The summary of the accuracy assessment for the forest type classification

基于實(shí)驗(yàn)5 的森林類型分類混淆矩陣見表7。云杉林、冷杉林和落葉松林相互混淆較多，這3 種森林類型同屬寒溫性針葉林，在海拔分布上一致，云冷杉林是該植被類型的優(yōu)勢森林類型，落葉松常是云、冷杉林經(jīng)火燒和采伐后恢復(fù)更新的次生林分，因此較容易造成錯(cuò)分。

表7 基于實(shí)驗(yàn)5 的森林類型分類混淆矩陣Table 7 Confusion matrix for the forest type based on experiment 5

森林類型分類面積及其在海拔、坡度、坡向的分布見圖3。由圖3a 可知，面積最大的森林類型冷杉林占比為31.67%、云杉林占比為15.4%、高山松林占比為14.2%、云南松林占比為9.7%，與森林資源監(jiān)測基本相符，但鐵杉、落葉松林過分類，云南松林分類不足。鐵杉林在研究區(qū)分布面積不大，但由于其分布在云冷杉林的下方，又常與常綠闊葉林組成針闊混交，群落結(jié)構(gòu)復(fù)雜，呈現(xiàn)出復(fù)層混交林，在本研究中未能呈現(xiàn)理想的分類效果。參照《云南森林》[2]中的8 種森林類型分布的海拔，與本研究分類結(jié)果進(jìn)行比較，如圖3b，柏木林和鐵杉林在生長海拔的分布上明顯不相符，但冷杉林、高山松林、云杉林、云南松林、落葉松林、華山松林的位置分布基本相符。結(jié)合森林類型分類結(jié)果和DEM 提取各像素點(diǎn)的坡向和坡度，分別從半陽坡、陽坡、半陰坡、陰坡4 個(gè)坡向統(tǒng)計(jì)了各類型森林面積，由圖3c 可知，各森林類型在4 個(gè)坡向上面積分布相差不大。分別從6 個(gè)坡度類型統(tǒng)計(jì)了森林類型面積，由圖3d 可知，各森林類型主要分布在斜坡、陡坡和緩坡上，面積較大的冷杉林、高山松林、云杉林、落葉松林主要分布在斜坡上，陡坡面積分布次之。

圖3 森林類型分類面積及其在海拔、坡度、坡向的分布圖Fig. 3 Classification area of forest type and its distribution map in elevation, slope and aspect

3.4 特征重要性排名

研究5 結(jié)合四季多時(shí)相影像和地形特征在3 個(gè)層級中分類精度最高，使用隨機(jī)森林分類器計(jì)算得出實(shí)驗(yàn)5 各層中的特征重要性得分，得分排名見表8。相同的特征在不同分類層中的重要性不同。在第1 層森林和非森林的分類中，冬季紅波段波段（B4_3）排名第1，春季的短波紅外2（B12）排名第2。第2 層針葉林和闊葉林的分類中，秋季的紅邊2 波段（B5_2）排名第1，冬季紅邊2 波段（B5_3）排名第2，由于紅邊波段為Sentinel–2 所特有，實(shí)驗(yàn)驗(yàn)證了Sentinel–2 識別森林植被的能力。在第3 層針葉林的分類中，光學(xué)影像波段排名第1 的是秋季的藍(lán)波段（B2_2）。結(jié)合植被的光譜曲線，藍(lán)波段是森林類型出現(xiàn)的第1 個(gè)光譜反射峰值，4 個(gè)季相的4 個(gè)藍(lán)波段對分類的貢獻(xiàn)排名在14 以內(nèi)，說明同為針葉林，但不同樹種間的葉綠素含量差異較大，對藍(lán)光的吸收不同。在3 個(gè)層次分類中，地形信息的貢獻(xiàn)度最大，坡度對森林的分布影響較大，符合人類生產(chǎn)活動的足跡。坡度、坡向和海拔對森林植被型和森林類型影響較大，以滿足植被對水分、光照的需求。

表8 實(shí)驗(yàn)5 特征重要性得分排名Table 8 The score ranking of feature importance base on experiment 5

續(xù)表8

4 結(jié)論與討論

通過GEE 云平臺，以香格里拉市為研究區(qū)，本研究首先合成了多時(shí)相的Sentinel–2 影像，提取了海拔、坡度、坡向相關(guān)特征，采用隨機(jī)森林分類器，進(jìn)行了3 個(gè)層次的森林場景分類，最終獲得研究區(qū)針葉林森林類型，并進(jìn)行了精度評價(jià)，主要得出以下結(jié)論：

1）Sentinel–2 多時(shí)相影像結(jié)合隨機(jī)森林分類器，能在10 m 空間分辨率下分離森林和森林類型。Sentinel–2 的光譜信息就能識別森林并達(dá)到95%以上的總體精度，森林類型的總體精度達(dá)87%以上。

2）在3 個(gè)分類層次中，相同特征的重要性排序不同。在森林覆蓋和森林植被層中，光譜的紅邊波段是比較重要的特征，表明了Sentinel–2 影像識別植被的能力。在森林類型層中，地形特征改善了分類精度，使總體精度提高了5.48%，達(dá)到92.87%。

3）利用GEE 遙感云平臺獲取和處理Sentinel–2 影像，可以實(shí)現(xiàn)大區(qū)域尺度快速、高精度的森林類型制圖，對高效監(jiān)測森林類型的動態(tài)變化具有重要作用。

以上研究表明，結(jié)合多時(shí)相的Sentinel–2 影像能在大區(qū)域尺度上實(shí)現(xiàn)森林覆蓋、森林植被類型、森林類型的分類制圖。由于研究區(qū)的森林類型具有垂直分布的特點(diǎn)，地形特征能影響森林類型分類的提取，成為光譜信息外最重要的特征。值得注意的是，目前在森林類型的精細(xì)尺度上的研究是較少的。香格里拉地區(qū)氣候類型多變，植被復(fù)雜多樣，地形起伏、云和陰影等因素嚴(yán)重影響地表輻射信號的傳輸，難以獲得高質(zhì)量的遙感影像，增加了森林類型分類的難度。同時(shí)，相比較于其他遙感處理軟件和平臺，GEE 極大提升了遙感影像數(shù)據(jù)的收集能力及運(yùn)算能力。

與其他類型的森林覆蓋、森林類型的分類的研究相比，本研究使用了密集的Sentinel–2 時(shí)間序列影像209 景。研究表明，密集的時(shí)間序列影像數(shù)據(jù)的構(gòu)建，能夠獲得更為豐富的光譜信息，避免因物候和太陽角度差異的變化導(dǎo)致的光譜差異[28]。同時(shí)，在精細(xì)尺度上的分類研究中，整合密集時(shí)間序列的地表時(shí)間變化特征對于提高分類精度具有關(guān)鍵作用[29]。

在研究區(qū)中，有林地面積的90.9%為純林[16]，這在一定程度上促進(jìn)了森林類型分類精度的提高，使得8 種森林類型的總體分類精度超過90%。同時(shí)，森林結(jié)構(gòu)的異質(zhì)性和林地的高度破碎，很難采集充足或高質(zhì)量的樣本，特別是柏木林、鐵杉林這類不太常見、落葉松林這類占比較小的優(yōu)勢樹種，研究表明極易發(fā)生誤分類。

采用分層分類進(jìn)行森林類型分類研究，對地物的提取更加靈活，能提高計(jì)算的效率和精度。然而下一層的結(jié)果極大的依賴于上一層，導(dǎo)致誤差的傳遞不可避免。為了減少這種誤差傳遞，研究在樣本和分類器上做了選擇。樣本方面，3 個(gè)層次的樣本來源于不同的數(shù)據(jù)源，且第3 層森林類型的樣本與影像年份一致。分類器方面，選擇了隨機(jī)森林，是一個(gè)基于多個(gè)基分類器投票的結(jié)果作為最終分類結(jié)果的集成分類器，相較于單一分類器，結(jié)果更加可靠和穩(wěn)定。

森林的結(jié)構(gòu)是復(fù)雜的，研究僅選取了占比最大的針葉樹種進(jìn)行優(yōu)勢樹種層的森林類型進(jìn)行分類研究，闊葉林樹種組成的多樣性，植物區(qū)系的豐富性，對環(huán)境的改造作用等遠(yuǎn)遠(yuǎn)超過針葉林、竹林和灌木林，是值得研究的重要資源。但由于研究區(qū)中闊葉林的森林類型分布極破碎，樹種雜亂，主要為混交林，沒有進(jìn)行細(xì)化分類研究。以總面積超過86%的針葉林作為研究的主要對象，在大尺度上進(jìn)行區(qū)域規(guī)模的森林類型分類研究，為將來的闊葉林研究探索更多的可能。