提取林分郁闭度信息的几种遥感方法

植被遥感监测的技术与方法植被遥感是指利用遥感技术，通过图像或数据获取来探测植被信息。

它是一种高效的监测和评估大面积植被变化的方法，也是研究生态系统功能和生态恢复的重要手段。

本文将介绍植被遥感监测的技术和方法。

一、植被遥感监测的技术1.1 多光谱遥感技术多光谱遥感技术是利用超光谱遥感的原理，对地球表面进行光谱扫描，记录大气透射率、地表反射率等多光谱信息。

光谱数据可以提供植被指数（如NDVI）、叶面积指数、地表覆盖度、植被高度等参数，可以用来检测植被覆盖度、植被类型和植被状况。

1.2 合成孔径雷达（SAR）技术合成孔径雷达技术是一种利用自身发射的雷达波，通过测量雷达波的反射信号，对目标区域进行成像的技术。

相对于光学遥感数据而言，SAR技术天气条件和光照等方面的限制较少，可以实现全天候的植被监测。

SAR数据可以提供土地覆盖类型、植被高度、盐碱地等信息。

1.3 雷达高度计技术雷达高度计是一种利用雷达波测量物体高度的技术。

它可以通过测定地面与植被表面之间的反射信号，推算出植被积雪厚度、植被高度等信息。

与其他遥感技术相比，雷达高度计技术可以直接测量植被的垂直尺度，具有更高的精度和分辨率。

二、植被遥感监测的方法2.1 NDVI方法NDVI方法是指利用多光谱数据计算NDVI（Normalized Difference Vegetation Index），通过计算地表绿度指数来监测植被覆盖情况。

NDVI值越高，说明植被越茂盛；NDVI值越低，说明植被越少。

NDVI方法可以满足对不同类型植被的监测需求，适用于大尺度的植被监测。

2.2 贝叶斯分类方法贝叶斯分类方法是指利用贝叶斯定理，将遥感图像分成不同的植被类别。

贝叶斯分类可以同时考虑多种因素，具有高精度和高效率的优点。

它适用于针对某一具体植被类型（如林地、草地等）的监测。

2.3 决策树分类方法决策树分类方法是指利用决策树算法，将遥感数据分成不同的类别。

决策树分类方法可以适应多种类型的遥感数据和监测需求，具有较高的分类精度和可解释性。

不同密度林分冠幅的遥感定量估计
冯益明;李增元;邓广
【期刊名称】《林业科学》
【年(卷),期】2007(043)001
【摘要】以高空间分辨率遥感影像QuickBird的全色波段为数据源,应用空间统计学半方差理论,对山西大同薛家庄林场不同林分密度的小黑杨人工纯林冠幅尺寸进行估计.结果表明:应用空间统计学半方差函数来分析高空间分辨率影像,可以较为准确地实现对密度相对较高纯林林分冠幅尺寸的估计,随着林分密度的降低,估计误差相应地增大.
【总页数】5页(P90-94)
【作者】冯益明;李增元;邓广
【作者单位】中国林业科学研究院资源信息研究所,北京,100091;中国林业科学研究院资源信息研究所,北京,100091;中国林业科学研究院资源信息研究所,北
京,100091
【正文语种】中文
【中图分类】S758
【相关文献】
1.高分辨率遥感数据云杉林林分冠幅估计 [J], 刘玉锋;陈冬花;郑朝贵
2.基于高空间分辨率影像的林分冠幅估计 [J], 冯益明;李增元;张旭
3.林分因子遥感定量提取技术中的后处理 [J], 蔡玉林;孙国清;庞勇;刘大伟;董彦芳;
付安民
4.基于高空间分辩率影像的林分冠幅估计 [J], 冯益明;李增元;张旭
5.基于高分一号PMS的新疆落叶松林分郁闭度遥感定量估测 [J], 刘赛赛;陈冬花;栗旭升;刘聪芳;李虎
因版权原因，仅展示原文概要，查看原文内容请购买。

林分结构参数林分结构参数是描述森林生态系统内部结构特征的重要指标，它对森林生态系统的功能和稳定性具有重要影响。

在森林资源管理、森林生态研究以及森林可持续发展等领域，准确理解和掌握林分结构参数至关重要。

一、林分结构参数的定义林分结构参数是指描述森林中个体树木的空间分布、大小等级、年龄阶段等基本属性的统计学指标。

主要包括：树种组成、树高、胸径、冠幅、郁闭度、林木密度、年龄结构、生长量等。

二、林分结构参数的类型与意义1. 树种组成：反映森林中的物种多样性，对于维持森林生态系统稳定性和抵抗力具有重要作用。

2. 树高、胸径和冠幅：这三个参数可以综合反映树木的生长状况，为评估森林生产力提供依据。

3. 郁闭度：表示林分内枝叶覆盖程度，直接影响到林内的光照、温度、湿度等环境条件，进而影响到森林生物多样性和生态系统功能。

4. 林木密度：直接反映了林分内的空间利用情况，过高的林木密度可能导致竞争加剧，影响树木生长。

5. 年龄结构：反映森林更新能力及未来的发展趋势，对于森林经营管理和生态保护具有重要意义。

6. 生长量：包括胸径生长量、树高生长量等，可以反映出森林的生产力和健康状况。

三、林分结构参数的测定方法1. 野外调查法：通过实地测量，获取树木的高度、胸径、冠幅等数据。

2. 空间技术法：如遥感技术、无人机技术等，可以从空中获取大面积的林分结构信息。

3. 数学模型法：根据已知的数据，建立数学模型，预测林分结构参数。

四、林分结构参数的应用1. 森林资源管理：通过分析林分结构参数，可以了解森林资源的现状，为合理利用和保护森林资源提供科学依据。

2. 森林生态研究：林分结构参数可以反映森林生态系统的结构特征和动态变化，有助于深入理解森林生态系统的工作机制。

3. 森林可持续发展：通过对林分结构参数的优化调整，可以实现森林的可持续经营，满足社会经济发展和环境保护的双重需求。

五、结语林分结构参数作为森林生态系统的重要组成部分，其科学合理的应用将对森林资源管理、森林生态研究以及森林可持续发展产生积极的影响。

利用数码照片测定华北落叶松林分郁闭度李永宁;徐成立;滕轶龚;程旭;于泊【摘要】在12块标准地拍摄642张数码照片,分大、中、小3种视角测定了华北落叶松林分的郁闭度.结果表明:利用数码照片测定林分郁闭度是可行的,并具有较高的精确度.与抬头望法相比,当郁闭度较小时,利用数码照片测定的郁闭度偏大;而当郁闭度中等或较大时,测定结果相近或偏小.大视角数码照片比小视角数码照片的测定结果偏大,并具有较小的标准差,精确度较高.【期刊名称】《东北林业大学学报》【年(卷),期】2010(038)011【总页数】4页(P34-37)【关键词】郁闭度;数码照片;精确度;抬头望法【作者】李永宁;徐成立;滕轶龚;程旭;于泊【作者单位】河北农业大学,保定,071000;河北省木兰国有林场管理局;国家林业局调查规划设计院;河北省木兰国有林场管理局;河北省木兰国有林场管理局【正文语种】中文【中图分类】S753.3;S791.22郁闭度是一个重要的林分调查因子，在森林结构调整与生态评价中广泛应用。

森林经营管理中，郁闭度是小班区划、确定抚育采伐强度的重要指标，是通过遥感图像进行森林蓄积量估测不可或缺的因子［1］，世界各国也都把郁闭度作为判定森林的重要因子［2］。

近年来，与郁闭度相关的生态研究不断深入，不仅在水土流失、水源涵养、林分质量评价等方面得到广泛应用，并还应用于林中光照研究［3-5］、幼苗形态与解剖的影响［6］、与溪流温度相关的森林经营管理［7］、野生动物如斑点猫头鹰(Strix occidentalis)［8］、绿纹霸鹟(Empidonax virescens)［9］栖息森林的经营管理等方面。

然而，郁闭度的基本内涵与调查方法却没有受到足够的重视，存在着概念模糊、测定方法粗放等问题，不能满足林业生产与生态建设的需要［10］。

在林学与生态学中，与郁闭度相关的概念主要有林冠盖度(canopy cover)、林冠密度(canopy density)、林冠开阔度(canopy openness)、平均树冠完满度(mean crown completeness) 等［3，5，11-13］。

小尺度样方植被覆盖度信息提取方法的探索张蓓蓓【摘要】Based on the traditional photographic method, different resolution digital photos were got with digital camera in small scale to extract the vegetation coverage information with image processing software Photoshop and then the coverage in- formation was classified farther by non-supervised classification with remote sensing software ENVI and the extraction accu- racy of vegetation coverage was evaluated. The results showed that the extraction information accuracy of vegetation coverage was higher with Photoshop that the overall accuracy was more than 80% and Kappa coefficient was above 0. 6, so Photoshop software was a suitable method for the vegetation coverage information extractionin small scale.%笔者在传统照像法的基础上，探索性地用数码相机在小尺度样方内拍摄不同分辨率的数码像片，用图像处理软件Photoshop提取植被覆盖度信息，在遥感软件ENVI下用非监督分类的方法对提取结果进行再分类。

利用数码照片测定华北落叶松林分郁闭度
李永宁;徐成立;滕轶龚;程旭;于泊
【期刊名称】《东北林业大学学报》
【年(卷),期】2010(038)011
【摘要】在12块标准地拍摄642张数码照片,分大、中、小3种视角测定了华北落叶松林分的郁闭度.结果表明:利用数码照片测定林分郁闭度是可行的,并具有较高的精确度.与抬头望法相比,当郁闭度较小时,利用数码照片测定的郁闭度偏大;而当郁闭度中等或较大时,测定结果相近或偏小.大视角数码照片比小视角数码照片的测定结果偏大,并具有较小的标准差,精确度较高.
【总页数】4页(P34-37)
【作者】李永宁;徐成立;滕轶龚;程旭;于泊
【作者单位】河北农业大学,保定,071000;河北省木兰国有林场管理局;国家林业局调查规划设计院;河北省木兰国有林场管理局;河北省木兰国有林场管理局
【正文语种】中文
【中图分类】S753.3;S791.22
【相关文献】
1.立地条件、林分郁闭度对华北落叶松更新幼苗生长的影响 [J], 田国恒;隋玉龙;吴强;谷建才;王春风;周国娜
2.基于树冠投影判别分析的林分郁闭度测定 [J], 刘怀鹏;安慧君
3.落叶松天然林林分郁闭度与疏密度关系的研究 [J], 刘君然;张更新
4.基于高分一号PMS的新疆落叶松林分郁闭度遥感定量估测 [J], 刘赛赛;陈冬花;
栗旭升;刘聪芳;李虎
5.六盘山北侧华北落叶松林分的水分利用效率研究 [J], 何聪;熊伟;王彦辉;程积民;招礼军;于澎涛;徐丽宏;童鸿强;王云霓
因版权原因，仅展示原文概要，查看原文内容请购买。

基于遥感技术的植被覆盖度测量方法植被覆盖度是指土地表面被植物覆盖的程度，是评估生态系统健康和环境质量的重要指标之一。

传统的植被覆盖度测量通常需要人工采集样方数据，工作量大且耗时，难以获取全面的地表植被覆盖信息。

而基于遥感技术的植被覆盖度测量方法克服了这一问题，能够迅速获取广阔地区的植被覆盖度信息。

遥感技术利用从航天器或飞机上获取的远距离和全局的图像，可以在广阔的地表范围内获取大量的植被信息。

这些图像可以是可见光、红外光或微波等不同波段的图像，通过对这些图像进行数字处理和分析，可以提取出植被的特征参数，进而计算出植被覆盖度。

基于遥感技术的植被覆盖度测量方法主要包括以下几个步骤：图像预处理、植被指数计算和植被分割。

首先，图像预处理是遥感图像分析的重要步骤。

由于遥感图像受到大气、云和阴影等干扰，需要对图像进行预处理，以去除这些干扰因素。

常见的图像预处理方法包括大气校正、云和阴影去除等。

预处理后的图像能够更准确地反映地表植被的分布情况。

接下来，植被指数计算是植被覆盖度测量的核心步骤之一。

植被指数是一种基于遥感图像的植被信息提取方法，通过计算不同波段的图像之间的比值或差异，可以反映出植被的分布、状况和生长情况。

常用的植被指数包括归一化植被指数（NDVI）、植被指数（VI）和差值植被指数（DVI）等。

这些指数综合考虑了植被对不同波段光谱的反射差异，能够有效地反映出植被的物候变化和覆盖度。

最后，植被分割是将遥感图像中的植被区域与非植被区域进行区分的步骤。

通过对植被指数图像进行阈值分割、聚类分析等方法，可以将植被区域分割出来，并计算出植被面积。

同时，通过与地面调查数据进行对比验证，可以进一步提高植被覆盖度测量的准确性和可信度。

除了上述基本步骤以外，基于遥感技术的植被覆盖度测量方法还可以结合地理信息系统（GIS）等相关技术，进行空间分析和数据可视化，以便更好地理解和解释植被覆盖度的时空分布规律。

总之，基于遥感技术的植被覆盖度测量方法具有快速、准确、全面的优势，能够为生态环境保护、资源管理和决策提供重要的科学依据。

收稿日期:２０１９－０４－０８修回日期:２０１９－０９－０４基金项目:国家重点研发项目(２０１７ＹＦＣ０５０５５０４０４)ꎮ第一作者简介:张驰(１９９３－)ꎬ男ꎬ硕士研究生ꎬ从事人工林近自然化改造研究ꎮＥｍａｉｌ:２７９３４１５３１＠ｑｑ.ｃｏｍꎮ通信作者:佃袁勇(１９８１－)ꎬ男ꎬ副教授ꎬ从事遥感技术在生态环境中的应用研究ꎮＤＯＩ:１０.１３３２４/ｊ.ｃｎｋｉ.ｊｆｃｆ.２０２０.０１.０１３基于高分二号遥感数据的森林自然度等级划分张㊀驰１ꎬ佃袁勇１ꎬ２ꎬ黄光体３ꎬ周靖靖１ꎬ２ꎬ李㊀源１ꎬ王㊀熊１(１.华中农业大学园艺林学学院ꎬ湖北武汉４３００７０ꎻ２.湖北林业信息工程技术研究中心ꎬ湖北武汉４３００７０ꎻ３.湖北省林业调查规划院ꎬ湖北武汉４３００７９)摘要:以地面样点为基础的森林自然度评价方法很难获得区域范围森林自然度等级ꎬ针对该问题ꎬ提出了利用高分遥感卫星影像数据ꎬ划分区域范围森林自然度等级的方法ꎮ以湖北竹山县九华山林场为试验区域ꎬ在选取研究区典型样地的基础上ꎬ结合高分二号(ＧＦ￣２)遥感影像数据的特点ꎬ从ＧＦ￣２影像上提取遥感光谱㊁纹理等特征并结合地形特征ꎬ采用随机森林算法在大尺度范围对九华山林场森林自然度等级进行分类研究ꎮ结果发现:以ＧＦ￣２数据为基础提取的植被指数㊁光谱㊁纹理等特征与地形特征结合ꎬ采用随机森林算法可较好地划分森林自然度等级ꎬ总体分类精度高达９３.９７％ꎬＫａｐｐａ系开放科学标识码(ＯＳＩＤ码)数为０.９１ꎮ对森林自然度等级影响最重要的６个特征因子为高程㊁坡向㊁坡度㊁纹理均值㊁光谱主成分变化分量和归一化植被指数(ＮＤＶＩ)ꎮ结果表明ꎬ基于遥感影像提取的特征和地形特征结合进行森林自然度等级划分的研究方法具有可行性ꎬ为大面积区域的森林自然度等级划分奠定基础ꎮ关键词:遥感数据ꎻ高分二号ꎻ森林自然度ꎻ随机森林中图分类号:Ｘ８２１文献标识码:Ａ文章编号:２０９６－００１８(２０２０)０１－００９１－０８ＦｏｒｅｓｔｎａｔｕｒａｌｎｅｓｓｃｌａｓｓｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎＧＦ￣２ｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａＺＨＡＮＧＣｈｉ１ꎬＤＩＡＮＹｕａｎｙｏｎｇ１ꎬ２ꎬＨＵＡＮＧＧｕａｎｇｔｉ３ꎬＺＨＯＵＪｉｎｇｊｉｎｇ１ꎬ２ꎬＬＩＹｕａｎ１ꎬＷＡＮＧＸｉｏｎｇ１(１.ＣｏｌｌｅｇｅｏｆＨｏｒｔｉｃｕｌｔｕｒｅａｎｄＦｏｒｅｓｔｒｙＳｃｉｅｎｃｅｓꎬＨｕａｚｈｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＷｕｈａｎꎬＨｕｂｅｉ４３００７０ꎬＣｈｉｎａꎻ２.ＨｕｂｅｉＥｎｇｉｎｅｅｒｉｎｇＴｅｃｈｎｏｌｏｇｙＲｅｓｅａｒｃｈＣｅｎｔｅｒｆｏｒＦｏｒｅｓｔｒｙＩｎｆｏｒｍａｔｉｏｎꎬＷｕｈａｎꎬＨｕｂｅｉ４３００７０ꎬＣｈｉｎａꎻ３.ＩｎｖｅｓｔｉｇａｔｉｏｎａｎｄＰｌａｎｎｉｎｇＩｎｓｔｉｔｕｔｅｏｆＨｕｂｅｉＦｏｒｅｓｔｒｙꎬＷｕｈａｎꎬＨｕｂｅｉ４３００７９ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｉｔｉｓｄｉｆｆｉｃｕｌｔｔｏｏｂｔａｉｎｆｏｒｅｓｔｎａｔｕｒａｌｎｅｓｓｌｅｖｅｌｓａｔａｒｅｇｉｏｎａｌｓｃｏｐｅｂａｓｅｄｏｎｉｎｓｉｔｕｐｌｏｔｓ.ＩｎｒｅｓｐｏｎｓｅｔｏｔｈｉｓｐｒｏｂｌｅｍꎬｔｈｉｓｓｔｕｄｙｐｒｏｐｏｓｅｄａｍｅｔｈｏｄｔｏｃｌａｓｓｉｆｙｔｈｅｎａｔｕｒａｌｎｅｓｓｌｅｖｅｌｓｏｆｆｏｒｅｓｔｓｉｎｒｅｇｉｏｎａｌａｒｅａｓｔｈｒｏｕｇｈｈｉｇｈｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｄａｔａｇａｔｈｅｒｅｄｆｒｏｍｒｅｓｅａｒｃｈｃｏｎｄｕｃｔｅｄｉｎＪｉｕｈｕａｓｈａｎＦｏｒｅｓｔＦａｒｍｉｎＺｈｕｓｈａｎＣｏｕｎｔｙꎬＨｕｂｅｉＰｒｏｖｉｎｃｅ.ＷｅｏｂｔａｉｎｅｄｄｉｆｆｅｒｅｎｔｔｙｐｉｃａｌｐｌｏｔｓａｎｄｈｉｇｈｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎＧａｏｆｅｎ￣２(ＧＦ￣２)ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｄａｔａｉｎｔｈｅｓｔｕｄｙａｒｅａꎻｓｐｅｃｔｒｕｍꎬｔｅｘｔｕｒｅꎬａｎｄｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓｗｅｒｅｅｘｔｒａｃｔｅｄｆｒｏｍｔｈｅＧＦ￣２ｉｍａｇｅｓ.ＣｏｍｂｉｎｉｎｇｔｈｅｆｅａｔｕｒｅｓｅｘｔｒａｃｔｅｄｆｒｏｍｔｈｅｓｅｉｍａｇｅｓꎬａｓｗｅｌｌａｓｔｏｐｏｇｒａｐｈｉｃｆｅａｔｕｒｅｓꎬｎａｍｅｌｙꎬｅｌｅｖａｔｉｏｎꎬｓｌｏｐｅꎬａｎｄａｓｐｅｃｔꎬａｒａｎｄｏｍｆｏｒｅｓｔａｌｇｏｒｉｔｈｍｗａｓｕｓｅｄｔｏｃｌａｓｓｉｆｙｔｈｅｆｏｒｅｓｔｎａｔｕｒａｌｎｅｓｓｌｅｖｅｌｏｆＪｉｕｈｕａｓｈａｎＦｏｒｅｓｔ.ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｔｈｅｖｅｇｅｔａｔｉｏｎꎬｓｐｅｃｔｒｕｍꎬａｎｄｔｅｘｔｕｒｅｉｎｄｉｃｅｓａｎｄａｃｏｍｂｉｎａｔｉｏｎｏｆｔｈｅｔｅｒｒａｉｎｆｅａｔｕｒｅｓｗｉｔｈａｒａｎｄｏｍｆｏｒｅｓｔａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＧＦ￣２ｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａｃａｎｂｅｔｔｅｒｃｌａｓｓｉｆｙｔｈｅｎａｔｕｒａｌｎｅｓｓｏｆｔｈｅｆｏｒｅｓｔꎻｔｈｅｏｖｅｒａｌｌｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｒｅａｃｈｅｄ９３.９７％ａｎｄｔｈｅＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｗａｓ０.９１.Ｔｈｅｓｉｘｍｏｓｔｉｍｐｏｒｔａｎｔｆａｃｔｏｒｓａｆｆｅｃｔｉｎｇｔｈｅｎａｔｕｒａｌｎｅｓｓｌｅｖｅｌｏｆｔｈｅｆｏｒｅｓｔｗｅｒｅｅｌｅｖａｔｉｏｎꎬａｓｐｅｃｔꎬｓｌｏｐｅꎬｔｅｘｔｕｒｅｍｅａｎꎬｔｈｅｓｐｅｃｔｒａｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔｃｈａｎｇｅꎬａｎｄｔｈｅｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ(ＮＤＶＩ).Ｉｎｔｈｉｓｍａｎｎｅｒꎬｗｅｃｏｎｆｉｒｍｔｈａｔｔｈｉｓｃｏｍｂｉｎａｔｉｏｎｏｆｆａｃｔｏｒｓａｎｄｍｅｔｈｏｄｓｃａｎｈｅｌｐｉｎｃｌａｓｓｉｆｙｉｎｇｆｏｒｅｓｔᶄｓｎａｔｕｒａｌｄｅｇｒｅｅｓꎬｌａｙｉｎｇａｆｏｕｎｄａｔｉｏｎｆｏｒｔｈｅｎａｔｕｒａｌｄｅｇｒｅｅｄｉｖｉｓｉｏｎｏｆｆｏｒｅｓｔｓｉｎｌａｒｇｅａｒｅａｓ.Ｋｅｙｗｏｒｄｓ:ｈｉｇｈｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎꎻＧａｏｆｅｎ￣２(ＧＦ￣２)ꎻｆｏｒｅｓｔｎａｔｕｒａｌｎｅｓｓꎻｒａｎｄｏｍｆｏｒｅｓｔａｌｇｏｒｉｔｈｍ森林自然度作为衡量森林群落类型当前状态与地带性顶级群落之间的差距指标ꎬ被广泛用于森林经营现状的评价ꎬ同时也为森林近自然经营提供指导[１－３]ꎮ森林自然度评价是生态系统保护和恢复计划的关键步骤[４－５]ꎮ为定量化评估森林自然度等级ꎬ现阶段主要从两个方面来做:一是比较现实森林植被与相对其存在的天然状态之间的差距或相似性[６－７]ꎻ二是衡量人类对森林的干扰程度ꎬ间接实现对森林自然度的评价[８]ꎮ评估的方法主要依据地面调查[３]ꎬ选择不同的评价指标进行森林自然度评估ꎮ目前国森林与环境学报㊀２０２０ꎬ４０(１):９１－９８第４０卷第１期ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔａｎｄＥｎｖｉｒｏｎｍｅｎｔ２０２０年１月内外学者多从森林群落物种丰富度㊁森林结构㊁群落演替㊁林分更新状况及干扰程度等方面筛选相关指标构建森林自然度评级体系ꎬ如Ｓｈａｎｎｏｎ指数㊁Ｐｉｅｌｏｕ指数㊁乡土树种数量和种类数等[１－３ꎬ６－１１]ꎮ地面调查评估森林自然度的方法虽能较好地评价样地水平的森林近自然状态ꎬ但该方法耗时耗力ꎬ且不能及时反映森林自然度的空间分布及变化情况[８ꎬ１０－１１]ꎮ随着遥感技术日新月异的发展ꎬ现在已实现了高分辨率遥感影像数据大量快速的获取ꎬ为进行大区域范围的森林资源监测提供了丰富的数据源[１２－１４]ꎮ目前遥感技术在林业的应用主要集中在定性分析与定量反演两个方面ꎬ前者被广泛应用于树种分类㊁地表覆盖类型分类等方面ꎬ而定量遥感则主要被应用于诸如郁闭度㊁生物量等各项森林参数的反演[１５－１６]ꎮ在此基础上ꎬ大量研究[１７－１９]结果表明ꎬ遥感技术对森林状态的判别也具有较好的指示作用ꎬ对森林的健康状态㊁生产力能力等都具有较好的判别作用ꎮ因此ꎬ结合样地尺度林分特征数据与区域大尺度遥感影像数据的特点ꎬ构建一种能在区域尺度范围划分森林自然度等级的方法ꎬ为森林近自然经营与森林生态系统保护和恢复提供基础ꎮ１㊀研究区概况与研究数据１.１㊀研究区概况九华山林场位于湖北省十堰市竹山县南部(东经１１０ʎ０８ᶄ~１１０ʎ１２ᶄꎬ北纬３２ʎ０１ᶄ~３２ʎ０６ᶄ)ꎬ地处堵河中上游ꎬ属于北亚热带湿润气候区ꎬ林场土地总面积为７６２８.４ｈｍ２ꎬ森林覆盖率为９７.２％ꎬ属于高山地貌ꎮ林场内地形复杂多样ꎬ主要为新生代地层ꎬ其植物物种丰富多样ꎬ典型林分有杉木[Ｃｕｎｎｉｎｇｈａｍｉａｌａｎｃｅｏｌａｔａ(Ｌａｍｂ.)Ｈｏｏｋ.]㊁马尾松(ＰｉｎｕｓｍａｓｓｏｎｉａｎａＬａｍｂ.)㊁化香(ＰｌａｔｙｃａｒｙａｓｔｒｏｂｉｌａｃｅａＳｉｅｂ.ｅｔＺｕｃｃ.)㊁桦木(ＢｅｔｕｌａｌｕｍｉｎｉｆｅｒａＨ.Ｗｉｎｋｌ.)和枹栎(ＱｕｅｒｃｕｓｓｅｒｒａｔａＴｈｕｎｂ.)等ꎮ１.２㊀研究数据１.２.１㊀样地数据㊀研究区位于北亚热带常绿㊁落叶阔叶混交林地带ꎮ根据所在地区林分分布特点ꎬ选取具有代表性的群落类型ꎬ在试验区内分别设置针叶林㊁针阔混交林㊁阔叶混交林等典型群落类型的不同演替阶段的样地共２１个(编号１~２１号)(图１)ꎬ分别于２０１７年１０月与２０１８年５月进行调查ꎮ样地大小为２０ｍˑ２０ｍꎬ在每个样地内的四周和中心分别设置５ｍˑ５ｍ的灌木样方和１ｍˑ１ｍ的草本样方各５个ꎬ记录样地的经纬度㊁海拔㊁坡向(正北方向计为０ʎꎬ以顺时针方向计算)和坡度(表１)ꎮ调查样地中乔木层㊁灌木层及草本层因子ꎬ乔木层调查树种㊁林龄㊁胸径㊁树高㊁冠幅㊁郁闭度等ꎻ灌木层和草本层分别记录其种名㊁株数㊁多度㊁频度㊁盖度ꎮ其中１号样地为杉木纯林ꎬ其余２０个样地均为混交林ꎮ其中两树种混交的样地中ꎬ２~６号样地为杉木㊁马尾松混交林ꎻ７~８号样地为杉木㊁枹栎混交林ꎻ９号样地为杉木㊁桦木混交林ꎻ１０号样地为杉木㊁其他软阔混交林ꎻ１９号样地为杉木㊁华山松(ＰｉｎｕｓａｒｍａｎｄｉｉＦｒａｎｃｈ.)混交林ꎻ２０号样地为桦木㊁华山松混交林ꎻ２１号样地为枹栎㊁化香混交林ꎮ三树种混交林的样地中ꎬ１１~１４号样地为杉木㊁枹栎㊁桦木混交林ꎻ１５号样地为杉木㊁檫木[Ｓａｓｓａｆｒａｓｔｚｕｍｕ(Ｈｅｍｓｌ.)Ｈｅｍｓｌ.]㊁桦木混交林ꎻ１６~１７号样地为杉木㊁枹栎㊁化香混交林ꎻ１８号样地为杉图１㊀样地分布Ｆｉｇｕｒｅ１㊀Ｄｉｓｔｒｉｂｕｔｉｏｎｏｆｓａｍｐｌｅｐｌｏｔｓ２９ 森㊀林㊀与㊀环㊀境㊀学㊀报第４０卷㊀木㊁马尾松㊁檫木混交林ꎮ表１㊀样地概况Ｔａｂｌｅ１㊀Ｉｎｆｏｒｍａｔｉｏｎｏｆｓａｍｐｌｅｐｌｏｔｓ样地编号Ｓａｍｐｌｅｐｌｏｔｎｕｍｂｅｒ株数Ｎｕｍｂｅｒｏｆｓｔｒａｉｎｓ林层Ｆｏｒｅｓｔｌａｙｅｒ坡向Ｓｌｏｐｅｄｉｒｅｃｔｉｏｎ/(ʎ)坡位Ｓｌｏｐｅｐｏｓｉｔｉｏｎ１４９单层Ｕｎｉｆｏｒｍ１１５上Ｕｐ２５４复层Ｍｕｌｔｉ￣ｓｔｏｒｉｅｄ３０２中Ｍｉｄｄｌｅ３３２复层Ｍｕｌｔｉ￣ｓｔｏｒｉｅｄ２３６中Ｍｉｄｄｌｅ４５３复层Ｍｕｌｔｉ￣ｓｔｏｒｉｅｄ２８１中Ｍｉｄｄｌｅ５９６复层Ｍｕｌｔｉ￣ｓｔｏｒｉｅｄ２９３中Ｍｉｄｄｌｅ６３８单层Ｕｎｉｆｏｒｍ２４５中Ｍｉｄｄｌｅ７３９复层Ｍｕｌｔｉ￣ｓｔｏｒｉｅｄ３３３中Ｍｉｄｄｌｅ８４６复层Ｍｕｌｔｉ￣ｓｔｏｒｉｅｄ３４１上Ｕｐ９５６单层Ｕｎｉｆｏｒｍ１４中Ｍｉｄｄｌｅ１０９２复层Ｍｕｌｔｉ￣ｓｔｏｒｉｅｄ２７８上Ｕｐ１１５９复层Ｍｕｌｔｉ￣ｓｔｏｒｉｅｄ３１４中Ｍｉｄｄｌｅ１２５９单层Ｕｎｉｆｏｒｍ３３９中Ｍｉｄｄｌｅ１３６２单层Ｕｎｉｆｏｒｍ２７７上Ｕｐ１４３６单层Ｕｎｉｆｏｒｍ３５３中Ｍｉｄｄｌｅ１５７１复层Ｍｕｌｔｉ￣ｓｔｏｒｉｅｄ３０上Ｕｐ１６４８复层Ｍｕｌｔｉ￣ｓｔｏｒｉｅｄ２０２上Ｕｐ１７５７复层Ｍｕｌｔｉ￣ｓｔｏｒｉｅｄ１８３上Ｕｐ１８８５单层Ｕｎｉｆｏｒｍ４４中Ｍｉｄｄｌｅ１９６７复层Ｍｕｌｔｉ￣ｓｔｏｒｉｅｄ１山顶Ｈｉｌｌｔｏｐ２０６９复层Ｍｕｌｔｉ￣ｓｔｏｒｉｅｄ３５６中Ｍｉｄｄｌｅ２１３４单层Ｕｎｉｆｏｒｍ２１９上Ｕｐ１.２.２㊀森林资源规划设计调查数据㊀研究中采用了第七次公布的全国森林资源规划设计调查数据中竹山县数据ꎬ主要利用了小班边界㊁森林起源数据ꎮ１.２.３㊀遥感数据㊀ＧＦ￣２影像获取时间为２０１７年７月２９日ꎬ轨道号１０/１６０ꎬ景序列号２６５５３２３ꎬ数据空间分辨率４ｍꎮ采用的高程数据来自于ＡＳＴＲＥＲＤＥＭ(ＮＡＳＡａｎｄＪａｐａｎＭＥＴＩꎬｈｔｔｐｓ:ʊｐｄａａｃ.ｕｓｇｓ.ｇｏｖ/ｐｒｏｄｕｃｔｓ/ａｓｔｇｔｍｖ００２/)ꎬ该数据空间分辨率为３０ｍꎮ２㊀研究方法２.１㊀森林自然度等级样本提取基于２１个样地ꎬ首先确定样地尺度森林自然度等级ꎬ主要从群落组成㊁结构特征㊁群落演替和干扰程度４个方面选择森林自然度评价指标ꎬ共筛选出１３个指标参与评价ꎮ其中群落组成有树种株数组成㊁树种断面积指数组成㊁活地被种类数㊁乔木层Ｓｉｍｐｏｎ指数和Ｓｈａｎｎｏｎ指数指标ꎻ结构特征有胸径标准差㊁林分密度㊁林层结构和郁闭度指标ꎻ群落演替有天然更新数㊁乡土树种比例指标ꎻ干扰程度有林分起源㊁枯立木状况指标ꎮ采用层次分析法ꎬ综合评价样地森林自然度值ꎬ划分为３个等级(Ⅰ㊁Ⅱ㊁Ⅲ)ꎮ其次ꎬ以样地尺度森林自然度等级为基础ꎬ提取遥感影像中森林自然度等级样本ꎮ通过以样地的森林自然度等级为中心ꎬ以森林资源二类调查的森林小班边界为约束条件ꎬ构建样地缓冲区ꎬ提取缓冲区中归一化植被指数(ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘꎬＮＤＶＩ)值符合条件的像素点作为森林自然度等级的样本点ꎮ２.２㊀特征因子提取为准确划分区域尺度的森林自然度等级ꎬ基于遥感图像中提取不同的特征因子ꎮ多光谱图像的各波段之间高度相关ꎬ但其数字高程值和显示效果近似ꎬ进行主成分(ｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔｓꎬＰＣ)分析ꎬ可去除波段间的多元信息ꎬ将多波段的图像信息压缩到少数的光谱主成分变化分量中ꎬ研究中采用含信息量较为丰富的前３个分量ꎬ即第一主成分(ＰＣ１)㊁第二主成分(ＰＣ２)㊁第三主成分(ＰＣ３)ꎮ研究中采用的植被指数包括ＮＤＶＩ和比值植被指数(ｒａｔｉｏｖｅｇｅｔａｔｉｏｎｉｎｄｅｘꎬＲＶＩ)ꎮ研究基于遥感图像中提取光谱主成分变化分量㊁植被指数㊁灰度共生纹理特征及地形特征４个方面共４０个特征因子用于分类(表２)ꎮ３９ ㊀第１期张驰ꎬ等:基于高分二号遥感数据的森林自然度等级划分表２㊀特征因子Ｔａｂｌｅ２㊀Ｆｅａｔｕｒｅｆａｃｔｏｒｓ类别Ｃａｔｅｇｏｒｙ特征因子Ｆａｃｔｏｒｓ地形特征Ｔｏｐｏｇｒａｐｈｉｃｆｅａｔｕｒｅ高程㊁坡度㊁坡向Ｅｌｅｖａｔｉｏｎꎬｓｌｏｐｅꎬａｓｐｅｃｔ光谱主成分变化分量Ｓｐｅｃｔｒａｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔｃｈａｎｇｅ第一主成分㊁第二主成分㊁第三主成分ＰＣ１ꎬＰＣ２ꎬＰＣ３植被指数Ｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ归一化植被指数值㊁比值植被指数ＮＤＶＩꎬＲＶＩ灰度共生纹理特征(４个波段各提取８个纹理特征)Ｇｒａｙｃｏ￣ｏｃｃｕｒｒｅｎｃｅｔｅｘｔｕｒｅｆｅａｔｕｒｅｓ(８ｔｅｘｔｕｒｅｆｅａｔｕｒｅｓｅｘｔｒａｃｔｅｄｆｒｏｍ４ｂａｎｄｓ)均值㊁方差㊁同质性㊁对比度㊁差异性㊁熵㊁二阶矩㊁自相关Ｍｅａｎꎬｖａｒｉａｎｃｅꎬｈｏｍｏｇｅｎｅｉｔｙꎬｃｏｎｔｒａｓｔꎬｄｉｓｓｉｍｉｌａｒｉｔｙꎬｅｎｔｒｏｐｙꎬｓｅｃｏｎｄｍｏｍｅｎｔꎬａｕｔｏｃｏｒｒｅｌａｔｉｏｎ２.３㊀分类算法随机森林算法是近年来一种比较流行的分类技术ꎬ是一种新型高效的组合分类器ꎬ远胜于传统的分类方法[２０]ꎮ随机森林算法是利用随机重采样技术Ｂｏｏｔｓｔｒａｐ和节点随机分裂的技术构建多棵决策树ꎬ通过投票得到最终分类的结果ꎬ其在多光谱㊁多时相和高维遥感影像的分类中表现出较高的分类精度㊁较快的运算速度和稳定性[２１]ꎮ该算法的一个重要特点是在使用随机森林进行预测ꎬ正确分类的过程中ꎬ分析每个特征并进行重要性排序ꎬ然后用户可以过滤不必要的特征ꎬ从而得到与因变量高度相关的特征子集ꎬ选择出数量较少的特征变量ꎬ并能够充分得到较好的分类结果ꎬ从而使构建的分类器模型分类精度较高ꎬ同时节省试验运行的时间[２２]ꎮ２.４㊀精度评价不同森林自然度等级的样本被分割成两份ꎬ２０％被保留作为验证模型的数据ꎬ其他８０％用来训练ꎮ在训练中采用三折交叉验证法ꎬ交叉验证重复３次ꎬ每份验证１次ꎬ平均３次的结果最终得到１个单一估测值ꎮ该方法的优势在于同时重复运用随机产生的子样本进行训练和验证ꎬ每次的结果验证１次ꎮ采用混淆矩阵中的总体精度㊁Ｋａｐｐａ系数㊁制图精度及用户精度４个指标评估分类精度ꎮ具体的计算公式如下:总体分类精度(ｏｖｅｒａｌｌａｃｃｕｒａｃｙꎬＡＯ):ＡＯ＝ðｋｉ＝１ＮｉｉＮ(１)用户精度(对于第ｉ类分类数据ꎬｕｓｅｒａｃｃｕｒａｃｙꎬＡＵ):ＡＵꎬｉ＝ＮｉｉＮｉ＋(２)制图精度(对于第ｊ类验证数据ꎬｐｒｏｄｕｃｅｒａｃｃｕｒａｃｙꎬＡＰ):ＡＰꎬｊ＝ＮｊｊＮ＋ｊ(３)Ｋａｐｐａ系数＝Ｎðｋｉ＝１Ｎｉｉ－ðｋｉ＝１(Ｎｉ＋Ｎ＋ｉ)Ｎ２－ðｋｉ＝１(Ｎｉ＋Ｎ＋ｉ)(４)式中:Ｎ为总样本数ꎻｋ为总的类别数目ꎻｉ为分类结果数ꎻｊ为验证分类数ꎻＮｉｉ为被分到正确类别的样本数ꎻＮｊｊ为验证样本中分到正确类别的样本数ꎻＮｉ＋和Ｎ＋ｉ分别是第ｉ行和第ｉ列的总样本数量ꎻＮ＋ｊ为实际分类中被分为ｊ类的样本总数ꎮ３㊀结果与分析３.１㊀样地尺度森林自然度等级运用层次分析法对构建的森林自然度评价指标体系进行权重赋值ꎬ最终得到森林自然度数值ꎬ该值分布在０~１之间ꎮ根据样本中森林自然度数值的分布ꎬ结合研究区现实林分演替状态ꎬ将九华山林场的森林自然度值按照０~０.４０００ꎬ０.４０００~０.６０００ꎬ０.６０００~１.００００划分为低㊁中㊁高３个等级ꎬ分别用Ⅰ㊁Ⅱ㊁Ⅲ表示ꎬ具体的样地森林自然度等级见表３ꎮ３个样本处于Ⅰ级ꎬ１４个样本处于Ⅱ级ꎬ４个样本处于Ⅲ级ꎮ总体来看ꎬ森林自然度等级为Ⅲ的主要是混交林(２㊁５㊁８㊁１６号样地)ꎮ但具有相似树种的群落其森林自然度也存在差异ꎬ如以杉木㊁马尾松为主要树种的混交林(２㊁３㊁４㊁５㊁６号样地)ꎬ森林自然度涵盖Ⅰ~Ⅲ级ꎮ通过对比森林自然度评价的指标ꎬ发现这些林分的郁闭度㊁树种的空间比例配 ４９ 森㊀林㊀与㊀环㊀境㊀学㊀报第４０卷㊀制不同ꎬ林下灌草组成㊁植被多样性指标有明显差异ꎬ如２号样地郁闭度为０.３ꎬ林下光照条件好ꎬ乔木㊁灌草层生长较好ꎬ生物多样性指标高ꎬ而６号样地郁闭度为０.８ꎬ林下几乎没有灌草植被ꎬ生物多样性低ꎮ这些指标综合影响到森林自然度等级ꎬ导致虽然树种相似但森林自然度等级确存在差异ꎮ３.２㊀遥感图像中不同森林自然度等级样本点确定为严格限定样本的质量ꎬ需基于样地尺度设置２００ｍ的缓冲区以扩充样本点ꎮ根据实地踏查及现场拍摄照片ꎬ发现该缓冲区范围的样地周围植被类型情况一致ꎬ植被具有相似性ꎬ即缓冲区的设置符合试验实际标准(图２)ꎮＮＤＶＩ值在缓冲区范围内满足在１倍标准差范围内ꎬ且不低于０.２ꎬ主要为了保证所选样本点均为植被类型ꎬ且与样地点的差异小ꎮ根据以上方法ꎬ得到不同森林自然度等级的样本１６８２３个ꎬ其中Ⅰ级５３５９个㊁Ⅱ级４４６２个㊁Ⅲ级７００２个ꎮ表３㊀样地的森林自然度等级与数值Ｔａｂｌｅ３㊀Ｆｏｒｅｓｔｎａｔｕｒａｌｎｅｓｓｌｅｖｅｌｓａｎｄｖａｌｕｅｓｏｆｓａｍｐｌｅｐｌｏｔｓ样地编号Ｓａｍｐｌｅｐｌｏｔｎｕｍｂｅｒ森林自然度数值Ｆｏｒｅｓｔｎａｔｕｒａｌｎｅｓｓｖａｌｕｅ森林自然度等级Ｆｏｒｅｓｔｎａｔｕｒａｌｎｅｓｓｌｅｖｅｌ１０.３４９４Ⅰ２０.６５０３Ⅲ３０.５２８３Ⅱ４０.５７６０Ⅱ５０.６１３１Ⅲ６０.３９４５Ⅰ７０.３８４９Ⅰ８０.６３８５Ⅲ９０.４４３６Ⅱ１００.５３５８Ⅱ１１０.５０９７Ⅱ１２０.５２５３Ⅱ１３０.４７３４Ⅱ１４０.５１３８Ⅱ１５０.４２１２Ⅱ１６０.６４６７Ⅲ１７０.５７０５Ⅱ１８０.５８４１Ⅱ１９０.５０２５Ⅱ２００.４２２９Ⅱ２１０.４６０１Ⅱ遥感影像Ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅ实地照片Ｆｉｅｌｄｐｈｏｔｏ(ａ)森林自然度等级ⅠＦｏｒｅｓｔｎａｔｕｒａｌｎｅｓｓｌｅｖｅｌⅠ(３２ʎ２８ᶄ３７ᵡＮꎬ１１０ʎ１０ᶄ０３ᵡＥ)遥感影像Ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅ实地照片Ｆｉｅｌｄｐｈｏｔｏ(ｂ)森林自然度等级ⅡＦｏｒｅｓｔｎａｔｕｒａｌｎｅｓｓｌｅｖｅｌⅡ(３２ʎ０３ᶄ３６ᵡＮꎬ１１０ʎ１０ᶄ２５ᵡＥ)遥感影像Ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅ实地照片Ｆｉｅｌｄｐｈｏｔｏ(ｃ)森林自然度等级ⅢＦｏｒｅｓｔｎａｔｕｒａｌｎｅｓｓｌｅｖｅｌⅢ(３２ʎ０３ᶄ５５ᵡＮꎬ１１０ʎ０７ᶄ４７ᵡＥ)图２㊀不同森林自然度的遥感影像和实地图Ｆｉｇｕｒｅ２㊀Ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓａｎｄｐｉｃｔｕｒｅｓｏｆｄｉｆｆｅｒｅｎｔｆｏｒｅｓｔｎａｔｕｒａｌｎｅｓｓ５９ ㊀第１期张驰ꎬ等:基于高分二号遥感数据的森林自然度等级划分３.３㊀森林自然度等级分类精度评价随机森林算法的总体精度为９３.９７％ꎬＫａｐｐａ系数为０.９１ꎬ具有较好的分类结果(表４)ꎮ其中制图精度最高的是森林自然度Ⅰ级ꎻ用户精度最高的是森林自然度Ⅰ㊁Ⅲ级ꎻ错分误差和漏分误差最高的均是森林自然度Ⅱ级ꎮ各森林自然度等级的精度评价均较高ꎬ说明随机森林算法能较好地对研究区的森林自然度等级进行分类ꎮ表４㊀精度评价结果Ｔａｂｌｅ４㊀Ａｃｃｕｒａｃｙｅｖａｌｕａｔｉｏｎｒｅｓｕｌｔｓ总体精度Ｏｖｅｒａｌｌａｃｃｕｒａｃｙ/％Ｋａｐｐａ系数Ｋａｐｐａｃｏｅｆｆｉｃｉｅｎｔ森林自然度等级Ｆｏｒｅｓｔｎａｔｕｒａｌｎｅｓｓｌｅｖｅｌ制图精度Ｐｒｏｄｕｃｅｒａｃｃｕｒａｃｙ/％用户精度Ｕｓｅｒａｃｃｕｒａｃｙ/％错分误差Ｍｉｓｃｌａｓｓｉｆｉｃａｔｉｏｎｅｒｒｏｒ/％漏分误差Ｌｅａｋａｇｅｅｒｒｏｒ/％Ⅰ９５９５５５９３.９７０.９１Ⅱ９３９１９７Ⅲ９４９５５６３.４㊀地形及遥感特征因子重要性分析根据随机森林算法中获得的各特征因子的重要值绘制成柱形图(图３)ꎮ重要值最高的分别为地形特征中的高程㊁坡向㊁坡度ꎬ其重要值分别为０.１９５１㊁０.１５９４㊁０.０９０６ꎮ在纹理特征因子中ꎬ４个波段均值的重要值均较高ꎮ光谱主成分变化分量中ＰＣＡ１㊁ＰＣＡ２㊁ＰＣＡ３重要值也较高ꎮ而植被指数中的ＮＤＶＩ重要值也较高ꎬ数值为０.０２７４ꎮ所选取的４０个遥感特征因子中ꎬ地形因子占主导作用ꎬ其他因子起辅助分类的作用ꎮ分析其原因ꎬ针对高山地区ꎬ地形因子为影响该地区植被分布的重要因素ꎮ而均值反映了灰度共生矩阵的纹理因子ꎬ可指示计算窗口内像素值分布均匀与否ꎬ纹理规则性与均值是正相关关系ꎮ而ＮＤＶＩ是植被生长状态和植被覆盖度最佳指示因子ꎬ其反应了遥感图像中红波段与近红外波段的变化ꎬ这两个波段对绿色植物变化的反映十分灵敏ꎮ图３㊀各特征因子重要值Ｆｉｇｕｒｅ３㊀Ｉｍｐｏｒｔａｎｔｖａｌｕｅｓｏｆｔｈｅｆｅａｔｕｒｅｆａｃｔｏｒｓ６９ 森㊀林㊀与㊀环㊀境㊀学㊀报第４０卷㊀３.５㊀森林自然度空间分布针对森林自然度Ⅰ㊁Ⅱ㊁Ⅲ等级样本ꎬ采用随机森林算法对研究区的森林自然度进行分类(图４)ꎮ研究区大部分地区森林自然度等级为Ⅱ㊁Ⅲ级ꎬ其中Ⅲ级所占面积为５２.５１％ꎬⅡ级所占面积为３６.９８％ꎬ其面积分别为２７２０.０２７２㊁１９１５.８０１６ｈｍ２ꎬ主要分布在远离道路和的村庄ꎬ海拔为１０００~１３００ｍꎬ群落结构较为复杂ꎬ起源为天然起源的混交林ꎮ森林自然度等级为Ⅰ级的林分较少ꎬ其所占面积为９.７５％ꎬ面积约为５０６.３９３６ｈｍ２ꎬ主要分布在道路和村庄附近ꎬ起源主要为人工林ꎮ图４㊀随机森林算法分类结果Ｆｉｇｕｒｅ４㊀Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｏｆｔｈｅｒａｎｄｏｍｆｏｒｅｓｔａｌｇｏｒｉｔｈｍ４㊀讨论与结论森林自然度等级评价对森林近自然经营管理具有重要作用ꎬ现有的评价方法主要是在样地水平构建森林自然度的评价指标体系ꎬ从而评价森林自然度等级ꎮ该模式在推广到区域范围时存在一定的难度ꎮ鉴于遥感技术在大面积区域范围的应用优势ꎬ提出了基于高分遥感数据的森林自然度等级划分方法ꎬ该方法以ＧＦ￣２号遥感影像数据为基础ꎬ在选取研究区典型林分样地的基础上ꎬ结合样地尺度林分特征数据与区域大尺度遥感影像数据的特点ꎬ从遥感影像中提取遥感特征因子ꎬ利用随机森林算法在大尺度范围对研究区森林自然度等级进行分类研究ꎬ拓展了区域范围森林自然度的评价思路ꎮ高分辨率的遥感影像数据可将样地尺度森林特征与遥感尺度特征关联ꎮ相较于传统的基于样地调查结果推算整体区域ꎬ森林自然度评估的精度受限于地面样本数量ꎮ如何将地面样地数据尺度转换到遥感尺度是研究的难点ꎮ本研究采用了少量(２１个)的地面样地评估样地尺度的森林自然度ꎬ并以此为基础ꎬ利用缓冲区的方法ꎬ结合ＮＤＶＩ筛选了遥感影像中的不同森林自然度等级样本ꎬ实现了样地尺度与遥感尺度之间的联系ꎬ为后续区域尺度的森林自然度等级划分奠定了基础ꎮ基于数字高程及遥感影像提取的特征指标与森林自然度等级有一定关联ꎮ其中数字高程㊁坡向㊁坡度ꎬ纹理特征中的均值ꎬ光谱主成分 ７９ ㊀第１期张驰ꎬ等:基于高分二号遥感数据的森林自然度等级划分８９ 森㊀林㊀与㊀环㊀境㊀学㊀报第４０卷㊀变化分量ꎬＮＤＶＩ在森林自然度等级分类中有较高的重要性ꎬ可以较好地反映森林自然度等级ꎮ高程㊁坡度㊁坡向可以反映森林植被生长的环境特征ꎬ遥感影像中的纹理可以反映植被冠层均匀度与复杂程度ꎬ而冠层的均匀度与复杂度与森林树种构成㊁群落结构等相关ꎬＮＤＶＩ利用了红边波段和红波段信号ꎬ反映植被对光的利用效能ꎬ可间接反映植被的生长状态ꎬ这些特征因子的综合可以从森林植被生长的外因(地形)㊁内因(群落特征及生长)ꎮ森林植被生长的外因和内因同时也是影响森林自然度等级的因素ꎬ因此ꎬ遥感影像提取的特征可间接反映森林自然度等级状态ꎮ利用随机森林的机器学习方法ꎬ结合遥感影像中提取的森林特征ꎬ可以很好地建立森林自然度等级分类ꎮ对森林自然度等级分类的总体精度可达９３.９７％ꎬＫａｐｐａ系数为０.９１ꎮ该方法在应用在九华山林场森林自然度评价中ꎬ发现研究区范围内主要的森林自然度等级为Ⅱ㊁Ⅲ级ꎬ其中Ⅲ级所占面积为５２.５１％ꎬⅡ级所占面积为３６.９８％ꎬⅠ级的林分较少ꎬ其所占面积为９.７５％ꎮ参考文献[１]刘宪钊ꎬ马帅ꎬ陆元昌.森林自然度评价研究[Ｊ].西南林业大学学报ꎬ２０１５ꎬ３５(４):９９－１０５.[２]ＭＣＲＯＢＥＲＴＳＲＥꎬＷＩＮＴＥＲＳꎬＣＨＩＲＩＣＩＧꎬｅｔａｌ.Ａｓｓｅｓｓｉｎｇｆｏｒｅｓｔｎａｔｕｒａｌｎｅｓｓ[Ｊ].ＦｏｒｅｓｔＳｃｉｅｎｃｅꎬ２０１２ꎬ５８(３):２９４－３０９. [３]ＢＡＲＴＨＡＤ.Ｃｈａｎｃｅｓｆｏｒａｓｔａｎｄ￣ｌｅｖｅｌｅｖａｌｕａｔｉｏｎｏｆｔｈｅｎａｔｕｒａｌｎｅｓｓｏｆｆｏｒｅｓｔｓ[Ｊ].ＡｌｌｇｅｍｅｉｎｅＦｏｒｓｔｕｎｄＪａｇｄｚｅｉｔｕｎｇꎬ２００４ꎬ１７５(４２７３７):８－１３.[４]刘世荣ꎬ杨予静ꎬ王晖.中国人工林经营发展战略与对策:从追求木材产量的单一目标经营转向提升生态系统服务质量和效益的多目标经营[Ｊ].生态学报ꎬ２０１８ꎬ３８(１):１－１０.[５]杨玉盛ꎬ陈光水ꎬ谢锦升ꎬ等.中国森林碳汇经营策略探讨[Ｊ].森林与环境学报ꎬ２０１５ꎬ３５(４):２９７－３０３. [６]ＦＥＲＲＡＲＩＣꎬＰＥＺＺＩＧꎬＤＩＡＮＩＬꎬｅｔａｌ.Ｅｖａｌｕａｔｉｎｇｌａｎｄｓｃａｐｅｑｕａｌｉｔｙｗｉｔｈｖｅｇｅｔａｔｉｏｎｎａｔｕｒａｌｎｅｓｓｍａｐｓ:ａｎｉｎｄｅｘａｎｄｓｏｍｅｉｎｆｅｒｅｎｃｅｓ[Ｊ].ＡｐｐｌｉｅｄＶｅｇｅｔａｔｉｏｎＳｃｉｅｎｃｅꎬ２００８ꎬ１１(２):２４３－２５０.[７]郭廷栋ꎬ王得祥ꎬ王涛ꎬ等.延安市城郊侧柏纯林及混交林的近自然度评价[Ｊ].西北农林科技大学学报(自然科学版)ꎬ２０１５ꎬ４３(９):４３－５０.[８]吴银莲ꎬ李景中ꎬ杨玉萍ꎬ等.森林自然度评价研究进展[Ｊ].生态学杂志ꎬ２０１０ꎬ２９(１０):２０６５－２０７１. [９]彭舜磊ꎬ吕建华ꎬ陈昌东ꎬ等.宝天曼自然保护区主要森林类型自然度评价[Ｊ].生态学报ꎬ２０１６ꎬ３６(２４):８１６４－８１７３.[１０]赵中华ꎬ惠刚盈.基于林分状态特征的森林自然度评价:以甘肃小陇山林区为例[Ｊ].林业科学ꎬ２０１１ꎬ４７(１２):９－１６.[１１]ＷＩＮＴＥＲＳꎬＦＩＳＣＨＥＲＨＳꎬＦＩＳＣＨＥＲＡ.Ｒｅｌａｔｉｖｅｑｕａｎｔｉｔａｔｉｖｅｒｅｆｅｒｅｎｃｅａｐｐｒｏａｃｈｆｏｒｎａｔｕｒａｌｎｅｓｓａｓｓｅｓｓｍｅｎｔｓｏｆｆｏｒｅｓｔｓ[Ｊ].ＦｏｒｅｓｔＥｃｏｌｏｇｙａｎｄＭａｎａｇｅｍｅｎｔꎬ２０１０ꎬ２５９(８):１６２４－１６３２.[１２]李振ꎬ胡慧萍ꎬ杨敏华ꎬ等.Ｌａｎｄｓａｔ￣８多时相遥感影像亚热带森林分类[Ｊ].测绘与空间地理信息ꎬ２０１８ꎬ４１(９):１４７－１４９. [１３]佃袁勇ꎬ杨光ꎬ方圣辉.傅里叶谱纹理和光谱信息结合的高分辨率遥感影像地表覆盖分类[Ｊ].武汉大学学报:信息科学版ꎬ２０１７ꎬ４２(３):３６２－３６８.[１４]雷光斌ꎬ李爱农ꎬ谭剑波ꎬ等.基于多源多时相遥感影像的山地森林分类决策树模型研究[Ｊ].遥感技术与应用ꎬ２０１６ꎬ３１(１):３１－４１.[１５]ＤＩＡＮＹＹꎬＰＡＮＧＹꎬＤＯＮＧＹＦꎬｅｔａｌ.ＵｒｂａｎｔｒｅｅｓｐｅｃｉｅｓｍａｐｐｉｎｇｕｓｉｎｇａｉｒｂｏｒｎｅＬｉＤＡＲａｎｄｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａ[Ｊ].ＪｏｕｒｎａｌｏｆｔｈｅＩｎｄｉａｎＳｏｃｉｅｔｙｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１６ꎬ４４(４):５９５－６０３.[１６]ＳＵＹＪꎬＧＵＯＱＨꎬＸＵＥＢＬꎬｅｔａｌ.ＳｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｆｏｒｅｓｔａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｉｎＣｈｉｎａ:ｅｓｔｉｍａｔｉｏｎｔｈｒｏｕｇｈｃｏｍｂｉｎａｔｉｏｎｏｆｓｐａｃｅｂｏｒｎｅｌｉｄａｒꎬｏｐｔｉｃａｌｉｍａｇｅｒｙꎬａｎｄｆｏｒｅｓｔｉｎｖｅｎｔｏｒｙｄａｔａ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔꎬ２０１６ꎬ１７３:１８７－１９９.[１７]池建ꎬ王昭ꎬ徐新疆.天津八仙山自然保护区生态系统健康遥感监测研究[Ｊ].林业调查规划ꎬ２００７ꎬ３２(１):５１－５４. [１８]赵玉ꎬ王红ꎬ张珍珍.基于遥感光谱和空间变量随机森林的黄河三角洲刺槐林健康等级分类[Ｊ].遥感技术与应用ꎬ２０１６ꎬ３１(２):３５９－３６７.[１９]黄春波ꎬ佃袁勇ꎬ周志翔ꎬ等.基于时间序列统计特性的森林变化监测[Ｊ].遥感学报ꎬ２０１５ꎬ１９(４):６５７－６６８. [２０]姚登举ꎬ杨静ꎬ詹晓娟.基于随机森林的特征选择算法[Ｊ].吉林大学学报(工学版)ꎬ２０１４ꎬ４４(１):１３７－１４１. [２１]方匡南ꎬ吴见彬ꎬ朱建平ꎬ等.随机森林方法研究综述[Ｊ].统计与信息论坛ꎬ２０１１ꎬ２６(３):３２－３８.[２２]雷震.随机森林及其在遥感影像处理中应用研究[Ｄ].上海:上海交通大学ꎬ２０１２.(责任编辑:江㊀英)㊀㊀。

林分郁闭度的简易测算法
佚名
【期刊名称】《新疆林业》
【年(卷),期】1989(000)006
【摘要】郁闭度是指单位面积上树冠投影覆盖面的程度(比例)。

在进行小班调查时,人们往往凭借经验目测,比较粗放且不易掌握。

【总页数】1页(P38-38)
【正文语种】中文
【中图分类】S7
【相关文献】
1.不同林分郁闭度对竹柏生长的影响 [J], 王邦富;王琦;黄云鹏;沈彩霞;刘雨晖;陈辉;黄建辉
2.城区周边不同郁闭度林分套种枫香大苗技术研究 [J], 罗丽琴
3.基于林分高度及郁闭度的森林生物量和蓄积量模型研究 [J], 吴发云;高显连;周蓉;王鹏杰;付安民
4.杉木林分郁闭度对林下黄花倒水莲生长及皂苷含量的影响 [J], 王邦富
5.乔木林郁闭度与林下天然筇竹林分布及生长状况的关系研究 [J], 白祖云;胡鸿翔;杨树凯;李长伟
因版权原因，仅展示原文概要，查看原文内容请购买。