森林资源动态监测系统与ENVI决策树分类技术的应用

2016-04-01 09:25冯若昂王瑞燕
科技视界 2016年7期
关键词:决策树

冯若昂 王瑞燕

【摘 要】在山东省2014年展开的森林资源二次调查的前提下,以潍坊安丘市凌河镇赵家沟村为研究区域。利用ENVI软件的决策树分类技术对研究区的树种进行了分类,再以森林资源调查过程中用GIS技术开发的《山东省森林资源动态监测调查系统》软件的实地调查结果为依据对研究区树种分类结果进行精度验证,结果显示研究区森林覆盖率55.82%,分类精度为76.7554%。本文提出两种研究手段在研究过程中所出现的问题及建议。

【关键词】森林资源调查;决策树;潍坊安丘市

森林是陆地主要的生态系统,不仅是经济和社会发展的物质基础,还是维持生态平衡和改善生态环境的重要保障,在应对全球气候变化中发挥不可替代的作用[1]。近几年,我国在地区森林资源发展趋势[2]、森林可持续发展的管理方法[3]、森林资源调查方法[4-7]、发展对策[8-10]以及森林资源保护措施[11-12]等方面进行了大量的研究,而遥感技术是森林资源调查中首要手段,其应用及发展具有广阔的前景[12-15]。2008年以来,近红外光谱技术在林业中的应用以及高光谱遥感技术在林业信息提取中的应用都充分说明遥感技术在森林资源调查中越来越重要。可以说掌握森林资源现状的研究手段,对合理分析森林资源以其生态功能、合理经营与科学管理森林资源,实现林业的可持续发展具有重要意义[16-17]。本文在山东省潍坊安丘市凌河镇森林资源调查的基础上,利用山东省森林资源动态监测调查软件、ENVI决策树分类技术对凌河镇森林资源进行林种分类,并提出两种技术手段相结合存在的问题与建议,以期为森林资源可持续发展的科学管理提供参考依据。

1 研究技术与方法

1.1 森林资源动态监测调查系统

1.1.1 操作平台

山东省森林资源动态监测调查系统,是综合运用数据库技术、MIS技术、GIS技术开发的系统,该系统是基于森林资源调查数据的基础上完成相关工作。调查的内容包括调查各类林地面积、蓄积和分布、各类农田林网、农林间作、地堰绿化面积、蓄积和分布以及调查区树木的株数和蓄积[18]。

该系统综合功能强、操作简单。桌面版软件主要是完成小班的内业区划、数据拆分、数据合并、数据下发、数据接收、后期数据处理、数据检查和生成报表等工作(操作界面如图1所示)。移动版软件主要用于外业调查,主要对调查区域进行实地调查、录入小班属性因子和实地拍摄照片等(操作界面如图2所示)。

1.1.2 使用过程

1)桌面端使用过程

桌面版软件使用,以高分辨率的遥感影像数据为工作底图,然后叠加小班数据,也可以添加矢量数据来增加边界的识别程度,填充方式改为透明显示。根据外业工作组的调查对数据进行拆分,但拆分前应该确定软件系统设置中数据字典的完整性,数据字典又分为政区字典和资源字典。

利用软件自带面分割,线分割,合并、分解等处理工具对拆分好的数据库进行图斑编辑,除去实地调查需要实地录入的属性因子,系统会对小班号进行自动赋值和面积自动平差。在相同背景及距离较近的图像小班的属性经常会存在许多因子一样的情况,为了避免重复录入相同的属性信息,减少工作量可以使用属性复制工具。把选中小班的属性信息复制到目标小班。同理利用属性复制工具还可以对多个目标小班进行属性复制。

最后对汇总合并后的调查数据进行数据质检,包括属性检查和空间检查,根据错误提示修改结果,然后输出质检报告和最后的森林资源调查结果。

2)移动端使用过程

将桌面版软件中的工程数据和影像文件进行拆分并拷贝到平板电脑移动版软件中,然后进行软件GPS定位设置,使GPS参数符合外业调查。

实地调查中验证小班边界和小班实际范围是否吻合,采用修边工具对不一致的边界进行调整。对不同的小班(林网小班、间作小班、地堰绿化小班)进行调查时,选中调查地,然后根据实地林种类型进行调查,点击调查表,录入属性因子。调查中根据实地情况的不同还需要填的调查表有未成林、灌木林、幼林标准地调查表,经济林、竹林标准地调查表,苗圃地调查表,散生木调查表等。实地调查还包括村镇树(乡镇范围和城建区范围)信息录入,村镇树实地调查时采用抽样调查的方法。最后将调查结果导入桌面端软件数据库中。

1.2 ENVI决策树分类

1.2.1 分类过程

利用ENVI软件加载高空间分辨率遥感影像数据。进行决策树分类前首先应该获取多源数据。对遥感影像数据进行监督分类获得监督分类结果图、NDVI(归一化植被指数)、DEM(数字高程模型)、Slope(坡度信息提取)、Aspect(坡向信息提取)等定义分类规则,按照二叉树描述方式对数据进行分层。例如,在第一层中以NDVI来区分植被和非植被信息,根据NDVI和实际影像信息来选取合适的阈值划分第一层,然后对第二层中的植被信息根据坡度、高程、光谱信息等数据对植被种类进行划分,以此类推。然后利用ENVI分类菜单下的决策树分类工具进行输入已经定义好了的分类规则,输入规则应严格按照ENVI软件的语言要求输入。最后执行决策树分类,在输出窗口上选择投影参数、重采样方法等信息,然后输出分类结果图[19-22]。

1.2.2 精度分析

分类结果精度评价是分类结果是否可用的一种度量。用混淆矩阵来评价是目前使用较多的一种方法,它是由相同个数的行和列组成的矩阵,行和列的个数代表分类的个数。Kappa系数为非参数统计方法,其值在0-1之间,Kappa系数即考虑了混淆矩阵对角线上被正确分类的像素,又考虑了不在对角线上的各种漏分和错分错误[23-24]。

2 应用案例

2.1 研究区选取

以潍坊安丘市凌河镇赵家沟村附近1km2的地区为应用案例,利用3S技术进行林种划分。赵家沟村位于安丘凌河镇西南的留山北侧山脚,该村大体符合安丘市的地形格局,山区、丘陵与平原大体各占三分之一,且树木种类大体符合安丘凌河镇的现状,凌河镇的植被主要以黑杨为主,还有大面积的桃树、杏树、苹果树等果林,还分布少量的侧柏,观赏和经济植物幼苗为主的苗圃,灌木林及其草地。

2.2 研究方法

首先对高空间分辨率的遥感影像进行裁剪,由于遥感数据为有关部门下发的处理妥善的2012年分辨率为0.5m的航拍数据,所以不需对影像进行预处理,在这里只需要对数据进行裁剪选取自己需要的区域就可以了。利用ENVI软件的裁剪功能选取包括安丘市凌河镇赵家沟村附近的大约1km2(约40000000个像元)的地区进行裁剪。然后在地理空间数据云平台上下载对应地区分辨率为30m的DEM数据,并运用ENVI软件的裁剪功能,以裁剪好的航拍数据为依据裁剪DEM数据。

以凌河镇调查中的实地植被种类为先验知识,对经过裁剪的研究区域用遥感分类方法进行林种监督分类。首先利用目视解译的方法对研究区高分辨率影像进行大体树种划分(主要划分为五种类型:非林地、黑杨、侧柏、灌木林和苗圃林,其中非林地中包含耕地,灌木林中包含草地),然后选取合适的训练样本进行监督分类。运用ENVI遥感软件对影像进行多源信息提取。利用高分辨率和DEM影像提取植被指数(NDVI)和坡度坡向信息,最后利用决策树的分类方法对研究区树种进行分类,并且计算赵家沟村附近区域的森林覆盖率。

利用GIS开发的《山东省森林资源动态监测调查系统》软件移动版加载经过几何校正后的航拍影像来作为外业调查所用的参考底图,选择外业调查线路,携带平板等实地调查仪器去实地进行外业调查,利用平板自带的GPS定位系统开展小班的定位调查,调查记录不同林种的样点,调查录入相关的调查因子,拍摄实地树种样地的照片,保存到平板移动版软件的相关文件夹下。室内将调查结果汇总合并到桌面版软件数据库中。

然后依据《山东省森林资源动态监测调查系统》软件的凌河镇调查结果,选取赵家沟村附近的实际调查数据为依据,利用混淆矩阵中的地表真实感兴趣区对ENVI分类结果进行精度验证。输出Kappa系数和总体精度报告。

2.3 结果与分析

经过此次森林资源调查,潍坊安丘市凌河镇的小班数量一共有1023个,其中非林地小班312个,乔木林小班572个,苗圃地小班95个,未成林造林地小班41个,宜林荒山荒地小班3个。隶属赵家沟村的小班有9个小班,非林地小班有2个,乔木林小班有7个。

图3为研究区域的植被分类图,表1为植被分类结果精度与实地面积表。结果赵家沟村区域可划分为林地与非林地(包含耕地)两大类,林地划分为黑杨、侧柏、灌木林(含草地)和苗圃地。由分类结果表1可知,此次研究总体分类精度为76.7554%,其中非林地占36.36%;有林地占40.4%;还有23.24%的错分像元(图上1像元代表实际面积0.25m2)。错分像元存在的原因主要是由高分辨率航拍影像存在异物同谱和同谱异物现象造成的。影像的空间分辨率越高其所对应的光谱分辨率就会越低,使得地物波谱曲线存在异物同谱和同谱异物的现象。

对有林地的分类结果分析可以发现,黑杨主要集中在赵家沟村周围和道路两侧,其面积为239509.8m2,约占总区域面积的23.95%;灌木林(含草地)主要分布在赵家沟村西北和东南的低山丘陵地带,其面积为157361m2,约占总区域面积的15.74%;侧柏零星分布在村子外围和东南山丘顶部,其面积为92402.25m2,约占总区域的9.24%;还有苗圃地零星分布在村落的四周,占地面积为68893m2,约占从区域面积的6.89%。最后根据有林地面积与国家特别规定灌木林面积之和比上土地总面积求算得赵家沟附近区域的森林覆盖率约为55.82%。

3 结论

(1)决策树分类是基于遥感影像数据及其他空间数据,通过知识经验总结、简单的数学统计和归纳方法等,获得分类规则并进行分类。相比较单纯利用《山东省森林资源动态监测调查系统》软件为工具所进行的实际林业资源调查而言,以ENVI决策树分类技术、GPS定位技术和GIS调查软件相结合的3S技术可以打破传统森林资源调查的局限,减少地形复杂区域的森林资源调查的困难程度,减少人力和物力资源的浪费,能加快森林资源调查的进程和速度。

(2)遥感影像的光谱分辨率与空间分辨率相互制约,遥感影像的空间分辨率高就意味着遥感影像的光谱分辨率低。使用高空间分辨率遥感影像来进行森林资源调查相比传统的调查方法而言,加快了森林资源调查工作的速度和精准程度。但在本文中高空间分辨率影像的分类研究表明,由于高分辨率遥感影像存在很多因地形、阴影、拍摄时间、拍摄角度、植被生长情况等所造成的异物同谱和同谱异物问题,会造成遥感分类结果中光谱信息相似的地物种类存在错误分类的现象。高空间分辨率影像的低光谱信息量特征是造成树种错误分类结果的主要原因。伴随着高空间、高光谱、微波遥感等遥感技术的发展,高空间、时间分辨率的影像在林业资源调查中的使用将加强森林资源调查的精准度,加快森林资源更新调查的速度,且遥感影像在林业中的应用必然会有广阔的前景。

(3)在此次林业资源调查过程中,3S技术的运用虽然起到了一定的积极效果,但3S技术集成应用的实际功能还未完全的开发出来,结合本文的应用案例分析,造成实际功能不能完全体现的原因主要是由于遥感分类技术达不到林业资源调查的要求;另外在地形复杂的山地和丘陵地区,移动端平板自带的GPS的定位功能会受到地形和树木遮挡的影响,造成定位精度达不到森林资源调查的要求的现象。应该加强各级相关部门的财政投入,更新调查工具和手段,使森林资源调查工作能高效率的展开。但伴随着3S技术的发展,利用3S技术对山地和丘陵地区森林资源的状况进行动态监测会提高森林资源调查的准确性,加快森林资源调查的速度。

致谢

感谢山东省第四地质矿产勘查院元伟涛师兄在数据提供与论文写作上给予的大力帮助。

【参考文献】

[1]国家林业局森林资源管理司.第七次全国森林资源清查及森林资源状况[J].林业资源管理,2010,01:1-8.

[2]陈雪峰.中国森林资源可持续发展问题的探讨[J].自然资源学报,1996,04:318-325.

[3]杨明,王朝琴,彭彰俊.黔南州长顺县林业资源调查与分析[J].森林工程,2013,06:44-46.

[4]邓坤枚.青藏高原林业资源的可持续发展探讨[J].自然资源学报,2000,04:340-347.

[5]代占山.黑龙江省宝清县林业局国有森林资源现状及今后经营利用分析[J].林业勘察设计,2010,01:1-6.

[6]郭生祥,汪有奎,张建奇,等.基于“3S”技术的祁连山自然保护区森林资源调查分析[J].林业实用技术,2011,03:47-49.

[7]张杰.试析我国东北地区林业资源现状及保护措施[J].黑龙江科技信息,2012,(12):225.

[8]狄文彬,杜鹏志.对北京市森林资源现状及未来发展趋势的探讨[J].山东林业科技,2012,03:128-130+105.

[9]杜志,甘世书,胡觉.西南高山林区森林资源特点及保护利用对策探讨[J].林业资源管理,2014(z1):27-31.

[10]贺鹏,甘世书,胡觉,等.我国热带林区森林资源动态变化特点及发展保护对策探析[J].林业资源管理,2014(z1):22-26,36.

[11]龙超,鲁德,龙跃,等.中亚五国林业发展及国际合作展望[J].世界林业研究,2015,01:80-84.

[12]戴前石,谭宽祥,郑红.卫星遥感技术在林地变化监测中的应用[J].林业资源管理,2000,02:57-59.

[13]许国民.森林资源调查技术与方法[J].中国农业信息,2015,11:82.

[14]张鹏程.分析遥感技术在林业中的运用[J].黑龙江科技信息,2015,12:284.

[15]肖永有,刘小强,何伟民.卫星遥感影像在森林资源调查小班区划中的应用[J].南方林业科学,2015,05:40-42.

[16]龚玉梅,张炜.近红外光谱检测技术及其在林业中的应用[J].光谱学与光谱分析,2008,07:1544-1548.

[17]吴见,彭道黎.高光谱遥感林业信息提取技术研究进展[J].光谱学与光谱分析,2011,09:2305-2312.

[18]山东省林业监测规划院.山东省森林资源动态监测系统建设森林资源调查操作细则[M].2014.

[19]陈利,林辉,孙华,等.基于决策树分类的森林信息提取研究[J].中南林业科技大学学报,2013,01:46-51.

[20]罗朝沁,林辉,孙华,等.基于MODIS影像大尺度森林资源信息提取方法研究[J].中南林业科技大学学报,2015,11:21-26+42.

[21]孙静雯,王红旗,张欣,等.基于决策树分类的根河市土地利用变化及驱动力分析[J].中国人口.资源与环境,2014,S1:449-452.

[22]韩婷婷,习晓环,王成,等.基于决策树方法的云南省森林分类研究[J].遥感技术与应用,2014,05:744-751.

[23]刘旭拢,何春阳,潘耀忠,等.遥感图像分类精度的点、群样本检验与评估[J].遥感学报,2006,03:366-372.

[24]孙元芳,周斌,盖颖颖,等.遥感监测墨西哥湾溢油目标识别算法[J].测绘科学,2015,03:63-67+106.

[责任编辑:王楠]

猜你喜欢
决策树
基于决策树和神经网络的高血压病危险因素研究
一种针对不均衡数据集的SVM决策树算法
决策树和随机森林方法在管理决策中的应用
面向分布式数据流大数据分类的多变量决策树
基于改进决策树的故障诊断方法研究
决策树多元分类模型预测森林植被覆盖
基于决策树的出租车乘客出行目的识别
基于决策树的复杂电网多谐波源监管
基于模糊关联规则和决策树的图像自动标注
基于肺癌CT的决策树模型在肺癌诊断中的应用