下载:
-
土地利用是城市发展规划及资源开发利用的关键信息，同时也是区域土地利用变化研究的重要基础[1]。然而高原山区的遥感影像自动分类相比其他地形区而言，传统的遥感分类方法在分类精度上受各方面因素影响，难以满足研究需求[2]。传统的监督分类方法和非监督分类方法，是基于像元的数理统计法，地物分类时考虑的主要为像元的光谱信息，对遥感影像的形状、纹理及空间关系等利用不够充分[3]，容易发生“同物异谱”和“同谱异物”。近年来，国内外许多学者尝试利用不同类型遥感影像来提高土地利用分类精度，在遥感影像的使用上多以Landsat和Modis系列的中低分辨率数据为主，分类精度经常受到影像空间分辨率的限制，在地物破碎的区域提取草地、水塘和小规模村庄等时存在较大的局限性[4]。近年来采用高分辨率卫星作为实验数据的分类研究逐年增多[5-7]，高分辨率影像可利用清晰的地物几何特征和纹理等信息，具有覆盖范围大、重访周期短、定量化探测等优点，但影像成本较高，获取难度较大[8]。哨兵二号遥感卫星最高的空间分辨率可达10 m，与传统遥感数据相比，Sentinel-2A遥感数据新增加的4个红边波段与叶绿素含量关系紧密[9]。在地物提取分类研究领域中，近年来有众多学者运用红边波段进行湿地提取[10]、作物识别[11]、地物类型划分[12]等方面的研究，均取得了较好的效果。随着计算机和3S技术的发展，遥感研究的逐渐深入，新的分类方法不断涌现，如多重滤波[13]、面向对象分类法[14]、模糊分类法[15]、随机森林分类法[16]、神经网络法[17]等。尽管这些分类方法在不同程度上均提高了分类精度，然而在分类结果中依然存在着或多或少的“椒盐效应”[18]。本研究以云南省大理市为研究区域，以Sentinel-2A遥感影像为数据源，提出一种面向对象特征与决策树规则相结合的分类方法，依靠多维遥感信息复合技术，充分利用地物的光谱特征[19]、几何结构和纹理等提高遥感影像在大理市不同土地利用类型的区分效果，可探索提高高原山区分类精度的有效途径。
-
云南省大理市地处云贵高原，大理州中部，25°25′~25°58′N，99°58′~100°27′E，总面积为1 815 km2，基础海拔1 000 m以上，地面起伏较大，地形以山地为主，其中山地面积为1 278.8 km2，山区、半山区面积达70.5%。总体特征是西北高，东南低，四周高，中间低。研究区地处盆地，中部是洱海，被四周的高山环抱，西部是苍山，东侧为马尾山，四周山坡均朝向洱海。
-
本研究使用的Sentinel-2数据源通过欧空局的哥白尼数据中心下载，辅助数据包括2.5 m天地图影像数据和从地理空间数据云获取的大理市行政边界矢量数据。利用欧洲航天局(ESA)官方提供的SNAP软件和sen2cor插件对下载的原始影像进行大气校正，得到L2A级数据，采用最近邻插值法将波段重采样为10 m分辨率，基于ENVI软件对其进行几何校正。因高原山区云雾较多，为降低影像云覆盖对分类精度影响，将2020年1月1日至12月31日大理市Sentinel-2A影像最小云量进行年度多时相合成，通过大理市行政边界矢量数据对遥感影像数据进行裁剪。
-
土地利用分类标准在参照GB/T 21010—2017《土地利用现状分类标准》[20]的基础上结合高原山区各方面特征，将研究区分为七大类，选出准确可靠的7个类型样本，进行样本间的分离度计算，计算结果如表1所示。
表 1 各种类型地物样本组合的Jeffries-Matusita距离
Table 1. Jeffries Matusita distance of various types of feature sample combinations
土地利用类型 分离度 土地利用类型 分离度 林地-农田 1.953 农田-其他 1.994 林地-水体 2.000 水体-草地 1.993 林地-草地 1.895 水体-建设用地 2.000 林地-建设用地 1.998 水体-冰川积雪 1.998 林地-冰川积雪 1.995 水体-其他 1.996 林地-其他 1.994 草地-建设用地 1.996 农田-水体 1.983 草地-冰川积雪 1.997 农田-草地 1.894 草地-其他 1.996 农田-建设用地 1.993 建设用地-冰川积雪 1.992 农田-冰川积雪 1.993 建设用地-其他 1.983 冰川积雪-其他 1.990 -
为能充分利用基于像素和面向对象分类方法优势，组合方法已被广泛应用于土地利用分类领域[21]。QUEST决策树从运算速度和分类精度方面均衡考量，优于其他决策树方法[22]。利用面向对象特征的遥感分类方法，可结合研究对象的光谱、形状、纹理、空间关系等不同属性信息，将相同性质的像元组成为基本处理单元“对象”完成分类[23]。对研究区各地物类型的光谱特征、纹理特征和几何特征分析后，以第3绿光波段、第8近红外波段、第4红波段和第11短波红外为特征波段，再提取农田、草地、冰川积雪和其他等4个不同类别地类的面向对象特征，根据各特征建立分类规则进行建模。构建面向对象特征与QUEST决策树相结合的分类模型，如图1所示。
图 1 分类模型流程图
Figure 1. Flow chart of classification model
①水体区域提取。基于研究区实地情况，本研究采取归一化差异水体指数(NDWI)方法[24]将研究区水体部分划分出来。根据对样本数据的初步分析以及人工判读，先将QUEST决策树分类条件设置为NDWI＞0.4125。②植被区域提取。因为Sentinel-2数据的优势是在红边范围含有3个波段的数据，且研究区是典型的高原山区，全域植被覆盖率较高，所以归一化植被指数(NDVI)能从影像中更加有效地提取植被区域[25]。以此为基础将决策树分类条件设置为NDVI＞0.312 5，可将植被区域与非植被区域分离开，且不与水体区域混淆。再通过设置NDVI指数范围阙值，进一步将植被中的农田、草地分类条件设置为0.312 5＜NDVI＜0.654 3，林地则设置为0.654 3＜NDVI＜1.000 0。③非植被区域提取。将研究区的水体和植被两大类提取成功后，其余部分则为非植被区域。为了进一步将建筑用地从非植被区域提取出来，在前几步的基础上又计算了归一化建筑指数(NDBI)，并将QUEST决策树分类条件设置为NDBI＞0，发现此时可将研究区大部分建设用地从非植被区域提取出来。
-
面向对象可充分利用各对象的各类特征信息，本研究使用了面向对象的光谱特征、几何特征和纹理特征，其定义如表2所示。
表 2 面向对象特征定义表
Table 2. Object oriented feature definition
类别 特征 定义和公式 光谱特征 光谱均值 斑块内像素光谱均值 纹理特征 纹理特征 灰度共生矩阵(GLCM，包括5×5卷积模板内的均值、方差、同质性、熵值、对比度、二阶矩、相关性) 几何特征 面积 斑块总面积 延伸率 最大直径与最小直径比值 矩形形状参数 矩形形状度量值(Rect)=面积/(最大直径×最小直径) 本研究采用多尺度分割算法进行影像分割，共设置了一个分割层次，主要目的是将农田与草地、冰川积雪与其他进行区分。在确保影像分类精度的前提下进行多次实验，最终结果表明：分割尺度设置为30较为适宜，此时，各个分类对象均有较好的可分离性，且各个对象内部的同质性较高。再根据相邻对象的纹理特征和内部一致性确定归并尺度，对分割好的原始影像进行迭代归并，进一步完成相邻同类对象的归并。经多次实验，确定的归并尺度为65最为适宜。①草地与农田的面向对象特征。草地与农田相比，具有规则的几何形状，同时，草地与农田的光谱均值也有一定差异。所以，可将农田的对象筛选条件设置为：面积＞3 000 m2，矩形形状参数＞0.3，光谱均值＞3 000 nm，余下不满足设定的农田筛选条件的地区为草地。②冰川积雪与其他的面向对象特征。其他用地类型延伸率较小且形状不规则，光谱均值也有较大差异，而冰川积雪大都分布于苍山高海拔地区，且连续性高，面积较大。所以为将两者区分开来，设定其他用地的筛选条件为：延伸率＜3.5，1 210 nm＜光谱均值(第4波段)＜1 360 nm，1 225 nm＜光谱均值(第3波段)＜1 335 nm，1 400 nm＜光谱均值(第2波段)＜1 465 nm ，符合该条件的区域可判定为其他用地，余下不满足设定条件的则为冰川积雪。
-
本研究还运用了最大似然分类法、ISODATA法与面向对象特征决策树法进行比较。ISODATA法分类与最大似然法均未引入面向对象特征，ISODATA法使用ENVI 5.3软件，选择IsoData分类器，预设22个类别和最大迭代次数为10进行分类计算，最后通过目视识别分类结果合并为本研究的7个类别。最大似然法基于ENVI 5.3软件使用ROIS方法定义7类训练样本进行分类。面向对象特征决策树分类使用IDL8.5结合ENVI 5.3编程实现。
-
为了检验研究区影像分类解译结果的可信度，通过野外调查和2.5 m精度的天地图相结合的方式目视判读检验研究区各个样本点的真实土地利用类别，采用误差矩阵方法进行检验。在研究区内利用ArcGIS软件随机生成500个检验样本点，各地类验证点个数如表3所示。
表 3 各地类验证点个数
Table 3. Number of verification points of each class
土地利用类型 天地图验证点个数 野外调查验证点个数 水体 94 5 林地 68 58 建设用地 54 6 农田 67 18 草地 89 8 冰川积雪 13 0 其他 16 4 -
将3个分类结果与同期高分辨率天地图影像进行叠加对比(图2)：ISODATA法相比前2种方法虽然显示结果较差，但具有明显特征的地物基本都能被识别出来，冰川积雪与建筑用地因光谱特征类似，从而产生了部分混淆。最大似然分类和面向对象决策树分类得到的研究区地物分布与天地图影像显示结果基本一致。但是，由于高原山区草地和部分农田分布较为破碎，且研究区地表植被覆盖度较高，所以利用最大似然方法提取的某些林地、草地和面积较小的农田会产生部分混淆。而面向对象决策树分类由于构建特征指数将不同地物差异放大，且引入了面向对象特征，更有利于决策规则的制定，所以提取的结果在空间表现上相比与其他分类方法更合理。
图 2 基于不同分类方法得到的大理市2020年土地利用类型示意图
Figure 2. Land use type map of Dali City in 2020 based on different classification methods
对3种土地利用分类方法各地类的面积进行统计，并与欧空局公布的2020年10 m分辨率土地利用数据进行验证对比。结果如图3所示：面向对象特征的决策树法提取的研究区内林地面积最大，其次是农田、草地、水体、建设用地和冰川积雪，面积最小的为其他用地：3种分类方法中此方法结果与研究区的实际情况最为符合。 ISODATA法基于机器学习，在地物分布较为破碎的区域，机器学习的效果会受样本中噪声的影响，产生过拟合现象。最大似然法是基于统计分析的原理，可减轻样本中噪声的影响，提取结果在空间分布上也更为合理。面向对象特征的决策树法以对象为处理单元，充分利用研究对象的光谱、形状、纹理、空间关系等不同属性信息，所以提取的结果与实际情况最为接近。
图 3 各类地物面积统计
Figure 3. Area statistics of various features
-
为进一步比较不同方法下各类地物的提取差异，采用2.5 m天地图的500个样点结合野外调查对3种方法的分类结果进行验证，利用误差矩阵分析得到的分类结果进行精度评价，结果如表4所示。从制图精度角度看，ISODATA法制图精度由高到低依次是其他、建设用地、水体、林地、农田、冰川积雪和草地，其中精度最高的其他为89.37%，最低的草地仅为58.00%。对于用户精度，ISODATA法的水体用户精度最高，为97.44%。余下的地类用户精度由高到低分别为林地、其他、冰川积雪、草地、建设用地和农田。从以上2个精度对比来看，林地和水体的分类精度最高，建设用地、草地、冰川积雪和其他分类精度也较高，农田分类精度较低。分析认为，由于水体的光谱特性相对单一，误分状况较少。而林地、农田和草地三者误分与互相之间光谱特性重合有较大关系。建设用地的误分区域主要分布在洱海周边和建成区周围的裸地，因裸地和房屋具有相似的高反射特性，主要误分为建设用地和草地，草地和冰川积雪误分为建设用地由光谱特性相近导致。
表 4 ISODATA法遥感解译误差矩阵
Table 4. ISODATA remote sensing interpretation error matrix
土地利用类型 林地 建设用地 农田 水体 草地 其他 冰川积雪 参考样本数 用户精度/％ 林地 93 0 3 0 4 0 0 100 93.00 建设用地 0 67 0 7 5 5 3 87 77.01 农田 16 2 47 0 2 1 7 75 62.67 水体 0 0 0 76 2 0 0 78 97.44 草地 3 0 0 3 29 2 0 37 78.38 其他 0 4 2 0 8 71 0 85 83.53 冰川积雪 0 2 6 0 0 0 30 38 78.95 分类样本数 112 75 58 86 50 79 40 500 制图精度/％ 83.04 89.33 81.03 88.37 58.00 89.37 75.00 由表5可得：基于最大似然法的水体制图精度最高，为94.79%，余下6个地类制图精度由高到低分别为林地、草地、其他、农田、冰川积雪和建设用地。用户精度最高的地类是水体，为100.00%，其他地类用户精度由高到低分别是林地、建设用地、草地、农田、其他和冰川积雪。冰川积雪精度最低，仅为66.67%。通过分析认为，水体的光谱特性较为单一，极少出现误分。充分利用不同类型的光谱表现特征和周边地理环境，所以林地和农田区分度较好，但和草地仍有部分混淆。部分建设用地位于山区，受周边地理环境影响较大，加之城区建设用地光谱特征较为复杂。农田误分主要是误分为林地、草地和建设用地，由于前三者均属于绿色植被，在气温湿度均较好的情况下，选择样本时会经常造成3类间的误分。与建设用地的误分由于山区农田与建设用地交错分布，难以分辨。其他地类误分为建设用地由于两者具有相似的高反射特性，极易造成混淆。
表 5 最大似然法遥感解译误差矩阵
Table 5. Maximum likelihood remote sensing interpretation error matrix
土地利用类型 林地 建设用地 农田 水体 草地 其他 冰川积雪 参考样本数 用户精度/％ 林地 119 0 0 0 2 0 0 121 98.35 建设用地 3 51 2 5 1 2 0 64 79.69 农田 6 4 61 0 4 4 1 80 76.25 水体 0 0 0 91 0 0 0 91 100.00 草地 5 4 7 0 55 0 3 74 74.32 其他 0 14 2 0 0 36 0 52 69.23 冰川积雪 1 4 0 0 1 0 12 18 66.67 分类样本数 134 77 72 96 63 42 16 500 制图精度/％ 88.81 66.23 84.72 94.79 87.30 85.71 75.00 由表6可以看出：基于面向对象特征决策树法中的水体制图精度仍是最高，为93.94%，其他地类制图精度由高到低分别是林地、农田、草地、建设用地、其他和冰川积雪。冰川积雪虽然精度最低，但仍达76.92%。面向对象特征决策树法制图精度由高到低分别是水体、其他、林地、冰川积雪、草地、农田和建设用地，其中用户精度最高的水体为95.88%，最低的建设用地精度为83.61%。分析认为，误分情况主要是由于决策树粗分类时3个指数的参数设置原因。农田和草地之间的部分误分也与面向对象特征参数设置有关，此方法分类中冰川积雪和其他2个地类无错分现象，由此看出面向对象特征参数设置较为适合。
表 6 面向对象特征决策树法遥感解译误差矩阵
Table 6. Remote sensing interpretation error matrix of object-oriented feature decision tree method
土地利用类型 林地 建设用地 农田 水体 草地 其他 冰川积雪 参考样本数 用户精度/％ 林地 118 0 2 0 5 0 0 125 94.40 建设用地 0 51 3 3 1 2 1 61 83.61 农田 4 2 76 0 4 1 2 89 85.39 水体 1 2 0 93 1 0 0 97 95.88 草地 3 3 4 3 86 0 0 99 86.87 其他 0 1 0 0 0 17 0 18 94.44 冰川积雪 0 1 0 0 0 0 10 11 90.91 分类样本数 126 60 85 99 97 20 13 500 制图精度/％ 93.65 85.00 89.41 93.94 88.66 85.00 76.92 以上精度分析可以看出，面向对象特征决策树法相比于其他方法在农田、草地、建设用地和其他这4类分类精度上有了显著提高，且在高原山区特有地类冰川积雪的信息提取上也有较好的适用性。而对于研究区水域和林地的提取来说，最大似然法的适用性更好。
-
一般总体精度在80%以上可以认为精度良好，表7表明：3种分类方法分类精度良好。其中，ISODATA法总体分类精度最低，但也满足基本分类需求，总体分类精度为82.60%，Kappa系数为79.40%；其次是最大似然法，总体分类精度较ISODATA法略有提高，总体分类精度为85.00%，Kappa系数为81.90%，但最大似然法基于机器学习的提取方法也可能会带来过拟合效应，导致提取精度偏高；面向对象特征决策树分类方法精度最高，总体分类精度可达90.20%，Kappa系数为87.95%，说明此方法的分类结果与实际情况最为贴近，更加适用于高原山区土地利用分类。
表 7 3种分类方法比较
Table 7. Comparison of three classification methods
分类方法 总体分类精度/% Kappa系数/% ISODATA法分类 82.60 79.40 最大似然法分类 85.00 81.90 面向对象特征决策树法 90.20 87.95 -
本研究结果表明：①从地物空间分布上看，面向对象与决策树相结合的方法得到的最终分类结果与同期高分辨率天地图影像较为一致，表明与地物的实际分布情况更为接近。②从地类方法适用性角度来看，最大似然分类法在水域和林地的提取上适用性较好，面向对象特征决策树法在农田和草地、建设用地和其他这些光谱特征较为相似的地类区分度较好。在高原山地特有的地类冰川积雪提取上也表现出了极大的优越性。③从不同方法总体分类精度角度看，面向对象特征的决策树法在大理市的土地利用信息提取中效果最好，总体分类精度和Kappa系数分别为90.20%和87.95%，较传统的最大似然法和ISODATA法分类精度均有提升，可实现大理市土地利用的高精度提取。
本研究在进行大理市土地利用分类时，利用先粗分类再进一步细分类的思想，将面向对象特征与决策树规则相结合，粗分类先设计决策树分类规则，在决策树基础上进行类别的细分类，此方法可避免区域之间的混淆问题，反映了提高遥感影像分类精度的一个方法，具有良好的应用前景[26]。面向对象特征辅助决策树分类，其分类精度和准确性虽有提高，但与欧空局面积仍存在一定的出入，说明分类过程中仅提取面向对象特征辅助是不够的。因此，在今后的计算机分类过程中，需进一步加强遥感影像计算机自动解译的研究，充分利用地物形状、纹理、空间关系、空间位置等特征，对影像进行综合评判，提高影像的分类精度。
Applicability of land use classification method in Dali City based on Sentinel-2A image
-
摘要:
目的 获取更高效、准确的土地利用自动分类方法，为后续的高原山区土地利用分类研究提供理论支撑。 方法 选取中国典型的高原山区云南省大理市为研究区域，以Sentinel-2A影像为对象，提出一种面向对象特征的决策树分类方法，并将此方法分类结果与传统的ISODATA法和最大似然法土地利用分类结果进行对比。 结果 ①面向对象特征的决策树方法分类结果在空间分布和各地类的面积统计方面都优于ISODATA法和最大似然法，与研究区实际土地利用面积数据更为接近；②在大理市，最大似然法在水体和林地的提取上适用性较好，而面向对象特征的决策树分类方法在农田、草地、建设用地和其他这些地类的区分上适用性更强，且在冰川积雪的提取上也有更好的提取效果；③相比与传统的ISODATA法和最大似然法分类结果精度，面向对象特征的决策树分类方法可进一步提高分类精度，总体分类精度可达90.20%，Kappa系数为87.95%。 结论 相较于传统的分类方法，先粗分类再进一步细分类的分类思想，可避免区域之间的混淆问题。面向对象特征与决策树相结合的组合分类方法在高原山区有着更好的适用性，可以有效提高高原山区分类精度。图3表7参26 -
关键词:
- Sentinel-2A影像 /
- 大理市 /
- 土地利用 /
- 遥感分类 /
- 适用性
Abstract:Objective The purpose of this study is to obtain more efficient and accurate automatic land use classification methods, so as to provide theoretical support for the follow-up study of land use classification in plateau mountainous areas. Method Taking Dali City, a typical plateau mountainous area of Yunnan Province in China, as the research area and Sentinel-2A image as the object, an object-oriented decision tree classification method was proposed and compared with traditional ISODATA classification method and maximum likelihood method. Result (1) The classification results of object-oriented decision tree method were better than those of ISODATA classification method and maximum likelihood classification method in terms of spatial distribution and area statistics of various classes, and were closer to the actual land use area data of the study area. (2) In Dali, the maximum likelihood classification method had better applicability in the extraction of water body and forest land, while the object-oriented decision tree classification method had stronger applicability in the extraction of farmland, grassland, construction land and other land types, and had better extraction effect in the extraction of glacier snow. (3) Compared with the traditional ISODATA method and maximum likelihood method, the object-oriented decision tree classification method could further improve the classification accuracy. The overall classification accuracy could reach 90.20% and the Kappa coefficient was 87.95%. Conclusion Compared with the traditional classification methods, the idea of coarse classification before fine classification can avoid the confusion between regions. The combination of object-oriented features and decision tree has better applicability in plateau mountainous areas, and can effectively improve the classification accuracy. [Ch, 3 fig. 7 tab. 26 ref.] -
Key words:
- Sentinel-2A image /
- Dali City /
- land use /
- remote sensing classification /
- applicability
-
全球土壤碳储量约为1 500 Pg，超过全球陆地植被碳储量和大气碳储量之和[1]。土壤呼吸年均释放80~95 Pg二氧化碳-碳(CO2-C)到大气中[2-3]，是化石燃料燃烧产生二氧化碳排放量的11倍以上[4-5]，是陆地生态系统第二大碳通量。全球范围内，森林在减缓气候变化方面发挥着重要的作用[6]。作为地下生态过程的土壤呼吸显著影响着陆地生态系统的碳循环[7]，其通量过程已成为全球变化生态学研究的核心和焦点之一。一方面，大气中CO2等温室气体的增加是导致全球气候变化的主要原因。另外一方面，全球气候变化也会加速土壤呼吸速率，进一步增加CO2年排放量。CO2排放与全球气候变化的正反馈作用将放大全球气候变化对陆地生态系统的影响，因此备受学术界和各国政府关注[5, 8]。森林是陆地生态系统中最大的碳库，其面积约占陆地面积的1/3，对全球碳收支有着重要影响。森林土壤碳储量约占森林生态系统碳储量的2/3，约占全球土壤碳储量的39%[9-10]。森林土壤不仅是植被生长的基础，也是CO2的源、汇地之一，通过土壤呼吸排放到大气中的CO2是大气的重要碳源[11]。在碳中和背景下，被关注的重点是非自然变动引起的森林土壤呼吸的增加或减少，这种变化量才是森林生态系统的有效碳源或碳汇。森林生态系统中的人为干扰(如森林经营活动)能在很大程度上影响土壤CO2排放[12]。其中，森林采伐作为最重要的经营措施及干扰程度最大的人为干扰活动之一，通过改变植被组成、林内光照、凋落物质量、数量及土壤温湿度等进而影响着土壤CO2排放。学者们针对不同气候带的森林开展了多种采伐方式对土壤呼吸影响的研究，但是结论并不一致，存在很大的不确定性。科学认识采伐干扰下森林土壤CO2排放的特征，探讨减少土壤呼吸的森林经营措施对于增强森林的固碳减排功能具有重要的科学意义和实践价值。为此，本研究综述了不同采伐方式对森林土壤呼吸的影响及其机制，主要包括不同采伐方式处理下、不同森林类型对于森林土壤呼吸总量、土壤呼吸组分及其温度敏感性(Q10)的影响，并总结了采伐对土壤呼吸影响的调控因子，在此基础上，提出了该领域的研究前景，以期为中国选择合理的采伐方式，降低森林土壤CO2排放，2060年实现碳中和提供参考。
1. 土壤呼吸的组成
土壤释放CO2的过程称为土壤呼吸，包括3个生物学过程和1个非生物学过程[13]。3个生物学过程分别是自养呼吸、土壤微生物异养呼吸和土壤动物异养呼吸。植物根系与根际呼吸产生的CO2排放，称为自养呼吸；微生物分解土壤有机质产生的CO2排放，称为土壤微生物异养呼吸；土壤动物呼吸产生的CO2排放，称为土壤动物异养呼吸[13]。非生物学过程是指土壤含碳矿物质化学氧化产生的CO2排放[13]，其产生的CO2量远少于生物学过程而通常被忽略不计。
土壤呼吸组分因其产生途径、产生部位和所利用碳源的不同有着不同的术语表达，且经常存在土壤呼吸组分术语混用的问题[14]。在分析森林采伐对土壤呼吸的影响时，可以以采伐影响土壤呼吸的产生途径、产生部位和碳源等某一方面为主进行分析。从土壤CO2排放的产生途径来分析，可以分为自养呼吸(autotrophic respiration)和异养呼吸(heterotrophic respiration)[8, 15]。从土壤CO2排放的产生部位来分析，可分为根际区、无根系影响的土壤和凋落物层3个部位[16]。从土壤CO2排放所利用的碳源来分析，可以分为土壤有机质源CO2和植物源CO2(包括凋落物源、死根源、活根源)[17-19]。
2. 采伐对森林土壤总呼吸的影响
森林采伐是一种非常普遍的经营作业方式，一般分为针对成熟林或过熟林的皆伐、择伐和渐伐等主伐、针对中幼龄林的间伐以及针对防护林的更新采伐。皆伐是将伐区上的林木一次性全部伐除或几乎伐除(保留部分母树)的主伐方式。择伐、渐伐、间伐、更新采伐都是仅将伐区上的林木移除一部分，为方便叙述，本研究统一称它们为部分采伐。森林采伐要砍伐林分中的所有或部分林木，势必会降低冠层覆盖，去除林分或改变林分结构，影响各种环境因子，进而影响土壤呼吸。
2.1 皆伐对森林土壤总呼吸的影响
目前，关于皆伐影响土壤总呼吸的研究有很多，结果并不一致(表1)，可以分为增加、不变、减少3种结论。通常认为皆伐短期内会增加土壤总呼吸[20]：锐齿栎Quercus aliena皆伐4个月后土壤总呼吸增加5%[21]；挪威云杉Picea abies林皆伐后第2年土壤总呼吸增加29%，第3年增加52%[22]；云杉Picea asperata林皆伐后2 a土壤总呼吸增加50%[23]。其主要原因有：①土壤温度升高提升了异养呼吸速率。林地皆伐后土壤受阳光直射，其温度会发生剧烈的变化[24]，从而提升了土壤有机质的分解速率和土壤微生物异养呼吸[21]，大量研究表明土壤温度提升可以解释85%~98%的土壤呼吸变化[25-29]。②土壤有机质增加。皆伐林地内残留的死根、凋落物和伐木残留物的丰富和矿化导致土壤呼吸在皆伐后几年内增加[23]。③土壤理化性质变化。皆伐会通过影响土壤理化性质，进而影响土壤呼吸。皆伐影响土壤氮含量，土壤氮能加速植物生长，影响土壤根呼吸，同时土壤氮也是土壤微生物的重要影响因子；皆伐还会影响土壤pH，土壤pH通过调控土壤中化学反应的进程和土壤酶活性来间接影响土壤呼吸[30]。还有研究表明皆伐会影响土壤全碳、全氮、碳氮比、速效氮磷钾和土壤容重等，而这些都是土壤呼吸的影响因子[31-35]。
表 1 土壤呼吸及其组分对皆伐的响应Table 1 Response of soil respiration and its components to clear cutting地点 气候带 皆伐更新
方式剩余物
处理方式伐后时
间/a观察时间 森林类型 总呼吸/
%自养呼吸/
%异养呼吸/
%Q10/% 参考文献 中国福建省 亚热带 1 5 cm以上收集，
以下归堆清理5~6 整年 杉阔混交林 −37 −48 −34 −17 [37] 中国黑龙江省 温带 1 1 生长季 白桦沼泽 −6 [58] 中国吉林省 温带 1 主干移除
枝叶未清12~13 生长季 阔叶红松林 −25 −35 [72] 美国加利福尼亚州 温带 1 1~2 整年 云杉林 −29 [38] 中国甘肃省 暖温带 1 1 4个月后整年 锐齿栎 5 [21] 俄罗斯莫斯科州 温带 1 凋落物保留
剩余物保留1~2 生长季 云杉林 50
50[23] 芬兰 温带 1 保留 1 整年 挪威云杉 −16 16
17
25[22] 2 整年 29 3 整年 52 美国密苏里州 热带 主干移除 2~4 整年 栎-山核桃林 −18 [73] 全移除 −17 芬兰 温带 1 全部移除 1 整年 苏格兰松 23 [64] 2 整年 −16 3 整年 −20 加拿大魁北克省 寒带 1 6~7 整年 黑云杉 16 [74] 2 9 加拿大新斯科舍省 温带 3 3~4 整年 混合杉木林 −1 [43] 中国浙江省 亚热带 1 25~26 整年 杉木林 17 −15 [75] 瑞典乌普萨拉省 温带 4 树干树桩收获
树冠枝条保留21~22 整年 苏格兰松
挪威云杉−10 [65] 五大湖流域 温带 1 生长季 糖枫 −7 [57] 日本 温带 4 保留竹类 1~3 整年 寒温带针阔
混交林17 [76] 日本 温带 4 保留竹类 1~10 整年 寒温带针阔
混交林61 [77] 马来西亚 热带 1 树干收获，
其余保留1~2 5个月 重红婆罗双林
龙脑香林不变
不变[44] 韩国 温带 4 1 整年 红松林 41 [78] 中国浙江省 亚热带 1 移除 1 整年 杉木林 −15 −20 [79] 5 火烧 −27 −27 中国浙江省 亚热带 1 保留 2 整年 杉木林 13 −10 [79] 1 保留且翻土 32 −11 中国浙江省 亚热带 1 保留 3 整年 杉木林 16 −10 [79] 1 保留且翻土 30 −12 英国英格兰 温带 1 1 整年 云杉 −22 [80] 2 −42 3 −30 4 −10 马来西亚 热带 1 1~9 隔4周测2周 阔叶混交林 13 [81] 日本 亚热带 1 清除 2 每年5−10月 天然混交林 16 14 [82] 3 11 33 4 20 48 5 5 57 6 5 67 7 20 29 8 4 38 说明：皆伐更新方式中1表示皆伐后自然恢复，2表示皆伐后翻土，3表示皆伐后喷洒除草剂，4表示皆伐后人工种植，5表示皆伐后火烧。 栎Quercus spp.，山核桃Carya spp.，黑云杉Picea mariana，重红婆罗双Shorea spp.，龙脑香Dipterocarpus spp.，红松 Pinus koraiensis。空白表示无此项观测记录 也有少数研究认为，皆伐造成的根呼吸降低大于采伐造成的异养呼吸增加，因此皆伐造成土壤总呼吸的降低[36]。杉阔混交林皆伐第5年土壤呼吸减少48%[37]。云杉林皆伐1 a后土壤呼吸减少29%[38]。皆伐减少土壤呼吸的原因主要有：①皆伐后土壤自养呼吸显著下降。根呼吸占土壤呼吸的50%[39]，皆伐迹地植被活根的减少会导致土壤自养呼吸速率下降[40]，当自养呼吸下降幅度大于异养呼吸的增加幅度时土壤总呼吸速率表现为降低[21]。②皆伐后采伐剩余物的清除方式。皆伐后火烧或清除采伐剩余物、清理凋落物等都会减少土壤有机质输入，从而减少碳输入[41]，微生物的异养呼吸会在一段时间后消耗掉大量的土壤碳[42]，减少皆伐迹地土壤碳含量，进而降低土壤呼吸。③皆伐迹地植被恢复的时间不同。从皆伐后立即开展研究到皆伐后若干年开展研究，观察到的皆伐迹地恢复阶段不统一，导致相同气候和人为干扰措施可能因为不同植被恢复阶段而得到不同的研究结论。
还有研究发现皆伐对土壤呼吸无显著影响。例如：杉木Cunninghamia lanceolata林皆伐后第25年土壤呼吸未发生明显变化[43]。杨玉盛等[25]发现杉木林皆伐后土壤呼吸的变化不显著。皆伐后土壤呼吸变化不大的原因可能有：①土壤异养呼吸的增加弥补了根呼吸的减少导致了土壤总呼吸基本不变。皆伐后根系呼吸的下降和物质输入的消失可降低土壤自养呼吸，而采伐剩余物的分解增加及新近死亡的根系分解可能促进土壤异养呼吸，两方面综合作用可能导致土壤总呼吸的不变[25]。也有研究表明，皆伐后土壤微生物呼吸的增加与根呼吸的减少相抵消，从而使得土壤总呼吸未发生明显变化[44-45]。②研究区微地形的影响和地下潜在因素众多，尤其是皆伐后林区排水能力的变化影响地下水位，进一步影响微生物活性，本应增加的土壤微生物呼吸未发生明显变化，导致土壤呼吸未发生明显变化[43]。
综上可见，皆伐对土壤呼吸影响的效果因皆伐措施的不同、森林类型的不同和伐后恢复时间的不同呈现显著的时空和地域异质性[46-47]。
2.2 部分采伐对森林土壤呼吸的影响
部分采伐对森林土壤呼吸影响的研究相对于皆伐较少[48]。部分采伐收获了部分林木，对林分及其土壤的干扰程度相比皆伐较低。从目前的研究情况(表2)来看，部分采伐对土壤呼吸影响的研究结果也不一致，有增加[49-50]，减少[36, 51]和基本不变[52-54]共3类。有关部分采伐对土壤呼吸影响的研究常聚焦于不同采伐强度的影响上。如马尾松Pinus massoniana林间伐15%和间伐70%后1 a内土壤呼吸分别为保持不变和增加17%[55]；杉阔混交林间伐35%、49%和68%第5年土壤呼吸分别增加15%、增加16%和减少10%[37]。毛竹Phyllostachys edulis林择伐24%第3~8个月土壤呼吸减少16%[56]。糖枫Acer saccharum林间伐35%第5~10个月土壤呼吸减少19%[57]。白桦Betula platyphylla沼泽林渐伐45%第8~13个月土壤呼吸减少15%[58]。
表 2 土壤呼吸及其组分对部分采伐的响应Table 2 Response of soil respiration and its components to partial cutting地点 气候带 部分采伐
强度/%剩余物
处理方式伐后时
间/a观察时间 森林类型 总呼吸/
%自养呼吸/
%异养呼吸/
%Q10/% 参考文献 中国湖北省 亚热带 除灌 清理 1 整年 马尾松林 −17 −17 −18 [56] 15 移除树干 −14 11 70 移除树干 17 11 22 中国山西省 温带 20 清除 1 生长季 油松人工林 −4 18 −6 6 [69] 30 23 64 19 −30 40 52 290 30 −13 中国湖北省 亚热带 24 1 生长季 毛竹林 −16 28 −29 9 [56] 中国福建省 亚热带 35 5 cm以上收集，
以下归堆5~6 整年 杉阔混交林 15 14 15 52 [37] 49 16 13 17 34 68 −10 −5 −12 −1 中国黑龙江省 温带 45 1 生长季 白桦沼泽 −15 [58] 中国陕西省 温带 15 清除采伐剩余物 3~4 生长季 华北落叶松 −5 47 [84] 35 16 3 50 −3 15 中国陕西 温带 12 1~4 生长季 华北落叶松 [28] 32 17 47 斯洛文尼亚 温带 50
1001~3 生长季 山毛榉林 47
69[85] 中国黑龙江省 温带 20 堆腐 1~4 生长季 针阔混交林 23 [59] 39 22 52 24 62 27 71 22 挪威 寒带 41 32~33 夏季 挪威云杉 13 [86] 55 17 加拿大安大略省 温带 50 2 生长季 耐寒阔叶林 54 [57] 爱尔兰 温带 42 1~2 整年 云杉 13 [87] 日本 亚热带 50 2~4 整年 日本雪松林 46 − [88] 加拿大安大略省 温带 28 1 生长季 杉阔混交林 17 −25 [50] 2 18 −6 3 16 19 中国湖北省 亚热带 23 手工除草为对照
除草剂除草为处理1 整年 毛竹林 −7 20 −13 3 [83] 斯洛文尼亚 温带 50 1~3 生长季 云杉林/冷杉林 26 [85] 100 48 中国湖北省 亚热带 15 清除 1~3 全年 马尾松林 29 14 39 [89] 70 42 19 59 说明：日本雪松Cryptomeria japonica。空白表示无此项观测记录；−表示减少 部分采伐增加土壤呼吸的原因有：①部分采伐减小了森林郁闭度，林下光照强度增加导致土壤温度增加，促进土壤有机质分解，从而增加土壤异养呼吸，同时也促进植物根系的生长，增加土壤自养呼吸[49]；②部分采伐后采伐剩余物例如木屑和树枝树叶等进入土壤，为土壤微生物活动提供底物，增加土壤异养呼吸[59]。部分采伐降低土壤呼吸可以归因为：①部分采伐时整株植物被移除，凋落物减少，碳底物供应下降导致土壤呼吸减弱[56]。②部分采伐后乔木层减少，树木蒸腾作用减弱，地下水位上升，土壤孔隙减少，导致土壤呼吸减小[58]。部分采伐对土壤呼吸无显著影响可能是因为：①部分采伐提高了土壤异养呼吸，但又同时降低了根呼吸，综合作用下部分采伐对土壤呼吸无影响[55]。②部分采伐后林地凋落物储量、有机碳储量、土壤总孔隙度及细根生物量仍能维持较高的水平，与对照相比土壤呼吸未发生显著变化[37]。
总体上，部分采伐对土壤湿度、细根生物量和土壤碳储量(包括土壤总碳含量、土壤有机碳和微生物量碳)无显著影响。但是部分采伐会导致凋落物等显著减少，土壤温度升高，土壤总呼吸上升。轻度和中度部分采伐显著增加土壤呼吸，尤其是在植被恢复的早期阶段(≤2 a)[60]。
3. 采伐对森林土壤呼吸组分的影响
虽然近些年来对土壤呼吸组分的研究大幅度增加(表1和表2)，但是与采伐对森林土壤呼吸影响的研究相比，采伐对土壤呼吸组分影响的研究要少得多。土壤自养呼吸和土壤异养呼吸受到土壤温度、土壤湿度和细根生物量等一系列因素的影响[44]。
3.1 皆伐对森林土壤呼吸组分的影响
皆伐导致细根大量死亡，土壤自养呼吸显著下降[37]。皆伐后森林乔木层消失，太阳直射地表导致土壤温度升高，地表水分加速蒸发[61]。地表温度的上升促进了枯枝落叶层和表层土壤有机质的分解[29]；皆伐带来的新鲜采伐剩余物为土壤微生物提供了大量的碳源[62]，以上2点原因导致了皆伐后土壤异养呼吸增加[63]。但此部分碳源分解较快，长时间土壤异养呼吸下降会导致土壤异养呼吸短时间内增加长时间内减少，其他研究也佐证了这一结论。例如苏格兰松Pinus sylvestris皆伐第1年土壤异养呼吸增加23%，第2年减少16%，第3年减少20%[64]。这是因为皆伐时产生的碎木屑进入土壤，增加了土壤微生物呼吸的底物，导致了土壤异养呼吸的增加，但是这部分底物很少，在第2年和第3年时底物分解殆尽，土壤异养呼吸下降。杉阔混交林皆伐第5年土壤自养呼吸减少48%，土壤异养呼吸减少34%[37]。这是因为皆伐收获了林木，植物根大量死亡，土壤自养呼吸显著下降，同时皆伐后林地凋落物、土壤总孔隙度和土壤有机质都出现了明显的下降，土壤异养呼吸显著下降。苏格兰松和挪威云杉在皆伐第22年土壤异养呼吸减少10%[65]。而这可能是因为此研究采用挖掘机收获伐桩，比起用带有刀片的推土机，对土壤的扰动更小，不同收获方式导致土壤呼吸的变化不同。
总体来看，与对照组相比，皆伐破坏了森林地上植被，导致根系死亡，土壤自养呼吸下降；皆伐后保留采伐剩余物短时间内土壤异养呼吸增加，长时间后则土壤异养呼吸会下降。这是因为保留采伐剩余物为土壤微生物呼吸和土壤动物呼吸提供了碳源，但是这种碳源易分解，短时间内会释放大量CO2，长时间后则易分解有机质减少，土壤异养呼吸下降。同时皆伐砍伐灌木、清除草本和根系分解可能补偿根系和根际呼吸的减少[66]。
3.2 部分采伐对森林土壤呼吸组分的影响
部分采伐主要通过以下两方面影响土壤呼吸组分：①不同的采伐剩余物处理方法对土壤微生物底物的供应不同，影响土壤微生物呼吸，从而影响土壤异养呼吸。②部分采伐强度不同，对植物根的破坏程度不同，对土壤自养呼吸的影响也不同。例如，马尾松林间伐15%和70%在1 a内(仅移除树干)土壤自养呼吸分别减少14%和增加11%，土壤异养呼吸分别增加11%和22%。这是因为15%间伐清除了林下灌木和部分林下树种，这些植被细根比例大且分布较浅，清除后可能会显著降低表层土壤根系生物量，导致土壤自养呼吸减少[55]；70%间伐导致地上植被减少，但是充足的养分会促进剩余植被的生长，导致根系生物量增加，进而增加根呼吸，原本应减少的根呼吸无显著变化[55]；2种强度的采伐后林地残留的伐根死亡为土壤异养呼吸增加了底物，同时活立木的减少改变了林木微环境，为土壤微生物活动创造了适宜的条件，导致土壤异养呼吸增加[67-68]。油松Pinus tabulaeformis人工林择伐20%、30%和40%第2~7个月(采伐剩余物清除)土壤自养呼吸分别增加18%、64%和290%，土壤异养呼吸分别减少6%、增加19%和增加30%[69]。此研究中随着林分密度的递减，林地总活根量密度增大，而总活根量在一定程度上决定根呼吸，故随采伐强度增加，土壤自养呼吸越强。随着采伐强度的增加，进入土壤的枯枝落叶增加，而枯枝落叶层的覆盖对土壤CO2的排放有一定的阻碍[70]，故对照组异养呼吸低于处理组。毛竹林间伐24%第3~8个月土壤异养呼吸增加28%，土壤自养呼吸减少29%[56]。这是因为采伐后林地表面温度升高，地上碳供应减少，根基分泌物减少，导致土壤有机碳分解增加，土壤矿质呼吸增加，而根呼吸的下降可能是因为底物供应的下降[71]。杉阔混交林择伐35%、49%和68%第5年(采伐剩余物长度5 cm以上收集以下归堆清理)土壤自养呼吸分别增加14%、增加13%和减少5%，土壤异养呼吸分别增加15%、增加17%和减少12%[37]，而这些差异在统计学上并不显著。这是因为择伐后林地凋落物储量、土壤总孔隙度、有机碳储量、有机质和细根生物量仍维持在较高的水平，土壤呼吸组分未发生显著变化。
可以看出，部分采伐对土壤呼吸组分的影响会随着采伐剩余物处理方式的不同而发生显著的变化，保留采伐剩余物短时间内通常会增加土壤异养呼吸；同时林分根系的生长也会随着伐后恢复的程度而得到增强，伐后恢复时间越久，部分采伐对土壤呼吸组分的影响越小。
4. 采伐对土壤呼吸温度敏感性的影响
土壤温度是影响土壤呼吸的重要环境因子，土壤呼吸的温度敏感性用Q10来表示，是指土壤呼吸随温度每升高10 ℃所增加的倍数。Q10值不仅随地理位置、森林生态系统的不同而不同，也会受到人为干扰活动如采伐的影响。
皆伐对土壤呼吸温度敏感性的影响主要取决于皆伐迹地植被恢复的时间。例如欧洲云杉皆伐1~3 a Q10连年上升，第1年增加16%，第2年增加17%，第3年增加25%[22]，阔叶红松林皆伐13 a后生长季Q10减少35%[72]，但杉木林皆伐1~3 a无论是移除还是保留采伐剩余物Q10皆下降[79]。而杉阔混交林皆伐5 a后Q10减少17%[37]。由于皆伐后采伐剩余物管理方式的不同，进入土壤的易分解有机质有多有少，短期内Q10也表现出不同的变化规律，但长期后因为皆伐迹地植被的恢复，土壤温度敏感性基本呈现下降的趋势。
部分采伐对土壤温度敏感性的影响主要取决于部分采伐的强度，但是不同研究的结果并不统一。低强度部分采伐下，短时间内Q10通常增加，毛竹林23%间伐1 a后Q10增加3%[83]，油松人工林20%间伐1 a后生长季Q10增加6%[69]，毛竹林24%间伐1 a后生长季Q10增加9%[56]，杉阔混交林35%和49%间伐5~6 a内Q10分别增加52%和34%[37]，华北落叶松15%间伐3~4 a内生长季Q10增加47%[84]。但是也有结果相反的研究，例如杉阔混交林28%间伐1、2 a后Q10分别减少25%和6%，这和此研究中夏季降雨量减小有关。高强度采伐后Q10的变化并不统一，例如油松人工林40%间伐1 a后生长季Q10减少13%[69]，杉阔混交林间伐68% 5~6 a内Q10减少1%[37]，华北落叶松50%间伐3~4 a Q10增加15%[74]。这可能是因为高强度部分采伐后林窗面积增大，其他植物荫蔽林窗的能力受到当地气候等因素的影响。从以上研究中可以看出，一部分研究结果呈现轻度、中度部分采伐短时间内Q10增加的趋势，随着植被的恢复，Q10也逐渐接近对照林。但是也有部分研究受到其它因素例如降雨量变化的影响，结果与上述研究相反。
5. 展望
总体上皆伐会破坏森林植被，造成植物根系大量死亡，土壤自养呼吸降低，同时皆伐将更多的枯枝落叶带入土壤，加上死亡的植物根系，土壤异养呼吸增加。两者共同作用决定了土壤总呼吸的变化，如果皆伐后对皆伐迹地进行清理，土壤总呼吸往往会下降，如果皆伐迹地内采伐剩余物较多，土壤总呼吸可能会先上升后下降。与皆伐相比，部分采伐对森林的干扰程度不同，一定强度的部分采伐可能会增加土壤总呼吸，随着部分采伐强度的增大，土壤呼吸的变化接近皆伐迹地内土壤呼吸的变化。
森林土壤呼吸是陆地生态系统碳循环的重要组成部分，在全球气候变化中起着重要的作用。皆伐或部分采伐作为重要的人为干扰经营措施，对森林林冠、覆盖率、枝叶雨水截流、土壤温度、土壤湿度等土壤理化性质和土壤呼吸有着显著的影响。森林不同强度部分采伐对伐后植被不同恢复阶段土壤呼吸和土壤碳储量的影响尚不清晰，建议加强土壤呼吸组分对部分采伐强度响应的长期研究。除此之外，森林采伐和林下除灌、除草、定期打枝等其他经营措施的交互作用以及全球大气CO2浓度上升等全球变化因子对区域森林变化也应纳入考量中。
-
图 2 基于不同分类方法得到的大理市2020年土地利用类型示意图
Figure 2 Land use type map of Dali City in 2020 based on different classification methods
表 1 各种类型地物样本组合的Jeffries-Matusita距离
Table 1. Jeffries Matusita distance of various types of feature sample combinations
土地利用类型 分离度 土地利用类型 分离度 林地-农田 1.953 农田-其他 1.994 林地-水体 2.000 水体-草地 1.993 林地-草地 1.895 水体-建设用地 2.000 林地-建设用地 1.998 水体-冰川积雪 1.998 林地-冰川积雪 1.995 水体-其他 1.996 林地-其他 1.994 草地-建设用地 1.996 农田-水体 1.983 草地-冰川积雪 1.997 农田-草地 1.894 草地-其他 1.996 农田-建设用地 1.993 建设用地-冰川积雪 1.992 农田-冰川积雪 1.993 建设用地-其他 1.983 冰川积雪-其他 1.990 
下载: 导出CSV
表 2 面向对象特征定义表
Table 2. Object oriented feature definition
类别 特征 定义和公式 光谱特征 光谱均值 斑块内像素光谱均值 纹理特征 纹理特征 灰度共生矩阵(GLCM，包括5×5卷积模板内的均值、方差、同质性、熵值、对比度、二阶矩、相关性) 几何特征 面积 斑块总面积 延伸率 最大直径与最小直径比值 矩形形状参数 矩形形状度量值(Rect)=面积/(最大直径×最小直径)
下载: 导出CSV
表 3 各地类验证点个数
Table 3. Number of verification points of each class
土地利用类型 天地图验证点个数 野外调查验证点个数 水体 94 5 林地 68 58 建设用地 54 6 农田 67 18 草地 89 8 冰川积雪 13 0 其他 16 4
下载: 导出CSV
表 4 ISODATA法遥感解译误差矩阵
Table 4. ISODATA remote sensing interpretation error matrix
土地利用类型 林地 建设用地 农田 水体 草地 其他 冰川积雪 参考样本数 用户精度/％ 林地 93 0 3 0 4 0 0 100 93.00 建设用地 0 67 0 7 5 5 3 87 77.01 农田 16 2 47 0 2 1 7 75 62.67 水体 0 0 0 76 2 0 0 78 97.44 草地 3 0 0 3 29 2 0 37 78.38 其他 0 4 2 0 8 71 0 85 83.53 冰川积雪 0 2 6 0 0 0 30 38 78.95 分类样本数 112 75 58 86 50 79 40 500 制图精度/％ 83.04 89.33 81.03 88.37 58.00 89.37 75.00
下载: 导出CSV
表 5 最大似然法遥感解译误差矩阵
Table 5. Maximum likelihood remote sensing interpretation error matrix
土地利用类型 林地 建设用地 农田 水体 草地 其他 冰川积雪 参考样本数 用户精度/％ 林地 119 0 0 0 2 0 0 121 98.35 建设用地 3 51 2 5 1 2 0 64 79.69 农田 6 4 61 0 4 4 1 80 76.25 水体 0 0 0 91 0 0 0 91 100.00 草地 5 4 7 0 55 0 3 74 74.32 其他 0 14 2 0 0 36 0 52 69.23 冰川积雪 1 4 0 0 1 0 12 18 66.67 分类样本数 134 77 72 96 63 42 16 500 制图精度/％ 88.81 66.23 84.72 94.79 87.30 85.71 75.00
下载: 导出CSV
表 6 面向对象特征决策树法遥感解译误差矩阵
Table 6. Remote sensing interpretation error matrix of object-oriented feature decision tree method
土地利用类型 林地 建设用地 农田 水体 草地 其他 冰川积雪 参考样本数 用户精度/％ 林地 118 0 2 0 5 0 0 125 94.40 建设用地 0 51 3 3 1 2 1 61 83.61 农田 4 2 76 0 4 1 2 89 85.39 水体 1 2 0 93 1 0 0 97 95.88 草地 3 3 4 3 86 0 0 99 86.87 其他 0 1 0 0 0 17 0 18 94.44 冰川积雪 0 1 0 0 0 0 10 11 90.91 分类样本数 126 60 85 99 97 20 13 500 制图精度/％ 93.65 85.00 89.41 93.94 88.66 85.00 76.92
下载: 导出CSV
表 7 3种分类方法比较
Table 7. Comparison of three classification methods
分类方法 总体分类精度/% Kappa系数/% ISODATA法分类 82.60 79.40 最大似然法分类 85.00 81.90 面向对象特征决策树法 90.20 87.95
下载: 导出CSV
-
[1] 郎文婧, 李效顺, 卞正富, 等. 徐州市区土地利用格局变化分析及其空间扩张模拟[J]. 生态与农村环境学报, 2017, 33(7): 592 − 599. LANG Wenjing, LI Xiaoshun, BIAN Zhengfu, et al. Analysis of land use pattern change and spatial expansion simulation in Xuzhou [J]. J Ecol Rural Environ, 2017, 33(7): 592 − 599. [2] 李万源, 田佳, 马琴, 等. 基于Google Earth Engine与机器学习的黄土梯田动态监测[J]. 浙江农林大学学报, 2021, 38(4): 730 − 736. LI Wanyuan, TIAN Jia, MA Qin, et al. Dynamic monitoring of loess terraces based on Google Earth Engine and machine learning [J]. J Zhejiang A&F Univ, 2021, 38(4): 730 − 736. [3] 谭磊, 赵书河, 罗云霄, 等. 基于对象特征的山东省丘陵地区多时相遥感土地覆被自动分类[J]. 生态学报, 2014, 34(24): 7251 − 7260. TAN Lei, ZHAO Shuhe, LUO Yunxiao, et al. Automatic classification of land cover based on multi temporal remote sensing in hilly areas of Shandong Province [J]. J Ecol, 2014, 34(24): 7251 − 7260. [4] 周珂, 杨永清, 张俨娜, 等. 光学遥感影像土地利用分类方法综述[J]. 科学技术与工程, 2021, 21(32): 13603 − 13613. ZHOU Ke, YANG Yongqing, ZHANG Yanna, et al. Summary of land use classification methods of optical remote sensing images [J]. Sci Technol Eng, 2021, 21(32): 13603 − 13613. [5] 杨知, 欧文浩, 刘晓燕, 等. 基于LinkNet卷积神经网络的高分辨率遥感影像水体信息提取[J]. 云南大学学报(自然科学版), 2019, 41(5): 932 − 938. YANG Zhi, OU Wenhao, LIU Xiaoyan, et al. Water information extraction from high resolution remote sensing images based on LinkNet convolutional neural network [J]. J Yunnan Univ Nat Sci Ed, 2019, 41(5): 932 − 938. [6] 尹华锋, 苏程, 冯存均, 等. 基于样本知识挖掘的高分辨率遥感图像水稻种植信息提取方法[J]. 浙江大学学报(农业与生命科学版), 2018, 44(6): 765 − 774. YIN Huafeng, SU Cheng, FENG Cunjun, et al. Extraction of rice planting information from high-resolution remote sensing images based on sample knowledge mining [J]. J Zhejiang Univ Agric Life Sci Ed, 2018, 44(6): 765 − 774. [7] 甘甜, 李金平, 李小强, 等. 面向对象的高分辨率遥感影像建筑物震害信息提取[J]. 测绘工程, 2015, 24(4): 11 − 15. GAN Tian, LI Jinping, LI Xiaoqiang, et al. Object oriented extraction of building seismic damage information from high-resolution remote sensing images [J]. Surv Mapp Eng, 2015, 24(4): 11 − 15. [8] 宋军伟, 张友静, 李鑫川, 等. 基于GF-1与Landsat-8影像的土地覆盖分类比较[J]. 地理科学进展, 2016, 35(2): 255 − 263. SONG Junwei, ZHANG Youjing, LI Xinchuan, et al. Comparison of land cover classification based on GF-1 and landsat-8 images [J]. Prog Geogr Sci, 2016, 35(2): 255 − 263. [9] 张卫春, 刘洪斌, 武伟. 基于随机森林和Sentinel-2影像数据的低山丘陵区土地利用分类——以重庆市江津区李市镇为例[J]. 长江流域资源与环境, 2019, 28(6): 1334 − 1343. ZHANG Weichun, LIU Hongbin, WU Wei. Land use classification in low mountain and hilly areas based on random forest and Sentinel-2 image data: a case study of Lishi Town, Jiangjin District, Chongqing [J]. Resour Environ Yangtze River Basin, 2019, 28(6): 1334 − 1343. [10] ZHU Yuanhui, LIU Kai, LIU Lin, et al. Exploring the potential of World- View-2 Red-Edge Band-Based vegetation indices for estimation of mangrove leaf area index with machine learning algorithms[J/OL]. Remote Sensing, 2017, 9(10): 1060[2022-01-02]. doi: 10.3390/rs9101060. [11] KIM H O, YEOM J M. Effect of red-edge and texture features for object-based paddy rice crop classification using Rapid Eye multi-spectral satellite image data [J]. Int J Remote Sensing, 2014, 35(19): 7046 − 7068. [12] IMMITZER M, VUOLO F, ATZBERGER C. First experience with Sentinel-2 data for crop and tree species classifications in central Europe [J/OL]. Remote Sensing, 2016, 8(3): 166[2022-01-10]. doi: 10.3390/rs8030166. [13] 许超, 何静, 何小弟, 等. 基于遥感的土地利用/覆盖信息动态变化监测分析——以扬州市为例[J]. 东北林业大学学报, 2010, 38(4): 128 − 131. XU Chao, HE Jing, HE Xiaodi, et al. Monitoring and analysis of dynamic change of land use / cover information based on remote sensing: a case study of Yangzhou City [J]. J Northeast For Univ, 2010, 38(4): 128 − 131. [14] 代晶晶, 吴亚楠, 王登红, 等. 基于面向对象分类的稀土开采区遥感信息提取方法研究[J]. 地球学报, 2018, 39(1): 111 − 118. DAI Jingjing, WU Yanan, WANG Denghong, et al. Research on remote sensing information extraction method of rare earth mining area based on object-oriented classification [J]. Acta Geo Sin, 2018, 39(1): 111 − 118. [15] 郭海湘, 杨娟, 杨文霞, 等. 基于改进的ABC模糊分类法煤矿物资分类[J]. 辽宁工程技术大学学报(自然科学版), 2010, 29(5): 985 − 989. GUO Haixiang, YANG Juan, YANG Wenxia, et al. Coal mine material classification based on improved ABC fuzzy classification [J]. J Liaoning Univ Eng Technol Nat Sci Ed, 2010, 29(5): 985 − 989. [16] 张晓羽, 李凤日, 甄贞, 等. 基于随机森林模型的陆地卫星-8遥感影像森林植被分类[J]. 东北林业大学学报, 2016, 44(6): 53 − 57, 74. ZHANG Xiaoyu, LI fengri, ZHEN Zhen, et al. Forest vegetation classification of Landsat-8 remote sensing images based on random forest model [J]. J Northeast For Univ, 2016, 44(6): 53 − 57, 74. [17] 郑卓, 方芳, 刘袁缘, 等. 高分辨率遥感影像场景的多尺度神经网络分类法[J]. 测绘学报, 2018, 47(5): 620 − 630. ZHENG Zhuo, FANG Fang, LIU Yuanyuan, et al. Multi scale neural network classification of high resolution remote sensing image scenes [J]. J Surv Mapp, 2018, 47(5): 620 − 630. [18] 张舒婷, 王晓慧, 彭道黎, 等. 黄土高原丘陵沟壑区植被覆盖度变化监测[J]. 浙江农林大学学报, 2020, 37(6): 1045 − 1053. ZHANG Shuting, WANG Xiaohui, PENG Daoli, et al. Monitoring of vegetation coverage change in Hilly and gully areas of the Loess Plateau [J]. J Zhejiang A&F Univ, 2020, 37(6): 1045 − 1053. [19] 陈俊松, 施舫, 杜薇, 等. 基于GF-2影像的平原河网区规模化生猪养殖场提取方法研究[J]. 生态与农村环境学报, 2020, 36(11): 1485 − 1494. CHEN Junsong, SHI Fang, DU Wei, et al. Study on extraction method of large-scale pig farm in plain river network area based on GF-2 image [J]. J Ecol Rural Environ, 2020, 36(11): 1485 − 1494. [20] 杨子生, 杨诗琴, 杨人懿, 等. 基于利用视角的土地资源分类方法探讨[J]. 资源科学, 2021, 43(11): 2173 − 2191. YANG Zisheng, YANG Shiqin, YANG Renyi, et al. Discussion on land resources classification method based on utilization perspective [J]. Resour Sci, 2021, 43(11): 2173 − 2191. [21] 任向宇, 孙文彬, 袁烨. MESMA与面向对象组合的土地利用分类方法[J]. 遥感信息, 2021, 36(1): 69 − 76. REN Xiangyu, SU Wenbin, YUAN Ye. Land use classification method based on combination of MESMA and object-oriented [J]. Remote Sensing Inf, 2021, 36(1): 69 − 76. [22] 吴健生, 潘况一, 彭建, 等. 基于QUEST决策树的遥感影像土地利用分类——以云南省丽江市为例[J]. 地理研究, 2012, 31(11): 1973 − 1980. WU Jiansheng, PAN Kuangyi, PENG Jian, et al. Land use classification of remote sensing images based on quest decision tree: a case study of Lijiang City, Yunnan Province [J]. Geogr Res, 2012, 31(11): 1973 − 1980. [23] NOVELLI A, AGUILAR M A, NEMMAOUI A, et al. Performance evaluation of object based greenhouse detection from Sentinel-2 MSI and Landsat 8 OLI data: a case study from Almería (Spain) [J]. Int J Appl Earth Obs Geoinf, 2016, 52: 403 − 411. [24] HILLl M J. Vegetation index suites as indicators of vegetation state in grassland and savanna: an analysis with simulated SENTINEL 2 data for a north American transect [J]. Remote Sensing Environ, 2013, 137: 94 − 111. [25] GAUTAM V K, GAURAV P K, MURUGAN P, et al. Assessment of surface water dynamics in bangalore using WRI, NDWI, MNDWI, supervised classification and K-T transformation [J]. Aquatic Procedia, 2015, 4: 739 − 746. [26] 张亚新, 吴志勇, 何海. 苏南丘陵区土地利用遥感分类方法适用性研究[J]. 湖北农业科学, 2021, 60(5): 138 − 143. ZHNG Yaxin, WU Zhiyong, HE Hai. Study on applicability of remote sensing classification method of land use in hilly area of Southern Jiangsu [J]. Hubei Agric Sci, 2021, 60(5): 138 − 143. 期刊类型引用(1)
1. 吴宁, 肖瑞, 许艳萍, 杜官本, 李晓平, 孙飞. 生长期和植株性别对工业大麻秆“三大素”的影响. 浙江农林大学学报. 2015(05): 776-782 . 
本站查看其他类型引用(0)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20220134
点击查看大图
计量
- 文章访问数: 652
- HTML全文浏览量: 262
- PDF下载量: 163
- 被引次数: 1
