Vertical distribution pattern of vegetation on the east and west slopes of Cangshan Mountain in Dali

大理苍山(图1)位于云南西部大理白族自治州境内(25°34′~26°00′N，99°55′~100°12′E)，横跨大理市、漾濞彝族自治县、洱源县3市(县)。属亚热带西南季风气候，全年干湿季分明。年均气温为15.5 ℃，年降水量大于1 000 mm。苍山地势陡峭，南高北低，由19座山峰组成，最高点马龙峰海拔为4 122 m。由于苍山垂直高差显著，山地立体气候十分明显，从山麓到山顶有3个垂直气候带，分别为亚热带、暖温带和高山寒漠带。植被的垂直带谱明显，植被种类多，层次清晰，分布复杂，保存了许多从南亚热带向高山冰漠带过渡的植被类型，也是目前世界上保存较完整的一组植物垂直分布带谱。

Figure 1.  Location of the study area

采用GF-2 PMS影像(http://www.cresda.com/)作为基础遥感数据源，该影像包含全色、蓝、绿、红和近红外5个波段，除全色波段为1 m分辨率外，其余波段空间分辨率为4 m。大理苍山属典型的季风气候，雨季旱季分明。5—10月为雨季，由于云量较大，影像基本采集不到数据。为覆盖整个研究区，选择2017年11月11日的3景和2018年1月24日的2景共5景影像，这个时段研究区内云量少，图像质量好，满足应用的需要。在遥感分类之前，应用ENVI 5.3软件对影像进行辐射定标、大气校正、正射校正、融合、镶嵌和裁剪等预处理，得到研究区影像。

为了保证精细植被识别的准确性，在植被分类中利用空间分辨率为30 m的DEM作为辅助数据。30 m的DEM数据下载于地理空间数据云平台(http://www.gscloud.cn/)。对该数据进行裁剪后获得研究区的DEM数据，主要用来提取地形约束因子和海拔。

参考文献[15]，将苍山7种植被型组作为分类系统中的主要级别，用于划分植被类型和确定分类体系。并根据袁睿佳等^[14]和闵天禄等^[16]整理得到苍山植被垂直带谱(图2)，构建地形约束因子，在分类中辅助选择样本。

Figure 2.  Vertical band spectrum of vegetation in Cangshan Mountain, Dali　　　　　　

为了充分利用苍山山区植被分布的垂直地带性规律，在构建地形约束因子时，融入垂直带谱信息，作为辅助要素进行植被分类。先利用DEM数据提取主山脊线，大致确定东、西坡向；再基于苍山东西坡的植被垂直分布带谱，提取优势植被群系分布的海拔范围；最后，将东西坡的海拔范围叠加生成具有植被垂直分布规律的地形因子(图3)。

Figure 3.  Distribution of topographic constraint factors in Cangshan Mountain, Dali

参考中国科学院土地利用遥感监测分类系统，结合苍山植被分布数据、遥感影像和研究区实际土地覆被情况，将苍山植被划分为12种类型，包括云南松Pinus yunnanensis林、华山松Pinus armandii林、云南铁杉Tsuga dumosa-阔叶混交林、苍山冷杉Abies delavayi-杜鹃Rhododendron simsii林、亚高山草甸、杜鹃灌丛、亚热带干热河谷次生灌丛、常绿阔叶林、杜鹃灌丛草甸、针叶-杜鹃-箭竹Fargesia spp.矮林、旱地、裸地。并基于高分辨率谷歌地球(Google Earth)影像和目视解译，得出相应植被类型的影像特征。

面向对象分类法是以图像分割的对象为基本单位进行的^[17]，分割对象与地物边界一致性越高，越有利于得到好的信息提取结果^[18]，并且该方法可以有效集成专家知识和各种辅助数据，充分利用影像的光谱特征、纹理特征、形状特征等。面向对象分类过程可以分为3个步骤：图像分割、特征选择与分析、影像分类^[19]。

由于山区地形复杂，地势起伏大，影像在不同时相存在“同物异谱”现象。为了提高植被信息提取的准确性，在图像分割中引入DEM和纹理特征。不同植被类型具有不同的纹理特征，因此基于灰度共生矩阵(GLCM)^[20]提取了常用的8个纹理特征。经比较后，在图像分割中选取近红外波段的熵。由于植被在近红外波段的反射率较高，其波段权重设为2，其余图层波段权重均设为1；并定义形状因子为0.1，紧致度因子为0.5。图4A与图4B显示：DEM和纹理特征参与分割后，山体阴影更清晰，且多边形对象数目大量减少，对象数从916 020个减少到了693 239个。可见，有辅助信息参与分割的效果明显优于仅基于光谱信息的分割效果。

Figure 4.  Comparison of the results of DEM texture participation and non-participation in image segmentation

由于研究区内不仅有大片分布的林地，还有小面积分布的其他地类，而本研究的重点是提取有林地类内更精细的植被类型。因此，本研究采用多层次分割法对图像进行分割，以满足不同层次不同地物的良好分割效果。在以上参数都相同的情况下，分割尺度参数为70、90、120时，研究区影像中不同地物类型的分类效果最好。即这3个尺度为不同层次下地物的最优分割尺度，具体如表1所示。

分割完成后，结合地形约束因子对不同植被类型进行样本选择，并使用eCognition软件中的Feature Space Optimization工具对各地物初始分类特征进行空间优化后，筛选出相应的特征参数，主要包括光谱、形状、纹理、拓扑关系、上下关系等。最后采用模糊分类和最邻近分类对植被信息进行分层次提取。各层次的地物分类规则见表2。

在研究区随机生成600个样本点，基于Google Earth高分辨率影像，通过目视解译获取对应点地类，其中裸地18个、旱地19个、云南松林81个、华山松林36个、云南铁杉-阔叶混交林126个、苍山冷杉-杜鹃林55个、亚高山草甸28个、杜鹃灌丛79个、亚热带干热河谷次生灌丛16个、常绿阔叶林42个、杜鹃灌丛草甸8个、针叶-杜鹃-箭竹矮林92个。以此来进行植被信息提取结果的精度验证，并计算生产者精度、用户精度、总体精度和Kappa系数。

图5所示：在苍山植被类型的高精度分类结果中，地物边界相对清晰，完整性保持良好，与实际情况吻合度高。其中，研究区域内优势土地覆盖类型是云南铁杉-阔叶混交林，面积所占比例最大，为24.23%；其次为云南松林(18.67%)、常绿阔叶林(18.71%)、苍山冷杉-杜鹃林(13.09%)，以上这4种植被类型占全区总面积的74.71%，主要分布在中海拔的山坡。但在植被类型中，杜鹃灌丛草甸和亚热带干热河谷次生灌丛所占比例最小。而裸地主要是高山上裸露的基岩，旱地分布在较低海拔，面积都较小。

Figure 5.  Results of vegetation classification in Cangshan Mountain, Dali　　　　

大理苍山东坡海拔低于2 200 m时，旱地、裸地、杜鹃灌丛只有零星分布，分布面积较小，但也有少量云南松林；海拔为2 200~2 500 m时，旱地、杜鹃灌丛明显减少，且分布的主要植被类型为云南松林；海拔为2 500~2 900 m时，主要集中分布华山松林，局部地段因山势陡峭，还能发现少量常绿阔叶林；海拔为2 900~3 200 m，高山裸露的基岩零星出现少量裸地，而云南铁杉-阔叶混交林大面积出现；海拔为3 200~3 500 m时，云南铁杉-阔叶混交林面积极少，苍山冷杉-杜鹃林成为主要森林类型，云南松林消失殆尽；海拔为3 500~3 800 m时，亚高山草甸以显著的面积优势成为垂直地带性植被类型；海拔大于3 800 m时，杜鹃灌丛及草甸占主导。但也有部分植被因光谱特征极为相似而导致两两混淆。

大理苍山西坡海拔低于1 750 m的低山丘陵区域，土地多半已被开垦，旱地和次生灌丛分布比例大，而且有少面积的云南松林；海拔为1 750~2 500 m时，云南松林的分布范围最广，零星出现少量旱地和裸地；海拔为2 500~2 900 m时，主要分布大面积的常绿阔叶林，裸地分布不明显；海拔为2 500~3 300 m时，常绿阔叶林已很难看到，云南铁杉-阔叶混交林以显著面积优势成为垂直地带性植被类型，但裸地面积有明显增多；海拔为3 300~3 700 m时，主要植被类型为针叶-杜鹃-箭竹矮林，散生少数苍山冷杉-杜鹃林；海拔大于3 700 m的地区，杜鹃灌丛及草甸呈大面积成片分布。

为了确定分类的精度和可靠性，通常采用混淆矩阵来评估分类的精度。本研究根据获取的600个验证样本点，采用eCognition软件中基于分割对象选择的样本(error matrix based on sample)工具计算面向对象分类法的分类结果验证的混淆矩阵(表3)。由表3可知：与植被真实分布情况进行对比验证，600个点中有28个点不匹配，引入辅助信息参与分类的总体精度为95.3%，Kappa系数为0.946 6。对于单一地类的精度，面向对象分类法提取的裸地、云南铁杉-阔叶混交林、亚高山草甸和杜鹃灌丛草甸的生产者精度非常高，均为100.0%；杜鹃灌丛、苍山冷杉-杜鹃林、针叶-杜鹃-箭竹矮林和常绿阔叶林次之，分别为98.7%、98.2%、97.8%和97.6%。除杜鹃灌丛草甸和亚热带干热河谷次生灌丛外，各地类的用户精度均超过90.0%，说明错分的现象较少。但也存在部分地物分类的误差，主要原因有：①根据影像时相的不同，在进行拼接时仍无法避免影像存在一定的色差。这也增加了不同植被类型边界出现“同物异谱，异物同谱”现象的概率；②云南松林、常绿阔叶林、云南铁杉-阔叶混交林等部分植被影像特征十分相似，造成人工选择样本时，界定目标地物存在困难；③由于苍山东西坡的垂直带谱信息存在一定差异，不同海拔范围内优势物种的描述也有所不同，就使得一些面积较小的植被类型很少描述，由此导致分类不细致。

本研究结果表明：①研究中引入DEM地形数据、纹理特征来辅助多尺度、多层次的影像分割，能让分割结果更细致，且使影像分割中过于细碎的图像得以合并，能更高效、准确地表达地物，从而避免影像上大量山体阴影、积雪等的影响。②结合层次分类的思想，采用面向对象的分类法分层提取植被信息，并在此基础上叠加地形约束因子，可以有效改善研究区林地面积较大，植被边界定义模糊，在特征相似或植被分布密集区域造成误选样本等问题。③通过构建具有垂直带谱信息的地形约束因子，利用人机交互的方式能够更高效、准确地选择样本，有效减少错分，最终实现苍山植被信息的高精度提取，其总体精度为95.3%，Kappa系数为0.946 6。

本研究提高了地物分类精度，与张俊瑶等^[1]、陈波等^[12]的研究结论一致。但因本研究中部分数据整理时间相对较早，缺乏野外实地考察，使苍山的植被垂直带谱分布范围可能存在差异。在分类过程中，部分植被光谱特性相似度高、主观性强等，势必造成少部分植被被错分的情况。此外，部分植被如华山松林、云南松林、常绿阔叶林、云南铁杉-阔叶混交林、针叶-杜鹃-箭竹矮林等影像特征相似，边界界定模糊，如不引入地形约束因子，就无法识别区分植被。本研究对分类结果的准确度的分析较单一，存在分割结果的边界过于依赖地形约束因子图层的边界，破坏了对象的完整性。因此，今后研究中还将进一步探索地形约束因子能否参与分割和如何参与分割的问题，或是否还能引入更多的因素辅助分类。