Application of Machine Learning Method in Vegetation Interpretation of the Jiuzhaigou County Protected Areas
-
摘要: 明确自然保护地的植被类型和空间分布，在改善生态环境质量与维护国家生态安全等方面具有重要参考意义。本文基于Sentinel-2A遥感影像数据，利用随机森林算法和旋转森林算法对九寨沟县自然保护地植被进行分类，并结合植被类型图与坡度、坡向以及高程数据对研究区内各植被类型的空间分布特征进行分析。研究结果表明，1）旋转森林算法分类效果优于随机森林算法，总体精度为85.73%，Kappa系数为0.83；2）九寨沟县植被在阴坡和半阴坡朝向生长较好，各植被类型集中分布于坡度16°~45°范围内，且区域内植被分布垂直地带性明显，海拔由低到高陆续出现的主要植被类型为栽培植被、灌丛、阔叶林、针阔混交林、针叶林以及草地。Abstract: It is of great reference significance to clarify the vegetation types and spatial distribution of natural protected areas in terms of improving ecological environment quality and maintaining national ecological security. In this paper, based on sentinel-2A remote sensing image data, Random Forest algorithm and Rotation Forest algorithm were used to classify the vegetation in the Jiuzhaigou county protected areas. The spatial distribution characteristics of vegetation types in the study area were analyzed by combining the vegetation type map with slope, aspect and elevation zones. The results show that: 1) The classification performance of Rotation Forest algorithm is better than Random Forest algorithm, which overall accuracy is 85.73% and Kappa coefficient is 0.83. 2) The vegetation in Jiuzhaigou county grows well on shady slope and semi-shady slope, and all vegetation types are concentrated in the slope range from 16° to 45°. The vertical zonal distribution of vegetation in the region is obvious. The main vegetation types that appear successively are cultivated vegetation, shrub, broad-leaved forest, coniferous and broad-leaved mixed forest, coniferous forest and grassland from low elevation to high elevation.
-
Key words:
- vegetation interpretation /
- natural protected areas /
- Random Forest /
- Rotation Forest /
- spatial distribution /
-
图 2 九寨沟县地表覆盖分类混淆矩阵
Figure 2. Confusion matrix of Jiuzhaigou county surface cover classification
图 3 基于不同分类算法下的九寨沟县地表覆盖类型图
Figure 3. Land cover types of Jiuzhaigou County based on different classification algorithms
图 4 基于旋转森林分类算法的九寨沟县植被类型分布
Figure 4. Vegetation type distribution of Jiuzhaigou county based on rotation forest classification algorithm
图 5 l 九寨沟县自然保护地不同坡向分区下各植被类型面积统计
Figure 5. Area statistics of vegetation types under different slope direction zoning of Jiuzhaigou natural reserve
图 6 九寨沟县自然保护地不同坡度分区的各植被类型面积统计
Figure 6. Area statistics of vegetation types under different slope zones of Jiuzhaigou county nature reserve
图 7 九寨沟县各植被类型在不同海拔分区的像元占比
Figure 7. Pixel percentage of vegetation types in Jiuzhaigou county under different altitude zoning
表 1 九寨沟县地表覆盖分类精度评价
Table 1. Evaluation on the classification accuracy of surface cover in Jiuzhaigou county
地表类型 随机森林算法 旋转森林算法 制图精度（%） 用户精度（%） 制图精度（%） 用户精度（%） 针叶林 86.37 85.32 88.76 87.50 阔叶林 82.67 81.11 85.58 84.62 针阔混交林 50.65 56.44 67.47 67.43 灌丛 63.87 60.81 66.29 66.64 草地 86.83 92.08 86.21 92.30 栽培植被 77.82 68.97 74.99 66.56 水体 99.21 96.92 99.41 96.37 建筑用地 97.31 96.55 96.84 97.04 裸地 99.59 99.15 99.59 99.04 总体精度 83.52 85.73 Kappa系数 0.80 0.83 
下载: 导出CSV
表 2 九寨沟县自然保护地各植被类型面积统计
Table 2. Area statistics of vegetation types in Jiuzhaigou natural reserve
植被类型 九寨沟自然保护区 白河自然保护区 贡杠岭自然保护区 勿角自然保护区 九寨沟全境 面积（km2） 百分比（%） 面积（km2） 百分比（%） 面积（km2） 百分比（%） 面积（km2） 百分比（%） 面积（km2） 百分比（%） 针叶林 75.16 11.68 3.09 1.88 194.25 15.91 14.39 4.07 422.93 8.00 阔叶林 71.39 11.09 23.25 14.13 107.78 8.83 44.88 12.71 643.56 12.18 针阔混交林 55.67 8.65 19.81 12.04 91.34 7.48 56.21 15.91 485.09 9.18 灌丛 68.68 10.67 44.72 27.18 114.49 9.38 126.83 35.91 1 082.01 20.48 草地 118.16 18.36 52.23 31.74 522.30 42.78 79.18 22.42 1 626.80 30.79 栽培植被 8.58 1.33 11.96 7.27 6.42 0.53 13.58 3.85 342.08 6.47 非植被 246.02 38.22 9.49 5.77 184.36 15.10 18.08 5.12 681.20 12.89
下载: 导出CSV
表 3 九寨沟县自然保护地各植被类型海拔分布
Table 3. Altitude distribution of vegetation types in Jiuzhaigou nature reserve
植被类型 九寨沟自然保护区 白河自然保护区 勿角自然保护区 贡杠岭自然保护区 分布范围（m） 标准差 分布范围（m） 标准差 分布范围（m） 标准差 分布范围（m） 标准差 针叶林 2 689~4 024 229 2 774~3 826 228 2 794~3 821 137 2 686~4 091 190 阔叶林 2 005~3 757 297 2 035~3 742 341 1 866~3 668 289 2 443~3 699 183 针阔混交林 2 004~4 031 302 1 657~3 844 367 1 818~3 757 275 2 494~4 050 244 灌丛 2 003~4 100 398 1 478~3 731 359 1 762~3 660 281 2 428~4 126 280 草地 2 015~4 231 273 1 489~4 101 459 1 829~4 147 432 2 596~4 326 234 栽培植被 2 015~3 184 220 1 483~3 158 376 1 796~3 166 214 2 426~3 077 112 非植被 2 010~4 842 388 1 456~4 281 539 1 973~4 411 415 2 424~4 547 291
下载: 导出CSV
-
[1] 刘阳, 蔡小英, 修新田, 等. 自然保护地森林文化价值评价指标体系构建研究[J]. 林业经济问题, 2022, 42(3): 329−336. [2] 刘增力, 马炜, 蔺琛, 等. 广东省自然保护地体系规划探讨[J]. 自然保护地, 2021, 1(4): 55−64. doi: 10.12335/2096-8981.2021082801 [3] 张迪, 饶世树, 缪绅裕. 广东仁化高坪省级自然保护区植被类型调查研究[J]. 安徽农业科学, 2022, 50(11): 122−125. doi: 10.3969/j.issn.0517-6611.2022.11.030 [4] Abaigar T, Del Barrio G, Vericad J R. Habitat Preference of Wild Boar (Sus scrofa L., 1758) in a Mediterranean Environment. Indirect Evaluation by Signs[J]. Mammalia, 1994, 58: 201−210. [5] 杨海龙, 李迪强, 朵海瑞, 等. 梵净山国家级自然保护区植被分布与黔金丝猴生境选择[J]. 林业科学研究, 2010, 23(3): 393−398. doi: 10.13275/j.cnki.lykxyj.2010.03.002 [6] 刘道平, 欧阳志云, 张玉钧, 等. 中国自然保护地建设: 机遇与挑战[J]. 自然保护地, 2021, 1(1): 1−12. [7] 刘旭升, 张晓丽. 森林植被遥感分类研究进展与对策[J]. 林业资源管理, 2004(1): 61−64. doi: 10.3969/j.issn.1002-6622.2004.01.016 [8] 梁晰雯, 赵颖慧, 甄贞, 等. 基于旋转森林的Landsat-8影像森林植被分类[J]. 东北林业大学学报, 2017, 45(8): 39−48. doi: 10.3969/j.issn.1000-5382.2017.08.008 [9] 张妮娜, 张珂, 李运平, 等. 中国南方典型湿润山区植被类型的无人机多光谱遥感机器学习分类研究[J/OL]. 遥感技术与应用. (2022-03-25)[2022-10-15]. http://kns.cnki.net/kcms/detail/62.1099.TP.20220324.1714.002.html. [10] 时雷, 虎晓红, 席磊. 朴素贝叶斯分类算法及其应用研究[J]. 光盘技术, 2008(11): 54. [11] 李旭然, 丁晓红. 机器学习的五大类别及其主要算法综述[J]. 软件导刊, 2019, 18(7): 4−9. [12] Friedl M A, Brodley C E. Decision Tree Classification of Land Cover from Remotely Sensed Data[J]. Remote Sensing of Environment, 1997, 61(3): 399−409. doi: 10.1016/S0034-4257(97)00049-7 [13] 柴晓飞, 罗丁利, 徐丹蕾, 等. 基于多普勒频谱的建筑物与植被场景分类技术[J]. 火控雷达技术, 2019, 48(1): 18−23. doi: 10.19472/j.cnki.1008-8652.2019.01.004 [14] 芦斌, 谢宏全, 汪秋玲, 等. 基于Landsat影像的南阳市植被变化研究[J]. 科技资讯, 2020, 18(1): 71−72. [15] Peterson L E. K-Nearest Neighbor[J]. Scholarpedia, 2009, 4(2): 1883. doi: 10.4249/scholarpedia.1883 [16] 左萍萍, 付波霖, 蓝斐芜, 等. 基于无人机多光谱的沼泽植被识别方法[J]. 中国环境科学, 2021, 41(5): 2399−2410. doi: 10.3969/j.issn.1000-6923.2021.05.048 [17] Fernández-Delgado M, Cernadas E, Barro S, et al. Do We Need Hundreds of Classifiers to Solve Real World Classification Problems?[J]. The Journal of Machine Learning Research, 2014, 15(1): 3133−3181. [18] Rodriguez J J, Kuncheva L I, Alonso C J. Rotation Forest: A New Classifier Ensemble Method[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, 28(10): 1619−1630. doi: 10.1109/TPAMI.2006.211 [19] 宗影, 李玉凤, 刘红玉. 基于面向对象随机森林方法的滨海湿地植被分类研究[J]. 南京师范大学学报(工程技术版), 2021, 21(4): 47−55. [20] 林露. 基于旋转森林算法的高光谱图像分类研究[D]. 西安: 西安电子科技大学, 2021. [21] Liu P, Chen X. Intercropping Classification from GF-1 and GF-2 Satellite Imagery Using a Rotation Forest Based on an SVM[J]. ISPRS International Journal of Geo-Information, 2019, 8(2): 86. doi: 10.3390/ijgi8020086 [22] 彭力恒, 刘凯, 朱远辉, 等. 旋转森林算法在GF-2卫星影像土地利用分类中的应用[J]. 航天返回与遥感, 2019, 40(1): 112−122. doi: 10.3969/j.issn.1009-8518.2019.01.013 [23] 唐鹏飞, 苗则朗, 林聪, 等. 融合高分夜光和Landsat OLI影像的不透水面自动提取方法[J]. 红外与毫米波学报, 2020, 39(1): 128−136. [24] 吴丁兰. 九寨沟县政府推进全域旅游存在的问题与对策研究[D]. 成都: 四川大学, 2021. [25] 雷雨, 冯彬, 谢瑶瑶, 等. 基于RS与GIS的九寨沟国家级自然保护区地震前后植被覆盖度变化分析[J]. 四川林业科技, 2022, 43(2): 81−87. doi: 10.12172/202108160002 [26] 唐艺嘉, 王泽根. 基于RULSE的九寨沟县地震后土壤侵蚀定量分析[J]. 化工设计通讯, 2021, 47(1): 86−87,100. doi: 10.3969/j.issn.1003-6490.2021.01.042 [27] 张可. 九寨沟资源禀赋环境优美优惠政策积极招商引资[J]. 现代营销(创富信息版), 2014(1): 46. [28] 段纪维, 钟九生, 江丽, 等. 基于哨兵2可见光波段的喀斯特地区植被提取方法[J]. 林业资源管理, 2020(6): 143−152. doi: 10.13466/j.cnki.lyzygl.2020.06.023 [29] Liu Y N, Gong W S, Hu X Y, et al. Forest Type Identification with Random Forest Using Sentinel-1A, Sentinel-2A, Multi-Temporal Landsat-8 and DEM Data[J]. Remote Sensing, 2018, 10(6): 946. doi: 10.3390/rs10060946 [30] Breiman L. Random Forests[J]. Machine Learning, 2001, 45(1): 5−32. doi: 10.1023/A:1010933404324 [31] Speiser J L, Miller M E, Tooze J, et al. A Comparison of Random Forest Variable Selection Methods for Classification Prediction Modeling[J]. Expert Systems with Applications, 2019, 134: 93−101. doi: 10.1016/j.eswa.2019.05.028 [32] 王清楠. 基于旋转森林和LightGBM分类算法的高校实践教学数据分析[D]. 长春: 吉林大学, 2020. [33] 周尔昊, 高尚. 一种代价敏感的旋转森林分类算法[J]. 计算机与数字工程, 2021, 49(9): 1763−1766,1883. [34] 王李娟, 孔钰如, 杨小冬, 等. 基于特征优选随机森林算法的农耕区土地利用分类[J]. 农业工程学报, 2020, 36(4): 244−250. doi: 10.11975/j.issn.1002-6819.2020.04.029 [35] Congalton R G. A Review of Assessing the Accuracy of Classifications of Remotely Sensed Data[J]. Remote Sensing of Environment, 1991, 37(1): 35−46. doi: 10.1016/0034-4257(91)90048-B [36] Stehman S V. Selecting and Interpreting Measures of Thematic Classification Accuracy[J]. Remote Sensing of Environment, 1997, 62(1): 77−89. doi: 10.1016/S0034-4257(97)00083-7 [37] 李敏, 刘国栋, 谭凌. 基于随机森林的土地利用分类与景观格局分析[J]. 地理空间信息, 2022, 20(2): 51−56. doi: 10.3969/j.issn.1672-4623.2022.02.010 [38] 吴胜义, 张方圆, 王飞, 等. 基于DEM数据分析川西云杉林与高山柏林空间分布特征: 以石渠县为例[J]. 西北林学院学报, 2022, 37(3): 133−138. doi: 10.3969/j.issn.1001-7461.2022.03.19 [39] 王猛, 张新长, 王家耀, 等. 结合随机森林面向对象的森林资源分类[J]. 测绘学报, 2020, 49(2): 235−244. doi: 10.11947/j.AGCS.2020.20190272 [40] 杨丹, 李崇贵, 李斌. 基于U-Net模型的多时相Sentinel-2A/B影像林分类型分类[J]. 林业科学研究, 2022, 35(4): 103−111. doi: 10.13275/j.cnki.lykxyj.2022.004.011 [41] 郭文婷, 张晓丽. 基于Sentinel-2时序多特征的植被分类[J]. 浙江农林大学学报, 2019, 36(5): 849−856. [42] 李煜, 李崇贵, 刘思涵, 等. 应用哨兵2A多时相遥感影像对树种的识别[J]. 东北林业大学学报, 2021, 49(3): 44−47,51. doi: 10.3969/j.issn.1000-5382.2021.03.008 [43] 张同升. 风景名胜区生态保护红线划定研究[J]. 自然保护地, 2022, 2(1): 1−11. doi: 10.12335/2096-8981.2022080203 [44] 常丽娜, 赵新全. 三江源草地多功能目标管理与自然保护地建设[J]. 自然保护地, 2022, 2(2): 1−8. doi: 10.12335/2096-8981.2022010402 -
点击查看大图
计量
- 文章访问数: 23
- HTML全文浏览量: 4
- PDF下载量: 8
- 被引次数: 0
邮件订阅
Rss