热带作物学报

参数Parameter	数值Score	介绍Introduction
maxSegments	6	时间序列上拟合的最大线段数
spikeThreshold	0.9	抑制尖峰的阈值
vertexCountOvershoot	3	拟合模型中最多能存在的拐点数量
preventOneYearRecovery	True	是否防止一年恢复的情况
recoveryThreshold	0.35	若恢复速率快于该值的倒数，则忽略
pvalThreshold	0.05	变化点的阈值，大于该值则被舍弃
bestModelProportion	0.75	当存在多个拟合模型时，大于该值则被选中
minObservationsNeeded	6	输出拟合所需的最小观测数

参数Parameter	数值Score	介绍Introduction
maxSegments	6	时间序列上拟合的最大线段数
spikeThreshold	0.9	抑制尖峰的阈值
vertexCountOvershoot	3	拟合模型中最多能存在的拐点数量
preventOneYearRecovery	True	是否防止一年恢复的情况
recoveryThreshold	0.35	若恢复速率快于该值的倒数，则忽略
pvalThreshold	0.05	变化点的阈值，大于该值则被舍弃
bestModelProportion	0.75	当存在多个拟合模型时，大于该值则被选中
minObservationsNeeded	6	输出拟合所需的最小观测数

级别Grade	海拔Altitude/m
1	0~500
2	500~750
3	750~1000
4	>1000

级别Grade	海拔Altitude/m
1	0~500
2	500~750
3	750~1000
4	>1000

级别Grade	类别Classification	坡度Slope/°
1	平坡	0~5
2	缓坡	5~15
3	较陡坡	15~25
4	陡坡	25~35
5	急陡坡	>35

级别Grade	类别Classification	坡度Slope/°
1	平坡	0~5
2	缓坡	5~15
3	较陡坡	15~25
4	陡坡	25~35
5	急陡坡	>35

级别Grade	类别Classification	坡向Slope-exposure/(°)
1	正北	0~22.5, 337.5~360.0
2	东北	22.5~67.5
3	正东	67.5~112.5
4	东南	112.5~157.5
5	正南	157.5~202.5
6	西南	202.5~247.5
7	正西	247.5~292.5
8	西北	292.5~337.5

级别Grade	类别Classification	坡向Slope-exposure/(°)
1	正北	0~22.5, 337.5~360.0
2	东北	22.5~67.5
3	正东	67.5~112.5
4	东南	112.5~157.5
5	正南	157.5~202.5
6	西南	202.5~247.5
7	正西	247.5~292.5
8	西北	292.5~337.5

指标Index	橡胶林Rubber	森林Forest	耕地Cropland	建成区Built-up	水体Water	总体精度Overall acuracy/%	Kappa
用户精度/%	88.38	90.53	82.20	94.44	100.00	89.85	0.82
生产者精度/%	85.20	93.71	70.23	92.25	96.97

指标Index	橡胶林Rubber	森林Forest	耕地Cropland	建成区Built-up	水体Water	总体精度Overall acuracy/%	Kappa
用户精度/%	88.38	90.53	82.20	94.44	100.00	89.85	0.82
生产者精度/%	85.20	93.71	70.23	92.25	96.97

类别Classification变化	生产者精度Producer accuracy/%96.47	用户精度User accuracy/%92.90	总体精度Overall accuracy/%92.44	Kappa0.82
变化	96.47	92.90	92.44	0.82
未变化	91.27	83.33

类别Classification变化	生产者精度Producer accuracy/%96.47	用户精度User accuracy/%92.90	总体精度Overall accuracy/%92.44	Kappa0.82
变化	96.47	92.90	92.44	0.82
未变化	91.27	83.33

省份Province	种植面积Planting area/hm²	变化面积Area of variation/hm²
阿速坡省	9 656.64	3462.21	6 194.43
波乔省	26 325.55	12 391.84	13 933.71
波里坎赛省	27 152.87	8 612.51	18 540.36
占巴塞省	23 237.90	5 628.23	17 609.67
华潘省	6 142.32	3 302.73	2 839.59
甘蒙省	20 233.98	4 775.58	15 458.40
琅南塔省	35 227.90	13 959.82	21 268.08
琅勃拉邦省	21 580.31	12 652.22	8 928.09
乌多姆塞省	25 130.93	18 751.07	6 379.86
丰沙里省	27 016.84	18 754.48	8 262.36
沙拉湾省	12 900.60	1 683.99	11 216.61
沙湾拿吉省	26 390.29	1 945.75	24 444.54
万象市	7 698.27	1 048.80	6 649.47
沙耶武里省	14 392.15	11 611.96	2 780.19
万象省	27 258.83	8 893.43	18 365.4
色贡省	9 141.48	3 923.19	5218.29
川圹省	1 688.76	350.73	1 338.03
合计	321 175.62	131 748.54	189 427.08

省份Province	种植面积Planting area/hm²	变化面积Area of variation/hm²
阿速坡省	9 656.64	3462.21	6 194.43
波乔省	26 325.55	12 391.84	13 933.71
波里坎赛省	27 152.87	8 612.51	18 540.36
占巴塞省	23 237.90	5 628.23	17 609.67
华潘省	6 142.32	3 302.73	2 839.59
甘蒙省	20 233.98	4 775.58	15 458.40
琅南塔省	35 227.90	13 959.82	21 268.08
琅勃拉邦省	21 580.31	12 652.22	8 928.09
乌多姆塞省	25 130.93	18 751.07	6 379.86
丰沙里省	27 016.84	18 754.48	8 262.36
沙拉湾省	12 900.60	1 683.99	11 216.61
沙湾拿吉省	26 390.29	1 945.75	24 444.54
万象市	7 698.27	1 048.80	6 649.47
沙耶武里省	14 392.15	11 611.96	2 780.19
万象省	27 258.83	8 893.43	18 365.4
色贡省	9 141.48	3 923.19	5218.29
川圹省	1 688.76	350.73	1 338.03
合计	321 175.62	131 748.54	189 427.08

基于LandTrendr的老挝橡胶林遥感识别及扩张监测

PDF下载

琚旺龙 ¹ , 詹正豪 ² , 秦震宇 ¹ , 张军 ²^,^*

热带作物学报 | 农业生态与环境保护 2024,45(8): 1742-1750

收起

热带作物学报 |农业生态与环境保护 2024 , 45 (8) : 1742 -1750

基于LandTrendr的老挝橡胶林遥感识别及扩张监测

全屏

琚旺龙¹, 詹正豪², 秦震宇¹, 张军²^,^*

作者信息

^1.云南大学国际河流与生态安全研究院，云南昆明　650500

^2.云南大学地球科学学院，云南昆明　650500

通讯作者:

^* 张军（ZHANG Jun），E-mail：zhjun@ynu.edu.cn。

Remote Sensing Identification and Expansion Monitoring of Rubber Forests in Laos Based on LandTrendr

Wanglong JU¹, Zhenghao ZHAN², Zhenyu QIN¹, Jun ZHANG²^,^*

Affiliations

^1.Institute of International Rivers and Eco-security, Yunnan University, Kunming, Yunnan 650500, China

^2.School of Earth Sciences, Yunnan University, Kunming, Yunnan 650500, China

出版时间: 2024-08-25 doi: 10.3969/j.issn.1000-2561.2024.08.023

文章导航

摘要

收起

天然橡胶作为世界上重要的工业原料，也是老挝农民收入的重要组成部分，受替代种植政策和橡胶价格变化的影响，准确快速地监测当地人工橡胶林对于促进橡胶产业的良性发展具有重要意义。目前大部分研究都集中在小区域的橡胶林提取，多为单时相或双时相影像的分类提取，无法得到长时间序列的橡胶林扩张特征。为探究长时间、大尺度的橡胶林种植扩张特征，本研究选取1990—2020年连续30年的Landsat时间序列影像，利用LandTrendr算法对老挝30年间橡胶林变化进行提取，并借助国际橡胶期货价格和地形数据进行时空变化分析。结果表明：经过优选后的特征组合可以更好地进行橡胶林分布提取，2020年橡胶林分布提取的总体精度为89.85%，Kappa系数为0.82，得出老挝在2020年的橡胶林总面积为32.1万hm²；使用LandTrendr算法和二次分类的橡胶林扩张变化监测总体精度为92.44%，Kappa系数为0.82；老挝人工橡胶林的扩张和橡胶期货市场密切相关，通过地形因素分析，得出橡胶林适宜种植在低海拔、坡度平缓且向阳的区域。本研究能够很好地在国家尺度上对橡胶林变化进行长时间的监测，为橡胶产业的发展和政策的把控提供数据支撑。

关键词

老挝 / 人工橡胶林 / LandTrendr算法 / Landsat / 变化检测

Abstract

收起

Natural rubber, a crucial industrial raw material worldwide, and a significant part of the income for Laotian farmers, is influenced by alternative planting policies and fluctuations in rubber prices. Aaccurate and rapid monitoring of local artificial rubber plantation is of crucial significance for promoting the sustainable development of the rubber industry. Most research has focused on the extraction of rubber plantation information in small areas, typically utilizing single or dual-temporal image classification, which fails to capture the long-term expansion characteristics of rubber forests. To investigate the long-term, large-scale expansion features of rubber plantation, this study selected a continuous thirty-year Landsat time series imagery from 1990 to 2020. The LandTrendr algorithm was employed to extract changes in rubber plantation across Laos over the three decades. International rubber futures prices and terrain data were also utilized for spatiotemporal change analysis. The selected feature combination, after optimization, can better extract rubber forest distribution. The overall accuracy of rubber forest distribution extraction in 2020 was 89.85%, with a Kappa coefficient of 0.82, revealing Laos’ rubber plantation area to be 321 000 hectares in 2020. The overall accuracy of rubber forest expansion change monitoring using the LandTrendr algorithm and secondary classification was 92.44%, with a Kappa coefficient of 0.82. The expansion of artificial rubber forests in Laos was closely related to the rubber futures market. Through terrain factor analysis, it is deduced that rubber forests are suitable for planting in low-altitude, gently sloping, and sunny areas. This study effectively monitors changes in rubber forests at the national level over an extended period, providing valuable data support for the development of the rubber industry and policy control.

Key words

Laos / planted rubber forest / LandTrendr algorithm / Landsat / change detection

引用本文

琚旺龙, 詹正豪, 秦震宇, 张军. 基于LandTrendr的老挝橡胶林遥感识别及扩张监测. 热带作物学报, 2024 , 45 (8) : 1742 -1750 . DOI: 10.3969/j.issn.1000-2561.2024.08.023

Wanglong JU, Zhenghao ZHAN, Zhenyu QIN, Jun ZHANG. Remote Sensing Identification and Expansion Monitoring of Rubber Forests in Laos Based on LandTrendr[J]. Chinese Journal of Tropical Crops, 2024 , 45 (8) : 1742 -1750 . DOI: 10.3969/j.issn.1000-2561.2024.08.023

正文

收起

天然橡胶作为重要的工业原料是国防和工业建设不可或缺的战略资源，已成为中国国民经济的基础产业之一^[1]。橡胶树作为重要的经济作物在热带地区农民增收和经济发展中发挥着越来越重要的作用^[2]。全球天然橡胶的生产地高度集中，东南亚地区的天然橡胶产品占全球的90%以上。而老挝的橡胶种植得益于马来西亚、泰国等先行国的经验，在国家市场的强劲需求下，发展迅速，橡胶种植面积和产量得到大幅提升，成为东南亚橡胶新的增长点^[3]。同时，老挝的橡胶种植也受中国境外罂粟替代种植政策的影响，老挝的南塔省、乌多姆赛省、丰沙里省开展替代种植的主要农作物就包含天然橡胶，这极大地促进了当地的经济社会发展^[4]。老挝橡胶产业飞速发展的同时，大量的原始森林被砍伐用于满足橡胶林的扩张，给生态环境带来严重影响。利用遥感技术提取天然橡胶林种植的空间分布信息，对橡胶林进行长时序的扩张监测，获取橡胶林种植的时空变化特征，是开展橡胶林长势、灾害、产量遥感监测的重要前置条件^[5]。

变化检测作为林业遥2感领域的研究热点，经过多年的发展，已经取得了大量的研究成果。随着美国地质调查局（USGS）对Landsat数据的免费开放，可以将这些数据应用于区域尺度和全球尺度的森林信息提取^[6]。而森林变化分析作为变化检测中重要的组成部分，变化较为频繁且干扰类型复杂多样，不同区域不同时期的森林变化所适用的变化检测方法也有所不同^[7]。基于Landsat影像数据的森林变化检测方法在近10年得到非常大的发展，在此基础上，也有不少研究将这些方法应用于橡胶林种植扩张研究，并取得了不错的成果^[8]。与其他变化检测方法不同，LandTrendr算法对于影像的要求较低，通过自定义时间窗口，每年获得一幅完整清晰的影像即可进行变化检测，且生成的基于轨迹的光谱时间序列数据基本上不存在年际信号噪声，对于东南亚这种多云多雨的区域有着较好的适用性。

目前对人工橡胶林的研究多集中于海南岛等小区域，且使用决策树方法进行单时相种植区域识别，对大范围的人工橡胶林识别和变化检测研究很少。本研究将单时相的随机森林分类和基于LandTrendr算法的变化检测相结合，对老挝进行连续30年的人工橡胶林扩张监测，总结出一套适用于大范围人工橡胶林扩张监测的方法。通过对老挝人工橡胶林的扩张监测，可以为中国橡胶产业的发展和政策制定提供数据支撑。

1　材料与方法

收起

1.1　研究区概况

老挝位于东南亚，是一个位于中南半岛内陆的国家，其国土面积为23.68万km²。老挝地势南北高低不平，北部与中国云南的滇西高原相接，东部与老挝和越南的边境地区形成由长山山脉构成的高原，西部则为湄公河谷地和湄公河及其支流沿岸的盆地和少量平原。老挝属于热带和亚热带季风气候，5—10月为雨季，11月至次年4月为旱季。全境降水量充沛，一般年降水量为2000 mm。

老挝的橡胶树种植开始于1930年，自2000年以来，天然橡胶种业发展迅速，主要的驱动力包括其国内和国际两方面因素，主要是由于大规模土地租赁特许权的开放^[9]。

1.2　数据源

1.2.1　数据源和预处理

Landsat是美国航空航天局（NASA）与美国地质调查局（USGS）的联合计划，该计划提供了较长时间的连续基空观测记录。

本研究使用1990—2020年的Landsat 5/7/8卫星获得的遥感影像数据，所有的Landsat数据均为Level 2-Collection 2-Tier 1级别，均来自GEE平台。Level 2表示数据经过了几何校正、辐射定标和大气校正；Collection 2表示USGS对Landsat档案进行的第二次重大再处理工作，实现了多项数据产品改进；Tier 1表示具有最高数据质量的Landsat影像，并被认为适合于时间序列分析^[10]，在此数据的基础上进行去云处理就可以进行相关研究。

完全覆盖研究区域需要25景Landsat影像（path: 125~130，row: 44~51）。为了做到连续变化检测，需要消除不同Landsat卫星之间传感器差异造成的影响，本研究将Landsat 8进行与Landsat 5/7相同的辐射校正参数，便于后期的缨帽变换处理。

除了Landsat影像数据之外，本研究还用到分辨精度为30 m的SRTM 1地形数据，这是由美国在2000年2月11日测量的覆盖全球80%以上陆地面积的数字高程模型DEM（Digital Elevation Model）数据。本研究使用DEM数据提取坡度、坡向等地形辅助因子数据，有助于提高分类精度。

World Cover数据集是欧洲航天局（ESA）联合全球多家科研机构，共同制作的2020年全球土地覆盖产品，分辨率为10 m，基于Sentinel-1和Sentinel-2数据进行制作，将该数据集中包含森林的部分进行掩膜提取^[11]。

1.2.2　样本点数据

为了对现有橡胶林的分布进行提取，需要有数量充足且准确的样本点进行分类训练和验证。本研究主要选取5种地物类型，分别为橡胶林、森林、耕地、水体和建成区。样本点的来源是年度全球土地利用数据和Google Earth（https://google.cn/earth/）的历史高分辨率卫星影像，还有一些橡胶替代种植企业提供的数据。对于除橡胶林外的4种地物类型，本研究使用2020年ESA全球土地覆盖10 m分辨率数据（https://esa-worldcover.org/en）进行随机样本点的生成，之后利用Google Earth对样本点进行比对和修改，删除明显错误的样本点，再添加目视解译和企业提供数据获得的橡胶林样本点数据。最终获得9901个样本点，其中包括橡胶林样本2346个，森林样本4630个，耕地样本431个，建成区样本2395个和水体样本99个，其中70%用于随机森林模型的样本训练，其余30%用于精度验证。

借助Google Earth提供的高清历史影像和LandTrendr算法拟合的时间序列曲线获取变化和非变化样本区域，最终共获得450个样本，其中带有大致变化年份的样本324个，未发生变化的样本126个，将用于橡胶林变化制图的精度评估。

1.3　方法

1.3.1　橡胶林种植分布提取

随机森林是通过集成学习的Bagging思想将多棵树集成的一种算法，其基本单元为决策树。随机森林在多光谱、多时相遥感影像分类中，具有速度快和精度高等优点^[12]。在进行随机森林分类时，需要考虑特征个数和决策树棵数，针对不同的特征组合选择合适的参数，可以在保证效率的情况下得到更高的精度。

对于Landsat 8影像，本研究选取6个基础波段和4个光谱指数作为特征因子。6个基础波段分别为蓝、绿、红、近红外、短波红外1和短波红外2，4个光谱指数分别为归一化植被指数、归一化水体指数、归一化建筑指数和绿红植被指数。纹理特征是一种全局特征，反映图像中同质现象的视觉特征。灰度共生矩阵（GLCM）的统计方法是在假定图像中各像素间的空间分布关系包含了图像纹理信息的前提下，提出的具有广泛性的纹理分析方法^[13]。在GLCM的基础上计算描述纹理特征的统计属性，可以获得8个常用的纹理特征，分别为均值（mean）、方差（variance）、同质度（homogeneity）、对比度（contrast）、非相似性（dissimilarity）、熵（entropy）、角二阶矩（ASM）和相关性（correlation）。通过缨帽变换，可以获得反映多光谱遥感中的土壤和植被信息，分别为亮度、绿度和湿度。利用DEM数据，可以提取出高程、坡度和坡向，作为分类的特征因子。

在随机森林算法中，训练样本会通过有放回的随机抽样进行t次抽样，并进入到并行的t个决策树中。这样的抽样方式会导致有部分训练集中的样本无法进入决策树中，而这些未被采集的样本就叫做袋外数据（Out of Bag，OOB），通过袋外数据可以检测模型的泛化能力，相当于交叉验证^[14]。对于这些特征，利用随机森林算法中的特征重要性和OOB袋外误差进行筛选，进行最佳特征组合，避免信息冗余。

1.3.2　橡胶林扩张监测

LandTrendr是一组光谱-时间分割算法，是针对多波段Landsat影像的时间序列开发，用于检测变化以及对在变化发生之前和之后的土地覆盖进行分类。对于森林类型的土地覆盖，该算法可以捕获突然发生的干扰事件，例如砍伐和火灾^[15]。LandTrendr算法可以通过拟合时间序列曲线对不同像元进行扰动检测，通过光谱变化轨迹简化后的重要特征，例如变化发生的年份、变化持续时间、变化强度、变化前后的光谱值等，从而获得森林变化的基本信息。具体的拟合公式如下：

式中，f(x)代表拟合的曲线，x代表时间序列中的时间点，a_i是Legendre多项式的系数，P_i(x)是Legendre多项式的第i阶，n代表拟合曲线的阶数，通常根据具体情况选择。

归一化燃烧指数（normalized burn ratio，NBR）是一种遥感影像指数，可以很好地反映植被状况，从而对森林的变化较为敏感，经常被用于检测森林扰动和生态恢复过程^[16]，其计算公式为：

式中，NIR代表近红外波段的反射值，SWIR代表短波红外波段的反射值。

研究区内的橡胶林具有明显的物候特征，直接体现在叶的抽发和凋落，在12月底橡胶林开始落叶，到次年3月开始进入新叶抽发期。为避免落叶期光谱指数对识别的影响，将每年4月20日—12月10日作为绿叶期，试验选择的影像均为绿叶期的影像。将1990—2020年绿叶期的Landsat影像输入LandTrendr算法，再使用CFMask算法进行云和阴影的掩膜，获得一组连续的无云Landsat时间序列影像集。对时间序列影像集进行森林的栅格掩膜，可以有效避免类似森林的地物变化对变化检测产生的干扰，例如灌木丛的砍伐、密集农田的弃耕和复垦。

对掩膜后的影像集进行逐像元的NBR计算，将计算得到的NBR值按照时间顺序排列，将NBR时间序列作为LandTrendr算法的输入数据，算法会在NBR时间序列中检测变化点，识别和描述地表特征的变化。通过设置参数，对趋势线进行拟合，获得一条地表特征随着时间变化的趋势线，通过对突变时间、持续时间、前后数值变化来判断是否发生了森林扰动。通过查阅文献和反复试验，本研究的LandTrendr算法参数如表1所示。

通过LandTrendr算法检测出的森林扰动除了包含橡胶林种植，还包括火烧、城市扩张、农田种植等原因，需要通过二次分类将检测到的森林扰动进行区分，筛选出由于橡胶林种植造成的森林扰动。该算法生成的图像共包含6个波段，包括扰动发生的年份、扰动强度、持续时间、变化普遍性、变化速率和检测信噪比。除扰动发生年份外，其他信息可有助于区分是否为橡胶林种植引起的森林扰动。根据这些信息进行二次分类可以获得橡胶林扰动变化图，再使用2020年橡胶林分布图掩膜掉非橡胶林种植的区域，可以进一步避免其他森林扰动类型对于试验的干扰。

1.3.3　分类精度评价

在使用随机森林进行分类后，计算混淆矩阵的总体分类精度和Kappa系数来判断分类准确与否。总体精度为正确分类的像元总和除以总像元数，而Kappa系数用于衡量分类精度，检验一致性^[17]。当Kappa系数小于0.40时，表明一致性不理想；当Kappa系数为0.40~0.60时，表明一致性效果一般；当Kappa系数大于0.60时，表明参考的分类结果和橡胶提取的结果二者之间的一致性较强^[18]。其计算公式为：

式中，OA表示分类正确的样本个数占所有样本个数的比例；TP表示实际为正类的样本被正确地分类为正类的数量；TN表示实际为负类的样本被正确地分类为负类的数量；FN表示实际为正类的样本被错误地分类为负类的数量；FP为实际为负类的样本被错误地分类为正类的数量；N表示类别个数的总和；r表示类别；i为矩阵中元素所在位置的行数和列数；x_ii为误差矩阵对角线元素；x_i+为类别的列总和；x_+i为类别的行总和；PA为生产者精度；UA为用户精度。

1.3.4　橡胶林扩张时空变化分析

橡胶林的种植需要先找到适合种植橡胶的土地，然后清理、平整土地，确保适宜的土壤条件，再将培育的橡胶幼苗移植到准备好的土地上，并按照一定的间距进行定植，便于植株的生长和管理。本研究将发生扰动后的第一年作为橡胶林的种植年份^[19]。同时结合国际橡胶历史价格对橡胶林种植年份进行分析，分析其相关性。

同时，种植橡胶树对海拔、坡度和坡向有一定的要求，海拔高度一般低于950 m；坡向尽量选择阳坡和半阳坡，不宜选择阴坡；坡度大于35°的区域不宜种植。通过DEM数据计算每个像元所包含的坡度和坡向信息，将橡胶林变化数据与地形特征相关联，识别出不同坡度和坡向条件下橡胶林变化的空间分布规律，得出坡度、坡向对橡胶林时空变化的影响程度。为了便于分析，本研究根据橡胶树的种植特性和区域规定将海拔分为4个等级（表2），将坡度分为5个等级（表3），坡向分为8类（表4）。

2　结果与分析

收起

2.1　橡胶林种植分布

2.1.1　分类特征组合

研究区域地形差异较大，而橡胶树的种植对高度和坡度有一定的要求，因此对SRTM 30 m数据提取了高程和坡度数据作为分类的特征组合之一。对于Landsat影像，每个波段均可以提取8个纹理特征，有大量的纹理信息，为了避免不重要的信息干扰，对影像进行主成分分析，第一主成分（PC1）含总信息量的69.03%，对第一主成分进行纹理特征提取，获得8个纹理特征。最后加上Landsat影像的光谱特征。但是特征太多会造成冗余，同时会影响分类精度和分类效率。

为得出最佳特征组合，本研究利用特征重要性和OOB袋外误差对特征因子进行筛选（图1）。按照特征重要性由高到低的顺序置于随机森林中进行分类，比对GEE提供的袋外误差估计（OOBE）大小，数值越低表示OOBE越小。如图2所示，当输入特征个数为12的时候，OOBE数值达到最小，为0.1203，随着特征个数的增多，OOBE数值开始出现波动，但几乎未提升。因此，最佳特征组合为特征重要性排序的前12个特征。

2.1.2　橡胶林分布与精度评价

对特征进行筛选组合后，在减少特征数量的情况下，还能够有更高的分类精度。从精度评价结果来看，当分类的总体精度为89.85%，Kappa系数为0.82时，分类效果较好，从橡胶林的用户精度和生产者精度上看，能够较好地将该地物和其他地物区分开来（表5）。

从橡胶林分布来看，2020年老挝的橡胶林总面积为32.1万hm²，与资料中显示的30万hm²相差不大^[20]，这可能是由于在分类时，和部分零碎的森林产生混淆，导致橡胶林面积变大；还可能由于Landsat分辨率较低和提取范围较大，导致了混合像元的误提取。在分布区域上看，与已有的资料一致，在北部靠近边境的省份种植较多，在中部和南部也有种植。

2.2　橡胶林变化制图精度评估

在研究区域内结合谷歌历史高清影像和LandTrendr算法拟合出的NBR曲线获得样本验证数据，利用随机获得的不同年份的450个样本数据对橡胶林变化进行精度评估。在进行验证时，变化样本点和实际变化区域重合，且相差年份不超过2年，则认为分类正确，反之则认为分类错误。未变化样本点若在变化检测时间内发生变化，则认为分类错误。通过样本验证数据对橡胶林变化检测图进行生产者精度、用户精度、总体精度和Kappa系数的计算，从而判断制图的准确性是否符合要求。对于变化区域，生产者精度和用户精度均达到90%以上，分别为96.47%和92.90%，制图的总体精度为92.44%，Kappa系数达到0.82，说明对于橡胶林变化检测的效果较好（表6）。

2.3　老挝橡胶林时空变化分析

2.3.1　橡胶林总体扩张趋势

从图3可以看出，1991—2020年，老挝的橡胶林一直处于不断扩张的趋势，从分布来看，橡胶林的种植扩张多处于边境省份，例如与多国交界的北部省份，橡胶林扩张较为明显；在中部区域，橡胶林扩张多位于与泰国相邻的省份。从总体数据来看，1990—2020年，新种植橡胶林18.94万hm²，占2020年已有面积的59%，可以看出老挝橡胶林的扩张较为迅速，种植面积增长明显。2006—2010年新增橡胶林最多，共7.07万hm²，仅2010年新增橡胶林3.43万hm²（图4）。

根据2020年老挝橡胶林分布和30年间新植橡胶林可以计算出老挝各省份在1990年的橡胶林种植分布。如表7所示，其中橡胶林种植较多和增长较多的省份大多位于边境，例如与中国、缅甸接壤的丰沙里省、琅南塔省和波乔省，与泰国接壤的沙湾拿吉省等。

通过分析1997—2020年国际橡胶期货价格的变化可以发现，橡胶林面积和市场价格的波动有很强的相关性。橡胶期货价格自2001年到达谷底后，开始逐渐上涨，橡胶林面积也随之上升，在2010年达到顶峰，而橡胶期货价格也在2011年达到最高，之后逐渐下降并趋于平稳（图4）。

2.3.2　橡胶林扩张地形特征

研究区域内的橡胶林分布基本符合资料中对种植条件的描述^[21]，橡胶林的扩张主要分布在海拔0~750 m区间，其中0~500 m占64.4%，500~750 m占34.9%，而750 m以上基本很少，仅占0.7%，基本均处于低海拔区域（图5A）。对于坡度，橡胶林不宜种植在35°以上的区域，从图5B可知，绝大多数的橡胶林均种植在35°以下，0~5°占42.1%，5~15°占36.2%，15~25°占17.6%，25~35°占3.9%，而35°以上只占0.2%。从坡向来看，橡胶林的扩张分布较为平均，占比最多的坡向为南和东南，分别占18.5%和17.8%，皆为阳坡。在所有坡向中，位于阳坡种植的橡胶林占57.6%，半阳坡种植的占22.3%（图5C）。

3　讨论

收起

通过GEE平台和Landsat卫星数据可以在国家尺度上对橡胶林进行提取，能够取得良好效果，并且分类效率高。随机森林算法分类效果较好，但输入的特征并不是越多越好，当特征较多时，分类效率会下降，同时也会导致分类效果较差，因此要选择合适的特征和随机森林分类参数。

通过GEE平台提供的强大计算能力，结合长时间序列的Landsat时序影像，可以很好地减少雨云对影像质量的影响。通过选取的验证样本发现，通过LandTrendr算法检测到的橡胶林扩张变化总体精度能达到92.44%，Kappa系数为0.82。变化检测结果显示，1990—2020年共新增橡胶林18.94万hm²，占橡胶林总种植面积的59%，其中2006—2010年种植最多，为7.07万hm²。通过比对国际市场橡胶期货价格，可以看出橡胶林的种植和橡胶期货价格的变化有着较强关联。从橡胶种植的地形环境上看，橡胶主要种植在低海拔区域，0~500 m区域占64.4%；坡度较为平缓的区域种植橡胶更多，坡度在25°以下区域的橡胶林占95.9%；坡向上，不同方向皆有橡胶种植，但阳坡种植较多，占57.6%。以上说明橡胶林宜种植在海拔较低、坡度平缓且向阳的区域。

与其他研究相比，本研究结果未使用逐年分类的方法，而利用变化检测算法对区域内的橡胶林扩张进行识别，极大减少了工作量^[22]。连续的变化检测更利于进行相关性分析，与相关试验进行对比，发现橡胶林变化数据和变化区域基本符合^[8]。由于是大范围长时间的变化检测，而且Landsat影像的空间分辨率不高，对边缘和细小区域检测效果较差；其次，由于研究区位于东南亚，离赤道较近，雨云较多，严重影响了影像质量，无法获得更密集的时间序列影像，只能使用年合成影像进行变化检测，无法更好地利用橡胶林的物候特征获得更高的精度。未来可以考虑进行实地勘测，利用无人机提供的影像进行更加准确的识别，同时结合当地橡胶树的种植特性，进行更加准确的分析。

基金

收起

国家国防科技工业局高分专项云南省政府综合治理深度应用与规模化产业化示范项目(89-Y50G31-9001-22/23)
云南大学研究生创新人才培养项目——研究生课程教材建设质量提升计划(HXKC202112)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

李维锐, 赵国祥, 候丹. 云南天然橡胶产业高质量发展对策[J]. 热带农业科技, 2022, 45(3): 1-5, 14.

W R

, ZHAO

G X

, HOU

. Natural rubber industry in Yunnan province and the strategies for healthy development at high level[J]. Tropical Agricultural Science & Technology, 2022, 45(3): 1-5, 14. (in Chinese)

[2]

陈明文. 中国热带地区农户种植结构调整研究[D]. 北京: 中国农业大学, 2018.

CHEN

M W

. A study of China tropical regions farmers’planting structure adjustment[D]. Beijing: China Agricultural University, 2018. (in Chinese)

[3]

姚元园. 深度分析东南亚橡胶产业发展状况[J]. 世界热带农业信息, 2016(11): 1-10.

YAO

Y Y

. In-depth analysis of the development of rubber industry in Southeast Asia[J]. World Tropical Agriculture Information, 2016(11): 1-10. (in Chinese)

[4]

李隆伟, 王云美, 毛昭庆. 中国境外(老挝)罂粟替代种植政策的问题研究[J]. 农业展望, 2021, 17(8): 65-70.

L W

, WANG

Y M

, MAO

Z Q

. Research on the problems of implementing opium poppy substitution cultivation policy outside China (Laos)[J]. Agricultural Outlook, 2021, 17(8): 65-70. (in Chinese)

[5]

翟佳豪, 刘影, 肖池伟. 1987—2018年西双版纳橡胶林时空变化及其线状特征[J]. 热带地理, 2022, 42(8): 1376-1385.

ZHAI

J H

, LIU

, XIAO

C W

. Spatio-temporal changes and linear characteristics of rubber plantations in Xishuangbanna, Southwest China from 1987 to 2018[J]. Tropical Geography, 2022, 42(8): 1376-1385. (in Chinese)

[6]

刘月, 濮毅涵, 刘艳清, 安德帅, 徐丹丹, 朱建琴, 阮宏华. 基于Landsat影像研究全球气候变化对武夷山国家公园垂直带谱上各植被群落的影响[J]. 生态科学, 2022, 41(5): 152-162.

LIU

, PU

Y H

, LIU

Y Q

, AN

D S

, XU

D D

, ZHU

J Q

, RUAN

H H

. Study on the impact of global climate change on the communities of vegetation vertical zone spectrum in Wuyishan National Park based on landsat imagery[J]. Ecological Science, 2022, 41(5): 152-162. (in Chinese)

[7]

钟莉, 陈芸芝, 汪小钦. 基于Landsat时序数据的森林干扰监测[J]. 林业科学, 2020, 56(5): 80-88.

ZHONG

, CHEN

Y Z

, WANG

X Q

. Forest disturbance monitoring based on time series of Landsat data[J]. Scientia Silvae Sinicae, 2020, 56(5): 80-88. (in Chinese)

[8]

李伟光, 张京红, 刘少军, 陈小敏, 邹海平, 白蕤, 吕润. 基于GEE的东南亚主产区橡胶林分布遥感提取[J]. 热带作物学报, 2021, 42(11): 3345-3350.

W G

, ZHANG

J H

, LIU

S J

, CHEN

X M

, ZOU

H P

, BAI

, LYU

. GEE-based extraction of rubber forest distribution in main producing areas of Southeast Asia[J]. Chinese Journal of Tropical Crops, 2021, 42(11): 3345-3350. (in Chinese)

[9]

刘洪江, 兰恒星, 张军, 刘杰, 杨军. 老挝北部罂粟替代种植高分辨率遥感调查评价与分析[J]. 资源科学, 2010, 32(7): 1425-1432.

LIU

H J

, LAN

H X

, ZHANG

, LIU

, YANG

. Evaluation and analysis for the substitution planting for opium poppy in the north of Laos based on remote sensing[J]. Resources Science, 2010, 32(7): 1425-1432. (in Chinese)

[10]

PARASTATIDIS

, MITRAKA

, CHRYSOULAKIS

, ABRAMS

. Online global land surface temperature estimation from landsat[J]. Remote Sensing, 2017, 9(12): 1208.

[11]

VAN DE KERCHOVE

, ZANAGA

, KEERSMAECKER

, SOUVERIJNS

, WEVERS

, BROCKMANN

, GROSU

, PACCINI

, CARTUS

, SANTORO

, LESIV

, GEORGIEVA

, FRITZ

, CARTER

, TSENDBAZAR

, LI

, HEROLD

, ARINO

. ESA WorldCover: global land cover mapping at 10 m resolution for 2020 based on Sentinel-1 and 2 data[C/OL]. AGU Fall Meeting 2021, held in New Orleans, LA, 13—17 December 2021, id. GC45I-0915. [2023-12-23]. https://ui.adsabs.harvard.edu/abs/2021-AGUFMGC45I0915V/abstract.

[12]

BELGIU

, DRĂGUŢ

. Random forest in remote sensing: a review of applications and future directions[J]. Journal of Photogrammetry and Remote Sensing, 2016, 114: 24-31.

[13]

HARALICK

R M

, SHANMUGAM

, DINSTEIN

. Textural features for image classification[J]. IEEE Transactions on Systems, Man and Cybernetics, 1973, 3(6): 610-621.

[14]

EISAVI

, HOMAYOUNI

, YAZDI

A M

, ALIMOHAMMADI

. Land cover mapping based on random forest classification of multitemporal spectral and thermal images[J]. Environmental Monitoring and Assessment, 2015, 187(5): 291.

[15]

KENNEDY

R E

, YANG

, COHEN

W B

. Detecting trends in forest disturbance and recovery using yearly landsat time series: 1. LandTrendr - temporal segmentation algorithms[J]. Remote Sensing of Environment, 2010, 114(12): 2897-2910.

[16]

KEY

C H

, BENSON

N C

. Landscape assessment (LA)[R]//LUTES

D C

, KEANE

R E

, CARATTI

J F

, KEY

C H

, BENSON

N C

, SUTHERLAND

, GANGI

L J

(Eds.). FIREMON: fire effects monitoring and inventory system. General Technical Report RMRS-GTR-164-CD. Fort Collins, CO: USDA Forest Service, Rocky Mountain Research Station, 2006.

[17]

唐万, 胡俊, 张晖, 吴攀, 贺华. Kappa系数：一种衡量评估者间一致性的常用方法(英文)[J]. 上海精神医学, 2015, 27(1): 62-67.

TANG

, HU

, ZHANG

, WU

, HE

. Kappa coefficient: a popular measure of rater agreement[J]. Shanghai Archives of Psychiatry, 2015, 27(1): 62-67. (in Chinese)

[18]

李宇宸, 张军, 薛宇飞, 张萍. 基于Google Earth Engine的中老缅交界区橡胶林分布遥感提取[J]. 农业工程学报, 2020, 36(8): 174-181.

Y C

, ZHANG

, XUE

Y F

, ZHANG

. Remote sensing image extraction for rubber forest distribution in the border regions of China, Laos and Myanmar based on Google Earth Engine platform[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(8): 174-181. (in Chinese)

[19]

SINGH

A K

, LIU

, ZAKARI

, WU

, YANG

, JIANG

X J

, ZHU

, ZOU

, ZHANG

, CHEN

, SINGH

, NATH

A J

. A global review of rubber plantations: impacts on ecosystem functions, mitigations, future directions, and policies for sustainable cultivation[J]. Science of the Total Environment, 2021, 796: 148948.

[20]

王立丰, 袁坤, 刘勇, 白渊松. 澜湄合作机制下的中国-老挝天然橡胶科技国际合作现状与展望[J]. 热带农业科学, 2022, 42(6): 110-115.

WANG

L F

, YUAN

, LIU

, BAI

Y S

. Current situation and prospects of international cooperation in natural rubber technology between China and Laos under “Lancang-Mekong Cooperation”[J]. Chinese Journal of Tropical Agriculture, 2022, 42(6): 110-115. (in Chinese)

[21]

李阳阳, 张军, 刘陈立, 杨旭超, 李杰. 老挝北部5省橡胶林提取及时空扩张研究[J]. 林业科学研究, 2017, 30(5): 709-717.

Y Y

, ZHANG

, LIU

C L

, YANG

X C

, LI

. Research on extraction and spatial-temporal expansion of rubber forest in five provinces of northern Laos based on multi-source remote sensing[J]. Forest Research, 2017, 30(5): 709-717. (in Chinese)

[22]

HAN

, CHEN

, HAN

, YI

, ZHANG

, JIANG

. Monitoring rubber plantation distribution on Hainan Island using Landsat OLI imagery[J]. International Journal of Remote Sensing, 2018, 39(8): 2189-2206.

2024年第45卷第8期

PDF下载

127

引用本文

BibTeX

文章信息

doi: 10.3969/j.issn.1000-2561.2024.08.023

接收时间：2024-01-10
首发时间：2026-06-23
出版时间：2024-08-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-01-10
修回日期：2024-01-30

基金

国家国防科技工业局高分专项云南省政府综合治理深度应用与规模化产业化示范项目(89-Y50G31-9001-22/23)

云南大学研究生创新人才培养项目——研究生课程教材建设质量提升计划(HXKC202112)

作者信息

^1.云南大学国际河流与生态安全研究院，云南昆明　650500

^2.云南大学地球科学学院，云南昆明　650500

通讯作者:

^* 张军（ZHANG Jun），E-mail：zhjun@ynu.edu.cn。

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/rdzwxb/CN/10.3969/j.issn.1000-2561.2024.08.023

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

参数Parameter	数值Score	介绍Introduction
maxSegments	6	时间序列上拟合的最大线段数
spikeThreshold	0.9	抑制尖峰的阈值
vertexCountOvershoot	3	拟合模型中最多能存在的拐点数量
preventOneYearRecovery	True	是否防止一年恢复的情况
recoveryThreshold	0.35	若恢复速率快于该值的倒数，则忽略
pvalThreshold	0.05	变化点的阈值，大于该值则被舍弃
bestModelProportion	0.75	当存在多个拟合模型时，大于该值则被选中
minObservationsNeeded	6	输出拟合所需的最小观测数

参数Parameter

数值Score

介绍Introduction

maxSegments

时间序列上拟合的最大线段数

spikeThreshold

0.9

抑制尖峰的阈值

vertexCountOvershoot

拟合模型中最多能存在的拐点数量

preventOneYearRecovery

True

是否防止一年恢复的情况

recoveryThreshold

0.35

若恢复速率快于该值的倒数，则忽略

pvalThreshold

0.05

变化点的阈值，大于该值则被舍弃

bestModelProportion

0.75

当存在多个拟合模型时，大于该值则被选中

minObservationsNeeded

输出拟合所需的最小观测数

级别Grade	海拔Altitude/m
1	0~500
2	500~750
3	750~1000
4	>1000

级别Grade

海拔Altitude/m

0~500

500~750

750~1000

>1000

级别Grade	类别Classification	坡度Slope/°
1	平坡	0~5
2	缓坡	5~15
3	较陡坡	15~25
4	陡坡	25~35
5	急陡坡	>35

级别Grade

类别Classification

坡度Slope/°

平坡

0~5

缓坡

5~15

较陡坡

15~25

陡坡

25~35

急陡坡

>35

级别Grade	类别Classification	坡向Slope-exposure/(°)
1	正北	0~22.5, 337.5~360.0
2	东北	22.5~67.5
3	正东	67.5~112.5
4	东南	112.5~157.5
5	正南	157.5~202.5
6	西南	202.5~247.5
7	正西	247.5~292.5
8	西北	292.5~337.5

级别Grade

类别Classification

坡向Slope-exposure/(°)

正北

0~22.5, 337.5~360.0

东北

22.5~67.5

正东

67.5~112.5

东南

112.5~157.5

正南

157.5~202.5

西南

202.5~247.5

正西

247.5~292.5

西北

292.5~337.5

指标Index	橡胶林Rubber	森林Forest	耕地Cropland	建成区Built-up	水体Water	总体精度Overall acuracy/%	Kappa
用户精度/%	88.38	90.53	82.20	94.44	100.00	89.85	0.82
生产者精度/%	85.20	93.71	70.23	92.25	96.97

指标Index

橡胶林Rubber

森林Forest

耕地Cropland

建成区Built-up

水体Water

总体精度Overall acuracy/%

Kappa

用户精度/%

88.38

90.53

82.20

94.44

100.00

89.85

0.82

生产者精度/%

85.20

93.71

70.23

92.25

96.97

类别Classification变化	生产者精度Producer accuracy/%96.47	用户精度User accuracy/%92.90	总体精度Overall accuracy/%92.44	Kappa0.82
变化	96.47	92.90	92.44	0.82
未变化	91.27	83.33

类别Classification变化

生产者精度Producer accuracy/%96.47

用户精度User accuracy/%92.90

总体精度Overall accuracy/%92.44

Kappa0.82

变化

96.47

92.90

92.44

0.82

未变化

91.27

83.33

省份Province	种植面积Planting area/hm²	变化面积Area of variation/hm²
阿速坡省	9 656.64	3462.21	6 194.43
波乔省	26 325.55	12 391.84	13 933.71
波里坎赛省	27 152.87	8 612.51	18 540.36
占巴塞省	23 237.90	5 628.23	17 609.67
华潘省	6 142.32	3 302.73	2 839.59
甘蒙省	20 233.98	4 775.58	15 458.40
琅南塔省	35 227.90	13 959.82	21 268.08
琅勃拉邦省	21 580.31	12 652.22	8 928.09
乌多姆塞省	25 130.93	18 751.07	6 379.86
丰沙里省	27 016.84	18 754.48	8 262.36
沙拉湾省	12 900.60	1 683.99	11 216.61
沙湾拿吉省	26 390.29	1 945.75	24 444.54
万象市	7 698.27	1 048.80	6 649.47
沙耶武里省	14 392.15	11 611.96	2 780.19
万象省	27 258.83	8 893.43	18 365.4
色贡省	9 141.48	3 923.19	5218.29
川圹省	1 688.76	350.73	1 338.03
合计	321 175.62	131 748.54	189 427.08

省份Province

种植面积Planting area/hm²

变化面积Area of variation/hm²

2020

1990

阿速坡省

9 656.64

3462.21

6 194.43

波乔省

26 325.55

12 391.84

13 933.71

波里坎赛省

27 152.87

8 612.51

18 540.36

占巴塞省

23 237.90

5 628.23

17 609.67

华潘省

6 142.32

3 302.73

2 839.59

甘蒙省

20 233.98

4 775.58

15 458.40

琅南塔省

35 227.90

13 959.82

21 268.08

琅勃拉邦省

21 580.31

12 652.22

8 928.09

乌多姆塞省

25 130.93

18 751.07

6 379.86

丰沙里省

27 016.84

18 754.48

8 262.36

沙拉湾省

12 900.60

1 683.99

11 216.61

沙湾拿吉省

26 390.29

1 945.75

24 444.54

万象市

7 698.27

1 048.80

6 649.47

沙耶武里省

14 392.15

11 611.96

2 780.19

万象省

27 258.83

8 893.43

18 365.4

色贡省

9 141.48

3 923.19

5218.29

川圹省

1 688.76

350.73

1 338.03

合计

321 175.62

131 748.54

189 427.08