作品介绍
一、应用背景
近年研究表明，竹林固碳能力高，在维护全球碳平衡和应对气候变化等方面具有重要的作用。中国是竹资源最丰富的国家之一，在世界竹子研究领域处于领先地位。毛竹是中国本土竹类中分布最广、面积最大、经济价值最高的优良竹种之一。
与其他森林类型相比，毛竹具有独特的生物物理特征：大小年现象，即大年竹林春季大量出笋而小年竹林几乎不出笋，而他们的光谱特征又随着这个周期在不断变化，大年长新竹和小年换新叶等不同物候阶段竹林生态系统碳收支对温度、降水等气候环境因子极为敏感。因此，监测竹林物候时空变异特征，阐明物候对环境的响应规律，揭示气候变化背景下物候对竹林生态系统碳循环的影响机制，将对深入研究竹林碳形成机理具有重要的理论意义，对竹资源经营管理具有重要的实践意义。本项目以武夷山国家公园作为研究区域，研究毛竹林的提取与扩张。
图1 研究区域
二、应用目标
1、利用Landsat5/8、ALOS Dem和高分六号遥感数据及其指数产品，结合实地考察数据，对武夷山国家公园进行竹林分布、扩张趋势，探究毛竹林不同时间节点下的分布变异特征，为深入挖掘物候对环境的响应规律、气候等自然条件对竹林生态系统构建提供参考。
2、利用多源、多时相数据及其指数产品，结合数字高程模型，分析影响竹林扩张的有关因子，研究其相关性，为深入优化竹资源经营管理，研究竹林碳汇形成、打造林业碳汇以及自然资源和生态环境保护提供参考。
三、使用数据
| 数据集 | 空间分辨率 | 地点 | 获取日期 |
| Landsat5 | 30m/15m | 武夷山国家公园 | 2011.05.18, 2010.12.09 |
|
Landsat8 |
30m/15m |
武夷山国家公园 | 2015.05.13, 2016.02.09, 2019.05.24, 2019.11.16 |
| ALOS DEM | 12.5m | 武夷山国家公园 | |
| GF6 MUX/PAN | 8m/2m | 武夷山国家公园 | 2019.11.22 |
四、主要技术流程
图2 技术流程图
1.预处理：
通过辐射定标和大气校正，对2011,2015,2019年5月与其冬季的Landsat5/8影像进行预处理，再分别利用矢量数据裁剪出研究区域。
通过Envi app store安装中国国产卫星支持工具，对影像进行辐射定标、大气校正、正射校正，将多光谱波段作为低分辨率波段、全色波段作为高分辨率波段进行图像融合。
使用ArcGIS，对ALOS DEM数据进行图像镶嵌。
图3 Landsat系列预处理图
图4 高分六号预处理图
2.信息提取
①光谱分析和指数提取：
结合Landsat和实地考察样本点进行光谱曲线的分析，经过假彩色合成将Swir1，Nir，Blue作为红绿蓝三波段合成,发现单数年5月的影像利于进行竹林的提取分析。
图5 2019年4月、5月、11月假彩色nir.swir1.blue合成
基于2011,2015,2019年影像，自建BDI指数（Bamboo difference index, 剔除农田茶园对毛竹林提取的影响），并提取NDVI、BI、NDWI、MVI指数。
图6 指数提取图
②.决策树分类：
对于Landsat影像而言，我们先利用冬季NDVI指数，去除不透水面，裸地，落叶林对竹林提取的影响。再选定5月NDWI，BI，MVI，BDI指数设置阈值提取。
图7 landsat决策树
③.目视解译：
通过结合421、321波段组合、实地考察样本点和谷歌地图影像，对GF6进行目视解译，分别划定Bamboo、Tree、Form、Tea、Water、Land、Shadow七类训练样区。
图8 训练样区
④.随机森林分类：
采用训练样区，对GF6进行随机森林分类。
图9 高分六号分类结果
⑤.精度验证：
使用ROI对Landsat5/8和GF6影像进行精度验证。
⑥重采样：
为了提取竹林含量，将GF6随机森林分类结果重采样至30m。
⑦. 同像元竹林含量统计：
将GF6重采样结果和Landsat决策树分类结果进行叠加，统计其单像元内的竹林含量。
图10 竹林含量结果
3.结果分析
①将Landsat的三幅图像叠加，对毛竹林的扩张空间分布进行分析，发现2011年至2019年的毛竹林扩张趋势较为明显，毛竹林多沿山谷分布以及多分布在山间低地，成条带状。其原因一是毛竹林的生长习性；二是气候、水分等因子的综合影响；三是因为低处自然条件更加适宜。
图11 2011、2015、2019毛竹林扩张分布
②对毛竹林扩张面积和高程进行拟合分析，发现二者之间存在较显著的负相关的关系。而对于坡度，则发现毛竹林多在20°~30°坡地上扩张。
图12 高程变化图
图13 坡度变化图
五、关键技术
1. 根据实地考察样本进行光谱分析，选取合适月份进行指数提取，并结合5月与冬季影像确定合适阈值进行决策树分类。
2. 根据竹林与茶园，农田的易混淆现象，根据光谱特征设计新指数，在将竹林与其他常见林类分类出去的基础上设置阈值决策树分类，提取毛竹林。
4. 编写IDL代码，调用ENVI Task进行二次开发，实现本项目的决策树分类，在对影像进行预处理后即可调用其进行决策树分类，提取竹林，避免每次提取时都需重复提取指数再进行分类，实现一键化分类，提高效率。
5. 将GF6竹林提取2m分辨率重采样至30m分辨率与30m分辨率Landsat决策树竹林提取结果进行叠加，统计其单像元内的竹林含量。可以看出竹林的密集程度，并进行分析扩张可能的方向。
6. 本项目分类实现2011，2015，2019年的竹林提取，可以直观地看出竹林扩张的趋势和强度。
7. 基于扩张的竹林叠加坡度、高程进行拟合关系探究竹林扩张影响因素：发现竹林多在20°~30°坡地上扩张，而竹林扩张面积与高程存在显著的负相关性。
