EN中文

Acta Geographica Sinica >

2025 , Vol. 80 >Issue 1: 12 - 27

DOI: https://doi.org/10.11821/dlxb202501002

Frontier Theory and Methodology

A fine-scale vegetation identification method on the Qinghai-Xizang Plateau incorporating coarse spatial resolution vegetation and environmental features using remote sensing

  • ZHANG Hui , 1, 2, 4 ,
  • ZHU Wenquan , 1, 2, 4 ,
  • SHI Peijun 3, 4 ,
  • TANG Haiping 4 ,
  • HE Bangke 1, 2, 4 ,
  • LIU Ruoyang 1, 2, 4 ,
  • YANG Xinyi 1, 2, 4 ,
  • ZHAO Cenliang 1, 2, 4
Expand
  • 1. State Key Laboratory of Remote Sensing Science, Beijing Normal University, Beijing 100875, China
  • 2. Beijing Engineering Research Center for Global Land Remote Sensing Products, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China
  • 3. Academy of Disaster Reduction and Emergency Management, Ministry of Emergency Management and Ministry of Education, Beijing Normal University, Beijing 100875, China
  • 4. Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China

Received date: 2024-04-09

  Revised date: 2024-09-17

  Online published: 2025-01-21

Supported by

The Second Tibetan Plateau Scientific Expedition and Research(2019QZKK0606)

Major Program of National Natural Science Foundation of China(42192580)

Major Program of National Natural Science Foundation of China(42192581)

Fold

Abstract

Vegetation on the Qinghai-Xizang Plateau exhibits high-altitude and vertical zonation distribution characteristics, which pose significant challenges for fine-scale vegetation classification based on remote sensing. A major issue is the limited separability of remote sensing features among certain vegetation types, necessitating the effective integration of additional non-remote sensing features to improve separability. To address this problem, the present study developed a novel method for fine-scale vegetation remote sensing classification by progressively incorporating coarse spatial resolution vegetation and environmental features. This approach aims to improve both the accuracy and precision of classification. The new method comprises three primary components. First, vegetation and environmental features that substantially enhance vegetation classification and exhibit distinct feature differences are selected. These features are then used to calculate the prior probabilities for each class through a generalized additive model. Concurrently, machine learning classification with remote sensing features is employed to obtain the posterior probabilities for each class. Finally, by applying the Bayesian algorithm, the prior probabilities derived from coarse spatial resolution data are employed to adjust the posterior probabilities obtained from high spatial resolution data, resulting in refined classification outcomes. The method was rigorously tested and applied to the Qilian Mountains, Yellow River Source Area, and Hengduan Mountains on the Qinghai-Xizang Plateau. Sentinel-2 remote sensing data with a spatial resolution of 10 m, vegetation and environmental data with spatial resolutions ranging from 90 m to 10000 m, and ground survey data were utilized. The fine-scale vegetation classification results with a spatial resolution of 10 m were achieved. Compared to using only remote sensing features, the new method improved classification accuracy by 8% to 24%. This new classification method provides effective technical support for improving the accuracy and precision of vegetation classification and offers significant reference value for fine-scale vegetation classification on the Qinghai-Xizang Plateau and similar regions.

Key words： Qinghai-Xizang Plateau; remote sensing; environmental features; vegetation features; vegetation classification

Cite this article

ZHANG Hui , ZHU Wenquan , SHI Peijun , TANG Haiping , HE Bangke , LIU Ruoyang , YANG Xinyi , ZHAO Cenliang . A fine-scale vegetation identification method on the Qinghai-Xizang Plateau incorporating coarse spatial resolution vegetation and environmental features using remote sensing[J]. Acta Geographica Sinica, 2025 , 80(1) : 12 -27 . DOI: 10.11821/dlxb202501002

1 引言

青藏高原独特的地理位置和多样的地形与气候条件形成了丰富多样的植被类型。植被在青藏高原生态系统中扮演着至关重要的角色[1⇓⇓-4]，对水文循环、土壤保护、碳储存以及气候调节等方面具有重要的影响[5-6]。因此，准确识别青藏高原植被类型对于理解该地区的生态系统功能和变化至关重要[7⇓⇓-10]。然而，青藏高原植被遥感分类面临着诸多挑战和难点：青藏高原地域广阔且地形复杂、气候多样且云雨多发、植被类型丰富多样但在高海拔区却植被稀疏，这些因素一方面导致植被调查样本难以获取[11⇓⇓-14]，另一方面导致遥感影像获取和处理受到一定的限制，进而使得青藏高原植被遥感分类存在灌木和草地区分、草地类型细分、高山苔原—垫状—稀疏植被识别以及山地垂直地带植被识别等难点[15]。因此，仅基于遥感数据无法有效区分这些遥感特征相似的植被类型，而添加植被与环境特征可提升这些植被类型之间的区分度，从而增强分类的准确性[16-17]。
现有植被遥感分类研究虽然越来越多地意识到环境特征对遥感分类有改善作用，但仍存在一些局限性。首先，现有研究通常是基于研究区地理环境特点或专家知识来选择参与分类的植被与环境特征[18⇓-20]，而对于植被与环境特征在植被分类中的贡献并不清楚。青藏高原属于地形复杂、植被类型多样的地区，环境特征呈现出复杂多变的空间分布规律，基于局部地理环境特点来选择特征则无法全面反映该特征在其他地理环境下的分类潜能，因此，有必要对环境特征进行系统性的分析和筛选，以确定哪些特征对于不同植被类型的区分具有较高的贡献度。其次，现有分类方法通常是将所有环境特征与遥感特征叠加在一起，然后作为输入传递给分类器进行分类[19,21 -22]。这种简单的特征叠加分类方法会导致两方面问题：一是环境特征数据的空间分辨率通常较粗，当将这些粗空间分辨率的环境特征与高空间分辨率的遥感特征叠加在一起分类时，通常会导致分类结果出现空间上不协调的马赛克现象，无法获得精细分类结果；二是可能会导致差异度较小的特征对分类结果产生负面影响，这是因为某些环境特征可能与遥感特征存在相关性，或者由于数据噪声等原因，导致特征之间的冗余性增加。因此，直接将所有特征叠加在一起可能会使分类器无法有效区分不同的植被类型，从而降低分类的准确度和精细度。
为了克服青藏高原某些植被类型之间因遥感特征差异不明显而无法准确区分的问题，同时也为了解决现有植被遥感分类方法在环境特征利用方面的局限性，本文提出一种逐步融入粗空间分辨率植被与环境特征的青藏高原植被遥感精细分类新方法。该方法首先定量评估并筛选出特征差异明显、对植被分类改善贡献更大的植被与环境特征，然后在基于遥感特征高空间分辨率分类结果的基础上，采用贝叶斯算法来逐步融入粗空间分辨率的植被与环境特征，从而不仅能提高植被分类的准确度，还能保持分类结果与高空间分辨率遥感图像相同的精细度。

2 数据与方法

2.1 研究区概况

青藏高原是全球陆地上海拔最高、面积最广的高原，其地形复杂、气候恶劣、植被类型多样[23-24]，对其植被开展遥感分类面临诸多挑战，表现为草地与灌丛难以区分、高山苔原—垫状—稀疏植被难以识别、草地类型难以细分、垂直地带植被的识别精度偏低[15]。针对青藏高原这些植被遥感分类难点，根据区域地形和植被分布特点选择3个典型区（图1）对新方法进行应用评估，包括：① 祁连山研究区，该区面积29948 km2，地形复杂，植被类型丰富多样，主要针对草地和灌丛区分以及高山苔原—垫状—稀疏植被识别问题展开研究；② 黄河源研究区，该区面积19020 km2，位于青藏高原核心区域，地势较为平缓，主要针对草地类型细分问题展开研究，将草原和草甸进行精细分类；③ 横断山研究区，该区面积117301 km2，地形起伏较大，植被垂直分布明显，主要针对垂直地带植被识别问题展开研究。
图1 研究区概况

注：图a基于自然资源部标准地图服务网站GS(2023)2767号的标准地图制作，边界底图无修改。

Fig. 1 Overview of the study area

2.2 数据来源

2.2.1 遥感数据

选用Sentinel-2卫星遥感数据，选择其红光（B3）、绿光（B4）、近红外（B8）和短波红外（B11）4个波段。所使用的数据集是2022年去云逐月合成的数据，该数据的红、绿、近红外波段为10 m空间分辨率，短波红外波段为20 m空间分辨率，将其按最近邻方式重采样至10 m分辨率，以满足精细分类需求。在数据处理过程中，为确保影像质量，将研究区影像的云量控制在10%~15%之间，具体的云量限制根据各月份实际情况进行调整。对于影像中云量超过15%的区域，使用云量低于75%的影像进行补充，以保证数据的完整性。

2.2.2 植被与环境特征数据

根据作者的前期研究结果，数字高程模型（DEM）、土壤温度、年最低气温、年总降水量、年总蒸散发、归一化植被指数、净初级生产力、裸地覆盖度共8个植被与环境特征对青藏高原各植被类型有明显差异[25]，因此，本文选用以上8个数据指标来分析植被与环境特征对青藏高原植被分类的贡献（表1）。相较于高空间分辨率的遥感数据，目前能获取到的植被与环境特征数据的空间分辨率均较粗（90~10000 m）（表1）。为了满足精细分类需求，所有粗空间分辨率的植被与环境特征数据均采用最近邻重采样方法降至与Sentinel-2数据集相对应的10 m分辨率。
表1 参与青藏高原植被精细分类的植被与环境特征

Tab. 1 Vegetation and environmental features used in fine-scale vegetation classification on the Qinghai-Xizang Plateau

数据 特征 数据源 空间分辨率 文献
数字高程模型 DEM SRTM Digital Elevation Data Version 4 90 m [26]
土壤温度 第1层(0~7 cm) ERA5_LAND/MONTHLY 11132 m [27]
气温 年最低气温 MOD11A1 1 km [28]
降水量 年总降水量 ERA5_LAND/MONTHLY 11132 m [27]
蒸散发 年总蒸散发(ET) MOD16A2 500 m [29]
净初级生产力 NPP MOD17A3HGF 500 m [30]
植被指数 NDVI MOD13Q1 250 m [31]
植被覆盖度 裸地覆盖度 MOD44B 250 m [32]

2.2.3 植被类型标签样本数据

本文所使用的植被类型标签样本数据主要来源于实地调查数据和基于Google Earth高分影像的目视解译数据（表2），其中目视解译数据作为实地调查数据的补充。此外，对所有样本数据进行了筛选，以保证样本标签在10 m分辨率像元上具有代表性和准确性。具体而言，样本标签的70%被用作基于遥感光谱特征的预分类（即机器学习分类器的模型训练），剩余30%则用于对分类结果的精度检验。
表2 用于各研究区分类和精度检验的植被类型标签样本数量和来源

Tab. 2 Number and source of vegetation type label samples used for classification and accuracy validation in each study area

数据源 样本总量(个) 筛选后的样本标签数量(个)
祁连山区 黄河源区 横断山区
野外实地调查数据 2021年课题组野外科学考察 357 105 32 -
2022年课题组野外科学考察 141 - - 118
2023年课题组野外科学考察 133 - 52 -
青藏高原地表氧含量数据集中的植被
类型数据(2017—2022)[33]		 686 37 13 9
祁连县地区第二次青藏高原综合科学
考察植被样方调查照片(2020)[34]		 28 26
黄河源区—土地覆盖及植被类型地面
验证点数据集(2018)[35]		 41 36
基于2022年Google Earth高分辨率遥感影像的目视解译 262 91 79 92
合计 1648 259 212 219

2.3 植被分类体系

本文基于1∶100万中国植被图的植被分类原则和青藏高原的植被类型特点，结合各植被类型在遥感光谱、植被与环境空间特征上的可分性，设计了一个两级分类体系，该分类体系仅关注植被的分布状况（图2）。区别于一般的植被分类体系，在分类体系中添加了青藏高原特有的高山苔原—垫状—稀疏植被，这是一种分布于高山雪线以下、草原和灌丛之上的苔原、垫状的稀疏植被类型。
图2 青藏高原典型区植被类型遥感精细分类体系

Fig. 2 Fine-scale vegetation remote sensing classification system in typical areas of the Qinghai-Xizang Plateau

2.4 融入粗空间分辨率植被与环境特征的植被遥感精细分类方法

本文提出的植被遥感精细分类方法旨在利用青藏高原植被类型的遥感光谱和植被与环境特征差异，实现对植被的精细分类。传统方法往往将所有特征（如光谱、环境特征等）叠加后直接输入分类器进行分类，而本方法通过间接融入差异化的植被与环境空间特征，既能突出各植被类型在植被与环境特征上的差异，又使分类结果保持与高空间分辨率遥感图像相一致的精细度。该方法主要包括4个步骤（图3）：① 利用机器学习方法基于遥感光谱特征进行初步分类，得到高空间分辨率的预分类结果；② 提取植被与环境特征的空间差异；③ 利用植被与环境特征差异改善基于遥感光谱特征的预分类结果，得到植被精细分类结果；④ 对分类结果进行精度检验和分析，评估分类方法的效果和准确性。
图3 青藏高原典型区植被类型遥感精细分类流程图

Fig. 3 Flowchart of fine-scale vegetation remote sensing classification in typical areas of the Qinghai-Xizang Plateau

2.4.1 利用机器学习方法基于遥感光谱特征的预分类

利用Sentinel-2去云逐月合成的高分辨率遥感影像数据，采用机器学习分类算法进行分类，获得基于光谱特征的初步预分类结果。同时，提取分类结果中各类别的类别概率信息，作为贝叶斯方法改善分类结果的后验概率输入。为选择适合的机器学习分类算法，在各研究区测试了随机森林（RF）、支持向量机（SVM）和分类与回归树（CART）3种常用的算法（表3），经过对比分析，选择分类精度最高的随机森林算法，并将其应用于所有研究区的植被分类任务中。
表3 各研究区基于不同机器学习分类方法的分类精度对比

Tab. 3 Comparison of classification accuracy based on different machine learning classification methods in each study area

研究区 随机森林 支持向量机 分类与回归树
总体精度(%) Kappa系数 总体精度(%) Kappa系数 总体精度(%) Kappa系数
祁连山区 72 0.66 68 0.63 52 0.50
黄河源区 75 0.68 62 0.51 64 0.54
横断山区 65 0.66 60 0.44 62 0.52

2.4.2 植被与环境特征的空间差异提取

首先基于青藏高原各植被类型植被与环境特征的频率分布统计规律，获取每个像元特征值在某一植被类型出现的概率，再利用贝叶斯方法结合各植被类型在青藏高原的分布面积占比（公式（1）），计算出该像元特征值对应的各植被类型类别概率，作为参与贝叶斯类别概率调整的先验概率。其中，针对植被与环境特征频数分布统计规律的统计，使用青藏高原各主要植被类型空间分布的核心区作为类别样本[25]，统计出各植被类型随植被与环境特征值变化的密度曲线（图4a）。使用曲线拟合密度曲线，本文测试了线性模型、局部加权回归（Locally Weighted Scatterplot Smoothing, LOESS）、广义相加模型（Generalized Additive Model, GAM）等模型后，选择拟合效果最好的广义相加模型拟合植被与环境特征的分布特征（图4b），获取像元特征值对应密度曲线的纵坐标值为该像元特征值对应的各植被类型类别概率。基于贝叶斯定理逐像元计算类别先验概率：
P c l a s s - p r i o r ( i ) = P d e n s i t y ( i ) × P c l a s s - a r e a ( i ) ∑ i = 1 n P d e n s i t y ( i ) × P c l a s s - a r e a ( i )
式中： P c l a s s - p r i o r ( i )为第i种植被类型对应的植被与环境空间特征的先验概率； P d e n s i t y ( i )为第i种植被类型对应密度曲线的概率密度值； P c l a s s - a r e a ( i )为第i种植被类型在青藏高原分布的面积占比（表4）。
图4 青藏高原草原类型随DEM特征变化的密度曲线图及其拟合曲线对比

Fig. 4 Comparison of fitting curves of grassland types changing with DEM with their density curves on the Qinghai-Xizang Plateau

表4 青藏高原各主要植被类型在青藏高原分布的面积占比

Tab. 4 The proportion of area of ​​each major vegetation type on the Qinghai-Xizang Plateau

植被类型 针叶林 针阔混交林 阔叶林 灌丛 草原 草丛 草甸 沼泽 荒漠 高山苔原—垫状—稀疏植被
面积占比(%) 6.9 1.4 2.1 11.9 26.0 0.1 31.5 0.3 12.0 7.9

2.4.3 基于贝叶斯方法使用植被与环境空间特征改善遥感预分类结果

针对研究区内的每个像元，本文利用前面获取的基于遥感光谱计算的各类别后验概率和基于植被与环境特征计算的各类别先验概率，采用贝叶斯方法将它们结合起来，计算出调整后的后验概率，选择最大调整后验概率值对应的类别作为该像元的最终分类结果。基于贝叶斯定理调整后验概率：
P a d j u s t e d - p o s t ( i ) = P p o s t ( i ) × P p r i o r ( i ) ∑ i = 1 n P p o s t i × P p r i o r i
式中： P a d j u s t e d - p o s t ( i )为第i种植被类型对应的调整后的后验概率值； P p o s t ( i )为第i种植被类型对应的基于遥感光谱特征计算所得的类别概率； P p r i o r i为第i种植被类型对应的基于植被与环境空间数据计算所得的先验概率。
此外，由于植被与环境空间数据的分辨率通常低于本文所得分类结果的10 m分辨率，为确保分类结果的准确性和精细度，本文引入置信参数c来调节植被与环境参数对结果的影响[36-37]。通过置信参数c调整各类别概率：
P p r i o r i = P p r i o r - p r i m i t i v e i + 1 - P p r i o r - p r i m i t i v e i × ( 1 - c )
式中： P p r i o r i为使用置信参数调整后第i种植被类型对应的植被与环境空间特征的先验概率； P p r i o r - p r i m i t i v e i为使用置信参数调整前第i种植被类型对应的植被与环境空间特征的先验概率，c为调整各类别先验概率的置信参数。
为选择最佳置信参数c，在祁连山区域选取了一块各植被类型分布均匀、面积约为0.3°×0.3°的区域，测试不同置信参数c值条件下，引入单一植被与环境特征对改善分类结果的影响。随着c值的增大，即植被与环境特征参与度增大，分类结果总体精度先上升后下降（图5），分类结果的地物空间细节更加模糊，空间精细程度逐渐下降。考虑到本文中植被与环境空间特征数据的空间分辨率较低，将置信参数c值保守设置为0.25，以尽可能提高分类精度并保证空间精细程度。
图5 基于不同置信参数c值使用NDVI特征改善遥感分类结果的精度变化曲线

注：c=0时的分类结果为原始基于遥感的预分类结果，c值越大植被与环境特征的参与度越大；红线表示基于遥感的预分类结果的总体分类精度，蓝线表示c=0.25时的总体分类精度。

Fig. 5 Accuracy variation curve of remote sensing classification results improved by NDVI feature based on different confidence parameter c values

在使用植被与环境空间特征改善仅基于遥感光谱分类结果的过程中，若涉及多个植被和环境特征，则用一个特征指标调整后验概率后再循环下一个特征指标。若植被与环境数据存在像元数据缺失，则采用前一步计算得到的后验概率填充。

2.4.4 结果评估与分析

本文采用混淆矩阵对分类结果进行精度检验，用户精度和生产精度评估各植被类型的错分和漏分情况，同时利用总体精度和Kappa系数评价分类结果的整体准确性和可信度。同时，采用形态学指标面积—周长比（斑块面积和周长的比值）和伸长度（斑块外界矩形长轴与短轴的比值）来辅助评估分类结果的斑块形状特征。其中，面积—周长比反映斑块的复杂程度，值越大表示斑块形状越复杂；伸长度反映斑块的延展性，值越大斑块越呈现长条形。

3 结果分析

3.1 植被与环境特征对青藏高原植被分类的贡献

表5展示了仅使用遥感光谱特征的分类结果与使用新方法融入植被与环境特征的分类结果，植被与环境特征的引入对青藏高原各分类问题的结果都产生了积极影响，特别是在草原、草甸、沼泽、高山苔原—垫状—稀疏植被识别和区分等问题上，环境特征的贡献显著，极大地提高了分类的精度和准确度。
表5 植被与环境特征参与植被遥感分类的精度改善对比

Tab. 5 Comparison of accuracy improvement in vegetation remote sensing classification involving vegetation and environmental features

分类特征 各类别精度评价 总体精度评价
针叶林 阔叶林 灌丛 草原 草甸 沼泽 高山苔原—垫状—稀疏植被 总体精度(%) Kappa系数
仅使用遥感光谱
特征的分类结果		 用户精度(%) 80 30 71 75 67 34 25 69 0.62
生产精度(%) 56 100 47 67 80 100 75
引入单一
植被与
环境特征
改善后的
分类结果		 DEM 用户精度(%) 89 50 85 85 77 80 100 81 0.77
生产精度(%) 86 67 92 90 92 75 50
土壤温度 用户精度(%) 89 43 100 69 60 30 75 70 0.68
生产精度(%) 72 100 62 90 90 56 50
年最低气温 用户精度(%) 100 50 100 73 60 34 100 76 0.74
生产精度(%) 78 100 62 89 90 50 50
年总降水量 用户精度(%) 89 50 80 80 100 50 75 80 0.77
生产精度(%) 80 67 73 83 83 75 50
年总蒸散发 用户精度(%) 100 55 88 73 67 34 75 73 0.69
生产精度(%) 72 100 62 89 100 76 50
归一化植被指数 用户精度(%) 100 60 100 75 83 50 100 82 0.80
生产精度(%) 70 100 80 100 100 100 50
净初级生产力 用户精度(%) 100 40 100 81 89 50 100 85 0.86
生产精度(%) 78 100 69 100 100 100 100
裸地覆盖度 用户精度(%) 100 75 85 75 69 50 75 75 0.71
生产精度(%) 72 50 67 75 83 75 100
对于草地和灌丛区分的问题，引入净初级生产力和归一化植被指数这两个特征后，草地和灌丛的生产精度和用户精度相较于引入其他特征有更明显提升，这表明净初级生产力和归一化植被指数在解决灌丛和草地区分问题上有更大的贡献。对于高山苔原—垫状—稀疏植被识别的问题，引入净初级生产力特征后，高山苔原—垫状—稀疏植被的用户精度和生产精度较引入其他特征有更明显提升，特别是引入特征后生产精度和用户精度提升至100%，净初级生产力在解决高山苔原—垫状—稀疏植被识别问题上有更大贡献。对于草地类型细分的问题，引入DEM、净初级生产力和年总降水量这3个特征后，草原、草甸沼泽的生产精度和用户精度相较于引入其他特征有更明显提升，DEM和净初级生产力在解决灌丛和草地区分问题上有更大贡献。对于垂直地带植被划分的问题，引入DEM和净初级生产力这两个特征后，各类别的生产精度和用户精度均有所提升，其中用户精度最高达到了100%，DEM和净初级生产力这两个特征对解决垂直地带植被划分问题有更大贡献。

3.2 植被与环境特征的两种融入方式对比

相较于传统方法将所有特征（如光谱、环境等）叠加后直接输入分类器进行分类，本文新方法通过间接融入差异化的植被与环境空间特征进行分类，两者在3个研究区的分类结果对比见图6，分类精度对比见表6。从分类结果的空间分布来看，传统特征融入方式会使基于高空间分辨率的遥感图像分类结果呈现不协调的马赛克现象，模糊了分类细节，且粗分辨率植被与环境数据缺失会导致结果缺失，而本文新方法可以克服这种马赛克现象和结果缺失问题。从分类结果的精度来看，传统特征融入方式对精度提升的能力不仅低于新方法，甚至还可能导致分类结果精度下降，而新方法融入植被与环境特征后的分类总体精度提高了7%~14%。
图6 各研究区使用两种不同的植被与环境特征融入方式的分类结果对比

注：图中第1列展示了研究区整体的分类结果，第2~4列为局部区域的分类结果对比图。

Fig. 6 Comparison of classification results using two different methods of integrating vegetation and environmental features in each study area

表6 各研究区融入植被与环境特征前后的植被精细分类精度对比

Tab. 6 Comparison of fine-scale vegetation classification accuracy in each study area before and after incorporating vegetation and environmental features

研究区 分类方法 各类别精度评价 总体精度评价
针叶林 阔叶林 灌丛 草原 草甸 沼泽 荒漠 高山苔原—垫状—稀疏植被 总体精度(%) Kappa系数
祁连山研究区 仅使用遥感光谱特征的分类结果 用户精度(%) 100 36 69 75 89 50 － 49 76 0.71
生产精度(%) 58 100 64 60 80 66 － 75
传统方法融入植被与环境特征后的分类结果 用户精度(%) 100 100 55 46 75 88 － 100 70 0.64
生产精度(%) 80 50 89 75 53 53 － 75
新方法融入植被与环境特征后的分类结果 用户精度(%) 100 100 63 88 92 76 － 94 84 0.81
生产精度(%) 92 75 94 80 96 72 － 60
黄河源研究区 仅使用遥感光谱特征的分类结果 用户精度(%) － － － 58 52 27 48 － 62 0.55
生产精度(%) － － － 61 40 76 60 －
传统方法融入植被与环境特征后的分类结果 用户精度(%) － － － 54 86 83 100 76 0.67
生产精度(%) － － － 88 80 71 57
融入植被与环境特征改善后的分类结果 用户精度(%) － － － 65 91 100 100 － 86 0.83
生产精度(%) － － － 100 80 86 75 －
横断山研究区 仅使用遥感光谱特征的分类结果 用户精度(%) 57 100 68 41 83 60 100 78 68 0.63
生产精度(%) 80 17 83 56 65 75 43 66
传统方法融入植被与环境特征后的分类结果 用户精度(%) 63 100 90 25 74 100 80 60 71 0.67
生产精度(%) 90 100 60 20 93 25 67 75
融入植被与环境特征改善后的
分类结果		 用户精度(%) 83 100 67 83 78 100 100 89 78 0.76
生产精度(%) 84 92 89 59 86 75 93 62

3.3 融入植被与环境特征的植被遥感精细分类结果

对于祁连山研究区，草地和灌丛区分、高山苔原—垫状—稀疏植被识别是该研究区的植被分类难点。与仅基于遥感光谱特征的分类结果相比，融入净初级生产力和归一化植被指数特征后，各植被类型的空间格局基本保持不变（图6a），但在空间分布准确度上有所改善（图7a），面积周长比和伸长度减小也进一步说明新方法分类结果的连续性和规整性（图8a），表明融入植被与环境特征有助于改善分类结果的空间分布格局。新方法的分类总体精度达到84%（Kappa系数为0.81），相较于仅使用光谱特征的分类结果提升了8%，草地和灌丛的区分、高山苔原—垫状—稀疏植被的识别精度改善明显（表6）。
图7 各研究区使用新方法融入植被与环境特征后的分类结果与实地调查对比图

Fig. 7 Comparison between classification results after incorporating vegetation and environmental features using the new method and ground truth surveys in each study area

图8 各研究区融入植被与环境特征前后分类结果的形态学统计结果

Fig. 8 Morphological statistical results of classification outcomes before and after incorporating vegetation and environmental features in each study area

对于黄河源研究区，草地类型细分是该研究区的植被分类难点。与仅基于遥感光谱特征的分类结果相比，融入DEM、净初级生产力和总降水量3个特征后，植被类型的空间格局发生显著变化，特别是光谱特征极为相似的类型（图6b），且融入植被与环境特征后多个植被类型的分类精度和空间准确度均有所提升（图7b），面积周长比和伸长度减小进一步验证了新方法分类结果的连续性和规整性（图8b）。新方法的分类精度达到86%（Kappa系数为0.83），相较于仅使用光谱特征的分类结果提升了24%，草地类型的细分精度改善明显（表6）。
对于横断山区，垂直地带植被识别是该研究区的植被分类难点。与仅基于遥感光谱特征的分类结果相比，融入DEM和净初级生产力特征后，各植被类型的总体空间格局基本保持不变（图6c），但光谱特征相似的多个植被类型的分类精度和空间准确度有所提升（图7c），面积周长比和伸长度略微减小进一步验证了新方法分类结果的连续性和规整性（图8c）。新方法的分类总体精度达到78%（Kappa系数为0.76），相较于仅使用光谱特征的分类结果提升了10%，垂直地带植被的识别精度改善明显（表6）。

4 讨论

4.1 植被与环境特征在青藏高原各分类问题中的贡献

目前植被分类相关研究表明，仅使用遥感特征难以区分光谱相似的草原、草甸等植被类型，因此，多数研究倾向于根据环境特征或先验知识来选择DEM、气温、降水等特征参与分类，以增强特征之间的可区分度[22-23,38]。但传统的植被分类方法往往未对特征在分类中的贡献进行评估，直接将所有植被与环境特征一并用于分类，导致特征对分类结果的贡献不明确，可能存在冗余或特征区分度下降的问题。本文通过评估不同生产目的、生产方法和数据源等的植被与环境特征，发现它们在青藏高原植被精细分类中普遍具有一定改善作用，但不同特征的贡献各不相同。在解决灌丛和草地区分问题上，净初级生产力和归一化植被指数贡献更为显著；在高山苔原—垫状—稀疏植被识别问题上，净初级生产力具有较大作用；在解决草地类型细分问题上，DEM和净初级生产力贡献更为突出；在垂直地带植被划分问题中，DEM和净初级生产力作用也为显著。

4.2 新分类方法及特征融合策略

目前的植被分类方法通常将所有的特征数据一起放入分类器中进行分类[18,21 -22]，这种做法存在两方面问题。首先，这样做可能会导致各个特征之间存在冗余，从而降低分类结果的准确性。其次，植被与环境数据空间分辨率普遍较低且数据质量不高，直接将所有特征数据一起放入分类器中进行分类会影响分类结果的准确性和空间连续性（即精细度）。因此，本文采用了逐步融入特征差异明显的植被与环境特征的方法，以保证分类结果的精细度和准确性。
新方法融入植被与环境特征后提高了植被分类精度。其首先对特征进行筛选，选取对植被分类结果改善贡献较大的环境特征，然后逐步将这些特征融入分类过程中，从而使得特征差异更加明显、数据质量较高的环境特征能够发挥更大的作用。受到特征差异度、数据质量等因素的影响，适度融入1~3个环境特征指标可能会取得最佳效果，过多的特征可能会导致分类结果的精细程度下降、空间分布精细度降低。例如，在祁连山区（局部）应用新方法进行分类的对比试验时，引入单一植被与环境特征后的分类结果较仅使用遥感光谱特征的结果提升了1%~16%，引入净初级生产力和归一化植被指数这两个特征后较原来提升了21%，然而，引入归一化植被指数、净初级生产力、DEM、年最低温度4个特征后分类结果精度仅提升了8%。
新方法采用逐步融入植被与环境特征的策略提高了植被分类的精细度。植被与环境数据受到数据源噪声、模型算法等多方面因素的限制，其空间分辨率普遍较低且数据质量不高，甚至部分数据存在像元值缺失，将其直接与高空间分辨率遥感特征数据一起参与分类会使分类结果出现不协调的马赛克现象，模糊了分类结果的地物细节，甚至造成分类结果缺失。但新方法采用逐步融入方式，控制粗分辨率植被与环境特征在分类过程中的作用，在尽可能提高分类精度的同时保留了更多空间细节。
新方法对于解决青藏高原存在的灌丛和草地区分问题、草地类型细分问题、高山苔原—垫状—稀疏植被识别问题和垂直地带植被划分问题均有较大贡献，特别是在处理光谱特征相似性较高的植被类型，如草原、草甸、沼泽等方面。新方法可适用于整个青藏高原，但在具体应用时建议先将青藏高原分为不同区域，之后再分区应用新方法进行植被精细分类，例如按气候区[39]或大气氧含量分区[9]，并根据各区的分类问题选择相应的分类方案。
受限于青藏高原地域广阔、气候恶劣等原因，能获取到的实地调查样本相对较少。本文为丰富样本的数量和种类，通过目视解译选取了一部分样本，但青藏高原植被稀疏且光谱相似性较高，很难选取更多高质量的样本。因此，本文中可用于遥感分类的高质量样本较少。但是，本文的主要目的是探讨融入植被与环境特征对青藏高原植被分类的改善作用。在相同样本量基础上，对引入植被与环境特征前后的分类结果进行比较，重点关注植被与环境特征对分类结果的影响，并探讨各植被与环境特征对改善分类结果的可靠性和有效性，因此，比较结果受样本量的影响较小。

5 结论

本文发展了一种逐步融入粗空间分辨率植被与环境特征的植被遥感精细分类新方法。针对青藏高原植被精细分类中存在的灌丛和草地区分、草地类型细分、高山苔原—垫状—稀疏植被识别和垂直地带植被划分问题，应用新方法进行了植被精细分类测试，得出以下主要结论：
（1）植被与环境特征在青藏高原植被精细分类中普遍具有改善作用，但不同特征的贡献各不相同。在解决灌丛和草地区分问题上，净初级生产力和归一化植被指数贡献更为显著；在高山苔原—垫状—稀疏植被识别问题上，净初级生产力具有较大作用；在解决草地类型细分问题上，DEM和净初级生产力贡献更为突出；在垂直地带植被划分问题中，DEM和净初级生产力作用较为显著。同时，将特征差异明显、精度提升贡献最大的1~3个植被与环境特征指标融入遥感光谱特征进行分类，可以取得更好的改善效果。
（2）新方法可显著提高青藏高原植被遥感分类的准确性和精细度。在青藏高原草地和灌丛区分、高山苔原—垫状—稀疏植被识别问题上，融入净初级生产力和归一化植被指数特征后的分类结果精度提升至84%，相较于仅使用光谱特征的分类结果提升了8%；对于草地类型细分问题，融入DEM和净初级生产力特征后分类结果的精度提升至86%，相较于仅使用光谱特征的分类结果提升了24%；而针对垂直地带植被识别问题，融入DEM和净初级生产力特征后分类结果的精度提升至78%，相较于仅使用光谱特征的分类结果提升了10%。
本文所提出的植被遥感分类新方法为青藏高原及其他类似地区的植被精细分类提供了有效的技术支撑，具体应用时可采用分区分类的方案。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Jin X Y, Jin H J, Iwahana G, et al. Impacts of climate-induced permafrost degradation on vegetation: A review. Advances in Climate Change Research, 2021, 12(1): 29-47.

[2]
Lu H, Zheng D H, Yang K, et al. Last-decade progress in understanding and modeling the land surface processes on the Tibetan Plateau. Hydrology and Earth System Sciences, 2020, 24(12): 5745-5758.

[3]
Feng Song, Tang Maocang, Wang Dongmei. New evidence for the Qinghai-Xizang Plateau as a pilot region of climatic fluctuation in China. Chinese Science Bulletin, 1998, 43(6): 633-636.

[冯松, 汤懋苍, 王冬梅. 青藏高原是我国气候变化启动区的新证据. 科学通报, 1998, 43(6): 633-636.]

[4]
Yao Tandong, Liu Xiaodong, Wang Ninglian. Amplitude of climatic changes in Qinghai-Xizang Plateau. Chinese Science Bulletin, 2000, 45(1): 98-106.

[姚檀栋, 刘晓东, 王宁练. 青藏高原地区的气候变化幅度问题. 科学通报, 2000, 45(1): 98-106.]

[5]
Chapin Ⅲ F S, Matson P A, Vitousek P M. Principles of Terrestrial Ecosystem Ecology. New York: Springer, 2011.

[6]
Liu Yanxiang. The characteristics of radiation budget of earth atmosphere system over the Qinghai-Xizang Plateau and their relationship with climate change. Plateau Meteorology, 1998, 17(3): 37-44.

[柳艳香. 青藏高原地气系统辐射收支变化特征及其与气候变化的关系. 高原气象, 1998, 17(3): 37-44.]

[7]
Immerzeel W W, van Beek L P H, Bierkens M F P. Climate change will affect the Asian water towers. Science, 2010, 328(5984): 1382-1385.

DOI PMID

[8]
Zhang Y Y, Hou J J, Ma G X, et al. Regional differences of water regulation services of terrestrial ecosystem in the Tibetan Plateau: Insights from multiple land covers. Journal of Cleaner Production, 2021, 283: 125216. DOI: 10.1016/j.jclepro.2020.125216.

[9]
Shi Peijun, Hu Xiaokang, Chen Yanqiang, et al. Spatial pattern of oxygen concentration and "three-dimensional zonation" in the natural zone on the Qinghai-Xizang Plateau. Acta Geographica Sinica, 2023, 78(3): 532-547.

DOI

[史培军, 胡小康, 陈彦强, 等. 青藏高原地表大气氧含量空间格局及自然地带“三维分异”的新认识. 地理学报, 2023, 78(3): 532-547.]

DOI

[10]
Ma Keping, Guo Qinghua. Progress and recent trends of vegetation ecology in China. Scientia Sinica Vitae, 2021, 51(3): 215-218.

[马克平, 郭庆华. 中国植被生态学研究的进展和趋势. 中国科学: 生命科学, 2021, 51(3): 215-218.]

[11]
Meng B P, Yang Z G, Yu H Y, et al. Mapping of kobresia pygmaea community based on umanned aerial vehicle technology and Gaofen remote sensing data in alpine meadow grassland: A case study in eastern of Qinghai-Xizang Plateau. Remote Sensing, 2021, 13(13): 2483. DOI: 10.3390/rs13132483.

[12]
Su Y J, Guo Q H, Hu T Y, et al. An updated vegetation map of China (1:1000000). Science Bulletin, 2020, 65(13): 1125-1136.

DOI PMID

[13]
Yao Xixi, Gong Xuyin, Bai Bin, et al. Study of grassland vegetation characteristics and soil nutrient and their correlation between different grassland types in alpine pastoral area of Qilian mountains. Acta Agrestia Sinica, 2018, 26(2): 371-379.

DOI

[姚喜喜, 宫旭胤, 白滨, 等. 祁连山高寒牧区不同类型草地植被特征与土壤养分及其相关性研究. 草地学报, 2018, 26(2): 371-379.]

DOI

[14]
Ming Yisen, Liu Qihang, Bai He, et al. Classification and change detection of vegetation in the Ruoergai wetland using optical and SAR remote sensing data. National Remote Sensing Bulletin, 2023, 27(6): 1414-1425.

[明義森, 刘启航, 柏荷, 等. 利用光学和SAR遥感数据的若尔盖湿地植被分类与变化监测. 遥感学报, 2023, 27(6): 1414-1425.]

[15]
Zhang Hui, Zhao Cenliang, Zhu Wenquan. A new vegetation map for Qinghai-Xizang Plateau by integrated classification from multi-source data products. Journal of Beijing Normal University (Natural Science), 2021, 57(6): 816-824.

[张慧, 赵涔良, 朱文泉. 基于多源数据产品集成分类制作的青藏高原现状植被图. 北京师范大学学报(自然科学版), 2021, 57(6): 816-824.]

[16]
Ouyang Shubing, Chen Weitao, Li Xianju, et al. Geomorphological scene classification dataset of high-resolution remote sensing imagery in vegetation-covered areas. National Remote Sensing Bulletin, 2022, 26(4): 606-619.

[欧阳淑冰, 陈伟涛, 李显巨, 等. 植被覆盖区高精度遥感地貌场景分类数据集. 遥感学报, 2022, 26(4): 606-619.]

[17]
Zhang J T. Exploring the influence of vegetation characteristics and environmental factors in typical alpine degraded grasslands on the Qing-Zang Plateau[D]. Taiyuan: Shanxi Normal University, 2022.

[张锦涛. 青藏高原典型高寒退化草地植被特征与环境因子的影响探究[D]. 太原: 山西师范大学, 2022.]

[18]
Xu Z G, Zhuang D F. The methodology of detailed vegetation classification based on environmental knowledge and remote sensing images. 2007 IEEE International Geoscience and Remote Sensing Symposium. Barcelona, Spain. IEEE, 2007: 2074-2077.

[19]
Zhang X, Liu L Y, Chen X D, et al. GLC_FCS30: Global land-cover product with fine classification system at 30m using time-series Landsat imagery. Earth System Science Data, 2021, 13(6): 2753-2776.

DOI

[20]
Jia Wei, Gao Xiaohong, Yang Lingyu, et al. Land cover information extraction for complicated terrain regions via an object-oriented classification method. Journal of Lanzhou University: Natural Sciences, 2018, 54(4): 486-493.

[贾伟, 高小红, 杨灵玉, 等. 面向对象方法的复杂地形区地表覆盖信息提取. 兰州大学学报(自然科学版), 2018, 54(4): 486-493.]

[21]
Buchhorn M, Lesiv M, Tsendbazar N E, et al. Copernicus global land cover layers: Collection 2. Remote Sensing, 2020, 12(6): 1044. DOI: 10.3390/rs12061044.

[22]
Zhou G S, Ren H R, Liu T, et al. A new regional vegetation mapping method based on terrain-climate-remote sensing and its application on the Qinghai-Xizang Plateau. Science China Earth Sciences, 2023, 66(2): 237-246.

[23]
Zhang Y, Hu Q, Zou F. Spatio-temporal changes of vegetation net primary productivity and its driving factors on the Qinghai-Xizang Plateau from 2001 to 2017. Remote Sensing, 2021, 13(8): 1566. DOI: 10.3390/rs13081566.

[24]
Zhang Xinshi. Vegetation Map (1∶1000000) in China. Beijing: Geology Press, 2007.

[张新时. 中国植被图集(1∶1000000). 北京: 地质出版社, 2007.]

[25]
Zhang Hui, Zhu Wenquan, Shi Peijun, et al. The differences of vegetation characteristics and environmental conditions among main vegetation types on the Qinghai-Xizang Plateau. Acta Ecologica Sinica, 2024, 44(7): 2955-2970.

[张慧, 朱文泉, 史培军, 等. 青藏高原各主要植被类型的特征及环境差异研究. 生态学报, 2024, 44(7): 2955-2970.]

[26]
Jarvis A, Reuter H I, Nelson A, et al. Hole-filled SRTM for the globe Version 4. CGIAR-CSI, 2008. https://srtm.csi.cgiar.org.

[27]
Muñoz Sabater J. ERA5-Land monthly averaged data from 1981 to present. Copernicus Climate Change Service (C3S) Climate Data Store (CDS), 2019. DOI: 10.24381/cds.68d2bb30.

[28]
Wan H W, Li H X, Wu J H, et al. Spatial distribution pattern in mammal and bird richness and their relationship with ecosystem services in Sanjiangyuan National Park, China. Journal of Mountain Science, 2021, 18(6): 1662-1677.

[29]
Running S, Mu Q, Zhao M S, et al. MODIS/Terra net evapotranspiration gap-filled yearly L 4 global 500m SIN grid V061. NASA EOSDIS Land Processes DAAC, 2021. DOI: 10.5067/MODIS/MOD16A2.061.

[30]
Running S, Zhao M S. MODIS/Terra net primary production gap-filled yearly L4 global 500 m SIN grid V061. NASA EOSDIS Land Processes DAAC, 2021. DOI: 10.5067/MODIS/MOD17A3HGF.061.

[31]
Didan K. MODIS/Terra Vegetation Indices 16-day L3 global 250m SIN grid V061. NASA EOSDIS Land Processes DAAC, 2021. DOI:10.5067/MODIS/MOD13Q1.061. DOI:10.5067/MODIS/MOD44B.061.

[32]
DiMiceli C, Carroll M L, Sohlberg R D, et al. MOD44B MODIS/Terra vegetation continuous fields yearly L3 global 250m SIN grid V006. NASA EOSDIS Land Processes DAAC, 2015.

[33]
Shi Peijun. Surface oxygen concentration on the Qinghai-Xizang Plateau (2017-2022). National Tibetan Plateau/Third Pole Environment Data Center, 2022. DOI: 10.11888/Atmos.tpdc.272423.

[史培军. 青藏高原地表氧含量数据(2017—2022). 国家青藏高原科学数据中心, 2022. DOI: 10.11888/Atmos.tpdc.272423.]

[34]
Shang Zhanhuan. Survey photos of vegetation sample plots for the second comprehensive scientific investigation of the Qinghai-Xizang Plateau in Qilian County (2020). Beijing: National Tibetan Plateau/Third Pole Environment Data Center, 2021. DOI:10.11888/Ecolo.tpdc.271439.

[尚占环. 祁连县地区第二次青藏高原综合科学考察植被样方调查照片(2020). 北京: 国家青藏高原科学数据中心, 2021. DOI:10.11888/Ecolo.tpdc.271439.]

[35]
Wei Yanqiang, Wang Xufeng. Source region of Yellow River-land cover and vegetation type ground verification point dataset. Beijing: National Tibetan Plateau/Third Pole Environment Data Center, 2019.

[魏彦强, 王旭峰. 黄河源区土地覆盖及植被类型地面验证点数据集. 北京: 国家青藏高原科学数据中心, 2019.]

[36]
Friedl M A, Sulla-Menashe D, Tan B, et al. MODIS Collection 5 global land cover: Algorithm refinements and characterization of new datasets. Remote Sensing of Environment, 2010, 114(1): 168-182.

[37]
McIver D K, Friedl M A. Using prior probabilities in decision-tree classification of remotely sensed data. Remote Sensing of Environment, 2002, 81(2): 253-261.

[38]
Sulla-Menashe D, Gray J M, Abercrombie S P, et al. Hierarchical mapping of annual global land cover 2001 to present: The MODIS Collection 6 land cover product. Remote Sensing of Environment, 2019, 222: 183-194.

[39]
Zheng Jingyun, Yin Yunhe, Li Bingyuan. A new scheme for climate regionalization in China. Acta Geographica Sinica, 2010, 65(1): 3-12.

DOI

[郑景云, 尹云鹤, 李炳元. 中国气候区划新方案. 地理学报, 2010, 65(1): 3-12.]

Options
Outlines

/

〈 〉