甘肃白水江保护区土地利用现状评价

以2018年（2018-04-02）的Sentinel-2数据为数据源，选取空间分辨率为10m的4个波段，基于eCognition软件，使用面向对象的分类方法，获取白水江国家级自然保护区的土地利用现状。

4.3.1.1　分类体系

参考国际土地利用/土地覆盖分类系统（Sulla etal，2019）和中国土地覆盖分类体系（张增祥等，2009），结合所用数据及白水江国家级自然保护区的土地利用实际情况，得出土地利用分类体系为阔叶林、针叶林、针阔混交林、灌木林、草地、高山灌丛草甸、耕地、建筑用地（包括居民点和道路）、水体9类。训练样本点和验证样本点均基于森林资源二类调查数据和Google Earth影像生成。训练样本点共664个，其中，阔叶林188个，针叶林114个，针阔混交林143个，灌木林50个，草地44个，高山灌丛草甸15个，耕地81个，建筑用地21个，水体8个。验证样本点共3180个，其中，阔叶林924个，针叶林538个，针阔混交林1046个，灌木林254个，草地40个，高山灌丛草甸26个，耕地176个，建筑用地135个，水体41个。土地利用现状分类的训练样本点和验证样本点的分布见彩图26。

表4-7　土地利用现状分类训练样本与验证样本数量

4.3.1.2　面向对象分类实现方法

1.分割参数确定

使用多尺度分割方法进行Sentinel-2影像的分割，形状因子和紧致度因子使用控制变量选最优的方法确定，最优分割尺度使用ESP2（Estimation ofscale Parameter2）工具获得。最终确定形状因子为0.4，紧致度因子为0.5，分割尺度为38。分割效果见彩图27。

2.分类特征选取

选择了Mean Brightness、Mean Max.diff、Mean Blue、Mean Elevation、Mean Green、Mean Nir、Mean Red等波段均值特征，以及增强植被指数（Enhanced Vegetation Index，EVI）、归一化植被指数（Normalized Difference Vegetation Index，NDVI）和归一化水体指数（Normalized DifferenceWater Index，NDWI）3个指数特征，EVI、NDVI和NDWI的计算公式为：

式中，ρBLUE、ρGREEN、ρRED和ρNIR分别表示影像在蓝波段、绿波段、红波段和近红外波段的反射率。

3.随机森林分类器分类(www.xing528.com)

使用classifier算法，先训练（Train），选择随机森林分类器，并设置参数，将最大树的数量设置为100（图4-13），再执行分类（Apply）（图4-14）。

图4-13　随机森林分类器训练时的参数设置

图4-14　随机森林分类器执行分类时的参数设置

白水江国家级自然保护区的土地利用现状分类结果见彩图28，各土地利用类型的面积和占比统计结果如表4-8所示。由彩图28和表4-8可知，阔叶林、针叶林、针阔混交林和灌木林在保护区分布最为广泛，分别占保护区总面积的42.05%（782.72 km2）、10.17%（189.33 km2）、30.09%（560.03 km2）和10.63%（197.85 km2）。且海拔从高到低依次为针叶林、针阔混交林、阔叶林和灌木林。草地分布较为分散，且占比较小，仅为1.16%（21.59 km2）。高山灌丛草甸分布在西南部高海拔地区，占比为1.36%（25.40 km2）。耕地分布在海拔较低、地势相对平缓的河谷低地，占比3.53%（65.79 km2）。建筑用地和水体占比分别为0.52%（9.76 km2）和0.48%（8.94 km2）。

表4-8　白水江国家级自然保护区2018年土地覆盖面积及占比

白水江国家级自然保护区土地利用现状分类精度评价结果如表4-9所示。分类总体精度为83.30%，Kappa系数为0.79。用户精度从高到低依次为针叶林（91.39%）、水体（90.70%）、阔叶林（86.66%）、建筑用地（80.50%）、高山灌丛草甸（77.78%）、针阔混交林（77.36%）、灌木林（76.32%）、耕地（75.70%）和草地（68.52%）。生产者精度从高到低依次为水体（95.12%）、草地（92.50%）、阔叶林（87.88%）、针叶林（86.80%）、针阔混交林（82.50%）、高山灌丛草甸（80.77%）、耕地（77.84%）、建筑用地（70.37%）和灌木林（68.50%）。不同林地类型（阔叶林、针叶林、针阔混交林和灌木林）之间混分较为普遍。

表4-9　白水江国家级自然保护区土地利用现状分类精度评价结果