利用改进的生境分类方法对关键蝗虫生境类型进行分类

　　蝗虫生境是指蝗虫赖以生存和生活的环境.蝗虫生境类型与蝗虫的发生和成灾有着密切联系,因此探讨蝗虫生境类型的遥感分类问题是研究蝗虫发生与生境关系机理、进行蝗灾预测预警的关键[1 -3].许多研究指出,生境类型的变化是近年来蝗虫灾害频发的重要原因之一[4 -7],但由于难以获取历史时期实地生境类型的调查资料,因此围绕生境类型变化的研究还鲜有报道.卫星遥感技术具有周期性、动态、实时大面积观测的特点,可以破解历史时期实地调查资料难以获取的难题,为研究生境类型的变化提供可靠的数据来源.

　　针对蝗虫生境的遥感分类已有大量研究,如MA 等[8]根据被蝗虫破坏植被的光谱特征在单时相TM 图像上提取蝗虫生境,进而对蝗虫灾害进行监测和预测.蒋建军等[9]利用单时相 TM 图像,结合地理辅助数据及野外考察资料,应用基于知识的方法对环青海湖地区草地蝗虫生境类型分类进行研究.李开丽等[10]利用 2 个时相的 TM 数据,采用最大似然法和基于知识的分层分类法,通过叠加纹理指数以及不同波段的组合对河北省黄骅市东亚飞蝗最优生境遥感分类方法进行比较.以上研究均利用不同的分类方法,有效地对不同生境类型进行监测,并进一步研究蝗虫生境与蝗虫大暴发之间的关系.但这些研究大多是基于单时相或融合不同遥感数据进行监测.为了提高分类精度,孟庆辉等[11]利用多个时相的环境减灾小卫星数据构建归一化差值植被指数( normalized difference vegetationindex,NDVI) 时间序列,利用研究区典型植被的物候特性,对研究区 10 种生境类型进行分类.该研究指出利用单时相数据往往存在同物异谱和同谱异物现象,容易引起错分和漏分,而时间序列遥感数据可以较好地避免这个问题.但由于受数据源的限制,历史时期的时间序列遥感数据往往难以获取,因此,在利用历史时期遥感数据进行分类时,可以综合利用该时期多个时相遥感数据,充分利用多个时相中植被的物候信息,避免单时相数据分类精度过低的问题.

　　以河北省渤海新区为研究区,选取 20 a 来不同蝗灾发生程度的3 个典型历史时期,利用7 景 Land-Sat TM 数据,通过改进的生境分类方法对关键蝗虫生境类型进行分类.在此基础上,结合地面调查数据和气象数据,分析这 3 个典型时期蝗虫生境类型的时空变化及其驱动机制,以探索有效监测和分析蝗虫生境类型变化的方法,为蝗虫灾害的监测和防灾减灾提供科学依据.

　　1 研究区概况与研究方法

　　1. 1 研究区概况及数据

　　渤海新区( 38°09' ~38°39' N,117°05' ~117°49'E) 位于河北省东部,包括原黄骅市、南大港农场、中捷人民友谊农场( 简称中捷农场) 和黄骅港等,总面积约为 1 544. 7 km².该地区气候属暖温带大陆性季风气候.地势低平,海拔在 l ~5 m 之间.土壤多为草甸土类,土壤盐碱度高.主要作物有小麦、玉米、棉花和大豆等.天然植被主要为芦苇、黄须和马绊草等,分布在洼淀、湖泊、河道形成的荒地,渤海沿海滩涂苇荒地以及水库周边的滩地,为蝗虫提供了天然的滋生繁殖场所.根据每年蝗区面积,黄骅市植保站通过设定一系列阈值而确定的蝗虫暴发等级见图 1.图 1 显示,渤海新区历年来均有不同程度的蝗虫发生.

　　

　　所使用的卫星遥感数据均为 LandSat TM 数据,轨道号为 122 -33,由美国地质调查局( U. S. Geo-logical Survey,USGS) 网站下载得到.为了研究土地利用对蝗虫发生的影响,拟选择 3 个不同蝗灾危害程度的历史时期进行分析.根据图1 和可用的遥感数据,将1992 年7 月30日和 1993 年 6 月 15 日的 2 景影像作为第 1 时期,将 2000 年6 月10 日、2001 年5 月12 日和2001 年9月1 日的3 景影像作为第2 时期,将2009 年8 月30日和 2010 年 6 月 14 日 2 景影像作为第 3 时期.3个典型时期分别代表蝗灾危害程度中、重和轻 3 个不同时期.

　　预处理工作主要包括辐射定标、大气校正和几何配准.通过读取头文件中的定标系数直接进行辐射定标,同时为了消除大气和光照等因素对地物反射的影响,获得地表的真实反射率,选用暗像元法进行大气校正.所有下载数据已经进行几何校正,但为了综合利用多时相数据进行分类,以 2009年 TM 影像作为基准,对其余 6 幅影像进行几何配准,配准误差控制在 0. 3 个像元以内,以达到此次研究的精度要求.

　　先后开展 2 次野外考察,2010 年 6 月 7-11 日的第 1 次野外实验获得 115 个样本点,植被类型主要包括芦苇、小麦、杂草和棉花等.2011 年 6 月14-18 日的第 2 次野外调查共获取 117 个样本点,主要包括苜蓿、枣树、芦苇和杂草等.实地调查信息主要用于遥感分类时训练区的选取.

　　此外,还收集了 1980-2010 年蝗区调查数据,主要包括经纬度坐标和蝗虫发生情况统计等信息;收集整理了该地区社会经济等方面的资料.

　　1. 2 东亚飞蝗生境类型分类系统

　　植被是蝗虫的主要食物来源和栖息环境,因此组成生境类型的植被可作为主导性分类依据[11].芦苇地和草地均为蝗虫常发区域,是需要重点监测的 2 种地物类型.芦苇地植被以芦苇为主,覆盖度一般在 60%以上,植株高度平均可达 120 cm.研究区芦苇地主要集中在南大港、黄灶、腾南大洼、李官庄水库和杨官庄等水库或洼地.在研究区河流和道路两旁也常有稀疏芦苇地,盖度和高度较小,在分类时统一归为芦苇地.草地主要分布在农田间,是东亚飞蝗产卵、扩散和活动的重要场所.由于历史影像上荒草地和夹荒地的光谱特征非常相似,因此将夹荒地也归为草地.研究区典型作物有小麦、玉米、棉花和大豆等,但一般来说,农田区域的耕作模式会导致蝗卵成活率很低,因此常年耕作的农田不属于蝗虫发生的滋生地,将以上作物地与果园统一归为农田.近些年来,在渤海新区南部种植了大量苜蓿,针对苜蓿生态治蝗的特点,将苜蓿地单独作为 1 个类别.为了保证分类系统的完整性,还提取了居民地和盐田水体影像数据.综上所述,最终的分类系统主要为芦苇地、草地、农田、居民地、盐田水体和苜蓿地 6 种地物类型.

　　1. 3 蝗虫生境类型的遥感分类

　　由于基于单景数据进行分类易受到同物异谱和同谱异物现象的影响,故针对每个时期分别选择2 ~ 3 景遥感数据,充分利用不同时相上植被的物候特征信息以提高分类精度.主要方法如下: 首先根据分类系统对每景图像蝗虫生境单独进行分类,然后将每景图像中确信度高的区域镶嵌到结果图中,剩余部分和重叠部分通过人工判读并结合实地考察数据,利用 Google Earth 等辅助数据进行二次判别,最终生成蝗虫生境类型分布图.

　　云污染以及光谱混分现象往往会导致单景分类结果存在漏分和错分等问题,而综合 2 ~3 个时相的分类结果可以有效避免这种现象.如 2001 年 9月的 TM 数据对研究区内枣树区分力不大,而利用2000 年 6 月的数据可以很容易地将枣树影像数据提取出来.芦苇和草地的区分也是一个难点.经过 2 次野外实地考察并与对多景遥感图像的目视解译发现,芦苇的生长区域常固定不变,集中在南大港、黄灶、腾南大洼、李官庄水库和杨官庄等地,且分类数据时相都在 6 月后,芦苇生长茂密,易通过光谱特征与其他地物相区分; 而草地与农田易混区域则需要多景图像获取植被的物候信息,并在辅助数据支持下进行二次判别才能确定.如对于 1992年7 月的 TM 数据,由于羊二庄附近草地光谱与农田相似而难以区分,但是对于 1993 年 6 月的 TM 数据,该地区刚完成冬小麦的收割,可以很容易地通过光谱正确划分上述 2 种生境类型.蝗虫生境分类流程见图 2.

　　

　　2 结果与分析

　　2. 1 生境类型分类结果及验证

　　分别对 3 个时期多时相数据进行分类、合并和调整后,得到 3 个时相蝗虫生境类型分类结果( 图 3) .每个时期的分类结果是由 2 ~ 3 景单时相分类结果经处理后得到的,但为了表述的方便,分别称 3 个时期为 1992、2000 和 2009 年.

　　采用混淆矩阵方法对分类结果进行验证( 表1) .用户精度指正确归为某类的像元总数与分类结果中该类像元总数的比值,可以反映错分像元情况.生产者精度指正确归为某类的像元数与图像中该类真实像元总数的比值,可以反映正确分类像元情况.需要指明的是,由于缺乏历史考察数据,将各种典型地物的训练区随机分成 2 个部分,70%用于分类,其余 30%用于精度验证.采用该方法得到的分类精度会比实际情况偏高一些,但在一定程度上也能够说明分类结果的准确程度.

　　表 1 显示,盐田水体与居民地的分类精度较高;芦苇地基本能被准确地区分出来,但由于混合像元的影响,小部分位于路边或河边的芦苇地容易归为农田或草地.同样,由于研究区农田地块比较破碎,因此造成大量的混合像元,降低了草地和农田的分类精度.黄骅市在 2000 年以后开始种植苜蓿,因此前 2 个时期对苜蓿地没有选取训练区,2009 年 苜蓿地生产者精度达到 95. 82%.

　　2. 2 蝗虫生境类型变化分析

　　为了研究生境类型变化对蝗虫发生的影响,将3 个时相各种生境类型面积及所占比例进行统计( 表 2) .

　　

　　由表 2 可知,蝗虫危害严重的第 2 时期,芦苇地面积为 143. 7 km²,草地面积为 596. 2 km²，两者均为适宜蝗虫发生的生境类型,总面积达 739. 9km²,大于第 1 时期的 475. 0 km²和第 3 时期的602. 6 km².1992-2000 年芦苇地面积从 137. 8km²增至 143. 7 km²,草地面积从 337. 2 km²增至596. 2 km².2000-2009 年,芦苇地面积降至 129. 1km²,草地面积降至 473. 5 km².在空间分布上,芦苇地主要分布在南大港、黄灶、腾南大洼、李官庄水库和杨官庄等区域,且 20 a 来没有太大变化; 草地则广泛分布于黄骅市周围以及羊二庄和羊四村等附近( 图 3) ,并且 3 个时期有着很大变化,这可能主要是因为农民撂荒和垦荒所致.

　　2. 3 蝗虫发生的影响因素分析

　　在研究区影响蝗虫发生的主要因素有气候、生境类型、天敌和人类活动等.气候因素中最重要的因子为降水和气温.降水主要影响蝗虫卵的孵化,蝗蝻的发育、活动以及成虫的活动和产卵; 而气温主要影响蝗卵的越冬安全,以及各期的发育和活动情况[3].学者们通过对长期气象数据的研究发现,黄骅市蝗虫暴发当年 4 月下旬、暴发前一年 6 月下旬、7 月上旬、8 月上旬和 8 月中旬的气温以及暴发前一年 6 月上旬的降水与蝗虫暴发情况密切相关[12 -14].为此,构建降水( 图 4) 和气温( 图 5) 影响因子的时间序列距平曲线.

　　人类活动的影响主要包括: ( 1) 在蝗虫成灾后进行灭蝗,往往是在蝗虫已经发生之后,而蝗虫面积和尺度的调查一般是在灭蝗前的三龄盛期,因此不在该文研究范畴; ( 2) 通过改变生境类型来影响蝗虫的发生.结合表 2 和图 4 ~5 可知,在第 1 时期,蝗虫暴发等级属于中级,其中宜蝗生境面积中芦苇地面积为 137. 8 km²,草地面积为 337. 2 km²,该时段降水量比年际平均线高 2 ~4 mm,雨量充足,对幼蝻及在蜕皮的蝻或成虫有明显的机械杀伤作用.就 5 个旬气温影响因素而言,该时段绝大多数旬气温低于年际平均线,低温多湿环境对蝗虫发育直接起着延缓和抑制作用,并间接促进某些病菌的繁殖,从而降低虫口密度,宜蝗面积和气候因素均不利于蝗虫发生.

　　在第 2 时期,宜蝗面积大大增加,其中芦苇地的变化不大,主要原因可能是路边部分小块芦苇地与草地的转换; 但是草地面积却增至 596. 2 km²,主要是因为在 20 世纪 90 年代末期由于经济收入锐减,农民种田积极性降低,农田耕种粗放,出现大量撂荒地所致.此外,该时段气温基本超过年际平均线,满足了蝗虫完成一代繁衍所需积温,降水低于年际平均线,高温低湿环境保证了出土蝗虫的存活率,2 种因素共同促进了蝗虫的暴发.

　　而在第 3 时期,宜蝗面积下降趋势明显,其中芦苇地面积基本保持在稳定状态,草地面积却降至473. 5 km².此外,自 2003 年以后,黄骅市大力发展生态治蝗,开垦农田,建立生态控制区,种植蝗虫不喜食的苜蓿,这些措施是导致草地面积减少的主要原因.同时,气候条件中,该时段降水量比年际平均线高 1 ~2 mm,对蝗蝻的生长起抑制作用,但气温的作用却并不明显.因此,该时段蝗虫没有大规模暴发的原因是生境类型和降水的抑制作用占据主导地位.

　　3 结论

　　利用改进后的蝗虫生境类型提取方法,基于1992 年以来的 7 景 TM 数据得到 3 个典型时期的蝗虫生境分类结果,并重点分析了适宜蝗虫生长的芦苇地、草地和不适宜蝗虫发生的苜蓿地等地表覆盖的时空变化规律,结合气象数据对研究区蝗虫的发生原因进行分析,得到以下主要结论:

　　( 1) 改进的蝗虫生境分类方法可以较好地利用植被的物候信息,有效地减少同物异谱和同谱异物现象,降低云污染对蝗虫生境提取的难度.由于该方法假设 1 a 内土地利用类型没有太大变化,这可能会造成一定误差,如果有条件,应尽量选取 1 a 内的多时相数据.

　　( 2) 20 a 来,芦苇地面积基本保持稳定状态,草地面积则随着蝗虫暴发程度的轻重而变化,在 2000年蝗虫大暴发时期曾达到 596. 2 km²,2003 年之后,黄骅市开始发展生态治蝗,开垦农田,建立生态控制区,种植蝗虫不喜食的苜蓿,是 2009 年草地面积下降的重要原因.

　　( 3) 气候因素和蝗虫生境类型均对蝗虫发生有重要影响.1992 年气候因子和生境类型共同对蝗虫暴发起抑制作用; 2000 年蝗虫大发生的主要原因是宜蝗生境面积增加以及气候因子的促进作用等;2009 年前后,蝗虫暴发程度减轻是宜蝗生境面积减少、苜蓿等生物防治性植被面积增加以及降水等影响因子的抑制作用占据主导地位的结果.

　　参考文献:

　　[1] 倪绍祥,蒋建军,王杰臣. 遥感与 GIS 在蝗虫灾害防治研究中的应用进展[J]. 地球科学进展,2000,15( 1) : 97 -100.

　　[2] MCCULLOCH L,HUNTER D M. Identification and Monitoring ofAustralian Plague Locust Habitats From LANDSAT[J]. RemoteSensing of Environment,1983,13( 1) : 95 - 102.

　　[3] 陈健,王秀君. 遥感与 GIS 在蝗虫生境研究中的应用进展[J].生态环境学报,2012,21( 5) : 970 -976.

　　[4] 石瑞香,刘闯,李典谟,等. 蝗虫生境监测方法进展[J]. 生态学报,2003,23( 11) : 2475 -2483.

　　[5] 韩秀珍,马建文,罗敬宁,等. 遥感与 GIS 在东亚飞蝗灾害研究中的应用[J]. 地理研究,2003,22( 2) : 253 -261.

　　[6] VOSS F,DREISER U. Mapping of Desert Locust and Other Migra-tory Pests Habitats Using Remote Sensing Techniques[C]∥KRALL S,WILPS H. New Trends in Locust Control. Berlin,Ger-many: GIZ,1994: 23 - 40.

　　[7] JI Rong,XIE Bao-yu,LI Dian-mo,et al. Relationship Between Spa-tial Pattern of Locusta migratoria manilensis Eggpods and SoilProperty Variability in Coastal Areas[J]. Soil Biology & Biochem-istry,2007,39( 8) : 1865 - 1869.

　　[8] MA Jian-wen,HAN Xiu-zhen,HASIBAGAN,et al. Monitoring EastAsian Migratory Locust Plagues Using Remote Sensing Data andField Investigations[J]. International Journal of Remote Sensing,2005,26( 3) : 629 - 634.

　　[9] 蒋建军,倪绍祥,韦玉春. GIS 辅助下的环青海湖地区草地蝗虫生境分类研究[J]. 遥感学报,2002,6( 5) : 387 -392.

　　[10] 李开丽,倪绍祥. 东亚飞蝗生境的遥感分类: 以河北省黄骅地区为例[J]. 地理研究,2006,25( 4) : 579 -580.

　　[11] 孟庆辉,陈健,盛世杰,等. 基于多时相遥感数据的东亚飞蝗生境分类研究[J]. 遥感技术与应用,2013,28( 1) : 116 -121.

　　[12] 姚树然,李春强,王贵生. 河北夏蝗大发生与气候条件的关系[J]. 昆虫知识,2006,43( 4) : 482 -486.

　　[13] 姚树然,关福来,李春强. 环渤海夏蝗发生程度气象集成预报方法[J]. 应用气象学报,2010,21( 5) : 621 -626.

　　[14] 王欣璞. 河北省东亚飞蝗气象监测预测技术应用研究[D]. 兰州: 兰州大学,2007.