基于Sentinel-2影像和随机森林的内蒙古高分辨率植被制图

《Advances in Space Research》：High-Resolution Vegetation Mapping in Inner Mongolia Based on Sentinel-2 Imagery and Random Forest

内蒙古2023年高分辨率植被图基于Sentinel-2影像与地形气候数据融合，采用随机森林算法构建14类植被分类体系，其中草地细分为五亚类，整体精度达84.46%，Kappa系数0.83，揭示植被分布与气候地形梯度显著相关，为生态屏障建设提供数据支撑。

　　

马玉辉|王建民|张磊|任宏瑞

太原理工大学测绘与地理信息学院，中国太原 030024

摘要

内蒙古地区的生态状况受到自然过程和人为影响的共同作用。作为中国北部的关键生态屏障，对其植被动态进行详细监测至关重要。本研究利用Google Earth Engine平台上的随机森林分类器，制作了2023年内蒙古地区的10米分辨率植被地图。我们整合了Sentinel-2A/B影像、光谱指数（波段反射率和光谱指数）、地形数据（海拔、坡度和朝向）以及气候数据（年降水量和温度），将植被分为14个类型，其中将草原细分为五个不同的亚型：草甸草原（109660.1平方公里）、典型草原（199455.2平方公里）、沙漠草原（124556.5平方公里）、草原-沙漠（109407.2平方公里）和沙漠（144249.5平方公里）。这一细化填补了现有土地覆盖产品中的重要空白。分类的总体准确率为84.46%，Kappa系数为0.83，显示出与参考数据的高度一致性，并有效捕捉了内蒙古地区的植被分布特征；此外，在14个分类的植被类型中，针叶林、阔叶林、草甸草原、典型草原、草原-沙漠和沙漠显示出明显的地带性分布模式，这些模式与该地区的气候和地形梯度密切相关。本研究提供了最新的高分辨率内蒙古植被数据集和详细的面积统计信息，为促进内蒙古地区的可持续发展提供了关键数据支持，并为区域植被动态提供了宝贵的见解。

引言

覆盖地球表面特定区域的植物群落被称为植被。它是生态系统的一个基本组成部分，也是其健康和稳定性的重要指标。许多自然因素，包括气候、土壤、地形、动物群和水文条件，对其分布和演替有着重要影响。正如先前的研究（Jin等人，2020年；Dong等人，2020年；Li等人，2021年）所强调的，植被对于促进人类社会的长期可持续性至关重要。植被地图能够快速准确地识别和分类植被资源，从而增强分析和解释不同类型植被的能力。这些信息为科学评估生态系统演化、制定区域生态规划策略以及以科学的方式应对植被变化提供了关键基础（Zheng等人，2024年；Wang等人，2021年）。

植被制图方法经历了三个阶段：最初阶段主要依赖基础野外调查；过渡阶段结合了航空摄影和地面观测；现代阶段则通过整合多种遥感数据来提高植被分类和制图的准确性（植物研究所，1980年）。由于当时的技术限制，早期的植被地图主要依赖于前两种传统方法。尽管这些传统方法提供了高精度制图，并有效捕捉了植被的复杂细节，但它们的时间效率低且成本高昂，不适合大规模、长期的植被制图。随着遥感技术的发展，影像变得越来越多样化，空间分辨率也显著提高。遥感技术已被广泛用于土地覆盖监测和植被制图。同时，随着遥感技术的不断创新，机器学习技术也取得了显著进步——从依赖单时相、单源遥感数据集转向了多时相、多源信息的综合方法，从而提高了分类性能和制图可靠性。Solaimani等人（2024年）开发了新的混合模型来评估乌尔米亚湖流域的土地利用时空演变模式。与传统CA-Markov模型相比，混合模型在准确性方面表现更好。常见的分类算法包括决策树（DT）分类、支持向量机（SVM）分类和随机森林（RF）分类。Talukdar等人（2020年）使用Landsat影像评估了印度恒河沿岸六种主流机器学习分类器在土地覆盖分类中的性能，研究表明RF分类算法在所有评估指标上表现最佳。Gong等人（2019年）通过将RF分类算法应用于Sentinel-2影像，创建了首个达到10米分辨率的全球土地覆盖数据集FROM_GLC10。Sulla-Menashe等人（2019年）基于MODIS数据创建了2001-2018年的MCD12Q1全球年度500米分辨率土地覆盖产品，但其空间分辨率不足以满足区域或精细尺度分析的需求。Yang等人（2021年）通过整合Landsat遥感数据和地形变量，在Google Earth Engine中生成了中国1990-2019年的时间序列土地覆盖数据集，并应用RF算法进行分类。Pegah等人（2022年）通过整合Sentinel-2影像和光谱指数及纹理指标，为葡萄牙的Lous?地区生成了植被地图，Kappa系数达到89%。

内蒙古位于中国北部边境，具有狭长的形状、广阔的领土和丰富的植被类型多样性，是中国重要的生态屏障之一（Wu，2023年）。然而，该地区处于干旱和半干旱气候带。由于气候变异性和人为干扰，该地区的植被覆盖率呈下降趋势，生态环境日益脆弱，面临严重的生态退化挑战。这不仅影响生态完整性，也严重阻碍了当地社会经济的可持续发展（Huang等人，2024年；Li等人，2024年）。然而，Zhang（2007年）发布的植被地图（1:1000000比例尺）制作于较早时期，其中包含的植被信息与实际情况不符，无法准确反映当前的植被状况。为解决这一差距，内蒙古进行了多项基于遥感的土地利用和植被研究。Xu等人（2019年）利用多种机器学习模型和多源遥感数据集对内蒙古呼伦贝尔牧场的不同草原类型进行了分类。Guo等人（2023年）基于现有的植被分类数据和综合土地覆盖产品，完成了2005-2022年内蒙古阿霍林旗的长期植被地图。然而，现有的内蒙古植被地图存在一些局限性：一方面，它们的空间分辨率相对较低，未能充分考虑气候和地形对植被模式的综合影响；另一方面，根据内蒙古的植被分布特征，草原生态系统可以分为5个主要类型，而大多数现有土地覆盖产品将这些区域粗略地归类为草原。因此，创建最新的高分辨率植被地图，准确描绘内蒙古植被的具体分布特征尤为重要。与以往的研究相比，本研究引入了详细的分类系统，其中包括五个草原亚型，克服了现有产品的粗略分类限制。通过整合Sentinel-2影像和多源辅助数据，并利用最新数据，本研究为区域生态保护决策提供了可靠的支持。本研究的一个关键限制是在内蒙古某些地区难以获取地面调查数据，这可能会影响局部制图验证的准确性。

近年来，利用Sentinel-2卫星影像进行的高分辨率区域尺度植被制图已成为遥感应用的前沿。其在空间分辨率、时间分辨率和光谱范围方面的优势使得能够更精确地捕捉植被的时空变化。这克服了传统Landsat影像在精细识别方面的局限性。例如，虽然Shabani等人（2022年）捕捉到了宏观层面的土地利用变化，但他们的发现受到较低分辨率的限制。为了充分发挥高分辨率数据的潜力，Zhou等人（2023年）利用Sentinel-2时间序列数据在青藏高原实现了10米分辨率的植被制图，总体准确率为89.5%，这凸显了高分辨率影像在高度异质区域的有效性。

因此，本研究旨在基于GEE云平台，整合多源数据（包括Sentinel-2遥感影像、地形数据、气候数据、野外调查数据和其他土地覆盖产品），使用RF分类模型对2023年内蒙古自治区的植被类型进行详细分类，生成空间分辨率为10米的植被分布图。通过构建高精度的植被分类结果，本研究旨在为深入理解内蒙古植被的空间分布模式、生态系统结构特征和动态变化提供数据支持，并为区域农业资源管理和生态安全屏障的建设提供空间信息支持。

具体研究目标如下：（1）建立适用于内蒙古的精细植被分类系统，定义五种核心草原亚型的标准：草甸草原、典型草原、沙漠草原、草原-沙漠和沙漠；（2）利用GEE平台整合Sentinel-2遥感影像、地形和气候数据，构建全省范围内的植被分类数据集；（3）运用RF模型实现2023年内蒙古自治区10米分辨率的精细植被分类，从而提高区域分类准确性；（4）验证分类准确性，并生成2023年内蒙古的10米分辨率植被分布图；（5）为分析内蒙古植被分布模式和制定生态保护与恢复决策提供基础数据支持。

研究区域

内蒙古位于中国北部边境地区（图1），地理坐标范围为东经126°04′至97°12′，北纬37°24′至53°23′。平均海拔约为1000米，面积达118.3万平方公里，占中国总面积的约12.3%，是中国第三大的省级行政单位（Ding等人，2020年）。地形从东北向西南倾斜，年平均气温在-5至10°C之间。

植被分类系统

作为欧亚草原的重要组成部分，内蒙古的草原地区具有重要的生态和地理意义。这片广阔的草原面积约为7.88×10^5平方公里（Yang等人，2019年），占整个内蒙古自治区的46%。作为该地区的代表性植被类型，现有的土地覆盖产品仅提供了对其的粗略分类。本研究采用了所概述的分类系统。

特征优化结果

本研究通过结合袋外误差分析和特征重要性评估，对167个初始特征进行了优化和筛选。如图5中的袋外误差曲线结果所示，当特征数量从1增加到17时，模型的袋外（OOB）误差逐渐降低，最终降至0.18，表明累积的特征信息增强了分类模型的区分能力。然而，当特征数量超过17个时……

讨论

许多植被制图研究表明，不同尺度下的制图结果准确性存在显著差异。在大陆尺度上，植被地图通常采用综合分类系统；但由于覆盖范围广、环境异质性强和植被类型复杂，其准确性往往较低（Bartholomé等人，2005年；Sulla-Menashe等人，2019年）。在国家和省级尺度上，准确性主要由……决定

结论

本研究综合使用了高分辨率遥感影像数据、气候和地形辅助数据，构建了167个特征集。特征选择采用了平均杂质减少与袋外误差相结合的方法。在GEE平台上运用RF算法，完成了2023年内蒙古自治区10米空间分辨率的精细植被制图。主要结论如下：

(1) 地形和……

未引用的参考文献

Bartholomé和Belward，2005年；中国科学院植物研究所，1980年；Liu和Ren，2022年；Pegah等人，2022年；Shoko和Mutanga，2017年；Solaimani和Darvishi，2024年；Talukdar等人，2020年；Yang和Huang，2021年。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。