一、引言

森林?jǐn)_動(dòng)在維持生物群落多樣性及其穩(wěn)定性等方面意義重大，是森林生態(tài)系統(tǒng)演替的關(guān)鍵過(guò)程。

林火干擾作為森林?jǐn)_動(dòng)的重要方式之一，可影響碳分布格局及群落演替。在森林災(zāi)害研究中對(duì)林火干擾程度，即林木受損程度信息精確獲取對(duì)于火災(zāi)評(píng)估及生態(tài)修復(fù)等具有重要作用，也是現(xiàn)代林火管理的重要內(nèi)容。傳統(tǒng)的火災(zāi)林木受損信息獲取是以野外樣地勘察為基礎(chǔ)，不僅成本高、工作量大，且難以精確獲取空間信息。

近年來(lái)，低空遙感技術(shù)為中小區(qū)域森林火災(zāi)調(diào)查評(píng)估提供了新手段，無(wú)人機(jī)遙感因地面清晰度高、現(xiàn)勢(shì)性好和機(jī)動(dòng)靈活等優(yōu)點(diǎn)，被逐漸應(yīng)用于林火研究領(lǐng)域中，隨著多源衛(wèi)星遙感影像的應(yīng)用，為大區(qū)域森林火災(zāi)研究提供了重要基礎(chǔ)，眾多學(xué)者也證明，探究其用于精確提取林木火災(zāi)受損信息是值得進(jìn)一步研究的。

二、研究區(qū)概況與數(shù)據(jù)

2.1 研究區(qū)概況

以云南省安寧市青龍街道雙湄村森林火災(zāi)為研究對(duì)象，安寧市介于24°31'N～25°06'N，102°10'E～102°37'E之間，屬北亞熱帶季風(fēng)氣候，常年平均氣溫16．3℃，年均降水量912．2mm。地形險(xiǎn)峻，高山低谷交錯(cuò)，具有豐富的磷礦資源，屬于滇中主要城市群，經(jīng)濟(jì)發(fā)展水平較高，人為活動(dòng)頻度大。森林類(lèi)型為針闊混交林，主要優(yōu)勢(shì)樹(shù)種為云南松，并伴有華山松等其它喬木。由于特殊的自然地理環(huán)境及社會(huì)經(jīng)濟(jì)條件，使得該區(qū)域成為全國(guó)火災(zāi)的高發(fā)與嚴(yán)重地區(qū)，歷年火災(zāi)頻發(fā)，1986年“3·28安寧火災(zāi)”及2006年“3·29森林火災(zāi)”重大火案發(fā)生于此，該區(qū)域森林火災(zāi)研究備受關(guān)注。

2.2林木受損程度分類(lèi)樣本獲取

通過(guò)大疆無(wú)人機(jī)攜帶高光譜相機(jī)，在獲取研究區(qū)無(wú)人機(jī)影像的同時(shí)進(jìn)行現(xiàn)場(chǎng)調(diào)查。結(jié)合DB23/T1376—2010《森林火災(zāi)林木受害程度判定》確定燒毀木、燒死木、燒傷木和未傷木典型樣本，并疊加無(wú)人機(jī)影像，建立不同受損程度林木影像目視解譯標(biāo)志和分類(lèi)體系。通過(guò)分析，將研究區(qū)地物主要分為燒毀木、燒死木、燒傷木、未傷木和道路5個(gè)類(lèi)別，并以目視解譯增加典型地物選取樣本，以不同代表性像素類(lèi)別所處位置表示地物類(lèi)型。根據(jù)相關(guān)文獻(xiàn)確定樣本像元數(shù)在0．5%～1．0%間可實(shí)現(xiàn)地類(lèi)的精確識(shí)別，故選取未傷木樣本53176個(gè)像元，燒傷木樣本38493個(gè)像元，燒死木樣本40729個(gè)像元，燒毀木樣本43921個(gè)像元，道路樣本50795個(gè)像元，樣本數(shù)量占影像的1．0%，其中70%用于影像分類(lèi)，30%用于精度驗(yàn)證。

圖 1 研究區(qū)正射影像

三、研究方法

3.1 受損林木光譜特征提取

多光譜無(wú)人機(jī)影像數(shù)據(jù)具有監(jiān)測(cè)葉綠素含量的紅邊及近紅外波段，可有效地識(shí)別林木受損信息。以此為基礎(chǔ)構(gòu)建植被指數(shù)，增強(qiáng)植被結(jié)構(gòu)特性及空間變化，加強(qiáng)地物可區(qū)分性。采用4種與森林火災(zāi)高度相關(guān)的植被指數(shù)識(shí)別林木受損信息，即歸一化差值植被指數(shù)NDVI，歸一化差值紅邊植被指數(shù)(NDVI)，改進(jìn)紅邊比值植被指數(shù)(SＲ)和植被衰減指數(shù)(PSＲI)，計(jì)算公式如表1所示。

表 1 植被指數(shù)表

分離指數(shù)可衡量各植被指數(shù)區(qū)分地物與其他地物的能力，常在植被指數(shù)分離性評(píng)估中體現(xiàn)，即

式中:M為分離指數(shù);μb和σb分別為地物樣本像元的均值和標(biāo)準(zhǔn)差;μμb和σμb分別為其他地物樣本像元的均值和標(biāo)準(zhǔn)差。M值越大，植被指數(shù)區(qū)分地物與其他地物的能力越強(qiáng);M≥1說(shuō)明區(qū)分度較好，M＜1說(shuō)明區(qū)分度較差。

3.2 受損林木紋理特征提取

紋理特征反映各地物表面排列隨機(jī)性和空間分布信息，結(jié)合植被指數(shù)特征提取林木受損信息具有較好效果?；叶裙采仃?GLCM)是采用灰度空間相關(guān)性紋理的方法，窗口大小、步長(zhǎng)和方向?qū)y理特征提取至關(guān)重要。對(duì)比3×3至25×25窗口提取的紋理特征，確定最佳窗口，在此基礎(chǔ)上，設(shè)置步長(zhǎng)為1、2、3，方向?yàn)?°、45°、90°和135°。經(jīng)試驗(yàn)，確定窗口大小為19×19、步長(zhǎng)為3，方向?yàn)?5°，提取統(tǒng)計(jì)量效果最優(yōu)的8種紋理特征并求出均值，使用軟件對(duì)相關(guān)性高的(＞0．9)紋理特征剔除。

3.3 分類(lèi)方法

支持向量機(jī)由VAPNIK提出，以統(tǒng)計(jì)學(xué)為基礎(chǔ)構(gòu)建的機(jī)器學(xué)習(xí)算法。鑒于實(shí)際數(shù)據(jù)是非線(xiàn)性分布，需定義合適的核函數(shù)將樣本空間轉(zhuǎn)變?yōu)楦呔S度空間，基于支持向量建立最優(yōu)決策平面，降維后提供一條明晰的非線(xiàn)性決策界限，如圖3所示。

圖 3 基于核函數(shù)的非線(xiàn)性 SVM 分類(lèi)器示意圖

研究采用徑向基核函數(shù)，可以確保各樣本間隔最大化，只需少量樣本就能取得較好的分類(lèi)效果。函數(shù)表達(dá)式為

式中:xi和xj分別為非線(xiàn)性映射后樣本;σ為常數(shù)。隨機(jī)森林是若干個(gè)決策樹(shù)組成的一種機(jī)器學(xué)習(xí)算法，是BＲEIMAN基于Bagging理論在2001年提出的。樣本數(shù)據(jù)輸入每株決策樹(shù)，大量決策樹(shù)采用投票形式得出最終結(jié)果，如圖4所示。

圖 4 隨機(jī)森林示意圖

相比上述方法，該方法分類(lèi)結(jié)果精度更高且更易闡明。在實(shí)際數(shù)據(jù)建模中有很好的性能支持，對(duì)噪聲和異常值有較好的包容性。

3.4 精度驗(yàn)證

為評(píng)估多光譜無(wú)人機(jī)在災(zāi)后林木受損信息提取研究中的可行性，利用目視解譯方法結(jié)合樣地實(shí)地調(diào)查，生成林木受損類(lèi)別分布圖并建立混淆矩陣。研究選擇總體精度(OA)和Kappa系數(shù)反映整體分類(lèi)效果;生產(chǎn)者精度PA)表示參考數(shù)據(jù)和分類(lèi)圖中相同地物處于同一類(lèi)別的幾率;用戶(hù)精度(UA)指某一類(lèi)別的正確分類(lèi)數(shù)與此類(lèi)別總數(shù)之比，F(xiàn)統(tǒng)計(jì)值用來(lái)評(píng)價(jià)單個(gè)地類(lèi)的分類(lèi)精度。計(jì)算公式如下:

式中:N為像元總數(shù);xii為類(lèi)別在矩陣主對(duì)角線(xiàn)上的值;k為類(lèi)別總數(shù);xi+和x+i分別為矩陣不同行列的和;PAi指類(lèi)別i的生產(chǎn)者精度;UAi指類(lèi)別i的用戶(hù)精度。

四、結(jié)果與分析

4.1 受損林木光譜特征

統(tǒng)計(jì)林木受損類(lèi)型樣本在多光譜無(wú)人機(jī)影像各波段的均值并繪制光譜曲線(xiàn)，如圖5所示。

圖 5 不同地類(lèi)光譜曲線(xiàn)

由圖可知，道路在可見(jiàn)光波段反射率較高，燒毀木、燒死木、燒傷木和未傷木在ＲGB波段的吸收能力較強(qiáng)。因此，在可見(jiàn)光范圍內(nèi)道路與其他地類(lèi)區(qū)分度較大，不易混淆;未傷木與燒傷木相比于燒死木和燒毀木對(duì)可見(jiàn)光的反射率較高，且反射率值接近，從紅波段到近紅外范圍內(nèi)(690～740nm)反射率迅速升高，紅邊效應(yīng)明顯;燒死木和燒毀木在近紅外區(qū)域區(qū)分較為明顯。表明各地類(lèi)在紅邊和近紅外范圍內(nèi)具有較好的區(qū)分度，以此為基礎(chǔ)，建立植被指數(shù)和紋理特征可增強(qiáng)植被健康狀態(tài)的識(shí)別和有效削弱影像中異物同譜現(xiàn)象的干擾。

表 2 典型地物類(lèi)別植被指數(shù)特征統(tǒng)計(jì)

分析用于植被健康監(jiān)測(cè)的4種植被指數(shù)特征，如表2所示。由表可知，PSＲI值增大標(biāo)識(shí)樹(shù)木冠層脅迫增加，未傷木PSＲI值最小僅為0．004，隨著林木受損程度加劇，PSＲI值逐漸增加，燒毀木的值為0．287，其中道路PSＲI值最大為0．381;對(duì)于mSＲrededge未傷木最大，為0．964，燒毀木的值最小僅為0．345，與道路的mSＲrededge值(0．353)較為接近，區(qū)分度不大，易混淆。NDVIrededge對(duì)葉冠層的微小變化、林窗斷敏感，未傷木的NDVIrededge值為0．14，燒毀木僅為0．002。而NDVI指標(biāo)，其值隨著災(zāi)后林木受損嚴(yán)重程度的加大，呈現(xiàn)逐漸減小的趨勢(shì)。未傷木的NDVI值為0．716，燒毀木的NDVI值為0．125。而正常植被的NDVI、NDVIrededge、mSＲrededge值均較高而PSＲI值較低，易與道路、燒毀木區(qū)分。

圖 6 典型地物分離指數(shù)

統(tǒng)計(jì)影像各地物樣本間植被指數(shù)的平均值和方差，計(jì)算分離指數(shù)M，如圖6所示。由圖可知，依據(jù)植被指數(shù)分離能力而言，火災(zāi)后的NDVI對(duì)道路－燒毀木和燒傷木－燒死木的分離性較差，分離指數(shù)均小于1，容易造成混分;mSＲrededge對(duì)道路－燒毀木和燒傷木－未傷木的分離性較差，分離指數(shù)同樣小于1，容易出現(xiàn)誤判現(xiàn)象;NDVI和mSＲrededge只有2種對(duì)應(yīng)地物的M＜1明顯優(yōu)于NDVIrededge和PSＲI，PSＲI的M≥1的最少，區(qū)分各地物的能力最弱;而NDVIrededge對(duì)各地物的區(qū)分能力僅好于PSＲI。根據(jù)各地物的M可知，道路－燒傷木、道路－燒死木、道路－未傷木、燒毀木－未傷木和燒死木－未傷木的分離指數(shù)均大于1，利用任何一種植被指數(shù)都能明顯區(qū)分。因此，最終保留NDVI、mSＲrededge和NDVIrededge這3種植被指數(shù)進(jìn)行模型建立。

4.2 受損林木紋理特征

采用軟件對(duì)各類(lèi)地物紋理特征進(jìn)行相關(guān)性分析，如表3所示。

表 3 紋理特征相關(guān)性分析

由表可知，同質(zhì)性分別與標(biāo)準(zhǔn)差、對(duì)比度、非相似性、熵和角二階矩5種紋理特征的相關(guān)性高于0．9，因此，將同質(zhì)性剔除;在其余的紋理特征中非相似性分別與標(biāo)準(zhǔn)差、對(duì)比度和熵3種紋理特征高度相關(guān)(＞0．9)，同理將非相似性剔除;熵和標(biāo)準(zhǔn)差分別與角二階矩和對(duì)比度相關(guān)度高，根據(jù)其余紋理特征之間的相關(guān)系數(shù)判定，最終選取均值、對(duì)比度、二階矩和相關(guān)性4項(xiàng)之間不具備高度相關(guān)的紋理特征進(jìn)行模型構(gòu)建。

續(xù)~~

推薦：

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專(zhuān)門(mén)用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢(shì)具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性?xún)r(jià)比特點(diǎn)采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學(xué)設(shè)計(jì)，物鏡接口為標(biāo)準(zhǔn)C-Mount，可根據(jù)用戶(hù)需求更換物鏡。

審核編輯 黃宇