基于多光谱无人机及机器学习的林木火灾受损信息提取研究1.0-电子发烧友网

一、引言

森林扰动在维持生物群落多样性及其稳定性等方面意义重大，是森林生态系统演替的关键过程。

林火干扰作为森林扰动的重要方式之一，可影响碳分布格局及群落演替。在森林灾害研究中对林火干扰程度，即林木受损程度信息精确获取对于火灾评估及生态修复等具有重要作用，也是现代林火管理的重要内容。传统的火灾林木受损信息获取是以野外样地勘察为基础，不仅成本高、工作量大，且难以精确获取空间信息。

近年来，低空遥感技术为中小区域森林火灾调查评估提供了新手段，无人机遥感因地面清晰度高、现势性好和机动灵活等优点，被逐渐应用于林火研究领域中，随着多源卫星遥感影像的应用，为大区域森林火灾研究提供了重要基础，众多学者也证明，探究其用于精确提取林木火灾受损信息是值得进一步研究的。

二、研究区概况与数据

2.1 研究区概况

以云南省安宁市青龙街道双湄村森林火灾为研究对象，安宁市介于24°31'N～25°06'N，102°10'E～102°37'E之间，属北亚热带季风气候，常年平均气温16．3℃，年均降水量912．2mm。地形险峻，高山低谷交错，具有丰富的磷矿资源，属于滇中主要城市群，经济发展水平较高，人为活动频度大。森林类型为针阔混交林，主要优势树种为云南松，并伴有华山松等其它乔木。由于特殊的自然地理环境及社会经济条件，使得该区域成为全国火灾的高发与严重地区，历年火灾频发，1986年“3·28安宁火灾”及2006年“3·29森林火灾”重大火案发生于此，该区域森林火灾研究备受关注。

2.2林木受损程度分类样本获取

通过大疆无人机携带高光谱相机，在获取研究区无人机影像的同时进行现场调查。结合DB23/T1376—2010《森林火灾林木受害程度判定》确定烧毁木、烧死木、烧伤木和未伤木典型样本，并叠加无人机影像，建立不同受损程度林木影像目视解译标志和分类体系。通过分析，将研究区地物主要分为烧毁木、烧死木、烧伤木、未伤木和道路5个类别，并以目视解译增加典型地物选取样本，以不同代表性像素类别所处位置表示地物类型。根据相关文献确定样本像元数在0．5%～1．0%间可实现地类的精确识别，故选取未伤木样本53176个像元，烧伤木样本38493个像元，烧死木样本40729个像元，烧毁木样本43921个像元，道路样本50795个像元，样本数量占影像的1．0%，其中70%用于影像分类，30%用于精度验证。

图 1 研究区正射影像

三、研究方法

3.1 受损林木光谱特征提取

多光谱无人机影像数据具有监测叶绿素含量的红边及近红外波段，可有效地识别林木受损信息。以此为基础构建植被指数，增强植被结构特性及空间变化，加强地物可区分性。采用4种与森林火灾高度相关的植被指数识别林木受损信息，即归一化差值植被指数NDVI，归一化差值红边植被指数(NDVI)，改进红边比值植被指数(SＲ)和植被衰减指数(PSＲI)，计算公式如表1所示。

表 1 植被指数表

分离指数可衡量各植被指数区分地物与其他地物的能力，常在植被指数分离性评估中体现，即

式中:M为分离指数;μb和σb分别为地物样本像元的均值和标准差;μμb和σμb分别为其他地物样本像元的均值和标准差。M值越大，植被指数区分地物与其他地物的能力越强;M≥1说明区分度较好，M＜1说明区分度较差。

3.2 受损林木纹理特征提取

纹理特征反映各地物表面排列随机性和空间分布信息，结合植被指数特征提取林木受损信息具有较好效果。灰度共生矩阵(GLCM)是采用灰度空间相关性纹理的方法，窗口大小、步长和方向对纹理特征提取至关重要。对比3×3至25×25窗口提取的纹理特征，确定最佳窗口，在此基础上，设置步长为1、2、3，方向为0°、45°、90°和135°。经试验，确定窗口大小为19×19、步长为3，方向为45°，提取统计量效果最优的8种纹理特征并求出均值，使用软件对相关性高的(＞0．9)纹理特征剔除。

3.3 分类方法

支持向量机由VAPNIK提出，以统计学为基础构建的机器学习算法。鉴于实际数据是非线性分布，需定义合适的核函数将样本空间转变为高维度空间，基于支持向量建立最优决策平面，降维后提供一条明晰的非线性决策界限，如图3所示。

图 3 基于核函数的非线性 SVM 分类器示意图

研究采用径向基核函数，可以确保各样本间隔最大化，只需少量样本就能取得较好的分类效果。函数表达式为

式中:xi和xj分别为非线性映射后样本;σ为常数。随机森林是若干个决策树组成的一种机器学习算法，是BＲEIMAN基于Bagging理论在2001年提出的。样本数据输入每株决策树，大量决策树采用投票形式得出最终结果，如图4所示。

图 4 随机森林示意图

相比上述方法，该方法分类结果精度更高且更易阐明。在实际数据建模中有很好的性能支持，对噪声和异常值有较好的包容性。

3.4 精度验证

为评估多光谱无人机在灾后林木受损信息提取研究中的可行性，利用目视解译方法结合样地实地调查，生成林木受损类别分布图并建立混淆矩阵。研究选择总体精度(OA)和Kappa系数反映整体分类效果;生产者精度PA)表示参考数据和分类图中相同地物处于同一类别的几率;用户精度(UA)指某一类别的正确分类数与此类别总数之比，F统计值用来评价单个地类的分类精度。计算公式如下:

式中:N为像元总数;xii为类别在矩阵主对角线上的值;k为类别总数;xi+和x+i分别为矩阵不同行列的和;PAi指类别i的生产者精度;UAi指类别i的用户精度。

四、结果与分析

4.1 受损林木光谱特征

统计林木受损类型样本在多光谱无人机影像各波段的均值并绘制光谱曲线，如图5所示。

图 5 不同地类光谱曲线

由图可知，道路在可见光波段反射率较高，烧毁木、烧死木、烧伤木和未伤木在ＲGB波段的吸收能力较强。因此，在可见光范围内道路与其他地类区分度较大，不易混淆;未伤木与烧伤木相比于烧死木和烧毁木对可见光的反射率较高，且反射率值接近，从红波段到近红外范围内(690～740nm)反射率迅速升高，红边效应明显;烧死木和烧毁木在近红外区域区分较为明显。表明各地类在红边和近红外范围内具有较好的区分度，以此为基础，建立植被指数和纹理特征可增强植被健康状态的识别和有效削弱影像中异物同谱现象的干扰。

表 2 典型地物类别植被指数特征统计

分析用于植被健康监测的4种植被指数特征，如表2所示。由表可知，PSＲI值增大标识树木冠层胁迫增加，未伤木PSＲI值最小仅为0．004，随着林木受损程度加剧，PSＲI值逐渐增加，烧毁木的值为0．287，其中道路PSＲI值最大为0．381;对于mSＲrededge未伤木最大，为0．964，烧毁木的值最小仅为0．345，与道路的mSＲrededge值(0．353)较为接近，区分度不大，易混淆。NDVIrededge对叶冠层的微小变化、林窗断敏感，未伤木的NDVIrededge值为0．14，烧毁木仅为0．002。而NDVI指标，其值随着灾后林木受损严重程度的加大，呈现逐渐减小的趋势。未伤木的NDVI值为0．716，烧毁木的NDVI值为0．125。而正常植被的NDVI、NDVIrededge、mSＲrededge值均较高而PSＲI值较低，易与道路、烧毁木区分。

图 6 典型地物分离指数

统计影像各地物样本间植被指数的平均值和方差，计算分离指数M，如图6所示。由图可知，依据植被指数分离能力而言，火灾后的NDVI对道路－烧毁木和烧伤木－烧死木的分离性较差，分离指数均小于1，容易造成混分;mSＲrededge对道路－烧毁木和烧伤木－未伤木的分离性较差，分离指数同样小于1，容易出现误判现象;NDVI和mSＲrededge只有2种对应地物的M＜1明显优于NDVIrededge和PSＲI，PSＲI的M≥1的最少，区分各地物的能力最弱;而NDVIrededge对各地物的区分能力仅好于PSＲI。根据各地物的M可知，道路－烧伤木、道路－烧死木、道路－未伤木、烧毁木－未伤木和烧死木－未伤木的分离指数均大于1，利用任何一种植被指数都能明显区分。因此，最终保留NDVI、mSＲrededge和NDVIrededge这3种植被指数进行模型建立。

4.2 受损林木纹理特征

采用软件对各类地物纹理特征进行相关性分析，如表3所示。

表 3 纹理特征相关性分析

由表可知，同质性分别与标准差、对比度、非相似性、熵和角二阶矩5种纹理特征的相关性高于0．9，因此，将同质性剔除;在其余的纹理特征中非相似性分别与标准差、对比度和熵3种纹理特征高度相关(＞0．9)，同理将非相似性剔除;熵和标准差分别与角二阶矩和对比度相关度高，根据其余纹理特征之间的相关系数判定，最终选取均值、对比度、二阶矩和相关性4项之间不具备高度相关的纹理特征进行模型构建。

续~~

搜索历史

基于多光谱无人机及机器学习的林木火灾受损信息提取研究1.0

评论