續(xù)~

4.3 林木火災(zāi)受損信息提取

研究共選擇多光譜影像的5個單波段、3種植被指數(shù)和20個紋理特征(5個波段的均值、對比度、二階矩和相關(guān)性)，共28個影像特征，構(gòu)建ＲF和SVM模型分析林木受損空間分布格局，如圖7所示。

圖 7 分類結(jié)果圖

均可清晰地看出火災(zāi)后林木不同程度的受損分布，未傷木斑塊較完整，水泥路提取較為清晰。其中，燒毀木區(qū)域(右下紅圈)分類結(jié)果圖對比可知，2種分類方法均存在局部燒毀木錯分成道路的情況，但ＲF結(jié)果圖中燒毀木提取效果明顯優(yōu)于SVM;由未傷木區(qū)域(左上紅圈)分類結(jié)果圖對比可知，SVM分類器將樹冠間含有的小面積陰影部分誤判為燒傷木，ＲF分類器能夠把相同位置陰影部分所屬類別正確探測出來使用OA、Kappa系數(shù)、PA、UA和F值定量評價2種分類方法，如表4所示。

表 4 分類結(jié)果精度比較

由表中整體分類效果可知，ＲF分類器總精度高于SVM，對林木受損程度識別總精度為89．76%，Kappa系數(shù)為0．85，相比于SVM，總體精度提升4．41%，Kappa系數(shù)提高6．25%。在單個林木受害程度類型分類精度上，SVM分類結(jié)果中道路和未傷木錯分、漏分情況均低于15%，其中道路分類精度為89．93%，未傷木分類精度高98．40%。相比于其它林木受害類型，燒死木漏分情況和燒毀木錯分情況較為嚴(yán)重，分別38．17%31．09%。同等條件下，ＲF對各受損程度類型的漏分、錯分和分類精度均有所改善，燒死木漏分率和燒毀木錯分率分別降低了19．54%和5．47%，未傷木分類精度提高了0．92%，燒傷木漏分情況顯著降低了59．27%?？傮w來說，本研究對于林木受損信息提取，采用ＲF模型的分類精度明顯優(yōu)于SVM模型，但對于面積小且分散的樹林陰影和道路陰影，存在提取效果相對較差的情況。

五、討論與結(jié)論

5.1 討論

本研究采用光譜信息較為豐富的多光譜無人機影像數(shù)據(jù)，其含有ＲGB三波段及對植被健康狀況敏感的紅邊波段和近紅外波段。同時，采用機器學(xué)習(xí)算法中的SVM和ＲF綜合植被指數(shù)、紋理特征和光譜特征等，實現(xiàn)了災(zāi)后林木受損程度劃分。研究表明該方法對提高森林火災(zāi)調(diào)查精度和效率具有一定的可行性。通過分析研究方法和結(jié)果，發(fā)現(xiàn)影響火災(zāi)災(zāi)后林木受損信息提取的成因有以下幾個方面:

1)遙感影像數(shù)據(jù)的獲取。衛(wèi)星遙感影像在森林火災(zāi)研究中能夠?qū)崟r監(jiān)測大范圍火災(zāi)情況及大尺度火場信息提取，由于衛(wèi)星影像的時效性，難以及時獲取火災(zāi)后火燒跡地影像而影響林木受損信息的客觀提取?？梢姽鉄o人機相對衛(wèi)星遙感具有操作簡便、空間分辨率高和成本低等優(yōu)勢，便于實時勘察中小尺度火場，同時能有效識別不同受損程度林木在過火區(qū)域的分布格局。而多光譜無人機影像較可見光無人機，增加了對植被健康狀況敏感的紅邊和近紅外波段，可提高不同受損程度林木的識別精度。

2)遙感影像特征選取。不同受損程度的林木在紅邊波段和近紅外波段范圍內(nèi)反射率差異較大。研究結(jié)果與劉倩等基于高分六號衛(wèi)星影像數(shù)據(jù)的近紅外和紅邊波段對過火區(qū)域區(qū)分度較高的結(jié)論基本一致。文中采用紅邊及近紅外波段構(gòu)建植被指數(shù)對火災(zāi)后林木受損信息提取與黃建文等提取植被指數(shù)的思路較吻合。研究在利用植被指數(shù)認(rèn)別火燒跡地的基礎(chǔ)上，增加了不同受損林木紋理特征，有效抑制了“同譜異物，同物異譜”現(xiàn)象的影響，有助于不同受損程度林木的識別。

3)不同受損程度的林木提取效果。研究利用含有紅邊及近紅外多光譜無人機影像數(shù)據(jù)，選用非參數(shù)機器學(xué)習(xí)方法，ＲF和SVM分類器，模型參數(shù)較為復(fù)雜，但比傳統(tǒng)分類的精度高。

雖然利用多光譜無人機可較精確提取不同林木火災(zāi)受損程度信息，但更高精度與實踐可行的信息提取方法值得深入研究。一方面，深度學(xué)習(xí)方法的運用，如卷積神經(jīng)網(wǎng)絡(luò)、全連接神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)等，是否能提高林木火災(zāi)受損信息提取精度值得探索。另一方面，研究區(qū)道路是由水泥路和土路共同組成，土路因周邊燒毀林木灰燼覆蓋和浸染而呈焦黑色，從而在目視解譯樣本中可能存在誤判，將成林燒毀木誤判為道路，從而影響識別精度。

此外，研究提出的方法適用于中小區(qū)域尺度的樹冠火及地表火造成的林木樹干、樹冠的受損信息提取，對國家林業(yè)行業(yè)標(biāo)準(zhǔn)中林木受損信息評估的替代具有一定的可行性。但針對大面積森林火災(zāi)的林木受損程度調(diào)查而言，可綜合多光譜無人機數(shù)據(jù)與衛(wèi)星影像數(shù)據(jù)，采用多光譜無人機獲取高地面分辨率影像數(shù)據(jù)作為點尺度上的調(diào)查，多光譜衛(wèi)星影像獲取大尺度火場信息，以點、面結(jié)合方式實現(xiàn)大面積森林火災(zāi)林木受損信息提取。

5.2 結(jié)論

本文基于多光譜無人機影像數(shù)據(jù)，以火災(zāi)后受損狀況不同的林木為研究對象，結(jié)合單波段光譜信息、植被指數(shù)和紋理特征，使用SVM和ＲF進(jìn)行對比研究，主要結(jié)論如下:

1)通過分析受損林木光譜特征得出，在紅邊及近紅外波段區(qū)域內(nèi)各地類的反射率差異較大，在此基礎(chǔ)上構(gòu)建的植被指數(shù)區(qū)分能力不同，NDVI和mSＲrededge為研究區(qū)分離不同受損程度林木的最好植被指數(shù)，NDVIrededge的分離性次之，而PSＲI區(qū)分能力較弱。

2)綜合5個單波段特征、3個植被指數(shù)和20個紋理特征的林木受損程度提取方法中，ＲF分類器的分類結(jié)果明顯比SVM分類器的效果好，其中ＲF分類器的總體精度和Kappa系數(shù)分別89．76%和0．85。

3)無人機具有地面分辨率高、操作靈活等特點，可快速獲取過火區(qū)域的高空間分辨率影像，與傳統(tǒng)調(diào)查方法相比，使用多光譜無人機進(jìn)行小范圍典型森林火災(zāi)區(qū)域林木受損程度信息提取效率更高，是對大區(qū)域森林火災(zāi)受損信息提取的補充。對火燒跡地研究和森林火災(zāi)的監(jiān)測影像識別等具有重要參考價值。

推薦：

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專門用于公安刑偵、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)勢具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價比特點采用了透射光柵內(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，物鏡接口為標(biāo)準(zhǔn)C-Mount，可根據(jù)用戶需求更換物鏡。

審核編輯 黃宇