一、引言

森林擾動在維持生物群落多樣性及其穩定性等方面意義重大，是森林生態系統演替的關鍵過程。

林火干擾作為森林擾動的重要方式之一，可影響碳分布格局及群落演替。在森林災害研究中對林火干擾程度，即林木受損程度信息精確獲取對于火災評估及生態修復等具有重要作用，也是現代林火管理的重要內容。傳統的火災林木受損信息獲取是以野外樣地勘察為基礎，不僅成本高、工作量大，且難以精確獲取空間信息。

近年來，低空遙感技術為中小區域森林火災調查評估提供了新手段，無人機遙感因地面清晰度高、現勢性好和機動靈活等優點，被逐漸應用于林火研究領域中，隨著多源衛星遙感影像的應用，為大區域森林火災研究提供了重要基礎，眾多學者也證明，探究其用于精確提取林木火災受損信息是值得進一步研究的。

二、研究區概況與數據

2.1 研究區概況

以云南省安寧市青龍街道雙湄村森林火災為研究對象，安寧市介于24°31'N～25°06'N，102°10'E～102°37'E之間，屬北亞熱帶季風氣候，常年平均氣溫16．3℃，年均降水量912．2mm。地形險峻，高山低谷交錯，具有豐富的磷礦資源，屬于滇中主要城市群，經濟發展水平較高，人為活動頻度大。森林類型為針闊混交林，主要優勢樹種為云南松，并伴有華山松等其它喬木。由于特殊的自然地理環境及社會經濟條件，使得該區域成為全國火災的高發與嚴重地區，歷年火災頻發，1986年“3·28安寧火災”及2006年“3·29森林火災”重大火案發生于此，該區域森林火災研究備受關注。

2.2林木受損程度分類樣本獲取

通過大疆無人機攜帶高光譜相機，在獲取研究區無人機影像的同時進行現場調查。結合DB23/T1376—2010《森林火災林木受害程度判定》確定燒毀木、燒死木、燒傷木和未傷木典型樣本，并疊加無人機影像，建立不同受損程度林木影像目視解譯標志和分類體系。通過分析，將研究區地物主要分為燒毀木、燒死木、燒傷木、未傷木和道路5個類別，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別所處位置表示地物類型。根據相關文獻確定樣本像元數在0．5%～1．0%間可實現地類的精確識別，故選取未傷木樣本53176個像元，燒傷木樣本38493個像元，燒死木樣本40729個像元，燒毀木樣本43921個像元，道路樣本50795個像元，樣本數量占影像的1．0%，其中70%用于影像分類，30%用于精度驗證。

圖 1 研究區正射影像

三、研究方法

3.1 受損林木光譜特征提取

多光譜無人機影像數據具有監測葉綠素含量的紅邊及近紅外波段，可有效地識別林木受損信息。以此為基礎構建植被指數，增強植被結構特性及空間變化，加強地物可區分性。采用4種與森林火災高度相關的植被指數識別林木受損信息，即歸一化差值植被指數NDVI，歸一化差值紅邊植被指數(NDVI)，改進紅邊比值植被指數(SＲ)和植被衰減指數(PSＲI)，計算公式如表1所示。

表 1 植被指數表

分離指數可衡量各植被指數區分地物與其他地物的能力，常在植被指數分離性評估中體現，即

式中:M為分離指數;μb和σb分別為地物樣本像元的均值和標準差;μμb和σμb分別為其他地物樣本像元的均值和標準差。M值越大，植被指數區分地物與其他地物的能力越強;M≥1說明區分度較好，M＜1說明區分度較差。

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性和空間分布信息，結合植被指數特征提取林木受損信息具有較好效果。灰度共生矩陣(GLCM)是采用灰度空間相關性紋理的方法，窗口大小、步長和方向對紋理特征提取至關重要。對比3×3至25×25窗口提取的紋理特征，確定最佳窗口，在此基礎上，設置步長為1、2、3，方向為0°、45°、90°和135°。經試驗，確定窗口大小為19×19、步長為3，方向為45°，提取統計量效果最優的8種紋理特征并求出均值，使用軟件對相關性高的(＞0．9)紋理特征剔除。

3.3 分類方法

支持向量機由VAPNIK提出，以統計學為基礎構建的機器學習算法。鑒于實際數據是非線性分布，需定義合適的核函數將樣本空間轉變為高維度空間，基于支持向量建立最優決策平面，降維后提供一條明晰的非線性決策界限，如圖3所示。

圖 3 基于核函數的非線性 SVM 分類器示意圖

研究采用徑向基核函數，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效果。函數表達式為

式中:xi和xj分別為非線性映射后樣本;σ為常數。隨機森林是若干個決策樹組成的一種機器學習算法，是BＲEIMAN基于Bagging理論在2001年提出的。樣本數據輸入每株決策樹，大量決策樹采用投票形式得出最終結果，如圖4所示。

圖 4 隨機森林示意圖

相比上述方法，該方法分類結果精度更高且更易闡明。在實際數據建模中有很好的性能支持，對噪聲和異常值有較好的包容性。

3.4 精度驗證

為評估多光譜無人機在災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合樣地實地調查，生成林木受損類別分布圖并建立混淆矩陣。研究選擇總體精度(OA)和Kappa系數反映整體分類效果;生產者精度PA)表示參考數據和分類圖中相同地物處于同一類別的幾率;用戶精度(UA)指某一類別的正確分類數與此類別總數之比，F統計值用來評價單個地類的分類精度。計算公式如下:

式中:N為像元總數;xii為類別在矩陣主對角線上的值;k為類別總數;xi+和x+i分別為矩陣不同行列的和;PAi指類別i的生產者精度;UAi指類別i的用戶精度。

四、結果與分析

4.1 受損林木光譜特征

統計林木受損類型樣本在多光譜無人機影像各波段的均值并繪制光譜曲線，如圖5所示。

圖 5 不同地類光譜曲線

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

表 2 典型地物類別植被指數特征統計

分析用于植被健康監測的4種植被指數特征，如表2所示。由表可知，PSＲI值增大標識樹木冠層脅迫增加，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，區分度不大，易混淆。NDVIrededge對葉冠層的微小變化、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，其值隨著災后林木受損嚴重程度的加大，呈現逐漸減小的趨勢。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、燒毀木區分。

圖 6 典型地物分離指數

統計影像各地物樣本間植被指數的平均值和方差，計算分離指數M，如圖6所示。由圖可知，依據植被指數分離能力而言，火災后的NDVI對道路－燒毀木和燒傷木－燒死木的分離性較差，分離指數均小于1，容易造成混分;mSＲrededge對道路－燒毀木和燒傷木－未傷木的分離性較差，分離指數同樣小于1，容易出現誤判現象;NDVI和mSＲrededge只有2種對應地物的M＜1明顯優于NDVIrededge和PSＲI，PSＲI的M≥1的最少，區分各地物的能力最弱;而NDVIrededge對各地物的區分能力僅好于PSＲI。根據各地物的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－未傷木的分離指數均大于1，利用任何一種植被指數都能明顯區分。因此，最終保留NDVI、mSＲrededge和NDVIrededge這3種植被指數進行模型建立。

4.2 受損林木紋理特征

采用軟件對各類地物紋理特征進行相關性分析，如表3所示。

表 3 紋理特征相關性分析

由表可知，同質性分別與標準差、對比度、非相似性、熵和角二階矩5種紋理特征的相關性高于0．9，因此，將同質性剔除;在其余的紋理特征中非相似性分別與標準差、對比度和熵3種紋理特征高度相關(＞0．9)，同理將非相似性剔除;熵和標準差分別與角二階矩和對比度相關度高，根據其余紋理特征之間的相關系數判定，最終選取均值、對比度、二階矩和相關性4項之間不具備高度相關的紋理特征進行模型構建。

續~~

推薦：

便攜式高光譜成像系統iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。

審核編輯 黃宇