多光谱无人机及机器学习的林木火灾受损信息提取研究2.0

 

续~

4.3 林木火灾受损信息提取

研究共选择多光谱影像的5个单波段、3种植被指数和20个纹理特征(5个波段的均值、对比度、二阶矩和相关性)，共28个影像特征，构建ＲF和SVM模型分析林木受损空间分布格局，如图7所示。

图 7 分类结果图

均可清晰地看出火灾后林木不同程度的受损分布，未伤木斑块较完整，水泥路提取较为清晰。其中，烧毁木区域(右下红圈)分类结果图对比可知，2种分类方法均存在局部烧毁木错分成道路的情况，但ＲF结果图中烧毁木提取效果明显优于SVM;由未伤木区域(左上红圈)分类结果图对比可知，SVM分类器将树冠间含有的小面积阴影部分误判为烧伤木，ＲF分类器能够把相同位置阴影部分所属类别正确探测出来使用OA、Kappa系数、PA、UA和F值定量评价2种分类方法，如表4所示。

表 4 分类结果精度比较

由表中整体分类效果可知，ＲF分类器总精度高于SVM，对林木受损程度识别总精度为89．76%，Kappa系数为0．85，相比于SVM，总体精度提升4．41%，Kappa系数提高6．25%。在单个林木受害程度类型分类精度上，SVM分类结果中道路和未伤木错分、漏分情况均低于15%，其中道路分类精度为89．93%，未伤木分类精度高98．40%。相比于其它林木受害类型，烧死木漏分情况和烧毁木错分情况较为严重，分别38．17%31．09%。同等条件下，ＲF对各受损程度类型的漏分、错分和分类精度均有所改善，烧死木漏分率和烧毁木错分率分别降低了19．54%和5．47%，未伤木分类精度提高了0．92%，烧伤木漏分情况显著降低了59．27%。总体来说，本研究对于林木受损信息提取，采用ＲF模型的分类精度明显优于SVM模型，但对于面积小且分散的树林阴影和道路阴影，存在提取效果相对较差的情况。

五、讨论与结论

5.1 讨论

本研究采用光谱信息较为丰富的多光谱无人机影像数据，其含有ＲGB三波段及对植被健康状况敏感的红边波段和近红外波段。同时，采用机器学习算法中的SVM和ＲF综合植被指数、纹理特征和光谱特征等，实现了灾后林木受损程度划分。研究表明该方法对提高森林火灾调查精度和效率具有一定的可行性。通过分析研究方法和结果，发现影响火灾灾后林木受损信息提取的成因有以下几个方面:

1)遥感影像数据的获取。卫星遥感影像在森林火灾研究中能够实时监测大范围火灾情况及大尺度火场信息提取，由于卫星影像的时效性，难以及时获取火灾后火烧迹地影像而影响林木受损信息的客观提取。可见光无人机相对卫星遥感具有操作简便、空间分辨率高和成本低等优势，便于实时勘察中小尺度火场，同时能有效识别不同受损程度林木在过火区域的分布格局。而多光谱无人机影像较可见光无人机，增加了对植被健康状况敏感的红边和近红外波段，可提高不同受损程度林木的识别精度。

2)遥感影像特征选取。不同受损程度的林木在红边波段和近红外波段范围内反射率差异较大。研究结果与刘倩等基于高分六号卫星影像数据的近红外和红边波段对过火区域区分度较高的结论基本一致。文中采用红边及近红外波段构建植被指数对火灾后林木受损信息提取与黄建文等提取植被指数的思路较吻合。研究在利用植被指数认别火烧迹地的基础上，增加了不同受损林木纹理特征，有效抑制了“同谱异物，同物异谱”现象的影响，有助于不同受损程度林木的识别。

 

3)不同受损程度的林木提取效果。研究利用含有红边及近红外多光谱无人机影像数据，选用非参数机器学习方法，ＲF和SVM分类器，模型参数较为复杂，但比传统分类的精度高。

虽然利用多光谱无人机可较精确提取不同林木火灾受损程度信息，但更高精度与实践可行的信息提取方法值得深入研究。一方面，深度学习方法的运用，如卷积神经网络、全连接神经网络和循环神经网络等，是否能提高林木火灾受损信息提取精度值得探索。另一方面，研究区道路是由水泥路和土路共同组成，土路因周边烧毁林木灰烬覆盖和浸染而呈焦黑色，从而在目视解译样本中可能存在误判，将成林烧毁木误判为道路，从而影响识别精度。

 

此外，研究提出的方法适用于中小区域尺度的树冠火及地表火造成的林木树干、树冠的受损信息提取，对国家林业行业标准中林木受损信息评估的替代具有一定的可行性。但针对大面积森林火灾的林木受损程度调查而言，可综合多光谱无人机数据与卫星影像数据，采用多光谱无人机获取高地面分辨率影像数据作为点尺度上的调查，多光谱卫星影像获取大尺度火场信息，以点、面结合方式实现大面积森林火灾林木受损信息提取。

5.2 结论

本文基于多光谱无人机影像数据，以火灾后受损状况不同的林木为研究对象，结合单波段光谱信息、植被指数和纹理特征，使用SVM和ＲF进行对比研究，主要结论如下:

1)通过分析受损林木光谱特征得出，在红边及近红外波段区域内各地类的反射率差异较大，在此基础上构建的植被指数区分能力不同，NDVI和mSＲrededge为研究区分离不同受损程度林木的最好植被指数，NDVIrededge的分离性次之，而PSＲI区分能力较弱。

2)综合5个单波段特征、3个植被指数和20个纹理特征的林木受损程度提取方法中，ＲF分类器的分类结果明显比SVM分类器的效果好，其中ＲF分类器的总体精度和Kappa系数分别89．76%和0．85。

3)无人机具有地面分辨率高、操作灵活等特点，可快速获取过火区域的高空间分辨率影像，与传统调查方法相比，使用多光谱无人机进行小范围典型森林火灾区域林木受损程度信息提取效率更高，是对大区域森林火灾受损信息提取的补充。对火烧迹地研究和森林火灾的监测影像识别等具有重要参考价值。

推荐：

便携式高光谱成像系统iSpecHyper-VS1000

专门用于公安刑侦、物证鉴定、医学医疗、精准农业、矿物地质勘探等领域的最新产品，主要优势具有体积小、帧率高、高光谱分辨率高、高像质等性价比特点采用了透射光栅内推扫原理高光谱成像，系统集成高性能数据采集与分析处理系统，高速USB3.0接口传输，全靶面高成像质量光学设计，物镜接口为标准C-Mount，可根据用户需求更换物镜。

审核编辑 黄宇