融合红边波段的森林火烧迹地提取方法

李莹，于海洋，王燕，李朝亮，江一帆

(河南理工大学 矿山空间信息技术国家测绘地理信息局重点实验室，河南 焦作 454000)

0 引言

森林是陆地生态系统的主体，对于人类生存及社会经济的发展具有重大影响。我国森林资源匮乏且分布不均，人均占有量不足世界人均占有的1/4[1]，与此同时，森林资源仍遭受自然灾害、病虫害、滥砍滥伐等破坏。森林火灾是森林资源遭受严重毁坏的重要原因之一，火灾发生造成巨大社会经济损失的同时减少生物多样性，对生态环境造成持续的不良影响。因此，及时有效的林火监测和准确的灾后面积及损失评估对于灾后森林生态系统的恢复具有重要意义。遥感技术因其动态、宏观、快速、低成本及高时间和空间分辨率的特点，成功应用于森林火灾的监测和受灾面积与损失的评估。

火灾燃烧植被会减少叶绿素含量，叶绿素减少则会引起可见光波段、红边波段(Red-edge)以及近红外(NIR)波段波长的变化[2]，因此可以尝试利用红边波段对火灾火烧迹地进行提取。以往森林火灾火烧迹地的提取研究多基于遥感数据的红波段(Red)、NIR以及SWIR波段[3]。而针对红边波段的研究也较少涉及火烧迹地提取。如，Chuvieco等[4]使用Red-edge波段替换Red波段对火灾燃烧程度进行研究。Korets等[5]基于红边波段(Red-edge)对西伯利亚火灾进行了量化与制图。Fernández-Manson等[6]评估了红边波段在Sierra de Gata火灾中识别燃烧程度等级的能力。郏江杰等[7]利用可见光、近红外及SWIR波段采用PC3阈值法提取了2014年4月昆明市西山区的火灾区域面积取得较好结果。因此本文基于红边波段对森林火灾火烧迹地的提取方法进行了研究，并对实验结果进行对比分析。

本文选择Sentinel-2A的遥感影像，其上搭载的多光谱传感器(MSI)新增了3个红边波段(Red-edge)波段和一个近红外窄波段(NIR narrow)波段。文中分别构建了基于主成分分析法和新型植被指数的火烧迹地提取算法。基于第三主成分分析法提取火烧迹地，选择可见光及近红外波段进行主成分分析(principal components analysis，PCA)，根据变换后的第三主成分提取火烧迹地，将3个红边波段分别替换可见光红波段，根据得到的PC3red-dege1、PC3red-dege2、PC3red-dege3提取火烧迹地；基于植被指数提取火烧迹地，根据归一化植被指数(normalized difference vegetation index，NDVI)及将3个Red-edge波段分别替换可见光红波段计算获取的NDVIre1[8-9]、NDVIre2[9]、NDVIre3[9]，分别分析火烧迹地的提取精度。技术流程如图1所示。

图1 技术路线

1 数据预处理

2017年5月2—4日，内蒙古大兴安岭毕拉河林业局北大河林场发生森林火灾，火场地形为山林地，燃烧植被主要为针阔混交林，林火类型为高强度地表火。研究选择Sentinel-2A影像数据，该卫星携带了宽幅、高分辨率、多光谱传感器(MSI)，传感器能测量从可见光和近红外到短波红外的13个波段(表1)，不同分辨率的影像波段能很好满足不同尺度的植被制图的需求[10]。由于灾后天气影响，选择影像的拍摄日期为2017年5月25日，影像中仍有少量云层(如图2右侧高亮部分，亮度越高表示云层越厚)，研究区见图2。

表1 Sentinel-2A波段

图2 研究区影像

直接下载获取的影像为L1C级产品，即大气顶端反射率产品。使用Sentinel-2的工具箱(Senti Nel Application Platform，SNAP v2.4.0.)对影像进行校正，获得L2A级产品，即大气底端反射率产品。对L1C级的影像处理包括亚像素精度的几何校正和辐射校正[11]。

2 研究方法

2.1 第三主成分分析法

主成分变换(PCA)[12-14]也被称为K-L变换，是一种基于统计特征基础上的线性变换，即在保证均方误差最小的基础上进行的最佳正交变换。对于多光谱及高光谱遥感影像，不同波段间多存在较大相关性，这种高相关性在信息提取时相当于数据的重复、冗余。主成分分析可尽可能将多波段、高相关性图像中的有用信息通过正交变换集中到尽可能少的互不相关的几个主成分图像中，压缩数据的同时增强主成分图像中的信息量。

其基本计算过程为：首先计算带变换的n维遥感影像集的n×n的协方差矩阵(Cov)，根据协方差矩阵得到该矩阵的特征值E=[a11，a22，a33……，ann]和特征向量EV=[αkp…k为第1～n波段，p为第1～n主成分]。变换后第p主成分图像上新像元的值(N_BVi，j，p)计算如下：

(1)

式中：akp为特征向量；N_BVi，j，p表示变换后影像中第k波段第i行第j列处的像元亮度值；n为波段数。

陈本清[15]等人通过对TM影像原波段进行主成分变换后，发现第三主成分能增强火烧迹地的信息，根据第三主成分(PC3)值设置阈值提取了罗源县森林火灾后的火烧迹地信息。本研究中采用类似方法，选择合适波段进行PCA变换，根据PC3设置阈值提取研究区火烧迹地信息。

Sentinel-2A数据影像包含波段较多，研究选取可见光、近红外波段进行PCA变换，同时将3个Red-edge波段分别替换R波段进行PCA变换，分析变换后第三主成分图像设置阈值，提取火烧迹地。PC3影像中像元值计算如下：

PC3=w1*B2+w2*B3+w3*B4+w4*B8

(2)

PC3red-edge1=x1*B2+x2*B3+x3*B5+x4*B8

(3)

PC3red-edge2=y1*B2+y2*B3+y3*B6+y4*B8

(4)

PC3red-edge3=z1*B2+z2*B3+z3*B7+z4*B8

(5)

式中：B2—Blue；B3—Green；B4—Red；B5—Red-edge1；B6—Red-edge2；B7—Red-edge3；B8—NIR。wi、xi、yi、zi为相应系数。

2.2 植被指数分析法

归一化植被指数(normalized difference vegetation index，NDVI)[16-18]能够反映被观测的区域是否为植被覆盖，也能表达植被覆盖的程度，此外，它还能反映出植被冠层的背景影响。其计算式如下：

(6)

式中：NIR、R分别为近红外波段和可见光红波段的像元值或反射率。NDVI[16]的取值范围在[-1，1]之间，值为正时表示有植被覆盖，且值越大表示覆盖度越高。

实验计算获得了研究区NDVI图像，同时，将3个Red-edge波段分别替换可见光R波段，计算得到了NDVIre1[8-9]、NDVIre2[9]、NDVIre3[9]，分别分析图像设置阈值提取火烧迹地。计算如下：

(7)

(8)

(9)

3 实验分析与评价

3.1 实验数据处理

1)第三主成分分析法。研究中对所选波段进行PCA变换，根据协方差矩阵(Cov)计算相应特征向量，结合公式(2)至公式(5)得到各第三主成分图像的表达式：

PC3=0.482 1*B2+0.376 9*B3+
0.559 6*B4-0.558 9*B8

(10)

PC3red-edge1=0.370 1*B2+0.263 6*B3-
0.611 3*B5+0.648 0*B8

(11)

PC3red-edge2=0.432 9*B2+0.304 8*B3-
0.695 4*B6+0.486 0*B8

(12)

PC3red-edge3=-0.730 8*B2+0.668 4*B3-
0.104 1*B7+0.091 0*B8

(13)

根据上面各式获得相应第三主成分图像，如图3(a)、图3(b)、图3(c)、图3(d)所示。

2)植被指数分析法。根据式(6)至式(9)，得到变换后图像如图3(e)、图3(f)、图3(g)、图3(h)所示。

图3 变换后影像

由变换后图像(图3)可看出，基于第三主成分分析变换后的各图像对火烧迹地的增强效果要优于基于植被指数变换后图像的增强效果，其中PC3Red-edge1和 PC3Red-edge2对火烧迹地的增强效果最好；基于新型植被指数变换后的图像中，NDVIre2、NDVIre3图像对火烧迹地的增强效果相对较好，而NDVI图像的增强效果较差，受云层影响较大。

3)阈值设置。获取变换图像后，对图像进行分割，通过统计影像对象的值与人工解译相结合的方式得到相应阈值，提取了火烧迹地信息。阈值设置见表2，火烧迹地提取结果如图4所示。

表2 阈值设置

图4 分类结果

3.2 实验结果评价

研究中主要提取火烧迹地与非火烧迹地信息。图4中红色部分表示火烧迹地，绿色部分表示植被覆盖区。图4可以看出，基于第三主成分分析火烧迹地提取效果优于基于新型植被指数的提取效果，其中PC3Red-edge1、 PC3Red-edge2提取效果最佳，能够几乎完全忽略云层的影响，且提取较完整；基于植被指数的方法中，NDVI提取效果最差，除受云层影响较大外，提取区域也较为破碎，相比之下，NDVIre1、NDVIre2、NDVIre3的提取效果相对较好，受云层的影响较小且提取区域较完整。

除定性分析外，实验也对分类结果进行了定量分析。研究中对提取结果的评价采用两种方法：一是计算提取结果的召回率、漏警率和虚警率。

假设样本中有两类：A个为真(T)的样本；B个为假(F)的样本。

分类模拟后：AA个为T的样本系统识别为T，BA个为T的样本系统识别为F，则AA+BA=A；BB个为F的样本系统识别为F，AB个为F的样本系统识别为T，BB+AB=B。

召回率=AA/(AA+BA)

(14)

漏警率=BA/(AA+BA)

(15)

虚警率=AB/(AA+AB)

(16)

式中：召回率表示正确识别为T样本的比例；漏警率表示漏判的T样本的比例；虚警率反映识别为T样本的样本中F样本的比例。召回率越高表示精度越高，漏警率和虚警率越低表示精度越高。

二是统计两类的面积，对各分类结果进行空间精度验证，其计算公式[19]如下：

(17)

式中：b代表i类的空间误差精度；Cim表示i类的实际栅格数量；Cin表示i类的模拟栅格数量；Ci0表示i类模拟的与实际的重合的栅格数量。b越小，表明分类的空间精度越高。

各精度评价的结果见表3。

由表3分析得出，采用第三主成分分析法的火烧迹地提取精度整体看来优于基于植被指数分析法的提取精度。其中，PC3Red-edge1提取精度最高，召回率、精确度、和空间精度分别达到0.967 3、0.850 7、和0.797 6；PC3Red-edge2提取精度次之，召回率、精确度和空间精度分别达到0.951 6、0.834 5和 0.762 8。NDVIre1、NDVIre2、NDVIre3三者的提取效果差异较小，但NDVIre3的提取效果相对较好，召回率和精确度分别达0.931 2、0.838 5，空间精度达到0.751 8。PC3与NDVI的提取效果均较差。

表3 精度评价结果

由于经主成分变换后，第三主成分图像对火烧迹地具有较好的增强效果，因而基于第三主成分的方法对于火烧迹地的提取效果更优。火灾后火烧迹地的植被锐减，区域叶绿素含量急剧下降，由于红边波段对于叶绿素的变化更为敏感，因此2种不同的方法中，红边波段参与的火烧迹地的提取精度更高。

4 结束语

根据本文实验，得出如下结论：①相比植被指数分析法，基于第三主成分分析法对火烧迹地提取精度整体较高，该方法更适于火灾后火烧迹地的高精度快速提取。②与R波段参与的过火区提取精度相比，Red-edge波段替换R波段后，火烧迹地的提取精度较高。其中，PC3Red-edge1提取精度最高，精确度、召回率和空间精度分别达到0.850 7、0.967 3和0.797 6；PC3Red-edge2提取精度次之。

研究中也存在不足之处：①由于天气原因，实验数据的获取日期与火灾发生日期有20天时间间隔，火烧迹地内部分植被(如受灾程度较小的草地)可能会有一定程度的恢复，这对实验结果得准确性或可产生影响。②数据选择无法完全避免云层影响，由于云层对波谱有较强的散射作用，从而使云层覆盖下的地物类型的提取精度降低，这在一定程度上会对结果造成影响。