姜德才,李文吉,李敬敏,白罩峰

(1.中國(guó)自然資源航空物探遙感中心，北京 100083；2.北京航天宏圖信息技術(shù)有限責(zé)任公司，北京 100195)

0 引言

林火對(duì)森林生態(tài)系統(tǒng)具有極大危害。林火不僅破壞植被及環(huán)境，如干擾植物群落的更替和野生動(dòng)物的遷徙、改變土壤結(jié)構(gòu)、降低微生物含量、造成水土流失、引起空氣污染等[1]，而且還威脅人類(lèi)生命及財(cái)產(chǎn)安全。森林過(guò)火跡地的位置、面積和烈度的高精度、快速提取可為相關(guān)部門(mén)針對(duì)森林火中救治、火后災(zāi)情評(píng)估及生態(tài)恢復(fù)的決策、部署提供科學(xué)依據(jù)。

基于晴天無(wú)云的中高空間分辨率光學(xué)衛(wèi)星遙感的林火區(qū)提取研究已廣泛開(kāi)展。該類(lèi)方法主要是利用綜合火燒指數(shù)(composite burn index，CBI)、歸一化差值植被指數(shù)(normalized difference vegetation index，NDVI)、歸一化火燒指數(shù)(normalized burn ration，NBR)和差分歸一化火燒指數(shù)(differential normalized burn ration，DNBR)等光學(xué)影像遙感指數(shù)[2-3]，通過(guò)人工目視解譯或應(yīng)用分類(lèi)算法獲取水體、裸地、植被以及燃燒區(qū)等地類(lèi)，從而提取林火跡地；對(duì)提取的林火跡地進(jìn)一步細(xì)分還可獲得燃燒烈度信息[4]。孫桂芬等[5]基于晴天無(wú)云的Landsat8影像短波紅外波段提取林火跡地的精度達(dá)到了87%，而GF-1影像可見(jiàn)光和近紅外波段提取林火跡地的精度則達(dá)到了91%。

高分光學(xué)衛(wèi)星遙感雖然在地類(lèi)提取方面具有很高精度，但在對(duì)地成像過(guò)程中易受到云、霧、雨、雪、雹等氣象要素的干擾，尤其在林火燃燒過(guò)程中，往往伴有濃烈煙、霧、云等，嚴(yán)重制約了其在林火應(yīng)急救災(zāi)中的快速響應(yīng)能力。在微波衛(wèi)星遙感領(lǐng)域，合成孔徑雷達(dá)(synthetic aperture Radar，SAR)的成像波長(zhǎng)較長(zhǎng)，可穿云透霧，到達(dá)地表[6-7]。SAR成像機(jī)理的獨(dú)特優(yōu)勢(shì)，可為響應(yīng)災(zāi)中、災(zāi)后的應(yīng)急救災(zāi)提供技術(shù)支撐。作為光學(xué)衛(wèi)星遙感林火監(jiān)測(cè)的有效補(bǔ)充手段，開(kāi)展SAR衛(wèi)星遙感的森林火中、火后監(jiān)測(cè)對(duì)于快速響應(yīng)火災(zāi)搶救、災(zāi)后治理和生態(tài)恢復(fù)等具有重要意義[8]。

以像元集合為分析單元的面向?qū)ο蠹夹g(shù)，可有效降低“同物異譜、同譜異物”造成的遙感影像分類(lèi)中的“椒鹽效應(yīng)”[9]。該技術(shù)在光學(xué)衛(wèi)星遙感影像解譯中已得到廣泛應(yīng)用[10-11]，而在以SAR為代表的微波遙感領(lǐng)域的應(yīng)用研究中則較少。因此，本文在文獻(xiàn)[6]基于像元的閾值分類(lèi)方法提取林火區(qū)的基礎(chǔ)上，將Baatz和Sch?pe[12-13]提出的分型網(wǎng)絡(luò)演化(fractal net evolution approach，F(xiàn)NEA)的多尺度分割算法應(yīng)用于全極化ALOS PALSAR影像的后向散射總功率數(shù)據(jù)，通過(guò)對(duì)分割對(duì)象閾值分類(lèi)，提取林火災(zāi)后過(guò)火區(qū)。

1 研究方法

1.1 研究區(qū)及數(shù)據(jù)源

研究區(qū)位于美國(guó)Alaska中東部的Birch Creek機(jī)場(chǎng)西南角35 km處，火區(qū)中心點(diǎn)坐標(biāo)為66°02′42.0″N，146°35′16.8″W，林火發(fā)生于2009年7月18日—8月5日。

Google Earth影像顯示研究區(qū)的位置如圖1所示，其中紅色矩形框?yàn)槊绹?guó)國(guó)家航空航天局網(wǎng)站提供的2景ALOS PALSAR影像覆蓋范圍，影像獲取時(shí)間剛好包含了林火發(fā)生期間，具體參數(shù)如表1所示；藍(lán)色矩形框?yàn)槊绹?guó)地質(zhì)調(diào)查局的MTBS(monitoring trends in burn severity)項(xiàng)目網(wǎng)站提供的燃燒強(qiáng)度數(shù)據(jù)，燃燒強(qiáng)度分別為：高、中、低。MTBS燃燒強(qiáng)度數(shù)據(jù)是通過(guò)提取林火前后Landsat5 TM影像的NBR并結(jié)合人工解譯制作而成。

圖1 研究區(qū)Google Earth影像Fig.1 Google Earth image of study area

表1 ALOS PALSAR影像參數(shù)Tab.1 Parameters of the ALOS PALSAR images

1.2 極化散射總功率

全極化SAR影像數(shù)據(jù)以復(fù)數(shù)矩陣形式測(cè)量、記錄4種極化狀態(tài)HH，HV，VH和VV下地球分辨單元內(nèi)所有分布式目標(biāo)散射回波的相干疊加，構(gòu)成了極化散射矩陣S。對(duì)復(fù)矩陣S簡(jiǎn)單計(jì)算，可得到4種極化狀態(tài)的振幅和相位信息。為了減弱分布式目標(biāo)形成的相干噪聲，通常對(duì)散射回波進(jìn)行統(tǒng)計(jì)平均，將極化散射矩陣S轉(zhuǎn)化為經(jīng)典的散射模型即極化協(xié)方差矩陣C3或極化相干矩陣T3。這2種矩陣都是埃爾米特矩陣，且可以相互轉(zhuǎn)換。

通過(guò)極化協(xié)方差矩陣C3，可以計(jì)算得到4種極化通道的后向散射系數(shù)σHH，σHV，σVH和σVV，分別為

(1)

式中C11，C22和C33分別為極化協(xié)方差矩陣C3的對(duì)角線元素。

極化散射總功率，又稱(chēng)Span，由4種極化散射強(qiáng)度構(gòu)成，包含地物豐富的紋理信息且能夠有效地抑制相干噪聲[14]，計(jì)算公式為

Span=|SHH|2+|SVV|2+2|SHV|2=C11+C22+C33。

(2)

1.3 FNEA方法

FNEA多尺度分割的基本策略是建立影像分割對(duì)象的分層網(wǎng)絡(luò)。該分層網(wǎng)絡(luò)以不同空間分辨率(尺度)的圖像為分割對(duì)象，同時(shí)表征影像。其中高空間分辨率的影像分割對(duì)象是較粗尺度影像分割對(duì)象的子對(duì)象。每個(gè)影像分割對(duì)象都“知道”它的父對(duì)象、鄰域和子對(duì)象。層次結(jié)構(gòu)同時(shí)代表了不同空間分辨率影像分割對(duì)象信息。利用分層網(wǎng)絡(luò)影像分割對(duì)象之間的關(guān)系，并與影像分割對(duì)象的形狀和紋理特征一起使用，可以提高影像分割對(duì)象的分類(lèi)精度[12-13]。

分類(lèi)過(guò)程中，影像分割對(duì)象的合并需解決2個(gè)關(guān)鍵問(wèn)題：①定量表征相鄰分割對(duì)象(像元)的異質(zhì)性(或同質(zhì)性)；②定量表征影像分割對(duì)象在合并前后的異質(zhì)性(或同質(zhì)性)變化。相鄰分割對(duì)象間的異質(zhì)性，即給定一個(gè)特定的特征空間，如果2個(gè)相鄰分割對(duì)象在這個(gè)特征空間彼此接近，那么這2個(gè)對(duì)象相似。對(duì)于一個(gè)d維的特征空間，擬合度h為

(3)

式中f為對(duì)象特征，具體表現(xiàn)為光譜平均值、方差或紋理特征。特征空間距離可以通過(guò)計(jì)算所有分割對(duì)象在所有特征維的標(biāo)準(zhǔn)差σfd進(jìn)行標(biāo)準(zhǔn)化，即

(4)

合并前后影像分割對(duì)象的異質(zhì)性變化，即從單個(gè)像素對(duì)象開(kāi)始，逐步合并到較大的對(duì)象上，合并對(duì)象的光譜異質(zhì)性會(huì)增加。優(yōu)化過(guò)程的基本目標(biāo)是在每個(gè)合并過(guò)程中，最小化合并對(duì)象的異質(zhì)性增加。通過(guò)影像分割對(duì)象合并到鄰域?qū)ο?，從而產(chǎn)生最小的異質(zhì)性增加。因此，通過(guò)描述合并前后異質(zhì)性的變化hdiff來(lái)定義2個(gè)相鄰影像分割對(duì)象的擬合度。合并前后異質(zhì)性的變化hdiff為

(5)

式中：c為波段數(shù)；wc為c波段的權(quán)重；n1和n2分別為合并前2個(gè)分割對(duì)象大小(像元數(shù))；h1c，h2c和hmc分別為C波段2個(gè)分割對(duì)象合并前和合并后的異質(zhì)性。

1.4 精度評(píng)價(jià)

混淆矩陣是遙感影像分類(lèi)結(jié)果精度評(píng)價(jià)的常用方法[15-16]。用于混淆矩陣精度評(píng)價(jià)的樣本點(diǎn)數(shù)量計(jì)算公式[17-18]為

N=B/4b2，

(6)

式中：N為樣本點(diǎn)個(gè)數(shù)；B為自由度為1的卡方檢驗(yàn)(1-P/M)的臨界值，其中P為置信度誤差，M為分類(lèi)數(shù)；b為置信水平。本次實(shí)驗(yàn)將遙感影像地類(lèi)分為3類(lèi)，對(duì)置信水平的要求為95%以上，即置信度誤差允許范圍為5%。通過(guò)查找卡方檢驗(yàn)臨界表可知5.41

(7)

參照MTBS燃燒強(qiáng)度數(shù)據(jù)，為各樣本像元賦屬性值，即水體、燃燒區(qū)和未燃燒區(qū)。

1.5 技術(shù)流程

(8)

(9)

(10)

圖2 實(shí)驗(yàn)流程Fig.2 Research procedure

2 結(jié)果與分析

圖3 林火區(qū)分類(lèi)結(jié)果

Fig.3Classificationresultsaroundtheforestfireregion

本文使用混淆矩陣開(kāi)展了研究區(qū)分類(lèi)結(jié)果的定量評(píng)價(jià)，結(jié)果如表2和表3所示。

表2 火后單一時(shí)相的混淆矩陣Tab.2 Post-fire confusion matrix

表3 林火前后2時(shí)相的混淆矩陣Tab.3 Two-static confusion matrix

3 結(jié)論

合成孔徑雷達(dá)(synthetic aperture Radar，SAR)技術(shù)可作為光學(xué)衛(wèi)星遙感監(jiān)測(cè)林火的有效補(bǔ)充手段，能夠穿透煙、云、霧、雨、雹等惡劣天氣，可用于林火的火中監(jiān)測(cè)。本文開(kāi)展了以像元集合為分析單元的面向?qū)ο蠹夹g(shù)在SAR散射總功率的林火區(qū)提取研究。以L波段全極化ALOS PALSAR為數(shù)據(jù)源，經(jīng)散射總功率的計(jì)算、分型網(wǎng)絡(luò)演化的多尺度分割、閾值分類(lèi)、精度評(píng)價(jià)等過(guò)程，開(kāi)展了美國(guó)Alaska中東部一處林火災(zāi)后過(guò)火區(qū)的提取研究，主要得到以下結(jié)論：

1)基于火后單一時(shí)相、林火前后2時(shí)相的SAR散射總功率開(kāi)展林火區(qū)的提取結(jié)果整體與MTBS燃燒強(qiáng)度都較為吻合，且后者提取結(jié)果更優(yōu)。

2)對(duì)比研究區(qū)SAR散射總功率基于像元閾值分類(lèi)的林火分類(lèi)結(jié)果，基于多尺度分割的面向?qū)ο箝撝捣诸?lèi)結(jié)果精度有較大提高，研究區(qū)火后單一時(shí)相的分類(lèi)精度提高了12.7%，林火前后2時(shí)相的分類(lèi)精度提高了15.8%。

3)林火研究區(qū)分類(lèi)精度基本達(dá)到了基于晴天無(wú)云的常規(guī)高分可見(jiàn)光和紅外波段影像的燃燒區(qū)和未燃燒區(qū)的分類(lèi)精度。因此，極化SAR技術(shù)可作為光學(xué)衛(wèi)星遙感監(jiān)測(cè)林火的有效補(bǔ)充手段，且能適用于林火災(zāi)中的應(yīng)急監(jiān)測(cè)。

但是，仍有一些問(wèn)題有待進(jìn)一步研究，如開(kāi)展多參數(shù)特征圖的閾值分類(lèi)，以減少未燃燒區(qū)的誤分類(lèi)；深度挖掘SAR數(shù)據(jù)的極化信息，并應(yīng)用于森林火災(zāi)的過(guò)火區(qū)及燃燒烈度的提取研究等。

志謝：感謝美國(guó)國(guó)家航空航天局網(wǎng)站(https://search.earthdata.nasa.gov)提供的ALOS PALSAR數(shù)據(jù)，感謝美國(guó)地質(zhì)調(diào)查局的MTBS(monitoring trends in burn severity)項(xiàng)目網(wǎng)站(https://www.mtbs.gov/direct-download)提供的燃燒強(qiáng)度數(shù)據(jù)。