Classification and change analysis of forest fuels by multi-temporal high resolution remote sensing images
-
摘要:目的本文针对国内外利用多时相高分辨率遥感影像进行森林可燃物分类研究匮乏的情况，探索高分辨率影像的分类方法，并研究多时相森林可燃物分类结果的差异，以及与海拔、坡度变化的关系。方法以鹫峰林场为研究区，针对鹫峰林场内植被状况及以往研究成果，主要依据植物群落、林型和燃烧特性划分可燃物类别，研究对比不同森林可燃物类型的光谱特征曲线，建立遥感图像与森林可燃物的联系。选用GF-1号5、8、10月的遥感影像为原始数据，利用EnMAP-box中的支持向量机(SVM)算法、随机森林(RF)以及基于CART的决策树分类方法进行森林可燃物分类，将可燃物类别最终划分为：针叶林、阔叶林、针阔混交林、灌木林和非林地5种类别，并分别对其特征进行描述，之后将最优分类方法应用到多时相的遥感影像中，并使用变化检测算法来确定非防火期(5—10月)森林可燃物类型之间土地面积的变化情况。同时，我们将数字高程模型(DEM)分为4类(1类(< 250 m)、2类(250~500 m)、3类((500~750 m)和4类(>750 m))，坡度分3类：缓坡(< 15°)、斜坡(15°~35°)、陡坡(>35°)，并使用Jenks方法分别对海拔和坡度每个类别土地面积变化计算百分比，研究随着海拔和坡度变化，森林可燃物面积的变化规律。结果划分的5种森林可燃物类别的光谱特征具有很好区分性，SVM分类最为准确，取得惩罚参数(C)为1 000和核参数(g)为10使得SVM分类模型达到最优，其总体分类精度为91.88%，Kappa系数为0.89，精度相对RF和CART分别提高了2.72%和9.36%。非防火期内(5—11月)森林可燃物类型变化有一定的规律，针叶林、混交林属于中等稳定类别，没有显著变化，分别保持93.74%和94.87%不变。相比之下，阔叶林和灌木林发生了较大变化，分别发生14.64%和13.36%。随着海拔的增加和坡度的变化，森林可燃物类型土地面积也发生了变化，海拔500~750 m和坡度16°~35°的土地上面积变化最大，达到了20%以上。结论多时相高分辨率遥感影像的森林可燃物分类中，基于SVM分类方法能够将可燃物更好地分类，且随着时间、海拔和坡度的变化，森林可燃物面积的变化有一定的规律，5—10月阔叶林和灌木林在海拔500~750 m和坡度16°~35°变化最大。Abstract:ObjectiveThe classification of forest fuels based on high resolution remote sensing images is very important for the modern management of forest fire, but the study for classification by multi-temporal high resolution remote sensing images is scanty at home and abroad. This study explored the classification method of high-resolution images, the differences in classification results of multi-temporal forest fuels, and researched the relationship with altitude and slope change.MethodAccording to the vegetation status and previous research results in the Jiufeng Forest Farm of Beijing, the fuels were classified by plant community, forest types and combustion characteristics. Then we studied and compared the spectral characteristic curves of different forest fuel types, and established the connection between remote sensing images and forest fuels. The remote sensing images of May, August and October of GF-1 were used as the original data. The classification of forest fuels was carried out by the support vector machine (SVM) algorithm, random forest (RF) and the decision tree method based on CART of EnMAP-box in the Jiufeng Forest Farm, and the classification results were as follows: coniferous forest, broadleaved forest, coniferous and broadleaved mixed forest, shrub forest and non-forest land. After describing their characteristics separately, the optimal classification method was applied into multi-temporal remote sensing images, and the change detection algorithm was used to determine the changes among the types of forest fuels during non-fireproof period (May to November). At the same time, we divided the digital elevation model (DEM) into four categories (1 (< 250 m), 2 (250-500 m), 3 (500-750 m) and 4 (>750 m)). Similarly, we divided slope into three types: gentle slope (< 15°), slope (15°-35°), steep slope (>35°), and used the Jenks method to calculate the percentage of land area change for each category of elevation and slope, respectively. Then we studied the changes in the classification results of forest fuels with changes of altitude and slope.ResultThe results showed that the spectral characteristics of the five forest fuel categories were well differentiated. The SVM classification was the most accurate. The penalty parameter (C) was 1 000 and the kernel parameter (g) was 10, which made the SVM classification model optimal. The overall classification accuracy was 91.88%, the kappa coefficient was 0.89. And the accuracy was improved relative to RF and CART. The classification accuracy was 2.72% and 9.36% higher than RF and CART, respectively. The types of forest fuels during non-fireproof period (May to November) had certain change regularity, and there were no significant changes in coniferous and mixed forest which belong to moderate stable types, keeping 93.74% and 94.87%, respectively. In contrast, broadleaved and shrub forest changed greatly by 14.64% and 13.36%, respectively; with the increase of altitude and the change of slope, the land area of forest fuels had also changed. The area with altitude above 500-750 m and slope of 16°-35° had the largest change, reaching more than 20%.ConclusionIn the classification of forest fuels with multi-temporal high-resolution remote sensing images, the SVM classification method can classify fuels better, and with the change of time, altitude and slope, the change of forest fuel area has certain regularity. From May to October, broadleaved forests and shrubs vary most at altitudes of 500-750 m and slopes of 16°-35°.
-
Keywords:
- forest fuel classification /
- support vector machine /
- remote sensing /
- multi-temporal
-
磨削是人造板生产的重要步骤，可以去除人造板表面预固化层、产品尺寸定厚、提升表面质量[1]，对木制品的产品质量有较重要的影响。砂带磨削属于冷态磨削[2]，砂带周长较长，具有散热快、去除率高、使用寿命长、表面处理质量好等优点，是应用最广泛的磨削工具[3]。
影响木质材料砂带磨削质量的因素有很多，如木材特征（密度、纹理、含水率等）和加工参数（磨削速度、进给速度、砂带粒度）[4]。李晓旭等[5]发现砂带粒度是影响砂带磨削效率的一个主要因素。Luo等[6]发现磨料粒度大小会影响切削深度，改变木材表面创成过程。普通砂带打磨刨花板时，使用粗的大磨粒磨削时去除量较大，但会在表面产生划痕，使磨削表面粗糙；用细的小磨粒磨削时虽然去除量小，但会优化试件表面的粗糙度[7]。Vitosyte等[8]研究发现木材表面粗糙度直接取决于砂纸的粒度、木材的解剖特征和木纹的方向。Wu等[9]采用正交试验研究了磨削参数对杨木表面粗糙度的影响，发现砂带粒度对磨削表面粗糙度影响最大。Gurau[10]使用算法过滤掉木材解剖结构的影响，发现相同粒度磨削后木材的加工粗糙度相近。磨削可以消除不同树种和不同纹理方向的粗糙度差异[11]。刨花板使用粒度60目以下的普通砂带加工后表面比刨平表面粗糙[12]，使用120目以下的砂带磨削刨花板，表面粗糙度提升不显著，磨削表面还会出现空隙[13]。Adamcik等[14]量化了磨料粒度对刨花板表面粗糙度的影响，证明高粒度的细磨粒能够磨平表面的不规则。砂带粒度还对磨削后刨花板甲醛释放量有直接影响，Medved等[15]研究发现砂纸的粒度会影响试件表面切削深度，从而影响刨花板的总表面积，即甲醛可以排放到环境中的表面，所以磨粒粒度还会直接影响刨花板的环保性能。
定组态砂带是一种可用于木质材料磨削的新型砂带，可以根据不同材料的磨削特性、加工要求调控磨粒形态和排列，从而实现木质材料的优质高效磨削[16]。目前对定组态砂带性能的研究主要集中在等效磨粒形状、排列规则方面，还缺少微磨粒粒度对定组态砂带磨削质量影响的研究。
为了使定组态砂带更好地满足刨花板的加工需求，本研究探究不同粒度微磨粒制备的四棱台形等效磨粒定组态砂带在磨削刨花板过程中的材料去除效率、表面加工质量、砂带磨损变化规律，分析磨料粒度对定组态砂带磨削性能的影响。本研究旨在进一步明确定组态砂带磨削过程中刨花板表面创成和砂带磨损过程，有利于进一步夯实木质材料磨削理论基础，为定组态砂带的设计、研究和生产提供理论支撑和实践指导。
1. 材料与方法
1.1 材 料
本研究中用来制造定组态砂带的材料包括微磨粒、酚醛树脂胶黏剂、高强度化纤布基和其他添加剂。试验中使用的微磨粒购于郑州嘉晟研磨制品有限公司，这些磨粒主要由棕刚玉组成，化学成分为Al2O3，磨粒粒度分别为150目、180目、220目。酚醛树脂胶黏剂购于太尔胶黏剂（广东）有限公司，固含量为74% ~ 78%。高强度化纤布基购于白鸽磨料磨具有限公司，用作定组态砂带磨粒附着的基材。此外，砂带制备过程中还使用了固含量为40%的水性聚氨酯乳液和95%浓度的乙醇，均购于上海麦克林生化科技有限公司。
本研究使用的刨花板试件为同批次购买，并锯成相同尺寸的试件，试件尺寸为50 mm（长） × 40 mm （宽） × 18 mm（高），平均密度为0.6 g/cm3。试件表面均匀，无明显的缺陷。
1.2 砂带制备
在本试验中，定组态砂带采用先植砂后造粒的制备方法，首先将微磨粒与胶黏剂混合均匀后平铺在高强度化纤布基上，采用辊压法使混胶磨粒一次成型，塑造等效磨粒形状。根据单磨粒的切削特性，三棱锥磨粒具有锋利的切削刃，能有效切断木纤维，具有侧刃的磨粒具有更好的切削性能[17]，且前刀面夹角小的等效磨粒性能更优[18]。为方便制备，本研究将不同粒度的微磨粒辊压成前刀面夹角30°具有侧刃的四棱台形等效磨粒（图1）。最后放入烘箱干燥和固化，制备出等效磨粒形态一致、排布可控的定组态砂带。
1.3 磨削测试
采用木质材料磨削试验装置（图2）进行刨花板磨削。该装置的驱动系统使工作台上的刨花板试件在水平方向上做往返移动，往返平均移动速度为0.2 m/s。气动装置（ADNGF-50-40-A，FESTO，Esslingen am Neckar，德国）在打磨过程为砂带提供了向下的100 N恒定磨砂压力，在返回过程中，压紧装置和砂带抬起，以确保刨花板试件只被水平单方向磨削，单次磨削行程为75 mm。光电计数器记录往返次数，每往复运动一个来回计为一次磨削。每块试件都用锁紧螺母牢固地固定在夹紧装置中。砂带展平通过张紧装置固定在压紧装置下。在压紧装置和砂带之间垫入橡胶压垫，使砂带与试件始终保持良好的接触。
![]()
图 2 磨削试验装置1. 机架 Framework；2. 气缸 Cylinder；3. 压垫 Rubber pad；4. 张紧装置 Tensioner；5. 砂带 Abrasive belt；6. 驱动装置 Drive system；7. 夹紧装置 Fixture；8. 试件 Sample；9. 计数装置 Counter；10. 滑轨 RailFigure 2. Sanding experimental equipment由于刨花板在厚度方向密度不均匀，为减小密度变化对材料去除的影响，每磨削0.5万次更换一块刨花板试件。每条砂带打磨刨花板试件40块，本研究共打磨试件160块。经计算磨削区域的刨花板平均密度为0.8 g/cm3。
1.4 性能表征
1.4.1 材料去除量
材料去除量反映了砂带的材料去除性能和磨削效率。使用精密分析天平（天平精度为0.001 g）测量每0.5万次磨削后的刨花板样品质量，以记录磨削前后质量变化，计算每个磨削周期的材料去除量。为了提高测量精度，在每次称量前，使用压力为3.0 MPa的高压气枪去除刨花板样品表面的木屑。
1.4.2 表面粗糙度
刨花板样品表面粗糙度反映了砂带加工的表面质量。每磨削0.5万次，使用3D表面轮廓仪（VR 6000，日本基恩士公司）测量刨花板表面的粗糙度（Sa）。Sa为算术平均高度，是相对于表面的平均面，各点高度差的绝对值的平均值，表示曲面的平整度[19]。Sa值越低，表示表面越光滑。
1.4.3 砂带质量损失
砂带质量损失表示砂带磨损程度。每磨削1万次后测试其质量。质量差为这1万次磨砂过程的砂带质量损失。
1.4.4 砂带表面形貌
在磨削试验结束后，用扫描电子显微镜（SEM，S-3400N，日本日立公司）观测砂带表面形貌，根据观测结果分析磨粒磨损情况。
2. 结果与讨论
2.1 材料去除量
对220目非定组态砂带（O-220）和微磨粒粒度分别为150目、180目、220目定组态砂带（P-150/180/220）磨削刨花板时的去除量进行分析，结果如图3和表1所示。图3显示：随着磨削次数的增加，砂带磨削刨花板的去除量逐渐减小。非定组态砂带磨削刨花板过程的平均去除量大于定组态砂带，且非定组态砂带磨削时的去除量下降最明显，从初期最大去除量7.420 g，下降到末期最小去除量0.678 g（表1），整个磨削过程中去除量下降90.86%，平均去除量为2.426 g。非定组态砂带的去除量曲线的拟合效果更好，而定组态砂带去除量会在拟合曲线外上下波动（图3）。定组态砂带去除量分布比非定组态砂带稳定，随着磨粒粒度的增大，定组态砂带磨削刨花板的平均去除量逐渐减小。图3侧面的频数分布直方图和表1中的标准差表明：P-180磨削刨花板去除量最稳定，去除量分布范围集中且均匀，在磨削过程中的收敛性好，去除量没有明显下降。
![]()
图 3 不同粒度砂带磨削刨花板的去除量分布O-220代表220目非定组态砂带，P-150、P-180、P-220代表微磨粒粒度分别为150目、180目、220目的定组态砂带。下同。O-220 represents an ordinary coated abrasive belt with micro-grit size of 220. P-150, P-180, and P-220 represent precision-shaped abrasive belt with micro-grit size of 150, 180, and 220, respectively. The same below.Figure 3. Removal amount distribution of particle board sanded with abrasive belts of different grit sizes表 1 不同粒度砂带磨削刨花板去除量的数据统计Table 1. Data statistics of the removal amount sanded with abrasive belts of different grit sizes砂带类型
Abrasive belt type最大值
Max. value/g最小值
Min. value/g均值
Mean/gSD 极差
Range/gO-220 7.420 0.678 2.426 1.520 6.742 P-150 1.183 0.402 0.806 0.186 0.781 P-180 0.787 0.320 0.524 0.109 0.467 P-220 0.753 0.255 0.496 0.129 0.498 非定组态砂带在磨削过程中去除量大于定组态砂带，而去除量稳定性差于定组态砂带。其原因在于：非定组态砂带采用静电植砂工艺制成，磨粒随机植于砂带表面，导致磨粒的直立姿态不同。磨粒单元形态、体积的差异导致非定组态砂带在磨削前期磨粒等高性较差（图4）。在磨削0 ~ 5万次时，砂带表面有很多高度突出的磨粒，这些磨粒的切削刃锋利，切入试件深，材料去除量大。磨削初期非定组态砂带有明显的初锐过程，较高磨粒磨损和未粘牢的磨粒脱落，使砂带表面磨粒等高性变好，磨粒切入刨花板表面的深度减小，砂带的去除量显著下降[20]。在初锐过程以后，砂带进入稳定磨削阶段，去除量缓慢下降。
![]()
图 4 O-220表面磨粒高度分布Figure 4. Height distribution of abrasive grits on the surface of O-220非定组态砂带在未磨削时的磨粒高度分布较分散。经20万次磨削，非定组态砂带表面高度图中红色区域变得集中，砂带的等高性变好（图4）。但此时由于有效磨粒的不断磨损、脱落，磨粒高度降低导致磨粒去除性能减弱，同时砂带容屑空间变小，更易发生砂带堵钝，砂带逐渐失去磨削作用，去除量在较低水平下几乎不再变化，达到砂带极限使用寿命。
定组态砂带在磨削过程中刨花板去除量的变化与普通砂带有较大不同。首先，定组态砂带在磨削初期去除量没有明显下降。这是因为定组态砂带制备时采用辊压成形的方式，砂带表面的等效磨粒等高性较好，在磨削初始阶段等效磨粒所受的压力均匀，切入刨花板表面相对较浅，并未出现初锐现象，但也导致去除量小于非定组态砂带。其次，定组态砂带磨削刨花板的去除量在均值附近上下波动，去除量下降缓慢，这得益于定组态砂带优异的自锐性。定组态砂带的等效磨粒由很多微磨粒组成，随着磨削过程的进行，表面微磨粒在磨削刃磨损后脱落，暴露出内部新的小磨粒，产生新的磨削刃（图5a，b），而非定组态砂带没有这样好的自锐性能，故定组态砂带磨削稳定性更好。同时，定组态砂带等效磨粒的规则排布，使得定组态砂带比起非定组态砂带有更多的容屑空间和畅通的排屑通道（图5c），因此在相同的磨削次数下定组态砂带更不易因堵钝导致砂带失效。
![]()
图 5 定组态砂带等效磨粒结构和表面形貌Figure 5. Structure and surface morphology of equivalent abrasive on PSA对比3种不同磨粒粒度的定组态砂带，随着磨粒粒度的变大，定组态砂带磨削刨花板的平均去除量减小。从宏观上看，等效磨粒在磨削过程中起到材料去除的作用，但从微观上是组成等效磨粒的微磨粒在磨削试件。微磨粒粒度越大，尺寸越小，组成相同形态的等效磨粒所需微磨粒数量越多，此时单个磨粒所受到的磨削力减小，去除能力减弱。所以随着定组态砂带的粒度增大，去除量减小。
定组态砂带在磨削刨花板的过程中，P-180的去除量并没有明显高于P-220。两种不同粒度定组态砂带的去除量相差不大，这说明了在磨削过程中等效磨粒会对大目数定组态砂带的材料去除起到补偿作用，减小定组态砂带不同粒度微磨粒之间的去除量差异。
P-150磨削稳定性最差，而P-180和P-220的定组态砂带，从数据的标准差和极差来看磨削稳定性相差不大，P-180稍优于P-220。这是因为在当量磨粒尺寸相同的情况下，磨粒的尺寸越小，组成相同尺寸当量磨粒所需的磨粒数量就越多。在砂带自锐的过程中，磨粒越多就能产生更多的切削刃，故定组态砂带P-180和P-220磨削稳定性更好。
P-150的磨粒尺寸较大，组成的等效磨粒气孔较多（图5d）。等效磨粒表面存在较大的气孔，减少了有效磨粒数量且易堵塞磨屑，造成去除量变小。随着磨削进行，表面磨粒的不断脱落，新的磨粒暴露出来，气孔变小，磨屑排出，去除量便会迅速增大。这也导致了P-150去除量波动大。
2.2 表面粗糙度
非定组态砂带磨削刨花板表面粗糙度Sa均值为7.107 μm，标准差为2.617 μm，都远大于定组态砂带（表2）。拟合曲线（图6）表明：4条砂带磨削的刨花板表面粗糙度基本都呈现先快速下降，后保持稳定的变化趋势，定组态砂带磨削表面粗糙度变化曲线的拟合效果略优于非定组态砂带。随着组成定组态砂带的微磨粒粒度增大，刨花板表面的粗糙度减小。图7侧面的频数分布直方图显示：O-220和P-150的粗糙度分布较分散，P-180和P-220的粗糙度分布更加集中，P-180和P-220磨削表面的粗糙度相差不大，P-180的Sa均值和标准差略小于P-220，P-220的极差小于P-180。P-180和P-220磨削试件的表面效果更好，P-180磨削表面粗糙度更稳定，P-220磨削表面质量更加可控。
表 2 不同粒度砂带磨削刨花板表面粗糙度Table 2. Sa of particle board sanded with abrasive belts of different grit sizes砂带类型
Abrasive
belt type最大值
Max.
value/μm最小值
Min.
value/μm均值
Mean/
μm
SD极差
Range/
μmO-220 15.977 3.637 7.107 2.617 12.340 P-150 7.999 3.281 5.521 1.439 4.718 P-180 6.365 2.264 3.818 0.806 4.101 P-220 5.528 2.389 3.911 0.827 3.139 ![]()
图 6 不同粒度砂带磨削刨花板表面粗糙度（Sa）分布Figure 6. Sa distribution of particle board sanded with abrasive belts of different grit sizes![]()
图 7 等效磨粒与表面微磨粒的协同作用Figure 7. Synergistic effect between equivalent grit and surface micro-grits试件表面粗糙度Sa数值越小说明砂带磨削表面质量越好，标准差体现了磨削质量的稳定性，标准差越小，刨花板表面粗糙度值的波动越小，磨削表面质量越稳定。非定组态砂带磨削试件的表面粗糙度大于定组态砂带，粗糙度稳定性也较差。P-180和P-220定组态砂带磨削表面质量更平整且稳定。
从试件表面粗糙度变化趋势看，非定组态砂带磨削刨花板0 ~ 5万次的过程中，刨花板表面粗糙度下降剧烈，并在5万 ~ 12万次过程中波动明显，然后随着磨削次数的继续增加表面粗糙度逐渐稳定，这是因为砂带表面的磨粒等高性较差（图4）。在磨削初期，较高的磨粒先磨削试件，并在试件表面切入较深，所以初期有较高的去除量而试件表面粗糙度较差。当磨削一定次数后，较高的磨粒被磨损，砂带的等高性变好，有更多磨粒参与磨削，此时试件加工后的表面粗糙度较初始阶段会迅速降低。当磨削继续进行，表面磨粒磨损加剧，磨削阻力增大，磨粒通过破碎自锐增强磨削性能，切削刃的变化导致试件表面粗糙度的波动。当大部分磨粒破碎完全时，磨粒等高性进一步稳定，此时磨削试件表面粗糙度变小并逐渐趋于稳定。
定组态砂带磨削刨花板的粗糙度变化均较非定组态砂带稳定。图6显示：3种定组态砂带磨削刨花板的表面粗糙度在整个过程中也基本呈先下降后稳定，上下波动的变化趋势。磨削前期下降趋势较明显，中后期粗糙度稳定，波动幅度较小。因为定组态砂带磨粒等高性好，所以在磨削初期时相较于非定组态砂带有着更好的磨削质量。等效磨粒结构导致定组态砂带自锐性更强，在磨削刨花板过程中随着磨削的进行磨粒发生破碎和脱落，会不断有新的磨粒参与磨削使在磨削过程中刨花板表面粗糙度在较小范围内上下波动。
定组态砂带磨削刨花板表面质量更好还与等效磨粒与表面微磨粒的协同作用（图7）有关。在磨削过程中等效磨粒对刨花板表面进行切削，去除试件表面材料，同时砂带表面微磨粒也对等效磨粒磨削过的表面进行修整，使磨削试件的表面粗糙度下降。在磨削过程中这两类磨粒作用同时进行，所以在等效磨粒和表面微磨粒的共同作用下定组态砂带磨削的刨花板具有更小的表面粗糙度。
进一步对比3种不同粒度的定组态砂带磨削刨花板表面粗糙度变化，发现在整个磨削过程中P-150定组态砂带磨削试件表面粗糙度波动比P-180和P-220大。这是因为P-150单个微磨粒直径大，所受到的磨削阻力较大，使得整体结构不稳定，易发生微磨粒的脱落，造成试件表面粗糙度波动较大。P-180和P-220磨削刨花板表面粗糙度值在经过初期下降之后，在磨削的中后期磨削稳定，刨花板表面粗糙度值变化幅度不大。因为这两种定组态砂带微磨粒尺寸小，磨粒之间结合强度好，单个磨粒所受磨削阻力较小，磨粒能够均匀地磨损、脱落。在磨削前期，磨粒表面胶层以及顶端微磨粒磨掉之后，等效磨粒与试件的接触面积变大，切入深度下降，试件表面粗糙度降低。之后磨削过程中等效磨粒受力均匀，微磨粒的磨损与脱落稳定发生，所以P-180和P-220磨削刨花板表面粗糙度稳定。而P-180磨粒目数略大于P-220，微磨粒所受磨削阻力较大，部分微磨粒成团脱落，导致P-180磨削刨花板表面粗糙度波动略大于P-220。
2.3 砂带磨损
3种不同粒度的定组态砂带在磨削刨花板过程中，砂带质量呈波浪形下降，且均在磨削开始阶段有较明显的降低（图8）。对3种不同粒度的定组态砂带质量分别进行线性拟合，P-150、P-180、P-220的拟合后的残差平方和R2分别为0.968、0.981、0.974，各拟合曲线的R2值均在0.9以上，拟合程度较好，其中P-180的拟合程度最好。P-150拟合曲线的斜率最大，磨削过程中砂带质量下降的最快。根据砂带初始质量和最终质量之差可以计算出磨削20万次后的砂带质量损失（表3），质量损失从大到小依次是P-150、P-180、P-220。
![]()
图 8 不同粒度定组态砂带磨削刨花板过程的质量变化Figure 8. Mass change of PSAs with different abrasive grit sizes during sanding particle boards表 3 不同目数定组态砂带磨削过程的质量统计数据Table 3. Statistical data of mass of PSAs with different grit sizes砂带类型
Abrasive belt type初始质量
Initial mass/g结束质量
Final mass/g质量损失
Mass loss/gP-150 30.675 30.392 0.283 P-180 30.425 30.153 0.272 P-220 31.007 30.760 0.247 在初始1万次磨削中，3种定组态砂带均有较大的质量损失，这是因为定组态砂带制备时会在砂带表面涂覆面胶。初始磨削过程会把砂带表面的胶层、等效磨粒表面高度较高的微磨粒以及黏结强度较弱的微磨粒都打磨掉，所以砂带质量下降较快。而在初始磨削阶段后，等效磨粒和表面露出的微磨粒都参与到刨花板的有效磨削过程中，在磨削力的作用下磨钝、断裂、脱落（图9），砂带质量稳步下降。
在整个磨削过程中，可以观察到3种定组态砂带质量都呈先快后慢的波浪形周期性下降。砂带质量的周期性下降是受堆积磨料的结构影响。在堆积磨粒内部存在有气孔，在定组态砂带磨削刨花板过程中，磨屑会填充在气孔和磨粒间隙（图5a，d），造成砂带表面的堵钝现象，受到堆积磨屑质量的影响，此时砂带质量损失便会变慢甚至会出现砂带质量增加的现象。通过前面的分析，定组态砂带具有优异的自锐性能，随着等效磨粒表面钝化的微磨粒脱落，堵钝在微磨粒之间磨屑也随之离开砂带表面，造成砂带质量损失加快。此后再砂带磨削刨花板产生磨屑，磨屑堆积在磨粒间隙，磨粒脱落带走磨屑，以此为周期反复进行，最终导致了砂带质量的波浪形下降。
在木质材料砂带磨削过程中，磨粒磨损形式包括脱落、断裂和磨钝，其中以断裂和磨钝为主[21]。将图9中3种不同粒度的定组态砂带进行比较：P-150磨削后，表面磨粒脱落痕迹明显，而磨钝磨粒较少；P-180表面断裂和磨钝的磨粒较多，脱落磨粒较少；P-220表面磨粒磨钝表现十分显著，断裂和脱落相对占比较少。定组态砂带磨粒粒度越小，微磨粒尺寸越大，组成等效磨粒的微磨粒数量越少，微磨粒所受到的压强就会越大。定组态砂带在磨削时，所受压强大的微磨粒切入试件表面更深，受到的磨削阻力更大，更容易造成等效磨粒表面微磨粒的脱落。脱落后仍具有锋利切削刃的微磨粒游离在刨花板和砂带之间，与它们产生摩擦，导致试件表面质量变差，砂带质量损失也加大。而磨粒粒度大的砂带，如P-220，由于组成等效磨粒的微磨粒数量多，每个微磨粒受到的压强小且均匀，切入试件表面较浅，单个微磨粒能充分磨钝至失效后，再发生破碎、脱落，并在等效磨粒表面形成新的切削刃，使得磨削质量好，砂带质量损失小。此时脱落的微磨粒由于磨损彻底，尺寸变小，对试件表面质量和砂带质量损失影响较小。
3. 结 论
本试验制备了3种不同微磨粒粒度的定组态砂带，与220目的非定组态砂带对比，进行了刨花板磨削试验，探究微磨粒粒度对定组态砂带磨削效率、表面加工质量、砂带磨损的影响，得到以下主要结论。
（1）定组态砂带去除量的平均值与微磨粒粒度存在负相关的关系，随着磨粒粒度增大，定组态砂带去除量更加稳定。等效磨粒会对微磨粒的材料去除起到补偿作用，减小定组态砂带不同微磨粒粒度间的去除量差异。
（2）定组态砂带磨削过程中刨花板的表面粗糙度呈先下降后稳定，小范围上下波动的变化趋势。随着磨粒粒度的增大，刨花板表面粗糙度减小且更加稳定。定组态砂带等效磨粒与表面微磨粒的协同作用使磨削试件的表面质量较非定组态砂带更优。
（3）定组态砂带质量在磨削过程呈波浪形周期性下降，质量变化可以用线性函数较好地拟合，R2均在0.9以上。P-150砂带质量损失最快，P-180砂带质量下降最稳定。随磨粒粒度增大，等效磨粒在磨削过程中更能稳定磨损，以微磨粒形式脱落，砂带的磨损量小。
本研究发现在等效磨粒形状尺寸相同的情况下，微磨粒粒度对定组态砂带磨削性能有显著影响，发现了等效磨粒和微磨粒之间的补偿和协同作用，丰富了木质材料磨削理论。当前研究主要针对四棱台形等效磨粒，粒度对不同形状定组态砂带的影响可能会有差异；下一步将进一步探究定组态砂带的其他参数对砂带性能的影响，为定组态砂带的制造和选用提供理论支撑和实践指导。
-
![]()
图 1 不同可燃物类型光谱特征曲线对比
Figure 1. Comparison in spectrum characteristic curves of different forest fuel types
![]()
图 4 由DT、RF、SVM分类算法生成的森林可燃分类
DT.决策树；RF.随机森林；SVM.支持向量机。下同。
Figure 4. Forest fuel classification maps generated by DT, RF, SVM classification algorithms
DT, decision tree; RF, random forest; SVM, support vector machine. The same below.
![]()
图 5 非防火期森林可燃物各类型覆盖范围饼图
Figure 5. Pie chart of forest fuels' coverage during non-fireproof period
![]()
图 6 森林可燃物(5—10月)与海拔变化的柱状图
Figure 6. Histogram of changes of forest fuels (May to October) with altitude change
![]()
图 7 森林可燃物(5—10月)与坡度变化的柱状图
Figure 7. Histogram of changes of forest fuels (May to October) with slope change
表 1 GF-1原始数据特征
Table 1 Characteristics of GF-1 original data
卫星
Satellite数据标识
Data record日期
Data云量
Cloud amount/%像素分辨率
Pixel resolution/mGF-1 PMS2_E116.1_N40.2-PAN2 2016-05-16 1.12 2 PMS2_E116.1_N40.2-MSS2 8 GF-1 PMS2_E116.1_N40.2-PAN2 2016-08-27 1.26 2 PMS2_E116.1_N40.2-MSS2 8 GF-1 PMS2_E116.1_N40.2-PAN2 2016-10-29 2.3 2 PMS2_E116.1_N40.2-MSS2 8 
下载: 导出CSV
表 2 鹫峰林场海拔和坡度分级
Table 2 Altitude and slope grading of Jiufeng Forest Farm
海拔Altitude 1类Category 1(＜250 m) 2类Category 2(250-500 m) 3类Category 3(500-750 m) 4类Category 4(>750 m) 坡度Slope 缓坡Gentle slope(＜15°) 斜坡Slope(15°-35°) 陡坡Steep slope(>35°)
下载: 导出CSV
表 3 GF-1遥感影像训练样本的类可分离度
Table 3 Class separability of training samples of GF-1 remote image
分离度
Separability针叶林
Coniferous
forest阔叶林
Broadleaved
forest混交林Coniferous
and broadleaved
mixed forest灌木林
Shrub
forest非林地
Non-forest
land针叶林Coniferous forest — 1.52 1.45 1.48 1.96 阔叶林Broadleaved forest 1.52 — 1.70 1.97 1.98 混交林Coniferous and broadleaved mixed forest 1.45 1.70 — 1.82 1.93 灌木林Shrub forest 1.48 1.97 1.82 — 1.96 非林地Non-forest land 1.96 1.98 1.93 1.96 —
下载: 导出CSV
表 4 2016年GF-1遥感图像经过不同分类的精度对比
Table 4 Comparison in accuracy of different classifications to the 2016 GF-1 remote sensing mage
% 不同分类Different classifers DT RF SVM UA PA UA PA UA PA 针叶林Coniferous forest 64.65 51.56 69.57 56.00 80.68 71.00 阔叶林Broadleaved forest 85.39 80.06 91.63 63.03 93.85 73.94 针阔混交林Coniferous and broadleaved mixed forest 65.69 80.89 73.67 95.46 79.11 90.91 灌木林Shrub forest 90.24 94.13 87.75 91.45 90.90 93.86 非林地Non-forest land 86.88 51.59 97.30 99.47 97.39 99.64 注：UA代表用户精度，PA代表生产者精度。Notes:UA stands for user’s accuracy, PA stands for producer’s accuracy.
下载: 导出CSV
表 5 森林可燃物2016年5—10月变化率(ACR)
Table 5 Quarterly rate of change (ACR) from May to October in 2016
% 类别Category ACR 5—8月变化量
Change of May to August8—10月变化量
Change of August to October5—10月变化量
Change of May to October针叶林Coniferous forest 6.1 -5.0 1.3 阔叶林Broadleaved forest 3.2 -11.0 -3.0 针阔混交林Coniferous and broadleaved mixed forest 11.6 -11.0 1.1 灌木林Shrub forest -6.6 4.0 -2.7 非林地Non-forest land -5.4 24.0 4.7 注：ACR为每个时期的变化率。Note: ACR is the rate of change.
下载: 导出CSV
表 6 森林可燃物与海拔的关系
Table 6 Relationship between forest fuels and altitude
hm2
ha类别
Category海拔
Altitude/m针叶林
Coniferous
forest阔叶林
Broadleaved
forest针阔混交林
Coniferous and
broadleaved
mixed forest灌木林
Shrub
forest非林地
Non-forest
land5月May ＜250 8.5 13.6 63.4 24.5 94.3 250~500 38.6 17.3 88.8 70.3 20.6 500~750 15.4 7.9 73.6 79.6 7.6 >750 20.7 2.8 106.2 75.6 3.1 10月October ＜250 8.2 10.5 64.2 21.3 103.3 250~500 39.3 12.4 90.6 55.8 30.1 500~750 15.6 5.2 78.9 60.6 10.4 >750 25.7 1.6 110.3 78.4 9.6 森林可燃物类型变化
Category change in forest fuels＜250 -0.3 -3.1 0.8 -3.2 9.0 250~500 0.7 -4.9 1.8 -14.5 9.5 500~750 0.2 -2.7 5.3 -19.0 2.8 >750 5.0 -1.2 4.1 2.8 6.5
下载: 导出CSV
表 7 森林可燃物与坡度的关系
Table 7 Relationship between forest fuels and slope gradient
hm2
ha类别Category 坡度
Slope gradient/
(°)针叶林
Coniferous
forest阔叶林
Broadleaved
forest针阔混交林
Coniferous and broadleaved
mixed forest灌木林
Shrub
forest非林地
Non-forest
land5月May ＜15 7.5 15.6 38.7 20.4 41.8 16~35 58.6 17.3 228.8 129.3 70.6 >36 17.1 8.7 64.5 100.3 13.2 10月October ＜15 6.1 12.4 28.9 12.6 64.0 16~35 59.8 8.6 190.4 120.2 145.6 >36 18.4 2.1 64.8 89.6 28.9 森林可燃物类型变化
Category change in forest fuels＜15 -1.4 -3.2 -9.8 -7.8 -18.8 16~35 1.2 -8.7 -38.4 -49.1 -55.0 >36 1.3 -6.6 0.3 -10.7 -13.8
下载: 导出CSV
-
[1] 胡海清, 罗斯生, 罗碧珍, 等.森林可燃物含水率及其预测模型研究进展[J].世界林业研究, 2017, 30(3): 64-69. http://d.old.wanfangdata.com.cn/Periodical/sjlyyj201703012 Hu H Q, Luo S S, Luo B Z, et al. Forest fuel moisture content and its prediction model[J]. World Forest Research, 2017, 30(3): 64-69. http://d.old.wanfangdata.com.cn/Periodical/sjlyyj201703012
[2] 吴德慧, 江洪, 徐建辉.森林可燃物的遥感分类研究进展[J].安徽农业科学, 2012, 40(26): 12961-12962. doi: 10.3969/j.issn.0517-6611.2012.26.088 Wu D H, Jiang H, Xu J H. Advance in the remote sensing classification of forest fuel[J]. Journal of Anhui Agricultural Sciences, 2012, 40(26): 12961-12962. doi: 10.3969/j.issn.0517-6611.2012.26.088
[3] Jarron L R, Hermosilla T, Coops N C, et al. Differentiation of alternate harvesting practices using annual time series of landsat data[J]. Forests, 2017, 8(1):13. https://www.mdpi.com/1999-4907/8/1/15
[4] 郭鸿郡, 俞童, 马超, 等.基于遥感技术的森林可燃物类型划分[J].林业科技情报, 2014, 46(2): 1-3. doi: 10.3969/j.issn.1009-3303.2014.02.001 Guo H J, Yu T, Ma C, et al. The division for the forest combustible type based on the remote sensing technology[J]. Forestry Science and Technology Information, 2014, 46(2): 1-3. doi: 10.3969/j.issn.1009-3303.2014.02.001
[5] 赵俊卉, 郭广猛, 张慧东, 等.用MODIS数据预估森林可燃物湿度的研究[J].北京林业大学学报, 2006, 28(6):148-150. doi: 10.3321/j.issn:1000-1522.2006.06.027 Zhao J B, Guo G M, Zhang H D, et al. Estimating fuel moisture content of forests with MODIS data[J].Journal of Beijing Forestry University, 2006, 28(6):148-150. doi: 10.3321/j.issn:1000-1522.2006.06.027
[6] 张莹, 张晓丽, 李宏志, 等.基于频谱和光谱特征的高光谱地物分类比较[J].北京林业大学学报, 2018, 40(7):1-8. doi: 10.13332/j.1000-1522.20170342 Zhang Y, Zhang X L, Li H Z, et al. A comparative analysis on hyperspectral land-cover classification based on frequency spectrum and spectral characteristics[J].Journal of Beijing Forestry University, 2018, 40(7):1-8. doi: 10.13332/j.1000-1522.20170342
[7] 朱江, 胡华全, 范雯琦, 等.基于深度神经网络的高光谱遥感影像分类方法研究[J].装备学院学报, 2017, 28(3): 14-20. doi: 10.3783/j.issn.2095-3828.2017.03.003 Zhu J, Hu H Q, Fan W Q, et al. Research on hyperspectral remote sensing image classification based on deep neural networks[J]. Journal of Equipment Academy, 2017, 28(3): 14-20. doi: 10.3783/j.issn.2095-3828.2017.03.003
[8] Pal M, Mather P M. Support vector machines for classification in remote sensing[J]. International Journal of Remote Sensing, 2005, 26(5): 1007-1011. doi: 10.1080/01431160512331314083
[9] 李大威, 杨风暴, 王肖霞, 等.基于随机森林与D-S证据合成的多源遥感分类研究[J].激光与光电子学进展, 2016(3): 75-82. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jgygdzxjz201603010 Li D W, Yang F B, Wang X X, et al. Multisource remote sensing classification based on random forestand adaptive weighted D-S evidence synthesis[J]. Laser & Optoelectronics Progress, 2016(3): 75-82. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jgygdzxjz201603010
[10] 侍昊, 李旭文, 牛志春, 等.基于随机森林模型的太湖水生植被遥感信息提取[J].湖泊科学, 2016(3): 635-644. http://d.old.wanfangdata.com.cn/Periodical/hpkx201603020 Shi H, Li X W, Niu Z C, et al. Remote sensing information extraction of aquatic vegetation in Lake Taihu based on random forest model[J]. Journal of Lake Sciences, 2016(3): 635-644. http://d.old.wanfangdata.com.cn/Periodical/hpkx201603020
[11] Otukei J R, Blaschke T. Land cover change assessment using decision trees, support vector machines and maximum likelihood classification algorithms[J]. International Journal of Applied Earth Observation and Geoinformation, 2010, 121: 27-31. http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0216787839/
[12] 杨长坤, 王崇倡, 张鼎凯, 等.基于SVM的高分一号号卫星影像分类[J].测绘与空间地理信息, 2015(9): 142-144. doi: 10.3969/j.issn.1672-5867.2015.09.049 Yang C K, Wang C C, Zhang D K, et al. Classification of GF-1 satellite image based on SVM[J]. Geomatics & Spatial Information Technology, 2015(9): 142-144. doi: 10.3969/j.issn.1672-5867.2015.09.049
[13] 刘毅, 杜培军, 郑辉, 等.基于随机森林的国产小卫星遥感影像分类研究[J].测绘科学, 2012, 37(4): 194-196. http://d.old.wanfangdata.com.cn/Periodical/chkx201204063 Liu Y, Du P J, Zheng H, et al. Classification of China small satellite remote sensing image based on random forests[J]. Science of Surveying and Mapping, 2012, 37(4): 194-196. http://d.old.wanfangdata.com.cn/Periodical/chkx201204063
[14] 王凯, 牛树奎.基于Rothermel模型的北京鹫峰国家森林公园潜在火行为[J].浙江农林大学学报, 2016, 33(1): 42-50. http://d.old.wanfangdata.com.cn/Periodical/zjlxyxb201601006 Wang K, Niu S K. Research on the potential fire behavior in Jiufeng National Forest Park of Beijing based on the Rothermel model[J]. Journal of Zhejiang A & F University, 2016, 33(1): 42-50. http://d.old.wanfangdata.com.cn/Periodical/zjlxyxb201601006
[15] 林海晏, 岳彩荣, 吴晓晖, 等.基于EnMAP-Box的遥感图像分类研究[J].西南林业大学学报(自然科学), 2014, 34(2): 67-71. http://d.old.wanfangdata.com.cn/Periodical/xnlxyxb201402013 Lin H Y, Yue C R, Wu X J, er al. Remote sensing image classification by EnMAP-Box model[J]. Journal of Southwest Forestry University(Natural Sciences), 2014, 34(2): 67-71. http://d.old.wanfangdata.com.cn/Periodical/xnlxyxb201402013
[16] 米锋, 黄莉莉, 孙丰军, 等.北京鹫峰国家森林公园生态安全评价[J].林业科学, 2010, 46(11): 52-58. doi: 10.11707/j.1001-7488.20101107 Mi F, Huang L L, Sun F J, et al. Evaluation of ecological security for the Jiufeng National Forest Park in Beijing[J]. Scientia Silvae Sinicae, 2010, 46(11): 52-58. doi: 10.11707/j.1001-7488.20101107
[17] 杨闫君, 占玉林, 田庆久, 等.基于GF-1/WFV NDVI时间序列数据的作物分类[J].农业工程学报, 2015, 31(24): 155-161. doi: 10.11975/j.issn.1002-6819.2015.24.024 Yang Y J, Zhan Y L, Tian Q J, et al. Crop classification based on GF-1/WFV NDVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(24): 155-161. doi: 10.11975/j.issn.1002-6819.2015.24.024
[18] Breiman L. Random forests[J]. Machine Leaning, 2001, 45:5-32. doi: 10.1023/A%3A1010933404324
[19] Tian F, Yang L, Lü F, et al. Predicting liquid chromatographic retention times of peptides from the Drosophila melanogaster proteome by machine learning approaches[J]. Analytica Chimica Acta, 2009, 644(1-2): 10-16. doi: 10.1016/j.aca.2009.04.010
[20] Waske B, Van Der Linden S, Oldenburg C, et al. image RF: a user-oriented implementation for remote sensing image analysis with random forests[J]. Environmental ModellinG & Software, 2012, 35: 192-193.
[21] Kuemmerle R, Steder B, Dornhege C, et al. On measuring the accuracy of SLAM algorithms[J]. Autonomous Robots, 2009, 27(4): 387-407. doi: 10.1007/s10514-009-9155-6
[22] Manandhar R, Odeh I O A, Ancev T. Improving the accuracy of land use and land cover classification of landsat data using post-classification enhancement[J]. Remote Sensing, 2009, 1(3): 330-344. doi: 10.3390/rs1030330
[23] Yuan F, Sawaya K E, Loeffelholz B C, et al. Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan Area by multitemporal landsat remote sensing[J]. Remote Sensing of Environment, 2005, 98(2-3): 317-328. doi: 10.1016/j.rse.2005.08.006
[24] Petropoulos G P, Vadrevu K P, Xanthopoulos G, et al. A comparison of spectral angle mapper and artificial neural network classifiers combined with landsat TM imagery analysis for obtaining Burnt Area Mapping[J]. Sensors, 2010, 10(3): 1967-1985. doi: 10.3390/s100301967
[25] Keshtkar H, Voigt W, Alizadeh E. Land-cover classification and analysis of change using machine-learning classifiers and multi-temporal remote sensing imagery[J]. Arabian Journal of Geosciences, 2017, 10(6): 154-169. doi: 10.1007/s12517-017-2899-y
[26] 张浪, 朱义, 薛建辉, 等.转型期园林绿化的城市困难立地类型划分研究[J].现代城市研究, 2017(9): 114-118. doi: 10.3969/j.issn.1009-6000.2017.09.016 Zhang L, Zhu Y, Xue J H, et al. Classification study of challenging urban sites in landscape gardening during urban transition period[J]. Modern Urban Research, 2017(9): 114-118. doi: 10.3969/j.issn.1009-6000.2017.09.016
-
期刊类型引用(6)
1. 刘芮，王振兴，张文静，张生德，张清华. 储热材料研究现状及相变储热研究进展. 电机与控制应用. 2024(02): 44-60 . 
百度学术
2. 陈松武，黄海英，禤示青，刘晓玲，陈桂丹，王浏浏. “双碳”背景下木材加工产业的发展重点与方向的研讨. 浙江林业科技. 2024(04): 112-116 . 百度学术
3. 韦溶军，王志闯，王雪纯，王婷欢，王振宇，何正斌，伊松林. 锡铋合金/肉豆蔻酸制备具有金属外壳的储能木材. 北京林业大学学报. 2024(08): 25-33 . 本站查看
4. 庞群艳，胡纲正，李文轩，贺磊，邱竑韫，黄慧，何文. 纳米铜热处理竹材制备及其防霉性能. 林业工程学报. 2024(06): 37-43 . 百度学术
5. 鲍伟，王胜捷，蒲万兴，宋子豪. 复合相变材料导热性能与套管式相变储热单元翅片结构优化. 农业工程学报. 2024(23): 303-312 . 百度学术
6. 何林韩，刘晓玲，陈松武，罗玉芬，王浏浏. 木质基复合相变材料的研究现状与发展趋势. 化工新型材料. 2023(S2): 525-531 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 1599
- HTML全文浏览量: 374
- PDF下载量: 84
- 被引次数: 7
