高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

多时相高分辨率遥感影像的森林可燃物分类和变化分析

陈冀岱 牛树奎

陈冀岱, 牛树奎. 多时相高分辨率遥感影像的森林可燃物分类和变化分析[J]. 北京林业大学学报, 2018, 40(12): 38-48. doi: 10.13332/j.1000-1522.20180269
引用本文: 陈冀岱, 牛树奎. 多时相高分辨率遥感影像的森林可燃物分类和变化分析[J]. 北京林业大学学报, 2018, 40(12): 38-48. doi: 10.13332/j.1000-1522.20180269
Chen Jidai, Niu Shukui. Classification and change analysis of forest fuels by multi-temporal high resolution remote sensing images[J]. Journal of Beijing Forestry University, 2018, 40(12): 38-48. doi: 10.13332/j.1000-1522.20180269
Citation: Chen Jidai, Niu Shukui. Classification and change analysis of forest fuels by multi-temporal high resolution remote sensing images[J]. Journal of Beijing Forestry University, 2018, 40(12): 38-48. doi: 10.13332/j.1000-1522.20180269

多时相高分辨率遥感影像的森林可燃物分类和变化分析

doi: 10.13332/j.1000-1522.20180269
基金项目: 

国家林业局科技推广项目 2015-04

详细信息
    作者简介:

    陈冀岱。主要研究方向:生态规划与管理。Email:563580663@qq.com   地址:100083   北京市海淀区清华东路35号北京林业大学林学院

    通讯作者:

    牛树奎,教授,博士生导师。主要研究方向:生态规划与管理。Email :niushukui@163.com   地址:同上

  • 中图分类号: S762.1

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。
  • 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  2  决策树结构

    Figure  2.  Structure of the decision tree

    图  3  参数优化

    Figure  3.  Parameter optimization

    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/m
    GF-1PMS2_E116.1_N40.2-PAN22016-05-161.122
    PMS2_E116.1_N40.2-MSS28
    GF-1PMS2_E116.1_N40.2-PAN22016-08-271.262
    PMS2_E116.1_N40.2-MSS28
    GF-1PMS2_E116.1_N40.2-PAN22016-10-292.32
    PMS2_E116.1_N40.2-MSS28
    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Altitude1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 forest1.521.451.481.96
    阔叶林Broadleaved forest1.521.701.971.98
    混交林Coniferous and broadleaved mixed forest1.451.701.821.93
    灌木林Shrub forest1.481.971.821.96
    非林地Non-forest land1.961.981.931.96
    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 classifersDTRFSVM
    UAPAUAPAUAPA
    针叶林Coniferous forest64.6551.5669.5756.0080.6871.00
    阔叶林Broadleaved forest85.3980.0691.6363.0393.8573.94
    针阔混交林Coniferous and broadleaved mixed forest65.6980.8973.6795.4679.1190.91
    灌木林Shrub forest90.2494.1387.7591.4590.9093.86
    非林地Non-forest land86.8851.5997.3099.4797.3999.64
    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CategoryACR
    5—8月变化量
    Change of May to August
    8—10月变化量
    Change of August to October
    5—10月变化量
    Change of May to October
    针叶林Coniferous forest6.1-5.01.3
    阔叶林Broadleaved forest3.2-11.0-3.0
    针阔混交林Coniferous and broadleaved mixed forest11.6-11.01.1
    灌木林Shrub forest-6.64.0-2.7
    非林地Non-forest land-5.424.04.7
    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
    land
    5月May<2508.513.663.424.594.3
    250~50038.617.388.870.320.6
    500~75015.47.973.679.67.6
    >75020.72.8106.275.63.1
    10月October<2508.210.564.221.3103.3
    250~50039.312.490.655.830.1
    500~75015.65.278.960.610.4
    >75025.71.6110.378.49.6
    森林可燃物类型变化
    Category change in forest fuels
    <250-0.3-3.10.8-3.29.0
    250~5000.7-4.91.8-14.59.5
    500~7500.2-2.75.3-19.02.8
    >7505.0-1.24.12.86.5
    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
    land
    5月May<157.515.638.720.441.8
    16~3558.617.3228.8129.370.6
    >3617.18.764.5100.313.2
    10月October<156.112.428.912.664.0
    16~3559.88.6190.4120.2145.6
    >3618.42.164.889.628.9
    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
    16~351.2-8.7-38.4-49.1-55.0
    >361.3-6.60.3-10.7-13.8
    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
  • [1] 吴笑鑫, 高良, 闫民, 赵方.  基于多特征融合的花卉种类识别研究 . 北京林业大学学报, 2017, 39(4): 86-93. doi: 10.13332/j.1000-1522.20160367
    [2] 刘晓东, 王博.  森林燃烧主要排放物研究进展 . 北京林业大学学报, 2017, 39(12): 118-124. doi: 10.13332/j.1000-1522.20170307
    [3] 张帅, 淮永建.  基于分层卷积深度学习系统的植物叶片识别研究 . 北京林业大学学报, 2016, 38(9): 108-115. doi: 10.13332/j.1000-1522.20160035
    [4] 何游云, 张玉波, 李俊清, 王卷乐.  利用无人机遥感测定岷江冷杉单木树干生物量 . 北京林业大学学报, 2016, 38(5): 42-49. doi: 10.13332/j.1000-1522.20150383
    [5] 解潍嘉, 黄侃, 李瑞平, 孙浩, 扈晶晶, 黄华国.  应用高分辨率卫星数据估算阔叶红松林乔木多样性 . 北京林业大学学报, 2015, 37(3): 20-26. doi: 10.13332/j.1000-1522.20140306
    [6] 王丽君, 淮永建, 彭月橙.  基于叶片图像多特征融合的观叶植物种类识别 . 北京林业大学学报, 2015, 37(1): 55-69. doi: 10.13332/j.cnki.jbfu.2015.01.006
    [7] 刘怀鹏, 安慧君, 王冰, 张秋良.  基于递归纹理特征消除的WorldView-2树种分类 . 北京林业大学学报, 2015, 37(8): 53-59. doi: 10.13332/j.1000-1522.20140311
    [8] 王雪军, 马炜, 黄国胜, 陈新云, 党永峰.  基于遥感大样地抽样调查的森林面积监测 . 北京林业大学学报, 2015, 37(11): 1-9. doi: 10.13332/j.1000-1522.20150083
    [9] 张娟, 黄心渊.  基于图像分析的梅花品种识别研究 . 北京林业大学学报, 2012, 34(1): 96-104.
    [10] 黄儒乐, 吴江, 韩宁.  林火烟雾图像自动识别中的模式分类器选择 . 北京林业大学学报, 2012, 34(1): 92-95.
    [11] 张志, 田昕, 陈尔学, 何祺胜.  森林地上生物量估测方法研究综述 . 北京林业大学学报, 2011, 33(5): 144-150.
    [12] 李世明, 王志慧, 韩学文, 贾可.  森林资源变化遥感监测技术研究进展 . 北京林业大学学报, 2011, 33(3): 132-138.
    [13] 琚存勇, 蔡体久.  鄂尔多斯草地生物量估测的GRNN模型实现 . 北京林业大学学报, 2008, 30(增刊1): 296-299.
    [14] 付晓, 王雪军, 韩爱惠, 冯仲科, .  纸浆源地桉树资源遥感动态监测与分析 . 北京林业大学学报, 2008, 30(增刊1): 89-93.
    [15] 刘健, 余坤勇, 洪桢华, 赖日文, 孟宪宇, 赖玫妃, 吕恒斌, .  遥感数据应用于悬浮泥沙反演及动态变化监测 . 北京林业大学学报, 2008, 30(增刊1): 94-97.
    [16] 李树伟, 冯仲科, 龚威平, 汪波, .  基于QuickBird遥感影像的城市绿地系统评价 . 北京林业大学学报, 2008, 30(增刊1): 68-72.
    [17] 尹增芳, 李云开, 张玉兰, 梁善庆, 崔丽娟, 林勇明, 李昌晓, 李春义, 周繇, 刘杏娥, 任云卯, 王春梅, 闫德千, 张运春, 谭健晖, 张颖, 王蕾, 周海宾, 金莹杉, 林娅, 赵铁珍, 王戈, 张仁军, 张秀新, 孙阁, 吴淑芳, 王超, 陈圆, 邢韶华, 刘青林, 高岚, 黄华国, 杨培岭, 刘艳红, 刘国经, 张志强, 樊汝汶, 张明, 江泽慧, 张桥英, 江泽慧, 王以红, 翟明普, 洪滔, 马履一, 马钦彦, 王莲英, 钟章成, 温亚利, 张曼胤, 于俊林, 赵勃, 罗建举, 杨远芬, 徐秋芳, 余养伦, 吴普特, 周荣伍, 邵彬, 汪晓峰, 杨海军, 田英杰, 陈学政, 王玉涛, 吴承祯, 殷际松, 冯浩, 于文吉, 何春光, 张本刚, 王希群, 刘俊昌, 安玉涛, 崔国发, 费本华, 罗鹏, 张晓丽, 王小青, 周国模, 周国逸, 柯水发, 任树梅, 蔡玲, 马润国, 洪伟, 徐昕, 邬奇峰, 费本华, 何松云, 徐克学, 王九中, 康峰峰, 魏晓华, 李敏, 温亚利, 刘爱青, 高贤明, 赵景刚, 骆有庆, 胡喜生, 赵弟行, 任海青, 赵焕勋, 吴家森, 安树杰, 朱高浦, 郑万建, 田平, 吴宁, 林斌, 宋萍, 卢俊峰, 李永祥, 范海兰.  强烈侵蚀产沙区小流域土壤侵蚀强度的支持向量机预报模型研究 . 北京林业大学学报, 2007, 29(3): 93-98.
    [18]
    ZHAOGuang-jie, 刘常富, 李雪萍, 刘金福, 谭炳香, 张灿, 常德龙, 吴斌, 温俊宝, 徐文铎, 李贤军, 程占红, 匡文慧, 郑凌凌, 王云琦, 张求慧, 齐春辉, 段爱国, 李雪峰, 赵燕东, 李吉跃, 邹大林, 王玉涛, 鲁绍伟, 冯夏莲, 李吉跃, 何承忠, 朱天辉, 韩烈保, 余新晓, 温俊宝, 何兴元, 宋湛谦, 韩士杰, 张建国, 白陈祥, LUOWen-sheng, 吴庆利, 吴斌, 洪伟, 赵广杰, 张树文, 王玉杰, 何友均, 张路平, 翟洪波, 何正权, 李增元, 骆有庆, 骆有庆, ]魏晓霞, 黄文豪, 何静, 郭忠玲, 张志毅, 姜伟, 梁小红, 陈尔学, 童书振, 张养贞, 匡秋明, 林秦文, ]陈玮, 李俊清, 刘凤芹, FurunoTakeshi, 陈发菊, 张军, 张振明, 梁宏伟, 胡伟华, 李颖, 张璧光, 赵桂玲, RENQian, 庞勇, 曾会明, 安新民, 许志春, 郑兴波, 许志春, 崔国发, 雷渊才, 宋国正, PaulWolfgang, 曹川健, 侯伟, 李凤兰, 李福海, 刘君, 赵广亮, 郑杰, 杨凯, 张有慧, 李考学, 姚永刚, 董建生, 张全来, 田桂芳, 李永波, 赫万成, 李长明, 张世玺.  吉林省东部山区近50年森林景观变化及驱动机制研究 . 北京林业大学学报, 2006, 28(3): 38-45.
    [19] 王岩, 张学俭, 贺庆棠, 何磊, 蒋佳荔, 李绍才, 王盛萍, 孙宇瑞, 柳新伟, 罗菊春, 高鹏, 李永慈, 侯旭, 张金凤, 谢响明, 冶民生, 李云成, 盖颖, 张文娟, 朱妍, 陆佩玲, 何静, 马道坤, 申卫军, 冯仲科, 王文棋, 廖学品, 张志强, 崔保山, 成仿云, 昌明, 吕建雄, 张华丽, 关文彬, 李吉跃, 吴玉英, 孙海龙, 唐守正, 康向阳, 张平冬, 王军辉, 静洁, 赵广杰, 关毓秀, 李小飞, 石碧, 史剑波, 于晓南, 杨志荣, 路婷, 何权, 吴斌, 张桂莲, 孙阁, 蒋湘宁, 陈永国, 孙晓霞, 汪燕, 王尚德, 赵燕东, 张满良, 蒲俊文, 马克明, 彭少麟, 林威, 刘国华, 胡文忠, 余新晓, 汪西林, .  RS和GIS支持下的我国农牧交错生态脆弱区LUCC研究——以宁夏盐池县为例 . 北京林业大学学报, 2006, 28(1): 32-38.
    [20] 杨晓晖, 杜华强, 龙玲, 杨海龙, 李慧, 李景文, 刘震, 
    王保平, 殷亚方, 张一平, 侯亚南, 宋小双, 李景文, 黄国胜, 熊瑾, 李梅, 王明枝, 詹亚光, 饶良懿, 符韵林, 李全发, 张秋英, 马文辉, 刘文耀, 李妮亚, 吕建雄, 尹立辉, 耿晓东, 王洁瑛, 李俊清, 李俊清, 梁机, 赵敏, 窦军霞, 张克斌, 陆熙娴, 徐峰, 朱金兆, 韩海荣, 李吉跃, 陈晓阳, 秦瑶, 朱金兆, 王雪军, 范文义, 李发东, 乔杰, 刘雪梅, 陈晓阳, 赵宪文, 孙玉军, 唐黎明, 于贵瑞, 慈龙骏, 康峰峰, 欧国强, 毕华兴, 沈有信, 刘桂丰, 陈素文, 秦素玲, 齐实, 倪春, 李云, 李黎, 李凤兰, 魏建祥, 文瑞钧, 赵双菊, 马钦彦, 朱国平, 王雪, 李伟, 黎昌琼, 王玉成, 张桂芹, 蒋建平, 宋献方, 刘伦辉, 韦广绥, 任海青, 李伟, 孙涛, 宋清海, 杨谦, 张万军, 丁霞, , 李慧, 周海江, 孙志强, 孙晓敏, 刘莹, 李宗然, 
    基于Matlab遥感数据分形及地统计分析软件实现 . 北京林业大学学报, 2005, 27(5): 92-97.
  • 加载中
图(7) / 表 (7)
计量
  • 文章访问数:  366
  • HTML全文浏览量:  130
  • PDF下载量:  20
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-08-21
  • 修回日期:  2018-10-12
  • 刊出日期:  2018-12-01

多时相高分辨率遥感影像的森林可燃物分类和变化分析

doi: 10.13332/j.1000-1522.20180269
    基金项目:

    国家林业局科技推广项目 2015-04

    作者简介:

    陈冀岱。主要研究方向:生态规划与管理。Email:563580663@qq.com   地址:100083   北京市海淀区清华东路35号北京林业大学林学院

    通讯作者: 牛树奎,教授,博士生导师。主要研究方向:生态规划与管理。Email :niushukui@163.com   地址:同上
  • 中图分类号: S762.1

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。

English Abstract

陈冀岱, 牛树奎. 多时相高分辨率遥感影像的森林可燃物分类和变化分析[J]. 北京林业大学学报, 2018, 40(12): 38-48. doi: 10.13332/j.1000-1522.20180269
引用本文: 陈冀岱, 牛树奎. 多时相高分辨率遥感影像的森林可燃物分类和变化分析[J]. 北京林业大学学报, 2018, 40(12): 38-48. doi: 10.13332/j.1000-1522.20180269
Chen Jidai, Niu Shukui. Classification and change analysis of forest fuels by multi-temporal high resolution remote sensing images[J]. Journal of Beijing Forestry University, 2018, 40(12): 38-48. doi: 10.13332/j.1000-1522.20180269
Citation: Chen Jidai, Niu Shukui. Classification and change analysis of forest fuels by multi-temporal high resolution remote sensing images[J]. Journal of Beijing Forestry University, 2018, 40(12): 38-48. doi: 10.13332/j.1000-1522.20180269
  • 森林可燃物是森林火灾发生的物质基础[1],森林可燃物类型具有时间性、空间性,并能保持相对稳定。可燃物类型能够反映所处的环境条件及其林分结构特征,对可燃物的结构、密度、理化性质等起到了决定作用[2]。森林可燃物类型不同,可燃物种类、组成、可燃物载量、可燃物分布易燃性、着火后蔓延特性存在较大差异,例如针叶林、阔叶林以及灌木林等的燃烧特性有很大的不同,对森林火灾的发生、蔓延以及整个火行为影响比其他任何因素更重要。而基于遥感图像的时间序列分析能力[3],能增强分类的准确度,并进一步指导实践。

    近些年,结合遥感图像进行分类的研究正在突飞猛进地发展着。通过遥感影像和小班分布图相结合进行分类是一种速度快且低消耗的新型分类方法[4]。赵俊卉等人[5]结合MODIS遥感数据,预估森林可燃物湿度,快速有效。张莹等人[6]利用国产环境小卫星高光谱影像(HJ-1A HSI)和同时成像的多光谱影像(CCD),得出利用频域中的频谱进行地类识别具有可行性。但是目前关于高分辨率遥感影像分类的方法还没有最优的选择,分类可以基于像素或者对象,尽管一些研究比较了使用不同分类算法产生的分类精度,但产生了相互矛盾的结果。例如,朱江等人[7]指出支持向量机(SVM)模型从地类精度和时间消耗上往往不具有很大的优势。相反,Pal等[8]发现RF和SVM分类产生了类似的分类精度。另外,李大威等[9]和侍昊等[10]指出RF模型有更高的分类精度。而Otukei等[11]发现DT通常比使用SVM有更好的分类。对于GF-1号(GF-1)卫星影像研究,国内杨长坤等[12]指出基于SVM分类精度较高,而刘毅等人[13]探讨了基于随机森林的国产小卫星遥感影像的分类,指出随机森林更加高效。相对来说,目前国内外关于利用多时相高分辨率遥感影像进行森林可燃物分类研究相当匮乏,对于研究方法的选取以及森林可燃物类型和其土地面积随着时间、海拔以及坡度的变化研究则更加缺乏。近两年,只有王凯等人[14]探讨了随可燃物湿度、坡度增大4种林型火行为指标均降低的情况,结果表明油松(Pinus tabuliformis)林等针叶林极易发生高强度地表火,栓皮栎(Quercus variabilis)林等阔叶林因地表凋落物累积较多,且林分通风条件好,在低湿度、干旱条件下易发生中等强度地表火。本文基于envi5.3遥感软件结合GF-1号遥感影像和地面调查小班数据,着重比较RF、SVM和CART 3种分类方法。以(Cg)作为寻优变量,研究EnMAP-Box工具包中SVM参数优化对分类的准确度影响[15]。并且对其中的RF方法的关键参数进行调整:树的数量(ntree)和输入变量的数量(mtry),这2个参数必须进行优化才能提高分类准确性。对于CART,通过Layerstacking工具将蓝、绿、红、近红外4个波段、NDVI、ISODATA非监督分类结果、DEM等7个内容组合成一个多波段文件,采用ENVI5.3软件中的决策树分类模块来实现。最后对3种分类结果进行精度验证,获取最优分类方法,生成森林可燃物类型图。最后,比较遥感图像分类方法,利用多时相遥感数据和地理信息系统确定研究区非防火期内(5—10月)森林可燃物类型土地面积变化情况,并分析变化原因,以及探讨森林可燃物类型面积变化与地形因子的关系。米锋等人[16]探讨了鹫峰林场的生态安全,提出了鹫峰林场火险指数的安全指数为0.286 5,处于不安全状态,鹫峰林场是北京地区典型的林场,研究其可燃物分类具有重要意义。而且以前的研究表明,一些地形因素(如高程和坡度)影响一个地区的小气候条件。这些影响温度、湿度和太阳辐射的地形因素,间接影响森林可燃物类型的空间格局。因此分析森林可燃物类型与地形因素之间的关系可以指导未来林火管理和扑救。

    • 鹫峰林场位于华北平原西部,地理坐标为39°54′N、116°28′E。鹫峰林场海拔60~1 200 m,高差大,地形复杂,山体陡峭,坡度为16°~35°的占70.4%,坡度36°以上的占25.2%。鹫峰林场属暖温带落叶阔叶林区域,经林场多年经营,全园森林覆盖率已达85%。以侧柏(Platycladus orientalis)、油松、落叶松(Larix gmelinii)林等针叶林及栎树(Quercus spp.)林、鹅耳枥(Carpinus turczaninowii)、山杏(Armeniaca sibirica)林、栓皮栎等阔叶林和低山(800 m)以下灌丛组成。

      鹫峰林场火险指数的安全指数为0.286 5,处于不安全状态,针叶林极易发生中高强度地表火,阔叶林因地表凋落物累积较多,且林分通风条件好,在低湿度、干旱条件下易发生中等强度地表火,而且由于流动人口较多,所以林火发生概率很大,林火的发生多集中在10月至次年5月,占林火总数的70%,防火问题成为鹫峰林场管理的重点问题。

    • 研究所用的GF-1数据来自地理空间数据云。GF-1卫星于2013年4月26日发射,其中搭载了4台WFV多光谱相机,4台相机组合扫描幅宽800 km,星下点的分辨率16 m,EFV传感器共设置4个波段,光谱范围为0.45~0.89 μm(蓝光0.45~0.52 μm,绿光0.52~0.59 μm,红光0.63~0.69 μm,近红外0.77~0.89 μm),重访周期为4 d[17]。考虑到云量和植被生长季节性,云量越低,云层对地物解译的影响越小,越便于地物的正确解译,所以成像时间选择5月(绿色增长期,2016年5月10日)、8月(生长高峰期,2016年8月27日)和10月(落叶期,2016年10月29日)3个时间的遥感影像,来描述森林可燃物随时间的变化。GF-1数据为2016年的遥感影像,数据特征见表 1

      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/m
      GF-1PMS2_E116.1_N40.2-PAN22016-05-161.122
      PMS2_E116.1_N40.2-MSS28
      GF-1PMS2_E116.1_N40.2-PAN22016-08-271.262
      PMS2_E116.1_N40.2-MSS28
      GF-1PMS2_E116.1_N40.2-PAN22016-10-292.32
      PMS2_E116.1_N40.2-MSS28
    • 通过鹫峰林场遥感图像与小班图来确定不同类型的可燃物在各波段范围内的象元值,对不同类型的可区分性和燃烧性进行分析。针叶林一般较阔叶林易燃,针阔混交林燃烧特性更加复杂,光谱特征曲线呈现一定的波动。针叶林中的落叶松、侧柏等光谱特征曲线较一致,阔叶林中的五角枫(Acer mono)、黄檗(Phellodendron amurense)特征曲线也相差不大,最终对针叶林、阔叶林、针阔混交林、灌木林和非林地(包括居民区、水体、道路等)5种可燃物类型的光谱特征曲线进行对比分析,研究这5种可燃物类型之间的光谱特征差异,从而确定这5种可燃物类别是否满足要求。

    • 在这项研究中,根据鹫峰林场的小班数据、二类清查资料以及植被覆盖图来训练和验证数据。通过Jeffies-Matusita距离度量检查了训练样本的可分性,并对样本进行了优化,移除明显错误分类等,以达到最大的稳定精度。最后使用GF-1卫星图像映射的2 260点样本,并将数据分为训练(80%)和验证(20%)样本2部分。

    • CART(Classification and regression tree)是Breiman[18]于1984年提出的决策树构建算法。采用ENVI5.3软件中的决策树分类模块来实现,在每个节点上可以添加叶子节点并输入运算规则。将数据进行预处理工作。通过Layerstacking工具将蓝、绿、红、近红外4个波段,NDVI、ISODATA非监督分类结果,DEM等7个波段组合成一个多波段文件。随后选取训练样本,使用CART算法获取规则,对分类结果进行验证。

      RF是一种非参数算法,被认为是CART算法的改进版本。RF方法有2个关键参数要调整:树的数量(ntree)和输入变量的数量(mtry)。这2个参数必须进行优化才能提高分类准确性。本研究使用的分类标准是基尼系数,即节点中的最小样本数和节点中最小杂质分别设为1和0。我们使用Tian等[19]提出的基于OOB误差估计的网格搜索方法来计算出ntree和mtry参数的最佳组合。最后,将优化的参数输入到EnMAP-Box的imageRF中,对卫星图像进行分类[20]

      研究EnMAP-Box工具包中SVM参数优化对分类的准确度影响,利用EnMAP-Box工具包中的网格搜索作为研究工具,以(Cg)作为寻优变量,利用parameterize SV classifer(支持向量分类器参数优化),对惩罚参数(C)和核参数(g)的取值范围进行设定,最终取分类准确率最高的那组Cg作为最佳参数,之后用最优参数进行支持向量机的森林可燃物分类。EnMAP-box中的SVM有4个参数需要调整:核参数(g),惩罚参数(C),金字塔等级以及分类概率阈值。分类概率阈值是SVM分类器的重要值,因为所有小于该阈值的规则都是未分类的。我们为这个阈值设置零值,这意味着所有像素必须分类到一个类别中。研究表明gC的最佳组合取决于训练数据[21]

    • 精度评估是基于总体精度、用户准确度、生产者精度和Kappa指数的计算。使用McNemar测试来评估每种分类算法相对于另一种算法的优越性。该测试基于卡方(χ2)统计,从2个误差矩阵计算得出。

      $$ {{\chi }^{2}}=\frac{{{({{f}_{12}}\text{-}{{f}_{21}})}^{2}}}{{{f}_{12}}+{{f}_{21}}} $$

      式中:f12表示按分类器1错误分类但按分类器2正确分类的数量,f21表示按分类器1正确分类但按分类器2错误分类的数量[22]

    • 根据分类结果,我们计算了研究区内森林可燃物类型土地面积月份的净变化。土地面积通过Arcgis软件计算像素点的数量得出,土地面积变化即指像素变化。净变化是通过变化检测算法获得的。分类后变化检测方法不仅可以反映变化幅度,还可以确定类别之间变化的趋势[23]。净变化计算为2016年5、8和10月的森林可燃物差异(以公顷记),而每个时期j的变化率(ACR)计算如下:

      $$ \text{AC}{{\text{R}}_{j}}=[(\text{S}{{\text{C}}_{j}}/\text{CP}{{\text{B}}_{j}})\times 100]\times Y $$

      式中:SCj是时间段j内像素变化的总和,CPBj是时间段j开始时每个类别像素数量,Y表示图像A和图像B之间的月份数。

    • 鹫峰林场地形复杂,高差大,海拔100~1 153 m。为了评估森林可燃物类型变化是否随高度和坡度变化,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)),使用Jenks自然断裂分类方法对每个类别土地变化计算百分比。总结了3种坡度类型:缓坡(<15°)、斜坡(15°~35°)、陡坡(>35°),详见表 2

      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Altitude1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°)
    • 通过光谱特征曲线把GF-1号遥感影像与森林可燃物类型建立了关系,5种可燃物分类类型能够达到研究要求。由图 1可见,分别对针叶林、阔叶林、针阔混交林、灌木林以及非林地的光谱特征曲线进行对比。

      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

    • 表 3显示了2016年图像分类中不同类别训练样本的分离度值。取值范围从0~2,越接近2,被选中的样本越可分离。值大于1.4表示合格样本,值大于1.8表示类具有良好的可分性,而小于1的值表示类必须合并[24]。观察表 3的数值,大多数对彼此相互分离,其值大于1.8。针叶林和混交林相对较低(1.45)。因此,由于所有的值大于1,因此不需要将类别合并成其他类别,选定的训练样本符合分类要求。

      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 forest1.521.451.481.96
      阔叶林Broadleaved forest1.521.701.971.98
      混交林Coniferous and broadleaved mixed forest1.451.701.821.93
      灌木林Shrub forest1.481.971.821.96
      非林地Non-forest land1.961.981.931.96
    • 在ENVI Classic下打开合成波段数据,加载训练样本,生成CART决策树,进行分类器参数设置,将minsplit设置为5,并检查从2~7的决策树的最大深度,从而产生总共5个分类图像。没有选择小于5的数值,因为存在过度拟合的风险。结果显示最高总分类精度(样本正确分类的百分比)在最大深度为6时达到,部分决策树的结构如图 2所示。

      图  2  决策树结构

      Figure 2.  Structure of the decision tree

      对于基于SVM分类,使用粗搜索方法找到Cg参数的最佳组合。因此,通过嵌套交叉验证来调整C,其中C(10-3、10-2、10-1、1、10、102、103)。使用g(10-2、10-1、1、10、102、103)的嵌套交叉验证来设置g参数。结果表明,结合g值为10和C值为1 000时的基于SVM分类精度最高(图 3a)。

      图  3  参数优化

      Figure 3.  Parameter optimization

      优化RF分类模型的参数,测试1~6的效果。ntree参数的范围是0~100,间隔为10,这导致800多个分类。结果表明,设置ntree为100和mtry为2产生最低的OOB错误率(4.54%)。图 3b表示随着树的数量增加,总体分类精度的变化。

    • 使用3种不同的机器学习分类器(DT、RF、SVM)对2016年的GF-1遥感影像进行分类。分类结果如图 4所示。通过视觉分析,表明所有分类器生成一致的分类结果。

      图  4  由DT、RF、SVM分类算法生成的森林可燃分类

      Figure 4.  Forest fuel classification maps generated by DT, RF, SVM classification algorithms

      除了视觉观察外,定量比较这些分类器的准确性,总结分类精度统计。结果表明(表 4),使用SVM进行分类提供了最高的总体准确率(91.88%)和Kappa系数(0.89)。DT总体准确率为82.52%,Kappa系数为0.81。RF总体准确率为89.16%,Kappa系数为0.85,RF比DT高,比SVM略低。

      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 classifersDTRFSVM
      UAPAUAPAUAPA
      针叶林Coniferous forest64.6551.5669.5756.0080.6871.00
      阔叶林Broadleaved forest85.3980.0691.6363.0393.8573.94
      针阔混交林Coniferous and broadleaved mixed forest65.6980.8973.6795.4679.1190.91
      灌木林Shrub forest90.2494.1387.7591.4590.9093.86
      非林地Non-forest land86.8851.5997.3099.4797.3999.64
      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.

      此外,我们使用McNemar来计算不同机器学习算法之间是否存在统计显著性差异。McNemar表明,基于像DT和SVM(P=0.004)之间有显著差异(Ptable_top_border20.05),而RF和SVM算法没有显著差异(P>0.05)。

    • 基于SVM分类,在5、8和10月的3幅GF-1图像上进行。表 4总结了每个分类图的精度评估结果。通过计算像素数量,可以获得该月份每种分类的像素数量,可以获得森林可燃物覆盖范围信息,如图 5所示。

      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 5显示了2016年5、8月10月每种分类结果的静态状况。

      表 5列出了2016年5、8和10月的ACR。该表显示,与5—8月相比,8—10月的针叶林、灌木林每月变化不是很大,而阔叶林、混交林、非林地则发生很大变化,其中阔叶林减少11%,而非林地增加24%。

      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CategoryACR
      5—8月变化量
      Change of May to August
      8—10月变化量
      Change of August to October
      5—10月变化量
      Change of May to October
      针叶林Coniferous forest6.1-5.01.3
      阔叶林Broadleaved forest3.2-11.0-3.0
      针阔混交林Coniferous and broadleaved mixed forest11.6-11.01.1
      灌木林Shrub forest-6.64.0-2.7
      非林地Non-forest land-5.424.04.7
      注:ACR为每个时期的变化率。Note: ACR is the rate of change.
    • 图 67表示5—10月的森林可燃物随着海拔、坡度的变化主要跟阔叶林和灌木林相关。

      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

      针阔混交林和非林地约占第1类土地的31.03%和46.16%,灌木林和针阔混交林分别约占第3类土地的43.24%和39.98%;4级以上的土地超过50%被针阔混交林覆盖。各森林可燃物类型的平均海拔从小到大依次为非林地(约215 m)<阔叶林(约384 m)<针阔混交林(约417 m)<针叶林(约527 m)<灌木林(大于581 m)。表 6说明,在2016年5—10月,1类土地的变化使阔叶林面积减少了3.1 hm2,非林地增加了9 hm2。最主要的变化与阔叶林和灌木林增加有关,其面积和高达19.4 hm2

      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
      land
      5月May<2508.513.663.424.594.3
      250~50038.617.388.870.320.6
      500~75015.47.973.679.67.6
      >75020.72.8106.275.63.1
      10月October<2508.210.564.221.3103.3
      250~50039.312.490.655.830.1
      500~75015.65.278.960.610.4
      >75025.71.6110.378.49.6
      森林可燃物类型变化
      Category change in forest fuels
      <250-0.3-3.10.8-3.29.0
      250~5000.7-4.91.8-14.59.5
      500~7500.2-2.75.3-19.02.8
      >7505.0-1.24.12.86.5

      表 7所示,研究区斜坡为16°~35°的占70.6%,陡坡36°以上的占25.3%。超过60%的针阔混交林占据16°~35°的斜坡,超过37.5%的阔叶林(15.6 hm2)的坡度小于15°,灌木林的40%位于大于35°的坡度。针阔混交林和灌木林的5—10月,坡度为16°~35°的土地上变化最大,分别为38.4%和49.1%,非林地也表现很明显。

      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
      land
      5月May<157.515.638.720.441.8
      16~3558.617.3228.8129.370.6
      >3617.18.764.5100.313.2
      10月October<156.112.428.912.664.0
      16~3559.88.6190.4120.2145.6
      >3618.42.164.889.628.9
      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
      16~351.2-8.7-38.4-49.1-55.0
      >361.3-6.60.3-10.7-13.8
    • 一直以来,森林可燃物分类没有一个明确的标准,分类方法不同,结果就会存在差异,本文是基于高分辨率遥感图像的特性,参考以前研究成果和相关分类标准,依据植物群落、林型和燃烧特性对可燃物类型进行划分,通过光谱特征曲线建立森林可燃物与遥感图像的关系。发现针叶林中的油松、侧柏等树种的光谱特征曲线较为接近,燃烧特性也较一致,其中油松林极易发生高强度地表火,侧柏林易发生中强度地表火。阔叶林中的五角枫、黄檗的光谱特征曲线也不易区分,所以将鹫峰林场的森林可燃物分为针叶林、阔叶林、针阔混交林、灌木林和非林地5种类型是可行的。随后基于GF-1号遥感数据,利用EnMAP-box中的支持向量机(SVM)算法、随机森林(RF)以及基于CART的决策树方法进行分类,并对比分析分类方法,选取分类精度最高的是SVM分类方法。

      树种不同其燃烧特性不同,通常针叶林比阔叶林易燃。鹫峰林场中的落叶松、侧柏以及油松的光谱特征曲线较为接近,燃烧特性较为一致,所以直接归为针叶林。阔叶林中的五角枫、黄檗等的光谱特征也不易区分,也归为一类。阔叶林的林龄较短,很多为人工更新林地,其易燃性为中等易燃,蔓延序列中等,随着时间以及海拔的变化,阔叶林变化明显,尤其在干旱季节容易发生森林火灾。而针阔混交林主要组成为油松、侧柏、栓皮栎和五角枫等,加之地区的水热状况,以春秋发生火灾的可能性较大。而灌木林以绣线菊(Spiraea salicifolia)灌丛为主,其燃烧特性与针叶林和阔叶林有很大的不同,较多位于中度海拔,土层较薄,容易发生火灾。而非林地(包括居民区、道路、水体等)其燃烧特性一致,不燃或难燃,所以将其划分为一类。由于地区差异或者气象条件,也会对可燃物分类造成影响,本文并没有做出相关探讨,下一步要进一步完善。

    • 本研究将各种机器学习算法(即RF、DT、SVM)进行分类比较。结果表明,SVM分类方法精度较高。SVM分类的高整体精度可归因于该方法能够将超平面最优地分离,而且能在一个适当的空间中直接从训练数据中获得评估。本文利用EnMAP-Box工具包中SVM分类模块中的网格搜索最优参数的方法,在设定的范围内,通过网格最优参数寻优,求得了最优的Cg参数。在SVM分类中,设定参数寻优时,应避免参数范围过窄陷入局部最优解的问题。如果能再辅以纹理信息以及其他遥感深层次信息,分类结果更加真实可靠。

    • 研究表明,针叶林、针阔混交林季节内发生变化呈中等水平,阔叶林、灌木林季节内发生了较大的变化,其中阔叶林约20%发生了变化,灌木林则接近15%。阔叶林、灌木林等森林可燃物类型的变化会直接影响火灾发生时火行为特征,这对于林火预报、林火管理以及扑救有着重要的参考价值。

      研究充分说明了研究区森林可燃物类型的时空变化有一定的规律可循。在Keshtkar等人[25]的土地覆盖变化研究中,还探讨了随坡度、海拔等与地形有关的土地覆盖变化。尽管对于森林可燃物类型的划分还没有一定的标准,但森林类型发生变化会对火行为有着重大影响,森林可燃物类型随时间的变化规律,值得做深一步的研究。

    • 结果表明,随着坡度和海拔的增加,针阔混交林和灌木林有所增加(表 67)。然而,阔叶林和非林地所覆盖的面积随着海拔的增加而下降,分别下降58.1%和92%。5—10月,针阔混交林和灌木林在坡度为16°~35°的土地上变化最大,分别为38.4%和49.1%,非林地也表现很明显。阔叶林在坡度为16°~35°的土地上变化也很突出,减少约10%。所以,坡度为16°~35°的土地,森林可燃物类型变化最大。

      鹫峰林场灌木林和针阔混交林主要分布在海拔400 m以上,因此海拔因子影响着鹫峰林场森林可燃物类型及其燃烧特性。坡度变化对森林可燃物也有着一定的影响,坡度平缓一般有助于植被生长,坡度陡峭、土层较薄,会对植被生长产生不良影响[26]

      本文提出了鹫峰林场的森林可燃物类型划分标准,而且进一步研究非防火期内森林可燃物类型的时空变化,对于森林防火管理有着很重要意义,对于研究随时间森林防火管理规划提供了一定的参考。但由于本研究使用的GF-1号卫星图像数据有限,各月图像只有一幅,而且缺少研究区域相关辅助数据,这样会对遥感对象特征的信息提取具有一定的局限性。如果进一步获取纹理等辅助信息,能在一定程度上提高分类精度,并能更加精确的得到森林可燃物变化情况。本研究结果表明,对鹫峰林场分为针叶林、阔叶林、针阔混交林、灌木林和非林地5种森林可燃物类型的方法满足工作研究需要,而且在不同海拔和坡度上,森林可燃物类型时间变化规律是有章可循的。

参考文献 (26)

目录

    /

    返回文章
    返回