ALOS PALSAR散射總功率的面向對象林火區提取

姜德才,李文吉,李敬敏,白罩峰

(1.中國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有限責任公司，北京 100195)

0 引言

林火對森林生態系統具有極大危害。林火不僅破壞植被及環境，如干擾植物群落的更替和野生動物的遷徙、改變土壤結構、降低微生物含量、造成水土流失、引起空氣污染等[1]，而且還威脅人類生命及財產安全。森林過火跡地的位置、面積和烈度的高精度、快速提取可為相關部門針對森林火中救治、火后災情評估及生態恢復的決策、部署提供科學依據。

基于晴天無云的中高空間分辨率光學衛星遙感的林火區提取研究已廣泛開展。該類方法主要是利用綜合火燒指數(composite burn index，CBI)、歸一化差值植被指數(normalized difference vegetation index，NDVI)、歸一化火燒指數(normalized burn ration，NBR)和差分歸一化火燒指數(differential normalized burn ration，DNBR)等光學影像遙感指數[2-3]，通過人工目視解譯或應用分類算法獲取水體、裸地、植被以及燃燒區等地類，從而提取林火跡地；對提取的林火跡地進一步細分還可獲得燃燒烈度信息[4]。孫桂芬等[5]基于晴天無云的Landsat8影像短波紅外波段提取林火跡地的精度達到了87%，而GF-1影像可見光和近紅外波段提取林火跡地的精度則達到了91%。

高分光學衛星遙感雖然在地類提取方面具有很高精度，但在對地成像過程中易受到云、霧、雨、雪、雹等氣象要素的干擾，尤其在林火燃燒過程中，往往伴有濃烈煙、霧、云等，嚴重制約了其在林火應急救災中的快速響應能力。在微波衛星遙感領域，合成孔徑雷達(synthetic aperture Radar，SAR)的成像波長較長，可穿云透霧，到達地表[6-7]。SAR成像機理的獨特優勢，可為響應災中、災后的應急救災提供技術支撐。作為光學衛星遙感林火監測的有效補充手段，開展SAR衛星遙感的森林火中、火后監測對于快速響應火災搶救、災后治理和生態恢復等具有重要意義[8]。

以像元集合為分析單元的面向對象技術，可有效降低“同物異譜、同譜異物”造成的遙感影像分類中的“椒鹽效應”[9]。該技術在光學衛星遙感影像解譯中已得到廣泛應用[10-11]，而在以SAR為代表的微波遙感領域的應用研究中則較少。因此，本文在文獻[6]基于像元的閾值分類方法提取林火區的基礎上，將Baatz和Sch?pe[12-13]提出的分型網絡演化(fractal net evolution approach，FNEA)的多尺度分割算法應用于全極化ALOS PALSAR影像的后向散射總功率數據，通過對分割對象閾值分類，提取林火災后過火區。

1 研究方法

1.1 研究區及數據源

研究區位于美國Alaska中東部的Birch Creek機場西南角35 km處，火區中心點坐標為66°02′42.0″N，146°35′16.8″W，林火發生于2009年7月18日—8月5日。

Google Earth影像顯示研究區的位置如圖1所示，其中紅色矩形框為美國國家航空航天局網站提供的2景ALOS PALSAR影像覆蓋范圍，影像獲取時間剛好包含了林火發生期間，具體參數如表1所示；藍色矩形框為美國地質調查局的MTBS(monitoring trends in burn severity)項目網站提供的燃燒強度數據，燃燒強度分別為：高、中、低。MTBS燃燒強度數據是通過提取林火前后Landsat5 TM影像的NBR并結合人工解譯制作而成。

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

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

1.2 極化散射總功率

全極化SAR影像數據以復數矩陣形式測量、記錄4種極化狀態HH，HV，VH和VV下地球分辨單元內所有分布式目標散射回波的相干疊加，構成了極化散射矩陣S。對復矩陣S簡單計算，可得到4種極化狀態的振幅和相位信息。為了減弱分布式目標形成的相干噪聲，通常對散射回波進行統計平均，將極化散射矩陣S轉化為經典的散射模型即極化協方差矩陣C3或極化相干矩陣T3。這2種矩陣都是埃爾米特矩陣，且可以相互轉換。

通過極化協方差矩陣C3，可以計算得到4種極化通道的后向散射系數σHH，σHV，σVH和σVV，分別為

(1)

式中C11，C22和C33分別為極化協方差矩陣C3的對角線元素。

極化散射總功率，又稱Span，由4種極化散射強度構成，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象的分層網絡。該分層網絡以不同空間分辨率(尺度)的圖像為分割對象，同時表征影像。其中高空間分辨率的影像分割對象是較粗尺度影像分割對象的子對象。每個影像分割對象都“知道”它的父對象、鄰域和子對象。層次結構同時代表了不同空間分辨率影像分割對象信息。利用分層網絡影像分割對象之間的關系，并與影像分割對象的形狀和紋理特征一起使用，可以提高影像分割對象的分類精度[12-13]。

分類過程中，影像分割對象的合并需解決2個關鍵問題：①定量表征相鄰分割對象(像元)的異質性(或同質性)；②定量表征影像分割對象在合并前后的異質性(或同質性)變化。相鄰分割對象間的異質性，即給定一個特定的特征空間，如果2個相鄰分割對象在這個特征空間彼此接近，那么這2個對象相似。對于一個d維的特征空間，擬合度h為

(3)

式中f為對象特征，具體表現為光譜平均值、方差或紋理特征。特征空間距離可以通過計算所有分割對象在所有特征維的標準差σfd進行標準化，即

(4)

合并前后影像分割對象的異質性變化，即從單個像素對象開始，逐步合并到較大的對象上，合并對象的光譜異質性會增加。優化過程的基本目標是在每個合并過程中，最小化合并對象的異質性增加。通過影像分割對象合并到鄰域對象，從而產生最小的異質性增加。因此，通過描述合并前后異質性的變化hdiff來定義2個相鄰影像分割對象的擬合度。合并前后異質性的變化hdiff為

(5)

式中：c為波段數；wc為c波段的權重；n1和n2分別為合并前2個分割對象大小(像元數)；h1c，h2c和hmc分別為C波段2個分割對象合并前和合并后的異質性。

1.4 精度評價

混淆矩陣是遙感影像分類結果精度評價的常用方法[15-16]。用于混淆矩陣精度評價的樣本點數量計算公式[17-18]為

N=B/4b2，

(6)

式中：N為樣本點個數；B為自由度為1的卡方檢驗(1-P/M)的臨界值，其中P為置信度誤差，M為分類數；b為置信水平。本次實驗將遙感影像地類分為3類，對置信水平的要求為95%以上，即置信度誤差允許范圍為5%。通過查找卡方檢驗臨界表可知5.41

(7)

參照MTBS燃燒強度數據，為各樣本像元賦屬性值，即水體、燃燒區和未燃燒區。

1.5 技術流程

(8)

(9)

(10)

圖2 實驗流程Fig.2 Research procedure

2 結果與分析

圖3 林火區分類結果

Fig.3Classificationresultsaroundtheforestfireregion

本文使用混淆矩陣開展了研究區分類結果的定量評價，結果如表2和表3所示。

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

表3 林火前后2時相的混淆矩陣Tab.3 Two-static confusion matrix

3 結論

合成孔徑雷達(synthetic aperture Radar，SAR)技術可作為光學衛星遙感監測林火的有效補充手段，能夠穿透煙、云、霧、雨、雹等惡劣天氣，可用于林火的火中監測。本文開展了以像元集合為分析單元的面向對象技術在SAR散射總功率的林火區提取研究。以L波段全極化ALOS PALSAR為數據源，經散射總功率的計算、分型網絡演化的多尺度分割、閾值分類、精度評價等過程，開展了美國Alaska中東部一處林火災后過火區的提取研究，主要得到以下結論：

1)基于火后單一時相、林火前后2時相的SAR散射總功率開展林火區的提取結果整體與MTBS燃燒強度都較為吻合，且后者提取結果更優。

2)對比研究區SAR散射總功率基于像元閾值分類的林火分類結果，基于多尺度分割的面向對象閾值分類結果精度有較大提高，研究區火后單一時相的分類精度提高了12.7%，林火前后2時相的分類精度提高了15.8%。

3)林火研究區分類精度基本達到了基于晴天無云的常規高分可見光和紅外波段影像的燃燒區和未燃燒區的分類精度。因此，極化SAR技術可作為光學衛星遙感監測林火的有效補充手段，且能適用于林火災中的應急監測。

但是，仍有一些問題有待進一步研究，如開展多參數特征圖的閾值分類，以減少未燃燒區的誤分類；深度挖掘SAR數據的極化信息，并應用于森林火災的過火區及燃燒烈度的提取研究等。

志謝：感謝美國國家航空航天局網站(https://search.earthdata.nasa.gov)提供的ALOS PALSAR數據，感謝美國地質調查局的MTBS(monitoring trends in burn severity)項目網站(https://www.mtbs.gov/direct-download)提供的燃燒強度數據。