無人機影像紅邊波段K-L變換火燒跡地提取方法

曹國軍，趙 爽，曾玉婷，陳 兵，葉江霞

(西南林業大學，云南 昆明 650224)

森林是地球生態系統的重要組成部分之一，對人類生產生活及社會發展十分重要。中國森林資源地廣物稀，人均森林占有量不足世界人均占有量的1/4，且面臨著火災、病蟲害、氣象災害、濫砍濫伐等一系列外在威脅[1-3]。其中，火災是森林資源遭到毀壞的重要原因之一?；馂陌l生后，植被覆蓋度降低，生物生境遭到破壞，生物多樣性減少，導致生態環境惡化[4，5]；另一方面，火災也給人類生產生活帶來嚴重威脅，影響社會經濟持續發展[6]。森林火災發生的原因具有多樣性，不可控性高，災前預防難度較大。因此，對林火動態進行精準高效的監測，對于降低火災損失、促進森林生態系統恢復具有指導性意義[7，8]。目前，森林火災及林火監測方面的災后評估主要依靠傳統的遙感GIS技術手段。與傳統遙感技術相比，無人機影像具有作業靈活、時效性和分辨率高等優勢[9]，但目前應用無人機影像提取火燒跡地的研究相對較少。筆者以2020年5月9日云南省安寧市青龍街道火燒跡地無人機多光譜影像為研究對象，采用2種方法對火燒跡地進行提取，并對其精度進行分析，以期為森林火災的災后評估提供借鑒。

1 研究地概況

2020年5月9日，云南省昆明市西郊的安寧市青龍街道發生森林火災，被燒植被主要為針葉類樹種。該地區地形為高原山林地，四季溫差較小，干濕分明，降雨量少，5月至9月為主要降水季節，每年春季火災頻發，是云南省滇中高火險地區。

2 數據來源

選用大疆精靈4多光譜無人機正射影像，該數據分辨率能夠達到0.1 m。本研究所用的無人機比普通無人機多搭載了紅邊、近紅外攝像頭，增強了火燒區域植被葉綠素的識別效果。影像拍攝時間為2020年10月，影像中有部分植被已經恢復。

3 研究方法

3.1 監督分類

多光譜無人機中包含R(Red)、G(Green)、B(Blue)、Red-edge、NIR 5個波段，先將單波段進行組合，組合1：R、G、B、NIR，組合2：R、G、B、Red-edge。在無人機預處理影像中選取60個樣點(其中，火燒樣點30個，未燒樣點30個)和60個驗證樣點，基于ENVI軟件分別對2個組合進行最大似然法監督分類，再用驗證樣點進行精度驗證。

3.2 第3主成分分析法

研究選取R、G、B、NIR波段進行K-L變換，同時用Red-edge波段替換R波段進行K-L變換，分析并設置第3主成分變換后的圖像閾值，提取火燒跡地。利用人工目視解譯與影像對象的NaN值相結合的方法獲得對應閾值，閾值設置如表1。

表1 閾值設置

K-L3影像中影像值計算如下：

K-L3Red=x1×B1+x2×B2+x13×B3+x14×B5，

(1)

K-L3Red-edge=y1×B1+y21×B2+y3×B4+y41×B5

。

(2)

式中：B1為Blue波段；B2為Green波段；B3為Red波段；B4為Red-edge波段；B5為NIR波段；xi、yi為相應系數。

4 結果與分析

4.1 監督分類結果

借助ENVI軟件進行波段融合后，監督分類結果見圖1。

圖1 監督分類結果圖

從圖1可以看出，通過監督分類的最大似然法分類，樣點的可分離系數均達到1.9以上，融合紅邊波段的影像分類結果優于普通Red影像。且經過驗證,兩者的Kappa系數分別為0.961 9(Red-edge)、0.924 0(Red)，說明融合紅邊波段后的影像效果有所增強[10]。

4.2 K-L3變換結果

對研究所選取的波段進行K-L變換，再根據協方差矩陣(Covariance Matrix)計算對應的特征向量，與公式(1)、(2)結合得到第3主成分分析的圖像。再通過對圖像閾值分割，提取火燒跡地信息，火燒跡地提取結果如圖2所示。

圖2 第3主成分分析圖

由圖2可以看出，融合紅邊波段圖像(圖2-b)中的火燒區范圍遠大于紅波段的(圖2-a)。與研究區樣地相比，圖2-b的準確度大于圖1-a，紅邊波段對于葉綠素的識別要比紅波段強。經過第3主成分分析的紅邊波段效果比紅波段增強效果更明顯，但圖2-a與圖1-a相比其效果更優，4幅分類圖中圖2-b的效果與準確度最好。

5 結論與討論

5.1 結論

1) 相比監督分類，第3主成分變換后的分類效果與精度較高。

2) 融合紅邊波段后的火燒跡地提取精度相比于紅波段的更好。

3) 融合紅邊波段且采用第3主成分分析后的圖像更適合于火燒跡地的提取。

5.2 討論

由于天氣原因,數據源獲取時間與火災發生日期相隔5個月，研究區內已有部分植被恢復(草地、灌木、受傷程度較小的喬木)，對研究的精度產生了一定影響。本研究只是針對火燒跡地的提取，未對跡地內不同受傷程度進行分類。今后，可以進一步深入研究，對不同受傷程度、不同地類進行分類(喬、灌、草)。