基于无人机高光谱遥感的森林可燃物分类方法研究-莱森光学-电子发烧友网

引言

随着遥感理论的发展以及遥感信息提取技术的不断提高，利用卫片、航片等多光谱遥感数据获取的信息更加丰富、精确和清晰，利用多光谱遥感数据对可燃物类型进行调查分类成为一种可燃物调查的新方法。随着无人机在森林防火中的应用，利用无人机拍摄的多光谱影像进行可燃物分类相继开展，并出现了结合激光雷达的可燃物分类方法。我国目前可燃物分类技术的研究多集中于利用 Landsat卫星的多光谱影像，基于无人机机载高光谱遥感的无人机可燃物分类方法系统化研究很少。本文对基于无人机机载高光谱遥感的无人机可燃物分类方法进行了研究。

材料与方法

研究区位于佛山市高明区荷城镇坑边村，地处22°57′23″至 N22°57′45″N，112°46′45″E 至112°47′ 10″E之间，该地区位于北回归线以南，属南亚热带季风气候区，无霜期达360d。因受南海海洋气候影响，有显著的海洋性季风气候特征，春季多雨潮湿，夏季炎热时有暴雨，秋季晴多气爽，冬季较暖，年平均降雨逾 1700mm。研究区为多种林分生长的山地，面积约40hm2，海拔 10~60m，坡度5~10°。该地有针叶林（马尾松林、湿地松林）、阔叶林、灌草地、阔叶林（桉树林、樟树林、荷木林等）、竹林和非林地（裸地、建筑、池塘等）。林分郁闭度 0.3~0.9。地表植被生长茂密，树冠之间交错的情况明显，林下植被及灌木的覆盖度90%以上。此外，该试验区距离2019年12月5 日佛山市高明区凌云山重大森林火灾火烧迹地约500m，其植被类型基本涵盖佛山高明“12.5”重大森林火灾中的主要植被类型。

研究方法

3.1 数据获取

设计好无人机航线后进行无人机数据采集，机载高清摄像头及高光谱成像仪在飞行时记录正射及高光谱数据。采集过程中同时使用正射像控点及并进行同步测量。采集结束后软件对采集的正射数据进行处理。正射影像地面分辨率2.6cm，精度在10cm左右，可以满足高光谱精校正要求。

3.2 可燃物分类

南亚热带地区水热资源丰富，植被种类多样。该地区代表性植被类型包括暖性针叶林、暖性针阔混交林、常绿阔叶林、竹林、常绿阔叶灌丛等，本文按照森林植被类型划分可燃物类型，由于遥感图像每个栅格数据是唯一的，不存在同一栅格对应多个植被类型属性情况，故在分类聚类后将可燃物类型分为针叶林、阔叶林、竹林和灌草地，另增加裸地、水域、房屋等形成的非林地，共5种类型。利用软件可以对拼接好的光谱数据进行植被指数计算及光谱曲线提取和分类。本文采用有监督的机器学习分类方法对采集获取的高光谱影像数据进行分类。首先根据正射图片及地物分布进行ROI分类选取，初步分成16种类型，每种类型选取20个ROI作为该类型标准（图 2）。

图 2 ROI 选取示意

16种类型光谱曲线如图 3 所示；机器会对选取的ROI数据进行学习，并通过机器学习分类得到初分类结果；最后依照可燃物类型聚类为针叶林、阔叶林、灌草地、竹林和非林地5种类型，初分类结果最后经聚类分析得到最终的可燃物分类结果。

图 3光谱曲线示意

3.3 地面监测判定

为了获得遥感影像数据分类精度，采用网格布点法进行地面调查，网格的交点设为样地中心点，首先在 ArcGIS 中设置网格并获取样地中心点的坐标，然后使用亚米级精度的导航仪导航至样地点现场调查。设置样地范围为以坐标点为中心， 1 m 为半径的圆形区域，人工判定样地的可燃物类型。主要依据覆被植被进行判定，若覆被植被 70% 以上被针叶树种、阔叶树种、竹子、灌木草本植物覆盖，则分别对应针叶林、阔叶林、竹林和灌草地类型；若覆被植被没有某类型占比超过 70%，则认为该样地为混合样地，针叶树种和阔叶树种混合为针阔混，针叶树种与灌木草本混合为针叶林缘，阔叶树种与灌木草本混合为阔叶林缘；非林地主要指裸地、水域、房屋等。将调查得到的样地可燃物类型与遥感图像中该样地中心点的可燃物类型进行比较，判断遥感图像分类是否准确。

结果与分析

最终获得的可燃物分类结果如图 4 所示。从整体分类结果来看，非林地、灌草地、竹林的分类效果较好，针叶林和阔叶林分类效果稍差。这其中，非林地由裸地、水域、房屋等聚类而成，有林地的灌草地由各种不同类型的草本和灌木聚类而成，聚类效果相对较好；竹林与其它地物差异较大，可以单独成类。

图 4 可燃物分类结果示意

为检验分类精度，按照100 m×100 m 网格点设置了 36 个样地点，其位置分布如图 6 所示。通过对可燃物类型进行现场实地调查，再将调查与分类进行比较，详细见表 1。

表 1 调查与分类比较

有 7 处样地落在两种及以上类型交界处，此时若分类结果含在多种类型内，认为分类结果正确与否存疑。此外共有 3 处分类有明显错误。将存疑按一半计算，本次分类准确度达到 81.94%。从错误样地和存疑样地所在位置来看，其多位于无人机采集数据两条航向的交界处。经过分析，认为由于高光谱数据的高维性，其不良噪声和高光谱冗余度现象较为严重，在对两条航向数据进行拼接时，这些冗余和噪声的叠加更加容易影响条带边缘位置的数据，这给高光谱图像的处理和分析带来了挑战。因此在使用高光谱数据时，研究中通常需要进行数据降维和有效波段提取，但这也有有效波段的选择和保留数量的问题，波段太少就难以体现高光谱的连续谱段的优势，波段太多就起不到降维效果。有效波段的选择也具有一定主观性，若选择不好，对最终分类结果也会有较大影响。对于数据降维、有效波段提取、数据的归一化等研究有待于进一步深入。

结论与讨论

本项研究采用无人机携带高光谱相机，获取森林可燃物的高光谱影像，设计了针对森林可燃物的高光谱影像处理流程并进行遥感影像处理，最后通过有监督的机器学习分类方法对试验区主要可燃物类型进行划分。研究中将可燃物类型划分成针叶林、阔叶林、灌草地、竹林和非林地 5 个类型，经现场检验，分类准确度达到 81.94%。研究表明了基于无人机高光谱遥感的森林可燃物分类方法具备可行性。从错误样地和存疑样地所在位置来看，其多位于无人机采集数据两条航向的交界处，认为是两条航向数据进行拼接时，由于高光谱数据的冗余和噪声的叠加加重了分类不准确的情况。通过对高光谱数据进行数据降维和有效波段提取，并形成某种植被指数对数据进行归一化处理可能解决这些问题，但具体做法仍需要进一步研究。目前将无人机机载高光谱遥感数据应用于可燃物类型的划分还比较少见，在森林可燃物分类基础研究方面还不够系统和深入，需尽快建立森林可燃物分类体系，探索基于高光谱遥感影像等高新技术的森林可燃物分类方法，减少外业工作量，更好地为粤港澳湾区森林防火工作服务。