遥感影像提取森林火灾可燃物类型的研究

何长虹，黄全义

（1. 浙江省水利河口研究院，浙江 杭州 310020；2. 清华大学 工程物理系，北京 100084）

遥感影像提取森林火灾可燃物类型的研究

何长虹1，黄全义2

（1. 浙江省水利河口研究院，浙江 杭州 310020；2. 清华大学 工程物理系，北京 100084）

采用最大似然法、参数优化的神经网络法和支持向量机法对数据处理后的遥感影像进行分类，研究不同时相、影像质量和分类方法对森林火灾可燃物分类精度的影响，提出了森林火灾可燃物的粗分类标准，并实验验证了分类标准的可行性，采用神经网络法对时效性好、质量高的TM影像进行森林火灾可燃物分类的精度最高。

遥感影像；可燃物类型；森林火灾；最大似然法；神经网络；支持向量机

森林火灾可燃物狭义上是森林中一切可以燃烧的物质的统称，是森林火灾发生的物质基础。森林火灾可燃物的空间分布是森林火灾管理的基础信息，森林火灾可燃物类型的识别是森林火灾预警、森林火灾预测、森林火灾蔓延模拟、森林火灾指挥、救援等工作的基础。森林火灾可燃物类型和可燃物蓄积量是森林火灾蔓延模型的重要的可燃物输入参数[1~2]，森林火灾可燃物的分类为森林火灾蔓延模型提供了定性的可燃物信息，是确定森林火灾是否容易蔓延的关键[3~4]；森林火灾可燃物蓄积量的提取为森林火灾蔓延模型提供了定量的可燃物信息，影响森林火灾蔓延的趋势和面积[5]。基于遥感影像进行森林火灾可燃物分类是利用计算机，通过对遥感影像中各种森林火灾可燃物的光谱信息和空间信息分析，选择特征，并利用一定的分类方法，将特征空间划分为互不重叠的子空间，然后将每个像元划归到每个子空间中去，实现森林火灾可燃物的分类[6]。

本文选择TM、ETM+作为影像数据，采用最大似然法、神经网络法[7]和支持向量机法[8]三种分类方法对某市森林火灾可燃物分布信息进行提取研究。

1 实验数据

以某市为研究区域，森林资源野外调查样地的日期为2009年7月。根据地面调查样地获取的日期、研究区域的地理位置选择不同时相的Landsat 5 TM影像和Landsat 7 ETM+影像作为实验研究的数据源，再根据实验数据的有无、质量的好坏等情况选择4幅不同时相的影像数据进行实验研究。遥感影像数据来源于国际科学数据服务平台（http://datamirror.csdb.cn/）。平台下载的原始影像数据文件为压缩格式的文件，文件命名有一定规则，从文件名可以了解影像数据的位置、飞行日期、数据类型等信息。TM影像和ETM+影像包含的数据文件相差不大，它们都包含原始影像的各个波段数据文件、几何校正控制点文件、影像的原数据文件、说明文件，有的ETM+影像还包含坏条带数据文件。影像的原数据文件包括原始影像的坐标信息、波段信息、投影信息、以及太阳高度、位置信息等，是进行遥感影像数据处理非常重要的信息源文件。详细的信息可以查阅有关陆地资源卫星数据使用的相关文档。实验研究的遥感数据如表1。

为了简化每幅影像的标示和后面引用的需要，对4幅影像采用影像类型再加上飞行日期来区分，4幅影像的标示分别为TM20060923、TM20090830、ETM20080531、ETM20090603。经过辐射定标、大气纠正和几何纠正等处理[9~10]，把原始灰度值影像转化地表反射率影像见图1。

表1 实验研究的遥感影像数据Tab le 1 Remote sensing images

图1 地表反射率影像（波段543合成真彩色）Figure 1 Surface reflectance

2 分类标准

利用遥感影像进行森林火灾可燃物类型的提取，需要确定森林火灾可燃物分类的标准，即确定森林火灾可燃物的类型和数目。研究目的、影像分辨率是影响森林火灾可燃物分类标准的重要因素。森林火灾具有突发性，进行森林火灾应急处置需要快速、高效判断森林火灾蔓延趋势，利用遥感影像快速提取森林火灾可燃物的类型是关键。森林火灾可燃物分类标准不能按土地覆盖分类标准，也不能按狭义上森林林种分类标准。土地覆盖分类标准需要大量野外调查数据支持，而森林林种分类标准需要非常高分辨率、光谱分辨率的影像数据，这些数据获取困难、费用高，都不满足快速应急处置的需求。根据森林火灾蔓延模拟、应急快速处置的需求以及本文使用影像数据源的分辨率，提出了森林火灾可燃物粗分类标准，即广义的森林火灾可燃物分类标准，将森林火灾可燃物根据可燃性分为可燃和不可燃两类。林地具有可燃性，属于可燃的一类，对于林地可燃物类型的林种分类需要森林资源现场调查数据或森林资源普查数据辅助确定。不可燃的根据应急处置的需要划分为水体、裸地、耕地和居民区四类，其中裸地包括除林地、水体、耕地、居民区以外所有森林火灾可燃物类型。水体是森林火灾蔓延的天然屏障，可以阻碍森林火灾的蔓延，方便森林火灾应急处置救援。居民区属于森林火灾应急处置重要的保护目标，居民区类型的确定可以用于森林火灾应急救援中人员疏散和保护防护目标，减少森林火灾发生造成的人员伤亡和经济损失。因此，根据森林火灾蔓延模拟和快速应急处置的需求，本文将森林火灾可燃物划分为水体、居民区、裸地、耕地、林地5类。

3 分类方法及结果

3.1 最大似然分类法

根据本文提出的森林火灾粗分类标准，在真彩色合成影像上进行训练样本、检验样本选择，使样本尽量均匀分布，相同类型的样本具有相似的特征，不同类型的样本具有最大的可分离性。样本分类前，进行可分离性检验，不通过，重新进行选择。分离性检验通过计算J-M距离以及转换差异系数来确定，两类型之间的最小值为1.9。通过反复实验和调整，确定了影像的训练样本。为了进行对比，4幅遥感影像选择了同样的训练样本和检验样本。林地、耕地、裸地、水体、居民区或道路的训练样本的个数分别为2 036、1 014、1 161、2 666、1 740；林地、耕地、裸地、水体、居民区或道路的检验样本的个数分别为691、534、635、1 345、527个。遥感影像分类前的样本选择、分离性检验通过ENVI4.7、ARCGIS9.3软件实现，分类算法在IDL平台中实现。

用最大似然分类法分类时，把非监督分类法k-means分类结果中各类所占面积的比值作为该类的先验概率，最大似然法分类结果见图2。

图2 最大似然法分类图Figure 2 Classification by maximum likelihood method

3.2 神经网络分类法

采用神经网络分类法进行分类 时，输入层的输入为遥感影像波段的地表反射率，输出层的输出为森林火灾可燃物的类型。设置参数如下：采用三层的网络结构，输入层数目为6，输出层数目为5，隐含层数目根据训练精度要求和停止条件自适应确定为10，输入层与隐含层以及隐含层与输出层之间的激活函数为对数性函数，层间权重的调节因子为0.9，学习速率为0.2，动量因子为0.9，训练停止误差为0.1，最大训练次数为1 000次。根据设定参数与要求，进行样本训练学习过程。TM20060923、TM20090830训练次数达到最大次数时，训练误差为0.17和0.13，ETM20080531、ETM20090603分别训练到70次和147次训练误差小于0.1，神经网络训练过程见图3。训练样本学习结束后，开始对整幅影像分类，神经网络法分类结果见图4。

图3 神经网络训练过程Figure 3 Process of parameter optimization

图4 神经网络分类Figure 4 Classification by neural networks method

3.3 支持向量机分类法

支持向量机分类法进行分类时， 采用 RBF核函数类型实现遥感影像中各种地物的非线性映射，核函数的Gama 参数、补偿系数根据寻优算法确定，得 到4幅影像的参数相同，Gama参数为0.167，补偿系数为100。通过对训练样本的学习，支持向量机法分类结果见图5。

图5 支持向量机分类Figure 5 Classification by support vector machine

3.4 分类结果比较分析

采用最大似然分类法、神经网络法、支持向量机法三种不同分类方法对4幅遥感影像进行分类，分类结果图直观显示了各种类型的地物在色彩、位置方面的不同，不同时相的影像分类图明显反映出各种地物的季节性变迁，三种分类方法的分类图上各种地物位置和地物形状有所变化，说明最大似然分类法、神经网络法、支持向量机法可以用于森林火灾可燃物分类，同时也定性反映出三种分类方法的分类结果存在差异。分类结果图只能提供定性信息，无法定量的给出各种分类结果的具体值，也无法比较各种方法分类的精度高低。

通过对分类图进行分类统计，计算出了三种不同的分类算法对4幅遥感影像统计结果，包括每种类型的像元数目、面积大小、所占比例信息。表2列出了不同时相的4幅影像采用最大似然分类法、神经网络法和支持向量机法进行分类所得分类结果的统计值。

根据统计结果值，可以看出，三种不同分类方法对4幅不同时相的遥感影像进行分类时，分类结果除水体类型差别不大，其它几种类型存在较大差异，这说明选择合适的分类方法对得出高精度的分类结果非常重要。据某市政府网站公布的森林覆盖率情况，2009年底某市的森林覆盖率为为35.8%，森林面积为270 270.82 hm2。ETM20090603、ETM20080531影像的三种分类方法中林地占地比例最高为24.5%，森林面积为189 642.6 hm2，与实际森林覆盖率、森林面积差异较大。其原因是由于ETM+影像条带出现坏道，修复结果与实际存在差异所致。TM20060923影像的支持向量机分类法中林地占地比例最高为35.39%，森林面积为274 014.45 hm2，森林面积比实际面积高，与实际不相符。TM20090830影像的支持向量机分类法中林地占地比例最高为34.78%，森林面积为269 270.82 hm2，森林覆盖率和森林面积均接近实际。由此可知数据源类型、影像质量对分类精度有影响。根据以上分析得出：三种分类方法对影像分类的结果有差异，有些分类结果变化很大，说明选择合适的分类方法对于提高分类精度非常重要；TM影像、ETM+影像（仅指条带出现问题后的影像）用于分类时，TM影像分类结果优于ETM+影像。

表2 4幅影像的三种分类方法统计结果Table 2 Comparison of 4 images by different classification methods

通过对分类方法进行精度验证可以定量反映各种分类方法的精度高低。分类方法的精度验证采用混淆矩阵的方法，分类的结果与实际情况（验证样本）进行对比，分类正确的数目越多，分类的精度越高，采用这种分类方法分类效果就越好。表3给出了4幅遥感影像采用三种分类方法的分类精度。

从表3中可以看出4幅不同时相的遥感影像三种分类方法的分类结果，从kappa系数、总体精度、林地精度方面考虑，神经网络法的分类精度均高于其它两种方法。根据前面分类结果中林地覆盖率、影像类型对分类结果的影响，采用TM20090830影像的神经网络法分类的结果作为森林火灾可燃物蓄积量反演和森林火灾蔓延模拟的基础。

表3 4幅影像的三种分类方法的分类精度Table 3 Accuracy of 4 images classified by 3 methods

4 结论

（1）提出一套满足森林火灾蔓延模型的可燃物分类标准，实验验证分类标准是可行的。

（2）采用神经网络法对时效性好、质量高的TM影像进行森林火灾可燃物分类的精度最高。

[1] 单延龙，金森，李长江. 国内外林火蔓延模型简介[J]. 森林防火，2004（4）：18, 21.

[2] 周宇飞. 动态数据驱动林火蔓延自适应模拟技术研究[D]. 北京：中国林业科学研究院，2010.

[3] Lasaponara R, Lanorte A. Remote sensed characterization of forest fuel types by using satellite ASTER data [J]. Int J Appl Earth Observ Geoinf, 2007, 9（4）：225－234.

[4] Keramitsoglou I, Kontoes C, Sykioti O, et al. Reliable, accurate and timely forest mapping for wildfire management using ASTER and Hyperion satellite imagery[J]. For Ecol Manage, 2008, 255（10）：3 556－3 562.

[5] Gu H Y, Dai L M, Wu G, et al. Estimation of forest volumes by integrating Landsat TM imagery and forest inventory data [J]. Sci Chi: Ser E Technol Sci, 2006, 49（Supp. I）：54－62.

[6] 陈晓玲，龚威，李平湘，等（译）. 遥感数字影像处理导论[M]. 北京：机械工业出版社，2007.

[7] 飞思科技研发中心. 神经网络理论及MATLAB实现[M]. 北京：电子工业出版社，2005.

[8] Hsu C W, Lin C J. A comparison of methods for multiclass support vector machines[J]. IEEE Trans Neural Networks, 2002, 13（2）：415－425.

[9] Chander G, Markham B. Revised Landsat-5 TM radiometric calibration procedures and post calibration dynamic ranges[J]. IEEE Trans Geosci Remote Sens, 2003, 41（11）：2 674－2 677.

[10] Chander G, Markham B, Barsi J A. Revised Landsat-5 thematic mapper radiometric calibration[J]. IEEE Trans Geosci Remote Sens, 2007, 4（3）：490－494.

[11] Chander G, Markham B L, Helder D L. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors[J]. Remote Sens Environt, 2009, 113（5）：893－903.

Research on Classification of Forest Fuel Based on Remote Sensing Image

HE Chang-hong1，HUANG Quan-yi2
（1. Zhejiang Institute of Hydraulics and Estuary, Hangzhou 310020, China; 2. Department of Engineering Physics, Tsinghua University, Beijing 100084, China）

Processed remote sensing images were classified by maximum likelihood method, neural networks method of parameter optimization and support vector machine method of parameter optimization. Studies were conducted on influence of different imaged time, image quality and classification method on the accuracy of forest fuel classification. Experiments proved the feasibility of classification criteria, that the classification accuracy was higher with good imaged time, higher quality of the TM images by neural network method.

remote sensing image; fuel type; forest fire; maximum likelihood; neural networks; support vector machine

S762.1

A

1001-3776（2014）04-0055-07

2014-02-16；

2014-05-25

何长虹（1979－），男，河南周口人，工程师，博士，从事3S技术应用开发研究。