无人机影像红边波段K-L变换火烧迹地提取方法

曹国军，赵 爽，曾玉婷，陈 兵，叶江霞

(西南林业大学，云南 昆明 650224)

森林是地球生态系统的重要组成部分之一，对人类生产生活及社会发展十分重要。中国森林资源地广物稀，人均森林占有量不足世界人均占有量的1/4，且面临着火灾、病虫害、气象灾害、滥砍滥伐等一系列外在威胁[1-3]。其中，火灾是森林资源遭到毁坏的重要原因之一。火灾发生后，植被覆盖度降低，生物生境遭到破坏，生物多样性减少，导致生态环境恶化[4，5]；另一方面，火灾也给人类生产生活带来严重威胁，影响社会经济持续发展[6]。森林火灾发生的原因具有多样性，不可控性高，灾前预防难度较大。因此，对林火动态进行精准高效的监测，对于降低火灾损失、促进森林生态系统恢复具有指导性意义[7，8]。目前，森林火灾及林火监测方面的灾后评估主要依靠传统的遥感GIS技术手段。与传统遥感技术相比，无人机影像具有作业灵活、时效性和分辨率高等优势[9]，但目前应用无人机影像提取火烧迹地的研究相对较少。笔者以2020年5月9日云南省安宁市青龙街道火烧迹地无人机多光谱影像为研究对象，采用2种方法对火烧迹地进行提取，并对其精度进行分析，以期为森林火灾的灾后评估提供借鉴。

1 研究地概况

2020年5月9日，云南省昆明市西郊的安宁市青龙街道发生森林火灾，被烧植被主要为针叶类树种。该地区地形为高原山林地，四季温差较小，干湿分明，降雨量少，5月至9月为主要降水季节，每年春季火灾频发，是云南省滇中高火险地区。

2 数据来源

选用大疆精灵4多光谱无人机正射影像，该数据分辨率能够达到0.1 m。本研究所用的无人机比普通无人机多搭载了红边、近红外摄像头，增强了火烧区域植被叶绿素的识别效果。影像拍摄时间为2020年10月，影像中有部分植被已经恢复。

3 研究方法

3.1 监督分类

多光谱无人机中包含R(Red)、G(Green)、B(Blue)、Red-edge、NIR 5个波段，先将单波段进行组合，组合1：R、G、B、NIR，组合2：R、G、B、Red-edge。在无人机预处理影像中选取60个样点(其中，火烧样点30个，未烧样点30个)和60个验证样点，基于ENVI软件分别对2个组合进行最大似然法监督分类，再用验证样点进行精度验证。

3.2 第3主成分分析法

研究选取R、G、B、NIR波段进行K-L变换，同时用Red-edge波段替换R波段进行K-L变换，分析并设置第3主成分变换后的图像阈值，提取火烧迹地。利用人工目视解译与影像对象的NaN值相结合的方法获得对应阈值，阈值设置如表1。

表1 阈值设置

K-L3影像中影像值计算如下：

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为Blue波段；B2为Green波段；B3为Red波段；B4为Red-edge波段；B5为NIR波段；xi、yi为相应系数。

4 结果与分析

4.1 监督分类结果

借助ENVI软件进行波段融合后，监督分类结果见图1。

图1 监督分类结果图

从图1可以看出，通过监督分类的最大似然法分类，样点的可分离系数均达到1.9以上，融合红边波段的影像分类结果优于普通Red影像。且经过验证,两者的Kappa系数分别为0.961 9(Red-edge)、0.924 0(Red)，说明融合红边波段后的影像效果有所增强[10]。

4.2 K-L3变换结果

对研究所选取的波段进行K-L变换，再根据协方差矩阵(Covariance Matrix)计算对应的特征向量，与公式(1)、(2)结合得到第3主成分分析的图像。再通过对图像阈值分割，提取火烧迹地信息，火烧迹地提取结果如图2所示。

图2 第3主成分分析图

由图2可以看出，融合红边波段图像(图2-b)中的火烧区范围远大于红波段的(图2-a)。与研究区样地相比，图2-b的准确度大于图1-a，红边波段对于叶绿素的识别要比红波段强。经过第3主成分分析的红边波段效果比红波段增强效果更明显，但图2-a与图1-a相比其效果更优，4幅分类图中图2-b的效果与准确度最好。

5 结论与讨论

5.1 结论

1) 相比监督分类，第3主成分变换后的分类效果与精度较高。

2) 融合红边波段后的火烧迹地提取精度相比于红波段的更好。

3) 融合红边波段且采用第3主成分分析后的图像更适合于火烧迹地的提取。

5.2 讨论

由于天气原因,数据源获取时间与火灾发生日期相隔5个月，研究区内已有部分植被恢复(草地、灌木、受伤程度较小的乔木)，对研究的精度产生了一定影响。本研究只是针对火烧迹地的提取，未对迹地内不同受伤程度进行分类。今后，可以进一步深入研究，对不同受伤程度、不同地类进行分类(乔、灌、草)。