何長虹，黃全義

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

遙感影像提取森林火災可燃物類型的研究

何長虹1，黃全義2

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

采用最大似然法、參數優(yōu)化的神經網絡法和支持向量機法對數據處理后的遙感影像進行分類，研究不同時相、影像質量和分類方法對森林火災可燃物分類精度的影響，提出了森林火災可燃物的粗分類標準，并實驗驗證了分類標準的可行性，采用神經網絡法對時效性好、質量高的TM影像進行森林火災可燃物分類的精度最高。

遙感影像；可燃物類型；森林火災；最大似然法；神經網絡；支持向量機

森林火災可燃物狹義上是森林中一切可以燃燒的物質的統(tǒng)稱，是森林火災發(fā)生的物質基礎。森林火災可燃物的空間分布是森林火災管理的基礎信息，森林火災可燃物類型的識別是森林火災預警、森林火災預測、森林火災蔓延模擬、森林火災指揮、救援等工作的基礎。森林火災可燃物類型和可燃物蓄積量是森林火災蔓延模型的重要的可燃物輸入參數[1~2]，森林火災可燃物的分類為森林火災蔓延模型提供了定性的可燃物信息，是確定森林火災是否容易蔓延的關鍵[3~4]；森林火災可燃物蓄積量的提取為森林火災蔓延模型提供了定量的可燃物信息，影響森林火災蔓延的趨勢和面積[5]?；谶b感影像進行森林火災可燃物分類是利用計算機，通過對遙感影像中各種森林火災可燃物的光譜信息和空間信息分析，選擇特征，并利用一定的分類方法，將特征空間劃分為互不重疊的子空間，然后將每個像元劃歸到每個子空間中去，實現森林火災可燃物的分類[6]。

本文選擇TM、ETM+作為影像數據，采用最大似然法、神經網絡法[7]和支持向量機法[8]三種分類方法對某市森林火災可燃物分布信息進行提取研究。

1 實驗數據

以某市為研究區(qū)域，森林資源野外調查樣地的日期為2009年7月。根據地面調查樣地獲取的日期、研究區(qū)域的地理位置選擇不同時相的Landsat 5 TM影像和Landsat 7 ETM+影像作為實驗研究的數據源，再根據實驗數據的有無、質量的好壞等情況選擇4幅不同時相的影像數據進行實驗研究。遙感影像數據來源于國際科學數據服務平臺（http://datamirror.csdb.cn/）。平臺下載的原始影像數據文件為壓縮格式的文件，文件命名有一定規(guī)則，從文件名可以了解影像數據的位置、飛行日期、數據類型等信息。TM影像和ETM+影像包含的數據文件相差不大，它們都包含原始影像的各個波段數據文件、幾何校正控制點文件、影像的原數據文件、說明文件，有的ETM+影像還包含壞條帶數據文件。影像的原數據文件包括原始影像的坐標信息、波段信息、投影信息、以及太陽高度、位置信息等，是進行遙感影像數據處理非常重要的信息源文件。詳細的信息可以查閱有關陸地資源衛(wèi)星數據使用的相關文檔。實驗研究的遙感數據如表1。

為了簡化每幅影像的標示和后面引用的需要，對4幅影像采用影像類型再加上飛行日期來區(qū)分，4幅影像的標示分別為TM20060923、TM20090830、ETM20080531、ETM20090603。經過輻射定標、大氣糾正和幾何糾正等處理[9~10]，把原始灰度值影像轉化地表反射率影像見圖1。

表1 實驗研究的遙感影像數據Tab le 1 Remote sensing images

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

2 分類標準

利用遙感影像進行森林火災可燃物類型的提取，需要確定森林火災可燃物分類的標準，即確定森林火災可燃物的類型和數目。研究目的、影像分辨率是影響森林火災可燃物分類標準的重要因素。森林火災具有突發(fā)性，進行森林火災應急處置需要快速、高效判斷森林火災蔓延趨勢，利用遙感影像快速提取森林火災可燃物的類型是關鍵。森林火災可燃物分類標準不能按土地覆蓋分類標準，也不能按狹義上森林林種分類標準。土地覆蓋分類標準需要大量野外調查數據支持，而森林林種分類標準需要非常高分辨率、光譜分辨率的影像數據，這些數據獲取困難、費用高，都不滿足快速應急處置的需求。根據森林火災蔓延模擬、應急快速處置的需求以及本文使用影像數據源的分辨率，提出了森林火災可燃物粗分類標準，即廣義的森林火災可燃物分類標準，將森林火災可燃物根據可燃性分為可燃和不可燃兩類。林地具有可燃性，屬于可燃的一類，對于林地可燃物類型的林種分類需要森林資源現場調查數據或森林資源普查數據輔助確定。不可燃的根據應急處置的需要劃分為水體、裸地、耕地和居民區(qū)四類，其中裸地包括除林地、水體、耕地、居民區(qū)以外所有森林火災可燃物類型。水體是森林火災蔓延的天然屏障，可以阻礙森林火災的蔓延，方便森林火災應急處置救援。居民區(qū)屬于森林火災應急處置重要的保護目標，居民區(qū)類型的確定可以用于森林火災應急救援中人員疏散和保護防護目標，減少森林火災發(fā)生造成的人員傷亡和經濟損失。因此，根據森林火災蔓延模擬和快速應急處置的需求，本文將森林火災可燃物劃分為水體、居民區(qū)、裸地、耕地、林地5類。

3 分類方法及結果

3.1 最大似然分類法

根據本文提出的森林火災粗分類標準，在真彩色合成影像上進行訓練樣本、檢驗樣本選擇，使樣本盡量均勻分布，相同類型的樣本具有相似的特征，不同類型的樣本具有最大的可分離性。樣本分類前，進行可分離性檢驗，不通過，重新進行選擇。分離性檢驗通過計算J-M距離以及轉換差異系數來確定，兩類型之間的最小值為1.9。通過反復實驗和調整，確定了影像的訓練樣本。為了進行對比，4幅遙感影像選擇了同樣的訓練樣本和檢驗樣本。林地、耕地、裸地、水體、居民區(qū)或道路的訓練樣本的個數分別為2 036、1 014、1 161、2 666、1 740；林地、耕地、裸地、水體、居民區(qū)或道路的檢驗樣本的個數分別為691、534、635、1 345、527個。遙感影像分類前的樣本選擇、分離性檢驗通過ENVI4.7、ARCGIS9.3軟件實現，分類算法在IDL平臺中實現。

用最大似然分類法分類時，把非監(jiān)督分類法k-means分類結果中各類所占面積的比值作為該類的先驗概率，最大似然法分類結果見圖2。

圖2 最大似然法分類圖Figure 2 Classification by maximum likelihood method

3.2 神經網絡分類法

采用神經網絡分類法進行分類 時，輸入層的輸入為遙感影像波段的地表反射率，輸出層的輸出為森林火災可燃物的類型。設置參數如下：采用三層的網絡結構，輸入層數目為6，輸出層數目為5，隱含層數目根據訓練精度要求和停止條件自適應確定為10，輸入層與隱含層以及隱含層與輸出層之間的激活函數為對數性函數，層間權重的調節(jié)因子為0.9，學習速率為0.2，動量因子為0.9，訓練停止誤差為0.1，最大訓練次數為1 000次。根據設定參數與要求，進行樣本訓練學習過程。TM20060923、TM20090830訓練次數達到最大次數時，訓練誤差為0.17和0.13，ETM20080531、ETM20090603分別訓練到70次和147次訓練誤差小于0.1，神經網絡訓練過程見圖3。訓練樣本學習結束后，開始對整幅影像分類，神經網絡法分類結果見圖4。

圖3 神經網絡訓練過程Figure 3 Process of parameter optimization

圖4 神經網絡分類Figure 4 Classification by neural networks method

3.3 支持向量機分類法

支持向量機分類法進行分類時， 采用 RBF核函數類型實現遙感影像中各種地物的非線性映射，核函數的Gama 參數、補償系數根據尋優(yōu)算法確定，得 到4幅影像的參數相同，Gama參數為0.167，補償系數為100。通過對訓練樣本的學習，支持向量機法分類結果見圖5。

圖5 支持向量機分類Figure 5 Classification by support vector machine

3.4 分類結果比較分析

采用最大似然分類法、神經網絡法、支持向量機法三種不同分類方法對4幅遙感影像進行分類，分類結果圖直觀顯示了各種類型的地物在色彩、位置方面的不同，不同時相的影像分類圖明顯反映出各種地物的季節(jié)性變遷，三種分類方法的分類圖上各種地物位置和地物形狀有所變化，說明最大似然分類法、神經網絡法、支持向量機法可以用于森林火災可燃物分類，同時也定性反映出三種分類方法的分類結果存在差異。分類結果圖只能提供定性信息，無法定量的給出各種分類結果的具體值，也無法比較各種方法分類的精度高低。

通過對分類圖進行分類統(tǒng)計，計算出了三種不同的分類算法對4幅遙感影像統(tǒng)計結果，包括每種類型的像元數目、面積大小、所占比例信息。表2列出了不同時相的4幅影像采用最大似然分類法、神經網絡法和支持向量機法進行分類所得分類結果的統(tǒng)計值。

根據統(tǒng)計結果值，可以看出，三種不同分類方法對4幅不同時相的遙感影像進行分類時，分類結果除水體類型差別不大，其它幾種類型存在較大差異，這說明選擇合適的分類方法對得出高精度的分類結果非常重要。據某市政府網站公布的森林覆蓋率情況，2009年底某市的森林覆蓋率為為35.8%，森林面積為270 270.82 hm2。ETM20090603、ETM20080531影像的三種分類方法中林地占地比例最高為24.5%，森林面積為189 642.6 hm2，與實際森林覆蓋率、森林面積差異較大。其原因是由于ETM+影像條帶出現壞道，修復結果與實際存在差異所致。TM20060923影像的支持向量機分類法中林地占地比例最高為35.39%，森林面積為274 014.45 hm2，森林面積比實際面積高，與實際不相符。TM20090830影像的支持向量機分類法中林地占地比例最高為34.78%，森林面積為269 270.82 hm2，森林覆蓋率和森林面積均接近實際。由此可知數據源類型、影像質量對分類精度有影響。根據以上分析得出：三種分類方法對影像分類的結果有差異，有些分類結果變化很大，說明選擇合適的分類方法對于提高分類精度非常重要；TM影像、ETM+影像（僅指條帶出現問題后的影像）用于分類時，TM影像分類結果優(yōu)于ETM+影像。

表2 4幅影像的三種分類方法統(tǒng)計結果Table 2 Comparison of 4 images by different classification methods

通過對分類方法進行精度驗證可以定量反映各種分類方法的精度高低。分類方法的精度驗證采用混淆矩陣的方法，分類的結果與實際情況（驗證樣本）進行對比，分類正確的數目越多，分類的精度越高，采用這種分類方法分類效果就越好。表3給出了4幅遙感影像采用三種分類方法的分類精度。

從表3中可以看出4幅不同時相的遙感影像三種分類方法的分類結果，從kappa系數、總體精度、林地精度方面考慮，神經網絡法的分類精度均高于其它兩種方法。根據前面分類結果中林地覆蓋率、影像類型對分類結果的影響，采用TM20090830影像的神經網絡法分類的結果作為森林火災可燃物蓄積量反演和森林火災蔓延模擬的基礎。

表3 4幅影像的三種分類方法的分類精度Table 3 Accuracy of 4 images classified by 3 methods

4 結論

（1）提出一套滿足森林火災蔓延模型的可燃物分類標準，實驗驗證分類標準是可行的。

（2）采用神經網絡法對時效性好、質量高的TM影像進行森林火災可燃物分類的精度最高。

[1] 單延龍，金森，李長江. 國內外林火蔓延模型簡介[J]. 森林防火，2004（4）：18, 21.

[2] 周宇飛. 動態(tài)數據驅動林火蔓延自適應模擬技術研究[D]. 北京：中國林業(yè)科學研究院，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] 陳曉玲，龔威，李平湘，等（譯）. 遙感數字影像處理導論[M]. 北京：機械工業(yè)出版社，2007.

[7] 飛思科技研發(fā)中心. 神經網絡理論及MATLAB實現[M]. 北京：電子工業(yè)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

何長虹（1979－），男，河南周口人，工程師，博士，從事3S技術應用開發(fā)研究。