融合可見光無人機(jī)與哨兵2A 影像的森林火災(zāi)跡地精細(xì)化提取

熊 源 徐偉恒,2,3 黃邵東 劉明露 雷建寅 吳 超 徐海峰 王秋華

（1.西南林業(yè)大學(xué)大數(shù)據(jù)與智能工程學(xué)院，云南 昆明 650233；2.西南林業(yè)大學(xué) 大數(shù)據(jù)與智能工程研究院，云南 昆明 650233；3.西南林業(yè)大學(xué)林業(yè)生態(tài)大數(shù)據(jù)國(guó)家林業(yè)與草原局重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650233；4.云南憶塵司法鑒定中心，云南 昆明 650051；5.西南林業(yè)大學(xué)土木工程學(xué)院，云南 昆明 650233）

森林火災(zāi)是導(dǎo)致森林資源損失的最主要原因之一，林火發(fā)生造成巨大的社會(huì)經(jīng)濟(jì)損失、生物多樣性減少等后果[1-3]。因此，準(zhǔn)確，快速的提取森林火災(zāi)跡地面積對(duì)評(píng)估災(zāi)后損失，進(jìn)行客觀的林火司法鑒定具有重要意義。傳統(tǒng)的圈定火災(zāi)范圍需要通過大量野外調(diào)查或基于衛(wèi)星影像進(jìn)行提取，而野外調(diào)查費(fèi)時(shí)費(fèi)力，衛(wèi)星影像往往因?yàn)槠漭^低的空間分辨率導(dǎo)致無法準(zhǔn)確提取火災(zāi)跡地[1,4]。

近年來，無人機(jī)（UAV）多光譜影像因其具有空間分辨率高，光譜信息豐富的特點(diǎn)，被廣泛應(yīng)用于森林火災(zāi)跡地的提取。Mckenna 等[5]基于火災(zāi)前后2 景無人機(jī)RGB 影像結(jié)合過綠指數(shù)差值（dEGI），過綠指數(shù)比率差值（dEGIR）及改進(jìn)的過綠指數(shù)差值（dMGIR）指數(shù)提取了澳大利亞昆士蘭州實(shí)驗(yàn)火災(zāi)跡地及區(qū)分了不同燃燒程度。Shin 等[1]基于1 景無人機(jī)多光譜影像，比較了光譜角制圖（SAM）、最大似然法（ML）以及歸一化植被指數(shù)（NDVI）閾值法在對(duì)火災(zāi)跡地?zé)齻潭葏^(qū)分的表現(xiàn)。Gibson 等[6]基于哨兵2（Sentinel?2）數(shù)據(jù)，結(jié)合隨機(jī)森林（RF）進(jìn)行火災(zāi)嚴(yán)重程度制圖，對(duì)區(qū)分未燃燒區(qū)域和嚴(yán)重?zé)齻ü趯尤繜龤В﹨^(qū)域精度達(dá)到95%以上。Pádua 等[7]比較了Sentinel?2 與無人機(jī)多光譜影像利用差分歸一化燃燒率（dNBR）在對(duì)森林火災(zāi)跡地提取效果的相關(guān)性，證明了Sentinel?2 遙感數(shù)據(jù)比無人機(jī)更具有成本效益。但是以往基于UAV 對(duì)森林火災(zāi)跡地進(jìn)行提取都是基于火災(zāi)前后2 景影像以及需要無人機(jī)搭載多光譜傳感器，以便應(yīng)用相關(guān)的差值植被指數(shù)對(duì)林火跡地進(jìn)行提取。

可見光UAV 造價(jià)較低，容易獲取，考慮UAV搭載傳感器的成本與適用性，對(duì)僅含可見光波段UAV 影像的使用范疇更廣[8-9]。但其僅有R、G、B 3 波段，對(duì)于森林火災(zāi)跡地的提取無法提供有效的光譜信息。因此只能通過目視解譯對(duì)過火區(qū)域進(jìn)行人工矢量化，雖有實(shí)地調(diào)查數(shù)據(jù)輔助，但由于不同燃燒程度火災(zāi)跡地在影像呈現(xiàn)出不同的顏色，導(dǎo)致部分過火區(qū)域與未過火區(qū)域顏色表征混淆，再加上人工判讀經(jīng)驗(yàn)差異，主觀性導(dǎo)致解譯的結(jié)果與真實(shí)過火面積存在一定偏差，從而影響林火司法鑒定的結(jié)果的準(zhǔn)確性。Sentinel?2 影像數(shù)據(jù)具有多光譜的優(yōu)勢(shì)，利用NDVI、歸一化燃燒率（NBR）等能準(zhǔn)確將過火區(qū)域提取，通過火災(zāi)前后2 景影像所計(jì)算的dNBR能劃分森林火災(zāi)跡地的不同燃燒程度[4]。但是基于Sentinel?2 影像提取的火災(zāi)跡地分辨率僅為10 m，對(duì)于過火區(qū)域的面積計(jì)算與真實(shí)過火面積將會(huì)存在一定偏差。鑒于此，本研究提出一種基于單景UAV 可見光波段與Sentinel?2A 多光譜遙感影像相融合進(jìn)而對(duì)森林火災(zāi)跡地進(jìn)行提取的方法，可為林火司法鑒定提供一種新的手段。

1 材料與方法

1.1 數(shù)據(jù)來源及處理

1.1.1 森林火災(zāi)信息

火災(zāi)發(fā)生地點(diǎn)為昆明市宜良縣馬街鎮(zhèn)興隆村（103°14′18″E，25°11′21″N），時(shí)間為2020 年4月20 日15 時(shí)30 分許，林火主要向西北方向蔓延，火線斷續(xù)分布，經(jīng)3 h 左右林火被消防人員撲滅?；饒?chǎng)主要植被類型為云南松幼林及雜草，經(jīng)林火司法人員鑒定，過火面積約99.76 hm2。

1.1.2 UAV 影像數(shù)據(jù)

本研究采用大疆創(chuàng)新（DJI）系列的Mavic pro 無人機(jī)進(jìn)行火災(zāi)跡地遙感影像采集，其搭載24 核處理器、4 枚圖像傳感器、1200 萬像素航拍機(jī)及雙模式衛(wèi)星定位系統(tǒng)。航拍相機(jī)可翻轉(zhuǎn)90°實(shí)現(xiàn)豎拍，最近對(duì)焦距離為0.5 m。三軸增穩(wěn)云臺(tái)可消除因拍攝過程中鏡頭抖動(dòng)而引起的圖像變形[10]。無人機(jī)航拍器具體參數(shù)見表1。

表1 DJI Mavic pro 無人機(jī)主要參數(shù)Table 1 Main parameters of DJI Mavic pro UAV

UAV 遙感影像拍攝時(shí)間為2020 年4 月24日，共572 張照片，采用Pix4Dmapper Pro 對(duì)照片進(jìn)行正射校正及圖像拼接。最終獲得分辨率為0.174 m×0.174 m 的像元數(shù)1.26×108個(gè)，總面積為381.20 hm2，正射校正結(jié)果見圖1。

圖1 無人機(jī)正射校正及拼接結(jié)果Fig.1 Orthorectification and splicing results of UAV

1.1.3 Sentinel?2A 影像數(shù)據(jù)

本研究使用Sentinel?2A 影像數(shù)據(jù)與UAV 影像融合使得研究區(qū)影像同時(shí)具備多光譜信息及高空間分辨率。Sentinel?2A 數(shù)據(jù)由美國(guó)地質(zhì)勘探局（USGS）網(wǎng)站獲取。Sentinel?2A 為歐洲航天局（ESP）于2015 年6 月23 日發(fā)射，重訪周期為10 d[11]。本研究Sentinel?2A 影像獲取原則為在研究區(qū)火災(zāi)發(fā)生之后，且時(shí)間與UAV 影像采集時(shí)間盡可能相近的無云覆蓋研究區(qū)的高質(zhì)量影像。于是本研究選擇1 景成像于2020 年4 月21 日的Sentinel?2A 影像，由于該景Sentinel?2A 數(shù)據(jù)的產(chǎn)品級(jí)別是Level?1C，也即是經(jīng)過正射校正和亞像元級(jí)幾何精校正后的大氣表觀反射率產(chǎn)品，因此預(yù)處理過程只需進(jìn)行大氣校正即可[12-13]。Sentinel?2A 的波段信息見表2。

表2 Sentinel?2A 傳感器波段信息Table 2 Spectral bands for the Sentinel?2A sensor

1.2 火災(zāi)跡地提取方法

火災(zāi)跡地提取流程見圖2，具體步驟如下：

圖2 融合無人機(jī)與哨兵2A 遙感影像的森林火災(zāi)跡地提取流程圖Fig.2 Workflow of forest burned area extraction of UAV and Sentinel?2A remote sensing image

1）將UAV 的R、G、B 3 個(gè)波段分別進(jìn)行1、2 m 下采樣，作為影像融合的高空間分辨率波段。

2）將Sentinel?2A 的20 m 分辨率的3 個(gè)紅邊波段（B5、B6、B7）以及2 個(gè)短波紅外波段（B11、B12）上采樣為10 m，然后與10 m 分辨率的藍(lán)（B2）、綠（B3）、紅（B4）及近紅外（B8）4 個(gè)波段進(jìn)行波段合成，得到一個(gè)10 m 分辨率的9 波段影像，用作影像融合的多光譜數(shù)據(jù)。

3）將UAV 的R、G、B 波段分別下采樣到1、2 m，將下采樣得到的6 個(gè)波段分別與上述合成后的影像進(jìn)行空間配準(zhǔn)，控制點(diǎn)誤差均保持在1 個(gè)像元以內(nèi)，分別采用格萊姆?施密特（GS）和主成分光譜銳化（PCSS）2 種方法進(jìn)行影像融合。

4）對(duì)上述12 種融合結(jié)果進(jìn)行融合質(zhì)量評(píng)價(jià)，以確定最佳的融合影像。

5）基于上述最佳融合影像，根據(jù)研究區(qū)過火區(qū)域、未過火植被區(qū)域以及裸地3 種地物類型樣本，選用NDVI、火燒面積指數(shù)（BAI）、歸一化水汽指數(shù)（NDMI）、NBR 4 個(gè)指數(shù)及所有光譜波段為森林火災(zāi)跡地提取特征，基于ENVI 5.3平臺(tái)的RF 算法進(jìn)行森林火災(zāi)跡地提取，RF 參數(shù)采用ENVI 隨機(jī)森林模塊默認(rèn)參數(shù)：隨機(jī)森林?jǐn)?shù)為100 棵，特征數(shù)量（Numbers of Features）使用平方根方法（Square Root）確定，即Numbers of Features=sqrt(n)，n 為輸入待分類影像的波段數(shù)；利用不純度可以確定節(jié)點(diǎn)基于哪個(gè)特征開始進(jìn)行分裂，對(duì)于分類問題，節(jié)點(diǎn)不純度函數(shù)（Impurity Function）采用基尼系數(shù)（Gini Coefficient）。

6）應(yīng)用同樣的特征、樣本及提取算法對(duì)僅利用Sentinel?2A 影像進(jìn)行森林火災(zāi)跡地提取。

7）比較2 種影像對(duì)森林火災(zāi)跡地提取的精度及過火與未過火區(qū)域邊界的區(qū)分效果。

1.3 融合方法

1.3.1 GS 融合方法

GS 算法首先對(duì)多光譜波段按照一定的權(quán)重進(jìn)行計(jì)算，模擬出低分辨率的全色影像作為GS1；然后用模擬的GS1進(jìn)行GS 正變換，計(jì)算GS1波段和全色波段的均值及標(biāo)準(zhǔn)差，對(duì)全色波段和GS1波段進(jìn)行直方圖匹配；最后用匹配后的全色波段替換GS1進(jìn)行GS 逆變換，得到高空間分辨率多光譜融合影像。

1.3.2 PCSS 融合方法

PCSS 算法是先將低空間分辨率多光譜數(shù)據(jù)進(jìn)行主成分變換，高空間分辨率波段被縮放匹配到第一主成分波段，從而避免了光譜失真，再用高空間分辨率波段替換第一主成分波段，函數(shù)自動(dòng)將多光譜數(shù)據(jù)重采樣到高空間分辨率像元尺寸，然后進(jìn)行主成分反變換得到融合影像。

1.4 影像融合質(zhì)量評(píng)價(jià)方法

遙感數(shù)據(jù)融合是提升影像應(yīng)用能力的重要手段[14]。評(píng)估融合后的影像質(zhì)量，對(duì)分析融合效果，改進(jìn)融合算法參數(shù)具有重要意義[15]。最佳的融合影像既能保留全色波段高空間分辨率的地物細(xì)節(jié)特征，同時(shí)具備多光譜的光譜信息，當(dāng)融合的2 景影像空間分辨率差異較大時(shí)，會(huì)出現(xiàn)嚴(yán)重的光譜和空間失真[16]。因此，當(dāng)全色影像空間分辨率遠(yuǎn)高于多光譜空間分辨率時(shí)，適當(dāng)降低全色影像的空間分辨率，可提高影像融合質(zhì)量[17]。本研究將UAV 的R、G、B 3 個(gè)波段分別下采樣成1、2 m 分辨率的影像，然后與Sentinel?2A 多光譜10 m 分辨率影像進(jìn)行融合，然后對(duì)融合結(jié)果進(jìn)行評(píng)估。本研究選取了具有代表性的信息熵（EN）、標(biāo)準(zhǔn)差（STD）、相關(guān)系數(shù)（CC）、通用影像質(zhì)量評(píng)價(jià)指標(biāo)（UIQI）、SAM 以及相對(duì)全局維數(shù)綜合誤差（ERGAS）等6 個(gè)指標(biāo)對(duì)上述12 景融合影像的進(jìn)行質(zhì)量評(píng)價(jià)。EN 及STD 主要反映影像的空間細(xì)節(jié)信息，融合影像中EN 和STD越大，說明影像中包含的信息也就越多，融合效果最好。CC 越大，說明融合影像最接近原始影像，丟失的信息越少；UIQI 考量的是影像亮度成分的畸變程度，值越大，說明其亮度保持度越好，融合質(zhì)量也越好；SAM 表示融合影像與參考影像之間的光譜扭曲程度，SAM 值越小影像融合質(zhì)量越好；ERGAS 表征的是影像融合時(shí)對(duì)光譜重建質(zhì)量的偏差，值越小，融合影像的光譜質(zhì)量越好。

2 結(jié)果與分析

2.1 融合影像質(zhì)量評(píng)價(jià)

根據(jù)表3 對(duì)融合影像質(zhì)量進(jìn)行評(píng)價(jià)。1 m 尺度下3 個(gè)波段的SAM 指標(biāo)在GS 影像中是一致的（6.800），且小于其他SAM；不論1 m 還是2 m 尺度下R 波段的UIQI 指標(biāo)在GS 融合影像下是最高的（0.882）；1 m 尺度下R 波段的GS 影像的ERGAS 指標(biāo)最小（6.232）；而1 m 及2 m尺度下B 波段的GS 融合影像的CC 指標(biāo)最大（0.901），均高于其他融合影像下的CC 指標(biāo)；2 m 尺度下B 波段的GS 融合影像的EN 指標(biāo)最大（7.455），位居第2 的則是1 m 尺度下R 波段的GS 融合影像（7.319）；而2 m 尺度下B 波段的PCSS 融合影像的STD 最大。

表3 無人機(jī)R、G、B 3 波段與哨兵2A 多光譜影像融合質(zhì)量評(píng)估Table 3 Fusion quality evaluation of R,G,B derived from UAV with Sentinel?2A multi-spectral image

就融合方法而言，GS 不論在R、G、B 波段的1 m 或2 m 尺度下各指標(biāo)表現(xiàn)都優(yōu)于PCSS；對(duì)于本研究而言，在保證影像空間分辨率的基礎(chǔ)上，需要盡可能的保證融合影像的光譜信息。而R 波段在1 m 采樣尺度下GS 融合影像的SAM 與ERGAS 指標(biāo)表現(xiàn)突出，說明該融合影像的光譜信息保持較為良好，此外，其EN 指標(biāo)僅次于B 波段2 m 尺度下的GS 融合影像，說明其信息量保持也較為完整；而該影像的其他指標(biāo)與其他采樣尺度下的兩種融合方法結(jié)果相比差異較小。綜合考慮，本研究選擇R 波段1 m 采樣尺度下的GS融合影像作為森林火災(zāi)跡地提取的基礎(chǔ)數(shù)據(jù)。

2.2 森林火災(zāi)跡地的提取

在最佳融合影像上選擇常用的RF 算法對(duì)研究區(qū)森林火災(zāi)跡地進(jìn)行提取。在UAV 正射校正影像的火場(chǎng)邊界內(nèi)選取過火植被、未過火植被及裸地樣本進(jìn)行RF 分類訓(xùn)練，樣本分布及樣本數(shù)量見圖1、表4。

表4 火災(zāi)跡地提取訓(xùn)練樣本Table 4 Training samples for burned area

對(duì)提取結(jié)果進(jìn)行局部展示，見圖3。圖3a 為精度驗(yàn)證隨機(jī)點(diǎn)分布圖，本研究在精度驗(yàn)證時(shí)將未過火植被與裸地樣本歸為一類；圖3d 為Sentinel?2A 影像提取 結(jié)果；圖3g 為Sentinel?2A 與UAV 融合后的提取結(jié)果。圖3c 和圖3f 是局部提取細(xì)節(jié)展示區(qū)域，圖3b、e、h 分別對(duì)應(yīng)Ⅰ區(qū)域的原始真彩色影像，Sentinel?2A 和融合影像的提取結(jié)果；圖3c、f、i 分別對(duì)應(yīng)Ⅱ區(qū)域的原始真彩色影像，Sentinel?2A 和融合影像的提取結(jié)果。

圖3 林火提取結(jié)果及局部效果展示Fig.3 Display of forest fire extraction results and details

2.3 森林火災(zāi)跡地提取精度的評(píng)價(jià)

本研究基于ArcGIS 10.5 平臺(tái)，在火場(chǎng)邊界內(nèi)生成500 個(gè)隨機(jī)點(diǎn)，然后對(duì)其進(jìn)行目視解譯，落在森林火災(zāi)跡地上的隨機(jī)點(diǎn)415 個(gè)，非過火區(qū)域隨機(jī)點(diǎn)85 個(gè)。基于隨機(jī)點(diǎn)分別對(duì)應(yīng)用Sentinel?2A 單景影像 及Sentinel?2A 與UAV 融合后的 影像對(duì)森林火災(zāi)跡地提取結(jié)果進(jìn)行精度評(píng)價(jià)，結(jié)果見表5。

表5 森林火災(zāi)跡地提取精度評(píng)價(jià)Table 5 Evaluation of extraction accuracy of forest burned area

由表4 可知，就2 種影像提取精度而言，融合影像與僅用Sentinel?2A 影像對(duì)于森林火災(zāi)跡地提取的生產(chǎn)者精度分別為96.14%、95.18%，使用者精度分別為97.79%、96.57%，Kappa 系數(shù)分別為0.83、0.76。融合影像對(duì)于森林火災(zāi)跡地提取的各精度都高于僅用Sentinel?2A 影像對(duì)于林火跡地提取的精度。融合影像和Sentinel?2A 影像都具備多光譜信息，因此對(duì)于火災(zāi)跡地的提取精度都較高；而融合影像較Sentinel?2A 的空間分辨率較高，因此對(duì)過火區(qū)域及未過火區(qū)域邊界的刻畫更加細(xì)致。由圖3 可知，圖3h 和圖3i 分別較圖3e和圖3f 對(duì)過火與未過火區(qū)域邊界的區(qū)分更加明顯，對(duì)過火區(qū)域中小面積的未過火區(qū)域保留效果顯著，分別與原始影像圖3b 和圖3c 的表征更為接近。就森林火災(zāi)跡地提取面積而言，司法鑒定人員手動(dòng)矢量化過火面積為99.76 hm2，融合影像提取面積為96.27 hm2，與統(tǒng)計(jì)面積相對(duì)誤差為?3.5%；Sentinel?2 影像提取過火面積為93.53 hm2，與統(tǒng)計(jì)面積相對(duì)誤差為?6.2%。2 種影像對(duì)于火災(zāi)跡地提取的面積均小于人工目視解譯勾繪的面積。

3 結(jié)論與討論

本研究將0.174 m 分辨率UAV 的R、G、B 波段分別下采樣到1 m 和2 m，然后分別與10 m 分辨率的Sentinel?2A 多光譜影像進(jìn)行GS與PCSS 融合，選取6 個(gè)定量指標(biāo)對(duì)上述12 種融合結(jié)果進(jìn)行融合質(zhì)量評(píng)估，最終選用UAV 影像的1 m 分辨率的R 波段與Sentinel?2A 影像的融合結(jié)果，利用RF 算法進(jìn)行森林火災(zāi)跡地的提取。然后與僅用10 m 分辨率的單景Sentinel?2A 影像對(duì)森林火災(zāi)跡地提取效果進(jìn)行對(duì)比，即從森林火災(zāi)跡地提取精度、過火區(qū)域與未過火區(qū)域分界效果以及提取的過火面積與人工矢量化過火面積相對(duì)誤差三個(gè)方面進(jìn)行對(duì)比。結(jié)果表明：1）采用1 m空間分辨率的UAV 影像與10 m 分辨率的Sentinel?2A 影像，基于GS 算法進(jìn)行融合，空間分辨率比例合適，融合影像光譜一致性好，影像融合質(zhì)量較高；2）僅用Sentinel?2A 影像能實(shí)現(xiàn)對(duì)林火跡地大致范圍的提取，但是對(duì)過火區(qū)域與未過火區(qū)域的界線區(qū)分不夠明顯，界線呈鋸齒狀，且容易將夾雜在過火區(qū)域中的未過火小區(qū)域誤判為過火區(qū)域；3）而基于1 m 分辨率UAV 影像的R 波段與10 m 分辨率Sentinel?2A 多光譜融合為1 m 分辨率的產(chǎn)品，再進(jìn)行森林火災(zāi)跡地提取，對(duì)過火區(qū)域與未過火區(qū)域的邊界區(qū)分更加細(xì)化、緊致及平滑，融合后的影像同時(shí)具備了UAV 影像的高空間分辨率及Sentinel?2A 影像的多光譜信息，對(duì)于過火區(qū)域與未過火區(qū)域界線劃分效果顯著，能夠輔助人工快速的進(jìn)行森林火災(zāi)跡地精準(zhǔn)矢量化，彌補(bǔ)了林火司法鑒定過程中對(duì)森林火災(zāi)跡地進(jìn)行人工矢量化時(shí)，部分燃燒不徹底的森林火災(zāi)跡地表征出與未過火植被相似的顏色特征而無法準(zhǔn)確計(jì)算過火面積，從而影響司法鑒定結(jié)果的客觀性。因此，利用單景可見光UAV 與Sentinel?2A 影像采用GS 融合方法，基于RF 算法可高精度、精細(xì)化將森林火災(zāi)跡地提取，且邊界細(xì)節(jié)效果刻畫更加明顯。

本研究方法可大大提高林火司法鑒定效率，減少外業(yè)工作量及降低成本，使得矢量化更加精準(zhǔn)。對(duì)于大面積火災(zāi)跡地大致范圍的提取可以考慮利用Landsat、MODIS 影像，而對(duì)于森林火災(zāi)跡地精細(xì)化提取而言，基于Sentinel?2A 與UAV影像相融合進(jìn)行提取則更為適合。在下一步的研究中將考慮利用Sentinel?2A 影像選擇林火發(fā)生之前的影像進(jìn)行林型分類，使得林火司法鑒定結(jié)果更加客觀公正。