Please wait a minute...
img

官方微信

遥感技术与应用  2021, Vol. 36 Issue (3): 544-551    DOI: 10.11873/j.issn.1004-0323.2021.3.0544
森林遥感专栏     
基于AISA Eagle Ⅱ机载高光谱数据的森林可燃物类型识别方法
李晓彤(),覃先林(),刘倩,赵俊鹏,王崇阳
中国林业科学研究院资源信息研究所 国家林业局林业遥感与信息技术实验室,北京 100091
 全文: PDF(4123 KB)   HTML
摘要:

为形成林场级森林可燃物类型遥感精细识别方法,以内蒙古大兴安岭根河林业局潮查林场为试验区,结合地面调查和森林资源调查等资料,建立了该区域的森林可燃物类型机载高光谱影像数据分类体系;通过对各类型的原始光谱曲线、一阶微分曲线、二阶微分曲线和包络线消除曲线进行分析,得到了适用于各类型识别的特征波段;并基于生成的特征波段的主成分分析分量(信息量95%以上)及其纹理特征影像,采用随机森林方法对该区域的森林可燃物类型进行了识别。利用机载高光谱遥感数据与其他数据相结合,研究形成了林场级森林可燃物类型随机森林识别方法,识别总体精度达86.31%,Kappa系数0.836;兴安落叶松和白桦的制图精度分别达到95.58%、94.34%,表明该方法适宜用于乔木可燃物的细分,可为林场级森林可燃物更新管理、森林火灾的科学预防及扑救提供技术支撑。

关键词: 森林火灾森林可燃物类型AISA Eagle Ⅱ随机森林    
收稿日期: 2020-02-09 出版日期: 2021-07-22
ZTFLH:  TP79  
基金资助: 中央级公益性科研院所基本科研业务费专项资金课题“基于多源空间数据的森林火灾综合监测技术与应用示范”(2017JYZJ20);国防科工局重大专项“高分森林灾害监测应用示范子系统(二期)”(21-Y30B02-9001-19/22/6)
通讯作者: 覃先林     E-mail: lixiaotong36@163.com;noaags@ifrit.ac.cn
作者简介: 李晓彤(1995-),女,山东德州人,硕士研究生,主要从事林业遥感、森林火险预警技术研究。E?mail:lixiaotong36@163.com
服务  
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章  
李晓彤
覃先林
刘倩
赵俊鹏
王崇阳

引用本文:

李晓彤,覃先林,刘倩,赵俊鹏,王崇阳. 基于AISA Eagle Ⅱ机载高光谱数据的森林可燃物类型识别方法[J]. 遥感技术与应用, 2021, 36(3): 544-551.

链接本文:

http://www.rsta.ac.cn/CN/Y2021/V36/I3/544

图1  技术路线
一级类二级类描述
乔木兴安落叶松落叶针叶树,树冠稀疏,但该树种含有树脂,较易燃,且为试验区的优势树种,占80%以上
白桦落叶阔叶树,该树种体内含水分较多,属于可燃树种,试验区内白桦纯林较少,多与兴安落叶松混生
灌木柴桦灌木,高0.5~2.5 m,位于沼泽地中或河溪旁等缓坡平地上,常密集成灌丛
绣线菊灌木,高1~2 m,多位于阳坡或半阳坡地区
兴安杜鹃灌木,高0.5~2 m,位于山地中,兴安落叶松林下主要灌木类型
草本多为禾本科、莎草科等一年生草本,分布于山地的沟塘、平缓谷地、阴坡下部的沼泽地,极易燃
其他其他包括道路、裸土、水体等
表1  森林可燃物分类体系
森林可燃物类型训练样本数验证样本数森林可燃物类型训练样本数验证样本数
兴安落叶松160176兴安杜鹃89134
白桦1461843583
柴桦79129其他1434
绣线菊5975
表2  森林可燃物类型及样本数量
图2  四种处理方法光谱曲线图
原始光谱曲线一阶微分曲线二阶微分曲线包络线消除曲线
685.34(32) 742.95(38)416.27(3) 704.5(34)685.34(32) 742.95(38)416.27(3) 425.18(4)
781.54(42) 800.88(44)733.32(37) 858.99(50)398.55(1)443.1(6) 543.72(17)
849.3(49) 888.07(53)553.02(18) 571.7(20)
897.76(54) 917.13(56)618.74(25) 666.24(30)
685.34(32)
表3  4种方法所选取的特征波段中心波长 (nm(波段编号))
图3  森林可燃物特征波段光谱曲线
图4  森林可燃物类型分布图
森林可燃物类型面积/hm2占森林可燃物总面积的百分比/%森林可燃物类型面积/hm2占森林可燃物总面积的百分比/%
兴安落叶松2274.2368.82柴桦93.652.83
白桦522.0915.80绣线菊9.760.30
兴安杜鹃355.9510.7748.811.48
表4  森林可燃物类型面积及比例
森林可燃物 类型制图精度 /%用户精度 /%总精度 /%Kappa系数
兴安落叶松95.5887.48
白桦94.3498.43
兴安杜鹃72.3584.21
柴桦84.0584.6486.310.836
绣线菊85.7180.89
81.6273.32
其他93.6586.69
表5  森林可燃物类型识别精度评价结果
1 Zheng Huanneng, Wang Yesui, Guo Kuide, et al. Forest Fire Prevention[M]. Beijing: Agricultural Publishing Press, 1962.郑焕能,王业遂,郭奎德,等.森林防火学[M].北京:农业出版社,1962.
2 He Hongshi, Chang Yu, Hu Yuanman, et al. Contemporary Studies and Future Perspectives of Forest Fuel and Fuel Management[J]. Chinese Journal of Plant Ecology,2010,34(6): 741-752.
2 贺红士,常禹,胡远满,等.森林可燃物及其管理的研究进展与展望[J].植物生态学报,2010,34(6):741-752.
3 He Changhong, Huang Quanyi. Research on Classification of Forest Fuel based on Remote Sensing Image[J]. Journal of Zhejiang Forestry Science and Technology,2014,34(4):55-61.
3 何长虹,黄全义.遥感影像提取森林火灾可燃物类型的研究[J]. 浙江林业科技,2014,34(4):55-61.
5 Zheng Huanneng,Ju Ende, Chai Ruihai, et al. Forest Fire Fanagement[M]. Harbin:Northeast Forestry University Press, 1988.郑焕能,居恩德,柴瑞海,等.林火管理[M].哈尔滨:东北林业大学出版社,1988.
6 Deeming J E, Lancaster J W, Fosberg M A, et al. The National Fire-Danger Rating System[R].
6 U.S.Department of Agriculture,Service Forest,1972:165.
7 Yuan Chunming, Wen Dingyuan. Current Status and Prospect of the Study on Classification and Modeling of Forest Fuel[J].World Forestry Research, 2001,14(2):29-35.
7 袁春明, 文定元. 森林可燃物分类与模型研究的现状与展望[J]. 世界林业研究,2001,14(2):29-35.
8 Shan Yanlong. Research on Forest Fuels in Da Xing'anling Mountains District[D]. Harbin: Northeast Forestry University, 2003.
8 单延龙. 大兴安岭森林可燃物的研究[D]. 哈尔滨:东北林业大学, 2003.
9 Liu Xiaodong, Wang Jun, Zhang Dongsheng, et al. Study on the Combustible Matter Model of Xing'an Larch Forest in the Greater Xing'an Mountains[J]. Forest Fire Prevention, 1995(3): 8-9.
9 刘晓东, 王军, 张东升, 等. 大兴安岭地区兴安落叶松林可燃物模型的研究[J]. 森林防火, 1995(3): 8-9.
10 Tian Xiaorui, Dai Xing'an, Wang Mingyu, et al. Study on the Types Classification of Forests in Beijing[J]. Scientia Silvae Sinicae,2006,42(11):76-80.
10 田晓瑞, 戴兴安, 王明玉, 等. 北京市森林可燃物分类研究[J]. 林业科学,2006,42(11): 76-80.
11 Stefanidou A, Dragozi E, Stavrakoudis D, et al. Fuel Type Mapping Using Object-based Image Analysis of DMC and Landsat-8 OLI Imagery[J]. Geocarto International,2018, 33(10): 1-53.
12 Marino E, Ranz P, José L T, et al. Generation of High-resolution Fuel Model Maps from Discrete Airborne Laser Scanner and Landsat-8 OLI: A Low-cost and Highly Updated Methodology for Large Areas[J]. Remote Sensing of Environment,2016,187(4):267-280.
13 Pettinari M L, Chuvieco E. Generation of a Global Fuel Data Set using the Fuel Characteristic, Classification System[J]. Biogeosciences, 2016, 13(7): 2061-2076.
14 Chen Jiyue, Niu Shukui. Classification and Change Analysis of Forest Fuels by Multi-temporal High Resolution Remote Sensing Images[J]. Journal of Beijing Forestry University. 2018, 40(12): 38-48.
14 陈冀岱,牛树奎. 多时相高分辨率遥感影像的森林可燃物分类和变化分析[J].北京林业大学学报. 2018,40(12): 38-48.
15 Xu Huacheng. Da Xing'anling Mountains Forests in China[M]. Beijing: Science Press, 1998.
15 徐化成. 中国大兴安岭森林[M]. 北京:科学出版社, 1998.
16 Zhang Heng, Yang Yu, Wang Baijie, et al. Emission Characteristics of Water-soluble Ions in PM2.5 Released by Forest Fuel Combustion in Daxing'an Mountains, Inner Mongolia, China[J].Chinese Journal of Applied Ecology,2021,32(7):1-11.
16 张恒,杨雨,王柏杰,等. 内蒙古大兴安岭森林可燃物燃烧释放PM2.5中水溶性离子排放特性[J]. 应用生态学报,2021,32(7):1-11.
17 Wang Jing’ai, Zuo Wei. Geographic Atlas of China[M]. Beijing: China Cartographic Publishing House:2010.
17 王静爱,左伟. 中国地理图集[M]. 北京:中国地图出版社,2010.
18 Jia Wen, Pang Yong, Yue Cairong, et al. Mountain Forest Classification based on AISA Eagle Ⅱ Hyperspectral Data[J]. Forest Inventory and Planning, 2015, 40(1):9-14.
18 荚文, 庞勇, 岳彩荣, 等. 基于AISA EagleⅡ机载高光谱数据的普洱市山区森林分类[J].林业调查规划, 2015, 40(1):9-14.
19 Yu Long. The Explore of Forest Tree Species Discrimination based on Hyperspectral Remote Sensing Data[D]. Hangzhou: Zhejiang A & F University, 2013.
19 于龙. 基于高光谱遥感数据的树种组分类方法探讨[D]. 杭州:浙江农林大学, 2013.
20 Li Mingzhou. Technologies and Applications of Spectral Analysis.[M]. Beijing: Science Press, 2006.
21 Tong Qingxi, Zhang Bing, Zheng Lanfen. Hyperspectral Remote Sensing-Principle,Technology and Application[M].Bei-jing: Higher Education Press, 2006.
22 Wang Zhihui, Ding Lixia. Tree Species Discrimination based on Leaf-Level Hyperspectral Characteristic Analysis[J]. Spectroscopy and Spectral Analysis, 2010, 30(7): 1825-1829.
22 王志辉, 丁丽霞. 基于叶片高光谱特性分析的树种识别[J]. 光谱学与光谱分析, 2010, 30(7): 1825-1829.
23 Tong Qingxi. Hyperspectral Remote Sensing[M]. Beijing: Higher Education Press, 2006.
23 童庆禧. 高光谱遥感—原理、技术与应用[M]. 北京:高等教育出版社, 2006.
25 Zhao Yingshi. Principles and Methods of Remote Sensing Application Analysis(Version 2)[M]. Beijing: Science Press, 2016.
25 赵英时. 遥感应用分析原理与方法第2版[M]. 北京: 科学出版社, 2016.
26 Breiman L. Random Forests [J]. Machine Learning, 2001, 45(1):5-32.
27 Verikas A, Gelzinis A, Bacauskiene M. Miningdata with Random Forests: A Survey and Results of New Tests[J]. Pattern Recognition, 2011, 11(7): 51-58.
28 Liaw A, Wiener M.Classification and Regression by random Forest[J]. Rnews, 2002, 23(23): 18-22.
[1] 曾超,曾珍,曹振宇,邹强,余长锡. 多源时序国产卫星影像的森林火灾动态监测[J]. 遥感技术与应用, 2021, 36(3): 521-532.
[2] 陈彦四,黄春林,侯金亮,韩伟孝,冯娅娅,李翔华,王静. 基于多时相Sentinel-2影像的黑河中游玉米种植面积提取研究[J]. 遥感技术与应用, 2021, 36(2): 324-331.
[3] 杨福芹,冯海宽,李振海,潘洁晨,谢瑞. 苹果叶片氮含量高光谱反演方法对比[J]. 遥感技术与应用, 2021, 36(2): 353-361.
[4] 尹燕旻,贾立. 基于Sentinel-2的闪电河流域农作物分类研究[J]. 遥感技术与应用, 2021, 36(2): 400-410.
[5] 王崇阳,田昕. 基于GF⁃1 PMS数据的森林覆盖变化检测[J]. 遥感技术与应用, 2021, 36(1): 208-216.
[6] 付甜梦,张丽,陈博伟,闫敏. 基于GEE平台的海岛地表覆盖提取及变化监测—以苏拉威西岛为例[J]. 遥感技术与应用, 2021, 36(1): 55-64.
[7] 马腾耀,肖鹏峰,张学良,马威,郭金金. 基于特征优选的GF-3全极化数据积雪识别[J]. 遥感技术与应用, 2020, 35(6): 1292-1302.
[8] 王一帆,徐涵秋. 基于客观阈值与随机森林Gini指标的水体遥感指数对比[J]. 遥感技术与应用, 2020, 35(5): 1089-1098.
[9] 李萌,年雁云,边瑞,白艳萍,马金辉. 基于多源遥感影像的青海云杉和祁连圆柏分类[J]. 遥感技术与应用, 2020, 35(4): 855-863.
[10] 张坤,刘乃文,高帅,赵书慧. 数据驱动的植被总初级生产力估算方法研究[J]. 遥感技术与应用, 2020, 35(4): 943-949.
[11] 李净,温松楠. 基于3种机器学习法的太阳辐射模拟研究[J]. 遥感技术与应用, 2020, 35(3): 615-622.
[12] 董超,赵庚星. 时序数据集构建质量对土地覆盖分类精度的影响研究[J]. 遥感技术与应用, 2020, 35(3): 558-566.
[13] 柴旭荣,李明,周义,王金风,田庆春. 影像的土地覆被快速分类[J]. 遥感技术与应用, 2020, 35(2): 315-325.
[14] 唐廷元,付波霖,何素云,娄佩卿,闭璐. 基于GF-1和Sentinel-1A的漓江流域典型地物信息提取[J]. 遥感技术与应用, 2020, 35(2): 448-457.
[15] 刘培,余志远,马威,韩瑞梅,陈正超,王涵,杨磊库. 基于地形信息的Landsat与Radarsat-2遥感数据协同分类研究[J]. 遥感技术与应用, 2019, 34(6): 1269-1275.