姜德才,李文吉,李敬敏,白罩峰

(1.中国自然资源航空物探遥感中心，北京 100083；2.北京航天宏图信息技术有限责任公司，北京 100195)

0 引言

林火对森林生态系统具有极大危害。林火不仅破坏植被及环境，如干扰植物群落的更替和野生动物的迁徙、改变土壤结构、降低微生物含量、造成水土流失、引起空气污染等[1]，而且还威胁人类生命及财产安全。森林过火迹地的位置、面积和烈度的高精度、快速提取可为相关部门针对森林火中救治、火后灾情评估及生态恢复的决策、部署提供科学依据。

基于晴天无云的中高空间分辨率光学卫星遥感的林火区提取研究已广泛开展。该类方法主要是利用综合火烧指数(composite burn index，CBI)、归一化差值植被指数(normalized difference vegetation index，NDVI)、归一化火烧指数(normalized burn ration，NBR)和差分归一化火烧指数(differential normalized burn ration，DNBR)等光学影像遥感指数[2-3]，通过人工目视解译或应用分类算法获取水体、裸地、植被以及燃烧区等地类，从而提取林火迹地；对提取的林火迹地进一步细分还可获得燃烧烈度信息[4]。孙桂芬等[5]基于晴天无云的Landsat8影像短波红外波段提取林火迹地的精度达到了87%，而GF-1影像可见光和近红外波段提取林火迹地的精度则达到了91%。

高分光学卫星遥感虽然在地类提取方面具有很高精度，但在对地成像过程中易受到云、雾、雨、雪、雹等气象要素的干扰，尤其在林火燃烧过程中，往往伴有浓烈烟、雾、云等，严重制约了其在林火应急救灾中的快速响应能力。在微波卫星遥感领域，合成孔径雷达(synthetic aperture Radar，SAR)的成像波长较长，可穿云透雾，到达地表[6-7]。SAR成像机理的独特优势，可为响应灾中、灾后的应急救灾提供技术支撑。作为光学卫星遥感林火监测的有效补充手段，开展SAR卫星遥感的森林火中、火后监测对于快速响应火灾抢救、灾后治理和生态恢复等具有重要意义[8]。

以像元集合为分析单元的面向对象技术，可有效降低“同物异谱、同谱异物”造成的遥感影像分类中的“椒盐效应”[9]。该技术在光学卫星遥感影像解译中已得到广泛应用[10-11]，而在以SAR为代表的微波遥感领域的应用研究中则较少。因此，本文在文献[6]基于像元的阈值分类方法提取林火区的基础上，将Baatz和Schäpe[12-13]提出的分型网络演化(fractal net evolution approach，FNEA)的多尺度分割算法应用于全极化ALOS PALSAR影像的后向散射总功率数据，通过对分割对象阈值分类，提取林火灾后过火区。

1 研究方法

1.1 研究区及数据源

研究区位于美国Alaska中东部的Birch Creek机场西南角35 km处，火区中心点坐标为66°02′42.0″N，146°35′16.8″W，林火发生于2009年7月18日—8月5日。

Google Earth影像显示研究区的位置如图1所示，其中红色矩形框为美国国家航空航天局网站提供的2景ALOS PALSAR影像覆盖范围，影像获取时间刚好包含了林火发生期间，具体参数如表1所示；蓝色矩形框为美国地质调查局的MTBS(monitoring trends in burn severity)项目网站提供的燃烧强度数据，燃烧强度分别为：高、中、低。MTBS燃烧强度数据是通过提取林火前后Landsat5 TM影像的NBR并结合人工解译制作而成。

图1 研究区Google Earth影像Fig.1 Google Earth image of study area

表1 ALOS PALSAR影像参数Tab.1 Parameters of the ALOS PALSAR images

1.2 极化散射总功率

全极化SAR影像数据以复数矩阵形式测量、记录4种极化状态HH，HV，VH和VV下地球分辨单元内所有分布式目标散射回波的相干叠加，构成了极化散射矩阵S。对复矩阵S简单计算，可得到4种极化状态的振幅和相位信息。为了减弱分布式目标形成的相干噪声，通常对散射回波进行统计平均，将极化散射矩阵S转化为经典的散射模型即极化协方差矩阵C3或极化相干矩阵T3。这2种矩阵都是埃尔米特矩阵，且可以相互转换。

通过极化协方差矩阵C3，可以计算得到4种极化通道的后向散射系数σHH，σHV，σVH和σVV，分别为

(1)

式中C11，C22和C33分别为极化协方差矩阵C3的对角线元素。

极化散射总功率，又称Span，由4种极化散射强度构成，包含地物丰富的纹理信息且能够有效地抑制相干噪声[14]，计算公式为

Span=|SHH|2+|SVV|2+2|SHV|2=C11+C22+C33。

(2)

1.3 FNEA方法

FNEA多尺度分割的基本策略是建立影像分割对象的分层网络。该分层网络以不同空间分辨率(尺度)的图像为分割对象，同时表征影像。其中高空间分辨率的影像分割对象是较粗尺度影像分割对象的子对象。每个影像分割对象都“知道”它的父对象、邻域和子对象。层次结构同时代表了不同空间分辨率影像分割对象信息。利用分层网络影像分割对象之间的关系，并与影像分割对象的形状和纹理特征一起使用，可以提高影像分割对象的分类精度[12-13]。

分类过程中，影像分割对象的合并需解决2个关键问题：①定量表征相邻分割对象(像元)的异质性(或同质性)；②定量表征影像分割对象在合并前后的异质性(或同质性)变化。相邻分割对象间的异质性，即给定一个特定的特征空间，如果2个相邻分割对象在这个特征空间彼此接近，那么这2个对象相似。对于一个d维的特征空间，拟合度h为

(3)

式中f为对象特征，具体表现为光谱平均值、方差或纹理特征。特征空间距离可以通过计算所有分割对象在所有特征维的标准差σfd进行标准化，即

(4)

合并前后影像分割对象的异质性变化，即从单个像素对象开始，逐步合并到较大的对象上，合并对象的光谱异质性会增加。优化过程的基本目标是在每个合并过程中，最小化合并对象的异质性增加。通过影像分割对象合并到邻域对象，从而产生最小的异质性增加。因此，通过描述合并前后异质性的变化hdiff来定义2个相邻影像分割对象的拟合度。合并前后异质性的变化hdiff为

(5)

式中：c为波段数；wc为c波段的权重；n1和n2分别为合并前2个分割对象大小(像元数)；h1c，h2c和hmc分别为C波段2个分割对象合并前和合并后的异质性。

1.4 精度评价

混淆矩阵是遥感影像分类结果精度评价的常用方法[15-16]。用于混淆矩阵精度评价的样本点数量计算公式[17-18]为

N=B/4b2，

(6)

式中：N为样本点个数；B为自由度为1的卡方检验(1-P/M)的临界值，其中P为置信度误差，M为分类数；b为置信水平。本次实验将遥感影像地类分为3类，对置信水平的要求为95%以上，即置信度误差允许范围为5%。通过查找卡方检验临界表可知5.41

(7)

参照MTBS燃烧强度数据，为各样本像元赋属性值，即水体、燃烧区和未燃烧区。

1.5 技术流程

(8)

(9)

(10)

图2 实验流程Fig.2 Research procedure

2 结果与分析

图3 林火区分类结果

Fig.3Classificationresultsaroundtheforestfireregion

本文使用混淆矩阵开展了研究区分类结果的定量评价，结果如表2和表3所示。

表2 火后单一时相的混淆矩阵Tab.2 Post-fire confusion matrix

表3 林火前后2时相的混淆矩阵Tab.3 Two-static confusion matrix

3 结论

合成孔径雷达(synthetic aperture Radar，SAR)技术可作为光学卫星遥感监测林火的有效补充手段，能够穿透烟、云、雾、雨、雹等恶劣天气，可用于林火的火中监测。本文开展了以像元集合为分析单元的面向对象技术在SAR散射总功率的林火区提取研究。以L波段全极化ALOS PALSAR为数据源，经散射总功率的计算、分型网络演化的多尺度分割、阈值分类、精度评价等过程，开展了美国Alaska中东部一处林火灾后过火区的提取研究，主要得到以下结论：

1)基于火后单一时相、林火前后2时相的SAR散射总功率开展林火区的提取结果整体与MTBS燃烧强度都较为吻合，且后者提取结果更优。

2)对比研究区SAR散射总功率基于像元阈值分类的林火分类结果，基于多尺度分割的面向对象阈值分类结果精度有较大提高，研究区火后单一时相的分类精度提高了12.7%，林火前后2时相的分类精度提高了15.8%。

3)林火研究区分类精度基本达到了基于晴天无云的常规高分可见光和红外波段影像的燃烧区和未燃烧区的分类精度。因此，极化SAR技术可作为光学卫星遥感监测林火的有效补充手段，且能适用于林火灾中的应急监测。

但是，仍有一些问题有待进一步研究，如开展多参数特征图的阈值分类，以减少未燃烧区的误分类；深度挖掘SAR数据的极化信息，并应用于森林火灾的过火区及燃烧烈度的提取研究等。

志谢：感谢美国国家航空航天局网站(https://search.earthdata.nasa.gov)提供的ALOS PALSAR数据，感谢美国地质调查局的MTBS(monitoring trends in burn severity)项目网站(https://www.mtbs.gov/direct-download)提供的燃烧强度数据。