融合可見光無人機與哨兵2A 影像的森林火災跡地精細化提取

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.西南林業大學大數據與智能工程學院，云南 昆明 650233；2.西南林業大學 大數據與智能工程研究院，云南 昆明 650233；3.西南林業大學林業生態大數據國家林業與草原局重點實驗室，云南 昆明 650233；4.云南憶塵司法鑒定中心，云南 昆明 650051；5.西南林業大學土木工程學院，云南 昆明 650233）

森林火災是導致森林資源損失的最主要原因之一，林火發生造成巨大的社會經濟損失、生物多樣性減少等后果[1-3]。因此，準確，快速的提取森林火災跡地面積對評估災后損失，進行客觀的林火司法鑒定具有重要意義。傳統的圈定火災范圍需要通過大量野外調查或基于衛星影像進行提取，而野外調查費時費力，衛星影像往往因為其較低的空間分辨率導致無法準確提取火災跡地[1,4]。

近年來，無人機（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，被廣泛應用于森林火災跡地的提取。Mckenna 等[5]基于火災前后2 景無人機RGB 影像結合過綠指數差值（dEGI），過綠指數比率差值（dEGIR）及改進的過綠指數差值（dMGIR）指數提取了澳大利亞昆士蘭州實驗火災跡地及區分了不同燃燒程度。Shin 等[1]基于1 景無人機多光譜影像，比較了光譜角制圖（SAM）、最大似然法（ML）以及歸一化植被指數（NDVI）閾值法在對火災跡地燒傷程度區分的表現。Gibson 等[6]基于哨兵2（Sentinel?2）數據，結合隨機森林（RF）進行火災嚴重程度制圖，對區分未燃燒區域和嚴重燒傷（冠層全部燒毀）區域精度達到95%以上。Pádua 等[7]比較了Sentinel?2 與無人機多光譜影像利用差分歸一化燃燒率（dNBR）在對森林火災跡地提取效果的相關性，證明了Sentinel?2 遙感數據比無人機更具有成本效益。但是以往基于UAV 對森林火災跡地進行提取都是基于火災前后2 景影像以及需要無人機搭載多光譜傳感器，以便應用相關的差值植被指數對林火跡地進行提取。

可見光UAV 造價較低，容易獲取，考慮UAV搭載傳感器的成本與適用性，對僅含可見光波段UAV 影像的使用范疇更廣[8-9]。但其僅有R、G、B 3 波段，對于森林火災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過火區域進行人工矢量化，雖有實地調查數據輔助，但由于不同燃燒程度火災跡地在影像呈現出不同的顏色，導致部分過火區域與未過火區域顏色表征混淆，再加上人工判讀經驗差異，主觀性導致解譯的結果與真實過火面積存在一定偏差，從而影響林火司法鑒定的結果的準確性。Sentinel?2 影像數據具有多光譜的優勢，利用NDVI、歸一化燃燒率（NBR）等能準確將過火區域提取，通過火災前后2 景影像所計算的dNBR能劃分森林火災跡地的不同燃燒程度[4]。但是基于Sentinel?2 影像提取的火災跡地分辨率僅為10 m，對于過火區域的面積計算與真實過火面積將會存在一定偏差。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而對森林火災跡地進行提取的方法，可為林火司法鑒定提供一種新的手段。

1 材料與方法

1.1 數據來源及處理

1.1.1 森林火災信息

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

1.1.2 UAV 影像數據

本研究采用大疆創新（DJI）系列的Mavic pro 無人機進行火災跡地遙感影像采集，其搭載24 核處理器、4 枚圖像傳感器、1200 萬像素航拍機及雙模式衛星定位系統。航拍相機可翻轉90°實現豎拍，最近對焦距離為0.5 m。三軸增穩云臺可消除因拍攝過程中鏡頭抖動而引起的圖像變形[10]。無人機航拍器具體參數見表1。

表1 DJI Mavic pro 無人機主要參數Table 1 Main parameters of DJI Mavic pro UAV

UAV 遙感影像拍攝時間為2020 年4 月24日，共572 張照片，采用Pix4Dmapper Pro 對照片進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1.26×108個，總面積為381.20 hm2，正射校正結果見圖1。

圖1 無人機正射校正及拼接結果Fig.1 Orthorectification and splicing results of UAV

1.1.3 Sentinel?2A 影像數據

本研究使用Sentinel?2A 影像數據與UAV 影像融合使得研究區影像同時具備多光譜信息及高空間分辨率。Sentinel?2A 數據由美國地質勘探局（USGS）網站獲取。Sentinel?2A 為歐洲航天局（ESP）于2015 年6 月23 日發射，重訪周期為10 d[11]。本研究Sentinel?2A 影像獲取原則為在研究區火災發生之后，且時間與UAV 影像采集時間盡可能相近的無云覆蓋研究區的高質量影像。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 數據的產品級別是Level?1C，也即是經過正射校正和亞像元級幾何精校正后的大氣表觀反射率產品，因此預處理過程只需進行大氣校正即可[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 火災跡地提取方法

火災跡地提取流程見圖2，具體步驟如下：

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

1）將UAV 的R、G、B 3 個波段分別進行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 個紅邊波段（B5、B6、B7）以及2 個短波紅外波段（B11、B12）上采樣為10 m，然后與10 m 分辨率的藍（B2）、綠（B3）、紅（B4）及近紅外（B8）4 個波段進行波段合成，得到一個10 m 分辨率的9 波段影像，用作影像融合的多光譜數據。

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 個波段分別與上述合成后的影像進行空間配準，控制點誤差均保持在1 個像元以內，分別采用格萊姆?施密特（GS）和主成分光譜銳化（PCSS）2 種方法進行影像融合。

4）對上述12 種融合結果進行融合質量評價，以確定最佳的融合影像。

5）基于上述最佳融合影像，根據研究區過火區域、未過火植被區域以及裸地3 種地物類型樣本，選用NDVI、火燒面積指數（BAI）、歸一化水汽指數（NDMI）、NBR 4 個指數及所有光譜波段為森林火災跡地提取特征，基于ENVI 5.3平臺的RF 算法進行森林火災跡地提取，RF 參數采用ENVI 隨機森林模塊默認參數：隨機森林數為100 棵，特征數量（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；利用不純度可以確定節點基于哪個特征開始進行分裂，對于分類問題，節點不純度函數（Impurity Function）采用基尼系數（Gini Coefficient）。

6）應用同樣的特征、樣本及提取算法對僅利用Sentinel?2A 影像進行森林火災跡地提取。

7）比較2 種影像對森林火災跡地提取的精度及過火與未過火區域邊界的區分效果。

1.3 融合方法

1.3.1 GS 融合方法

GS 算法首先對多光譜波段按照一定的權重進行計算，模擬出低分辨率的全色影像作為GS1；然后用模擬的GS1進行GS 正變換，計算GS1波段和全色波段的均值及標準差，對全色波段和GS1波段進行直方圖匹配；最后用匹配后的全色波段替換GS1進行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據進行主成分變換，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，函數自動將多光譜數據重采樣到高空間分辨率像元尺寸，然后進行主成分反變換得到融合影像。

1.4 影像融合質量評價方法

遙感數據融合是提升影像應用能力的重要手段[14]。評估融合后的影像質量，對分析融合效果，改進融合算法參數具有重要意義[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節特征，同時具備多光譜的光譜信息，當融合的2 景影像空間分辨率差異較大時，會出現嚴重的光譜和空間失真[16]。因此，當全色影像空間分辨率遠高于多光譜空間分辨率時，適當降低全色影像的空間分辨率，可提高影像融合質量[17]。本研究將UAV 的R、G、B 3 個波段分別下采樣成1、2 m 分辨率的影像，然后與Sentinel?2A 多光譜10 m 分辨率影像進行融合，然后對融合結果進行評估。本研究選取了具有代表性的信息熵（EN）、標準差（STD）、相關系數（CC）、通用影像質量評價指標（UIQI）、SAM 以及相對全局維數綜合誤差（ERGAS）等6 個指標對上述12 景融合影像的進行質量評價。EN 及STD 主要反映影像的空間細節信息，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 值越小影像融合質量越好；ERGAS 表征的是影像融合時對光譜重建質量的偏差，值越小，融合影像的光譜質量越好。

2 結果與分析

2.1 融合影像質量評價

根據表3 對融合影像質量進行評價。1 m 尺度下3 個波段的SAM 指標在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 指標最大（0.901），均高于其他融合影像下的CC 指標；2 m 尺度下B 波段的GS 融合影像的EN 指標最大（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R、G、B 3 波段與哨兵2A 多光譜影像融合質量評估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 尺度下各指標表現都優于PCSS；對于本研究而言，在保證影像空間分辨率的基礎上，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 指標表現突出，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與其他采樣尺度下的兩種融合方法結果相比差異較小。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跡地提取的基礎數據。

2.2 森林火災跡地的提取

在最佳融合影像上選擇常用的RF 算法對研究區森林火災跡地進行提取。在UAV 正射校正影像的火場邊界內選取過火植被、未過火植被及裸地樣本進行RF 分類訓練，樣本分布及樣本數量見圖1、表4。

表4 火災跡地提取訓練樣本Table 4 Training samples for burned area

對提取結果進行局部展示，見圖3。圖3a 為精度驗證隨機點分布圖，本研究在精度驗證時將未過火植被與裸地樣本歸為一類；圖3d 為Sentinel?2A 影像提取 結果；圖3g 為Sentinel?2A 與UAV 融合后的提取結果。圖3c 和圖3f 是局部提取細節展示區域，圖3b、e、h 分別對應Ⅰ區域的原始真彩色影像，Sentinel?2A 和融合影像的提取結果；圖3c、f、i 分別對應Ⅱ區域的原始真彩色影像，Sentinel?2A 和融合影像的提取結果。

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

2.3 森林火災跡地提取精度的評價

本研究基于ArcGIS 10.5 平臺，在火場邊界內生成500 個隨機點，然后對其進行目視解譯，落在森林火災跡地上的隨機點415 個，非過火區域隨機點85 個。基于隨機點分別對應用Sentinel?2A 單景影像 及Sentinel?2A 與UAV 融合后的 影像對森林火災跡地提取結果進行精度評價，結果見表5。

表5 森林火災跡地提取精度評價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 影像對于森林火災跡地提取的生產者精度分別為96.14%、95.18%，使用者精度分別為97.79%、96.57%，Kappa 系數分別為0.83、0.76。融合影像對于森林火災跡地提取的各精度都高于僅用Sentinel?2A 影像對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，因此對于火災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，因此對過火區域及未過火區域邊界的刻畫更加細致。由圖3 可知，圖3h 和圖3i 分別較圖3e和圖3f 對過火與未過火區域邊界的區分更加明顯，對過火區域中小面積的未過火區域保留效果顯著，分別與原始影像圖3b 和圖3c 的表征更為接近。就森林火災跡地提取面積而言，司法鑒定人員手動矢量化過火面積為99.76 hm2，融合影像提取面積為96.27 hm2，與統計面積相對誤差為?3.5%；Sentinel?2 影像提取過火面積為93.53 hm2，與統計面積相對誤差為?6.2%。2 種影像對于火災跡地提取的面積均小于人工目視解譯勾繪的面積。

3 結論與討論

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 多光譜影像進行GS與PCSS 融合，選取6 個定量指標對上述12 種融合結果進行融合質量評估，最終選用UAV 影像的1 m 分辨率的R 波段與Sentinel?2A 影像的融合結果，利用RF 算法進行森林火災跡地的提取。然后與僅用10 m 分辨率的單景Sentinel?2A 影像對森林火災跡地提取效果進行對比，即從森林火災跡地提取精度、過火區域與未過火區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誤差三個方面進行對比。結果表明：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，影像融合質量較高；2）僅用Sentinel?2A 影像能實現對林火跡地大致范圍的提取，但是對過火區域與未過火區域的界線區分不夠明顯，界線呈鋸齒狀，且容易將夾雜在過火區域中的未過火小區域誤判為過火區域；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 分辨率的產品，再進行森林火災跡地提取，對過火區域與未過火區域的邊界區分更加細化、緊致及平滑，融合后的影像同時具備了UAV 影像的高空間分辨率及Sentinel?2A 影像的多光譜信息，對于過火區域與未過火區域界線劃分效果顯著，能夠輔助人工快速的進行森林火災跡地精準矢量化，彌補了林火司法鑒定過程中對森林火災跡地進行人工矢量化時，部分燃燒不徹底的森林火災跡地表征出與未過火植被相似的顏色特征而無法準確計算過火面積，從而影響司法鑒定結果的客觀性。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、精細化將森林火災跡地提取，且邊界細節效果刻畫更加明顯。

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