摘要
在全球气候变暖与极端天气频发的背景下，森林火灾高发已成为常态，其多发性加剧了林木资源损失，使森林面积锐减、生境破坏严重且产生了不可估量的经济损失。因此，灾后林木受损信息调查是评估林木资源损失的关键过程。目前，遥感技术已逐渐应用于林木火灾受损信息的获取，而受损木特征提取及分类方法的选取是增强信息识别的重要环节。为探究中小尺度森林火灾过火区域林木受损程度信息准确提取，基于多光谱无人机影像，通过多影像特征提取分析，以机器学习算法获取林木火灾受损信息空间格局。研究可充分发挥多光谱无人机遥感数据优势实现中小尺度森林火灾林木资源损失评估。 研究以云南省昆明市西山区2022年3月10日森林火场和2020年5月9日发生在云南省安宁市青龙街道森林火灾为研究对象，以多光谱无人机DJIPM4获取火场多光谱影像，借助红边及近红外波段构建植被指数，结合纹理特征建立影像特征参数，利用机器学习中常用的随机森林（RF）、K最邻近（KNN）和支持向量机（SVM）提取森林火场的烧毁、烧死、烧伤及未伤林木空间信息，并探讨3种方法对于多光谱无人机遥感林木受损信息提取的精度，采用相同的分类方法实现安宁火场林木受损程度信息提取，以验证该方法在中小尺度森林火灾林木受损信息提取中具有一定的可行性，研究得到如下结果与结论： （1）不同受损程度的林木在红边波段和近红外波段范围内反射率差异较大，但以此构建的植被指数分离能力不同，呈现ARVI＞NDVI＞RVI＞LCI＞GNDVI＞NDVIrededge＞PSRI。 （2）研究最终选取皮尔逊与斯皮尔曼相关性结果，二者结果大体一致，均保留5项之间不具备高度相关的纹理特征（均值、标准差、相异性、角二阶矩和相关性）。肯德尔相关性最终保留均值、标准差、协同性、对比度、相异性、角二阶矩及相关性7种互相不具有高度相关的纹理特征。 （3）当参与特征数为21，OOB精度、总体精度和Kaapa系数最高分别为88.596%、89.103%、88.396%，选取特征重要性排序前21个特征（6种植被指数（NDVI、NDVIrededge、ARVI、RVI、GNDVI、LCI）和10个纹理特征（SecondMomentRededge、SecondMomentGreen、SecondMomentNIR、SecondMomentRed、SecondMomentBule、VarianceRed、VarianceGreen、VarianceRededge、VarianceBule、DissimilarityRededge）和影像的5个单波段）作为优选的特征子集构建模型，进行火灾林木受害程度信息提取。 （4）基于影像光谱及纹理等多特征进行西山区森林火场林木受损程度提取，SVM分类器总体精度为85.01%，Kappa系数为0.8058；KNN分类器总体精度为87.35%，Kappa系数为0.8351；RF分类器总体精度为88.95%，Kaapa系数为0.8536。选用相同分类方法对安宁林木火场林木受损信息进行提取，SVM分类器总体精度为85.68%，Kappa系数为0.8134；KNN分类器总体精度为88.16%，Kappa系数为0.8451；RF分类器总体精度为89.61%，Kaapa系数为0.8656。 （5）多光谱无人机可用于小范围典型森林火灾区域林木受损程度信息精确提取，融合多光谱无人机数据及多光谱卫星影像是大面积范围的林木火灾受损信息的精确提取的方向。研究为拓展多光谱无人机遥感森林火灾评估、遥感多特征信息提取等提供一定借鉴。
NETL