基于Sentinel-2遥感特征与OC-SVM的森林火灾与采伐扰动自动监测与诊断方法

《International Journal of Digital Earth》:An automatic monitoring method for disturbance caused by deforestation and forest fires

【字体: 大 中 小 】 时间:2025年12月31日 来源:International Journal of Digital Earth 4.9

编辑推荐:

  本文提出了一种基于Sentinel-2影像的自动化森林扰动监测算法,通过提取对火灾和采伐均有效的综合遥感特征(如B6-B8A波段、纹理均值及DVI),结合历史变化率阈值图与单类支持向量机(OC-SVM)分类,实现了扰动区域的精准检测(平均总体精度98.46%,F1分数0.923)与类型诊断(准确率100%),为森林灾害的实时预警与管理提供了高效技术工具。

  

引言

森林作为陆地生态系统的重要组成部分,在调节气候、污染控制和洪水调控等方面发挥着关键作用。扰动是森林生态系统的固有组成部分,具有随机性和破坏性,通常以离散事件的形式发生。森林扰动可根据成因分为自然扰动和人为扰动。在人类活动和极端气候条件的驱动下,森林扰动事件频率增加,显著影响了森林植被的动态生长,导致森林生物量、功能和物种多样性减少,同时木材的氧化和分解将碳释放到大气中,进一步影响森林生态系统服务的提供。过去十年,全球森林净损失以每年470万公顷的速度发生。如果当前趋势持续,到2050年全球潜在冠层覆盖可能减少约2.23亿公顷。影响森林扰动的主要因素因地区而异,热带地区以采伐为主,而温带地区则以森林火灾等其他人为扰动为主。因此,准确、及时地收集森林扰动范围的数据,特别是关于森林火灾和采伐的数据,对于实施早期预警系统和有效管理以防止森林面积进一步损失至关重要。
遥感是森林扰动监测的关键手段,涉及两个关键过程:提取扰动特征和开发有效的监测方法。当森林发生扰动时,受影响区域的光谱、散射、辐射和纹理等特征会发生显著变化。扰动特征提取侧重于提取特定的遥感波段或将它们组合成能有效突出森林扰动的指数,这在森林扰动监测中至关重要。

森林扰动区域与数据集

为了验证所设计的森林扰动检测和诊断方法,本研究从全球不同地区选择了10个研究案例。这些选定区域涵盖了广泛的气候带和森林生态系统,反映了森林环境的全球异质性。火灾影响区域包括意大利波坦察、中国西昌、加拿大不列颠哥伦比亚省、巴拉圭总统海斯以及埃塞俄比亚西南部与南部边界。采伐案例也涵盖了各种热带森林环境,包括哥伦比亚卡克塔、巴西亚马孙、印度尼西亚中加里曼丹、刚果民主共和国开赛以及葡萄牙维塞乌。这种地理和生态多样性的案例选择捕捉了广泛的扰动情景、气候梯度和森林结构,允许在各种现实条件下全面评估检测算法。
本研究使用的数据来自欧洲空间局(ESA)发射的Sentinel-2卫星提供的多光谱高分辨率光学图像,其在可见光(VIS)、近红外(NIR)到短波红外(SWIR)范围内覆盖13个波段,空间分辨率为10米,重访时间为5天。研究中从Google Earth Engine(GEE)平台获取了研究区域一年时间序列的Sentinel-2 MSI Level-2A图像。为了确保数据质量,将云覆盖率限制在20%以下,使用质量评估波段QA60去除每张图像中的云,并将所有波段重采样至10米分辨率。随后使用ee.ImageCollection.median()函数计算每月的中值图像,获得Sentinel-2图像的月度合成产品。

自动化森林扰动监测方法

本研究介绍了一种用于监测森林火灾和采伐情景的像元级自动化检测和诊断算法。该方法包括以下关键步骤:(1)提取能有效捕捉森林火灾和采伐的综合遥感响应特征;(2)基于所选特征计算像元级变化率,并为每个选定特征创建阈值图;(3)使用阈值图提取潜在的森林扰动像元作为进一步分类的训练样本;(4)采用单类支持向量机(OC-SVM)检测森林扰动区域;(5)应用诊断规则将检测到的扰动区域诊断为火烧区域或采伐区域。
综合特征提取用于多类型森林扰动监测
在遥感特征选择方面,选择意大利火灾和巴西采伐作为研究案例,从GEE获取森林扰动前后的Sentinel-2遥感图像。通过视觉判读手动选择200个扰动样本和200个非扰动样本。计算并比较了不同遥感特征在扰动和非扰动样本间的可分离性,以筛选适用于检测森林火灾和采伐的遥感响应特征。
分析的遥感特征是森林扰动前后共95个遥感特征的变化率(C),包括反射率波段、纹理和指数。变化率C的计算公式为:C = (Iafter- Ibefore) / Ibefore,其中Iafter代表森林扰动后某个像元的特征值,Ibefore代表扰动发生前最近一个月该像元特征值的中位数。C突出了扰动部分的变化信息,抑制了未扰动部分的变化信息。
光谱特征是判断和分类遥感图像中地物类型的直接依据。选择了Sentinel-2图像的B2-B8A、B11和B12波段作为光谱特征。纹理特征提供了关于地物结构排列及其与局部邻域关系的信息。本研究使用灰度共生矩阵(GLCM)在3×3窗口大小下计算了8个纹理特征。植被指数方面,分析了归一化植被指数(NDVI)、归一化燃烧指数(NBR)、简单比值指数(SR)、差值植被指数(DVI)和植生物量指数(PBI)。
用于不同遥感特征可分离性的指标包括Jeffries-Matusita(JM)距离和通用隔离值(CIV)。JM距离假设数据遵循多元正态分布,其值介于0到2之间,超过1表示两类之间具有良好的可分离性,值越高可分离性越好。CIV方法使用隔离森林(IF)来评估扰动和非扰动样本之间的可分离性,其核心思想是在一类数据上训练IF模型,然后测量其他数据与该类的相似性。CIV值越高,类间的可分离性越低。
特征选择优先考虑CIV方法,JM距离作为参考。首先选择在火灾和采伐案例中CIV指数均小于0.1的特征作为候选特征。然后进一步选择在意大利火灾中JM距离大于1.0、在巴西采伐中JM距离大于1.5的候选特征作为最终特征。选定的特征包括B6、B7、B8、B8A、Mean-B6、Mean-B7、Mean-B8、Mean-B8A和DVI。为了降低特征维度,对同类特征应用主成分分析(PCA)进行压缩。最终使用B6、B7、B8、B8A的第一主成分(PC1-band)、Mean-B6、Mean-B7、Mean-B8、Mean-B8A的第一主成分(PC1-mean)以及DVI作为森林扰动检测的综合特征。
基于综合特征的森林扰动检测与诊断技术流程
  • •
    特征变化率阈值图的创建:基于预处理的月度Sentinel-2合成图像,对于给定像元j,使用公式Ci,j= (Ii,j- Ii-1,j) / Ii-1,j计算相邻月份(i, i≤12)内特征的变化率,并获得时间序列Ci,j。然后,对于每个选定的综合特征,逐像元计算Ci,j的最大值,以表示该像元j处特征的最大历史变化(即阈值)。最终得到三个综合特征对应的阈值图。
  • •
    基于变化率阈值图的潜在扰动像元提取:对于每个像元,将当前变化率图像(C)与每个综合特征的阈值图进行比较。如果一个像元的三个综合特征的变化率均超过其对应的阈值,则该像元将被标记为潜在扰动像元。如果潜在扰动像元是孤立像元,则将其重新标记为“其他”像元。
  • •
    潜在扰动像元驱动OC-SVM分类检测扰动区域:单类支持向量机(OC-SVM)是支持向量机的一种特殊形式,仅需单一目标类别的样本即可将其与复杂背景分离。OC-SVM使用核函数将单类样本的输入数据映射到高维特征空间,通过迭代优化,找到将训练数据与原点分离的最大间隔超平面。本研究使用径向基函数(RBF)核。OC-SVM由参数ν∈(0,1]和RBF核内的参数γ∈(0,∞)参数化,两者直接影响分类精度。为了确定最优参数,使用随机网格搜索来测试有限的参数组合,并选择产生最高精度的组合。OC-SVM模型的输入包括当前变化率图像(C)和提取的扰动像元。
  • •
    基于诊断规则的扰动类型诊断:基于特征可分离性分析,发现采伐案例中特征的可分离性显著大于火灾案例。因此,需要独立分析每种扰动类型以制定有效的决策规则。在火灾案例中,NBR的CIV低于PBI和SR,表明其具有更好的可分离性。而在采伐案例中,SR的CIV小于NBR和PBI,能够更好地区分采伐扰动。因此,本研究选择NBR和SR作为诊断森林扰动类型的指数。计算并归一化选定样本的NBR和SR值的变化率,结果表明,在森林火灾事件中,NBR的变化率通常高于SR;而在采伐事件中,SR的变化率高于NBR。诊断规则基于变化率比值ΔR = RNBR/ RSR。当ΔR > 1时,扰动像元被视为火烧像元,ΔR值越高,发生火灾的可能性越大。当ΔR < 1时,像元被视为采伐像元,ΔR越接近0,发生采伐的可能性越大。统计ΔR > 1的像元数量(num(ΔR>1))和ΔR < 1的像元数量(num(ΔR<1))。如果num(ΔR>1)> num(ΔR<1),则该区域被认为受火灾影响,所有受影响像元标记为火烧像元;否则标记为采伐像元。
结果评估
  • •
    基于公共数据集的定性比较:为了定性评估扰动检测结果的可靠性和可信度,使用公开的参考数据集进行一致性分析。选择两种广泛认可的全球扰动产品进行交叉验证:MODIS火烧面积产品(MCD64A1)和Hansen全球森林变化(GFC)数据集。视觉比较表明,本研究算法检测到的火灾扰动区域在空间分布和发生时间上与MODIS火烧区域数据吻合良好。对于采伐验证,将基于Sentinel-2图像的检测结果与GFC森林损失区域进行定性比较,在大多数案例中显示出强烈的空间一致性,但在某些案例中,本算法检测到了GFC产品未记录的采伐区域,表明该方法在检测小规模或短期采伐扰动方面具有更高的敏感性。
  • •
    基于数字参考数据集的定量精度评估:除了定性一致性分析,还进行了定量精度评估以评价自动化扰动检测和诊断结果的性能。扰动参考数据通过对Sentinel-2图像进行专家视觉判读生成。使用手动视觉判读结果作为参考,基于总体精度(OA)、精确率(P)、召回率(R)和F1分数(F1)评估自动化森林扰动检测结果。计算公式分别为:OA = (TP + TN) / (TP + TN + FP + FN), P = TP / (TP + FP), R = TP / (TP + FN), F1 = 2·P·R / (P + R)。同时,使用总体精度(OA)评估森林扰动诊断结果。
  • •
    与其他分类器识别结果的比较:为了全面评估自动化扰动样本提取的可行性以及OC-SVM算法在森林扰动检测中的性能,使用了两种广泛使用的监督分类算法——随机森林(RF)和支持向量机(SVM)进行比较分析。两种分类器在相同的扰动输入像元和参考样本上进行训练,并使用相同的精度指标评估其输出。
  • •
    与基于单期数据识别结果的比较:为了分析变化率图像是否有助于提高扰动提取的精度,进行了对比实验,使用两种输入数据:从扰动前后合成图像导出的变化率图像(C),以及获取于扰动后时期的单期图像(I)。两种数据集使用相同的选定综合特征构建,并独立输入OC-SVM模型进行扰动检测。

结果

自动化森林扰动检测算法在十个代表性案例中获得了森林扰动检测结果。变化率图像有效增强了扰动区域与未扰动区域之间的对比度,使得OC-SVM模型能够以高灵敏度检测潜在扰动像元。检测到的扰动区域与视觉可判读的扰动特征吻合良好。在所有案例中,该算法成功描绘了火烧和采伐区域的空间范围,在不同生态和地理条件下准确捕捉了扰动边界。
对于十个研究案例的扰动类型诊断结果,诊断规则基于选定特征的变化率比值(ΔR)特征建立。在十个案例中,意大利、中国、加拿大、埃塞俄比亚和巴拉圭总统海斯被诊断为火烧区域,而哥伦比亚、巴西、巴拉圭、印度尼西亚和刚果民主共和国开赛被诊断为采伐区域。
基于公共扰动数据集的定性验证
视觉比较显示,本研究算法检测到的火灾扰动区域在空间分布和发生时间上与MODIS火烧区域数据一致。在所有火灾扰动案例中,检测到的火烧区域位于或邻近相应时期的MODIS火烧区域内。与GFC数据集的比较表明,在大多数采伐案例中,检测到的扰动斑块位于或与GFC识别的损失区域大幅重叠,显示出强烈的空间一致性。在某些案例中,本算法检测到了GFC数据集未能捕捉的采伐区域,经专家视觉判读确认这些区域确实对应实际的采伐事件,证明了该方法在检测小规模或短期采伐扰动方面的卓越敏感性。
基于参考数据的定量验证
森林扰动检测结果的精度评估显示,十个案例的平均总体精度(OA)、精确率(P)、召回率(R)和F1分数(F1)分别为98.46%、95.78%、89.05%和0.923。在所有案例中,哥伦比亚案例达到了最高的总体精度(99.80%),刚果民主共和国开赛案例达到了最高的F1分数(0.979)。对于扰动类型诊断,结果与已验证的事件记录完全一致,达到了100%的诊断准确率。具体而言,在采伐案例中,平均OA和F1分数分别达到98.40%和0.917;在火灾案例中,相应值分别为98.51%和0.928。
与其他分类器(RF和SVM)的比较验证
OC-SVM、RF和SVM分类器在十个代表性案例中扰动检测的比较验证结果表明,OC-SVM算法在三种方法中实现了最准确和稳定的扰动描绘。OC-SVM检测到的扰动斑块与视觉可判读的扰动区域紧密匹配,而RF和SVM产生的斑块在某些区域显示出高估或遗漏。定量检测精度显示,OC-SVM算法的平均OA为98.46%,平均P为95.78%,平均R为89.23%,平均F1为0.923。RF算法的平均OA、P、R和F1分别为97.77%、92.63%、80.51%和0.850。SVM算法的相应值分别为98.14%、94.66%、82.66%和0.870。OC-SVM在OA、P、R和F1上显示出更高的中值和更窄的四分位距,反映了更强的稳定性和可靠性。在特定案例的精度差异分析中,对于意大利、中国、加拿大、巴西、印度尼西亚、埃塞俄比亚和巴拉圭总统海斯案例,三种算法的检测精度无显著差异。然而,在哥伦比亚、巴拉圭和刚果民主共和国开赛案例中,OC-SVM的检测结果显著优于RF和SVM方法。比较结果证实,OC-SVM分类器在精度和稳定性上均优于RF和SVM,提供了更精确和一致的扰动描绘,展示了对多样化扰动条件的卓越适应性。
变化率图像与单期图像的比较验证
使用变化率图像提取的扰动明显比从单期图像导出的扰动更准确。使用变化率图像检测的平均总体精度(OA)从单期图像的87.75%提高到98.46%,F1分数提高了0.214。变化率图像的使用通过强调时间变化来增强图像间的可比性,从而促进异常变化的识别。这一改进加强了扰动像元提取的基础,使扰动区域更加突出且易于与稳定森林区域区分。在森林扰动监测中,变化率图像有效突出了自然扰动或人为活动引起的显著变化,提供了更清晰的视觉线索,并产生了卓越的检测性能。

讨论

森林火灾和采伐等扰动导致冠层结构、叶绿素含量和水分状况发生显著变化,这直接影响光谱反射率,特别是在红边、近红外(NIR)和红边区域。Sentinel-2的B6(红边1)、B7(红边2)、B8(NIR)和B8A(红边3)对这些生物物理变化高度敏感,使其成为检测扰动引起的光谱异常的有效指标。从这些波段导出的平均纹理特征捕捉了扰动引起的空间异质性和冠层破碎化,提供了光谱强度之外互补的结构信息。差值植被指数(DVI)强调近红外和红反射率之间的差异,增强了健康植被和受扰动植被之间的对比度,允许稳健地检测植被损失或退化。
在方法上,所提出的方法以互补的方式整合了物理阈值化和机器学习,增强了检测可靠性和泛化能力。基于初始阈值的步骤通过利用植被变化在光谱域的物理响应,有效识别了潜在的扰动区域,而随后的OC-SVM细化补偿了当历史参考图像中存在残留噪声或云污染时阈值化的局限性。残留的云,即使在掩膜之后,也会提高历史变化率图像中的阈值,导致真实扰动的漏检。通过学习具有清晰光谱和结构特征的扰动样本,OC-SVM有效地重新定义了特征空间中的决策边界,恢复了可能被过于保守的阈值排除的真实扰动像元。这种组合策略减少了由于不完整的阈值提取造成的漏检错误和由于分类器过拟合造成的误检错误。与随机森林(RF)和支持向量机(SVM)等传统监督方法不同,OC-SVM仅依赖于扰动样本,因此受错误标记数据或残留背景噪声的影响较小。这使得该方法在异质性和易多云的环境条件下特别稳健,因为在这些条件下难以获得可靠的非扰动样本。结果证实,OC-SVM捕捉了扰动事件的内在特征分布,并能很好地泛化到不同的地理区域,从而产生更准确和稳定的检测结果。总体而言,将物理可解释的阈值与单类学习框架相结合,确保了方法论的合理性
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号