基于Stacked ConvLSTM和遥感影像时间序列的森林火烧迹地提取研究

【摘要】：森林作为陆地占地面积最大的地类,对人类生活环境,生物的栖息以及全球碳循环发挥着关键作用。森林火灾对森林造成的破坏和损失在众多的森林自然灾害类型中居于首位,监测森林火灾发生后在遥感影像时间序列中首次出现的火烧迹地时间点和空间范围,对于森林的受损评价、管理、碳核算以及森林恢复的管理极为重要。森林火烧迹地在遥感影像中的空间分布上具有一定的连续性,而现有的检测方法基于像素级别的研究较多,遥感影像时间序列中存在的空间信息没有被充分利用,并且检测的结果中含有较多虚警像素,需要复杂的后处理来抑制虚警像素的影响。本研究将时空预测模型Stacked ConvLSTM用于遥感影像时间序列中森林火烧迹地首次出现的时间点和空间范围检测,在保持结果具有较好空间连续性的基础上同时避免了具有主观性的后处理操作,并且提升了森林火烧迹地的提取精度,主要研究成果如下:(1)定量分析和评价了不同的Stacked ConvLSTM网络结构在森林遥感影像植被相关指数时间序列的学习能力和预测精度,实验和分析了堆叠层数、每层的单元个数及卷积核大小等因素对预测精度的影响,得到用于森林遥感影像植被相关指数时间序列的预测的最佳网络结构,为不同Stacked ConvLSTM网络结构在学习森林遥感影像时间序列变化规律的表现提供了实验验证和依据。(2)在不同植被相关指数时间序列上对比了Stacked ConvLSTM模型、Stacked LSTM模型和bfast算法的森林火灾火烧迹地监测结果,并加入了全球标准火烧迹地产品Fire＿CCI5.1的火烧范围进行了定性定量的综合对比分析评价。研究结果表明:Stacked ConvLSTM模型相比Stacked LSTM模型和bfast算法的检测结果在空间上更加完整并且连续性更好,进一步综合对比分析Stacked ConvLSTM模型、Stacked LSTM模型和bfast算法以及Fire＿CCI5.1产品的火烧迹地提取精度指标,Stacked ConvLSTM模型的精确度、准确度和F1指标相对更高,整体表现更好并且能够在一定程度上降低火烧迹地的虚警信息。(3)对比分析Stacked ConvLSTM在四个不同植被相关指数的森林火烧迹地提取效果,结果BAI和NBR的火烧范围检测效果相比EVI以及NDVI的提取效果更好。