利用Sentinel-2数据和SNIC-MVI RF算法，绘制不同火灾严重程度下的森林景观破碎化分布图

《International Journal of Applied Earth Observation and Geoinformation》：Mapping forest landscape fragmentations under different fire severity using Sentinel-2 data with SNIC-MVI RF

景观破碎化空间格局与驱动因素研究——以云南昆明山区为例

　　森林景观破碎化（FLF）是生态学中的重要议题，其对生态系统结构、功能和恢复力产生深远影响。特别是在火灾后，准确绘制FLF图对于评估生态干扰、减少环境损害和制定有效的森林管理策略至关重要。然而，由于高分辨率遥感影像中“盐-胡椒”现象的存在，使得在复杂地形区域，尤其是在山地环境中，精确的FLF映射变得尤为困难。这种现象表现为像素分类过程中由于缺乏空间上下文而产生的分散错误像素，导致地图出现噪声和碎片化，降低了分类的准确性和空间连贯性。为了应对这一挑战，本研究提出了一种基于多植被指数（MVI）和简单非迭代聚类（SNIC）算法的随机森林（RF）方法，旨在提高森林景观破碎化图的精度，并缓解“盐-胡椒”现象。

### 1. 研究背景与意义

森林景观破碎化（FLF）是生态系统面临的重要威胁之一，它不仅改变了森林的空间格局，还影响了生态系统的稳定性、恢复能力和生物多样性。在森林火灾之后，FLF的模式会随着火灾严重程度的不同而发生变化。火灾的强度直接影响植被的破坏程度，进而改变森林景观的结构和功能。因此，准确识别和分析火灾后不同严重程度下的FLF变化对于森林生态恢复和可持续管理具有重要意义。

在当前的森林火灾研究中，大多数工作集中在植被绿色度和冠层密度的变化上，而对森林景观恢复过程中的FLF关注较少。尽管已有研究利用遥感数据和地理信息系统（GIS）工具分析了火灾对植被覆盖和景观结构的影响，但关于火灾严重程度对FLF模式的具体影响仍缺乏系统性的探讨。因此，本研究旨在通过引入SNIC-MVI RF模型，提高高分辨率遥感影像在复杂地形区域的分类精度，从而更准确地识别火灾后的森林景观破碎化模式，并分析其影响因素。

### 2. 方法概述

本研究采用多植被指数（MVI）作为输入特征，结合SNIC算法进行像素聚类，再利用随机森林（RF）分类器生成FLF图。具体来说，研究包括以下几个关键步骤：

- **数据收集与预处理**：利用10米分辨率的Sentinel-2卫星影像，结合火灾点数据和土地利用数据，构建多植被指数（如NDVI、NBR、EVI、NDMI、NDWI、SAVI、BSI），并采用SNIC算法将影像划分为具有相似颜色和空间特征的超像素，以减少“盐-胡椒”现象的影响。
- **模型构建**：基于SNIC划分后的超像素，使用随机森林模型进行分类，以生成森林景观破碎化图。模型训练过程中，使用了70%的样本数据进行训练，剩余30%用于验证。
- **结果评估**：通过混淆矩阵计算总体精度（OA）、精确度（Precision）、召回率（Recall）和F1分数，评估模型的分类性能。研究结果显示，SNIC-MVI RF模型在火灾后森林景观破碎化识别中表现出较高的精度，平均精确度达到96.2%，平均F1分数为97.4%。
- **空间分析**：采用景观格局指数（如PLAND、PD、AI、COHESION、ED、LPI）分析不同火灾严重程度下的FLF模式差异。通过Duncan多重范围检验和频率直方图，识别出不同火灾严重程度对景观格局的影响。
- **影响因素分析**：采用Geodetector模型分析火灾前后气象条件、地形特征和植被覆盖对FLF模式的影响。研究发现，火灾前的气象条件（如温度、湿度和降水）和植被覆盖是影响FLF模式的关键因素，而地形因素（如坡度和坡向）则在不同火灾严重程度下发挥重要作用。

### 3. 研究区域与数据来源

本研究的区域为云南省昆明市，位于中国西南部，是云南森林火灾频发的地区之一。昆明市地处云贵高原南部，地势由北向南倾斜，海拔高度大多在1500-2800米之间，具有明显的垂直地带性，生态系统多样。研究利用了2019年至2020年间的森林火灾点数据和Sentinel-2卫星影像数据，结合气象数据、数字高程模型（DEM）和土地利用数据，构建了完整的数据集。Sentinel-2影像具有较高的空间和时间分辨率，为高精度FLF映射提供了良好的数据基础。

### 4. 研究结果

研究结果表明，SNIC-MVI RF模型在识别火灾后森林景观破碎化方面表现出色，能够有效减少“盐-胡椒”现象，提高分类的准确性和空间一致性。此外，研究发现不同火灾严重程度下的FLF模式存在显著差异。低火灾严重程度（LFS）增加了小斑块的数量，中度火灾严重程度（MFS）导致斑块边缘更加复杂，而高火灾严重程度（HFS）则促进了斑块的聚集和紧凑性。这种差异表明，火灾的强度不仅影响植被的破坏程度，还改变了森林景观的空间结构和生态功能。

研究还发现，火灾前的气象条件和植被覆盖是影响FLF模式的关键因素。例如，在低火灾严重程度下，降水和相对湿度是影响斑块密度和边缘密度的主要因素，而在高火灾严重程度下，温度和植被覆盖则对斑块聚集和连接性具有更大影响。此外，地形因素（如坡度和坡向）在不同火灾严重程度下也表现出显著的解释力，特别是在高火灾严重程度下，地形对斑块聚集和空间分布的影响更为明显。

### 5. 研究意义与应用

本研究不仅为高分辨率遥感影像在复杂地形区域的森林景观破碎化识别提供了一种新的方法，还揭示了火灾严重程度对FLF模式的影响机制。这些发现对于制定科学的森林管理策略和生态恢复措施具有重要意义。例如，管理者可以利用这些信息来评估火灾对森林景观的影响，从而采取更有针对性的保护和恢复措施。此外，研究还强调了气象预测和植被管理在减少火灾生态影响中的重要性。

通过本研究，可以更好地理解火灾对森林景观结构和生态功能的长期影响，并为森林火灾的预防和管理提供科学依据。研究结果有助于提高火灾后生态恢复的效率，促进森林景观的可持续发展。同时，该方法也可以应用于其他森林火灾频发的山地地区，为全球范围内的森林管理提供借鉴和参考。

### 6. 研究展望

尽管本研究取得了重要成果，但仍有一些方面值得进一步探索。例如，可以考虑将该方法应用于更长时间尺度和更大范围的数据，以验证其在不同环境条件下的适用性和稳定性。此外，未来的研究还可以引入更多环境和社会经济因素，从多角度分析森林火灾对景观破碎化的影响，揭示更复杂的机制。这些改进将有助于提高森林火灾监测和管理的效率，为生态系统的可持续发展提供更加全面的技术支持。

总之，本研究通过引入SNIC-MVI RF模型，为高分辨率遥感影像在复杂地形区域的森林景观破碎化识别提供了新的方法，并揭示了火灾严重程度对FLF模式的影响机制。研究结果不仅有助于理解森林火灾对生态系统的影响，还为制定科学的森林管理策略和生态恢复措施提供了重要依据。