《International Journal of Applied Earth Observation and Geoinformation》：Mapping burned areas by unsupervised change detection combining automatic multi-index driven label generation and ensemble learning
编辑推荐：
本研究针对现有无监督森林过火区制图方法在阈值确定困难、空间信息利用不足、易受历史过火区干扰等问题，提出一种结合自动多指数驱动标签生成与集成学习的无监督变化检测方法（ALGEL）。该方法通过融合NBR、NBR2、NBRSWIR三种光谱指数自动生成高可靠性的BA与Non-BA训练样本，计算局部G统计量以充分利用空间自相关信息，并集成KNN、RF、SVM三种分类器进行过火区识别。在Sentinel-2影像上的验证结果表明，ALGEL的F1分数超过85%，能有效抑制椒盐噪声，获得更为平滑的过火斑块；在Landsat 9影像上的应用也展现了良好的泛化能力。本研究为灾后快速、准确的过火区制图提供了可靠的无监督解决方案。
在全球气候变化与人类活动的双重影响下，森林火灾的频次和强度不断攀升，已成为严重的全球性灾害。火灾不仅破坏生态系统完整性，威胁人类健康，还造成巨大的经济损失。因此，火灾发生后快速、准确地绘制过火区（Burned Areas, BAs）空间分布图，对于理解火灾时空模式、评估灾情影响以及制定防灾减灾策略至关重要。传统的地面调查方法费时费力且在火场中具有危险性，而遥感技术以其覆盖范围广、成本低、可重复观测和安全等优势，成为过火区制图的重要手段。现有的过火区制图方法主要分为有监督和无监督两类。其中有监督方法依赖大量人工标注的训练样本，成本高昂；而无监督方法能够自动识别过火区，更适合灾后快速制图的紧迫任务。然而，现有的无监督过火区制图方法仍面临几大挑战：难以准确确定最佳分割阈值、空间信息利用不足、易受历史过火区影响，且多数方法仅依赖单一光谱指数或分类器，在复杂的地表覆盖条件下性能不稳定。
为了攻克这些难题，南京林业大学土木工程学院方宏、杨成涵、郭善川、张鹏、唐鹏飞、杜培军等研究人员在《International Journal of Applied Earth Observation and Geoinformation》上发表了一项研究，提出了一种先进的无监督变化检测过火区制图方法（ALGEL），该方法融合了自动多指数驱动的标签生成与集成学习技术。
为了开展研究，作者团队主要运用了以下几项关键技术方法：首先，基于多时相遥感影像（灾前和灾后）的变化检测框架，这是无监督识别过火区的核心。其次，开发了自动多指数驱动标签生成方法，通过融合归一化燃烧指数（Normalized Burn Ratio, NBR）、改进型归一化燃烧指数（Normalized Burn Ratio 2, NBR2）和短波红外归一化燃烧指数（Normalized Burn Ratio Short Wave Infrared, NBRSWIR）这三种光谱指数，并结合基于邻域的细化规则，自动生成可靠的BA和Non-BA训练样本。第三，考虑到火灾通常以斑块状蔓延，具有强烈的空间自相关性，研究计算了局部G统计量（local G statistic）作为空间特征，以充分利用空间信息。第四，集成学习策略，通过多数投票法整合了K最近邻（K-Nearest Neighbors, KNN）、随机森林（Random Forest, RF）和支持向量机（Support Vector Machine, SVM）三种机器学习分类器的优势，生成最终的过火区分布图。研究使用了覆盖中国、美国、智利的四个典型区域的Sentinel-2影像进行方法有效性验证，并应用了覆盖西班牙和加拿大的两个典型区域的Landsat 9影像测试其泛化能力。
研究结果
1. ALGEL在Sentinel-2影像上展现出优越性能
在木里、西昌、夏威夷、瓦尔帕莱索四个数据集上，ALGEL与六种现有无监督方法（NBR、NBR2、NBRSWIR、CVA、DCVA、TBDVI）进行了比较。结果显示，ALGEL生成的过火区斑块连通性好，椒盐噪声少，在视觉效果上明显优于其他方法。定量精度评估（F1分数、总体精度OA、Kappa系数）表明，ALGEL在四个数据集上均取得了最佳或接近最佳的综合性能，F1分数均超过85%，最高达92.27%。
2. 自动多指数驱动标签生成方法有效提升了样本可靠性
通过消融实验对比了单指数驱动和所提出的多指数融合方法。结果表明，融合三种指数并经过邻域规则细化后生成的训练样本，其总体精度最高。使用该高质量样本训练的分类器，最终过火区制图精度也最高，证明了多指数融合策略相比单一指数能生成更可靠的训练标签。
3. 集成学习策略显著增强了BA制图的稳健性
对比了使用单一分类器（KNN、RF、SVM）与集成学习（多数投票）的过火区制图精度。结果显示，不同分类器在不同数据集上表现不稳定，而集成学习策略在四个数据集上均取得了最高的F1分数和总体精度，有效结合了各分类器的优势，提升了方法的稳定性和可靠性。
4. ALGEL在Landsat 9影像上表现出良好的泛化能力
将ALGEL应用于西班牙特内里费岛和加拿大新斯科舍省的Landsat 9影像。尽管由于空间分辨率、重访周期和光谱波段数的差异，其精度略低于在Sentinel-2影像上的表现，但ALGEL仍能准确识别出不同形状和大小的过火区，F1分数分别达到81.08%和80.81%，显示出该方法在不同中分辨率遥感数据上具备一定的适用性。
5. 局部G统计量窗口大小对结果有重要影响
对计算局部G统计量的关键参数——局部窗口大小（p × p）进行了敏感性分析。实验发现，随着p值增大，F1分数呈现先上升后下降的趋势，存在一个最优值。研究为不同数据集确定了最优的p值（如木里为9，西昌为7），强调了合理利用空间上下文信息的重要性。
结论与讨论
本研究提出的ALGEL方法，通过创新性地结合自动多指数驱动标签生成、局部空间自相关特征提取以及集成学习，成功解决了现有无监督过火区制图方法在阈值选择、空间信息利用和模型稳定性方面的关键挑战。与直接阈值分割相比，ALGEL通过分类器学习优化了BA与Non-BA之间的决策边界，增强了处理非线性可分情况的能力。局部G统计量的引入有效捕捉了过火区的空间聚集特征，使识别出的斑块更完整、连贯。集成学习框架则通过结合多种光谱指数和分类器的优势，显著提升了方法在复杂地表条件下的稳健性。
该研究的重要意义在于，为森林火灾后的快速应急响应和灾情评估提供了一种高效、准确且无需人工标注的无监督自动化解决方案。ALGEL不仅在Sentinel-2数据上表现优异，在Landsat 9数据上也展现了良好的应用潜力，为使用广泛可得的遥感数据进行大范围、常态化的过火区监测提供了可靠的技术支持。未来的研究可探索将该方法应用于更多类型的遥感数据（如Sentinel-1 SAR数据），并进一步结合土地覆盖分类产品，以获取更精细的植被燃烧类型信息，从而更全面地评估火灾影响。
