吉林一號衛星在林業中的應用

文 | 曲春梅朱瑞飛 王文 李恒宇周圓銹于海洋

1.長光衛星技術股份有限公司 2.吉林省衛星遙感應用技術創新基地 3.吉林省衛星遙感應用技術重點實驗室 4.吉林省森林防火預警監測指揮中心

一、引言

森林承擔著供給資源產品、提供棲息場所、維持水資源質量、調節環境氣候等作用，在維護生態平衡中起著決定性作用[1]。為了科學評價森林可持續經營與林業生態可持續發展狀況和水平，急需科學、翔實和連續的監測和評價數據支持，現代遙感技術具有觀測范圍大、高覆蓋、多時相、時空連續觀測等特點，可有效解決傳統森林資源監測調查、濕地和自然保護地監測監管、荒漠化監測、生態工程監測、森林災害監測等林業監測業務中存在的難以獲取大面積調查數據、耗時久、費用高、效率低等問題[2]。

然而，隨著林業精細化經營管理需求日益增多，林業對高空間和高時間分辨率遙感數據和處理技術的需求與日俱增，如林地資源變更調查等監測需要米級分辨率的遙感數據支持[3]。吉林一號大規模星座具有高頻次、高空間分辨率、大區域快速覆蓋的特點[4]，不但可有效解決林業資源調查和生態環境監測等業務需求中的數據源問題，而且通過研發相關技術和模型、軟件工具和產品，可進一步優化林業服務的業務流程，有效提高監測的精度、效率和水平，有力促進林業信息化水平的整體提高。

二、森林資源調查與監測

1.森林資源調查

森林類型是確定同質性森林資源空間分布，定量估算森林生態功能的關鍵依據。準確掌握不同類型森林的空間分布及變化趨勢，能夠為制定林業方針政策、宏觀規劃及精準的森林資源經營、監測方案提供重要的數據支撐[5]。

亞米級常綠松林提取。準確提取常綠針葉樹的空間分布，可為包括病蟲害監測，森林經營管理等很多業務工作提供精確的數據基礎。充分利用東北地區森林的物候特征，利用吉林一號海量存檔數據中每年4月初與11月初空間分辨率0.75m、4譜段的衛星影像，利用深度學習算法自動化提取常綠松林圖斑，實現吉林省2022年常綠松林圖斑的提取，最小識別圖斑面積50m2，局部驗證準確率90.2%。其中吉林省東部延邊朝鮮族自治州汪清縣的松林提取成果見圖1。

圖1 汪清縣松林圖斑提取

基于多光譜的森林類型提取。以吉林一號空間分辨率5m、19個譜段的多光譜遙感影像為主要數據源，通過大量樣本和訓練迭代次數，應用三維卷積神經網絡的深度學習方法完成森林類型進行提取，總體分類精度達92.9%，Kappa系數為0.92[6]。其中，柞樹林、紅松林和落葉松林的制圖精度和用戶精度均達到了90%以上。針闊混交林和闊葉混交林的制圖精度與用戶精度也都超過了85%。對分類結果重編碼后處理效果見圖2。

圖2 吉林省中部地區森林類型分類結果

基于外業調查獲取的GPS樣點數據，結合二類調查成果及林相圖，綜合選取驗證樣本。中部研究區主要森林類型如闊葉混、柞樹林、楊樹林的生產者精度和用戶精度均高于85%；落葉松、紅松與其他針葉林存在一定程度的混淆，落葉松生產精度約為74.27%，可以滿足應用需求。為進一步驗證分類面積精度，將分類面積統計結果與二類調查結果進行對比分析，研究區主要森林類型分類結果面積統計平均相對精度為80%以上，森林類型分類結果統計面積與二類調查及影像解譯結果統計面積具有很高的一致性。

2.林地、草地、濕地以及自然保護地的變化監測

監測森林、草地、濕地和自然保護地資源現狀和動態變化情況，按年度更新并及時掌握資源保護利用現狀及其消長變化，全面掌握違法違規破壞森林資源情況，推進森林、草地、濕地和自然保護地資源常態化、動態化、規范化管理，為資源保護管理及生態文明建設重大決策提供科學依據[7]。

依托吉林一號星座高時間和空間分辨率以及強大的數據獲取能力，采集調查年度多時相遙感影像數據，基于前后兩期高分辨率遙感影像，建立專用樣本集與深度學習模型提取林草濕、自然保護地中的變化信息，并采用自動化的后處理技術去除偽變化，以及空洞、碎圖斑和邊界不平滑等問題[8]。之后通過人工核驗，去偽、補漏、邊界修正和屬性填寫，最終得到變更數據庫和統計成果。多期林草濕變化檢測及后處理分類樣例圖如圖3所示。

圖3 林草圖斑變化檢測及后處理分類樣例圖

2023年，采用吉林一號對湖南全省開展林草濕地季度監測與重點區域月度監測工作，應用以上變化檢測技術體系，全省單季度監測變化圖斑8萬余個，其中7萬個圖斑均為早于國家下發圖斑，實現林草濕資源由被動到主動發現的重要轉變。

三、森林火災預警與監測

森林火災具有突發性、短時間內能造成巨大損失的特點。因此一旦有火災發生，就必須以極快的速度采取撲救措施。撲救是否及時，決策是否得當，都取決于對林火行為的發現是否及時，分析是否準確合理。針對森林火災，吉林一號在災前、災中和災后都發揮了重要作用。

1.森林火險評估

通過森林火災評估與預警，可以掌握未來的火險形勢，使森林火災防預工作有的放矢。目前，我國森林火險預警主要通過綜合氣象條件以及森林防火期內生物及非生物信息進行火險等級的預報[9]。但忽略了地形、可燃物的干濕程度、可燃物的類型特點和人類活動等因素，且森林火險預警的尺度多為宏觀，森林火災預警準確性有待提升。

充分利用吉林一號可精準提取地表覆蓋、準確識別地表可燃物類型、載量、含水量、人類活動要素優勢，提取4大類12種森林火險影響因子，構建精細化的森林火險等級預報模型，計算72小時內鄉鎮級精細化的森林火險預警評估結果?；谏鲜瞿Ｐ吞峁┍本┦猩只痣U輔助決策意見（圖4）。通過回顧性分析，歷史火點發生在預測風險等級較高區域內較多，驗證了評估結果的可靠性。

圖4 北京市森林火險預警輔助決策圖

2.森林火災應急監測

在森林火災發生的第一時間，利用服務接口提交應急拍攝需求，啟動吉林一號應急拍攝機制，提供多光譜衛星、高分辨率衛星、夜光影像、視頻影像等多種拍攝模式，通過定量溫度反演與火點目標識別，及時獲取火區范圍、火勢變化、火頭位置移動、新火點出現以及現場撲救情況等信息，為現場的指揮決策提供輔助決策意見。

2020年3月28日晚，四川省涼山彝族自治州木里藏族自治縣發生森林火災，吉林一號于2020年3月31日11時11分、13時24分、23時16分，4月1日13時40分四次拍攝（圖5），提供及時的火災現場信息。

圖5 吉林一號四川木里火災白天與夜晚高分辨率衛星影像圖

3.火燒跡地監測與植被恢復評估

森林火災不僅會直接燒毀森林中的植被，造成經濟和財產損失，破壞森林動物的生存環境，降低森林生物多樣性，還會影響林木生長和更新，破壞森林結構，對林業可持續發展構成巨大威脅[10]。

森林火災的損失評估包括對火燒跡地范圍的識別以及植被恢復情況的監測。依托吉林一號星座，在災害結束后快速獲取高分辨率衛星影像，識別并提取火災區域邊界，在過火區域內，繼續依托星座高頻重放和快速的數據獲取能力，構建長時間序列分析的標準影像數據集，應用綜合線性回歸方法分析災后植被恢復趨勢。2022年10月17日16時許，湖南省永州市新田縣發生森林火災，吉林一號完成應急服務后，對火災發生區域盡量連續拍攝空間分辨率0.75m衛星影像，對火燒跡地進行了連續的監測，識別過火區域10069公頃，受災區域增強植被指數（EVI）總和相比災前銳減了91.8%，連續四期的監測顯示未見明顯恢復，需采取相應的林地撫育措施（圖6）。

圖6 過火面積識別與火燒跡地的植被恢復評價

四、森林健康監測

1.松林變色立木監測

松材線蟲病稱為“松樹的癌癥”，目前最有效的防治辦法是及時發現，并清除發病或已死疫木[11]。松樹遭受松材線蟲侵染后，針葉失去光澤變成灰綠色，并逐漸變黃、紅褐色直至枯死[12]，變色立木監測是松材線蟲病取樣、處置的重要表征依據之一。由于松材線蟲傳播迅速，適生范圍極廣，且呈現零星跳躍傳播的特點，因此疫木往往單株存在，開展此項監測工作需要在短時間內對大區域快速覆蓋，獲取極高空間分辨率影像，否則無法完成單木級別的變色木識別，即無法扼制病蟲害的快速傳播而達到防治的目的。

在監測區域多源數據基礎上，構建松林變色立木衛星監測技術體系，該體系集成了依托吉林一號林草衛星的遙感定量分析技術用于重點區域篩選；集成基于高分辨率影像的針葉/闊葉樹種分類技術用于去除闊葉、林間裸地造成的誤識別；基于多樹種、多時相的變色木樣本集，訓練衛星影像小目標識別的深度學習模型，實現松林變色立木目標快速識別，最后輔以人工質檢提升結果準確率；構建基于云同步、電子圍欄等技術開發的協同監管平臺和移動核查APP，為林業部門落實防治工作提供有力手段。該項技術體系連續三年應用于吉林省中東部14.45萬平方千米范圍內的松林變色立木識別（圖7），累計識別枯黃枯死樹63萬余株，協助發現新疫點2個，目標平均識別準確率高于85%。

圖7 吉林省松林變色立木衛星遙感監測成果及局部放大圖

2.松材線蟲病傳播風險評估

松材線蟲病發病系統復雜，發病機制不明確，致病性差異大，給管理和防控工作帶來了挑戰。有研究表明，松材線蟲病在中國東北和西北地區迅速蔓延，超出了以往的預測和對其潛在分布的傳統認識[13]。為了防止重點病原體的大流行性傳播，識別潛在傳播風險區域至關重要。目前關于松材線蟲病傳播風險預測研究主要集中在單一因素和大規模宏觀預測，對區域特征的多角度、精細化考慮不足[14]。

針對吉林省處于傳播早期的特征，利用吉林一號最新時相的亞米級高分辨率影像，通過變化分類識別結合變化檢測技術，快速識別松林周邊開工建設區域和公園區域，以反距離權重確定人類活動的因子權重，再綜合海拔、溫度、濕度、聚合度等10個自然和景觀要素構建最大熵模型，完成傳播風險等級的預測和分析。應用這項技術評估了吉林省的松材線蟲傳播風險（圖8）。結果顯示吉林省大部分地區屬于松材線蟲適宜生存區，但由于在西部分布較少，所以西部幾乎沒有松材線蟲病風險；東部靠近長白山脈附近以及東部偏北地區，由于常年溫度較低，海拔較高，總體也屬于低傳播風險區域；雖然中部整體傳播風險處于中風險區域，但越靠近中部地區，如長春市、吉林市、遼源市，這些地區總體高風險以及極高風險分布最多，主要原因是人類活動密集，且與已有疫區相鄰，無論是自然傳播風險還是人為傳播風險均更高。

圖8 吉林省松材線蟲病傳播風險圖

五、森林碳儲量估算

森林作為陸地生態系統的主體和最大的碳庫，對于保持陸地生態系統穩定和維持全球碳平衡具有重要的作用。利用遙感手段對森林碳儲量的關鍵參數進行反演計算森林碳儲量，可以有效解決地面調查方法和通量站觀測統計方法存在的數據不充足和估算精度不夠高的問題。

利用吉林一號寬幅衛星采集長春市凈月區高新技術產業開發區衛星影像，利用 CASA 模型算法，將遙感因子、溫度因子和土壤因子作為輸入信息建立光能利用率模型，并根據碳轉換系數和分子轉換系數，計算森林碳儲量。研究結果（圖9）表明，凈月區森林碳儲量多為碳儲量中值區，高值區主要分布在東北部，低值區主要分布在道路沿線和西南部水庫。自監測年 5-10 月，凈月區森林碳儲量先增加，后逐漸降低，與天氣存在較為一致的變化規律。并通過與實地調查采樣數據對比，長春市凈月區森林碳儲量估算模型具有一定的可靠性和實用性，可作為森林碳匯估算的重要手段[15]。

圖9 吉林省長春市凈月區2020年5—10月森林碳儲量分布圖

六、總結與展望

隨著以吉林一號為代表的商業衛星快速發展和遙感技術進步，衛星遙感數據源向高頻次、高覆蓋、高空間分辨率發展。在傳統的林業遙感技術應用領域，如林業資源調查、變更調查等，應用服務的穩定性和業務化有了前所未有的提升。

吉林一號星座除了已有的高空間分辨率光學、多光譜、夜光、視頻衛星，激光、雷達、通信、氣象等衛星也在孕育和發展中，在林業遙感領域的應用服務也必將在深度、廣度以及服務模式等多維度帶來創新發展，與互聯網、大數據和智能識別等技術深入融合，也將推動林業遙感的應用向立體化、多層次、多尺度、多頻率、全天候、高精度和高效快速的目標發展。