Page 144 - 《武汉大学学报（信息科学版）》2025年第10期

第 50 卷第 10 期 曹汉瑞等：VIIRS 夜光影像中农田火像素识别方法 2079

因此，本文中提出的 3 种特征能有效区分农田火 像素、稳定灯光像素和全黑像素。

表 4 3 类像素特征值的均值
Table 4 Mean Value of 3 Types of Pixels
－
－1
像素类别 夜光辐亮度最大值/（nW·cm ²·sr ） 夜光辐亮度大于阈值的比例/% 夜光辐亮度突变率/%
农田火像素 10.3 0.6 1 164.5
稳定灯光像素 42.4 98.7 0.2
全黑像素 0.8 0.2 0.1

精度检验抽取的样本分布情况如图 6 所示， 像素对应的区域大部分为耕地，因此可以将这些
表 5 展示了南部非洲 10 个大陆国家范围内影像 像素判断为真实的农田火像素。图 7（d）显示，识
分类结果的混淆矩阵。其中，像素分类的总体精 别出的农田火像素基本覆盖了 8 月影像中辐亮度
度为 91.2%，3 类像素的生产者精度和用户精度 升高的像素，表明提出的方法能有效识别夜光影
均在 85% 以上，平均生产者精度为 91.9%，平均 像中的农田火像素。
用户精度为 91.0%，其中农田火像素分类的生产
者 精 度 和 用 户 精 度 分 别 为 86.4% 和 92.6%。 研
究发现，由于农田火像素和全黑像素的夜光辐亮
度时间序列最接近，两者之间容易出现误分；稳
定灯光像素的夜光辐亮度时间序列与其他两种
像素差异较大，因此出现误分的像素数量最少。
表 6 列出了 10 个国家农田火像素的分类精
度。结果表明，本文提出的农田火像素识别方法
在不同国家均取得较好的结果，大部分国家农田
火像素分类的生产者精度在 85% 以上，各国农田
火像素分类的用户精度均高于 90%。
图 7 以赞比亚首都卢萨卡附近为例，展示了
2021 年 3 月、8 月和 12 月的夜光影像，以及农田火
像素在夜光影像上的覆盖情况。从图 7（a）~7（c）
中可以清楚地看出，该地区影像中部分像素在 8
月的辐亮度较高，而在 3 月和 12 月辐亮度接近于
图 6 精度检验样本分布情况
0，结合地表覆盖数据和谷歌地球影像发现这些 Fig. 6 Distribution of Accuracy Test Samples

表 5 研究区域分类结果的混淆矩阵
Table 5 Confusion Matrix of Classification Results for the Study Area
有效样本数量/ 分类集-农田火 分类集-稳定灯 分类集-全黑像
真实类别 生产者精度/%
个 像素/个 光像素/个 素/个
验证集-农田火像素 420 363 18 39 86.4
验证集-稳定灯光像素 287 8 279 0 97.2
验证集-全黑像素 279 21 1 257 92.1
样本累计 986 392 298 296
用户精度/% 92.6 93.6 86.8 91.2

3.2 影像分类结果分析 （津巴布韦、赞比亚和安哥拉）。津巴布韦、赞比
图 8 展示了南部非洲 10 个大陆国家的分类 亚和安哥拉三国相邻，地理环境相似，农业资源
结果，若像素农田火时间窗口内或时间窗口外的 丰富。津巴布韦的中部地区存在较多的农田火
有效天数不足 10 d，则视为无效像素不参与分类， 像素，稳定灯光像素主要集中在布拉瓦约、奎鲁
图 8 中无效像素对应的区域多为内陆水体。整体 和首都哈拉雷等大型城市。赞比亚全境均有农
分 类 图 显 示 ，农 田 火 像 素 主 要 分 布 在 北 部 地 区 田火像素分布，稳定灯光像素主要集中在首都卢