包玉龍，張繼權(quán)，劉興朋，陳鵬，劉曉靜，張琪

(東北師范大學(xué)城市與環(huán)境科學(xué)學(xué)院，東北師范大學(xué)自然災(zāi)害研究所，吉林長春130024)

草原火是因草地可燃物燃燒而引起。草地可燃物由草地上的草本植物和動物糞便組成，主要以草本植物為主，是草原火發(fā)生和發(fā)展蔓延的物質(zhì)基礎(chǔ)［1］。草地可燃物載量、濕度、連續(xù)度等特征是草原火險區(qū)劃的主要指標(biāo)，是草原防火工作的主要研究內(nèi)容。在草原火災(zāi)和草地可燃物的特征參數(shù)反演方面，遙感技術(shù)具有監(jiān)測范圍廣、時空分辨率高等優(yōu)勢。

自1980年代初開始利用遙感衛(wèi)星數(shù)據(jù)研究森林草原火災(zāi)。國際上最早利用遙感技術(shù)對火災(zāi)研究的衛(wèi)星平臺為GOES(Geostainary Orbiting Environmental Satellite)系列衛(wèi)星和NOAA(National Oceanographic and Atmospheric Administration)系列衛(wèi)星，但空間分辨率和時間分辨率不夠高。1999年NASA發(fā)射的地球觀測系統(tǒng)(EOS)系列衛(wèi)星上專門考慮火災(zāi)監(jiān)測需求的Modis儀器系統(tǒng)得到了廣泛的應(yīng)用［2］。2008年9月我國成功發(fā)射了環(huán)境與災(zāi)害監(jiān)測預(yù)報小衛(wèi)星星座A、B星，該衛(wèi)星在森林草原火災(zāi)監(jiān)測領(lǐng)域具有時間分辨率、空間分辨率和光譜分辨率的優(yōu)越性［3］。

基于遙感的火災(zāi)監(jiān)測方法可以分為火點(Hotspot)探測和火災(zāi)后跡地(Burn scar)識別兩類。火點探測通?；诨鸬臒釋W(xué)性質(zhì)，使用中紅外波段(3.55～3.93 μm)對火點進行實時監(jiān)測，火燒跡地識別主要是通過判斷植被在火災(zāi)前后的光譜變化來估算燃燒面積［4－5］。

在過火跡地提取中目前應(yīng)用較廣泛的方法有火災(zāi)前后NDVI差值法［6］、NDVI回歸分析方法［7］、HANDS方法［8］和時間序列合成數(shù)據(jù)提取火災(zāi)跡地方法［9］，這些方法都使用NOAA-AVHRR NDVI數(shù)據(jù)。譚明艷等利用Modis時間序列數(shù)據(jù)分析草原區(qū)域火災(zāi)跡地的光譜特征之后，構(gòu)建了一個反映火災(zāi)跡地特征的指數(shù)GEMI-B，并提出了5種基于GEMI-B最大值的合成方法［10］。這些方法比較適合植被生長季的林火的研究，從規(guī)律來看草原火發(fā)生在植被非生長季，即枯草期，在枯草期NDVI對草地不敏感，所以這些方法并不非常適合草地火跡地的提取。筆者從草原火的過火面積大、蔓延速度快等特征入手，利用支持向量機方法對HJ-1B衛(wèi)星多光譜數(shù)據(jù)提取火燒跡地，并以此為基礎(chǔ)，分析災(zāi)前植被生長季的植被指數(shù)，欲確定草原火發(fā)生和蔓延的最低NDVI值。

1 研究區(qū)與數(shù)據(jù)源

本研究以2012年4月20日發(fā)生在蒙古國的特大草原火事件為例，選擇發(fā)生火災(zāi)的蒙古國東方省哈拉哈高勒蘇木為研究區(qū)。研究區(qū)地理范圍為46.4°～48°N，116.8°～120°E。與我國內(nèi)蒙古自治區(qū)的東烏珠穆沁旗、科爾沁右翼前旗、阿爾山市、新巴爾虎左旗和新巴爾虎右旗接壤，總界線長度為750 km。研究區(qū)總面積為28 210 km2，其中草地面積為23 231 km2，占總面積的82.4%，有林地和灌木林的面積為770 km2，耕地和飼料地總面積為3 585 km2，水域和裸土總面積為624 km2，道路總長度為2 278 km，河流總長度為1 545 km，如圖1所示。

圖1 研究區(qū)示意圖

影像數(shù)據(jù)為環(huán)境與災(zāi)害監(jiān)測預(yù)報小衛(wèi)星的多光譜影像數(shù)據(jù)，HJ-1A/1B星于2008年9月6日11:25成功發(fā)射，HJ-1-A星搭載了CCD相機和超光譜成像儀(HSI)，HJ-1-B星搭載了CCD相機和紅外相機(IRS)。主要用于對生態(tài)環(huán)境和災(zāi)害進行大范圍、全天候動態(tài)監(jiān)測，能夠及時反映生態(tài)環(huán)境和災(zāi)害的發(fā)生、發(fā)展過程，對生態(tài)環(huán)境和災(zāi)害發(fā)展變化趨勢進行預(yù)測，對災(zāi)情進行快速評估，為緊急求援、災(zāi)后救助和重建工作提供科學(xué)依據(jù)，采取多顆衛(wèi)星組網(wǎng)飛行的模式，每兩天就能實現(xiàn)一次全球覆蓋。

本研究采用2012年4月22日軌道號為1/57的HJ-1B衛(wèi)星CCD2多光譜數(shù)據(jù)作為過火跡地影像數(shù)據(jù)，以2011年9月11、22、26日數(shù)據(jù)作為草地生長季的影像數(shù)據(jù)，該影像數(shù)據(jù)是從中國資源衛(wèi)星應(yīng)用中心管網(wǎng)(http://www．cresda．com)免費獲得。

研究區(qū)范圍內(nèi)的土地利用類型、高程及道路、河流等矢量數(shù)據(jù)均從國際馬鈴薯中心(CIP)Robert J.Hijmans等人開發(fā)的DIVA-GIS軟件官方網(wǎng)站免費獲得(http://www．diva-gis．org)。

2 數(shù)據(jù)處理及研究方法

本文主要研究思路是以特大草原火為例，利用HJ-1B衛(wèi)星數(shù)據(jù)提取火燒跡地，再以火燒跡地為基礎(chǔ)，計算獲取該區(qū)前一年草地植被生物量的峰值期NDVI，分析草原火發(fā)生及蔓延的可燃物特征。

2.1 數(shù)據(jù)預(yù)處理

本研究采用的是HJ-1B衛(wèi)星2級產(chǎn)品，此產(chǎn)品已經(jīng)過系統(tǒng)幾何糾正和輻射糾正。為了空間匹配影像，以9月11日的影像作為參考影像進行相對配準(zhǔn)，將空間誤差嚴(yán)格控制在半個像素以內(nèi)。

HJ-1A/1B衛(wèi)星地面系統(tǒng)產(chǎn)品中提供了絕對定標(biāo)公式和定標(biāo)參數(shù)，可在原始數(shù)據(jù)XML格式的文件中查詢。輻射亮度計算公式為:

式中:A為絕對定標(biāo)系數(shù)增益;L0為絕對定標(biāo)系數(shù)偏移量;轉(zhuǎn)換后的輻射亮度單位為W/(sr×m2)。計算表觀反射率公式為:

式中:ρ為表觀反射率;L為輻亮度;d為日地距離因子;從ETM數(shù)據(jù)手冊中的日地距離因子查找表里按數(shù)據(jù)獲取日期來查詢(表1)。E為衛(wèi)星的波段平均太陽輻照度，用公式3計算獲取。θ為太陽天頂角(在原始數(shù)據(jù)的XML文件中查詢)。

式中:S(λi)表示傳感器各波段的響應(yīng)函數(shù);L(λi)為對應(yīng)波段的輻亮度。

表1 ETM手冊中的日地距離因子查找表

2.2 火燒跡地提取方法

采用支持向量機(Support Vector Machine)方法提取火燒跡地，該方法由Vapnik［11］等提出，它是一種相對較新的模式識別方法，借助于最優(yōu)化方法解決機器學(xué)習(xí)的工具，以結(jié)構(gòu)風(fēng)險最小為原則，本質(zhì)上是求解凸二次規(guī)劃問題，在解決小樣本、非線性和高維模式識別問題中有較大優(yōu)勢，現(xiàn)己廣泛應(yīng)用于遙感圖像分類問題。其基本原理是:假設(shè)訓(xùn)練樣本為{(x1，y1)，(x2，y2)，…(xN，yN)}，其中xi∈Rd，表示輸入模式，yi∈{±1}，表示目標(biāo)輸出。設(shè)最優(yōu)決策面方程為:ωTxi+b=0，則權(quán)值向量ω和b偏置須滿足約束yi(ωTxi+b)≥1－ξi，其中ξi為線性不可分條件下的松弛變量，它表示模式對理想線性情況下的偏離程度。SVM的目標(biāo)是找到一個決策面使其在訓(xùn)練數(shù)據(jù)上的平均錯誤分類誤差最小，可推導(dǎo)出以下優(yōu)化問題:

式中:C是用戶指定的正參數(shù)，它表示SVM對錯分樣本的懲罰程度，是錯分樣本比例和算法復(fù)雜度之間的平衡參數(shù)。SVM常用的內(nèi)積核函數(shù)有以下幾種:

線性核函數(shù):K(xi，xj)=，xj;

多項式核函數(shù):K(xi，xj)=(γxT

ixj+r)d，γ＞0;

徑向基核函數(shù):K(xi，xj)=exp(－γ∥xi－xj∥2)，γ＞0;

S型核函數(shù):K(xi，xj)=tanh(γxTixj+r)，γ＞0。

其中γ是核函數(shù)的gamma值;d表示多項式核函數(shù)的多項式次數(shù);r表示多項式和S型核函數(shù)的偏差量。這三個參數(shù)的正確性直接影響SVM分類結(jié)果的精度。

2.3 災(zāi)前植被信息提取方法

草地上的植被一般為一年生草本植物，植被生物量的峰值一般在9月份左右，受放牧等人為活動或野生草食動物的影響，草地植被從枯黃到第二年返青時地上可燃物載量會減少，因此本研究采用了9月11、22、26日的CCD影像，計算歸一化植被指數(shù)(NDVI)，再進行平均運算后得到平均值NDVI數(shù)據(jù)，如圖2所示。

圖2 火災(zāi)前植被指數(shù)圖

3 結(jié)果與分析

依據(jù)研究區(qū)的土地利用數(shù)據(jù)和假彩色合成影像圖，選取了60個訓(xùn)練樣本，分別是水體、火燒跡地、未燃燒草地和火燒煙霧。經(jīng)過J-M距離監(jiān)測后發(fā)現(xiàn)各類別間的分離性較好，訓(xùn)練樣本比較純(表2所示)。從典型樣本的灰度值曲線(圖3)、輻射亮度曲線(圖4)和反射率曲線(圖5)中可以看出各樣本光譜值的區(qū)別，特別是在輻射亮度影像上比較明顯，因此在提取火燒跡地時采用了輻射亮度影像。

表2 樣本J-M距離值矩陣

圖3 樣本的DN值曲線

圖4 樣本的輻射亮度值曲線

圖5 樣本的反射率值曲線

圖6 火燒跡地提取結(jié)果圖

表3 SVM分類精度驗證混淆矩陣(象元)

本文使用ENVI 4.8遙感圖像處理軟件的SVM分類工具提取火燒跡地，采用徑向基內(nèi)積函數(shù)(RBF)作為核函數(shù)進行分類，分類結(jié)果如圖6所示，精度驗證時以目視解譯的數(shù)據(jù)作為地面真實性圖像，進行精度評估后得到了兩個數(shù)據(jù)的混淆矩陣，如表3，總精度達到82.71%，Kappa系數(shù)為0.666 8。從Kappa系數(shù)來看，兩幅圖像已經(jīng)達到高度一致水平，因此SVM分類法能夠滿足快速、及時分類需求。

過火區(qū)形狀為扇形，燃燒火線長度達到1 054.39 km，總過火面積為15 565.82 km2，占哈拉哈高勒蘇木(研究區(qū))的55.87%。從我國的草原火災(zāi)分級來看屬特別重大(Ⅰ級)草原火災(zāi)。圖像上能夠準(zhǔn)確判別定位起火點，從比較規(guī)則的火線可以看出，道路具有明顯的阻隔帶效應(yīng)。

用過火區(qū)的圖像裁剪NDVI圖像后獲得過火區(qū)災(zāi)前NDVI數(shù)據(jù)，將這些NDVI數(shù)據(jù)分別按小于0.1、0.1～0.2、0.2～0.3、0.3～0.4和大于0.4的區(qū)間劃分為5個等級，各等級面積和占總過火區(qū)的比例分別為71.39 km2和0.46%、1231.73 km2和7.91%、6 158.52 km2和39.56%、6 483.69 km2和41.65%、1 620.49 km2和10.41%。從數(shù)據(jù)來看，NDVI值大于0.1的比例為99.54%，所以能夠判定NDVI值大于0.1時，發(fā)生和蔓延草原火的可能性較高。

過火區(qū)中發(fā)現(xiàn)多個“孤島”式的未燃燒地，能夠判斷出沒有植被的鹽堿地、沙地和耕地，NDVI值都小于0.1。

4 結(jié)論與討論

本文以HJ-1B衛(wèi)星的CCD影像作為數(shù)據(jù)源，采用支持向量機分類方法提取草原火災(zāi)燃燒跡地，以人工目視解譯數(shù)據(jù)進行精度驗證，發(fā)現(xiàn)分類效果比較好。用該方法可以快速提取過火面積，對災(zāi)后損失評估工作提供依據(jù)。從災(zāi)前植被指數(shù)的分析來看，當(dāng)植被指數(shù)高于0.1時，草地能夠起火并蔓延。

對SVM的分類效果而言，對火燒跡地圖像分類的類型較少，圖像的信息比較單一，所以分類精度較高，其中，準(zhǔn)確選擇訓(xùn)練樣本也是影響分類精度高低的關(guān)鍵因素。對數(shù)據(jù)源而言，具有高空間分辨率和完全免費的特點，這些特點均優(yōu)于MODIS等其他遙感數(shù)據(jù)源，較適合草原火災(zāi)風(fēng)險評估和災(zāi)后快速評估等工作，并提供科學(xué)依據(jù)。

針對蒙古國等鄰國頻頻發(fā)生草原火災(zāi)，在我國國界線附近修建或及時修復(fù)防火阻隔帶是非常必要的，因為，災(zāi)前的防災(zāi)減災(zāi)投資肯定優(yōu)于災(zāi)后低效能的援助投資。

［1］色音巴圖．草原可燃物動態(tài)研究［J］．中國草地，2002，24(5):49－53．

［2］周藝，王世新，王麗濤，等．基于MODIS數(shù)據(jù)的火點信息自動提取方法［J］．自然災(zāi)害學(xué)報，2007，16(1):88－93．

［3］郭朝輝，亓雪勇，龔亞麗，等．環(huán)境減災(zāi)衛(wèi)星影像森林火災(zāi)監(jiān)測技術(shù)方法研究［J］．遙感信息，2010(4):85－88．

［4］Li Z，Kaufman Y J，Ichoku C，et al．A review of AVHRR-based active fire detection algorithms:Principles，limitations，and recommendations［C］//Ahern F J，Goldammer JG，Justice C O．Global and regional vegetation fire monitoring from．Space:Planning a Coordinated International Effort．SPB Academic Publishing，Hague，2001．

［5］Li Z，Nadon S，Cihlar J．Satellite-based detection of canadian boreal forest fires:Development and application of the algorithm［J］．International Journal of Remote Sensing，2000，20(16):3057－3069．

［6］Li Z，Nadon S，Cihlar J，et al．Satellite-based mapping of canadian boreal forest fires:Evaluation and comparison of algorithms［J］．International Journal of Remote Sensing，2000，20(16):3071－3082．

［7］Fernandez A，Illera P，Casanova J L．Automatic mapping of surfaces affected by forest fires in Spain using AVHRR NDVI composite image data［J］．Remote Sensing of Environment，1997，60:153－162．

［8］FraserR H，Li Z，Cihlar J．Hotspot and NDVI differencing synergy(HANDS):A new technique for burned area mapping over boreal forest［J］．Remote Sensing of Environment，2000，74:362－376．

［9］Van Leeuwen W J D，Huete A R，Laing T W．MODIS vegetation index compositing approach:A prototype with AVHRR data［J］．Remote Sensing of Environment，1999，69:264－280．

［10］譚明艷，陳仲新，曹鑫，等．利用MODIS識別草原火災(zāi)跡地方法的研究［J］．遙感學(xué)報，2007(3):340－349．

［11］Vapnik V N．The Nature of Statistical Learning Theory［M］．New York:Springer-Verlag，1995．