廖 瑤，李 雪，劉 蕓，黃林峰，田鵬舉，谷曉平

(貴州省生態(tài)氣象和衛(wèi)星遙感中心，貴州省山地氣候與資源重點(diǎn)實(shí)驗(yàn)室，貴州 貴陽 550002)

森林是具有重要生態(tài)功能和經(jīng)濟(jì)功能的自然資源，但每年由于森林火災(zāi)損失的森林面積巨大。火燒跡地的空間分布及面積信息，對(duì)森林火災(zāi)的氣候效應(yīng)研究和災(zāi)后植被恢復(fù)情況研究[1-3]，生態(tài)平衡評(píng)價(jià)和保險(xiǎn)理賠等應(yīng)用，都是非常重要的基礎(chǔ)數(shù)據(jù)。衛(wèi)星遙感具有監(jiān)測范圍廣，時(shí)空分辨率高的特點(diǎn)，已經(jīng)廣泛應(yīng)用到森林災(zāi)害監(jiān)測和評(píng)估中。

遙感提取全球和區(qū)域尺度火燒跡地主要使用低分辨率的NOAA-AVHRR[4]，MODIS[5]和SPOT-VEGETATION[6]，較高分辨率的TM/ETM+或者SAC-C/MMRS等數(shù)據(jù)[7]。國產(chǎn)高分一號(hào)衛(wèi)星WFV遙感影像幅寬較寬(可達(dá)800 km)，具有較短的重返周期(和高分六號(hào)組網(wǎng)的重返周期可達(dá)1天)，加上較高的空間分辨率(16 m)，在火燒跡地提取上具有很高的潛力。目前遙感提取火燒跡地的方法主要有植被指數(shù)法，基于規(guī)則、決策樹和支持向量機(jī)等監(jiān)督分類方法[8-11]?；诨馂?zāi)前后植被指數(shù)變化也是一種精度較高的方法，但局限于需要同時(shí)使用災(zāi)前和災(zāi)后遙感影像[12-13]。植被指數(shù)法能容易實(shí)現(xiàn)程序自動(dòng)化提取，常用于提取火燒跡地的植被指數(shù)有NDVI、EVI、歸一化燃燒指數(shù)(NBR)[14]、GEMI[15]和BAI[16]等。Chuvieco等[17]使用BAI指數(shù)和GEMI指數(shù)提取LANDSAT TM影像的火燒跡地，發(fā)現(xiàn)BAI指數(shù)有最高的區(qū)分度。吳茂林等[18]利用MODIS250米的數(shù)據(jù)，采用GEMI和HANDS(hotspot and NDVI differencing Synergy)結(jié)合的算法，提取的火燒跡地精度得到了進(jìn)一步提高。朱曦等[19]比較了環(huán)境一號(hào)CCD影像的NDVI、EVI、GEMI和BAI四種植被指數(shù)，發(fā)現(xiàn)BAI和GEMI對(duì)過火區(qū)的分離度更好。孫桂芬等[20]利用高分一號(hào)WFV數(shù)據(jù)對(duì)比5種植被指數(shù)(NDVI、EVI、NBR、GEMI、BAI)的分離度，得出NBR和BAI兩種指數(shù)的分離度最好，EVI和GEMI的分離效果較差。這幾種指數(shù)的改進(jìn)指數(shù)，比如BASTARRIKA等[21]利用LANDSAT衛(wèi)星的TM/ETM+改進(jìn)的NBR和BAI指數(shù)構(gòu)建的算法，能顯著降低錯(cuò)分率?？梢娨?yàn)椴ǘ卧O(shè)置的差異，不同衛(wèi)星傳感器適用的最優(yōu)植被指數(shù)并不相同，需根據(jù)實(shí)際選取。

文中結(jié)合高分一號(hào)WFV傳感器的波段特征，計(jì)算其NDVI、EVI、GEMI和BAI指數(shù)(雖然NBR指數(shù)也具有很高的潛力，但高分一號(hào)缺少短波紅外，因而不能計(jì)算NBR指數(shù))，通過比較這4種指數(shù)的分離性，尋找在貴州適合高分一號(hào)提取火燒跡地的最優(yōu)指數(shù)，并利用最優(yōu)指數(shù)對(duì)研究區(qū)的火燒跡地進(jìn)行提取。利用得到的最優(yōu)指數(shù)作為利用高分?jǐn)?shù)據(jù)構(gòu)建火燒跡地自動(dòng)提取系統(tǒng)的依據(jù)，后期將基于此結(jié)果用于貴州遙感火點(diǎn)樣本庫建立、生態(tài)氣候研究等領(lǐng)域。

1 研究區(qū)概況

貴州省屬于西南林區(qū)范圍，而西南林區(qū)是我國重要的火險(xiǎn)區(qū)，森林火災(zāi)多發(fā)。其中，貴州森林火災(zāi)多發(fā)于冬春季的2月—5月[22-23]，春季最多，其次是冬季。貴州2月—5月期間林火頻發(fā)的主要原因有3個(gè)：一是由于氣候因素，研究表明，森林火災(zāi)發(fā)生與溫度、風(fēng)向風(fēng)速、相對(duì)濕度、降雨量及其后干旱時(shí)間長短有關(guān)[24]，還與火災(zāi)發(fā)生前的天氣形勢有關(guān)[25]；二是冬春季節(jié)黃枯植被較多；三是春節(jié)、清明節(jié)祭祖焚香燒紙的習(xí)俗和春季農(nóng)民燒土肥等行為。文中選取了貴州省興仁市2019年2月發(fā)生的一次森林火災(zāi)為例進(jìn)行火燒跡地提取實(shí)驗(yàn)，實(shí)驗(yàn)區(qū)共有2個(gè)較大范圍的過火區(qū)。興仁市位于貴州省西南部，介于104°54′E—105°34′E、25°18′N—25°47′N之間，海拔高差大，地形復(fù)雜，這增加了火燒跡地提取的難度，對(duì)貴州具有較好的代表性。

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)

表1 影像獲取情況Table 1 Image acquired information

2019年2月6日，貴州省興仁市發(fā)生兩處較大面積的森林火災(zāi)，過火面積估計(jì)百余公頃，過火區(qū)類別比較復(fù)雜，包含了荒地、森林和灌木林等。文中選取了火災(zāi)發(fā)生后獲取的高分一號(hào)WFV傳感器的16m分辨率遙感影像，為保證結(jié)果的精度，災(zāi)后遙感影像盡量選擇了最接近受災(zāi)時(shí)間的影像。本次獲取到的影像時(shí)間為2019年2月8日，為災(zāi)后第三天。同時(shí)獲取了2019年3月3日和3月8日兩景災(zāi)后日期最接近的高分二號(hào)遙感影像，用于結(jié)合高分一號(hào)數(shù)據(jù)選取驗(yàn)證樣本點(diǎn)，利用驗(yàn)證樣本點(diǎn)對(duì)高分一號(hào)提取的火燒跡地進(jìn)行驗(yàn)證。影像統(tǒng)計(jì)情況見表1，研究區(qū)位置及高分一號(hào)16 m真彩色合成圖如圖1所示。

圖1 研究區(qū)位置示意圖Fig.1 Location map of study area

2.2 研究方法

2.2.1 技術(shù)路線

使用NDVI、EVI、GEMI和BAI四種指數(shù)識(shí)別火燒跡地的技術(shù)路線如圖2所示，其中GF1 WFV數(shù)據(jù)經(jīng)過了輻射定標(biāo)、大氣校正和PRC正射校正預(yù)處理，GF2 PMS影像經(jīng)過了正射校正、全色多光譜融合、裁剪和配準(zhǔn)預(yù)處理。遙感影像預(yù)處理完成后，選取不同地物類別的多個(gè)樣本，統(tǒng)計(jì)不同類別樣本的植被指數(shù)，通過不同類別樣本的植被指數(shù)均值評(píng)價(jià)不同地物類別不同指數(shù)的表現(xiàn)。計(jì)算不同類別和火燒跡地的分離度，評(píng)價(jià)不同地物類別不同植被指數(shù)的分離度，根據(jù)分離度表現(xiàn)的差異，選取分離度最高的指數(shù)作為提取火燒跡地的最優(yōu)指數(shù)，然后根據(jù)不同地物類別最優(yōu)指數(shù)值的差異確定提取閾值，用于提取火燒跡地，最后根據(jù)高分二號(hào)影像目視隨機(jī)選取的驗(yàn)證樣本進(jìn)行精度評(píng)價(jià)。

圖2 技術(shù)路線圖Fig.2 Study flowchart

2.2.2 指數(shù)計(jì)算

利用不同類別在不同波段上反射率的特征差異，通過不同波段進(jìn)行組合，計(jì)算得到不同類別的植被指數(shù)，用于區(qū)分或增強(qiáng)不同類別。4種指數(shù)(GEMI、EVI、NDVI和BAI)的計(jì)算方法見式(1)～式(4)：

(1)

(2)

(3)

(4)

其中：

式中，ρBlue，ρRed，ρNir分別代表藍(lán)光、紅光和近紅外波段的反射率，分別對(duì)應(yīng)高分一號(hào)WFV影像的1，3，4波段。

2.2.3 分離指數(shù)

分離指數(shù)定義為火燒跡地像元的樣本均值與其他類別像元的樣本均值的絕對(duì)差值，與火燒跡地像元的樣本標(biāo)準(zhǔn)差與其他類別像元的樣本標(biāo)準(zhǔn)差之和的比值[26]，即式(5)：

(5)

式中:μb，μo分別代表火燒跡地樣本像元和其他類別樣本像元的均值；σb，σo分別代表火燒跡地樣本像元和其他類別樣本像元的標(biāo)準(zhǔn)差。分離指數(shù)用于定量評(píng)價(jià)火燒跡地與其他類別之間差異程度的大小，廣泛用于不同指數(shù)的分離程度評(píng)價(jià)。M值越大，代表火燒跡地與其他類別的可區(qū)分性越大，越容易將火燒跡地提取出來。

3 結(jié)果分析

3.1 不同類別植被指數(shù)分析

表2 樣本情況Table 2 Sample information

通過影像預(yù)處理及指數(shù)計(jì)算，得到2019年2月8日高分一號(hào)WFV影像計(jì)算的NDVI、EVI、GEMI和BAI四種植被指數(shù)。經(jīng)過目視選取包括火燒跡地在內(nèi)的9種類別的樣本(樣本情況見表2)，計(jì)算出不同類別樣本的植被指數(shù)均值如圖3所示。其中BAI的數(shù)值經(jīng)過歸一化處理，便于和其他植被指數(shù)進(jìn)行比較。根據(jù)圖3中分析，火燒跡地的不同指數(shù)差異較大，其中BAI指數(shù)最大，EVI指數(shù)最小。耕地和植被的GEMI、NDVI和EVI的值在所有類別中均為最高，而耕地和植被的BAI值是最小的兩個(gè)類別，而云、云陰影、山體陰影和水體的EVI和GEMI指數(shù)和火燒跡地較為接近，不能用于很好區(qū)分火燒跡地信息?；馃E地的GEMI值介于各種地物類別之間，因而和其他地物類別的GEMI差異不明顯。根據(jù)BAI指數(shù)分析，火燒跡地的BAI值最大，其次是云陰影、 水體和山體陰影， 耕地、植被、道路和裸地的BAI值較小。

圖3 高分一號(hào)WFV3不同類別樣本植被指數(shù)均值Fig.3 Average vegetation index of different samples from GF-1 WFV3

根據(jù)前面的分析，BAI指數(shù)是火燒跡地和其他類別區(qū)分度最大的，因而BAI指數(shù)具有成為最優(yōu)指數(shù)的條件，但是云陰影、水體和山體陰影的BAI值也較大，實(shí)際中有可能會(huì)將這幾種類別誤分為火燒跡地，可能是較大的干擾因素。

3.2 不同類別分離度指數(shù)分析

根據(jù)選擇的類別樣本，首先計(jì)算出不同類別樣本的平均值和標(biāo)準(zhǔn)差，并根據(jù)公式(5)計(jì)算不同類別樣本的分離度指數(shù)，基于高分一號(hào)WFV傳感器分析不同類別指數(shù)的分離性，通過分離度評(píng)價(jià)識(shí)別火燒跡地的最優(yōu)植被指數(shù)。通過計(jì)算，得到高分一號(hào)WFV傳感器火燒跡地與其他不同類別的樣本分離度如圖4所示。

圖4 高分一號(hào)WFV3火燒跡地和不同類別樣本分離度指數(shù)Fig.4 Separation indices of different samples from GF-1 WFV3

分離度越好的指數(shù)，所有類別的分離度都應(yīng)該很高，這樣才能很好的與火燒跡地區(qū)分。從分離度來分析，BAI指數(shù)的分離度最好，是四種指數(shù)中分離度均大于1的唯一一種指數(shù)，且只有云陰影的分離度最小為1.59，因而云陰影是最容易與火燒跡地混淆的類別(圖3中BAI指數(shù)均值也是云陰影和火燒跡地最接近)，其余的類別分離度均大于3，能較好和火燒跡地區(qū)分開。其次，各種指數(shù)分離度大于1的類別數(shù)量，GEMI共有6種地物類別的分離度大于1，排名第二，但總體上分離度的值并不是很大，其中只有2種類別分離度大于3，云陰影的分離度只有0.21，山體陰影的分離度雖大于1但只有1.06，容易與火燒跡地混淆。此外，NDVI和EVI兩種指數(shù)也均只有植被和耕地兩種類別的分離度大于3，其余類別分離度均較小，因而也不適于作為提取火燒跡地的指數(shù)。根據(jù)不同類別不同指數(shù)的分離度來分析，水體、耕地、植被3種類別的分離度均遠(yuǎn)大于1，選用任何一種指數(shù)均容易將其與火燒跡地區(qū)分開來，但其他類別(云、云陰影、山體陰影、道路、裸地)在不同植被指數(shù)均存在分離度較小的情況，需要選擇合適的植被指數(shù)才能將其與火燒跡地區(qū)分開。根據(jù)幾種植被指數(shù)的表現(xiàn)，BAI為最優(yōu)指數(shù)，GEMI次之，EVI和NDVI最差。

3.3 火燒跡地提取評(píng)價(jià)

以高分二號(hào)融合后的1 m分辨率影像目視提取的火燒跡地為基準(zhǔn)，評(píng)價(jià)基于最優(yōu)指數(shù)BAI提取的火燒跡地精度。水體的BAI均值為0.28，它是除云陰影和火燒跡地外最高的，設(shè)置BAI指數(shù)閾值為0.28既能保證減少其他類別的影響，同時(shí)也能提取出范圍最大的火燒跡地，減少漏提區(qū)域。根據(jù)選擇的閾值提取了火燒跡地二值圖，將二值圖轉(zhuǎn)為矢量，并與目視提取的火燒跡地進(jìn)行對(duì)比(見圖5)，可以發(fā)現(xiàn)目視提取火燒跡地范圍稍大，這主要既是山體陰影又是火燒跡地的BAI值較低，通過閾值沒有提取出來，但目視解譯可根據(jù)整體的燃燒情況判斷其為火燒跡地，還有火燒跡地的邊緣地帶存在混合像元，導(dǎo)致提取的范圍也會(huì)小一些。據(jù)圖5還可以發(fā)現(xiàn)，除了真正的火燒跡地以外，提取出了很多細(xì)碎的圖斑，這其中較大的兩個(gè)圖斑是煤礦場地，其余更小的圖斑則主要是荒地、農(nóng)村居民點(diǎn)等混合類別。

表3 精度評(píng)價(jià)混淆矩陣Table 3 Confusion Matrix

利用過火后的高分二號(hào)影像結(jié)合高分一號(hào)影像，目視隨機(jī)選取過火區(qū)和非過火區(qū)驗(yàn)證樣本點(diǎn)分別有300個(gè)，根據(jù)驗(yàn)證樣本點(diǎn)建立了混淆矩陣(見表3)，根據(jù)混淆矩陣計(jì)算的不同評(píng)價(jià)精度情況見表4。根據(jù)表4所示，制圖精度、用戶精度和總體精度均在90%以上，錯(cuò)分誤差和漏分誤差均低于10%。將提取出的火燒跡地相鄰的多邊形合并，并以6.67 hm2畝為閾值，去掉小面積的細(xì)碎圖斑，提取出大于6.67 hm2的火燒跡地只有3個(gè)(圖6)，其中西北面那個(gè)火燒跡地實(shí)際是煤礦場地，其余2個(gè)是真實(shí)的火燒跡地，計(jì)算2個(gè)火燒跡地目視提取面積和BAI指數(shù)提取面積，發(fā)現(xiàn)其面積差異小于7%(表5)。

圖5 基于BAI指數(shù)提取的火燒跡地Fig.5 Burned land extracted from BAI index

表4 不同評(píng)價(jià)精度情況Table 4 Different accuracy valuation評(píng)價(jià)類型精度值/%制圖精度93.7用戶精度90.7錯(cuò)分誤差9.7漏分誤差6.3總體精度92Kappa系數(shù)0.85表5 提取的大于6.67 hm2的火燒跡地面積(單位:hm2)Table 5 Area of burned land larger than 6.67 hm2編號(hào)基于BAI指數(shù)提取面積目視識(shí)別提取面積過火區(qū)1174.03186.38過火區(qū)2171.29171.52

圖6 提取出的大于6.67 hm2的火燒跡地Fig.6 Burned land extracted from BAI index larger than 6.67 hm2

4 結(jié)論與展望

基于高分一號(hào)WFV影像數(shù)據(jù)計(jì)算了BAI、NDVI、EVI和GEMI四種植被指數(shù)，分析了不同類別樣本植被指數(shù)平均值，同時(shí)計(jì)算不同類別與火燒跡地的分離指數(shù)，評(píng)價(jià)了4種植被指數(shù)識(shí)別火燒跡地的效果，得到了提取火燒跡地的最優(yōu)植被指數(shù)，并確定提取閾值提取出了火燒跡地。結(jié)論如下：

(1)根據(jù)植被指數(shù)平均值分析，基于紅光波段和近紅外波段構(gòu)建的BAI指數(shù)對(duì)過火區(qū)的區(qū)分效果最好，其BAI值為所有9種類別中最大的；火燒跡地在其余3種指數(shù)中的值既不是最大也不是最小，區(qū)分度不明顯，容易混淆。

(2)根據(jù)分離指數(shù)M分析，基于BAI指數(shù)的火燒跡地分離度最好，這與朱曦等[18]和孫桂芬等[19]的結(jié)論相似；但GEMI指數(shù)的火燒跡地分離度次之，與朱曦等[18]的研究結(jié)論相似。雖然分離度排名第二的結(jié)論有差異，也說明GEMI指數(shù)不穩(wěn)定，但綜合分析BAI指數(shù)分離度最好的結(jié)論是一致的，能作為高分一號(hào)WFV影像提取火燒跡地的最優(yōu)指數(shù)。

(3)找到了提取火燒跡地的易混淆源，對(duì)實(shí)現(xiàn)自動(dòng)提取具有重要作用。基于BAI指數(shù)的高分一號(hào)WFV影像提取火燒跡地，云陰影是最容易和火燒跡地混淆的類別，云陰影通過目視識(shí)別容易去除，但需要研究云陰影的自動(dòng)識(shí)別算法將其去除才能實(shí)現(xiàn)自動(dòng)提?。灰?yàn)榻厝〉氖撬w的平均BAI指數(shù)平均值作為閾值，無法避免水體混淆到火燒跡地中去，但可以通過水體的形態(tài)等特征或者建立水體數(shù)據(jù)庫(如在Open Street Map水體數(shù)據(jù)庫的基礎(chǔ)上建立全省水體數(shù)據(jù)庫)將其剔除；山體陰影的BAI值較低，火燒跡地中的山體陰影部分通過BAI閾值容易漏掉而提取不出來。通過BAI閾值提取出來的火燒跡地有很多混淆圖斑，需要使用面積閾值、植被指數(shù)差值等方法進(jìn)行剔除才能得到合理的結(jié)果，要實(shí)現(xiàn)自動(dòng)提取還需要進(jìn)一步的研究。