應(yīng)用植被變化與火燒跡地對(duì)森林火災(zāi)反演1)

王金鑫 桑學(xué)鋒 劉鑫 常家軒 鄭陽(yáng) 李子恒

(中國(guó)水利水電科學(xué)研究院水資源所，北京，100038)

準(zhǔn)確評(píng)估森林火災(zāi)后的損失情況對(duì)于預(yù)判林火蔓延發(fā)展態(tài)勢(shì)、組織林火撲救、安全滅火、災(zāi)后重建、維護(hù)生態(tài)平衡以及保護(hù)森林資源具有現(xiàn)實(shí)意義[1]。隨著遙感技術(shù)的不斷發(fā)展，衛(wèi)星的時(shí)空分辨率的不斷提高，可以通過(guò)衛(wèi)星影像實(shí)時(shí)觀測(cè)火災(zāi)過(guò)程并且提取有效信息，實(shí)現(xiàn)對(duì)森林火災(zāi)的全過(guò)程進(jìn)行動(dòng)態(tài)反演以及災(zāi)害評(píng)估。災(zāi)區(qū)的植被變化與火燒跡地面積是火災(zāi)反演的重要評(píng)估指標(biāo)[2]。近年來(lái)，國(guó)內(nèi)外許多學(xué)者提出了基于遙感技術(shù)的火災(zāi)反演評(píng)估方法，其中常用的是利用遙感影像中的光譜構(gòu)造植被指數(shù)與燃燒指數(shù)來(lái)突出植被損傷區(qū)域與火災(zāi)的火燒跡地面積，其原理是基于火災(zāi)后植被燃燒減少和燃燒殘留物沉積這兩個(gè)變化特征。Allen et al.[3]通過(guò)Landsat TM/ETM+數(shù)據(jù)計(jì)算了火災(zāi)前后的歸一化燃燒比(NBR)與差分歸一化燃燒比(dNBR)對(duì)阿拉斯加北部森林火災(zāi)進(jìn)行了評(píng)估； Veraverbeke et al.[4]通過(guò)Landsat TM/ETM+與MODIS數(shù)據(jù)，利用差分歸一化燃燒比對(duì)希臘2007年伯羅奔尼撒半島的森林大火進(jìn)行不同時(shí)序的火災(zāi)反演以及火災(zāi)嚴(yán)重程度評(píng)估；Chang et al.[5]通過(guò)構(gòu)建歸一化燃燒比指數(shù)對(duì)黑龍江森林大火進(jìn)行了火災(zāi)嚴(yán)重程度的評(píng)估；Escuin et al.[6]從LANDSAT TM/ETM圖像中分析提取的歸一化燃燒比和歸一化植被指數(shù)，對(duì)西班牙南部發(fā)生的3起森林火災(zāi)進(jìn)行了火災(zāi)嚴(yán)重程度評(píng)估；張春桂等[7]利用分辨率250 m的 MODIS可見(jiàn)光數(shù)據(jù)，根據(jù)MODIS的歸一化植被指數(shù)，在火災(zāi)發(fā)生前后的變化特征估算了林火面積。傳統(tǒng)方法只依據(jù)單一指數(shù)指標(biāo)對(duì)火災(zāi)損失進(jìn)行評(píng)價(jià)，往往忽視了災(zāi)區(qū)的植被損失與火燒跡地的區(qū)別；實(shí)際上，在植被損失估算中往往只計(jì)算出災(zāi)后植被指數(shù)，通過(guò)目視解譯而估算植被損失，實(shí)際操作易產(chǎn)生誤差。在火燒跡地面積評(píng)估中，通過(guò)計(jì)算火燒跡地的燃燒指數(shù)來(lái)區(qū)別過(guò)火區(qū)與未過(guò)火區(qū)，對(duì)如何能夠準(zhǔn)確快速追蹤識(shí)別與提取火燒跡地面積的方法很少有考慮。

本文基于Sentinel-2影像，以木里森林火災(zāi)為例，采用基于火災(zāi)前后歸一化差分植被指數(shù)、差分歸一化燃燒比(dNBR)、迭代加權(quán)多元變化檢測(cè)算法(IR-MAD)、追蹤識(shí)別提取算法等分析火災(zāi)前后的植被變化和火燒跡地面積，為森林火災(zāi)快速反演與評(píng)估提供數(shù)據(jù)支持。

1 研究區(qū)概況

2020年3月28日四川省涼山州木里藏族自治縣項(xiàng)腳鄉(xiāng)發(fā)生森林火災(zāi)，火場(chǎng)位于木里縣東南部，西側(cè)距離木里縣城約5 km。其地理位置為101°18′～101°31′E，27°51′～28°2′N。災(zāi)區(qū)位于高山峽谷地帶，森林覆蓋率高，植被多為松樹(shù)、桉樹(shù)等易燃植被，其枝葉中均含有大量油脂，且地表可燃物復(fù)雜(包括倒木、腐木、高山腐殖層、泥炭等)，一旦燃燒，會(huì)分解產(chǎn)生大量揮發(fā)性易燃?xì)怏w，導(dǎo)致燃燒劇烈。木里森林火災(zāi)和平原、盆地、丘陵等地區(qū)不同，涼山州地處偏僻，森林植被處于的高山峽谷，給滅火工作帶來(lái)極大的挑戰(zhàn)，地面囿于視野限制，難以判斷火勢(shì)走向，衛(wèi)星“站得高看得遠(yuǎn)”，可以快速發(fā)現(xiàn)火情，判斷火情趨勢(shì)，從宏觀的角度把握火災(zāi)全貌，有利于應(yīng)急救援指揮與決策。

根據(jù)涼山州氣象信息中心的數(shù)據(jù)顯示，火災(zāi)期間，正值干風(fēng)季節(jié)，晴熱天氣異常，連續(xù)20 d無(wú)任何降水，空氣濕度為5%～10%；特別是3月下旬已連續(xù)4 d高溫天氣，最高氣溫達(dá)到31.2 ℃，風(fēng)力7～8級(jí)，火災(zāi)期間全州平均溫度較歷史同期偏高2.0 ℃；全州平均降水量12 mm，木里比歷史同期減少64%的降水量。在高溫、大風(fēng)和干燥氣候加持下，引起了木里特大森林火災(zāi)。

2 研究方法

2.1 影像數(shù)據(jù)

Sentinel-2影像具有 13 個(gè)光譜波段，空間分辨率為10 m[8]。采用SNAP軟件對(duì)數(shù)據(jù)進(jìn)行輻射定標(biāo)、幾何校正、波段融合和影像裁剪。Sentinel-2在重訪周期、空間分辨率以及光譜分辨率等方面均優(yōu)于大多數(shù)遙感影像，能夠?yàn)樯只馂?zāi)反演評(píng)估提供更高精度的數(shù)據(jù)。本文使用Sentinel-2災(zāi)前(3月25日)、災(zāi)中(3月30日)、災(zāi)后(4月9日)無(wú)云影像數(shù)據(jù)各2幅，Landsat-8災(zāi)后(4月14日)影像一幅?；饒?chǎng)影像如圖1所示。

圖1 不同時(shí)間的火災(zāi)區(qū)的影像

2.2 迭代加權(quán)多元檢測(cè)算法的植被變化檢測(cè)

通過(guò)計(jì)算火災(zāi)前后的歸一化植被指數(shù)的遙感影像后，利用迭代加權(quán)多元檢測(cè)算法(IR-MAD)進(jìn)行火災(zāi)前后的植被變化檢測(cè)。通過(guò)變化檢測(cè)火災(zāi)前后植被的變化像元，分離出健康植被與受災(zāi)植被，制作出植被受損專題圖。

歸一化植被指數(shù)：反映土地覆蓋植被狀況的遙感指標(biāo)，也是反映植被長(zhǎng)勢(shì)和營(yíng)養(yǎng)信息的重要參數(shù)[9]。通過(guò)計(jì)算火災(zāi)前后的歸一化植被指數(shù)，能夠?yàn)橛行гu(píng)估植被受損區(qū)域提供支持。遙感影像中，歸一化植被指數(shù)的計(jì)算公式為：INDVI=(NR-R)/(NR+R)。式中，NR為近紅外波段的反射值，R為紅光波段的反射值。

迭代加權(quán)多元檢測(cè)算法(IR-MAD)：多元變化檢測(cè)算法(MAD)[10]其數(shù)學(xué)本質(zhì)，主要是多元統(tǒng)計(jì)分析中的典型相關(guān)分析(CCA)以及波段差值運(yùn)算，但該算法仍然不能完全改善目前多元遙感影像處理中的局限性。Canty et al.[11]在MAD算法的基礎(chǔ)上，并提出了迭代加權(quán)多元檢測(cè)算法。IR-MAD是一種檢測(cè)多元影像變化的方法，具有準(zhǔn)確的獲取變化信息以及受外界因素影響較小的特點(diǎn)，因此，在多元影像檢測(cè)變化中被廣泛應(yīng)用[12]。IR-MAD核心思想是每個(gè)像元初始權(quán)重為1，每一次迭代均賦予2幅影像中每個(gè)像元新的權(quán)重，通過(guò)計(jì)算，未發(fā)生變化的像元具有較大的權(quán)重，最終得到的權(quán)重是決定各個(gè)像元是否發(fā)生變化的依據(jù)。經(jīng)過(guò)若干次迭代后，每個(gè)像元的權(quán)重會(huì)趨于穩(wěn)定，直到變化小于設(shè)定的閾值或不再變化則停止迭代。研究證明，IR-MAD通過(guò)迭代更新權(quán)值，得到的變化區(qū)域更精確，噪聲更少，能夠更好地將變化信息從非變化區(qū)域中提取出來(lái)[13]。

2.3 追蹤識(shí)別提取算法

采用差分歸一化燃燒比和追蹤識(shí)別提取算法對(duì)研究區(qū)進(jìn)行火燒跡地面積的提取。

采用差分歸一化燃燒比：采用差分歸一化燃燒比是在歸一化燃燒比方法的基礎(chǔ)上建立的[14]。通常運(yùn)用差分歸一化燃燒比和歸一化燃燒比生成森林大火燃燒后的圖像，可以獲得對(duì)燃燒嚴(yán)重性的初步評(píng)估數(shù)據(jù)，并支持現(xiàn)場(chǎng)救災(zāi)工作。本文采用差分歸一化燃燒比對(duì)受災(zāi)區(qū)域制作火災(zāi)等級(jí)分布專題圖[15]。差分歸一化燃燒比和歸一化燃燒比的計(jì)算公式為：INBR=(NR-SR)/(NR+SR)；IdNBR=IF-IP。式中，INBR為歸一化燃燒比，IdNBR 為差分歸一化燃燒比，NR為近紅外波段的反射值，SR為短波紅外波段的反射值，IF為災(zāi)區(qū)火災(zāi)前的歸一化燃燒比，IP為火災(zāi)后的歸一化燃燒比。

運(yùn)用目標(biāo)追蹤識(shí)別提取算法能夠進(jìn)行追蹤影像中所有連通區(qū)，并根據(jù)閾值提取目標(biāo)的面積信息，與兩邊掃描法、區(qū)域增長(zhǎng)法相比，掃描重復(fù)率低、精度高[16]。差分歸一化燃燒比和火燒跡地面積追蹤識(shí)別提取影像信息，是在差分歸一化燃燒比的突出燃燒區(qū)域信息基礎(chǔ)上，繼續(xù)火燒跡地信息的追蹤識(shí)別。算法原理是在差分歸一化燃燒比提取后的影像中，自主搜尋種子點(diǎn)，遍歷整幅影像；根據(jù)每個(gè)點(diǎn)的性質(zhì)判斷該點(diǎn)是否符合要求，決定種子點(diǎn)；再根據(jù)種子點(diǎn)的4-鄰域追蹤連通區(qū)域，將種子點(diǎn)的鄰域判斷結(jié)束后，確定該點(diǎn)和4-鄰域的連通性。根據(jù)火燒跡地的特有光譜信息范圍作為閾值，采用雙閾值法來(lái)分類過(guò)火區(qū)，對(duì)過(guò)火區(qū)域進(jìn)行標(biāo)記，分別計(jì)算不同連通區(qū)域面積對(duì)應(yīng)的影像中的火燒跡地面積，從而實(shí)現(xiàn)整幅影像中的火燒跡地面積一次性識(shí)別提取。主要方法流程如下：

(1)從影像的第二行第二列開(kāi)始掃描，若掃描到A點(diǎn)，先對(duì)A點(diǎn)的像素性質(zhì)進(jìn)行判斷，若符合種子點(diǎn)要求則對(duì)其鄰域進(jìn)行判別；

(2)若鄰域內(nèi)有與A點(diǎn)具有相同性質(zhì)的點(diǎn)則進(jìn)行標(biāo)記、儲(chǔ)存；

(3)4-鄰域內(nèi)像素判斷完后，將儲(chǔ)存的具有相同性質(zhì)的點(diǎn)提取出來(lái)，一個(gè)連通區(qū)域就被提取出來(lái)，表明該區(qū)域追蹤完成；

(4)接著對(duì)下一個(gè)像素進(jìn)行步驟(2)和步驟(3)，若遇到的點(diǎn)已經(jīng)被標(biāo)記則跳過(guò)；

(5)所有圖像掃描后，將所有的連通區(qū)域排列，根據(jù)火燒跡地閾值提取各個(gè)火燒跡地連通區(qū)并計(jì)算像元點(diǎn)數(shù)，將其自動(dòng)與影像分辨率相乘得出火燒跡地面積。

3 結(jié)果與分析

3.1 火災(zāi)前后植被變化檢測(cè)

如圖2所示，通過(guò)對(duì)災(zāi)前災(zāi)后的影像進(jìn)行歸一化植被指數(shù)計(jì)算得到火災(zāi)前后的兩幅影像，觀察研究區(qū)災(zāi)前(3月25日)與災(zāi)后(4月9日)的無(wú)云兩幅影像，這一時(shí)間區(qū)域跨越了整個(gè)火災(zāi)的過(guò)程，將災(zāi)前災(zāi)后的植被變化顯現(xiàn)出來(lái)。

如圖3所示，通過(guò)基于IDL語(yǔ)言編寫集成的IR-MAD功能模塊在ENVI5.4軟件中進(jìn)行加載使用，對(duì)火災(zāi)前后歸一化植被指數(shù)的影像變化進(jìn)行檢測(cè)，變化結(jié)果被認(rèn)定為受損植被；將結(jié)果影像用閾值分割進(jìn)行色彩增強(qiáng)制成專題圖，突出了健康植被與受損植被的區(qū)別，經(jīng)過(guò)統(tǒng)計(jì)受損植被像元數(shù)量為1 464 408個(gè)像素。

圖2 火災(zāi)前后NDVI影像

圖3 火災(zāi)前后植被變化影像

3.2 火燒跡地面積追蹤識(shí)別提取

采用dNBR+火燒跡地面積追蹤識(shí)別提取算法是在dNBR結(jié)果基礎(chǔ)上對(duì)火燒跡地進(jìn)行二次處理分析，并對(duì)火燒跡地面積進(jìn)行一次性快速準(zhǔn)確提取與計(jì)算。使用火災(zāi)的前中后3個(gè)時(shí)段的影像，對(duì)災(zāi)中(3月30日)、災(zāi)后(4月9日)火燒跡地的面積進(jìn)行了快速識(shí)別提取。流程為：(1)計(jì)算3個(gè)時(shí)段火災(zāi)區(qū)域影像的NBR；(2)通過(guò)計(jì)算災(zāi)前與災(zāi)中、災(zāi)后的NBR差值得到災(zāi)中(3月30日)、災(zāi)后(4月9日)dNBR影像(見(jiàn)圖4)；(3)再通過(guò)基于(2)中dNBR影像進(jìn)行火燒跡地面積追蹤識(shí)別提取，將災(zāi)中(3月30日)、災(zāi)后(4月9日)兩個(gè)時(shí)序的災(zāi)區(qū)火燒跡地面積一次性提出并計(jì)算，結(jié)果見(jiàn)圖5、圖6，圖中白色區(qū)域?yàn)榛馃E地。

圖4 災(zāi)中災(zāi)后dNBR影像

圖5 火災(zāi)等級(jí)分布專題圖

圖6 dNBR+火燒跡地面積識(shí)別提取成果影像

通過(guò)dNBR+火燒跡地面積追蹤識(shí)別提取算法進(jìn)行實(shí)驗(yàn)，提取火災(zāi)中(3月30日)火燒跡地斑塊18個(gè)，火燒跡地面積6.01 km2；提取災(zāi)后(4月9日)火燒跡地斑塊24個(gè)，識(shí)別出火燒跡地面積171.73 km2。

3.3 精度評(píng)定

采用災(zāi)后(4月14日)的Landsat-8的重采樣為10 m分辨率影像作為精度評(píng)定數(shù)據(jù)。通過(guò)計(jì)算災(zāi)后歸一化差分植被指數(shù)，并通過(guò)人工目視解譯獲取受損植被面積，以此作為實(shí)際結(jié)果進(jìn)行植被變化檢測(cè)的精度評(píng)定；同時(shí)通過(guò)多次目視解譯獲得火燒跡地典型斑塊，并與dNBR+火燒跡地面積追蹤識(shí)別提取方法結(jié)果進(jìn)行對(duì)比評(píng)價(jià)，在研究區(qū)域范圍隨機(jī)生成驗(yàn)證像元點(diǎn)，結(jié)合Landsat-8影像數(shù)據(jù)確定驗(yàn)證像元點(diǎn)的屬性值構(gòu)建混淆矩陣，計(jì)算火燒跡地面積提取精度的kappa系數(shù)。因此，采用的NDVI+IR-MAD檢測(cè)植被變化方法，NDVI+IR-MAD檢測(cè)植被變化像元數(shù)1 464 408個(gè)，實(shí)際像元數(shù)1 592 631個(gè)，檢測(cè)到受損植被精度達(dá)到91.95%；dNBR+火燒跡地追蹤識(shí)別提取火燒跡地面積171.73 km2，火燒基地實(shí)際面積為189.19 km2，提取精度90.77%，kappa系數(shù)為0.87。評(píng)價(jià)結(jié)果表明該方法具有較好的效果與精度，驗(yàn)證了方法的可靠性。

4 結(jié)論

由于西南林區(qū)的高森林覆蓋率以及冬春季節(jié)干燥風(fēng)大，每年都會(huì)發(fā)生如木里這樣的森林火災(zāi)，木里火災(zāi)是四川乃至西南林區(qū)近年來(lái)經(jīng)常發(fā)生的典型森林火災(zāi)。本文采用Sentinel-2遙感影像，以2020年3月28日四川涼山州木里縣發(fā)生的典型西南林區(qū)森林大火為例，進(jìn)行植被變化與火燒跡地提取的森林火災(zāi)反演實(shí)驗(yàn)。得出以下結(jié)論：該方法是利用所有森林火災(zāi)后都會(huì)產(chǎn)生的植被變化與火燒跡地信息來(lái)反演火災(zāi)情況，具有普適性。通過(guò)對(duì)四川木里火災(zāi)的反演，較好地證明了該方法的可行性。該方法流程能夠準(zhǔn)確分離出受損植被的區(qū)域與快速準(zhǔn)確提取計(jì)算火燒跡地像元面積，有效排除其他噪聲的干擾，且精度較高；能夠?qū)λ谢馂?zāi)區(qū)域進(jìn)行災(zāi)后快速評(píng)估，提供植被變化與火燒跡地的參考數(shù)據(jù)，反演整個(gè)森林火災(zāi)的時(shí)空發(fā)展過(guò)程。根據(jù)木里地區(qū)的良好的遙感反演情況，也證明了該方法能夠判斷出火災(zāi)的發(fā)展勢(shì)態(tài)，為森林火災(zāi)的安全撲救提供現(xiàn)實(shí)參考。