基于Sentinel-2影像的SAVI快速過火區(qū)面積提取

趙亞紅，江培華，李佳慧，郝延錦

(華北科技學院 建筑工程學院，北京 東燕郊 065201)

0 引言

1 研究區(qū)域及數(shù)據(jù)源

西昌是四川省涼山彝族自治州下轄的縣級市，位于四川省西南部安寧河谷地區(qū)101°46′E～102°25′E、27°32′N～28°10′N之間。全境海拔在1500 m以上。地形復(fù)雜多樣。屬于熱帶高原季風氣候區(qū)，夏季多雨冬季干燥，日照充足。森林資源豐富，野生植物種類繁多，其中國家第一批保護珍稀植物30余種，如攀枝花蘇鐵、棕背杜鵑、西康玉蘭等，尤以中草藥材和野生食用蕈而著名。2020年3月30日15時，四川涼山州西昌市突發(fā)森林火災(zāi)，造成了19名人員傷亡，3人受傷，過火面積直接經(jīng)濟損失9731.12萬元[15]，圖1所示為研究區(qū)域地理位置(四川省行政區(qū)劃數(shù)據(jù)來看源于中國科學院資源環(huán)境科學數(shù)據(jù)中心https：//www.resdc.cn/Login.aspx)。

圖1 四川涼山州森林大火地理位置

Sentine-2衛(wèi)星是哥白尼計劃的第二個星座衛(wèi)星，包括2A、2B兩顆衛(wèi)星，分別與2015年6月和2017年3月發(fā)射，重訪周期10天，雙星共同工作重訪周期可達到5天，同時覆蓋13個較窄光譜波段，能夠更好地區(qū)分不同地物的光譜響應(yīng)特性差異，靈敏捕捉各類物質(zhì)特征波長間的細微差異[16]，空間分辨率最高可達到10m，其影像數(shù)據(jù)是唯一一個在紅邊范圍含有三個波段的數(shù)據(jù)，這對監(jiān)測植被健康信息非常有效[7]。時間分辨率、空間分辨率優(yōu)于Landsat系列衛(wèi)星，其高分辨率使緊急救援更加容易，可以用火災(zāi)前后植被變化情況提取火燒跡地范圍并估算面積[3]，本文使用sentinel-2B衛(wèi)星火災(zāi)前后L1C級別產(chǎn)品(來源：哥白尼數(shù)據(jù)中心(Copernicus Open Access Hub)，網(wǎng)址：https：//scihub.copernicus.eu/ )，所選取盡可能地靠近火災(zāi)發(fā)生的時刻的火災(zāi)前后的兩景影像，主要數(shù)據(jù)信息見表1。影像數(shù)據(jù)處理利用SNAP軟件，結(jié)果統(tǒng)計和繪圖在ARCGIS中完成。

表1 數(shù)據(jù)源信息

2 研究方法及路線

本文提取過火區(qū)面積主要包括影像預(yù)處理、植被指數(shù)計算以及燒傷面積提取三個過程，數(shù)據(jù)及指數(shù)計算均在SNAP軟件中完成，燒傷面積提取及統(tǒng)計在ARCGIS中實現(xiàn)。具體流程如圖2所示。

圖2 流程圖

(1) 預(yù)處理

Sentinel-2B衛(wèi)星L1C產(chǎn)品是經(jīng)過正射校正和亞像元級幾何精校正后的大氣表觀反射率產(chǎn)品，未經(jīng)輻射校正的0級、1A級及1B級產(chǎn)品不提供用戶使用。本文利用歐空局開源遙感數(shù)據(jù)處理軟件SNAP中的sen2cor插件工具進行輻射定標和大氣校正處理，生成L2A級產(chǎn)品，為了比較大氣校正前后植被光譜信息的差異，本文選擇火災(zāi)前植被像素，繪制大氣校正前(L1C)和大氣校正后(L2A)的光譜曲線，如圖3所示，光譜曲線趨勢存在明顯區(qū)別，校正前影像反射率存在明顯錯誤，如可見光綠波段0.55 μm附近應(yīng)該有一個明顯的反射峰。由于Sentinel 2B衛(wèi)星影像數(shù)據(jù)有60 m、20 m、10 m三種空間分辨率，而空間分辨率影響過火區(qū)識別的精度，因此對影像數(shù)據(jù)進行重采樣至10 m空間分辨率。為了加快影像的處理速度，減少影像所占空間，在Google Earth上，勾畫出四川省涼山州西昌大火的大概區(qū)域位置，利用該矢量數(shù)據(jù)對火災(zāi)前后影像數(shù)據(jù)進行裁剪?；馂?zāi)前后影像(采用假彩色合成，植被顯示紅色)如圖4所示，很明顯可以看出火災(zāi)前后，植被光譜信息的變化。

圖3 輻射定標和大氣糾正前后光譜曲線

圖3 輻射定標和大氣糾正前后光譜曲線(續(xù))

圖4 火災(zāi)前后影像

(2) 植被指數(shù)計算

分別采用NBR、SAVI指數(shù)檢測火災(zāi)前后光譜信息的變化，利用dNBR和dSAVI提取過火區(qū)，并統(tǒng)計面積。Sentinel-2B影像數(shù)據(jù)經(jīng)過輻射和大氣糾正后，產(chǎn)生大量的波段。針對植被在紅外、近紅外波段敏感的特點，只選取Band8、Band4、Band12波段，NBR對火災(zāi)后可能發(fā)生的近紅外(NIR，Band4)和短波紅外(SWIR,band8)波段的植被、水分含量和某些土壤條件的變化特別敏感，因此使用NBR指數(shù)來檢測燃燒綠區(qū)。計算公式見式(1)，取值范圍為-1 ～ +1?；馂?zāi)前影像的NBR值范圍為-0.179 ～ 0.607，火災(zāi)后NBR范圍為-0.371～ 0.607。通過式(2)計算火災(zāi)前后NBR、dNBR，從而檢測植被覆蓋變化情況，計算結(jié)果見圖5 (c)dNBR值范圍-0.163～0.87，從dNBR結(jié)果圖中可以看出，變化區(qū)域呈現(xiàn)亮色，特征明顯。

(1)

dNBR=NBR(pre)-NBR(pos)

(2)

由于森林過火后土壤裸露較多，在低植被區(qū)紅光和近紅外光譜的反射率會受到影響，因此利用Huete提出的土壤調(diào)整植被指數(shù)(SAVI)，見式(3)，其工作原理類似于差分歸一化植被指數(shù)NDVI。利用土壤調(diào)整因子，減少土壤亮度值對紅、近紅外波段的影響，以獲取更精確的值以及準確的植被指數(shù)。

(3)

式中，L為土壤調(diào)整因子，L因子隨地表植被密度的不同而變化，取值范圍為0～1；高植被密度(L=0.25)，中等植被密度(L=0.5)，低植被密度(L=1)(Huete，1988)。L=0時SAVI等同于NDVI。實際中，最常見的植被覆蓋情況屬于中等植被覆蓋。本文中L取0.5。從大量文獻來看，國內(nèi)基于Sentienl2 數(shù)據(jù)利用SAVI進行森林過火區(qū)檢測和評估較少。火災(zāi)前后SAVI結(jié)果如圖6所示，火災(zāi)前后SAVI范圍分別為：-0.002～0.432，-0.009～0.450。從圖5可以看出，火災(zāi)前后SAVI有了較明顯的變化，過火區(qū)SAVI明顯較暗。利用火災(zāi)前和火災(zāi)后的SAVI指數(shù)結(jié)果的差異進行燒傷面積嚴重程度評估。可以得到差分土壤調(diào)整植被指數(shù)dSAVI，可以表示為

dSAVI=SAVI(pre)-SAVI(pos)

(4)

圖5 火災(zāi)前后NBR、dNBR結(jié)果

圖6 火災(zāi)前后SAVI、dSAVI結(jié)果

經(jīng)過波段運算，獲取dSAVI值范圍-0.145～0.310，從圖6中可以看出，經(jīng)過火災(zāi)前后兩景影像SAVI差值后，光譜變化信息明顯，說明dSAVI 可以有效的檢測植被發(fā)生變化的區(qū)域。dSAVI識別出的植被覆蓋變化區(qū)域在視覺上更加明顯，與背景差異更大，將更容易提取過火區(qū)范圍和面積。

(3) 兩類指數(shù)的區(qū)分度

用區(qū)分度M來表示評價各個指數(shù)波段中火燒跡地的分離性，用式(5)計算。

(5)

式中，μ1和μ2分別為火燒跡地和非火燒跡地樣本平均值；σ1和σ2為其對應(yīng)的標準差。M越大表示火燒跡地與非火燒跡地分離性越好，M大于1表示分離性良好，反之分離性較差[8]。本文選取15個樣本，分別對于火燒前林地和火燒跡地，計算樣本均值和標準差，計算得NBR和SAVI的區(qū)分度為 3.289、2.708。表明兩類指數(shù)對火燒跡地均能較好的區(qū)分，并且NBR較SAVI對火燒跡地的區(qū)分度要好。結(jié)果與文獻[17]一致。

(4) 火燒跡地提取與精度評價

提取過火區(qū)范圍最簡單方便的方法是閾值提取，閾值設(shè)置大小影響提取精度。為了更加快速獲取受災(zāi)區(qū)域范圍，提高時間響應(yīng)速率，本文采用非監(jiān)督分類方法-K-Means。利用火災(zāi)前后的兩期Sentinel 2B 衛(wèi)星影像的差值圖即dNBR和dSAVI影像圖，進行分類，然后導(dǎo)入ARCGIS進行重分類，統(tǒng)計火燒跡地像元或面積，并利用式(6)計算火燒跡地識別精度。提取火燒跡地面積分別為：2728.98公頃，2829.48公頃。提取結(jié)果如圖7所示。火燒跡地識別精度按照式(6)計算，分別達到89.54%、92.83%。

火燒跡地識別精度分析[13]為：

(6)

式中，P為火燒跡地的識別精度，Sf為火燒跡地的提取面積，S為對應(yīng)火燒跡地實際面積。

圖7 火燒跡地提取結(jié)果

3 結(jié)論

(1) 本文以2020年3月30日四川涼山州西昌森林大火為例，利用火災(zāi)前后Sentinel-2衛(wèi)星影像，采用遙感植被指數(shù)NBR、dNBR、SAVI、dSAVI，通過SNAP軟件和ARCGIS軟件處理，提取過火區(qū)面積。

(2) dNBR、dSAVI兩類指數(shù)對林地和過火區(qū)的區(qū)分度均大于1，區(qū)分度均較好；提取過火區(qū)面積分別為2728.98公頃、2829.48公頃，識別精度為89.54%、92.83%，非常接近官方報道的3047.7805公頃，結(jié)果表明SAVI同NBR一樣在過火區(qū)識別中均具有很好的性能。

(3) 在本例中Sentinel-2數(shù)據(jù)利用dSAVI提取過火區(qū)的方法，方便快捷，且提供的結(jié)果足夠精確，可以作為災(zāi)情評估和火災(zāi)后管理的輔助手段。但Sentinel-2數(shù)據(jù)屬于光學影像，受天氣影響較大。因此，在過火區(qū)識別中可以考慮SAR數(shù)據(jù)作為補充。