基于植被指數(shù)的高分一號遙感影像火燒跡地提取評價

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實驗室，貴州 貴陽 550002)

森林是具有重要生態(tài)功能和經(jīng)濟功能的自然資源，但每年由于森林火災損失的森林面積巨大?；馃E地的空間分布及面積信息，對森林火災的氣候效應(yīng)研究和災后植被恢復情況研究[1-3]，生態(tài)平衡評價和保險理賠等應(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，時空分辨率高的特點，已經(jīng)廣泛應(yīng)用到森林災害監(jiān)測和評估中。

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)高分一號衛(wèi)星WFV遙感影像幅寬較寬(可達800 km)，具有較短的重返周期(和高分六號組網(wǎng)的重返周期可達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等監(jiān)督分類方法[8-11]。基于火災前后植被指數(shù)變化也是一種精度較高的方法，但局限于需要同時使用災前和災后遙感影像[12-13]。植被指數(shù)法能容易實現(xiàn)程序自動化提取，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一步提高。朱曦等[19]比較了環(huán)境一號CCD影像的NDVI、EVI、GEMI和BAI四種植被指數(shù)，發(fā)現(xiàn)BAI和GEMI對過火區(qū)的分離度更好。孫桂芬等[20]利用高分一號WFV數(shù)據(jù)對比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)的改進指數(shù)，比如BASTARRIKA等[21]利用LANDSAT衛(wèi)星的TM/ETM+改進的NBR和BAI指數(shù)構(gòu)建的算法，能顯著降低錯分率?？梢娨驗椴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)實際選取。

文中結(jié)合高分一號WFV傳感器的波段特征，計算其NDVI、EVI、GEMI和BAI指數(shù)(雖然NBR指數(shù)也具有很高的潛力，但高分一號缺少短波紅外，因而不能計算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提取火燒跡地的最優(yōu)指數(shù)，并利用最優(yōu)指數(shù)對研究區(qū)的火燒跡地進行提取。利用得到的最優(yōu)指數(shù)作為利用高分數(shù)據(jù)構(gòu)建火燒跡地自動提取系統(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)是我國重要的火險區(qū)，森林火災多發(fā)。其中，貴州森林火災多發(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：一是由于氣候因素，研究表明，森林火災發(fā)生與溫度、風向風速、相對濕度、降雨量及其后干旱時間長短有關(guān)[24]，還與火災發(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)生的一次森林火災為例進行火燒跡地提取實驗，實驗區(qū)共有2個較大范圍的過火區(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，地形復雜，這增加了火燒跡地提取的難度，對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，過火面積估計百余公頃，過火區(qū)類別比較復雜，包含了荒地、森林和灌木林等。文中選取了火災發(fā)生后獲取的高分一號WFV傳感器的16m分辨率遙感影像，為保證結(jié)果的精度，災后遙感影像盡量選擇了最接近受災時間的影像。本次獲取到的影像時間為2019年2月8日，為災后第三天。同時獲取了2019年3月3日和3月8日兩景災后日期最接近的高分二號遙感影像，用于結(jié)合高分一號數(shù)據(jù)選取驗證樣本點，利用驗證樣本點對高分一號提取的火燒跡地進行驗證。影像統(tǒng)計情況見表1，研究區(qū)位置及高分一號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、大氣校正和PRC正射校正預處理，GF2 PMS影像經(jīng)過了正射校正、全色多光譜融合、裁剪和配準預處理。遙感影像預處理完成后，選取不同地物類別的多個樣本，統(tǒng)計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)均值評價不同地物類別不同指數(shù)的表現(xiàn)。計算不同類別和火燒跡地的分離度，評價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)高分二號影像目視隨機選取的驗證樣本進行精度評價。

圖2 技術(shù)路線圖Fig.2 Study flowchart

2.2.2 指數(shù)計算

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

(1)

(2)

(3)

(4)

其中：

式中，ρBlue，ρRed，ρNir分別代表藍光、紅光和近紅外波段的反射率，分別對應(yīng)高分一號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差值，與火燒跡地像元的樣本標準差與其他類別像元的樣本標準差之和的比值[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準差。分離指數(shù)用于定量評價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)的分離程度評價。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

通過影像預處理及指數(shù)計算，得到2019年2月8日高分一號WFV影像計算的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。火燒跡地的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，實際中有可能會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，首先計算出不同類別樣本的平均值和標準差，并根據(jù)公式(5)計算不同類別樣本的分離度指數(shù)，基于高分一號WFV傳感器分析不同類別指數(shù)的分離性，通過分離度評價識別火燒跡地的最優(yōu)植被指數(shù)。通過計算，得到高分一號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 火燒跡地提取評價

以高分二號融合后的1 m分辨率影像目視提取的火燒跡地為基準，評價基于最優(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行對比(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，導致提取的范圍也會小一些。據(jù)圖5還可以發(fā)現(xiàn)，除了真正的火燒跡地以外，提取出了很多細碎的圖斑，這其中較大的兩個圖斑是煤礦場地，其余更小的圖斑則主要是荒地、農(nóng)村居民點等混合類別。

表3 精度評價混淆矩陣Table 3 Confusion Matrix

利用過火后的高分二號影像結(jié)合高分一號影像，目視隨機選取過火區(qū)和非過火區(qū)驗證樣本點分別有300個，根據(jù)驗證樣本點建立了混淆矩陣(見表3)，根據(jù)混淆矩陣計算的不同評價精度情況見表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，去掉小面積的細碎圖斑，提取出大于6.67 hm2的火燒跡地只有3個(圖6)，其中西北面那個火燒跡地實際是煤礦場地，其余2個是真實的火燒跡地，計算2個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 不同評價精度情況Table 4 Different accuracy valuation評價類型精度值/%制圖精度93.7用戶精度90.7錯分誤差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編號基于BAI指數(shù)提取面積目視識別提取面積過火區(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WFV影像數(shù)據(jù)計算了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，同時計算不同類別與火燒跡地的分離指數(shù)，評價了4種植被指數(shù)識別火燒跡地的效果，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，對實現(xiàn)自動提取具有重要作用?；贐AI指數(shù)的高分一號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，云陰影通過目視識別容易去除，但需要研究云陰影的自動識別算法將其去除才能實現(xiàn)自動提取；因為截取的是水體的平均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)差值等方法進行剔除才能得到合理的結(jié)果，要實現(xiàn)自動提取還需要進一步的研究。