郟江杰++王有志++穆振娟+++張宇涵+++戴憶如

摘要： 野外森林大火每年造成巨大的經(jīng)濟(jì)損失和生態(tài)損失，利用遙感技術(shù)對(duì)森林火災(zāi)進(jìn)行監(jiān)測(cè)與災(zāi)后受災(zāi)面積的測(cè)算已成為重要的技術(shù)手段，本文使用Landsat8高分辨率的遙感影像對(duì)昆明市西山區(qū)2014年4月16日林火發(fā)生前后的植被覆蓋進(jìn)行了對(duì)比，運(yùn)用了三種不同的分類方法對(duì)西山火災(zāi)進(jìn)行了研究，統(tǒng)計(jì)出各種方法算得的過火面積，通過對(duì)比分析三種方法的優(yōu)勢(shì)與存在的問題，并對(duì)可能存在的誤差進(jìn)行分析。

Abstract： Every year， wild forest fires caused huge economic losses and ecological loss. Using remote sensing technology to monitor forest fire and estimate disaster affected area has become an important method nowadays. In this paper， Landsat 8 high spatial resolution remote sensing image were used to compare vegetation coverage before and after the forest fire on Kunming Xishan District in April 16， 2014. Three different remote sensing classification methods are used to estimate the burned area of Xishan fire， through the comparison， problems and advantages of the three methods are analyzed， and the possible reasons of errors are discussed in this paper.

關(guān)鍵詞： 過火面積；遙感；火災(zāi)

Key words： burned area；remote sensing；wild fire

中圖分類號(hào)：S762 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2017）12-0219-04

0 引言

森林是陸地生態(tài)系統(tǒng)的重要組成部分之一，對(duì)全球氣候和生態(tài)環(huán)境有重大的影響作用。森林可以極大地改善人類生存環(huán)境與維護(hù)自然生態(tài)平衡。然而，中國(guó)的森林資源十分匱乏，人均占有量不足的全球平均水平的1/4，且我國(guó)森林資源區(qū)域分布極度不均勻。除此之外，我國(guó)森林資源還經(jīng)常遭受氣候?yàn)?zāi)害、病蟲害的困擾。

野外森林火災(zāi)是造成森林破壞的主要原因之一，它不僅會(huì)給社會(huì)造成巨大的經(jīng)濟(jì)損失，而且會(huì)對(duì)土壤、野生動(dòng)物和微生物造成巨大的破壞，造成生態(tài)環(huán)境的持續(xù)惡化。據(jù)統(tǒng)計(jì)，全球森林火災(zāi)造成的經(jīng)濟(jì)損失約占全球經(jīng)濟(jì)的0.1%，部分火災(zāi)頻發(fā)國(guó)家損失甚至超過了經(jīng)濟(jì)收入的0.5%。因此，森林火災(zāi)因其原因復(fù)雜、防治難度大等原因已成為森林資源和自然環(huán)境破壞的主要威脅。及時(shí)、準(zhǔn)確、有效地監(jiān)測(cè)野生森林火災(zāi)，及時(shí)準(zhǔn)確地評(píng)估其損失，對(duì)于維護(hù)生態(tài)平衡，保護(hù)森林資源具有重要的現(xiàn)實(shí)意義。

隨著遙感技術(shù)的逐步成熟和快速發(fā)展，遙感技術(shù)因其具有高時(shí)空分辨率、覆蓋面廣、成本低等特點(diǎn)，已被廣泛應(yīng)用于野外火災(zāi)監(jiān)測(cè)和災(zāi)害評(píng)估中。不僅如此，它已成為我國(guó)大面積野外火災(zāi)監(jiān)測(cè)與過火面積估算的重要手段。

本文對(duì)比了三種常用的遙感方法：支持向量機(jī)監(jiān)督分類（SVM）、PC3閾值，和NDVI閾值，利用Landsat 8多光譜遙感數(shù)據(jù)提取昆明市西山區(qū)森林過火面積的信息（研究對(duì)象為2014年4月16日昆明市西山區(qū)森林火災(zāi)）。通過對(duì)遙感圖像的序列分析和火災(zāi)前后圖像的對(duì)比，本文分析了該區(qū)域火災(zāi)的程度并估算了森林過火面積。

1 研究對(duì)象

西山區(qū)位于昆明市西部，地理坐標(biāo)為東經(jīng)102°21°至102°45°，北緯24°'到25°'，東西寬36.8公里，南北寬為72公里。西山區(qū)靠近五華區(qū)和官渡區(qū)，毗鄰安寧市。西山森林火災(zāi)發(fā)生在2014年4月16日。

本文使用兩幅Landsat8多光譜遙感圖像數(shù)據(jù)，分別拍攝于西山森林火災(zāi)之前和之后（2013年4月20日和2014年4月23日），作為研究的基礎(chǔ)材料。這些如圖1所示。Landsat8是美國(guó)NASA于2013年發(fā)射升空的陸地衛(wèi)星（Landsat）計(jì)劃發(fā)射的第8顆衛(wèi)星，陸地衛(wèi)星主要是以地球陸地的環(huán)境與資源為探測(cè)目標(biāo)，為農(nóng)業(yè)、林業(yè)、地質(zhì)礦產(chǎn)、環(huán)境等國(guó)民經(jīng)濟(jì)各部門源源不斷地提供信息和資料。 LandSat- 8上攜帶有兩個(gè)主要載荷：OLI和TIRS。OLI陸地成像儀包括9個(gè)波段，空間分辨率為30m，其中包括一個(gè)15米的全色波段，成像寬幅為185×185km。

2 研究方法

2.1 支持向量機(jī)監(jiān)督分類（SVM）

由于Landsat 8多光譜圖像具有11條波段，因此尋找最佳的波段組合來表示森林火災(zāi)在數(shù)據(jù)處理中顯得尤為重要。經(jīng)過多次實(shí)驗(yàn)，我們最終將波段5（NIR，0.85-0.88μm），波段4（Red，0.64-0.67μm）和波段3（Green，053-0.59μm）組合為假彩色影像地圖，反映森林火災(zāi)之前和森林火災(zāi)后的地表用地變化。

然后通過目視解譯選擇陸地衛(wèi)星圖像的訓(xùn)練樣本和測(cè)試樣本，利用谷歌地球上更高分辨率的圖像進(jìn)行協(xié)助?；蛟诎l(fā)生前，圖像主要有四個(gè)土地覆蓋類別：水，植被，不透水和裸露的土地，森林火災(zāi)之后，我們添加了另外的類別——過火區(qū)域。經(jīng)過支持向量機(jī)的監(jiān)督分類，得到了西山的過火區(qū)域，然后對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)，得到分類結(jié)果的可靠性。

2.2 PC3閾值法

陳等人[2]用PC3閾值的方法提取森林火燒跡地信息在火災(zāi)后的TM 5羅源縣形象。主成分分析（PCA）方法又稱K-L變換，它將高相關(guān)多波段圖像中的有用信息轉(zhuǎn)化為一些無關(guān)的主成分圖像，從而大大減少了總數(shù)據(jù)量，增強(qiáng)了圖像信息量。

在對(duì)波段1，波段2，波段3，波段4，波段5，波段7進(jìn)行 K-L變換后，陳等人發(fā)現(xiàn)第三主成分（PC3）可以增強(qiáng)過火區(qū)的信息。PC3成分表達(dá)式的原始6個(gè)波段的非線性方程：

值=0.104 *波段 1 + 0.321 *波段2 + 0.072 * 波段3 + 0.788 *波段4-0.004 *波段5-0.509 *波段7

在我們的研究中，我們利用Landsat 8 OLI圖像為數(shù)據(jù)源，與TM 5圖像波段的名字是不同的。所以我們研究的方程式是：

值=0.104 *波段2 + 0.321 *波段3 + 0.072 *波段4 + 0.788 *波段5 - 0.004 *波段6 - 0.509 *波段7

公式表明，波段5和波段7的系數(shù)較高，波段5的系數(shù)為正，而波段7系數(shù)為負(fù)。從原始圖像中可以看出，燃燒區(qū)域的反射率在波段5是低的，而在波段7是相對(duì)高的。因此，在PC3閾值在確定過火區(qū)域是有利的，因?yàn)樗梢蕴岣呷紵齾^(qū)的信息，盡量減少干擾其他特征信息。

2.3 NDVI閾值法

ENVI軟件可用于計(jì)算圖像的NDVI指數(shù)（歸一化植被指數(shù)）。歸一化植被指數(shù)的范圍從1到1，負(fù)值表明地面上覆蓋著云、水、雪，0值代表的地區(qū)都是巖石或裸露的土壤，由于近紅外波段和紅光波段大致與裸土和巖石類似。當(dāng)NDVI值為正，該地區(qū)被植被所覆蓋，隨著植被覆蓋的增加，NDVI值也會(huì)增加。NDVI圖像如圖2所示。

把原始圖像轉(zhuǎn)換成植被指數(shù)NDVI圖像之后，進(jìn)行歸一化處理，在林區(qū)過火區(qū)域植被指數(shù)明顯不同與植被覆蓋較好的地區(qū)。然后應(yīng)用決策樹方法將這兩幅土地圖像劃分為兩類土地利用（植被和非植被）。分類后，變化檢測(cè)工具是用來比較兩個(gè)圖像之間的差異，對(duì)過火面積的的統(tǒng)計(jì)也在這一過程中進(jìn)行計(jì)算。

3 研究結(jié)果

3.1 支持向量機(jī)分類監(jiān)督分類結(jié)果

圖3顯示了西山森林大火前后圖像的分類結(jié)果。中間深色區(qū)域是被燒毀的區(qū)域，在這個(gè)圖像中與其他類明顯不同。

結(jié)果表明，2013年4月20日的分類結(jié)果總體準(zhǔn)確率為96.6252%，Kappa系數(shù)為0.9480。2014年4月23日分類結(jié)果總體準(zhǔn)確率為97.4164%，Kappa系數(shù)為0.9652。的混淆矩陣顯示，不透水表面分類結(jié)果的準(zhǔn)確性相對(duì)低于其他類別，植被和過火面積分類的結(jié)果的準(zhǔn)確性更好并接近100%。支運(yùn)用持向量機(jī)監(jiān)督分類計(jì)算過火面積，從直方圖的分類結(jié)果來看，過火區(qū)域面積為1089.18公頃。

3.2 PC3閾值法分類結(jié)果

在圖4左圖中，過火區(qū)域在PC3圖像中顯示為暗像元， PC3數(shù)據(jù)的值范圍從4464.94到22893.44。經(jīng)過不斷調(diào)整，PC3的閾值設(shè)為7687，低于7687的像元表示過火區(qū)域，高于7678的像元?jiǎng)t為其他區(qū)域，圖4右圖展示出分類結(jié)果。根據(jù)PC3閾值法結(jié)果的統(tǒng)計(jì)，燒傷區(qū)面積為1051.2公頃。

3.3 NDVI閾值法分類結(jié)果

根據(jù)不同的土地覆蓋類型顯示不同的NDVI值，實(shí)驗(yàn)使用決策樹進(jìn)行分類，通過反復(fù)調(diào)整NDVI值達(dá)到最佳的分類結(jié)果，最后確定0.232是第一個(gè)圖像的最佳閾值。當(dāng)NDVI大于0.232，土地覆蓋類型分為植被。同樣，第二個(gè)圖像的閾值為0.248。圖5是火災(zāi)前后決策樹分類的結(jié)果。

對(duì)兩個(gè)結(jié)果進(jìn)行變化檢測(cè)后發(fā)現(xiàn)，由于季節(jié)變化。一些周邊植被成為其他類型的土地利用和一些轉(zhuǎn)向植被。因此，我們的地圖大小調(diào)整為170 * 170像素地圖完全覆蓋整個(gè)燒傷面積，用于排除干擾。以下圖像顯示了重新裁剪后的分類結(jié)果（見圖6）。經(jīng)過變化檢測(cè)后結(jié)果顯示（見表4），過火面積占整個(gè)圖像的14363像素，實(shí)際過火面積為1292.67公頃。

4 結(jié)果分析

PC3閾值方法性能總體更優(yōu)，用PC3閾值法得到區(qū)域的面積相當(dāng)接近于支持向量機(jī)監(jiān)督分類的結(jié)果。然而，仍然存在一些問題。

首先，比較PC3閾值法的分類結(jié)果與原始圖像可以發(fā)現(xiàn)，過火面積的邊緣容易被誤分為未燃區(qū)。森林火災(zāi)在邊緣區(qū)域不如中部地區(qū)那么嚴(yán)重，所以過火區(qū)域的像元可能會(huì)與未著火的區(qū)域像元有一定程度的混合。

其次，一些其他像元誤被歸類為過火面積。根據(jù)監(jiān)督分類結(jié)果，這些錯(cuò)分像元一般零星分布位于水域和植被（林）區(qū)。這些零星像素的植被被歸類為燒傷面積的原因可能是，是在這些地點(diǎn)的植被正遭受嚴(yán)重的植物病蟲害，這種情況可能會(huì)導(dǎo)致植被葉綠素含量變低，從而在近紅外波段（波段5）的反射率將低于健康植被。對(duì)于被劃分為過火面積的水體的像元，在近紅外波段（5波段）的反射率與過火區(qū)域相當(dāng)。因此，使用P C3組件為代表的原有的6波段的線性無關(guān)的方程后，對(duì)水的像素值和燒傷面積的差異可能很小，有些水域可誤分為過火區(qū)域。

對(duì)NDVI閾值法的結(jié)果，利用NDVI得到的的過火區(qū)域比監(jiān)督分類和PC3閾值結(jié)果相對(duì)較高。

一個(gè)可能的原因是一些土地的樹木分布稀疏或像素結(jié)合植被和非植被區(qū)，所以他們的NDVI不夠高，這些地區(qū)可能很容易被歸類為非植被區(qū)。另一種假設(shè)的原因是，雖然面積小，但也有一些地區(qū)是由于季節(jié)變化，原來的植被覆蓋逐漸變成裸露的土壤，而不是受森林火災(zāi)的影響。這兩個(gè)原因可以導(dǎo)致植被到非植被的像元增加。

5 結(jié)論

利用支持向量機(jī)監(jiān)督分類方法、PC3閾法和NDVI閾值法從Landsat 8多光譜遙感數(shù)據(jù)中提取信息并估算昆明西山區(qū)森林火災(zāi)的過火面積在，結(jié)果分別為1089.18公頃， 1051.2公頃和1292.67公頃。PC3閾值方法獲得的過火區(qū)域的面積相當(dāng)接近支持向量機(jī)監(jiān)督分類的結(jié)果，而用NDVI閾值法獲得的過火區(qū)域面積比監(jiān)督分類和PC3閾值結(jié)果相對(duì)較高。

比較不同類型的森林覆蓋面積估算方法，有助于提高森林植被調(diào)查結(jié)果的準(zhǔn)確性，維護(hù)生態(tài)平衡和保護(hù)森林資源。

參考文獻(xiàn)：

[1]Jiao Lin lin， et al. Using TM to Validate Burnt Area of Large Forest Fires Based on MODIS： A Study in Heilongjiang Province.

[2]CHEN， Ben-qing， and Han-qiu XU. The application of remote sensing in extraction of forest burnt scar information [J]. Journal of Fuzhou University （Natural Sciences Edtion） ，2001（2）： 006.

[3]張兵，韋銳，宋昆侖&趙彥博.基于 TM8 遙感影像的森林火災(zāi)監(jiān)測(cè)與過火面積測(cè)算[J].礦山測(cè)量，2015（3）：75-78.

[4]Chuvieco， Emilio， and Russell G. Congalton. Application of remote sensing and geographic information systems to forest fire hazard mapping[J]. Remote sensing of Environment，1989，29 （2）： 147-159.

[5]Chuvieco， Emilio， et al. "Development of a framework for fire risk assessment using remote sensing and geographic information system technologies[J]. Ecological Modelling，2010，221（1）： 46-58.

[6]Yan， Gao， et al. "Comparison of pixel-based and object-oriented image classification approaches—a case study in a coal fire area， Wuda， Inner Mongolia， China[J]. International Journal of Remote Sensing，2006，27 （18）： 4039-4055.

[7]Roy， D. P.， et al. Prototyping a global algorithm for systematic fire-affected area mapping using MODIS time series data[J]. Remote sensing of environment，2005，97（2）： 137-162.

[8]Roy， D. P.， Lewis， P. E.， & Justice， C. O.. Burned area mapping using multi-temporal moderate spatial resolution data—A bi-directional reflectance model-based expectation approach[J]. Remote Sensing of Environment， 2002，83（1）：263-286.

[9]White， Joseph D.， et al. Remote sensing of forest fire severity and vegetation recovery[J]. International Journal of Wildland Fire，1996，6 （3）： 125-136.

[10]Fraser， R. H.， Z. Li， and J. Cihlar. Hotspot and NDVI differencing synergy （HANDS）： A new technique for burned area mapping over boreal forest[J]. Remote Sensing of Environment，2000，74 （3）： 362-376.

[11]Melgani， F.， Moser， G.， & Serpico， S. B.. Unsupervised change-detection methods for remote-sensing images[J]. Optical Engineering， 2002，41（12）： 3288-3297.

[12]Kasischke， E. S.， & French， N. H.. Locating and estimating the areal extent of wildfires in Alaskan boreal forests using multiple-season AVHRR NDVI composite data[J]. Remote Sensing of Environment， 1995，51（2）：263-275.

[13]Justice， C. O.， et al. The MODIS fire products[J]. Remote Sensing of Environment， 2002，83 （1）： 244-262.

[14]San-Miguel-Ayanz， Jesus， and Nicolas Ravail. Active fire detection for fire emergency management： Potential and limitations for the operational use of remote sensing[J]. Natural Hazards，2005， 35 （3）： 361-376.

[15]Epting， Justin， David Verbyla， and Brian Sorbel. Evaluation of remotely sensed indices for assessing burn severity in interior Alaska using Landsat TM and ETM+[J]. Remote Sensing of Environment， 2005，96 （3）： 328-339.

[16]Van Wagtendonk， Jan W.， Ralph R. Root， and Carl H. Key. Comparison of AVIRIS and Landsat ETM+ detection capabilities for burn severity[J]. Remote Sensing of Environment，2004，92（3）： 397-408.