宮大鵬,李炳怡,劉曉東

北京林業(yè)大學(xué)林學(xué)院, 北京 100083

草原火是自然環(huán)境中重要的干擾因子之一[1],在全球范圍內(nèi)頻繁發(fā)生[2],因其突發(fā)性強(qiáng),破壞性大,極易導(dǎo)致草原生態(tài)的退化[3],給牧區(qū)經(jīng)濟(jì)尤其是畜牧業(yè)帶來了巨大損失[4]。據(jù)統(tǒng)計,1994—2005年間,呼倫貝爾地區(qū)年均發(fā)生草原火災(zāi)21次,年均受害草原面積高達(dá)12萬hm2,草原火災(zāi)已成為影響呼倫貝爾地區(qū)多發(fā)的自然災(zāi)害之一,因此在該地區(qū)開展草原火研究有助于揭示火干擾對草原生態(tài)系統(tǒng)各種生態(tài)過程的影響,對草原生態(tài)系統(tǒng)植被的恢復(fù)與管理具有一定的指導(dǎo)意義。

燃燒指數(shù)是通過選擇對火災(zāi)較為敏感的波段進(jìn)行組合運(yùn)算,增強(qiáng)圖像上火災(zāi)區(qū)域,可以獲取火場范圍、火燒嚴(yán)重度等信息,從而進(jìn)行遙感評估,它被廣泛用于火燒嚴(yán)重度研究[5- 9]。而基于野外調(diào)查的綜合燃燒指數(shù)(Composite Burn Index,CBI)[10]則是對遙感評估結(jié)果進(jìn)行驗證的通用方法,目前已經(jīng)成為美國林務(wù)局(US Forest Service)研究火燒嚴(yán)重度進(jìn)行野外調(diào)查的標(biāo)準(zhǔn),國內(nèi)也進(jìn)行大量嘗試研究[11- 13],但基本集中于林火烈度的評價。更多研究證明,差分歸一化燃燒率(dNBR)比歸一化燃燒率(Normalized Burn Ratio,NBR),能更好地反映林火烈度的空間分布情況[7,14- 15]。為減少過火前植被對火烈度遙感估測影響,2007年,Miller和Thode[16]提出了相對差分歸一化燃燒率(Relative differenced Normalized Burn Ratio,RdNBR),其研究結(jié)果表明RdNBR指數(shù)優(yōu)于NBR和dNBR指數(shù)。然而,Soverel等[17]在加拿大西部多個過火區(qū)的研究中發(fā)現(xiàn),與dNBR指數(shù)相比較,RdNBR指數(shù)并未帶來火烈度估測精度的提高,這說明遙感定量估測的不確定性,燃燒指數(shù)的應(yīng)用還有待進(jìn)一步研究驗證。近年來隨著遙感技術(shù)在林火領(lǐng)域應(yīng)用的成熟,部分學(xué)者基于ETM+、MODIS等數(shù)據(jù)對NBR等燃燒指數(shù)進(jìn)行改進(jìn)[18- 19],得到亮溫調(diào)整燃燒率(Normalized Burn Ratio Thermal, NBRT)、亮溫調(diào)整燃燒率第一類型(NIR-SWIR-Temperature Version 1, NSTV1)、發(fā)射率調(diào)整燃燒率第一類型(NIR-SWIR-Emissivity Version1, NSEV1)等燃燒指數(shù),研究表明火災(zāi)后熱紅外波段監(jiān)測到的亮溫升高可以改進(jìn)燃燒指數(shù),同樣能夠很好的區(qū)分火燒嚴(yán)重度。

遙感影像提取植被信息具有精度高、范圍廣和成本低等特點,因此建立基于野外實測的綜合燃燒指數(shù)(CBI)與遙感光譜指數(shù)之間的相關(guān)性來提取火燒嚴(yán)重度信息,成為林火烈度評價常用方法之一[6,8- 9,20- 21]。然而大部分研究利用單一指數(shù)進(jìn)行評價,且指數(shù)選用又不盡相同,無法確定選取的遙感評估指數(shù)是否適用于研究區(qū)域。為此,本文嘗試將適用于林火評價的燃燒指數(shù)應(yīng)用于草原火,分析不同燃燒指數(shù)識別火燒嚴(yán)重度的差異,確定適用于草原火災(zāi)分析和評價的適宜燃燒指數(shù),為火后植被恢復(fù)與管理研究提供一定的借鑒和參考。

1 研究區(qū)概況

圖1 火燒跡地位置Fig.1 Position of burned area

本研究的實驗區(qū)域位于中國內(nèi)蒙古自治區(qū)呼倫貝爾地區(qū),范圍在117°18′22″—117°40′58″E和49°21′26″—49°35′28″N之間,東西長約27.5km,南北寬28.5km,地處呼倫貝爾草原西北部,額爾古納河為界與俄羅斯接壤,海拔650—700m,坡度比較平緩。研究區(qū)屬于中溫帶大陸性草原氣候,降水量小,季節(jié)分配不均,最高、最低溫度出現(xiàn)在夏季和冬季,年平均氣溫0.7℃,年均降水量300mm左右,降水集中在7、8月份,土壤類型以栗鈣土為主。生態(tài)系統(tǒng)植被資源豐富,主要的植被群落有貝加爾針茅(Stipabaicalensis)群落,線葉菊(Filifoliumsibiricum)群落和羊草(Leymuschinensis)群落。呼倫貝爾地區(qū)春秋兩季枯枝落葉豐厚,氣候干旱,草原火頻繁發(fā)生,2015年4月16日呼倫貝爾地區(qū)新巴爾虎右旗和滿洲里交界處,發(fā)生一起草原大火,過火面積約為6000hm2(圖1)。

2 研究方法

2.1 遙感數(shù)據(jù)

本研究使用遙感數(shù)據(jù)從美國地質(zhì)調(diào)查局(United States Geological Survey,USGS)網(wǎng)站下載,經(jīng)過幾何精校正處理的L1T級別Landsat8 OLI影像。由于草地更新速度較快,火災(zāi)對草地的影響主要在火后早期[22],為保證信息提取的精確性,選取火前(2015年4月14日)和火后(2015年5月16日)相距時間最短的2景云量較少的遙感影像,軌道號為PATH125/ROW26,分辨率30m(其中全色波段分辨率15m),質(zhì)量滿足使用需求。Landsat8 OLI影像為L1T級別,經(jīng)過地面控制點和數(shù)字高程模型數(shù)據(jù)進(jìn)行精確校正,但還未進(jìn)行輻射定標(biāo)、大氣校正和影像剪裁等預(yù)處理。使用ENVI 5.2軟件對圖像數(shù)據(jù)進(jìn)行以上預(yù)處理后,利用Spectral Indices和Band math工具對預(yù)處理后的影像分別計算歸一化燃燒率(Normalized Burn Ratio, NBR)、亮溫調(diào)整燃燒率第一類型(NIR-SWIR-Temperature Version 1, NSTV1)、差分歸一化燃燒率(differenced Normalized Burn Ratio, dNBR)和相對差分歸一化燃燒率(Relative differenced Normalized Burn Ratio, RdNBR),4種燃燒指數(shù)由預(yù)處理后影像內(nèi)的不同波段計算而來,見表1。

表1 燃燒指數(shù)

NIR：近紅外,Near Infrared;LSWIR：長短波紅外,Longer Short-wave Infrared;T：亮溫/10000,Temperature/10000

2.2 綜合燃燒指數(shù)(CBI)

綜合燃燒指數(shù)(CBI)是基于野外地面調(diào)查,通過多層次多因子疊加后所求得的平均變化值。本研究結(jié)合該地區(qū)草原的演替歷史、植被類型等特征,對Key和Benson[10]的調(diào)查標(biāo)準(zhǔn)進(jìn)行改進(jìn)(表2),在每個調(diào)查樣地按垂直高度分2個層次調(diào)查：A)地表可燃物和土壤;B)草本和低矮灌木。在每一調(diào)查層都有若干個觀測變量,變量取值范圍為0—3(0代表未火燒;1代表輕度火燒;2代表中度火燒;3代表重度火燒),然后對各層的估測值加以綜合,最終求出樣點CBI平均值。根據(jù)每個樣點CBI均值,劃分為3個等級,即為輕度火燒(low severity, 0

為保證實際測得CBI和OLI遙感影像最小像元在空間位置和大小保持一致,選取30m×30m的矩形樣地進(jìn)行調(diào)查,于2015年5月中旬共獲取研究區(qū)域內(nèi)98個樣點的CBI數(shù)據(jù),將其隨機(jī)分為兩組,70個CBI樣點用于構(gòu)建回歸模型,剩余28個CBI樣點用于精度驗證(表3)。不同CBI閾值均有樣點分布,能夠滿足模型構(gòu)建和精度驗證需要。

2.3 研究方法

首先利用ENVI 5.2軟件的Spectral Indices和Band Math工具對預(yù)處理后的影像分別計算4種燃燒指數(shù)(表1)。同時利用ArcGIS 10.2軟件Spatial Analyst Tools中的Extract Value to Points工具,獲得與地面實際調(diào)查CBI樣點對應(yīng)的各燃燒指數(shù)值。而后利用SPSS 19.0工具,建立CBI值和各燃燒指數(shù)值的回歸方程,分析相關(guān)性。根據(jù)回歸方程所確定的各燃燒指數(shù)閾值,利用ENVI 5.2軟件的Color Slices工具,繪制基于各燃燒指數(shù)的草原火燒嚴(yán)重度分級圖。最后,基于CBI驗證樣點數(shù)據(jù),利用混淆矩陣進(jìn)行擬合結(jié)果的分析評價。混淆矩陣(confusion matrix)通常用于遙感影像分類后的精度評價,是通過將每個地表真實像元的位置和分類與分類圖象中的相應(yīng)位置和分類像比較計算。

表2 綜合燃燒指數(shù)(CBI)調(diào)查內(nèi)容和評價標(biāo)準(zhǔn)

A:地表可燃物和土壤,surface fuel and soil;B:草本和低矮灌木,herb and low shrub

表3 CBI樣點統(tǒng)計

3 結(jié)果和分析

3.1 燃燒指數(shù)與CBI相關(guān)性分析

基于Landsat8影像提取的燃燒指數(shù)NBR、NSTV1、dNBR和RdNBR,分別與野外調(diào)查獲取的CBI數(shù)據(jù)進(jìn)行相關(guān)性分析,結(jié)果如圖2所示。

圖2 研究區(qū)燃燒指數(shù)和CBI的相關(guān)性分析圖Fig.2 Correlation analysis plot of burn index values and CBI values in study areaNBR:歸一化燃燒率,Normalized Burn Ratio;NSTV1:亮溫調(diào)整燃燒率第一類型,NIR-SWIR-Temperature Version 1;dNBR:差分歸一化燃燒率,differenced Normalized Burn Ratio;RdNBR:相對差分歸一化燃燒率,Relative differenced Normalized Burn Ratio

(1)回歸分析結(jié)果表明,隨著綜合燃燒指數(shù)(CBI)的升高,NBR和NSTV1指數(shù)均呈現(xiàn)明顯下降趨勢,表現(xiàn)為負(fù)相關(guān)關(guān)系(圖2),相反,dNBR和RdNBR指數(shù)呈現(xiàn)上升趨勢,表現(xiàn)為正相關(guān)關(guān)系(圖2)。與譚柳霞等[7]關(guān)于林火烈度的研究結(jié)果一致。由于過火區(qū)域植被種類數(shù)量和土壤侵蝕程度存在差異,同一場火燒使得不同空間位置的生態(tài)系統(tǒng)破壞程度出現(xiàn)差異,即存活植被的類型數(shù)量越少土壤侵蝕嚴(yán)重,則生態(tài)系統(tǒng)破壞程度越高,CBI值也就越高;同理,草原火過后利用植被狀態(tài)敏感波段的光譜反射率構(gòu)建的NBR和NSTV1指數(shù),能夠在一定程度上反映火后不同空間位置存活植被的狀態(tài),存活植被數(shù)量和類型越多,NBR和NSTV1指數(shù)值越高,CBI則越低。因此,NBR和NSTV1指數(shù)與CBI之間表現(xiàn)為負(fù)相關(guān)。而dNBR和RdNBR指數(shù)是基于火前和火后兩景遙感圖像獲取的差分燃燒指數(shù),即遙感指數(shù)的減少量越大,火燒破壞程度越大,CBI值也就越高,因此,呈正相關(guān)。

(2)4種燃燒指數(shù)與CBI指數(shù)擬合結(jié)果的相關(guān)系數(shù)由大到小依次為dNBR(R2=0.856),NSTV1(R2=0.762),NBR(R2=0.749)和RdNBR(R2=0.574)。因此,dNBR值和CBI值之間的非線性正相關(guān)關(guān)系(n=70,R2=0.856)表現(xiàn)最好,說明dNBR閾值的選取對該地區(qū)草原火燒嚴(yán)重度的分類具有相對可靠性。

(3)NBR和NSTV1是基于火后一景遙感圖像獲取的單一燃燒指數(shù),而dNBR和RdNBR是基于火前和火后兩景遙感圖像獲取的差分燃燒指數(shù)。從圖2上可以看出,單一燃燒指數(shù)NBR和NSTV1變化趨勢一致,與CBI呈現(xiàn)負(fù)相關(guān),兩者對火燒嚴(yán)重度信息提取的精度相差很少(ΔR2=0.013)。而差分燃燒指數(shù)dNBR和RdNBR表現(xiàn)正相反,與CBI呈現(xiàn)均為負(fù)相關(guān),但兩者對于火燒嚴(yán)重度信息提取的精度相差很大(ΔR2=0.282),dNBR優(yōu)于RdNBR。

3.2 基于不同燃燒指數(shù)的草原火燒嚴(yán)重度分級圖

根據(jù)不同燃燒指數(shù)與CBI的相關(guān)性分析結(jié)果,獲得NBR、NSTV1、dNBR和RdNBR指數(shù)與CBI之間的回歸方程,分別為：

NBR=5.53 CBI2-98.82 CBI-29.25,R2=0.749

(1)

NSTV1=155.3 CBI2-2904 CBI-1062,R2=0.762

(2)

dNBR=-17.34 CBI2+169.00 CBI+29.97,R2=0.856

(3)

RdNBR=-109.66 CBI2+592.77 CBI+313.91,R2=0.574

(4)

根據(jù)CBI火燒嚴(yán)重度的閾值,通過回歸方程分別確定4種燃燒指數(shù)的分級閾值(表4),利用ENVI 5.2軟件Color Slices工具,分別繪制出基于不同燃燒指數(shù)的草原火燒嚴(yán)重度分級圖(圖3),用于后續(xù)擬合結(jié)果的分析評價。

表4 各燃燒指數(shù)火燒嚴(yán)重度閾值

圖3 基于不同燃燒指數(shù)的草原火燒嚴(yán)重度分級圖Fig.3 Map of fire severity based on different burn index

3.3 擬合結(jié)果評價

利用混淆矩陣可以直接計算分類后的總體分類精度、用戶精度和Kappa系數(shù)等評價指標(biāo)。

表5 基于驗證樣點的精度評價

表中未過火、輕度、中度、重度火燒對應(yīng)的精度均為混淆矩陣結(jié)果中的用戶精度(User′s Accuracy)

(1)從表5可以看出,基于dNBR指數(shù)的火燒嚴(yán)重度分級圖總體精度最高,達(dá)到82.1%,相對應(yīng)的Kappa系數(shù)也高達(dá)0.76。而RdNBR指數(shù)表現(xiàn)最差,總體精度為57.1%,Kappa系數(shù)為0.422。這一精度驗證結(jié)果與回歸分析精度R2的表現(xiàn)一致。RdNBR的提出[16],旨在減少過火前植被數(shù)量對火烈度遙感估測的影響,通常在植被類型差異比較大的情況下RdNBR的精度高于dNBR[24- 25]。對于研究區(qū)域內(nèi)以典型草原、沙生和鹽生植被為主的植被群落,相對于森林生態(tài)系統(tǒng)結(jié)構(gòu)單一,垂直變化幅度小,火燒的影響主要體現(xiàn)在植被蓋度,可燃物消耗以及土壤侵蝕等方面,因此,RdNBR在研究區(qū)域內(nèi)反而會表現(xiàn)不如dNBR,這與Soverel等[12]的研究結(jié)果一致。由此說明,遙感燃燒指數(shù)的估測能力受估測精度及其背景因素的影響較大。

(2)4種燃燒指數(shù)對于未過火區(qū)域(CBI=0)和重度火燒區(qū)域(2

(3)從圖2和圖3中可以看出,NSTV1的擬合精度為76.2%,略高于NBR的74.9%,NSTV1的火燒分級圖效果相對較好,主要原因NSTV1是在NBR的基礎(chǔ)上,使用了一個熱紅外波段,對火災(zāi)后光譜特征變化進(jìn)行非線性拉伸增強(qiáng),能更好的分離燃燒區(qū)和非燃燒區(qū)。而在精度驗證時,NBR和NSTV指數(shù)提取火燒嚴(yán)重度信息的總體精度比較接近,分別為75.0%和71.4%,NBR指數(shù)表現(xiàn)稍好,原因在于驗證樣本數(shù)量限制,不能全面系統(tǒng)的反應(yīng)整個火場的火燒嚴(yán)重度分級情況。

4 結(jié)論與討論

基于landsat8 OLI影像分別構(gòu)建4種燃燒指數(shù)(NBR、NSTV1、dNBR和RdNBR)與綜合燃燒指數(shù)(CBI)的回歸模型并進(jìn)行精度驗證,對比分析不同燃燒指數(shù)識別草原火燒嚴(yán)重度等級的能力。結(jié)果表明：對于植被相對單一的草原生態(tài)系統(tǒng),以火災(zāi)發(fā)生前后遙感指數(shù)的減少量作為火燒嚴(yán)重度評價標(biāo)準(zhǔn)的dNBR指數(shù),是草原火燒嚴(yán)重度分析與評價的適宜遙感指數(shù)。4種燃燒指數(shù)由OLI影像內(nèi)的不同波段計算獲得,而不同波段對于火燒跡地的區(qū)分度存在差異[26],因此4種燃燒指數(shù)識別不同等級火燒嚴(yán)重度的精度也存在差異,如NSTV1的火燒分級圖效果好于NBR,主要原因在于NSTV1在NBR的基礎(chǔ)上,使用了一個熱紅外波段,對火災(zāi)后光譜特征變化進(jìn)行非線性拉伸增強(qiáng),能更好的分離燃燒區(qū)和非燃燒區(qū)。與NBR、NSTV1和RdNBR相比較,dNBR指數(shù)在構(gòu)建模型(R2=0.856)和精度驗證(總體精度：82.1%)中均表現(xiàn)最好。

與譚柳霞等[7]、Musyimi等[9]關(guān)于森林火災(zāi)的研究相比,本研究中dNBR指數(shù)擬合與驗證精度更高,這與綜合燃燒指數(shù)(CBI)的野外實測有著直接關(guān)系。與森林生態(tài)系統(tǒng)相比,草原火燒嚴(yán)重度調(diào)查的層次減少,影響因子也因此更少,所以CBI與dNBR指數(shù)擬合結(jié)果更為接近。同時遙感數(shù)據(jù)源的空間分辨率也是影響模型擬合和結(jié)果驗證的重要因素。燃燒指數(shù)評估火燒嚴(yán)重度的能力由于受氣候、地形和植被類型等因素的影響,表現(xiàn)出空間異質(zhì)性,現(xiàn)階段大量研究集中于林火烈度。未來可以借助高分辨率遙感影像,結(jié)合地面調(diào)查,開展廣域尺度上草原火研究,深入研究地形、氣象、可燃物及其相互作用對火燒嚴(yán)重度空間異質(zhì)性的影響等。

參考文獻(xiàn)(References):

[1] 雒瑞森. 全球火格局的時空變異及其機(jī)理分析[D]. 杭州: 浙江大學(xué), 2013.

[2] 張正祥, 張洪巖, 李冬雪, 許嘉巍, 周道瑋. 呼倫貝爾草原人為火空間分布格局. 生態(tài)學(xué)報, 2013, 33(7): 2023- 2031.

[3] 周廣勝, 盧琦. 氣象與森林草原火災(zāi). 北京: 氣象出版社, 2009:4-5.

[4] 陳世榮. 草原火災(zāi)遙感監(jiān)測與預(yù)警方法研究[D]. 北京: 中國科學(xué)院研究生院(遙感應(yīng)用研究所), 2006.

[5] 常禹, 陳宏偉, 胡遠(yuǎn)滿, 馮玉婷, 李悅. 林火烈度評價及其空間異質(zhì)性研究進(jìn)展. 自然災(zāi)害學(xué)報, 2012, 21(2): 28- 34.

[6] Stambaugh M C, Hammer L D, Godfrey R. Performance of burn-severity metrics and classification in oak woodlands and grasslands. Remote Sensing, 2015, 7(8): 10501- 10522.

[7] 譚柳霞, 曾永年, 鄭忠. 林火烈度遙感評估指數(shù)適應(yīng)性分析. 國土資源遙感, 2016, 28(2): 84- 90.

[8] Chang Y, Zhu Z L, Feng Y T, Li Y H, Bu R C, Hu Y M. The spatial variation in forest burn severity in Heilongjiang Province, China. Natural Hazards, 2016, 81(2): 981- 1001.

[9] Musyimi Z, Said M Y, Zida D, Rosenstock T S, Udelhoven T, Savadogo P, de Leeuw J, Aynekulu E. Evaluating fire severity in Sudanian ecosystems of Burkina Faso using Landsat 8 satellite images. Journal of Arid Environments, 2017, 139: 95- 109.

[10] Key C H, Benson N C. Landscape Assessment: sampling and analysis methods//Lutes D C, Keane R E, Caratti J F, Key C H, Benson N C, Sutherland S, Gangi L J, eds. FIREMON: Fire Effects Monitoring and Inventory System. General Technical Report RMRS-GTR- 164-CD. Fort Collins, CO: U.S. Department of Agriculture, Forest Service, Rocky Mountain Research Station, 2006.

[11] 孔博, 張樹清, 張柏, 那曉東, 李曉峰, 盧曉寧. 扎龍濕地火燒嚴(yán)重度分析及火災(zāi)對丹頂鶴生境的影響. 濕地科學(xué), 2007, 5(4): 348- 355.

[12] 王曉莉, 王文娟, 常禹, 馮玉婷, 陳宏偉, 胡遠(yuǎn)滿, 池建國. 基于NBR指數(shù)分析大興安嶺呼中森林過火區(qū)的林火烈度. 應(yīng)用生態(tài)學(xué)報, 2013, 24(4): 967- 974.

[13] 楊達(dá), 吳志偉, 梁宇, 賀紅士. 林火烈度的量化指標(biāo)構(gòu)建. 林業(yè)資源管理, 2014, (6): 140- 145.

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

[15] Allen J L, Sorbel B. Assessing the differenced Normalized Burn Ratio′s ability to map burn severity in the boreal forest and tundra ecosystems of Alaska′s national parks. International Journal of Wildland Fire, 2008, 17(4): 463- 475.

[16] Miller J D, Thode A E. Quantifying burn severity in a heterogeneous landscape with a relative version of the delta Normalized Burn Ratio (dNBR). Remote Sensing of Environment, 2007, 109(1): 66- 80.

[17] Soverel N O, Perrakis D D B, Coops N C. Estimating burn severity from Landsat dNBR and RdNBR indices across western Canada. Remote Sensing of Environment, 2010, 114(9): 1896- 3219.

[18] Veraverbeke S, Harris S, Hook S. Evaluating spectral indices for burned area discrimination using MODIS/ASTER (MASTER) airborne simulator data. Remote Sensing of Environment, 2011, 115(10): 2702- 2709.

[19] Smith A M S, Drake N A, Wooster M J, Hudak A T, Holden Z A, Gibbons C J. Production of Landsat ETM+ reference imagery of burned areas within southern African savannahs: comparison of methods and application to MODIS. International Journal of Remote Sensing, 2007, 28(12): 2753- 2775.

[20] Otto R, García-del-Rey E, Muoz P G, Fernández-Palacios J M. The effect of fire severity on first-year seedling establishment in aPinuscanariensisforest on Tenerife, Canary Islands. European Journal of Forest Research, 2010, 129(4): 499- 508.

[21] Zheng Z, Zeng Y N, Li S N, Huang W. A new burn severity index based on land surface temperature and enhanced vegetation index. International Journal of Applied Earth Observation and Geoinformation, 2016, 45: 84- 94.

[22] Pereira P, Cerda A, Martin D,beda X, Depellegrin D, Novara A, Martínez-Murillo J F, Brevik E C, Menshov O, Comino J R, Miesel J. Short-term low-severity spring grassland fire impacts on soil extractable elements and soil ratios in Lithuania. Science of the Total Environment, 2017, 578: 469- 475.

[23] López-García M J, Caselles V. Mapping burns and natural reforestation using thematic Mapper data. Geocarto International, 1991, 6(1): 31- 37.

[24] Miller J D, Knapp E E, Key C H, Skinner C N, Isbell C J, Creasy R M, Sherlock J W. Calibration and validation of the relative differenced Normalized Burn Ratio (RdNBR) to three measures of fire severity in the Sierra Nevada and Klamath Mountains, California, USA. Remote Sensing of Environment, 2009, 113(3): 645- 656.

[25] Miller J D, Safford H D, Crimmins M, Thode A E. Quantitative evidence for increasing forest fire severity in the Sierra Nevada and southern Cascade Mountains, California and Nevada, USA. Ecosystems, 2009, 12(1): 16- 32.

[26] 吳立葉, 沈潤平, 李鑫慧, 楊恒. 不同遙感指數(shù)提取林火跡地研究. 遙感技術(shù)與應(yīng)用, 2014, 29(4): 567- 574.