孫桂芬， 覃先林， 劉樹超， 李曉彤， 陳小中， 鐘祥清

(1.中國林業(yè)科學(xué)研究院資源信息研究所國家林業(yè)局林業(yè)遙感與信息技術(shù)實驗室，北京 100091； 2.四川省林業(yè)信息中心，成都 610081)

0 引言

火災(zāi)作為森林生態(tài)系統(tǒng)的重要擾動因素，顯著地影響著植被的結(jié)構(gòu)和組成[1]。林火多發(fā)生在邊遠、山勢險峻、交通可達性低的地區(qū)，采用人工實地測算過火面積難度較大，因此遙感技術(shù)以其大面積同步觀測的優(yōu)點被廣泛地應(yīng)用于過火區(qū)識別與制圖研究中。當前，新型傳感器特別是我國國產(chǎn)高分系列衛(wèi)星的陸續(xù)發(fā)射升空，適用于新型傳感器的火燒跡地識別方法研究已成為當前火燒跡地識別的重點之一。

植被指數(shù)法是利用衛(wèi)星遙感影像識別森林火燒跡地的一種常用方法?；馂?zāi)使地表植被破壞，受災(zāi)植被在衛(wèi)星影像不同波段的反射率發(fā)生變化，其光譜曲線與正常植被光譜曲線有明顯差異，但與裸地、水體和陰影等地物的光譜曲線間的差異可能變小而產(chǎn)生混淆。大量研究表明，植被指數(shù)通過增強這種差異，能有效地用于過火區(qū)制圖[2-3]?，F(xiàn)有植被指數(shù)的種類很多，其中歸一化植被指數(shù)(normalized difference vegetation index，NDVI)、增強型植被指數(shù) (enhanced vegetation index，EVI)、全球環(huán)境監(jiān)測植被指數(shù)(global environment monitoring index，GEMI)、過火區(qū)識別指數(shù)(burned area index，BAI)和歸一化火燒指數(shù)(normalized burn ration，NBR)等5種植被指數(shù)常被用于火燒跡地識別。Veraverbeke等[4]應(yīng)用MODIS/ASTER構(gòu)建了不同的植被指數(shù)，并評估了各植被指數(shù)對過火區(qū)的分離能力； Carriello等[5]和Chuvieco等[6]評估了ETM+各個波段對火災(zāi)前后地物變化的敏感性，并選用BAI增強過火區(qū)，取得了較好結(jié)果； 朱曦等[7]利用環(huán)境減災(zāi)小衛(wèi)星星座數(shù)據(jù)評估了NDVI，BAI，EVI[8]和GEMI[9]等4種植被指數(shù)對過火區(qū)的分離性，發(fā)現(xiàn)BAI和GEMI分離性較好； Loboda等[10]基于NBR[11]創(chuàng)建了一種半自動識別方法，使用TM數(shù)據(jù)獲取過火區(qū)驗證精度較高； Bastarrika等[12]利用TM/ETM+數(shù)據(jù)采用加入短波紅外波段的NBR和改進的過火區(qū)識別指數(shù)(improved burned area index，BAIM)構(gòu)建的2階段算法，顯著降低了誤判率。

高分一號(GF-1)衛(wèi)星作為我國“十二五”民用高分專項對地觀測系統(tǒng)的首發(fā)星，自2013年9月獲取數(shù)據(jù)以來，以其高時間與高空間分辨率、多光譜和寬覆蓋等特點被廣泛地應(yīng)用于農(nóng)業(yè)、林業(yè)、國土資源和地質(zhì)災(zāi)害等領(lǐng)域。

本文結(jié)合GF-1寬幅(wide field of view,WFV)和Landsat8數(shù)據(jù)的波譜特性，通過對常用的NDVI，EVI，GEMI，BAI和NBR等5種植被指數(shù)的分離性進行研究，來探求適用于這2種數(shù)據(jù)識別火燒跡地的最優(yōu)植被指數(shù)，并采用分離性較好的植被指數(shù)對研究區(qū)的火燒跡地進行了識別，評價了典型植被指數(shù)識別火燒跡地的應(yīng)用潛力。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

表1 火燒跡地概況Tab.1 Profile of burned area

1.2 數(shù)據(jù)源及其預(yù)處理

采用的林區(qū)過火后遙感數(shù)據(jù)為GF-1 WFV，Landsat8和GF-2 數(shù)據(jù)。其中GF-1 WFV和GF-2數(shù)據(jù)從中國資源衛(wèi)星應(yīng)用中心網(wǎng)站下載，Landsat8數(shù)據(jù)從美國地質(zhì)調(diào)查局網(wǎng)站下載。為保證研究的準確性和結(jié)果的可信度，選取影像數(shù)據(jù)質(zhì)量較好的過火后最近一期影像開展研究。研究區(qū)遙感數(shù)據(jù)獲取情況如表2所示。

表2 遙感數(shù)據(jù)獲取情況Tab.2 Acquisition information of remote sensing data

對GF-1 WFV和Landsat8數(shù)據(jù)分別進行了預(yù)處理，主要包括輻射定標、FLAASH大氣校正、帶參考影像的正射校正(以Landsat8影像為參考影像、全國30 m數(shù)據(jù)高程模型(digital elevation model,DEM)為參考DEM)和圖像裁剪等。通過上述預(yù)處理，將遙感數(shù)據(jù)的DN值轉(zhuǎn)換成反射率。GF-2數(shù)據(jù)包括全色和多光譜數(shù)據(jù)，分別對其進行正射校正(采用RPC進行正射校正，以全國30 m DEM數(shù)據(jù)為參考DEM)，然后進行自動配準和圖像融合，將多光譜數(shù)據(jù)的空間分辨率提高到1 m。融合后的GF-2數(shù)據(jù)用于火燒跡地識別結(jié)果的精度驗證。

2 研究方法

2.1 典型地物光譜曲線

不同地物具有不同的光譜曲線，森林火災(zāi)中，植被的葉綠素和葉片細胞結(jié)構(gòu)遭到破壞，這使火燒跡地上的過火植被不再具有正常植被特有的光譜特征，易與裸地、水體和陰影等混淆。本文使用預(yù)處理后的GF-1 WFV和Landsat8數(shù)據(jù)，采用目視解譯的方式對4個研究區(qū)內(nèi)的典型地物選取樣本，每一類樣本數(shù)在30個以上。使用這些樣本提取典型地物在各個波段的反射率并求其平均值，匯總得到典型地物光譜曲線如圖1所示。其中正常植被、火燒跡地、裸地和道路為4個火燒跡地研究區(qū)共同具有的地物類型，耕地從陳巴爾虎旗火燒跡地提取，山體陰影和雪從雅江縣和冕寧縣火燒跡地提取，云和云陰影從鄂倫春自治旗火燒跡地提取。

(a) GF-1 WFV數(shù)據(jù)(b) Landsat8數(shù)據(jù)

圖1GF-1WFV和Landsat8影像典型地物光譜曲線

Fig.1SpectralcurvesoftypicalfeaturesinGF-1WFVandLandsat8images

2.2 技術(shù)路線

分析評價NDVI，EVI，GEMI，BAI和NBR等5種典型植被指數(shù)識別火燒跡地應(yīng)用潛力的技術(shù)路線如圖2所示。

圖2 技術(shù)流程Fig.2 Technique flow chart

2.2.1 植被指數(shù)

植被指數(shù)是根據(jù)地物波譜特征，對遙感影像波段進行線性組合，進而增強地物信息，增加地物的區(qū)分度。NDVI，EVI，GEMI和BAI是基于可見光和近紅外波段構(gòu)建的植被指數(shù)，其中BAI基于地物像元值與參考光譜值的距離，近紅外和紅光波段反射率的參考值分別為0.06和0.10，強調(diào)過火區(qū)的木炭信號。NBR是基于近紅外和短波紅外波段構(gòu)建的植被指數(shù)，利用過火區(qū)光譜反射率在短波紅外波段上升和在近紅外波段下降的特征，將過火區(qū)與其他地物分離。已有學(xué)者研究表明NBR對森林擾動的敏感性較好[14-16]。

由于GF-1 WFV只有可見光和近紅外波段，因此基于GF-1 WFV數(shù)據(jù)只計算了NDVI，EVI，GEMI和BAI； Landsat8數(shù)據(jù)具有短波紅外波段，因此計算了全部5種指數(shù)。各指數(shù)的計算公式分別為

(1)

(2)

(3)

(4)

(5)

(6)

式中ρR，ρB，ρNIR和ρSWIR分別代表遙感影像紅光、藍光、近紅外和短波紅外(SWIR2)波段的反射率。

今后幾年，河北省將全面貫徹落實《國務(wù)院關(guān)于實行最嚴格水資源管理制度的意見》，在水利部的指導(dǎo)下，學(xué)習(xí)借鑒兄弟省（直轄市、自治區(qū)）的經(jīng)驗，按照“打造亮點，突破難點，狠抓重點，大膽創(chuàng)新，全面提升”的工作思路和“可操作、可監(jiān)控、可評價、可考核”的原則，積極穩(wěn)妥地開展實行最嚴格水資源管理制度試點工作。

采用不同地物樣本提取不同地物的5種植被指數(shù)值并求其平均值，對比分析不同植被指數(shù)對火燒跡地與其他地物的區(qū)分度。

2.2.2 分離指數(shù)

分離指數(shù)能定量評價火燒跡地和其他地物植被指數(shù)的分離性。分離指數(shù)M被廣泛用于植被指數(shù)分離性評價中[17-19]，即

(7)

式中：μb和σb分別為火燒跡地像元的樣本均值和標準差；μμb和σμb分別為其他類別像元的樣本均值和標準差。M越大，火燒跡地與其他地類的分離性越大； 當M≥1時，表示分離性良好，當M<1時，表明分離性較差[20]。

3 結(jié)果與分析

3.1 火燒跡地及其他地物光譜分析

根據(jù)GF-1 WFV和Landsat8數(shù)據(jù)獲取的典型地物光譜曲線，在可見光和近紅外波段，GF-1 WFV數(shù)據(jù)獲取的各地物的光譜曲線走勢和Landsat8數(shù)據(jù)走勢基本一致，但是各個波段的光譜反射率值不同，這可能與傳感器、數(shù)據(jù)獲取時間以及太陽高度角等因素有關(guān)。在可見光和近紅外波段，雪和云的光譜反射率較高，與火燒跡地的區(qū)分度大，不易混淆； 正常植被的光譜反射率與火燒跡地反射率在可見光波段接近，但在近紅外波段正常植被的反射率遠大于火燒跡地反射率，可采用近紅外波段構(gòu)建的植被指數(shù)將火燒跡地與正常植被區(qū)分； 在可見光、近紅外和短波紅外波段，水體、山體陰影、云陰影、耕地、裸地和道路的光譜反射率值與火燒跡地光譜反射率值接近，但在光譜曲線走勢上，水體、云陰影和山體陰影在短波紅外2通道(SWIR1和SWIR2)光譜反射率均減小，裸地、耕地和道路在SWIR1波段上升，SWIR2波段減小，而火燒跡地光譜反射率在短波紅外2個波段均上升，因此采用基于短波紅外波段構(gòu)建的植被指數(shù)可將火燒跡地與這些地物區(qū)分。

3.2 火燒跡地及其他地物植被指數(shù)分析

對GF-1 WFV和Landsat8數(shù)據(jù)4個火燒跡地研究區(qū)提取的典型地物的植被指數(shù)值進行統(tǒng)計分析，結(jié)果如圖3所示。由于BAI的數(shù)值偏大，與其他植被指數(shù)值不在同一個數(shù)量級，因此對BAI進行歸一化，將其除以所有地物BAI的最大值，使BAI的取值范圍在0～1之間。

(a) GF-1 WFV數(shù)據(jù)

(b) Landsat8數(shù)據(jù)

圖3GF-1WFV和Landsat8數(shù)據(jù)提取典型地物植被指數(shù)值

Fig.3VegetationindexvaluesoftypicalfeaturesextractedbyGF-1WFVandLandsat8data

從各地物的植被指數(shù)平均值上看，由GF-1 WFV和Landsat8數(shù)據(jù)得到的不同地物的NDVI，EVI，GEMI和BAI 4種植被指數(shù)的大小關(guān)系基本一致。而NDVI，EVI和GEMI 3種植被指數(shù)對植被信息敏感，正常植被的這些指數(shù)值都最高，山體陰影和云陰影由于含有少量植被信息，因此其指數(shù)值也相對較高，易與火燒跡地區(qū)分； 云、雪、水體、裸地、道路、耕地與剛?cè)紵蟮幕馃E地相似，所含植被信息均不明顯，采用這3種指數(shù)不能很好地分離出過火區(qū)。BAI描述的各地物植被指數(shù)值的大小關(guān)系與NDVI，EVI和GEMI描述的基本相反； 其中火燒跡地的BAI值偏大，水體和山體陰影的BAI值也較大，容易造成混分，正常植被及其他地物的BAI值均較小，區(qū)分度較大。從植被指數(shù)值上看，火燒跡地的NBR為負值，而其他地物的NBR均為正值，因此NBR對火燒跡地的區(qū)分度最好。

對Landsat8得到的4個火燒跡地典型地物植被指數(shù)平均值進行對比分析，在基于可見光—近紅外構(gòu)建的植被指數(shù)中，相比于NDVI，EVI和GEMI，BAI除了容易與水體混淆外，對其他各地物的區(qū)分度都較高； 基于近紅外—短波紅外波段構(gòu)建的NBR對火燒跡地的區(qū)分度也很好，除陳巴爾虎旗NBR>1之外，其他3處火燒跡地的NBR值均為負值，而其他地物NBR值均為正值。陳巴爾虎旗火燒程度較輕，且只能獲取到火災(zāi)30 d后的Landsat8數(shù)據(jù)，由于火燒跡地內(nèi)草灌等植被恢復(fù)生長較快，造成計算出的火燒跡地的NBR值為正值，且大于耕地的NBR值，以及火燒跡地的BAI值小于耕地的BAI值。

3.3 火燒跡地及其他地物分離指數(shù)分析

統(tǒng)計火燒跡地和其他地物樣本植被指數(shù)的平均值和方差，計算分離指數(shù)M，基于GF-1 WFV和Landsat8數(shù)據(jù)分析評價各地物植被指數(shù)的分離性，并針對不同數(shù)據(jù)選取火燒跡地識別的最優(yōu)植被指數(shù)。GF-1 WFV和Landsat8數(shù)據(jù)提取的火燒跡地與其他地物分離指數(shù)M如圖4所示。

(a) GF-1 WFV數(shù)據(jù)

(b) Landsat8數(shù)據(jù)

圖4GF-1WFV和Landsat8數(shù)據(jù)提取典型地物分離指數(shù)M

Fig.4SeparabilityindexMoftypicalfeaturesextractedbyGF-1WFVandLandsat8data

從圖4(a)看出，基于過火后GF-1 WFV數(shù)據(jù)的BAI分離性較好，只有水體、山體陰影和耕地3種地物M<1，易與火燒跡地出現(xiàn)混淆； 相比于EVI和GEMI，NDVI的M≥1的更多，區(qū)分度相對較好； EVI和GEMI的M≥1的較少，不能很好地對火燒跡地進行識別。從圖4(b)看出，基于過火后Landsat8數(shù)據(jù)的BAI和NBR的分離性較好，BAI僅對水體的分離性較差，NBR只對道路和耕地容易出現(xiàn)混分； 相比于EVI和GEMI，NDVI的分離性相對較好，EVI和GEMI的分離性較差。

從各地物的M上看，云、雪和正常植被與火燒跡地的分離度較高，采用上述任一種植被指數(shù)都能將其與火燒跡地區(qū)分開； 水體、道路、耕地、山體陰影、云陰影和裸地等地物與火燒跡地的分離性較差，需要選取合適的植被指數(shù)進行區(qū)分。就植被指數(shù)分離能力而言，基于過火后GF-1 WFV和Landsat8數(shù)據(jù)提取的火燒跡地與其他地物分離指數(shù)M雖數(shù)值不同，但各植被指數(shù)對火燒跡地和其他地物的分離能力表現(xiàn)的規(guī)律基本一致。在選取的由可見光—近紅外波段構(gòu)建的4種植被指數(shù)中，BAI能更好地將火燒跡地與其他地物進行分離，NDVI的分離能力次之，EVI和GEMI分離過火區(qū)的能力較差； 而選取的基于近紅外—短波紅外波段構(gòu)建的NBR與BAI類似，同樣具有很好的分離過火區(qū)的能力。

3.4 精度驗證

GF-2遙感影像數(shù)據(jù)融合后的空間分辨率為1 m，采用目視解譯方法能很好地區(qū)分過火區(qū)和未過火區(qū)。但由于GF-2衛(wèi)星是在2014年8月發(fā)射并獲得數(shù)據(jù)，而雅江縣和冕寧縣的森林火災(zāi)發(fā)生時間分別為2014年1月和2月，因而沒有與火災(zāi)時間相近的GF-2數(shù)據(jù)可用于驗證； 而陳巴爾虎旗火燒跡地(火災(zāi)時間2017年5月)可獲得到的GF-2數(shù)據(jù)在2017年9月，已在該區(qū)域火災(zāi)之后4個月，即當年植被生長旺盛期(7—9月初)。因此，本文僅選取鄂倫春自治旗火燒跡地進行了精度驗證； 對GF-1 WFV數(shù)據(jù)采用BAI進行火燒跡地識別，對Landsat8數(shù)據(jù)分別采用NBR和BAI進行火燒跡地識別，其原始圖像及識別結(jié)果如圖5所示。使用GF-2數(shù)據(jù)采用隨機選點的方式(研究區(qū)內(nèi)隨機選取300個樣本點)結(jié)合混淆矩陣進行精度驗證，得出2種方法火燒跡地識別的精度和Kappa系數(shù)，結(jié)果如表3所示。

(a) GF-1 WFVB4(R),B3(G),B2(B)假彩色合成影像(b) Landsat8B7(R),B5(G),B3(B)假彩色合成影像(c) GF-1數(shù)據(jù)BAI識別火燒跡地結(jié)果

(d) Landsat8數(shù)據(jù)BAI識別火燒跡地結(jié)果(f) Landsat8數(shù)據(jù)NBR識別火燒跡地結(jié)果

圖5鄂倫春自治旗研究區(qū)遙感影像及識別結(jié)果

Fig.5Remotesensingimagesinstudyareaandidentificationresultsofburnedarea

表3精度評價結(jié)果

Tab.3Resultsofaccuracyevaluation

GF-1Landsat8評價指標BAINBRBAI火燒區(qū)制圖精度/%78.9561.8472.45未火燒區(qū)制圖精度/%96.5996.9294.55火燒區(qū)用戶精度/%91.4692.6886.59未火燒區(qū)用戶精度/%90.8386.7087.61總體精度/%91.0088.3387.33Kappa系數(shù)0.780.730.70

由表3的精度評價結(jié)果看出，采用NBR和BAI用于火燒跡地識別的總體精度都較高，均能達到87%以上； Kappa系數(shù)也均大于0.7，識別效果良好。

4 結(jié)論與展望

基于GF-1 WFV和Landsat8數(shù)據(jù)分析評價NDVI，EVI，GEMI，BAI和NBR等5種植被指數(shù)識別火燒跡地的潛力，對GF-1 WFV和Landsat8數(shù)據(jù)選取最優(yōu)植被指數(shù)進行火燒跡地識別，并進行精度評價。其結(jié)論如下：

1)從各地物的光譜曲線上看，在近紅外和短波紅外波段火燒跡地與其他地物的反射率差別較大，因此采用基于近紅外或短波紅外波段構(gòu)建的植被指數(shù)提取火燒跡地的結(jié)果會相對較好。

2)從植被指數(shù)平均值上看，基于近紅外─短波紅外波段構(gòu)建的NBR對過火區(qū)的區(qū)分度最好，火燒跡地的NBR均為負值(火燒程度較輕的地區(qū)除外)，其他地物為正值； BAI的區(qū)分度次之； NDVI，EVI和GEMI的區(qū)分度較差。

3)從分離指數(shù)M上看，基于近紅外—短波紅外波段構(gòu)建的NBR與BAI相同，同樣具有很好地分離過火區(qū)的能力，NDVI的分離能力次之，EVI和GEMI分離過火區(qū)的能力較差。該結(jié)論與朱曦等[7]的結(jié)論(GEMI也對過火區(qū)的分離能力較好)不同，但本文基于4個研究區(qū)開展研究，而文獻[7]只針對一個研究區(qū)，結(jié)果的偶然性較大。

4)對具有短波紅外波段的Landsat8數(shù)據(jù)，采用NBR識別火燒跡地的效果相對較好，其識別總體精度可達到88.33%，Kappa系數(shù)為0.73； 對僅具有可見光和近紅外波段的GF-1 WFV數(shù)據(jù)，采用BAI識別火燒跡地的效果較好，其識別總體精度可達到91.00%，Kappa系數(shù)為0.78。

研究中陳巴爾虎旗火燒跡地的Landsat8數(shù)據(jù)的獲取時間與火災(zāi)時間相差30 d之久，對研究結(jié)果造成一定的影響。下一步考慮采用多源數(shù)據(jù)開展研究。文中典型地物的反射率、植被指數(shù)值的平均值和分離指數(shù)M是從4個火燒跡地提取匯總得到的，因此可能會因火災(zāi)時間、影像獲取時間、地物所在海拔和緯度等因素的不同而對結(jié)果造成一定影響。另外，如何將NBR和BAI等增強地物信息的植被指數(shù)與圖像分類法相結(jié)合以提高火燒跡地識別精度也將是今后研究重點之一。