（中南林業(yè)科技大學(xué)林學(xué)院，湖南 長(zhǎng)沙 410004）

衛(wèi)星遙感是在大時(shí)空范圍內(nèi)監(jiān)測(cè)森林火災(zāi)最有效的方法[1]。在準(zhǔn)確獲取森林火災(zāi)實(shí)時(shí)信息的時(shí)效性方面，氣象衛(wèi)星遠(yuǎn)高于高空間分辨率衛(wèi)星[2]。氣象衛(wèi)星分為極軌氣象衛(wèi)星與靜止氣象衛(wèi)星，多系列極軌氣象衛(wèi)星提供的空間覆蓋范圍大于靜止氣象衛(wèi)星，但極軌氣象衛(wèi)星重返周期間隔長(zhǎng)，對(duì)森林火災(zāi)的連續(xù)觀測(cè)能力不足[3]。目前監(jiān)測(cè)森林火災(zāi)時(shí)間分辨率最高的是靜止氣象衛(wèi)星[4]，而風(fēng)云四號(hào)衛(wèi)星（FY4）是我國(guó)時(shí)效性最高的新一代靜止氣象衛(wèi)星。利用FY4 的高時(shí)間分辨率特點(diǎn)和第7 波段對(duì)熱源信息敏感的特性，可快速進(jìn)行森林火災(zāi)判別。目前已經(jīng)有不少學(xué)者研究新一代靜止氣象衛(wèi)星，石艷軍[5]等分析了新一代靜止氣象衛(wèi)星Himawari-8 和FY4 在林火監(jiān)測(cè)的優(yōu)勢(shì)，F(xiàn)atkhuroyan[6]等利用Himawari-8 遙感數(shù)據(jù)檢測(cè)印度尼西亞的森林火災(zāi)，謝字希[7]利用時(shí)空上下文法對(duì)Himawari-8 遙感數(shù)據(jù)進(jìn)行火點(diǎn)探測(cè)研究，本文采用FY4 作為數(shù)據(jù)源，使用最小距離模型（Min dist）、馬氏距離模型（Maha dist）、支持向量機(jī)（SVM）、決策樹模型（Decision tree）進(jìn)行森林火災(zāi)判別，并利用中國(guó)森林防火網(wǎng)森林火災(zāi)數(shù)據(jù)對(duì)4 個(gè)模型進(jìn)行精度驗(yàn)證。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

貴州省地處中國(guó)西南腹地（103°36′～109°35′E、24°37′～29°13′N），全省92.5%的面積為丘陵與山地，是全國(guó)唯一沒有平原的省份。貴州省屬亞熱帶濕潤(rùn)季風(fēng)氣候，受大氣環(huán)流和地形的影響，氣候多樣且極不穩(wěn)定，災(zāi)害性天氣頻發(fā)。貴州省森林面積1 004 萬hm2，森林蓄積量4.68億m3，森林覆蓋率達(dá)到了57%，根據(jù)中國(guó)森林防火網(wǎng)2008—2018 統(tǒng)計(jì)數(shù)據(jù)顯示貴州省森林火災(zāi)年均發(fā)生次數(shù)為505 起，其中森林火災(zāi)最多時(shí)一天之內(nèi)達(dá)到54 起，是森林火災(zāi)多發(fā)省份。

1.2 數(shù)據(jù)獲取與預(yù)處理

FY4 遙感數(shù)據(jù)來自國(guó)家氣象衛(wèi)星中心官網(wǎng)（http://www.nsmc.org.cn/），森林火災(zāi)驗(yàn)證的數(shù)據(jù)來自中國(guó)森林防火網(wǎng)。30 個(gè)云、水體、林地、火點(diǎn)樣本，通過風(fēng)云四號(hào)衛(wèi)星天氣應(yīng)用平臺(tái)的云圖探針統(tǒng)一進(jìn)行采集，其中火點(diǎn)樣本數(shù)據(jù)由中國(guó)森林防火網(wǎng)森林火災(zāi)數(shù)據(jù)提供位置，其它樣本通過目視解譯進(jìn)行判讀。

FY4 遙感數(shù)據(jù)經(jīng)過投影轉(zhuǎn)換將標(biāo)稱投影轉(zhuǎn)化成WGS84 大地坐標(biāo)，以消除投影偏差[8]；經(jīng)過輻射定標(biāo)建立數(shù)字量化值與輻射亮度值的關(guān)系，以消除傳感器自身誤差；根據(jù)FY4 光譜響應(yīng)數(shù)據(jù)，經(jīng)過大氣校正消除大氣影響，反演出地表反射率[9]。消除誤差后將FY4 遙感數(shù)據(jù)的DN 值轉(zhuǎn)化成比輻射率值，再按照普朗克公式的轉(zhuǎn)化式將FY4 遙感數(shù)據(jù)的B7～B14 波段的比輻射率值轉(zhuǎn)化為亮溫。

1.3 最優(yōu)波段組合篩選方法

通過對(duì)FY4 遙感數(shù)據(jù)的14 個(gè)波段進(jìn)行火點(diǎn)樣本的波段特征、波段間相關(guān)系數(shù)、波段組合OIF指數(shù)計(jì)算，分析典型地物光譜曲線，篩選出判別森林火災(zāi)最優(yōu)的波段組合，最后采用支持向量機(jī)對(duì)所選波段組合進(jìn)行精度驗(yàn)證[10]。

1）波段間相關(guān)系數(shù)計(jì)算公式如下：

2）OIF 指數(shù)是利用波段數(shù)據(jù)作為波段最優(yōu)組合選擇的數(shù)學(xué)模型[11]，計(jì)算公式如下：

式中：Si表示第i個(gè)波段的標(biāo)準(zhǔn)差；Rij表示第i、j兩波段的相關(guān)系數(shù)，n表示波段組合個(gè)數(shù)。

3）利用云圖探針采集的樣本數(shù)據(jù)進(jìn)行典型地物光譜分析，觀察波段之間地物的可分離性與火點(diǎn)的光譜特征，進(jìn)一步篩選最優(yōu)的波段組合。

4）利用ENVI 軟件對(duì)OIF 指數(shù)排名前10 的波段組合通過支持向量機(jī)（SVM）計(jì)算其地物的分類精度，驗(yàn)證OIF 指數(shù)篩選出的波段組合是否為最優(yōu)波段組合。

1.4 光譜指數(shù)

在進(jìn)行決策樹模型構(gòu)建時(shí)，需要對(duì)地物進(jìn)行判別，從而構(gòu)建決策樹的判別規(guī)則。利用不同地物的光譜指數(shù)，可有效的進(jìn)行地物判別。

1）CDI（Cloud detection index）云檢測(cè)指數(shù)，B12 波段反映地表溫度，B9 波段反映云層溫度，通過B12 和B9 波段的溫度差檢測(cè)出云層，再結(jié)合B2 波段地物反射率可進(jìn)行云檢測(cè)。地面溫度在300 K 左右，云上溫度在270 K 以下，云層的B2波段反射率大于0.1，所以云層的CDI 指數(shù)小于300[12]。CDI 數(shù)值不是一成不變，可以根據(jù)地表溫度而適當(dāng)調(diào)小，CDI 云指數(shù)公式如下：

式中：T12、T9為FY4 的B12，B9 波段亮溫，ρ2為B2 波段反射率。

2）NDVI（Normalized difference vegetation index）歸一化植被指數(shù)，NDVI的取值范圍在[-1,1]，當(dāng)NDVI 為負(fù)值，地物類型為云、水、雪；當(dāng)NDVI 為零，地物類型為巖石或裸土，以上數(shù)值可以判讀為不可能監(jiān)測(cè)到森林火災(zāi)；當(dāng)NDVI 為正值，表示有植被覆蓋，且數(shù)值越大植被覆蓋度越高，林地的NDVI 大于0.3[7]，公式如下：

式中：ρ2、ρ3為FY4 的B2，B3 波段反射率。

3）NDWI（Normalized difference water index）歸一化水體指數(shù)，NDWI 比NDVI 在水體監(jiān)測(cè)上判別精度更高，可以在復(fù)雜環(huán)境中分離出水體，公式如下：

式中：ρ3、ρ4為FY4 的B3，B4 波段反射率。

1.5 模型構(gòu)建原理

1.5.1 統(tǒng)計(jì)學(xué)模型

最小距離模型（Minimum distance 縮寫Min dist）是通過訓(xùn)練樣本數(shù)據(jù)計(jì)算每一類樣本的均值向量和標(biāo)準(zhǔn)差向量，以均值向量作為該類樣本在特征空間中的中心位置，判斷待檢像元到各類樣本中心的距離，到哪一類樣本中心的距離最小，該像元就歸入到哪一類。馬氏距離模型（Mahalanobis distance 縮寫Maha dist）是待檢像元到各訓(xùn)練樣本的協(xié)方差距離，最終協(xié)方差距離最小的，即為此類別[13]。

1.5.2 支持向量機(jī)

支持向量機(jī)（Support vector machine 縮寫SVM）是一種建立在機(jī)器學(xué)習(xí)理論基礎(chǔ)上的神經(jīng)網(wǎng)絡(luò)模型。其對(duì)應(yīng)的映射函數(shù)將樣本空間映射至無限維空間，并在這個(gè)空間將非線性問題轉(zhuǎn)化為特征空間中的線性可分問題。其實(shí)現(xiàn)關(guān)鍵在于核函數(shù)，本文采用徑向基函數(shù)核也被稱為高斯核，函數(shù)為：可以將樣本與樣本之間的間隔最大化[14]。

1.5.3 決策樹模型

決策樹模型（Decision tree）是一種樹形結(jié)構(gòu)，在根節(jié)點(diǎn)上存放規(guī)則，在葉節(jié)點(diǎn)上存放判別結(jié)果。通過專家經(jīng)驗(yàn)總結(jié)、簡(jiǎn)單數(shù)學(xué)統(tǒng)計(jì)和歸納方法，獲得判別規(guī)則，利用對(duì)遙感影像數(shù)據(jù)及其他空間數(shù)據(jù)規(guī)則的輸入達(dá)到盡可能將判別結(jié)果分開的目的[15]。決策樹模型最大的特點(diǎn)是可以利用多源數(shù)據(jù)，難點(diǎn)是判別規(guī)則的獲取。規(guī)則的獲取可以來自經(jīng)驗(yàn)總結(jié)，也可以通過統(tǒng)計(jì)的方法從樣本中計(jì)算。

1.6 模型精度評(píng)價(jià)方法

對(duì)于模型精度的評(píng)價(jià)運(yùn)用判別精度（D）、多分誤差（M）、漏分誤差（O），其公式分別為：

式中：yj為實(shí)測(cè)數(shù)，yi為正確預(yù)測(cè)數(shù)、xi為多分?jǐn)?shù)、Zi為漏分?jǐn)?shù)。

2 結(jié)果與分析

2.1 最優(yōu)波段組合篩選

2.1.1 波段統(tǒng)計(jì)特征

通過中國(guó)森林防火網(wǎng)森林火災(zāi)數(shù)據(jù)提供火點(diǎn)位置，利用風(fēng)云四號(hào)衛(wèi)星天氣應(yīng)用平臺(tái)的云圖探針對(duì)FY4 遙感數(shù)據(jù)的14 個(gè)波段30 個(gè)火點(diǎn)樣本進(jìn)行采集，計(jì)算得到火點(diǎn)單波段統(tǒng)計(jì)特征值（表1）。

由表1可知，火點(diǎn)單波段標(biāo)準(zhǔn)差最大的是B7波段，其次是B8 波段，數(shù)值范圍B7 波段最大，其次是B8 波段，溫度范圍最大的是B7 波段，參考官方提供的FY4 遙感數(shù)據(jù)各波段功能，可以認(rèn)定B7 波段對(duì)于火點(diǎn)反應(yīng)強(qiáng)烈。

2.1.2 波段相關(guān)系數(shù)

通過對(duì)火點(diǎn)多波段相關(guān)系數(shù)矩陣統(tǒng)計(jì)，如表2所示，可以看出（B7，B8，B12）組合的3 波段相關(guān)系數(shù)最小。當(dāng)波段相關(guān)系數(shù)超過0.9，就可認(rèn)為兩波段間的相關(guān)性極高，不需要同時(shí)參與波段組合。從表2可以看出有很多波段之間相關(guān)系數(shù)都超過0.995，波段之間相關(guān)性比較大，各波段所包含的信息之間有可能重復(fù)出現(xiàn)，為了減少數(shù)據(jù)的冗余，在進(jìn)行波段組合時(shí)應(yīng)盡量避開。

2.1.3 OIF 指數(shù)

結(jié)合波段統(tǒng)計(jì)特征與相關(guān)系數(shù)矩陣以及官方提供的波段功能可知，B7 波段對(duì)火點(diǎn)判別作用最大，火點(diǎn)只有排除虛假火點(diǎn)且地物類型為林地才能認(rèn)定為森林火災(zāi)，但所有的森林火災(zāi)在遙感影像上都是火點(diǎn)，故在篩選進(jìn)行森林火災(zāi)判別的波段組合時(shí)必須要有B7 波段的參與。通過OIF 指數(shù)計(jì)算有B7 波段參與的3 波段組合，其中OIF 指數(shù)排名前10 的波段組合見表3，這些波段組合作為最優(yōu)波段組合的候選組合。

表1 火點(diǎn)單波段數(shù)據(jù)統(tǒng)計(jì)特征值Table 1 Statistical characteristic values of fire point single band data

表2 火點(diǎn)多波段相關(guān)系數(shù)矩陣Table 2 Fire point multi-band correlation coefficient matrix

OIF 指數(shù)值與波段的標(biāo)準(zhǔn)差呈正相關(guān)，與波段間的相關(guān)系數(shù)呈負(fù)相關(guān)。波段的標(biāo)準(zhǔn)差越大，組合的相關(guān)系數(shù)越小，波段包含的信息量就越大[16]，波段間的獨(dú)立性與冗余度就越小，最后計(jì)算的OIF值就越大。因此，排除掉候選組合中兩波段間相關(guān)系數(shù)超過0.9 的波段組合，篩選出來的候選波段組合有（B7，B8，B12）、（B7，B9，B12）、（B7，B8，B11）。其中（B7，B8，B12）的OIF指數(shù)比排名第二的波段組合要高454.03。

表3 火點(diǎn)樣本不同波段組合的OIF 指數(shù)Table 3 OIF index of different band combinations of fire point samples

2.1.4 典型地物光譜分析

由于不同地物在FY4 不同波段上呈現(xiàn)的光譜特征不一樣，根據(jù)判別森林火災(zāi)地物類型選取均勻分布的云、水體、林地、火點(diǎn)像元樣本各30 個(gè)，取均值得到典型地物FY4 光譜反射率與發(fā)射率曲線（圖1）。

由圖1可知，對(duì)于地物區(qū)分度最好的波段是B7 和B8 波段，尤其是B7 波段對(duì)火點(diǎn)的光譜與其他地物區(qū)別特別明顯。所以排除掉（B7，B9，B12）波段組合，篩選出（B7，B8，B12）與（B7，B8，B11）。由圖1可知，B11 和B12 波段的火點(diǎn)與林地的光譜區(qū)別很小，說明波段受火點(diǎn)影響很小，可用來描述火點(diǎn)的背景值。自然界的正常溫度大致是300 K[17]，由于地域和季節(jié)時(shí)間的不同會(huì)有所變化，物體處于此溫度時(shí)，輻射曲線的峰值波長(zhǎng)在10.8 μm 左右，對(duì)應(yīng)FY4 遠(yuǎn)紅外波段B12 波段（表1），外加B12 波段的亮溫范圍比B11 波段更廣，與B7、B8 波段組合的OIF 指數(shù)更高，所以判別森林火災(zāi)的最優(yōu)候選波段組合是（B7，B8，B12）。

圖1 典型地物的FY4 光譜曲線Fig.1 FY4 spectral curve of typical features

2.1.5 波段組合地物分類驗(yàn)證

利用支持向量機(jī)（SVM）分類的方法對(duì)OIF指數(shù)排名前10的波段組合計(jì)算其對(duì)云、水體、林地、火點(diǎn)地物的分類精度，驗(yàn)證篩選的波段組合是否為最優(yōu)波段組合。

通過表4波段組合的支持向量機(jī)分類結(jié)果可知，（B7，B8，B12）波段組合的精度排名最高，地物分類精度為99.21%，Kappa 系數(shù)為0.855，與通過火點(diǎn)樣本的波段特征、波段間相關(guān)系數(shù)、波段組合的OIF 指數(shù)，以及典型地物光譜曲線篩選出來最優(yōu)波段結(jié)果一致，故利用FY4 遙感數(shù)據(jù)判別森林火災(zāi)最優(yōu)的波段組合是（B7，B8，B12）。

2.2 FY4 判別森林火災(zāi)的模型構(gòu)建

4 個(gè)模型中最小距離模型、馬氏距離模型與支持向量機(jī)都是通過對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練，然后通過監(jiān)督分類的方式獲取模型參數(shù)的系數(shù)，只需要選取訓(xùn)練樣本與訓(xùn)練底圖就可以得到判別結(jié)果。通過最優(yōu)波段組合篩選得出FY4 遙感數(shù)據(jù)用于判別森林火災(zāi)的最優(yōu)波段組合為（B7，B8，B12），所以（B7，B8，B12）的波段組合就是這3 個(gè)模型的訓(xùn)練底圖[18]。將各地物的30 個(gè)訓(xùn)練樣本與訓(xùn)練底圖導(dǎo)入ENVI 軟件，即可通過ENVI 軟件中的最小距離模型、馬氏距離模型、支持向量機(jī)得到火點(diǎn)的判別結(jié)果。

表4 OIF 排名前10 的波段組合SVM 分類精度值Table 4 OIF ranking top 10 band combination SVM classification accuracy value

決策樹模型的判別規(guī)則是通過云、水體、林地、火點(diǎn)四類參數(shù)進(jìn)行具體分析，將森林火災(zāi)通過層層判斷進(jìn)行篩選。森林火災(zāi)判別過程可分為云檢測(cè)、水體檢測(cè)、林地檢測(cè)、火點(diǎn)判別4 個(gè)階段?；瘘c(diǎn)判別又分成3 個(gè)階段，分別為絕對(duì)火點(diǎn)判別、時(shí)空火點(diǎn)判別與條件火點(diǎn)判別。

對(duì)各地物訓(xùn)練樣本進(jìn)行光譜指數(shù)研究，得到研究區(qū)各地物的CDI 云指數(shù)（圖2）、NDVI 植被指數(shù)（圖3）。由CDI 云檢測(cè)指數(shù)、NDVI 植被指數(shù)與NDWI 水體指數(shù)的地物特征與圖1典型地物波段特征可知，CDI 云檢測(cè)指數(shù)小于300 為云，NDVI 小于-0.1 且NDWI 大于0.1 為水體，NDVI大于0.3 為林地。

絕對(duì)火點(diǎn)判別與條件火點(diǎn)判別由Giglio 等[1]研究的上下文模型法提供參數(shù)系數(shù)，時(shí)空火點(diǎn)判別的溫度演變規(guī)律與溫度閾值分別來自Calle 等[19]的差分溫度閾值法與謝字希[7]的時(shí)空上下文法。進(jìn)行絕對(duì)火點(diǎn)判別時(shí)，當(dāng)T7（B7 波段亮溫）高于360 K時(shí)，表1中B8～B14 波段通道溫度已經(jīng)達(dá)到飽和，常態(tài)下地物溫度達(dá)不到這個(gè)亮溫，這是由地物燃燒引起，因此可以直接判別為火點(diǎn)；進(jìn)行條件火點(diǎn)判別時(shí)，當(dāng)滿足條件：（A 或B）和（C 或D）（A：T12（B12 波段的亮溫）大于320 K（夜晚為315 K）；B：T7像元值大于影像平均值與4 倍影像標(biāo)準(zhǔn)差之和；C：T7-12大于20 K（夜晚為10 K）；D：T7-12的像元值大于影像平均值與4 倍影像標(biāo)準(zhǔn)差之和），根據(jù)森林火災(zāi)輻射亮溫與背景亮溫的差異，可判別為火點(diǎn)；進(jìn)行時(shí)空火點(diǎn)判別時(shí)，根據(jù)地物溫度在常態(tài)下10～15 min 內(nèi)只能產(chǎn)生±1.5 K 的變化，當(dāng)?shù)匚锏纳郎刈兓?～15 min 內(nèi)達(dá)到5 K以上，且T7-12（B7 與B12 兩個(gè)波段的亮溫差）大于10 K，就可以認(rèn)為是火點(diǎn)。在發(fā)生森林火災(zāi)的位置只需檢測(cè)T7-12大小，就可判斷森林火災(zāi)狀態(tài)是否為連續(xù)森林火災(zāi)，當(dāng)T7-12小于10 K 時(shí)可以判斷為森林火災(zāi)熄滅。決策樹模型如圖4所示。

圖2 地物的CDI 云指數(shù)Fig.2 CDI cloud index of features

圖3 地物的NDVI、NDWI 指數(shù)Fig.3 NDVI and NDWI indexes of features

圖4 決策樹模型Fig.4 Decision tree model

圖4中，C1（云檢測(cè)）：CDI ＜300。

C2（水體檢測(cè)）：NDVI ＜-0.1 和NDWI。

C3（林地檢測(cè)）：NDVI＞0.3。

C4（絕對(duì)火點(diǎn)判別）：T7＞330 K（白天360 K）。

C5（時(shí)空火點(diǎn)判別）：滿足ΔT7-72=T7-T72＞5和T7-12=T7-T12＞10 K（白天15 K）（T72表示前期影像B7 波段亮溫，ΔT7-72表示本期影像B7 波段與前期影像B7 波段像元的亮溫差。）

C6（條件火點(diǎn)判別）：滿足條件：（A或B）和（C或D）：T12＞315 K（夜晚320 K）、B：T7＞T7b+4δT7b、C：T7-12＞ΔT7-12b+4δT7-12b、D：T7-12=T7-T12＞10 K（白天15 K）。（T7b表示背景溫度的平均值，δT7b表示標(biāo)準(zhǔn)差，ΔT7-12b表示兩個(gè)波段差的標(biāo)準(zhǔn)差，δT7-12b表示兩個(gè)波段差的標(biāo)準(zhǔn)偏差）。

利用模型判別出來的火點(diǎn)還不能稱為森林火災(zāi)，還需排除虛假火點(diǎn)，這樣篩選出來的火點(diǎn)地物類型為林地才能認(rèn)定為森林火災(zāi)。虛假火點(diǎn)包括固定熱源、水面反射、云層反射、農(nóng)用火源等[20]。如果有火點(diǎn)在3 個(gè)月內(nèi)在同一個(gè)地方反復(fù)出現(xiàn)，可以將其認(rèn)為是固定熱源；水面反射與農(nóng)用火源造成的虛假火點(diǎn)只需將火點(diǎn)疊加到地表覆蓋類型圖上，如果火點(diǎn)在水體或農(nóng)作物種植區(qū)域，則為水面反射或農(nóng)用火源造成的虛假火點(diǎn)[21]；云層反射造成的虛假火點(diǎn)需要通過云檢測(cè)，如果云層與火點(diǎn)重合，則該火點(diǎn)為云層反射所造成的虛假火點(diǎn)[22]。

最小距離模型、支持向量機(jī)、馬氏距離模型3 個(gè)模型是利用訓(xùn)練樣本進(jìn)行火點(diǎn)提取的，需要逐一排除虛假火點(diǎn)發(fā)生的情況，且得到的火點(diǎn)地物類型為林地才是森林火災(zāi)。而決策樹模型在判別規(guī)則中就已經(jīng)對(duì)地物進(jìn)行了區(qū)分，排除掉了水面反射、云層反射、農(nóng)用火源產(chǎn)生的虛假火點(diǎn)，只需再排除固定熱源產(chǎn)生的虛假火點(diǎn)，余下的火點(diǎn)都是森林火災(zāi)。

2.3 模型精度檢驗(yàn)分析

選取2019年2月6 號(hào)16 點(diǎn)34 分的貴陽省全省FY4 遙感數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，以2019年2月6號(hào)16 點(diǎn)35 分中國(guó)森林防火網(wǎng)森林火災(zāi)數(shù)據(jù)作為模型驗(yàn)證數(shù)據(jù)。4 個(gè)模型判別森林火災(zāi)的精度通過判別精度、錯(cuò)分誤差、漏分誤差進(jìn)行精度評(píng)價(jià)，精度評(píng)價(jià)結(jié)果如表5。

表5 精度分析Table 5 Precision analysis

2019年2月6 號(hào)16 點(diǎn)35 分中國(guó)森林防火網(wǎng)貴州省區(qū)域的森林火災(zāi)一共17 起，通過對(duì)比森林火災(zāi)的地理位置發(fā)現(xiàn)4 個(gè)模型的森林火災(zāi)監(jiān)測(cè)精度都超過了85%，其中最小距離模型與支持向量機(jī)漏檢2 起森林火災(zāi)，漏分誤差為11.76%，馬氏距離模型漏檢1 起森林火災(zāi)，漏分誤差為5.88%，決策樹模型的森林火災(zāi)判別精度最高，17 個(gè)驗(yàn)證森林火災(zāi)數(shù)據(jù)全部被判別出來。4 個(gè)模型的多分誤差都超過了40%，其中決策樹模型與支持向量機(jī)的多分誤差為50%，因?yàn)椴煌瑐鞲衅髋袆e森林火災(zāi)的方法不一樣，導(dǎo)致判別的森林火災(zāi)結(jié)果不一致。決策樹模型相比于中國(guó)森林防火網(wǎng)森林火災(zāi)數(shù)據(jù)一共多分出了17 起森林火災(zāi)，通過目視解譯得出這17 個(gè)多分出來的森林火災(zāi)大部分是微小森林火災(zāi)與低溫森林火災(zāi)，其中17 起森林火災(zāi)中有6 起4 個(gè)模型都判別為森林火災(zāi)。通過疊加分析發(fā)現(xiàn)支持向量機(jī)與決策樹模型對(duì)應(yīng)的森林火災(zāi)有27 起，最小距離模型與決策樹模型對(duì)應(yīng)的森林火災(zāi)有22 起，馬氏距離模型與決策樹模型對(duì)應(yīng)的森林火災(zāi)有26 起。

最小距離模型、支持向量機(jī)、馬氏距離模型3 種模型需要實(shí)時(shí)更新訓(xùn)練樣本，如果更換區(qū)域或者更換新的數(shù)據(jù)，還需要重新訓(xùn)練，模型的可移植性不強(qiáng)。決策樹模型不需要繁雜的樣本訓(xùn)練過程，只需要通過經(jīng)驗(yàn)總結(jié)得出模型根節(jié)點(diǎn)的判別條件，沒有特定的地域限制，可實(shí)時(shí)的進(jìn)行森林火災(zāi)判別，提高森林火災(zāi)監(jiān)測(cè)的時(shí)效性。利用決策樹模型進(jìn)行森林火災(zāi)判別后，繪制貴州省森林火災(zāi)空間分布圖（圖5）。

3 結(jié)論與討論

3.1 結(jié) 論

以貴州省為研究區(qū)，利用FY4 遙感數(shù)據(jù)，計(jì)算火點(diǎn)樣本的波段特征、波段間相關(guān)系數(shù)、波段組合的OIF 指數(shù)，分析典型地物的光譜曲線，最后通過支持向量機(jī)對(duì)所選組合進(jìn)行精度驗(yàn)證，篩選出森林火災(zāi)判別的最優(yōu)波段組合（B7，B8，B12）。通過云、水體、林地、火點(diǎn)各30 樣本與最優(yōu)波段組合構(gòu)建最小距離模型、馬氏距離模型、支持向量機(jī)3 種森林火災(zāi)判別模型，利用森林火災(zāi)判別規(guī)則構(gòu)建決策樹模型。以判別精度、多分誤差、漏分誤差為模型的評(píng)價(jià)指標(biāo)，對(duì)4 個(gè)模型進(jìn)行精度驗(yàn)證，得到以下結(jié)論：

1）最小距離模型、支持向量機(jī)、馬氏距離模型、決策樹模型4 個(gè)模型的森林火災(zāi)判別精度超過了85%，與謝字希[7]、陳潔等[19]、Jang[23]等研究Himawari-8 遙感數(shù)據(jù)判別森林火災(zāi)的結(jié)果是一致的，說明利用FY4 遙感數(shù)據(jù)進(jìn)行森林火災(zāi)判別是可行的。

圖5 貴州省決策樹模型森林火災(zāi)判別結(jié)果Fig.5 Forest fire distinguishing results of decision tree model in Guizhou province

2）本次研究中，4 個(gè)模型中決策樹模型判別森林火災(zāi)的精度最高，判別精度達(dá)到了100%。決策樹模型不需要繁雜的樣本訓(xùn)練過程，只需要通過經(jīng)驗(yàn)總結(jié)得出模型根節(jié)點(diǎn)的判別規(guī)則，沒有特定的地域限制，可大范圍實(shí)時(shí)的進(jìn)行森林火災(zāi)監(jiān)測(cè)。利用決策樹模型實(shí)現(xiàn)的時(shí)空火點(diǎn)判別算法比現(xiàn)階段單純的空間維度判別算法更加敏感，可有效解決中小森林火災(zāi)監(jiān)測(cè)、高溫異常點(diǎn)誤報(bào)和低溫森林火災(zāi)監(jiān)測(cè)的問題，極大提高對(duì)中小尺度森林火災(zāi)和災(zāi)害性天氣系統(tǒng)的監(jiān)測(cè)能力。

3.2 討 論

FY4 系列衛(wèi)星將提供今后20～30 a 的氣象觀測(cè)和環(huán)境監(jiān)測(cè)數(shù)據(jù)，因此利用FY4 遙感數(shù)據(jù)進(jìn)行森林火災(zāi)判別研究，在監(jiān)測(cè)范圍與時(shí)效性上，F(xiàn)Y4遙感數(shù)據(jù)一幅影像就可以覆蓋全國(guó)，每5～10 min就可以掃描一遍；在監(jiān)測(cè)精度上，決策樹模型能夠滿足森林火災(zāi)監(jiān)測(cè)要求，可提高森林火災(zāi)的實(shí)時(shí)監(jiān)測(cè)能力，為森林火災(zāi)監(jiān)測(cè)提供科學(xué)的技術(shù)支撐。但模型中云檢測(cè)的精度和區(qū)分森林火災(zāi)與動(dòng)態(tài)事件的能力還不夠完善，整個(gè)森林火災(zāi)監(jiān)測(cè)的體系也不夠完整。對(duì)于下一步可開展以下方面的研究：

1）利用中紅外波段和遠(yuǎn)紅外波段完善云檢測(cè)算法或者通過時(shí)空結(jié)合算法進(jìn)行云層的動(dòng)態(tài)檢測(cè)。其次研究一種完整有效的多時(shí)空森林火災(zāi)檢測(cè)算法對(duì)表觀異常的值進(jìn)行詳細(xì)分析，充分發(fā)揮FY4遙感數(shù)據(jù)連續(xù)實(shí)時(shí)監(jiān)測(cè)森林火災(zāi)的能力。

2）通過FY4 遙感數(shù)據(jù)和地面氣象站數(shù)據(jù)，估算地表可燃物含水量變化，再通過降雨、氣溫，地表水汽蒸發(fā)量建立可燃物狀態(tài)估測(cè)模型，為森林草原火險(xiǎn)等級(jí)做出預(yù)報(bào)。還可利用FY4 遙感數(shù)據(jù)監(jiān)測(cè)火點(diǎn)強(qiáng)度、過火區(qū)域、煙云等信息，結(jié)合森林火災(zāi)現(xiàn)場(chǎng)的可燃物分布類型、氣象觀測(cè)資料信息、高分辨率影像與地形數(shù)據(jù)建立森林火災(zāi)蔓延預(yù)測(cè)模型，為森林火災(zāi)預(yù)防和撲救提供輔助決策依據(jù)。