王金鑫 桑學鋒 劉鑫 常家軒 鄭陽 李子恒

(中國水利水電科學研究院水資源所，北京，100038)

準確評估森林火災后的損失情況對于預判林火蔓延發(fā)展態(tài)勢、組織林火撲救、安全滅火、災后重建、維護生態(tài)平衡以及保護森林資源具有現(xiàn)實意義[1]。隨著遙感技術的不斷發(fā)展，衛(wèi)星的時空分辨率的不斷提高，可以通過衛(wèi)星影像實時觀測火災過程并且提取有效信息，實現(xiàn)對森林火災的全過程進行動態(tài)反演以及災害評估。災區(qū)的植被變化與火燒跡地面積是火災反演的重要評估指標[2]。近年來，國內(nèi)外許多學者提出了基于遙感技術的火災反演評估方法，其中常用的是利用遙感影像中的光譜構造植被指數(shù)與燃燒指數(shù)來突出植被損傷區(qū)域與火災的火燒跡地面積，其原理是基于火災后植被燃燒減少和燃燒殘留物沉積這兩個變化特征。Allen et al.[3]通過Landsat TM/ETM+數(shù)據(jù)計算了火災前后的歸一化燃燒比(NBR)與差分歸一化燃燒比(dNBR)對阿拉斯加北部森林火災進行了評估； Veraverbeke et al.[4]通過Landsat TM/ETM+與MODIS數(shù)據(jù)，利用差分歸一化燃燒比對希臘2007年伯羅奔尼撒半島的森林大火進行不同時序的火災反演以及火災嚴重程度評估；Chang et al.[5]通過構建歸一化燃燒比指數(shù)對黑龍江森林大火進行了火災嚴重程度的評估；Escuin et al.[6]從LANDSAT TM/ETM圖像中分析提取的歸一化燃燒比和歸一化植被指數(shù)，對西班牙南部發(fā)生的3起森林火災進行了火災嚴重程度評估；張春桂等[7]利用分辨率250 m的 MODIS可見光數(shù)據(jù)，根據(jù)MODIS的歸一化植被指數(shù)，在火災發(fā)生前后的變化特征估算了林火面積。傳統(tǒng)方法只依據(jù)單一指數(shù)指標對火災損失進行評價，往往忽視了災區(qū)的植被損失與火燒跡地的區(qū)別；實際上，在植被損失估算中往往只計算出災后植被指數(shù)，通過目視解譯而估算植被損失，實際操作易產(chǎn)生誤差。在火燒跡地面積評估中，通過計算火燒跡地的燃燒指數(shù)來區(qū)別過火區(qū)與未過火區(qū)，對如何能夠準確快速追蹤識別與提取火燒跡地面積的方法很少有考慮。

本文基于Sentinel-2影像，以木里森林火災為例，采用基于火災前后歸一化差分植被指數(shù)、差分歸一化燃燒比(dNBR)、迭代加權多元變化檢測算法(IR-MAD)、追蹤識別提取算法等分析火災前后的植被變化和火燒跡地面積，為森林火災快速反演與評估提供數(shù)據(jù)支持。

1 研究區(qū)概況

2020年3月28日四川省涼山州木里藏族自治縣項腳鄉(xiāng)發(fā)生森林火災，火場位于木里縣東南部，西側距離木里縣城約5 km。其地理位置為101°18′～101°31′E，27°51′～28°2′N。災區(qū)位于高山峽谷地帶，森林覆蓋率高，植被多為松樹、桉樹等易燃植被，其枝葉中均含有大量油脂，且地表可燃物復雜(包括倒木、腐木、高山腐殖層、泥炭等)，一旦燃燒，會分解產(chǎn)生大量揮發(fā)性易燃氣體，導致燃燒劇烈。木里森林火災和平原、盆地、丘陵等地區(qū)不同，涼山州地處偏僻，森林植被處于的高山峽谷，給滅火工作帶來極大的挑戰(zhàn)，地面囿于視野限制，難以判斷火勢走向，衛(wèi)星“站得高看得遠”，可以快速發(fā)現(xiàn)火情，判斷火情趨勢，從宏觀的角度把握火災全貌，有利于應急救援指揮與決策。

根據(jù)涼山州氣象信息中心的數(shù)據(jù)顯示，火災期間，正值干風季節(jié)，晴熱天氣異常，連續(xù)20 d無任何降水，空氣濕度為5%～10%；特別是3月下旬已連續(xù)4 d高溫天氣，最高氣溫達到31.2 ℃，風力7～8級，火災期間全州平均溫度較歷史同期偏高2.0 ℃；全州平均降水量12 mm，木里比歷史同期減少64%的降水量。在高溫、大風和干燥氣候加持下，引起了木里特大森林火災。

2 研究方法

2.1 影像數(shù)據(jù)

Sentinel-2影像具有 13 個光譜波段，空間分辨率為10 m[8]。采用SNAP軟件對數(shù)據(jù)進行輻射定標、幾何校正、波段融合和影像裁剪。Sentinel-2在重訪周期、空間分辨率以及光譜分辨率等方面均優(yōu)于大多數(shù)遙感影像，能夠為森林火災反演評估提供更高精度的數(shù)據(jù)。本文使用Sentinel-2災前(3月25日)、災中(3月30日)、災后(4月9日)無云影像數(shù)據(jù)各2幅，Landsat-8災后(4月14日)影像一幅?；饒鲇跋袢鐖D1所示。

圖1 不同時間的火災區(qū)的影像

2.2 迭代加權多元檢測算法的植被變化檢測

通過計算火災前后的歸一化植被指數(shù)的遙感影像后，利用迭代加權多元檢測算法(IR-MAD)進行火災前后的植被變化檢測。通過變化檢測火災前后植被的變化像元，分離出健康植被與受災植被，制作出植被受損專題圖。

歸一化植被指數(shù)：反映土地覆蓋植被狀況的遙感指標，也是反映植被長勢和營養(yǎng)信息的重要參數(shù)[9]。通過計算火災前后的歸一化植被指數(shù)，能夠為有效評估植被受損區(qū)域提供支持。遙感影像中，歸一化植被指數(shù)的計算公式為：INDVI=(NR-R)/(NR+R)。式中，NR為近紅外波段的反射值，R為紅光波段的反射值。

迭代加權多元檢測算法(IR-MAD)：多元變化檢測算法(MAD)[10]其數(shù)學本質(zhì)，主要是多元統(tǒng)計分析中的典型相關分析(CCA)以及波段差值運算，但該算法仍然不能完全改善目前多元遙感影像處理中的局限性。Canty et al.[11]在MAD算法的基礎上，并提出了迭代加權多元檢測算法。IR-MAD是一種檢測多元影像變化的方法，具有準確的獲取變化信息以及受外界因素影響較小的特點，因此，在多元影像檢測變化中被廣泛應用[12]。IR-MAD核心思想是每個像元初始權重為1，每一次迭代均賦予2幅影像中每個像元新的權重，通過計算，未發(fā)生變化的像元具有較大的權重，最終得到的權重是決定各個像元是否發(fā)生變化的依據(jù)。經(jīng)過若干次迭代后，每個像元的權重會趨于穩(wěn)定，直到變化小于設定的閾值或不再變化則停止迭代。研究證明，IR-MAD通過迭代更新權值，得到的變化區(qū)域更精確，噪聲更少，能夠更好地將變化信息從非變化區(qū)域中提取出來[13]。

2.3 追蹤識別提取算法

采用差分歸一化燃燒比和追蹤識別提取算法對研究區(qū)進行火燒跡地面積的提取。

采用差分歸一化燃燒比：采用差分歸一化燃燒比是在歸一化燃燒比方法的基礎上建立的[14]。通常運用差分歸一化燃燒比和歸一化燃燒比生成森林大火燃燒后的圖像，可以獲得對燃燒嚴重性的初步評估數(shù)據(jù)，并支持現(xiàn)場救災工作。本文采用差分歸一化燃燒比對受災區(qū)域制作火災等級分布專題圖[15]。差分歸一化燃燒比和歸一化燃燒比的計算公式為：INBR=(NR-SR)/(NR+SR)；IdNBR=IF-IP。式中，INBR為歸一化燃燒比，IdNBR 為差分歸一化燃燒比，NR為近紅外波段的反射值，SR為短波紅外波段的反射值，IF為災區(qū)火災前的歸一化燃燒比，IP為火災后的歸一化燃燒比。

運用目標追蹤識別提取算法能夠進行追蹤影像中所有連通區(qū)，并根據(jù)閾值提取目標的面積信息，與兩邊掃描法、區(qū)域增長法相比，掃描重復率低、精度高[16]。差分歸一化燃燒比和火燒跡地面積追蹤識別提取影像信息，是在差分歸一化燃燒比的突出燃燒區(qū)域信息基礎上，繼續(xù)火燒跡地信息的追蹤識別。算法原理是在差分歸一化燃燒比提取后的影像中，自主搜尋種子點，遍歷整幅影像；根據(jù)每個點的性質(zhì)判斷該點是否符合要求，決定種子點；再根據(jù)種子點的4-鄰域追蹤連通區(qū)域，將種子點的鄰域判斷結束后，確定該點和4-鄰域的連通性。根據(jù)火燒跡地的特有光譜信息范圍作為閾值，采用雙閾值法來分類過火區(qū)，對過火區(qū)域進行標記，分別計算不同連通區(qū)域面積對應的影像中的火燒跡地面積，從而實現(xiàn)整幅影像中的火燒跡地面積一次性識別提取。主要方法流程如下：

(1)從影像的第二行第二列開始掃描，若掃描到A點，先對A點的像素性質(zhì)進行判斷，若符合種子點要求則對其鄰域進行判別；

(2)若鄰域內(nèi)有與A點具有相同性質(zhì)的點則進行標記、儲存；

(3)4-鄰域內(nèi)像素判斷完后，將儲存的具有相同性質(zhì)的點提取出來，一個連通區(qū)域就被提取出來，表明該區(qū)域追蹤完成；

(4)接著對下一個像素進行步驟(2)和步驟(3)，若遇到的點已經(jīng)被標記則跳過；

(5)所有圖像掃描后，將所有的連通區(qū)域排列，根據(jù)火燒跡地閾值提取各個火燒跡地連通區(qū)并計算像元點數(shù)，將其自動與影像分辨率相乘得出火燒跡地面積。

3 結果與分析

3.1 火災前后植被變化檢測

如圖2所示，通過對災前災后的影像進行歸一化植被指數(shù)計算得到火災前后的兩幅影像，觀察研究區(qū)災前(3月25日)與災后(4月9日)的無云兩幅影像，這一時間區(qū)域跨越了整個火災的過程，將災前災后的植被變化顯現(xiàn)出來。

如圖3所示，通過基于IDL語言編寫集成的IR-MAD功能模塊在ENVI5.4軟件中進行加載使用，對火災前后歸一化植被指數(shù)的影像變化進行檢測，變化結果被認定為受損植被；將結果影像用閾值分割進行色彩增強制成專題圖，突出了健康植被與受損植被的區(qū)別，經(jīng)過統(tǒng)計受損植被像元數(shù)量為1 464 408個像素。

圖2 火災前后NDVI影像

圖3 火災前后植被變化影像

3.2 火燒跡地面積追蹤識別提取

采用dNBR+火燒跡地面積追蹤識別提取算法是在dNBR結果基礎上對火燒跡地進行二次處理分析，并對火燒跡地面積進行一次性快速準確提取與計算。使用火災的前中后3個時段的影像，對災中(3月30日)、災后(4月9日)火燒跡地的面積進行了快速識別提取。流程為：(1)計算3個時段火災區(qū)域影像的NBR；(2)通過計算災前與災中、災后的NBR差值得到災中(3月30日)、災后(4月9日)dNBR影像(見圖4)；(3)再通過基于(2)中dNBR影像進行火燒跡地面積追蹤識別提取，將災中(3月30日)、災后(4月9日)兩個時序的災區(qū)火燒跡地面積一次性提出并計算，結果見圖5、圖6，圖中白色區(qū)域為火燒跡地。

圖4 災中災后dNBR影像

圖5 火災等級分布專題圖

圖6 dNBR+火燒跡地面積識別提取成果影像

通過dNBR+火燒跡地面積追蹤識別提取算法進行實驗，提取火災中(3月30日)火燒跡地斑塊18個，火燒跡地面積6.01 km2；提取災后(4月9日)火燒跡地斑塊24個，識別出火燒跡地面積171.73 km2。

3.3 精度評定

采用災后(4月14日)的Landsat-8的重采樣為10 m分辨率影像作為精度評定數(shù)據(jù)。通過計算災后歸一化差分植被指數(shù)，并通過人工目視解譯獲取受損植被面積，以此作為實際結果進行植被變化檢測的精度評定；同時通過多次目視解譯獲得火燒跡地典型斑塊，并與dNBR+火燒跡地面積追蹤識別提取方法結果進行對比評價，在研究區(qū)域范圍隨機生成驗證像元點，結合Landsat-8影像數(shù)據(jù)確定驗證像元點的屬性值構建混淆矩陣，計算火燒跡地面積提取精度的kappa系數(shù)。因此，采用的NDVI+IR-MAD檢測植被變化方法，NDVI+IR-MAD檢測植被變化像元數(shù)1 464 408個，實際像元數(shù)1 592 631個，檢測到受損植被精度達到91.95%；dNBR+火燒跡地追蹤識別提取火燒跡地面積171.73 km2，火燒基地實際面積為189.19 km2，提取精度90.77%，kappa系數(shù)為0.87。評價結果表明該方法具有較好的效果與精度，驗證了方法的可靠性。

4 結論

由于西南林區(qū)的高森林覆蓋率以及冬春季節(jié)干燥風大，每年都會發(fā)生如木里這樣的森林火災，木里火災是四川乃至西南林區(qū)近年來經(jīng)常發(fā)生的典型森林火災。本文采用Sentinel-2遙感影像，以2020年3月28日四川涼山州木里縣發(fā)生的典型西南林區(qū)森林大火為例，進行植被變化與火燒跡地提取的森林火災反演實驗。得出以下結論：該方法是利用所有森林火災后都會產(chǎn)生的植被變化與火燒跡地信息來反演火災情況，具有普適性。通過對四川木里火災的反演，較好地證明了該方法的可行性。該方法流程能夠準確分離出受損植被的區(qū)域與快速準確提取計算火燒跡地像元面積，有效排除其他噪聲的干擾，且精度較高；能夠?qū)λ谢馂膮^(qū)域進行災后快速評估，提供植被變化與火燒跡地的參考數(shù)據(jù)，反演整個森林火災的時空發(fā)展過程。根據(jù)木里地區(qū)的良好的遙感反演情況，也證明了該方法能夠判斷出火災的發(fā)展勢態(tài)，為森林火災的安全撲救提供現(xiàn)實參考。