鄭忠，Jinfei Wang，鄒濱，高陽華，楊世琦，王永前

1.成都信息工程大學(xué)資源環(huán)境學(xué)院,成都 610225;

2.Department of Geography,the University of Western Ontario,London ON,N6A 5C2 Canada;

3.重慶市氣象科學(xué)研究所,重慶 401147;

4.中南大學(xué)地球科學(xué)與信息物理學(xué)院,長沙 410083

1 引言

近年來，受到全球氣候變化、人類活動(dòng)干擾和自然資源開發(fā)等因素的影響，森林大火在全球范圍內(nèi)頻繁爆發(fā)，嚴(yán)重破壞森林生態(tài)系統(tǒng)的結(jié)構(gòu)與功能（Zheng等，2017；陳興峰等，2020；劉樹超等，2020；唐堯等，2021；徐奔奔等，2022）。在林火發(fā)生后，開展森林生態(tài)系統(tǒng)損害程度的定量評(píng)估，不僅有助于理解林火與森林生態(tài)系統(tǒng)相互影響機(jī)制，而且能為森林生態(tài)系統(tǒng)修復(fù)措施的實(shí)施提供決策依據(jù)（蒲東川等，2020；覃先林等，2020；饒?jiān)旅鞯龋?020）。

林火導(dǎo)致森林生態(tài)系統(tǒng)的影響/破壞程度，通常定義為林火烈度（Burn/Fire severity），主要采用人工實(shí)地調(diào)查方法進(jìn)行定量評(píng)估（Keeley，2009）。這種方法雖然能夠獲得相對(duì)準(zhǔn)確的評(píng)估結(jié)果，但是需要耗費(fèi)大量的人力、物力和時(shí)間，特別在大尺度范圍內(nèi)同步開展評(píng)估時(shí)，其效率相對(duì)較低（譚柳霞等，2016）。因此，基于遙感數(shù)據(jù)的評(píng)估方法，逐漸成為林火烈度評(píng)估研究的重要發(fā)展方向（Loboda等，2013；Zheng等，2016）。

基于遙感數(shù)據(jù)的林火烈度評(píng)估方法主要包含經(jīng)驗(yàn)回歸模型（Veraverbeke等，2012）和物理模型（De Santis和Chuvieco，2009）。其中，用于經(jīng)驗(yàn)回歸模型構(gòu)建的經(jīng)典指標(biāo)為歸一化燃燒指數(shù)NBR（Normalized Burn Ratio），該指數(shù)的計(jì)算是基于遙感影像中對(duì)于過火區(qū)域環(huán)境因子較為敏感的近紅外波段和短波紅外波段（Chen等，2011）。在NBR指數(shù)的基礎(chǔ)上，顧及林火烈度定義中包含的變化量屬性特征，Key和Benson（2006）利用林火發(fā)生前后的遙感影像，進(jìn)行差分計(jì)算得到差分歸一化燃燒指數(shù)dNBR（delta Normalized Burn Ratio），并將其用于林火烈度的定量評(píng)估；為了降低林火發(fā)生前稀疏植被覆蓋區(qū)域?qū)τ诹叶仍u(píng)估結(jié)果的影響，Miller和Thode（2007）進(jìn)一步構(gòu)建相對(duì)差分歸一化燃燒指數(shù)RdNBR（Relative delta Normalized Burn Ratio），用于經(jīng)驗(yàn)回歸模型的構(gòu)建；在此基礎(chǔ)上，Parks等（2014）則通過優(yōu)化RdNBR指數(shù)中權(quán)重的方式，提出了相對(duì)化燃燒指數(shù)RBR（Relativized Burn Ratio）。

作為新一類的模型構(gòu)建指標(biāo)，地表溫度也被用于林火烈度的定量評(píng)估中。如：Lentile等（2006）討論了地表溫度作為烈度評(píng)估指標(biāo)的可能性；Quintano等（2015）在西班牙西北部的一場林火中，研究了一年內(nèi)不同時(shí)間段的地表溫度指標(biāo)，在林火烈度評(píng)估方面的性能；Zheng等（2016）利用增強(qiáng)型植被指數(shù)EVI（Enhanced Vegetation Index）和地表溫度綜合構(gòu)建了一種新的指標(biāo)，并將其應(yīng)用于美國西部五場林火的烈度評(píng)估研究中。

在物理模型的研究方面，Chuvieco等（2006）綜合了Prospect和Kuusk輻射傳輸模型，反演了不同烈度等級(jí)下植被冠層的光譜響應(yīng)特征，并以此作為林火烈度研究評(píng)估的主要依據(jù)；De Santis和Chuvieco（2007和2009）則在西班牙中部區(qū)域一場林火的烈度定量評(píng)估中，針對(duì)輻射傳輸模型和經(jīng)驗(yàn)回歸模型的精度進(jìn)行了具體的對(duì)比和分析；并進(jìn)一步地結(jié)合Prospect和GeoSail輻射傳輸模型，評(píng)估了地中海區(qū)域三場林火的烈度空間分布。

另外，穗帽變換模型（Patterson和Yool，1998）、多端元光譜混合分析模型（Quintano等，2013）和支持向量回歸模型（Zheng等，2018）等也被用于林火烈度定量評(píng)估的相關(guān)研究中。

實(shí)地調(diào)查數(shù)據(jù)（如CBI指數(shù)）是上述模型構(gòu)建與結(jié)果評(píng)價(jià)的基礎(chǔ)，但實(shí)地調(diào)查工作需要耗費(fèi)大量的人力、物力和時(shí)間。尤其在林火發(fā)生以后的初始評(píng)估中，過火區(qū)域植被可能存在“假死”和“真死”狀態(tài)；另外由于難以快速開展實(shí)地調(diào)查，基于遙感數(shù)據(jù)的林火烈度評(píng)估時(shí)效性降低，限制了遙感技術(shù)在林火烈度評(píng)估中的高效應(yīng)用（Zheng等，2020）。

針對(duì)目標(biāo)區(qū)域的林火烈度初始評(píng)估，如果相似區(qū)域的歷史調(diào)查數(shù)據(jù)能應(yīng)用于模型構(gòu)建，在理論上能夠改善傳統(tǒng)林火烈度評(píng)估的時(shí)效性。但是，實(shí)地調(diào)查和烈度評(píng)估通常針對(duì)不同林火區(qū)域，其遙感數(shù)據(jù)具有不同的光譜特征。

目前，相關(guān)的研究表明（Pan等，2011；Matasci等，2015；Yan等，2018），遷移學(xué)習(xí)算法能夠?qū)崿F(xiàn)不同區(qū)域之間相似特征變量的提取，該算法有助于構(gòu)建具有遷移能力的學(xué)習(xí)模型。因此，借助歷史過火區(qū)域的實(shí)地調(diào)查數(shù)據(jù)，在遷移學(xué)習(xí)算法的基礎(chǔ)上，構(gòu)建林火烈度評(píng)估模型，并將其應(yīng)用于2020年3月30日發(fā)生的四川西昌瀘山森林大火烈度的初始評(píng)估中，以期為該過火區(qū)域森林生態(tài)修復(fù)措施的制定，提供初步的定量依據(jù)。

2 研究區(qū)域與數(shù)據(jù)

2.1 研究區(qū)域

如圖1所示，選取的目標(biāo)區(qū)域?yàn)?020年3月30日發(fā)生在四川省涼山州西昌市城區(qū)附近的瀘山森林大火。自3月以來，瀘山森林區(qū)域連續(xù)20日無降水，濕度為5%—10%，林火發(fā)生當(dāng)日氣溫高達(dá)31.2℃，風(fēng)力為7—8級(jí)。該區(qū)域?qū)儆谥袊膩啛釒Ц咴撅L(fēng)氣候，主要樹種為云南松，其松節(jié)油含量高，易于林火的燃燒和蔓延。至4月2日，該場大火共造成19人遇難，過火面積約10 km2。

圖1 研究區(qū)域及地理位置Fig.1 Study area and locations

選取位于美國中西部的Mule和Bear林火作為源區(qū)域（Zheng等，2016），主要基于以下因素：（1）與瀘山森林地貌屬性相似，Mule和Bear均位于北半球中緯度地區(qū)，且3場林火過火區(qū)域的地形均屬于高原山地；（2）與瀘山森林類型相似，Mule和Bear過火區(qū)域的主要樹種也屬于易燃的常綠針葉林；（3）Mule和Bear過火區(qū)域?qū)儆诟咴降貧夂?，而瀘山森林區(qū)域的地理位置靠近于青藏高原山地氣候區(qū)域，相鄰的氣候區(qū)域有利于遷移學(xué)習(xí)的應(yīng)用。林火區(qū)域及氣候特征具體如表1所示。

表1 林火區(qū)域及氣候特征Table 1 Forest fires and regional climate

2.2 實(shí)地調(diào)查數(shù)據(jù)

在林火發(fā)生以后開展實(shí)地調(diào)查，是基于遙感數(shù)據(jù)林火烈度評(píng)估模型構(gòu)建的基礎(chǔ)。實(shí)地調(diào)查數(shù)據(jù)來源于美國National Park Service和US Geological Survey資助的JFSP（Joint Fire Science Program）項(xiàng)目。Mule和Bear林火區(qū)域的實(shí)地調(diào)查數(shù)據(jù)，獲取于林火發(fā)生后的第一個(gè)生長期，具體為2003年5月和9月，共110個(gè)樣地（表2）。在實(shí)地調(diào)查過程中（圖2），具體采用綜合燃燒指數(shù)CBI（Composite Burn Index）方法進(jìn)行評(píng)估，CBI為0—3之間的連續(xù)值（Key和Benson，2006；王曉莉等，2013）。

圖2 CBI實(shí)地調(diào)查過程Fig.2 Field work for CBI data

表2 衛(wèi)星遙感數(shù)據(jù)和實(shí)地調(diào)查數(shù)據(jù)Table 2 Remotely sensed data and field survey data

2.3 遙感數(shù)據(jù)

如表2所示，為了匹配Bear和Mule林火的實(shí)地調(diào)查時(shí)間，選取2003年5月13日和2003年9月27日過境的Landsat 5 Thematic Mapper（TM）數(shù)據(jù)（https：//earthexplorer.usgs.gov/［2020-05-08］），作為源區(qū)域林火發(fā)生后的遙感影像；相應(yīng)地，選取2001年9月21日和2002年6月13日過境的TM影像（https：//earthexplorer.usgs.gov/［2020-05-08］）作為源區(qū)域林火發(fā)生前的遙感影像。

針對(duì)目標(biāo)區(qū)域（即瀘山森林大火），分別選取2020年3月21日和2020年5月8日過境的Landsat 7 Enhanced Thematic Mapper（ETM+）數(shù)據(jù)（https：//earthexplorer.usgs.gov/［2020-05-08］），作為林火發(fā)生前和林火發(fā)生后的遙感影像。如圖1所示，Landsat 7 ETM+中的“數(shù)據(jù)條帶丟失”未影響到目標(biāo)區(qū)域，故無需考慮其對(duì)后續(xù)分析的影響；同時(shí)，獲取2020年4月6日過境目標(biāo)區(qū)域的少云GF-1遙感數(shù)據(jù)（http：//www.cresda.com/CN/［2020-05-08］），以用于遷移學(xué)習(xí)算法參數(shù)的優(yōu)化及烈度評(píng)估結(jié)果的精度評(píng)價(jià)。

獲取的Landsat 5 TM和Landsat 7 ETM+數(shù)據(jù)均來源于USGS EarthExplorer的C1 Level 1產(chǎn)品，均已完成了輻射校正和幾何校正等處理，后續(xù)的預(yù)處理工作：輻射定標(biāo)、大氣校正和裁剪等均在ENVI 5.1軟件中完成。

相應(yīng)地獲取各景TM/ETM+影像過境日期同期1 km分辨率的MOD05產(chǎn)品數(shù)據(jù)，用于單通道地表溫度反演算法中大氣函數(shù)的計(jì)算。其重投影、格式轉(zhuǎn)換、重采樣等預(yù)處理在ENVI 5.1軟件支持下的MCTK（MODIS Conversion Toolkit）工具包中完成。

在上述遙感數(shù)據(jù)預(yù)處理的基礎(chǔ)上，利用ArcGIS 10.2軟件Spatial Analyst Tools中的Extract Multi Values to Points模塊，提取與CBI實(shí)地調(diào)查數(shù)據(jù)相對(duì)應(yīng)位置的遙感光譜值。

3 烈度評(píng)估模型

受到區(qū)域環(huán)境、大氣狀況、太陽高度角和地形等因素的影響，源區(qū)域與目標(biāo)區(qū)域獲取的遙感影像通常存在光譜差異，因此需要利用遷移學(xué)習(xí)算法，將源區(qū)域和目標(biāo)區(qū)域的遙感影像光譜變換得到多個(gè)新特征變量，在由這些新特征變量組成的投影空間中，源區(qū)域和目標(biāo)區(qū)域樣本具有相似分布，能夠?qū)崿F(xiàn)評(píng)估模型的遷移應(yīng)用（Matasci等，2015；Yan等，2018）。

3.1 遷移學(xué)習(xí)算法

基于已報(bào)道的研究（Matasci等，2015；Zheng等，2020），本研究同樣選用遷移學(xué)習(xí)中的SSTCA（Semi-Supervised Transfer Component Analysis）算法進(jìn)行源區(qū)域與目標(biāo)區(qū)域遙感影像光譜的變換。該算法由Pan等（2011）提出，其基本原理類似于傳統(tǒng)的PCA（Principal Components Analysis）變換，其目標(biāo)函數(shù)包含以下3個(gè)部分（Pan等，2011；Matasci等，2015；Yan等，2018）：

3.1.1 目標(biāo)1：減小源區(qū)域和目標(biāo)區(qū)域樣本光譜差異

經(jīng)過SSTCA變換后，源區(qū)域和目標(biāo)區(qū)域樣本光譜差異最小，且變換后樣本數(shù)據(jù)的方差最大。

源區(qū)域和目標(biāo)區(qū)域樣本的光譜差異利用定量指標(biāo)MMD（Maximum Mean Discrepancy）進(jìn)行度量（Pan等，2011；Yan等，2018）：

式中，XS為源區(qū)域樣本的遙感光譜波段反射率，XTa為目標(biāo)區(qū)域樣本的遙感光譜波段反射率，Φ為需要SSTCA算法構(gòu)建的變換方程，nS為源區(qū)域樣本數(shù)量，nTa為目標(biāo)區(qū)域樣本數(shù)量，為希爾伯特空間（Hilbert Space）范數(shù)。

以矩陣跡的形式，式（1）可改寫為（Pan等，2011）：

式中，K為參數(shù)化核矩陣，L為核矩陣K的縮放因子，W為光譜反射率變換方程的權(quán)矩陣，WT為權(quán)矩陣W的轉(zhuǎn)置。

為了保留遙感光譜波段中的有用信息，以利于后續(xù)烈度評(píng)估模型的學(xué)習(xí)，需要最大化數(shù)據(jù)的方差。變換后數(shù)據(jù)方差的計(jì)算公式如下（Matasci等，2015；Yan等，2018）：

式中，H為中心矩陣，其值為：

綜合式（2）和（3），目標(biāo)1對(duì)應(yīng)的目標(biāo)函數(shù)：

式中，tr（WTW）用于度量變換方程的復(fù)雜度，μ用于調(diào)整目標(biāo)函數(shù)中變換方程復(fù)雜度的權(quán)重。

3.1 .2目標(biāo)2：增強(qiáng)變換方程對(duì)于源區(qū)域樣本信息的依賴

源區(qū)域的歷史樣本通常包含實(shí)地調(diào)查信息，利用這些實(shí)地調(diào)查信息構(gòu)建的變換方程，有利于后續(xù)烈度評(píng)估模型的學(xué)習(xí)。該目標(biāo)可以定量地表示為（Pan等，2011）：

3.1.3 目標(biāo)3：保留原空間中的距離大小的相對(duì)關(guān)系

經(jīng)過變換后，原光譜空間中距離越近的樣本，新投影空間中樣本之間的距離也越近。該目標(biāo)可以定量地表示為（Matasci等，2015）：

計(jì)算其特征分解矩陣，并前m個(gè)特征值對(duì)應(yīng)的特征向量組成光譜變換方程的權(quán)矩陣W。

3.2 烈度評(píng)估模型

基于SSTCA遷移學(xué)習(xí)的權(quán)矩陣W，利用源區(qū)域和目標(biāo)區(qū)域遙感光譜波段的原始反射率，計(jì)算得到多個(gè)新特征變量。然后，基于源區(qū)域樣本數(shù)據(jù)，構(gòu)建支持向量回歸模型（SVR）（Cherkassky和Ma，2004；Zheng等，2018）。SSTCA與SVR兩種算法構(gòu)成烈度評(píng)估模型SVR-SSTCA：

在這些新特征變量組成的投影空間中，源區(qū)域和目標(biāo)區(qū)域的樣本具有相似分布，因此能夠?qū)⑹剑?1）遷移到目標(biāo)區(qū)域的烈度評(píng)估中：

式中，YTa，j和分別為目標(biāo)區(qū)域的烈度評(píng)估值和新特征變量值。

3.3 模型實(shí)現(xiàn)與精度評(píng)價(jià)

本研究中，SSTCA算法通過調(diào)用MATLAB軟件的“a domain adaptation toolbox”工具箱實(shí)現(xiàn)（https：//www.github.com/viggin/domain-adaptationtoolbox/［2019-12-09］），SVR算法則通過調(diào)用MATLAB軟件中的“LIBSVM toolbox”工具箱實(shí)現(xiàn)（https：//www.csie.ntu.edu.tw/～cjlin/libsvm/index.html/［2018-08-06］）。

針對(duì)SSTCA算法，需要設(shè)置的主要參數(shù)如表3所示。其中，針對(duì)參數(shù)m和λ的優(yōu)化，按照等量的原則，在目標(biāo)區(qū)域（即瀘山森林大火）隨機(jī)選取110個(gè)樣本，并在GF-1遙感影像基礎(chǔ)上，參考Quintano等（2013）構(gòu)建的解譯標(biāo)準(zhǔn)（如圖3所示），針對(duì)隨機(jī)樣本進(jìn)行目視解譯，最終將解譯結(jié)果用于SSTCA算法的參數(shù)優(yōu)化。

表3 SSTCA算法參數(shù)及設(shè)置Table 3 Parameters of SSTCA

圖3 樣本的目視解譯Fig.3 Visual inspection of field plots

同時(shí)，為了對(duì)各模型烈度評(píng)估結(jié)果進(jìn)行精度評(píng)價(jià)，按照上述同樣的解譯標(biāo)準(zhǔn)，針對(duì)各烈度等級(jí)，在過火區(qū)域內(nèi)均勻地選取50個(gè)樣點(diǎn)，共250個(gè)驗(yàn)證樣本，用于計(jì)算各模型評(píng)估結(jié)果的混淆矩陣。

為了與基于指數(shù)的經(jīng)驗(yàn)回歸模型和SVR模型的評(píng)估結(jié)果進(jìn)行進(jìn)一步對(duì)比分析，基于遙感光譜原始波段反射率，利用源區(qū)域的實(shí)地調(diào)查樣本，構(gòu)建了基于dNDVI、dLST、dNBR指數(shù)的經(jīng)驗(yàn)回歸模型和SVR模型。計(jì)算各指數(shù)的公式如下所示（Chen等，2011；Zheng等，2016）：

式中，下標(biāo)Pre-fire代表林火發(fā)生前的光譜指數(shù)值，下標(biāo)Post-fire代表林火發(fā)生后的光譜指數(shù)。

4 結(jié)果

4.1 參數(shù)優(yōu)化

如圖4所示，SSTCA算法中最優(yōu)參數(shù)取值為：m=8和λ=0.01，其對(duì)應(yīng)的Kappa值最高為0.692。另外，SVR算法中的優(yōu)化主要包含參數(shù)C和ε，采用網(wǎng)格參數(shù)尋優(yōu)法，進(jìn)行交叉驗(yàn)證的方式確定。

圖4 SSTCA算法中的參數(shù)優(yōu)化Fig.4 Parameter optimization of SSTCA

不同模型的參數(shù)優(yōu)化結(jié)果如表4所示。在所構(gòu)建的模型中，SSTCA-SVR精度最高（RMSE=0.38），其次為SVR（RMSE=0.59）；在構(gòu)建的經(jīng)驗(yàn)回歸模型中，dLST的精度最高（RMSE=0.75）。

表4 各模型參數(shù)優(yōu)化Table 4 Optimized parameters of different models

4.2 光譜變換前后特征變量分布

如圖5所示，在不同波段原始光譜值相互組成的大部分特征空間中，源區(qū)域?qū)嵉卣{(diào)查樣本和目標(biāo)區(qū)域隨機(jī)樣本的分布存在較大差異，這主要與不同區(qū)域之間的環(huán)境、大氣狀況、太陽高度角和地形等因素有關(guān)。

圖5 源區(qū)域和目標(biāo)區(qū)域遙感影像光譜散點(diǎn)分布圖Fig.5 Scatter plot matrix of original spectral feature space across source and target domains

基于上述優(yōu)化后的參數(shù)，利用SSTCA遷移學(xué)習(xí)算法，將源區(qū)域和目標(biāo)區(qū)域樣本的遙感波段光譜值進(jìn)行變換，得到8個(gè)新的特征變量，由這些特征變量組成的投影空間見圖6所示。經(jīng)過SSTCA變換，新特征變量相互組成的大部分投影空間中，源區(qū)域?qū)嵉卣{(diào)查樣本和目標(biāo)區(qū)域隨機(jī)樣本具有相似的分布。

圖6 源區(qū)域和目標(biāo)區(qū)域特征變量散點(diǎn)分布圖Fig.6 Scatter plot matrix of projected feature space across source and target domains

4.3 烈度評(píng)估結(jié)果

在烈度等級(jí)傳統(tǒng)劃分標(biāo)準(zhǔn)的基礎(chǔ)上（Miller和Thode，2007），為了與Key和Benson（2006）中的設(shè)置的烈度等級(jí)相匹配，構(gòu)建細(xì)分標(biāo)準(zhǔn)：未變化（CBI≤0.1）、低等級(jí)（0.1

在初始評(píng)估的過火環(huán)境內(nèi)，植被部分往往損害嚴(yán)重，基于植被敏感光譜波段構(gòu)建的dNDVI和dNBR指數(shù)，容易低估其余環(huán)境因子變化；因此，如圖7（a）和圖7（c）所示：基于dNDVI和dNBR的經(jīng)驗(yàn)回歸模型，出現(xiàn)了烈度等級(jí)的高估。表5中的定量評(píng)價(jià)結(jié)果也表明，這兩個(gè)模型高烈度等級(jí)的生產(chǎn)者精度，雖然較高，位于78.00%—98.00%之間；但是其用戶精度較低，位于27.66%—34.27%之間。

與SVR（圖7（d））和SSTCA-SVR（圖7（e））模型相比，基于dNDVI和dNBR的經(jīng)驗(yàn)回歸模型，其評(píng)估結(jié)果空間分布的精細(xì)程度較低。其主要原因是：在光譜指數(shù)構(gòu)建時(shí)，通常只選取遙感影像中部分光譜波段進(jìn)行計(jì)算。因此，表5中結(jié)果表明：dNDVI和dNBR指數(shù)的精度較低，總體精度位于20.80%—24.80%之間，Kappa系數(shù)位于0.01—0.06之間。

表5 各模型烈度評(píng)估精度評(píng)價(jià)Table 5 Accuracy assessment of burn severity levels using different models

基于dLST的經(jīng)驗(yàn)回歸模型，其烈度評(píng)估結(jié)果的空間分辨率最低（圖7（b）），這主要受到ETM+遙感影像中熱紅外波段低空間分辨率的影響（60 m）。但是，該模型的總體精度為34.8%，Kappa系數(shù)為0.19，高于基于dNDVI和dNBR的經(jīng)驗(yàn)回歸模型。這與Quintano等（2015）的研究報(bào)道較為一致，即在林火發(fā)生后開展的林火烈度初始評(píng)估中，地表溫度指標(biāo)LST與CBI實(shí)地調(diào)查結(jié)果具有較高的相關(guān)性。

圖7 不同模型烈度等級(jí)評(píng)估結(jié)果空間分布Fig.7 Mapped results of burn severity levels using different models

圖7（d）所示的SVR模型評(píng)估結(jié)果，出現(xiàn)了部分區(qū)域烈度高估的現(xiàn)象，其總體精度58.00%，Kappa系數(shù)為0.48。其主要原因是：該模型的構(gòu)建是基于源區(qū)域的遙感影像，并被直接應(yīng)用于目標(biāo)區(qū)域的烈度評(píng)估。由于未利用SSTCA遷移學(xué)習(xí)算法進(jìn)行遙感影像原始波段的光譜變換，目標(biāo)區(qū)域與源區(qū)域遙感波段存在較大的光譜差異（圖5），直接將其遷移于目標(biāo)區(qū)域烈度的評(píng)估時(shí)，會(huì)給評(píng)估結(jié)果帶來一定的誤差。

由于應(yīng)用了SSTCA變換，源區(qū)域?qū)嵉卣{(diào)查樣本和目標(biāo)區(qū)域隨機(jī)樣本在新特征變量投影空間中具有相似的分布（圖6），源區(qū)域優(yōu)化后的SSTCASVR模型能夠適用于目標(biāo)區(qū)域的烈度評(píng)估。因此，SSTCA-SVR模型烈度評(píng)估結(jié)果（圖7（e））不僅與SVR模型烈度評(píng)估結(jié)果（圖7（d））在空間分布上保持較好的一致性，而且其空間精細(xì)程度較高。表5中的評(píng)價(jià)結(jié)果也表明：SSTCA-SVR模型的精度最高，其總體精度為71.20%，Kappa系數(shù)為0.64。

進(jìn)一步將不同模型的烈度評(píng)估結(jié)果進(jìn)行統(tǒng)計(jì)，其統(tǒng)計(jì)結(jié)果如表6所示。

表6 各模型烈度評(píng)估定量統(tǒng)計(jì)Table 6 Quantitative statistics of burn severity levels using different models

5 討論

傳統(tǒng)林火烈度評(píng)估中，需要過火區(qū)域的實(shí)地調(diào)查才能構(gòu)建評(píng)估模型，這難以在應(yīng)急響應(yīng)情境下支撐災(zāi)后管理決策。特別在有限的人力、物力和財(cái)力的影響下，往往難以保證能在所有的過火區(qū)域開展實(shí)地調(diào)查，因此針對(duì)實(shí)地調(diào)查數(shù)據(jù)缺失情況下的烈度評(píng)估開展研究具有重要意義。

在構(gòu)建光譜指數(shù)時(shí)，其主要依據(jù)專家知識(shí)對(duì)物理機(jī)制的理解。以經(jīng)典的NBR指數(shù)構(gòu)建為例，其選取Landsat數(shù)據(jù)中近紅外和遠(yuǎn)紅外波段的主要依據(jù)是：林火發(fā)生前后的植被區(qū)域，近紅外波段的反射率會(huì)降低，而遠(yuǎn)紅外波段的反射率會(huì)增加。當(dāng)利用林火發(fā)生前Landsat 3、4、5、7波段的反射率減去林火發(fā)生后對(duì)應(yīng)波段的反射率時(shí)，近紅外波段唯一出現(xiàn)正值變化，遠(yuǎn)紅外波段的變化幅度最大（Key和Benson，2006）；且在已有研究報(bào)道中（Soverel等，2011），該指數(shù)也表現(xiàn)出一定的遷移能力。

但是，由于專家知識(shí)對(duì)物理機(jī)制的理解可能存在不足，會(huì)導(dǎo)致遙感數(shù)據(jù)中所包含的烈度信息被忽略。如構(gòu)建NBR指數(shù)時(shí)，TM/ETM+中紅光和中紅外波段等與烈度相關(guān)的光譜信息未被充分利用（Key和Benson，2006）。

與其不同的是，遷移學(xué)習(xí)算法是利用機(jī)器學(xué)習(xí)的方法，從原始遙感光譜信息中轉(zhuǎn)換得到能在源區(qū)域和目標(biāo)區(qū)域保持相似分布的多個(gè)新特征變量（Pan等，2011；Matasci等，2015）。在該過程中，與林火烈度相關(guān)的光譜信息，能更多地得到保留。因此從表5中的結(jié)果可以發(fā)現(xiàn)，針對(duì)未變化、低、低-中和中-高烈度等級(jí)評(píng)估，SSTCASVR模型的精度相對(duì)較高。

隨著全球及區(qū)域環(huán)境的急劇變化，近年來林火呈現(xiàn)頻繁爆發(fā)的趨勢，開展森林火災(zāi)歷史研究（王敏等，2020）以及林火烈度實(shí)地調(diào)查數(shù)據(jù)庫建設(shè)具有重要意義?；谶w移學(xué)習(xí)構(gòu)建烈度評(píng)估模型的思路，有利于歷史林火烈度數(shù)據(jù)的回溯，可為特定區(qū)域長時(shí)間段的林火生態(tài)影響研究提供一定的數(shù)據(jù)支持。

但是，本研究所針對(duì)的是林火烈度初始評(píng)估IA（Initial Assessment），由于森林剛發(fā)生燃燒，過火區(qū)域內(nèi)的植被可能存在“假死”和“真死”狀態(tài)，會(huì)給評(píng)估結(jié)果帶來誤差；因此，準(zhǔn)確定量的評(píng)估EA（Extended Assessment），需要在植被下一個(gè)生長季節(jié)開展。

同時(shí)，本研究中林火烈度評(píng)估結(jié)果的精度，采用了間接評(píng)價(jià)方法（Quintano等，2013），在利用可獲得的少云GF-1影像解譯驗(yàn)證樣本時(shí)，可能存在一定的主觀性，也會(huì)給精度評(píng)價(jià)結(jié)果帶來一定的誤差。

為了與源區(qū)域的遙感數(shù)據(jù)和實(shí)地調(diào)查數(shù)據(jù)保持一致，本研究選取Landsat系列遙感數(shù)據(jù)進(jìn)行烈度評(píng)估，但受到當(dāng)?shù)卦旗F天氣和衛(wèi)星重訪周期的影響，獲取高質(zhì)量遙感影像的時(shí)間較晚，這影響了研究的時(shí)效性。在后續(xù)的研究中，可以嘗試不同來源遙感數(shù)據(jù)（如Sentinel-2）的驗(yàn)證，以進(jìn)一步改善林火烈度評(píng)估的時(shí)效性；同時(shí)，后續(xù)研究需要進(jìn)一步構(gòu)建定量指標(biāo)，以度量源區(qū)域和目標(biāo)區(qū)域特征變量相似度的差異，這將完善本研究中利用目視解譯樣本，進(jìn)行遷移學(xué)習(xí)算法參數(shù)優(yōu)化方法。

6 結(jié)論

為了支撐應(yīng)急響應(yīng)情境下的林火災(zāi)后管理決策，在災(zāi)害發(fā)生后快速開展林火烈度的初始評(píng)估具有重要的意義?；跉v史過火區(qū)域已有的實(shí)地調(diào)查數(shù)據(jù)，本研究構(gòu)建基于遷移學(xué)習(xí)算法的SSTCA-SVR烈度評(píng)估模型，在四川省涼山州西昌市瀘山森林大火區(qū)域開展了林火烈度的初始評(píng)估，可以得到以下結(jié)論：

（1）由于區(qū)域之間環(huán)境、大氣狀況、太陽高度角和地形等因素的影響，不同區(qū)域的遙感影像光譜存在較大的差異，利用遷移學(xué)習(xí)算法能夠?qū)⒃磪^(qū)域和目標(biāo)區(qū)域遙感影像光譜轉(zhuǎn)換為多個(gè)新特征變量，在這些由新特征變量構(gòu)成的投影空間中，源區(qū)域和目標(biāo)區(qū)域特征具有相似的分布。

（2）由于轉(zhuǎn)換后的新特征變量具有相似的分布，在源區(qū)域利用歷史實(shí)地調(diào)查數(shù)據(jù)構(gòu)建的高精度烈度評(píng)估模型能夠遷移應(yīng)用到目標(biāo)區(qū)域，并實(shí)現(xiàn)目標(biāo)區(qū)域的林火烈度初始評(píng)估，這能夠加快林火災(zāi)后烈度評(píng)估的響應(yīng)速度。

（3）針對(duì)林火烈度的初始評(píng)估，基于dNDVI和dNBR指數(shù)的經(jīng)驗(yàn)回歸模型精度較低，其總體精度位于20.80%—24.80%之間，Kappa系數(shù)位于0.01—0.06之間。雖然基于dLST指數(shù)的經(jīng)驗(yàn)回歸模型的烈度評(píng)估結(jié)果的空間分辨率最低，但是該模型的總體精度為34.80%，Kappa系數(shù)為0.19，高于基于dNDVI和dNBR指數(shù)的經(jīng)驗(yàn)回歸模型。

（4）與基于dNDVI、dLST、dNBR指數(shù)的經(jīng)驗(yàn)回歸模型相比，SSTCA-SVR模型的林火烈度初始評(píng)估結(jié)果精度最高，總體精度為71.20%，Kappa系數(shù)為0.64。并且其精度也高于未進(jìn)行遷移學(xué)習(xí)的SVR模型（總體精度58.00%，Kappa系數(shù)為0.48）。

志謝本研究所用的GF-1遙感數(shù)據(jù)來源中國資源衛(wèi)星應(yīng)用中心。同時(shí)審稿人在本文修訂過程中提供了幫助和支持，在此表示衷心的感謝！