基于MODIS数据的安徽农村秸秆焚烧现状监测

杜 鑫

(安徽理工大学空间信息与测绘工程学院，安徽 淮南 232001)

引言

由于秸秆焚烧火点分布没有一定的规律性，利用传统的人工排查不仅消耗巨大的人力物力，而且效率低。如今，遥感作为先进的远距离探测技术，成为秸秆焚烧监测工作的最理想手段，而MODIS作为先进的多光谱遥感传感器，提供了丰富的数据产品。国内学者在20世纪90年代也开始利用遥感技术监测地面火点的研究，但都集中在火灾方面的研究。陈维英于1987年应用了NOAA/AVHRR数据对大兴安岭火灾的过火面积进行了计算[1]；赵彬等人对2007年4月29日吉林省东部的森林火灾运用阈值法、临近像元分析法、亮温结合NDVI法和彩色合成法4种方法进行了研究分析[2]。

随着我国开始建立MODIS数据接收站，MODIS数据的研究与应用不断推广、深入，MODIS数据也取代NOAA/AVHRR被国内很多学者用于火点提取。覃志豪等对中、蒙、俄3国交界的地区数据通过设置MODIS遥感数据的热红外波段亮温阈值并结合NDVI成功建立了基于MODIS数据的林火识别模型[3]；王子峰等基于MODIS基础数据和地表分类数据应用“背景对比火点探测算法”实现了对华北地区秸秆焚烧火点的遥感监测，并依据我国的实际状况背景对比火点提取方法的若干参数和阈值进行了适当的调整，保证了探测结果的可信度并有效地提高了算法的运行效率[4]；周小成等针对邻近背景像元算法在MODIS数据的火点监测上进行进行验证分析并做了改进[5]；张树誉利用MODIS数据对关中地区稻秆焚烧状况进行了监测研究[6]；胡梅等利用MODIS数据应用火点像元的亮温与背景亮温的偏差对华北平原的稻秆焚烧点进行了影像识别研究[7]。近年来随着中国国产对地观测卫星的发射，利用国产卫星数据的地面火点监测的研究越来越多。在理论模型方面有许多不同的学者针对怎样提高遥感提取火点的准确度先后提出了阈值模型、上下文模型、MODIS火点提取模型等。2016年，张恒僖对江西省秸秆焚烧火点提取方法进行了研究，对比了三通道合成法、固定阈值法、上下文法、最大类间方差法、MODIS火点算法和改进后的火点提取方法之间的差异及提取准确率[8]。鉴于卫星传感器的参数差异和数据获取的难易程度等一些原因，目前国内外主要使用NOAA/AVHRR、EOS/MODIS影像作为火点探测的遥感数据源来进行火点提取。随着Terra卫星的升空，MODIS数据在火灾监测及过火面积的计算精度方面有了很大提高。Maier等人应用MOD14数据对火点探测算法的灵敏度进行了研究[9]，Kaufman等人应用MODIS数据对巴西的森林火灾监测进行了模拟研究并进行了野外验证[10]；Louis Giglio在此基础上写出了MODIS数据火点算法之后NASA联合其它单位用MODIS数据对全球火灾进行了日常监测[11]。

本研究采用MODIS热异常数据对安徽省近几年秸秆焚烧状况进行遥感动态监测，分析了安徽省秸秆焚烧状况发展趋势及地区分布，可为环保部门提供合理依据，政府可以根据秸秆焚烧点的具体位置加大对该地区秸秆禁烧力度，为安徽省环保工作助力；通过考察MODIS火点提取的效果分析MODIS数据提取火点的优势与不足：肯定MODIS数据相对于传统方法监测火点的优势，发现研究过程中的不足，为改进火点提取精度提供有效建议。

1 材料与方法

1.1 研究区概况

安徽省位于中国华东地区，界于E114°54′～119°37′，N29°41′～34°38′。主要分为皖北、皖中、皖南地区，皖南地区主要种植棉花、水稻、菜叶、油菜；皖中地区主要种植蔬菜、水稻、棉花、小麦；皖北地区主要以小麦、水稻、棉花种植为主，还有少量大豆、中药、梨树(砀山)。其中小麦、水稻秸秆焚烧最为普遍。根据2018年安徽秸秆综合利用产业博览会数据显示，安徽省秸秆年可收集量达4800万t左右。2017年，全省秸秆综合利用率87.3%，产业化利用量占利用总量的27.59%。

1.2 数据来源

为研究安徽省农村秸秆焚烧现状，本文用到的数据主要有MODIS数据。包括2013—2017年秋收季(9月22日—11月1日)空间分辨率为1000m的热异常数据MOD14A2和空间分辨率为500m的MODIS三级数据土地覆盖类型产品(Land Cover data)MCD12Q1；安徽省行政边界矢量数据。

1.3 研究方法

1.3.1 火点提取

地球上不同的物体，如土地、水体、森林、草地等，因为其具有不同的温度和不同的物理化学性质且常常处于不同的状态，因此都具有不同的光谱特性，向外界辐射的电磁破也具有不同的波长[12]。根据普朗克定律可知，植物在没有燃烧时和燃烧时所发出的辐射也有差异，没有燃烧时植物发出的辐射是背景辐射，燃烧时则主要是由火焰和高温碳化物发出的辐射。根据这种差异利用MODIS成像光谱仪的监测数据进行数据分析即可提取火点信息。

MOD14A2数据是分辨率为1000m的热异常数据，其DN值(像元灰度值)范围是0～9。像元灰度值共分为10类，分别为：0未被处理的(丢失的输入数据),1未被处理的(失效的),2未被处理的(其它原因),3水体,4云,5没有火点,6未知的,7、8、9都为火点(其中像元为7的火点为低置信度火点)。

1.3.2 农用地提取

表1 MOD14数据说明

MODIS三级数据土地覆盖类型产品(Land Cover data)分辨率为500m，是 Terra和Aqua 1a观测数据经过处理的结果，描述了土地覆盖的类型。该土地覆盖数据集中包含了17个主要土地覆盖类型，根据国际地圈生物圈计划(IGBP)，其中包括11个自然植被类型，3个土地开发和镶嵌的地类和3个非草木土地类型定义类。

MCD12Q1采用5种不同的土地覆盖分类方案，信息提取主要技术是监督/决策树分类。该数据中包含了5个数据集，5个分类方案如下。

土地覆盖分类1：IGBP的全球植被分类方案(本研究所采用方案)；土地覆盖分类2：美国马里兰大学(UMD格式)方案；土地覆盖分类3：基于MODIS叶面积指数/光合有效辐射方案；土地覆盖分类4：基于MODIS衍生净初级生产力(NPP)方案；土地覆盖分类5：植物功能型(肺功能)方案。

该研究将农用地上的火点判断为秸秆焚烧点，通过上述火点提取方法对遥感影像进行火点提取有可能包括如森林火灾火点、高反射率水体、人工建筑热源等一些非秸秆焚烧点，为此还需进行一些更细化的处理以达到剔除上述非秸秆焚烧火点干扰。结合土地覆盖资料来排除非秸秆焚烧火点，但土地利用土地覆盖资料数据一般都不是最新的，并且土地利用土地覆盖资料的更新需要很多人力，并不能及时更新，在时效性上会打折扣。由于资源限制，本文采用MODIS三级数据土地覆盖类型产品提取农用地以判定火点是否在农用地之上。该数据空间分辨率为500m，拥有5种不同的土地覆盖分类方案。土地覆盖分类1～5的分类图可见图像上各DN值都代表某一地物类型，由具体意义可知可以使用土地覆盖分类1中的DN=12的值提取农用地。

1.3.3 秸秆焚烧点年际变化特征分析

分析农用地数据与火点数据叠加得到的秸秆焚烧点，根据总体焚烧点数目判断5a来安徽省秸秆焚烧的总体变化，统计每个市5a的秸秆焚烧点数目并将安徽省分为皖南、皖中、皖北3大区域进行统计分析秸秆焚烧点的分布情况，根据秸秆焚烧点的像元数分析秸秆焚烧面积的变化情况与秸秆焚烧点数目变化情况进行比较分析。

2 结果与分析

2.1 秸秆焚烧火点分布

经统计，安徽省2013年9月22日—11月1日秸秆焚烧火点为29个，2014年同时间段为30个，2015—2017年同期秸秆焚烧火点分别为8个、4个、12个。由图2所示，2015年后秸秆焚烧火点数显著下降且保持在较低数量。其中2014—2015年度下降幅度高达73.3%。

2014年国务院办公厅颁布的《关于推进农作物秸秆综合利用的意见》以及2015年中华人民共和国国家发展和改革委员会下发《关于进一步加快推进农作物秸秆综合利用和禁烧工作的通知》,通知中明确了关于秸秆禁烧和综合利用的总体要求和主要目标：要加快推进秸秆综合利用产业化,加大秸秆禁烧力度，进一步落实地方政府职责，不断提高禁烧监管水平，促进农民增收、环境改善和农业可持续发展。力争到2020年，全国秸秆综合利用率达到85%以上；秸秆焚烧火点数或过火面积较2016年下降5%，在人口集中区域、机场周边和交通干线沿线以及地方政府划定的区域内，基本消除露天焚烧秸秆现象。由于国家及政府的约束与监督，从2015年起，安徽省秸秆焚烧情况明显减少。

2.2 城市农用地火点分布

按照安徽境内的2大河流将安徽分为皖南(铜陵、芜湖、马鞍山、黄山、宣城、池州)、皖中(合肥、安庆、六安、滁州)、皖北(蚌埠、阜阳、宿州、淮北、淮南、亳州)3大区域，根据表2统计(如图3所示)的三片区域的秸秆焚烧变化情况，明显可以发现，安徽省秸秆焚烧现象多发于淮河流域(主要在皖北地区)，皖北地区秸秆焚烧火点数占此次统计的比例高达68.7%，尤其在亳州市、阜阳市该现象较为严重。集中焚烧秸秆所带来的环境污染将远高于其它城市，通过大气循环作用污染还会在一定程度上影响其它城市的环境变化。但是由图2(e)所示，可以发现2017秸秆焚烧情况相比于2016年、2015年有略微增长趋势；值得注意的是，2017年秸秆焚烧不仅发生在皖北地区，长江流域也出现了部分地区秸秆焚烧情况，所以建议政府在加大对皖北地区秸秆焚烧的监管力度的同时也需要时刻监督长江流域该种情况的发生。

表2 安徽省2013—2017年秋收季节火点分布统计

由图3明显可以看出，2015年之前皖北的秸秆焚烧状况相较于皖中、皖南地区严重得多，其秸秆焚烧点为44个，皖南、皖北总计15个；2015年之后情况得以控制，皖北共12个、皖中4个、皖南8个；总体来说，淮河以南地区秸秆焚烧火点数在2013—2017年间基本保持不变。值得注意的是，相较于2016年所有地区秸秆焚烧点出现了上升的趋势，虽然涨幅不大，但应该引起有关部门注意，尤其是皖北地区。

2.3 年鉴秸秆焚烧面积

对所提取的火点矢量化后可以发现(如图4所示)，火点以面的形式呈现出来，火点大小存在差异，由于MOD14热异常数据分辨率为1000m,可能导致部分连续火点以1个大面积火点显示出来，所以火点数不是唯一衡量秸秆焚烧变化趋势的值。焚烧面积也是本研究统计的关键要素，可以根据焚烧区域的像元数反映秸秆焚烧面积。

根据对每年数据像元值统计计算得出(图5所示)的秸秆焚烧点像元数可知，2014年秋收季节秸秆焚烧面积相对2013年同期下降了23.8%，2015年比2014年下降了25.0%,2016年比2015年下降了55.6%，2017年比2016年上升了37.5%。结合图4面积变化情况与图5焚烧点变化情况，秸秆焚烧面积的变化趋势与秸秆焚烧火点数变化趋势呈现相似的趋势，总体在减少但在2017年有略微增长。

3 结论

本文利用MOD14热异常数据产品对安徽省境内火点提取，由于该数据的时间分辨率较高，可以及时提取出火点信息，而利用MCD12Q1数据可以提取得到全省耕地的大致分布，从而能有效地排除森林火灾火点、高反射率水体、人工建筑热源等其它地物对提取结果的干扰。考虑到每年气象条件的不同，作物物候期的正常年际波动，所以对于时相的延长也提高了提取秸秆焚烧点的合理性。提取结果不仅可以反映秸秆焚烧点数目，还可以反映秸秆焚烧面积的变化趋势。

对安徽省5a秸秆焚烧火点数目及分布情况进行统计、分析，研究结果显示：秸秆焚烧多发于皖北地区(尤其亳州、阜阳较为严重)，其秸秆焚烧点占全省的68.7%，主要是由于皖北地区主要种植小麦、水稻、玉米(玉米秸秆多加工为饲料)等作物，导致小麦、水稻秸秆焚烧现象普遍；2013—2017年安徽省秸秆焚烧无论在数量上还是在面积上都呈现了明显下降的趋势，从2013年的29个、2014年的30个下降至2015年的8个和2016年的4个。尤其在2015年下降明显，说明国家和政府颁布的《关于推进农作物秸秆综合利用的意见》及《关于进一步加快推进农作物秸秆综合利用和禁烧工作的通知》在秸秆禁烧和综合处理方面具有强制的约束力；虽然在秸秆禁烧工作开展以来秸秆焚烧状况得到了明显控制，但在2017年该现象出现了“死灰复燃”的情况，安徽省秸秆焚烧火点数量上升到12个。

本研究在利用MOD14热异常数据提火点时所采用的像元灰度值为7、8、9，具有较高置信度的8和9是可以准确提取火点信息的DN值，但是像元灰度值7是低置信度(Low confidence)的火点,在研究中加入该像元值产生的结果可能会有一定的偏差，但是若仅仅考虑DN值8、9的火点，在火点提取的过程中会出现漏判的现象。所以对于DN值为7的像元是否可以用来提取火点信息是需要进一步讨论的问题。