应用植被变化与火烧迹地对森林火灾反演1)

王金鑫 桑学锋 刘鑫 常家轩 郑阳 李子恒

(中国水利水电科学研究院水资源所，北京，100038)

准确评估森林火灾后的损失情况对于预判林火蔓延发展态势、组织林火扑救、安全灭火、灾后重建、维护生态平衡以及保护森林资源具有现实意义[1]。随着遥感技术的不断发展，卫星的时空分辨率的不断提高，可以通过卫星影像实时观测火灾过程并且提取有效信息，实现对森林火灾的全过程进行动态反演以及灾害评估。灾区的植被变化与火烧迹地面积是火灾反演的重要评估指标[2]。近年来，国内外许多学者提出了基于遥感技术的火灾反演评估方法，其中常用的是利用遥感影像中的光谱构造植被指数与燃烧指数来突出植被损伤区域与火灾的火烧迹地面积，其原理是基于火灾后植被燃烧减少和燃烧残留物沉积这两个变化特征。Allen et al.[3]通过Landsat TM/ETM+数据计算了火灾前后的归一化燃烧比(NBR)与差分归一化燃烧比(dNBR)对阿拉斯加北部森林火灾进行了评估； Veraverbeke et al.[4]通过Landsat TM/ETM+与MODIS数据，利用差分归一化燃烧比对希腊2007年伯罗奔尼撒半岛的森林大火进行不同时序的火灾反演以及火灾严重程度评估；Chang et al.[5]通过构建归一化燃烧比指数对黑龙江森林大火进行了火灾严重程度的评估；Escuin et al.[6]从LANDSAT TM/ETM图像中分析提取的归一化燃烧比和归一化植被指数，对西班牙南部发生的3起森林火灾进行了火灾严重程度评估；张春桂等[7]利用分辨率250 m的 MODIS可见光数据，根据MODIS的归一化植被指数，在火灾发生前后的变化特征估算了林火面积。传统方法只依据单一指数指标对火灾损失进行评价，往往忽视了灾区的植被损失与火烧迹地的区别；实际上，在植被损失估算中往往只计算出灾后植被指数，通过目视解译而估算植被损失，实际操作易产生误差。在火烧迹地面积评估中，通过计算火烧迹地的燃烧指数来区别过火区与未过火区，对如何能够准确快速追踪识别与提取火烧迹地面积的方法很少有考虑。

本文基于Sentinel-2影像，以木里森林火灾为例，采用基于火灾前后归一化差分植被指数、差分归一化燃烧比(dNBR)、迭代加权多元变化检测算法(IR-MAD)、追踪识别提取算法等分析火灾前后的植被变化和火烧迹地面积，为森林火灾快速反演与评估提供数据支持。

1 研究区概况

2020年3月28日四川省凉山州木里藏族自治县项脚乡发生森林火灾，火场位于木里县东南部，西侧距离木里县城约5 km。其地理位置为101°18′～101°31′E，27°51′～28°2′N。灾区位于高山峡谷地带，森林覆盖率高，植被多为松树、桉树等易燃植被，其枝叶中均含有大量油脂，且地表可燃物复杂(包括倒木、腐木、高山腐殖层、泥炭等)，一旦燃烧，会分解产生大量挥发性易燃气体，导致燃烧剧烈。木里森林火灾和平原、盆地、丘陵等地区不同，凉山州地处偏僻，森林植被处于的高山峡谷，给灭火工作带来极大的挑战，地面囿于视野限制，难以判断火势走向，卫星“站得高看得远”，可以快速发现火情，判断火情趋势，从宏观的角度把握火灾全貌，有利于应急救援指挥与决策。

根据凉山州气象信息中心的数据显示，火灾期间，正值干风季节，晴热天气异常，连续20 d无任何降水，空气湿度为5%～10%；特别是3月下旬已连续4 d高温天气，最高气温达到31.2 ℃，风力7～8级，火灾期间全州平均温度较历史同期偏高2.0 ℃；全州平均降水量12 mm，木里比历史同期减少64%的降水量。在高温、大风和干燥气候加持下，引起了木里特大森林火灾。

2 研究方法

2.1 影像数据

Sentinel-2影像具有 13 个光谱波段，空间分辨率为10 m[8]。采用SNAP软件对数据进行辐射定标、几何校正、波段融合和影像裁剪。Sentinel-2在重访周期、空间分辨率以及光谱分辨率等方面均优于大多数遥感影像，能够为森林火灾反演评估提供更高精度的数据。本文使用Sentinel-2灾前(3月25日)、灾中(3月30日)、灾后(4月9日)无云影像数据各2幅，Landsat-8灾后(4月14日)影像一幅。火场影像如图1所示。

图1 不同时间的火灾区的影像

2.2 迭代加权多元检测算法的植被变化检测

通过计算火灾前后的归一化植被指数的遥感影像后，利用迭代加权多元检测算法(IR-MAD)进行火灾前后的植被变化检测。通过变化检测火灾前后植被的变化像元，分离出健康植被与受灾植被，制作出植被受损专题图。

归一化植被指数：反映土地覆盖植被状况的遥感指标，也是反映植被长势和营养信息的重要参数[9]。通过计算火灾前后的归一化植被指数，能够为有效评估植被受损区域提供支持。遥感影像中，归一化植被指数的计算公式为：INDVI=(NR-R)/(NR+R)。式中，NR为近红外波段的反射值，R为红光波段的反射值。

迭代加权多元检测算法(IR-MAD)：多元变化检测算法(MAD)[10]其数学本质，主要是多元统计分析中的典型相关分析(CCA)以及波段差值运算，但该算法仍然不能完全改善目前多元遥感影像处理中的局限性。Canty et al.[11]在MAD算法的基础上，并提出了迭代加权多元检测算法。IR-MAD是一种检测多元影像变化的方法，具有准确的获取变化信息以及受外界因素影响较小的特点，因此，在多元影像检测变化中被广泛应用[12]。IR-MAD核心思想是每个像元初始权重为1，每一次迭代均赋予2幅影像中每个像元新的权重，通过计算，未发生变化的像元具有较大的权重，最终得到的权重是决定各个像元是否发生变化的依据。经过若干次迭代后，每个像元的权重会趋于稳定，直到变化小于设定的阈值或不再变化则停止迭代。研究证明，IR-MAD通过迭代更新权值，得到的变化区域更精确，噪声更少，能够更好地将变化信息从非变化区域中提取出来[13]。

2.3 追踪识别提取算法

采用差分归一化燃烧比和追踪识别提取算法对研究区进行火烧迹地面积的提取。

采用差分归一化燃烧比：采用差分归一化燃烧比是在归一化燃烧比方法的基础上建立的[14]。通常运用差分归一化燃烧比和归一化燃烧比生成森林大火燃烧后的图像，可以获得对燃烧严重性的初步评估数据，并支持现场救灾工作。本文采用差分归一化燃烧比对受灾区域制作火灾等级分布专题图[15]。差分归一化燃烧比和归一化燃烧比的计算公式为：INBR=(NR-SR)/(NR+SR)；IdNBR=IF-IP。式中，INBR为归一化燃烧比，IdNBR 为差分归一化燃烧比，NR为近红外波段的反射值，SR为短波红外波段的反射值，IF为灾区火灾前的归一化燃烧比，IP为火灾后的归一化燃烧比。

运用目标追踪识别提取算法能够进行追踪影像中所有连通区，并根据阈值提取目标的面积信息，与两边扫描法、区域增长法相比，扫描重复率低、精度高[16]。差分归一化燃烧比和火烧迹地面积追踪识别提取影像信息，是在差分归一化燃烧比的突出燃烧区域信息基础上，继续火烧迹地信息的追踪识别。算法原理是在差分归一化燃烧比提取后的影像中，自主搜寻种子点，遍历整幅影像；根据每个点的性质判断该点是否符合要求，决定种子点；再根据种子点的4-邻域追踪连通区域，将种子点的邻域判断结束后，确定该点和4-邻域的连通性。根据火烧迹地的特有光谱信息范围作为阈值，采用双阈值法来分类过火区，对过火区域进行标记，分别计算不同连通区域面积对应的影像中的火烧迹地面积，从而实现整幅影像中的火烧迹地面积一次性识别提取。主要方法流程如下：

(1)从影像的第二行第二列开始扫描，若扫描到A点，先对A点的像素性质进行判断，若符合种子点要求则对其邻域进行判别；

(2)若邻域内有与A点具有相同性质的点则进行标记、储存；

(3)4-邻域内像素判断完后，将储存的具有相同性质的点提取出来，一个连通区域就被提取出来，表明该区域追踪完成；

(4)接着对下一个像素进行步骤(2)和步骤(3)，若遇到的点已经被标记则跳过；

(5)所有图像扫描后，将所有的连通区域排列，根据火烧迹地阈值提取各个火烧迹地连通区并计算像元点数，将其自动与影像分辨率相乘得出火烧迹地面积。

3 结果与分析

3.1 火灾前后植被变化检测

如图2所示，通过对灾前灾后的影像进行归一化植被指数计算得到火灾前后的两幅影像，观察研究区灾前(3月25日)与灾后(4月9日)的无云两幅影像，这一时间区域跨越了整个火灾的过程，将灾前灾后的植被变化显现出来。

如图3所示，通过基于IDL语言编写集成的IR-MAD功能模块在ENVI5.4软件中进行加载使用，对火灾前后归一化植被指数的影像变化进行检测，变化结果被认定为受损植被；将结果影像用阈值分割进行色彩增强制成专题图，突出了健康植被与受损植被的区别，经过统计受损植被像元数量为1 464 408个像素。

图2 火灾前后NDVI影像

图3 火灾前后植被变化影像

3.2 火烧迹地面积追踪识别提取

采用dNBR+火烧迹地面积追踪识别提取算法是在dNBR结果基础上对火烧迹地进行二次处理分析，并对火烧迹地面积进行一次性快速准确提取与计算。使用火灾的前中后3个时段的影像，对灾中(3月30日)、灾后(4月9日)火烧迹地的面积进行了快速识别提取。流程为：(1)计算3个时段火灾区域影像的NBR；(2)通过计算灾前与灾中、灾后的NBR差值得到灾中(3月30日)、灾后(4月9日)dNBR影像(见图4)；(3)再通过基于(2)中dNBR影像进行火烧迹地面积追踪识别提取，将灾中(3月30日)、灾后(4月9日)两个时序的灾区火烧迹地面积一次性提出并计算，结果见图5、图6，图中白色区域为火烧迹地。

图4 灾中灾后dNBR影像

图5 火灾等级分布专题图

图6 dNBR+火烧迹地面积识别提取成果影像

通过dNBR+火烧迹地面积追踪识别提取算法进行实验，提取火灾中(3月30日)火烧迹地斑块18个，火烧迹地面积6.01 km2；提取灾后(4月9日)火烧迹地斑块24个，识别出火烧迹地面积171.73 km2。

3.3 精度评定

采用灾后(4月14日)的Landsat-8的重采样为10 m分辨率影像作为精度评定数据。通过计算灾后归一化差分植被指数，并通过人工目视解译获取受损植被面积，以此作为实际结果进行植被变化检测的精度评定；同时通过多次目视解译获得火烧迹地典型斑块，并与dNBR+火烧迹地面积追踪识别提取方法结果进行对比评价，在研究区域范围随机生成验证像元点，结合Landsat-8影像数据确定验证像元点的属性值构建混淆矩阵，计算火烧迹地面积提取精度的kappa系数。因此，采用的NDVI+IR-MAD检测植被变化方法，NDVI+IR-MAD检测植被变化像元数1 464 408个，实际像元数1 592 631个，检测到受损植被精度达到91.95%；dNBR+火烧迹地追踪识别提取火烧迹地面积171.73 km2，火烧基地实际面积为189.19 km2，提取精度90.77%，kappa系数为0.87。评价结果表明该方法具有较好的效果与精度，验证了方法的可靠性。

4 结论

由于西南林区的高森林覆盖率以及冬春季节干燥风大，每年都会发生如木里这样的森林火灾，木里火灾是四川乃至西南林区近年来经常发生的典型森林火灾。本文采用Sentinel-2遥感影像，以2020年3月28日四川凉山州木里县发生的典型西南林区森林大火为例，进行植被变化与火烧迹地提取的森林火灾反演实验。得出以下结论：该方法是利用所有森林火灾后都会产生的植被变化与火烧迹地信息来反演火灾情况，具有普适性。通过对四川木里火灾的反演，较好地证明了该方法的可行性。该方法流程能够准确分离出受损植被的区域与快速准确提取计算火烧迹地像元面积，有效排除其他噪声的干扰，且精度较高；能够对所有火灾区域进行灾后快速评估，提供植被变化与火烧迹地的参考数据，反演整个森林火灾的时空发展过程。根据木里地区的良好的遥感反演情况，也证明了该方法能够判断出火灾的发展势态，为森林火灾的安全扑救提供现实参考。