基于多源遥感数据的森林火灾损失评估

摘 要：利用遥感技术进行森林火灾面积的提取是一种高效、快速的方法。通过分析卫星或无人机获取的遥感影像，可以准确地识别和量化受火灾影响的区域。该研究采用多源、多时相的遥感数据，结合归一化燃烧指数（NDVI）和变化检测算法，对江西省赣州市2022年“10·17”大火前后的影像进行处理和分析，提取火灾烧毁区域的边界。通过对比分析，计算受火灾影响的面积，并评估火灾的严重程度。

关键词：遥感数据；森林火灾；面积提取；归一化燃烧指数；变化检测

中图分类号：S762 文献标志码：A 文章编号：2095-2945（2024）24-0010-05

Abstract： The use of remote sensing technology for extracting the area affected by forest fires is an efficient and rapid method. By analyzing remote sensing images obtained from satellites or drones， the areas impacted by fires can be accurately identified and quantified. This study employed multi-source and multi-temporal remote sensing data， integrating the Normalized Burn Ratio （NBR） and change detection algorithms to process and analyze images taken before and after the wildfire of October 17， 2022 in Ganzhou City， Jiangxi Province， China. The boundaries of the fire-scarred areas were extracted. Through comparative analysis， the area affected by the fire was calculated， and the severity of the fire was assessed.

Keywords： remote sensing data; forest fire; area extraction; Normalized Burn Ratio （NBR）; change detection

森林火灾对生态环境和人类社会具有重大威胁，灾害发生时，损失评估对于灾后恢复和策略制定至关重要。近年来，多源遥感数据在森林火灾监测与损失评估中展现出巨大潜力。本研究旨在探讨如何有效利用这些数据和技术，实现对森林火灾损失的精准评估，为森林火灾管理和应急响应提供技术支持。

1 研究背景及意义

1.1 森林火灾引发的安全问题

森林火灾作为一种自然灾害，具有其不可预测的突发性、极高的风险以及巨大的损害潜力，它频繁地在世界各地发生，并且处理起来极其困难。气候变化和极端气候事件的增加，使得全球正经历一个森林火灾频发的阶段。2019年澳大利亚森林火灾，火灾期间，直接导致1 170万hm2土地被烧毁，造成大量的经济损失和生物伤亡，直接损失超50亿。

我国在积极推进国土绿化工程的同时，森林资源的总量和覆盖范围都在不断扩大，这也导致了森林内可燃物的积累量逐步上升。虽然目前我国森林火灾的总体规模较小，但是由于森林可燃物的持续增长以及全球变暖引发的极端气候现象，我国面临着长期的森林火灾高风险和频发状况。2020年早期，我国西南部的多个地区遭遇了频繁的森林大火，特别是凉山地区发生了一起严重的火灾事故，导致19名消防人员不幸牺牲。根据2021年的《中国统计年鉴》数据，2020年我国共记录1 153起森林火灾，过火面积超过25万hm2，事故中受伤人数达到41人，经济损失超过了1亿元人民币。

森林火灾不但导致了大量的物资资源损失，同时还会破坏生态环境，带来大量的碳污染，进一步恶化生存环境。

1.2 卫星遥感森林火灾监测的意义

得益于卫星遥感技术的不断发展及其所产生的丰富数据资源，现行的林火污染物排放量评估方法已经从主要依赖地面统计数据，转变为利用多源遥感卫星数据进行综合观测与分析。卫星遥感技术能够实现对全球地表和大气的高频率、重复性监测。

卫星遥感技术是目前获取地表和大气信息的关键技术之一，推动了大气污染物排放研究和卫星火灾监测研究的快速发展。遥感观测技术的优势在于：一是能够对大范围的区域实现广泛监测；二是对信息获取的速度较为迅速；三是局限性小很少会受到客观条件的限制而导致无法观测，特别是在自然环境恶劣、人员无法抵达的地区，可以更容易获取监测数据，为及时获取火灾信息提供可行性。不同类型的仪器和数据产品还能够提供多样化的观测数据。此外，不同种类的传感器和数据产品能够提供多元化的观测数据。另外，相比于地面观测，卫星观测在时空覆盖上更为优越，且与某些大气模型和模拟相比，它具有更高的观测精度和时空分辨率，能够提供更客观的数据。因此，通过卫星遥感技术来检测和观察森林火灾的时空变化，将有助于更准确地监测和评估森林的状态及火灾损失，为大气污染控制提供基础数据，为减轻风险提供观测数据和影像信息，进而为我国森林安全和减少碳污染提供技术支撑。

2 研究现状及监测方法

卫星遥感技术在火灾监测领域的应用最早可追溯到1974年，当时Hitchcock和Hoffer通过计算机分析，首次揭示了火灾区域在遥感图像中的光谱特征与其他区域的不同，从而开启了该技术在火灾监测方面的应用。随后，这一技术在火灾监测方面得到了不断的发展和完善。随着遥感技术的进步，利用不同数据源的影像数据进行森林火灾监测已经变得日益成熟。目前，国内外用于火灾监测的方法主要有以下几种。

2.1 高温阈值法

该方法主要通过不同通道亮温的值，捕捉地表不同物体的辐射信息判断着火点。加上烟雾、烧痕、高温点等辅助数据优化提高着火点的识别精度。该方法过度依赖人工，虽然在操作上简单方便，但在实际操作中，过度依赖人工经验，极易造成误判、错判、漏判。

2.2 上下文火点识别法

上下文火点识别法是一种在遥感技术中广泛应用的火点识别方法，主要基于图像及逐像元对火点进行识别。为避免受到特定区域和季节差异的影响，该方法采用了邻域分析的方法，对比潜在火点与周围背景地物像素间的物理量差异来识别火点。首先，利用阈值监测到的疑似着火点，通过邻域分析识别真实着火点。但是该种方式会在较大面积的火灾情况下，将火灾中心点错误识别为非着火点。因此，该方法在实际应用中，虽然适用范围广泛，但要精准提取着火点仍需要阈值法进行辅助。

2.3 亮温结合归一化植被指数法

在识别到着火点的基础上，考虑植被因火灾破坏而降低了覆盖率的情况。该方法通过参考归一化植被指数（NDVI），以亮温和归一化植被指数2种数据，实现对地表覆盖变化、火灾监测等目标的精确识别和分析，在森林火灾监测、土地利用监测等领域具有广泛的应用前景和重要的实用价值。

综上所述，国内外对森林火灾卫星遥感监测的研究现状表现：充分利用卫星遥感技术进行森林火灾的监测、定位和评估，不断提高监测精度、速度和可靠性，为森林火灾的防控提供有力支持。在未来，遥感技术在森林火灾监测领域还将继续发展，以满足需求。

3 研究区域概况和数据

3.1 研究区域

火灾发生地点位于江西省赣州市五云镇（图1），地处中国江西省南部，地理坐标为北纬25°40′30″至27°12′19″，东经114°54′00″至116°27′40″。赣州市是江西省下辖的地级市，地处江西省的南端，毗邻福建省，地貌较为复杂，有众多的山脉和丘陵，地势的复杂决定了其林火行为发展的复杂多变。

气候对森林火灾发生频次和过火面积大小产生影响，是影响火灾发生和发展的重要因素，赣州市属于亚热带季风气候，有明显的湿季和干季。在干季，植被可能变得更加干燥，易燃物质的含水量减少，增加了火灾的潜在风险。此外，该地区植被类型丰富且复杂多样，根据2019年森林资源二类调查成果资料，截至2019年底，赣州市林地面积4 621.46万亩（1亩约等于667 m2），森林面积4 454.61万亩，活立木总蓄积量20 113.04万m2，毛竹总株数5.56亿株；阔叶树及混交林面积1 827.54万亩，蓄积量11 681.25万m3，森林覆盖率76.23%，名列全省设区市第一。基于以上种种原因，该地区火灾发生几率较高。

3.2 影像数据来源

基于本次项目区域林火受灾特征、天气条件、影像质量等综合考虑，选取关键时期遥感影像。林火过火区域分布的数据源采用Sentinel-2卫星影像作为灾前影像，PL卫星影像作为灾后影像，谷歌影像作为参考，多数据源按情况使用提高本次提取的精度，影像使用详细情况见表1。

哨兵二号（Sentinel-2）卫星的遥感影像数据可以通过欧空局的开放数据访问（Open Access Hub）或其他合作伙伴的数据服务进行获取和下载。哨兵二号（Sentinel-2）是欧洲空间局（ESA）于2015年发射的一组卫星，用于进行地球观测和环境监测，搭载了一台名为多光谱仪器（Multi Spectral Imager，MSI）的传感器，该卫星能够监测13个不同的光谱波段，并且其观测覆盖范围宽广，达到290 km。它能够提供3种不同的地面分辨率，分别为10、20和60 m。单颗卫星的返回周期是10 d，而2颗卫星相互补充，使得返回周期缩短至5 d。能够获取高分辨率、多光谱的遥感影像数据。

Planet卫星，全称为“PlanetLabs”卫星，是由美国公司PlanetLabsInc.（前身为PlanetLabs）设计、制造和运营的一系列商业遥感卫星。表2为Planet卫星的基本参数。

3.3 技术路线

根据《自然资源遥感综合调查技术要求（1∶10000）》，选取遥感数据源需要进行辐射校正、正射校正、融合处理、影像镶嵌、波段合成和图像裁剪等标准化处理，制作用于自然资源调查使用的标准影像底图。流程如图2所示。

4 火灾监测及灾后评估

4.1 基于影像波谱阈值及NDVI的火灾监测方法

遵循维恩位移原理，随着物体温度的上升，其辐射能量亦随之增长，且最高辐射峰向短波长方向偏移。研究表明，森林火灾的辐射峰值大致位于3.7 μm，而地表温度的变化主要在11 μm处较为显著。因此，搭载了中红外（3～5 μm）和远红外（10～13 μm）波段传感器的遥感卫星可以用于侦测森林火灾热点。采用卫星遥感波段的特性来开发火点识别算法是辨别火灾热点的核心技术。这一过程可以根据检测特性的差异分为两大类方法：一种是基于亮温特性的检测；另一种是基于反射特性的检测。亮温特性检测主要依赖于火灾像素与非火灾像素在中红外和远红外波段亮温的差异，以及它们在可见光和近红外波段的反射特性，以此来判断火点。这种方法适用于那些搭载了相应波段卫星数据的监测系统。而反射特性检测主要利用火灾像素与非火灾像素在短波红外波段的反射率差异，并结合它们在可见光和近红外波段的反射率差异，综合判断火点。此外，这一方法还利用高温火点在近红外和短波红外波段特有的光谱特性，结合卫星遥感数据、归一化指数以及短波红外峰值与火点的相关性，实现了火点的自动识别和误检点的排除。

不同波段组合方式进行结合对火灾的识别很有帮助。遥感影像使用的“自然色”波段组合将3个波段进行结合以大致生成人眼可见的影像。如图3所示。

采取假彩色的波段组合方式的遥感影像（图4），红色和近红外波段突出显示了植被，这对于查看火灾很有帮助，因为未遭受火灾的茂密植被区域和植被已遭火灾摧毁的区域有着明显对比。使用另一波段来突出显示植被，如B12波段可提高对比度。在该图像中，浅色区域为植被，深灰色区域为过火区域，黑色区域为水。与原始图像相比，火灾显示更加清晰。

光谱指数，如归一化植被指数（NDVI）、全球环境监测指数（GEMI）和火烧指数（BAI）等，是由不同波段组合而成的指标，它们在森林火灾前后呈现明显的变化趋势。例如，NDVI和GEMI在火灾发生后通常会显著减少，而BAI则会显著增加。通过分析这些光谱指数在火灾前后的变化，可以设定特定阈值来提取火灾影响区域的信息。

森林火灾会导致地物的光谱特性发生显著改变，这是因为火灾会烧毁部分或全部的地物，使得地物的颜色变深、变暗，从而在可见光波段的光谱反射率降低。利用这一变化，可以通过比较火灾前后森林的NDVI归一化值，来估算受火灾影响的森林面积。

公式：NDVI=（NIR-R）/（NIR+R）。

分别计算灾前灾后影像的NDVI，用灾前的NDVI减去灾后NDVI，从中提取出过火区。在专业的图像处理软件中，加载影像与指数分析后的结果，建立过火迹地的矢量，统计受灾亩数等。

4.2 综合灾后评估方法

森林的受灾程度是衡量火灾对生态系统影响的重要指标，它与植被的死亡率成正比关系，与植被的恢复能力成反比关系。通过卫星遥感技术评估森林火灾受灾程度的主要方法包括3种。

一是通过比较火灾前后卫星遥感数据的变化来直接评估受灾程度。例如，使用AVHRR数据计算火灾前后NDVI的变化，并据此分析火灾的影响程度。

二是在上述基础上，通过目视解译遥感图像，选择不同燃烧程度的代表性样本，并利用监督分类等技术对火灾受灾程度进行分级。这种方法结合了视觉判断和机器分类，以更精确地划分林火的受损等级。

三是使用卫星图像的各种光谱指数和地面实测指数相结合的方法来评估火灾受灾情况。例如，利用Google Earth Engine平台，结合Landsat时间序列数据和DNBR、NDVI等光谱指数，生成火灾区域的分布图。

这些方法共同为森林火灾的监测和评估提供了有效的技术手段，有助于快速准确地了解火灾的影响范围和程度。本次采用了第二种方法，根据灾区的林木光谱特征，分析赣州市商品林在遥感影像上表现的特征变化，从而利用遥感影像进行过火面积提取。本次林火过火面积的遥感解译特征识别见表３。

4.3 监测结果

此次基于光学影像对赣州市五云镇森林火灾进行遥感监测与评估分析，经过解译、分析和精度校验，得到赣州市五云镇商品林过火区域空间分布图、受损情况分布图和相应统计表。过火区域空间分布图如图5所示。

受损情况分布图如图6所示。

5 结论与展望

仅用Sentinel－2影像能实现对林火迹地大致范围的提取，但是对过火区域与未过火区域的界线区分不够明显，界线呈锯齿状，且容易将夹杂在过火区域中的未过火小区域误判为过火区域，由于较低分辨率卫星遥感图像因其较低的细节表现能力，适用于监测广泛区域的森林火灾，但在捕捉小规模火灾的精确位置方面存在局限。高分辨率影像则能提供关于树木烧伤状况等更详细的信息，而这通常需要更清晰的图像。无人机平台能够灵活地收集多种类型的数据，有效克服这一挑战。通过结合卫星遥感在大范围监测和无人机在高分辨率精细化探测方面的各自优势，可以实现一种点面结合的全面、高效的全天候森林火灾监控系统，从而降低火灾造成的损害，并提高火灾预警的准确性。

参考文献：

[1] 覃先林，李晓彤，刘树超，等．中国林火卫星遥感预警监测技术研究进展[J].遥感学报，２０２０，２４（５）：５１１－５２０．

[2] 郑伟，陈洁，唐世浩，等.基于FY-3D/MERSI-Ⅱ远红外数据的火情监测研究[J].红外与毫米波学报，２０２０，３９（１）：１２０－１27.

[3] 尹俊玥，何瑞瑞，赵凤君，等.多源卫星遥感影像的林火监测[J].光谱学与光谱分析，２０２３，４３（３）：９１７-926.

[4] 覃先林，陈尔学，李增元，等. 基于MODIS数据的森林覆盖变化监测方法研究[J].遥感技术与应用，２００６，２１（３）：１７８－１８3.

[5] 张斌，张新建．基于ＮOAA AVHRR 1B数据的我国东北森林火点监测方法[C]//2016中国地理信息科学理论与方法学术年会论文集，2016：1-8.

[6] 张兵，韦锐，宋昆仑，等．基于TM8遥感影像的森林火灾监测与过火面积测算[J].矿山测量，２０１５（３）：７５－７８，８４．