基于Landsat时间序列数据的火烧迹地识别与恢复效果评价

摘 要：为研究大兴安岭地区火烧迹地识别和火后植被恢复状况，基于2006—2020年Landsat TM遥感影像，利用Google Earth Engine编写代码，以2006年大兴安岭地区松岭区那源林场森林火灾为研究背景，以差分归一化燃烧指数（dNBR）为基础数据进行火烧迹地识别，并对火烧烈度进行轻度、中度、重度和极重的等级划分；基于火烧迹地的增强型植被指数（EVI）值，采用一元线性回归分析、用于气候诊断与预测的Mann-Kendall突变检验法和用于做趋势分析的Theil-Sen median趋势分析等方法分析火烧迹地2006—2020年的植被恢复特征，探究大兴安岭地区火烧迹地植被恢复进程。结果表明，1）基于dNBR得到研究区过火面积为2 488.7 hm2，其中轻度、中度、重度和极重火烧迹地面积占比分别为23.5%、9.6%、35.2%和31.7%，重度和极重过火区分布于火烧迹地西部和东部，过火强度从中部向南部和北部逐渐降低，其EVI值与火烧前相比分别下降了约30%、40%、58%和67%；2）不同烈度林地火烧迹地EVI恢复速率由大到小表现为极重、重度、中度、轻度，植被恢复过程中，迹地EVI值逐渐增加，其中，轻度和中度火烧迹地可在火后6～8 a恢复，而重度火烧迹地的恢复则需14 a；3）火烧迹地恢复过程中，林地EVI突变点较灌草地少，说明森林生态系统较灌草地稳定性强。不同烈度林地火烧迹地的突变情况也存在一定差异，且对照区的突变时间点滞后于火烧迹地。

关键词：大兴安岭； 遥感； 谷歌地球引擎； 火烧迹地； 增强型植被指数

中图分类号：S754 文献标识码：A DOI：10.7525/j.issn.1006-8023.2024.05.002

Evaluation of Recognition and Restoration Effect of Burned Areas Based on Landsat Time Series Data

Abstract： To study the identification of burned areas and post fire vegetation restoration in the Daxing'an Mountains region， based on Landsat TM remote sensing images from 2006 to 2020， Google Earth Engine was used to write code. The research background was the 2006 forest fire in the Nayuan Forest Farm in the Songling District of the Daxing'an Mountains region. The differential normalized burned ratio （dNBR） data was used to identify the burned areas， and the severity was classified into mild， moderate， severe， and extremely severe levels. Based on the Enhanced Vegetation Index （EVI） values of burned areas， methods such as univariate linear regression analysis， Mann-Kendall mutation test for climate diagnosis and Theil-Sen media trend analysis for treud analysis were used to analyze the vegetation restoration characteristics of burned areas from 2006 to 2020， and to explore the process of vegetation restoration in the Daxing'an Mountains region. The results showed that， 1）Based on dNBR， the burned areas in the study area was 2 488.7 hm2， with 23.5%， 9.6%， 35.2%， and 31.7% of the areas affected by mild， moderate， severe， and extremely severe fires， respectively. Severe and extremely severe areas of excessive fire were distributed in the western and eastern parts of the burned area， and the severity of excessive fire gradually decreased from the central to the southern and northern parts. The EVI values decreased by about 30%， 40%， 58%， and 67% compared to before the fire， respectively. 2）The recovery rate of EVI in forest burned areas with different intensities showed extremely severe， severe， moderate， mild. During the vegetation restoration process， the EVI value of the burned areas gradually increased. Mild and moderate burned areas can recover 6-8 years after the fire， while the recovery of severely burned areas required 14 years. 3）During the restoration process of burned areas， there were fewer EVI mutation points in forested areas compared to grasslands， indicating stronger stability of forest ecosystems compared to irrigated grasslands. There were also certain differences in the mutation situation of forest burning sites with different intensities， and the mutation time point in the control area lagged behind the burning sites.

Keywords： Daxing'an Mountains； remote sensing； Google Earth Engine； burned areas； enhanced vegetation index

0 引言

森林火灾是最为严重的自然灾害之一，蔓延速度快，通常会造成植被生态系统的严重损毁，对人类生存环境和生物多样性的维系造成重大影响［1］。森林火灾属于重大自然灾害［2］，21世纪以来，受全球气候变暖的影响，森林火灾次数增多。全世界每年发生火灾约20万次，过火面积3.5～4.5亿km2［3］。发生森林火灾时，由于燃烧消耗大量氧气并释放大量二氧化碳及部分有毒气体，会对附近居民造成伤害甚至死亡威胁，同时森林火灾的发生也会带来大量的经济损失，如房屋重建、铁路道路维护等。量化林火后的植被损失、恢复特征对森林生态系统有着重要的意义，遥感技术在追踪植被响应与恢复中应用广泛［4］。随着大量中高分辨率卫星遥感数据的免费开放，为遥感技术的应用提供了可靠的数据支持，研究者可使用不同的卫星数据进行时间序列森林变化分析研究，包括我国高分系列光学卫星、欧洲Sentinel系列和美国Landsat系列数据［5］。中高分辨率卫星对地观测数据已经广泛应用于土地测量、国土资源、农业、林业和环境保护等多个方面，因此，使用遥感技术用于展开火烧迹地识别与火后植被恢复研究意义重大。

自20世纪80年代以来，学者们为了研究森林火灾强度，利用遥感方法专注于监督分类。Hall等［6］对美国阿拉斯加西北部发生的森林火灾进行了森林火灾强度分析，通过研究轻度、中度和重度过度燃烧区图像反射率的变化，指出影响森林火灾强度包括火灾前的植被条件和地形，特别是位于高海拔和相对干燥的地区，这些地区更容易发生严重火灾。王正非等［7］提出了利用地震学的强度概念作为火灾强度指数的衡量标准，并将森林存量作为森林生态系统的状态指数，讨论了森林火灾对生态系统的影响。火灾强度是一个直接影响森林生态平衡的干扰因素。轻度火灾可以防止更严重的火灾，还可以减少病虫害，增加土壤养分，有利于减少森林中可燃物质的积累量。陈本清等［8］基于火后TM影像，使用适合的波段来进行监督分类并选取PCA变换后的第三主成分分量，采用IHS变换法和滤波阈值法提取火灾信息。解伏菊等［9］对Landsat TM遥感图像进行图像分类，并与森林景观分布图、1987年火灾分布图及归一化植被指数值进行叠加分析，进而从大尺度上研究火烧迹地的森林景观分布、林火烈度及火烧迹地内森林功能的恢复。宫阿都等［10］通过计算差分归一化燃烧比（dNBR），参考过火后的遥感影像，设定dNBR阈值，得到大兴安岭过火范围及燃烧指数数据，并制作1987年大兴安岭森林火灾对陆地植被影响数据集。在林火研究和植被恢复领域，因其涉及范围面积大、统计量大等特点，遥感技术的优势十分契合该领域的研究，其中植被指数被广泛研究应用，被应用最多的是归一化植被指数（NDVI），但其易受裸地、大气条件影响，对温度和降雨都有滞后效应［11］。基于NDVI的研究基础，增强型植被指数（EVI）改进了可能由于大气或者植被生长地表所造成的误差，因此本研究使用EVI指数作为火后植被恢复状况的依据。

大兴安岭地区森林资源丰富，海拔较高，气候相对干燥，是森林火灾易发、多发区域。本研究拟以大兴安岭地区松岭区那源530高地为研究对象，依据该地区森林大火前后的Landsat TM数据，利用 EVI指数分析火后植被的恢复进程和特征，以期为火后植被的恢复和经营提供一定的数据支撑。

1 研究区与方法

1.1 研究区概况

松岭区位于大兴安岭林区南缘，伊勒呼里山东南坡，嫩江上游左岸（50°09´～51º23´N，123°29´～125°50´E），如图1所示。东与呼玛、嫩江两县相望，北以伊勒呼里山与新林林业局为界，西与内蒙古自治区为邻，南与加格达奇林业局接壤，松岭区属寒温带大陆性季风气候区，冬季极寒期长，夏季炎热期短，春季到达缓慢，秋季降温迅速。年平均气温-3 ℃，极端最高气温30 ℃，极端最低气温-48 ℃，年平均降水量600 mm，多集中在7月和8月，占年降水量的48.9%；全年无霜期为100～110 d；植物生长期为90～100 d。每年春秋两季都有多股强风，主要风向为西北风。因为大兴安岭地区地形和气候的差异，形成的物种分布状态也是不同的，其中，最具代表性的分布是兴安落叶松（Larix gmelinii）林、白桦（Betula platyphylla）林等乔木林，以及杜鹃（Rhododendron simsii）、越桔（Vaccinium vitis）、杜香（Ledum palustre）等灌木。起火地点位于大兴安岭松岭区那源林场。发现时间为2006年5月24日，扑灭时间为2006年5月25日，过火面积总计达2 488.7 hm2。

1.2 数据收集

利用谷歌地球引擎（Google Earth Engine）导入研究区域边界的矢量数据，调用遥感影像数据集，设置提取时间、云掩膜参数。根据研究区域气候特征及植被生长条件，本研究以自2005年以来，每年 5—8月覆盖研究区的Landsat TM影像用于裁剪并合成年际影像，见表1。

1.3 数据处理与分析

1.3.1 地类划分

根据《土地利用现状分类（GB/T 21010—2017）》［12］，依据2005年Landsat影像和该地区二类调查数据，通过目视解译将研究区地类划分为林地、灌草地和其他3种类型，其中林地细分为针叶林、阔叶林和针阔混交林。

1.3.2 火烧迹地提取与烈度分级

依据火烧前后2005年和2006年2期Landsat TM数据，通过计算差分归一化燃烧指数（dNBR，式中记为dNBR），得到dNBR值用于提取森林火灾事件的过火范围以及火烧强度信息。具体公式为

式中：NBRpre、NBRpost分别代表火前、火后影像的归一化燃烧比（NBR）值；ρ4、ρ7分别是TM第4波段近红外波段、第7波段中红外波段，通过设定阈值提取过火区域，并对火烧区域进行轻、中、重烈度分级。

1.3.3 选用EVI指数分析火烧迹地植被特征

利用Landsat5的第1、3、4波段和Lansat8的第2、4、5波段计算得到研究区的增强型植被指数（EVI，式中记为EVI）数据，其计算公式为

式中：ρnir、ρred、ρblue分别为Landsat5、Landsat8数据的近红外、红光和蓝光波段反射率，该植被指数可免受火烧迹地裸露土壤的干扰以及减除对温度、降水等的滞后效应。

基于EVI指数的时序变化特征表示火后植被恢复状况，采用一元线性回归法、用于气候诊断与预测的Mann Kendall突变检验法与用于做势趋分析的Theil-Sen median趋势分析法分析研究区火后植被恢复的时间变化特征［13-16］。

一元线性回归，表达式为

式中：y为样点拟合的因变量估计值；x为自变量；a为回归系数；b为常量。

Mann-Kendall趋势检验的过程，其公式为

式中：sign为符号函数；n为集合长度；EVI（EVI1，…，EVIn）为时序数据集合；对于所有k，i≤n，且k≠i；S为 检验的服从正态分布统计量；Z为检验的标准正态分布统计量；Var（s）为方差。在α显著性水平下，当Z>0，则变化趋势上升，若Z<0，则变化趋势为下降。若|Z|>U1-α/2（置信区间的函数）时，则时间序列在α水平上变化趋势显著。

Mann-Kendall突变检验的过程（UF为正时间序列突变检验统计量，式中记为UF；UB为逆时间序列突变检验统计量，式中记为UB），其公式为

式中：E（S）为平均值；若|UF|>Uα，则表明序列有显著的趋势变化，再根据时间序列的逆序，按式（9）和式（10）求出UB统计量。若UF统计量和UB统计量两曲线相交出现交点，且两交线交点在2条临界线范围内，则交点为突变点。

Theil-Sen median趋势分析可以表示EVI在单位时间内的变化量，并把EVI的变化趋势量化，其公式为

式中：1<i<j<n；Median（）为中位数；β为斜率，若β>0，则EVI时间序列呈上升趋势，否则为下降趋势。

2 结果与分析

2.1 地类划分

依据2005年Landsat影像和该地区二类调查 数据，通过目视解译将研究区地类划分为林地、 灌草地和其他3种类型，其中林地细分为针叶林、 阔叶林和针阔混交林。经统计，研究区针叶林、 阔叶林、针阔混、灌草地的面积分别为326.2、685.1、1 452.9、24.5 hm2，占比分别为13.1%、27.5%、58.4%、1.0%。

2.2 火烧迹地提取

根据Femande-Manso等［17］对火烧烈度的分级标准，确定dNBR指数的阈值范围，将林火烈度分为4个等级：轻度火烧（0.3～0.4）、中度火烧（0.4～0.6）、重度火烧（0.6～0.8）、极重火烧（0.8以上），分级结果如图2所示。

2006年研究区火烧迹地面积共计2 488.7 hm2，重度过火区域面积为875.13 hm2，占比最大（35.16%）；其次，极重过火区域面积为788.94 hm2，占比第二（31.70%）；轻度过火区域面积为586.04 hm2，占比第三（23.55%）；中度过火区域面积为238.60 hm2，占比最小（9.59%），见表2。从空间分布看，重度和极重过火区域分布于火烧迹地的中心，由中心向外，过火强度逐渐降低，轻度过火区域多分布于四周的非森林区域，受林火影响较小。

误差混淆矩阵验证结果表明，本研究分类精度满足要求，见表3。轻度的制图和用户精度均在97%以上，其特征最明显；重度和极重的特征次之，除小部分会与中度斑块混淆外，易与轻度区域区分，制图与用户精度均在92%以上；中度区域会与部分轻度或重度区域相似，中度区域特征最不明显，易与轻度斑块和重度斑块混淆，中度的制图和用户精度均在80%～90%。

2.3 EVI时空变化特征

2.3.1 EVI空间变化分析

2006—2020年EVI变化如图3所示，由图3可以得出，2006年受森林火灾影响，研究区东北部EVI值变化程度最大，其次是西北部，南部相对变化较小。EVI值较低多在0.08～0.2，少部分EVI值超过0.2，可见森林火灾对植被的巨大影响：2006年之后，植被开始恢复，2008—2012年，整体EVI增值幅度较大，北部变化程度最大，到2012年仅有少部分地区EVI值低于0.3，其余均在0.3～0.7，即植被生长状况中等；2014—2018年，整体EVI值增加幅度减缓，植被恢复良好，此时EVI值多处于0.4～0.8；到2020年，研究区域植被的EVI值处在0.4～0.8，且以0.4～0.6居多。

2.3.2 EVI时间变化分析

根据不同火烧烈度计算各区域EVI均值，如图4所示。经统计，在林火发生前各区域EVI值大致相同，差别不大。林火发生后，2006年各区域的EVI值分别为0.21、0.15、0.1和0.07，火烧迹地的EVI值明显大幅度减少，此外轻度，中度，重度和极重随着火烧烈度的强度越高，该区域EVI值下降越明显。之后，火烧迹地的EVI值逐渐提高，彼此之间差异进一步缩小；对不同火烧烈度的EVI变化曲线进行线性拟合，由表4可知，各区域EVI增加速率由大到小为：极重、重度、中度、轻度。2010年左右，火烧迹地EVI均值上升至0.4，2010—2016年，轻度、中度、重度、极重火烧迹地的EVI值均持续增加；2016—2020年，各区域的EVI值出现轻微波动，但基本呈增加趋势，其中，极重区域变化最明显，由0.54增加至0.63。2012—2013年、2015—2017年各区域的EVI值均有所下降，但下降程度不同，火烧迹地EVI值变化程度随火烈度增加而逐渐增强。说明火烧迹地生态系统较脆弱，受环境影响更明显。在2006—2020年，EVI值的由大到小始终为：轻度、中度、重度、极重。

2.3.3 EVI趋势分析

由表5可知，重度和中度林地火烧区的EVI呈极显著增加趋势，轻度林地火烧区呈显著增加趋势，且植被恢复的效果由大到小为：极重、重度、中度、轻度。灌草地、林地对照区的EVI增加趋势不显著。在林地轻度火烧区，烧毁树木较少，而林下灌木和荒草等地被层被燃尽，使种子与土壤接触的机会变大，因此轻度和中度过火区域内的森林恢复良好，轻度和中度火烧迹地在火后6～8 a恢复为正常植被状态，林地重度、极重过火区可以较彻底地清理地表冠层，更有利于幼树生长，但因为烧毁程度较为严重，森林恢复时间较长，重度火烧迹地在火后14 a恢复为正常植被状态；而灌草区由于其恢复速度快，在火烧后可以很快恢复，之后受环境的影响较大，波动较大，灌草地火烧迹地在林火发生后 2 a即可恢复正常。

2.3.4 EVI趋势与突变特征

林地重度、极重过火区可以较彻底地清理地表冠层，更有利于幼树生长；在林地轻度火烧区，烧毁树木较少，而林下灌木和荒草等地被层被燃尽，使种子与土壤接触的机会变大，在火后几年时间内EVI变化明显，如图5所示，但持续时间不长，故其总体增加趋势没有中度和重度森林火烧区明显；灌草区由于其恢复速度快，在火烧后可以很快恢复，之后受环境的影响较大，波动较大，所以灌草区的植被增加趋势并不明显。本研究显著性水平a取0.01，对应V1-a/2为±2.276，UF为正时间序列突变检验统计量，UB为逆时间序列突变检验统计量，若UF统计量和UB统计量两曲线相交出现交点，且两交线交点在两条临界线范围内，则交点为突变点。相对于林地，灌草地的突变点更多，说明森林生态系统的稳定性要比草地生态系统强。而不同烈度下的森林火烧迹地的突变情况也不尽相同，且对照区的突变时间点较火烧迹地滞后，这与其本身的立地条件有关。

3 讨论

林火发生后，研究区的EVI值出现明显下降，且火烧烈度越高，下降越明显。之后EVI值逐渐增加，与不同火烧烈度的EVI值差异逐渐缩小，植被恢复特征明显。研究时段内，研究区的EVI值出现了几次下降，可能受到了环境条件的影响；且火烈度不同，EVI下降程度不同，对照区变化较平缓，火烈度越强，波动越明显。由于林地的组成较复杂，过火区域即使已经恢复WFQPkhkgNulYbMTT2Z0bYw==为原来状态，其生物多样性、稳定性还会发生变化［18-19］，易受到自然环境的影响。2006—2020年，由于火后开放的环境使幼苗更容易获得阳光而很快恢复为火烧前的状态，也可得知此时的植被恢复状态与受灾程度有很大关系，此时火烧区的植被生长还不稳定，容易受环境影响而产生较大波动。2010年之后EVI的变化，说明植被的生长已经不再主要受林火的影响，而更易受到该区域立地条件的制约。对轻、中、重度的EVI变化曲线分别拟合后发现，EVI恢复速率由大到小为：极重、重度、中度、轻度，森林恢复速率与火烧强度呈正相关。对于草原来说，火烧强度不是十分重要的因素［20-21］。总体上看，随着时间的变化，研究区火烧迹地的植被在逐步恢复。

林地重度、极重过火区可以较彻底地清理地表植被，更有利于幼树生长；在林地轻度火烧区，烧毁树木较少，而林下灌木和荒草等地被层被燃尽，使种子与土壤接触的机会变大，在火后几年时间内EVI变化明显，但持续时间不长，故其总体增加趋势没有中度和重度森林火烧区明显；灌草区由于其恢复速度快，在火烧后可以很快恢复，之后受环境的影响较大，波动较大，所以灌草区的植被增加趋势并不明显。相对于林地，灌草地的突变点更多，说明森林生态系统的稳定性要比草地生态系统强。而不同烈度下的森林火烧迹地的突变情况也不尽相同，且对照区的突变时间点较火烧迹地滞后，这与其本身的立地条件有关［22-23］。

本研究基于Google Earth Engine平台获取火烧前后合成影像，利用近红外波段与dNBR指数阈值与传统的遥感方法相比，建立和提取火灾痕迹可以大大提高工作效率，并提供可靠的结果。然而，由于Google Earth Engine平台最大计算复杂度的限制，合成图像的时间范围不应太长，除云掩模处理后的合成图像质量也会受到一定影响。提取的火灾痕迹可能存在错误和遗漏。未来，可以添加一定数量的训练样本，以提高烧伤部位的提取精度。此外，国内遥感大数据平台也已开放使用，数据储备更大，更新频率更快。因此，可以被认为是未来相关研究的处理平台。

4 结论

本研究以大兴安岭松岭区那源林场作为研究区域，基于2006—2020年Landsat遥感影像，利用 Google Earth Engine平台，利用差分归一化燃烧指数进行火烧迹地识别，提取2006年大兴安岭地区松岭区森林火烧迹地，并对火烧烈度进行了等级划分，基于火烧迹地的EVI（增强型植被指数）值，采用一元线性回归分析、Mann-Kendall突变检验和Theil-Sen median趋势分析等方法分析火烧迹地2006—2020年的植被恢复特征，探究大兴安岭地区火烧迹地植被恢复进程。主要研究结论如下。

1）研究区过火面积为2 488.7 hm2，轻度、中度、重度和极重火烧迹地面积占比分别为23.5%、9.6%、35.2%和31.7%，其EVI 值分别比火烧前下降约30%、40%、58%和67%。

2）随着植被的恢复，迹地EVI值逐渐增加，与对照区的差异逐渐缩小。不同烈度林地火烧迹地EVI 恢复速率表现由大到小为：极重、重度、中度、轻度，轻度和中度火烧迹地在火后6～8 a，重度火烧迹地在火后14 a左右恢复为正常植被状态；而灌草地火烧迹地在林火发生后2 a即可恢复正常。

3）过火区生态系统脆弱，易受环境条件影响。火烧迹地恢复过程中，林地EVI突变点较灌草地少，说明森林生态系统较灌草地稳定性强。不同烈度林地火烧迹地的突变情况也存在一定差异，且对照区的突变时间点滞后于火烧迹地。

【参 考 文 献】

［1］ HANTSON S，ARNETH A，HARRISON SP，et al.The status and challenge of global fire modelling［J］.Biogeosciences，2016，13（11）：3359-3375.

［2］ 闫胜良，马继东，田静.基于隐马尔可夫模型的火灾风险评估研究［J］.森林工程，2024，40（2）：151-158.

YAN S L，MA J D，TIAN J.Research on fire risk assessment based on hidden Markov model［J］.Forest Engineering，2024，40（2）：151-159.

［3］ SHI P，KASPERSON R.World atlas of natural disaster risk［M］.Heidelberg：Springer Berlin，2015.

［4］ 梁顺林，张晓通，肖志强，等.全球陆表特征参量（GLASS）产品算法、验证与分析［M］.北京：高等教育出版社，2014.

LIANG S L，ZHANG X T，XIAO Z Q，et al.Global Land Surface Characteristic Parameters （GLASS） product algorithm，validation，and analysis［M］.Beijing：Higher Education Press，2014.

［5］ 刘炀炀.基于GEE的林火识别与火后植被恢复评估研究［D］.北京：北京林业大学，2020.

LIU Y Y.Research on forest fire identification and post fire vegetation restoration evaluation based on GEE［D］.Beijing：Forestry University，2020.

［6］ HALL D K，ORMSBY J P，JOHNSON L，et al.Landsat digital analysis of the initial recovery of burned tundra at Kokolik River，Alaska［J］.Remote Sensing of Environment，1980，10（4）：263-272.

［7］ 王正非，刘自强，陈大我.论生态平衡和林火烈度［J］.植物生态学报，1986，10（1）：68-75.

WANG Z F，LIU Z Q，CHEN D W.On ecological balance and forest fire intensity［J］.Journal of Plant Ecology，1986，10（1）：68-75.

［8］ 陈本清，徐涵秋.遥感技术在森林火灾信息提取中的应用［J］.福州大学学报：自然科学版，2001，29（2）：23-26.

CHEN B Q，XU H Q.The application of remote sensing in extraction of forest burnt scar information［J］.Journal of Fuzhou University（Natural Science Edition），2001，29（2）：23-26.

［9］ 解伏菊，肖笃宁，李秀珍，等.基于NDVI的不同火烧强度下大兴安岭林火迹地森林景观恢复［J］.生态学杂志，2005，24（4）：368-372.

JIE F J，XIAO D N，LI X Z，et al.Forest landscape restoration assessment based on NDVI under different burn intensity in the burned blank of Daxinganling Mountains［J］.Journal of Ecology，2005，24（4）：368-372.

［10］ 宫阿都，李静.1987年大兴安岭森林火灾对陆地植被影响数据集［J］.全球变化数据学报（中英文），2018，2（1）：59-66，190-197.

GONG A D，LI J.Dataset of forest fire and its impacts on the terrestrial vegetation in the Greater Khingan range，China，1987［J］.Journal of Global Change Data & Discovery，2018，2（1）：59-66，190-197.

［11］ 孙妙琦，岳彩荣，段云芳，等.光学协同合成孔径雷达数据的森林类型分类研究［J/OL］.森林工程，https：//link.cnki.net/urlid/23.1388.s.20240516.1407.002.

SUN M Q，YUE C R，DUAN Y F，et al.Research on forest type classification with feature level fusion by integrating optical data with SAR data［J/OL］.Forest Engineering，https：//link.cnki.net/urlid/23.1388.s.20240516.1407.002.

［12］ 曾爱聪，蔡奇均，苏漳文，等.基于MODIS卫星火点的浙江省林火季节变化及驱动因子［J］.应用生态学报，2020，31（2）：399-406.

ZENG A C，CAI Q J，SU Z W，et al.Seasonal variation and driving factors of forest fire in Zhejiang Province，based on MODIS satellite hot spots［J］.Journal of Applied Ecology，2020，31（2）：399-406.

［13］ 王冰，张金钰，孟勐，等.基于EVI的大兴安岭火烧迹地植被恢复特征研究［J］.林业科学研究，2021，34（2）：32-41.

WANG B，ZHANG J Y，MENG M，et al.Study on vegetation restoration characteristics of Daxing’anling burned area based on EVI［J］.Forest Research，2021，34（2）：32-41.

［14］ GISLASON P O，BENEDIKTSSON J A，SVEINSSON J R，et al.Random forests for land cover classification［J］.Pattern Recognition Letter，2006，27（4）：294-300.

［15］ DE S A，ASNER G P，VAUGHAN P J，et al.Mapping burn severity and burning efficiency in California using simulation models and Landsat imagery［J］.Remote Sensing of Environment，2010，114（7）：1535-1545.

［16］ PALANDJIAN D，GITAS I Z，WRIGHT R，et al.Burned area mapping and post-fire impact assessment in the Kassandra peninsula （Greece） using Landsat TM and Quickbird data［J］.Geocarto International，2009，24（3）：193-205.

［17］ FEMANDE-MANSO A，QUINTANO C，ROBERTS D.Burn severity influence on post-fire vegetation cover resilience from Landsat MESMA fraction images time series in Mediterranean forest ecosystems［J］.Remote Sensing of Environment，2016，184：112-123.

［18］ 马楠楠，张彦雷，李建，等.黑龙江呼玛县森林火灾时空分布特征［J］.东北林业大学学报，2016，44（5）：20-23，56.

MA N N，ZHANG Y L，LI J，et al.Spatial and temporal distribution characteristics of forest fire in Huma County of Heilongjiang Province［J］.Journal of Northeast Forestry University，2016，44（5）：20-23，56.

［19］ 张运生，舒立福，赵凤君，等.森林抚育对滇中地区潜在树冠火的影响［J］.森林工程，2023，39（5）：1-10.

ZHANG Y S，SHU L F，ZHAO F J，et al.Effects of forest tending on potential crown fires in central Yunnan［J］.Forest Engineering，2023，39（5）：1-10.

［20］ 刘柯珍，舒立福，赵凤君，等.基于卫星监测热点的林火分布及发生预报模型［J］．林业工程学报，2017，2（ 4）：128-133.

LIU K Z，SHU L F，ZHAO F J，et al.Research on spatial distribution of forest fire based on satellite hotspots data and forecasting model［J］.Journal of Forestry Engineering，2017，2（4）：128-133.

［21］ 王爱爱.NDVI时间序列重建及火后森林恢复时空动态分析［D］.哈尔滨：哈尔滨师范大学，2018.

WANG A A.NDVI time series reconstruction and spatiotemporal dynamic analysis of post fire forest restoration［D］.Harbin：Harbin Normal University，2018.

［22］ 贾旭，高永，魏宝成，等．基于MODIS数据的内蒙古地形因子对火灾分布的影响分析［J］.北京林业大学学报，2017，39（4）：34-39.

JIA X，GAO Y，WEI B C，et al.Impact of topographic features on the distribution of fire based on MODIS data in Inner Mongolia，northern China［J］.Journal of Beijing Forestry University，2017，39（4）：34-39.

［23］ 曾爱聪，郭新彬，郑文霞，等.基于MODIS卫星火点数据的浙江省林火时空动态变化特征［J］.北京林业大学学报，2020，42（11）：39-46.

ZENG A C，GUO X B，ZHENG W X，et al.Temporal and spatial dynamic characteristics of forest fire in Zhejiang Province of eastern China based on MODIS satellite hot spot data［J］.Journal of Beijing Forestry University，2020，42（11）：39-46.