呼中林區火燒跡地遙感提取及林火烈度的空間分析*

李明澤 康祥瑞 范文義

(東北林業大學林學院 哈爾濱 150040)

?

呼中林區火燒跡地遙感提取及林火烈度的空間分析*

李明澤 康祥瑞 范文義

(東北林業大學林學院 哈爾濱 150040)

【目的】利用Landsat TM影像，采用遙感指數構建決策樹分類模型，提出一種識別火燒跡地面積與林火烈度分析的新方法，并結合坡度、坡向、海拔等地形因子對過火區域火烈度的空間分布進行科學系統的分析研究，為大興安嶺地區森林防火和林火管理提供一定的理論依據和數據支持。【方法】以大興安嶺地區呼中林區為研究區，以2010年9月火后TM影像以及2007年9月火前TM影像為基礎數據，以DEM影像、林相圖為輔助數據，利用NDVI、NDSWIR、MNDWI和dNBR等遙感指數構建決策樹分類模型，對呼中林區2010年10場火燒跡地進行識別，根據dNBR閾值法將過火區域火烈度分為4級，并利用Arcgis軟件將火烈度圖分別與坡度、坡向、海拔圖疊加分析。【結果】利用決策樹分類模型所提取火燒跡地面積的分類總體精度和Kappa系數分別為97.97%和0.943 2，與平行六面體法和ISODATA法的分類的精度相比分別提高了7.56%和17.32%，Kappa系數也相應提高。決策樹模型提取火燒跡地的制圖精度和用戶精度分別為97.51%和97.54%，而平行六面體分類法分別為90.43%和96.52%，ISODATA法分別為94.35%和95.68%。利用dNBR閾值法將已提取的過火區林火烈度分為： 未過火、輕度火燒、中度火燒、重度火燒4個級別，其中中度火燒和重度火燒分別占總過火面積的46.6%和33.2%。疊加分析后，海拔在1 000～1 500 m的地區過火面積共4 177 hm2，占總過火面積的64.4%。Ⅲ級坡(6°～15°)過火面積最大，占總過火面積的45.9%。南坡過火面積最大，為1 391 hm2，約占總過火面積的21.4%。【結論】本文所使用的決策樹分類模型能夠準確地識別過火區域，在精度上相較平行六面體法與ISODATA法有顯著提高，且過火面積也更接近目視解譯判讀所得到的過火面積，精度均達到82%以上。dNBR閾值法可將過火區域火烈度分為4個等級，結果表明過火區域中度火燒和重度火燒占總過火面積的比重較大，林火烈度與海拔、坡度、坡向之間存在一定相關關系。

火燒跡地； 決策樹分類； 林火烈度； 過火面積； dNBR

森林火災在森林資源管理中有著很強的生態學和社會經濟學影響。林火干擾使生態系統、群落或種群的結構遭受破壞，使基質和物理環境的有效性發生變化(鄧湘雯等， 2003)。森林火災會向大氣中釋放大量CO2，加劇森林碳儲量的動態變化，并且干擾后的森林的固碳能力也會發生一定變化(Seileretal.,1980)

隨著3S 技術的不斷發展，利用遙感提取火燒跡地的方法層出不窮。Mazuelas等(2012)在TM影像上利用NBR(歸一化火燒指數)、BAI(過火區識別指數)等指數對西班牙加利西亞地區火燒跡地進行識別，并與監督分類結果進行對比，結果表明NBR指數的總體精度最高。楊偉等(2015)提出一種基于MODIS時序數據的火燒跡地提取方法，以此為基礎利用GEMI(全球環境監測指數)和BAI等指數對黑龍江流域2000—2011年的火燒跡地信息進行了提取。祖笑鋒等(2015)在高分一號影像上結合NDVI(歸一化植被指數)等指數構建決策樹成功對四川雅江縣地區火燒跡地進行提取，并與監督分類和非監督分類方法進行比較，結果表明決策樹識別火燒跡地方法在精度上有顯著提高。

近年來，對于已識別過火區域的火烈度研究也日益成為科學研究的熱點。火燒烈度(burn severity)是指林火對森林生態系統(植被，土壤養分和土壤理化特性)的影響或破壞程度(Lentileetal.， 2006)。定量評價林火烈度，有助于揭示林火干擾下生態系統各種生態過程的發展變化和森林景觀格局的形成機制(常禹等， 2012)。Key等(2006)建立了基于地面調查的綜合火燒指數(composite burn index，CBI)，目前CBI已經成為美國林署進行林火烈度評價的野外調查和評價標準。王曉莉等(2013)利用NBR指數對1986—2010 年大興安嶺呼中林區森林過火區林火烈度進行了定量評價，建立了大興安嶺地區CBI與NBR的線性回歸模型。

綜上所述，現階段對于火燒跡地識別的科學研究基本局限在較傳統的單一遙感指數閾值法，祖笑鋒等(2015)提出的決策樹法思路較為新穎，卻因高分一號數據波段較少而存在一定局限性。本研究基于多時相TM數據、DEM數據，結合黑龍江省火災數據中的坐標信息，借助NDVI(Rouse， 1974)、MNDWI(徐涵秋， 2005)、NDSWIR(Gerardetal.， 2003)、NBR(Lopez-Garciaetal.， 1991)等遙感指數以及dNBR(Eptingetal.， 2005)等多時相差值遙感指數，對呼中林區2010年10場火災的火燒跡地進行分類識別提取，并利用黑龍江省火災數據中的面積數據進行驗證。借助dNBR指數閾值法將火燒跡地按未過火、輕度過火、中度過火、重度過火分為4個級別，并分析林火烈度與環境因子(坡度、坡向、海拔)之間的關系。本研究選擇呼中林區作為研究區域的原因是因為呼中林區是森林火災的多發區，同時2010年7月該地區雷擊火發生較密集，本研究選取的10場火災，面積最小為54 hm2，最大為4 341 hm2，具有一定廣泛性和代表性。本文旨在探索一種適用于TM影像識別火燒跡地的新方法，并對過火區域火烈度的空間分布進行科學系統的分析，本研究成果可對大興安嶺地區林火管理提供理論依據。

1 研究區概況與數據來源

1.1 研究區概況 呼中林區地處黑龍江省西北部，大興安嶺伊勒呼里山北麓,呼瑪河中上游地區，地理坐標為122°39′30″—124°21′00″E，51°14′40″—52°25′00″N。該林區屬于大陸性季風氣候，光照充足，雨量充沛，寒冷濕潤，夏季短暫，冬季受西伯利亞蒙古高壓氣團的影響寒冷而漫長,冰凍期長達6個月之久，絕對最低溫度-47.5 ℃。地貌類型為大興安嶺北部石質中低山山地，山巒連綿起伏，山體混圓，坡度平緩，一般在15°以下，局部的陽坡較陡，可達到35°以上。海拔在500～1 000 m之間，平均海拔812 m，最高峰在南部中心地帶，為1 404.2 m； 最低海拔在北部呼瑪河處境處，為420 m(劉志華等， 2009)。

在植物區系上屬于泛北極植物區東西伯利亞植物區系，以西伯利亞植物區系成分為主，混有東北植物區系成分和蒙古植物區系成分。優勢樹種為興安落葉松(Larixgmelinii)，其他主要喬木有山楊(Populusdavidiana)，白樺(Betulaplatyphylla)和樟子松(Pinussylvestrisvar.mongolica)等(吳志偉等， 2011)。

1.2 數據來源 1) 遙感數據 本研究遙感數據源采用Landsat TM數據，均在中國科學院地理空間數據云臺下載得到，TM影像空間分辨率為30 m(波段6熱紅外波段分辨率為120 m)，是中尺度遙感最常用的數據源。分別采用火前和火后的研究區影像，影像信息見表1。

2)林火數據 本研究采用黑龍江省林業廳公布的2010年火災數據記錄，該記錄包括起火地點、地理坐標、發現時間、滅火時間、過火面積和起火原因等信息。本研究只選取呼中林區2010年發生的10場火災(圖1)，過火面積54～4 341 hm2不等(表2)。起火原因均為雷擊火。本研究利用火災數據中過火面積信息作為驗證數據。

表2 火場信息

3)輔助數據 本研究輔助數據包括研究區數字高程數據DEM(1∶10萬)和林相圖(1∶10萬)，DEM數據是NASA與2011年10月公布的ASTER GDEM V2數據，是對ASTER GDEM第1版數據的修正版，具有更高的精度和信噪比(李明澤等， 2016)。由DEM圖像生成坡度、坡向、高程等地形因子。輔助數據還包括呼中林業局林相圖。

2 研究方法

2.1 圖像預處理 下載的TM影像為L1T數據產品，已經過系統輻射矯正和地面控制點幾何矯正，并且通過DEM進行了地形校正。利用ENVI5.2軟件對2010年(火后)和2007年(火前)兩景Landsat TM影像進行幾何配準，校正誤差嚴格控制在0.5個像元以內。輻射定標使用軟件自帶的Landsat定標工具結合頭文件將TM數據的DN值轉化為輻射量度值，大氣校正采用基于MODTRAN5的FLAASH模塊進行校正。

2.2 光譜特征與指數分析 本文選取TM影像的藍光波段(Band1)、綠光波段(Band2)、紅光波段(Band3)、近紅外波段(Band4)、中紅外波段1(Band5)、中紅外波段2(Band7)作為變量，通過林相圖和目視解譯將研究區分為植被、裸地、火燒跡地和水體4類。每類地物選取50個樣本作為感興趣區，其中70%用于分類，其余30%用于精度驗證。分別統計各地類在各波段上的均值與標準差等統計量，得到各地類的光譜特征曲線(圖2)。

圖2 4種類型地物光譜特征Fig.2 Spectral characteristics of four classes

圖3 各指數分布Fig.3 Index values of object styles

遙感指數法是另一種提取地物信息的途徑，國內外學者曾提出多種遙感指數模型。歸一化植被指數(NDVI)可以用來檢測植被生長狀況，同時也是植被覆蓋度的最佳指示因子，對植被的提取和分離具有重要的作用。歸一化短波紅外指數(NDSWIR)是對NDVI指數的改進，用TM影像的短波紅外Band5代替Band3，研究證明該指數對裸地及火燒跡地均有很好的分離效果。歸一化火燒指數(NBR)同樣是對NDVI指數的改進，由于TM影像火燒跡地在Band4和Band7的反射率發生了較大的變化，NBR對于火燒跡地的提取有著重要的指示作用。差值歸一化火燒指數(dNBR)為火前NBR與火后NBR的差值，有研究表明，dNBR所利用的多時相技術，相較單時相的NBR指數能更準確地提取火燒跡地。改進的歸一化水體指數(MNDWI)可以準確地提取植被區水體和城鎮范圍內的水體，并消除地形差異的影響，從而解決了水體信息中摻雜陰影的問題。本文選取NDVI，NDSWIR，dNBR，MNDWI共4種遙感指數，各遙感指數公式如下：

式中：ρgreen為TM第2波段綠光波段；ρr為TM第3波段紅光波段；ρnir為TM第4波段近紅外波段；ρmir為TM第5波段中紅外波段1，ρswir為TM第7波段中紅外波段2，NBRpre-fire為火前影像的NBR值，NBRpost-fire為火后影像的NBR值。

前文已選取一定數量的純像元作為感興趣區，分別統計各遙感指數在這些區域上的均值(圖3)。

2.3 決策樹的構建 決策樹(decision tree)是一種分類程序，通過專家經驗總結、簡單的數學統計和歸納方法等，獲得分類規則并進行遙感分類。其優點是易于理解、結果清晰、運行速度快、實現簡單、準確率高(于文婧， 2016)。在本研究中通過典型地物的遙感指數分析及envi5.2統計功能表明： 火燒跡地在Band4最大值為0.096，水體在Band4最大值為0.15，林地在Band4的最小值為0.191，裸地在Band4的最小值0.161，所以取0.16為臨界值，當Band4>0.16時為植被或者裸地，否者為火燒跡地或水體。在已區分上述2大類后，植被區的NDVI最小值為0.493，而裸地的NDVI最大值為0.475，所以取0.48為臨界值，當NDVI>0.48時，劃分為植被，否則為裸地。火燒跡地的dNBR最小值為0.488，而水體的dNBR最大值為0.336 4，所以取0.41為臨界值，當dNBR>0.41時為火燒跡地，否則為水體或其他。由于水體的MNDWI均為正值，所以當MNDWI大于0時，劃分為水體，其余的劃分為其他(建筑物、陰影和背景值)(圖4)。

圖4 決策樹分類技術流程Fig.4 Technical processes of decision tree classification

2.4 火烈度分級及其分布的空間分析 由于地形(坡度、坡向、海拔等)在空間上的差異，在大面積的同一火燒區內往往存在著不同烈度的火燒斑塊。不同林火烈度通過減少不耐火樹種和改變生長條件從而影響斑塊尺度樹種重建和植被更新，導致在同一火燒區，火后植物多樣性也會有所不同，植被演替特征不一致，從而增加植被的空間異質性。

本研究采用火前影像NBR與火后影像NBR的差值dNBR指數對研究區林火烈度進行估算分級。dNBR的取值范圍-2～2。為了便于分析和處理，采用1 000作為dNBR計算時轉化為整數的相乘系數。其取值范圍則變為-2 000～2 000。采用Mazuelas(2012)在西班牙火燒跡地制圖時制定的dNBR估算火燒烈度的閾值范圍(表3)。

表3 火烈度分級

在得到火烈度等級空間分布圖后，利用DEM影像生成坡度、坡向和高程圖。將以上3幅圖與從呼中林業局獲得的林相圖分別與火烈度分布圖疊加分析，進而對火烈度進行空間異質性分析。

3 結果與分析

3.1 決策樹分類結果 本研究全面分析了研究區不同地物類型在Landsat TM影像上各波段的反射率值。并對各地物的歸一化短波紅外指數、歸一化植被指數、差值歸一化火燒指數、改進的歸一化水體指數4種遙感指數進行分析對比，進而構建識別火燒跡地的決策樹模型。對分類結果進行Majority/Minority分析及聚類、過濾等分類后處理工作。為了對比不同方法提取火燒跡地的精度，本文還采用了基于平行六面體(Parallelepiped)分類器的監督分類法和ISODATA非監督分類法分別對同一研究區的火燒跡地進行識別，結果分別如圖5～8所示。

圖5 7- 4-3波段合成圖像Fig.5 Shortwave infrared composite(7- 4-3)

圖6 決策樹分類Fig.6 Decision tree classification

3.2 精度檢驗與對比分析 利用30%感興趣區樣本，結合呼中林業局林相圖作為驗證數據，對以上3種方法提取火燒跡地結果進行定量評價。通過建立混淆矩陣，計算每種方法的制圖精度、用戶精度、總體精度及Kappa系數等統計量(表4)。從表4可知，基于決策樹識別火燒跡地的方法在總體精度上比平行六面體分類法和ISODATA分類法分別提高了7.56%和17.32%，在Kappa系數上分別提高了0.175 3和0.440 2。其中火燒跡地的制圖精度和用戶精度比平行六面體方法提高了7.08%和1.02%，比ISODATA法提高了3.16%和1.86%。并且在最容易和火燒跡地混淆的裸地上，決策樹識別法的精度也有顯著提高。

圖7平行六面體Fig.7 Parallelepiped

圖8 ISODATAFig.8 ISODATA

表4 不同分類方法精度比較

表5 森林火災分級表

分別統計3種方法提取10場火災的面積，進行比較分析。按照基于過火面積的國家森林火災等級劃分方法(表5)(李明澤等， 2015)將呼中林區10場火災分為3個等級： 一般森林火災(2起)、重大森林火災(6起)、特大森林火災(2起)(表6)。由于火災數據中統計過火面積時往往以小班為單位，只調查火燒邊界，而忽略了火燒跡地內部的未過火區域，產生一定誤差，本研究為減小此誤差，采用了遙感影像目視解譯的方法，判讀區劃過火區域，計算過火面積。通過對比發現，決策樹識別火燒跡地方法相比平行六面體和ISODATA方法提取的火燒跡地在面積上更接近統計過火面積和目視解譯過火面積，精度最高為96.88%，最低為82.42%(表6)。

表6 不同分類方法提取火燒跡地面積比較①

①統計過火面積指火災數據中的過火面積，括號內為精度。Statistical burned area mean the value from fire data,the bracket is accuracy.

圖9 3種方法提取火燒跡地Fig.9 Burned area of three classificationsa.火場1目視解譯判讀邊界Visual interpretation of fire one; b.火場1決策樹方法Decision tree classification of fire one; c.火場1平行六面體方法Parallelepiped of fire one; d.火場1 ISODATA方法ISODATA of fire one.決策樹分類法與目視解譯邊界疊加更緊湊,而平行六面體分類法和ISODATA分類法均出現了大量的錯分和漏分。Decision tree classification has more compact overlay on visual interpretation,while much mistakes and omission occur in parallelepiped and ISODATA.

3種方法提取的火燒跡地與目視解譯火燒邊界疊后結果如圖9所示(以1號火場為例)。

3.3 火烈度分級 采用決策樹識別法提取的結果，根據dNBR閾值分級方法，將火燒跡地分為4級，分別為未過火、輕度火燒、中度火燒和重度火燒(圖10)。 3.4 火燒烈度的空間分析 1) 林火烈度面積分布 通過計算各火燒烈度等級所占面積可知，中度火燒(3 023 hm2)和重度火燒(2 151 hm2)所占比重最多，分別占總過火面積的46.6%和33.2%(表7)。

表7 火烈度面積分布

2) 林火烈度與海拔 將呼中林區DEM分為3個等級： 0～500 m、500～1 000 m、1 000～1 500 m。由于0～500 m不存在過火區域，所以只統計500～1 000 m和1 000～1 500 m 2類。將林火烈度圖與DEM圖進行疊加分析可知，海拔在1 000～1 500 m的地區過火面積共4 177 hm2，占總過火面積的64.4%，遠大于海拔500～1 000 m地區(表8，圖11)。

表8 不同海拔各等級火烈度所占面積

圖10 火烈度分布Fig.10 Fire severity distribution

圖11 不同海拔上各等級火烈度所占面積分布Fig.11 Burned area for various forest fire severities at different elevations

3)林火烈度與坡度 根據《第二次全國土地調查技術規程》，將研究區坡度分為5個等級(表9)。

將林火烈度圖與坡度圖疊加分析可知，在不同坡度等級上，過火區內的不同火烈度所占面積呈現顯著差異。所占面積從大到小依次為Ⅲ級(6°～15°)>Ⅳ級(15°～25°)> Ⅱ級(2°～6°)>Ⅴ級(≥25°)>Ⅰ級(≤2°)。Ⅲ級坡(6°～15°)過火面積最大，占總過火面積的45.9%，Ⅰ級坡(≤2°)過火面積最小，占總過火面積1.9%(表10，圖12)。

表9 坡度等級

表10 不同坡度上各等級火烈度所占面積表

圖12 不同坡度上各等級火烈度所占面積Fig.12 Burned area for various forest fire severities at different slope levels

4) 林火烈度與坡向 根據坡向值將坡向分為9類： 無坡向(-1)、北(0～22.5°，337.5°～360°)、東北(22.5°～67.5°)、東(67.5°～112.5°)、東南(112.5°～157.5°)、南(157.5°～202.5°)、西南(202.5°～247.5°)、西(247.5°～292.5°)、西北(292.5°～337.5°)。將林火烈度圖與坡向圖疊加分析可知，各坡向過火面積從大到小依次是南>西南>西 >西北>東>東南>東北>北(表11)。

表11 不同坡向上各等級火烈度所占面積

4 討論

本研究利用TM數據，提出一種決策樹分類模型識別火燒跡地的方法，精度較高方法可行，但由于數據時間分辨率和云量的限制，火前圖像只能選擇2007年數據，雖然從結果來看，火前圖像時間并不會對最終結果產生較大影響，但在未來的研究中也可選擇時間分辨率和空間分辨率更高的影像進行分類提取。由于本研究區植被類型較為簡單，所以本研究并不能很好地驗證林火烈度與植被類型之間是否具有顯著相關性，在未來的研究中可增加大量的野外調查來驗證林火烈度與植被類型之間的關系。本研究對林火烈度的空間分析僅局限現象層面上，在未來的研究中可結合林火的內在機制(如火蔓延方向、蔓延速度等)及可燃物類型、可燃物含水量與林火烈度的相關性做更深層次的分析討論，以此為大興安嶺地區森林防火管理及林區的經營策略提供理論依據。

5 結論

本研究利用Landsat TM數據、DEM數據、2010年黑龍江火災表和呼中林業局林相圖，采用NDSWIR，NDVI，MNBWI等遙感指數，以及dNBR等多時相差值遙感指數構建決策樹分類模型，并與平行六面體分類法和ISODATA非監督分類法做比較。根據dNBR閾值法將火燒跡地林火烈度分為4級，并與DEM海拔圖、坡度圖、坡向圖分別疊加，進行空間分析，得到以下結論。

1) 決策樹識別火燒跡地方法的總體精度和Kappa系數為97.97%和0.943 2，均高于平行六面體法和ISODATA法。而火燒跡地的制圖精度和用戶精度也均高于其他2種方法。決策樹分類法提取的過火面積也更接近目視解譯判讀所得到的過火面積，精度均達到82%以上，較之以往的研究有所提高。同時本研究所采用的方法在精度上高于Mazuelas 等(2012)和祖笑鋒等(2015)所提出的方法，這說明本研究方法可以有效地提高過火區域的識別能力。這得益于本研究在構建決策樹模型時引入了NDSWIR，NDVI，MNBWI等遙感指數，以及dNBR等多時相差值遙感指數。

2)根據dNBR閾值法將火燒跡地林火烈度分為未過火、輕度火燒、中度火燒和重度火燒4類。其中中度火燒(3 023 hm2)和重度火燒(2 151 hm2)所占比重最多，分別占總過火面積的46.6%和33.2%，該結果與王曉麗等(2013)的研究結論相吻合。產生該結果的原因是因為這10場火災均由雷擊火造成，而雷擊火主要發生在人煙稀少、交通不便的邊遠林區，很難做到及時發現和及時撲救，導致林火得以蔓延并形成中度及重度火燒所占比重較大的結果。該結果表明2010年呼中林業局森林火災造成大量的樹木和灌木死亡，過火區域的生物多樣性會發生一定變化，同時對斑塊、景觀異質性以及林窗的產生也會造成不小的影響，需要關注該區域的植被恢復情況和景觀格局的動態變化。

3)由火燒烈度與海拔圖、坡度圖、坡向圖分別疊加分析可知，海拔在1 000～1 500 m地區更易發生森林火災，這是因為在夏季，高海拔山脈地區存在較多的灌草，有利于林火的產生與蔓延，且撲救難度較大，產生重度火燒的可能性增大。坡度方面，Ⅲ級坡(6°～15°)過火面積最大，占總過火面積的45.9%，Ⅰ級坡(≤2°)過火面積最小，占總過火面積1.9%。說明呼中地區森林火災在斜披山地更易發生，而在平坡和陡坡發生的幾率相對較小。這是因為坡度平緩，水分滯留時間長，水分流失較少，林地潮濕，可燃物含水量增大，不容易著火。從坡向方面來看，南坡過火面積最大，為1 391 hm2，約占總過火面積的21.4%，北坡過火面積最小，為469 hm2，約占總過火面積的7.2%，這是由于在北半球，南坡受到太陽直接輻射大于北坡，即南坡吸收的熱量最多，日照強，溫度高，蒸發快，可燃物易干燥而燃燒，火勢強，蔓延快，而北坡正好相反。

常 禹，陳宏偉，胡遠滿，等. 2012. 林火烈度評價及其空間異質性研究進展. 自然災害學報，21(2)： 28-34.

(Chang Y，Chen H W，Hu Y M，etal. 2012. Advances in the assessment of forest fire severity and its spatial heterogeneity. Journal of Natural Disasters，21(2)： 28-34. [in Chinese])

鄧湘文,文定元.2003. 林火對景觀格局的影響及其應用. 森林防火,(3)： 22-26.

(Deng X W，Wen D Y. 2003. The effects of forest fire on landscape patten and its applications to forest management. Forest Fire Prevention， (3)： 22-26. [in Chinese])

李明澤，高元科，邸雪穎，等. 2016. 基于微波遙感技術探測森林地表土壤含水率.應用生態學報，27(3)： 785-793.

(Li M Z，Gao Y K，Di X Y，etal. 2016. Detecting the moisture content of forest surface soil based on the microwave remote sensing technology. Chinese Journal of Applied Ecology，27(3)： 785-793. [in Chinese])

李明澤，王 雪，高元科，等. 2015. 大興安嶺植被指數年際變化及影響因子分析. 北京林業大學學報，37(5)： 1-10.

(Li M Z，Wang X，Gao Y K，etal. 2015. Inter-annual variation in vegetation index and analysis of factors affecting it in Daxing’an Mountains. Journal of Beijing Forestry University，37(5)： 1-10. [in Chinese])

劉志華，常 禹，胡遠滿，等. 2009. 呼中林區與呼中自然保護區森林粗木質殘體儲量的比較. 植物生態學報，33(6)： 1075-1083.

(Liu Z H，Chang Y，Hu Y M，etal. 2009. Comparison of storage of coarse woody debris between Huzhong Forest Bureau and Huzhong Natural Reserve in Daxing’an mountains，China. Chinese Journal of Plant Ecology，33(6)： 1075-1083. [in Chinese])

王曉莉，王文娟，常 禹，等. 2013. 基于NBR指數分析大興安嶺呼中森林過火區的林火烈度. 應用生態學報，24(4)： 967-974.

(Wang X L，Wang W J，Chang Y，etal. 2013. Fire severity of burnt area in Huzhong forest region of Great Xing’an Mountains, Northeast China based on normalized burn ratio analysis. Chinese Journal of Applied Ecology，24(4)： 967-974. [in Chinese])

吳志偉，常 禹，賀紅士，等. 2011. 大興安嶺呼中林區林火時空分布特征分析. 廣東農業科學，(5)： 189-193.

(Wu Z W，Chang Y，He H S，etal. 2011. Analyzing the spatial and temporal distribution characteristic of forest fires in Huzhong area in the Great Xing’an Mountains. Guangdong Agricultural Sciences，(5)： 189-193. [in Chinese])

徐涵秋. 2005. 利用改進的歸一化差異水體指數(MNDWI)提取水體信息的研究. 遙感學報，9(5)： 589-595.

(Xu H Q. 2005. A study on information extraction of water body with the modified normalized difference water index (MNDWI). Journal of Remote Sensing，24(4)： 967-974. [in Chinese])

楊 偉，張樹文，姜曉麗. 2015. 基于MODIS時序數據的黑龍江流域火燒跡地提取. 生態學報，35(17)： 5866-5873.

(Yang W，Zhang S W，Jiang X L. 2015. Burned area mapping for Heilongjiang basin based on MODIS time series data.Acta Ecologica Sinica，35(17)： 5866-5873. [in Chinese])

于文婧，劉曉娜，孫丹峰，等. 2016. 基于HJ-CCD 數據和決策樹法的干旱半干旱灌區土地利用分類. 農業工程學報，32(2)： 212-219.

(Yu W J，Liu X N，Sun D F，etal. 2016. Land use classification in arid and semi-arid irrigated area based on HJ-CCD data and decision tree method. Transactions of the Chinese Society of Agricultural Engineering，32(2)： 212-219. [in Chinese])

祖笑鋒，覃先林，尹凌宇，等. 2015. 基于高分一號影像光譜指數識別火燒跡地的決策樹方法. 林業資源管理， (4)： 73-78.

(Zu X F，Qin X L， Yin L Y，etal. 2015. Decision tree method for burned area identification rased on the spectral index of GF-1 WFV image. Forest Resources Management，(4)： 73-78. [in Chinese])

Epting J，Verbyla D，Sorbel B. 2005. Evaluation of remotely sensed indices for assessing burn severity in interior Alaska using Landsat TM and ETM+. Remote Sensing of Environment，96(3/4)： 328-339.

Gerard F，Plummer S，Wadsworth R，etal. 2003. Forest fire scar detection in the boreal forest with multitemporal SPOT-VEGETATION data. IEEE Transactions on Geoscience & Remote Sensing，41(11)： 2575-2585.

Key C H，Benson N C. 2006. Landscape assessment： sampling and analysis methods. USDA Forest Service，Rocky Mountain Research Station General Technical Report，RMRS-GTR-164-CD. Ogden，UT.

Lentile L B，Smith F W，Shepperd W D. 2006. Influence of topography and forest structure on patterns of mixed severity fire in ponderosa pine forests of the South Dakota Black Hills， USA. International Journal of Wild land Fire，15(4)： 557-566.

Lopez-Garcia M J，Caselles V. 1991. Mapping burns and natural reforestation using Thematic Mapper data. Geocarto International， 6(1)： 31-37.

Mazuelas B P，Fernández T A. 2012. Landsat and MODIS Images for burned areas mapping in Galicia，Spain. MS thesis. Geoinformatics，Royal Institute of Technology，Stockholm，Sweden.

Rouse J W. 1974. Monitoring the vernal advancement and retrogradation (greenwave effect) of natural vegetation. Greenbelt,MD:NASA/GSFC Type Ⅲ, Final Report.

Seiler W，Crutzen P J. 1980. Estimates of gross and net fluxes of carbon between the biosphere and the atmosphere from biomass burning. Climatic Change，2(3)： 207-247.

(責任編輯 朱乾坤)

Burned Area Extraction in Huzhong Forests Based on Remote Sensing and the Spatial Analysis of the Burned Severity

Li Mingze Kang Xiangrui Fan Wenyi

(CollegeofForestry,NortheastForestryUniversityHarbin150040)

【Objective】This paper puts forward a new method for identifying burned areas and fire intensity by using Landsat TM images and RS indices to construct the decision tree classification model. In combination with topographic factors such as slope, aspect and elevation the spatial distribution of fire severity was scientifically and systematically analyzed in this study to provide theoretical basis and data support for forest fire prevention and management in Daxing’anling Mountains. 【Method】In this paper, Huzhong region of the Daxing’anling Mountains was targeted. TM images of post-fires in September 2010 and September 2007 were taken as the basic data, and DEM images and forest type maps were used as the auxiliary data. The NDVI, NDSWIR, MNDWI, dNBR and other RS indices were employed to build a decision tree classification model which then was used to identify ten burned areas of Huzhong in 2010. Fire severity was divided into four classes according to the threshold value of dNBR, and the Arcgis software was used to do an overlaying analysis on the fire severity map with slope, aspect, elevation. 【Result】The overall accuracy and Kappa coefficient of the decision tree classification were 97.97% and 0.943 2. Compared with the Parallelepiped method and ISODATA method, the total classification accuracy was increased by 7.56% and 17.32%, respectively. The Kappa coefficient was also increased. In the decision tree method, the producer’s accuracy and user’s accuracy were 97.51% and 97.54%, the Parallelepiped method were 90.43% and 96.52%, and the ISODATA method were 94.35% and 95.68%. Fire severity was divided into four classes according to the threshold of dNBR: unburned, low, moderate and high. Moderate severity burned area accounted for 46.6% of the total, and high severity burned area was 33.2%. After overlaying analysis, 64.4% (4 177 hm2) of burned area located at the elevations from 1 000 m to 1 500 m, and 45.9% of burned area located at level Ⅲ slope (6°-15°). The burned area at the southern slope occupied 21.4% (1 391 hm2) of the total.【Conclusion】The decision tree classification model presented in this paper could identify burned areas accurately and the total classification accuracy was higher than the parallelepiped method and ISODATA method, and the burned area is closer to the method of visual interpretation. Moderate and high severity burned areas occupied most of the total burned areas, and there were some relations between the burn severity and slope, aspect, elevation.

burned areas; decision tree classification; fire severity; fire size; dNBR

10.11707/j.1001-7488.20170318

2016-05-12；

2016-09-02。

國家自然科學基金項目(31470640)。

S762

A

1001-7488(2017)03-0163-12

*范文義為通訊作者。