基于Sentinel-2 的火燒跡地提取方法研究
——以西昌瀘山火災為例

林 鵬

（甘肅省地質礦產勘查開發局第一地質礦產勘查院，甘肅 天水 740120）

1 概述

林火，對自然和經濟社會都有多方面的影響。對于自然環境方面，過火后的森林生態環境受到影響[1]，動植物不同程度的死亡，棲息地遭到破壞[2]，大量氣體排到空氣中。一方面有破壞作用，另一方面更新了森林生態系統，積累了新的養分，孕育了新的生命。對于社會經濟方面，救火投入大量人力物力，造成一定經濟損失，并且污染環境。火燒跡地。

近些年來遙感技術因其成本低且可大范圍監測過火區的火情被廣泛用于林火監測[3]。陳本清、徐涵秋等人利用TM 影像選取三種不同的提取方法進行精度比較并分析了影響精度的原因[4]。祖笑峰、覃先林等人利用高分一號衛星及其計算出的光譜指數構建了森林火燒跡地識別決策樹模型[5]。楊偉等人基于MODIS 數據建立了一套火燒跡地提取算法并對精度進行了驗證[6]。2020 年3 月30 日，西昌瀘山發生森林火災，造成19 名滅火人員犧牲，火勢危及城區。本文以西昌瀘山為研究區，分別選擇決策樹分類法和NBR 提取火燒跡地，對比兩種提取方法的精度。

2 研究區概況與數據來源

2.1 研究區概況

瀘山位于四川省西昌市西南，海拔2317m，緯度27°46′51″-21°53′21″，經度102°11′55″-102°17′55″，面積29km2，山脈走勢為北西—南東向，東南端與螺髻山接壤，西北端為安寧河谷，北東坡緊連邛海，與邛海一起構成川西南一大景區。地形為北坡緩南坡陡。屬于亞熱帶高原季風性氣候，平均降水量1020mm，平均氣溫17.5℃。研究區內林業及資源豐富。如圖1 所示。

圖1 研究區地理位置示意圖（災后遙感影像）

2.2 數據來源與預處理

Sentinel-2 衛星作為歐洲SPOT 衛星和美國陸地衛星（Landsat-7）的延續衛星，其擔任著生物物理變化制圖、監測海岸和內陸地區以及風險和災害制圖等職責[7]。衛星包括Sentinel-2A 和Sentinel-2B 兩顆衛星，單顆衛星的重返周期為10d，兩顆組合重返周期為5d。其攜帶的多光譜成像儀的成像幅寬為290km，光譜分辨率為15～180nm，空間分辨率分為10m、20m、60m[8]，其波段情況見表1。

表1 Sentine-2 衛星波段情況

在歐空局下載兩景數據，災前選擇S2B_MSIL2A_20200330T034529_N0214_R104_T48R TR_20200330T080145.SAFE,云量0.008709，災后選擇S2B_MSIL2A_20200409T034529_N0214_R104_T4 8RTR_20200409T080223.SAFE，云量為9.9593，手動選擇瀘山區域，數據基本無云覆蓋。在SNAP 中進行重采樣，將20m、60m 的波段重采樣為10m 分辨率，每個地類選取20 個樣本，共100 個。70 個用于訓練樣本，30 個用于驗證樣本。

3 研究方法

3.1 典型地物光譜特征曲線分析

Sentinel-2 數據在紅邊范圍含有三個波段，可用于監測植被健康狀況。從圖2 分析健康植被與火燒跡地，火燒跡地在紅（4）波段略高于健康植被，在紅邊波段（5.6.7）較健康植被大幅下降，在短波紅外（11.12）波段又呈現增長趨勢，并且高于健康植被，這是因為地表燃燒導致植被水分減少，短波紅外的反射率增強幅度要高于可見光波段的反射率。

圖2 典型地物光譜特征曲線圖

3.2 遙感指數提取

3.2.1 NBR

NBR 是衡量火災嚴重程度的指標之一，歸一化燃燒率(NBR)［9］計算公式如下所示:

式中:NIR、SWIR 分別為近紅外和短波紅外的反射率,即Sentinel-2 的第8、12 波段,中心波長分別為0.865μm 和2.190μm.采用火災前后兩幅影響的NBR 指數進行差值處理能得到DNBR 指數。DNBR計算公式如下：

3.2.2 NDVI

歸一化植被指數（NDVI）是反映地表植被動態及其空間狀況的重要指標之一，它與不同地理區域和生態系統的生物量或年度地上凈初級生產力（ANPP）之間呈現正相關關系[10]，NDVI 可由近紅外波段的反射值與紅光波段的反射值之差比上兩者之和獲得，計算公式如下：

式中:NIR、R 分別為近紅外波段和紅光波段的反射率,即Sentinel-2 的第8、4 波段,中心波長分別為0.865μm 和0.665 μm。

3.3 決策樹分類

提取火燒跡地傳統方法是利用NBR 指數，提取出來之后部分水體植被及裸地被錯分到火燒跡地中，選取mndvi 指數，剔除水體，選取ndvi 指數，剔除植被，觀察裸地及火燒跡地的波段特征，選取波段8 進行分類。將大于0.1 的歸為裸地，最終分出火燒跡地。決策樹分類圖如圖3 所示。

圖3 火燒跡地決策樹示意圖

4 結果與分析

4.1 指數提取

根據上述研究方法對遙感影像進行指數提取，NBR 指數提取如圖4 所示，白色部分代表火燒跡地，但是影像右側（深色輪廓部分）被錯分到火燒跡地中。NDVI 指數如圖5 所示，黑色采用部分代表水體。

圖4 DNBR 指數提取結果圖（白色部分為火燒跡地）

圖5 NDVI 提取結果圖（黑色部分為水體）

用OTSU 方法進行閾值分割，反復實驗后選擇閾值0.4，得到如圖所示的火燒跡地提取。但是仍有部分植被、裸地、水體被錯分到了火燒跡地中。如圖6 所示。

圖6 DNBR 閾值分割后的提取結果

4.2 決策樹分類結果

綜合考慮地物錯分采用圖7 的決策樹分類模型，得到如圖7 所示的分類結果。可以看出錯分結果有所改善。

圖7 決策樹分類結果圖（紅色部分為火燒跡地）

4.3 精度檢驗驗證

采用混淆矩陣的方法對提取火燒跡地的結果進行了定量估算。對于決策樹分類法，通過建立混淆矩陣，得出如表2 所示的結果，總體精度達到84.52%，Kappa 系數為0.87，通過驗證。見表2。

表2 精度檢驗

5 結論

本文通過對2020 年3 月30 日西昌瀘山火災前后Sentinel-2 影像的分析，利用DNBR 指數和決策樹分類法對過火區域進行火燒跡地面積提取。（1）通過目視驗證，DNBR 指數提取之后再使用閾值分割可以提高提取精度，一些錯分的地類可以被去除。（2）基于波段特征和植被指數的決策樹分類法通過了驗證。精度達到84.52%，Kappa 系數為0.87。研究表明，結果表明，利用DNBR 指數和決策樹分類法對過火區域進行火燒跡地面積提取是可行的。