基于環境減災二號A/B衛星的森林火燒跡地提取應用

金晟玥 王平 劉明博 賈松霖 蘇琮

(1 應急管理部國家減災中心，北京 100124)(2 航天東方紅衛星有限公司，北京 100094)

森林火災是擾動全球各大生態系統的最重要的自然災害之一，不僅會造成嚴重社會、經濟和環境問題災難性后果，同時也使地表生態環境發生快速改變，對植被、生態系統、大氣環境和全球氣候變化產生深遠影響[1-2]。森林火災遙感監測主要是對火點和過火面積進行實時監測和周期性統計，再融合發生區域的地形、氣象等數據，開展火勢蔓延模擬和風險評估等。火燒跡地是指森林中經火災燒毀后尚未長起新林的土地，它能夠提供火災發生的位置、面積、空間范圍、嚴重程度等信息，因此，火燒跡地識別是確定森林草原火災情況的重要指標之一，對于火災災情管理和災后損失評估至關重要[3-4]。根據火燒跡地的形狀和燒毀程度，可判斷森林火災的種類、蔓延速度、火燒強度及發生森林火災的時間，結合衛星遙感數據對火燒跡地進行快速有效提取可以為火災防治相關部門提供及時的林火信息幫助決策，有效減少人民的生命財產損失。

衛星遙感技術具有非接觸、快速、大面積獲取數據的特點，在應急條件下可以對森林火災的空間分布和動態發展進行持續性觀測。為了應對大面積火燒導致的森林減少和全球大環境變化，利用遙感衛星數據在對森林火災火勢蔓延與影響評估、提取植被等重要的森林火災承災體等方面已經成為了重要的監測手段。基于遙感多光譜數據的光譜指數(如歸一化植被指數NDVI、歸一化燃燒指數NBR、過火區識別指數BAI等)火災嚴重程度評估已被廣泛應用于監測火災引起的植被覆蓋變化監測[3,5-6]，利用多時相的遙感衛星數據更能夠反應災情的動態變化和趨勢[7]。目前，很多衛星遙感數據都具備用于火燒跡地提取的能力，如中等分辨率成像光譜儀(MODIS)、陸地衛星(Landsat)、高分衛星等[8-9]，但其空間分辨率均較低，難以精細提取火燒跡地邊界，易造成誤判。

環境減災二號A/B衛星是2020年9月27日在太原衛星發射中心用長征四號乙運載火箭，以一箭雙星的方式成功發射的16 m光學業務衛星，接替在軌運行10年的環境與災害監測預報A/B小衛星，滿足國家在應急救援、自然資源監管、環境保護等領域的數據持續供給需求。它可以提供16 m空間分辨率多光譜數據、48 m /96 m高光譜數據和紅外圖像數據，高空間分辨率的遙感數據有利于提升邊界提取精度，在森林火災監測中更有優勢。本文利用環境減災二號A/B衛星多光譜數據的可見光和近紅外波段構建歸一化植被指數，利用決策樹分類法對火燒跡地進行識別和提取，并與支持向量機分類方法進行對比，從而評估環境減災二號A/B衛星在森林火災應急監測中的應用能力。

1 研究區概況與衛星影像數據

1.1 研究區概況

本文研究區域位于寧夏回族自治區固原市，地處西北黃土高原西部的六盤山地區，地勢南高北低，屬于暖溫帶半干旱氣候區，植被具有由森林草原向干旱草原過渡的特點。六盤山地區生物資源豐富，主脈一帶為森林草原和落葉闊葉林，向北逐漸變化為森林草原，灌叢草原和干旱草原，區內人工林占全區森林總面積的70%。由于固原地處內陸中緯度地帶，大陸性氣候特征明顯，境內春季和夏初降水偏少、干燥度較高，災害性天氣多，為森林草原火災的發生提供了氣候條件，森林草原防火形勢嚴峻。

2021年3月13日，固原市原州區張易鎮馬場村二林溝荒山發生森林火災，過火區域地貌為林地和荒草地，造成了嚴重的人員傷亡和財產損失。以此次“3·13固原林場火災”為研究對象，選取研究區域地理坐標為東經106.01°E～106.18°E，北緯35.89°N～36.25°N(如圖1所示)，基于環境減災二號A/B衛星多光譜遙感數據，對火燒跡地信息進行了識別和提取。

圖1 研究區示意圖Fig.1 Overview of study area

1.2 衛星影像數據

環境減災二號A/B衛星搭載的16 m可見光CCD相機通過視場拼接可實現16 m空間分辨率的可見近紅外5譜段成像；紅外相機可實現48 m/96 m空間分辨率的紅外多光譜成像；高光譜成像儀可實現48 m/96 m空間分辨率的紅外多光譜成像。

根據研究區選取火災發生前、后兩個時相的2景環境減災二號A衛星CCD相機影像數據，具體影像參數見表1。

表1 衛星影像數據獲取情況Table 1 Acquisition of satelliteimagery data

2 研究方法

通過輻射定標、大氣校正、正射糾正、幾何精校正等方法對災前和災后的16 m分辨率影像數據進行預處理，以便后續的信息提取和分析。研究對比傳統的監督學習方法(支持向量機)和基于決策樹的歸一化植被指數(NDVI)差值分類方法對火燒跡地進行識別和提取，最后利用目視解譯的方法對提取的火燒跡地結果分別進行精度評價，具體技術流程如圖2所示。

圖2 技術流程Fig.2 Technical flow chart

2.1 數據預處理

1)輻射定標

為消除或減弱由傳感器響應特征、外界自然條件等情況造成的遙感圖像輻射亮度失真的影響，需對影像數據進行輻射誤差校正，將原始灰度值(Digital Number)換算成輻射亮度，以便后續開展遙感影像的判讀和解譯。對選取的環境減災二號A衛星16 mCCD數據利用環境減災系列產品的定標參數進行輻射定標處理，具體輻射定標公式[10]如下：

(1)

式中：L為輻射亮度值；D為遙感圖像的原始灰度值；A為絕對定標系數增益；E為絕對定標系數偏移量。

2)大氣校正

受大氣層散射作用的影響，衛星傳感器測得的原始像元值并不能真實反映地物的表面反射率，導致植被指數計算結果不準確。FLAASH算法可以精確補償大氣影響，消除輻射誤差，對環境減災系列衛星有較好的校正效果，經過FLAASH大氣校正模型處理后的數據可以更加精確地進行歸一化植被指數的監測和地物信息的識別[11]。本研究運用FLAASH大氣校正模型對數據進行處理。

3)幾何精校正和數據裁切

在ENVI軟件平臺下，以前時相(災前)的環境減災二號A/B衛星數據作為參考影像，選取控制點對后時相(災后)影像數據進行幾何精校正，確保兩個數據的地理位置精度一致。對地理糾正后的2景影像進行裁剪，獲得需要的研究區域。

2.2 基于支持向量機的火燒跡地識別

支持向量機(SVM)是一種基于統計訓練的機器學習識別方法，可以尋找一個最優化超平面在空間中分割不同類別，由此構建出將不同類別之間的間隔最大化、分類風險上限最小化的分類機制，有較好的泛化能力和較高的分類準確率。SVM在解決高維度、非線性的圖像分類識別問題中有較大優勢，已被廣泛用于解決遙感地物分類中[12]。選擇徑向基核函數(Radial Basis Function)作為內基核函數進行分類，設置C和γ分別為100和0.2。C代表SVM對錯分樣本的懲罰系數,C值越大，分類器的準確性越高，但同樣容錯率會越低，泛化能力會變差；C值越小，泛化能力越強，但是準確性會降低。γ為核函數gamma值，數值越大模型復雜度越大，高維空間數據的分離程度越好。

2.3 基于NDVI差值的火燒跡地變化檢測

1)歸一化植被指數

歸一化植被指數(NDVI)是最常見的植被指數之一，可以有效反映植物生長狀態，在火燒跡地的監測提取中有著廣泛的應用。葉綠素是綠色植被中的重要組成部分，它影響葉片間太陽輻射的散射機制，從而導致近紅外波段光譜反射率高，可見光紅光反射率低。因此，歸一化植被指數通過計算可見光和近紅外波段入射太陽輻射的差異，來反映植被的綠色度和覆蓋度[13]。

(2)

式中：NNDVI為對應像元的NDVI計算值；ρNIR為近紅外波段反射率；ρRed為可見光紅光波段反射率。歸一化植被指數取值在[-1，1]之間，與植被的空間分布密度呈線性相關，指數隨植被覆蓋密度的增加而增加。

2)基于決策樹分類法的NDVI差值分類

決策樹分類法在遙感應用中是較為常見的分類方法，主要體現在對圖像中地類信息的提取和分類上有較好的效果。決策樹通過在一定的判斷條件下逐步細化原始數據，形成一種分層處理的結構，基于指數模型的決策樹分類方法在遙感地物信息提取中有較高的分類精度和準確度，更有助于應用到歸一化植被指數的識別中[14-15]。對比過火區域隨時間變化的過程，通過分析火災發生前、后地表反射率變化，對區域內NDVI差值進行直方圖統計獲取分類閾值，具體判斷條件如下。

(3)

式中：Nb為前時相(災前)影像上像元的歸一化植被指數值；Na為后時相(災后)影像上像元的歸一化植被指數值；Bfire為火燒跡地像元；Bother為非火燒跡地像元；Pthreshold為火燒跡地提取閾值。

3 結果分析

3.1 SVM監督分類的火燒跡地結果分析

將研究區域按照火燒跡地、植被、耕地、水體、建筑物五種地類劃分，在區域內各選取20個樣本點作為樣本數據進行建模，利用支持向量機的方法對過火區域及周邊地類進行分類。之后各選取6個樣本點作為驗證樣本，對分類結果進行評價，確定分類的精度和可靠性。分類結果顯示，利用支持向量機的分類結果總體精度為96.9%，Kappa系數為0.93。

受到山體陰影的影響，火燒跡地的提取在非過火區域會產生一定誤差。為進一步驗證火燒跡地的提取精度，在SVM識別的火燒跡地區域內隨機選取200個測試點，利用目視解譯的方法對其進行精度驗證。結果顯示，有150個測試點在火燒跡地范圍內，分類精度為75%。因此，經過粗差剔除的支持向量機監督分類方法能夠對環境減災二號A/B衛星影像的火燒跡地提取有較好的效果，滿足快速、有效的分類需求，結果如圖3中紅色區域所示。

圖3 SVM火燒跡地識別結果Fig.3 SVM extraction result of burned area

3.2 基于NDVI的火燒跡地識別結果分析

對火災發生前后研究區域進行歸一化植被指數計算，其結果(見圖4)可以看出，經過燃燒后的區域在局部呈現較為明顯的亮度變化。分別對2景NDVI數據進行統計(見表2)，災前的NDVI指數平均值為-0.043，標準差為0.024；災后的NDVI指數平均值為-0.037，標準差為0.016?；趦蓚€時相的燃燒區域NDVI存在的差值，可以對火燒跡地進行有效提取。設置火燒跡地的提取閾值為0.03，運用選定的閾值建立決策樹分類規則，將研究區域分類為火燒跡地和非火燒跡地，經過誤差圖斑去除和破碎小面填充處理后的提取結果如圖5所示。

圖4 NDVI計算結果對比Fig.4 Comparison of NDVI calculation results

表2 NDVI結果統計Table 2 Statistics of NDVI

圖5 NDVI火燒跡地識別結果Fig.5 NDVI extraction result of burned area

利用目視解譯的方法對火燒跡地提取結果進行定量評估。在提取的火燒跡地范圍內隨機選取200個測試點，以災后遙感數據為真實性圖像進行目視解譯的精度驗證。經計算真實火燒跡地內測試點數量占總測試點數量的比例，此分類方法的識別精度為97.5%，計算得到火燒跡地面積約為9.43 km2。與SVM分類結果相比，基于NDVI差值的火燒跡地識別方法的精度更高，說明光譜特性對于地物反射率的變化更為敏感，因此火燒跡地邊界識別的準確率更高。

4 結束語

本文以“3.13”寧夏固原市林場火災為研究案例，選取環境減災二號A衛星CCD影像作為數據源，研究比較了支持向量機分類方法和基于NDVI差值的決策樹分類法，對火災發生后的火燒跡地進行識別和提取。通過人工目視解譯的方法進行精度驗證，兩種方法的精度分別為75%和97.5%。由于山體陰影與過火區域有相似的光譜反射率，使用支持向量機分類法會產生較大的誤差，經過人工誤差剔除后的提取結果也能夠較好地反映火燒跡地區域的面積。研究結果表明，環境減災二號A/B衛星的空間分辨率可以有效滿足森林草原火災災后定量評估的需求，并聯合其他衛星開展森林草原火災的應急動態監測，基于歸一化植被指數的決策樹分類法能夠在應急狀態下快速開展火燒跡地識別和提取，為森林火災監測應用提供有力支撐。