卢 涛，张 军，胡文英

（1.云南师范大学 旅游与地理科学学院, 昆明 650091；2.云南大学 地球科学学院，昆明 650500）

森林作为地球上重要的陆地生态系统和一种可再生的自然资源，是联系经济、生态和社会三大系统的重要纽带[1]，对维系生态平衡和能量转换起着至关重要的作用。随着全球气候变化的加剧，每年有大量的森林资源遭到火灾破坏，不仅给国家和人民生命财产造成巨大损失，而且火灾吞噬植被，改变土壤结构，留下裸土，加速了土地荒漠化进程[2]，极大地影响着生物多样性的分布格局、动植物群落的组成，造成森林生态结构和物种组成急剧变化[3]。基于此，开展提取森林火烧迹地信息的研究对于支持火灾管理决策、灾后损失评估、制定灾后生态植被恢复策略等具有重要的现实意义。

森林火烧迹地提取的研究取得了丰硕的成果。例如，王晓莉等[4]基于TM（thematic mapper，专题绘图仪）影像，利用NBR（normalized burn ra⁃tio，归一化燃烧指数）对大兴安岭呼中林区林火烈度进行了定量评价。祖笑锋等[5]利用高分一号卫星数据，结合计算的归一化植被指数（normalized difference vegetation index，NDVI）、过火区识别指数（burned area index，BAI）等光谱指数，构建了森林火烧迹地识别决策树模型。李莹等[6]利用Sen⁃tinel-2数据的红边波段分别构建了基于主成分分析法和新型植被指数的火烧迹地提取算法。孙桂芬等[7]选取NDVI、BAI等典型植被指数,通过构建不同植被指数的分离指数M来定量评价这些植被指数识别火烧迹地的潜力并取得了较高的精度。Huang等[8]利用Sentinel-2A数据，使用参数指标评估法和非参数评估方法比较了Sentinel-2A的各个波段在区分未过火区和过火区的光谱差异。Roteta等[9]提出了一种基于局部自适应的两相燃烧面积BA（burned area，BA）算法，利用Terra和Aqua MODIS传感器进行火点检测，验证了Sentinel-2 MSI（multi-spectral instrument，多光谱仪）对火点敏感的波段在短波红外和近红外波段上。但在火烧迹地遥感识别中，因烧毁植被类型、火灾严重程度及影像获取日期和火灾发生日期的差异，火烧迹地呈现空间和光谱多样性，火季内烧毁像元植被的迅速恢复使其与未烧毁像元的光谱特征类似，增加了分类难度，导致漏判误差[10]。目前国内用于火烧迹地提取的数据源多为MODIS、Land⁃sat系列、高分（GaoFen satellites，GF）系列及其相互组合等。Sentinel-2系列数据用于森林火灾相关研究较少，且所利用的NDVI、NBR等指数设定的阈值和所利用的波段也仅来自其他的数据源，缺乏对Sentinel-2A/B红边波段和短波红外波段的探讨。鉴于Sentinel-2A/B数据覆盖3个红边波段（red-edge）和1个近红外窄波段（near-infrared narrow，NIR narrow），高时空分辨率以及免费、易获取等特点，本文选取美国加利福尼亚州天堂镇火灾发生前和火灾发生后的Sentinel-2A/B时序数据，采用归一化植被指数法（NDVI），针对Senti⁃nel-2A/B数据特点，依次用红边波段和短波红外波段（short-wave infrared，SWIR）分别替换NDVI指数[即公式（NIR-R）/（NIR+R）]中的可见光红波段（R）进行计算，得到修正后的指数NDVIred-edge1、NDVIred-edge2、NDVIred-edge3、NDVISWIR以及 NBR，进行火烧迹地提取并进行精度分析，探索适用于Senti⁃nel-2A/B数据识别火烧迹地的最佳植被指数。

1 研究区概况与数据处理

1.1 研究区概况

天堂镇（Paradise）是美国加利福尼亚州布特县的一个小镇，位于萨克拉门托河谷和内华达山脉丘陵地带之间，经纬度范围（121°34′48″，39°48′0″），自南向北延伸分布于深峡谷内。海拔高度为450～700 m，随着城镇向北延伸，海拔稳步上升。该镇总面积为47.5 km2，其中99%以上为陆地。全州夏季干旱少雨，冬季多雨，受地形条件影响，气候相差悬殊。东北部沙漠地区干旱而火灾频发，西部沿海冬季往往因雨雪过多而发生水灾。研究区域如图1所示。

图1 研究区位置Fig.1 Location of the study area

1.2 数据处理

Sentinel-2卫星观测系统是一个由两颗卫星组成的陆地监测星座（Sentinel-2A/B），是欧空局（European Space Agency，ESA）哥白尼计划系列中的一组光学遥感地球观测卫星[11]。Sentinel-2A/B两颗卫星运行于同一条轨道上，相位相差180°。两颗卫星联合工作，可以在5 d时间内完成对赤道附近的完全覆盖，极大地提高了重访周期，为全球陆地表面提供土壤、植被覆盖状况等信息，为洪水、火灾、山体滑坡等自然灾害监测提供数据支持[12]。Sentinel-2A/B具有从可见光和近红外到短波红外段的13个光谱波段,包括两个短波红外波段（B11和B12）。短波红外成像受大气散射作用影响小，穿透雾霭、烟尘能力较强。因此，利用短波红外可穿透燃烧产生的大量烟雾的特性，能够快速地锁定过火区域，识别着火点。本文所用数据均来源于欧空局官方网站（https://scihub.co⁃pernicus.eu/dhus/#/home），详细数据信息见表1。

表1 Sentinel-2A/B数据信息Table 1 Sentinel-2A/B data information

欧空局发布的Sentinel-2A/B的L1C级产品是经正射校正和亚像元级几何精校正后的大气表观反射率产品，还需要对该数据进行大气校正。通过SNAP软件平台（Sentinels application platform，SNAP），配置Windows运行环境，利用Sen2Cor与Anaconda集成，调用SNAP软件Sentinel-2 Toolbox中的Sen2Cor处理模块，实现批量大气校正处理。选取大气校正后波段数较多且空间分辨率较高的10 m遥感影像作为重采样数据源。之后用ENVI 5.3.1软件进行后续处理操作，最终生成L2A级数据[13]。

2 研究方法

2.1 NDVI阈值法

火灾破坏植被的叶绿素结构，改变土壤的湿度，导致火烧迹地遥感影像在可见光、红边和近红外波段的变化，从而与非火烧迹地区域区别开来。NDVI作为反映植被覆盖程度的重要参数被广泛应用于土地利用覆盖研究、植被覆盖密度评价、作物识别等方面[14]。本研究首先根据表2所列的公式（1）计算获得研究区NDVI图像。同时，将3个红边（red-edge）波段和1个短波红外（SWIR）波段分别替换NDVI指数中的可见光红（R）波段，依照表2所列公式（2）-（5）计算得到NDVIred-edge1、NDVIred-edge2、NDVIred-edge3和NDVISWIR指数。

2.2 NBR指数法

植被表面光谱特性在近红外波段（NIR）的变化比在可见光波段更为明显，尤其是在火灾前燃料负荷高、燃烧过程中产生大量炭渣的情况下[15]。表2中公式（6）所示的NBR是反映烧伤严重程度最常用的指标之一。它结合了近红外和SWIR波段的反射率，用于增强烧伤区域和判断烧伤严重程度，对火灾后可能发生的绿色植被数量、含水量和一些土壤条件的变化特别敏感。其取值范围为[-1，1]，其值为正表示该区域为非火烧迹地，值为负则表示该区域为火烧迹地区域，且值越小表示烧损程度越严重。

表2 植被指数计算公式Table 2 The calculation formula of vegetation indices

2.3 各指数最佳阈值获取

Sentinel-2A/B影像每个像元对应的实地面积约为0.04 hm2，灾后官方公布火烧迹地面积为1 533.32 hm2[17]，也即约38 333个像元数，各指数值域介于[-1.0，1.0]。根据各指数的计算结果对图像进行分割,统计各阈值范围内识别出的火烧迹地像元数，并根据官方公布的过火面积转换成的像元数计算识别精度。最后以该指数识别精度最高的阈值范围作为提取火烧迹地信息最佳阈值。如图2所示，NDVI在0.1～0.37范围内识别出的火烧迹地像元数为34 200时精度达到最高，其他阈值范围识别出的精度均低于0.1～0.37，因此，NDVI最佳阈值为[0.1，0.37]，精度89.22%。同理，ND⁃VIred-edge1、NDVIred-edge2、NDVIred-edge3、NDVISWIR、NBR的最佳阈值范围及精度分别为[-0.75，-0.06]/92.85%、[-0.86，-0.10]/89.08%、[-0.72，-0.10]/83.50%、[-0.64，-0.14]/90.14%、[-0.69，-0.10]/84.62%。各指数阈值范围识别结果如图2所示，火烧迹地提取结果如图3所示。

图2 各指数阈值范围、识别像元个数及其精度Fig.2 Threshold values，recognized pixel numbers and precisions for individual indices

图3 NDVI及改进的指数识别与提取火烧迹地结果Fig.3 Burned areas identified and extracted from the NDVI and the improved indices

3 实验分析与精度评价

3.1 实验分析

1）植被指数阈值法

根据式（1）至式（5）获取的植被指数提取火烧迹地如图3所示。可以看出，NDVIred-edge2和NDVIred-edge3对火烧迹地的识别效果要优于NDVI、NDVIred-edge1和NDVISWIR。其中，NDVI容易混淆识别水体，却能有效区分阴影，如图3（a）所示白亮部分。NDVIred-edge1无法区分阴影和水体，而NDVIred-edge2和NDVIred-edge3能区分水体，却不能有效区分阴影。NDVISWIR也容易与水体混淆，但能较好地区分出阴影。

2）NBR指数法

根据式（6）分别计算灾前和灾后NBR值，并通过阈值分割得到火烧迹地信息（图4）。由图可以看出，NBR指数提取效果较好。

图4 NBR指数法识别和火烧迹地提取结果Fig.4 The extracted result of burned areas and the identification result of NBR index method

3.2 精度评价

各植被指数提取火烧迹地的识别精度R可通过式（7）计算。

当识别出的火烧迹地面积小于官方公布的面积时：

当识别出的火烧迹地面积大于官方公布的面积时：

式中：R1为识别像元总个数；R2为识别的非火烧迹地像元个数；T为官方公布面积转换的像元个数。根据公式（7）、公式（8）计算并统计了各指数提取的和官方公布面积转换的火灾迹地像元数量，以及各指数对应的识别精度（见表3）。

表3 各指数识别结果统计Table 3 Statistics of the identification results of five NDVI indices and NBR index

基于植被指数的方法中，NDVIred-edge3提取效果最差，因其受阴影和其他非火烧迹地区域影响较大，提取区域也较为破碎。火灾后火烧迹地的植被锐减，叶绿素含量急剧下降，对植被叶绿素变化敏感的红边波段在680～730 nm效果最好。而NDVIred-edge3波长为782.5 nm，容易受阴影和其他与过火区域相混淆的地物干扰，从而精度较另外两个红边波段差。相比之下，NDVI、NDVIred-edge2、NDVIred-edge1、NDVISWIR的提取效果相对较好，受阴影的影响较小且提取区域较完整。NDVI指数法提取火烧迹地像元数较少的原因是对于植被与非植被覆盖区域的处理方法不同。林火发生前研究区存在一部分裸荒地，NDVI指数法忽略了这部分裸荒地的变化情况，直接提取了植被覆盖区的火烧迹地。用红边波段替换红光波段之后，有效去除了裸地的影响，从而提高了精度。NBR与NDVISWIR在选择不同的短波红外波段时，NDVISWIR所提取的火烧迹地像元数较NBR多，从而影响了精度。这是由于林火积存碳物质以及土壤水分减少的火灾迹地与病虫残次林、居民地和裸荒地等地物在SWIR波段具有相似的光谱特征，因而NDVISWIR指数区分效果较差。

4 结语

本文选取Sentinel-2A/B时序数据，基于多种光谱指数提取火烧迹地信息。结果表明，修正的NDVI指数 NDVIred-edge1和 NDVISWIR以及 NDVIred-edge2指数识别精度最高。基于NDVI指数改进的指数中，NDVIred-edge3识别出的火烧迹地像元数较少，错提取的部分多受水体和阴影的影响而参与了计算；ND⁃VIred-edge2、NDVIred-edge1、NDVISWIR提取结果中非火烧迹地像元数所占比例较小，分别达到2.03%、1.67%和1.01%，从而精度较NDVIred-edge3高，分别达到89.08%、92.85%、90.14%。这是由于火灾后过火区域的植被锐减，叶绿素含量急剧下降，而红边波段对于叶绿素的剧变最为敏感，因此4种不同的方法中，红边波段参与的火烧迹地的提取精度较短波红外高。NBR指数法与NDVISWIR选择短波红外识别火烧迹地，前者提取斑块较为完整，受阴影和水体干扰少，而基于短波红外B12的ND⁃VISWIR提取斑块较为破碎，裸地和部分阴影也参与了计算。Sentinel-2的3个红边波段和2个短波红外波段为从遥感观察提取火烧迹地信息提供了新的特征光谱指数，更多实例研究将有助于验证其效能。