刘 倩，覃先林，胡心雨，李增元

中国林业科学研究院资源信息研究所，国家林业和草原局林业遥感与信息技术重点实验室，北京 100091

引 言

森林扰动通过改变森林冠层生物量和结构，对地表能量平衡、 碳动态、 野生动植物栖息地和人类活动等产生级联影响[1]。林火干扰作为一种重要的森林扰动因子，研究其光谱特征变化规律并准确提取出扰动区域，对于森林生态环境保护和可持续发展具有重要意义[2]。植被指数法是基于卫星遥感数据进行火烧迹地识别的一种常用方法[2]，Veraverbeke等[3]评估了MODIS/ASTER构建的各种植被指数对于火烧迹地的分离能力； 吴立叶等[4]基于Landsat TM影像分析了7个波段及18个遥感指数对火烧迹地的提取能力； 李莹等[5]基于Sentinel-2A的3个红边波段和1个近红外窄波段，构建主成分分析法(principal component analysis，PCA)和新型植被指数法进行火烧迹地提取，研究发现利用红边波段的第三主成分分析法能较好、 较快提取火烧迹地； 朱曦等[6]基于HJ-1评估了NDVI，GEMI，BAI和EVI对过火区的分离能力，孙桂芬[2]、 武晋雯等[7]利用高分一号宽幅(GF-1 WFV)数据，基于NDVI，GEMI，EVI，BAI和NDWI等开展火烧迹地识别研究，精度达80%以上。2018年6月升空的高分六号(GF-6)卫星因具有中高时间、 中空间分辨率和宽幅成像等特点，已逐渐被应用于森林扰动及其恢复研究中[8]。

为探讨GF-6 WFV数据识别火烧迹地的适宜光谱波段和指数，选取2019年发生在内蒙古大兴安岭林区的3处雷击火形成的火烧迹地为研究区，利用2018年和2019年的GF-6 WFV数据，分析研究区火灾发生前后的光谱特征变化，探讨不同指数区分火烧迹地和其他典型类别的能力，并选择2019年6月19日发生在金河林业局的雷击火为例，系统评估这些指数及指数差值识别火烧迹地的能力，以期该数据应用于我国的森林资源监管工作。

1 实验部分

1.1 研究区概况

选择内蒙古大兴安岭林区内3处火烧迹地作为研究区[见图1(a,b,c)]，火烧迹地具体信息见表1。阿龙山林业局位于内蒙古大兴安岭西坡北部，生态功能区地跨根河市和额尔古纳市，地势东高西低，海拔506～1 520 m，年平均降水量437.4 mm，森林覆盖率95.3%； 莫尔道嘎林业局位于额尔古纳市境内，地形属于低山丘陵，海拔417～1 404.7 m，林区地处寒温带，属大陆性季风气候区，年均降水量369.6 mm，森林覆盖率94.6%； 金河林业局位于根河市境内，海拔540～1 466 m，年均降水量400～500 mm，年平均气温约为-5 ℃，冬长夏短，四季昼夜温差大，属于寒温带大陆性季风气候，森林覆盖率89.7%，主要树种包括兴安落叶松、 樟子松、 白桦和山杨等。

1.2 卫星数据及预处理

选用2018年9月17日和2019年9月22日覆盖研究区的GF-6 WFV L1级数据产品(来源： 中国资源卫星应用中心)，GF-6 WFV数据空间分辨率16 m，传感器技术指标见表2。

图1 研究区(a)： 阿龙山林业局火烧迹地； (b)： 莫尔道嘎林业局火烧迹地； (c)： 金河林业局秀山林场火烧迹地Fig.1 Study area(a)： Burned area of Alongshan Forestry Bureau； (b)： Burned area of Mordaga Forestry Bureau；(c)： Burned area of Xiushan Forest Farm of Jinhe Forestry Bureau

表1 研究区的森林火灾信息Table 1 Forest fire information of the study area

表2 GF-6 WFV数据基本参数Table 2 General parameters of GF-6 WFV data

对选用的GF-6 WFV数据进行辐射定标、 大气校正、 正射校正、 几何配准等预处理。其中： 大气校正分别利用基于6S模型的RSD(Remote Sensing Desktop)软件与基于MODTRAN模型的FLAASH大气校正模块的ENVI 软件，结果均发现大气校正后得到的2019年影像中第7波段(B7)绝大部分像元的地表反射率为负值，故剔除B7波段，并选择用6S模型的大气校正结果进行后续实验分析。正射校正选择30 m ASTER GDEM V2数据，几何配准采用相对配准的方法，以2019年9月22日火后的GF-6 WFV影像为基准，对另一景影像进行配准处理，几何配准总误差(RMSE)控制在1个像元以内。

1.3 研究方法

1.3.1 指数计算

依据GF-6 WFV的波段组成并考虑到实际应用中易混淆类别的影响，选取能较好反映火烧迹地、 植被、 土壤和水体等类别的11个指数进行比较分析。将11个指数分为光谱指数和改进指数两类，改进指数包括MTCI，NDRE1，MCARI2和MNDSI，其中MTCI，NDRE1和MCARI2依照MERIS数据提出，后被用于Sentinel-2A数据中[9]，根据GF-6 WFV的波段范围选择最临近的波段反射率来代替[10]； MNDSI指数参考应用在Worldview-2卫星的一种改进型土壤特征指数[11]。所选择的11个指数具体名称及其计算公式等信息见表3。

表3 指数公式Table 3 The formulas of indices

1.3.2 区分度计算

区分度(M)是定量评价波段和指数分离性的常用统计量[12]，计算公式如式(1)

(1)

式(1)中，μb和μu分别为火烧迹地和其他的类别样本平均值；σb和σu分别为他们对应的标准差。

通常，M越大表示火烧迹地和其他的类别分离性越好，M<1代表分离性较差，M≥1代表分离性良好。

2 结果与讨论

2.1 火烧迹地及典型类别光谱分析

利用预处理后的2019年9月22日GF-6 WFV影像，选取火烧迹地、 正常植被、 建筑物、 裸地、 水体、 农田、 云和云阴影等8种典型类别，每一类别选择30～50个样本，分别统计得出各类样本在7个波段(B1—B6，B8)上的反射率均值，得到如图2的光谱曲线。

图2 GF-6 WFV提取典型类别光谱曲线Fig.2 Spectral curves of typical categoriesextracted by GF-6 WFV

由图2可知，云在可见光和近红外波段的反射率比火烧迹地和其他的类别反射率都高，较易区分，其次是农田、 建筑物和裸地； 火烧迹地在可见光各个波段的反射率与正常植被、 水体、 云阴影等的反射率相近，较难区分； 而在近红外波段，水体的反射率最低，正常植被由于叶片细胞结构的多重反射[13]，其反射率急剧上升，易与火烧迹地进行区分。

2.2 基于两期影像的火烧迹地不同波段及指数区分度分析

为进一步了解GF-6 WFV的7个波段对火烧迹地的响应程度，利用2019年9月22日的火烧迹地样本和2018年9月17日火烧前相同位置正常植被样本，分别计算7个波段对应地表反射率的均值、 标准差(图3)，并求得各波段火烧迹地和火烧前正常植被区分度，结果见表4。

图3 不同波段中火烧迹地和燃烧前植被地表反射率的平均值和标准差

由于现有指数中未有一个指数能在所有环境或火烧程度下较好地识别出燃烧区域[14]，故本研究在波段区分度分析基础上，选取了覆盖GF-6 WFV波段的11个指数进行火烧迹地和火烧前正常植被区分度计算，结果见表5。

由图3结合表4可知： GF-6 WFV 波段1—6和波段8中，近红外波段(B4)和两个新增的红边波段(B5和B6)的区分度均大于1，火烧后的森林植被反射率大幅下降，其中B6波段对火烧迹地的响应程度最大，区分度高达1.80； 其次是B4波段，区分度略低于B6波段； B5波段也具备能较好反映火烧迹地特征的能力； 而在可见光波段区间内，植被发生燃烧后反射率略有下降, 其余波段变化较小，响应能力较差。火烧迹地表面沉积有木炭，灰尘和燃料等，整体来看，燃烧过的区域反射率值基本随波长增加而升高，燃烧后反射率降低且对应标准误差随着波长增加而变大，但在B2波段范围正常植被和火烧迹地的反射率都比B8波段范围略高一点，而在B3波段燃烧前植被反射率略低于火烧迹地反射率。

表4 GF-6 WFV不同波段的火烧迹地与火烧前正常植被区分度Table 4 Separability value of GF-6 WFV different bandsbetween burned areas and vegetation in pro-fire

表5 GF-6 WFV不同指数的火烧迹地与火烧前正常植被区分度Table 5 Separability value of GF-6 WFV different indicesbetween burned areas and vegetation in pro-fire

由表5可知： NDVI，GEMI，EVI，BAI，SAVI，MSAVI和NDWI等7个光谱指数的火烧迹地和火烧前正常植被区分度均大于2，其中NDVI的区分度最高，为3.11； 在4个改进指数中，NDRE1和MCARI2的区分度均大于1，其中MCARI2区分度大于2，区分效果要优于NDRE1，而MNDSI和MTCI的区分度小于1，表现较差。

2.3 基于同期影像的不同指数火烧迹地与其余典型类别区分度分析

统计2019年9月22日的GF-6 WFV研究区各类样本，计算不同指数的均值和标准差，得到区分度M，分析同期影像中火烧迹地与其余7类典型类别的不同指数分离性，结果如图4所示。

由图4可知，BAI，NDVI，MCARI2和NDWI对GF-6 WFV数据的火烧迹地与其余7类典型类别的区分度较好，其中BAI对正常植被、 农田和云的区分度M>1.9，对水体的区分度M>1.2，区分十分显著，但水体和云阴影容易和火烧迹地混淆，而NDVI，MCARI2和NDWI三个指数的区分效果类似，对于正常植被、 水体、 农田和云的区分度M>1，易与火烧迹地进行区分； 其次是GEMI和NDRE1，其中GEMI能对火烧迹地和正常植被、 裸地、 水体进行较好区分，NDRE1能较好分离火烧迹地和正常植被、 农田、 云； 至于EVI，SAVI和MSAVI，仅有正常植被和水体的区分度M>1，对于其他的类别区分能力较差； MNDSI和MTCI的区分效果最差，MNDSI仅有农田的区分度M>1，而MTCI对各类别的区分度值均低于1，并不能区分出火烧迹地和其余7种典型类别。

图4 火烧迹地与其余7类的不同指数区分度Fig.4 Separability value of different indices betweenburned areas and the seven categories

2.4 不同指数识别火烧迹地的精度评价

选择发生在金河林业局秀山林场的一处火烧迹地来进一步分析所选11个指数识别火烧迹地的能力，将这些指数分为两类，一类为火后影像计算的指数，另一类为火灾前后两期影像的指数差值； 将所选指数进行归一化处理，使其取值范围为[0, 1]，以0.01为步长进行阈值搜索。由于与总体精度相比，Kappa系数在燃烧区和非燃烧区的分类问题中具有更好的准确性[15]，故选择Kappa系数最高时的阈值作为该指数识别火烧迹地的最佳阈值。比较在最佳阈值下每个指数提取火烧迹地的结果，并利用目视解译结果作为参考，对自动识别的火烧迹地结果进行精度验证，对比分析两类指数提取的Kappa系数，结果见表6。

表6 不同指数识别金河林业局秀山林场火烧迹地精度

由表6可知，在同期影像火烧迹地的识别中，GEMI，EVI，BAI，SAVI和MSAVI等5个指数识别火烧迹地的能力较强，Kappa系数达0.80以上，其中EVI，SAVI和MSAVI的Kappa系数达0.85，相对更优； MCARI2和NDVI识别火烧迹地的Kappa系数0.70～0.74，相对识别效果中等； NDWI，MTCI，NDRE1和MNDSI的Kappa系数均低于0.70，提取效果不佳。在前后两期影像火烧迹地的识别中，dGEMI，dEVI，dSAVI，dMSAVI，dNDVI和dBAI等6个指数差值识别火烧迹地的能力较强，Kappa系数0.85以上，其中dGEMI，dEVI，dSAVI和dMSAVI的Kappa系数达0.90以上，相对更优； dNDWI和dMCARI2识别火烧迹地的Kappa系数0.80～0.82，相对识别效果中等； dMTCI，dNDRE1和dMNDSI的Kappa系数均低于0.70，提取效果不佳。通过比较这些指数及指数差值，还可发现指数差值能明显提高火烧迹地识别精度，其中NDVI，NDWI和MCARI2做差后火烧迹地的提取精度有显著提升。

在所选的11个指数中，BAI和GEMI提取火烧迹地的效果最好，一是在火烧迹地和火烧前植被区分度、 同期影像上火烧迹地和其余7种典型类别的区分度分析中表现都较优，二是在同期影像和前后两期影像提取火烧迹地中，Kappa系数均高于0.80，优于其他大部分指数。其次是NDVI，EVI，SAVI和MSAVI，其中NDVI在同期影像上提取火烧迹地的效果比BAI和GEMI差一些，而EVI，SAVI和MSAVI在区分火烧迹地和其余7种典型类别的能力方面要略次于BAI和GEMI，提取火烧迹地的能力中等； NDWI和MCARI2在同期影像上提取火烧迹地效果不佳，做差后提取精度有所上升，Kappa系数提升至0.80左右； MNDSI，NDRE1和MTCI提取火烧迹地的能力较差，MNDSI和MTCI无论是在两期影像上区分火烧迹地和火烧前植被还是同期影像上区分火烧迹地和其余7种典型类别，其区分能力都很差，同时这3个指数也无法在同期和前后两期影像中提取出火烧迹地，其中MNDSI由区分度较低的B2和B8波段构建，而NDRE1和MTCI尽管加入了区分度较高的B5和B6波段，但表现都较差，可能原因是这些红边指数是基于实测高光谱数据建立的，与GF-6 WFV波段并不完全对应，故而提取结果不理想。

3 结 论

基于内蒙古大兴安岭林区的GF-6 WFV数据，通过分析森林火灾发生前后地物光谱变化，定量评价了NDVI，GEMI，EVI，BAI，SAVI，MSAVI和NDWI等7个光谱指数，以及MTCI，NDRE1，MCARI2和MNDSI等4个改进指数提取火烧迹地的能力。得到如下结论：

(1)由所选8类样本光谱曲线分析可知，在GF-6 WFV的可见光与近红外波段，云的反射率最高，可见光各波段的火烧迹地反射率与其余地物比较接近，而在近红外波段和红边波段更易于区分火烧迹地与其余地物。

(2)根据火烧迹地和火烧前正常植被各波段的区分度分析结果可知，GF-6 WFV的近红外波段(B4)和两个新增的红边波段(B5，B6)对火烧迹地和火烧前正常植被区分度较高，反映火烧迹地特征的能力较强； 整体来看，燃烧过的区域反射率基本保持随波长增加而上升的趋势，燃烧后反射率会有小幅下降且对应标准误差随波长而呈递增趋势，这与Long等[16]制作全球30 m火烧迹地产品时分析一致，但在本研究区，正常植被和火烧迹地在B2波段的反射率都比B8波段略高，而在B3波段，燃烧前植被的反射率与火烧迹地的反射率相近甚至略低一点； 出现这种情况可能与大兴安岭区域植被类型和生长状况以及燃烧程度的不同有关[17]，这些差异也表明火烧后植被反射率随波段变化是有区域特性的，不同区域会有少许差异。

(3)在利用GF-6 WFV数据识别火烧迹地的光谱及11个指数比较分析中，BAI和GEMI识别效果最好，NDVI，EVI，SAVI，MSAVI，NDWI和MCARI2的识别能力中等，而MNDSI，NDRE1和MTCI等3个改进指数提取火烧迹地的能力均较差。结果表明以指数及指数差值进行火烧迹地识别的精度不仅与指数构造的波段相关，构造形式也很重要。

在GF-6 WFV新增波段组成的改进指数中，只有MCARI2提取火烧迹地的能力相对较好，表明新增波段对于火烧迹地的提取有一定帮助； 今后可进一步探究利用红边波段构建新的识别指数，以提升GF-6 WFV数据识别火烧迹地的精度，深入挖掘GF-6 WFV影像两个红边波段在火烧迹地识别中的应用潜力。本方法只在一个时相进行了探讨，可能会带来一定影响，未来将选取不同时相的火烧迹地，并尝试综合多种指标进行下一步研究，以深入挖掘GF-6 WFV数据新增波段在火烧迹地识别方面的应用潜力。