廖 瑶，李 雪，刘 芸，黄林峰，田鹏举，谷晓平

(贵州省生态气象和卫星遥感中心，贵州省山地气候与资源重点实验室，贵州 贵阳 550002)

森林是具有重要生态功能和经济功能的自然资源，但每年由于森林火灾损失的森林面积巨大。火烧迹地的空间分布及面积信息，对森林火灾的气候效应研究和灾后植被恢复情况研究[1-3]，生态平衡评价和保险理赔等应用，都是非常重要的基础数据。卫星遥感具有监测范围广，时空分辨率高的特点，已经广泛应用到森林灾害监测和评估中。

遥感提取全球和区域尺度火烧迹地主要使用低分辨率的NOAA-AVHRR[4]，MODIS[5]和SPOT-VEGETATION[6]，较高分辨率的TM/ETM+或者SAC-C/MMRS等数据[7]。国产高分一号卫星WFV遥感影像幅宽较宽(可达800 km)，具有较短的重返周期(和高分六号组网的重返周期可达1天)，加上较高的空间分辨率(16 m)，在火烧迹地提取上具有很高的潜力。目前遥感提取火烧迹地的方法主要有植被指数法，基于规则、决策树和支持向量机等监督分类方法[8-11]。基于火灾前后植被指数变化也是一种精度较高的方法，但局限于需要同时使用灾前和灾后遥感影像[12-13]。植被指数法能容易实现程序自动化提取，常用于提取火烧迹地的植被指数有NDVI、EVI、归一化燃烧指数(NBR)[14]、GEMI[15]和BAI[16]等。Chuvieco等[17]使用BAI指数和GEMI指数提取LANDSAT TM影像的火烧迹地，发现BAI指数有最高的区分度。吴茂林等[18]利用MODIS250米的数据，采用GEMI和HANDS(hotspot and NDVI differencing Synergy)结合的算法，提取的火烧迹地精度得到了进一步提高。朱曦等[19]比较了环境一号CCD影像的NDVI、EVI、GEMI和BAI四种植被指数，发现BAI和GEMI对过火区的分离度更好。孙桂芬等[20]利用高分一号WFV数据对比5种植被指数(NDVI、EVI、NBR、GEMI、BAI)的分离度，得出NBR和BAI两种指数的分离度最好，EVI和GEMI的分离效果较差。这几种指数的改进指数，比如BASTARRIKA等[21]利用LANDSAT卫星的TM/ETM+改进的NBR和BAI指数构建的算法，能显著降低错分率。可见因为波段设置的差异，不同卫星传感器适用的最优植被指数并不相同，需根据实际选取。

文中结合高分一号WFV传感器的波段特征，计算其NDVI、EVI、GEMI和BAI指数(虽然NBR指数也具有很高的潜力，但高分一号缺少短波红外，因而不能计算NBR指数)，通过比较这4种指数的分离性，寻找在贵州适合高分一号提取火烧迹地的最优指数，并利用最优指数对研究区的火烧迹地进行提取。利用得到的最优指数作为利用高分数据构建火烧迹地自动提取系统的依据，后期将基于此结果用于贵州遥感火点样本库建立、生态气候研究等领域。

1 研究区概况

贵州省属于西南林区范围，而西南林区是我国重要的火险区，森林火灾多发。其中，贵州森林火灾多发于冬春季的2月—5月[22-23]，春季最多，其次是冬季。贵州2月—5月期间林火频发的主要原因有3个：一是由于气候因素，研究表明，森林火灾发生与温度、风向风速、相对湿度、降雨量及其后干旱时间长短有关[24]，还与火灾发生前的天气形势有关[25]；二是冬春季节黄枯植被较多；三是春节、清明节祭祖焚香烧纸的习俗和春季农民烧土肥等行为。文中选取了贵州省兴仁市2019年2月发生的一次森林火灾为例进行火烧迹地提取实验，实验区共有2个较大范围的过火区。兴仁市位于贵州省西南部，介于104°54′E—105°34′E、25°18′N—25°47′N之间，海拔高差大，地形复杂，这增加了火烧迹地提取的难度，对贵州具有较好的代表性。

2 数据与方法

2.1 数据

表1 影像获取情况Table 1 Image acquired information

2019年2月6日，贵州省兴仁市发生两处较大面积的森林火灾，过火面积估计百余公顷，过火区类别比较复杂，包含了荒地、森林和灌木林等。文中选取了火灾发生后获取的高分一号WFV传感器的16m分辨率遥感影像，为保证结果的精度，灾后遥感影像尽量选择了最接近受灾时间的影像。本次获取到的影像时间为2019年2月8日，为灾后第三天。同时获取了2019年3月3日和3月8日两景灾后日期最接近的高分二号遥感影像，用于结合高分一号数据选取验证样本点，利用验证样本点对高分一号提取的火烧迹地进行验证。影像统计情况见表1，研究区位置及高分一号16 m真彩色合成图如图1所示。

图1 研究区位置示意图Fig.1 Location map of study area

2.2 研究方法

2.2.1 技术路线

使用NDVI、EVI、GEMI和BAI四种指数识别火烧迹地的技术路线如图2所示，其中GF1 WFV数据经过了辐射定标、大气校正和PRC正射校正预处理，GF2 PMS影像经过了正射校正、全色多光谱融合、裁剪和配准预处理。遥感影像预处理完成后，选取不同地物类别的多个样本，统计不同类别样本的植被指数，通过不同类别样本的植被指数均值评价不同地物类别不同指数的表现。计算不同类别和火烧迹地的分离度，评价不同地物类别不同植被指数的分离度，根据分离度表现的差异，选取分离度最高的指数作为提取火烧迹地的最优指数，然后根据不同地物类别最优指数值的差异确定提取阈值，用于提取火烧迹地，最后根据高分二号影像目视随机选取的验证样本进行精度评价。

图2 技术路线图Fig.2 Study flowchart

2.2.2 指数计算

利用不同类别在不同波段上反射率的特征差异，通过不同波段进行组合，计算得到不同类别的植被指数，用于区分或增强不同类别。4种指数(GEMI、EVI、NDVI和BAI)的计算方法见式(1)～式(4)：

(1)

(2)

(3)

(4)

其中：

式中，ρBlue，ρRed，ρNir分别代表蓝光、红光和近红外波段的反射率，分别对应高分一号WFV影像的1，3，4波段。

2.2.3 分离指数

分离指数定义为火烧迹地像元的样本均值与其他类别像元的样本均值的绝对差值，与火烧迹地像元的样本标准差与其他类别像元的样本标准差之和的比值[26]，即式(5)：

(5)

式中:μb，μo分别代表火烧迹地样本像元和其他类别样本像元的均值；σb，σo分别代表火烧迹地样本像元和其他类别样本像元的标准差。分离指数用于定量评价火烧迹地与其他类别之间差异程度的大小，广泛用于不同指数的分离程度评价。M值越大，代表火烧迹地与其他类别的可区分性越大，越容易将火烧迹地提取出来。

3 结果分析

3.1 不同类别植被指数分析

表2 样本情况Table 2 Sample information

通过影像预处理及指数计算，得到2019年2月8日高分一号WFV影像计算的NDVI、EVI、GEMI和BAI四种植被指数。经过目视选取包括火烧迹地在内的9种类别的样本(样本情况见表2)，计算出不同类别样本的植被指数均值如图3所示。其中BAI的数值经过归一化处理，便于和其他植被指数进行比较。根据图3中分析，火烧迹地的不同指数差异较大，其中BAI指数最大，EVI指数最小。耕地和植被的GEMI、NDVI和EVI的值在所有类别中均为最高，而耕地和植被的BAI值是最小的两个类别，而云、云阴影、山体阴影和水体的EVI和GEMI指数和火烧迹地较为接近，不能用于很好区分火烧迹地信息。火烧迹地的GEMI值介于各种地物类别之间，因而和其他地物类别的GEMI差异不明显。根据BAI指数分析，火烧迹地的BAI值最大，其次是云阴影、 水体和山体阴影， 耕地、植被、道路和裸地的BAI值较小。

图3 高分一号WFV3不同类别样本植被指数均值Fig.3 Average vegetation index of different samples from GF-1 WFV3

根据前面的分析，BAI指数是火烧迹地和其他类别区分度最大的，因而BAI指数具有成为最优指数的条件，但是云阴影、水体和山体阴影的BAI值也较大，实际中有可能会将这几种类别误分为火烧迹地，可能是较大的干扰因素。

3.2 不同类别分离度指数分析

根据选择的类别样本，首先计算出不同类别样本的平均值和标准差，并根据公式(5)计算不同类别样本的分离度指数，基于高分一号WFV传感器分析不同类别指数的分离性，通过分离度评价识别火烧迹地的最优植被指数。通过计算，得到高分一号WFV传感器火烧迹地与其他不同类别的样本分离度如图4所示。

图4 高分一号WFV3火烧迹地和不同类别样本分离度指数Fig.4 Separation indices of different samples from GF-1 WFV3

分离度越好的指数，所有类别的分离度都应该很高，这样才能很好的与火烧迹地区分。从分离度来分析，BAI指数的分离度最好，是四种指数中分离度均大于1的唯一一种指数，且只有云阴影的分离度最小为1.59，因而云阴影是最容易与火烧迹地混淆的类别(图3中BAI指数均值也是云阴影和火烧迹地最接近)，其余的类别分离度均大于3，能较好和火烧迹地区分开。其次，各种指数分离度大于1的类别数量，GEMI共有6种地物类别的分离度大于1，排名第二，但总体上分离度的值并不是很大，其中只有2种类别分离度大于3，云阴影的分离度只有0.21，山体阴影的分离度虽大于1但只有1.06，容易与火烧迹地混淆。此外，NDVI和EVI两种指数也均只有植被和耕地两种类别的分离度大于3，其余类别分离度均较小，因而也不适于作为提取火烧迹地的指数。根据不同类别不同指数的分离度来分析，水体、耕地、植被3种类别的分离度均远大于1，选用任何一种指数均容易将其与火烧迹地区分开来，但其他类别(云、云阴影、山体阴影、道路、裸地)在不同植被指数均存在分离度较小的情况，需要选择合适的植被指数才能将其与火烧迹地区分开。根据几种植被指数的表现，BAI为最优指数，GEMI次之，EVI和NDVI最差。

3.3 火烧迹地提取评价

以高分二号融合后的1 m分辨率影像目视提取的火烧迹地为基准，评价基于最优指数BAI提取的火烧迹地精度。水体的BAI均值为0.28，它是除云阴影和火烧迹地外最高的，设置BAI指数阈值为0.28既能保证减少其他类别的影响，同时也能提取出范围最大的火烧迹地，减少漏提区域。根据选择的阈值提取了火烧迹地二值图，将二值图转为矢量，并与目视提取的火烧迹地进行对比(见图5)，可以发现目视提取火烧迹地范围稍大，这主要既是山体阴影又是火烧迹地的BAI值较低，通过阈值没有提取出来，但目视解译可根据整体的燃烧情况判断其为火烧迹地，还有火烧迹地的边缘地带存在混合像元，导致提取的范围也会小一些。据图5还可以发现，除了真正的火烧迹地以外，提取出了很多细碎的图斑，这其中较大的两个图斑是煤矿场地，其余更小的图斑则主要是荒地、农村居民点等混合类别。

表3 精度评价混淆矩阵Table 3 Confusion Matrix

利用过火后的高分二号影像结合高分一号影像，目视随机选取过火区和非过火区验证样本点分别有300个，根据验证样本点建立了混淆矩阵(见表3)，根据混淆矩阵计算的不同评价精度情况见表4。根据表4所示，制图精度、用户精度和总体精度均在90%以上，错分误差和漏分误差均低于10%。将提取出的火烧迹地相邻的多边形合并，并以6.67 hm2亩为阈值，去掉小面积的细碎图斑，提取出大于6.67 hm2的火烧迹地只有3个(图6)，其中西北面那个火烧迹地实际是煤矿场地，其余2个是真实的火烧迹地，计算2个火烧迹地目视提取面积和BAI指数提取面积，发现其面积差异小于7%(表5)。

图5 基于BAI指数提取的火烧迹地Fig.5 Burned land extracted from BAI index

表4 不同评价精度情况Table 4 Different accuracy valuation评价类型精度值/%制图精度93.7用户精度90.7错分误差9.7漏分误差6.3总体精度92Kappa系数0.85表5 提取的大于6.67 hm2的火烧迹地面积(单位:hm2)Table 5 Area of burned land larger than 6.67 hm2编号基于BAI指数提取面积目视识别提取面积过火区1174.03186.38过火区2171.29171.52

图6 提取出的大于6.67 hm2的火烧迹地Fig.6 Burned land extracted from BAI index larger than 6.67 hm2

4 结论与展望

基于高分一号WFV影像数据计算了BAI、NDVI、EVI和GEMI四种植被指数，分析了不同类别样本植被指数平均值，同时计算不同类别与火烧迹地的分离指数，评价了4种植被指数识别火烧迹地的效果，得到了提取火烧迹地的最优植被指数，并确定提取阈值提取出了火烧迹地。结论如下：

(1)根据植被指数平均值分析，基于红光波段和近红外波段构建的BAI指数对过火区的区分效果最好，其BAI值为所有9种类别中最大的；火烧迹地在其余3种指数中的值既不是最大也不是最小，区分度不明显，容易混淆。

(2)根据分离指数M分析，基于BAI指数的火烧迹地分离度最好，这与朱曦等[18]和孙桂芬等[19]的结论相似；但GEMI指数的火烧迹地分离度次之，与朱曦等[18]的研究结论相似。虽然分离度排名第二的结论有差异，也说明GEMI指数不稳定，但综合分析BAI指数分离度最好的结论是一致的，能作为高分一号WFV影像提取火烧迹地的最优指数。

(3)找到了提取火烧迹地的易混淆源，对实现自动提取具有重要作用。基于BAI指数的高分一号WFV影像提取火烧迹地，云阴影是最容易和火烧迹地混淆的类别，云阴影通过目视识别容易去除，但需要研究云阴影的自动识别算法将其去除才能实现自动提取；因为截取的是水体的平均BAI指数平均值作为阈值，无法避免水体混淆到火烧迹地中去，但可以通过水体的形态等特征或者建立水体数据库(如在Open Street Map水体数据库的基础上建立全省水体数据库)将其剔除；山体阴影的BAI值较低，火烧迹地中的山体阴影部分通过BAI阈值容易漏掉而提取不出来。通过BAI阈值提取出来的火烧迹地有很多混淆图斑，需要使用面积阈值、植被指数差值等方法进行剔除才能得到合理的结果，要实现自动提取还需要进一步的研究。