基于HJ-1B卫星数据的草原火烧迹地提取及灾前可燃物特征分析*

包玉龙，张继权，刘兴朋，陈鹏，刘晓静，张琪

(东北师范大学城市与环境科学学院，东北师范大学自然灾害研究所，吉林长春130024)

草原火是因草地可燃物燃烧而引起。草地可燃物由草地上的草本植物和动物粪便组成，主要以草本植物为主，是草原火发生和发展蔓延的物质基础［1］。草地可燃物载量、湿度、连续度等特征是草原火险区划的主要指标，是草原防火工作的主要研究内容。在草原火灾和草地可燃物的特征参数反演方面，遥感技术具有监测范围广、时空分辨率高等优势。

自1980年代初开始利用遥感卫星数据研究森林草原火灾。国际上最早利用遥感技术对火灾研究的卫星平台为GOES(Geostainary Orbiting Environmental Satellite)系列卫星和NOAA(National Oceanographic and Atmospheric Administration)系列卫星，但空间分辨率和时间分辨率不够高。1999年NASA发射的地球观测系统(EOS)系列卫星上专门考虑火灾监测需求的Modis仪器系统得到了广泛的应用［2］。2008年9月我国成功发射了环境与灾害监测预报小卫星星座A、B星，该卫星在森林草原火灾监测领域具有时间分辨率、空间分辨率和光谱分辨率的优越性［3］。

基于遥感的火灾监测方法可以分为火点(Hotspot)探测和火灾后迹地(Burn scar)识别两类。火点探测通常基于火的热学性质，使用中红外波段(3.55～3.93 μm)对火点进行实时监测，火烧迹地识别主要是通过判断植被在火灾前后的光谱变化来估算燃烧面积［4－5］。

在过火迹地提取中目前应用较广泛的方法有火灾前后NDVI差值法［6］、NDVI回归分析方法［7］、HANDS方法［8］和时间序列合成数据提取火灾迹地方法［9］，这些方法都使用NOAA-AVHRR NDVI数据。谭明艳等利用Modis时间序列数据分析草原区域火灾迹地的光谱特征之后，构建了一个反映火灾迹地特征的指数GEMI-B，并提出了5种基于GEMI-B最大值的合成方法［10］。这些方法比较适合植被生长季的林火的研究，从规律来看草原火发生在植被非生长季，即枯草期，在枯草期NDVI对草地不敏感，所以这些方法并不非常适合草地火迹地的提取。笔者从草原火的过火面积大、蔓延速度快等特征入手，利用支持向量机方法对HJ-1B卫星多光谱数据提取火烧迹地，并以此为基础，分析灾前植被生长季的植被指数，欲确定草原火发生和蔓延的最低NDVI值。

1 研究区与数据源

本研究以2012年4月20日发生在蒙古国的特大草原火事件为例，选择发生火灾的蒙古国东方省哈拉哈高勒苏木为研究区。研究区地理范围为46.4°～48°N，116.8°～120°E。与我国内蒙古自治区的东乌珠穆沁旗、科尔沁右翼前旗、阿尔山市、新巴尔虎左旗和新巴尔虎右旗接壤，总界线长度为750 km。研究区总面积为28 210 km2，其中草地面积为23 231 km2，占总面积的82.4%，有林地和灌木林的面积为770 km2，耕地和饲料地总面积为3 585 km2，水域和裸土总面积为624 km2，道路总长度为2 278 km，河流总长度为1 545 km，如图1所示。

图1 研究区示意图

影像数据为环境与灾害监测预报小卫星的多光谱影像数据，HJ-1A/1B星于2008年9月6日11:25成功发射，HJ-1-A星搭载了CCD相机和超光谱成像仪(HSI)，HJ-1-B星搭载了CCD相机和红外相机(IRS)。主要用于对生态环境和灾害进行大范围、全天候动态监测，能够及时反映生态环境和灾害的发生、发展过程，对生态环境和灾害发展变化趋势进行预测，对灾情进行快速评估，为紧急求援、灾后救助和重建工作提供科学依据，采取多颗卫星组网飞行的模式，每两天就能实现一次全球覆盖。

本研究采用2012年4月22日轨道号为1/57的HJ-1B卫星CCD2多光谱数据作为过火迹地影像数据，以2011年9月11、22、26日数据作为草地生长季的影像数据，该影像数据是从中国资源卫星应用中心管网(http://www．cresda．com)免费获得。

研究区范围内的土地利用类型、高程及道路、河流等矢量数据均从国际马铃薯中心(CIP)Robert J.Hijmans等人开发的DIVA-GIS软件官方网站免费获得(http://www．diva-gis．org)。

2 数据处理及研究方法

本文主要研究思路是以特大草原火为例，利用HJ-1B卫星数据提取火烧迹地，再以火烧迹地为基础，计算获取该区前一年草地植被生物量的峰值期NDVI，分析草原火发生及蔓延的可燃物特征。

2.1 数据预处理

本研究采用的是HJ-1B卫星2级产品，此产品已经过系统几何纠正和辐射纠正。为了空间匹配影像，以9月11日的影像作为参考影像进行相对配准，将空间误差严格控制在半个像素以内。

HJ-1A/1B卫星地面系统产品中提供了绝对定标公式和定标参数，可在原始数据XML格式的文件中查询。辐射亮度计算公式为:

式中:A为绝对定标系数增益;L0为绝对定标系数偏移量;转换后的辐射亮度单位为W/(sr×m2)。计算表观反射率公式为:

式中:ρ为表观反射率;L为辐亮度;d为日地距离因子;从ETM数据手册中的日地距离因子查找表里按数据获取日期来查询(表1)。E为卫星的波段平均太阳辐照度，用公式3计算获取。θ为太阳天顶角(在原始数据的XML文件中查询)。

式中:S(λi)表示传感器各波段的响应函数;L(λi)为对应波段的辐亮度。

表1 ETM手册中的日地距离因子查找表

2.2 火烧迹地提取方法

采用支持向量机(Support Vector Machine)方法提取火烧迹地，该方法由Vapnik［11］等提出，它是一种相对较新的模式识别方法，借助于最优化方法解决机器学习的工具，以结构风险最小为原则，本质上是求解凸二次规划问题，在解决小样本、非线性和高维模式识别问题中有较大优势，现己广泛应用于遥感图像分类问题。其基本原理是:假设训练样本为{(x1，y1)，(x2，y2)，…(xN，yN)}，其中xi∈Rd，表示输入模式，yi∈{±1}，表示目标输出。设最优决策面方程为:ωTxi+b=0，则权值向量ω和b偏置须满足约束yi(ωTxi+b)≥1－ξi，其中ξi为线性不可分条件下的松弛变量，它表示模式对理想线性情况下的偏离程度。SVM的目标是找到一个决策面使其在训练数据上的平均错误分类误差最小，可推导出以下优化问题:

式中:C是用户指定的正参数，它表示SVM对错分样本的惩罚程度，是错分样本比例和算法复杂度之间的平衡参数。SVM常用的内积核函数有以下几种:

线性核函数:K(xi，xj)=，xj;

多项式核函数:K(xi，xj)=(γxT

ixj+r)d，γ＞0;

径向基核函数:K(xi，xj)=exp(－γ∥xi－xj∥2)，γ＞0;

S型核函数:K(xi，xj)=tanh(γxTixj+r)，γ＞0。

其中γ是核函数的gamma值;d表示多项式核函数的多项式次数;r表示多项式和S型核函数的偏差量。这三个参数的正确性直接影响SVM分类结果的精度。

2.3 灾前植被信息提取方法

草地上的植被一般为一年生草本植物，植被生物量的峰值一般在9月份左右，受放牧等人为活动或野生草食动物的影响，草地植被从枯黄到第二年返青时地上可燃物载量会减少，因此本研究采用了9月11、22、26日的CCD影像，计算归一化植被指数(NDVI)，再进行平均运算后得到平均值NDVI数据，如图2所示。

图2 火灾前植被指数图

3 结果与分析

依据研究区的土地利用数据和假彩色合成影像图，选取了60个训练样本，分别是水体、火烧迹地、未燃烧草地和火烧烟雾。经过J-M距离监测后发现各类别间的分离性较好，训练样本比较纯(表2所示)。从典型样本的灰度值曲线(图3)、辐射亮度曲线(图4)和反射率曲线(图5)中可以看出各样本光谱值的区别，特别是在辐射亮度影像上比较明显，因此在提取火烧迹地时采用了辐射亮度影像。

表2 样本J-M距离值矩阵

图3 样本的DN值曲线

图4 样本的辐射亮度值曲线

图5 样本的反射率值曲线

图6 火烧迹地提取结果图

表3 SVM分类精度验证混淆矩阵(象元)

本文使用ENVI 4.8遥感图像处理软件的SVM分类工具提取火烧迹地，采用径向基内积函数(RBF)作为核函数进行分类，分类结果如图6所示，精度验证时以目视解译的数据作为地面真实性图像，进行精度评估后得到了两个数据的混淆矩阵，如表3，总精度达到82.71%，Kappa系数为0.666 8。从Kappa系数来看，两幅图像已经达到高度一致水平，因此SVM分类法能够满足快速、及时分类需求。

过火区形状为扇形，燃烧火线长度达到1 054.39 km，总过火面积为15 565.82 km2，占哈拉哈高勒苏木(研究区)的55.87%。从我国的草原火灾分级来看属特别重大(Ⅰ级)草原火灾。图像上能够准确判别定位起火点，从比较规则的火线可以看出，道路具有明显的阻隔带效应。

用过火区的图像裁剪NDVI图像后获得过火区灾前NDVI数据，将这些NDVI数据分别按小于0.1、0.1～0.2、0.2～0.3、0.3～0.4和大于0.4的区间划分为5个等级，各等级面积和占总过火区的比例分别为71.39 km2和0.46%、1231.73 km2和7.91%、6 158.52 km2和39.56%、6 483.69 km2和41.65%、1 620.49 km2和10.41%。从数据来看，NDVI值大于0.1的比例为99.54%，所以能够判定NDVI值大于0.1时，发生和蔓延草原火的可能性较高。

过火区中发现多个“孤岛”式的未燃烧地，能够判断出没有植被的盐碱地、沙地和耕地，NDVI值都小于0.1。

4 结论与讨论

本文以HJ-1B卫星的CCD影像作为数据源，采用支持向量机分类方法提取草原火灾燃烧迹地，以人工目视解译数据进行精度验证，发现分类效果比较好。用该方法可以快速提取过火面积，对灾后损失评估工作提供依据。从灾前植被指数的分析来看，当植被指数高于0.1时，草地能够起火并蔓延。

对SVM的分类效果而言，对火烧迹地图像分类的类型较少，图像的信息比较单一，所以分类精度较高，其中，准确选择训练样本也是影响分类精度高低的关键因素。对数据源而言，具有高空间分辨率和完全免费的特点，这些特点均优于MODIS等其他遥感数据源，较适合草原火灾风险评估和灾后快速评估等工作，并提供科学依据。

针对蒙古国等邻国频频发生草原火灾，在我国国界线附近修建或及时修复防火阻隔带是非常必要的，因为，灾前的防灾减灾投资肯定优于灾后低效能的援助投资。

［1］色音巴图．草原可燃物动态研究［J］．中国草地，2002，24(5):49－53．

［2］周艺，王世新，王丽涛，等．基于MODIS数据的火点信息自动提取方法［J］．自然灾害学报，2007，16(1):88－93．

［3］郭朝辉，亓雪勇，龚亚丽，等．环境减灾卫星影像森林火灾监测技术方法研究［J］．遥感信息，2010(4):85－88．

［4］Li Z，Kaufman Y J，Ichoku C，et al．A review of AVHRR-based active fire detection algorithms:Principles，limitations，and recommendations［C］//Ahern F J，Goldammer JG，Justice C O．Global and regional vegetation fire monitoring from．Space:Planning a Coordinated International Effort．SPB Academic Publishing，Hague，2001．

［5］Li Z，Nadon S，Cihlar J．Satellite-based detection of canadian boreal forest fires:Development and application of the algorithm［J］．International Journal of Remote Sensing，2000，20(16):3057－3069．

［6］Li Z，Nadon S，Cihlar J，et al．Satellite-based mapping of canadian boreal forest fires:Evaluation and comparison of algorithms［J］．International Journal of Remote Sensing，2000，20(16):3071－3082．

［7］Fernandez A，Illera P，Casanova J L．Automatic mapping of surfaces affected by forest fires in Spain using AVHRR NDVI composite image data［J］．Remote Sensing of Environment，1997，60:153－162．

［8］FraserR H，Li Z，Cihlar J．Hotspot and NDVI differencing synergy(HANDS):A new technique for burned area mapping over boreal forest［J］．Remote Sensing of Environment，2000，74:362－376．

［9］Van Leeuwen W J D，Huete A R，Laing T W．MODIS vegetation index compositing approach:A prototype with AVHRR data［J］．Remote Sensing of Environment，1999，69:264－280．

［10］谭明艳，陈仲新，曹鑫，等．利用MODIS识别草原火灾迹地方法的研究［J］．遥感学报，2007(3):340－349．

［11］Vapnik V N．The Nature of Statistical Learning Theory［M］．New York:Springer-Verlag，1995．