基于遥感数据的林火监测与过火面积估算方法研究

郏江杰++王有志++穆振娟+++张宇涵+++戴忆如

摘要： 野外森林大火每年造成巨大的经济损失和生态损失，利用遥感技术对森林火灾进行监测与灾后受灾面积的测算已成为重要的技术手段，本文使用Landsat8高分辨率的遥感影像对昆明市西山区2014年4月16日林火发生前后的植被覆盖进行了对比，运用了三种不同的分类方法对西山火灾进行了研究，统计出各种方法算得的过火面积，通过对比分析三种方法的优势与存在的问题，并对可能存在的误差进行分析。

Abstract： Every year， wild forest fires caused huge economic losses and ecological loss. Using remote sensing technology to monitor forest fire and estimate disaster affected area has become an important method nowadays. In this paper， Landsat 8 high spatial resolution remote sensing image were used to compare vegetation coverage before and after the forest fire on Kunming Xishan District in April 16， 2014. Three different remote sensing classification methods are used to estimate the burned area of Xishan fire， through the comparison， problems and advantages of the three methods are analyzed， and the possible reasons of errors are discussed in this paper.

关键词： 过火面积；遥感；火灾

Key words： burned area；remote sensing；wild fire

中图分类号：S762 文献标识码：A 文章编号：1006-4311（2017）12-0219-04

0 引言

森林是陆地生态系统的重要组成部分之一，对全球气候和生态环境有重大的影响作用。森林可以极大地改善人类生存环境与维护自然生态平衡。然而，中国的森林资源十分匮乏，人均占有量不足的全球平均水平的1/4，且我国森林资源区域分布极度不均匀。除此之外，我国森林资源还经常遭受气候灾害、病虫害的困扰。

野外森林火灾是造成森林破坏的主要原因之一，它不仅会给社会造成巨大的经济损失，而且会对土壤、野生动物和微生物造成巨大的破坏，造成生态环境的持续恶化。据统计，全球森林火灾造成的经济损失约占全球经济的0.1%，部分火灾频发国家损失甚至超过了经济收入的0.5%。因此，森林火灾因其原因复杂、防治难度大等原因已成为森林资源和自然环境破坏的主要威胁。及时、准确、有效地监测野生森林火灾，及时准确地评估其损失，对于维护生态平衡，保护森林资源具有重要的现实意义。

随着遥感技术的逐步成熟和快速发展，遥感技术因其具有高时空分辨率、覆盖面广、成本低等特点，已被广泛应用于野外火灾监测和灾害评估中。不仅如此，它已成为我国大面积野外火灾监测与过火面积估算的重要手段。

本文对比了三种常用的遥感方法：支持向量机监督分类（SVM）、PC3阈值，和NDVI阈值，利用Landsat 8多光谱遥感数据提取昆明市西山区森林过火面积的信息（研究对象为2014年4月16日昆明市西山区森林火灾）。通过对遥感图像的序列分析和火灾前后图像的对比，本文分析了该区域火灾的程度并估算了森林过火面积。

1 研究对象

西山区位于昆明市西部，地理坐标为东经102°21°至102°45°，北纬24°'到25°'，东西宽36.8公里，南北宽为72公里。西山区靠近五华区和官渡区，毗邻安宁市。西山森林火災发生在2014年4月16日。

本文使用两幅Landsat8多光谱遥感图像数据，分别拍摄于西山森林火灾之前和之后（2013年4月20日和2014年4月23日），作为研究的基础材料。这些如图1所示。Landsat8是美国NASA于2013年发射升空的陆地卫星（Landsat）计划发射的第8颗卫星，陆地卫星主要是以地球陆地的环境与资源为探测目标，为农业、林业、地质矿产、环境等国民经济各部门源源不断地提供信息和资料。 LandSat- 8上携带有两个主要载荷：OLI和TIRS。OLI陆地成像仪包括9个波段，空间分辨率为30m，其中包括一个15米的全色波段，成像宽幅为185×185km。

2 研究方法

2.1 支持向量机监督分类（SVM）

由于Landsat 8多光谱图像具有11条波段，因此寻找最佳的波段组合来表示森林火灾在数据处理中显得尤为重要。经过多次实验，我们最终将波段5（NIR，0.85-0.88μm），波段4（Red，0.64-0.67μm）和波段3（Green，053-0.59μm）组合为假彩色影像地图，反映森林火灾之前和森林火灾后的地表用地变化。

然后通过目视解译选择陆地卫星图像的训练样本和测试样本，利用谷歌地球上更高分辨率的图像进行协助。或在发生前，图像主要有四个土地覆盖类别：水，植被，不透水和裸露的土地，森林火灾之后，我们添加了另外的类别——过火区域。经过支持向量机的监督分类，得到了西山的过火区域，然后对分类结果进行精度评价，得到分类结果的可靠性。

2.2 PC3阈值法

陈等人[2]用PC3阈值的方法提取森林火烧迹地信息在火灾后的TM 5罗源县形象。主成分分析（PCA）方法又称K-L变换，它将高相关多波段图像中的有用信息转化为一些无关的主成分图像，从而大大减少了总数据量，增强了图像信息量。

在对波段1，波段2，波段3，波段4，波段5，波段7进行 K-L变换后，陈等人发现第三主成分（PC3）可以增强过火区的信息。PC3成分表达式的原始6个波段的非线性方程：

值=0.104 *波段 1 + 0.321 *波段2 + 0.072 * 波段3 + 0.788 *波段4-0.004 *波段5-0.509 *波段7

在我们的研究中，我们利用Landsat 8 OLI图像为数据源，与TM 5图像波段的名字是不同的。所以我们研究的方程式是：

值=0.104 *波段2 + 0.321 *波段3 + 0.072 *波段4 + 0.788 *波段5 - 0.004 *波段6 - 0.509 *波段7

公式表明，波段5和波段7的系数较高，波段5的系数为正，而波段7系数为负。从原始图像中可以看出，燃烧区域的反射率在波段5是低的，而在波段7是相对高的。因此，在PC3阈值在确定过火区域是有利的，因为它可以提高燃烧区的信息，尽量减少干扰其他特征信息。

2.3 NDVI阈值法

ENVI软件可用于计算图像的NDVI指数（归一化植被指数）。归一化植被指数的范围从1到1，负值表明地面上覆盖着云、水、雪，0值代表的地区都是岩石或裸露的土壤，由于近红外波段和红光波段大致与裸土和岩石类似。当NDVI值为正，该地区被植被所覆盖，随着植被覆盖的增加，NDVI值也会增加。NDVI图像如图2所示。

把原始图像转换成植被指数NDVI图像之后，进行归一化处理，在林区过火区域植被指数明显不同与植被覆盖较好的地区。然后应用决策树方法将这两幅土地图像划分为两类土地利用（植被和非植被）。分类后，变化检测工具是用来比较两个图像之间的差异，对过火面积的的统计也在这一过程中进行计算。

3 研究结果

3.1 支持向量机分类监督分类结果

图3显示了西山森林大火前后图像的分类结果。中间深色区域是被烧毁的区域，在这个图像中与其他类明显不同。

结果表明，2013年4月20日的分类结果总体准确率为96.6252%，Kappa系数为0.9480。2014年4月23日分类结果总体准确率为97.4164%，Kappa系数为0.9652。的混淆矩阵显示，不透水表面分类结果的准确性相对低于其他类别，植被和过火面积分类的结果的准确性更好并接近100%。支运用持向量机监督分类计算过火面积，从直方图的分类结果来看，过火区域面积为1089.18公顷。

3.2 PC3阈值法分类结果

在图4左图中，过火区域在PC3图像中显示为暗像元， PC3数据的值范围从4464.94到22893.44。经过不断调整，PC3的阈值设为7687，低于7687的像元表示过火区域，高于7678的像元则为其他区域，图4右图展示出分类结果。根据PC3阈值法结果的统计，烧伤区面积为1051.2公顷。

3.3 NDVI阈值法分类结果

根據不同的土地覆盖类型显示不同的NDVI值，实验使用决策树进行分类，通过反复调整NDVI值达到最佳的分类结果，最后确定0.232是第一个图像的最佳阈值。当NDVI大于0.232，土地覆盖类型分为植被。同样，第二个图像的阈值为0.248。图5是火灾前后决策树分类的结果。

对两个结果进行变化检测后发现，由于季节变化。一些周边植被成为其他类型的土地利用和一些转向植被。因此，我们的地图大小调整为170 * 170像素地图完全覆盖整个烧伤面积，用于排除干扰。以下图像显示了重新裁剪后的分类结果（见图6）。经过变化检测后结果显示（见表4），过火面积占整个图像的14363像素，实际过火面积为1292.67公顷。

4 结果分析

PC3阈值方法性能总体更优，用PC3阈值法得到区域的面积相当接近于支持向量机监督分类的结果。然而，仍然存在一些问题。

首先，比较PC3阈值法的分类结果与原始图像可以发现，过火面积的边缘容易被误分为未燃区。森林火灾在边缘区域不如中部地区那么严重，所以过火区域的像元可能会与未着火的区域像元有一定程度的混合。

其次，一些其他像元误被归类为过火面积。根据监督分类结果，这些错分像元一般零星分布位于水域和植被（林）区。这些零星像素的植被被归类为烧伤面积的原因可能是，是在这些地点的植被正遭受严重的植物病虫害，这种情况可能会导致植被叶绿素含量变低，从而在近红外波段（波段5）的反射率将低于健康植被。对于被划分为过火面积的水体的像元，在近红外波段（5波段）的反射率与过火区域相当。因此，使用P C3组件为代表的原有的6波段的线性无关的方程后，对水的像素值和烧伤面积的差异可能很小，有些水域可误分为过火区域。

对NDVI阈值法的结果，利用NDVI得到的的过火区域比监督分类和PC3阈值结果相对较高。

一个可能的原因是一些土地的树木分布稀疏或像素结合植被和非植被区，所以他们的NDVI不够高，这些地区可能很容易被归类为非植被区。另一种假设的原因是，虽然面积小，但也有一些地区是由于季节变化，原来的植被覆盖逐渐变成裸露的土壤，而不是受森林火灾的影响。这两个原因可以导致植被到非植被的像元增加。

5 结论

利用支持向量机监督分类方法、PC3阈法和NDVI阈值法从Landsat 8多光谱遥感数据中提取信息并估算昆明西山区森林火灾的过火面积在，结果分别为1089.18公顷， 1051.2公顷和1292.67公顷。PC3阈值方法获得的过火区域的面积相当接近支持向量机监督分类的结果，而用NDVI阈值法获得的过火区域面积比监督分类和PC3阈值结果相对较高。

比较不同类型的森林覆盖面积估算方法，有助于提高森林植被调查结果的准确性，维护生态平衡和保护森林资源。

參考文献：

[1]Jiao Lin lin， et al. Using TM to Validate Burnt Area of Large Forest Fires Based on MODIS： A Study in Heilongjiang Province.

[2]CHEN， Ben-qing， and Han-qiu XU. The application of remote sensing in extraction of forest burnt scar information [J]. Journal of Fuzhou University （Natural Sciences Edtion） ，2001（2）： 006.

[3]张兵，韦锐，宋昆仑&赵彦博.基于 TM8 遥感影像的森林火灾监测与过火面积测算[J].矿山测量，2015（3）：75-78.

[4]Chuvieco， Emilio， and Russell G. Congalton. Application of remote sensing and geographic information systems to forest fire hazard mapping[J]. Remote sensing of Environment，1989，29 （2）： 147-159.

[5]Chuvieco， Emilio， et al. "Development of a framework for fire risk assessment using remote sensing and geographic information system technologies[J]. Ecological Modelling，2010，221（1）： 46-58.

[6]Yan， Gao， et al. "Comparison of pixel-based and object-oriented image classification approaches—a case study in a coal fire area， Wuda， Inner Mongolia， China[J]. International Journal of Remote Sensing，2006，27 （18）： 4039-4055.

[7]Roy， D. P.， et al. Prototyping a global algorithm for systematic fire-affected area mapping using MODIS time series data[J]. Remote sensing of environment，2005，97（2）： 137-162.

[8]Roy， D. P.， Lewis， P. E.， & Justice， C. O.. Burned area mapping using multi-temporal moderate spatial resolution data—A bi-directional reflectance model-based expectation approach[J]. Remote Sensing of Environment， 2002，83（1）：263-286.

[9]White， Joseph D.， et al. Remote sensing of forest fire severity and vegetation recovery[J]. International Journal of Wildland Fire，1996，6 （3）： 125-136.

[10]Fraser， R. H.， Z. Li， and J. Cihlar. Hotspot and NDVI differencing synergy （HANDS）： A new technique for burned area mapping over boreal forest[J]. Remote Sensing of Environment，2000，74 （3）： 362-376.

[11]Melgani， F.， Moser， G.， & Serpico， S. B.. Unsupervised change-detection methods for remote-sensing images[J]. Optical Engineering， 2002，41（12）： 3288-3297.

[12]Kasischke， E. S.， & French， N. H.. Locating and estimating the areal extent of wildfires in Alaskan boreal forests using multiple-season AVHRR NDVI composite data[J]. Remote Sensing of Environment， 1995，51（2）：263-275.

[13]Justice， C. O.， et al. The MODIS fire products[J]. Remote Sensing of Environment， 2002，83 （1）： 244-262.

[14]San-Miguel-Ayanz， Jesus， and Nicolas Ravail. Active fire detection for fire emergency management： Potential and limitations for the operational use of remote sensing[J]. Natural Hazards，2005， 35 （3）： 361-376.

[15]Epting， Justin， David Verbyla， and Brian Sorbel. Evaluation of remotely sensed indices for assessing burn severity in interior Alaska using Landsat TM and ETM+[J]. Remote Sensing of Environment， 2005，96 （3）： 328-339.

[16]Van Wagtendonk， Jan W.， Ralph R. Root， and Carl H. Key. Comparison of AVIRIS and Landsat ETM+ detection capabilities for burn severity[J]. Remote Sensing of Environment，2004，92（3）： 397-408.