典型植被指数识别火烧迹地潜力分析

孙桂芬， 覃先林， 刘树超， 李晓彤， 陈小中， 钟祥清

(1.中国林业科学研究院资源信息研究所国家林业局林业遥感与信息技术实验室，北京 100091； 2.四川省林业信息中心，成都 610081)

0 引言

火灾作为森林生态系统的重要扰动因素，显著地影响着植被的结构和组成[1]。林火多发生在边远、山势险峻、交通可达性低的地区，采用人工实地测算过火面积难度较大，因此遥感技术以其大面积同步观测的优点被广泛地应用于过火区识别与制图研究中。当前，新型传感器特别是我国国产高分系列卫星的陆续发射升空，适用于新型传感器的火烧迹地识别方法研究已成为当前火烧迹地识别的重点之一。

植被指数法是利用卫星遥感影像识别森林火烧迹地的一种常用方法。火灾使地表植被破坏，受灾植被在卫星影像不同波段的反射率发生变化，其光谱曲线与正常植被光谱曲线有明显差异，但与裸地、水体和阴影等地物的光谱曲线间的差异可能变小而产生混淆。大量研究表明，植被指数通过增强这种差异，能有效地用于过火区制图[2-3]。现有植被指数的种类很多，其中归一化植被指数(normalized difference vegetation index，NDVI)、增强型植被指数 (enhanced vegetation index，EVI)、全球环境监测植被指数(global environment monitoring index，GEMI)、过火区识别指数(burned area index，BAI)和归一化火烧指数(normalized burn ration，NBR)等5种植被指数常被用于火烧迹地识别。Veraverbeke等[4]应用MODIS/ASTER构建了不同的植被指数，并评估了各植被指数对过火区的分离能力； Carriello等[5]和Chuvieco等[6]评估了ETM+各个波段对火灾前后地物变化的敏感性，并选用BAI增强过火区，取得了较好结果； 朱曦等[7]利用环境减灾小卫星星座数据评估了NDVI，BAI，EVI[8]和GEMI[9]等4种植被指数对过火区的分离性，发现BAI和GEMI分离性较好； Loboda等[10]基于NBR[11]创建了一种半自动识别方法，使用TM数据获取过火区验证精度较高； Bastarrika等[12]利用TM/ETM+数据采用加入短波红外波段的NBR和改进的过火区识别指数(improved burned area index，BAIM)构建的2阶段算法，显著降低了误判率。

高分一号(GF-1)卫星作为我国“十二五”民用高分专项对地观测系统的首发星，自2013年9月获取数据以来，以其高时间与高空间分辨率、多光谱和宽覆盖等特点被广泛地应用于农业、林业、国土资源和地质灾害等领域。

本文结合GF-1宽幅(wide field of view,WFV)和Landsat8数据的波谱特性，通过对常用的NDVI，EVI，GEMI，BAI和NBR等5种植被指数的分离性进行研究，来探求适用于这2种数据识别火烧迹地的最优植被指数，并采用分离性较好的植被指数对研究区的火烧迹地进行了识别，评价了典型植被指数识别火烧迹地的应用潜力。

1 研究区概况与数据源

1.1 研究区概况

表1 火烧迹地概况Tab.1 Profile of burned area

1.2 数据源及其预处理

采用的林区过火后遥感数据为GF-1 WFV，Landsat8和GF-2 数据。其中GF-1 WFV和GF-2数据从中国资源卫星应用中心网站下载，Landsat8数据从美国地质调查局网站下载。为保证研究的准确性和结果的可信度，选取影像数据质量较好的过火后最近一期影像开展研究。研究区遥感数据获取情况如表2所示。

表2 遥感数据获取情况Tab.2 Acquisition information of remote sensing data

对GF-1 WFV和Landsat8数据分别进行了预处理，主要包括辐射定标、FLAASH大气校正、带参考影像的正射校正(以Landsat8影像为参考影像、全国30 m数据高程模型(digital elevation model,DEM)为参考DEM)和图像裁剪等。通过上述预处理，将遥感数据的DN值转换成反射率。GF-2数据包括全色和多光谱数据，分别对其进行正射校正(采用RPC进行正射校正，以全国30 m DEM数据为参考DEM)，然后进行自动配准和图像融合，将多光谱数据的空间分辨率提高到1 m。融合后的GF-2数据用于火烧迹地识别结果的精度验证。

2 研究方法

2.1 典型地物光谱曲线

不同地物具有不同的光谱曲线，森林火灾中，植被的叶绿素和叶片细胞结构遭到破坏，这使火烧迹地上的过火植被不再具有正常植被特有的光谱特征，易与裸地、水体和阴影等混淆。本文使用预处理后的GF-1 WFV和Landsat8数据，采用目视解译的方式对4个研究区内的典型地物选取样本，每一类样本数在30个以上。使用这些样本提取典型地物在各个波段的反射率并求其平均值，汇总得到典型地物光谱曲线如图1所示。其中正常植被、火烧迹地、裸地和道路为4个火烧迹地研究区共同具有的地物类型，耕地从陈巴尔虎旗火烧迹地提取，山体阴影和雪从雅江县和冕宁县火烧迹地提取，云和云阴影从鄂伦春自治旗火烧迹地提取。

(a) GF-1 WFV数据(b) Landsat8数据

图1GF-1WFV和Landsat8影像典型地物光谱曲线

Fig.1SpectralcurvesoftypicalfeaturesinGF-1WFVandLandsat8images

2.2 技术路线

分析评价NDVI，EVI，GEMI，BAI和NBR等5种典型植被指数识别火烧迹地应用潜力的技术路线如图2所示。

图2 技术流程Fig.2 Technique flow chart

2.2.1 植被指数

植被指数是根据地物波谱特征，对遥感影像波段进行线性组合，进而增强地物信息，增加地物的区分度。NDVI，EVI，GEMI和BAI是基于可见光和近红外波段构建的植被指数，其中BAI基于地物像元值与参考光谱值的距离，近红外和红光波段反射率的参考值分别为0.06和0.10，强调过火区的木炭信号。NBR是基于近红外和短波红外波段构建的植被指数，利用过火区光谱反射率在短波红外波段上升和在近红外波段下降的特征，将过火区与其他地物分离。已有学者研究表明NBR对森林扰动的敏感性较好[14-16]。

由于GF-1 WFV只有可见光和近红外波段，因此基于GF-1 WFV数据只计算了NDVI，EVI，GEMI和BAI； Landsat8数据具有短波红外波段，因此计算了全部5种指数。各指数的计算公式分别为

(1)

(2)

(3)

(4)

(5)

(6)

式中ρR，ρB，ρNIR和ρSWIR分别代表遥感影像红光、蓝光、近红外和短波红外(SWIR2)波段的反射率。

今后几年，河北省将全面贯彻落实《国务院关于实行最严格水资源管理制度的意见》，在水利部的指导下，学习借鉴兄弟省（直辖市、自治区）的经验，按照“打造亮点，突破难点，狠抓重点，大胆创新，全面提升”的工作思路和“可操作、可监控、可评价、可考核”的原则，积极稳妥地开展实行最严格水资源管理制度试点工作。

采用不同地物样本提取不同地物的5种植被指数值并求其平均值，对比分析不同植被指数对火烧迹地与其他地物的区分度。

2.2.2 分离指数

分离指数能定量评价火烧迹地和其他地物植被指数的分离性。分离指数M被广泛用于植被指数分离性评价中[17-19]，即

(7)

式中：μb和σb分别为火烧迹地像元的样本均值和标准差；μμb和σμb分别为其他类别像元的样本均值和标准差。M越大，火烧迹地与其他地类的分离性越大； 当M≥1时，表示分离性良好，当M<1时，表明分离性较差[20]。

3 结果与分析

3.1 火烧迹地及其他地物光谱分析

根据GF-1 WFV和Landsat8数据获取的典型地物光谱曲线，在可见光和近红外波段，GF-1 WFV数据获取的各地物的光谱曲线走势和Landsat8数据走势基本一致，但是各个波段的光谱反射率值不同，这可能与传感器、数据获取时间以及太阳高度角等因素有关。在可见光和近红外波段，雪和云的光谱反射率较高，与火烧迹地的区分度大，不易混淆； 正常植被的光谱反射率与火烧迹地反射率在可见光波段接近，但在近红外波段正常植被的反射率远大于火烧迹地反射率，可采用近红外波段构建的植被指数将火烧迹地与正常植被区分； 在可见光、近红外和短波红外波段，水体、山体阴影、云阴影、耕地、裸地和道路的光谱反射率值与火烧迹地光谱反射率值接近，但在光谱曲线走势上，水体、云阴影和山体阴影在短波红外2通道(SWIR1和SWIR2)光谱反射率均减小，裸地、耕地和道路在SWIR1波段上升，SWIR2波段减小，而火烧迹地光谱反射率在短波红外2个波段均上升，因此采用基于短波红外波段构建的植被指数可将火烧迹地与这些地物区分。

3.2 火烧迹地及其他地物植被指数分析

对GF-1 WFV和Landsat8数据4个火烧迹地研究区提取的典型地物的植被指数值进行统计分析，结果如图3所示。由于BAI的数值偏大，与其他植被指数值不在同一个数量级，因此对BAI进行归一化，将其除以所有地物BAI的最大值，使BAI的取值范围在0～1之间。

(a) GF-1 WFV数据

(b) Landsat8数据

图3GF-1WFV和Landsat8数据提取典型地物植被指数值

Fig.3VegetationindexvaluesoftypicalfeaturesextractedbyGF-1WFVandLandsat8data

从各地物的植被指数平均值上看，由GF-1 WFV和Landsat8数据得到的不同地物的NDVI，EVI，GEMI和BAI 4种植被指数的大小关系基本一致。而NDVI，EVI和GEMI 3种植被指数对植被信息敏感，正常植被的这些指数值都最高，山体阴影和云阴影由于含有少量植被信息，因此其指数值也相对较高，易与火烧迹地区分； 云、雪、水体、裸地、道路、耕地与刚燃烧后的火烧迹地相似，所含植被信息均不明显，采用这3种指数不能很好地分离出过火区。BAI描述的各地物植被指数值的大小关系与NDVI，EVI和GEMI描述的基本相反； 其中火烧迹地的BAI值偏大，水体和山体阴影的BAI值也较大，容易造成混分，正常植被及其他地物的BAI值均较小，区分度较大。从植被指数值上看，火烧迹地的NBR为负值，而其他地物的NBR均为正值，因此NBR对火烧迹地的区分度最好。

对Landsat8得到的4个火烧迹地典型地物植被指数平均值进行对比分析，在基于可见光—近红外构建的植被指数中，相比于NDVI，EVI和GEMI，BAI除了容易与水体混淆外，对其他各地物的区分度都较高； 基于近红外—短波红外波段构建的NBR对火烧迹地的区分度也很好，除陈巴尔虎旗NBR>1之外，其他3处火烧迹地的NBR值均为负值，而其他地物NBR值均为正值。陈巴尔虎旗火烧程度较轻，且只能获取到火灾30 d后的Landsat8数据，由于火烧迹地内草灌等植被恢复生长较快，造成计算出的火烧迹地的NBR值为正值，且大于耕地的NBR值，以及火烧迹地的BAI值小于耕地的BAI值。

3.3 火烧迹地及其他地物分离指数分析

统计火烧迹地和其他地物样本植被指数的平均值和方差，计算分离指数M，基于GF-1 WFV和Landsat8数据分析评价各地物植被指数的分离性，并针对不同数据选取火烧迹地识别的最优植被指数。GF-1 WFV和Landsat8数据提取的火烧迹地与其他地物分离指数M如图4所示。

(a) GF-1 WFV数据

(b) Landsat8数据

图4GF-1WFV和Landsat8数据提取典型地物分离指数M

Fig.4SeparabilityindexMoftypicalfeaturesextractedbyGF-1WFVandLandsat8data

从图4(a)看出，基于过火后GF-1 WFV数据的BAI分离性较好，只有水体、山体阴影和耕地3种地物M<1，易与火烧迹地出现混淆； 相比于EVI和GEMI，NDVI的M≥1的更多，区分度相对较好； EVI和GEMI的M≥1的较少，不能很好地对火烧迹地进行识别。从图4(b)看出，基于过火后Landsat8数据的BAI和NBR的分离性较好，BAI仅对水体的分离性较差，NBR只对道路和耕地容易出现混分； 相比于EVI和GEMI，NDVI的分离性相对较好，EVI和GEMI的分离性较差。

从各地物的M上看，云、雪和正常植被与火烧迹地的分离度较高，采用上述任一种植被指数都能将其与火烧迹地区分开； 水体、道路、耕地、山体阴影、云阴影和裸地等地物与火烧迹地的分离性较差，需要选取合适的植被指数进行区分。就植被指数分离能力而言，基于过火后GF-1 WFV和Landsat8数据提取的火烧迹地与其他地物分离指数M虽数值不同，但各植被指数对火烧迹地和其他地物的分离能力表现的规律基本一致。在选取的由可见光—近红外波段构建的4种植被指数中，BAI能更好地将火烧迹地与其他地物进行分离，NDVI的分离能力次之，EVI和GEMI分离过火区的能力较差； 而选取的基于近红外—短波红外波段构建的NBR与BAI类似，同样具有很好的分离过火区的能力。

3.4 精度验证

GF-2遥感影像数据融合后的空间分辨率为1 m，采用目视解译方法能很好地区分过火区和未过火区。但由于GF-2卫星是在2014年8月发射并获得数据，而雅江县和冕宁县的森林火灾发生时间分别为2014年1月和2月，因而没有与火灾时间相近的GF-2数据可用于验证； 而陈巴尔虎旗火烧迹地(火灾时间2017年5月)可获得到的GF-2数据在2017年9月，已在该区域火灾之后4个月，即当年植被生长旺盛期(7—9月初)。因此，本文仅选取鄂伦春自治旗火烧迹地进行了精度验证； 对GF-1 WFV数据采用BAI进行火烧迹地识别，对Landsat8数据分别采用NBR和BAI进行火烧迹地识别，其原始图像及识别结果如图5所示。使用GF-2数据采用随机选点的方式(研究区内随机选取300个样本点)结合混淆矩阵进行精度验证，得出2种方法火烧迹地识别的精度和Kappa系数，结果如表3所示。

(a) GF-1 WFVB4(R),B3(G),B2(B)假彩色合成影像(b) Landsat8B7(R),B5(G),B3(B)假彩色合成影像(c) GF-1数据BAI识别火烧迹地结果

(d) Landsat8数据BAI识别火烧迹地结果(f) Landsat8数据NBR识别火烧迹地结果

图5鄂伦春自治旗研究区遥感影像及识别结果

Fig.5Remotesensingimagesinstudyareaandidentificationresultsofburnedarea

表3精度评价结果

Tab.3Resultsofaccuracyevaluation

GF-1Landsat8评价指标BAINBRBAI火烧区制图精度/%78.9561.8472.45未火烧区制图精度/%96.5996.9294.55火烧区用户精度/%91.4692.6886.59未火烧区用户精度/%90.8386.7087.61总体精度/%91.0088.3387.33Kappa系数0.780.730.70

由表3的精度评价结果看出，采用NBR和BAI用于火烧迹地识别的总体精度都较高，均能达到87%以上； Kappa系数也均大于0.7，识别效果良好。

4 结论与展望

基于GF-1 WFV和Landsat8数据分析评价NDVI，EVI，GEMI，BAI和NBR等5种植被指数识别火烧迹地的潜力，对GF-1 WFV和Landsat8数据选取最优植被指数进行火烧迹地识别，并进行精度评价。其结论如下：

1)从各地物的光谱曲线上看，在近红外和短波红外波段火烧迹地与其他地物的反射率差别较大，因此采用基于近红外或短波红外波段构建的植被指数提取火烧迹地的结果会相对较好。

2)从植被指数平均值上看，基于近红外─短波红外波段构建的NBR对过火区的区分度最好，火烧迹地的NBR均为负值(火烧程度较轻的地区除外)，其他地物为正值； BAI的区分度次之； NDVI，EVI和GEMI的区分度较差。

3)从分离指数M上看，基于近红外—短波红外波段构建的NBR与BAI相同，同样具有很好地分离过火区的能力，NDVI的分离能力次之，EVI和GEMI分离过火区的能力较差。该结论与朱曦等[7]的结论(GEMI也对过火区的分离能力较好)不同，但本文基于4个研究区开展研究，而文献[7]只针对一个研究区，结果的偶然性较大。

4)对具有短波红外波段的Landsat8数据，采用NBR识别火烧迹地的效果相对较好，其识别总体精度可达到88.33%，Kappa系数为0.73； 对仅具有可见光和近红外波段的GF-1 WFV数据，采用BAI识别火烧迹地的效果较好，其识别总体精度可达到91.00%，Kappa系数为0.78。

研究中陈巴尔虎旗火烧迹地的Landsat8数据的获取时间与火灾时间相差30 d之久，对研究结果造成一定的影响。下一步考虑采用多源数据开展研究。文中典型地物的反射率、植被指数值的平均值和分离指数M是从4个火烧迹地提取汇总得到的，因此可能会因火灾时间、影像获取时间、地物所在海拔和纬度等因素的不同而对结果造成一定影响。另外，如何将NBR和BAI等增强地物信息的植被指数与图像分类法相结合以提高火烧迹地识别精度也将是今后研究重点之一。