基于Sentinel-2影像的SAVI快速过火区面积提取
2021-04-22赵亚红江培华李佳慧郝延锦
赵亚红,江培华,李佳慧,郝延锦
(华北科技学院 建筑工程学院,北京 东燕郊 065201)
0 引言
1 研究区域及数据源
西昌是四川省凉山彝族自治州下辖的县级市,位于四川省西南部安宁河谷地区101°46′E~102°25′E、27°32′N~28°10′N之间。全境海拔在1500 m以上。地形复杂多样。属于热带高原季风气候区,夏季多雨冬季干燥,日照充足。森林资源丰富,野生植物种类繁多,其中国家第一批保护珍稀植物30余种,如攀枝花苏铁、棕背杜鹃、西康玉兰等,尤以中草药材和野生食用蕈而著名。2020年3月30日15时,四川凉山州西昌市突发森林火灾,造成了19名人员伤亡,3人受伤,过火面积直接经济损失9731.12万元[15],图1所示为研究区域地理位置(四川省行政区划数据来看源于中国科学院资源环境科学数据中心https://www.resdc.cn/Login.aspx)。
图1 四川凉山州森林大火地理位置
Sentine-2卫星是哥白尼计划的第二个星座卫星,包括2A、2B两颗卫星,分别与2015年6月和2017年3月发射,重访周期10天,双星共同工作重访周期可达到5天,同时覆盖13个较窄光谱波段,能够更好地区分不同地物的光谱响应特性差异,灵敏捕捉各类物质特征波长间的细微差异[16],空间分辨率最高可达到10m,其影像数据是唯一一个在红边范围含有三个波段的数据,这对监测植被健康信息非常有效[7]。时间分辨率、空间分辨率优于Landsat系列卫星,其高分辨率使紧急救援更加容易,可以用火灾前后植被变化情况提取火烧迹地范围并估算面积[3],本文使用sentinel-2B卫星火灾前后L1C级别产品(来源:哥白尼数据中心(Copernicus Open Access Hub),网址:https://scihub.copernicus.eu/ ),所选取尽可能地靠近火灾发生的时刻的火灾前后的两景影像,主要数据信息见表1。影像数据处理利用SNAP软件,结果统计和绘图在ARCGIS中完成。
表1 数据源信息
2 研究方法及路线
本文提取过火区面积主要包括影像预处理、植被指数计算以及烧伤面积提取三个过程,数据及指数计算均在SNAP软件中完成,烧伤面积提取及统计在ARCGIS中实现。具体流程如图2所示。
图2 流程图
(1) 预处理
Sentinel-2B卫星L1C产品是经过正射校正和亚像元级几何精校正后的大气表观反射率产品,未经辐射校正的0级、1A级及1B级产品不提供用户使用。本文利用欧空局开源遥感数据处理软件SNAP中的sen2cor插件工具进行辐射定标和大气校正处理,生成L2A级产品,为了比较大气校正前后植被光谱信息的差异,本文选择火灾前植被像素,绘制大气校正前(L1C)和大气校正后(L2A)的光谱曲线,如图3所示,光谱曲线趋势存在明显区别,校正前影像反射率存在明显错误,如可见光绿波段0.55 μm附近应该有一个明显的反射峰。由于Sentinel 2B卫星影像数据有60 m、20 m、10 m三种空间分辨率,而空间分辨率影响过火区识别的精度,因此对影像数据进行重采样至10 m空间分辨率。为了加快影像的处理速度,减少影像所占空间,在Google Earth上,勾画出四川省凉山州西昌大火的大概区域位置,利用该矢量数据对火灾前后影像数据进行裁剪。火灾前后影像(采用假彩色合成,植被显示红色)如图4所示,很明显可以看出火灾前后,植被光谱信息的变化。
图3 辐射定标和大气纠正前后光谱曲线
图3 辐射定标和大气纠正前后光谱曲线(续)
图4 火灾前后影像
(2) 植被指数计算
分别采用NBR、SAVI指数检测火灾前后光谱信息的变化,利用dNBR和dSAVI提取过火区,并统计面积。Sentinel-2B影像数据经过辐射和大气纠正后,产生大量的波段。针对植被在红外、近红外波段敏感的特点,只选取Band8、Band4、Band12波段,NBR对火灾后可能发生的近红外(NIR,Band4)和短波红外(SWIR,band8)波段的植被、水分含量和某些土壤条件的变化特别敏感,因此使用NBR指数来检测燃烧绿区。计算公式见式(1),取值范围为-1 ~ +1。火灾前影像的NBR值范围为-0.179 ~ 0.607,火灾后NBR范围为-0.371~ 0.607。通过式(2)计算火灾前后NBR、dNBR,从而检测植被覆盖变化情况,计算结果见图5 (c)dNBR值范围-0.163~0.87,从dNBR结果图中可以看出,变化区域呈现亮色,特征明显。
(1)
dNBR=NBR(pre)-NBR(pos)
(2)
由于森林过火后土壤裸露较多,在低植被区红光和近红外光谱的反射率会受到影响,因此利用Huete提出的土壤调整植被指数(SAVI),见式(3),其工作原理类似于差分归一化植被指数NDVI。利用土壤调整因子,减少土壤亮度值对红、近红外波段的影响,以获取更精确的值以及准确的植被指数。
(3)
式中,L为土壤调整因子,L因子随地表植被密度的不同而变化,取值范围为0~1;高植被密度(L=0.25),中等植被密度(L=0.5),低植被密度(L=1)(Huete,1988)。L=0时SAVI等同于NDVI。实际中,最常见的植被覆盖情况属于中等植被覆盖。本文中L取0.5。从大量文献来看,国内基于Sentienl2 数据利用SAVI进行森林过火区检测和评估较少。火灾前后SAVI结果如图6所示,火灾前后SAVI范围分别为:-0.002~0.432,-0.009~0.450。从图5可以看出,火灾前后SAVI有了较明显的变化,过火区SAVI明显较暗。利用火灾前和火灾后的SAVI指数结果的差异进行烧伤面积严重程度评估。可以得到差分土壤调整植被指数dSAVI,可以表示为
dSAVI=SAVI(pre)-SAVI(pos)
(4)
图5 火灾前后NBR、dNBR结果
图6 火灾前后SAVI、dSAVI结果
经过波段运算,获取dSAVI值范围-0.145~0.310,从图6中可以看出,经过火灾前后两景影像SAVI差值后,光谱变化信息明显,说明dSAVI 可以有效的检测植被发生变化的区域。dSAVI识别出的植被覆盖变化区域在视觉上更加明显,与背景差异更大,将更容易提取过火区范围和面积。
(3) 两类指数的区分度
用区分度M来表示评价各个指数波段中火烧迹地的分离性,用式(5)计算。
(5)
式中,μ1和μ2分别为火烧迹地和非火烧迹地样本平均值;σ1和σ2为其对应的标准差。M越大表示火烧迹地与非火烧迹地分离性越好,M大于1表示分离性良好,反之分离性较差[8]。本文选取15个样本,分别对于火烧前林地和火烧迹地,计算样本均值和标准差,计算得NBR和SAVI的区分度为 3.289、2.708。表明两类指数对火烧迹地均能较好的区分,并且NBR较SAVI对火烧迹地的区分度要好。结果与文献[17]一致。
(4) 火烧迹地提取与精度评价
提取过火区范围最简单方便的方法是阈值提取,阈值设置大小影响提取精度。为了更加快速获取受灾区域范围,提高时间响应速率,本文采用非监督分类方法-K-Means。利用火灾前后的两期Sentinel 2B 卫星影像的差值图即dNBR和dSAVI影像图,进行分类,然后导入ARCGIS进行重分类,统计火烧迹地像元或面积,并利用式(6)计算火烧迹地识别精度。提取火烧迹地面积分别为:2728.98公顷,2829.48公顷。提取结果如图7所示。火烧迹地识别精度按照式(6)计算,分别达到89.54%、92.83%。
火烧迹地识别精度分析[13]为:
(6)
式中,P为火烧迹地的识别精度,Sf为火烧迹地的提取面积,S为对应火烧迹地实际面积。
图7 火烧迹地提取结果
3 结论
(1) 本文以2020年3月30日四川凉山州西昌森林大火为例,利用火灾前后Sentinel-2卫星影像,采用遥感植被指数NBR、dNBR、SAVI、dSAVI,通过SNAP软件和ARCGIS软件处理,提取过火区面积。
(2) dNBR、dSAVI两类指数对林地和过火区的区分度均大于1,区分度均较好;提取过火区面积分别为2728.98公顷、2829.48公顷,识别精度为89.54%、92.83%,非常接近官方报道的3047.7805公顷,结果表明SAVI同NBR一样在过火区识别中均具有很好的性能。
(3) 在本例中Sentinel-2数据利用dSAVI提取过火区的方法,方便快捷,且提供的结果足够精确,可以作为灾情评估和火灾后管理的辅助手段。但Sentinel-2数据属于光学影像,受天气影响较大。因此,在过火区识别中可以考虑SAR数据作为补充。