基于Sentinel-2 的火烧迹地提取方法研究——以西昌泸山火灾为例

林 鹏

（甘肃省地质矿产勘查开发局第一地质矿产勘查院，甘肃 天水 740120）

1 概述

林火，对自然和经济社会都有多方面的影响。对于自然环境方面，过火后的森林生态环境受到影响[1]，动植物不同程度的死亡，栖息地遭到破坏[2]，大量气体排到空气中。一方面有破坏作用，另一方面更新了森林生态系统，积累了新的养分，孕育了新的生命。对于社会经济方面，救火投入大量人力物力，造成一定经济损失，并且污染环境。火烧迹地。

近些年来遥感技术因其成本低且可大范围监测过火区的火情被广泛用于林火监测[3]。陈本清、徐涵秋等人利用TM 影像选取三种不同的提取方法进行精度比较并分析了影响精度的原因[4]。祖笑峰、覃先林等人利用高分一号卫星及其计算出的光谱指数构建了森林火烧迹地识别决策树模型[5]。杨伟等人基于MODIS 数据建立了一套火烧迹地提取算法并对精度进行了验证[6]。2020 年3 月30 日，西昌泸山发生森林火灾，造成19 名灭火人员牺牲，火势危及城区。本文以西昌泸山为研究区，分别选择决策树分类法和NBR 提取火烧迹地，对比两种提取方法的精度。

2 研究区概况与数据来源

2.1 研究区概况

泸山位于四川省西昌市西南，海拔2317m，纬度27°46′51″-21°53′21″，经度102°11′55″-102°17′55″，面积29km2，山脉走势为北西—南东向，东南端与螺髻山接壤，西北端为安宁河谷，北东坡紧连邛海，与邛海一起构成川西南一大景区。地形为北坡缓南坡陡。属于亚热带高原季风性气候，平均降水量1020mm，平均气温17.5℃。研究区内林业及资源丰富。如图1 所示。

图1 研究区地理位置示意图（灾后遥感影像）

2.2 数据来源与预处理

Sentinel-2 卫星作为欧洲SPOT 卫星和美国陆地卫星（Landsat-7）的延续卫星，其担任着生物物理变化制图、监测海岸和内陆地区以及风险和灾害制图等职责[7]。卫星包括Sentinel-2A 和Sentinel-2B 两颗卫星，单颗卫星的重返周期为10d，两颗组合重返周期为5d。其携带的多光谱成像仪的成像幅宽为290km，光谱分辨率为15～180nm，空间分辨率分为10m、20m、60m[8]，其波段情况见表1。

表1 Sentine-2 卫星波段情况

在欧空局下载两景数据，灾前选择S2B_MSIL2A_20200330T034529_N0214_R104_T48R TR_20200330T080145.SAFE,云量0.008709，灾后选择S2B_MSIL2A_20200409T034529_N0214_R104_T4 8RTR_20200409T080223.SAFE，云量为9.9593，手动选择泸山区域，数据基本无云覆盖。在SNAP 中进行重采样，将20m、60m 的波段重采样为10m 分辨率，每个地类选取20 个样本，共100 个。70 个用于训练样本，30 个用于验证样本。

3 研究方法

3.1 典型地物光谱特征曲线分析

Sentinel-2 数据在红边范围含有三个波段，可用于监测植被健康状况。从图2 分析健康植被与火烧迹地，火烧迹地在红（4）波段略高于健康植被，在红边波段（5.6.7）较健康植被大幅下降，在短波红外（11.12）波段又呈现增长趋势，并且高于健康植被，这是因为地表燃烧导致植被水分减少，短波红外的反射率增强幅度要高于可见光波段的反射率。

图2 典型地物光谱特征曲线图

3.2 遥感指数提取

3.2.1 NBR

NBR 是衡量火灾严重程度的指标之一，归一化燃烧率(NBR)［9］计算公式如下所示:

式中:NIR、SWIR 分别为近红外和短波红外的反射率,即Sentinel-2 的第8、12 波段,中心波长分别为0.865μm 和2.190μm.采用火灾前后两幅影响的NBR 指数进行差值处理能得到DNBR 指数。DNBR计算公式如下：

3.2.2 NDVI

归一化植被指数（NDVI）是反映地表植被动态及其空间状况的重要指标之一，它与不同地理区域和生态系统的生物量或年度地上净初级生产力（ANPP）之间呈现正相关关系[10]，NDVI 可由近红外波段的反射值与红光波段的反射值之差比上两者之和获得，计算公式如下：

式中:NIR、R 分别为近红外波段和红光波段的反射率,即Sentinel-2 的第8、4 波段,中心波长分别为0.865μm 和0.665 μm。

3.3 决策树分类

提取火烧迹地传统方法是利用NBR 指数，提取出来之后部分水体植被及裸地被错分到火烧迹地中，选取mndvi 指数，剔除水体，选取ndvi 指数，剔除植被，观察裸地及火烧迹地的波段特征，选取波段8 进行分类。将大于0.1 的归为裸地，最终分出火烧迹地。决策树分类图如图3 所示。

图3 火烧迹地决策树示意图

4 结果与分析

4.1 指数提取

根据上述研究方法对遥感影像进行指数提取，NBR 指数提取如图4 所示，白色部分代表火烧迹地，但是影像右侧（深色轮廓部分）被错分到火烧迹地中。NDVI 指数如图5 所示，黑色采用部分代表水体。

图4 DNBR 指数提取结果图（白色部分为火烧迹地）

图5 NDVI 提取结果图（黑色部分为水体）

用OTSU 方法进行阈值分割，反复实验后选择阈值0.4，得到如图所示的火烧迹地提取。但是仍有部分植被、裸地、水体被错分到了火烧迹地中。如图6 所示。

图6 DNBR 阈值分割后的提取结果

4.2 决策树分类结果

综合考虑地物错分采用图7 的决策树分类模型，得到如图7 所示的分类结果。可以看出错分结果有所改善。

图7 决策树分类结果图（红色部分为火烧迹地）

4.3 精度检验验证

采用混淆矩阵的方法对提取火烧迹地的结果进行了定量估算。对于决策树分类法，通过建立混淆矩阵，得出如表2 所示的结果，总体精度达到84.52%，Kappa 系数为0.87，通过验证。见表2。

表2 精度检验

5 结论

本文通过对2020 年3 月30 日西昌泸山火灾前后Sentinel-2 影像的分析，利用DNBR 指数和决策树分类法对过火区域进行火烧迹地面积提取。（1）通过目视验证，DNBR 指数提取之后再使用阈值分割可以提高提取精度，一些错分的地类可以被去除。（2）基于波段特征和植被指数的决策树分类法通过了验证。精度达到84.52%，Kappa 系数为0.87。研究表明，结果表明，利用DNBR 指数和决策树分类法对过火区域进行火烧迹地面积提取是可行的。