PL高分辨率遥感影像在森林火灾评估上的应用

胡林林 王立中 李 华 丁永全 韦昌雷 李慧仁 赵凤君

(1.大兴安岭地区农业林业科学研究院 黑龙江嫩江源森林生态系统国家定位观测研究站 大兴安岭森林湿地生态系统 国家长期科研基地 加格达奇 165000； 2.中国林业科学研究院森林生态环境与自然保护研究所 国家林业和草原局 森林保护学重点实验室 北京 100091)

火是寒温带森林湿地的重要干扰因子，重度火烧会导致其生态功能明显退化(赵凤君等， 2013)。火烧迹地评估特别是火烧程度评估一直是林火领域研究的热点和难点。遥感卫星能够监测和记录全球地表信息，尤其适用于地表异变现象特别强烈的火灾事件，在遥感影像上体现为火干扰前后影像上光谱的改变幅度(伊坤朋等， 2016)。目前，学术界应用最广泛、效率最高的是NDVI、NBR、BAI、GEMI等火烧程度评价指数 (丁海勇等， 2020； 吴建台等， 2018； 高铁山， 2010； 高世忠等， 1997； 莫瑶等， 2007； 王小霞等， 2020； 付建新等， 2020； 邱成等， 2020)。NDVI在火烧程度评估、火后植被恢复方面有广泛的应用，王爱爱等(2017； 2018)利用NDVI时间序列对火后森林恢复进行时空动态分析，Bajocco等(2017)利用NDVI研究撒丁岛森林火灾季节分布和物候学之间的关系，Yasunaka等(2015)利用NDVI指数分析燃烧和放牧对草原植被变化的影响。随着“3S”技术的发展，卫星遥感已成为评估森林火灾损失的重要手段。马礼等(2021)对多源遥感数据森林火灾监测研究发现，Himawari-8和MODIS数据都能较好反演出火灾发生地点，GF-1和GF-6数据能较好地对火烧迹地进行识别。熊得祥等(2020)在深入研究FY4遥感数据后，筛选出最适合进行森林火灾判别的波段组合。李明泽等(2017)利用Landsat TM数据，结合DEM数据和林相图，采用NDVI、dNBR等遥感指数构建决策树分类模型，提出一种识别火烧迹地面积的新方法。杨伟等(2015)利用MODIS数据，采用GEMI和 BAI等遥感指数提取火烧迹地信息。祖笑锋等(2015)基于高分一号影像数据，对四川雅江县地区火烧迹地进行提取，结果表明决策树识别火烧迹地方法精度较高。

由于卫星成像的空间分辨率低，限制了其评估精度，传统方法对遥感影像信息提取通常辅以林相图等辅助解译资料，采用2种以上数据源做融合或验证，需要大量数理统计分析以及反复验证用以提高分类精度，费时费力费工。具有高空间分辨率的行星影像在火灾损失评估方面具有很大的潜力(Michaeletal.， 2018)。美国行星实验室(Planet Labs)的鸽群星座(简称PL)是目前全球最大规模的地球影像卫星星座群，拥有约350颗卫星，是世界上唯一具有全球高分辨率、高频次、全覆盖能力的遥感卫星系统，其提供的遥感影像在具有全球高分辨率的同时，还具有每天覆盖全球1次的超高频时间分辨率。含有4个波段： 蓝波段(455～515 nm)、绿波段(500～590 nm)、红波段(590～670 nm)、近红外(780～860 nm)，空间分辨率3 m，幅宽24 km。影像的优异特性越来越受到科学家的青睐，Kimm 等(2020 )利用PL影像融合低分辨率MODIS 数据提出了适用于整个美国的玉米(Zeamays)叶面积指数LAI估算方法，Addison等(2020)利用PL影像研究美国加州火灾后的泥石流模型。PL影像3 m高分辨率使其可清晰辨别过火区，地类分类明显，用来做火烧迹地信息提取、植被受害状况评估，从而获取火烧程度的空间分布格局，可为火烧迹地火后恢复措施的制定提供科学数据支撑，具有高精度评估火烧迹地受害状况的潜在可能。

1 研究区概况

内蒙古毕拉河林业局位于内蒙古大兴安岭山脉东坡南部，隶属鄂伦春自治旗管辖。地理位置为122°40′36″—123°55′00″E，49°00′37″—49°54′49″N(李文辉， 2010)。总面积471 646 hm2，林地面积445 774 hm2，占林业局总面积的94.50%； 森林覆盖率70.10%。地形地势相对平缓，坡度15°左右。属寒温带大陆性季风气候，年平均气温-1.1 ℃，年均降水量479.40 mm，降雨期多集中在7—8月，约占全年降水量的50%～60%，无霜期130天左右。植被属于寒温带针叶林和温带阔叶林过渡地带，同时又处于森林向农田过渡带，以兴安落叶松(Larixgmelinii)为建群种，白桦(Betulaplatyphylla)、黑桦(B.dahurica)、山杨(Populusdavidiana)等伴生，以及零散分布的黄檗(Phellodendronamurense)、水曲柳(Fraxinusmandshurica)和紫椴(Tiliaamurensis)(张凌峰， 2013)。

2017年5月2日12时15分，毕拉河林业局北大河林场发生森林火灾，根据国家林业局东北卫星监测中心监测到的着火点地理坐标为123°3′41″E，49°28′58″N。火烧区位于滨湖林场(波及22个林班)、北大河林场(波及16个林班)、阿木珠苏林场(波及19个林班)。

2 研究方法

2.1 遥感数据源

遥感数据购买于北京国测星绘信息技术有限公司，包括毕拉河林场285 km2范围，进行3 m Planet原始数据采集，数据级别为3B正射数据。时间分别为2016年7月6日、2017年7月2日、2018年7月22日，云量10%。

2.2 遥感图像预处理

Planet 3B数据已进行传感器校正、辐射校正、几何校正以及10%去云处理，可直接用于数据的分析提取。基于地理位置使用ENVI 5.3(64_bit)软件对覆盖研究区域的6幅分幅影像进行镶嵌拼接处理。影像拼接质量直接影响后续影像数据分析、提取。通过调整羽化距离、使用2%线性直方图拉伸以及设定颜色平衡参数对图像进行处理，最终得到覆盖研究区域理想的镶嵌结果影像(图1)。

图1 覆盖研究区的镶嵌影像Fig. 1 Mosaic images covering the study areaa： 2016-07-06； b： 2017-07-02； c： 2018-07-22.

2.3 过火区范围提取及地类划分

2.3.1 过火区范围提取 以2016年PL火前影像和2018年火后更新影像为基准，对2017年火烧当年影像的火烧迹地范围甄别，使用ROIS(Region of interest)手动绘制过火区域，得到2017年火烧区范围的矢量文件。将矢量边界数据生成感兴趣区作为裁剪面，对3幅影像进行裁剪，从而得到毕拉河林场2016—2018年3期PL多光谱影像。

2.3.2 土地覆盖类型划分 本研究只针对森林和草本沼泽2个植被类型进行火灾受害情况分析，因此仅需要对2016年的土地覆盖类型分类即可。对2016年PL遥感影像图Overlay感兴趣区工具(Region of interest)，通过目视解译方法对不同地类选取训练样本用于分类。样本验证采用定量方法计算ROI可分离性，利用矩阵JM验证(Jeffries matusita)和转化系数(Transformed divergence)指标，控制样本分离性综合指标1.80～2.00即为合格样本，数值越大，说明样本选择的越好。利用合格的训练样本进行最大似然法监督分类。在2016年PL遥感影像图上叠加分类结果，并进行地类改色、改名、纠正错分、主要和次要分析方法去除胶原噪声等类后处理。

2018年5月，对不同地类分别选取10个GPS点作为精度验证样本。将合格的分类结果转换为矢量输出，得到研究区土地覆盖分类图，并建立属性数据。

2.4 植被指数NDVI计算

2.4.1 植被指数NDVI计算 对2016—2018年PL影像进行高斯投影转换，计算NDVI值。PL影像没有近红外波段，因此本研究使用红外波段进行代替(公式1)。

NDVI=(Rinf-Rred)/(Rinf+Rred)。

(1)

式中，Rinf为红外波段反射率；Rred为红波段反射率。NDVI的值在-1～+1间变动。最终得到植被指数灰度图，并对NDVI灰度值进行基本统计分析。

2.4.2 NDVI的空间一致性 遥感软件对图像处理过程中，会产生拉伸问题，致使行、列数发生变化，反应为图像的空间大小不一致。因此，需要对2016年和2017年的NDVI图像空间大小做一致性处理。使用ENVI Classic 5.3(64_bit)软件，加载2幅影像，发现2幅影像的行列数并不一致，转换为标准ENVI格式文件输出。使用ENVI5.3 (64_bit)软件，加载2幅标准格式文件，在空间子集窗口，发现2017年栅格数据共4 228列，而2016年图像共4 227列，修改列数为4 227，输出为.dat格式文件。进行图层叠加(Layer stacking)，最终得到行、列、空间大小一致的NDVI图像，可用于dNDVI(difference normalized vegetation index)差值影像提取。

2.5 过火区火烧等级划分

2.5.1 差值影像提取 dNDVI指标可以很好地反映火烧前后植被指数的变化，有较好的时序性和空间可获取性，对植被受害状况和火后植被恢复过程都有很好的指示作用(苗庆林等， 2015)，本文选取dNDVI对火烧程度等级进行分级。利用统计工具对dNDVI进行基本统计分析，取置信区间[5%～95%]。

dNDVI=NDVIpost-NDVIpro。

(2)

式中，NDVIpost为火后植被指数值(2017年)； NDVIpro为火前植被指数值(2016年)。

2.5.2 火烧等级划分阈值验证 采用2017年毕拉河林场森林火灾地面调查数据对火烧强度等级划分阈值进行验证。参照差值影像图，根据不同的碳化信号深浅程度，在2017年7月毕拉河森林火烧区遥感影像图上沿着道路附近进行GPS选点，对每个强度选取5块样地，样地规格为50 m×50 m，选取5块未火烧区作为对照，进行每木检尺，记录乔木株数、死亡株数。对地面调查发现毕拉河火烧区林型属于草地落叶松林，分布的主要乔木树种是兴安落叶松，其次是白桦、蒙古栎、黑桦、山杨。样地内一些没有冠幅的站杆、风倒木，不计入火烧死亡株数。按照罗德昆火灾受害等级划分标准，对火后地面调查数据进行不同受害等级分类，作为精度验证样本，即通过计算被林火烧死林木株数的方法(烧死木比例)来进行火灾受害等级划分：死亡株数占70%～100%属于重度干扰， 占31%～69%属于中度干扰，30%以下属于轻微干扰。根据验证样本对分级结果进行修正。

2.5.3 火烧等级划分 对dNDVI灰度影像上的数值范围进行统计，确定不同火烧程度等级的dNDVI阈值； 应用波段运算，根据0～3级不同受害程度等级在影像上分别进行提取，最终得到火烧迹地不同受害等级的4幅灰度影像。基于dNDVI数据，结合高分辨率遥感影像，以及在毕拉河林场森林火烧区的实地调查结果，最终将植被受害程度等级划分为 0未火烧、 1轻度火烧、 2中度火烧、 3重度火烧4级。

3 结果与分析

3.1 火烧前后NDVI变化特征

从毕拉河森林火灾火干扰前(2016年)、火干扰当年(2017年)、火干扰后1年(2018年)的植被指数(图2)可以明显看出，森林发生火烧干扰后，过火当年地表植被发生剧烈改变，导致NDVI图像色谱发生明显变化，过火区域碳化信号明显。NDVI灰度值基本统计表明(图3、表1)， 火烧前(2016年)植被正常生长，NDVI直方图变化呈单峰走势，NDVI灰度值平均值0.60，峰值0.79。对比火后更新1年(2018年)的NDVI直方图动态变化，与火前变化趋势相似，仍呈单峰走势，但NDVI灰度值明显减少，平均值为0.17，峰值仅达到0.44。而火烧当年(2017年)NDVI直方图变化显著，NDVI灰度值波动范围-0.20～0.20，平均值仅为0.03，峰值0.40。森林火灾过火区更新1年后，植被覆盖度仍然较低，虽较火烧当年略有提高，但远远达不到火烧前的水平。

2017年7月对火烧区进行野外踏查，森林火灾发生2个月后，火场内随处可见大量烧死的乔木站杆，碳化严重，林下一些快速更新的草本、灌木大量抢占火烧迹地表面，但地表覆盖度较低，仍有大量地表裸露，形成暂时性裸地，尤其在一些严重烧毁的乔木林下；而未被烧死的乔木树种因为时间太短，更新能力极其有限。2018年5月，再次对火烧区进行野外调查发现，虽然火灾烧死的乔木树种仍大量呈焦炭状大面积矗立于地表形成站杆，碳化严重，但林下已经更新了大面积的草本和灌木，长势甚至比火烧前更好。火烧导致地表温度升高，同时烧毁的植被形成大量积碳土，利于草本、灌木等先锋植物的快速更新，但乔木树种更新仍然缓慢，未被烧死的乔木则重新长出枝丫树叶，但森林郁闭度明显低于火前，其恢复需要几年甚至几十年的漫长时间。

表1 NDVI数值统计Tab.1 NDVI numerical statistics

图2 毕拉河研究区NDVI变化Fig. 2 NDVI changes of burned area in Bilahea： 火干扰前1年； b： 火干扰后2个月； C： 火干扰后1年。下同。a： One year before fire； b： Two month after fire； c： One year after fire.The same below.

图3 毕拉河火烧区植被指数NDVI直方图Fig. 3 NDVI histograms of burned area in Bilahe

3.2 土地覆盖类型划分

从2016年PL遥感影像(图4)可以看出，3 m高分辨率提供了1个高度清晰的视野，RGB彩色合成影像色彩饱和度高，不同地类区分明显，森林和草本沼泽边界清晰。通过目视解译直接在2016年遥感图像上选取样本进行地类划分，样本验证结果较好(表2)，样本分离性均在1.91～2.00之间，水体和道路的分离性最高，达到2.00，可直接作为地类划分样本用于分类。2016年PL遥感影像研究区的土地覆盖类型划分为森林、草本沼泽、河流、道路4类(图5)。

结合地面调查数据对分类结果验证，分类整体精度为98.05%，Kappa_Coefficient 为0.95，该遥感图像分类精度较高，分类结果较为可靠。一般来讲，影像分类精度没有定性要求，通常林业研究分类精度需要高于75%，国土研究分类精度需要达到85%以上，才能保证相关领域研究的科学性和可靠性，分类精度的高低直接影响分类结果的准确性。

3.3 火烧强度等级划分

dNDVI差值影像(图6)上碳化的黑色区域即为植被受害程度较高的区域，颜色越深受害程度越高。颜色较浅的灰白色区域即为受害程度较轻和未火烧区域，颜色越浅则受害程度越轻。统计分析dNDVI差值影像的灰度值(图7)，数值在0.15～0.98之间分布，当置信区间取[5%～95%]时，数值取值范围0.58～0.96，并以此为划分不同受害等级的取值范围。dNDVI的灰度值峰值在0.30～0.80之间大量分布。

根据植被指数差值影像，并结合地面实际调查数据，最终火烧等级划分阈值分别为0.34、0.56、0.74(表3、4)。根据差值影像dNDVI阈值对不同火烧等级进行信息提取，火烧等级划分为4个等级，分别为0级(未火烧区)、 1(轻度火烧区)、 2(中度火烧区)、 3(重度火烧区)。分类整体精度为91.55%，Kappa _Coefficient 为0.92。

表2 训练样本ROI分离性计算Tab.2 Computation of separation of ROI for training samples

图4 2016年毕拉河研究区PL遥感影像Fig. 4 2016 PL remote sensing image of study area in Bilahe Forestry Center

图5 基于2016年PL影像的研究区土地覆盖类型划分Fig.5 Classification of land cover types of the study area based on 2016 PL remote sensing image

图6 dNDVI差值影像Fig.6 Image of dNDVI

图7 dNDVI灰度值直方图Fig. 7 Histogram of dNDVI

3.4 不同火烧程度等级的面积及空间分布

根据确定的火烧等级阈值，获得2016—2018年毕拉河森林火灾过火区火烧等级分布图(图8)。从图上可以看出2、3等级占比最大，其次是1级，0级很少。对不同等级受害面积进行统计(图9)，此次着火区总面积10 711.18 hm2，其中火烧迹地总面积10 130.31 hm2，而未火烧区面积580.87 hm2，仅占火烧迹地总面积的5.42%。轻度火烧区过火面积最大，达5 700.78 hm2，占着火区总面积的53.22%；其次是中度火烧区，面积为3 035.12 hm2，占28.34%；重度火烧区面积为1 394.41 hm2，占13.02%。此次毕拉河火灾火烧等级主要为轻度火烧，其次是中度和重度火烧，着火区内未火烧区域面积最小。

从火烧强度(图8)可以明显看出，高强度火烧区集中在东北方向，其他地方仅西北角和西南有少量分布，低强度火烧区和未火烧区则集中分布在中部地区的河流两侧。火灾起源于西南部，起火点附近植被受害程度较轻，距离起火点较远处东部区域植被受害程度较重，极有可能是风向突变引起的。

表3 火烧程度等级划分Tab.3 Fire severity classification

表4 dNDVI阈值验证样本数据Tab.4 Validation sample data of dNDVI threshold

图8 火烧程度等级分布Fig. 8 Distribution of image of fire severity levels

图9 不同火烧等级面积统计Fig.9 Area statistics of different fire grades

3.5 不同火烧程度等级区域内植被受害情况及空间分布

对毕拉河森林火灾不同火烧等级的植被受害情况进行提取(图10)，森林和草本沼泽的受害等级分布截然不同，森林受害等级主要集中在2、3级，草本沼泽主要集中在0、1级。去除未火烧区域影响，对火烧迹地内植被损失情况进行统计(表5)，发现火灾烧毁的森林面积最大，高达6 167.48 hm2，占过火植被总面积的60.88%，其中，中度火烧面积最大，为2 926.56 hm2，占47.45%，其次轻度火烧区(面积1 846.93 hm2)，占29.95%，重度火烧面积最小，占22.60%。草本沼泽受害较轻，过火面积3 962.86 hm2，其中97.25%集中在轻度火烧等级，其次是中度火烧，占2.74%，重度火烧等级分布最少，仅0.01%。

4 讨论

遥感影像分辨率高低直接影响分类质量，从而影响信息提取、分析、结果的可靠性。传统卫星影像获取基于根据“目标”来设定优先级和计划，而对于非优先区域几乎不获取影像。因此，高分辨率影像多因为无法完全覆盖所需研究区域或者无法同时获得同一时相，时间分辨率不高，而只能作为小尺度使用或者多源数据融合，以便提高低分辨率影像分辨率，分类精度往往受限。目前国内基于遥感影像进行火灾分析，其影像数据源多采用Landsat TM/ETM、DEM、MODIS等，这些数据的空间分辨率通常不高，像LandsatTM/ETM空间分辨率30 m，时间分辨率是每16天过同一区域，而MODIS数据时间分辨率虽然12 h覆盖1次，但空间分辨率最高仅为250 m。这些影像数据源无法同时兼有高时间、空间分辨率，图像质量受云量、天气等因素影响较为常见，因此在使用时常常需要融合高分辨率影像来提高分辨率，达到提高分类结果精度的作用。但选择用来做融合或者精度验证的高分辨率影像如SPOT，分辨率也仅仅是5 m，而且是全色影像，为地类划分带来难度，很难获得更高的分类精度。像GF-2号卫星影像是目前我国自主研制的首颗空间分辨率优于1 m的民用光学遥感卫星，分辨率1 m全色，4 m多光谱，全球任意地区重放周期不大于5天。但通过中国知网检索并未发现单独使用该影像直接进行火灾信息提取与分析的相关研究，或许跟影像价格或者覆盖区域无法达到研究要求等有关。

图10 森林(a)和草本沼泽(b)火烧等级空间分布Fig. 10 Distribution of fire severity levels of forests(a) and herbaceous marshes(b)

表5 森林和草本沼泽不同受害等级面积统计Tab.5 Area percent of different fire severity levels of forests and herbaceous swamp

本研究使用的高空间、高时间分辨率PL影像，具有高精度评估火灾受害状况的能力。彩色多光谱影像色彩饱和度高，降低了目视解译的难度，结合地面调查资料，土地利用类型分类精度高达98.05%。火烧前后碳化区域明显，降低了火烧受害等级提取难度，不同受害程度等级分类精度较高，达到91.55%。而刘树超等(2018) 基于Landsat8、DEM数据源采用传统的研究方法对毕拉河林场的森林火灾进行研究，分类时参照其他学者的分类体系，精度验证采用GF-2影像，最终土地覆盖分类总体分类精度提高到了96%，利用实地测量GPS数据验证受害程度的分级精度86.39%，提取的火烧迹地总面积10 835.79 hm2。而本文在没有林相图等佐证资料的前提下，单一地利用PL影像的优异特性，直接在彩色多光谱影像上进行信息提取，提取的火烧迹地总面积为10 711.18 hm2，与之相差不大，其火烧等级分类及研究结论也较为一致。但本文PL影像对地物提取精度更高。与传统研究方法相比，使用PL遥感影像直接进行火灾等级划分、火灾分析，优势明显，可靠性高，大大解决了低分辨率影像辨识程度低，分类难，融合高分辨率影像以及精度评价等工作量大、精度受限等问题，对今后灾后评估领域具有巨大的应用前景。

5 结论

本文依靠2017年毕拉河“5·2”特大森林火灾火烧迹地火前、火后当年、火后更新1年的3期PL影像一种数据源，完成了对毕拉河林场森林火烧迹地遥感信息提取、地类划分、火烧强度等级划分，与传统研究方法相比，得出较为一致的研究结果，省时、省力、省工的同时，取得了更高的分类精度。因此，本研究认为，高时间、高空间分辨率的PL影像是一种较为优异的遥感数据源，能够为今后林火遥感研究提供一种新的可靠的、科学的遥感数据源和方法参考，其在森林火灾评估、土地类型提取等方面具有较大的应用前景。