基于环境减灾二号A/B卫星的森林火烧迹地提取应用

金晟玥 王平 刘明博 贾松霖 苏琮

(1 应急管理部国家减灾中心，北京 100124)(2 航天东方红卫星有限公司，北京 100094)

森林火灾是扰动全球各大生态系统的最重要的自然灾害之一，不仅会造成严重社会、经济和环境问题灾难性后果，同时也使地表生态环境发生快速改变，对植被、生态系统、大气环境和全球气候变化产生深远影响[1-2]。森林火灾遥感监测主要是对火点和过火面积进行实时监测和周期性统计，再融合发生区域的地形、气象等数据，开展火势蔓延模拟和风险评估等。火烧迹地是指森林中经火灾烧毁后尚未长起新林的土地，它能够提供火灾发生的位置、面积、空间范围、严重程度等信息，因此，火烧迹地识别是确定森林草原火灾情况的重要指标之一，对于火灾灾情管理和灾后损失评估至关重要[3-4]。根据火烧迹地的形状和烧毁程度，可判断森林火灾的种类、蔓延速度、火烧强度及发生森林火灾的时间，结合卫星遥感数据对火烧迹地进行快速有效提取可以为火灾防治相关部门提供及时的林火信息帮助决策，有效减少人民的生命财产损失。

卫星遥感技术具有非接触、快速、大面积获取数据的特点，在应急条件下可以对森林火灾的空间分布和动态发展进行持续性观测。为了应对大面积火烧导致的森林减少和全球大环境变化，利用遥感卫星数据在对森林火灾火势蔓延与影响评估、提取植被等重要的森林火灾承灾体等方面已经成为了重要的监测手段。基于遥感多光谱数据的光谱指数(如归一化植被指数NDVI、归一化燃烧指数NBR、过火区识别指数BAI等)火灾严重程度评估已被广泛应用于监测火灾引起的植被覆盖变化监测[3,5-6]，利用多时相的遥感卫星数据更能够反应灾情的动态变化和趋势[7]。目前，很多卫星遥感数据都具备用于火烧迹地提取的能力，如中等分辨率成像光谱仪(MODIS)、陆地卫星(Landsat)、高分卫星等[8-9]，但其空间分辨率均较低，难以精细提取火烧迹地边界，易造成误判。

环境减灾二号A/B卫星是2020年9月27日在太原卫星发射中心用长征四号乙运载火箭，以一箭双星的方式成功发射的16 m光学业务卫星，接替在轨运行10年的环境与灾害监测预报A/B小卫星，满足国家在应急救援、自然资源监管、环境保护等领域的数据持续供给需求。它可以提供16 m空间分辨率多光谱数据、48 m /96 m高光谱数据和红外图像数据，高空间分辨率的遥感数据有利于提升边界提取精度，在森林火灾监测中更有优势。本文利用环境减灾二号A/B卫星多光谱数据的可见光和近红外波段构建归一化植被指数，利用决策树分类法对火烧迹地进行识别和提取，并与支持向量机分类方法进行对比，从而评估环境减灾二号A/B卫星在森林火灾应急监测中的应用能力。

1 研究区概况与卫星影像数据

1.1 研究区概况

本文研究区域位于宁夏回族自治区固原市，地处西北黄土高原西部的六盘山地区，地势南高北低，属于暖温带半干旱气候区，植被具有由森林草原向干旱草原过渡的特点。六盘山地区生物资源丰富，主脉一带为森林草原和落叶阔叶林，向北逐渐变化为森林草原，灌丛草原和干旱草原，区内人工林占全区森林总面积的70%。由于固原地处内陆中纬度地带，大陆性气候特征明显，境内春季和夏初降水偏少、干燥度较高，灾害性天气多，为森林草原火灾的发生提供了气候条件，森林草原防火形势严峻。

2021年3月13日，固原市原州区张易镇马场村二林沟荒山发生森林火灾，过火区域地貌为林地和荒草地，造成了严重的人员伤亡和财产损失。以此次“3·13固原林场火灾”为研究对象，选取研究区域地理坐标为东经106.01°E～106.18°E，北纬35.89°N～36.25°N(如图1所示)，基于环境减灾二号A/B卫星多光谱遥感数据，对火烧迹地信息进行了识别和提取。

图1 研究区示意图Fig.1 Overview of study area

1.2 卫星影像数据

环境减灾二号A/B卫星搭载的16 m可见光CCD相机通过视场拼接可实现16 m空间分辨率的可见近红外5谱段成像；红外相机可实现48 m/96 m空间分辨率的红外多光谱成像；高光谱成像仪可实现48 m/96 m空间分辨率的红外多光谱成像。

根据研究区选取火灾发生前、后两个时相的2景环境减灾二号A卫星CCD相机影像数据，具体影像参数见表1。

表1 卫星影像数据获取情况Table 1 Acquisition of satelliteimagery data

2 研究方法

通过辐射定标、大气校正、正射纠正、几何精校正等方法对灾前和灾后的16 m分辨率影像数据进行预处理，以便后续的信息提取和分析。研究对比传统的监督学习方法(支持向量机)和基于决策树的归一化植被指数(NDVI)差值分类方法对火烧迹地进行识别和提取，最后利用目视解译的方法对提取的火烧迹地结果分别进行精度评价，具体技术流程如图2所示。

图2 技术流程Fig.2 Technical flow chart

2.1 数据预处理

1)辐射定标

为消除或减弱由传感器响应特征、外界自然条件等情况造成的遥感图像辐射亮度失真的影响，需对影像数据进行辐射误差校正，将原始灰度值(Digital Number)换算成辐射亮度，以便后续开展遥感影像的判读和解译。对选取的环境减灾二号A卫星16 mCCD数据利用环境减灾系列产品的定标参数进行辐射定标处理，具体辐射定标公式[10]如下：

(1)

式中：L为辐射亮度值；D为遥感图像的原始灰度值；A为绝对定标系数增益；E为绝对定标系数偏移量。

2)大气校正

受大气层散射作用的影响，卫星传感器测得的原始像元值并不能真实反映地物的表面反射率，导致植被指数计算结果不准确。FLAASH算法可以精确补偿大气影响，消除辐射误差，对环境减灾系列卫星有较好的校正效果，经过FLAASH大气校正模型处理后的数据可以更加精确地进行归一化植被指数的监测和地物信息的识别[11]。本研究运用FLAASH大气校正模型对数据进行处理。

3)几何精校正和数据裁切

在ENVI软件平台下，以前时相(灾前)的环境减灾二号A/B卫星数据作为参考影像，选取控制点对后时相(灾后)影像数据进行几何精校正，确保两个数据的地理位置精度一致。对地理纠正后的2景影像进行裁剪，获得需要的研究区域。

2.2 基于支持向量机的火烧迹地识别

支持向量机(SVM)是一种基于统计训练的机器学习识别方法，可以寻找一个最优化超平面在空间中分割不同类别，由此构建出将不同类别之间的间隔最大化、分类风险上限最小化的分类机制，有较好的泛化能力和较高的分类准确率。SVM在解决高维度、非线性的图像分类识别问题中有较大优势，已被广泛用于解决遥感地物分类中[12]。选择径向基核函数(Radial Basis Function)作为内基核函数进行分类，设置C和γ分别为100和0.2。C代表SVM对错分样本的惩罚系数,C值越大，分类器的准确性越高，但同样容错率会越低，泛化能力会变差；C值越小，泛化能力越强，但是准确性会降低。γ为核函数gamma值，数值越大模型复杂度越大，高维空间数据的分离程度越好。

2.3 基于NDVI差值的火烧迹地变化检测

1)归一化植被指数

归一化植被指数(NDVI)是最常见的植被指数之一，可以有效反映植物生长状态，在火烧迹地的监测提取中有着广泛的应用。叶绿素是绿色植被中的重要组成部分，它影响叶片间太阳辐射的散射机制，从而导致近红外波段光谱反射率高，可见光红光反射率低。因此，归一化植被指数通过计算可见光和近红外波段入射太阳辐射的差异，来反映植被的绿色度和覆盖度[13]。

(2)

式中：NNDVI为对应像元的NDVI计算值；ρNIR为近红外波段反射率；ρRed为可见光红光波段反射率。归一化植被指数取值在[-1，1]之间，与植被的空间分布密度呈线性相关，指数随植被覆盖密度的增加而增加。

2)基于决策树分类法的NDVI差值分类

决策树分类法在遥感应用中是较为常见的分类方法，主要体现在对图像中地类信息的提取和分类上有较好的效果。决策树通过在一定的判断条件下逐步细化原始数据，形成一种分层处理的结构，基于指数模型的决策树分类方法在遥感地物信息提取中有较高的分类精度和准确度，更有助于应用到归一化植被指数的识别中[14-15]。对比过火区域随时间变化的过程，通过分析火灾发生前、后地表反射率变化，对区域内NDVI差值进行直方图统计获取分类阈值，具体判断条件如下。

(3)

式中：Nb为前时相(灾前)影像上像元的归一化植被指数值；Na为后时相(灾后)影像上像元的归一化植被指数值；Bfire为火烧迹地像元；Bother为非火烧迹地像元；Pthreshold为火烧迹地提取阈值。

3 结果分析

3.1 SVM监督分类的火烧迹地结果分析

将研究区域按照火烧迹地、植被、耕地、水体、建筑物五种地类划分，在区域内各选取20个样本点作为样本数据进行建模，利用支持向量机的方法对过火区域及周边地类进行分类。之后各选取6个样本点作为验证样本，对分类结果进行评价，确定分类的精度和可靠性。分类结果显示，利用支持向量机的分类结果总体精度为96.9%，Kappa系数为0.93。

受到山体阴影的影响，火烧迹地的提取在非过火区域会产生一定误差。为进一步验证火烧迹地的提取精度，在SVM识别的火烧迹地区域内随机选取200个测试点，利用目视解译的方法对其进行精度验证。结果显示，有150个测试点在火烧迹地范围内，分类精度为75%。因此，经过粗差剔除的支持向量机监督分类方法能够对环境减灾二号A/B卫星影像的火烧迹地提取有较好的效果，满足快速、有效的分类需求，结果如图3中红色区域所示。

图3 SVM火烧迹地识别结果Fig.3 SVM extraction result of burned area

3.2 基于NDVI的火烧迹地识别结果分析

对火灾发生前后研究区域进行归一化植被指数计算，其结果(见图4)可以看出，经过燃烧后的区域在局部呈现较为明显的亮度变化。分别对2景NDVI数据进行统计(见表2)，灾前的NDVI指数平均值为-0.043，标准差为0.024；灾后的NDVI指数平均值为-0.037，标准差为0.016。基于两个时相的燃烧区域NDVI存在的差值，可以对火烧迹地进行有效提取。设置火烧迹地的提取阈值为0.03，运用选定的阈值建立决策树分类规则，将研究区域分类为火烧迹地和非火烧迹地，经过误差图斑去除和破碎小面填充处理后的提取结果如图5所示。

图4 NDVI计算结果对比Fig.4 Comparison of NDVI calculation results

表2 NDVI结果统计Table 2 Statistics of NDVI

图5 NDVI火烧迹地识别结果Fig.5 NDVI extraction result of burned area

利用目视解译的方法对火烧迹地提取结果进行定量评估。在提取的火烧迹地范围内随机选取200个测试点，以灾后遥感数据为真实性图像进行目视解译的精度验证。经计算真实火烧迹地内测试点数量占总测试点数量的比例，此分类方法的识别精度为97.5%，计算得到火烧迹地面积约为9.43 km2。与SVM分类结果相比，基于NDVI差值的火烧迹地识别方法的精度更高，说明光谱特性对于地物反射率的变化更为敏感，因此火烧迹地边界识别的准确率更高。

4 结束语

本文以“3.13”宁夏固原市林场火灾为研究案例，选取环境减灾二号A卫星CCD影像作为数据源，研究比较了支持向量机分类方法和基于NDVI差值的决策树分类法，对火灾发生后的火烧迹地进行识别和提取。通过人工目视解译的方法进行精度验证，两种方法的精度分别为75%和97.5%。由于山体阴影与过火区域有相似的光谱反射率，使用支持向量机分类法会产生较大的误差，经过人工误差剔除后的提取结果也能够较好地反映火烧迹地区域的面积。研究结果表明，环境减灾二号A/B卫星的空间分辨率可以有效满足森林草原火灾灾后定量评估的需求，并联合其他卫星开展森林草原火灾的应急动态监测，基于归一化植被指数的决策树分类法能够在应急状态下快速开展火烧迹地识别和提取，为森林火灾监测应用提供有力支撑。