塔里木河下游植被非生长季火灾风险等级遥感评估

金庆日，艾力克木·司拉音，夏依旦·吾买尔江，郭增坤，阿布都米吉提·阿布力克木，艾里西尔·库尔班*

(1.新疆维吾尔自治区塔里木河流域干流管理局，新疆库尔勒 841000；2.新疆维吾尔自治区塔里木河流域希尼尔水库管理局，新疆库尔勒 841000；3.中国科学院新疆生态与地理研究所，新疆乌鲁木齐 830011；4.中国科学院大学，北京 100049)

植被作为生态系统的重要组成部分，在干旱区非生长季节易发生火灾，火灾对于植被的干扰显而易见[1]。近些年由于气候的变化以及社会经济的快速发展，火灾在各地区频繁发生[2]，如澳大利亚草原的大火[3]，美国洛杉矶的森林大火[4]以及蒙古国频发的草原火灾[5]，严重影响着当地社会的发展及居民的安全。火灾的发生不仅对各地区的社会经济造成严重危害，且对当地的土地资源及生态造成破坏[6-8]。因此，对火灾风险等级进行研究，有助于减少火灾发生的频率，提高发生火灾时的救援效率，并降低火灾导致的损失。

随着遥感技术的发展，火灾监测与评估技术也得到了长足发展。Bian等[9]相关学者，利用GIS和RS技术构建了呼伦贝尔草原的火灾风险评估模型。杨晓颖等[10]根据蒙古高原草原的特点及成灾机理，制作得到蒙古高原草原火灾风险分布图。张继权等[11]采用加权综合评价结合层次分析法对吉林省西部的草原火灾风险程度进行定量评价。然而，目前的研究较少考虑季节性，自然环境下的火灾大多发生在植被的非生长季，但是对于非生长季的火灾风险等级评估需要进行更进一步探究。在塔里木河下游，由于其特殊环境造就的植被类型极易发生火灾，然而针对该区域的火灾评估方法研究相关文献和案例相对较少。

笔者选取的塔里木河下游地区，自生态输水工程实施以来，截至2020年，累计输送生态水量达84.45×108m3，植被长势明显转好，面积也得到扩大，其中以芦苇为主的草本植物空间分布和生长状况变化突出[12-13]。笔者利用Sentinel-2A数据，计算非生长季的干枯燃料指数和燃烧指数，分析其相关性，利用火灾发生地的指数值进行地面验证，结合指数直方图建立火灾风险等级标准，并对塔里木河下游地区非生长季火灾风险等级进行分类，最终获得研究区域的火灾风险等级图，以期为当地政府部门应对火灾提供科学决策依据。

1 资料与方法

1.1 研究区概况研究区位于塔里木河下游，在塔克拉玛干沙漠和库鲁克塔格沙漠之间[14](图1)，范围为大西海子水库至台特玛湖的狭长绿色走廊(87°35′～88°40′ E，39°20′～40°45′ N)。其中，大西海子水库至阿拉干河段属于双河道，植被覆盖度高；阿拉干至台特玛湖河段属于单河道，植被覆盖度低。研究区年降雨量处于17.4～42.0 mm，潜在蒸发量高达2 500～3 000 mm，是全国最干旱的区域之一[15]。该地植被水分补给主要依靠河流上游来水，植被大多生长在河漫滩及两岸的低阶区域，形成由乔、灌、草组成的干旱区河岸林植被。乔木主要有胡杨(Populuseuphratica)、沙枣(Elaeagnusangustifolia)；灌木主要有多枝柽柳(Tamarixramosissima)、黑刺(Hippophaeneurocarpa)、铃铛刺(Halimodendronhalodendron)；草本植物主要有芦苇(Phragmitesaustralis)、骆驼刺(Alhagisparsifolia)、罗布麻(Apocynumvenetum)、花花柴(Kareliniacaspia)、胀果甘草(Glycyrrhizainflata)等[16]。

图1 研究区位置Fig.1 The location of study areas

1.2 遥感数据获取及预处理采用的Sentinel-2A数据来自欧洲“哥白尼计划”中Sentinel-2系列的光学遥感卫星(https：//scihub.copernicus.eu/)，该卫星携载的多光谱成像仪(MSI)具有13个光谱波段，其中3个红边波段对于观测植被生长更具有优势[17](表1)。笔者选取火灾发生时间(2021年2月6日)前后影像质量较好的时段，分别为2021年2月4日和2月19日，轨道序号分别为N0209_R119_T45SWD、N0209_R119_T45SXD和N0209_R119_T45TWE、N0209_R119_T45TXE。该数据已完成辐射定标与几何校正，在SNAP软件中使用Sen2Cor插件进行大气校正，然后利用QGIS软件将数据重采样至10 m，镶嵌并裁剪出研究区的范围。最后，利用改进归一化差异水体指数(MNDWI)[18]结合阈值法将研究区内的水体进行掩摸。

表1 Sentinel-2A传感器波段信息Table 1 Bands information of Sentinel-2A sensor

1.3 DFI指数Cao等[19]根据干枯植被的光谱特征，提出应用于多光谱数据的干枯燃料指数(dead fuel index，DFI)，验证了DFI指数估算干枯植被的潜力；并将DFI指数应用于亚洲草原地区火灾风险敏感性模型，证实了该指数对于干枯植被的估算潜力。在非生长季，大量绿色植被转变为干枯植被，因此使用DFI指数可以很好地表征干枯植被，这在塔里木河下游的研究区已经得到验证[20]。该指数公式为

(1)

式中，RED、NIR、SWIR1和SWIR2分别对应红色、近红外、短波红外1和短波红外2的波段反射率，对应Sentinel-2A数据的第4、8、11和12波段。为了扩大DFI值的差异性，DFI扩大了100倍。此外，需要去除水体及云对该指数的影响，以免产生异常值影响分析结果[21]。

1.4 燃烧指数对于燃烧指数的研究，与其他光谱指数(如NDVI)相同，选择对火灾比较敏感的波段，通过波段间的组合运算反演得到图像上的指数。通过分析燃烧指数图像，可以获取火灾区域、火灾燃烧程度等信息。该研究选取归一化燃烧指数(normalized burn ratio，NBR)和燃烧面积指数(burn area index，BAI)来对研究区的过火区域进行监测[22-23]，公式为

(2)

(3)

式中，RED、NIR和SWIR分别为红色、近红外和短波红外的反射率，对应Sentinel-2A数据的第4、8和11波段，中心波长分别为665、842和1 610 nm。BAI对于过火区域有较好的区分能力，对于过火和未过火区域，其数值均大于0；未过火区域的取值较小，过火区域的取值较大，且焚烧程度越严重，取值越大。相关研究表明，BAI相对于NDVI、SAVI和GEMI等植被指数，对于过火区域的探测更为敏感和准确[24]。NBR取值范围为[-1，1]，过火区域一般为负值，未过火区域一般为正值。

2 结果与分析

2.1 过火区域影像使用2021年2月4日和19日火灾发生前后的Sentinel-2A影像，通过目视解译方式对起火位置进行选择(图2)。为提取出过火范围，利用ENVI 5.3软件中的“Band Math”进行波段计算，得到2个时期的NBR和BAI图像。采用阈值分割的方法对着火区域和未着火区域进行划分，进而将各指数分为2类。对于过火区域来说，NBR图像的数值大于0，且BAI图像的数值较高，根据2个指数对于过火区域具有较强的区分能力，提取出过火区域。

注：a为过火前，b为过火后，红色圆圈为火灾发生区域。Note:a is before the fire,b is after the fire, and the red circle is the fire area.图2 火灾前后Sentinel-2A影像对比Fig.2 Sentinel-2A image before and after fire

为便于展示，利用Sentinel-2A假彩色合成结合对比NBR和BAI指数来确定过火面积(图3)。近红外波段对植被较为敏感，过火区域经过火烧，植被基本消失，过火区域明显不同于未过火的区域，因此用假彩色合成进行显示，采用Sentinel-2A影像中的近红外波段、红波段和绿波段进行组合，在合成图中深色区域为过火区域。对遥感影像进行波段运算，如图3b、3c所示，对于BAI来说，过火区域的BAI数值较大，高于周围为发生火灾的区域，具有明显的差异性。而从反演得到的NBR可以看出，过火区域的NBR数值较小，在图像中显示为较暗的区域。通过对比NBR和BAI指数，NBR所显示的过火范围大于BAI显示的过火范围。利用阈值法分别对NBR和BAI指数图像进行过火与非过火区域划分，取2个指数得到过火范围的交集，从而得到此次火灾发生的范围，统计得到过火面积为156 031 m2。

注：a.假彩色合成显示；b.NBR指数显示；c.BAI指数显示。Note：a.Pseudo color composite display；b.NBR index display；c.BAI index display.图3 2021年2月19日过火地区影像Fig.3 Image of fire area on February 19，2021

2.2 DFI与燃烧指数相关性分析通过前面的分析，已确定火灾发生范围，在此基础上选取并统计过火范围内的DFI指数和燃烧指数(BAI和NBR)。考虑到火灾发生后，过火区域的干枯植被已被燃烧，故无法得到准确的DFI数值，因此通过火灾发生前(2月4日)影像反演得到DFI指数。在该假设火灾发生前后(2月4日和2月19日)研究区植被变化差异不大，故在像元尺度上构建过火区域的DFI和BAI、NBR关系。

统计过火区域每个像元的DFI、BAI和NBR指数，并对DFI和BAI、DFI和NBR进行相关性分析(图4)。在P<0.05水平下，DFI与BAI的R为0.51，DFI与NBR的R为0.53，说明DFI与燃烧指数存在一定线性关系，DFI值高的地方，BAI和NBR数值也相对较高。因此，利用DFI预估火灾的风险等级具有一定的可行性。

2.3 火灾风险等级评估为估算火灾发生的风险等级，该研究利用表征非光合植被的DFI指数，进行火灾风险等级划分，根据过火范围得到对应的DFI图像。利用ENVI中的统计工具，获得像元值的分布直方图，据此对过火区域的DFI进行密度分割，设置为4个区域：DFI<7，为无风险；DFI为7～<13，为低风险；DFI为13～<18，为中风险；DFI≥18，为高风险。由此得到塔里木河下游(大西海子水库至台特玛湖)火灾风险等级图(图5)。

该研究发现，在非生长季时期，火灾风险较高的地区均为植被生长较为茂密的区域，这些区域干物质比例极高，发生火灾风险较大，火灾等级较高，其主要区域分布在大西海子水库至阿克东段，英苏附近，以及其文库勒湿地、博孜库勒、库尔干至台特玛湖等。

图5 火灾风险等级Fig.5 Fire risk level

3 结论与展望

该研究以塔里木河下游为研究区域，基于Sentinel-2A影像数据，对火灾区域的位置进行了确定及面积统计，通过分析DFI与燃烧指数的相关性，对非生长季研究区火灾风险等级进行了评估，得到以下结论：

(1)基于Sentinel-2影像数据反演得到的燃烧指数(BAI和NBR)可以较为准确地识别过火区域的位置。

(2)选取DFI作为非生长季时期植被的表征指数，通过分析其与2种燃烧指数的相关性，与BAI的R为0.51，与NBR的R为0.53。说明DFI与BAI和NBR存在一定的相关性。

(3)通过对研究区火灾风险等级分析发现，火灾风险等级较高的区域主要分布在大西海子水库至阿克东段、英苏附近、其文库勒湿地、博孜库勒及库尔干至台特玛湖。

该研究仍存在进一步改进的空间。首先，参考的火灾情况只有一次，过火面积相对较小，缺少分散性的样本，因此，对火灾范围内的像元作为信息单元进行统计分析，以提高样本量；在充分掌握历史火情信息的基础上，关注今后火灾发生情况，及时掌握地面数据，以进一步探索提高该方法的精度和可靠性。其次，该研究仅采用遥感数据及光谱指数计算方法，未能采集到火灾发生地的适时地面光谱测量数据和燃烧物样本，且只采用了一个卫星遥感平台的单一遥感器的数据，因此仍难以满足及时掌握火灾情景和发展趋势的需求，今后需要进一步开展基于多平台(卫星+无人机+观测塔)-多传感器的高空间分辨率、高时间分辨率和高光谱分辨率的遥感数据相结合的高频率遥感数据进行实时-准实时监测与评估系统的研究。