基于植被冠层含水量反演数据的森林易燃程度评价

2023-09-05陈宗杰杨武年张琬琳刘明鑫董秀军何先定

测绘通报 2023年4期

陈宗杰,杨武年,张琬琳,刘明鑫,董秀军,何先定

(1. 成都航空职业技术学院,四川成都 610100; 2. 成都理工大学,四川成都 610059; 3. 四川民族学院,四川康定 626000)

近年来,世界各地森林火灾频发,是人类面临的主要自然灾害之一[1],尤其在2019—2020年,凉山彝族自治州森林火灾频发,且蔓延迅速,过火面积达数千公顷,毁坏面积数达百公顷[2]。森林火灾难以防范且具有极大的危害性,给人民的生命安全造成了极大威胁。如何对森林火灾进行预防与预警,是亟需解决的社会问题。

森林火灾受害情况与易然可燃物分布和载量关系十分密切[3]。森林可燃物是森林燃烧三要素之一。可燃物燃烧除取决于火源和氧气等必要条件外,还取决于可燃物本身的易燃程度[4]。可燃物特性指描述可燃物组合的各种特性,包括可燃物的数量、大小、形状、含水率、密实度及连续性等,并与植被的易燃程度有密切关系。相关学者作了大量研究,文献[5]估算了多数可燃物热值,作为平均数在实际中的应用;文献[6]认为无论针叶林还是阔叶林,叶含水率均表现出明显的日周期变化规律,并受所处立地条件的影响;文献[7]认为阔叶林冠层叶和灌木层叶含水率受环境的影响存在发生树冠火的可能性。但国内尚无对森林可燃物易燃程度在大尺度、多元化及系统性方面的研究。因此,研究森林可燃物易燃程度具有较强的理论和实践指导意义。

本文以四川省凉山彝族自治州木里藏族自治县为研究区,基于飞马无人机D500相关数据,以及哨兵二号(Sentinel-2)、Landsat 8 OLI影像,并结合野外实测数据,从影像上提取多种自然因子,识别目标区域的植被冠层含水量,选择冠层含水量、高程、坡度、坡向等作为评价因子。采用专家评价法建立评价体系,对目标区域的可燃物易燃性做出评价并针对森林火灾预防与预警提出建设性意见,丰富森林防火和灭火理论与实践,为西南地区森林防灭火做好基础研究工作。

1 技术路线

以四川省凉山彝族自治州木里藏族自治县为研究区,基于无人机相关数据、Sentinel-2、Landsat 8 OLI影像,并结合野外实测数据,从影像上提取多种自然因子,识别目标区域的植被冠层含水量,选择冠层含水量、高程、坡度、坡向等作为评价因子。采用专家评价法建立评价体系,对目标区域的可燃物易燃性作出评价并提出建议。技术路线如图1所示。

2 研究区与数据处理

2.1 研究区概况

选取位于我国西南地区木里藏族自治县部分区域为研究区。木里藏族自治县面积约为13 252 km2,东西横跨较大,逾160 km,南北接近东西跨度,逾170 km。平均海拔约3000 m,最低河谷地带与最高点高程差超过4000 m。

木里藏族自治县位于川西高原,属亚热带高原季风型气候,气候的立体性和干湿性都比较分明。横断山脉会阻断向东的气流,下沉导致气温升高,湿度降低,由于特殊的地理环境,南下的冷空气也会被山脉阻隔,因此木里藏族自治县较干燥,空气湿度也较低。木里藏族自治县以中高山山地地形为主,地表起伏明显,高差相对较大,随处可见山坡和深谷,且风向变化非常复杂,为山火的蔓延提供了空间上的便利。

2.2 数据处理

2.2.1 卫星遥感数据

本文选择使用Sentinel-2A卫星数据,由MSI传感器采集的。该传感器包括可见光波段和红外范围共计13个光谱波段。Sentinel-2A是世界上唯一拥有3个红边波段的在轨陆地资源卫星。红边数据可以检测植被生物特性,提供重要的植被数据。通过大气校正、重采样与裁剪,获取研究区影像。

选取Landsat 8遥感卫星影像,Landsat 8搭载了陆地成像仪(operational land image,OLI)和热红外传感器(thermal infrared sensor,TIRS)两个传感器。选择Landsat 8卫星数据主要利用Band 10对地表温度进行反演。获取云量尽可能小的数据,避免其他因素影响成果数据。对数据进行辐射定标、大气校正、地形校正、裁剪,获取所需图像。

2.2.2 无人机数据

利用多旋翼无人机系统D-CAM20航测模块和D-LiDAR2000激光雷达模块,配合无人机管家获取区域影像数据和地形数据,如图2所示。

图2 D-CAM20(左)与D-LiDAR2000(右)模块

对预处理后的机载LiDAR数据提取数字高程模型,并进行点云归一化处理;采用基于点云的单木分割方法,提取树高、冠幅等森林垂直结构参数,如图3所示,相临近的单木以不同颜色区分。

图3 单木分割(剖面图局部)

2.2.3 野外实测数据

对于模型的建立与评价,需要实地采集各种数据,主要是目标区域冠层含水量的实测数据,确定研究点位,根据地区地形特点和位置,在保持安全的前提下,获取的样本具体实测值,如图4所示。对于冠层含水数据的采集,流程如下。

图4 野外观测采样数据

(1)记录采样点位置。

(2)对于林地,利用工具对树叶进行采集。在不伤害植被的前提下采集适量的样品。选择较新鲜的样本进行称重、封装、记录,并记录其树木类型、树木冠层的投影范围及冠层垂直高度。

(3)对于灌木与草地,选择10 m ×10 m范围内可以代表其样点的区域采样,根据实际情况选择半径范围为1 m,在不伤害植被的前提下获取样本,并进行称重、封装和记录。

(4)利用烘干机对样本进行烘干,记录每个样本植被含水量实测值。利用样本区域乘以相应的系数,最终得到样本值。

3 植被冠层含水量反演

根据文献[8]提出的生态水(层)概念及相关研究,生态水反演的主要原理为,基于不同特征指数与目标含水量间的响应关系,采用单一指数或多个指数进行数据分析,根据响应关系和实地测量数据建立相关的数学模型,预测未测量区域生态水含量。提取24个特征指数[9]、10个光谱参数[10]、3个红边指数、5个生物物理参数(包括叶面积指数、叶绿素含量等)[11],以及6个地形与其他因子等[12]。对所有变量作归一化处理,统一量纲。最终建立最优的6-13-1结构的神经网络模型进行反演[13]。其中参与计算的光谱参数和红边指数见表1。

表1 光谱参数与红边指数

3.1 变量处理与筛选

野外采样时,将土地的利用类型作为重要的参考因子。最好的处理方式是根据类型个数分别建立多个线性回归方程,类似于数学函数中的分段函数,采样的样本点数目及其类型因子数量很少,建立的模型不具备典型性[14]。

因此将植被类型转化为整数数值变量[1,2,…,m]。由于选择的Sigmoid函数的取值范围为[-1,1],建立模型前需要将数据作归一化处理;同时提供变量的有效性,加快神经网络的收敛速度。选择经过多重共线性检验后的21个参数变量(特征指数)作为输入值,将研究区域的植被冠层实测数据作为输出值,初步建立神经网络模型[15]。

根据Kolmogorov定理,神经网络的拓扑结构简记为n-p-m,其中n为输入层节点,m为输出层节点数,p为隐含层节点数。经验公式为

k=2n+1

式中,k为可能的隐含层节点数;p的取值范围为[k-3,k+3]。因此隐含层设置区间为[40,46],计算建立的初步神经网络模型,记录决定系数R2随隐含层节点数的变化趋势,如图5所示。

图5 R2与变量组合

通过数据分析可知,当隐含层节点数为44时,模型效果最好,其决定系数R2=0.51。即神经网络模型的结构为21-44-1。

3.2 神经网络模型的建立

采用Weight法则进行变量贡献度排序,将每个隐藏神经元的隐藏输出连接权值划分为与每个输入神经元相关的组件,根据贡献度的高低(如图6所示),分别选择TYPE、CWC、NDWI1640、NDII、SAVI、MSI为第1组合,TYPE、CWC、NDWI1640、NDII、SAVI为第2组合,TYPE、CWC、NDWI1640、NDII、SAVI、MSI、FVC为第3组合。其中,TYPE为用地类型,分别计算R2。

图6 参数贡献度

通过试验可知,神经网络模型的最优变量组合为TYPE、CWC、NDWI1640、NDII、SAVI、MSI,据经验公式,确定隐含层节点数值范围为[10,16],最优的隐含层节点数为13,ANN模型的最终拓扑结构为6-13-1(如图7所示),此时模型的R2为0.68,效果最优。

图7 神经网络6-13-1结构

3.3 反演结果

选择最优的6-13-1结构的神经网络模型。对实测数据和预测数据进行对比分析,得到模型的R2为0.69,较优化前提高了0.18,如图8所示。

图8 相关性分析

经分析,该模型可对植被冠层生态水进行反演。本文对植被冠层生态水构建的神经网络模型决定系数R2为0.677 8,均方根误差(RMSE)为17.64。由于多光谱数据在空间上是连续的,在灌丛和草甸区域同样获取了植被冠层光谱信息,因而多光谱数据反演成果能够在一定程度上反映灌丛和草甸区域冠层生态水信息,将研究区植被冠层生态水反演结果与植被类型分类图进行空间叠加分析。针叶林和阔叶林中植被冠层生态水储量分布情况见表2。

表2 不同植被类型中的冠层生态水储量统计

木里自治县地区植被群落垂直带谱分布特征显著,随着海拔的升高,植被冠层生态水的变化特征明显,植被冠层生态水空间分布特征符合野外调研的植被分布规律。可以得出,植被冠层神经网络模型能够有效地模拟研究区植被冠层生态水空间分布规律,定量反演研究区不同植被类型冠层生态水的实际储量,模型反演结果较为理想。

4 易燃程度评价

根据著名的火三角模型理论,气候、地形因素、可燃物是影响森林火灾的重要因素。影响可燃物的要素纷繁复杂,导致森林山火防范的根本性问题转化为如何精确地获取可燃物易燃程度。对研究区生态环境进行实地调查和分析,并考虑数据的可获得性,建立易燃程度评价模型。

4.1 评价因子选取

4.1.1 植被类型

森林火灾主要是由人为或森林自燃引发的。可燃物的界定是由其生物特性决定的。松木、杉木极易燃;经济林、灌木、阔叶林等可燃;水域、草地等几乎不可燃烧,可以有效遏制森林山火。不同区域、不同植被对森林火灾的影响不同,其中基于植被生态水反演的研究也需要区分植被种类。基于无人机图像对研究区植被类型进行分类,利用监督分类中的最大似然法对数据进行地物识别与分类,分类精度为88.807 9%,Kappa系数为0.891 2,符合要求。

4.1.2 地表温度

气象因子也是影响森林山火的重要因素,主要影响燃料的供氧、植被含水量、热传输等。发生森林火灾后,火灾蔓延的方向和速率与地表温度相关性较大。而地表温度受海拔高度、坡度、坡向等的影响,地表温度在白天出现最高值。

利用Landsat 8 OLI影像,以TIRS10数据(JM＿SC)单通道反演法为主,反演地表温度并获取研究区地表温度空间分布[16]。

4.1.3 可燃物冠层含水量

根据火三角理论及大量研究可知,森林山火的研究重点为植被的含水量。含水量的多少直接决定植被的可燃性与易燃程度。不同区域、不同植被类型、不同植被部位差异较大,这也是本文的研究重点。

根据反演结果可以得出,植被冠层生态水储量为2 549 215.5 mg。其中,针叶林冠层生态水总量为968 701.889 mg,占研究区冠层生态水总量的37.99%,针叶林平均冠层生态水储量为46.86 mg/hm2;阔叶林冠层生态水总量为769 419.328 mg,占研究区冠层生态水总量的30.172%,阔叶林平均冠层生态水储量为39.56 mg/hm2。植被冠层生态水中分布在湖泊、人工建筑、裸地等非植被地类内的冠层生态水储量为研究区冠层生态水总储量的0.854%,误差比例较小,能够满足植被冠层生态水反演精度要求。

4.1.4 地形

地形对森林山火的蔓延方向和速率有较大影响。木里藏族自治县的海拔高程、坡度、坡向也是衡量该区域森林火灾的重要因素。坡度大,植被根系的保水能力较弱;坡度小,根系保水能力较强。这也间接影响植被含水量[17]。

海拔高度也会影响森林火灾的发生。海拔高度较大时,温度降低,湿度也降低,森林植被的含水率升高,易燃性降低;海拔更高时,进入亚高山地带或分水岭附近,降水量明显增加,一般不易发生森林火灾[18]。

利用无人机获取目标区域高精度地形数据,研究区域地形起伏较大,地表形态破碎。随着高程的增加,坡度和坡向的起伏随之增大,人类较难到达。西部的地势较低,地形起伏较为平缓,有河流贯穿。东部地势较高,地形起伏较大,山脉绵延起伏。该地形更有利于火灾形势的蔓延。

4.2 评价等级划分

通过大量实地勘测及对生态环境的调查与分析,选择高程、坡度、坡向、冠层含水量、土地利用类型、地表温度6个因子[19],将木里藏族自治县研究区域的可燃物易燃性分为极易燃、易燃、较易燃、可燃、难燃5个等级(见表3),分别赋值为9、7、5、3、1分。在单因子评价的基础上,采用专家评价法加权(见表4),进一步获取研究区易燃程度数据。各评价因子空间分布如图9所示。

表3 易燃性评价分级

表4 各因子分级评价

图9 各评价因子

随着高程的增加,温度和湿度的变化对易燃性有着重要的影响;不同坡度对水分保护能力具有差异性。坡向的不同导致接受太阳辐射的时间不同,间接影响含水量;冠层含水量直接影响可燃物;土地利用类型主要影响不同植被、不同地物的燃烧能力。地表温度也是重要因素,影响生态环境的干燥程度,也影响火灾的发生、蔓延方向、速率等[20]。

通过影响因子加权分析结果(如图10所示)可知,可燃物易燃性区域主要集中在可燃、较易燃、易燃区域,面积共占83.19%,并以较易燃为主。各级面积占比见表5。