基于Sentinel-2数据的火烧迹地提取研究

韩 丽,高 启,王秋华,2,高仲亮,2,王 锲

(1. 西南林业大学 土木工程学院,云南 昆明 650224; 2. 云南省森林灾害预警与控制重点实验室,云南 昆明 650224)

0 引言

森林火灾不仅烧毁林木、伤害林内的动植物、影响生态环境,还会给林区居民的人身安全、社会和经济发展等带来危害[1]。昆明作为云南省的政治金融中心,历年来森林火灾高发,给人民的生产生活和财产安全带来较大的威胁。对昆明地区火烧迹地的调查有利于进行灾后评估、林火规律探索、防灾减灾部署等。遥感影像能在不同时间获取不同地点、不同分辨率的卫星影像,从而在火烧迹地提取领域有较为广泛的应用。NASA、ESA、国际地圈生物圈计划(IGBP)等国际组织已发布了全球尺度卫星遥感火烧迹地产品,空间分辨率从250m到1°不等[2];LONG等[3]首次研制共享了全球30m分辨率的火烧迹地遥感产品。在火烧迹地提取研究中,目前常用的遥感影像主要是MODIS数据集[4],中等空间分辨率可以获取长时序多波段的数据;Landsat数据集[5-6],空间分辨率较高,波段数量较为适中;高分[7-8]和Sentinel[9]数据集,时空分辨率高,可以得出更清晰的火灾边界,是近期相关研究中在探索和使用的数据集之一。在光学卫星遥感火烧迹地提取方法上,运用较多的有图像分类法和植被指数法。图像分类法有非监督分类、监督分类、决策树、随机森林和面向对象等分类法[10-12]。植被指数法是利用火后植被与正常植被的光谱差异,构建指数进行识别,目前常用的方法有NDVI、EVI[13]、GEMI、BAI、NBR[14]和dNBR[15]等,众多研究者对这些方法进行了精度对比,目前公认dNBR是多种指数中效果较好的指数[16-18]。

综上所述,火烧迹地提取目前已经取得了突出的成绩,并有了广泛的运用,但仍然存在以下一些问题:一是植被指数虽然使用方便,精度高,但是在不同区域、不同植被地形条件下,乃至不同数据结合使用中的适应性问题还有待验证;其次,dNBR指数在大范围区域的提取精度较差,仅在单火场或者小区域内有较好的表现;最后,火烧迹地与病虫林、砍伐林等信息的混淆,容易造成误分。本文以昆明为研究区域,基于10m分辨率的Sentinel-2数据,运用dNBR指数,结合高温火点数据和土地利用分类数据,提取昆明2016—2020年的火烧迹地面积数据,验证提取精度,并分析其空间分布特征,以期为昆明森林防火提供数据支持。

1 研究区概况

昆明市土地面积2.1万km2,全市森林面积达到110.69万hm2,森林覆盖率达到52.62%,森林蓄积量6057万m3。市域地处云贵高原,总体地势北部高,南部低,由北向南呈阶梯状逐渐降低,最低海拔746 m,最高海拔4247.7 m,大部分地区海拔在1500～2800 m之间。气候上干、湿季分明,植被类型主要为亚热带常绿阔叶林、针阔混交林、温带针叶林、高山灌丛和草甸等。其特殊的地形地势,干湿分明的气候和丰富的森林类型,以及多样、复杂的生产生活用火,导致该地区林火行为非常复杂,森林防火任务异常艰巨[19]。历史上曾多次发生重大森林火灾,1995年4月17日,安宁市县街乡白泥山火场总面积7358 hm2;2006年3月29日昆明安宁市的森林火灾,西起昆明安宁市,东跨昆明西山区,过火面积1695.4 hm2,大火肆虐了10个昼夜才被扑灭。

2 数据与方法

2.1 数据来源

本文使用的影像数据是2016—2020年的Sentinel-2遥感卫星图像,考虑到影像可用性问题,以及尽量避免季候差异造成提取误差,影像选择上以12月为主,少部分选择了11月至次年2月的影像,云量在0.0%～9.6%之间,每年9张,共计45张影像,如表1所示。其他辅助数据包括Landsat和MODIS高温火点数据,Landsat高温火点数据来源于中国科学院空天信息创新研究院的Satsee,以月份为单位,MODIS高温火点数据来源于NASA的资源管理系统(FIRMS),以年份为单位;两组数据都记录了对地观测的温度异常热点的位置、时间、置信度等信息,按年份筛选置信度为70以上的数据。土地利用数据来源于中国科学院地理科学研究所2015的分类数据;DEM数据是NASA于2011年公布的ASTER GDEM V2影像资料,具有12.5m×12.5m 的分辨率,用于提取坡度、坡向和高程信息。历史高清影像来自于九一卫图,分辨率从0.14～0.54 m不等,用于火烧迹地目视解译,验证提取精度。

表1 Sentinel-2遥感影像列表Table 1 List of Sentinel-2 remote sensing images

2.2 研究方法

1)NBR指数

归一化火烧比率又叫归一化火烧指数(normalized burn ratio,NBR)[20],其综合利用近红外和中红外波段提取过火区域及评价火烈度,近红外波段对植被活体的叶绿素含量比较敏感,而中红外波段则概括了土壤和植被含水量信息以及干物质中的木质素和土壤岩性信息,可用来区分枯死木、土壤、灰烬和烧焦木。NBR遥感指数计算公式为:

(1)

式中:ρnir为Sentinel-2第8波段近红外波段;ρswir为Sentinel-2第12波段短波红外波段。

2)dNBR指数

在NBR基础上,Key和Benson提出了差分归一化火烧比率(differenced normalized burn ratio,dNBR)[21],通过两期影像NBR的差值,可以定量地表达林火范围以及林火引起的生态环境变化情况。研究表明,dNBR比NBR指数能更准确的提取火烧迹地。dNBR遥感指数计算公式为:

dNBR=NBRpre-fire-NBRpost-fire

(2)

式中:NBRpre-fire为火灾前影像的NBR值;NBRpost-fire为火灾后影像的NBR值。

2.3 研究思路

利用SNAP和ENVI软件对Sentinel数据进行预处理和NBR指数计算,然后利用不同年份的NBR数据计算dNBR指数,得到不同年份间初步的疑似过火区域。尝试用多源数据叠加的方法自动提取火烧迹地,并用人工目视解译的方法验证其精度。首先把林地图斑和疑似过火区域叠加,提取大于1 hm2的林火图斑,用人工目视解译进一步筛选,作为火烧迹地的验证数据。然后尝试用高温火点数据代替人工目视解译过程,进行火烧迹地自动提取,并用人工解译的验证数据检验提取精度。利用单火场高清影像,提取过火边界,与上述方法提取的过火边界进行精度对比。最后分析昆明火烧迹地在高程、坡度、坡向、土地利用类型上的空间分布特征。研究流程如图1所示。

图1 研究流程图Fig. 1 Research flow chart

3 结果与分析

3.1 目视解译

dNBR指数在大范围内提取火烧迹地误差较大,会错误地提取出较多的耕地、裸土地、水域等。因此对dNBR结果先进行聚类处理,去除小斑块,转矢量,然后保留面积大于1 hm2的图斑,与土地利用类别中的林地叠加,得到初步的疑似火烧迹地,最后通过目视解译进行筛选,最终提取了8块火烧迹地,其dNBR图像及火灾发生地点如图2所示,文中后续以火灾发生所在的村或者社区作为森林火灾的名称。图2突出显示的高亮区、灰白色区为过火区域,与周边的黑色区域形成鲜明的反差,后续处理中以0.2～1.2为阈值提取火烧迹地准确的边界及面积,其提取精度在滇中地区得到了初步的验证[22]。

图2 目视解译结合dNBR指数提取火烧迹地Fig. 2 Visual interpretation combined with dNBR index extraction of burned area

3.2 多源数据叠加提取火烧迹地

高温火点数据在火烧迹地提取过程中可以有效筛除非火灾造成的植被损失[4]。把dNBR指数得到的疑似林火区域与高温火点和土地利用数据叠加,同时满足条件的判定为火烧迹地,结果如图3所示,效果不佳。人工目视筛选后得到8场火灾的火烧迹地范围,但是只有寻甸凤龙湾水库与安宁市五岳村两场火灾与高温火点数据有重合,如图3(a)、(b)所示,其余场次火灾均未与高温火点数据有重合,如图3(c)、(d)所示。结果表明,高温火点数据整体精度较差,火点遗漏较多,对于提高火烧迹地提取精度贡献度不大,会导致漏提。相反,土地利用数据可以极大提高dNBR在大范围内的提取效率,可以有效过滤较多误分的非林地区域。

3.3 火烧迹地精度验证

以高清影像人工目视解译的火烧迹地边界线作为验证数据,分析dNBR在单场火灾的提取精度。如图4所示,人工矢量化边界与dNBR提取边界在整体范围和走向上基本一致,主要的差异体现在一些细节上。其一为火场边缘的轻微过火区域,这些区域存在部分燃烧和熏黑的状况,无论是人工还是dNBR指数都会存在一定的提取误差,因此边界重合较差;其二,dNBR指数提取的图斑相对比较细碎一些,人工目视解译的数据边界光滑、整体性较好,但对一些零星的非过火区域无法细致地提取。

对2个方法提取的过火面积进行统计,结果如表2所示。相比高清影像的人工目视解译,dNBR指数的提取精度最高达到96.04%,最低81.06%,平均精度为89.8%。精度最低的“安宁市八街镇石坝村”火灾,如图4(c)所示,主要原因是dNBR指数在火灾右上角区域有较大斑块的误提,这部分图斑是救火的隔离带和道路造成的林地损失,人工目视解译时未把它分入火烧迹地范围内,从而降低了提取精度。总的来说,基于Sentinel-2数据的dNBR指数提取方法精度较好,对昆明地区火烧迹地提取有较好的适用性。

表2 火烧迹地精度验证表Table 2 Accuracy verification table of burned area

3.4 火烧迹地空间分布特征

依据2016—2020年火烧迹地提取的成果,昆明地区的森林火灾呈现西南部多、北部少的现状,火灾高发区为安宁市和晋宁区。结合历史火灾数据来看,安宁市、晋宁区也是历史上发生火灾最多的地区之一。安宁市与晋宁区离主城区较近,经济发展较快,集中了大量的工厂和厂矿,人口密度也高于其它周边县区,森林防火难度大,任务紧迫,需要加大森林防火的监测和巡防力度,做好森林防火的预防工作。

将提取出的火烧迹地分别与高程、坡度、坡向、土地利用分类数据进行叠加分析,统计其空间分布特征,结果如图5所示。

图5 各影响因子下火烧迹地面积分布统计Fig. 5 Area distribution statistics of burned area under different influencing factors

1)高程

基于DEM数据,将高程按自然断点法分为五类。昆明地区1000 m以下、3000 m以上区域植被覆盖较少,几乎没有森林火灾。森林火灾主要集中在1700～2100 m的海拔范围,占比50%以上,远高于低海拔和高海拔区域。过火面积随着高程的增高,有逐渐降低的趋势。

2)坡度

根据《第三次全国土地调查技术规程》,对坡度进行了分级和分类,I(0°,2°)、Ⅱ[2°, 6°)、Ⅲ[6°, 15°)、Ⅳ[15°, 25°)、Ⅴ[25°,90°)。坡度Ⅳ[15°, 25°)区域过火面积最大,占全部过火面积的41%,其次为Ⅲ、Ⅴ、Ⅱ和Ⅰ。说明坡度过大或过小都可以减缓火灾强度,在一定程度上抑制火灾的蔓延。

3)坡向

从坡向分析上看,阴坡过火面积53%,阳坡47%,阴坡略大于阳坡。一般情况下,阳坡阳光充足、温度较高、湿度低、森林大火容易发生和蔓延。阴坡接受的光照较少、温度较低、湿度较大、森林大火不易发生和蔓延。但从昆明地区2016—2020年森林火灾的统计数据来看,反而是阴坡的过火面积偏多,其成因有待于进一步探析。

4)土地利用类型

对提取出的8场森林火灾进行土地利用分类的统计,过火区域有67%为纯林地,28%为耕地,少量的草地和其它用地,表明昆明地区的森林火灾多发生于林地和耕地混杂交界的地方。之前的研究表明,云南省火源有77.22%是烧荒烧炭[23],其次是抽烟,这也是导致耕地周边的森林更容易发生森林火灾的原因。

4 结论与讨论

本文以昆明地区2016—2021年火烧迹地为研究对象,基于Sentinel-2数据集,利用dNBR指数叠加高温火点、土地利用数据提取火烧迹地,并分析火烧迹地的空间分布特征,主要结论如下:

1)Sentinel-2数据集分辨率高,波段丰富,其与dNBR指数的结合,可以很好地提取火烧迹地,获取清晰的过火边界。通过高清影像的验证,单火场总体提取精度较高,最低精度达到81%,部分火灾可以达到96%的提取精度,有较高的适用性;影响提取精度的主要原因是dNBR指数无法准确区分人工砍伐和开挖的隔火带。在大范围内,自动提取容易造成大量错分,本研究在此基础上叠加了高温火点和土地利用数据,其中土地利用数据对于提高火烧迹地筛选效率有一定帮助,可以剔除误分的耕地、水域、居民地等图斑;高温火点数据则总体表现不佳,遗漏的火点较多,会造成漏分。

2)昆明地区森林火灾主要高发于安宁市和晋宁区,多发区域为海拔1700～2300 m,坡度6°～25°林地和耕地的结合区域,阴坡的过火面积略多于阳坡,这些区域在森林防火季应该加大林火监测和巡查力度,重点部署防火力量。

目前火烧迹地的提取在小范围内能达到较高的提取精度,但在大范围内的提取效率和精度还有待于进一步提高,多源数据的叠加使用是值得探索的方法之一。高温火点数据在火烧迹地提取中,可以用于去除砍伐、洪水、农作物收获及病虫害等误判,但无论是MODIS还是Landsat火点数据,漏分误差都较高,在本研究中,其在提高火烧迹地提取效率上贡献度不大,而土地利用数据的加入可以极大筛除错分区域,对提取效率和精度有一定帮助。本研究关于林火在不同坡向上的分布研究,结论不同于北方地区,阴坡火烧面积占比更大,有待进一步深入研究其成因。