基于Sentinel-2數據的火燒跡地提取研究

韓 麗,高 啟,王秋華,2,高仲亮,2,王 鍥

(1. 西南林業大學 土木工程學院,云南 昆明 650224; 2. 云南省森林災害預警與控制重點實驗室,云南 昆明 650224)

0 引言

森林火災不僅燒毀林木、傷害林內的動植物、影響生態環境,還會給林區居民的人身安全、社會和經濟發展等帶來危害[1]。昆明作為云南省的政治金融中心,歷年來森林火災高發,給人民的生產生活和財產安全帶來較大的威脅。對昆明地區火燒跡地的調查有利于進行災后評估、林火規律探索、防災減災部署等。遙感影像能在不同時間獲取不同地點、不同分辨率的衛星影像,從而在火燒跡地提取領域有較為廣泛的應用。NASA、ESA、國際地圈生物圈計劃(IGBP)等國際組織已發布了全球尺度衛星遙感火燒跡地產品,空間分辨率從250m到1°不等[2];LONG等[3]首次研制共享了全球30m分辨率的火燒跡地遙感產品。在火燒跡地提取研究中,目前常用的遙感影像主要是MODIS數據集[4],中等空間分辨率可以獲取長時序多波段的數據;Landsat數據集[5-6],空間分辨率較高,波段數量較為適中;高分[7-8]和Sentinel[9]數據集,時空分辨率高,可以得出更清晰的火災邊界,是近期相關研究中在探索和使用的數據集之一。在光學衛星遙感火燒跡地提取方法上,運用較多的有圖像分類法和植被指數法。圖像分類法有非監督分類、監督分類、決策樹、隨機森林和面向對象等分類法[10-12]。植被指數法是利用火后植被與正常植被的光譜差異,構建指數進行識別,目前常用的方法有NDVI、EVI[13]、GEMI、BAI、NBR[14]和dNBR[15]等,眾多研究者對這些方法進行了精度對比,目前公認dNBR是多種指數中效果較好的指數[16-18]。

綜上所述,火燒跡地提取目前已經取得了突出的成績,并有了廣泛的運用,但仍然存在以下一些問題:一是植被指數雖然使用方便,精度高,但是在不同區域、不同植被地形條件下,乃至不同數據結合使用中的適應性問題還有待驗證;其次,dNBR指數在大范圍區域的提取精度較差,僅在單火場或者小區域內有較好的表現;最后,火燒跡地與病蟲林、砍伐林等信息的混淆,容易造成誤分。本文以昆明為研究區域,基于10m分辨率的Sentinel-2數據,運用dNBR指數,結合高溫火點數據和土地利用分類數據,提取昆明2016—2020年的火燒跡地面積數據,驗證提取精度,并分析其空間分布特征,以期為昆明森林防火提供數據支持。

1 研究區概況

昆明市土地面積2.1萬km2,全市森林面積達到110.69萬hm2,森林覆蓋率達到52.62%,森林蓄積量6057萬m3。市域地處云貴高原,總體地勢北部高,南部低,由北向南呈階梯狀逐漸降低,最低海拔746 m,最高海拔4247.7 m,大部分地區海拔在1500～2800 m之間。氣候上干、濕季分明,植被類型主要為亞熱帶常綠闊葉林、針闊混交林、溫帶針葉林、高山灌叢和草甸等。其特殊的地形地勢,干濕分明的氣候和豐富的森林類型,以及多樣、復雜的生產生活用火,導致該地區林火行為非常復雜,森林防火任務異常艱巨[19]。歷史上曾多次發生重大森林火災,1995年4月17日,安寧市縣街鄉白泥山火場總面積7358 hm2;2006年3月29日昆明安寧市的森林火災,西起昆明安寧市,東跨昆明西山區,過火面積1695.4 hm2,大火肆虐了10個晝夜才被撲滅。

2 數據與方法

2.1 數據來源

本文使用的影像數據是2016—2020年的Sentinel-2遙感衛星圖像,考慮到影像可用性問題,以及盡量避免季候差異造成提取誤差,影像選擇上以12月為主,少部分選擇了11月至次年2月的影像,云量在0.0%～9.6%之間,每年9張,共計45張影像,如表1所示。其他輔助數據包括Landsat和MODIS高溫火點數據,Landsat高溫火點數據來源于中國科學院空天信息創新研究院的Satsee,以月份為單位,MODIS高溫火點數據來源于NASA的資源管理系統(FIRMS),以年份為單位;兩組數據都記錄了對地觀測的溫度異常熱點的位置、時間、置信度等信息,按年份篩選置信度為70以上的數據。土地利用數據來源于中國科學院地理科學研究所2015的分類數據;DEM數據是NASA于2011年公布的ASTER GDEM V2影像資料,具有12.5m×12.5m 的分辨率,用于提取坡度、坡向和高程信息。歷史高清影像來自于九一衛圖,分辨率從0.14～0.54 m不等,用于火燒跡地目視解譯,驗證提取精度。

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

2.2 研究方法

1)NBR指數

歸一化火燒比率又叫歸一化火燒指數(normalized burn ratio,NBR)[20],其綜合利用近紅外和中紅外波段提取過火區域及評價火烈度,近紅外波段對植被活體的葉綠素含量比較敏感,而中紅外波段則概括了土壤和植被含水量信息以及干物質中的木質素和土壤巖性信息,可用來區分枯死木、土壤、灰燼和燒焦木。NBR遙感指數計算公式為:

(1)

式中:ρnir為Sentinel-2第8波段近紅外波段;ρswir為Sentinel-2第12波段短波紅外波段。

2)dNBR指數

在NBR基礎上,Key和Benson提出了差分歸一化火燒比率(differenced normalized burn ratio,dNBR)[21],通過兩期影像NBR的差值,可以定量地表達林火范圍以及林火引起的生態環境變化情況。研究表明,dNBR比NBR指數能更準確的提取火燒跡地。dNBR遙感指數計算公式為:

dNBR=NBRpre-fire-NBRpost-fire

(2)

式中:NBRpre-fire為火災前影像的NBR值;NBRpost-fire為火災后影像的NBR值。

2.3 研究思路

利用SNAP和ENVI軟件對Sentinel數據進行預處理和NBR指數計算,然后利用不同年份的NBR數據計算dNBR指數,得到不同年份間初步的疑似過火區域。嘗試用多源數據疊加的方法自動提取火燒跡地,并用人工目視解譯的方法驗證其精度。首先把林地圖斑和疑似過火區域疊加,提取大于1 hm2的林火圖斑,用人工目視解譯進一步篩選,作為火燒跡地的驗證數據。然后嘗試用高溫火點數據代替人工目視解譯過程,進行火燒跡地自動提取,并用人工解譯的驗證數據檢驗提取精度。利用單火場高清影像,提取過火邊界,與上述方法提取的過火邊界進行精度對比。最后分析昆明火燒跡地在高程、坡度、坡向、土地利用類型上的空間分布特征。研究流程如圖1所示。

圖1 研究流程圖Fig. 1 Research flow chart

3 結果與分析

3.1 目視解譯

dNBR指數在大范圍內提取火燒跡地誤差較大,會錯誤地提取出較多的耕地、裸土地、水域等。因此對dNBR結果先進行聚類處理,去除小斑塊,轉矢量,然后保留面積大于1 hm2的圖斑,與土地利用類別中的林地疊加,得到初步的疑似火燒跡地,最后通過目視解譯進行篩選,最終提取了8塊火燒跡地,其dNBR圖像及火災發生地點如圖2所示,文中后續以火災發生所在的村或者社區作為森林火災的名稱。圖2突出顯示的高亮區、灰白色區為過火區域,與周邊的黑色區域形成鮮明的反差,后續處理中以0.2～1.2為閾值提取火燒跡地準確的邊界及面積,其提取精度在滇中地區得到了初步的驗證[22]。

圖2 目視解譯結合dNBR指數提取火燒跡地Fig. 2 Visual interpretation combined with dNBR index extraction of burned area

3.2 多源數據疊加提取火燒跡地

高溫火點數據在火燒跡地提取過程中可以有效篩除非火災造成的植被損失[4]。把dNBR指數得到的疑似林火區域與高溫火點和土地利用數據疊加,同時滿足條件的判定為火燒跡地,結果如圖3所示,效果不佳。人工目視篩選后得到8場火災的火燒跡地范圍,但是只有尋甸鳳龍灣水庫與安寧市五岳村兩場火災與高溫火點數據有重合,如圖3(a)、(b)所示,其余場次火災均未與高溫火點數據有重合,如圖3(c)、(d)所示。結果表明,高溫火點數據整體精度較差,火點遺漏較多,對于提高火燒跡地提取精度貢獻度不大,會導致漏提。相反,土地利用數據可以極大提高dNBR在大范圍內的提取效率,可以有效過濾較多誤分的非林地區域。

3.3 火燒跡地精度驗證

以高清影像人工目視解譯的火燒跡地邊界線作為驗證數據,分析dNBR在單場火災的提取精度。如圖4所示,人工矢量化邊界與dNBR提取邊界在整體范圍和走向上基本一致,主要的差異體現在一些細節上。其一為火場邊緣的輕微過火區域,這些區域存在部分燃燒和熏黑的狀況,無論是人工還是dNBR指數都會存在一定的提取誤差,因此邊界重合較差;其二,dNBR指數提取的圖斑相對比較細碎一些,人工目視解譯的數據邊界光滑、整體性較好,但對一些零星的非過火區域無法細致地提取。

對2個方法提取的過火面積進行統計,結果如表2所示。相比高清影像的人工目視解譯,dNBR指數的提取精度最高達到96.04%,最低81.06%,平均精度為89.8%。精度最低的“安寧市八街鎮石壩村”火災,如圖4(c)所示,主要原因是dNBR指數在火災右上角區域有較大斑塊的誤提,這部分圖斑是救火的隔離帶和道路造成的林地損失,人工目視解譯時未把它分入火燒跡地范圍內,從而降低了提取精度?？偟膩碚f,基于Sentinel-2數據的dNBR指數提取方法精度較好,對昆明地區火燒跡地提取有較好的適用性。

表2 火燒跡地精度驗證表Table 2 Accuracy verification table of burned area

3.4 火燒跡地空間分布特征

依據2016—2020年火燒跡地提取的成果,昆明地區的森林火災呈現西南部多、北部少的現狀,火災高發區為安寧市和晉寧區。結合歷史火災數據來看,安寧市、晉寧區也是歷史上發生火災最多的地區之一。安寧市與晉寧區離主城區較近,經濟發展較快,集中了大量的工廠和廠礦,人口密度也高于其它周邊縣區,森林防火難度大,任務緊迫,需要加大森林防火的監測和巡防力度,做好森林防火的預防工作。

將提取出的火燒跡地分別與高程、坡度、坡向、土地利用分類數據進行疊加分析,統計其空間分布特征,結果如圖5所示。

圖5 各影響因子下火燒跡地面積分布統計Fig. 5 Area distribution statistics of burned area under different influencing factors

1)高程

基于DEM數據,將高程按自然斷點法分為五類。昆明地區1000 m以下、3000 m以上區域植被覆蓋較少,幾乎沒有森林火災。森林火災主要集中在1700～2100 m的海拔范圍,占比50%以上,遠高于低海拔和高海拔區域。過火面積隨著高程的增高,有逐漸降低的趨勢。

2)坡度

根據《第三次全國土地調查技術規程》,對坡度進行了分級和分類,I(0°,2°)、Ⅱ[2°, 6°)、Ⅲ[6°, 15°)、Ⅳ[15°, 25°)、Ⅴ[25°,90°)。坡度Ⅳ[15°, 25°)區域過火面積最大,占全部過火面積的41%,其次為Ⅲ、Ⅴ、Ⅱ和Ⅰ。說明坡度過大或過小都可以減緩火災強度,在一定程度上抑制火災的蔓延。

3)坡向

從坡向分析上看,陰坡過火面積53%,陽坡47%,陰坡略大于陽坡。一般情況下,陽坡陽光充足、溫度較高、濕度低、森林大火容易發生和蔓延。陰坡接受的光照較少、溫度較低、濕度較大、森林大火不易發生和蔓延。但從昆明地區2016—2020年森林火災的統計數據來看,反而是陰坡的過火面積偏多,其成因有待于進一步探析。

4)土地利用類型

對提取出的8場森林火災進行土地利用分類的統計,過火區域有67%為純林地,28%為耕地,少量的草地和其它用地,表明昆明地區的森林火災多發生于林地和耕地混雜交界的地方。之前的研究表明,云南省火源有77.22%是燒荒燒炭[23],其次是抽煙,這也是導致耕地周邊的森林更容易發生森林火災的原因。

4 結論與討論

本文以昆明地區2016—2021年火燒跡地為研究對象,基于Sentinel-2數據集,利用dNBR指數疊加高溫火點、土地利用數據提取火燒跡地,并分析火燒跡地的空間分布特征,主要結論如下:

1)Sentinel-2數據集分辨率高,波段豐富,其與dNBR指數的結合,可以很好地提取火燒跡地,獲取清晰的過火邊界。通過高清影像的驗證,單火場總體提取精度較高,最低精度達到81%,部分火災可以達到96%的提取精度,有較高的適用性;影響提取精度的主要原因是dNBR指數無法準確區分人工砍伐和開挖的隔火帶。在大范圍內,自動提取容易造成大量錯分,本研究在此基礎上疊加了高溫火點和土地利用數據,其中土地利用數據對于提高火燒跡地篩選效率有一定幫助,可以剔除誤分的耕地、水域、居民地等圖斑;高溫火點數據則總體表現不佳,遺漏的火點較多,會造成漏分。

2)昆明地區森林火災主要高發于安寧市和晉寧區,多發區域為海拔1700～2300 m,坡度6°～25°林地和耕地的結合區域,陰坡的過火面積略多于陽坡,這些區域在森林防火季應該加大林火監測和巡查力度,重點部署防火力量。

目前火燒跡地的提取在小范圍內能達到較高的提取精度,但在大范圍內的提取效率和精度還有待于進一步提高,多源數據的疊加使用是值得探索的方法之一。高溫火點數據在火燒跡地提取中,可以用于去除砍伐、洪水、農作物收獲及病蟲害等誤判,但無論是MODIS還是Landsat火點數據,漏分誤差都較高,在本研究中,其在提高火燒跡地提取效率上貢獻度不大,而土地利用數據的加入可以極大篩除錯分區域,對提取效率和精度有一定幫助。本研究關于林火在不同坡向上的分布研究,結論不同于北方地區,陰坡火燒面積占比更大,有待進一步深入研究其成因。