利用GF-1 WFV影像和FY-3D MERSI火點產品提取過火區的方法

單天嬋，鄭偉，陳潔

國家衛星氣象中心,北京 100081

1 引言

過火區是指經火災燒毀后尚未長成新林的土地（武晉雯 等，2020），是火災監測的一項重要指標?？焖?、精準地獲取過火區的位置，范圍等信息有助于評估災后損失，對災后恢復措施制定和生態環境變化監測有重要作用（李靜 等，2018）。遙感衛星具有覆蓋范圍廣、成像周期短的特點，適合過火區的監測和提?。ㄠ崅?等，2011）。中國對森林火災的監管嚴格，通常救援工作能夠在火災發生后及時有效地開展（鹿德林，2019），近幾年單一過火區范圍普遍小于100 km2。與低空間分辨率遙感數據相比，高空間分辨率數據提取范圍較小的過火區具有明顯優勢。目前已有一些研究用到我國高分數據提取過火區，其中高分一號（GF-1）寬幅相機WFV（Wide Field of View）數據具有空間分辨率高，幅寬大等特點，在該研究領域中使用廣泛。祖笑鋒等（2015）利用GF-1 WFV各波段反射率信息，結合5種光譜指數，構建森林過火區識別決策樹模型提取過火區。孫桂芬等（2019）基于GF-1 WFV 數據采用多種光譜指數對內蒙古鄂倫春自治旗過火區進行了識別，取得了良好的效果。

上述方法主要是針對研究區采集過火像元樣本，分析過火像元在影像中的光譜特性，確定分類閾值，對過火區進行提取。由于高空間分辨率數據普遍缺少對過火區敏感的短波紅外等波段，因此若僅基于該數據構成的光譜指數提取過火區，可能會出現陰影、裸地或其他非過火像元與過火像元混淆的情況。同時由于過火區所在地理位置、遙感影像采集的時間和衛星傳感器性能差異等原因，上述方法中提出的分類閾值往往只適用于某一特定區域，普適性較差。

為了解決以上問題，可結合火點信息提取過火區?；瘘c像元在一定時間、空間上的累積可用于判斷過火區所在位置和范圍。目前越來越多對過火區提取的研究用到了火點產品。主要包括2種方法：一種是先以火點產品結合光譜指數，選擇明確過火的像元作為種子點，然后按一定規則迭代生長種子點形成過火區（譚明艷 等，2007；Giglio 等，2009；Yang 等，2013；Alonso-Canas 和Chuvieco，2015；Giglio 等，2018）。另一種是首先根據光譜指數設定閾值，確定可能的過火像元，在此基礎上設置緩沖區，去除緩沖區外的像元形成過火區（Merino-de-Miguel 等，2010；Boschetti等，2015）。

上述方法用到的火點信息通常來自中分辨率成像光譜儀MODIS（Moderate-resolution Imaging Spectroradiometer）火點產品，這類產品主要基于中紅外通道的亮溫識別火點（張婕 等，2016）。自我國極軌氣象衛星發射以來，可見光紅外掃描輻射計VIRR（Visible and Infra-Red Radiometer）、中分辨率光譜成像儀MERSI（Medium Resolution Spectral Imager）等傳感器均具有可判識火點的中紅外等通道，對火點監測的研究已取得一定成果（趙立成，2004；王釗，2011；董曉銳和魏迎，2014；楊蕾等，2019）。目前，風云三號D星（FY-3D）MERSI火點監測產品已具有較高的精度，與MODIS 火點產品在時間分辨率、空間分辨率上相近，特別是在中國區域，風云三號D星（FY-3D）MERSI 火點監測產品具有更高的精度（鄭偉 等，2020）。因此，可利用FY-3D MERSI 火點監測產品提取過火區。

綜上所述，本文綜合利用火點像元和過火像元在空間、時間、光譜特征上的關系，提出一種基于GF-1 WFV 數據和FY-3D MERSI 火點產品自動提取過火區的方法，以人機交互方式獲得的過火區參考真值作驗證，并與神經網絡分類法提取過火區的結果作對比，快速準確地提取小范圍過火區，進一步提升中國衛星遙感數據火情監測的能力。

2 研究區與數據

2.1 研究區

本文選擇四川省涼山彝族自治州木里藏族自治縣和西昌市2 處過火區作為研究區（圖1）。每年3、4 月是上述地區的火災高發期，2019 年3 月30 日木里縣雅礱江鎮立爾村發生的森林火災，造成嚴重的人員傷亡（饒月明 等，2020）。2020 年3月底，木里、西昌又相繼發生森林火災。木里藏族自治縣位于涼山彝族自治州西北部，處于橫斷山脈中段，地形復雜，海拔差異大，屬于典型的高山峽谷地區（饒月明 等，2020）。西昌過火區所在的西昌市區東臨邛海盆地、西臨安寧河谷平原，地勢北高南低，以山地為主，山區溝谷深切，地形崎嶇（胡卸文 等，2020）。本文以2020年3月底的2 處火災形成的過火區作為研究區，其中木里研究區范圍為27°45′N—28°9′N，101°12′E—101°36′E；西昌研究區范圍為27°39′N—27°57′N，102°24′E—101°36′E。

圖1 研究區行政分布圖Fig.1 Administrative distribution map of the study area

2.2 數據

2.2.1 GF-1 WFV影像

本文選擇GF-1 WFV 數據結合FY-3D MERSI每日火點產品提取過火區。GF-1 WFV數據空間分辨率為16 m，在衛星不側擺的情況下重訪周期可達4 d，幅寬為800 km，包括藍光、綠光、紅光和近紅外4個波段，各波段參數如表1所示。

表1 GF-1 WFV波段參數Table 1 The band parameters of GF-1 WFV

從中國資源衛星應用中心-陸地觀測衛星數據服務平臺（http：//36.112.130.153：7777/DSSPlatform/index.html/［2020-08-13］）查找并獲取GF-1 WFV數據。為了降低過火區提取的誤差，選擇數據時除了要考慮火災發生的時間和地點，還應盡量選用云量較少的影像。根據以上要求，本文選用的過火前后的2 景GF-1 WFV 影像，獲取日期分別是2020年2月21日和2020年5月8日。

2.2.2 FY-3D MERSI每日火點產品

本文選擇FY-3D MERSI 每日火點產品獲取火點信息。該產品主要包括每日全球范圍內火點的經緯度、火點強度和可信度等信息。其中可信度有4種，分別為火點、云區火點、可能是火點和可能是噪聲。其火點判識算法主要根據FY-3D MERSI 空間分辨率為1000 m 的中紅外通道對高溫熱源的敏感特性，建立合適的閾值探測火點像元（鄭偉 等，2020）。根據過火前后的GF-1 WFV 影像獲取時間，獲取2020 年2 月21 日—5 月8 日研究區內的FY-3D MERSI每日火點產品。

2.2.3 地表類型信息

選擇中國科學院地理科學與資源研究所自然環境科學與數據中心提供的土地覆被遙感監測數據集LUCC（Land Use/Land Cover Change）作為地表類型信息，空間分辨率為30 m。該數據集以Landsat 遙感數據作為主信息源，通過人工目視解譯將土地利用分為了耕地、林地、草地等6個一級地類和25 個二級地類（徐新良 等，2018）。2 個研究區的一級地類分布情況如圖2所示。

3 研究方法

本方法提取過火區的過程包括2個部分。第一部分：過火區粗提取。數據預處理后，基于高分數據讀取并疊加火點，結合火點的時間、空間、光譜特征篩選火點像元并擴充，確定過火區粗略范圍。第二部分：過火區精提取。根據每種地表類型所含火點像元的數量，確定過火區含有的地表類型；采用閾值分割算法，在過火區粗略范圍內對每種地表類型確定分類閾值，分類過火像元和非過火像元，最后剔除小斑塊，獲得過火區提取結果。該方法的技術流程如圖3所示。

圖3 技術流程圖Fig.3 Technique flow chart

3.1 計算光譜指數

根據GF-1 WFV 數據包含的波段，對過火前后2 景影像分別計算歸一化差值植被指數NDVI（Normalized Difference Vegetation Index）和 由McFeeters（1996）提出的歸一化差異水體指數NDWI（Normalized Difference Water Index），計算公式如下：

式中，ρNIR、ρR和ρG分別表示近紅外、紅光和綠光波段的反射率。

火災發生后，植被結構遭到破壞，NDVI 值會明顯下降，因此選用NDVI 差值dNDVI來突出植被的變化，dNDVI計算公式如下：

式中，NDVIpre表示過火前影像的NDVI值，NDVIpost表示過火后影像的NDVI值。

3.2 過火區粗略提取

3.2.1 去除云、水體和其他非植被像元

本文僅考慮提取在森林、草地等植被地區的過火區，因此可根據地表類型信息和光譜信息去除云、水體、城市等非植被區域。

在GF-1 WFV 影像選擇和預處理階段，盡可能選擇無云或少云的影像。在有少量的云時，需要先去除過火前后2幅影像的云像元?；谝延醒芯浚ɡ羁〗芎透登窝?，2020），本文利用云像元在紅、綠、藍3個波段的反射率特性，粗略提取并剔除影像上的云像元。

水體反射率從可見光到近紅外波段依次降低，在近紅外波段反射率幾乎為零，而植被在近紅外波段反射率較高（童李霞 等，2017）。McFeeters（1996）利用上述綠光波段與近紅外波段的關系，提出NDWI。該指數可以在一定程度上抑制植被信息，突出水體信息，在水體提取中得到廣泛應用。本文方法利用過火前后2 景影像的NDWI 值提取影像中的水體信息，同時滿足式（4）和式（5）的像元視為水體像元，需要去除：

式中，NDWIpre表示過火前影像的NDWI 值，NDWIpost表示過火后影像的NDWI值。

在此基礎上，利用地表類型信息提取植被區域。為了便于計算，將LUCC 數據重采樣為16 m。根據LUCC 的分類級別和編號，僅保留林地和草地部分的像元，具體編號和名稱如表2所示。

3.2.2 火點處理

3.2.2.1 火點塊疊加

根據過火前后2幅影像的獲取時間，讀取并疊加研究區范圍內2020 年2 月21 日—5 月8 日的FY-3D MERSI 每日火點產品。這里只選擇可信度為火點和云區火點的火點信息。以空間分辨率為16 m的WFV 影像圖為基礎，根據產品所提供的火點經緯度，可以確定火點所處的像元位置，作為中心火點像元，并記錄其探測時間t。t用一年中的第幾天（Day of Year，DOY）表示。若一個像元多時次被監測為中心火點像元，則取最晚的探測時間作為t。

由于FY-3D MERSI 每日火點產品是以空間分別率為1 km 的數據制作生成，為了降低空間分辨率從1 km 到16 m 可能帶來的影響，盡可能保持火點在空間上的連續性，減輕火點識別遺漏等問題，將每個中心火點像元進行膨脹，記為一個火點塊。根據1 km 和16 m 的倍數關系，將膨脹核設為63×63?；瘘c塊內的所有像元均為火點像元，探測時間與其中心火點像元一致，均為t。若一個火點像元在空間上同時屬于多個相鄰火點塊，則把它歸于探測時間最晚的火點塊。以西昌研究區為例，疊加后的火點塊如圖4（a）所示。

圖4 西昌研究區火點在各階段的處理效果Fig.4 The results of fire point in each step of Xichang study area

3.2.2.2 火點塊篩選

根據火點塊的時間特征進行篩選。一個過火區的形成通常是某一時間段內集中發生的火點造成的，遠離該時間段內監測到的火點很大可能與形成該過火區無關，可以剔除。根據火點塊的探測時間t，統計火點塊數量最多的探測時間tmax，tmax即為火勢最強的時間。由于火災強度的變化一般是由弱到強，然后再減弱直至熄滅，且持續時間一般不超過30 d，因此只取時間為tmax前后15 d內的火點塊，即保留滿足式（6）的火點塊：

以西昌研究區為例，篩選后的火點塊分布如圖4（b）所示。

在此基礎上，根據火點塊的光譜特征進行篩選。每個火點塊內所有像元的最大dNDVI值作為該火點塊的dNDVI，記為dNDVI_f?；馂暮笾脖辉獾狡茐?，過火后像元的NDVI 值會明顯降低，因此過火像元的dNDVI值會較高。一部分火點像元在燃燒結束后即為過火像元，因此可根據火點塊的dNDVI_f進行篩選。首先保留滿足下式的火點塊：

在此基礎上，采用迭代閾值法，確定分割閾值dNDVI_f_th，保留滿足下式的火點塊：

以西昌研究區為例，篩選后的火點塊分布如圖4（c）所示。

在此基礎上，根據火點像元的空間特征進行篩選。一般情況下，在空間上集中的火點更容易形成過火區。獨立的火點有可能是由于異常高溫等非過火原因造成的，并不能形成過火區。因此可以刪除空間上孤立的火點塊，進一步確定過火區在空間中的位置。以西昌研究區為例，剔除孤立火點塊后累計火點塊的分布如圖4（d）所示。累計火點塊中的像元為累計火點像元。

3.2.2.3 火點塊擴充

在此基礎上，擴充累計火點像元，確定過火區分類閾值確定范圍和過火區粗略范圍。用d表示像元到累計火點像元的距離。若像元滿足式（9），則作為過火區閾值確定范圍內的像元：

若像元滿足式（10），則作為過火區粗略范圍的像元：

上述兩式中，一般設置dr＞dth，即過火區粗略范圍比閾值確定范圍要大。針對不同的地表類型，累計火點像元在dth范圍內區域增長以后，即可包含一定數量的非過火像元，適用于后續確定過火像元與非過火像元的分割閾值。根據多次實驗比較發現在本文研究區中dth取2 km 較為合適。而由于受云覆蓋和衛星過境時間周期的影響，過火期間的部分火點可能無法探測到，導致過火區的實際范圍可能遠大于火點塊疊加范圍，因此dr的值要大于dth。根據多次實驗比較發現在本文研究區中dr取4 km較為合適。以西昌研究區為例，過火區閾值確定范圍和過火區粗略范圍如圖4（d）所示。

3.3 過火區精細提取

3.3.1 確定過火區地表類型

地表類型不同，過火前后的光譜變化可能會有差異。為了提高過火區的提取精度，本方法按地表類型確定過火像元和非過火像元的分割閾值。對于每種二級土地類型l，統計閾值確定范圍內的像元個數Nl和統計累計火點像元個數nl，若滿足式（11）則l屬于過火區土地類型。

式中，pl=()nl/Nl× 100%。pl可以視為每種地表類型的火點像元個數在閾值確定范圍內的百分比，當pl過小時，說明地表類型l的火點個數相對較少，可忽略不計。

3.3.2 初步精提取

與3.2.2 中確定dNDVI_f_th方法相同，采用圖像分割閾值法中的迭代閾值法，基于dNDVI對每種地表類型確定分割閾值，分類過火像元與非過火像元。迭代法首先根據圖像的全局直方圖，將取閾值后得到的區域作為子圖像，再對各子圖像選灰度均值點作為新的閾值再分割圖像，重復上述過程，直到新的閾值不再變化或變化很小為止。隨著循環次數的增加，這種算法越來越細地考慮了圖像的局部特征，可以獲得精細的分割（李琳琳，2012），具體的實現步驟如下：

（1）首先求出圖像的最大dNDVI和最小dNDVI，分別記為ZMAX和ZMIN，計算初始閾值T為

（2）根據閾值T將圖像分割為前景和背景，分別求出兩者的平均值Z0和ZB；

（3）求出新閾值T'為

若T=T′，則T所得即為閾值；否則將T'設為T，并從第（2）步開始重復，進行迭代計算。

在過火區閾值確定范圍內，采用上述迭代閾值法確定分類閾值dNDVI_l_th。在過火區粗略范圍內，地表類型為l的像元滿足下式則為過火像元：

所有地表類型的過火像元合集則為過火區初步提取結果。

3.3.3 小斑塊去除

過火區初步提取結果周邊會有一些細小的斑塊。為了使過火區更為完整，采用濾波算法，去除細小的斑塊。統計過火像元3×3范圍內的火點像元數量Nb，滿足式（15）的像元仍為過火像元，否則為非過火像元，重復上述步驟直至不再有新的非過火像元產生。

4 結果處理與分析

根據上述方法，2 個研究區的過火區提取結果如圖5 和圖6 所示。同時基于過火前后影像，分別選擇水體、云、裸土、植被、城市、過火區等類別的樣本，用神經網絡分類方法提取2個研究區的過火區作為對比?；? 個研究區的過火后GF-1 WFV 影像，通過人機交互的方式判識過火區作為參考真值。將本方法和神經網絡分類法的結果分別于參考真值比較，通過混淆矩陣驗證過火區提取精度，精度評價見表3。結合相關概念（許文寧等，2011）和本實驗情況，表3中，錯分誤差是指非過火像元錯分為過火像元的誤差，漏分誤差是指過火像元被分為非過火像元的誤差。用Kappa系數作為精度評價指標。

表3 研究區過火區分類精度Table 3 Accuracy of burned area mapping in study areas

圖5 木里過火區分類結果圖Fig.5 The classification result of burned area in Muli

圖6 西昌過火區參考真值、本方法結果以及神經網絡的分類結果Fig.6 The classification result of reference true value，results of the proposed method and results of neural network classification of burned area in Xichang

從圖5 和圖6 可以看出，本文方法結果與人工提取的過火區參考真值在空間上的分布和形狀差異較小。從表3 可以看出，本文方法結果的Kappa系數整體較高，達到0.82，說明本文方法的分類精度整體較高。本方法木里研究區的Kappa系數為0.82，要低于西昌研究區的Kappa 系數0.87，說明本文方法對木里過火區的提取精度要低于西昌過火區，主要有2 個原因：一是與西昌過火區相比，木里過火區分布較為疏散，斑塊較多。從圖5 和圖6可以看出，錯分誤差和漏分誤差多出現在過火區斑塊的邊緣處，因此分布較為疏散的木里過火區的誤差較大；二是木里的錯分誤差較大，達到19.38%，這是因為在木里過火區的分類結果周邊有較多的非過火像元構成的細小斑塊造成的錯分。

與神經網絡分類法結果的Kappa 系數相比，可以看出本方法的分類精度要高于神經網絡分類法。神經網絡分類法木里研究區結果的漏分誤差較高，主要漏分了過火區斑塊邊緣部分；西昌研究區結果的錯分誤差較大，主要是錯分了圖像上非過火區的像元，如裸土、山體陰影等。這可能是因為用于神經網絡分類的GF-1 WFV 數據僅有4 個波段，可能會混淆相似光譜特征的地物像元；同時神經網絡法等監督分類法的分類結果往往與樣本的選擇有較大關系，分類過程有較多不確定性；此外，在選擇樣本時，需要根據圖像中地物的復雜程度來考慮樣本種類，每種樣本的數量要相近，空間分布要均勻，因此耗費的人力、時間成本較高。

5 討論

本文方法充分結合了GF-1 WFV影像和FY-3D MERSI 火點產品的優勢和特點，得到較高的過火區提取精度。

FY-3D MERSI火點產品空間分辨率為1000 m，與GF-1 WFV 影像差異較大，在過火區提取中如何能夠充分結合利用上述2種數據，取長補短，本方法從以下2個方面進行了考慮：（1）根據火點與過火區形成關系的時間特征、空間特征和光譜特征提取過火區，可以彌補GF-1 WFV 影像在時間和光譜分辨率上的不足。（2）為了更好的結合這2種數據，本方法根據數據特點，由低空間分辨率逐步到高空間分辨率轉換：從空間分辨率為1000 m的火點產品切入，然后將空間分辨率為16 m 和1000 m的數據相結合，最后基于空間分辨率為16 m的影像獲得結果。這種從低空間分辨率到高空間分辨率，從粗略到精細的分類方法，在充分利用2種數據的同時能最大程度地降低空間分辨率差異性所帶來的影響。

6 結論

綜上，本文基于GF-1 WFV 影像和FY-3D MERSI 火點，對小范圍過火區分類提取，主要結論如下：（1）該方法可以充分將GF-1 WFV 影像和FY-3D MERSI 火點產品相結合，彌補了GF-1 WFV 影像在時間分辨率、光譜分辨率上的不足；（2）該方法降低了分類樣本選擇的不確定性和成本，能快速準確地對小范圍過火區分類提取，進一步提升我國衛星遙感數據火情監測的能力。未來可利用靜止衛星的火點產品，結合實地考察，以提升火點產品和參考真值的精度，對本方法改進完善。