基于中分辨率成像遙感數據的畢拉河林場林火信息檢測

丁海勇，吳 月

(南京信息工程大學 a. 遙感與測繪工程學院, b. 地理科學學院，江蘇 南京 210044)

林火在失去人為控制后，由火點處向四周肆意延伸，在擴散過程中形成森林火災[1]。森林火災的發生是難以預測的，一般具有偶然性和隱蔽性，同時具有較大的破壞性，是一種控制和救援都較為困難的自然災害[2]。林火不僅無情地毀滅森林中的各種生物，破壞陸地生態系統，甚至引起其他自然災害的發生，而且森林燃燒時會產生的大量煙塵，對空氣和水源造成污染，使全球溫室效應增強，威脅人類的生存條件，因此加強對森林火災的防控和監測能力迫在眉睫，其中林火的監測是一個極為重要的環節。隨著衛星遙感探測技術的快速發展，運用衛星監測林火的手段已成為目前森林火災監測的重要方法之一[3]。衛星觀測可以準確確定火災發生的位置，同時還可以獲取大范圍的火場活動情況，是監測火情必不可少的手段。

中分辨率成像光譜儀(MODIS)數據具有時間分辨率高、覆蓋范圍大、免費使用的特點，是一個非常好的數據源。從1980年開始，世界各國陸續使用遙感衛星檢測森林火災，經過專家學者多年的研究改進，基于MODIS數據的火點檢測方法有三通道合成法[4]、絕對火點識別法[5-6]、上下文火點檢測算法[7]等。林火監測的另一個重要的應用是提取過火跡地，利用遙感技術對植被的燃燒痕跡進行識別。目前，根據研究尺度的不同，選擇多時相衛星遙感數據進行林火信息檢測的方法主要有基于多要素的統計模型[8]，基于知識模型的過火跡地提取[9]，基于多種光譜指數的閾值法[10-11]以及基于監督分類、決策樹、面向對象等圖像分類法[12-13]。其中效率最高、應用最廣的是指數方法，提出了植被指數(NDVI)、燃燒區域指數(BAI)、燃燒比率指數(NBR)和全球環境監測指數(GEMI)[14-16]等過火跡地指數。林火對植被造成破壞，導致葉綠素細胞受損以及土壤碳化，使其反射率發生變化，光譜特征也隨之發生變化，以上識別方法正是基于這種變化建立的。

2017年5月2日，內蒙古大興安嶺畢拉河林場發生特大森林火災。由于火勢較強，加上地形復雜和天氣因素的影響，因此給地面火情判斷帶來了難度。本文中采用魯棒衛星技術(RST)算法利用火災發生前、后MODIS影像進行森林火點信息的檢測和提取。RST是基于背景場分析的異常提取算法，能夠去除地形、氣象等因素影響，但它更多地考慮時空域上相對于背景場的異常，且不能完全去除偽異常值對檢測結果的影響。將閾值方法和其他資料的判識作為RST算法的前提，結合2種算法的優點，嘗試對RST算法提出閾值，提取到更精確的火點信息。然后基于確認的火點信息，結合局部變化檢測指數(ALICE)和GEMI方法提取過火跡地信息。

1 數據與方法

1.1 研究區和數據源

研究區域位于內蒙古大興安嶺，南北長度為84 km，東南寬度為64 km。有林地面積533.055 ha，森林總蓄積量362萬m3，森林覆蓋率為68.38%。畢拉河林火發生在2017年5月2日，本文中選用2016年5月—2018年5月期間的逐月數據、2017年4月11日—5月21日逐日數據作為火點監測的實驗數據，2017年5月7日的單日MODIS數據作為過火跡地識別的實驗數據(圖1)。這些數據均來源于美國國家航空航天局(NASA)官網的Terra衛星的MODIS L1B數據。

圖1 內蒙古大興安嶺畢拉河林場的中分辨率成像光譜儀(MODIS)影像

1.2 技術路線

研究主要利用MODIS數據，使用遙感圖像處理平臺(ENVI)對數據進行預處理，包括幾何校正和輻射定標；然后對數據進行云檢測和水體判識，用來提高火點監測的精度，使用閾值檢測和RST算法對校正后的數據進行火點檢測；隨后對火點監測結果進行偽火點和噪聲點等的虛假火點的剔除，將算法進行對比分析和精度評價，分析綜合算法的可行性；最后利用火點提取信息和GEMI方法提取林火跡地信息。技術路線如圖2所示。

1.3 RST算法

圖2 林火跡地信息提取技術流程圖

RST算法是基于多時序相同定位的衛星數據分析的方法，根據衛星圖像中每個待處理像元的期望值和自然信號的可變性來表示衛星信號。在此基礎上，利用ALICE可以識別異常信號，旨在突出時間或者空間上相對平靜狀態下的異常，能夠運用于多源數據、不同地域、不同觀測條件的算法[17-18]。其計算公式為

(1)

式中：?V(x,y,t)為t時刻坐標位置為x、y的像元異常值；V(x,y,t)為t時刻坐標位置為x、y的像元值；μ(x,y)為相同位置、相同時刻的平均值；σ(x,y)為對應的標準差。該方法是一種基于多時相數據分析方法，考慮的是時空域上相對于平靜狀態下的異常，確定處理長時間序列的同質衛星記錄，根據一些均勻性標準進行分層，同時也可以看出該算法的ALICE計算是基于像素級別的。

1.4 精度評價

利用準確率P、漏檢率M以及綜合準確率和漏檢率F值來進行統一的精度評定。評價指標中的準確率是指算法檢測到的真實火點像元的個數占檢測火點總數的比例，而漏檢率是指真實火點像元中沒有被算法檢測到的火點像元個數占真實火點總數的比例[19]，表達式分別為

(2)

(3)

(4)

式中：Yy為檢測的火點為真實火點的個數；Yn為誤檢火點的個數；Ny為漏檢火點的個數。

1.5 過火跡地提取

在MODIS數據的B5通道處，過火跡地和非過火跡地的反射率會有很大的差異；而在B7通道處，過火跡地和非過火跡地的反射率幾乎沒有差別。利用MODIS數據的這一特性能夠有效地區分已燃燒與未燃燒的像元。同時B5、B7通道的波長較長，有較強的穿透力，因此云和氣溶膠等對這2個通道造成的干擾較小[20]。本文中利用過火跡地指數中的GEMI對過火地區進行識別。

(5)

(6)

式中：I為GEMI；ρ5為MODIS數據B5通道的反射率；ρ7為MODIS數據B7通道的反射率。

相對于其他地物來說，過火跡地指數的數值較大，因此，利用GEMI可以有效地區別過火跡地和其他絕大多數的地物類別，而且在同類地物的集中度上效果很好。

2 數據處理

2.1 火點檢測

國家MODIS數據共享中心提供了MODIS火災監測的基本算法[21]。本文中利用閾值算法提取火點信息作為RST閾值確定前提，結合2種算法進行火點信息提取研究。步驟如下：

1)云檢測。結合MODIS的數據B1、B2通道的反射率信息和B32通道的亮度溫度對云進行檢測[22]。

2)水體判識。采用MODIS影像幾何定位產品中的水體數據進行水體掩膜處理。

3)背景信息提取。建立被檢測像元和其周圍像元間的溫度關系。確定背景溫度時，按照經驗可調節分析區域的大小，直到確定所有分析點中非火像元點所占的比例不低于25%，用來判斷被檢測像元是否為火點像元。確定提取時濾除火點的條件，排除這些火點后，就能得到波長為4、11 μm的背景溫度、均值和絕對偏差等信息；利用這些信息可進行疑似火點的判斷。

4)RST檢測。一般情況下RST算法的背景場選擇主要分2種，即同期溫度均值和空間域溫度均值。在時間域方面選擇2個不同時間尺度的方法，分別是每月同期溫度均值和每日同期均值。以下共選擇3種方法進行研究，以選擇火點信息的最佳提取結果。

①基于每月同期均值的RST算法。選擇每月同期數據作為研究對象，時間為2016年5月—2018年5月，根據時間序列對這25期數據進行編號，對應編號為0—24。對于上述RST計算公式，其中時間t即為每月同期的相同時刻，在本次計算中用m表示，其計算公式為

(7)

式中?V(x,y,m)為連續月份內同一日期的同一時刻坐標位置為x、y的像元異常值；V(x,y,m)為連續月份內同一日期的同一時刻坐標位置為x、y的像元值。試驗結果表明，閾值選取為2.7時，火點像元檢測較為準確。

②基于連續日期均值的RST算法。對于上述的RST算法方案①，數據反映的是長期變化，因此選擇改變時間域，減小時間尺度，選擇連續日期的41幅影像，時間為2017年4月11日—5月21日，根據時間序列對這41期數據進行編號，對應編號為0—40。計算公式為

(8)

式中?V(x,y,d)表示為連續時間內每天同一時刻坐標位置為x、y的像元異常值[23]；V(x,y,d)為連續時間內每天同一時刻坐標位置為x、y的像元值。經過多次試驗顯示，閾值選取為2.6時能夠較準確地檢測到火點像元。

③基于空間域均值的RST算法?？臻g域均值方法是在基于連續日期均值的RST算法上改變的，將局部空間域內像元均值作為中心像元值，局部空間域選擇3×3的計算窗口，計算時所選擇的數據和日期不變，并對數據進行相應編號。其中像元值V(x,y,d)為局部區域內均值代替，即Vm(x,y,d)，計算公式為

(9)

式中：?Vm(x,y,d)表示為連續時間內每天同一時刻坐標位置為x、y的像元所在局部區域內的異常值；Vm(x,y,d)為每天同一時刻坐標位置為x、y像元所在局部區域內的平均像元值；μm(x,y)為相同位置在連續日期內的像元平均值；σm(x,y)為對應的標準差。試驗表明，閾值選取為2.7時火點像元檢測結果較好。

5)虛假火點去除。濾除耀斑和異常高溫點，利用波長為4 μm通道的亮溫信息和耀斑角信息判識耀斑[24]。

6)NDVI數據輔助判別。對研究區的NDVI輔助數據進行統計，建立了NDVI與地表類型的關系，見圖3。由圖可以看出，無植被覆蓋的水體和裸地的NDVI值較小，甚至為負值； 而燃燒區的植被指數在火災發生期間發生劇烈變化，燃燒后期NDVI最小值為0.05。綜上，在選擇研究區的NDVI大于0.1作為判定閾值，基于此區分林火點和非林火點。

圖3 研究區植被指數與地表類型的關系

2.2 過火跡地檢測

森林火災發生后會向四周蔓延和擴散，過火跡地最有可能在火點的周邊區域形成，所以將火點監測結果加入判識過火跡地的條件中，可以提高過火跡地信息提取的準確性?；谏鲜龌瘘c監測中提取的火點信息，選取GEMI對研究區進行過火跡地的識別。首先以精度評價最高的火點監測結果作為確認火點，其ALICE值作為火點信息，計算所有待判像元的GEMI值，對滿足閾值條件的像元，判斷為疑似過火跡地像元，不滿足閾值條件的則判定為非過火跡地像元；然后對所有疑似過火跡地像元所在窗口內的ALICE值進行統計判別，窗口內有火點存在即ALICE達到閾值則確認為過火跡地像元，反之為非過火跡地像元。

利用GEMI過火跡地模型和火點信息ALICE對研究區進行過火跡地識別的應用試驗，設定雙重閾值提取過火跡地信息，最終確定GEMI閾值為0.24，ALICE閾值為3時，監測效果較好。

3 結果與分析

3.1 火點檢測結果

3.1.1 基于每月同期均值的RST算法

對編號為0—24的影像進行數據處理可得到如圖4所示的火點檢測結果。從圖中可以看到，檢測到火點的數據編號為12，其對應日期為2017年5月2日，與森林火災發生的日期一致。ALICE分布圖中黑點所在像元是ALICE數值最大的區域，對該區域連續日期內的亮溫和ALICE數值的變化由2幅折線圖可以觀察到。從該像元區域處的連續25期影像的亮溫變化情況可以看出，該區域的亮溫值一般穩定在260～300 K，編號為12的影像的亮溫數值顯示異常，異常值為361 K。ALICE與亮溫變化趨勢相同，指數值穩定在-1～1，發生異常的為同一期影像，異常值為3.86。

圖4 基于每月同期均值的檢測結果

3.1.2 基于連續日期均值的RST算法

對編號為0—40的影像進行數據處理，經過RST算法計算得到基于連續日期均值的檢測結果，如圖5所示?？梢钥吹?，檢測到火點的影像數據的編號為22，對應日期為2017年5月2日，與森林火災發生的日期一致。ALICE分布圖中的紅色區域是數值最大的區域，對該區域連續日期內的亮溫和ALICE數據的變化由2幅折線圖可以觀察到。從火點區域內紅色像元處的連續41期影像的亮溫變化情況中可以發現，這期間該區域的亮溫值穩定在240～310 K，對應編號為22的影像的亮溫數值發生了突變，異常值為361 K。ALICE與亮溫變化趨勢相同，數值大部分在-2～1，異常發生在同一影像，其指數值為4.00。同時，在火災發生后的3期內亮溫和ALICE數值都突然大幅度減小，一方面是火災救援工作的實施對地面亮溫帶來了影響，另一方面是在該區域發生了雨雪天氣，導致亮溫和ALICE數值發生明顯變化，造成了異常低值。

圖5 基于連續日期均值的檢測結果

3.1.3 基于空間域均值的RST算法

對編號為0—40的影像進行數據處理，得到基于空間域均值的檢測結果，如圖6所示。由檢測結果可以看出，編號為22的影像檢測到火點異常，其對應日期為2017年5月2日，與森林火災發生的日期一致。ALICE分布圖中的黑點所在像元是數值最大的區域，對該區域連續日期內的亮溫和ALICE數據的變化由2幅折線圖可以觀察到。從該像元區域處的連續41期影像的亮溫變化情況可以看出，這期間該區域的亮溫值穩定在240～300 K，對應編號為22的影像的亮溫數值顯示異常，異常值為357 K。ALICE與亮溫變化趨勢相同，數值大部分在-2～1，異常發生在同一影像，指數值為3.72。同樣，在折線圖中出現的異常低值是因救援工作和雨雪天氣導致的。

從上述3個算法的檢測結果都能看到火點區域ALICE的分布變化，明顯地看出火點區域的熱異常情況，通常越接近火點像元的ALICE數值越大，說明火勢越強。

3.1.4 火點監測精度評價

對RST的3種算法的提取結果進行精度評價，結果如表1所示。通過對比F值可以發現，檢測精度由高到低的順序為基于連續日期均值算法、基于空間域均值算法、基于每月同期均值算法。對于每月同期均值算法來說，由于其時間不連續，而且連續的月數據可能帶有地溫季節變化的影響，而前后只有40期的連續日時間數據，季節變化帶來的氣溫影響相對較小，因此就時間域的對比來說，使用連續數據的檢測效果更好。

空間域均值算法是將局部空間均值作為中心像元值參與計算，不僅考慮到時間的變化，同時還考慮到了空間地理位置的變化。本文中的研究區域在山地林區，該方法可以減小地形對地溫的影響，提高算法的精度，但這也相當于對局部區域的進行了平滑處理，抑制了局部異常值，會使區域中的異常值不敏感，從而對檢測結果造成一定影響。綜合比較來說，基于連續日期均值RST算法更適合于本文中研究區提取火點，經過多次閾值試驗，ALICE值選取為2.6時，火點檢測結果較好。

圖6 基于空間域均值的檢測結果

表1 檢測算法的精度評價

3.2 過火跡地提取結果

畢拉河林場火災于2017年5月2日發生，5月5日結束，為了避免監測結果受到火災濃煙和云層的干擾，盡量選擇火災結束后且無云的數據，因此選擇2017年5月7日的MODIS L1B數據作為實驗數據來提取畢拉河森林火災的過火跡地。監測模型提取結果見圖7。由圖可以看出，利用GEMI提取了2個過火地區，但實際只有一個過火區中有火點存在，表明另外一個過火區內無火點，實為非過火區；結合火點信息指數和GEMI提取的過火區域內有火點，同時無虛假過火區存在。

(a)利用全球環境監測指數提取

(b)結合火點信息指數和全球環境監測指數提取圖7 畢拉河林場過火跡地提取結果

實驗結果表明，基于MODIS 數據波段特性可以識別出跡地像元，進而識別出跡地，及時提供過火跡地發生位置及擴散范圍等相關信息，適用于對過火跡地的實時監測。利用遙感影像MODIS數據通過假彩色合成(波段1、2、3合成)也可目視識別過火區，如圖8所示。過火區域顏色較深，利用此圖可清晰看出火災燃燒留下的痕跡。對比圖1和圖8，大部分跡地像元都能被精確監測到，提取的過火跡地結果與實際過火情況較為一致。

圖8 畢拉河林場過火跡地影像圖(波段1、2、3假彩色合成)

4 結論

1)通過MODIS數據利用閾值算法提取火點信息作為RST閾值確定前提，結合2種算法進行火點信息提取研究，通過改變RST算法的核心參數，衍生出幾種不同的RST算法，得到火點信息的ALICE值；通過精度評價的方法比較選擇閾值，同時對衍生的3種方法進行對比，其檢測精度由高到低的順序為基于連續日期均值、基于空間域均值、基于每月同期均值?；谶B續日期均值RST算法檢測精度最高，對本文研究區域有更好的適應性。經過多次閾值試驗，ALICE值選取為2.6時，火點檢測結果較好，將其作為火點檢測結果。

2)RST算法對長時間序列數據進行計算來檢測火點，不僅是適用的，而且還將火點信息精確到了像素級別，更認識到了地表亮溫及其相關數據(如ALICE)的長期規律，幫助我們今后更好地判識火情。建立固定長度的時間序列數據，新數據更新后加入模型計算，可以及時判識最新數據的異常情況，因此RST算法具有時間域上的優勢。最后也驗證了MODIS數據可適用于長時間序列火情監測，為今后火情相關的應用和研究提供極大的幫助。

3)基于確認火點信息，結合ALICE和GEMI提取過火跡地信息，該方法檢測出絕大部分過火跡地像元，且與目視解譯結果具有一致性，表明此方法不僅具有可行性，還在原單一方法基礎上提高了檢測的精度，方便后續的火災評估工作。

在火災檢測中云對檢測結果影響很大，在本文研究中都盡量使用少云或無云的數據，但單一數據源的使用可能會從數據質量方面對監測過程造成影響，因此可以使用多源遙感數據或其他分辨率更高的影像作為數據源。以上方法的適用性還有待更深入的研究。