高分六號寬幅數據識別火燒跡地的光譜及指數分析

劉 倩，覃先林，胡心雨，李增元

中國林業科學研究院資源信息研究所，國家林業和草原局林業遙感與信息技術重點實驗室，北京 100091

引 言

森林擾動通過改變森林冠層生物量和結構，對地表能量平衡、 碳動態、 野生動植物棲息地和人類活動等產生級聯影響[1]。林火干擾作為一種重要的森林擾動因子，研究其光譜特征變化規律并準確提取出擾動區域，對于森林生態環境保護和可持續發展具有重要意義[2]。植被指數法是基于衛星遙感數據進行火燒跡地識別的一種常用方法[2]，Veraverbeke等[3]評估了MODIS/ASTER構建的各種植被指數對于火燒跡地的分離能力； 吳立葉等[4]基于Landsat TM影像分析了7個波段及18個遙感指數對火燒跡地的提取能力； 李瑩等[5]基于Sentinel-2A的3個紅邊波段和1個近紅外窄波段，構建主成分分析法(principal component analysis，PCA)和新型植被指數法進行火燒跡地提取，研究發現利用紅邊波段的第三主成分分析法能較好、 較快提取火燒跡地； 朱曦等[6]基于HJ-1評估了NDVI，GEMI，BAI和EVI對過火區的分離能力，孫桂芬[2]、 武晉雯等[7]利用高分一號寬幅(GF-1 WFV)數據，基于NDVI，GEMI，EVI，BAI和NDWI等開展火燒跡地識別研究，精度達80%以上。2018年6月升空的高分六號(GF-6)衛星因具有中高時間、 中空間分辨率和寬幅成像等特點，已逐漸被應用于森林擾動及其恢復研究中[8]。

為探討GF-6 WFV數據識別火燒跡地的適宜光譜波段和指數，選取2019年發生在內蒙古大興安嶺林區的3處雷擊火形成的火燒跡地為研究區，利用2018年和2019年的GF-6 WFV數據，分析研究區火災發生前后的光譜特征變化，探討不同指數區分火燒跡地和其他典型類別的能力，并選擇2019年6月19日發生在金河林業局的雷擊火為例，系統評估這些指數及指數差值識別火燒跡地的能力，以期該數據應用于我國的森林資源監管工作。

1 實驗部分

1.1 研究區概況

選擇內蒙古大興安嶺林區內3處火燒跡地作為研究區[見圖1(a,b,c)]，火燒跡地具體信息見表1。阿龍山林業局位于內蒙古大興安嶺西坡北部，生態功能區地跨根河市和額爾古納市，地勢東高西低，海拔506～1 520 m，年平均降水量437.4 mm，森林覆蓋率95.3%； 莫爾道嘎林業局位于額爾古納市境內，地形屬于低山丘陵，海拔417～1 404.7 m，林區地處寒溫帶，屬大陸性季風氣候區，年均降水量369.6 mm，森林覆蓋率94.6%； 金河林業局位于根河市境內，海拔540～1 466 m，年均降水量400～500 mm，年平均氣溫約為-5 ℃，冬長夏短，四季晝夜溫差大，屬于寒溫帶大陸性季風氣候，森林覆蓋率89.7%，主要樹種包括興安落葉松、 樟子松、 白樺和山楊等。

1.2 衛星數據及預處理

選用2018年9月17日和2019年9月22日覆蓋研究區的GF-6 WFV L1級數據產品(來源： 中國資源衛星應用中心)，GF-6 WFV數據空間分辨率16 m，傳感器技術指標見表2。

圖1 研究區(a)： 阿龍山林業局火燒跡地； (b)： 莫爾道嘎林業局火燒跡地； (c)： 金河林業局秀山林場火燒跡地Fig.1 Study area(a)： Burned area of Alongshan Forestry Bureau； (b)： Burned area of Mordaga Forestry Bureau；(c)： Burned area of Xiushan Forest Farm of Jinhe Forestry Bureau

表1 研究區的森林火災信息Table 1 Forest fire information of the study area

表2 GF-6 WFV數據基本參數Table 2 General parameters of GF-6 WFV data

對選用的GF-6 WFV數據進行輻射定標、 大氣校正、 正射校正、 幾何配準等預處理。其中： 大氣校正分別利用基于6S模型的RSD(Remote Sensing Desktop)軟件與基于MODTRAN模型的FLAASH大氣校正模塊的ENVI 軟件，結果均發現大氣校正后得到的2019年影像中第7波段(B7)絕大部分像元的地表反射率為負值，故剔除B7波段，并選擇用6S模型的大氣校正結果進行后續實驗分析。正射校正選擇30 m ASTER GDEM V2數據，幾何配準采用相對配準的方法，以2019年9月22日火后的GF-6 WFV影像為基準，對另一景影像進行配準處理，幾何配準總誤差(RMSE)控制在1個像元以內。

1.3 研究方法

1.3.1 指數計算

依據GF-6 WFV的波段組成并考慮到實際應用中易混淆類別的影響，選取能較好反映火燒跡地、 植被、 土壤和水體等類別的11個指數進行比較分析。將11個指數分為光譜指數和改進指數兩類，改進指數包括MTCI，NDRE1，MCARI2和MNDSI，其中MTCI，NDRE1和MCARI2依照MERIS數據提出，后被用于Sentinel-2A數據中[9]，根據GF-6 WFV的波段范圍選擇最臨近的波段反射率來代替[10]； MNDSI指數參考應用在Worldview-2衛星的一種改進型土壤特征指數[11]。所選擇的11個指數具體名稱及其計算公式等信息見表3。

表3 指數公式Table 3 The formulas of indices

1.3.2 區分度計算

區分度(M)是定量評價波段和指數分離性的常用統計量[12]，計算公式如式(1)

(1)

式(1)中，μb和μu分別為火燒跡地和其他的類別樣本平均值；σb和σu分別為他們對應的標準差。

通常，M越大表示火燒跡地和其他的類別分離性越好，M<1代表分離性較差，M≥1代表分離性良好。

2 結果與討論

2.1 火燒跡地及典型類別光譜分析

利用預處理后的2019年9月22日GF-6 WFV影像，選取火燒跡地、 正常植被、 建筑物、 裸地、 水體、 農田、 云和云陰影等8種典型類別，每一類別選擇30～50個樣本，分別統計得出各類樣本在7個波段(B1—B6，B8)上的反射率均值，得到如圖2的光譜曲線。

圖2 GF-6 WFV提取典型類別光譜曲線Fig.2 Spectral curves of typical categoriesextracted by GF-6 WFV

由圖2可知，云在可見光和近紅外波段的反射率比火燒跡地和其他的類別反射率都高，較易區分，其次是農田、 建筑物和裸地； 火燒跡地在可見光各個波段的反射率與正常植被、 水體、 云陰影等的反射率相近，較難區分； 而在近紅外波段，水體的反射率最低，正常植被由于葉片細胞結構的多重反射[13]，其反射率急劇上升，易與火燒跡地進行區分。

2.2 基于兩期影像的火燒跡地不同波段及指數區分度分析

為進一步了解GF-6 WFV的7個波段對火燒跡地的響應程度，利用2019年9月22日的火燒跡地樣本和2018年9月17日火燒前相同位置正常植被樣本，分別計算7個波段對應地表反射率的均值、 標準差(圖3)，并求得各波段火燒跡地和火燒前正常植被區分度，結果見表4。

圖3 不同波段中火燒跡地和燃燒前植被地表反射率的平均值和標準差

由于現有指數中未有一個指數能在所有環境或火燒程度下較好地識別出燃燒區域[14]，故本研究在波段區分度分析基礎上，選取了覆蓋GF-6 WFV波段的11個指數進行火燒跡地和火燒前正常植被區分度計算，結果見表5。

由圖3結合表4可知： GF-6 WFV 波段1—6和波段8中，近紅外波段(B4)和兩個新增的紅邊波段(B5和B6)的區分度均大于1，火燒后的森林植被反射率大幅下降，其中B6波段對火燒跡地的響應程度最大，區分度高達1.80； 其次是B4波段，區分度略低于B6波段； B5波段也具備能較好反映火燒跡地特征的能力； 而在可見光波段區間內，植被發生燃燒后反射率略有下降, 其余波段變化較小，響應能力較差?；馃E地表面沉積有木炭，灰塵和燃料等，整體來看，燃燒過的區域反射率值基本隨波長增加而升高，燃燒后反射率降低且對應標準誤差隨著波長增加而變大，但在B2波段范圍正常植被和火燒跡地的反射率都比B8波段范圍略高一點，而在B3波段燃燒前植被反射率略低于火燒跡地反射率。

表4 GF-6 WFV不同波段的火燒跡地與火燒前正常植被區分度Table 4 Separability value of GF-6 WFV different bandsbetween burned areas and vegetation in pro-fire

表5 GF-6 WFV不同指數的火燒跡地與火燒前正常植被區分度Table 5 Separability value of GF-6 WFV different indicesbetween burned areas and vegetation in pro-fire

由表5可知： NDVI，GEMI，EVI，BAI，SAVI，MSAVI和NDWI等7個光譜指數的火燒跡地和火燒前正常植被區分度均大于2，其中NDVI的區分度最高，為3.11； 在4個改進指數中，NDRE1和MCARI2的區分度均大于1，其中MCARI2區分度大于2，區分效果要優于NDRE1，而MNDSI和MTCI的區分度小于1，表現較差。

2.3 基于同期影像的不同指數火燒跡地與其余典型類別區分度分析

統計2019年9月22日的GF-6 WFV研究區各類樣本，計算不同指數的均值和標準差，得到區分度M，分析同期影像中火燒跡地與其余7類典型類別的不同指數分離性，結果如圖4所示。

由圖4可知，BAI，NDVI，MCARI2和NDWI對GF-6 WFV數據的火燒跡地與其余7類典型類別的區分度較好，其中BAI對正常植被、 農田和云的區分度M>1.9，對水體的區分度M>1.2，區分十分顯著，但水體和云陰影容易和火燒跡地混淆，而NDVI，MCARI2和NDWI三個指數的區分效果類似，對于正常植被、 水體、 農田和云的區分度M>1，易與火燒跡地進行區分； 其次是GEMI和NDRE1，其中GEMI能對火燒跡地和正常植被、 裸地、 水體進行較好區分，NDRE1能較好分離火燒跡地和正常植被、 農田、 云； 至于EVI，SAVI和MSAVI，僅有正常植被和水體的區分度M>1，對于其他的類別區分能力較差； MNDSI和MTCI的區分效果最差，MNDSI僅有農田的區分度M>1，而MTCI對各類別的區分度值均低于1，并不能區分出火燒跡地和其余7種典型類別。

圖4 火燒跡地與其余7類的不同指數區分度Fig.4 Separability value of different indices betweenburned areas and the seven categories

2.4 不同指數識別火燒跡地的精度評價

選擇發生在金河林業局秀山林場的一處火燒跡地來進一步分析所選11個指數識別火燒跡地的能力，將這些指數分為兩類，一類為火后影像計算的指數，另一類為火災前后兩期影像的指數差值； 將所選指數進行歸一化處理，使其取值范圍為[0, 1]，以0.01為步長進行閾值搜索。由于與總體精度相比，Kappa系數在燃燒區和非燃燒區的分類問題中具有更好的準確性[15]，故選擇Kappa系數最高時的閾值作為該指數識別火燒跡地的最佳閾值。比較在最佳閾值下每個指數提取火燒跡地的結果，并利用目視解譯結果作為參考，對自動識別的火燒跡地結果進行精度驗證，對比分析兩類指數提取的Kappa系數，結果見表6。

表6 不同指數識別金河林業局秀山林場火燒跡地精度

由表6可知，在同期影像火燒跡地的識別中，GEMI，EVI，BAI，SAVI和MSAVI等5個指數識別火燒跡地的能力較強，Kappa系數達0.80以上，其中EVI，SAVI和MSAVI的Kappa系數達0.85，相對更優； MCARI2和NDVI識別火燒跡地的Kappa系數0.70～0.74，相對識別效果中等； NDWI，MTCI，NDRE1和MNDSI的Kappa系數均低于0.70，提取效果不佳。在前后兩期影像火燒跡地的識別中，dGEMI，dEVI，dSAVI，dMSAVI，dNDVI和dBAI等6個指數差值識別火燒跡地的能力較強，Kappa系數0.85以上，其中dGEMI，dEVI，dSAVI和dMSAVI的Kappa系數達0.90以上，相對更優； dNDWI和dMCARI2識別火燒跡地的Kappa系數0.80～0.82，相對識別效果中等； dMTCI，dNDRE1和dMNDSI的Kappa系數均低于0.70，提取效果不佳。通過比較這些指數及指數差值，還可發現指數差值能明顯提高火燒跡地識別精度，其中NDVI，NDWI和MCARI2做差后火燒跡地的提取精度有顯著提升。

在所選的11個指數中，BAI和GEMI提取火燒跡地的效果最好，一是在火燒跡地和火燒前植被區分度、 同期影像上火燒跡地和其余7種典型類別的區分度分析中表現都較優，二是在同期影像和前后兩期影像提取火燒跡地中，Kappa系數均高于0.80，優于其他大部分指數。其次是NDVI，EVI，SAVI和MSAVI，其中NDVI在同期影像上提取火燒跡地的效果比BAI和GEMI差一些，而EVI，SAVI和MSAVI在區分火燒跡地和其余7種典型類別的能力方面要略次于BAI和GEMI，提取火燒跡地的能力中等； NDWI和MCARI2在同期影像上提取火燒跡地效果不佳，做差后提取精度有所上升，Kappa系數提升至0.80左右； MNDSI，NDRE1和MTCI提取火燒跡地的能力較差，MNDSI和MTCI無論是在兩期影像上區分火燒跡地和火燒前植被還是同期影像上區分火燒跡地和其余7種典型類別，其區分能力都很差，同時這3個指數也無法在同期和前后兩期影像中提取出火燒跡地，其中MNDSI由區分度較低的B2和B8波段構建，而NDRE1和MTCI盡管加入了區分度較高的B5和B6波段，但表現都較差，可能原因是這些紅邊指數是基于實測高光譜數據建立的，與GF-6 WFV波段并不完全對應，故而提取結果不理想。

3 結 論

基于內蒙古大興安嶺林區的GF-6 WFV數據，通過分析森林火災發生前后地物光譜變化，定量評價了NDVI，GEMI，EVI，BAI，SAVI，MSAVI和NDWI等7個光譜指數，以及MTCI，NDRE1，MCARI2和MNDSI等4個改進指數提取火燒跡地的能力。得到如下結論：

(1)由所選8類樣本光譜曲線分析可知，在GF-6 WFV的可見光與近紅外波段，云的反射率最高，可見光各波段的火燒跡地反射率與其余地物比較接近，而在近紅外波段和紅邊波段更易于區分火燒跡地與其余地物。

(2)根據火燒跡地和火燒前正常植被各波段的區分度分析結果可知，GF-6 WFV的近紅外波段(B4)和兩個新增的紅邊波段(B5，B6)對火燒跡地和火燒前正常植被區分度較高，反映火燒跡地特征的能力較強； 整體來看，燃燒過的區域反射率基本保持隨波長增加而上升的趨勢，燃燒后反射率會有小幅下降且對應標準誤差隨波長而呈遞增趨勢，這與Long等[16]制作全球30 m火燒跡地產品時分析一致，但在本研究區，正常植被和火燒跡地在B2波段的反射率都比B8波段略高，而在B3波段，燃燒前植被的反射率與火燒跡地的反射率相近甚至略低一點； 出現這種情況可能與大興安嶺區域植被類型和生長狀況以及燃燒程度的不同有關[17]，這些差異也表明火燒后植被反射率隨波段變化是有區域特性的，不同區域會有少許差異。

(3)在利用GF-6 WFV數據識別火燒跡地的光譜及11個指數比較分析中，BAI和GEMI識別效果最好，NDVI，EVI，SAVI，MSAVI，NDWI和MCARI2的識別能力中等，而MNDSI，NDRE1和MTCI等3個改進指數提取火燒跡地的能力均較差。結果表明以指數及指數差值進行火燒跡地識別的精度不僅與指數構造的波段相關，構造形式也很重要。

在GF-6 WFV新增波段組成的改進指數中，只有MCARI2提取火燒跡地的能力相對較好，表明新增波段對于火燒跡地的提取有一定幫助； 今后可進一步探究利用紅邊波段構建新的識別指數，以提升GF-6 WFV數據識別火燒跡地的精度，深入挖掘GF-6 WFV影像兩個紅邊波段在火燒跡地識別中的應用潛力。本方法只在一個時相進行了探討，可能會帶來一定影響，未來將選取不同時相的火燒跡地，并嘗試綜合多種指標進行下一步研究，以深入挖掘GF-6 WFV數據新增波段在火燒跡地識別方面的應用潛力。