莱森光学：基于多源遥感数据监测“木里330火灾”

一、引言

森林作为面积比较大且物质资源丰富、稳定的陆上生态系统，具有防止水土流失，涵养水源，净化空气等多重作用，由于其***的生态功能效应，所以也被称为“地球之肺”。森林火灾的发生，主要特点是火灾产生的火线与烟雾和局部地表的异常高温值，静止卫星搭载的较高分辨率光学传感器适用于前者的识别检测和长时间监测，中波红外波段传感器对森林火灾中的异常高温特别敏感，适用于后者的识别检测。

二、多源遥感数据的联合监测方法

多源遥感数据各有优劣，如高分四号卫星中分辨率难以准确提取过火区域，Sentinel-2卫星受云雨影响较大，而Sentinel-1A卫星适合于作为补充数据监测森林火灾，3类数据源有机联合才能精细实现火灾监测。图1所示，为研究区森林火灾期间过境的高质量遥感数据（无云遮挡）数目，可见多源遥感数据提供了不同类型传感器监测火灾的方法，其中SAR数据弥补了光学数据监测受云雨影响的限制，火灾期间有两景SAR数据（4月3日与4月8日），提高了遥感监测小面积火灾的时间分辨率。

2.1 基于高分四号的森林火灾监测

高分四号搭载的PMS与IRS都比较适合监测小范围森林火灾。森林火灾的发生，主要特点是火灾产生的火线与烟幕和局部地表的异常高温值，持续拍摄的PMS成像仪处于可见光与近红外波段范围，适用于前者识别，IRS成像仪处于中波红外波段，对森林火灾中的高温敏感，适用于后者的识别。使用IRS确定起火地点与起火时间，应急条件下，无需进行大气校正，通过异常的亮度温度即可识别火点。使用PMS针对火灾发生后植被燃烧减少和燃烧残留物沉积的变化特征进行分析，使用NDVI植被指数监测森林火灾蔓延：

式中，NIR，RED分别对应高分四号PMS第5、4波段，依据NDVI持续监测结果确定火灾时间。

2.2 基于Sentinel-2森林火灾光谱监测

Sentinel-2近红外与红光边缘波段达到5个，光谱分辨率较其他多光谱传感器有一定优势。筛选得到一景无云雾影响火灾期Sentinel-2影像。依据3月31日Sentinel-2火灾期影像，选定典型的火烧区域（烟幕）与未火烧区域，比较不同地物的光谱信息（490nm-2200nm）。依据4月25日Sentinel-2火灾后影像，在实际调查信息的基础上，分别选取典型的有林地过火区域（未受害）和有林地损失区域样点，分析各区域不同光谱信息，为短期火灾蔓延，火烧迹地遥感分类和面积测算提供光谱信息。

2.3基于Sentinel-2森林火灾面积提取

虽然时间分辨率较低，Sentinel-2光谱和空间分辨率较为适中，具备短波红外波段，适用于森林火灾后火烧迹地的提取。建立归一化燃烧率,NBR），并计算差分归一化燃烧率（dNBR）。

式中，NIR为近红外反射率，SWIR为短波红外反射率，分别对应Sentinel-2B8A波段，B12波段。NBRpre为火烧前NBR，NBRpost为火烧后NBR。使用自适应阈值选取方法实现dNBR阈值自动化提取。

由Sentinel-2影像各地物光谱信息可知，轻度火烧短期内光谱与健康林地没有明显区别，难于提取；而重度火烧光谱与土壤相近，与植被反射率光谱存在明显差异，易于提取。由此，根据不同火烧严重程度分步骤确定阈值，分类提取火烧迹地，计算面积。具体步骤如下：

（1）使用OTSU算法基于dNBR提取火烧严重的林木损失区域；

（2）将（1）中已提取的林地损失区域掩膜处理，再次使用OTSU算法分类，提取轻度火烧区域，此方法适用于火灾发生后短期内的过火区域分类与面积测算。火烧迹地识别精度分析采用计算公式如下：

2.4基于Sentinel-1A森林火灾监测

火灾前后存在云雨恶劣天气的影响，光学数据应用受限，需要引入不受云雨影响的遥感数据作为监测补充数据。森林火灾使电磁波在森林中的体散射效应发生了改变，其中NDVI与SAR数据极化比值(PR)有一定的相关性，通过分析PR在火灾前后的变化，建立极化比值与植被指数的函数关系监测森林火灾，以此弥补光学数据在云雾干扰时存在的观测局限性。以Sentinel-2数据确定的过火区域，完成预处理的Sentinel-1A数据，监测VV与VH火灾前后）的变化，并通过**小二乘法建立极化比值PR(VV/VH)（dB）与NDVI线性回归关系。再使用3月10日的SAR数据模拟NDVI，并依据3月11日的Sentinel-2NDVI验证。在此基础上，使用模型反推受云雾干扰时（4月3日）火烧迹地NDVI，作为火灾期间云雨影响时NDVI的补充监测。

三、结果与分析

3.1基于高分四号的森林火灾时间与地点提取结果

依次分析火灾前后高分四号数据，去除研究区云层覆盖的影像，共监测到两场火灾，火灾发生期间高分四号共有6景监测到火灾，两场火灾位置相邻，第二场火灾是***场火烧迹地发生复燃导致。

（a）火点烟雾(b)火点亮度温度图像，红框内含火点(c)NDVI分布.

图2高分四号卫星成像仪火灾监测影像图

森林火灾发生时，燃烧区域温度明显高于未燃烧区域。如图2（b）4月7日14时左右监测存在异常亮度温度值（317K），远大于周围林地亮温。如图2（a）2（b）所示，火灾西侧受地形影响，所得到陡坡裸地的亮度温度也较高，但均未超过317K，表明IRS对火灾异常温度存在敏感性。如图2（a）所示，PMS影像中火灾区域的浓烟明显可见，易于火点的识别。依据PMS数据分析NDVI的空间变化，NDVI在3月31出现***片NDVI低值区域，4月7日出现第二片低值区域，结合当日IRS数据存在的异常高温点，两片低值区均判定为火烧区域。其中浓烟也对火烧时的NDVI产生影响，图2（c）是PMS得到的4月12日研究区域NDVI分布图，火灾区域明显分为两处。图3为PMS影像得到火灾前后火烧区域NDVI折线图，图3（a）为***场火烧区的NDVI的折线图，图3（b）为第二场火烧区域NDVI的折线图。结果显示，火灾前，NDVI在0.7左右。调查数据显示，由于地处陡坡（坡度大于50度），植被生长环境恶劣，植被覆盖程度并不饱和，且常年累积的枯枝松针等可燃物未经有效清理，长期覆盖。火灾发生之后的一周内，NDVI值在0.25左右。如图3（b）所示，火烧迹地复燃前，虽然在之前未直接受到火烧影响，第二场火烧地区NDVI值也受***场火烧影响有降低趋势，原因可能是高温环境致植被生化参数短期发生变化。

（a）***次火烧点（b）复燃火烧点（红色线条为火烧时间）

图3火烧迹地NDVI折线图

3.2基于Sentinel-2森林火灾光谱监测结果

比较火灾前后Sentinel-2数据，选取3月31日火灾期间研究区影像，如图4（a）所示。在可见光波段（490-665nm）范围内，火烧区域反射率较高，而在近红外波段健康林地反射率高于火烧区域，火烧区域与健康林地在可见光至短波红外波段范围内光谱差异明显（图4（b））。选取4月25日Sentinel-2数据，并结合实际调查结果，监测林地过火区域（轻度火烧）与林地损失区域（重度火烧）光谱。结果显示，重度火烧迹地光谱曲线与普通土壤的光谱相近，呈现稳定上升趋势；而轻度火烧火烧迹地，与健康植被光谱类似，*在近红外波段和短波红外波段，低于健康植被反射率。上述结果表明，短期内轻度火烧迹地光谱受影响程度不大，此结果可为火烧迹地遥感分类与面积测定提供依据。

（a）Sentinel-2于3月31日观测到的研究区火灾（b）火灾光谱观测结果

图4 Sentinel-2火灾监测

3.3基于Sentinel-2过火面积提取结果与精度评价

分析火灾前后Sentinel-2影像，使用公式（3-2）（3-3），分别得到火灾前后NBR及dNBR，图5（a）（b）分别为火前与火后NBR值。结果显示火灾发生后NBR减小，重度火烧区域比轻度火烧区域NBR减小程度更明显，未火烧区域变化不明显，图5(d)是dNBR直方图。

(a)火灾前NBR图(b)火灾后NBR图 

(c)火灾前后dNBR图(d)dNBR直方图

图5火灾前后NBR，dNBR结果和dNBR直方图

提取结果如下：（1）基于原始的dNBR数据，使用OTSU法可以确定阈值（dNBR=0.35）提取林木损失区域（重度火烧），如图6（b）橙**域。提取的重度火烧迹地大部分均与目视解译区域吻合，该方法提取林木损失的过火区面积为41.56公顷（实际490公顷），分类精度94.67%。（2）通过掩膜步骤（1）得到的林木损失的区域，再通过OTSU算法确定阈值（dNBR=0.10）提取得到林地过火区（轻度火烧）。如图6（b）浅黄**域所示，该类火烧迹地主要分布在林木损失区域附近，提取火烧迹地完整，边界清晰，且接近目视解译结果。**终提取面积为66.56公顷（实际72.09公顷），精度90.94%。轻度火烧迹地本身难于提取，直观从遥感影像判别也存在一定困难，该步骤提取存在一定噪声影响，会造成一定误差。（3）两步骤共提取总过火面积为107.12公顷（实际118.09公顷，包含未利用地），精度90.71%。

（a）Sentinel-2影像与目视解译结果（b）OTSU算法提取结果与目视解译结果

图6火烧迹地提取结果

3.4基于Sentinel-1A森林火灾监测结果与精度评价分析

火灾前火后共7景Sentinel-1A数据。微波在穿过植被层时发生体散射效应而导致去极化效应比较明显。图7所示为火灾区域***次发生火灾后Sentinel-1A数据的变化，具体表现为极化比值由6.6dB升高至10.8dB，去极化效应减弱反映出植被减少。

分区域选取210个像元，通过分析，Sentinel-2（4月25日）NDVI与Sentinel-1A（4月27日）极化比值PR之间存在***的相关性（R=－0.764）。PR与NDVI通过线性回归，确定NDVI=－0.062PR+0.9736，R2=0.58,如图8所示。

图8NDVI与PR(VV/VH)线性拟合结果

将模型应用于火灾前Sentinel-1A（3月10日）模拟NDVI，并使用Sentinel-2（3月11日）NDVI作验证，R2=0.50，结果表明NDVI<0.6时模型存在高估现象，如图9(a)所示。将模型带入4月3日云层干扰的火灾区域（平均VV=25dB，VH=－7.54dB，PR=10.79dB）模拟NDVI值为0.30，相对于同时期附近健康林地（平均VV=－11.18dB，VH=－16.80dB，PR=5.62dB，模拟NDVI=0.63）明显降低，符合模型验证时NDVI低值时存在的高估现象，且低于火灾之前的高分四号NDVI（0.7－0.8），如图9(b)，可作为模拟数据补充火灾NDVI的监测。

图9NDVI与PR(VV/VH)统计模型和验证

图10(b)为4月3日Sentinel-1A数据模拟的NDVI图，火灾区域NDVI低于周围健康林地，模拟效果较好。SAR数据作为该地区恶劣天气下火灾监测中NDVI的补充数据，可提高森林火灾监测的时间分辨率。由于此方法实际**使用Sentinel-1A而未使用Sentinel-1B数据，若考虑Sentinel-1B数据，则还可以提高监测的时间分辨率。

(a)4月4日受云干扰的光学影像(b)基于4月3日SAR数据模拟NDVI图

图10使用SAR数据基于统计模型模拟NDVI(红色方框表示过火区)

四、结论与讨论

本文首先介绍了联合监测森林火灾的技术方法，分别说明了应用高分四号数据确定火灾时间和地点的方法，基于Sentinel-2数据火灾光谱监测和过火面积提取，使用Sentinel-1A火灾监测方法，然后介绍了各种方法应用的结果。其中监测方法主要包括：

（1）应用高分四号IRS成像仪的中波红外波段和PMS成像仪结合NDVI植被指数共同确定粗起火时间和位置；

（2）使用Sentinel-2数据监测火灾光谱，结合OTSU算法使用Sentinel-2数据提取过火区域，并且根据dNBR指数对火烧迹地分类统计面积；

（3）使用Sentinel-1A数据，关联SAR数据后向散射系数和NDVI，突破云雨恶劣天气的限制监测森林火灾。其中得到如下结果：

（1）火灾发生时，监测到亮度温度比较高达317K，根据火点位置，确定火灾蔓延期间NDVI下降（由0.7降低至0.25），确定起火时间(3月30日);

（2）火灾区域与未受灾区，以及不同类型火烧迹地之间的光谱在490nm-2200nm范围存在差异，基于OTSU算法自动确定阈值，确定林地损失面积41.56公顷（dNBR=0.35），精度达94.67%，提取林地过火未损失面积66.56公顷（dNBR=0.10），精度达90.94%，林地损失区域基本符合实际调查结果；

（3）火灾前后极化比值由6.6dB升高至10.8dB，NDVI与PR经线性回归，R2=0.58，验证R2=0.50。使用SAR数据监测云雨条件下的森林火灾能提高监测的时间分辨率，突破恶劣天气的影响。

推荐：

便携式高光谱成像系统iSpecHyper-VS1000

专门用于公安刑侦、物证鉴定、医学医疗、精细农业、矿物地质勘探等领域的***产品，主要优势具有体积小、帧率高、高光谱分辨率高、高像质等性价比特点采用了透射光栅内推扫原理高光谱成像，系统集成高性能数据采集与分析处理系统，高速USB3.0接口传输，全靶面高成像质量光学设计，物镜接口为标准C-Mount，可根据用户需求更换物镜。