选择内蒙古大兴安岭林区内3处火烧迹地作为研究区[见图1(a, b, c)], 火烧迹地具体信息见表1。 阿龙山林业局位于内蒙古大兴安岭西坡北部, 生态功能区地跨根河市和额尔古纳市, 地势东高西低, 海拔506~1 520 m, 年平均降水量437.4 mm, 森林覆盖率95.3%; 莫尔道嘎林业局位于额尔古纳市境内, 地形属于低山丘陵, 海拔417~1 404.7 m, 林区地处寒温带, 属大陆性季风气候区, 年均降水量369.6 mm, 森林覆盖率94.6%; 金河林业局位于根河市境内, 海拔540~1 466 m, 年均降水量400~500 mm, 年平均气温约为-5 ℃, 冬长夏短, 四季昼夜温差大, 属于寒温带大陆性季风气候, 森林覆盖率89.7%, 主要树种包括兴安落叶松、 樟子松、 白桦和山杨等。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 研究区 (a): 阿龙山林业局火烧迹地; (b): 莫尔道嘎林业局火烧迹地; (c): 金河林业局秀山林场火烧迹地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

Table 1

表1(Table 1)

表1 研究区的森林火灾信息 Table 1 Forest fire information of the study area 编号 研究区 火灾发生日期 火场中心经纬度 过火面积/hm2 1 阿龙山林业局火烧迹地 2019年6月19日 121° 17'24″E , 51° 53'24″N 39 2 莫尔道嘎林业局火烧迹地 2019年6月19日 121° 16'57″E , 51° 47'51″N 182 3 金河林业局秀山林场火烧迹地 2019年6月19日 122° 20'38″E , 51° 31'10″N 1 883

表1 研究区的森林火灾信息 Table 1 Forest fire information of the study area

选用2018年9月17日和2019年9月22日覆盖研究区的GF-6 WFV L1级数据产品(来源: 中国资源卫星应用中心), GF-6 WFV数据空间分辨率16 m, 传感器技术指标见表2。

表2

Table 2

表2(Table 2)

表2 GF-6 WFV数据基本参数 Table 2 General parameters of GF-6 WFV data 波段 波段范围/μ m 蓝波段(B1) 0.45~0.52 绿波段(B2) 0.52~0.59 红波段(B3) 0.63~0.69 近红外波段(B4) 0.77~0.89 红边1波段(B5) 0.69~0.73 红边2波段(B6) 0.73~0.77 紫波段(B7) 0.40~0.45 黄波段(B8) 0.59~0.63

表2 GF-6 WFV数据基本参数 Table 2 General parameters of GF-6 WFV data

对选用的GF-6 WFV数据进行辐射定标、 大气校正、 正射校正、 几何配准等预处理。 其中: 大气校正分别利用基于6S模型的RSD(Remote Sensing Desktop)软件与基于MODTRAN模型的FLAASH大气校正模块的ENVI 软件, 结果均发现大气校正后得到的2019年影像中第7波段(B7)绝大部分像元的地表反射率为负值, 故剔除B7波段, 并选择用6S模型的大气校正结果进行后续实验分析。 正射校正选择30 m ASTER GDEM V2数据, 几何配准采用相对配准的方法, 以2019年9月22日火后的GF-6 WFV影像为基准, 对另一景影像进行配准处理, 几何配准总误差(RMSE)控制在1个像元以内。

1.3.1 指数计算

依据GF-6 WFV的波段组成并考虑到实际应用中易混淆类别的影响, 选取能较好反映火烧迹地、 植被、 土壤和水体等类别的11个指数进行比较分析。 将11个指数分为光谱指数和改进指数两类, 改进指数包括MTCI, NDRE1, MCARI2和MNDSI, 其中MTCI, NDRE1和MCARI2依照MERIS数据提出, 后被用于Sentinel-2A数据中^[9], 根据GF-6 WFV的波段范围选择最临近的波段反射率来代替^[10]; MNDSI指数参考应用在Worldview-2卫星的一种改进型土壤特征指数^[11]。 所选择的11个指数具体名称及其计算公式等信息见表3。

表3

Table 3

表3(Table 3)

表3 指数公式 Table 3 The formulas of indices 名称 缩写 公式 使用的GF-6 WFV波段 归一化植被指数 NDVI NDVI= ρNIR-ρREDρNIR+ρRED B3, B4 全球环境监测指数 GEMI GEMI=η (1-0.25η )- ρRED-0.1251-ρRED η = 2(ρNIR2-ρRED2)+1.5ρNIR+0.5ρREDρRED+ρNIR+0.5 B3, B4 增强植被指数 EVI EVI= 2.5(ρNIR-ρRED)ρNIR+6ρRED-7.5ρBLUE+1 B1, B3, B4 燃烧面积指数 BAI BAI= 1(ρNIR-0.06)2+(ρRED-0.1)2 B3, B4 土壤调节植被指数 SAVI SAVI= (1+L)(ρNIR-ρRED)ρNIR+ρRED+L, L=0.5 B3, B4 改进型土壤调节植被指数 MSAVI MSAVI= 2ρNIR+1-(2ρNIR+1)2-8(ρNIR-ρRED)2 B3, B4 归一化差异水体指数 NDWI NDWI= ρGREEN-ρNIRρGREEN+ρNIR B2, B4 地面叶绿素指数 MTCI MTCI= ρRE2-ρRE1ρRE1-ρRED B3, B5, B6 归一化差值红边指数 NDRE1 NDRE1= ρRE2-ρRE1ρRE2+ρRE1 B5, B6 改进的叶绿素吸收指数 MCARI2 MCARI2=[(ρ RE2-ρ RE1)-0.2(ρ RE2-ρ GREEN)] ρRE2ρRE1 B2, B5, B6 改进的归一化土壤指数 MNDSI MNDSI= ρGREEN-ρYELLOWρGREEN+ρYELLOW B2, B8 注: ρ BLUE, ρ GREEN, ρ RED, ρ NIR, ρ RE1, ρ RE2和ρ YELLOW依次表示GF-6 WFV 的B1— B6, B8波段的地表反射率 Note: ρ BLUE, ρ GREEN, ρ RED, ρ NIR, ρ RE1, ρ RE2 and ρ YELLOW indicate the surface reflectance of B1 to B6 and B8 of GF-6 WFV in turn

表3 指数公式 Table 3 The formulas of indices

1.3.2 区分度计算

区分度(M)是定量评价波段和指数分离性的常用统计量^[12], 计算公式如式(1)

M=|μb-μu|σb+σu(1)

式(1)中, μ _b和μ _u分别为火烧迹地和其他的类别样本平均值; σ _b和σ _u分别为他们对应的标准差。

通常, M越大表示火烧迹地和其他的类别分离性越好, M< 1代表分离性较差, M≥ 1代表分离性良好。

利用预处理后的2019年9月22日GF-6 WFV影像, 选取火烧迹地、 正常植被、 建筑物、 裸地、 水体、 农田、 云和云阴影等8种典型类别, 每一类别选择30~50个样本, 分别统计得出各类样本在7个波段(B1— B6, B8)上的反射率均值, 得到如图2的光谱曲线。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 GF-6 WFV提取典型类别光谱曲线Fig.2 Spectral curves of typical categories extracted by GF-6 WFV

由图2可知, 云在可见光和近红外波段的反射率比火烧迹地和其他的类别反射率都高, 较易区分, 其次是农田、 建筑物和裸地; 火烧迹地在可见光各个波段的反射率与正常植被、 水体、 云阴影等的反射率相近, 较难区分; 而在近红外波段, 水体的反射率最低, 正常植被由于叶片细胞结构的多重反射^[13], 其反射率急剧上升, 易与火烧迹地进行区分。

为进一步了解GF-6 WFV的7个波段对火烧迹地的响应程度, 利用2019年9月22日的火烧迹地样本和2018年9月17日火烧前相同位置正常植被样本, 分别计算7个波段对应地表反射率的均值、 标准差(图3), 并求得各波段火烧迹地和火烧前正常植被区分度, 结果见表4。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 不同波段中火烧迹地和燃烧前植被地表反射率的平均值和标准差Fig.3 Means and standard deviations of land surface reflectance of burned areas and unburned vegetation in different bands

表4

Table 4

表4(Table 4)

表4 GF-6 WFV不同波段的火烧迹地与火烧前正常植被区分度 Table 4 Separability value of GF-6 WFV different bands between burned areas and vegetation in pro-fire 波段 区分度 B1 0.25 B2 0.51 B3 0.16 B4 1.68 B5 1.09 B6 1.80 B8 0.18

表4 GF-6 WFV不同波段的火烧迹地与火烧前正常植被区分度 Table 4 Separability value of GF-6 WFV different bands between burned areas and vegetation in pro-fire

由于现有指数中未有一个指数能在所有环境或火烧程度下较好地识别出燃烧区域^[14], 故本研究在波段区分度分析基础上, 选取了覆盖GF-6 WFV波段的11个指数进行火烧迹地和火烧前正常植被区分度计算, 结果见表5。

表5

Table 5

表5(Table 5)

表5 GF-6 WFV不同指数的火烧迹地与火烧前正常植被区分度 Table 5 Separability value of GF-6 WFV different indices between burned areas and vegetation in pro-fire 光谱指数 区分度 改进指数 区分度 NDVI 3.11 MTCI 0.06 GEMI 2.08 NDRE1 1.33 EVI 2.71 MCARI2 2.19 BAI 2.05 MNDSI 0.83 SAVI 2.62 MSAVI 2.53 NDWI 2.57

表5 GF-6 WFV不同指数的火烧迹地与火烧前正常植被区分度 Table 5 Separability value of GF-6 WFV different indices between burned areas and vegetation in pro-fire

由图3结合表4可知: GF-6 WFV 波段1— 6和波段8中, 近红外波段(B4)和两个新增的红边波段(B5和B6)的区分度均大于1, 火烧后的森林植被反射率大幅下降, 其中B6波段对火烧迹地的响应程度最大, 区分度高达1.80; 其次是B4波段, 区分度略低于B6波段; B5波段也具备能较好反映火烧迹地特征的能力; 而在可见光波段区间内, 植被发生燃烧后反射率略有下降, 其余波段变化较小, 响应能力较差。 火烧迹地表面沉积有木炭, 灰尘和燃料等, 整体来看, 燃烧过的区域反射率值基本随波长增加而升高, 燃烧后反射率降低且对应标准误差随着波长增加而变大, 但在B2波段范围正常植被和火烧迹地的反射率都比B8波段范围略高一点, 而在B3波段燃烧前植被反射率略低于火烧迹地反射率。

由表5可知: NDVI, GEMI, EVI, BAI, SAVI, MSAVI和NDWI等7个光谱指数的火烧迹地和火烧前正常植被区分度均大于2, 其中NDVI的区分度最高, 为3.11; 在4个改进指数中, NDRE1和MCARI2的区分度均大于1, 其中MCARI2区分度大于2, 区分效果要优于NDRE1, 而MNDSI和MTCI的区分度小于1, 表现较差。

统计2019年9月22日的GF-6 WFV研究区各类样本, 计算不同指数的均值和标准差, 得到区分度M, 分析同期影像中火烧迹地与其余7类典型类别的不同指数分离性, 结果如图4所示。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 火烧迹地与其余7类的不同指数区分度Fig.4 Separability value of different indices between burned areas and the seven categories

由图4可知, BAI, NDVI, MCARI2和NDWI对GF-6 WFV数据的火烧迹地与其余7类典型类别的区分度较好, 其中BAI对正常植被、 农田和云的区分度M> 1.9, 对水体的区分度M> 1.2, 区分十分显著, 但水体和云阴影容易和火烧迹地混淆, 而NDVI, MCARI2和NDWI三个指数的区分效果类似, 对于正常植被、 水体、 农田和云的区分度M> 1, 易与火烧迹地进行区分; 其次是GEMI和NDRE1, 其中GEMI能对火烧迹地和正常植被、 裸地、 水体进行较好区分, NDRE1能较好分离火烧迹地和正常植被、 农田、 云; 至于EVI, SAVI和MSAVI, 仅有正常植被和水体的区分度M> 1, 对于其他的类别区分能力较差; MNDSI和MTCI的区分效果最差, MNDSI仅有农田的区分度M> 1, 而MTCI对各类别的区分度值均低于1, 并不能区分出火烧迹地和其余7种典型类别。

选择发生在金河林业局秀山林场的一处火烧迹地来进一步分析所选11个指数识别火烧迹地的能力, 将这些指数分为两类, 一类为火后影像计算的指数, 另一类为火灾前后两期影像的指数差值; 将所选指数进行归一化处理, 使其取值范围为[0, 1], 以0.01为步长进行阈值搜索。 由于与总体精度相比, Kappa系数在燃烧区和非燃烧区的分类问题中具有更好的准确性^[15], 故选择Kappa系数最高时的阈值作为该指数识别火烧迹地的最佳阈值。 比较在最佳阈值下每个指数提取火烧迹地的结果, 并利用目视解译结果作为参考, 对自动识别的火烧迹地结果进行精度验证, 对比分析两类指数提取的Kappa系数, 结果见表6。

表6

Table 6

表6(Table 6)

表6 不同指数识别金河林业局秀山林场火烧迹地精度 Table 6 Accuracy of burned area identification of Xiushan Forest Farm of Jinhe Forestry Bureau using different indices 指数 Kappa系数 指数差值 Kappa系数 NDVI 0.70 dNDVI 0.89 GEMI 0.82 dGEMI 0.92 EVI 0.85 dEVI 0.93 BAI 0.82 dBAI 0.87 SAVI 0.85 dSAVI 0.93 MSAVI 0.85 dMSAVI 0.93 NDWI 0.57 dNDWI 0.80 MTCI 0.52 dMTCI 0.52 NDRE1 0.23 dNDRE1 0.61 MCARI2 0.74 dMCARI2 0.82 MNDSI 0.51 dMNDSI 0.61

表6 不同指数识别金河林业局秀山林场火烧迹地精度 Table 6 Accuracy of burned area identification of Xiushan Forest Farm of Jinhe Forestry Bureau using different indices

由表6可知, 在同期影像火烧迹地的识别中, GEMI, EVI, BAI, SAVI和MSAVI等5个指数识别火烧迹地的能力较强, Kappa系数达0.80以上, 其中EVI, SAVI和MSAVI的Kappa系数达0.85, 相对更优; MCARI2和NDVI识别火烧迹地的Kappa系数0.70~0.74, 相对识别效果中等; NDWI, MTCI, NDRE1和MNDSI的Kappa系数均低于0.70, 提取效果不佳。 在前后两期影像火烧迹地的识别中, dGEMI, dEVI, dSAVI, dMSAVI, dNDVI和dBAI等6个指数差值识别火烧迹地的能力较强, Kappa系数0.85以上, 其中dGEMI, dEVI, dSAVI和dMSAVI的Kappa系数达0.90以上, 相对更优; dNDWI和dMCARI2识别火烧迹地的Kappa系数0.80~0.82, 相对识别效果中等; dMTCI, dNDRE1和dMNDSI的Kappa系数均低于0.70, 提取效果不佳。 通过比较这些指数及指数差值, 还可发现指数差值能明显提高火烧迹地识别精度, 其中NDVI, NDWI和MCARI2做差后火烧迹地的提取精度有显著提升。

在所选的11个指数中, BAI和GEMI提取火烧迹地的效果最好, 一是在火烧迹地和火烧前植被区分度、 同期影像上火烧迹地和其余7种典型类别的区分度分析中表现都较优, 二是在同期影像和前后两期影像提取火烧迹地中, Kappa系数均高于0.80, 优于其他大部分指数。 其次是NDVI, EVI, SAVI和MSAVI, 其中NDVI在同期影像上提取火烧迹地的效果比BAI和GEMI差一些, 而EVI, SAVI和MSAVI在区分火烧迹地和其余7种典型类别的能力方面要略次于BAI和GEMI, 提取火烧迹地的能力中等; NDWI和MCARI2在同期影像上提取火烧迹地效果不佳, 做差后提取精度有所上升, Kappa系数提升至0.80左右; MNDSI, NDRE1和MTCI提取火烧迹地的能力较差, MNDSI和MTCI无论是在两期影像上区分火烧迹地和火烧前植被还是同期影像上区分火烧迹地和其余7种典型类别, 其区分能力都很差, 同时这3个指数也无法在同期和前后两期影像中提取出火烧迹地, 其中MNDSI由区分度较低的B2和B8波段构建, 而NDRE1和MTCI尽管加入了区分度较高的B5和B6波段, 但表现都较差, 可能原因是这些红边指数是基于实测高光谱数据建立的, 与GF-6 WFV波段并不完全对应, 故而提取结果不理想。