安宁市地处滇中高原东部边缘, 介于102° 8'E— 102° 37'E和24° 31'N— 25° 6'N之间, 见图1。 安宁市属中亚热带低纬度高海拔地区, 年均温度14.7 ℃。 全市森林覆盖率达66.6%, 森林资源丰富, 分布大量含有油脂的针叶树种, 如地盘松(Pinus yunnanensis var. pygmaea)、 华山松(Pinus armandii Franch)、 云南松(Pinus yunnanensis Franch)等^[9]。 然而, 这些林木极易在干燥条件下被点燃, 引发森林火灾。 加之安宁市道路、 居民区与农用林地交错分布, 大部分山地林区都有人为活动, 增加了林区内森林火灾发生的概率。 据安宁市林业和草原局统计数据, 安宁市从1986年到2020年共发生15次有记录的火灾, 是全省火灾的高发地区, 也是火灾易于突变、 不易预测、 灭火扑救困难、 处置危险性较大的区域^[10]。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 研究区范围Fig.1 Location of the study area

卫星影像数据包括GF-6 WFV数据, FY-3D MERSI数据, MODIS数据, FY-3C VIRR数据, Landsat8 OLI数据。 其中GF-6 WFV数据空间分辨率为16 m, 辐射分辨率为12 bit, 覆盖范围广、 成像质量高, 用于烟雾及火烧迹地的提取。 GF-6数据来源于中国资源卫星应用中心(http://www.cresda.com)。 FY-3D MERSI监测范围广、 观测频次密、 对地面高温热源敏感, 能较好地对火点进行准确识别^[11]; 该数据来源于风云卫星遥感数据服务网(http://satellite.nsmc.org.cn), 包含250和1 000 m的空间分辨率, 共25 个光谱通道。 MODIS数据、 FY-3C VIRR数据以及Landsat8 OLI数据主要用于监测结果的精度验证, MODIS数据来源于NASA官网(https://ladsweb.modaps.eosdis.nasa.gov), Landsat8 OLI来源于地理空间数据云(http://www.gscloud.cn), 见表1。

表1

Table 1

表1(Table 1)

表1 选取的卫星影像数据表 Table 1 Acquisition of satellite image date 名称 数据获取时间 空间分 辨率/m 用途 GF-6 WFV 2020年5月10日12点10分 16 烟雾及火烧 迹地提取 FY-3D MERSI 2020年5月11日15点15分 1 000 火点识别 MOD021KM 2020年5月11日12点25分 1 000 监测结果验证 FY-3C VIRR 2020年5月11日9点25分 1 000 Landsat8 OLI 2020年3月13日3点40分 30 Landsat8 OLI 2020年5月16日3点40分 30

表1 选取的卫星影像数据表 Table 1 Acquisition of satellite image date

卫星遥感影像在成像过程中, 通常存在着辐射误差和几何变形。 因此, 对研究区2020年5月10日的GF-6 WFV影像进行辐射定标, 大气校正等处理, 经大气校正获得的GF-6 WFV影像第7波段(B7)绝大部分像元的地表反射率为负值, 因此将B7波段去除。 另外选取研究区2020年5月11日的FY-3D MERSI L1数据。 该数据是经过辐射定标处理过的数据, 还需进行太阳高度角订正、 亮温转换、 正射校正等处理。 由于GLT法几何校正过后的数据仍有2~4个像素点的偏差, 故借助30 m的数字高程模型对影像进行配准。

1.3.1 训练样本提取

利用GF-6 WFV影像和2020年土地利用遥感监测数据, 准确区分出烟雾、 植被、 水体等地物作为训练样本, 在选取训练样本时, 会存在同物异谱的现象^[12]。 因此, 需对有差异的相同地类分别选取训练样本进行分类。 选取烟雾、 植被、 云、 水体、 非林地、 云阴影、 火烧迹地训练样本共200块, 39 035个像元。

1.3.2 特征指数计算

通过对研究区的各种地类光谱特征分析, 并依据地物对光谱反射特性的不同, 选取能有效区分烟雾、 植被、 云、 水体、 非林地、 云阴影、 火烧迹地的6种特征指数对研究区地物进行分类, 包括归一化植被指数(NDVI)、 增强植被指数(EVI)、 燃烧面积指数(BAI)、 全球环境监测指数(GEMI)、 土壤调节植被指数(SAVI)、 归一化水体指数(NDWI)。 表2为选择的6种指数名称和计算公式。 其次, 对选取的6种特征指数之间的相关性进行分析, 并以Pearson相关系数绝对值大于0.8作为标准, 对特征指数进行筛选^[13]。

表2

Table 2

表2(Table 2)

表2 特征指数 Table 2 Characteristic index 名称 公式 GF-6波段 归一化植被指数(NDVI) NDVI= ρNIR-ρRρNIR+ρR B3, B4 增强植被指数(EVI) EVI= 2.5(ρNIR-ρR)ρNIR+6ρR-7.5ρB+1 B1, B3, B4 燃烧面积指数(BAI) BAI= 1(ρNIR-0.06)2+(ρR-0.1)2 B3, B4 全球环境监测指数(GEMI) GEMI=η (1-0.25η )- ρR-0.1251-ρNIR η = 2(ρNIR2-ρR2)+1.5ρNIR+0.5ρRρR+ρNIR+0.5 B3, B4 土壤调节植被指数(SAVI) SAVI= (1+L)(ρNIR-ρR)ρNIR+ρR+L, L=0.5 B3, B4 归一化水体指数(NDWI) NDWI= ρG-ρNIRρG+ρNIR B2, B4 注: ρ B, ρ G, ρ R, ρ NIR依次代表GF-6 WFV数据蓝光波段、 绿光波段、 红光波段、 近红外波段的地表反射率 Note: ρ B, ρ G, ρ R and ρ NIR are GF-6 WFV surface reflectances in blue, green red and near infrared bands, respectively

表2 特征指数 Table 2 Characteristic index

1.3.3 区分度计算

引入区分度公式来分析两类间的方差程度^[14]。 区分度由式(1)给出

M=|μ1-μ2|σ1+σ2(1)

式(1)中, μ ₁和μ ₂是烟雾样本和其他非烟雾样本的平均值, σ ₁和σ ₂是相应的标准差。 M值越大, 则烟雾与其他非烟雾样本的分离程度越高, M≥ 1表示分离程度良好, M< 1表示可分离程度低。

1.4.1 云和水体的去除

云的识别主要采用阈值法, 对MERSI数据可见光波段12通道、 近红外波段15通道和热红外波段25通道进行处理:

白天

(R12+R15> 1.2)or(T25< 265K)(2)

(R12+R15> 0.7)or(T25< 285K)(3)

夜间

T25< 265K(4)

水体的去除利用FY-3D MERSIL1数据提供的海陆掩码数据集^[15]。

1.4.2 潜在火点识别

潜在火点的识别以火点在中红外波段辐射较高作为依据, FY-3D MERSIL1数据的中红外波段20通道和热红外波段24通道均可用于潜在火点的识别。 满足以下两个条件的像元则被标记为潜在火点像元

T-20-T'20, min> 10K(5)

ΔT> [ΔT-, ΔT-']min(6)

式(5)和式(6)中: T-20, T-24和Δ T-分别为20波段和24波段的平均亮温以及二者的差值, T'_{20 min}, Δ T-'分别为20通道亮温最小值以及Δ T-的平均值。

根据以上算法识别出的潜在火点, 与250 m分辨率的可见光通道合成的假彩色影像叠加[图2(a)], 可以发现存在大量误判火点。 通过对识别出的潜在火点做掩膜处理, 得到所有潜在火点的亮温值[图2(b)], 发现亮温值大多集中在290~315 K之间, 因此, 在前面算法的基础上增加判断条件, 大于315 K, 才可被标记为潜在火点。 综合以上所有条件重新对潜在火点进行识别[图2(c)], 可以直观地看到, 潜在火点的位置基本在烟雾附近, 大大降低了对火点的误判, 同时提高了对潜在火点识别的准确率。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 潜在火点识别结果 (a): 改进前火点识别结果; (b): 火点亮温图; (c): 改进后火点识别结果Fig.2 Potential fire point identification results (a): Before improvement; (b): Brightness temperature; (c): After improvement

1.4.3 中红外火点判识

卫星遥感数据进行林火判别的方法主要有阈值法^[16]、 有效背景像元法^[17]、 NDVI指数法^[18]等。 本研究在采用动态阈值和上下文检测法的基础上, 加入了红外通道斜率算法进行火点检测^[19]。 该方法的基本原理是利用中红外波段与热红外波段像元值的比值, 对由动态阈值检测过后得到的去除云、 水体以及火点像元的非火点像元作为有效背景像元。 采用一个9× 9像素的背景窗口, 将有效背景像元和整个研究区域内中红外波段与热红外波段像元值的比值, 分别标记为红外通道斜率ρ _base和ρ _pixel, 最后根据两种斜率之间的差值来识别火点。

ρbase=T-20, v-T20, v, minT-24, v-T24, min, 20(7)

ρpixel=T20-T20, v, minT24-T24, min, 20(8)

ρbase-ρpixel> 0.10(9)

其中: T-20, v, T-24, v和T_{20, v, min}分别表示中红外火点像元覆盖范围, 即有效背景像元中T₂₀的均值、 T₂₄的均值以及T₂₀的最小值, T_{24, min, 20}表示为在有效背景中具有T₂₀最小值像元的T₂₄值。

1.4.4 远红外波段火点判识

FY-3D MERSI数据中250 m空间分辨率的远红外通道对高温热源的敏感性低于中红外波段20通道和21通道, 但是其空间分辨率的提高使其能更好地反映出较大的火点。

远红外通道的判识条件为

T24≥T-24背+K24δT24背(10)

式(10)中: T₂₄为远红外通道混合像元亮温值; T-24背表示远红外波段背景平均亮温值, 背景亮温统计的区域为中红外火点像元覆盖范围; δ T_24背表示远红外通道背景亮温的标准差。 若δ T_24背小于1 K则取1 K, 否则保留原值。 K₂₄表示为温度阈值系数, 根据文献[20]给出的参考值, 白天时为3, 夜晚时为2。

2.1.1 烟雾及火烧迹地与其他地物光谱分析

地物分类样本的反射率可以很好的反应各地物之间的差异性大小。 统计研究区内烟雾、 火烧迹地以及植被、 云、 水体、 非林地、 云阴影7类样本在GF-6各波段上的反射率均值, 如图3。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 不同地物光谱曲线Fig.3 Spectral curves of different objects

从图3可以看出云在1~8波段的反射率远远高于烟雾、 火烧迹地以及其他典型地类, 易于区分; 其次, 非林地在可见光、 近红外波段的反射率不同于其他地物, 可与其他地类区分开; 烟雾在蓝光波段和近红外波段的反射率与其他地物的反射率差异较为明显, 而在其他可见光波段, 烟雾的反射率与植被反射率相近; 火烧迹地在可见光波段的反射率与植被、 水体、 云阴影的反射率几乎无差异, 而在近红外波段, 其反射率略高于水体和云阴影, 但低于植被的反射率, 可区分出火烧迹地。 植被的反射率在1~4波段与各类地物相似, 不易区分, 但在5, 6和8波段反射率逐渐升高, 易于与其他地物区分开。

2.1.2 不同特征指数烟雾与其他类别地物区分度分析

在进行区分度分析前, 先对6种特征指数的相关性进行分析, 如表3所示。 根据结果可知, SAVI指数同其他特征总体相关性最强, 因此去除SAVI指数, 保留其余5种特征指数。

表3

Table 3

表3(Table 3)

表3 六种特征指数的相关系数 Table 3 Correlation coefficients of the 6 Characteristic indexes 特征指数 NDVI EVI BAI GEMI SAVI NDWI NDVI 1.000 -0.130 -0.086 0.180 0.969 -0.194 EVI -0.130 1.000 0.280 0.395 -0.097 0.768 BAI -0.086 0.280 1.000 0.303 -0.046 0.271 GEMI 0.180 0.395 0.303 1.000 0.457 0.850 SAVI 0.969 -0.097 -0.046 0.457 1.000 0.754 NDWI -0.194 0.768 0.271 0.850 0.754 1.000

表3 六种特征指数的相关系数 Table 3 Correlation coefficients of the 6 Characteristic indexes

对GF-6 WFV影像研究区内各类样本进行统计, 并计算出各地物在不同特征指数下的均值、 标准差, 用于计算分析烟雾与其他地类在不同特征指数下的区分度, 结果如图4。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 烟雾与其他6类的不同指数区分度Fig.4 Differences in index discrimination between smoke and the other 6 categories

根据直方图可以看出, NDVI, EVI, BAI, GEMI和NDWI五种特征指数对GF-6 WFV影像中的烟雾与火烧迹地、 云、 水体、 非林地、 云阴影五种地物的区分度较高, 只有烟雾与植被在五种指数下的分离度均小于1。 其中NDVI在烟雾与火烧迹地、 非林地、 水体、 云的分离度均大于1.5, 在EVI指数下烟雾与火烧迹地、 非林地、 云阴影、 水的分离性十分显著, 但烟雾与云的分离度小于0.1, 在BAI指数下烟雾与火烧迹地、 云阴影、 水体、 云易于区分, 但非林地和植被不易与烟雾区分, 在GEMI指数下烟雾与其他地类的分离性最好, 分离度均大于1.3, 仅有植被与烟雾易混淆, 在NDWI指数下烟雾与六种地物的区分度均大于0.9。 所以本研究选取了五种特征指数加上GF-6 WFV影像的8个波段进行分类。

2.1.3 分类结果及精度评价

图5为三种分类方法结果局部放大图和GF-6真彩色影像。 分类结果图与GF-6真彩色影像相比, 可以直观的看出提取的烟雾和火烧迹地及其他地物类型边界清晰。 GF-6 WFV蓝光波段可较好的区分烟雾及其他地类, 在此基础上又增加五种特征指数使各地类的区分度大大提高, 增强了GF-6 WFV对烟雾和火烧迹地的识别能力。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 三种分类方法结果局部放大图以及GF-6真彩色影像 (a): 最大似然法分类结果; (b): 支持向量机分类结果; (c): 随机森林分类结果; (d): GF-6真彩色影像Fig.5 Partial enlargement of the results of the three classification methods and GF-6 true color image (a): Maximum likelihood classification results; (b): Classification results of support vector machine; (c): Random forest classification results; (d): GF-6 true color image

从细分的角度看, 三种分类法均可用于烟雾及火烧迹地识别。 最大似然法易把一些植被识别为烟雾, 识别出的烟雾范围较真彩色影像有所增加, 支持向量机分类法和随机森林分类法对于烟雾的识别基本一致, 对一些薄烟也能准确识别, 但支持向量机分类法易将厚度与烟雾相似的云体识别为烟雾, 三种方法对火烧迹地的识别效果差异不大, 分类结果都符合实际火烧迹地的情况。

通过林火前后两景Landsat8 OLI遥感影像验证火烧迹地提取的准确性, 计算得到发生火情位置的归一化植被指数, 利用前后影像和植被指数变化获取火烧迹地的信息。 将GF-6 WFV数据提取的火烧迹地叠加在Landsat8 OLI的火烧迹地上, 结果如图6。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 GF-6数据和Landsat8 OLI数据提取火烧迹地结果对比Fig.6 Comparison of the results of GF-6 data and Landsat8 OLI data extraction of burned areas

由于两组数据存在较大的时间差异, GF-6 WFV数据只监测了林火发生时的火烧迹地面积, 而Landsat8 OLI数据监测了林火发生后的完整火烧迹地结果, 从图中可以看到GF-6 WFV数据提取的火烧迹地结果完全覆盖在Landsat8 OLI数据提取火烧迹地结果的前半部分, 证明融合了特征指数的GF-6 WFV数据采用分类法可有效提取火烧迹地。

2.1.4 精度分析

根据分类结果计算混淆矩阵得到的总体精度和Kappa系数来进行精度评价。 共使用500个验证点作为验证样本, 其中云体50个、 云阴影50个、 植被200个、 非林地100个、 水体40个、 烟雾30个、 火烧迹地30个。

依据验证样本最终得到分类结果精度评价表, 由表4可知, 最大似然法总体精度为94.38%, Kappa系数为0.911; 支持向量机分类法总体精度为96.33%, Kappa系数为0.949; 随机森林分类法总体精度为97.20%, Kappa系数为0.955。 使用NDVI, EVI, BAI, GEMI和NDWI五种特征指数以及GF-6 WFV影像的8个波段通过三种分类法均可实现烟雾以及火烧迹地的提取。 从结果来看随机森林分类法的总体精度最高, 支持向量机分类法次之, 最大似然法最低, 但也达到了90%以上。 整体来说随机森林分类法对GF-6 WFV数据识别烟雾及火烧迹地简单易操作且精度较高。

表4

Table 4

表4(Table 4)

表4 分类结果精度评价 Table 4 Classification accuracy evaluation 类别 最大似然法 支持向量机 随机森林 PA /% UA /% PA /% UA /% PA /% UA /% 烟雾 97.36 97.5 98.04 93.25 97.60 99.22 植被 99.80 97.79 98.96 99.22 99.80 98.65 云体 91.79 84.82 99.81 94.55 93.88 89.13 水体 86.75 88.28 95.17 99.56 66.26 87.45 非林地 87.69 97.33 93.17 98.14 96.13 97.54 火烧迹地 98.94 85.37 95.63 85.23 100.00 83.06 云阴影 89.16 94.56 92.71 80.69 95.23 93.52 总体精度/% 94.38 96.33 97.20 Kappa系数 0.911 0.949 0.955

表4 分类结果精度评价 Table 4 Classification accuracy evaluation

2.2.1 中红外火点识别结果

使用FY-3D MERSI数据进行火点提取, 并与FY-3C VIRR和MODIS数据提取的火点进行对比分析验证火点精度。 将FY-3D MERSI, FY-3C VIRR以及MODIS数据提取的火点结果都叠加在250 m分辨率的FY-3D MERSI真彩色影像中, 结果如图7。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 不同影像火点识别结果Fig.7 Fire point identification results of different images

由图7可看出FY-3D MERSI提取出的火点位置与烟雾位置基本一致。 从三种数据提取的火点信息来看, 影像中火点分布在两块区域, 左边区域为禄丰火场, 右边区域为安宁火场。 FY-3D MERSI的火点提取结果与两种验证数据所获取的火点位置也高度重合, 说明改进后的潜在火点识别算法能准确的识别出火点信息。

精度评价主要利用FY-3D MERSI提取的火点与验证数据提取火点的像元重叠度来判断, 如表5所示, FY-3C VIRR以及MODIS数据提取的火点与FY-3D MERSI数据提取的火点的匹配度分别为32.65%和44.23%, 由于火灾具有很强的蔓延性, 影像获取时间的不同会造成提取火点的位置有所偏移, 导致匹配度较低, 对FY-3D MERSI数据提取的火点精度评价造成影响。

表5

Table 5

表5(Table 5)

表5 火点识别结果匹配度评价表 Table 5 Fire point identification results match evaluation 验证数据 FY-3C VIRR MODIS数据 验证数据的火点 像元数目 49 52 FY-3D MERSI数据 火点像元数目 33 33 时间差 约6 h 约3 h 匹配度 32.65% 44.23%

表5 火点识别结果匹配度评价表 Table 5 Fire point identification results match evaluation

2.2.2 远红外波段火点判识结果

图8的两图分别为中红外通道识别的火点结果和远红外通道识别的火点结果, 通过两图的对比, 可以直观的看出两图之间火点像元的空间分布有明显差别, 中红外通道在禄丰火场监测到11个像元, 在安宁火场监测到22个像元, 远红外通道在禄丰火场监测到13个像元, 在安宁火场监测到18个像元。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 中红外识别的火点以及远红外通道识别的火点结果 (a): 中红外火点识别结果; (b): 远红外火点识别结果Fig.8 Fire points identifications of applying mid-infrared channel (a) and far-infrared channel (b) (a): Mid-infrared identification; (b): Far-infrared identification

表6统计了两处火点像元数量和覆盖面积信息, 结果表明, 远红外通道对火点信息的识别精度要远高于中红外通道识别精度。 一般情况下, 对森林火灾的监测都是通过空间分辨率为1 km的中红外通道进行的, 判识到的火点覆盖范围远大于实际。 在中红外通道火点监测过程中, 引入远红外通道, 将中红外通道与远红外通道相结合探测火点, 能够有效地改善林火监测图像的显示效果, 进一步提高火点识别的精度, 使其在空间上的分布更加突出。

表6

Table 6

表6(Table 6)

表6 中红外火点识别结果与远红外火点识别结果对比 Table 6 The comparison of fire points identifications between mid-infrared and far-infrared channels 火点 像元 个数 像元面积 /km2 面积 /km2 使用波段 分辨率 /m 中红外火点禄丰火场 11 2/2 11 1 000 远红外火点禄丰火场 13 4/0.25 0.812 5 250 中红外火点安宁火场 22 2/2 22 1 000 远红外火点安宁火场 18 4/0.25 1.125 250

表6 中红外火点识别结果与远红外火点识别结果对比 Table 6 The comparison of fire points identifications between mid-infrared and far-infrared channels

2.2.3 GF-6 WFV及FY-3D MERSI数据的林火探测效果分析

将GF-6 WFV及FY-3D MERSI获取的结果叠加在空间分辨率为16 m的GF-6遥感真彩色图像中, 从图9的结果图可以看出, 本文的方法能实现对林火的多方位监测, 禄丰火场和安宁火场森林火灾发生时的烟雾、 火烧迹地及火点均被有效提取出来, 且边界清晰。 但提取出的火点位于烟雾区域, 这是由于GF-6 WFV数据的监测时间为2020年5月10日12点10分, 而 FY-3D MERSI数据监测时间为2020年5月11日15点15分, 监测时间间隔了一天, 根据Landsat8 OLI提取的整个火场的火烧迹地位置信息来看, 火点位置处于烟雾扩散的方向, 禄丰火场和安宁火场的火点都处于GF-6提取火烧迹地的边界位置, 与预测林火蔓延位置基本一致。

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 GF-6及FY-3D MERSI数据结果图 (a): 禄丰火场; (b): 安宁火场Fig.9 Results of GF-6 and FY-3D MERSI data (a): Lufeng fire site ; (b): Anning fire site