林火烈度遙感評估指數適應性分析

譚柳霞， 曾永年， 鄭忠

(1.中南大學地球科學與信息物理學院，長沙　410083; 2.中南大學空間信息技術與可持續發展研究中心，長沙　410083)

林火烈度遙感評估指數適應性分析

譚柳霞1,2， 曾永年1,2， 鄭忠1,2

(1.中南大學地球科學與信息物理學院，長沙410083; 2.中南大學空間信息技術與可持續發展研究中心，長沙410083)

摘要：科學合理地定量評估林火烈度，對揭示林火干擾下森林生態系統的變化，以及植被的恢復與管理具有重要意義。以美國科羅拉多大峽谷國家公園北緣的Poplar Fire為實驗區，利用Landsat5 TM影像，結合實地調查的綜合火燒指數(composite burn index，CBI)，分析評價了歸一化差值植被指數(normalized difference vegetation index ,NDVI)，歸一化火燒指數(normalized burn ration, NBR)，差分歸一化植被指數(differenced normalized difference vegetation index，ΔNDVI)和差分歸一化火燒指數(differenced normalized burn ration，ΔNBR)4種遙感指數對林火烈度評估的適應性。結果表明，4種遙感指數對識別不同等級林火烈度存在一定的差異。在未過火區和輕度火災區，單一遙感指數的精度略高于差分遙感指數，其中NBR的提取精度最高，分別達到了66.7%和80%； 在中度火災區和重度火災區，差分遙感指數的精度高于單一遙感指數，ΔNBR的提取精度最高，分別達到了100%和90%。總體上，基于差分遙感指數的林火烈度制圖精度總體高于單一遙感指數，其中ΔNBR的總體制圖精度最高，達到了 86.2%。因此，ΔNBR是林火烈度分析與評估的適宜遙感指數。

關鍵詞：遙感指數； 林火烈度； Landsat影像

0引言

林火作為森林生態系統的重要干擾因素，能夠損毀大量的林木，影響森林生態系統的樹種組成，導致生物量的減少及地表景觀的變化，并對全球碳循環產生一定的影響[1-2]。林火烈度的定量評估，有助于揭示林火干擾下森林生態系統各種生態過程的發展變化和森林景觀格局的形成機制[3]，也可用于估算林火帶來的生物量損失，對研究植被的恢復和全球碳平衡具有一定的參考價值[4]。

林火干擾使地表植被大量死亡，導致土壤裸露、根莖碳化，同時也會改變土壤濕度，從而導致地物光譜反射率的變化[5-7]。利用遙感影像獲取植被信息具有大尺度、高精度和低成本等特點，通過遙感影像建立遙感光譜指數與地面實地調查的林火烈度之間的相關性來提取林火烈度信息的方法已經成為遙感應用研究的重要內容之一[8-11]。Garcia等利用近紅外和中紅外波段反射率構建了歸一化火燒指數(normalized burn ration, NBR)，應用于西班牙瓦倫西亞省的多個林火過火區域制圖[12]。Key 等根據林火發生前后的NBR差值提出了差分歸一化火燒指數(differenced normalized burn ration，ΔNBR)，分離出了林火的過火區域，定量提取了林火所導致的森林環境的變化[13]。Javier Lozano利用邏輯回歸分析方法，評價了基于Landsat5 TM影像的歸一化差值植被指數(normalized difference vegetation index，NDVI)、歸一化差分濕潤指數(normalized difference moisture index，NDMI)、 NBR 以及纓帽變換的綠度和濕度組分模擬林火發生概率的適應性[14]。Allen等調查了阿拉斯加4個國家森林公園及附近的289個過火區樣地，發現由Landsat TM/ETM+數據提取的ΔNBR與樣地綜合火燒指數(composite burn index，CBI)有顯著的相關關系，并且在不同植被類型樣地這種相關關系表現出有明顯的差別[15]。Escuin等利用多種指數對1995年和2001年發生在西班牙南部的3場林火進行林火烈度評價，結果表明ΔNBR更適合用于該研究區林火烈度評價[16]。Leonardo以阿根廷西部的半干旱灌木地為例，提出了一種基于MODIS時序數據的半自動算法，利用NBR和ΔNBR對研究區2000—2011年的火燒跡地進行提取和制圖，并與利用MODIS火產品數據(MCD45和MOD14)提取的火燒跡地進行了比較，結果表明NBR對火燒跡地的提取精度更高[17]。Gareth利用△NBR對加拿大西部的科迪勒拉山地森林的林火烈度進行分級，并在此基礎上研究了火后NDVI、地形與林火烈度的關系[18]。Katherine利用△NBR對林火烈度進行分級，并模擬了野火對沿海水域徑流變化和污染物運移的影響[19]。雷成亮分析了基于NBR與ΔNBR的線性與非線性模型估測火烈度的精度，并進行了多變量森林火烈度估測比較[4]。楊偉首先提出了基于 MODIS時序數據的火燒跡地提取算法，對黑龍江流域2000—2011年的火燒跡地信息進行了提取，并以TM/ETM+數據為基礎，利用ΔNBR對該區域的林火烈度等級進行評價[20]。王曉莉等利用NBR對大興安嶺森林過火區的林火烈度進行定量評價，并分析了林火烈度與植被類型、海拔、坡度及坡向等環境因素的關系[21]。吳立葉以江西省武寧縣為研究區，以Landsat TM遙感影像為數據源，評估分析了包括NDVI和NBR在內的18個遙感指數對林火跡地的提取能力，結果表明，NBR、亮溫調整燃燒率第一類型(NIR-SWIR-Temperature Version1,NSTV1)、亮溫調整燃燒率第二類型(NIR-SWIR-Temperature Version2,NSTV2)和發射率調整燃燒率第一類型(NIR-SWIR-Emissivity Version1,NSEV1)4種遙感指數對林火跡地的提取能力較高[22]。楊辰根據我國森林變化的特點，對NDVI和NBR等多種森林擾動遙感監測指數進行了總結分析，并對幾種擾動監測指數進行了比較研究[23]。目前國內外已開展了較多的遙感林火烈度評價研究，然而多數研究采用單一的遙感指數，并且各自采用的指數又不盡相同，這為進一步的應用研究帶來一定的困惑。為此，本文利用Landsat 5 TM數據，以有詳實地面調查數據的美國科羅拉多大峽谷國家公園北緣的林火區為實驗區，分析多種遙感林火評價指數的適應性，為林火烈度遙感應用研究提供一定的借鑒與參考。

1數據及研究方法

1.1實驗區概況

本文選擇位于美國亞利桑那州科科尼諾縣西北卡巴布高原著名的Grand Canyon國家公園北緣為實驗區。該區域位于N 36°14′～36°22′， W112°6′～112°18′之間，海拔1 200 ～2 400 m，地表較平坦，屬亞熱帶大陸性干旱半干旱氣候區，1月份平均溫度為-3°C，7月份平均溫度為19°C。生態系統種類復雜、植被豐富，森林覆蓋度高，樹種以西黃松樹、云杉和白楊等為主。2003年9月5日Grand Canyon國家森林公園發生了一起由雷電引起的大火，名為Poplar Fire，過火區域面積約為68 km2(圖1)。

圖1　實驗區位置示意圖

1.2數據獲取及處理

本研究選用的遙感數據是從美國地質調查局(United States Geological Survey,USGS)網站下載的經過幾何糾正的Landsat5 TM影像。為保證林火烈度信息提取的精確性，盡量選用時相基本一致的遙感影像。為此，依據林火發生前后森林生態系統的時序變化，選取林火發生前一個生長季節(2002年10月10日)和林火發生后第一個生長季節(2004年10月15日)的2景遙感影像，軌道號為p37/r35，數據覆蓋了火災區域及其周邊范圍。

在ENVI4.8軟件中對圖像數據進行預處理，主要包括： 像元灰度值(digital number, DN)轉換為輻射值，像元輻射值轉為光譜反射率； 然后利用band math工具對預處理后的2景TM影像計算NDVI[24]，NBR[13]，差分歸一化植被指數(differenced normalized difference vegetation index，ΔNDVI)[16]和ΔNBR[16]4個林火評價遙感指數，得到2004年的NDVI， NBR以及2002—2004年的ΔNDVI 和ΔNBR圖。

實驗的驗證數據是由美國National Park Service等機構提供的林火發生后研究區內2004年9月25日至10月17日的109個實地調查的CBI[25-26]，如圖1所示。CBI是在30 m×30 m大小的方形樣地內通過野外觀察、調查獲取的，以便于保證樣地實測CBI與TM遙感影像上像元在空間位置和大小上保持一致，便于針對林火烈度信息的精度評價。本研究隨機選取80個CBI樣點與所提取的植被指數建立回歸方程，剩余的29個CBI樣點用于對林火烈度信息提取的精度進行驗證。各CBI樣點的數量分布見表1。

表1　CBI樣點的數量分布

①CBI(a)代表用于建立回歸方程的CBI點，CBI(b)代表用于精度驗證的CBI點。

1.3研究方法

本研究采用的技術路線如圖2所示。首先，利用預處理遙感數據計算出2004年NDVI， NBR，以及2002—2004年ΔNDVI和ΔNBR。NDVI和NBR的理論取值范圍均為[-1，1]，為了便于分析，將NDVI和NBR的原始數值乘以1 000； 其次，用ArcGIS9.3軟件的extraction工具提取80個CBI樣點(表1)的遙感指數值，并建立CBI與相應遙感指數的回歸方程； 再根據回歸方程估算不同等級林火烈度分級的各遙感指數閾值，進而獲得基于各遙感指數的林火烈度分級圖； 最后，在定性評價林火烈度分級圖的基礎上，基于CBI樣點數據進行精度評價，定量分析各遙感評價指數的適應性。

圖2　技術路線圖

2結果與分析

2.1遙感評價指數與CBI的回歸分析結果

遙感指數與CBI回歸關系如圖3、圖4所示。

(a) NDVI及CBI相關性 (b) NBR及CBI相關性

圖3林火發生后單一遙感指數與林火烈度(CBI)的關系

Fig.3Relationship of indices from uni-temporal (post fire) and CBI

(a) ΔNDVI及CBI相關性 (b) ΔNBR及CBI相關性

圖4林火發生后差分遙感指數與林火烈度(CBI)的關系

Fig.4Relationship of indices from bi-temporal (pre and post fire) and CBI

林火發生后，隨著CBI指數的增加，2種單一遙感指數 (NDVI和NBR)均呈現下降的趨勢，單一遙感指數與林火烈度之間呈負相關(圖3)； 兩種差分遙感指數(ΔNDVI和ΔNBR)均呈現上升的趨勢，差分遙感指數與林火烈度之間呈正相關(圖4)。由于植被類型和數量等因素的差異，導致同一林火影響下不同空間位置的森林生態系統遭受到的破壞程度出現差異，且存活植被的數量和類型越少，森林生態系統的破壞程度越嚴重，CBI也就越高； 同理，林火發生后利用植被狀態敏感波段的光譜反射率構建的單一遙感指數能夠在一定程度上反映出林火發生后不同空間位置存活植被的狀態，存活植被數量和類型越多，單一遙感指數值越高，CBI也就越低。因此，單一遙感指數與CBI之間呈負相關。而差分遙感指數是以林火發生前后遙感指數的減少量作為林火烈度的衡量，遙感指數的減少量越大，林火導致的破壞程度也越大，林火烈度也就越高，反之亦然，因此，差分遙感指數與CBI之間呈正相關。

4種遙感指數的二次多項式回歸模型均比線性模型的相關系數高，因此，二次多項式回歸模型更適用于描述本研究區域林火烈度與遙感指數的相關性。不同單一遙感指數與林火烈度的相關性系數差異較小，相關性較高的是NDVI，其次是NBR； 不同差分遙感指數應用于林火烈度信息提取的精度差異較大(R2相差0.16)，其中，相關系數最高的遙感指數是ΔNBR，其次是ΔNDVI。4種遙感指數與CBI的多項式回歸模型相關性系數由大到小依次為ΔNBR，NDVI，NBR和ΔNDVI。因此，ΔNBR比ΔNDVI更適合用于本研究區林火烈度信息的提取，這與Hoy等[27]的研究結果是一致的。同時，隨著CBI的增加，ΔNBR值越來越集中，二次多項式回歸模型的擬合效果也越來越好。

2.2基于遙感指數的林火烈度分級圖

根據遙感評價指數與CBI的回歸分析結果， 獲得NDVI，NBR，ΔNDVI，ΔNBR4種指數與CBI之間的回歸方程分別為

NDVI=-57.04CBI2+87.94CBI+354.4 ，

(1)

NBR=-127CBI2+153.3CBI+316.6 ，

(2)

ΔNDVI=18.13CBI2+33.81CBI+19.7 ，

(3)

ΔNBR=85.98CBI2-15.35CBI +60.39 。

(4)

依據林火對森林生態系統損害程度的大小[28-29]，可將林火烈度劃分為未過火、輕度、中度和重度4級。用回歸方程(1)—(4)計算不同劃分林火烈度等級的CBI閾值對應的遙感指數分級閾值(表2)，從而獲得基于單一遙感指數的林火烈度分級圖(圖5)、基于差分遙感指數的林火烈度圖(圖6)。

表2　林火烈度的各植被指數閾值

(a) 基于NDVI閾值的林火烈度圖 (b) 基于NBR閾值的林火烈度圖

圖5基于單一遙感指數的林火烈度圖

Fig.5Map of fire severity based on indices from uni-temporal(post fire)

(a) 基于ΔNDVI閾值的林火烈度圖(b) 基于ΔNBR閾值的林火烈度圖

圖6基于差分遙感指數的林火烈度圖

Fig.6Map of fire severity based on indices from bi-temporal (pre and post fire)

2.3林火烈度制圖精度分析

在過火區域范圍內，單一遙感指數、差分遙感指數均對重度火災區域較為敏感，表達的空間分布較為合理(圖5，圖6)。單一遙感指數對未過火區、重度和中度過火區的區分不夠準確，而差分遙感指數能較好地區分重度和中度過火區，對未過火區準確識別，同時ΔNBR更適合林火烈度信息的提取。

利用單一遙感指數評價林火烈度受周圍環境的影響比較大，在過火區域附近的植被稀少或土壤比較裸露的未過火區域極易被誤分為中度或重度過火區。因此，林火發生后單純依靠單一遙感指數來提取火災范圍的方法在植被稀少的區域并不可靠。

利用CBI驗證樣點獲得林火烈度分級圖的精度評價結果如表3所示。

表3　林火烈度分級制圖精度評價

由表3可知，差分遙感指數的精度總體高于單一遙感指數，并以差分遙感指數ΔNBR的精度最高。4種遙感指數對不同林火分級存在一定的差異，在未過火區和輕度火災區，NBR的提取精度最高，且單一遙感指數的提取精度高于差分遙感指數； 在中度火災區和重度火災區，ΔNBR的提取精度最高，且差分遙感指數的提取精度高于單一遙感指數。

綜合定性、定量指標的分析，4種遙感指數中，ΔNBR的精度最高，最適合林火烈度信息的提取。

3結論

1)NDVI，NBR與CBI呈現負相關，ΔNBR，ΔNDVI與CBI呈現正相關； 4種遙感指數的二次多項式回歸模型均比線性模型的相關系數更高，且隨著CBI的增加，二次多項式回歸模型的擬合效果也越來越好，其中，ΔNBR與CBI的相關系數最高，R2為0.891。

2)NDVI，NBR，ΔNBR，ΔNDVI這4種遙感指數對識別不同等級林火烈度存在一定的差異： 在未過火區和輕度火災區，單一遙感指數(NDVI和NBR)的精度略高于差分遙感指數(ΔNBR和ΔNDVI)，其中NBR的提取精度最高，分別達到了66.7%和80%； 在中度火災區和重度火災區，差分遙感指數的精度高于單一遙感指數，ΔNBR的提取精度最高，分別達到了100%和90%。

3)總體上，基于差分遙感指數的林火烈度制圖精度總體高于單一遙感指數。4種遙感指數中，差分遙感指數對林火烈度信息提取具有顯著的優勢，其中ΔNBR的總體制圖精度最高(達到86.2%)，是林火烈度分析與評估的適宜遙感指數。

參考文獻(References)：

[1]胡海清.林火生態與管理[M].北京:中國林業出版社,2005.

Hu H Q.Forest Ecology and Management[M].Beijing:China Forestry Publishing House,2005.

[2]Morisette J T,Giglio L,Csiszar I,et al.Validation of MODIS active fire detection products derived from two algorithms[J].Earth Interact,2005,9(9):1-25.

[3]常禹,陳宏偉,胡遠滿,等.林火烈度評價及其空間異質性研究進展[J].自然災害學報,2012,21(2):28-34.

Chang Y,Chen H W,Hu Y M,et al.Advances in the assessment of forest fire severity and its spatial heterogeneity[J].Journal of Natural Disasters,2012,21(2):28-34.

[4]雷成亮.大興安嶺森林火烈度遙感估測方法研究[D].哈爾濱:東北林業大學,2012.

Lei C L.Estimating Burned Severity With Multiple Methods in Da Hinggan Mountains[D].Harbin:Northeast Forestry University,2012.

[5]Verbyla D L,Kasischke E S,Hoy E E.Seasonal and topographic effects on estimating fire severity from Landsat TM/ETM+data[J].International Journal of Wildland Fire,2008,17:527-534.

[6]Wimberly M C,Reilly M J.Assessment of fire severity and species diversity in the southern Appalachians using Landsat TM and ETM+imagery[J].Remote Sensing of Environment,2007,108(2):189-197.

[7]Epting J,Verbyl A D,Sorbel B.Evaluation of remotely sensed indices for assessing burn severity in interior Alaska using Landsat TM and ETM+[J].Remote Sensing of Environment,2005,96(3/4):328-339.

[8]Otto R,García-del-Rey E,Muoz P G,et al.The effect of fire severity on first-year seedling establishment in a Pinus canariensis forest on Tenerife,Canary Islands[J].European Journal of Forest Research,2010,129(4):499-508.

[9]Soverel N O,Perrakis D B P,Coops N C C.Estimating burn severity from Landsat dNBR and RdNBR indices across western Canada[J].Remote Sensing of Environment,2010,114(9):1896-1909.

[10]van Wagtendonk J W,Root R R,Key C H.Comparison of AVIRIS and Landsat ETM+ detection capabilities for burn severity[J].Remote Sensing of Environment,2004,92(3):397-408.

[11]Miller J D,Knapp E E,Key C H,et al.Calibration and validation of the relative differenced Normalized Burn Ratio(RdNBR) to three measures of fire severity in the Sierra Nevada and Klamath Mountains,California,USA[J].Remote Sensing of Environment,2009,113(3):645-656.

[12]Garcia M L,Caselles V.Mapping burns and natural reforestation using thematic Mapper data[J].Geocarto International,1991,6(1):31-37.

[13]Key C H,Benson N C.The normalized burn ratio(NBR):A landsat TM radiometric measure of burn severity[Z].Bozeman,MT:US Dept.Interior,Northern Rocky Mountain Sci.Center,1999.

[14]Lozano F J,Suárez-Seoane S,de Luis E.Assessment of several spectral indices derived from multi-temporal Landsat data for fire occurrence probability modelling[J].Remote Sensing of Environment,2007,107(4):533-544.

[15]Allen J L,Sorbel B.Assessing the differenced normalized burn ratio’s ability to map burn severity in the boreal forest and Tundra Ecosystems of Alaska’s National parks[J].International Journal of Wildland Fire,2008,17(4):463-475.

[16]Escuin S,Navarro R,Fernández P.Fire severity assessment by using NBR(normalized burn ratio)and NDVI(normalized difference vegetation index)derived from LANDSAT TM/ETM images[J].International Journal of Remote Sensing,2008,29(4):1053-1073.

[17]Hardtkea L A,Blancoa P D,del Vallea H F,et al.Semi-automated mapping of burned areas in semi-arid ecosystems using MODIS time-series imagery[J].International Journal of Applied Earth Observation and Geoinformation,2015,38:25-35.

[18]Ireland G,Petropoulos G P.Exploring the relationships between post-fire vegetation regeneration dynamics,topography and burn severity:A case study from the Montane Cordillera Ecozones of Western Canada[J].Applied Geography,2015,56:232-248.

[19]Morrison K D,Kolden C A.Modeling the impacts of wildfire on runoff and pollutant transport from coastal watersheds to the nearshore environment[J].Journal of Environmental Management,2015,151:113-123.

[20]楊偉.基于遙感的黑龍江流域火燒跡地及其植被恢復研究[D].長春:中科院東北地理與農業生態研究所,2013.

Yang W.The Study on Burned Area Mapping and Vegetation Regeneration Based on Remote Sensing Data in Heilongjiang Basin[D].Changchun:Northeast Institute of Geography and Agro ecology of Chinese Academy of Sciences,2013.

[21]王曉莉,王文娟,常禹,等.基于NBR指數分析大興安嶺呼中森林過火區的林火烈度[J].應用生態學報,2013,24(4):967-974.

Wang X L,Wang W J,Chang Y,et al.Fire severity of burnt area in Huzhong forest region of Great Xing’an Mountains,Northeast China based on normalized burn ratio analysis[J].Chinese Journal of Applied Ecology,2013,24(4):967-974.

[22]吳立葉,沈潤平,李鑫慧,等.不同遙感指數提取林火跡地研究[J].遙感技術與應用,2014,29(4):567-574.

Wu L Y,Shen R P,Li X H,et al.Evaluating different remote sensing indexes for forest burn scars extraction[J].Remote Sensing Technology and Application,2014,29(4):567-574.

[23]楊辰,沈潤平.森林擾動遙感監測研究進展[J].國土資源遙感,2015,27(1):1-8.doi:10.6046/gtzyyg.2015.01.01.

Yang C,Shen R P.Progress in the study of forest disturbance by remote sensing[J].Remote Sensing for Land and Resources,2015,27(1):1-8.doi:10.6046/gtzyyg.2015.01.01.

[24]田慶久,閔祥軍.植被指數研究進展[J].地球科學進展,1988,13(4),328-333.

Tian Q J,Min X J.Advances in study on vegetation indices[J].Advance in Earth Sciences,1988,13(4),328-333.

[25]Key C H,Benson N C.Landscape assessment[C]//Lutes D C,Keane R E,Caratti J F,et al.,eds.FIREMON:Fire Effects Monitoring and Inventory System.Fort Collins,CO:USDA Forest Service,Rocky Mountain Research Station,2006:1-55.

[26]Kasischke E S,Turetsky M R,Ottmar R D,et al.Evaluation of the composite burn index for assessing fire severity in Alaskan black spruce forests[J].International Journal of Wildland Fire,2008,17:515-526.

[27]Hoy E E,French N H F,Turetsky M R,et al.Evaluating the potential of landsat TM/ETM+imagery for assessing fire severity in Alaskan black spruce forests[J].International Journal of Woodland Fire,2008,17(4):500-514.

[28]White J D,Ryan K C,Key C C,et al.Remote sensing of forest fire severity and vegetation recovery[J].International Journal of Wildland Fire,1996,6:125-136.

[29]Brewer C K,Winne J C,Redmond R L,et al.Classifying and mapping wildfire severity:A comparison of methods[J].Photogrammetric Engineering & Remote Sensing,2005,71(11):1311-1320.

(責任編輯： 李瑜)

An adaptability analysis of remote sensing indices in evaluating fire severity

TAN Liuxia1,2, ZENG Yongnian1,2， ZHENG Zhong1,2

(1.SchoolofGeosciencesandGeomatics,CentralSouthUniversity,Changsha410083,China; 2.CenterforGeomaticsandSustainableDevelopmentResearch,CentralSouthUniversity,Changsha410083,China)

Abstract:Performing quantitative evaluation of forest fire severity scientifically and reasonably is helpful to revealing the changing of forest ecosystems under fire, and is also of great significance for studying the vegetation recovery and management. Taking the north rim of Grand Canyon National Park in USA as the study area, combined with the composite burn index (CBI) after field survey, the authors used Landsat5 TM images of Poplar Fire to analyze the applicability of NDVI, NBR, ΔNDVI and ΔNBR so as to evaluate fire severity. According to the result obtained, there is some difference between the four remote sensing indices in identifying forest fire intensity of different levels. For non-fire and light fire, indices from a uni-temporal can perform better than indices from bi-temporal (pre and post fire), and NBR has the highest accuracy up to 66.7% and 80%, respectively; on the contrary, for moderate fire and severe fire, indices from bi-temporal (pre and post fire) can perform better than indices from a uni-temporal, and ΔNBR outperformed the others, because it considers only indices difference resulting from change of vegetation situation and environmental factors caused by forest fire and not affected by surroundings; it has high accuracy of evaluating moderate fire and severe fire, with the accuracy up to 100% and 90%. In general, indices from bi-temporal (pre and post fire) have higher overall accuracy than indices from a uni-temporal, and ΔNBR has the highest overall accuracy in evaluating fire severity with the accuracy up to 86.2%, which is hence the most suitable remote sensing indices to evaluate fire severity in this study area.

Keywords:remote sensing indice; fire severity; Landsat image

doi:10.6046/gtzyyg.2016.02.14

收稿日期：2014-12-16；

修訂日期：2015-03-10

基金項目：國家自然科學基金項目“基于多智能體啟發式算法的土地利用空間配量模擬研究”(編號： 41171326)、“基于多智能體動態交換互決策過程的城市擴展時空模擬研究”(編號： 41201386)及“基于蟻群智能的地鐵選址建模研究”(編號： 41201383)共同資助。

中圖法分類號：TP 751.1

文獻標志碼：A

文章編號：1001-070X(2016)02-0084-07

第一作者簡介：譚柳霞 (1990- )，女，碩士研究生,現從事遙感和GIS應用研究。Email： liuxiakddx08@163.com。

通信作者：曾永年(1959-)，男，博士，教授，主要從事遙感與地理信息系統及其環境變化研究。 Email： ynzeng@mail.csu.edu.cn。

引用格式： 譚柳霞，曾永年，鄭忠.林火烈度遙感評估指數適應性分析[J].國土資源遙感,2016,28(2):84-90.(Tan L X,Zeng Y N,Zheng Z,et al.An adaptability analysis of remote sensing indices in evaluating fire severity[J].Remote Sensing for Land and Resources,2016,28(2):84-90.)