地形及NDVI在林火遙感監測二次識別中應用的方法探討

陳艷英, 馬鑫程, 徐彥平， 王 穎， 汪艷波

(1.重慶市氣象科學研究所，重慶 401147； 2.中交公路規劃設計院有限公司，北京 100010；3.重慶市開州區突發事件預警信息發布中心，重慶 405400； 4.重慶市江津現代農業氣象試驗站，重慶 402260； 5.朝陽師范高等專科學校，朝陽 122000)

0 引言

林火監測、預警是森林防火工作的重要環節。及時、準確地發現著火點，并將林火消滅在發生初期，是實現林火“打早、打小、打了”目標的關鍵支撐[1]。目前衛星監測、航空監測、地面巡護和瞭望臺監測這4種[2]林火監測措施中，衛星監測有諸多優勢，能夠實現大范圍實時監測，且隨著氣象靜止衛星分辨率的提高，衛星林火監測基本實現了全天候、大范圍的準無縫監測。在林火監測的應用中，遙感能夠對潛在危險區域進行實時監測和持續跟蹤，因此可以及時發現火情，實現林火的早發現早處理，降低滅火成本，減少潛在損失，彌補了基于瞭望塔等傳統監測方法的不足，已成為當前林火實時監測的重要手段之一。

林火遙感監測的算法主要包括指數法[3-4]、亮溫結合閾值法[5-6]、多通道彩色合成法[7]、絕對火點識別法[8-9]和上下文法等。基于眾多林火監測方法，可用于林火監測的波段也不斷被挖掘，除了傳統的中心波段在4 μm和11 μm的中紅外及遠紅外波段外，可見光等波段在林火監測中也發揮著不同的作用。在實際監測過程中，有大部分被判定為林火的像元點并無林火發生，稱之為空報； 而被判定為非林火的像元可能包含有溫度低、面積小的林火，稱之為漏報。無論是空報還是漏報，都大大降低了衛星監測林火的可信度。空報和漏報之間，及其與監測準確度之間是矛盾的，降低空報率，漏報率會升高，反之亦然; 但無論空報率或漏報率升高都會降低監測準確度。

衛星探測到的林火是地表熱異常的一種，地表熱異常現象通常包括： 火山噴發、森林燃燒、草原燃燒、溢出油氣燃燒、人工目標燃燒、農業秸稈焚燒、垃圾焚燒處理、工業熱排放、高溫作業工礦場地等[10]，森林草原火是遙感熱異常監測中的一部分點源[11]，在衛星林火監測工作中，其余地表熱源點是干擾源，會影響監測精度。此外，水體、沙漠、云、大型建筑或建筑群等非熱源區，由于高反射或高能源利用的影響，在衛星檢測地表熱源點的過程中容易被誤判為異常高溫點。因此，在林火遙感監測過程中，這些非林區的異常高溫點及高反射(高能源利用區)點便是干擾點，降低了林火遙感監測的準確度。

為了提高林火遙感監測的準確度，需要對監測的異常高溫點進行篩查，以便去掉非林火關注區熱點，提高監測的準確度。對高溫點進行篩查的方法和手段較多，但都存在一定的局限性，如用高分辨率數據檢驗低分辨率數據，缺點是與檢測熱點同步的高分辨率衛星數據不能隨時獲取； 現場調查及無人機巡航，缺點是成本較高，且反饋時間較長。

在重慶應用衛星監測林火還存在以下問題： 在衛星紅外通道易出現高溫點的地物如工礦區、工業熱源、建筑群、水體等區域與林區交叉分布，這些非林火高溫點不僅降低了林火監測的精度，還增加了排查的難度； 重慶地形破碎，林地與農用地交錯分布，農耕用火不僅難以與林火區分，還經常引發森林火災，因此對農耕地用火需要加以關注或進行管控。針對以上問題，本文基于歸一化植被指數(normalized difference vegetation index，NDVI)及地形指數提取用于林火篩查的地表分類數據，利用該地表分類數據，對衛星監測的地表高溫點進行二次識別，從而剔除林火非關注區的異常高溫點，提高林火監測的準確度。

1 研究區概況及數據源

1.1 研究區概況

重慶地處中國內陸之西南，年平均溫度為17.8 ℃，常年降水量為1 000～1 450 mm，氣候的地帶性和垂直方向變化明顯，導致各地地表溫度差異顯著。地帶性植被屬亞熱帶常綠闊葉林，屬于西南林區范疇，林地分布于高程較高、坡度大于15°的中低山區或高程較高的山區。地形起伏大，地表覆蓋破碎，林區與旅游景區、度假避暑區、高山風電場、高山高壓輸電線路、居民點、農耕地交錯分布[12-13]，導致居民農耕及生活、祭祖等活動極易引發森林火災，地表非林火熱源多且與林火不易區分，在利用遙感數據進行林火監測時會出現大量的非林區高溫點，這容易使森林防火和監測出現紕漏。

1.2 數據源

1.2.1 AQUA/MODIS地面高溫點數據及NDVI數據

整理了2002—2020年AQUA/MODIS 1 km地面高溫點數據集MYD14A1及250 m NDVI數據集MYD13Q1，數據范圍為H27V05和H27V06 2個區域，數據來源于美國國家航空航天局官網。

1.2.2 FY3-C/VIRR和FY3-D/MERSI地面高溫點數據

整理了2014—2020年FY3-C/VIRR和2019—2020年FY3-D/MERSI 1 km地面高溫熱點數據集，數據來源于中國氣象局風云衛星遙感數據服務網。

1.2.3 其他輔助數據

通過91衛圖助手桌面端采集了重慶市2 m空間分辨率土地類型樣地數據，樣地類型包括林地、草地、果園、旱地、水田、水體、建筑用地7類； 收集了空間分辨率12.5 m數字高程模型(digital elevation model，DEM)數據，來源于日本宇宙航空研究所的高級陸地觀測衛星-1(Advanced Land Observing Satellite-1，ALOS)。

1.3 數據處理

1.3.1 重慶森林火監測點數據集

選取2002—2020年AQUA/MODIS監測熱點數據MYD14A1、2014—2020年FY3-C/VIRR監測熱點數據和2019—2020年FY3-D/MERSI作為遙感監測高溫熱點源。各衛星熱點數量見表1。

表1 不同來源熱點數量Tab.1 Number of hotspots from different sources

從表1可見，FY3-C/VIRR和FY3-D/MERSI衛星由于監測年限較短，因此監測熱點樣例較少，共62個 熱點； AQUA/MODIS衛星監測年限較長，監測熱點較多，共2 159個熱點，其中標注9的高可信度熱點最少，為182個，標注為8的中可信度熱點多達1 618個，標注7的低可信度熱點359個。

1.3.2 植被指數數據集

選取2002—2020年AQUA/MODIS 250 m分辨率NDVI數據，通過重投影、格式轉換、裁剪后，獲取重慶區域的NDVI。為了降低云的影響，將AQUA/MODIS監測的NDVI采用最大值合成法合成逐月NDVI，基于此計算多年月平均NDVI。如果單月NDVI較多年月平均NDVI降低超過0.1，則視為無效值，以當月前后2 a的均值替補。如2018年1月NDVI較2000—2020年1月月平均NDVI小0.15，則以2017年和2019年的均值替代，以此類推。以此方法計算了2013—2017年月平均NDVI，用來輔助完成土地分類。

1.3.3 土地分類數據樣本點數據集

林火遙感監測的主要關注對象是天然林區及草地，結合重慶的區域特性，農業用地中的旱地及果園也是林火防范的關注區域，而建筑用地、水體屬于林火防范的非關注區域，因此本文將土地類型分為林地、草地、果園、旱地、水田、水體及建筑用地7類。結合高分辨率遙感圖像及2015年土地利用數據，對本文7類型土地利用數據取樣，樣地數見表2。

表2 不同土地類型采集的樣區數Tab.2 Number of plots collected by different land types

1.3.4 其他輔助數據的處理

利用地理信息系數軟件，將空間分辨率為12.5 m的數字高程模型(digital elevation model,DEM)數據重采樣為50 m，并基于DEM生成了坡度數據。

2 土地覆蓋分類

2.1 樣點植被指數及地形分析

結合重慶地表破碎的特點，將NDVI數據重采樣為50 m分辨率，與DEM及坡度對應。提取樣地月平均NDVI、坡度及高程，見圖1。

(a) 不同土地類型樣地NDVI月變化曲線 (b) 不同土地類型樣地坡度和高程

分析發現，各樣地NDVI均值較最大、最小值具有區別度，因此采用月平均NDVI作為分類指標，而表征地形的坡度和高程2個要素，在不同地類中也有很明顯的分異性，因此也作為分類的重要參數。由圖可見，除水體外，各種土地類型的NDVI峰值均出現在7—8月份，9月開始減小，谷值基本出現在1月份，1—8月，NDVI逐漸增加。各土地類型中，林地NDVI最大，其次是草地，水體NDVI最小，建筑用地NDVI次小。在農田中，4—5月份旱地NDVI高于水田，其余月份水田NDVI高于旱田NDVI，果園NDVI月際變化平緩，1—2月份及11—12月份NDVI較旱地、草地NDVI偏大，在6—8月的生長旺季，果園NDVI較其余植被覆蓋區NDVI偏低，其余月份NDVI較水田、旱地、草地、林地NDVI低。各類土地類型中，坡度和高程值變化明顯，可以結合NDVI進行區分。

2.2 分類方法及結果

2.2.1 人類活動用地與林草地的分離

跟據李伶俐等[14]的研究及第三次國土調查技術規范[15]，從地形坡度要素來看，重慶耕地集中分布在坡度25°以下的區域； 從地形高程要素來看，重慶耕地集中分布在200～1 500 m之間的區域。結合本文研究，從圖1樣地的坡度、高程分析結果及文獻研究成果發現，坡度過大、高程過高的區域不適合人類活動，因此本文將坡度≤15°且高程在[0,1 500] m之間的區域及坡度在(15°，25°]之間且高程≤800 m的區域定為可能出現水體、建筑用地及農業用地的區域，占總面積的59.15%； 其余區域為林地、草地，占總面積的40.85%。

2.2.2 非植被用地與農用地的分離

水體及建筑用地的NDVI整體偏低，在7—8月份水體和建筑用地的NDVI與植被覆蓋區的地表NDVI相差最大，綜合考慮日照條件及建筑用地周邊、街道綠化生長狀況，選取8月份NDVI作為參考指標。分析NDVI可知，在結合前文識別的水體、建筑用地及農業用地區域的基礎上，水體NDVI≤0.4或高程≤150 m且坡度≤10°的區域，建筑用地的NDVI在 (0.4,0.6]之間，水體占地1.4%，建筑用地占4.3%，見圖2。

2.2.3 水田、旱地、果園的分離

分析樣地NDVI發現，果園區域NDVI在6—8月較水田、旱地區域NDVI偏小，但在11—12月份NDVI較水田、旱地偏大，其中7月和12月差異明顯，利用這個特點分離農用地中的果園； 水田和旱地的NDVI季節性突出，在6—8月份，水田和旱地的NDVI基本相當，但在4—5月及9—12月，水田NDVI較旱地NDVI明顯偏低，利用這個特點，分離出農耕地中的水田； 在8月份旱地NDVI 較水田NDVI偏小，其余月份NDVI較水田偏大，其中10月份偏大最多，利用該特點提取旱地區域，提取結果表明，農用地占重慶土地面積的48.9%，見圖3。

2.2.4 草地與林地的分離

分析地形及NDVI發現，草地NDVI在3—4月份及10—12月份較林區NDVI偏小明顯，其中4月份和12月份差異較大，分別為0.15和0.13，基于該特點，在2.2.1節提取的林地和草地結果中提取草地(圖4(a))，在林地和草地結果中去除草地的其余區域均為林地。在建筑用地、水體及農用地結果中，如果坡度在16°以上且8月NDVI超過0.86或10月NDVI超過0.74的區域，視為耕地邊緣林地，因此，林地為這二者的合并區域(圖4(b))。林地和草地共占45.7%，見圖4。基于重慶地表覆蓋類型破碎的特點，重慶林火遙感監測關注的區域除天然林草地外，旱地和果園等經濟林地也是林火監測的關注區域，因此將土地分類結果按照林火監測需求分成林火非關注區(包含建筑用地、水體、水田)、林火監測關注區(包括天然林地、草地、旱地和果園)，如圖4(c)。從圖2—4的提取結果看，提取的水體在中心城區范圍偏大，包含了部分建筑用地，另外，受數據分辨率的限制，境內的小河流不能全部識別。建筑用地在中心城區、西部較集中，在東北部、東南部山區較稀疏。水田集中在中西部地勢低平的區域，旱地除山區、城區外，分散在各區縣，與水田、林地、果園等交叉分布； 草地主要分布在東北、東南地勢較高的山區，林地在渝東北、渝東南占地較多、分布廣，另外在中、西部山地也有零星分布。

2.3 分類結果檢驗

對分類的結果進行準確度檢驗，計算樣地類型中，提取的該類土地類型面積占該類樣地總面積的比例代表提取的準確度，比例越大，表明準確度越高。一是進行單個地類提取檢驗，即提取結果的單個地類與該類樣地面積進行對比； 二是進行林火關注區提取檢驗，即分別檢驗建筑用地、水體、水田樣例區內，該3類分類結果占林火非關注區面積的比例，旱地、果園、林地、草地樣地內，該4類分類結果占林火關注區面積的比例。據此計算了單類樣地的準確度(表3)和林火關注區分類的準確度(表4)。

表3 單個地類準確度檢驗結果Tab.3 Accuracy test results of a single land type (%)

表4 林火關注區分類準確度檢驗結果Tab.4 Classification accuracy test results of forest fire concern areas (%)

從表3和表4可見，建筑用地、水體、水田的分類準確度分別為65.90%，76.32%和80.53%，其中建筑用地誤判的34.10%區域中，絕大部分誤判為水體，水體誤判的23.68%區域中，絕大部分誤判為建筑用地，水田誤判區域在建筑用地及旱地占比較大，分別為8.93%和7.04%，三者作為林火非關注區，識別的準確度達到94.59%。旱地、果園、草地、林地的識別準確度差異較大，旱地和果園的識別準確度分別為47.22%和40.61%，旱地誤差主要誤判為水田，占36.65%，果園誤差主要誤判為建筑用地和林地，分別占26.45%和23.95%，草地和林地的識別準確度分別為64.16%和79.96%，草地誤差主要誤判為林地，占32.69%，林地誤差主要誤判為旱地，占15.80%，四者作為林火關注區，識別的準確度達到86.01%。

林火遙感監測時出現的高溫干擾熱點來源于林火非關注區，結合地表分類信息，對監測高溫點進行二次識別，可以剔除林火非關注區的異常高溫點，提升林火監測的準確度。本文地表分類的方法對識別林火非關注區的準確度高達94.59%，能夠滿足林火遙感監測需要。

3 高溫熱點二次識別分析

3.1 利用林火關注區對監測熱點二次識別

將FY3-C/VIRR，FY3-D/MERSI及AQUA/MODIS監測熱點與提取的林火關注區分類數據進行疊加，剔除落在林火非關注區的熱點，從而提高監測準確度。由熱點分布(圖5)可見，FY-3監測熱點在空間上分布較均勻，MODIS監測熱點第一個集中區域在西部、中心城區，第二個集中區在東南部酉陽、秀山，在東部偏北區域及中部相對均勻分布。

二次識別后熱點分布統計見表5，統計了不同衛星監測熱點在2類林火監測分區中的數量及比例。

表5 監測高溫點在2類林火關注區內的熱點統計Tab.5 High temperature statistics in the twotypes of forest fire concern areas

從表5可見，FY3-C/VIRR，FY3-D/MERSI及AQUA/MODIS在林火非關注區的熱點分別為26.47%，11.76%和46.27%，其中AQUA/MODIS監測熱點剔除比例較高，在林火關注區的熱點占53.73%，FY3-C/VIRR和FY3-D/MERSI衛星監測熱點在林火關注區的占比較高，達70%以上。

圖6給出了進行二次識別后熱點分布。從圖6可見，經過二次識別后，FY3-C/VIRR和FY3-D/MERSI熱點主要分布在渝東北、渝東南及中部山區，在中心城區周邊及渝西地區分布較少； AQUA/MODIS監測熱點在中心城區及周邊減少明顯，經過二次識別后，AQUA/MODIS監測熱點在各地基本均勻分布，中心城區及西部熱點占總數的25.3%，渝東北和渝東南熱點分別占26.6%和31.2%。二次識別后,林火關注區內AQUA/MODIS監測熱點剩余1 160個，其中判識為林火中-高可信度的熱點有1 024個，占判別為林火總數的88.3%； FY3-C/VIRR判識為林火的25個熱點中，23個高可信度林火點，占93%； FY3-D/MERSI判識為林火的熱點有19個，6個高可信度林火點。

3.2 林火關注分區在業務中的驗證及應用

2021年5月1—2日，利用TERRA/MODIS和AQUA/MODIS數據與FY3-C/VIRR(FY3-D/MERSI數據出現故障)數據分別進行林火實時監測，TERRA/MODIS和AQUA/MODIS上下午2顆衛星共監測高溫熱點37個，FY3-C/VIRR共監測高溫熱點14個，見圖7。

利用林火關注區分區結果對監測熱點進行二次識別，MODIS衛星監測熱點判識為林火的共7個，排除非林火關注區熱點81.08%，見圖8，其中5月1日得到反饋，有一處為林火，位于酉陽土家族苗族自治縣酉酬鎮，其余判識為林火點的高溫點中，3個點反饋無林火，3個點無校驗反饋，其中江津區同一地點上午星TERRA/MODIS和下午星AQUA/MODIS均發現熱點，但沒有收到校驗反饋。二次識別后，5月2日FY3-C/VIRR監測的熱點判別為林火的點有4個，見圖8，沒有收到反饋，非林火關注區熱點排除率達71.4%。

4 結論與展望

NDVI及地形因素對地表分類具有一定的指示意義，將其用于提取復雜地形區域地表分類信息并具有一定的準確度，可將結果應用于特定場景，如用于林火遙感監測的二次識別，可有效降低復雜地形區域林火監測的干擾信息，提升衛星監測林火的準確度，同時降低熱點核實人力物力投入。盡管本文在地表分類及林火二次識別的應用場景中已經做了部分研究及示范，仍存在一些問題，主要包括以下幾點：

1)提升地表分類遙感數據的空間分辨率。較高分辨率的遙感數據反演的NDVI不僅能夠精細地刻畫地物NDVI的時間變化特征，也能更好地分辨出地物NDVI的空間差異，有利于區分破碎的地表覆蓋，提高地表分類的準確度。

2)增加輔助信息進行地表分類。可增加地物的光譜信息，結合智能識別方法進行分類，會提高分類精度。

3)增加核實數據對二次識別結果進行檢驗。應用遙感手段進行林火監測需對大量高溫熱點進行核實，在實施過程中存在監測與管理分離的現象，致使大部分監測熱點得不到核實，限制了對監測結果的檢驗。因此落實核實機制、收集核實結果及真實火情、開展二次識別前后的對比檢驗等工作，是提升遙感林火監測、檢驗工作的重要環節。