塔里木河下游植被非生長季火災風險等級遙感評估

金慶日，艾力克木·司拉音，夏依旦·吾買爾江，郭增坤，阿布都米吉提·阿布力克木，艾里西爾·庫爾班*

(1.新疆維吾爾自治區塔里木河流域干流管理局，新疆庫爾勒 841000；2.新疆維吾爾自治區塔里木河流域希尼爾水庫管理局，新疆庫爾勒 841000；3.中國科學院新疆生態與地理研究所，新疆烏魯木齊 830011；4.中國科學院大學，北京 100049)

植被作為生態系統的重要組成部分，在干旱區非生長季節易發生火災，火災對于植被的干擾顯而易見[1]。近些年由于氣候的變化以及社會經濟的快速發展，火災在各地區頻繁發生[2]，如澳大利亞草原的大火[3]，美國洛杉磯的森林大火[4]以及蒙古國頻發的草原火災[5]，嚴重影響著當地社會的發展及居民的安全。火災的發生不僅對各地區的社會經濟造成嚴重危害，且對當地的土地資源及生態造成破壞[6-8]。因此，對火災風險等級進行研究，有助于減少火災發生的頻率，提高發生火災時的救援效率，并降低火災導致的損失。

隨著遙感技術的發展，火災監測與評估技術也得到了長足發展。Bian等[9]相關學者，利用GIS和RS技術構建了呼倫貝爾草原的火災風險評估模型。楊曉穎等[10]根據蒙古高原草原的特點及成災機理，制作得到蒙古高原草原火災風險分布圖。張繼權等[11]采用加權綜合評價結合層次分析法對吉林省西部的草原火災風險程度進行定量評價。然而，目前的研究較少考慮季節性，自然環境下的火災大多發生在植被的非生長季，但是對于非生長季的火災風險等級評估需要進行更進一步探究。在塔里木河下游，由于其特殊環境造就的植被類型極易發生火災，然而針對該區域的火災評估方法研究相關文獻和案例相對較少。

筆者選取的塔里木河下游地區，自生態輸水工程實施以來，截至2020年，累計輸送生態水量達84.45×108m3，植被長勢明顯轉好，面積也得到擴大，其中以蘆葦為主的草本植物空間分布和生長狀況變化突出[12-13]。筆者利用Sentinel-2A數據，計算非生長季的干枯燃料指數和燃燒指數，分析其相關性，利用火災發生地的指數值進行地面驗證，結合指數直方圖建立火災風險等級標準，并對塔里木河下游地區非生長季火災風險等級進行分類，最終獲得研究區域的火災風險等級圖，以期為當地政府部門應對火災提供科學決策依據。

1 資料與方法

1.1 研究區概況研究區位于塔里木河下游，在塔克拉瑪干沙漠和庫魯克塔格沙漠之間[14](圖1)，范圍為大西海子水庫至臺特瑪湖的狹長綠色走廊(87°35′～88°40′ E，39°20′～40°45′ N)。其中，大西海子水庫至阿拉干河段屬于雙河道，植被覆蓋度高；阿拉干至臺特瑪湖河段屬于單河道，植被覆蓋度低。研究區年降雨量處于17.4～42.0 mm，潛在蒸發量高達2 500～3 000 mm，是全國最干旱的區域之一[15]。該地植被水分補給主要依靠河流上游來水，植被大多生長在河漫灘及兩岸的低階區域，形成由喬、灌、草組成的干旱區河岸林植被。喬木主要有胡楊(Populuseuphratica)、沙棗(Elaeagnusangustifolia)；灌木主要有多枝檉柳(Tamarixramosissima)、黑刺(Hippophaeneurocarpa)、鈴鐺刺(Halimodendronhalodendron)；草本植物主要有蘆葦(Phragmitesaustralis)、駱駝刺(Alhagisparsifolia)、羅布麻(Apocynumvenetum)、花花柴(Kareliniacaspia)、脹果甘草(Glycyrrhizainflata)等[16]。

圖1 研究區位置Fig.1 The location of study areas

1.2 遙感數據獲取及預處理采用的Sentinel-2A數據來自歐洲“哥白尼計劃”中Sentinel-2系列的光學遙感衛星(https：//scihub.copernicus.eu/)，該衛星攜載的多光譜成像儀(MSI)具有13個光譜波段，其中3個紅邊波段對于觀測植被生長更具有優勢[17](表1)。筆者選取火災發生時間(2021年2月6日)前后影像質量較好的時段，分別為2021年2月4日和2月19日，軌道序號分別為N0209_R119_T45SWD、N0209_R119_T45SXD和N0209_R119_T45TWE、N0209_R119_T45TXE。該數據已完成輻射定標與幾何校正，在SNAP軟件中使用Sen2Cor插件進行大氣校正，然后利用QGIS軟件將數據重采樣至10 m，鑲嵌并裁剪出研究區的范圍。最后，利用改進歸一化差異水體指數(MNDWI)[18]結合閾值法將研究區內的水體進行掩摸。

表1 Sentinel-2A傳感器波段信息Table 1 Bands information of Sentinel-2A sensor

1.3 DFI指數Cao等[19]根據干枯植被的光譜特征，提出應用于多光譜數據的干枯燃料指數(dead fuel index，DFI)，驗證了DFI指數估算干枯植被的潛力；并將DFI指數應用于亞洲草原地區火災風險敏感性模型，證實了該指數對于干枯植被的估算潛力。在非生長季，大量綠色植被轉變為干枯植被，因此使用DFI指數可以很好地表征干枯植被，這在塔里木河下游的研究區已經得到驗證[20]。該指數公式為

(1)

式中，RED、NIR、SWIR1和SWIR2分別對應紅色、近紅外、短波紅外1和短波紅外2的波段反射率，對應Sentinel-2A數據的第4、8、11和12波段。為了擴大DFI值的差異性，DFI擴大了100倍。此外，需要去除水體及云對該指數的影響，以免產生異常值影響分析結果[21]。

1.4 燃燒指數對于燃燒指數的研究，與其他光譜指數(如NDVI)相同，選擇對火災比較敏感的波段，通過波段間的組合運算反演得到圖像上的指數。通過分析燃燒指數圖像，可以獲取火災區域、火災燃燒程度等信息。該研究選取歸一化燃燒指數(normalized burn ratio，NBR)和燃燒面積指數(burn area index，BAI)來對研究區的過火區域進行監測[22-23]，公式為

(2)

(3)

式中，RED、NIR和SWIR分別為紅色、近紅外和短波紅外的反射率，對應Sentinel-2A數據的第4、8和11波段，中心波長分別為665、842和1 610 nm。BAI對于過火區域有較好的區分能力，對于過火和未過火區域，其數值均大于0；未過火區域的取值較小，過火區域的取值較大，且焚燒程度越嚴重，取值越大。相關研究表明，BAI相對于NDVI、SAVI和GEMI等植被指數，對于過火區域的探測更為敏感和準確[24]。NBR取值范圍為[-1，1]，過火區域一般為負值，未過火區域一般為正值。

2 結果與分析

2.1 過火區域影像使用2021年2月4日和19日火災發生前后的Sentinel-2A影像，通過目視解譯方式對起火位置進行選擇(圖2)。為提取出過火范圍，利用ENVI 5.3軟件中的“Band Math”進行波段計算，得到2個時期的NBR和BAI圖像。采用閾值分割的方法對著火區域和未著火區域進行劃分，進而將各指數分為2類。對于過火區域來說，NBR圖像的數值大于0，且BAI圖像的數值較高，根據2個指數對于過火區域具有較強的區分能力，提取出過火區域。

注：a為過火前，b為過火后，紅色圓圈為火災發生區域。Note:a is before the fire,b is after the fire, and the red circle is the fire area.圖2 火災前后Sentinel-2A影像對比Fig.2 Sentinel-2A image before and after fire

為便于展示，利用Sentinel-2A假彩色合成結合對比NBR和BAI指數來確定過火面積(圖3)。近紅外波段對植被較為敏感，過火區域經過火燒，植被基本消失，過火區域明顯不同于未過火的區域，因此用假彩色合成進行顯示，采用Sentinel-2A影像中的近紅外波段、紅波段和綠波段進行組合，在合成圖中深色區域為過火區域。對遙感影像進行波段運算，如圖3b、3c所示，對于BAI來說，過火區域的BAI數值較大，高于周圍為發生火災的區域，具有明顯的差異性。而從反演得到的NBR可以看出，過火區域的NBR數值較小，在圖像中顯示為較暗的區域。通過對比NBR和BAI指數，NBR所顯示的過火范圍大于BAI顯示的過火范圍。利用閾值法分別對NBR和BAI指數圖像進行過火與非過火區域劃分，取2個指數得到過火范圍的交集，從而得到此次火災發生的范圍，統計得到過火面積為156 031 m2。

注：a.假彩色合成顯示；b.NBR指數顯示；c.BAI指數顯示。Note：a.Pseudo color composite display；b.NBR index display；c.BAI index display.圖3 2021年2月19日過火地區影像Fig.3 Image of fire area on February 19，2021

2.2 DFI與燃燒指數相關性分析通過前面的分析，已確定火災發生范圍，在此基礎上選取并統計過火范圍內的DFI指數和燃燒指數(BAI和NBR)。考慮到火災發生后，過火區域的干枯植被已被燃燒，故無法得到準確的DFI數值，因此通過火災發生前(2月4日)影像反演得到DFI指數。在該假設火災發生前后(2月4日和2月19日)研究區植被變化差異不大，故在像元尺度上構建過火區域的DFI和BAI、NBR關系。

統計過火區域每個像元的DFI、BAI和NBR指數，并對DFI和BAI、DFI和NBR進行相關性分析(圖4)。在P<0.05水平下，DFI與BAI的R為0.51，DFI與NBR的R為0.53，說明DFI與燃燒指數存在一定線性關系，DFI值高的地方，BAI和NBR數值也相對較高。因此，利用DFI預估火災的風險等級具有一定的可行性。

2.3 火災風險等級評估為估算火災發生的風險等級，該研究利用表征非光合植被的DFI指數，進行火災風險等級劃分，根據過火范圍得到對應的DFI圖像。利用ENVI中的統計工具，獲得像元值的分布直方圖，據此對過火區域的DFI進行密度分割，設置為4個區域：DFI<7，為無風險；DFI為7～<13，為低風險；DFI為13～<18，為中風險；DFI≥18，為高風險。由此得到塔里木河下游(大西海子水庫至臺特瑪湖)火災風險等級圖(圖5)。

該研究發現，在非生長季時期，火災風險較高的地區均為植被生長較為茂密的區域，這些區域干物質比例極高，發生火災風險較大，火災等級較高，其主要區域分布在大西海子水庫至阿克東段，英蘇附近，以及其文庫勒濕地、博孜庫勒、庫爾干至臺特瑪湖等。

圖5 火災風險等級Fig.5 Fire risk level

3 結論與展望

該研究以塔里木河下游為研究區域，基于Sentinel-2A影像數據，對火災區域的位置進行了確定及面積統計，通過分析DFI與燃燒指數的相關性，對非生長季研究區火災風險等級進行了評估，得到以下結論：

(1)基于Sentinel-2影像數據反演得到的燃燒指數(BAI和NBR)可以較為準確地識別過火區域的位置。

(2)選取DFI作為非生長季時期植被的表征指數，通過分析其與2種燃燒指數的相關性，與BAI的R為0.51，與NBR的R為0.53。說明DFI與BAI和NBR存在一定的相關性。

(3)通過對研究區火災風險等級分析發現，火災風險等級較高的區域主要分布在大西海子水庫至阿克東段、英蘇附近、其文庫勒濕地、博孜庫勒及庫爾干至臺特瑪湖。

該研究仍存在進一步改進的空間。首先，參考的火災情況只有一次，過火面積相對較小，缺少分散性的樣本，因此，對火災范圍內的像元作為信息單元進行統計分析，以提高樣本量；在充分掌握歷史火情信息的基礎上，關注今后火災發生情況，及時掌握地面數據，以進一步探索提高該方法的精度和可靠性。其次，該研究僅采用遙感數據及光譜指數計算方法，未能采集到火災發生地的適時地面光譜測量數據和燃燒物樣本，且只采用了一個衛星遙感平臺的單一遙感器的數據，因此仍難以滿足及時掌握火災情景和發展趨勢的需求，今后需要進一步開展基于多平臺(衛星+無人機+觀測塔)-多傳感器的高空間分辨率、高時間分辨率和高光譜分辨率的遙感數據相結合的高頻率遙感數據進行實時-準實時監測與評估系統的研究。