基于遙感信息的大興安嶺林火情勢及預警研究

田家昊

摘要：

森林火災對生態系統和資源安全構成了嚴重威脅。為了緩解這一危害，連續監測森林火災的時空信息至關重要。利用中低分辨率遙感衛星技術，可以實現全球范圍內對森林火災的持續監測。本文選取了大興安嶺地區，通過分析2001-2017年歷史林火的時空動態、空間分布和季節特征，嘗試建立完善的火災風險預警指標體系，以提高預測和防控能力。研究結果顯示，整合不同分辨率的遙感數據顯著提高火燒跡地產品準確性，特別是中小火斑的識別。然而，改進后的數據產品仍存在問題，主要表現為小火識別率未明顯改善和時間跨度較短。這些問題受森林火災傳播復雜性和衛星觀測不確定性因素影響，難度較大。因此，森林火災檢測仍然具有挑戰性，但及時發現對撲滅火勢至關重要。為解決問題，未來需提高遙感技術的精度和時空分辨率，更有效保護生態環境和資源安全。

關鍵詞：森林火災；遙感；風險預警；森林火災危險指數

引言

傳統監測森林火災的方法主要依賴于采集火燒跡地信息并進行統計分析。然而，傳統方法僅能獲取較小區域范圍內的火災信息，無法實現較大范圍的火災監測[1]。同時，傳統方法的數據需要經過復雜的獲取過程，而且最終的相關數據集無法滿足動態監測火災和可視化火災過程需求[2]。但遙感技術可以有效幫助解決這些問題，特別是在遙感數據時空分辨率不斷提高的背景下，基于遙感數據能夠更準確捕捉地表變化過程，有利于更全面、實時了解火災的動態情況[3]。

目前，國內外學者在林火早期預警研究中已經將多個因素，如氣象、地形地貌和植被狀況，分級處理，以建立與各級森林火險危險區相匹配的早期預警模型。劉琳[4]采用植被覆蓋類型、歸一化植被指數（Normalized Difference Vegetation Index，NDVI）以及溫度植被干旱指數（TVDI）這3種因子，建立重慶市森林火災監測預警火險綜合預報指數模型。賈旭[5]以各火險因子在短時間內是否發生變化為依據，在計算內蒙古火險區劃時，采用分級分析法單獨計算因子權重，將其與穩定因子分為兩大類。Cipriani等[6]通過火災結構指數（SFI）的疊加，對高程、坡向、坡度、用地類型、道路、建筑物等因素進行危險等級劃分，生成研究區森林火險圖，進而確定森林火險發生幾率最高的地區。

因此，本文以大興安嶺為研究區，選取該地區2001-2017年間的林火遺跡信息，并結合遙感數據對比分析歷史火燒跡地信息。本文分析了該區域歷史林火的年際動態變化、空間分布和季節特征。此外，還嘗試對森林火災風險預警因子進行衛星遙感數據提取，構建與之相適應的指標體系。

二、數據與方法

（一）研究區概況

本文以中國東北部的大興安嶺林為研究區。該研究區是中國境內的一片重要森林地區，覆蓋范圍從北緯43°到53°30′，東經從117°20′到127°之間，橫跨內蒙古自治區東北部和黑龍江省西北部，總面積約為32.72萬平方千米。總長約為1400千米，寬度大致在200千米左右，其海拔高度區間約為1100米至1400米。

大興安嶺林區一直以來都面臨著頻繁的森林火災威脅，這一地區的森林中可見許多帶有火燒跡象的活立木。由于受到干冷氣候和強風的影響，微小的火源很容易演變成大規模的森林火災。盡管自20世紀50年代以來，我國采取更為嚴格的火控政策，成功改善了當地的森林火情。與此同時，這一政策也引發了新的問題，其中之一便是可燃物的不斷積累，導致森林火險等級持續上升。自1987年后，我國進一步加大了對大興安嶺林區森林火災的治理力度，特別是從2014年起全面停止了國有林區的商業性采伐，這標志著森林火災在大興安嶺林區的生態擾動中占據主導地位。

（二）數據源

本文選擇了NASA的MCD64A1數據集的數據作為火燒跡地信息提取的數據基礎。MCD64A1系統是根據MODIS的火燒痕跡資料集合而成。該數據是一個月尺度的產品，具有500米的空間分辨率，記錄了區域森林火災發生過程的一些詳細信息。MODIS火點資料庫容易受自然因素干擾，然而通過人工過濾排除噪音、耀斑和云團的干擾，可以將成功的火點檢測率提高至接近100%。這一結果在之前的研究中已經得到驗證[7]。圖1為基于MCD64A1數據集繪制的全球年平均火焰蔓延范圍圖。由此可見，全國發生森林火災最嚴重的地區是大興安嶺及其周邊地區。因此，本文選取大興安嶺為研究地域。

圖1 2001年至2017年各地區平均火災蔓延范圍[8]

本文從國家森林與草原管理局獲得了大興安嶺2001-2017年林火發生次數與過火面積的統計數據（https：//www.forestry.gov.cn/）。其記錄了2001-2017年各月大興安嶺森林火災過火面積，有助于了解原始火燒跡地的火災識別效果及火災分布規律。

（三）森林火災風險預警指標體系的歸納

國內外研究成果表明，森林火災的發生主要與地表溫度、地表植被狀況、地形地貌、降水量、可燃物含水率等因素密切相關，森林火災的發生具有一定的危險性。本文選取NDVI，火災動態危險性指（Forest Fire Dynamic Danger Index，FDDI）、7波段的歸一化紅外指數（Normalized difference infrared index，NDII7）以及三個火災風險因子嘗試構建林火預警體系。NDVI是一種能反映植被綠度、光合作用強度的反映地表植被覆蓋信息的植被指數，現主要用于動態監測植被。其計算公式為：

NDVI=Rnir-RredRnir+Rred（1）

式中：Rnir和Rred是近紅外波段和紅光波段的地物反射率，經過大氣校正的MODIS影像數據。

覃先林[9]的研究工作已論證了NDVI7對可燃物的含水率反應比其他植被指數更為顯著的短波紅外波段與可燃物含水率呈現負相關關系。因此，以MODIS的兩個波段計算的NDVI7作為可燃物含水率指標之一，其公式如下：

NDVI7=ρ2-ρ7ρ2+ρ7（2）

式中：ρ2，ρ7分別為MODIS觀測數據中的波段數據。

FDDI是根據李曉戀[10]研究提出的可用于森林火災預警的森林火災動態危險指數，該指數的前提包括三方面。首先，可燃物含水率可預測發生森林火災的可能性。其次，草木覆蓋度可以作為輔助指標進行相應的參考，起到一定的效用。最后，燃物含水率的大小受地表溫度影響。其公式為：

FDDI=（1-NDII7）×（=T-TminTmax-Tmin）×（1-PV）（3）

式中：NDVI7為表示可燃物含水率的MODIS第七波段歸一化紅外線指數，T為地表溫度，PV為植被覆蓋而植被覆蓋，PV主要由NDVI估計。

PV=NDVI-NDVISNDVIV-NDVIS（4）

式中：NDVIV代表高植被覆蓋像元的NDVI，一般取值為0.9。NDVIS為裸土像元的NDVI值，常取0.15。

綜上，FDDI結果值大于發生森林火災的危險性；結果數值越小，林火危險性越小，李哲全[11]的這一研究成果已在廣東林火預警中得到應用，當地的林火預警模型是根據廣東當地的實測資料構建的。不過，針對大興安嶺林火警報，也針對反映大興安嶺地區積雪因素而引入額外因素一化差分積雪指數（NDSI）。它的計算公式是：

NDSI=ρG-ρSWIRρG+ρSWIR（5）

其中，ρSWIR表示短波紅外的表觀反射率，ρG表示綠波段的表觀反射率，NDSI根據相關標準并結合研究區域的實際情況分為四個等級。NDSI在0.4-1的范圍表示研究區域被積雪完全覆蓋，0.2-0.4的范圍表示研究區域被積雪覆蓋的程度更高。0-0.2區間表示該研究區域覆蓋有少量積雪，小于0表明該研究區域無積雪。相應的，積雪程度越高的區域火險風險便會相應減少。

三、大興安嶺林火情勢分析

（一）歷年林火分布

研究區內的歷史林火分布相當廣泛，尤其是在東北部地區，呈現出明顯的空間分布規律，即“東多西少，北多南少”。如圖2所示，在2003年至2006年期間，大興安嶺東北部地區發生了多次嚴重的森林火災。在接下來的幾年里，盡管林火得到了較好的控制，但仍然發生了一些小規模的林火事件。總體而言，研究區的林火干擾相對較低，單個火災的規模也相對較小。然而，自2006年以來，東南部地區經歷了多次林火事件。在中部地區，盡管在2003年發生了一次嚴重的森林火災，但在其他時間段也有一些小規模的火災，它們分布相對分散。

圖2 基于MCD64A1繪制的2001—2017年全國及大興安嶺地區火災分布圖[12]

這一地區的林火分布情況不僅反映了自然因素的影響，如氣象條件和地理特點，還受到人類活動的影響，如森林管理和火源控制措施的實施情況。因此，對于不同地區的林火風險評估和防控策略的制定，需要綜合考慮這些因素，以保護森林資源和生態環境的安全。

（二）年際間變化趨勢

圖3展示了研究區在2001年至2017年之間的森林火災歷年面積的波動，如所示。在這個研究期間，大興安

圖3 歷年林火面積折線圖

嶺地區總共發生了144.27萬公頃的林火。從歷年來發生森林火災的地區曲線波動情況看，2003年和2004年發生在研究區的森林火災均較大規模，兩年共發生87.3萬公頃。2005年的火災得到有效控制，但2006年再次發生較大波動，此后每年都在下降。自2012年以后，單年的過火面積基本保持在1萬公頃以下。

（三）季節性特征

圖4展示了研究期間內歷史林火的發生時間分布。從圖中可以明確大興安嶺地區具有明顯的季節性特征，主要集中在春季和秋季兩個季節。這有助于確定最易引發林火的火險期，從而提取采取預警措施。

具體而言，春季前后的火險期相對較長，林火主要發生在4月和5月。其中這兩個月份的過火面積分別占全年總過火面積的14%和24%。在秋季，林火通常在10月達到高峰，成為全年林火發生頻率最高的月份，占比約為44%。因此，這一時段被認為是全年最危險的火險期。此外，在其他六個月的時間里，林火干擾相對較小，約占全年的4%-5%之間。

這些季節性特征對于制定針對性的火災預防和應對策略至關重要。春季和秋季是需要特別警惕的時段，因為這兩個季節的火險性較高，而在其他時段則相對較低。因此，在火險期內采取更嚴格的火源控制和監測措施，以及增強公眾的火災防范意識，對于減少林火的風險和損失具有重要意義。

圖4 各月林火面積占比

四、討論

傳統的森林防火預警方法通常依賴地面氣象站點的監測數據，然而這些數據在距離站點較遠或較近時都存在一定的限制，因為其準確性與站點位置有關。這種方法基于點數據，需要進行空間插值，因此可能產生不同的插值結果，降低了其普適性。相比之下，運用遙感數據進行實時森林火災風險分析和預警則能更有效幫助林業管理部門預防火災。這種方法使得防火預警更具操作性和準確性。使用MODIS數據得到的最終預警圖為1km分辨率，會影響預警精確度，對于可能預警效果不佳的小面積森林火災而言。因此，在后續的研究中，為了提高風險預警的準確性，可以結合利用空間分辨率較高的圖像來進行早期的林火預警研究。

基于遙感影像建立的預警模型可實現實時森林火災風險預警，為防火工作提供了實時指導。同時，預警模型能夠克服以往僅考慮地形因素的森林火災危險指數模型的局限性，綜合考慮了多種人為因素和自然因素，在森林火災預測和預警方面可以表現出更多優勢。然而，預警模型對森林火災危害的要求相對較高。未來的研究方向包括建立更為完善的衛星遙感森林火險預警模型，以提高預警精度。此外，還可以進一步研究人為活動、風速風向等預警因子的遙感提取方法，以確保森林火險風險預警的及時性，并合理規劃森林防火工作，以降低潛在損失。

結語

本文以大興安嶺地區為研究區，基于多源遙感數據集提取并統計2001-2017年期間發生的林火相關信息，從時空角度明確研究區歷史林火的特征。研究發現，由于缺乏充分的基礎實驗數據，目前在中國關于區域林火情勢的研究仍然存在不足之處。為填補這一研究領域的空白，較多學者采用了一系列指標，包括TVDI、NDVI、NDII7以及根據歷史森林火災數據擬合的FDDI。這些指標能夠反映森林火災發生的概率。從林火分布特點上看，歷史林火在研究區分布較廣，影響最嚴重的是東北部地區，呈“東多西少、北多南少”的分布規律。東北部在2003年至2006年期間經歷了多次重大的森林火災，造成了嚴重的森林資源損失。東南部雖然受干擾較輕，但自2006年以后也發生了多次林火。中部地區主要有小規模林火分散分布。在年際間變化趨勢方面，從2001年到2017年的統計數據中可以看出，大興安嶺地區的年際林火面積呈現波動趨勢。2003和2004年是火災最嚴重的兩年，總過火面積達到87.3萬公頃。之后，林火得到一定程度的控制，尤其是自2012年以后，單年過火面積基本維持在1萬公頃以下。從季節特征上看，林火呈明顯的季節特征，主要發生在春季和秋季，其中秋季的火險期最為突出，主要在10月，占全年總過火面積的44%。春季前后的火險期跨度較大，分別在4月和5月，分別占全年總過火面積的14%和24%。其余月份則相對少發林火，總體來說比例偏低。考慮到復雜多變的森林環境，以及森林火災的突發性和危害性，本文總結的森林火災檢測方法仍存在適應各種現實森林環境檢測要求的挑戰。因此，還需要在未來進行改進。一方面，本文的數據集都是從MODIS數據庫和一些論文中搜集整理的。但現實中的森林火災場景復雜多變，干擾因素較多，本文所收集到的數據集仍然較少，后期還可擴展數據集，以便在更深層次上做更多的審視。另一方面，本文僅使用了二維屬性的衛星觀測數據，未將高程、坡度、坡向等因素納入考量，后期可增加實地觀測數據，將研究區地理情況納入體系構建。

參考文獻

[1]

安森鵬，高振嶺，王磊．林火對森林生態系統的影響［J］．科技信息，2013（06）：90-91.

[2]楊偉，張樹文，姜曉麗．基于MODIS時序數據的黑龍江流域火燒字地提取[J].生態學報.2015（17）：5866-5873.

[3]Mouillot F.，Schultz M.G.，Yue C．Ten years of global burned area products from space borne remote sensing review： analysis of user needs and recommendations for future developments[J].International Journal of Applied Earth Observations and Geoinformation，2014，26：64-79.

[4]劉琳.基于MODIS數據的重慶市森林火災監測與預警研究[D].重慶師范大學，2014.

[5]賈旭.基于遙感數據的內蒙古火災時空分異特征與風險評估研究[D].內蒙古農業大學，2018.

[6]Ciprianihn，Pereirajaa，Silvara，et al.Fire risk map for the SerradeSo Domingos Municipal park，Poosdecaldas，MG[J].Cerne，2011，17（01）：77-83.

[7]周小成，汪小欽．EOS－MODIS數據林火識別算法的驗證和改進[J].遙感技術與應用.2006，21（03）：206-211.

[8]Tomàs Artés.A global wild fire data set for the analysis of fire regimes and fire behaviour[J].Scientific Data，2019.

[9]覃先林.遙感與地理信息系統技術相結合的林火預警方法的研究[D].中國林業科學研究院，2005.

[10]李曉戀.基于MODIS數據的多因子協同作用下森林火災預測監測研究[D].中國科學技術大學，2016.

[11]李哲全.基于衛星遙感的森林火災風險預警研究[D].中南林業科技大學，2021.

[12]喬澤宇.2001—2017年我國森林火災時空分布特征[N].山東科技大學，2020.