基于Landsat時間序列數據的火燒跡地識別與恢復效果評價

摘 要：為研究大興安嶺地區火燒跡地識別和火后植被恢復狀況，基于2006—2020年Landsat TM遙感影像，利用Google Earth Engine編寫代碼，以2006年大興安嶺地區松嶺區那源林場森林火災為研究背景，以差分歸一化燃燒指數（dNBR）為基礎數據進行火燒跡地識別，并對火燒烈度進行輕度、中度、重度和極重的等級劃分；基于火燒跡地的增強型植被指數（EVI）值，采用一元線性回歸分析、用于氣候診斷與預測的Mann-Kendall突變檢驗法和用于做趨勢分析的Theil-Sen median趨勢分析等方法分析火燒跡地2006—2020年的植被恢復特征，探究大興安嶺地區火燒跡地植被恢復進程。結果表明，1）基于dNBR得到研究區過火面積為2 488.7 hm2，其中輕度、中度、重度和極重火燒跡地面積占比分別為23.5%、9.6%、35.2%和31.7%，重度和極重過火區分布于火燒跡地西部和東部，過火強度從中部向南部和北部逐漸降低，其EVI值與火燒前相比分別下降了約30%、40%、58%和67%；2）不同烈度林地火燒跡地EVI恢復速率由大到小表現為極重、重度、中度、輕度，植被恢復過程中，跡地EVI值逐漸增加，其中，輕度和中度火燒跡地可在火后6～8 a恢復，而重度火燒跡地的恢復則需14 a；3）火燒跡地恢復過程中，林地EVI突變點較灌草地少，說明森林生態系統較灌草地穩定性強。不同烈度林地火燒跡地的突變情況也存在一定差異，且對照區的突變時間點滯后于火燒跡地。

關鍵詞：大興安嶺； 遙感； 谷歌地球引擎； 火燒跡地； 增強型植被指數

中圖分類號：S754 文獻標識碼：A DOI：10.7525/j.issn.1006-8023.2024.05.002

Evaluation of Recognition and Restoration Effect of Burned Areas Based on Landsat Time Series Data

Abstract： To study the identification of burned areas and post fire vegetation restoration in the Daxing'an Mountains region， based on Landsat TM remote sensing images from 2006 to 2020， Google Earth Engine was used to write code. The research background was the 2006 forest fire in the Nayuan Forest Farm in the Songling District of the Daxing'an Mountains region. The differential normalized burned ratio （dNBR） data was used to identify the burned areas， and the severity was classified into mild， moderate， severe， and extremely severe levels. Based on the Enhanced Vegetation Index （EVI） values of burned areas， methods such as univariate linear regression analysis， Mann-Kendall mutation test for climate diagnosis and Theil-Sen media trend analysis for treud analysis were used to analyze the vegetation restoration characteristics of burned areas from 2006 to 2020， and to explore the process of vegetation restoration in the Daxing'an Mountains region. The results showed that， 1）Based on dNBR， the burned areas in the study area was 2 488.7 hm2， with 23.5%， 9.6%， 35.2%， and 31.7% of the areas affected by mild， moderate， severe， and extremely severe fires， respectively. Severe and extremely severe areas of excessive fire were distributed in the western and eastern parts of the burned area， and the severity of excessive fire gradually decreased from the central to the southern and northern parts. The EVI values decreased by about 30%， 40%， 58%， and 67% compared to before the fire， respectively. 2）The recovery rate of EVI in forest burned areas with different intensities showed extremely severe， severe， moderate， mild. During the vegetation restoration process， the EVI value of the burned areas gradually increased. Mild and moderate burned areas can recover 6-8 years after the fire， while the recovery of severely burned areas required 14 years. 3）During the restoration process of burned areas， there were fewer EVI mutation points in forested areas compared to grasslands， indicating stronger stability of forest ecosystems compared to irrigated grasslands. There were also certain differences in the mutation situation of forest burning sites with different intensities， and the mutation time point in the control area lagged behind the burning sites.

Keywords： Daxing'an Mountains； remote sensing； Google Earth Engine； burned areas； enhanced vegetation index

0 引言

森林火災是最為嚴重的自然災害之一，蔓延速度快，通常會造成植被生態系統的嚴重損毀，對人類生存環境和生物多樣性的維系造成重大影響［1］。森林火災屬于重大自然災害［2］，21世紀以來，受全球氣候變暖的影響，森林火災次數增多。全世界每年發生火災約20萬次，過火面積3.5～4.5億km2［3］。發生森林火災時，由于燃燒消耗大量氧氣并釋放大量二氧化碳及部分有毒氣體，會對附近居民造成傷害甚至死亡威脅，同時森林火災的發生也會帶來大量的經濟損失，如房屋重建、鐵路道路維護等。量化林火后的植被損失、恢復特征對森林生態系統有著重要的意義，遙感技術在追蹤植被響應與恢復中應用廣泛［4］。隨著大量中高分辨率衛星遙感數據的免費開放，為遙感技術的應用提供了可靠的數據支持，研究者可使用不同的衛星數據進行時間序列森林變化分析研究，包括我國高分系列光學衛星、歐洲Sentinel系列和美國Landsat系列數據［5］。中高分辨率衛星對地觀測數據已經廣泛應用于土地測量、國土資源、農業、林業和環境保護等多個方面，因此，使用遙感技術用于展開火燒跡地識別與火后植被恢復研究意義重大。

自20世紀80年代以來，學者們為了研究森林火災強度，利用遙感方法專注于監督分類。Hall等［6］對美國阿拉斯加西北部發生的森林火災進行了森林火災強度分析，通過研究輕度、中度和重度過度燃燒區圖像反射率的變化，指出影響森林火災強度包括火災前的植被條件和地形，特別是位于高海拔和相對干燥的地區，這些地區更容易發生嚴重火災。王正非等［7］提出了利用地震學的強度概念作為火災強度指數的衡量標準，并將森林存量作為森林生態系統的狀態指數，討論了森林火災對生態系統的影響。火災強度是一個直接影響森林生態平衡的干擾因素。輕度火災可以防止更嚴重的火災，還可以減少病蟲害，增加土壤養分，有利于減少森林中可燃物質的積累量。陳本清等［8］基于火后TM影像，使用適合的波段來進行監督分類并選取PCA變換后的第三主成分分量，采用IHS變換法和濾波閾值法提取火災信息。解伏菊等［9］對Landsat TM遙感圖像進行圖像分類，并與森林景觀分布圖、1987年火災分布圖及歸一化植被指數值進行疊加分析，進而從大尺度上研究火燒跡地的森林景觀分布、林火烈度及火燒跡地內森林功能的恢復。宮阿都等［10］通過計算差分歸一化燃燒比（dNBR），參考過火后的遙感影像，設定dNBR閾值，得到大興安嶺過火范圍及燃燒指數數據，并制作1987年大興安嶺森林火災對陸地植被影響數據集。在林火研究和植被恢復領域，因其涉及范圍面積大、統計量大等特點，遙感技術的優勢十分契合該領域的研究，其中植被指數被廣泛研究應用，被應用最多的是歸一化植被指數（NDVI），但其易受裸地、大氣條件影響，對溫度和降雨都有滯后效應［11］。基于NDVI的研究基礎，增強型植被指數（EVI）改進了可能由于大氣或者植被生長地表所造成的誤差，因此本研究使用EVI指數作為火后植被恢復狀況的依據。

大興安嶺地區森林資源豐富，海拔較高，氣候相對干燥，是森林火災易發、多發區域。本研究擬以大興安嶺地區松嶺區那源530高地為研究對象，依據該地區森林大火前后的Landsat TM數據，利用 EVI指數分析火后植被的恢復進程和特征，以期為火后植被的恢復和經營提供一定的數據支撐。

1 研究區與方法

1.1 研究區概況

松嶺區位于大興安嶺林區南緣，伊勒呼里山東南坡，嫩江上游左岸（50°09′～51o23′N，123°29′～125°50′E），如圖1所示。東與呼瑪、嫩江兩縣相望，北以伊勒呼里山與新林林業局為界，西與內蒙古自治區為鄰，南與加格達奇林業局接壤，松嶺區屬寒溫帶大陸性季風氣候區，冬季極寒期長，夏季炎熱期短，春季到達緩慢，秋季降溫迅速。年平均氣溫-3 ℃，極端最高氣溫30 ℃，極端最低氣溫-48 ℃，年平均降水量600 mm，多集中在7月和8月，占年降水量的48.9%；全年無霜期為100～110 d；植物生長期為90～100 d。每年春秋兩季都有多股強風，主要風向為西北風。因為大興安嶺地區地形和氣候的差異，形成的物種分布狀態也是不同的，其中，最具代表性的分布是興安落葉松（Larix gmelinii）林、白樺（Betula platyphylla）林等喬木林，以及杜鵑（Rhododendron simsii）、越桔（Vaccinium vitis）、杜香（Ledum palustre）等灌木。起火地點位于大興安嶺松嶺區那源林場。發現時間為2006年5月24日，撲滅時間為2006年5月25日，過火面積總計達2 488.7 hm2。

1.2 數據收集

利用谷歌地球引擎（Google Earth Engine）導入研究區域邊界的矢量數據，調用遙感影像數據集，設置提取時間、云掩膜參數。根據研究區域氣候特征及植被生長條件，本研究以自2005年以來，每年 5—8月覆蓋研究區的Landsat TM影像用于裁剪并合成年際影像，見表1。

1.3 數據處理與分析

1.3.1 地類劃分

根據《土地利用現狀分類（GB/T 21010—2017）》［12］，依據2005年Landsat影像和該地區二類調查數據，通過目視解譯將研究區地類劃分為林地、灌草地和其他3種類型，其中林地細分為針葉林、闊葉林和針闊混交林。

1.3.2 火燒跡地提取與烈度分級

依據火燒前后2005年和2006年2期Landsat TM數據，通過計算差分歸一化燃燒指數（dNBR，式中記為dNBR），得到dNBR值用于提取森林火災事件的過火范圍以及火燒強度信息。具體公式為

式中：NBRpre、NBRpost分別代表火前、火后影像的歸一化燃燒比（NBR）值；ρ4、ρ7分別是TM第4波段近紅外波段、第7波段中紅外波段，通過設定閾值提取過火區域，并對火燒區域進行輕、中、重烈度分級。

1.3.3 選用EVI指數分析火燒跡地植被特征

利用Landsat5的第1、3、4波段和Lansat8的第2、4、5波段計算得到研究區的增強型植被指數（EVI，式中記為EVI）數據，其計算公式為

式中：ρnir、ρred、ρblue分別為Landsat5、Landsat8數據的近紅外、紅光和藍光波段反射率，該植被指數可免受火燒跡地裸露土壤的干擾以及減除對溫度、降水等的滯后效應。

基于EVI指數的時序變化特征表示火后植被恢復狀況，采用一元線性回歸法、用于氣候診斷與預測的Mann Kendall突變檢驗法與用于做勢趨分析的Theil-Sen median趨勢分析法分析研究區火后植被恢復的時間變化特征［13-16］。

一元線性回歸，表達式為

式中：y為樣點擬合的因變量估計值；x為自變量；a為回歸系數；b為常量。

Mann-Kendall趨勢檢驗的過程，其公式為

式中：sign為符號函數；n為集合長度；EVI（EVI1，…，EVIn）為時序數據集合；對于所有k，i≤n，且k≠i；S為 檢驗的服從正態分布統計量；Z為檢驗的標準正態分布統計量；Var（s）為方差。在α顯著性水平下，當Z>0，則變化趨勢上升，若Z<0，則變化趨勢為下降。若|Z|>U1-α/2（置信區間的函數）時，則時間序列在α水平上變化趨勢顯著。

Mann-Kendall突變檢驗的過程（UF為正時間序列突變檢驗統計量，式中記為UF；UB為逆時間序列突變檢驗統計量，式中記為UB），其公式為

式中：E（S）為平均值；若|UF|>Uα，則表明序列有顯著的趨勢變化，再根據時間序列的逆序，按式（9）和式（10）求出UB統計量。若UF統計量和UB統計量兩曲線相交出現交點，且兩交線交點在2條臨界線范圍內，則交點為突變點。

Theil-Sen median趨勢分析可以表示EVI在單位時間內的變化量，并把EVI的變化趨勢量化，其公式為

式中：1<i<j<n；Median（）為中位數；β為斜率，若β>0，則EVI時間序列呈上升趨勢，否則為下降趨勢。

2 結果與分析

2.1 地類劃分

依據2005年Landsat影像和該地區二類調查 數據，通過目視解譯將研究區地類劃分為林地、 灌草地和其他3種類型，其中林地細分為針葉林、 闊葉林和針闊混交林。經統計，研究區針葉林、 闊葉林、針闊混、灌草地的面積分別為326.2、685.1、1 452.9、24.5 hm2，占比分別為13.1%、27.5%、58.4%、1.0%。

2.2 火燒跡地提取

根據Femande-Manso等［17］對火燒烈度的分級標準，確定dNBR指數的閾值范圍，將林火烈度分為4個等級：輕度火燒（0.3～0.4）、中度火燒（0.4～0.6）、重度火燒（0.6～0.8）、極重火燒（0.8以上），分級結果如圖2所示。

2006年研究區火燒跡地面積共計2 488.7 hm2，重度過火區域面積為875.13 hm2，占比最大（35.16%）；其次，極重過火區域面積為788.94 hm2，占比第二（31.70%）；輕度過火區域面積為586.04 hm2，占比第三（23.55%）；中度過火區域面積為238.60 hm2，占比最小（9.59%），見表2。從空間分布看，重度和極重過火區域分布于火燒跡地的中心，由中心向外，過火強度逐漸降低，輕度過火區域多分布于四周的非森林區域，受林火影響較小。

誤差混淆矩陣驗證結果表明，本研究分類精度滿足要求，見表3。輕度的制圖和用戶精度均在97%以上，其特征最明顯；重度和極重的特征次之，除小部分會與中度斑塊混淆外，易與輕度區域區分，制圖與用戶精度均在92%以上；中度區域會與部分輕度或重度區域相似，中度區域特征最不明顯，易與輕度斑塊和重度斑塊混淆，中度的制圖和用戶精度均在80%～90%。

2.3 EVI時空變化特征

2.3.1 EVI空間變化分析

2006—2020年EVI變化如圖3所示，由圖3可以得出，2006年受森林火災影響，研究區東北部EVI值變化程度最大，其次是西北部，南部相對變化較小。EVI值較低多在0.08～0.2，少部分EVI值超過0.2，可見森林火災對植被的巨大影響：2006年之后，植被開始恢復，2008—2012年，整體EVI增值幅度較大，北部變化程度最大，到2012年僅有少部分地區EVI值低于0.3，其余均在0.3～0.7，即植被生長狀況中等；2014—2018年，整體EVI值增加幅度減緩，植被恢復良好，此時EVI值多處于0.4～0.8；到2020年，研究區域植被的EVI值處在0.4～0.8，且以0.4～0.6居多。

2.3.2 EVI時間變化分析

根據不同火燒烈度計算各區域EVI均值，如圖4所示。經統計，在林火發生前各區域EVI值大致相同，差別不大。林火發生后，2006年各區域的EVI值分別為0.21、0.15、0.1和0.07，火燒跡地的EVI值明顯大幅度減少，此外輕度，中度，重度和極重隨著火燒烈度的強度越高，該區域EVI值下降越明顯。之后，火燒跡地的EVI值逐漸提高，彼此之間差異進一步縮小；對不同火燒烈度的EVI變化曲線進行線性擬合，由表4可知，各區域EVI增加速率由大到小為：極重、重度、中度、輕度。2010年左右，火燒跡地EVI均值上升至0.4，2010—2016年，輕度、中度、重度、極重火燒跡地的EVI值均持續增加；2016—2020年，各區域的EVI值出現輕微波動，但基本呈增加趨勢，其中，極重區域變化最明顯，由0.54增加至0.63。2012—2013年、2015—2017年各區域的EVI值均有所下降，但下降程度不同，火燒跡地EVI值變化程度隨火烈度增加而逐漸增強。說明火燒跡地生態系統較脆弱，受環境影響更明顯。在2006—2020年，EVI值的由大到小始終為：輕度、中度、重度、極重。

2.3.3 EVI趨勢分析

由表5可知，重度和中度林地火燒區的EVI呈極顯著增加趨勢，輕度林地火燒區呈顯著增加趨勢，且植被恢復的效果由大到小為：極重、重度、中度、輕度。灌草地、林地對照區的EVI增加趨勢不顯著。在林地輕度火燒區，燒毀樹木較少，而林下灌木和荒草等地被層被燃盡，使種子與土壤接觸的機會變大，因此輕度和中度過火區域內的森林恢復良好，輕度和中度火燒跡地在火后6～8 a恢復為正常植被狀態，林地重度、極重過火區可以較徹底地清理地表冠層，更有利于幼樹生長，但因為燒毀程度較為嚴重，森林恢復時間較長，重度火燒跡地在火后14 a恢復為正常植被狀態；而灌草區由于其恢復速度快，在火燒后可以很快恢復，之后受環境的影響較大，波動較大，灌草地火燒跡地在林火發生后 2 a即可恢復正常。

2.3.4 EVI趨勢與突變特征

林地重度、極重過火區可以較徹底地清理地表冠層，更有利于幼樹生長；在林地輕度火燒區，燒毀樹木較少，而林下灌木和荒草等地被層被燃盡，使種子與土壤接觸的機會變大，在火后幾年時間內EVI變化明顯，如圖5所示，但持續時間不長，故其總體增加趨勢沒有中度和重度森林火燒區明顯；灌草區由于其恢復速度快，在火燒后可以很快恢復，之后受環境的影響較大，波動較大，所以灌草區的植被增加趨勢并不明顯。本研究顯著性水平a取0.01，對應V1-a/2為±2.276，UF為正時間序列突變檢驗統計量，UB為逆時間序列突變檢驗統計量，若UF統計量和UB統計量兩曲線相交出現交點，且兩交線交點在兩條臨界線范圍內，則交點為突變點。相對于林地，灌草地的突變點更多，說明森林生態系統的穩定性要比草地生態系統強。而不同烈度下的森林火燒跡地的突變情況也不盡相同，且對照區的突變時間點較火燒跡地滯后，這與其本身的立地條件有關。

3 討論

林火發生后，研究區的EVI值出現明顯下降，且火燒烈度越高，下降越明顯。之后EVI值逐漸增加，與不同火燒烈度的EVI值差異逐漸縮小，植被恢復特征明顯。研究時段內，研究區的EVI值出現了幾次下降，可能受到了環境條件的影響；且火烈度不同，EVI下降程度不同，對照區變化較平緩，火烈度越強，波動越明顯。由于林地的組成較復雜，過火區域即使已經恢復WFQPkhkgNulYbMTT2Z0bYw==為原來狀態，其生物多樣性、穩定性還會發生變化［18-19］，易受到自然環境的影響。2006—2020年，由于火后開放的環境使幼苗更容易獲得陽光而很快恢復為火燒前的狀態，也可得知此時的植被恢復狀態與受災程度有很大關系，此時火燒區的植被生長還不穩定，容易受環境影響而產生較大波動。2010年之后EVI的變化，說明植被的生長已經不再主要受林火的影響，而更易受到該區域立地條件的制約。對輕、中、重度的EVI變化曲線分別擬合后發現，EVI恢復速率由大到小為：極重、重度、中度、輕度，森林恢復速率與火燒強度呈正相關。對于草原來說，火燒強度不是十分重要的因素［20-21］。總體上看，隨著時間的變化，研究區火燒跡地的植被在逐步恢復。

林地重度、極重過火區可以較徹底地清理地表植被，更有利于幼樹生長；在林地輕度火燒區，燒毀樹木較少，而林下灌木和荒草等地被層被燃盡，使種子與土壤接觸的機會變大，在火后幾年時間內EVI變化明顯，但持續時間不長，故其總體增加趨勢沒有中度和重度森林火燒區明顯；灌草區由于其恢復速度快，在火燒后可以很快恢復，之后受環境的影響較大，波動較大，所以灌草區的植被增加趨勢并不明顯。相對于林地，灌草地的突變點更多，說明森林生態系統的穩定性要比草地生態系統強。而不同烈度下的森林火燒跡地的突變情況也不盡相同，且對照區的突變時間點較火燒跡地滯后，這與其本身的立地條件有關［22-23］。

本研究基于Google Earth Engine平臺獲取火燒前后合成影像，利用近紅外波段與dNBR指數閾值與傳統的遙感方法相比，建立和提取火災痕跡可以大大提高工作效率，并提供可靠的結果。然而，由于Google Earth Engine平臺最大計算復雜度的限制，合成圖像的時間范圍不應太長，除云掩模處理后的合成圖像質量也會受到一定影響。提取的火災痕跡可能存在錯誤和遺漏。未來，可以添加一定數量的訓練樣本，以提高燒傷部位的提取精度。此外，國內遙感大數據平臺也已開放使用，數據儲備更大，更新頻率更快。因此，可以被認為是未來相關研究的處理平臺。

4 結論

本研究以大興安嶺松嶺區那源林場作為研究區域，基于2006—2020年Landsat遙感影像，利用 Google Earth Engine平臺，利用差分歸一化燃燒指數進行火燒跡地識別，提取2006年大興安嶺地區松嶺區森林火燒跡地，并對火燒烈度進行了等級劃分，基于火燒跡地的EVI（增強型植被指數）值，采用一元線性回歸分析、Mann-Kendall突變檢驗和Theil-Sen median趨勢分析等方法分析火燒跡地2006—2020年的植被恢復特征，探究大興安嶺地區火燒跡地植被恢復進程。主要研究結論如下。

1）研究區過火面積為2 488.7 hm2，輕度、中度、重度和極重火燒跡地面積占比分別為23.5%、9.6%、35.2%和31.7%，其EVI 值分別比火燒前下降約30%、40%、58%和67%。

2）隨著植被的恢復，跡地EVI值逐漸增加，與對照區的差異逐漸縮小。不同烈度林地火燒跡地EVI 恢復速率表現由大到小為：極重、重度、中度、輕度，輕度和中度火燒跡地在火后6～8 a，重度火燒跡地在火后14 a左右恢復為正常植被狀態；而灌草地火燒跡地在林火發生后2 a即可恢復正常。

3）過火區生態系統脆弱，易受環境條件影響。火燒跡地恢復過程中，林地EVI突變點較灌草地少，說明森林生態系統較灌草地穩定性強。不同烈度林地火燒跡地的突變情況也存在一定差異，且對照區的突變時間點滯后于火燒跡地。

【參 考 文 獻】

［1］ HANTSON S，ARNETH A，HARRISON SP，et al.The status and challenge of global fire modelling［J］.Biogeosciences，2016，13（11）：3359-3375.

［2］ 閆勝良，馬繼東，田靜.基于隱馬爾可夫模型的火災風險評估研究［J］.森林工程，2024，40（2）：151-158.

YAN S L，MA J D，TIAN J.Research on fire risk assessment based on hidden Markov model［J］.Forest Engineering，2024，40（2）：151-159.

［3］ SHI P，KASPERSON R.World atlas of natural disaster risk［M］.Heidelberg：Springer Berlin，2015.

［4］ 梁順林，張曉通，肖志強，等.全球陸表特征參量（GLASS）產品算法、驗證與分析［M］.北京：高等教育出版社，2014.

LIANG S L，ZHANG X T，XIAO Z Q，et al.Global Land Surface Characteristic Parameters （GLASS） product algorithm，validation，and analysis［M］.Beijing：Higher Education Press，2014.

［5］ 劉煬煬.基于GEE的林火識別與火后植被恢復評估研究［D］.北京：北京林業大學，2020.

LIU Y Y.Research on forest fire identification and post fire vegetation restoration evaluation based on GEE［D］.Beijing：Forestry University，2020.

［6］ HALL D K，ORMSBY J P，JOHNSON L，et al.Landsat digital analysis of the initial recovery of burned tundra at Kokolik River，Alaska［J］.Remote Sensing of Environment，1980，10（4）：263-272.

［7］ 王正非，劉自強，陳大我.論生態平衡和林火烈度［J］.植物生態學報，1986，10（1）：68-75.

WANG Z F，LIU Z Q，CHEN D W.On ecological balance and forest fire intensity［J］.Journal of Plant Ecology，1986，10（1）：68-75.

［8］ 陳本清，徐涵秋.遙感技術在森林火災信息提取中的應用［J］.福州大學學報：自然科學版，2001，29（2）：23-26.

CHEN B Q，XU H Q.The application of remote sensing in extraction of forest burnt scar information［J］.Journal of Fuzhou University（Natural Science Edition），2001，29（2）：23-26.

［9］ 解伏菊，肖篤寧，李秀珍，等.基于NDVI的不同火燒強度下大興安嶺林火跡地森林景觀恢復［J］.生態學雜志，2005，24（4）：368-372.

JIE F J，XIAO D N，LI X Z，et al.Forest landscape restoration assessment based on NDVI under different burn intensity in the burned blank of Daxinganling Mountains［J］.Journal of Ecology，2005，24（4）：368-372.

［10］ 宮阿都，李靜.1987年大興安嶺森林火災對陸地植被影響數據集［J］.全球變化數據學報（中英文），2018，2（1）：59-66，190-197.

GONG A D，LI J.Dataset of forest fire and its impacts on the terrestrial vegetation in the Greater Khingan range，China，1987［J］.Journal of Global Change Data & Discovery，2018，2（1）：59-66，190-197.

［11］ 孫妙琦，岳彩榮，段云芳，等.光學協同合成孔徑雷達數據的森林類型分類研究［J/OL］.森林工程，https：//link.cnki.net/urlid/23.1388.s.20240516.1407.002.

SUN M Q，YUE C R，DUAN Y F，et al.Research on forest type classification with feature level fusion by integrating optical data with SAR data［J/OL］.Forest Engineering，https：//link.cnki.net/urlid/23.1388.s.20240516.1407.002.

［12］ 曾愛聰，蔡奇均，蘇漳文，等.基于MODIS衛星火點的浙江省林火季節變化及驅動因子［J］.應用生態學報，2020，31（2）：399-406.

ZENG A C，CAI Q J，SU Z W，et al.Seasonal variation and driving factors of forest fire in Zhejiang Province，based on MODIS satellite hot spots［J］.Journal of Applied Ecology，2020，31（2）：399-406.

［13］ 王冰，張金鈺，孟勐，等.基于EVI的大興安嶺火燒跡地植被恢復特征研究［J］.林業科學研究，2021，34（2）：32-41.

WANG B，ZHANG J Y，MENG M，et al.Study on vegetation restoration characteristics of Daxing’anling burned area based on EVI［J］.Forest Research，2021，34（2）：32-41.

［14］ GISLASON P O，BENEDIKTSSON J A，SVEINSSON J R，et al.Random forests for land cover classification［J］.Pattern Recognition Letter，2006，27（4）：294-300.

［15］ DE S A，ASNER G P，VAUGHAN P J，et al.Mapping burn severity and burning efficiency in California using simulation models and Landsat imagery［J］.Remote Sensing of Environment，2010，114（7）：1535-1545.

［16］ PALANDJIAN D，GITAS I Z，WRIGHT R，et al.Burned area mapping and post-fire impact assessment in the Kassandra peninsula （Greece） using Landsat TM and Quickbird data［J］.Geocarto International，2009，24（3）：193-205.

［17］ FEMANDE-MANSO A，QUINTANO C，ROBERTS D.Burn severity influence on post-fire vegetation cover resilience from Landsat MESMA fraction images time series in Mediterranean forest ecosystems［J］.Remote Sensing of Environment，2016，184：112-123.

［18］ 馬楠楠，張彥雷，李建，等.黑龍江呼瑪縣森林火災時空分布特征［J］.東北林業大學學報，2016，44（5）：20-23，56.

MA N N，ZHANG Y L，LI J，et al.Spatial and temporal distribution characteristics of forest fire in Huma County of Heilongjiang Province［J］.Journal of Northeast Forestry University，2016，44（5）：20-23，56.

［19］ 張運生，舒立福，趙鳳君，等.森林撫育對滇中地區潛在樹冠火的影響［J］.森林工程，2023，39（5）：1-10.

ZHANG Y S，SHU L F，ZHAO F J，et al.Effects of forest tending on potential crown fires in central Yunnan［J］.Forest Engineering，2023，39（5）：1-10.

［20］ 劉柯珍，舒立福，趙鳳君，等.基于衛星監測熱點的林火分布及發生預報模型［J］．林業工程學報，2017，2（ 4）：128-133.

LIU K Z，SHU L F，ZHAO F J，et al.Research on spatial distribution of forest fire based on satellite hotspots data and forecasting model［J］.Journal of Forestry Engineering，2017，2（4）：128-133.

［21］ 王愛愛.NDVI時間序列重建及火后森林恢復時空動態分析［D］.哈爾濱：哈爾濱師范大學，2018.

WANG A A.NDVI time series reconstruction and spatiotemporal dynamic analysis of post fire forest restoration［D］.Harbin：Harbin Normal University，2018.

［22］ 賈旭，高永，魏寶成，等．基于MODIS數據的內蒙古地形因子對火災分布的影響分析［J］.北京林業大學學報，2017，39（4）：34-39.

JIA X，GAO Y，WEI B C，et al.Impact of topographic features on the distribution of fire based on MODIS data in Inner Mongolia，northern China［J］.Journal of Beijing Forestry University，2017，39（4）：34-39.

［23］ 曾愛聰，郭新彬，鄭文霞，等.基于MODIS衛星火點數據的浙江省林火時空動態變化特征［J］.北京林業大學學報，2020，42（11）：39-46.

ZENG A C，GUO X B，ZHENG W X，et al.Temporal and spatial dynamic characteristics of forest fire in Zhejiang Province of eastern China based on MODIS satellite hot spot data［J］.Journal of Beijing Forestry University，2020，42（11）：39-46.