高光譜成像系統：基于多源遙感數據監測“木里330火災”

一、引言

森林作為面積最大且物質資源豐富、穩定的陸上生態系統，具有防止水土流失，涵養水源，凈化空氣等多重作用，由于其顯著的生態功能效應，所以也被稱為“地球之肺”。森林火災的發生，主要特點是火災產生的火線與煙霧和局部地表的異常高溫值，靜止衛星搭載的較高分辨率光學傳感器適用于前者的識別檢測和長時間監測，中波紅外波段傳感器對森林火災中的異常高溫特別敏感，適用于后者的識別檢測。

二、多源遙感數據的聯合監測方法

多源遙感數據各有優劣，如高分四號衛星中分辨率難以準確提取過火區域，Sentinel-2衛星受云雨影響較大，而Sentinel-1A衛星適合于作為補充數據監測森林火災，3類數據源有機聯合才能精準實現火災監測。圖1所示，為研究區森林火災期間過境的高質量遙感數據（無云遮擋）數目，可見多源遙感數據提供了不同類型傳感器監測火災的方法，其中SAR數據彌補了光學數據監測受云雨影響的限制，火災期間有兩景SAR數據（4月3日與4月8日），提高了遙感監測小面積火災的時間分辨率。

2.1 基于高分四號的森林火災監測

高分四號搭載的PMS與IRS都比較適合監測小范圍森林火災。森林火災的發生，主要特點是火災產生的火線與煙幕和局部地表的異常高溫值，持續拍攝的PMS成像儀處于可見光與近紅外波段范圍，適用于前者識別，IRS成像儀處于中波紅外波段，對森林火災中的高溫敏感，適用于后者的識別。使用IRS確定起火地點與起火時間，應急條件下，無需進行大氣校正，通過異常的亮度溫度即可識別火點。使用PMS針對火災發生后植被燃燒減少和燃燒殘留物沉積的變化特征進行分析，使用NDVI植被指數監測森林火災蔓延：

式中，NIR，RED分別對應高分四號PMS第5、4波段，依據NDVI持續監測結果確定火災時間。

2.2 基于Sentinel-2森林火災光譜監測

Sentinel-2近紅外與紅光邊緣波段達到5個，光譜分辨率較其他多光譜傳感器有一定優勢。篩選得到一景無云霧影響火災期Sentinel-2影像。依據3月31日Sentinel-2火災期影像，選定典型的火燒區域（煙幕）與未火燒區域，比較不同地物的光譜信息（490nm-2200nm）。依據4月25日Sentinel-2火災后影像，在實際調查信息的基礎上，分別選取典型的有林地過火區域（未受害）和有林地損失區域樣點，分析各區域不同光譜信息，為短期火災蔓延，火燒跡地遙感分類和面積測算提供光譜信息。

2.3基于Sentinel-2森林火災面積提取

雖然時間分辨率較低，Sentinel-2光譜和空間分辨率較為適中，具備短波紅外波段，適用于森林火災后火燒跡地的提取。建立歸一化燃燒率,NBR），并計算差分歸一化燃燒率（dNBR）。

式中，NIR為近紅外反射率，SWIR為短波紅外反射率，分別對應Sentinel-2B8A波段，B12波段。NBRpre為火燒前NBR，NBRpost為火燒后NBR。使用自適應閾值選取方法實現dNBR閾值自動化提取。

由Sentinel-2影像各地物光譜信息可知，輕度火燒短期內光譜與健康林地沒有明顯區別，難于提??；而重度火燒光譜與土壤相近，與植被反射率光譜存在明顯差異，易于提取。由此，根據不同火燒嚴重程度分步驟確定閾值，分類提取火燒跡地，計算面積。具體步驟如下：

（1）使用OTSU算法基于dNBR提取火燒嚴重的林木損失區域；

（2）將（1）中已提取的林地損失區域掩膜處理，再次使用OTSU算法分類，提取輕度火燒區域，此方法適用于火災發生后短期內的過火區域分類與面積測算?；馃E地識別精度分析采用計算公式如下：

2.4基于Sentinel-1A森林火災監測

火災前后存在云雨惡劣天氣的影響，光學數據應用受限，需要引入不受云雨影響的遙感數據作為監測補充數據。森林火災使電磁波在森林中的體散射效應發生了改變，其中NDVI與SAR數據極化比值(PR)有一定的相關性，通過分析PR在火災前后的變化，建立極化比值與植被指數的函數關系監測森林火災，以此彌補光學數據在云霧干擾時存在的觀測局限性。以Sentinel-2數據確定的過火區域，完成預處理的Sentinel-1A數據，監測VV與VH火災前后）的變化，并通過最小二乘法建立極化比值PR(VV/VH)（dB）與NDVI線性回歸關系。再使用3月10日的SAR數據模擬NDVI，并依據3月11日的Sentinel-2NDVI驗證。在此基礎上，使用模型反推受云霧干擾時（4月3日）火燒跡地NDVI，作為火災期間云雨影響時NDVI的補充監測。

三、結果與分析

3.1基于高分四號的森林火災時間與地點提取結果

依次分析火災前后高分四號數據，去除研究區云層覆蓋的影像，共監測到兩場火災，火災發生期間高分四號共有6景監測到火災，兩場火災位置相鄰，第二場火災是第一場火燒跡地發生復燃導致。

（a）火點煙霧(b)火點亮度溫度圖像，紅框內含火點(c)NDVI分布.

圖2高分四號衛星成像儀火災監測影像圖

森林火災發生時，燃燒區域溫度明顯高于未燃燒區域。如圖2（b）4月7日14時左右監測存在異常亮度溫度值（317K），遠大于周圍林地亮溫。如圖2（a）2（b）所示，火災西側受地形影響，所得到陡坡裸地的亮度溫度也較高，但均未超過317K，表明IRS對火災異常溫度存在敏感性。如圖2（a）所示，PMS影像中火災區域的濃煙明顯可見，易于火點的識別。依據PMS數據分析NDVI的空間變化，NDVI在3月31出現第一片NDVI低值區域，4月7日出現第二片低值區域，結合當日IRS數據存在的異常高溫點，兩片低值區均判定為火燒區域。其中濃煙也對火燒時的NDVI產生影響，圖2（c）是PMS得到的4月12日研究區域NDVI分布圖，火災區域明顯分為兩處。圖3為PMS影像得到火災前后火燒區域NDVI折線圖，圖3（a）為第一場火燒區的NDVI的折線圖，圖3（b）為第二場火燒區域NDVI的折線圖。結果顯示，火災前，NDVI在0.7左右。調查數據顯示，由于地處陡坡（坡度大于50度），植被生長環境惡劣，植被覆蓋程度并不飽和，且常年累積的枯枝松針等可燃物未經有效清理，長期覆蓋?；馂陌l生之后的一周內，NDVI值在0.25左右。如圖3（b）所示，火燒跡地復燃前，雖然在之前未直接受到火燒影響，第二場火燒地區NDVI值也受第一場火燒影響有降低趨勢，原因可能是高溫環境致植被生化參數短期發生變化。

（a）第一次火燒點（b）復燃火燒點（紅色線條為火燒時間）

圖3火燒跡地NDVI折線圖

3.2基于Sentinel-2森林火災光譜監測結果

比較火災前后Sentinel-2數據，選取3月31日火災期間研究區影像，如圖4（a）所示。在可見光波段（490-665nm）范圍內，火燒區域反射率較高，而在近紅外波段健康林地反射率高于火燒區域，火燒區域與健康林地在可見光至短波紅外波段范圍內光譜差異明顯（圖4（b））。選取4月25日Sentinel-2數據，并結合實際調查結果，監測林地過火區域（輕度火燒）與林地損失區域（重度火燒）光譜。結果顯示，重度火燒跡地光譜曲線與普通土壤的光譜相近，呈現穩定上升趨勢；而輕度火燒火燒跡地，與健康植被光譜類似，僅在近紅外波段和短波紅外波段，低于健康植被反射率。上述結果表明，短期內輕度火燒跡地光譜受影響程度不大，此結果可為火燒跡地遙感分類與面積測定提供依據。

（a）Sentinel-2于3月31日觀測到的研究區火災（b）火災光譜觀測結果圖

4 Sentinel-2火災監測

3.3基于Sentinel-2過火面積提取結果與精度評價

分析火災前后Sentinel-2影像，使用公式（3-2）（3-3），分別得到火災前后NBR及dNBR，圖5（a）（b）分別為火前與火后NBR值。結果顯示火災發生后NBR減小，重度火燒區域比輕度火燒區域NBR減小程度更明顯，未火燒區域變化不明顯，圖5(d)是dNBR直方圖。

(a)火災前NBR圖(b)火災后NBR圖

(c)火災前后dNBR圖(d)dNBR直方圖

圖5火災前后NBR，dNBR結果和dNBR直方圖

提取結果如下：（1）基于原始的dNBR數據，使用OTSU法可以確定閾值（dNBR=0.35）提取林木損失區域（重度火燒），如圖6（b）橙色區域。提取的重度火燒跡地大部分均與目視解譯區域吻合，該方法提取林木損失的過火區面積為41.56公頃（實際490公頃），分類精度94.67%。（2）通過掩膜步驟（1）得到的林木損失的區域，再通過OTSU算法確定閾值（dNBR=0.10）提取得到林地過火區（輕度火燒）。如圖6（b）淺黃色區域所示，該類火燒跡地主要分布在林木損失區域附近，提取火燒跡地完整，邊界清晰，且接近目視解譯結果。最終提取面積為66.56公頃（實際72.09公頃），精度90.94%。輕度火燒跡地本身難于提取，直觀從遙感影像判別也存在一定困難，該步驟提取存在一定噪聲影響，會造成一定誤差。（3）兩步驟共提取總過火面積為107.12公頃（實際118.09公頃，包含未利用地），精度90.71%。

（a）Sentinel-2影像與目視解譯結果（b）OTSU算法提取結果與目視解譯結果

圖6火燒跡地提取結果

3.4基于Sentinel-1A森林火災監測結果與精度評價分析

火災前火后共7景Sentinel-1A數據。微波在穿過植被層時發生體散射效應而導致去極化效應比較明顯。圖7所示為火災區域第一次發生火災后Sentinel-1A數據的變化，具體表現為極化比值由6.6dB升高至10.8dB，去極化效應減弱反映出植被減少。

分區域選取210個像元，通過分析，Sentinel-2（4月25日）NDVI與Sentinel-1A（4月27日）極化比值PR之間存在顯著的相關性（R=－0.764）。PR與NDVI通過線性回歸，確定NDVI=－0.062PR+0.9736，R2=0.58,如圖8所示。

圖8NDVI與PR(VV/VH)線性擬合結果

將模型應用于火災前Sentinel-1A（3月10日）模擬NDVI，并使用Sentinel-2（3月11日）NDVI作驗證，R2=0.50，結果表明NDVI<0.6時模型存在高估現象，如圖9(a)所示。將模型帶入4月3日云層干擾的火災區域（平均VV=25dB，VH=－7.54dB，PR=10.79dB）模擬NDVI值為0.30，相對于同時期附近健康林地（平均VV=－11.18dB，VH=－16.80dB，PR=5.62dB，模擬NDVI=0.63）明顯降低，符合模型驗證時NDVI低值時存在的高估現象，且低于火災之前的高分四號NDVI（0.7－0.8），如圖9(b)，可作為模擬數據補充火災NDVI的監測。

圖9NDVI與PR(VV/VH)統計模型和驗證

圖10(b)為4月3日Sentinel-1A數據模擬的NDVI圖，火災區域NDVI低于周圍健康林地，模擬效果較好。SAR數據作為該地區惡劣天氣下火災監測中NDVI的補充數據，可提高森林火災監測的時間分辨率。由于此方法實際僅僅使用Sentinel-1A而未使用Sentinel-1B數據，若考慮Sentinel-1B數據，則還可以提高監測的時間分辨率。

(a)4月4日受云干擾的光學影像(b)基于4月3日SAR數據模擬NDVI圖

圖10使用SAR數據基于統計模型模擬NDVI(紅色方框表示過火區)

四、結論與討論

本文首先介紹了聯合監測森林火災的技術方法，分別說明了應用高分四號數據確定火災時間和地點的方法，基于Sentinel-2數據火災光譜監測和過火面積提取，使用Sentinel-1A火災監測方法，然后介紹了各種方法應用的結果。其中監測方法主要包括：

（1）應用高分四號IRS成像儀的中波紅外波段和PMS成像儀結合NDVI植被指數共同確定粗起火時間和位置；

（2）使用Sentinel-2數據監測火災光譜，結合OTSU算法使用Sentinel-2數據提取過火區域，并且根據dNBR指數對火燒跡地分類統計面積；

（3）使用Sentinel-1A數據，關聯SAR數據后向散射系數和NDVI，突破云雨惡劣天氣的限制監測森林火災。其中得到如下結果：

（1）火災發生時，監測到亮度溫度最高達317K，根據火點位置，確定火災蔓延期間NDVI下降（由0.7降低至0.25），確定起火時間(3月30日);

（2）火災區域與未受災區，以及不同類型火燒跡地之間的光譜在490nm-2200nm范圍存在差異，基于OTSU算法自動確定閾值，確定林地損失面積41.56公頃（dNBR=0.35），精度達94.67%，提取林地過火未損失面積66.56公頃（dNBR=0.10），精度達90.94%，林地損失區域基本符合實際調查結果；

（3）火災前后極化比值由6.6dB升高至10.8dB，NDVI與PR經線性回歸，R2=0.58，驗證R2=0.50。使用SAR數據監測云雨條件下的森林火災能提高監測的時間分辨率，突破惡劣天氣的影響。

推薦：

便攜式高光譜成像系統iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。