EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 9: 1855 - 1868

DOI: https://doi.org/10.12082/dqxxkx.2023.230232

遥感科学与应用技术

地表反射率遥感数据支持的火烧迹地面积提取

  • 牛方天 ,
  • 孙林 , * ,
  • 于会泳 ,
  • 马超
展开
  • 山东科技大学测绘与空间信息学院，青岛 266590
* 孙 林（1975— ），男，山东枣庄人，博士，教授，主要从事定量遥感研究。E-mail:

牛方天（2000— ），男，山东菏泽人，硕士生，研究方向为定量遥感。E-mail:

收稿日期: 2023-04-27

  修回日期: 2023-07-04

  网络出版日期: 2023-09-05

基金资助

国家自然科学基金项目(42271412)

收起

Extracting Burned Area with Remotely Sensed Surface Reflectance Data

  • NIU Fangtian ,
  • SUN Lin , * ,
  • YU Huiyong ,
  • MA Chao
Expand
  • College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China
* SUN Lin, E-mail:

Received date: 2023-04-27

  Revised date: 2023-07-04

  Online published: 2023-09-05

Supported by

National Natural Science Foundation of China(42271412)

Fold

摘要

生物质燃烧排放大量烟雾和温室气体对于全球气候变化有显著影响，而准确及时地提取火烧迹地面积对于火灾补救、植被恢复、估算大气排放至关重要。中分辨率成像光谱仪MODIS较高的时间分辨率可以快速获取全球每日的火烧迹地产品，但对于小型和破碎度高的火烧迹地的遗漏率比较高。据此，本研究融合MODIS与Landsat-8 OLI（Operational Land Imager 陆地成像仪）的时空优势，提出了基于地表反射率数据集支持的火烧面积提取算法。首先，使用MODIS地表反射率产品MOD09GA构建燃烧日期前后在红、绿、蓝、近红外和短波红外的先验地表反射率数据集。然后，采用自适应遥感图像时空融合算法 (Spatial and Temporal Adaptive Reflectance Fusion Model, STARFM)以及线性拟合的方法对MODIS与Landsat-8地表反射率数据进行空间和光谱一致化处理。最后，运用自动阈值的方法厘定火烧区域的最佳阈值。此外，通过选取4个不同的燃烧规模样地/样区验证了该算法的火烧迹地面积提取准确率在75%以上。本研究将MODIS的高时间分辨率和Landsat-8的高空间分辨率的优势结合，既解决了单独使用MODIS对小型、破碎度高的火烧迹地提取不足的问题，也验证了基于地表反射率数据集的算法对于火烧迹地实时提取能力。

关键词： 生物质燃烧; 火烧迹地; 先验地表反射率数据集; 光谱一致化; MODIS; Landsat-8 OLI

本文引用格式

牛方天 , 孙林 , 于会泳 , 马超 . 地表反射率遥感数据支持的火烧迹地面积提取[J]. 地球信息科学学报, 2023 , 25(9) : 1855 -1868 . DOI: 10.12082/dqxxkx.2023.230232

Abstract

Biomass burning is a significant source of smoke and greenhouse gas emissions, contributing to global climate change. Accurate and promptly identifying burned area is crucial for effective fire remediation, vegetation recovery, and estimation of atmospheric emissions. While medium to high spatial resolution satellite imagery, like Landsat-8, allows for mapping of small-scale and fragmented burn areas, data availability is limited by long revisit period and cloud cover constraints. Conversely, MODIS provides high temporal resolution, facilitating rapid generation of daily burned area products worldwide. However, it exhibits higher error of omission for small burn areas. To combine the strengths of MODIS' high temporal resolution and Landsat-8's high spatial resolution while addressing the challenges of extracting small and fragmented burn areas and reducing error of omission through continuous time series monitoring, this study proposes a burned area extraction algorithm based on a surface reflectance dataset supported by MODIS and Landsat-8 Operational Land Imager (OLI). Initially, the MODIS surface reflectance product (MOD09GA) is utilized to construct a priori surface reflectance dataset for the red, green, blue, near-infrared, and shortwave infrared bands before and after the burning dates. Subsequently, the Spatial and Temporal Adaptive Reflectance Fusion Model (STARFM) and linear fitting methods are employed to spatially and spectrally normalize the MODIS and Landsat-8 surface reflectance data. Finally, an automatic thresholding method is applied to determine the optimal threshold for delineating burned areas. Additionally, the algorithm's accuracy in extracting burned area is validated using four types of burn samples with varying sizes, achieving an extraction accuracy exceeding 75%. This study successfully combines the high temporal resolution of MODIS and the high spatial resolution of Landsat-8, addressing the limitations of using MODIS or Landsat-8 alone for extracting small and fragmented burn areas. It also validates the real-time extraction capability of the algorithm based on the surface reflectance dataset and enables near real-time observation of the burning process, providing visual insights into the fire's spread direction and the temporal expansion trend of burned areas. Furthermore, the effectiveness of the burned area extraction method supported by the surface reflectance dataset is validated by different sample types and scales. This research offers valuable insights for predicting and rescuing forest and grassland fires. Especially, for biomass burning characterized by small and scattered areas (such as straw burning), the algorithm still maintains a high level of identification accuracy.

Key words： biomass combustion; burned area; surface reflectance database; spectral homogeneity; MODIS; Landsat-8 OLI

1 引言

生物质燃烧一般是指将生物质材料（如森林、草地、秸秆、农田等）燃烧。全球每年都有数十万起与生物质燃烧相关的火灾[1]。基于地球观测卫星的评估估计，全球每年约有400万km2被烧毁。生物质燃烧会影响土壤化学、地表径流、地表热量和能量平衡，以及空气质量等。生物质燃烧产生会排放出大量污染气体，进而影响全球气候系统和全球碳排放。不言而喻，准确测定烧伤区域有助于为计算生物质燃烧造成的气体排放提供基础数据。
回顾过去，利用遥感技术方法提取火烧迹地面积的研究中，分为以下几种类型：指数法、机器学习、深度学习以及与光学卫星与微波结合的方法。① 指数法：从最初使用的归一化植被指数(NDVI, Normalized Difference Vegetation Index)[2]到全球环境监测指数(GEMI, Global Environment Monitoring Index)[3]、 烧伤面积指数(BAI, Burned Area Index)[3-4]以及归一化燃烧比(NBR, Normalized Burn Ratio)[5-6]。但是指数法会造成大量的错分误差，因此需要在计算指数的基础上使用诸如机器学习等方法提高精度[7-8]。② 机器学习法：用于火烧迹地提取的机器学习的方法包括支持向量机、随机森林、决策树、k-近邻等[9⇓-11]。其中通过计算中红外烧伤指数MIRBI (Mid-Infrared Burn Index)数据，使用C均值聚类的方法可以取得90%以上的总体精度[12]。由此，使用机器学习提取火烧迹地，可以提高一定的精度和准确度，但依赖于训练数据的质量并受限于特征选取，，难以在全球范围通用。③ 深度学习方法：使用深度学习技术提取火烧迹地的深度学习主要包括卷积神经网络（Convolutional Neural Network，CNN）、循环神经网络（Recurrent Neural Network，RNN）和生成对抗网络（Generative Adversarial Network，GAN）等[13⇓-15]。使用深度学习网络提取火烧迹地可适用于全球范围，而且具有精度高、自适应性强等优势，但依赖大量准确的先验训练样本并且训练需要耗费较长时间。④ 光学卫星与微波结合：除了利用光学遥感卫星，微波凭借其不受大气效应，具有较好的穿透性的优点，最近也被使用在火烧迹地提取中。值得注意，燃烧引起的后向散射系数变化主要取决于植被结构和湿度。燃烧减少了植被散射强度，降低了后向散射系数[16⇓-18]。因此，利用交叉极化(HV和VH极化)通道的后向散射和植被结构之间的关系作为火烧迹地识别的依据。
然而，目前提取火烧迹地研究往往使用单一产品，主要表现为以下2个问题。① MODIS的火烧迹地产品可以实现逐日的火烧迹地面积提取，但无法满足对小型、破碎度高的火烧迹地面积提取[19]。基于地球观测(EO)卫星的评估估计，全球每年约有400万km2被烧毁[7-8]。但通过比较全球和区域火烧迹地产品发现这一数据远远低估了实际的总燃烧面积(BA)[20-21]。使用Sentinel-2图像覆盖非洲的火烧迹地的面积是中分辨率成像光谱仪(MODIS)产品面积的1.8倍。这种高差异主要是由小型火灾(<100 hm2)引起的[9]。② 使用中高分辨率传感器（如Landsat-8）进行火烧迹地检测有比较大的局限性：时间分辨率低以及大量云层覆盖导致数据可用性较低[22]。实际上，Landsat-8的重访周期为16 d，且易受云影响，其常常在燃烧熄灭后一个月内才能获取到一幅对应燃烧区域的无云影像。利用遥感影像监测燃烧对植被的影响及其准确性，主要取决于燃烧类型和燃烧熄灭时与图像采集之间的时间间隔[23]。而在这一段时间一些小型的生物质燃烧对植被造成影响已经大大减弱，使得对火烧迹地提取的遗漏率大大增加。
针对现有研究存在的问题，本文提出了一种基于先验地表反射率数据集的火烧迹地提取算法。首先将MODIS的地表反射率产品MOD09GA在基准日期（Landsat-8成像日期）向前取5天次小值的方法构建红、绿、蓝、近红外和短波红外的先验地表反射率数据集。其次，通过自适应遥感图像时空融合算法和光谱线性拟合的方式将 MODIS与Landsat-8 OLI的地表反射率进行一致化处理。最后，在分析燃烧前后4个波段和遥感指数的差异的基础上，使用自动阈值法确定阈值实现对火烧迹地的精确提取。通过对不同规模火灾进行测试验证该算法对于破碎度高和高异质区域的火烧迹地的提取精度。可以为下一步在精确评估生物质燃烧排放量，以及生物质排放对于大气环境的影响提供数据支持。

2 研究区概况与数据来源

2.1 研究区概况

本文研究从全球范围内选取了4个规模不同、类型不同的火灾，覆盖了森林、草地和耕地秸秆燃烧等不同的生物质燃烧类型，来验证算法的稳定性和可靠性（表1，图1）。分别是2022年2月在阿根廷北部的科连特斯省（Corrientes）发生的大型火灾，燃烧严重损毁了大量农田、耕地和森林。2022年3月4日在韩国蔚珍郡(Uljin)发生的中型火灾，燃烧类型主要是森林和草地。2022年3月4日在中国山东省烟台市发生的小型山火，主要是森林火灾。2023年3月30日在中国黑龙江省哈尔滨市发生的秸秆焚烧。所选区域可以提供有关火烧迹地的准确位置、面积和形态等信息，从而可以验证遥感提取结果的准确性。
表1 研究区规模与类型

Tab. 1 Size and type of study area

时间 地点 规模 类型
2022年2月 阿根廷科连特斯市 8 000 km2（大型） 农田、耕地、森林
2022年3月 韩国蔚珍郡 120 km2（中型） 森林、草地
2022年3月 中国山东省烟台市 3.75 km2（小型） 森林
2023年3月 中国黑龙江哈尔滨市 12.8 km2（小型） 秸秆焚烧
图1 研究区位置

Fig. 1 Study area location map

科连特斯省位于阿根廷东北部，经纬度范围为55°30′W—59°40′W，27°10′S—30°50′S，年平均气温20℃，降水不足，北部为沼泽平原，南部为低矮丘陵，主要覆盖类型为农田耕地、草地和林地。位于韩国庆尚北道的蔚珍郡，经纬度范围为127°45′E—129°30′E，35°30′N—37°15′N，气候夏季酷热少雨，受海洋性气候的影响，呈现出夏凉冬暖的特殊气候，地势多以丘陵山地，海拔多在500 m以下，地表类型以森林覆盖为主。烟台地处山东半岛中部，位于119°34′E—121°57′E，36°16′N—38°23N′之间。地形为低山丘陵区，属于温带季风气候，具有雨水适中、空气湿润、气候温和的特点，平均海拔在40 m左右，地表覆盖以森林和灌丛覆盖为主。哈尔滨地处东北平原、黑龙江省中南部，经纬度范围为125°42′E—130°10′E，44°04′N—46°40′N。哈尔滨属中温带大陆性季风气候，冬长夏短，四季分明，冬季漫长寒冷，而夏季则显得短暂凉爽，地表覆盖以耕地、林地为主，其中黑土地土层深厚，土质肥沃，适于各种农作物生长。

2.2 研究数据

2.2.1 Landsat-8 OLI

Landsat 8卫星包含OLI（Operational Land Imager 陆地成像仪）和TIRS（Thermal Infrared Sensor 热红外传感器）2种传感器。Landsat-8卫星一共有11个波段，波段1~7， 9~11的空间分辨率为30 m，波段8为15 m分辨率的全色波段，卫星每16 d可以实现一次全球覆盖。
OLI陆地成像仪有9个波段，成像宽幅为185 × 185 km。与Landsat-7上的ETM传感器相比，OLI陆地成像仪做了以下调整：① Band 5的波段范围调整为0.845~0.885 μm，排除了0.825 μm处水汽吸收的影响；② Band 8全色波段范围较窄，从而可以更好区分植被和非植被区域；③ 新增2个波段。Band 1蓝色波段 (0.433~0.453 μm) 主要应用于海岸带观测，Band 9短波红外波段(1.360~1.390 μm) 应用于云检测。Landsat-8 Collection2影像从美国地质调查局（USGS）官方网站（https://earthexplorer.usgs. Gov）下载获取。Landsat-8 C2 L2数据已经经过辐射校正、几何校正和精度校正，反射率数据产品。下载影像的时间、行列号和图幅数见表2。
表2 Landsat-8遥感影像数据信息

Tab. 2 Landsat-8 remote sensing image data information

时间 中心位置 Path/Row 幅数/幅
2022.1.07—2022.3.12 阿根廷科连特斯 225/80 5
2022.3.03—2022.4.20 韩国蔚珍郡 114/34 4
2022.2.25—2022.4.14
2023.3.25—2023.4.10		 中国山东省烟台市
中国黑龙江省哈尔滨市		 120/34
119/28		 4
2

2.2.2 MODIS09GA（地表反射率数据产品）

MOD09 (MODIS Surface Reflectance)是由MODIS Level 1B陆地波段1 (620~670 nm)、波段2 (841~876 nm)、波段3(459~479)、波段4 (545~565 nm)、波段5 (1230~1250 nm)、波段6 (1628~1652 nm)和波段7 (2105~2155 nm)计算得出的7波段产品。校正了大气气体和气溶胶的影响，得到每个波段在消除大气散射或吸收作用后的真实地表反射率。MOD09GA提供了MODIS波段1~7在500 m空间分辨率下的地表反射率。MOD09GA影像从美国国家航空航天局存档的LAADS（Level-1 and Atmosphere Archive & Distribution System）官方网站（https://ladsweb.modaps.eosdis.nasa.gov/）下载获取，数据筛选时间为燃烧发生前后一个月。

3 研究方法

实验流程如图2所示，首先利用MOD09GA与Landsat-8影像构建先验地表反射率数据集，进行去云处理以及时间序列匹配；对红绿蓝和近红外波段分别进行图像融合（STARFM）为了获取更高的融合精度进行反射率的线性拟合（光谱一致化处理）；计算光谱指数NDVI和NBR，并对但波段和遥感指数进行光谱分析；最后使用自动阈值法确定提取火烧迹地的最佳阈值。在结果分析与精度评价环节，我们选取在破碎度高、面积小的燃烧场景下验证算法的识别精度，并对比验证了算法的实时提取能力。最后与单独使用阈值法和随机森林方法的结果进行定量比较。
图2 实验流程

Fig. 2 The process of the experiment

3.1 构建先验地表反射率数据集

借鉴孙林等[24]提出的基于先验地表反射率数据支持的动态阈值云检测算法(Universal Dynamic Threshold Cloud Detection Algorithm, UDTCDA)思想，本研究针对火烧迹地引起的地表类型转变和光谱变化，通过构建地表反射率数据集的方法进行火烧迹地的提取。
本研究使用美国国家航空航天局（NASA）提供的地表反射率产品(MOD09GA)构建先验地表反射率数据集。首先对研究区的MOD09GA进行几何校正、重投影和裁剪等预处理工作。
为了获取燃烧前的中高空间分辨率的遥感影像，本文提出了一种构建先验地表反射率数据集的方法：从选定日期向前取5 d采用次小值合成方法（降低云和像素丢失的影响）合成得到在蓝、绿、红、近红外和短波红外5个波段的地表反射率数据集。
Landsat-8 OLI与MODIS在红、绿、蓝、近红外和短波红外的波长对应如表3所示。
表3 地表反射率数据集的波段范围

Tab. 3 The band range of the surface reflectance database

波段 Landsat-8/nm MOD09GA/nm
Blue 450~510 459~479
Green 530~590 545~565
Red 640~670 620~670
NIR 850~880 841~876
SWIR 1 570~1 650 1 628~1 652

3.2 图像融合及光谱一致化处理

由于MODIS与Landsat-8在空间分辨率和时间分辨率存在较大差异， 2个传感器在光谱响应函数上的差异见图3所示。因此需要进行空间一致性和光谱一致性处理。
图3 STARFM前后的MODIS

Fig. 3 MODIS image before and after STARFM algorithm

自适应遥感图像时空融合方法STARFM(Spatial and Temporal Adaptive Reflectance Fusion Model)[25]，是一种基于像元级的融合方法。在假设地物在经历一定时间变化后保持不变的基础上，首先建立已知时相高分辨率影像和未知时相的低分辨率影像之间的时相变化模型，然后将所得到的时相变化模型应用于已知时相的低分辨率影像上，从而得到未知时相的高分辨率影像。
对于基准时期 t k和预测时期 t 0的MODIS和Landsat-8地表反射率影像的每一个像元具有以下关系：
L x i , y j , t k = M x i , y i , t k + ε k
L x i , y j , t 0 = M x i , y i , t 0 + ε 0
式中： x i， y j代表影像中的像元坐标； t k和 t 0代表基准时期和预测时期； ε k代表MODIS 和Landsat 表面反射率之间由不同的光谱和几何成像等造成的差异。在不考虑基准日期与预测日期之间发生地表覆盖变化和系统误差变化的情况下，则有：
L x i , y j , t 0 = M x i , y i , t 0 + L x i , y j , t k - M x i , y i , t k
由于一个MODIS 低分辨率像元包括多种地物类型，而且在不同时相下，地表覆盖类型可能发生变化，于是引入了邻域信息来计算中心像元的反射率。其中，权重的计算考虑了光谱差异、距离差异以及时相差异，最终的计算公式如下式所示：
L x w / 2 , y w / 2 , t 0 = ∑ i = 1 w ∑ j = 1 w ∑ k = 1 n W i j k × ( M x i , y i , t 0 + L x i , y j , t k - M x i , y i , t k )
式中： x w / 2, y w / 2 表示中心像元； W i j k表示光谱差异、距离差异以及时相差异共同作用的权重因子；w表示中心像元邻域窗口的尺寸大小； L x w / 2 , y w / 2 , t 0即为预测日期Landsat各个像元最终的地表反射率数据。
本研究旨在分析生物质燃烧产生火烧迹地面积，我们使用地表覆盖数据筛选出森林和农田地区。对于这些特定植被覆盖地区使用STARFM融合后的图像与Landsat-8分别在蓝绿红近红波段的地表反射率的拟合函数，进行更精确的光谱一致化，以得到满足研究的精度。
图4展示了MODIS在进行STARFM和线性拟合后，在植被区域随机选取了1 000个像素点，统计分析在红、绿、蓝和近红外波段的MODIS地表反射率与Landsat对应的地表反射率的相关性，相关系数R2越大，二者相关程度越高。从图4来看，近红外波段和绿波段的相关系数较高，分别达到0.843和0.822，红波段相关系数达到了0.789，蓝波段的相关系数最低为0.758。本研究重点在于验证地表反射率数据集在植被覆盖区域(如农田、林地和草地等)进行火烧迹地面积提取的可行性并对比验证精度。
图4 线性拟合后相关性分析

Fig. 4 Correlation analysis after linear fit

3.3 光谱变化特征分析

利用土地覆盖数据，从影像中选取了在农田、林地、草地和灌木的火烧迹地在燃烧前后的800个像素，采用统计方法，统计燃烧前后在红、绿、蓝和近红外波段的反射率的均值、方差、最大值和最小值，所有样本像元随机选择且均匀分布在所属地类中。
从图5反射率差异分析结果来看，在可见光和近红外波段在燃烧之后反射率下降非常明显。
图5 不同地表覆盖类型的烧伤前后反射率箱型图

Fig. 5 Box plots of pre- and post-burn reflectance for different surface cover types

另外本研究通过计算归一化燃烧率指数（NBR）和归一化植被指数作为辅助判别。NBR指数使用了近红外波段（0.76~0.90 μm）和短波红外波段（2.08~2.35 μm）在燃烧前后反射率显著变化，作为提取火烧迹地的特征[11]。 NDVI可以表征健康植被的生长状态，燃烧会造成植被的损毁，可以作为火烧迹地提取的判定条件。NBR和NDVI的计算公式如下：
N D V I = N I R - R e d N I R + R e d
N B R = N I R - S W I R N I R + S W I R
从图6可以看出通过构建地表反射率数据集通过计算NBR和NDVI指数，对于燃烧前后的光谱变化依然敏感。
图6 燃烧前后NDVI和NBR箱型图

Fig. 6 NDVI and NBR box plot before and after combustion

自动阈值法在对于具有明显差异的图像分割和目标检测领域有广泛应用。通过分析火烧迹地发现燃烧前后可见光、近红外波段的反射率以及NDVI、NBR的计算值有足够大的差异，可以使用阈值法进行划分。因此本文主要使用了自动阈值法，将可见光波段和红外波段以及计算得到的NDVI和 NBR进行自动阈值分割，生成对应的提取火灾烧伤区域的最佳阈值。

4 结果与分析

4.1 精度分析

漏分误差(Omission Error, OE)、错分误差(Commission Error, CE)被用来评估BA产品的质量[26]。这些精度指标也可以使用混淆矩阵来计算，计算结果如表4所示。TP表示正确标记的烧毁样本，FP表示未烧毁的样本被错误地标记为烧毁样本，TN表示未烧毁的样本被正确标记，FN表示被错误地标记为未烧毁的样本。
表4 不同规模下的火烧迹地误差结果

Tab. 4 Error results of fire burnt ground at different scales （%）

地点 OE CE
韩国 17.83 22.30
阿根廷 21.45 19.12
山东烟台 3.25 2.17
黑龙江省哈尔滨 15.30 11.61
其中遗漏误差OE和错分误差CE可由下式计算得到：
O E = F N T P + F N
C E = F P T P + F N
精确度(Precision)代表正确标记占算法识别烧毁样本面积的比例：
P r e c i s i o n = T P T P + F P
整体精度(Overall Accuracy, OA)代表预测正确占总样本面积的比例：
O A = T P + T N T P + F P + T N + F N
为了验证使用先验地表反射率数据集的火烧迹地检测结果，选择对于Landsat-8影像使用指数法和随机森林法提取火烧迹地进行对比，表5显示了不同方法的精确度和总体精度。通过比较发现使用先验地表反射率数据集方法的精确度最高为74.49%，指数法和随机森林的精确度略低分别为72.11%和73.35%；指数法的总体精度最高为86.07%，考虑先验地表反射率数据集更明显的优势在于实时和小型火烧面积的准确识别，84.43%的总体精度可以满足实际需求。
表5 不同方法火烧迹地识别精度

Tab. 5 Different methods of burned area recognitionaccuracy （%）

方法 Precision OA
指数法 72.11 84.12
随机森林 73.35 86.07
先验地表反射率数据集 74.49 84.43

4.2 破碎度高的火烧迹地

图7展示了在韩国发生的山火，主要有南北两个火烧痕迹，图7(a)展示了2个火烧迹地在短波红外、近红外、红波段的假彩色合成图像。从中我们可以明显看出火烧迹地颜色偏黑，与周围环境的对比度较大。图7(b)和图7(c)分别代表使用Landsat燃烧前后2景影像变化检测和基于MODIS地表反射率数据集的自动阈值法的提取火烧迹地的结果。通过对比图7(b)和图7(c)发现使用地表反射率数据集的火烧迹地提取方法基本可以达到与单独使用Landsat影像同样的精度，说明本文提出的方法具有较高的可靠性。另外，通过对比本文提出的方法在火烧迹地的边缘的提取更完整和精细。而提高提取火烧迹地的边缘的能力可以大大提高火烧面积的精度。
图7 2022年3月韩国蔚珍郡的火灾过火面积统计

Fig. 7 Statistical map of fire area in Uljin County, South Korea, March 2022

4.3 集中连片火烧迹地的检测精度

图8展示了2022年2月阿根廷发生的火灾，燃烧损毁的区域集中在耕地和农田。其中图8(a)、(b)、(c)分别是Landsat假彩色合成的影像、随机森林方法提取的火烧迹地、基于地表反射率数据集的方法提取的火烧迹地。从图8中可以看出在高异质性区域，地表反射率数据集支持的算法取得了比较高的识别精度。对比发现基于地表反射数据集提取的火烧迹地存在中心空洞的问题。如果追求对边缘的精确提取就会降低提取火烧迹地的完整度。在考虑火烧迹地完整性的情况下，可以通过图像形态学(膨胀腐蚀)来消除中心孤立像素。图8表明基于地表反射率数据集的火烧迹地提取算法在燃烧不连续及破碎度高的区域可以保持较高的精度。
图8 2022年2月阿根廷的过火面积结果

Fig. 8 Results of the area burned in Argentina in February 2022

4.4 火烧迹地的实时提取能力

如图9所示，2022年3月4日是燃烧发生的日期。图9(a)是距离燃烧前最近的Landsat影像，图9(b)是燃烧后最近的Landsat影像，由于受大量云覆盖的影响无法使用。从图中可以看出，利用MODIS逐日成像的高时间分辨率优势，构建地表反射率数据集可以覆盖燃烧发生前、中、后3个时期的影像。不仅对燃烧过程进行了实时观测，而且可以展现出燃烧的蔓延方向以及火烧面积在时间上扩大趋势。因此使用地表反射率数据集可以获取时序数据，并提高数据的可用性，对燃烧过程产生的火烧迹地实现近实时观测。
图9 烟台山火过火面积提取的时间序列

Fig. 9 Time series plot of Yantai forest fire area extraction

4.5 秸秆焚烧监测

东北黑土地是世界主要黑土带之一，是我国粮食作物主产区，在保障国家粮食安全方面贡献极大[27]。东北黑土地的粮食产量占全国粮食总产的近1/4，输出的商品粮占全国商品粮总量的1/3，是我国最重要的商品粮基地，为国家粮食安全提供了重要保障[28]。在农作物收割后，通常会留下大量的秸秆或残茬。一部分农民会采取简单粗暴的方法，即焚烧秸秆来处理农田废弃物。焚烧秸秆会导致土壤有机质的流失，降低土壤肥力，影响农田的可持续发展。同时，火灾引起的土壤退化和侵蚀会加剧土地退化问题，对东北黑土地的保护和可持续利用造成威胁。2023年3月底东北地区哈尔滨市附近出现大量黑土地烧荒现象。秸秆燃烧有着面积小、分散和多点的特点，给燃烧面积监测带来一定难度。
图10(a)、(b)和(c)分别是在同一秸秆焚烧区域的Landsat、MODIS、融合后的地表反射率数据以及对应的火烧迹地提取结果。图10(d)、(e)和(f)是另外区域下的影像和对应火烧迹地的提取结果。从图10(b)和(e)可以看到MODIS因为其500 m的低空间分辨率无法实现对小面积的秸秆焚烧进行精确提取。而图10(c)和10(f)可以清晰的分辨秸秆焚烧后的农田和未焚烧的农田，对于焚烧面积的提取比较精确。通过对比图10(a)和10(c)，我们发现融合后的地表反射率数据集在对秸秆燃烧这种小面积、分散的燃烧面积提取时，在边缘会存在误识别导致提取面积偏大的现象。这可能由图像融合过程中像元间的计算导致。不过相较于MODIS提取结果而言仍然具有极大优势。
图10 中国东北地区黑土地秸秆焚烧过火面积提取

Fig. 10 Time series plot of Yantai forest fire area extraction

5 结论与讨论

本研究针对当前火烧迹地研究中存在的问题：① 使用Landsat-8可以精确提取小型和分散的火烧迹地，但受时间分辨率长和云遮挡的制约，会产生大量漏分误差，无法满足近实时的火烧迹地提取；② 使用MODIS可以实现逐日的火烧迹地面积提取，但无法满足对小型、破碎度高的火烧迹地面积提取。通过融合MODIS和Landsat-8的时空优势，提出了一种地表反射率数据集支持的火烧迹地提取算法，并实际应用于阿根廷、韩国以及我国山东和东北等地区的不同生物质燃烧类型（林火、秸秆焚烧等）的监测与识别。
实验结果表明，使用地表反射率数据集的方法可以准确识别火烧迹地，验证了算法对小型、破碎度高的火烧迹地的提取能力，相关结论如下：
（1）本文构建的地表反射率数据集对比单独使用Landsat-8时间分辨率提高，对比单独使用MODIS数据的空间分辨率提高。
（2）实现对燃烧过程的近实时观测，直观展现出燃烧的蔓延方向以及火烧面积在时间上扩大趋势。同时验证了地表反射率数据集支持的火烧迹地提取方法对于不同类型和不同规模的燃烧面积提取的有效性。因此对森林、草地火灾的预测和救援工作可以提供参考。
（3）对于面积小、分布较分散的生物质燃烧(如秸秆焚烧)，其燃烧面积光谱特征会在几周内消失，因此存在使用Landsat-8缺少成像数据，使用MODIS受空间分辨率制约无法精确提取的问题。利用地表反射率数据集在获取每日影像的基础上实现了对此类型燃烧面积较高的识别精度。
本研究提出的火烧迹地提取算法针对成片连群的燃烧保持了较高的精度，但对于小型燃烧面积边缘提取依然存在误识别的问题，最终导致提取结果面积偏大。另外对于破碎度高的林火燃烧，提取火烧迹地存在空洞的现象。下一步的研究在于提高影像融合质量以及对不同植被覆盖类型下阈值法的改善。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
舒立福, 田晓瑞, 李红. 世界森林火灾状况综述[J]. 世界林业研究, 1998, 11(6):41-47.

[Shu L F, Tian X R, Li H. Status of the international of forest fire in the last decade[J]. World Forestry Research, 1998, 11(6):41-47.]

[2]
Malambo L, Heatwole C D. Automated training sample definition for seasonal burned area mapping[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 160:107-123. DOI:10.1016/j.isprsjprs.2019.11.026

DOI

[3]
Chuvieco E, Mouillot F, Van der Werf G R, et al. Historical background and current developments for mapping burned area from satellite Earth observation[J]. Remote Sensing of Environment, 2019, 225:45-64. DOI:10.1016/j.rse.2019.02.013

DOI

[4]
Jakubauskas M E, Lulla K P, Mausel P W. Assessment of vegetation change in a fire-altered forest landscape[J]. PE&RS, Photogrammetric Engineering & Remote Sensing, 1990, 56(3):371-377.

[5]
Pinty B, Verstraete M M. GEMI: a non-linear index to monitor global vegetation from satellites[J]. Vegetatio, 1992, 101:15-20. DOI:10.1007/BF00031911

DOI

[6]
Chuvieco E, Martin M P, Palacios A. Assessment of different spectral indices in the red-near-infrared spectral domain for burned land discrimination[J]. International Journal of Remote Sensing, 2002, 23(23):5103-5110. DOI: 10.1080/01431160210153129

DOI

[7]
Chuvieco E, Lizundia-Loiola J, Pettinari M L, et al. Generation and analysis of a new global burned area product based on MODIS 250 m reflectance bands and thermal anomalies[J]. Earth System Science Data, 2018, 10(4): 2015-2031. DOI:10.5194/essd-10-2015-2018

DOI

[8]
Giglio L, Boschetti L, Roy D P, et al. The Collection 6 MODIS burned area mapping algorithm and product[J]. Remote sensing of environment, 2018, 217:72-85. DOI: 10.1016/j.rse.2018.08.005

DOI PMID

[9]
Roteta E, Bastarrika A, Padilla M, et al. Development of a Sentinel-2 burned area algorithm: Generation of a small fire database for sub-Saharan Africa[J]. Remote sensing of environment, 2019, 222:1-17. DOI:10.1016/j.rse.2018.12.011

DOI

[10]
Roy D P, Huang H Y, Boschetti L, et al. Landsat-8 and Sentinel-2 burned area mapping-A combined sensor multi-temporal change detection approach[J]. Remote Sensing of Environment, 2019, 231:111254. DOI: 10.1016/j.rse.2019.111254

DOI

[11]
Seydi S T, Hasanlou M, Chanussot J. Burnt-Net: Wildfire burned area mapping with single post-fire Sentinel-2 data and deep learning morphological neural network[J]. Ecological Indicators, 2022, 140:108999. DOI:10.1016/j.ecolind.2022.108999

DOI

[12]
Martins V S, Roy D P, Huang H, et al. Deep learning high resolution burned area mapping by transfer learning from Landsat-8 to PlanetScope[J]. Remote Sensing of Environment, 2022, 280:113203.

DOI

[13]
Zhang Q, Ge L L, Zhang R H, et al. Deep-learning-based burned area mapping using the synergy of Sentinel-1&2 data[J]. Remote Sensing of Environment, 2021, 264:1125 75. DOI:10.1016/j.rse.2021.112575

DOI

[14]
Radman A, Shah-Hosseini R, Homayouni S. An Unsupervised Saliency-Guided Deep Convolutional Neural Network for Accurate Burn Mapping from Sentinel-1 SAR Data[J]. Remote Sensing, 2023, 15(5):1184. DOI: 10.3390/rs15051184

DOI

[15]
Sudiana D, Lestari A I, Riyanto I, et al. A Hybrid Convolutional Neural Network and Random Forest for Burned Area Identification with Optical and Synthetic Aperture Radar (SAR) Data[J]. Remote Sensing, 2023, 15(3):728. DOI:10.3390/rs15030728

DOI

[16]
Maffei C, Menenti M. Predicting forest fires burned area and rate of spread from pre-fire multispectral satellite measurements[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 158:263-278. DOI:10.1016/j.isprsjprs.2019.10.013

DOI

[17]
Hall J V, Loboda T V, Giglio L, et al. A MODIS-based burned area assessment for Russian croplands: Mapping requirements and challenges[J]. Remote Sensing of Environment, 2016, 184:506-521. DOI:10.1016/j.rse.2016.07.022

DOI

[18]
Whittier T R, Gray A N. Tree mortality based fire severity classification for forest inventories: a Pacific Northwest national forests example[J]. Forest Ecology and Management, 2016, 359:199-209. DOI:10.1016/j.foreco.2015.10.015

DOI

[19]
Gao F, Masek J, Schwaller M, et al. On the blending of the Landsat and MODIS surface reflectance: Predicting daily Landsat surface reflectance[J]. IEEE Transactions on Geoscience and Remote sensing, 2006, 44(8):2207-2218. DOI:10.1109/TGRS.2006.872081

DOI

[20]
Padilla M, Stehman S V, Ramo R, et al. Comparing the accuracies of remote sensing global burned area products using stratified random sampling and estimation[J]. Remote sensing of environment, 2015, 160:114-121. DOI: 10.1016/j.rse.2015.01.005

DOI

[21]
肖潇, 冯险峰, 孙庆龄. 利用MODIS影像提取火烧迹地方法的研究[J]. 地球信息科学学报, 2016, 18(11):1529-1536.

DOI

[Xiao X, Feng X F, Sun Q L. Burned Area Detection in the Ecosystem Transition Zone Using MODIS Data[J]. Journal of Geo-information Science, 2016, 18(11):1529-1536.] DOI:10.3724/SP.J.1047.2016.01529

DOI

[22]
尤慧, 刘荣高, 祝善友. 加拿大北方森林火烧迹地遥感分析[J]. 地球信息科学学报, 2013, 15(4):597-603.

DOI

[You H, Liu R G, Zhu S Y, et al. Burned Area Detection in the Canadian Boreal Forest Using MODIS Imagery[J]. Journal of Geo-information Science, 2013, 15(4):597-603.] DOI:10.3724/SP.J.1047.2013.00597

DOI

[23]
Belenguer-Plomer M A, Tanase M A, Chuvieco E, et al. CNN-based burned area mapping using radar and optical data[J]. Remote Sensing of Environment, 2021, 260:112468. DOI:10.1016/j.rse.2021.112468

DOI

[24]
Sun L, Wei J, Wang J, et al. A universal dynamic threshold cloud detection algorithm (UDTCDA) supported by a prior surface reflectance database[J]. Journal of Geophysical Research: Atmospheres, 2016, 121:7172-7196. DOI: 10.1002/2015JD024722

DOI

[25]
Key C H, Benson N C. The Normalized Burn Ratio, a Landsat TM radiometric index of burn severity incorporating multi-temporal differencing[J]. US Geological Survey, 1999:2000.

[26]
Hawbaker T J, Vanderhoof M K, Beal Y J, et al. Mapping burned areas using dense time-series of Landsat data[J]. Remote Sensing of Environment, 2017, 198:504-522. DOI:10.1016/j.rse.2017.06.027

DOI

[27]
徐英德, 裴久渤, 李双异, 等. 东北黑土地不同类型区主要特征及保护利用对策[J]. 土壤通报, 2023, 54(2):495-504.

[Xu Y D, Pei J B, Li S Y, et al. Main Characteristics and Utilization Countermeasures for Black Soils in Different Regions of Northeast China[J]. Chinese Journal of Soil Science, 2023, 54(2):495-504.] DOI:10.19336/j.cnki.trtb.2023022102

DOI

[28]
李保国, 刘忠, 黄峰, 等. 巩固黑土地粮仓保障国家粮食安全[J]. 中国科学院院刊, 2021, 36(10):1184-1193.

[Li B G, Liu Z, Huang F, et al. Ensuring National Food Security by Strengthening High-productivity Black Soil Granary in Northeast China[J]. Bulletin of Chinese Academy of Sciences, 2021, 36(10):1184-1193.] DOI:10.16418/j.issn.1000-3045.20210706003

DOI

Options
文章导航

/

〈 〉