基于中分辨率成像遥感数据的毕拉河林场林火信息检测

丁海勇，吴 月

(南京信息工程大学 a. 遥感与测绘工程学院, b. 地理科学学院，江苏 南京 210044)

林火在失去人为控制后，由火点处向四周肆意延伸，在扩散过程中形成森林火灾[1]。森林火灾的发生是难以预测的，一般具有偶然性和隐蔽性，同时具有较大的破坏性，是一种控制和救援都较为困难的自然灾害[2]。林火不仅无情地毁灭森林中的各种生物，破坏陆地生态系统，甚至引起其他自然灾害的发生，而且森林燃烧时会产生的大量烟尘，对空气和水源造成污染，使全球温室效应增强，威胁人类的生存条件，因此加强对森林火灾的防控和监测能力迫在眉睫，其中林火的监测是一个极为重要的环节。随着卫星遥感探测技术的快速发展，运用卫星监测林火的手段已成为目前森林火灾监测的重要方法之一[3]。卫星观测可以准确确定火灾发生的位置，同时还可以获取大范围的火场活动情况，是监测火情必不可少的手段。

中分辨率成像光谱仪(MODIS)数据具有时间分辨率高、覆盖范围大、免费使用的特点，是一个非常好的数据源。从1980年开始，世界各国陆续使用遥感卫星检测森林火灾，经过专家学者多年的研究改进，基于MODIS数据的火点检测方法有三通道合成法[4]、绝对火点识别法[5-6]、上下文火点检测算法[7]等。林火监测的另一个重要的应用是提取过火迹地，利用遥感技术对植被的燃烧痕迹进行识别。目前，根据研究尺度的不同，选择多时相卫星遥感数据进行林火信息检测的方法主要有基于多要素的统计模型[8]，基于知识模型的过火迹地提取[9]，基于多种光谱指数的阈值法[10-11]以及基于监督分类、决策树、面向对象等图像分类法[12-13]。其中效率最高、应用最广的是指数方法，提出了植被指数(NDVI)、燃烧区域指数(BAI)、燃烧比率指数(NBR)和全球环境监测指数(GEMI)[14-16]等过火迹地指数。林火对植被造成破坏，导致叶绿素细胞受损以及土壤碳化，使其反射率发生变化，光谱特征也随之发生变化，以上识别方法正是基于这种变化建立的。

2017年5月2日，内蒙古大兴安岭毕拉河林场发生特大森林火灾。由于火势较强，加上地形复杂和天气因素的影响，因此给地面火情判断带来了难度。本文中采用鲁棒卫星技术(RST)算法利用火灾发生前、后MODIS影像进行森林火点信息的检测和提取。RST是基于背景场分析的异常提取算法，能够去除地形、气象等因素影响，但它更多地考虑时空域上相对于背景场的异常，且不能完全去除伪异常值对检测结果的影响。将阈值方法和其他资料的判识作为RST算法的前提，结合2种算法的优点，尝试对RST算法提出阈值，提取到更精确的火点信息。然后基于确认的火点信息，结合局部变化检测指数(ALICE)和GEMI方法提取过火迹地信息。

1 数据与方法

1.1 研究区和数据源

研究区域位于内蒙古大兴安岭，南北长度为84 km，东南宽度为64 km。有林地面积533.055 ha，森林总蓄积量362万m3，森林覆盖率为68.38%。毕拉河林火发生在2017年5月2日，本文中选用2016年5月—2018年5月期间的逐月数据、2017年4月11日—5月21日逐日数据作为火点监测的实验数据，2017年5月7日的单日MODIS数据作为过火迹地识别的实验数据(图1)。这些数据均来源于美国国家航空航天局(NASA)官网的Terra卫星的MODIS L1B数据。

图1 内蒙古大兴安岭毕拉河林场的中分辨率成像光谱仪(MODIS)影像

1.2 技术路线

研究主要利用MODIS数据，使用遥感图像处理平台(ENVI)对数据进行预处理，包括几何校正和辐射定标；然后对数据进行云检测和水体判识，用来提高火点监测的精度，使用阈值检测和RST算法对校正后的数据进行火点检测；随后对火点监测结果进行伪火点和噪声点等的虚假火点的剔除，将算法进行对比分析和精度评价，分析综合算法的可行性；最后利用火点提取信息和GEMI方法提取林火迹地信息。技术路线如图2所示。

1.3 RST算法

图2 林火迹地信息提取技术流程图

RST算法是基于多时序相同定位的卫星数据分析的方法，根据卫星图像中每个待处理像元的期望值和自然信号的可变性来表示卫星信号。在此基础上，利用ALICE可以识别异常信号，旨在突出时间或者空间上相对平静状态下的异常，能够运用于多源数据、不同地域、不同观测条件的算法[17-18]。其计算公式为

(1)

式中：⊗V(x,y,t)为t时刻坐标位置为x、y的像元异常值；V(x,y,t)为t时刻坐标位置为x、y的像元值；μ(x,y)为相同位置、相同时刻的平均值；σ(x,y)为对应的标准差。该方法是一种基于多时相数据分析方法，考虑的是时空域上相对于平静状态下的异常，确定处理长时间序列的同质卫星记录，根据一些均匀性标准进行分层，同时也可以看出该算法的ALICE计算是基于像素级别的。

1.4 精度评价

利用准确率P、漏检率M以及综合准确率和漏检率F值来进行统一的精度评定。评价指标中的准确率是指算法检测到的真实火点像元的个数占检测火点总数的比例，而漏检率是指真实火点像元中没有被算法检测到的火点像元个数占真实火点总数的比例[19]，表达式分别为

(2)

(3)

(4)

式中：Yy为检测的火点为真实火点的个数；Yn为误检火点的个数；Ny为漏检火点的个数。

1.5 过火迹地提取

在MODIS数据的B5通道处，过火迹地和非过火迹地的反射率会有很大的差异；而在B7通道处，过火迹地和非过火迹地的反射率几乎没有差别。利用MODIS数据的这一特性能够有效地区分已燃烧与未燃烧的像元。同时B5、B7通道的波长较长，有较强的穿透力，因此云和气溶胶等对这2个通道造成的干扰较小[20]。本文中利用过火迹地指数中的GEMI对过火地区进行识别。

(5)

(6)

式中：I为GEMI；ρ5为MODIS数据B5通道的反射率；ρ7为MODIS数据B7通道的反射率。

相对于其他地物来说，过火迹地指数的数值较大，因此，利用GEMI可以有效地区别过火迹地和其他绝大多数的地物类别，而且在同类地物的集中度上效果很好。

2 数据处理

2.1 火点检测

国家MODIS数据共享中心提供了MODIS火灾监测的基本算法[21]。本文中利用阈值算法提取火点信息作为RST阈值确定前提，结合2种算法进行火点信息提取研究。步骤如下：

1)云检测。结合MODIS的数据B1、B2通道的反射率信息和B32通道的亮度温度对云进行检测[22]。

2)水体判识。采用MODIS影像几何定位产品中的水体数据进行水体掩膜处理。

3)背景信息提取。建立被检测像元和其周围像元间的温度关系。确定背景温度时，按照经验可调节分析区域的大小，直到确定所有分析点中非火像元点所占的比例不低于25%，用来判断被检测像元是否为火点像元。确定提取时滤除火点的条件，排除这些火点后，就能得到波长为4、11 μm的背景温度、均值和绝对偏差等信息；利用这些信息可进行疑似火点的判断。

4)RST检测。一般情况下RST算法的背景场选择主要分2种，即同期温度均值和空间域温度均值。在时间域方面选择2个不同时间尺度的方法，分别是每月同期温度均值和每日同期均值。以下共选择3种方法进行研究，以选择火点信息的最佳提取结果。

①基于每月同期均值的RST算法。选择每月同期数据作为研究对象，时间为2016年5月—2018年5月，根据时间序列对这25期数据进行编号，对应编号为0—24。对于上述RST计算公式，其中时间t即为每月同期的相同时刻，在本次计算中用m表示，其计算公式为

(7)

式中⊗V(x,y,m)为连续月份内同一日期的同一时刻坐标位置为x、y的像元异常值；V(x,y,m)为连续月份内同一日期的同一时刻坐标位置为x、y的像元值。试验结果表明，阈值选取为2.7时，火点像元检测较为准确。

②基于连续日期均值的RST算法。对于上述的RST算法方案①，数据反映的是长期变化，因此选择改变时间域，减小时间尺度，选择连续日期的41幅影像，时间为2017年4月11日—5月21日，根据时间序列对这41期数据进行编号，对应编号为0—40。计算公式为

(8)

式中⊗V(x,y,d)表示为连续时间内每天同一时刻坐标位置为x、y的像元异常值[23]；V(x,y,d)为连续时间内每天同一时刻坐标位置为x、y的像元值。经过多次试验显示，阈值选取为2.6时能够较准确地检测到火点像元。

③基于空间域均值的RST算法。空间域均值方法是在基于连续日期均值的RST算法上改变的，将局部空间域内像元均值作为中心像元值，局部空间域选择3×3的计算窗口，计算时所选择的数据和日期不变，并对数据进行相应编号。其中像元值V(x,y,d)为局部区域内均值代替，即Vm(x,y,d)，计算公式为

(9)

式中：⊗Vm(x,y,d)表示为连续时间内每天同一时刻坐标位置为x、y的像元所在局部区域内的异常值；Vm(x,y,d)为每天同一时刻坐标位置为x、y像元所在局部区域内的平均像元值；μm(x,y)为相同位置在连续日期内的像元平均值；σm(x,y)为对应的标准差。试验表明，阈值选取为2.7时火点像元检测结果较好。

5)虚假火点去除。滤除耀斑和异常高温点，利用波长为4 μm通道的亮温信息和耀斑角信息判识耀斑[24]。

6)NDVI数据辅助判别。对研究区的NDVI辅助数据进行统计，建立了NDVI与地表类型的关系，见图3。由图可以看出，无植被覆盖的水体和裸地的NDVI值较小，甚至为负值； 而燃烧区的植被指数在火灾发生期间发生剧烈变化，燃烧后期NDVI最小值为0.05。综上，在选择研究区的NDVI大于0.1作为判定阈值，基于此区分林火点和非林火点。

图3 研究区植被指数与地表类型的关系

2.2 过火迹地检测

森林火灾发生后会向四周蔓延和扩散，过火迹地最有可能在火点的周边区域形成，所以将火点监测结果加入判识过火迹地的条件中，可以提高过火迹地信息提取的准确性。基于上述火点监测中提取的火点信息，选取GEMI对研究区进行过火迹地的识别。首先以精度评价最高的火点监测结果作为确认火点，其ALICE值作为火点信息，计算所有待判像元的GEMI值，对满足阈值条件的像元，判断为疑似过火迹地像元，不满足阈值条件的则判定为非过火迹地像元；然后对所有疑似过火迹地像元所在窗口内的ALICE值进行统计判别，窗口内有火点存在即ALICE达到阈值则确认为过火迹地像元，反之为非过火迹地像元。

利用GEMI过火迹地模型和火点信息ALICE对研究区进行过火迹地识别的应用试验，设定双重阈值提取过火迹地信息，最终确定GEMI阈值为0.24，ALICE阈值为3时，监测效果较好。

3 结果与分析

3.1 火点检测结果

3.1.1 基于每月同期均值的RST算法

对编号为0—24的影像进行数据处理可得到如图4所示的火点检测结果。从图中可以看到，检测到火点的数据编号为12，其对应日期为2017年5月2日，与森林火灾发生的日期一致。ALICE分布图中黑点所在像元是ALICE数值最大的区域，对该区域连续日期内的亮温和ALICE数值的变化由2幅折线图可以观察到。从该像元区域处的连续25期影像的亮温变化情况可以看出，该区域的亮温值一般稳定在260～300 K，编号为12的影像的亮温数值显示异常，异常值为361 K。ALICE与亮温变化趋势相同，指数值稳定在-1～1，发生异常的为同一期影像，异常值为3.86。

图4 基于每月同期均值的检测结果

3.1.2 基于连续日期均值的RST算法

对编号为0—40的影像进行数据处理，经过RST算法计算得到基于连续日期均值的检测结果，如图5所示。可以看到，检测到火点的影像数据的编号为22，对应日期为2017年5月2日，与森林火灾发生的日期一致。ALICE分布图中的红色区域是数值最大的区域，对该区域连续日期内的亮温和ALICE数据的变化由2幅折线图可以观察到。从火点区域内红色像元处的连续41期影像的亮温变化情况中可以发现，这期间该区域的亮温值稳定在240～310 K，对应编号为22的影像的亮温数值发生了突变，异常值为361 K。ALICE与亮温变化趋势相同，数值大部分在-2～1，异常发生在同一影像，其指数值为4.00。同时，在火灾发生后的3期内亮温和ALICE数值都突然大幅度减小，一方面是火灾救援工作的实施对地面亮温带来了影响，另一方面是在该区域发生了雨雪天气，导致亮温和ALICE数值发生明显变化，造成了异常低值。

图5 基于连续日期均值的检测结果

3.1.3 基于空间域均值的RST算法

对编号为0—40的影像进行数据处理，得到基于空间域均值的检测结果，如图6所示。由检测结果可以看出，编号为22的影像检测到火点异常，其对应日期为2017年5月2日，与森林火灾发生的日期一致。ALICE分布图中的黑点所在像元是数值最大的区域，对该区域连续日期内的亮温和ALICE数据的变化由2幅折线图可以观察到。从该像元区域处的连续41期影像的亮温变化情况可以看出，这期间该区域的亮温值稳定在240～300 K，对应编号为22的影像的亮温数值显示异常，异常值为357 K。ALICE与亮温变化趋势相同，数值大部分在-2～1，异常发生在同一影像，指数值为3.72。同样，在折线图中出现的异常低值是因救援工作和雨雪天气导致的。

从上述3个算法的检测结果都能看到火点区域ALICE的分布变化，明显地看出火点区域的热异常情况，通常越接近火点像元的ALICE数值越大，说明火势越强。

3.1.4 火点监测精度评价

对RST的3种算法的提取结果进行精度评价，结果如表1所示。通过对比F值可以发现，检测精度由高到低的顺序为基于连续日期均值算法、基于空间域均值算法、基于每月同期均值算法。对于每月同期均值算法来说，由于其时间不连续，而且连续的月数据可能带有地温季节变化的影响，而前后只有40期的连续日时间数据，季节变化带来的气温影响相对较小，因此就时间域的对比来说，使用连续数据的检测效果更好。

空间域均值算法是将局部空间均值作为中心像元值参与计算，不仅考虑到时间的变化，同时还考虑到了空间地理位置的变化。本文中的研究区域在山地林区，该方法可以减小地形对地温的影响，提高算法的精度，但这也相当于对局部区域的进行了平滑处理，抑制了局部异常值，会使区域中的异常值不敏感，从而对检测结果造成一定影响。综合比较来说，基于连续日期均值RST算法更适合于本文中研究区提取火点，经过多次阈值试验，ALICE值选取为2.6时，火点检测结果较好。

图6 基于空间域均值的检测结果

表1 检测算法的精度评价

3.2 过火迹地提取结果

毕拉河林场火灾于2017年5月2日发生，5月5日结束，为了避免监测结果受到火灾浓烟和云层的干扰，尽量选择火灾结束后且无云的数据，因此选择2017年5月7日的MODIS L1B数据作为实验数据来提取毕拉河森林火灾的过火迹地。监测模型提取结果见图7。由图可以看出，利用GEMI提取了2个过火地区，但实际只有一个过火区中有火点存在，表明另外一个过火区内无火点，实为非过火区；结合火点信息指数和GEMI提取的过火区域内有火点，同时无虚假过火区存在。

(a)利用全球环境监测指数提取

(b)结合火点信息指数和全球环境监测指数提取图7 毕拉河林场过火迹地提取结果

实验结果表明，基于MODIS 数据波段特性可以识别出迹地像元，进而识别出迹地，及时提供过火迹地发生位置及扩散范围等相关信息，适用于对过火迹地的实时监测。利用遥感影像MODIS数据通过假彩色合成(波段1、2、3合成)也可目视识别过火区，如图8所示。过火区域颜色较深，利用此图可清晰看出火灾燃烧留下的痕迹。对比图1和图8，大部分迹地像元都能被精确监测到，提取的过火迹地结果与实际过火情况较为一致。

图8 毕拉河林场过火迹地影像图(波段1、2、3假彩色合成)

4 结论

1)通过MODIS数据利用阈值算法提取火点信息作为RST阈值确定前提，结合2种算法进行火点信息提取研究，通过改变RST算法的核心参数，衍生出几种不同的RST算法，得到火点信息的ALICE值；通过精度评价的方法比较选择阈值，同时对衍生的3种方法进行对比，其检测精度由高到低的顺序为基于连续日期均值、基于空间域均值、基于每月同期均值。基于连续日期均值RST算法检测精度最高，对本文研究区域有更好的适应性。经过多次阈值试验，ALICE值选取为2.6时，火点检测结果较好，将其作为火点检测结果。

2)RST算法对长时间序列数据进行计算来检测火点，不仅是适用的，而且还将火点信息精确到了像素级别，更认识到了地表亮温及其相关数据(如ALICE)的长期规律，帮助我们今后更好地判识火情。建立固定长度的时间序列数据，新数据更新后加入模型计算，可以及时判识最新数据的异常情况，因此RST算法具有时间域上的优势。最后也验证了MODIS数据可适用于长时间序列火情监测，为今后火情相关的应用和研究提供极大的帮助。

3)基于确认火点信息，结合ALICE和GEMI提取过火迹地信息，该方法检测出绝大部分过火迹地像元，且与目视解译结果具有一致性，表明此方法不仅具有可行性，还在原单一方法基础上提高了检测的精度，方便后续的火灾评估工作。

在火灾检测中云对检测结果影响很大，在本文研究中都尽量使用少云或无云的数据，但单一数据源的使用可能会从数据质量方面对监测过程造成影响，因此可以使用多源遥感数据或其他分辨率更高的影像作为数据源。以上方法的适用性还有待更深入的研究。