多源遥感影像林火信息检测和植被恢复动态监测

张兆鹏 周晓敏 闫 敏 田 昕

（1. 自然资源部第一大地测量队，陕西 西安 710054；2. 中国科学院空天信息创新研究院，北京 100091；3. 中国林业科学研究院资源信息研究所，北京 100091）

森林作为国家可持续发展的重要物质基础，是经济建设和生态环境建设中不可多得的、可更新的再生资源，特别是森林具有巨大的固碳功能，在应对气候变化、维护生态安全中发挥着特殊作用[1-4]。但森林生态系统经常遭受来自人为和自然的各类扰动，主要包括森林病虫害、各类火灾和人工砍伐的干扰[4]。森林火灾是一种具有较强突发性、较大破坏力的自然灾害，且不易救助，它会一定程度上损害原始森林的物种结构、组成和功能，严重情况下甚至会威胁人类的安全、影响区域的碳循环[4]。森林在遭受到火灾干扰且无新生林木生长的土地称之为火烧迹地，火烧迹地植被的恢复是森林生态系统恢复的基础[4]。传统的过火区域信息提取和恢复一般均采用外业调查的方法，但对地理位置偏远、交通不便和地势险峻区域的火灾，野外实测难度较大。且火灾干扰后植被恢复需要长时间连续监测，这进一步加大了外业工作量[4]。航天遥感技术的快速发展，为国家林地资源信息获取提供了有效手段[3]。从不同来源、不同形式的遥感信息中快速准确、高质高效地获取林地信息[3]，实现森林资源的定期、甚至实时监测，为森林资源清查、森林火灾监测和森林资源保护提供了重要的基础和依据[3]。遥感技术具有数据获取周期短、速度快、可重复观测、星多幅宽等优势[2-5]，能获取人不能至、人不宜至和人不易至区域火灾信息，弥补了传统人工实测时难以全覆盖、费时和费力等方面的不足[3,6-7]。

目前，为了详细了解和掌握森林火烧迹地面积和植被更新演替及其变化规律[8]，已有大量国内外学者利用遥感技术对火烧迹地的信息提取和植被恢复方面开展了大量的研究[8-12]。朱曦等[13]基于环境减灾小卫星数据，分别利用对比分析归一化植被指数（NDVI）[9]、全球环境监测植被指数（GEMI）[14]、过火区识别指数（BAI）和增强型植被指数（EVI）[8]对过火区进行识别，对比发现BAI与GEMI对过火区具有较好的分离性。Yi等[15]基于1987年大兴安岭北部特大火灾发生前后的AVHRR GIMM-NDVI数据[16]，通过利用AVHRR GIMM-NDVI值构建林分恢复指数（SRI），同时选取和过火区气候条件、立地条件、海拔高度相似的区域作为未被林火控制区域[8]，利用该特定区域的NDVI值构建相对恢复指数（RRI），采用非参数Mann-Kendall（MK）统计方法对NDVI表征的植被恢复过程进行空间分布和趋势分析[8]，得出10月份是利用NDVI值区分中国北方森林火烧前后前植被状况的较好时期。苗庆林等[17]基于2006年大兴安岭松岭火灾前后的MODIS影像（2003—2013年），利用外业调查数据与NDVI，采用监督分类对森林火烧强度进行划分，并结合统计方法对大兴安岭东南部不同燃烧强度下植被恢复过程进行动态监测和研究。Fernandez-Manso等[18]以Landsat TM/ETM+遥感影像为主要数据源，选取西班牙大火后88个不同程度火烧迹地（未燃烧、低、中和高）为研究区域，通过对原始Landsat TM/ETM+影像进行多端元光谱混合分析（MESMA）得到阴影归一化绿色植被占比影像（SGV），将SGV值与未燃烧区域的SGV值进行对比，确定了植被恢复指数（VRI），研究表明由Landsat TM/ETM+数据反演而来的VRI可应用于火灾干扰后植被恢复研究[8]。孙 桂芬[4]利用 研 究区的Landsat 8 OLI和GF-1 WFV遥感数据，通过5种植被指数（GEMI、NDVI、BAI、EVI和NBR）火烧迹地进行识别和精度评价，得出基于近红外或短波红外波段构建的植被指数对火烧迹地提取结果相对较好，并通过长时间序列监测，对提取的漠河不同程度过火区的植被年变化进行分析。

大兴安岭作为中国重要的林业基地之一，拥有完备的自然生态系统，其生态地位极高[3-4]。本研究以大兴安岭的重点林区为研究区，采用2001—2020年间的Landsat 5 TM和GF-1 WFV遥感数据产品，结合0.2 m分辨率的航空CCD数据和全球30 m精细地表覆盖产品（GlobeLand30），利用基于NDVI的像元二分模型建立植被覆盖度（FVC）的估算模型，对大兴安岭地区2001—2020年间的植被覆盖度变化状况进行研究，并分析了研究区植被覆盖空间分布特征和影响因素，同时对研究期间过火区的植被覆盖的时空变化特征以及恢复情况进行了重点研究。

1 研究区概况

研究区为大兴安岭火灾易发地，地处内蒙古自治区东北部根河市和黑龙江省的漠河市、呼玛县境内，位于东经121°27′11″～123°19′04″，北纬50°44′56″～52°35′09″。研究区内包括内蒙古根河市金河镇境内的汗马国家级自然保护区、根河生态站和黑龙江省呼中国家级自然保护区等大型森林生态类型自然保护区。呈东北—西南走向的大兴安岭山脉纵贯整个林区，构成林区的山地丘陵地形[2]。林区地势起伏不大，海拔高度在400～1 500 m。林区属于寒温带大陆性季风气候（冬季：漫长、严寒，夏季：短暂、炎热），年平均气温低（-2.5 ℃），四季温差较大（冬季极端最低气温可达-52.3 ℃），昼夜温差升降急剧[2]。林区降水量主要集中于夏季时期的7—8月份，约占全年的80%～90%。林区树种主要有山杨（Populus davidiana）、兴 安 落 叶 松（Larix gmelinii）、樟子松（Pinus sylvestrisvar.mongholica）和白桦（Betula platyphylla）等，兴安落叶松是林区中占绝对优势的树种[2]。

2 材料与方法

2.1 数据来源

本 研 究 以 获 取 的7景Landsat 5 TM和7景GF-1 WFV遥感影像为主要数据源[2]（表1），其中Landsat TM影像来源于USGS官网（http://glovis.usgs.gov/）和地理空间数据云（http://www.gscloud.cn/）[2]，GF-1影像来源于中国资源卫星应用中心（http://www.cresda.com/CN/）[2]。以地理空间数据云获取的30 m空间分辨率的ASTER GDEM数据用于正射校正；以地球大数据科学工程数据网站（http://www.casearth.com/）获取的全球30 m地表覆盖（GlobeLand30）精细分类数据作为研究区分类参考数据；以2016年8月获取的0.2 m分辨率的航空CCD数据（中国林业科学研究院资源信息研究所提供）[2]和2015年9月和2018年9月获取的1.0 m分辨率的GF-2 PMS数据作为FVC验证数据。

表 1 各景遥感影像的信息表Table 1 The information of remote sensing images

2.2 影像处理

卫星遥感影像在成像过程中，会产生各种辐射误差和几何变形[19-21]。根据本研究中遥感影像的实际情况[21]，要对影像进行辐射定标、大气校正和几何校正后才能进行信息提取[2,19]。为减少不同期遥感影像间的光谱差异，降低FVC反演误差，研究以2011年的TM影像为基准影像，采用最小二乘回归法对其他影像进行校正[19]。

2.3 NDVI计算

植被指数是对地表植被状况的简单、有效和经验的度量[22]。由于NDVI可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件有关辐照度的变化，增加了对植被的响应能力[22]，是目前应用最广的一种植被指数[21]。在LAI值很高，即植被茂密时，其灵敏度会降低[21]。计算方法为：

式中：NIR和R分别表示近红外波段和红光波段的 反 射 率，Landsat 5 TM和GF-1 WFV的R和NIR均分别为band3、band4波段[21]。

NDVI的范围通常在-1到1之间[21]，负值一般表示云、水、雪等对可见光波段比近红外波段反射高的地物，0一般是裸地或岩石等，正值则表示有植被覆盖，且植被覆盖度越大NDVI越接近1[21]。由于大气校正后的结果会有部分像元为负值，会使计算得到的NDVI在[-1, 1]之外，需要通过波段计算去除异常值，表达式为：-1＜B1＜

1 (B1: NDVI)。

2.4 过火区提取

利用假彩色合成的Landsat TM和GF-1 WFV遥感影像，能够快速目视识别出森林过火区大致的地理位置范围[19]。因林火发生前后森林过火区的NDVI会发生明显变化[3]，故对森林火灾发生前后2期遥感影像的NDVI进行差值运算，利用NDVI差值（dNDVI）并通过阈值分割提取过火区[4]。不同时期dNDVI的计算方法如下：

式中：NDVIpost和NDVIpre分别表示火灾前和火灾后相应年份的NDVI值。

2.5 植被覆盖度计算

为了得出所需结论，需要将植被指数转化成植被覆盖度[21]，像元二分模型是目前应用较多的一种遥感估算植被覆盖度的方法[21,23-25]。该方法简单、实用、精度高，且与实际情况吻合度较高。其假设一个像元的信息可以分为两部分[22]：植被覆盖部分和裸土部分，其中植被覆盖部分所占像元的百分比即为该像元的植被覆盖度[21-22]。

植被指数反映了单位像元内植被的生长状况，由于像元内的植被覆盖具有不同的结构特征，可以将其分为2种类型，纯像元和混合像元[21,26]。一个混合像元包括土壤和植被2种信息，即每个像元可以看做是植被覆盖部分的NDVI与无植被覆盖部分的NDVI的加权平均[22]，此时植被面积部分占像元的比率为该像元的植被覆盖度，该混合像元植被指数为[22]：

则植被覆盖度转换模型为：

式中：FVC为植被覆盖度，NDVIveg为全植被覆盖的归一化植被指数，NDVIsoil为裸土的归一化植被指数值[22,27-28](表2)。

NDVIsoil一般是不随时间改变的，对于大多数类型的裸地表面，理论上NDVIsoil的值应该接近零。然而由于大气作用，地表湿度会发生变化，导致NDVIsoil也会随时间发生变化[22]。此外，由于地表湿度、粗糙度、土壤类型、土壤颜色等条件的不同，NDVIsoil也会随着空间而变化[22]，NDVIsoil的变化范围一般在0.1～0.2[21]。因此，采用一个确定的NDVIsoil值是不可取的，即使对于同一影像，其值也会有所变化。NDVIveg代表着全植被覆盖像元的最大值。由于植被类型的不同，植被覆盖的季节变化，叶冠背景的污染，NDVIveg值的确定也存在着与NDVIsoil值类似的情况，NDVIveg值也会随着时间和空间而改变[21]。因此，采用一个确定的NDVIveg值也是不可取的[21]。由于遥感影像中往往存在诸多干扰因素（如大气条件），NDVI的最大和最小值一般不能直接从灰度图中统计得到。因此文中结合GlobeLand30数据和各期影像中不同土地覆盖类型的NDVI阈值分别生成NDVIsoil和NDVIveg参数文件，用如下表达式来计算NDVIsoil和NDVIveg[21]：

式中：bi为土地利用类型（如林地、耕地、草地、城市用地和水体等）的掩膜文件；ni和ni+j（i=1, 2, 3, …,n；j=总地物类的个数）分别表示各个掩膜文件对应的NDVI最小值和最大值[21]。

由于遥感成像受多种因素（如气象条件、观测角度、观测时间、太阳角度等）影响，因此在遥感图像中，难免会存在异常值。基于统计学原理，可以通过取一定置信度的值来确定各类用地的NDVImax和NDVImin。最终运用公式（4）实现灰度图转化为植被覆盖图[21]，通常在NDVI置信度之外的像元（包括NDVI异常像元）会产生一些异常值（即值在[0, 1]之外）。而且背景和水体区域FVC的值为-NaN（即无效值），是因为分母为0造成的。利用ENVI的Bandmath工具可以去除产生的异常值，表达式为：0.0＞b1＜1.0 (b1:FVC)。

表 2 NDVIsoil和NDVIveg值统计Table 2 The value of NDVIsoil and NDVIveg

2.6 植被覆盖度精度验证

选取通过2015年和2018年的GF-1 WFV数据反演的FVC进行精度验证。2015年和2018年GF-2数据获取时间与研究所用数据时间在同一时期，满足森林植被同物候期的要求[19]。通过在2期GF-2影像上均提取16 m大小窗口（与GF-1 WFV影像的空间分辨率保持一致）的感兴趣区域45个，即为5个等级的FVC各抽取9个样点。利用监督分类将选取的感兴趣区分为植被和非植被两大类，通过统计各个区域中植被像元所占比例[21]，即为该样点的植被覆盖度，最后对验证结果和反演结果进行交叉验证[19,29]。由于GF-2影像的分辨率相对较低，为弥补不足，研究时按照上述方法在2015年、2016年和2018年基本无变化区域处从0.2 m的航空CCD影像上选取16 m大小窗口的感兴趣区域35个，统计结果后再次进行交叉验证。

3 结果与分析

3.1 NDVI和过火区提取结果

用于过火区信息提取和植被覆盖度反演的NDVI灰度图见图1[21]。

图 1 NDVI计算结果Fig. 1 The NDVI images of research areas

对2001—2020年间的NDVI进行差值运算得到dNDVI，通过阈值分割（阈值选取：-0.2）对过火区信息进行提取，同时结合遥感影像消除由云覆盖、水体变化等造成的误提取信息，最终提取结果见图2。以2001—2019年的MODIS、Landsat TM/OLI和GF-1等高分辨率遥感影像为基础，结合国家林业信息网公布的大兴安岭地区火灾信息[2]，在遥感影像上通过手工勾绘得到的研究区2020年前着火点分布数据作为林火信息提取结果的验证材料。过火区验证数据见图3，其中2003年的过火区作为植被覆盖度变化研究的热点区域。

由过火区提取结果和验证数据的叠加对比验证结果（图4）可知dNDVI能够快速、高效地对过火区进行分离，且提取结果的可靠性较高。

图 2 dNDVI过火区信息提取结果Fig. 2 The dNDVI images of research areas

3.2 植被覆盖度

3.2.1 植被覆盖度等级划分

根据《国家森林资源连续清查技术规程》（GB/T 38 950—2020）[30]地类划分标准和《林地分类标准》（LY/T 1812—2009）[31]，同时结合大兴安岭地区植被的特点和其他学者研究中所采用的FVC分级标准[19-21,32-33]，将研究区的FVC分为5个等级[21]：极低覆盖度植被（Ⅰ级）：植被覆盖度小于0.2（FVC＜20%）；低覆盖度植被（Ⅱ级）：植被覆盖度介于0.2与0.4（20%≤FVC＜40%）；中覆盖度植被（Ⅲ级）：植被覆盖度介于0.4与0.6（40%≤FVC＜60%）；较高覆盖度植被（Ⅳ级）：植被覆盖度介于0.6与0.8（60%≤FVC＜80%）；高覆盖度植被（Ⅴ级）：植被覆盖度大于等于0.8（FVC≥80%）[19-20]。根据以上分级标准，将反演得到的不同时期的FVC数据进行等级划，得到植被覆盖度等级划分图（图5）。

图 3 研究区各年份着火点分布Fig. 3 The distribution of fire spots in different years in the study area

图 4 叠加对比Fig. 4 The addition and correction

图 5 FVC等级划分结果Fig. 5 The fractional vegetation cover(FVC) classification results

3.2.2 精度验证

利用2期对应的GF-2影像和2016年的CCD航空影像对2015年和2018年2期FVC结果双重交叉验证结果见表3。由表3可知，2015年和2018年的FVC反演结果精度较高，表明结果具有一定可靠性，满足研究需求。

表 3 交叉验证结果Table 3 The results of cross validation

3.2.3 FVC变化检测

一般而言，将低一级植被向高一级植被的转化称作植被增长，高一级植被向低一级植被的转化称作植被退化[21]。选取2011年作为中间节点，通过FVC间的差值运算得出2001—2020年植被覆盖度转化关系，结果见图6和表4。

图 6 2001—2020年FVC动态变化分布Fig. 6 Distribution of dynamic changes in FVC from 2001 to 2020

表 4 2001—2020年各植被覆盖度等级转移矩阵Table 4 Transform situation matrix of vegetation coverage grades from 2001 to 2020 km2

结合2001—2020年间FVC等级划分结果（图5）与变化检测结果（图6、表4）可知，研究区主要以Ⅲ级、Ⅳ级和Ⅴ级植被为主，整体FVC较高；结合林火分布图可知，植被退化和植被增长幅度较大（Change(±3～±5)）区域基本位于林火分布的地理位置处，表现为2001—2011年研究区西南部和东南部出现大范围明显的植被退化，而2011—2020年对应区域则反之，出现明显植被增长；2001—2020年间研究区整体FVC降低，其中较高和高植被覆盖度在20年间分别减少了443.7 km2和465.3 km2，中等植被覆盖度增加了996.3 km2，增加了3.6倍；极低和低覆盖度植被分别减少了61.07%和51.61%。植被退化区域主要分布于研究区地势较低区域，尤其研究区西北和东南地区的FVC降低较为明显；以2011年为节点，中覆盖度植被增加主要在2001—2011年间，增加了近2倍；2011—2020年间极低和低盖度植被减少明显，分别减少了50.28%和60.87%。

3.2.4 FVC变化影响因素

1）火灾干扰。火灾具有较强的突发性和较大的破坏力，能使原有森林的林分组成、结构和功能严重受损，地表植被覆盖大大减弱甚至将其变为无植被覆盖的裸地[3]。由图2和表5可知，研究期间林区火灾频发，利用遥感影像可识别和检测的过火区就有1 368.62 km2，多起火灾干扰是导致林区植被覆盖度大幅度下降的最主要原因，尤其2003年的特大火灾的干扰使研究期间各等级FVC出现明显的正负向波动。

表 5 2001—2020年间火烧迹地面积统计Table 5 Statistics of fire burned areas from 2001 to 2020

2）人为因素。研究区常住居民（敖鲁古雅居民）生活方式由原来的狩猎为主转向旅游业，旅游业的大力发展、经济利益驱动下林木的砍伐，一定程度上导致了特定时间段内FVC的下降，如2011—2020年（图6b）。大兴安岭通过实施以减少林木采伐量、转变经济发展模式、增加林地资源管理力度等措施为主的天然林资源保护工程，取得了显著效果[2]。研究区基本位于“天保”工程重点保护的林区之中，“天保”工程的实施促进林区的植被覆盖度得到一定程度的改善。

3）其他因素。在地形方面，通过分析研究区地形特征可知，FVC负向变化区域主要处于低海拔地区[34]，高海拔区域FVC变化较小。在林分组成方面，不同的树种、不同的树龄会影响林区内FVC的动态变化，兴安落叶松是林区占绝对优势的树种[2]，其生长缓慢，故FVC的变化并不显著。若林区内幼林和中林较多，则整体FVC正向增长显著；若成熟林和过熟林占优势，则FVC变化较小。在气候方面，林区地处中国东北部，属于寒温带大陆性季风气候，冬季严寒且漫长，夏季炎热却短暂[2]。短暂的夏季致使林区植被生长周期较短，过火区植被恢复生长时间较短，一定程度上制约植被覆盖的正向变化[3,19]。在影像获取方面，2001年TM影像获取时间为整体FVC高的8月份，2020年GF-1影像获取时间为整体FVC开始逐渐降低的9月份，两者时间相差18 d，这是造成变化检测结果中2001—2020年波动较大的原因之一。同时部分遥感影像存在同期和邻期都无法替换的云，造成不同期间局部FVC差异较大。

3.3 热点区域分析

2003年研究区火灾频发（图3），不同程度的火灾发生前后的FVC和各FVC等级占比情况分别如图7和表6所示。

由图7和表6可知，特大范围和大范围火灾造成的火烧迹地，经过近17年的恢复，其植被覆盖度有所提高，但仍未恢复到火灾前（2001年）且相差较大；中等范围的经过长时间恢复后FVC整体正向变化较快，但在17年的时间内仍未恢复到原始状态，且到一定时间（2015年）后FVC变化不大，此时火灾干扰已不是影响植被生长和FVC变化的主要因素；小范围的火灾，FVC能够恢复至火灾前状态，但恢复周期也较长。

图 7 热点区域FVCFig. 7 The FVC of hot spots

根据2013年和2016年2次在根河的外业调查数据和举证照片发现，过火区植被恢复主要以灌草和丛生白桦为主。灌草、丛生白桦等先锋植被的快速生长使其FVC得到快速恢复，但区域内的林分结构、树种数量在短时间内甚至较长时间内很难恢复到原始状态[3,19]。灌木和草地在不同年份变化较大，因此导致热点区域出现各等级植被分布不均、正负变化显著。综上表明火干扰后的森林恢复时间较长，尤其强度高、范围大的火灾。火灾干扰后森林植被类型很难恢复成原型，若无人工干预其最终植物类型很有可能被灌草或其他地物类型所演替[8]。同时根据大范围和中范围FVC恢复情况可知，在火灾干扰后的前几年内（2003—2015年）FVC和植被生长主要受火灾强度的影响较大，但当经过前几年的恢复，植被进入正常状态后（2015年后）火灾已不是影响FVC的主要因素，立地条件（包括地貌特征、气候、土壤、水分和生物等外部环境条件）将替代火灾干扰成为影响FVC和植被生长的主要因素。

表 6 热点区域不同等级FVC火灾发生前后所占百分比统计表Table 6 Statistics of the proportion of FVC of different grades in hot spots before and after fire

4 结论与讨论

本研究基于NDVI作为参考信息的像元二分模型，采用GF-1和TM数据[34]，估算了2001—2020年林区的FVC空间分布状况及其动态变化，并分析了影响2001—2020年FVC动态变化的因素，着重分析火灾干扰对FVC动态变化的影响。以2003年不同程度火灾造成的火烧迹地为热点区域，通过火灾前后植被覆盖度变化对不同程度林火后植被恢复力进行了定量分析。主要结论如下：

1）通过灵活应用ENVI的Bandmath、统计和掩膜等工具，以NDVI值为参数，运用基于像元二分模型的植被覆盖度遥感估算方法技术路线简单、可操作性强，适用于不同分辨率的遥感数据。

2）根据林火发生前后森林过火区的NDVI会发生明显变化这一特性，采用dNDVI可以对林火范围进行有效提取。

3）整体来看，大兴安岭重点林区的FVC较高，但频发的火灾对研究区FVC分布状况及其动态变化影响甚大。研究期间火灾干扰是造成研究期间FVC出现大幅波动的主要原因。

4）通过对不同程度火烧迹地FVC研究可知：较小范围的火灾，FVC可以恢复；中等范围火灾的FVC经过长时间的自然恢复会有很大程度上的正向增长，但与原始FVC仍有一定差距；而对于大范围，尤其是特大范围的过火区经过近17年的自然生长，虽然FVC会增加，但和原始FVC相比相差甚远。故火烧迹地的FVC恢复情况并不佳，同时仅从FVC方面对植被的恢复情况进行评价是不够严谨的，受火灾干扰区域内灌草等先锋植被的快速生长使其FVC得到快速恢复，但区域内的林分结构、树种数量在短时间内甚至较长时间内很难恢复到原始状态。

遥感数据覆盖面积大、时效性强的特性对林火信息检测和植被恢复动态监测有独特的优势[34]，但在本研究过程中依然存在少许遗憾和有待解决的问题。首先，在对过火区植被恢复的遥感监测分析时，地形因素、气候因素和林分组成等对植被恢复的影响分析还不够透彻，且由于数据限制，未能对过火区植被覆盖月变化进行分析和评价。其次，本研究采用的影像数据主要为Landsat 5 TM和GF-1 WFV，2类影像的分辨率不同，对研究结果会造成一定的影响。虽然目前国产GF-1、GF-2和GF-6卫星能够获取用于林业监测业务的高分辨率遥感影像，一定程度上打破了获取数据困难的局限性，但依然存在数据质量欠佳、覆盖面积小、累计数据较少等问题，极大地制约了本研究针对内蒙古大兴安岭地区过火区植被恢复研究良好初衷的实现。