基于植被指数的山火后林地受灾以及恢复情况分析方法研究*

孙世豪，符添玮

(自然资源部海南基础地理信息中心，海南 海口 570203)

0 引言

山火作为林地主要灾害之一，近些年来备受关注。大兴安岭山火，大凉山山火等严重的山火对人民生命、财产安全以及林地资源造成了严重的威胁。山火的防控十分重要，火灾后对于山火的影响情况以及后期恢复情况的监测也十分重要，监测以及各项措施有利于灾后重建工作以及未来的防控工作。利用遥感技术范围覆盖广、获取影像及时以及技术较为成熟等特点，可为以上工作提供有效技术手段[1]。其中，植被指数作为反应植被覆盖的主流指标，用以反演地表林地覆盖情况。现有的植被指数有几十种，因地表覆盖复杂，不同监测区内植被与水体种类、分布不同，要根据不同植被指数的特点和实验区域的实际情况，选择相应植被指数[2]。

1 研究区域与数据来源

研究区域位于海边的山林，于2015年12月25日发生山火，植被被严重毁坏，同时也造成了当地人民财产、自然资源的严重损失。随后几年，植被逐年恢复，最终基本恢复到灾前水平。这一过程正适用于植被指数的山火后林地受灾以及恢复情况的研究。

实验数据来源于Landsat 8 OLI/TRIS C1 Level-2，其参数[3]如表1所示。数据范围包含了实验区全境，时相为2015年12月10日、2016年1月11日、2016年9月7日、2017年8月9日、2018年7月27日，其中一个时相为山火发生之前，四个时相为山火发生之后，云量全部小于30%。

表1 Landsat 8 OLI/TRIS C1 Level-2传感器参数Tab.1 Landsat 8 OLI/TRIS C1 Level-2 sensor parameters

2 研究方法

本文以Landsat 8 OLI/TRIS C1 Level-2数据为基础，分析山火过后森林资源覆盖情况以及恢复情况，主要流程为：

1)数据收集与处理；

2)植被指数的选择；

3)阈值划分；

4)计算受灾面积；

5)恢复情况分析。

2.1 数据收集与处理

利用Landsat 8 OLI/TRIS C1 Level-2的数据，选取相应期数并尽量保证研究区域无云。将下载后的数据进行裁剪，减小数据量，提升处理速度。根据影像特点，使用低通滤波和拉普拉斯滤波进行影像增强，并进行大气校正。

2.2 植被指数选择

根据本研究区域特征，选取归一化植被指数(NDVI)和比值植被指数(RVI)进行受灾情况分析和恢复情况分析。

1)归一化植被指数计算公式：

NDVI=(NIR-R)/(NIR+R)

(1)

式中：NIR为近红外波段的反射值；R为红光波段的反射值。 NDVI的取值范围是，-1<=NDVI<=1，当NDVI<0时，表示地面覆盖为云、水、雪等，对可见光高反射；当NDVI=0时表示有岩石或裸土等，NIR和R近似相等；当NDVI>0时，表示有植被覆盖，且随覆盖度增大而增大。NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关。NDVI可作为标准化方式对健康植被进行量化，并且准确度较高。对于经过山火的植被，其NDVI值与健康植被的NDVI值相比差距会较为明显，可以准确、高效确定受灾植被范围，计算出受灾的林地面积。但是，NDVI用非线性拉伸的方式增强了NIR和R的反射率的对比度，NDVI对高植被区具有较低的灵敏度[4-7]。

2)比值植被指数计算公式：

RVI=NIR/R

(2)

式中：NIR为近红外波段的反射值；R为红光波段的反射值。绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面的RVI在1附近。植被的RVI通常大于2；其中，植被覆盖度是RVI的影响因素之一，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低；由于研究区域处于大洋路沿线，气候条件良好，植被覆盖度较高。对于灾后恢复植被变化不是很明显的情况，利用RVI可以弥补NDVI对于高植被覆盖敏感度低的不足。同时，RVI也受大气条件影响，大气效应大大降低对植被监测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI[6-7]。

2.3 阈值划分

阈值范围划分首先要对研究区域的植被指数进行计算，再根据不同区域不同地物种类以及大量实地数据进行划分。在阈值划分的过程中，需要通过大量实地数据对其分类的结果进行验证，将目视解译的结果与使用植被指数划分后的结果进行对比，如分类结果不理想，则需要重新划分阈值或选择指数[8]。当分类结果达到一定的准确性时，即可用于后续研究。

2.4 计算受灾面积

利用火灾后第一时相的数据对实验区域NDVI值计算结束后，将计算结果进行重分类，根据划分好的阈值确定山火范围，通过像素个数与像素面积计算受灾面积[10]。计算公式为：受灾面积=像素个数*单个像素面积。

2.5 恢复情况分析

为了保证结果的准确性，同时使用NDVI和RVI进行林地恢复情况分析。分别计算研究区域火灾前一时相和后多时相数据的NDVI与RVI，分析其变化特征，从而反应受灾过后林地恢复的情况[9]。

3 结果与分析

3.1 受灾面积

根据数据源，单个像素面积为900 m2，像素个数为12 701，代入公式可得受灾面积为11.43 km2。受灾前后影像及受灾范围如图1所示，其中白色部分为云层，黄色部分为受灾面积。

图1 受灾范围展示Fig.1 Images before and after disaster & display of affected area

由于除山火影响外其他影响因素(例如人工砍伐)也会导致林地覆盖率的变化，因此此方法算出的面积可能存在一定的误差，需要用目视解译的方式进行确认。

3.2 林地恢复情况分析

山火发生前，研究区域的NDVI值较高(0.704-0.947)，大部分都处于0.8以上，这表明此区域的林地覆盖率很高；研究区域的RVI几乎都大于2(2-37)，这表明此区域的林地覆盖率很高。

研究区域NDVI与RVI展示(山火前，2015年12月)，如图2所示。

图2 研究区域NDVI与RVI展示(山火前，2015年12月)Fig.2 Display of NDVI and RVI in study area before wildfire in December 2015

山火发生后，受灾区域NDVI值明显降低，部分区域接近于0(0.028-0.393)，这表明林地破坏严重，近乎裸地。山火发生后四个时相(2016年1月、2016年9月、2017年8月、2018年7月)受灾区域的NDVI值范围是0.028-0.393、0.357-0.585、0.519-0.996、0.666-0.988，NDVI值随着年份的增加而增加。在山火发生后的一年之内(2016年)，近一半的林地恢复；接下来的两年内(2017年、2018年)，受灾林地基本完全恢复，2018年的NDVI值也同2015年山火发生前的RVI值接近；山火发生后，受灾区域RVI值明显降低，大部分区域处于1-2之间，表明覆盖率很低，林地破坏严重。山火发生后四个时相(2016年1月、2016年9月、2017年8月、2018年7月)受灾区域的RVI值范围是1-2、1-9、2-24、2-37，RVI值随着年份的增加而增加。在山火发生后的三年内(2016年、2017年、2018年)，受灾林地基本完全恢复，2018年的NDVI值也同2015年山火发生前的RVI值接近(见图3)，同NDVI分析结论一致。

图3 研究区域NDVI与RVI展示(山火后，2016年1月、2016年9月、2017年8月、2018年7月)Fig.3 Display of NDVI and RVI in study area after wildfire in January 2016，September 2016，August 2017，and July 2018

在整个的研究区域中，NDVI计算值受云层影响，在图中可以看到云层部分，但是受灾区域无云层覆盖；虽然NDVI反映各时相林地覆盖的变化，但是由于其自身对于高植被区灵敏度低的不足，结果仍需要通过计算RVI进一步验证。

研究区域依据RVI值分为三个等级：(1，2]，(2，9]和(9，37]，分别对应着低林地覆盖、中等林地覆盖和高林地覆盖。山火发生后4个时相RVI值变化如图4所示。

图4 山火发生后4个时相(2016年1月、2016年9月、2017年8月、2018年7月)RVI值变化Fig.4 Changes in RVI values in four phases after wildfire in January 2016，September 2016，August 2017，and July 2018

根据RVI值变化分析可以得出：低林地覆盖区域面积开始有缓慢下降，在经过迅速下降后最后趋于平缓，维持在较低值；中等林地覆盖区域面积增长缓慢，维持在中等值；高林地覆盖区域面积增长迅速，最终达到较高值。这表明火灾过后，裸地面积或草地面积下降，最终保持在较低值，被林地覆盖；林地面积逐年增加，最终保持较高值，覆盖整个区域。其反应的恢复情况符合规律：山火发生后，草地等首先恢复，林地逐渐恢复，最终覆盖草地。

4 结束语

本文通过NDVI和RVI指数分析了山火后林地受灾与恢复情况，计算出了火灾范围以及分析了林地的恢复规律。得出以下结论：

1)山火受灾面积为11.43 km2，受灾区域林地基本全部被烧毁，林地资源损失严重。

2)林地恢复速度较快，灾后一年恢复一半，随后裸地面积下降迅速，第三年基本恢复原有水平。

3)实验方法有待提高，需要引入更多适应研究区域特点的指数，更全面地进行分析；在计算火灾面积时，考虑可以提高精度的方法，排除其他影响因素；在分析林地恢复情况时，应纳入降水、温度等气候因素。