林火监测、预警是森林防火工作的重要环节。及时、准确地发现着火点,并将林火消灭在发生初期,是实现林火“打早、打小、打了”目标的关键支撑^[1]。目前卫星监测、航空监测、地面巡护和瞭望台监测这4种^[2]林火监测措施中,卫星监测有诸多优势,能够实现大范围实时监测,且随着气象静止卫星分辨率的提高,卫星林火监测基本实现了全天候、大范围的准无缝监测。在林火监测的应用中,遥感能够对潜在危险区域进行实时监测和持续跟踪,因此可以及时发现火情,实现林火的早发现早处理,降低灭火成本,减少潜在损失,弥补了基于瞭望塔等传统监测方法的不足,已成为当前林火实时监测的重要手段之一。

林火遥感监测的算法主要包括指数法^[3-4]、亮温结合阈值法^[5-6]、多通道彩色合成法^[7]、绝对火点识别法^[8-9]和上下文法等。基于众多林火监测方法,可用于林火监测的波段也不断被挖掘,除了传统的中心波段在4 μm和11 μm的中红外及远红外波段外,可见光等波段在林火监测中也发挥着不同的作用。在实际监测过程中,有大部分被判定为林火的像元点并无林火发生,称之为空报; 而被判定为非林火的像元可能包含有温度低、面积小的林火,称之为漏报。无论是空报还是漏报,都大大降低了卫星监测林火的可信度。空报和漏报之间,及其与监测准确度之间是矛盾的,降低空报率,漏报率会升高,反之亦然; 但无论空报率或漏报率升高都会降低监测准确度。

卫星探测到的林火是地表热异常的一种,地表热异常现象通常包括: 火山喷发、森林燃烧、草原燃烧、溢出油气燃烧、人工目标燃烧、农业秸秆焚烧、垃圾焚烧处理、工业热排放、高温作业工矿场地等^[10],森林草原火是遥感热异常监测中的一部分点源^[11],在卫星林火监测工作中,其余地表热源点是干扰源,会影响监测精度。此外,水体、沙漠、云、大型建筑或建筑群等非热源区,由于高反射或高能源利用的影响,在卫星检测地表热源点的过程中容易被误判为异常高温点。因此,在林火遥感监测过程中,这些非林区的异常高温点及高反射(高能源利用区)点便是干扰点,降低了林火遥感监测的准确度。

为了提高林火遥感监测的准确度,需要对监测的异常高温点进行筛查,以便去掉非林火关注区热点,提高监测的准确度。对高温点进行筛查的方法和手段较多,但都存在一定的局限性,如用高分辨率数据检验低分辨率数据,缺点是与检测热点同步的高分辨率卫星数据不能随时获取; 现场调查及无人机巡航,缺点是成本较高,且反馈时间较长。

在重庆应用卫星监测林火还存在以下问题: 在卫星红外通道易出现高温点的地物如工矿区、工业热源、建筑群、水体等区域与林区交叉分布,这些非林火高温点不仅降低了林火监测的精度,还增加了排查的难度; 重庆地形破碎,林地与农用地交错分布,农耕用火不仅难以与林火区分,还经常引发森林火灾,因此对农耕地用火需要加以关注或进行管控。针对以上问题,本文基于归一化植被指数(normalized difference vegetation index,NDVI)及地形指数提取用于林火筛查的地表分类数据,利用该地表分类数据,对卫星监测的地表高温点进行二次识别,从而剔除林火非关注区的异常高温点,提高林火监测的准确度。

重庆地处中国内陆之西南,年平均温度为17.8 ℃,常年降水量为1 000~1 450 mm,气候的地带性和垂直方向变化明显,导致各地地表温度差异显著。地带性植被属亚热带常绿阔叶林,属于西南林区范畴,林地分布于高程较高、坡度大于15°的中低山区或高程较高的山区。地形起伏大,地表覆盖破碎,林区与旅游景区、度假避暑区、高山风电场、高山高压输电线路、居民点、农耕地交错分布^[12-13],导致居民农耕及生活、祭祖等活动极易引发森林火灾,地表非林火热源多且与林火不易区分,在利用遥感数据进行林火监测时会出现大量的非林区高温点,这容易使森林防火和监测出现纰漏。

整理了2002—2020年AQUA/MODIS 1 km地面高温点数据集MYD14A1及250 m NDVI数据集MYD13Q1,数据范围为H27V05和H27V06 2个区域,数据来源于美国国家航空航天局官网。

整理了2014—2020年FY3-C/VIRR和2019—2020年FY3-D/MERSI 1 km地面高温热点数据集,数据来源于中国气象局风云卫星遥感数据服务网。

通过91卫图助手桌面端采集了重庆市2 m空间分辨率土地类型样地数据,样地类型包括林地、草地、果园、旱地、水田、水体、建筑用地7类; 收集了空间分辨率12.5 m数字高程模型(digital elevation model,DEM)数据,来源于日本宇宙航空研究所的高级陆地观测卫星-1(Advanced Land Observing Satellite-1,ALOS)。

选取2002—2020年AQUA/MODIS监测热点数据MYD14A1、2014—2020年FY3-C/VIRR监测热点数据和2019—2020年FY3-D/MERSI作为遥感监测高温热点源。各卫星热点数量见表1。

从表1可见,FY3-C/VIRR和FY3-D/MERSI卫星由于监测年限较短,因此监测热点样例较少,共62个 热点; AQUA/MODIS卫星监测年限较长,监测热点较多,共2 159个热点,其中标注9的高可信度热点最少,为182个,标注为8的中可信度热点多达1 618个,标注7的低可信度热点359个。

选取2002—2020年AQUA/MODIS 250 m分辨率NDVI数据,通过重投影、格式转换、裁剪后,获取重庆区域的NDVI。为了降低云的影响,将AQUA/MODIS监测的NDVI采用最大值合成法合成逐月NDVI,基于此计算多年月平均NDVI。如果单月NDVI较多年月平均NDVI降低超过0.1,则视为无效值,以当月前后2 a的均值替补。如2018年1月NDVI较2000—2020年1月月平均NDVI小0.15,则以2017年和2019年的均值替代,以此类推。以此方法计算了2013—2017年月平均NDVI,用来辅助完成土地分类。

林火遥感监测的主要关注对象是天然林区及草地,结合重庆的区域特性,农业用地中的旱地及果园也是林火防范的关注区域,而建筑用地、水体属于林火防范的非关注区域,因此本文将土地类型分为林地、草地、果园、旱地、水田、水体及建筑用地7类。结合高分辨率遥感图像及2015年土地利用数据,对本文7类型土地利用数据取样,样地数见表2。

利用地理信息系数软件,将空间分辨率为12.5 m的数字高程模型(digital elevation model,DEM)数据重采样为50 m,并基于DEM生成了坡度数据。

结合重庆地表破碎的特点,将NDVI数据重采样为50 m分辨率,与DEM及坡度对应。提取样地月平均NDVI、坡度及高程,见图1。

分析发现,各样地NDVI均值较最大、最小值具有区别度,因此采用月平均NDVI作为分类指标,而表征地形的坡度和高程2个要素,在不同地类中也有很明显的分异性,因此也作为分类的重要参数。由图可见,除水体外,各种土地类型的NDVI峰值均出现在7—8月份,9月开始减小,谷值基本出现在1月份,1—8月,NDVI逐渐增加。各土地类型中,林地NDVI最大,其次是草地,水体NDVI最小,建筑用地NDVI次小。在农田中,4—5月份旱地NDVI高于水田,其余月份水田NDVI高于旱田NDVI,果园NDVI月际变化平缓,1—2月份及11—12月份NDVI较旱地、草地NDVI偏大,在6—8月的生长旺季,果园NDVI较其余植被覆盖区NDVI偏低,其余月份NDVI较水田、旱地、草地、林地NDVI低。各类土地类型中,坡度和高程值变化明显,可以结合NDVI进行区分。

跟据李伶俐等^[14]的研究及第三次国土调查技术规范^[15],从地形坡度要素来看,重庆耕地集中分布在坡度25°以下的区域; 从地形高程要素来看,重庆耕地集中分布在200~1 500 m之间的区域。结合本文研究,从图1样地的坡度、高程分析结果及文献研究成果发现,坡度过大、高程过高的区域不适合人类活动,因此本文将坡度≤15°且高程在[0,1 500] m之间的区域及坡度在(15°,25°]之间且高程≤800 m的区域定为可能出现水体、建筑用地及农业用地的区域,占总面积的59.15%; 其余区域为林地、草地,占总面积的40.85%。

水体及建筑用地的NDVI整体偏低,在7—8月份水体和建筑用地的NDVI与植被覆盖区的地表NDVI相差最大,综合考虑日照条件及建筑用地周边、街道绿化生长状况,选取8月份NDVI作为参考指标。分析NDVI可知,在结合前文识别的水体、建筑用地及农业用地区域的基础上,水体NDVI≤0.4或高程≤150 m且坡度≤10°的区域,建筑用地的NDVI在 (0.4,0.6]之间,水体占地1.4%,建筑用地占4.3%,见图2。

分析样地NDVI发现,果园区域NDVI在6—8月较水田、旱地区域NDVI偏小,但在11—12月份NDVI较水田、旱地偏大,其中7月和12月差异明显,利用这个特点分离农用地中的果园; 水田和旱地的NDVI季节性突出,在6—8月份,水田和旱地的NDVI基本相当,但在4—5月及9—12月,水田NDVI较旱地NDVI明显偏低,利用这个特点,分离出农耕地中的水田; 在8月份旱地NDVI 较水田NDVI偏小,其余月份NDVI较水田偏大,其中10月份偏大最多,利用该特点提取旱地区域,提取结果表明,农用地占重庆土地面积的48.9%,见图3。

分析地形及NDVI发现,草地NDVI在3—4月份及10—12月份较林区NDVI偏小明显,其中4月份和12月份差异较大,分别为0.15和0.13,基于该特点,在2.2.1节提取的林地和草地结果中提取草地(图4(a)),在林地和草地结果中去除草地的其余区域均为林地。在建筑用地、水体及农用地结果中,如果坡度在16°以上且8月NDVI超过0.86或10月NDVI超过0.74的区域,视为耕地边缘林地,因此,林地为这二者的合并区域(图4(b))。林地和草地共占45.7%,见图4。基于重庆地表覆盖类型破碎的特点,重庆林火遥感监测关注的区域除天然林草地外,旱地和果园等经济林地也是林火监测的关注区域,因此将土地分类结果按照林火监测需求分成林火非关注区(包含建筑用地、水体、水田)、林火监测关注区(包括天然林地、草地、旱地和果园),如图4(c)。从图2—4的提取结果看,提取的水体在中心城区范围偏大,包含了部分建筑用地,另外,受数据分辨率的限制,境内的小河流不能全部识别。建筑用地在中心城区、西部较集中,在东北部、东南部山区较稀疏。水田集中在中西部地势低平的区域,旱地除山区、城区外,分散在各区县,与水田、林地、果园等交叉分布; 草地主要分布在东北、东南地势较高的山区,林地在渝东北、渝东南占地较多、分布广,另外在中、西部山地也有零星分布。

对分类的结果进行准确度检验,计算样地类型中,提取的该类土地类型面积占该类样地总面积的比例代表提取的准确度,比例越大,表明准确度越高。一是进行单个地类提取检验,即提取结果的单个地类与该类样地面积进行对比; 二是进行林火关注区提取检验,即分别检验建筑用地、水体、水田样例区内,该3类分类结果占林火非关注区面积的比例,旱地、果园、林地、草地样地内,该4类分类结果占林火关注区面积的比例。据此计算了单类样地的准确度(表3)和林火关注区分类的准确度(表4)。

从表3和表4可见,建筑用地、水体、水田的分类准确度分别为65.90%,76.32%和80.53%,其中建筑用地误判的34.10%区域中,绝大部分误判为水体,水体误判的23.68%区域中,绝大部分误判为建筑用地,水田误判区域在建筑用地及旱地占比较大,分别为8.93%和7.04%,三者作为林火非关注区,识别的准确度达到94.59%。旱地、果园、草地、林地的识别准确度差异较大,旱地和果园的识别准确度分别为47.22%和40.61%,旱地误差主要误判为水田,占36.65%,果园误差主要误判为建筑用地和林地,分别占26.45%和23.95%,草地和林地的识别准确度分别为64.16%和79.96%,草地误差主要误判为林地,占32.69%,林地误差主要误判为旱地,占15.80%,四者作为林火关注区,识别的准确度达到86.01%。

林火遥感监测时出现的高温干扰热点来源于林火非关注区,结合地表分类信息,对监测高温点进行二次识别,可以剔除林火非关注区的异常高温点,提升林火监测的准确度。本文地表分类的方法对识别林火非关注区的准确度高达94.59%,能够满足林火遥感监测需要。

将FY3-C/VIRR,FY3-D/MERSI及AQUA/MODIS监测热点与提取的林火关注区分类数据进行叠加,剔除落在林火非关注区的热点,从而提高监测准确度。由热点分布(图5)可见,FY-3监测热点在空间上分布较均匀,MODIS监测热点第一个集中区域在西部、中心城区,第二个集中区在东南部酉阳、秀山,在东部偏北区域及中部相对均匀分布。

二次识别后热点分布统计见表5,统计了不同卫星监测热点在2类林火监测分区中的数量及比例。

从表5可见,FY3-C/VIRR,FY3-D/MERSI及AQUA/MODIS在林火非关注区的热点分别为26.47%,11.76%和46.27%,其中AQUA/MODIS监测热点剔除比例较高,在林火关注区的热点占53.73%,FY3-C/VIRR和FY3-D/MERSI卫星监测热点在林火关注区的占比较高,达70%以上。

图6给出了进行二次识别后热点分布。从图6可见,经过二次识别后,FY3-C/VIRR和FY3-D/MERSI热点主要分布在渝东北、渝东南及中部山区,在中心城区周边及渝西地区分布较少; AQUA/MODIS监测热点在中心城区及周边减少明显,经过二次识别后,AQUA/MODIS监测热点在各地基本均匀分布,中心城区及西部热点占总数的25.3%,渝东北和渝东南热点分别占26.6%和31.2%。二次识别后,林火关注区内AQUA/MODIS监测热点剩余1 160个,其中判识为林火中-高可信度的热点有1 024个,占判别为林火总数的88.3%; FY3-C/VIRR判识为林火的25个热点中,23个高可信度林火点,占93%; FY3-D/MERSI判识为林火的热点有19个,6个高可信度林火点。

2021年5月1—2日,利用TERRA/MODIS和AQUA/MODIS数据与FY3-C/VIRR(FY3-D/MERSI数据出现故障)数据分别进行林火实时监测,TERRA/MODIS和AQUA/MODIS上下午2颗卫星共监测高温热点37个,FY3-C/VIRR共监测高温热点14个,见图7。

利用林火关注区分区结果对监测热点进行二次识别,MODIS卫星监测热点判识为林火的共7个,排除非林火关注区热点81.08%,见图8,其中5月1日得到反馈,有一处为林火,位于酉阳土家族苗族自治县酉酬镇,其余判识为林火点的高温点中,3个点反馈无林火,3个点无校验反馈,其中江津区同一地点上午星TERRA/MODIS和下午星AQUA/MODIS均发现热点,但没有收到校验反馈。二次识别后,5月2日FY3-C/VIRR监测的热点判别为林火的点有4个,见图8,没有收到反馈,非林火关注区热点排除率达71.4%。

NDVI及地形因素对地表分类具有一定的指示意义,将其用于提取复杂地形区域地表分类信息并具有一定的准确度,可将结果应用于特定场景,如用于林火遥感监测的二次识别,可有效降低复杂地形区域林火监测的干扰信息,提升卫星监测林火的准确度,同时降低热点核实人力物力投入。尽管本文在地表分类及林火二次识别的应用场景中已经做了部分研究及示范,仍存在一些问题,主要包括以下几点:

1)提升地表分类遥感数据的空间分辨率。较高分辨率的遥感数据反演的NDVI不仅能够精细地刻画地物NDVI的时间变化特征,也能更好地分辨出地物NDVI的空间差异,有利于区分破碎的地表覆盖,提高地表分类的准确度。

2)增加辅助信息进行地表分类。可增加地物的光谱信息,结合智能识别方法进行分类,会提高分类精度。

3)增加核实数据对二次识别结果进行检验。应用遥感手段进行林火监测需对大量高温热点进行核实,在实施过程中存在监测与管理分离的现象,致使大部分监测热点得不到核实,限制了对监测结果的检验。因此落实核实机制、收集核实结果及真实火情、开展二次识别前后的对比检验等工作,是提升遥感林火监测、检验工作的重要环节。