蔣若凡，楊 斌,2*，宋 林，潘天奕，鄧曉輝

（1. 西南科技大學(xué) 環(huán)境與資源學(xué)院，四川 綿陽 621010；2. 國家遙感中心綿陽科技城分部，四川 綿陽 621010）

林火是森林生態(tài)系統(tǒng)的主要干擾因素，能影響森林中的樹種組成，破壞森林生態(tài)系統(tǒng)的結(jié)構(gòu)與穩(wěn)定性，并對全球碳循環(huán)過程產(chǎn)生影響[1-3]。林火同時能釋放大量能量造成樹木死亡，導(dǎo)致土壤裸露及其濕度發(fā)生變化，從而改變地表光譜反射率，易于遙感衛(wèi)星監(jiān)測[4]。通過圖像各波段運算反演一系列植被指數(shù)和燃燒指數(shù)評估森林火災(zāi)受損情況已成為林火遙感的主要研究內(nèi)容[5-8]。Lopez G M J[9]等利用基于近紅外和中紅外波段反射率的歸一化火燒指數(shù)提取了西班牙瓦倫西亞省的多個林火火燒區(qū)域；李明澤[10]等基于Landsat TM 影像，利用遙感指數(shù)構(gòu)建了決策樹分類模型，并提出了一種識別火燒跡地面積與林火烈度分析的新方法；解伏菊[11]等通過分類、提取森林景觀類型和NDVI值，從大尺度視角探討了火燒區(qū)火燒強(qiáng)度與森林景觀格局、功能恢復(fù)的關(guān)系。

針對植被的遙感監(jiān)測通常選用紅邊波段，在電磁波譜中，紅邊是植被的反射率在近紅外波段接近于紅光交界處快速變化的區(qū)域，與表征綠色植物生長狀況的重要生化參數(shù)之間具有很好的相關(guān)關(guān)系。Sentinel-2系列衛(wèi)星在紅邊范圍內(nèi)有3 個波段，對于監(jiān)測植被健康信息十分有效。加入紅邊波段的相關(guān)指數(shù)不僅能延緩指數(shù)飽和趨勢，還能提高5 種生物物理量指標(biāo)的反演精度。2020年3月28日四川省涼山州木里縣發(fā)生的山林火災(zāi)，給當(dāng)?shù)亟?jīng)濟(jì)發(fā)展和居民生產(chǎn)生活造成了很大影響，因此本文選用中分辨率Sentinel-2 系列衛(wèi)星影像定量評估木里縣林火跡地內(nèi)的植被受損情況，為當(dāng)?shù)亻_展植被恢復(fù)工作以及后續(xù)生產(chǎn)發(fā)展提供相關(guān)指導(dǎo)意見。

1 數(shù)據(jù)來源與研究方法

1.1 研究區(qū)概況

四川省涼山州木里藏族自治縣地處青藏高原東南緣，橫斷山脈末端；地理坐標(biāo)為101°17′~101°33′E、27°50′~28°4′N（圖1）。研究區(qū)內(nèi)由于河流深切，嶺谷相對高差多在2 000 m以上，形成典型的中高山深切割地貌；全年平均氣溫為14℃，日溫差較大，氣候冷熱兩季交替，干濕兩季分明；森林集中連片分布，植被以云南松、高山松為主。隨著近年退耕還林還草持續(xù)推進(jìn)，枯枝落葉長期堆積形成了較厚的地面腐殖層，林下可燃物大量累積，為森林火災(zāi)提供了可燃物條件。

1.2 數(shù)據(jù)來源與預(yù)處理

Sentinel-2 系列衛(wèi)星攜帶一個多光譜成像儀（MSI），可用于陸地環(huán)境監(jiān)測，其傳感器包含B11 和B12 兩個短波紅外光譜，波長在1 000~3 000 nm 之間，受大氣散射影響較小，對霧靄、煙塵穿透能力較強(qiáng)，有效探測距離比可見光成像更遠(yuǎn)。因此，可利用短波紅外光譜穿透森林火災(zāi)燃燒產(chǎn)生的大量煙霧，識別著火區(qū)域。

本文從歐空局官網(wǎng)（https://sentinels.copernicus.eu/web/sentinel/home） 獲 取 Sentinel-2 系 列 衛(wèi) 星 2019 年4 月—2020 年11 月拍攝的火災(zāi)前后6 期數(shù)據(jù)，軌道編號分別為RQL 和RQM，共計12 景影像（表1）。經(jīng)sen2cor 模型大氣校正后獲得L2A 級數(shù)據(jù)，并導(dǎo)入SNAP 軟件；經(jīng)柵格鑲嵌拼接、重采樣后，反演得到研究區(qū)5 種生物物理量指標(biāo)數(shù)據(jù)：葉面積指數(shù)（LAI）、光合有效輻射吸收比（FAPAR）、葉綠素含量（CCC）、冠層含水量（CWC）和植被覆蓋度（FVC），并完成后續(xù)林火跡地提取與定量分析。

表1 研究區(qū)Sentinel-2系列衛(wèi)星源數(shù)據(jù)

1.3 研究方法

1.3.1 IR-MAD算法

IR-MAD 算法是一種檢測多源影像變化的方法，由Morton C和Allan N在平均絕對差（MAD）算法的基礎(chǔ)上，結(jié)合最大期望算法研究得出。其原理是設(shè)定每個像元的初始權(quán)值均為1，通過每次迭代不斷地給兩幅影像中的每個像元賦予不同的權(quán)重（為避免權(quán)值過大，將其范圍固定在[0,1]）；通過若干次迭代后，每個像元的權(quán)重將逐漸趨于穩(wěn)定直至不變，與此同時迭代計算也將停止[12-13]。

該算法能在雙時態(tài)和多變量影像數(shù)據(jù)挖掘中高效、準(zhǔn)確地獲取變化信息，且受外界因素影響較小，因此被廣泛應(yīng)用于多源影像變化檢測中。將其應(yīng)用于森林火災(zāi)發(fā)生前后兩期影像，可準(zhǔn)確提取像元值發(fā)生變化的區(qū)域，鎖定森林火災(zāi)的影響范圍，便于提取林火跡地。

1.3.2 燃燒指數(shù)

森林火災(zāi)發(fā)生后，由于植被遭到破壞，光譜不再具有健康植被的特征，近紅外波段反射率下降；短波紅外波段由于缺少植被冠層覆蓋，降低了濕度，反射率有所增加[14]。因此，常用近紅外波段和短波紅外波段構(gòu)建燃燒指數(shù)來衡量森林火災(zāi)烈度。本文引入歸一化燃燒率（NBR）和差分歸一化燃燒率（dNBR）來評估木里縣林火烈度。

式中，NIR 為遙感圖像近紅外波段；SWIR 為短波紅外波段；NBRpre-fire為火災(zāi)前NBR 指數(shù)；NBRpost-fire為火災(zāi)后NBR指數(shù)。

1.3.3 5種生物物理量指標(biāo)

本文利用SNAP 軟件反演計算5 種生物物理量指標(biāo)；利用PROSPECT+SAIL 輻射傳輸模型進(jìn)行反演計算。其原理為根據(jù)研究區(qū)植被特征進(jìn)行樣本訓(xùn)練，利用神經(jīng)網(wǎng)絡(luò)分析計算每個柵格像素的冠層特征，并利用數(shù)據(jù)自身波段信息、天頂角余弦值、太陽高度角余弦值與相對方位角余弦值11 個顯式輸入圖層參數(shù)和5 個具有正切S 型曲線（Sigmoid）傳遞函數(shù)的隱式神經(jīng)元參數(shù)構(gòu)建神經(jīng)網(wǎng)絡(luò)模型。該算法能最大程度地從宏觀區(qū)域上精細(xì)計算各像素植被特征與冠層表觀反射率之間的關(guān)系，通過模型自驗證功能保證最優(yōu)的遙感反演模擬精度，通過重采樣可生成10 m分辨率的有效數(shù)據(jù)產(chǎn)品，為區(qū)域植被生態(tài)環(huán)境定量遙感分析提供強(qiáng)有力的應(yīng)用參考價值[15-16]。

LAI 是指單位土地面積上植物葉片總面積占土地面積的倍數(shù)，取值范圍為[0,8]，決定了冠層與大氣之間能量和質(zhì)量交換界面的大小，是反映森林冠層的重要參數(shù)，可直接或間接用于植物光合作用強(qiáng)度、植被生長監(jiān)測等研究[17-18]。FAPAR 是指冠層吸收的光合有效輻射的比率，由植被冠層結(jié)構(gòu)、植被要素的光學(xué)特性和光照條件共同決定，其值介于0~1 之間，能直接體現(xiàn)植物冠層對光的截獲與吸收，是顯示植被健康狀況、植被生產(chǎn)力與作物產(chǎn)量的重要參數(shù)[19-20]。FVC 的取值范圍為[0,1]，是由LAI 和其他冠層結(jié)構(gòu)變量計算而來的，在溫度和蒸散等能量平衡的條件下可用于分離植被和土壤，反映地區(qū)生態(tài)環(huán)境的整體狀況[21-22]。CCC 與植物的葉片含氮量密切相關(guān)，在一定程度上決定了植物的光合效率[23]，在實際應(yīng)用中更傾向于對冠層葉綠素含量進(jìn)行估算，其取值范圍為[0,600]。CWC可表征為單位土地面積內(nèi)的含水量[24-25]，取值范圍為[0,0.55]。在活植物體總量中水分占60%~80%，能在一定程度上反映植物的長勢和生理狀況，對于植物生長、環(huán)境保護(hù)、干旱監(jiān)測等研究具有重要的參考價值。

2 研究結(jié)果與分析

2.1 林火烈度和空間格局

本文采用IR-MAD算法對比分析了火災(zāi)前后兩景影像提取的林火跡地。經(jīng)多次實驗結(jié)果比對，劃定像元值4 000 為臨界點，采用閾值分割方法提取結(jié)果大于4 000 的區(qū)域。由于提取結(jié)果區(qū)域內(nèi)包含耕地等地類對結(jié)果造成無關(guān)干擾，需對其進(jìn)行剔除，因此結(jié)合兩景影像前后NDVI 差值生成林地掩膜文件，完成林火跡地提取（圖2a）。在該區(qū)域范圍內(nèi)根據(jù)受災(zāi)情況，利用火災(zāi)前后影像NBR的差值dNBR指數(shù)對研究區(qū)林火烈度進(jìn)行估算分級，將林火跡地劃分為輕度火燒、中度火燒和重度火燒3 個林火烈度等級（表2）。以1 000作為dNBR計算時轉(zhuǎn)化為整數(shù)的相乘系數(shù)方便分析處理數(shù)據(jù)，同時選用Mazuelas在西班牙火燒跡地制圖時制定的dNBR 閾值范圍估算研究區(qū)林火烈度（圖2b）。由于受災(zāi)區(qū)域范圍較大，本文采用八方位分配法的等扇方位分析法統(tǒng)計各個方向各種程度火燒區(qū)域面積的占比（表3），進(jìn)一步揭示受災(zāi)區(qū)域林火烈度分異特征。

表3 研究區(qū)各個方位林火烈度統(tǒng)計/%

圖2 林火跡地與林火烈度

表2 林火烈度等級

在整個受災(zāi)區(qū)域中，輕度火燒區(qū)、中度火燒區(qū)和重度火燒區(qū)的面積占比依次為31.21%、40.11%和28.68%，中度火燒區(qū)所占面積最大，有接近一半的區(qū)域的林火烈度為中度。在基于受災(zāi)區(qū)域幾何中心劃分的8 個方向上，N、NE、E、SE、S、SW、W、NW 方向的面積占比依次為12.23%、10.82%、15.77%、11.08%、7.49%、21.76%、16.46%和4.39%。林火始發(fā)地靠近木里縣城，即受災(zāi)區(qū)域的SW 和W 方向，因此這兩個方向上的火燒范圍最大；而在NW 方向上的高程值高于其他方向，其最高點達(dá)到7 148 m，因此林火從W 方向向NW 方向蔓延緩慢，使得NW 方向的火燒面積最小。

由圖3 可知，N 和NW 方向的重度火燒區(qū)面積占比最大，分別達(dá)到45.08%和46.86%；N、E、SW 和NE 方向的中度火燒區(qū)面積占比最大，依次為44.89%、43.08%、39.75%和42.00%；而在SE 和S 方向上，由于小金河從中經(jīng)過，區(qū)域內(nèi)土壤濕度較高，在一定程度上削弱了林火的燃燒，從而導(dǎo)致輕度火燒區(qū)面積占比最大，分別達(dá)到41.59%和46.87%。除此以外，受地形和風(fēng)向因素的影響，林火主要從W 和SW方向向E和SE方向蔓延，研究區(qū)中心區(qū)域和NE方向有較大片未火燒區(qū)，火燒區(qū)域在W、SW和S方向較集中，在E 和NE 方向較分散；重度火燒區(qū)集中于SE和W方向。整體上，重度火燒區(qū)靠近中心區(qū)域，中度火燒區(qū)和輕度火燒區(qū)圍繞重度火燒區(qū)依次向外蔓延。

圖3 研究區(qū)各方位林火烈度圖

2.2 植被定量分析與評價

本文利用提取的林火跡地，對火災(zāi)前后林火跡地內(nèi)5 種生物物理量指標(biāo)進(jìn)行計算，并統(tǒng)計其平均值（MEAN），以反映6期影像的5種生物物理量指標(biāo)的平均狀態(tài)。由表4 可知，5 種生物物理量指標(biāo)在火災(zāi)前后平均值均有明顯降低，以FAPAR 和CWC 為例，在火災(zāi)發(fā)生前的2019 年4 月，CWC 的平均值為0.039，在火災(zāi)后的2020 年4 月CWC 的平均值下降至0.007；FAPAR 則前后下降了0.372；LAI 降幅則高達(dá)80%左右，從1.576銳減至0.33，植被受損情況嚴(yán)重。

表4 5種植被生物物理量指標(biāo)數(shù)據(jù)影像特征分析

隨著森林生態(tài)系統(tǒng)的自我修復(fù)和人為干預(yù)，各種生物物理量指標(biāo)均呈上升態(tài)勢，林區(qū)生態(tài)環(huán)境正逐漸恢復(fù)至正常水平。5 種生物物理量指標(biāo)提取結(jié)果如圖4~8 所示。研究區(qū)內(nèi)CCC 的平均值在5 月增長至31.642，8 月為36.366，在11 月達(dá)到34.731；CWC這3 個月的平均值依次為0.009、0.021 和0.015，相較于4 月，該指標(biāo)處于緩慢增長狀態(tài)；FAPAR 的平均值依次為0.108、0.254 和0.318，最大值分別達(dá)到了0.706、0.940 和0.983，表明區(qū)域內(nèi)植被光合作用能力持續(xù)正增長，部分植被的光合作用能力甚至已經(jīng)超過了火災(zāi)發(fā)生前的水平；FVC 總體也呈上升趨勢，8月時已恢復(fù)至0.345，相較于火災(zāi)前2019年4月的0.431，逐步接近正常水平。然而，隨著冬季的來臨，氣溫降低，林下草皮逐漸枯萎，部分植被泛黃掉葉，導(dǎo)致區(qū)域內(nèi)總?cè)~片面積減少，部分生物物理量指標(biāo)受季節(jié)影響較明顯，在11 月呈下降趨勢，如LAI 在 11 月降至 0.565，F(xiàn)VC 降至 0.194，CWC 僅有0.015。

圖4 FAPAR提取結(jié)果

圖5 FVC提取結(jié)果

圖7 CCC提取結(jié)果

圖8 CWC提取結(jié)果

3 結(jié) 語

本文以多時期Sentinel-2 系列光學(xué)遙感衛(wèi)星為數(shù)據(jù)源，針對2020 年3 月28 日四川省涼山州木里縣發(fā)生的特大森林火災(zāi)，選取火災(zāi)前2019年4月、2020年3 月，火災(zāi)后 2020 年 4 月 、5 月、 8 月、11 月 6 期數(shù)據(jù)，結(jié)合IR-MAD算法提取了林火跡地，并研究了林火烈度空間分異特征；再利用Sentinel-2 系列數(shù)據(jù)自身紅邊波段對于植被監(jiān)測的獨特優(yōu)勢，反演了5 種生物物理量指標(biāo)，定量分析、評價了當(dāng)?shù)貫?zāi)后植被受損和恢復(fù)情況。

1）Sentinel-2系列中高分辨率光學(xué)遙感衛(wèi)星適用于突發(fā)性小面積的森林火災(zāi)監(jiān)測。利用其空間分辨率和光譜分辨率的優(yōu)勢，結(jié)合IR-MAD算法可快速檢測出變化區(qū)域，提取林火跡地。由于其重訪周期短、分辨率高，可迅速確定森林火災(zāi)范圍和植被受損情況。

2）木里縣山林火災(zāi)空間區(qū)位分異特征明顯。研究區(qū)內(nèi)此次林地受損主要以中度火燒區(qū)為主，各個方向的面積占比均在30%以上，其中N方向的面積占比最大，達(dá)到了44.89%；S 方向上輕度火燒區(qū)的面積占比達(dá)到46.87%，該方向受災(zāi)區(qū)域中接近一半的區(qū)域受林火的侵襲程度較低。

3）5種生物物理量指標(biāo)的提取結(jié)果表明，在2020年3 月火災(zāi)發(fā)生前后，研究區(qū)內(nèi)植被受損情況十分嚴(yán)重，LAI 下降至同期的20%。將火災(zāi)發(fā)生后的4 月數(shù)據(jù)與5 月、8 月、11 月數(shù)據(jù)進(jìn)行對比發(fā)現(xiàn)，災(zāi)后植被總體在逐步恢復(fù)，截至2020 年11 月，CCC 已恢復(fù)至災(zāi)前的一半左右，總體指標(biāo)呈上升趨勢。后續(xù)研究可結(jié)合植被相關(guān)生長預(yù)測模型，預(yù)估當(dāng)?shù)亓謽I(yè)資源恢復(fù)至災(zāi)前水平的時間。