解决阴坡火烧迹地漏提的难题 提升缺乏中红外波段遥感影像在森林火灾监测中的潜力
对比SEVI和机器学习在森林火灾制图中的优势
(1) 在森林火灾监测中最常用的是中红外波段,因为中红外波长在遥感的反射光谱区间对燃烧的响应最强烈。但高分辨率遥感影像通常只有可见光到近红外4个波段,缺乏关键的中红外波段,因此无法采用基于中红外波段的算法,如最广泛使用的NBR指数,而通常只能采用植被指数。但许多对比研究已经表明,基于植被指数(如NDVI, EVI, SAVI)的火灾监测精度不高,明显低于基于中红外波段的NBR指数。
当采用缺乏中红外波段的遥感影像时,就只能依靠植被指数进行火烧信息提取。研究发现,阴坡的阴影导致NDVI类的植被指数值明显低于阳坡值,当进行火灾前后影像的差值运算时,获得的差值不明显,从而造成漏检。因此解决这一问题的关键在于增强阴坡的植被指数,使其达到阳坡的水平。我们据此提出了阴影增强植被指数SEVI (Shadow-enhanced vegetation index), 较好地解决了这一问题。下图是SEVI和常用的NDVI、SAVI、EVI和新近在Science Advances提出的kNDVI在阴坡的表现。
图中a~c为新指数SEVI的阴坡植被信息增强过程,d为增强结果,可以看出阴坡植被信息经增强后与阳坡几乎一致。e为NDVI,可见陡峭地形的深阴影处植被信息缺失;kNDVI (f图)缺失的信息更多。而SAVI (g图)和EVI (h图)的阴坡信息则几乎完全丢失。将这些植被指数应用于火灾面积提取时(见下图),效果明显不同。
图a~b分别为火灾前后的影像,c为二者的叠加影像,d~h分别为SEVI、NDVI、kNDVI、SAVI和EVI指数的提取的火灾面积。i~l为SEVI和其它4个指数提取结果的叠加图,黄色的为共同提取的面积,红色的为漏提的面积,主要都在阴坡处。
经精度验证,各指数的精度依次为:94.3%、87.5%、81.6%,72.5%和66.3%。误差主要表现在漏提(omission error), 依次为:2.7%、16.0%、24.6%、41.2%和51.3%。下图为两处局部放大对比图。
研究还基于SEVI进行火烧烈度制图,并引入RSEI生态指数首次进行森林火灾对周边生态影响的迅速评估,发现RSEI与SEVI的差值成反比,与据火场距离成正比。森林火灾直接造成火场周边20平方公里范围内的生态质量下降15%。
Xu, HQ, Chen, JH, He, GJ, Lin, ZL, Bai, YF, Ren, MJ, Zhang H, Yin, HM, Liu, FF. 2024. Immediate assessment of forest fire using a novel vegetation index and machine learning based on multi-platform, high temporal resolution remote sensing images. International Journal of Applied Earth Observation and Geoinformation, 2024, 134, 104210.
三审:王 琳