胡林林 王立中 李 華 丁永全 韋昌雷 李慧仁 趙鳳君

(1.大興安嶺地區(qū)農(nóng)業(yè)林業(yè)科學研究院 黑龍江嫩江源森林生態(tài)系統(tǒng)國家定位觀測研究站 大興安嶺森林濕地生態(tài)系統(tǒng) 國家長期科研基地 加格達奇 165000； 2.中國林業(yè)科學研究院森林生態(tài)環(huán)境與自然保護研究所 國家林業(yè)和草原局 森林保護學重點實驗室 北京 100091)

火是寒溫帶森林濕地的重要干擾因子，重度火燒會導致其生態(tài)功能明顯退化(趙鳳君等， 2013)?；馃E地評估特別是火燒程度評估一直是林火領(lǐng)域研究的熱點和難點。遙感衛(wèi)星能夠監(jiān)測和記錄全球地表信息，尤其適用于地表異變現(xiàn)象特別強烈的火災(zāi)事件，在遙感影像上體現(xiàn)為火干擾前后影像上光譜的改變幅度(伊坤朋等， 2016)。目前，學術(shù)界應(yīng)用最廣泛、效率最高的是NDVI、NBR、BAI、GEMI等火燒程度評價指數(shù) (丁海勇等， 2020； 吳建臺等， 2018； 高鐵山， 2010； 高世忠等， 1997； 莫瑤等， 2007； 王小霞等， 2020； 付建新等， 2020； 邱成等， 2020)。NDVI在火燒程度評估、火后植被恢復方面有廣泛的應(yīng)用，王愛愛等(2017； 2018)利用NDVI時間序列對火后森林恢復進行時空動態(tài)分析，Bajocco等(2017)利用NDVI研究撒丁島森林火災(zāi)季節(jié)分布和物候?qū)W之間的關(guān)系，Yasunaka等(2015)利用NDVI指數(shù)分析燃燒和放牧對草原植被變化的影響。隨著“3S”技術(shù)的發(fā)展，衛(wèi)星遙感已成為評估森林火災(zāi)損失的重要手段。馬禮等(2021)對多源遙感數(shù)據(jù)森林火災(zāi)監(jiān)測研究發(fā)現(xiàn)，Himawari-8和MODIS數(shù)據(jù)都能較好反演出火災(zāi)發(fā)生地點，GF-1和GF-6數(shù)據(jù)能較好地對火燒跡地進行識別。熊得祥等(2020)在深入研究FY4遙感數(shù)據(jù)后，篩選出最適合進行森林火災(zāi)判別的波段組合。李明澤等(2017)利用Landsat TM數(shù)據(jù)，結(jié)合DEM數(shù)據(jù)和林相圖，采用NDVI、dNBR等遙感指數(shù)構(gòu)建決策樹分類模型，提出一種識別火燒跡地面積的新方法。楊偉等(2015)利用MODIS數(shù)據(jù)，采用GEMI和 BAI等遙感指數(shù)提取火燒跡地信息。祖笑鋒等(2015)基于高分一號影像數(shù)據(jù)，對四川雅江縣地區(qū)火燒跡地進行提取，結(jié)果表明決策樹識別火燒跡地方法精度較高。

由于衛(wèi)星成像的空間分辨率低，限制了其評估精度，傳統(tǒng)方法對遙感影像信息提取通常輔以林相圖等輔助解譯資料，采用2種以上數(shù)據(jù)源做融合或驗證，需要大量數(shù)理統(tǒng)計分析以及反復驗證用以提高分類精度，費時費力費工。具有高空間分辨率的行星影像在火災(zāi)損失評估方面具有很大的潛力(Michaeletal.， 2018)。美國行星實驗室(Planet Labs)的鴿群星座(簡稱PL)是目前全球最大規(guī)模的地球影像衛(wèi)星星座群，擁有約350顆衛(wèi)星，是世界上唯一具有全球高分辨率、高頻次、全覆蓋能力的遙感衛(wèi)星系統(tǒng)，其提供的遙感影像在具有全球高分辨率的同時，還具有每天覆蓋全球1次的超高頻時間分辨率。含有4個波段： 藍波段(455～515 nm)、綠波段(500～590 nm)、紅波段(590～670 nm)、近紅外(780～860 nm)，空間分辨率3 m，幅寬24 km。影像的優(yōu)異特性越來越受到科學家的青睞，Kimm 等(2020 )利用PL影像融合低分辨率MODIS 數(shù)據(jù)提出了適用于整個美國的玉米(Zeamays)葉面積指數(shù)LAI估算方法，Addison等(2020)利用PL影像研究美國加州火災(zāi)后的泥石流模型。PL影像3 m高分辨率使其可清晰辨別過火區(qū)，地類分類明顯，用來做火燒跡地信息提取、植被受害狀況評估，從而獲取火燒程度的空間分布格局，可為火燒跡地火后恢復措施的制定提供科學數(shù)據(jù)支撐，具有高精度評估火燒跡地受害狀況的潛在可能。

1 研究區(qū)概況

內(nèi)蒙古畢拉河林業(yè)局位于內(nèi)蒙古大興安嶺山脈東坡南部，隸屬鄂倫春自治旗管轄。地理位置為122°40′36″—123°55′00″E，49°00′37″—49°54′49″N(李文輝， 2010)。總面積471 646 hm2，林地面積445 774 hm2，占林業(yè)局總面積的94.50%； 森林覆蓋率70.10%。地形地勢相對平緩，坡度15°左右。屬寒溫帶大陸性季風氣候，年平均氣溫-1.1 ℃，年均降水量479.40 mm，降雨期多集中在7—8月，約占全年降水量的50%～60%，無霜期130天左右。植被屬于寒溫帶針葉林和溫帶闊葉林過渡地帶，同時又處于森林向農(nóng)田過渡帶，以興安落葉松(Larixgmelinii)為建群種，白樺(Betulaplatyphylla)、黑樺(B.dahurica)、山楊(Populusdavidiana)等伴生，以及零散分布的黃檗(Phellodendronamurense)、水曲柳(Fraxinusmandshurica)和紫椴(Tiliaamurensis)(張凌峰， 2013)。

2017年5月2日12時15分，畢拉河林業(yè)局北大河林場發(fā)生森林火災(zāi)，根據(jù)國家林業(yè)局東北衛(wèi)星監(jiān)測中心監(jiān)測到的著火點地理坐標為123°3′41″E，49°28′58″N?；馃齾^(qū)位于濱湖林場(波及22個林班)、北大河林場(波及16個林班)、阿木珠蘇林場(波及19個林班)。

2 研究方法

2.1 遙感數(shù)據(jù)源

遙感數(shù)據(jù)購買于北京國測星繪信息技術(shù)有限公司，包括畢拉河林場285 km2范圍，進行3 m Planet原始數(shù)據(jù)采集，數(shù)據(jù)級別為3B正射數(shù)據(jù)。時間分別為2016年7月6日、2017年7月2日、2018年7月22日，云量10%。

2.2 遙感圖像預(yù)處理

Planet 3B數(shù)據(jù)已進行傳感器校正、輻射校正、幾何校正以及10%去云處理，可直接用于數(shù)據(jù)的分析提取?；诘乩砦恢檬褂肊NVI 5.3(64_bit)軟件對覆蓋研究區(qū)域的6幅分幅影像進行鑲嵌拼接處理。影像拼接質(zhì)量直接影響后續(xù)影像數(shù)據(jù)分析、提取。通過調(diào)整羽化距離、使用2%線性直方圖拉伸以及設(shè)定顏色平衡參數(shù)對圖像進行處理，最終得到覆蓋研究區(qū)域理想的鑲嵌結(jié)果影像(圖1)。

圖1 覆蓋研究區(qū)的鑲嵌影像Fig. 1 Mosaic images covering the study areaa： 2016-07-06； b： 2017-07-02； c： 2018-07-22.

2.3 過火區(qū)范圍提取及地類劃分

2.3.1 過火區(qū)范圍提取 以2016年P(guān)L火前影像和2018年火后更新影像為基準，對2017年火燒當年影像的火燒跡地范圍甄別，使用ROIS(Region of interest)手動繪制過火區(qū)域，得到2017年火燒區(qū)范圍的矢量文件。將矢量邊界數(shù)據(jù)生成感興趣區(qū)作為裁剪面，對3幅影像進行裁剪，從而得到畢拉河林場2016—2018年3期PL多光譜影像。

2.3.2 土地覆蓋類型劃分 本研究只針對森林和草本沼澤2個植被類型進行火災(zāi)受害情況分析，因此僅需要對2016年的土地覆蓋類型分類即可。對2016年P(guān)L遙感影像圖Overlay感興趣區(qū)工具(Region of interest)，通過目視解譯方法對不同地類選取訓練樣本用于分類。樣本驗證采用定量方法計算ROI可分離性，利用矩陣JM驗證(Jeffries matusita)和轉(zhuǎn)化系數(shù)(Transformed divergence)指標，控制樣本分離性綜合指標1.80～2.00即為合格樣本，數(shù)值越大，說明樣本選擇的越好。利用合格的訓練樣本進行最大似然法監(jiān)督分類。在2016年P(guān)L遙感影像圖上疊加分類結(jié)果，并進行地類改色、改名、糾正錯分、主要和次要分析方法去除膠原噪聲等類后處理。

2018年5月，對不同地類分別選取10個GPS點作為精度驗證樣本。將合格的分類結(jié)果轉(zhuǎn)換為矢量輸出，得到研究區(qū)土地覆蓋分類圖，并建立屬性數(shù)據(jù)。

2.4 植被指數(shù)NDVI計算

2.4.1 植被指數(shù)NDVI計算 對2016—2018年P(guān)L影像進行高斯投影轉(zhuǎn)換，計算NDVI值。PL影像沒有近紅外波段，因此本研究使用紅外波段進行代替(公式1)。

NDVI=(Rinf-Rred)/(Rinf+Rred)。

(1)

式中，Rinf為紅外波段反射率；Rred為紅波段反射率。NDVI的值在-1～+1間變動。最終得到植被指數(shù)灰度圖，并對NDVI灰度值進行基本統(tǒng)計分析。

2.4.2 NDVI的空間一致性 遙感軟件對圖像處理過程中，會產(chǎn)生拉伸問題，致使行、列數(shù)發(fā)生變化，反應(yīng)為圖像的空間大小不一致。因此，需要對2016年和2017年的NDVI圖像空間大小做一致性處理。使用ENVI Classic 5.3(64_bit)軟件，加載2幅影像，發(fā)現(xiàn)2幅影像的行列數(shù)并不一致，轉(zhuǎn)換為標準ENVI格式文件輸出。使用ENVI5.3 (64_bit)軟件，加載2幅標準格式文件，在空間子集窗口，發(fā)現(xiàn)2017年柵格數(shù)據(jù)共4 228列，而2016年圖像共4 227列，修改列數(shù)為4 227，輸出為.dat格式文件。進行圖層疊加(Layer stacking)，最終得到行、列、空間大小一致的NDVI圖像，可用于dNDVI(difference normalized vegetation index)差值影像提取。

2.5 過火區(qū)火燒等級劃分

2.5.1 差值影像提取 dNDVI指標可以很好地反映火燒前后植被指數(shù)的變化，有較好的時序性和空間可獲取性，對植被受害狀況和火后植被恢復過程都有很好的指示作用(苗慶林等， 2015)，本文選取dNDVI對火燒程度等級進行分級。利用統(tǒng)計工具對dNDVI進行基本統(tǒng)計分析，取置信區(qū)間[5%～95%]。

dNDVI=NDVIpost-NDVIpro。

(2)

式中，NDVIpost為火后植被指數(shù)值(2017年)； NDVIpro為火前植被指數(shù)值(2016年)。

2.5.2 火燒等級劃分閾值驗證 采用2017年畢拉河林場森林火災(zāi)地面調(diào)查數(shù)據(jù)對火燒強度等級劃分閾值進行驗證。參照差值影像圖，根據(jù)不同的碳化信號深淺程度，在2017年7月畢拉河森林火燒區(qū)遙感影像圖上沿著道路附近進行GPS選點，對每個強度選取5塊樣地，樣地規(guī)格為50 m×50 m，選取5塊未火燒區(qū)作為對照，進行每木檢尺，記錄喬木株數(shù)、死亡株數(shù)。對地面調(diào)查發(fā)現(xiàn)畢拉河火燒區(qū)林型屬于草地落葉松林，分布的主要喬木樹種是興安落葉松，其次是白樺、蒙古櫟、黑樺、山楊。樣地內(nèi)一些沒有冠幅的站桿、風倒木，不計入火燒死亡株數(shù)。按照羅德昆火災(zāi)受害等級劃分標準，對火后地面調(diào)查數(shù)據(jù)進行不同受害等級分類，作為精度驗證樣本，即通過計算被林火燒死林木株數(shù)的方法(燒死木比例)來進行火災(zāi)受害等級劃分：死亡株數(shù)占70%～100%屬于重度干擾， 占31%～69%屬于中度干擾，30%以下屬于輕微干擾。根據(jù)驗證樣本對分級結(jié)果進行修正。

2.5.3 火燒等級劃分 對dNDVI灰度影像上的數(shù)值范圍進行統(tǒng)計，確定不同火燒程度等級的dNDVI閾值； 應(yīng)用波段運算，根據(jù)0～3級不同受害程度等級在影像上分別進行提取，最終得到火燒跡地不同受害等級的4幅灰度影像?；赿NDVI數(shù)據(jù)，結(jié)合高分辨率遙感影像，以及在畢拉河林場森林火燒區(qū)的實地調(diào)查結(jié)果，最終將植被受害程度等級劃分為 0未火燒、 1輕度火燒、 2中度火燒、 3重度火燒4級。

3 結(jié)果與分析

3.1 火燒前后NDVI變化特征

從畢拉河森林火災(zāi)火干擾前(2016年)、火干擾當年(2017年)、火干擾后1年(2018年)的植被指數(shù)(圖2)可以明顯看出，森林發(fā)生火燒干擾后，過火當年地表植被發(fā)生劇烈改變，導致NDVI圖像色譜發(fā)生明顯變化，過火區(qū)域碳化信號明顯。NDVI灰度值基本統(tǒng)計表明(圖3、表1)， 火燒前(2016年)植被正常生長，NDVI直方圖變化呈單峰走勢，NDVI灰度值平均值0.60，峰值0.79。對比火后更新1年(2018年)的NDVI直方圖動態(tài)變化，與火前變化趨勢相似，仍呈單峰走勢，但NDVI灰度值明顯減少，平均值為0.17，峰值僅達到0.44。而火燒當年(2017年)NDVI直方圖變化顯著，NDVI灰度值波動范圍-0.20～0.20，平均值僅為0.03，峰值0.40。森林火災(zāi)過火區(qū)更新1年后，植被覆蓋度仍然較低，雖較火燒當年略有提高，但遠遠達不到火燒前的水平。

2017年7月對火燒區(qū)進行野外踏查，森林火災(zāi)發(fā)生2個月后，火場內(nèi)隨處可見大量燒死的喬木站桿，碳化嚴重，林下一些快速更新的草本、灌木大量搶占火燒跡地表面，但地表覆蓋度較低，仍有大量地表裸露，形成暫時性裸地，尤其在一些嚴重燒毀的喬木林下；而未被燒死的喬木樹種因為時間太短，更新能力極其有限。2018年5月，再次對火燒區(qū)進行野外調(diào)查發(fā)現(xiàn)，雖然火災(zāi)燒死的喬木樹種仍大量呈焦炭狀大面積矗立于地表形成站桿，碳化嚴重，但林下已經(jīng)更新了大面積的草本和灌木，長勢甚至比火燒前更好?；馃龑е碌乇頊囟壬?，同時燒毀的植被形成大量積碳土，利于草本、灌木等先鋒植物的快速更新，但喬木樹種更新仍然緩慢，未被燒死的喬木則重新長出枝丫樹葉，但森林郁閉度明顯低于火前，其恢復需要幾年甚至幾十年的漫長時間。

表1 NDVI數(shù)值統(tǒng)計Tab.1 NDVI numerical statistics

圖2 畢拉河研究區(qū)NDVI變化Fig. 2 NDVI changes of burned area in Bilahea： 火干擾前1年； b： 火干擾后2個月； C： 火干擾后1年。下同。a： One year before fire； b： Two month after fire； c： One year after fire.The same below.

圖3 畢拉河火燒區(qū)植被指數(shù)NDVI直方圖Fig. 3 NDVI histograms of burned area in Bilahe

3.2 土地覆蓋類型劃分

從2016年P(guān)L遙感影像(圖4)可以看出，3 m高分辨率提供了1個高度清晰的視野，RGB彩色合成影像色彩飽和度高，不同地類區(qū)分明顯，森林和草本沼澤邊界清晰。通過目視解譯直接在2016年遙感圖像上選取樣本進行地類劃分，樣本驗證結(jié)果較好(表2)，樣本分離性均在1.91～2.00之間，水體和道路的分離性最高，達到2.00，可直接作為地類劃分樣本用于分類。2016年P(guān)L遙感影像研究區(qū)的土地覆蓋類型劃分為森林、草本沼澤、河流、道路4類(圖5)。

結(jié)合地面調(diào)查數(shù)據(jù)對分類結(jié)果驗證，分類整體精度為98.05%，Kappa_Coefficient 為0.95，該遙感圖像分類精度較高，分類結(jié)果較為可靠。一般來講，影像分類精度沒有定性要求，通常林業(yè)研究分類精度需要高于75%，國土研究分類精度需要達到85%以上，才能保證相關(guān)領(lǐng)域研究的科學性和可靠性，分類精度的高低直接影響分類結(jié)果的準確性。

3.3 火燒強度等級劃分

dNDVI差值影像(圖6)上碳化的黑色區(qū)域即為植被受害程度較高的區(qū)域，顏色越深受害程度越高。顏色較淺的灰白色區(qū)域即為受害程度較輕和未火燒區(qū)域，顏色越淺則受害程度越輕。統(tǒng)計分析dNDVI差值影像的灰度值(圖7)，數(shù)值在0.15～0.98之間分布，當置信區(qū)間取[5%～95%]時，數(shù)值取值范圍0.58～0.96，并以此為劃分不同受害等級的取值范圍。dNDVI的灰度值峰值在0.30～0.80之間大量分布。

根據(jù)植被指數(shù)差值影像，并結(jié)合地面實際調(diào)查數(shù)據(jù)，最終火燒等級劃分閾值分別為0.34、0.56、0.74(表3、4)。根據(jù)差值影像dNDVI閾值對不同火燒等級進行信息提取，火燒等級劃分為4個等級，分別為0級(未火燒區(qū))、 1(輕度火燒區(qū))、 2(中度火燒區(qū))、 3(重度火燒區(qū))。分類整體精度為91.55%，Kappa _Coefficient 為0.92。

表2 訓練樣本ROI分離性計算Tab.2 Computation of separation of ROI for training samples

圖4 2016年畢拉河研究區(qū)PL遙感影像Fig. 4 2016 PL remote sensing image of study area in Bilahe Forestry Center

圖5 基于2016年P(guān)L影像的研究區(qū)土地覆蓋類型劃分Fig.5 Classification of land cover types of the study area based on 2016 PL remote sensing image

圖6 dNDVI差值影像Fig.6 Image of dNDVI

圖7 dNDVI灰度值直方圖Fig. 7 Histogram of dNDVI

3.4 不同火燒程度等級的面積及空間分布

根據(jù)確定的火燒等級閾值，獲得2016—2018年畢拉河森林火災(zāi)過火區(qū)火燒等級分布圖(圖8)。從圖上可以看出2、3等級占比最大，其次是1級，0級很少。對不同等級受害面積進行統(tǒng)計(圖9)，此次著火區(qū)總面積10 711.18 hm2，其中火燒跡地總面積10 130.31 hm2，而未火燒區(qū)面積580.87 hm2，僅占火燒跡地總面積的5.42%。輕度火燒區(qū)過火面積最大，達5 700.78 hm2，占著火區(qū)總面積的53.22%；其次是中度火燒區(qū)，面積為3 035.12 hm2，占28.34%；重度火燒區(qū)面積為1 394.41 hm2，占13.02%。此次畢拉河火災(zāi)火燒等級主要為輕度火燒，其次是中度和重度火燒，著火區(qū)內(nèi)未火燒區(qū)域面積最小。

從火燒強度(圖8)可以明顯看出，高強度火燒區(qū)集中在東北方向，其他地方僅西北角和西南有少量分布，低強度火燒區(qū)和未火燒區(qū)則集中分布在中部地區(qū)的河流兩側(cè)?；馂?zāi)起源于西南部，起火點附近植被受害程度較輕，距離起火點較遠處東部區(qū)域植被受害程度較重，極有可能是風向突變引起的。

表3 火燒程度等級劃分Tab.3 Fire severity classification

表4 dNDVI閾值驗證樣本數(shù)據(jù)Tab.4 Validation sample data of dNDVI threshold

圖8 火燒程度等級分布Fig. 8 Distribution of image of fire severity levels

圖9 不同火燒等級面積統(tǒng)計Fig.9 Area statistics of different fire grades

3.5 不同火燒程度等級區(qū)域內(nèi)植被受害情況及空間分布

對畢拉河森林火災(zāi)不同火燒等級的植被受害情況進行提取(圖10)，森林和草本沼澤的受害等級分布截然不同，森林受害等級主要集中在2、3級，草本沼澤主要集中在0、1級。去除未火燒區(qū)域影響，對火燒跡地內(nèi)植被損失情況進行統(tǒng)計(表5)，發(fā)現(xiàn)火災(zāi)燒毀的森林面積最大，高達6 167.48 hm2，占過火植被總面積的60.88%，其中，中度火燒面積最大，為2 926.56 hm2，占47.45%，其次輕度火燒區(qū)(面積1 846.93 hm2)，占29.95%，重度火燒面積最小，占22.60%。草本沼澤受害較輕，過火面積3 962.86 hm2，其中97.25%集中在輕度火燒等級，其次是中度火燒，占2.74%，重度火燒等級分布最少，僅0.01%。

4 討論

遙感影像分辨率高低直接影響分類質(zhì)量，從而影響信息提取、分析、結(jié)果的可靠性。傳統(tǒng)衛(wèi)星影像獲取基于根據(jù)“目標”來設(shè)定優(yōu)先級和計劃，而對于非優(yōu)先區(qū)域幾乎不獲取影像。因此，高分辨率影像多因為無法完全覆蓋所需研究區(qū)域或者無法同時獲得同一時相，時間分辨率不高，而只能作為小尺度使用或者多源數(shù)據(jù)融合，以便提高低分辨率影像分辨率，分類精度往往受限。目前國內(nèi)基于遙感影像進行火災(zāi)分析，其影像數(shù)據(jù)源多采用Landsat TM/ETM、DEM、MODIS等，這些數(shù)據(jù)的空間分辨率通常不高，像LandsatTM/ETM空間分辨率30 m，時間分辨率是每16天過同一區(qū)域，而MODIS數(shù)據(jù)時間分辨率雖然12 h覆蓋1次，但空間分辨率最高僅為250 m。這些影像數(shù)據(jù)源無法同時兼有高時間、空間分辨率，圖像質(zhì)量受云量、天氣等因素影響較為常見，因此在使用時常常需要融合高分辨率影像來提高分辨率，達到提高分類結(jié)果精度的作用。但選擇用來做融合或者精度驗證的高分辨率影像如SPOT，分辨率也僅僅是5 m，而且是全色影像，為地類劃分帶來難度，很難獲得更高的分類精度。像GF-2號衛(wèi)星影像是目前我國自主研制的首顆空間分辨率優(yōu)于1 m的民用光學遙感衛(wèi)星，分辨率1 m全色，4 m多光譜，全球任意地區(qū)重放周期不大于5天。但通過中國知網(wǎng)檢索并未發(fā)現(xiàn)單獨使用該影像直接進行火災(zāi)信息提取與分析的相關(guān)研究，或許跟影像價格或者覆蓋區(qū)域無法達到研究要求等有關(guān)。

圖10 森林(a)和草本沼澤(b)火燒等級空間分布Fig. 10 Distribution of fire severity levels of forests(a) and herbaceous marshes(b)

表5 森林和草本沼澤不同受害等級面積統(tǒng)計Tab.5 Area percent of different fire severity levels of forests and herbaceous swamp

本研究使用的高空間、高時間分辨率PL影像，具有高精度評估火災(zāi)受害狀況的能力。彩色多光譜影像色彩飽和度高，降低了目視解譯的難度，結(jié)合地面調(diào)查資料，土地利用類型分類精度高達98.05%?；馃昂筇蓟瘏^(qū)域明顯，降低了火燒受害等級提取難度，不同受害程度等級分類精度較高，達到91.55%。而劉樹超等(2018) 基于Landsat8、DEM數(shù)據(jù)源采用傳統(tǒng)的研究方法對畢拉河林場的森林火災(zāi)進行研究，分類時參照其他學者的分類體系，精度驗證采用GF-2影像，最終土地覆蓋分類總體分類精度提高到了96%，利用實地測量GPS數(shù)據(jù)驗證受害程度的分級精度86.39%，提取的火燒跡地總面積10 835.79 hm2。而本文在沒有林相圖等佐證資料的前提下，單一地利用PL影像的優(yōu)異特性，直接在彩色多光譜影像上進行信息提取，提取的火燒跡地總面積為10 711.18 hm2，與之相差不大，其火燒等級分類及研究結(jié)論也較為一致。但本文PL影像對地物提取精度更高。與傳統(tǒng)研究方法相比，使用PL遙感影像直接進行火災(zāi)等級劃分、火災(zāi)分析，優(yōu)勢明顯，可靠性高，大大解決了低分辨率影像辨識程度低，分類難，融合高分辨率影像以及精度評價等工作量大、精度受限等問題，對今后災(zāi)后評估領(lǐng)域具有巨大的應(yīng)用前景。

5 結(jié)論

本文依靠2017年畢拉河“5·2”特大森林火災(zāi)火燒跡地火前、火后當年、火后更新1年的3期PL影像一種數(shù)據(jù)源，完成了對畢拉河林場森林火燒跡地遙感信息提取、地類劃分、火燒強度等級劃分，與傳統(tǒng)研究方法相比，得出較為一致的研究結(jié)果，省時、省力、省工的同時，取得了更高的分類精度。因此，本研究認為，高時間、高空間分辨率的PL影像是一種較為優(yōu)異的遙感數(shù)據(jù)源，能夠為今后林火遙感研究提供一種新的可靠的、科學的遙感數(shù)據(jù)源和方法參考，其在森林火災(zāi)評估、土地類型提取等方面具有較大的應(yīng)用前景。