文章信息
- 罗永明, 孙涵, 刘诚, 戎志国, 钟仕全, 何立, 陈燕丽, 黄永璘
- Luo Yongming, Sun Han, Liu Cheng, Rong Zhiguo, Zhong Shiquan, He Li, Chen Yanli, Huang Yonglin
- 基于人工火场的EOS/MODIS林火辐射增量研究
- Analysis on Radiation Increment of the Artificial Fire Based on EOS/MODIS
- 林业科学, 2015, 51(11): 76-82
- Scientia Silvae Sinicae, 2015, 51(11): 76-82.
- DOI: 10.11707/j.1001-7488.20151110
-
文章历史
- 收稿日期:2014-10-24
- 修回日期:2015-07-20
-
作者相关文章
2. 国家卫星气象中心 北京 100081
2. National Satellite Meteorological Center Beijing 100081
卫星和航空遥感探测具有客观、高效和宏观、快速等特点,在森林火灾监测等方面表现突出,其中火场热辐射在卫星上产生的辐射增量的大小是林火监测算法的关键。早在20世纪50年代,人们就应用航空红外遥感探测技术进行林火监测研究。20世纪80年代初,随着卫星遥感应用技术的发展,美国、加拿大等国家先后开展了通过卫星遥感监测森林火灾的研究(Dozier,1981)。林火识别算法是森林火灾卫星遥感监测研究的重要内容,其主要算法可分为单通道阈值法(single-channel threshold algorithms)、多通道阈值法(multi-channel threshod algorithms)和上下文法(contextual algorithms)3大类。这3类方法都依赖于火点亮温与背景亮温之差作为参考。林火火场温度一般在500~1 000 K之间,其热辐射在NOAA/AVHRR通道3(中心波长3.75 μm)附近达到峰值,单通阈值法就是利用这一物理原理建立林火识别算法(Muirhead et al., 1985;Setzer et al., 1991)。其中,Justice等(1993)根据NOAA/AVHRR亮温阈值开展了林火监测研究,Arino等(1999)利用ATSR数据开展了单通道阈值法林火检测算法研究。多通道阈值法则是在单通道阈值法的基础上发展起来的林火识别算法,主要分为3个步骤(Kaufman et al., 1990):一是利用NOAA/AVHRR通道3识别潜在火点像元,二是利用NOAA/AVHRR通道4进行去云处理,三是利用NOAA/AVHRR通道3和通道4,从背景温度较高的环境中提取火点信息。多通道阈值法对于不同的下垫面有不同的阈值,热带雨林(Belward et al., 1994)、稀树草原(Langaas,1993;Kennedy et al., 1994;Franca et al., 1995)、北方针叶林的林火检测阈值都不相同(Cahoon et al., 1991;1994)。同时,Kaufman等(1998)根据MODIS数据中红外(4 μm波段)比远红外(11 μm波段)对热源点反映更敏感的特性检测火点。阈值法具有一定的局限性,不同的火环境,如季节、地区不同,则识别林火的阈值亦不同(Kennedy et al., 1994)。尽管后来Chuvieco等(1994)和覃先林等(2004)等在利用阈值法检测火点时,试图通过归一化植被指数(NDVI)去除非植被区,构建林火识别模型,以减少误判,但仍然无法回避不同火环境对识别林火阈值的影响。阈值法的关键是如何获取固定阈值,一般是根据林火案例数据确定识别火点的阈值。由于林火案例具有不确定性和复杂性,因此阈值的确定带有一定的人为影响因素。上下文法则可根据不同的林火环境生成不同的火点识别阈值,其算法可分2个步骤。以NOAA/AVHRR数据为例(Flasse et al., 1996),一是根据通道3阈值(>311 K)及通道3与通道4之差值(>8 K),当2条件都成立时,检测出疑似火点;二是以疑似火点为中心,确定一定大小的分析窗口(像元窗口一般最小3×3,最大25×25),分别计算窗口内通道3与通道4像元亮温的平均值、标准差,以及通道3与通道4亮温之差的平均值、标准差,由此排除非火点,最终获得火点像元。目前,上下文法广泛应用于MODIS、ATSR、GOES、VIRS和HJ-1B等数据的林火检测中。显然,在上下文法的实现过程中,也存在阈值确定的主观性(Justice et al., 2002a;2002b;Ichoku et al., 2003;Cuomo et al., 2001;Qian et al., 2009)。为此,Wooster等(2004;2003)、Wooster(2002)从林火强度和林火辐射量方面入手,进行了林火检测算法的改进。综上所述,无论是阈值法还是上下文法,都需要知道林火在各通道引起的辐射增量大小。以前这些重要的物理量都是依赖林火案例分析获得或根据经验确定,因此带有很强的主观性。针对这些问题,2005年10月,国家卫星气象中心安排所属的遥感应用试验基地在广西航空运动学校机场进行了地面人工火场与卫星同步观测的系列试验,获取与EOS/MODIS数据同步的地面人工火场辐射参数,研究林火的辐射特征,推算林火在各波谱谱段引起的辐射增量,旨在检验卫星遥感监测林火的敏感度、获取能量光谱曲线和热辐射量、研究观测角度对观测精度的影响规律等。
1 地面数据采集 1.1 试验场地环境、材料与仪器 1.1 试验场地环境、材料与仪器广西航空运动学校机场位于南宁市武鸣县县城东南方向,108.29° E,23.14° N,海拔86 m。试验时间为2005年10月17日-11月3日。人工模拟火场选在机场西北方向的裸土地上,设置半径约为7.98 m、面积约为200 m2的圆形。在圆形区域内均匀设置16个点火点。火场可燃物由干草、干树枝、锯木碎料和直径>10 cm的木段组成,三者比例约为1:1:1。火场周围5 km×5 km的范围内地形起不大,高差20~30 m。植被主要有松树(Pinus)、速生桉(Eucalyptus)、低矮灌木和甘蔗(Saccharum officinarum)等。
地面主要观测设备有BOMEM MR-154中近红外傅立叶变换高光谱辐射计(以下简称玻曼仪)、热成像仪、CE312野外热红外辐射计、ASD FR可见近红外光谱仪和大气光学厚度仪、探空仪、百叶箱、微型无人驾驶飞机、摄像机、照相机、高空作业车等。
1.2 试验方法采用地面与卫星同步观测方法,故必须确保地面各种仪器与卫星同步对人工火场进行数据采集。因此,试验进程是根据卫星过境时间进行统一布署。2005年10月28日,EOS/MODIS(TERRA)卫星于北京时间11: 10过境,卫星过境前1 h40 min,所有仪器完成GPS校时,时间误差控制在1 s内。微型无人驾驶飞机、探空仪、百叶箱、光学厚度仪处于离人工火场200 m的指定位置。高空作业车、热成像仪、玻曼仪和摄像机处于离人工火场50 m的指定位置。卫星过境前40 min,探空仪、微型无人驾驶飞机、热成像仪、玻曼仪、摄像机准备完毕。卫星过境前20 min,微型无人驾驶飞机起飞。卫星过境前15 min,释放探空气球,同时人工火场内16个点火点开始点火。根据人工火场燃烧情况,火场燃烧过程可分为起燃、稳定和减弱3个阶段。对火场进行观测采样时,热成像仪、玻曼仪和摄像机应尽量保持相同的方向和距离;因此,将这些仪器布置在距离火场50 m的火场上风向处。
在火场起燃至稳定阶段,热成像仪布置在高空作业车上,每2 s采样1次,从垂直地面17.5,15,10,5和2.5 m的高度从上到下进行火场采样,每个高度采样时间为20 s。玻曼仪布置在垂直地面1.6 m处,对火场连续采样。
在火场稳定至余火阶段,热成像仪布置在垂直地面1.6 m处,对火场进行连续采样。安装于高架车上的玻曼仪同样从垂直地面17.5,15,10,5和2.5 m的高度从上到下进行火场采样,每个高度采样时间为20 s。
CE 312仪和ASD仪安置在距离火场50 m,与地面垂直高度2.5 m的位置上,对火场进行全过程连续采样。摄像机在距离火场50 m处对火场进行全过程录像。
1.3 数据获取2005年10月28日EOS/MODIS卫星过境时,火场周围的环境气温为31.4℃,相对湿度53%,微风,无云,试验条件良好;卫星天顶角18.95°,方位角99.05°,太阳天顶角40.08°,太阳方位角153.12°,星下点经度110.3°E。热成像仪设置高度为15 m与火场水平距离44.5 m处,观测视线与火场法线交角为71.3°。火场最高温度757.1℃,平均温度555.8℃,平均辐亮度为253.7 mW·m-2sr-1cm-4,热成像仪获取的人工火场温度分布见图 1。
由图 1可见,星地同步观测时,高温场充满整个200 m2的人工火场区,温度分布较均匀,效果理想。
地面观测试验数据包括火场能量光谱曲线、热辐射场、反射率、大气光学厚度、探空数据、气温、气压、相对湿度、风向、风速、航拍图像、火场录相等。卫星资料包括MODIS、FY-1D、NOAA等遥感数据。
2 研究方法 2.1 分析原理遥感图像像元记录的是探测单元瞬时视场角所对应的地面范围内目标辐射能量的总和。如果探测单元的瞬时视场角所对应地面范围仅包含同一类性质的目标,则该像元为纯净像元;若包含了多类不同性质的目标,则为混合像元。遥感图像空间分辨率越低,同一像元包含多类不同性质目标的概率就越大。一般来说遥感影像中的像元大部分都是几种地物的混合体。线性混合理论认为(游晓斌等,2003),在任意波段上,任意一个像元的响应是该像元内各组分响应的线性和。因此,像元第i波段的反射率ρ可以表示为:
${\rho _i} = \sum\limits_{j = 1}^n {\left({{a_{ij}}{x_j}} \right)} + {e_i}$ | (1) |
$\sum\limits_{j = 1}^n {{x_j} = 1,{x_j} \geqslant 0} $ | (2) |
由于人工火场的面积仅为200 m2,而MODIS卫星红外通道的像元面积约为1 km2,数量级相差较大,地表类型复杂,地表类型差异将导致辐射贡献度不同。因此,研究思路是从宏观角度考虑的,首先将人工火场所在卫星像元的地表类型粗略分为植被、裸地和水体3大类,并研究各类地物辐射贡献的权重关系,进而根据线性混合理论估算无火场影响下的辐亮度值,再利用实际观测的辐亮度值减去估算值,即可得到人工火场火辐射引起的辐射增量。
2.2 地表覆盖类型提取广西武鸣航校机场附近地表类型主要由林地、耕地、建筑用地、裸土地和水体等组成。为较准确地获取MODIS卫星像元内的地表类型信息,选取2005年10月1日的TM遥感数据进行像元内地表覆盖类型的详细提取。TM数据像元分辨率为30 m,成像时间与试验时间较接近,无云。根据地类光谱响应特点,获得试验场附近植被(森林与庄稼地)、裸地(建筑物与裸土地)和水体3种地表分类信息。经实地调查检验,总体分类精度达到92%,统计检验KAPPA系数为90%,满足研究需求。
2.3 端元组分计算端元是指在遥感影像中,组成混合像元的多种单一光谱的土地覆盖类型(李素等,2007;Roberts,1998)。端元面积的大小和组成对像元总辐射量大小的影响起着重要作用。把人工火场周围植被、裸地和水体3种基本地类作为MODIS混合像元的端元。将人工火场周围MODIS 5×5像元阵列叠加在TM数据分类图上,得到图 2。
由图 2可知,背景是由TM分类得到的植被、裸地和水体3种基本地类分布图。其中,小“十”字表示MODIS 5×5像元阵列中每个像元中心在人工火场周围的分布,13与14之间的大“十”字表示人工火场所在的位置。除24号像元缺水体类外,每个MODIS像元都是由3种地表类型组成。因此,需计算MODIS 5×5像元阵列的端元(即3种基本地类)所占的权重,端元权重在0~1之间。
3 辐亮度估算 3.1 模型构建原理卫星林火监测是根据火点温度高于周围背景温度的基本原理判断火点。根据斯蒂芬-波尔兹曼定律,
$E = \sigma {T^4}$ | (3) |
${\lambda _{\max }} = b/T$ | (4) |
根据线性混合理论,在任意波段上,像元的响应是该像元内各端元组分响应的线性和。由此可建立像元辐亮度的回归模型:
${L_i} = {a_i}{x_1} + {b_i}{x_2} + {c_i}{x_3}$ | (5) |
由表 2可见,回归模型相关系数都在0.99以上,并通过0.01的信度检验。利用表 2所列模型,可估算人工火场周围5×5像元阵列在无人工火场影响情况下每个像元的辐亮度值。
3.2 亮温增量的计算亮度温度是传感器在卫星高度所观测到的辐亮度。根据普朗克定律
$M = \frac{{2\pi h{c^2}}}{{{\lambda ^2}}} \times \frac{1}{{{e^{hc/\lambda kT}} - 1}}$ | (6) |
$T = \frac{{hc}}{{\lambda k\ln \left[ {\frac{{2\pi h{c^2}}}{{M{\lambda ^5} + 1}}} \right]}}$ | (7) |
根据MODIS过境时对人工火场的观测值,可计算出实测亮温。利用表 3的模型,可估算出无人工火场影响情况下,地表的亮温分布情况(即亮温的估算值)。MODIS第20,21,22,30和31波段的卫星实测亮温与估算亮温的关系见图 3。
显然,由图 3可见,除第13和14号像元外,其他像元在第20,21,22,31和32波段的估算值与卫星实测值很吻合,说明回归模型估算效果很理想。其中,第13,14号像元在MODIS第20,21,22波段有很大的差异,卫星实测值明显大于估算值,说明人工火场的辐射在中红外起了很大的贡献;在第31和32波段有一定的差异,辐射在远红外引起的亮温增量比较小,符合维恩位移定律,证明试验效果明显。由卫星实测亮温值减去估算亮温即可得到像元的亮温增量(表 3~4):
由表 3可见,13号像元第20波段亮温增量为9.35 K,亮温增量最大。20波段较容易达到饱和,因此,在林火监测中,常用第21,22波段代替20波段,它们的亮温增量分别为7.49和8.00 K。第31和32波段亮温增量分别为1.13和0.83 K。远红外对于热源点反应不敏感,常用作背景。由表 4可知,14号像元显然受到人工火场热辐射的影响,其20波段亮温增量也达4.08 K,第21,22波段亮温增量分别3.26,3.85 K。
4 结论通过本次地面与卫星同步观测人工火场的试验,成功获取了各项试验参数,经过分析得到以下结论:
1)根据线性混合理论建立的EOS/MODIS像元内地物辐亮度估算模型,其样本相关系数都达0.99以上,表明该方法可用于无火场热辐射影响下地表背景辐亮度的估算,为火场热辐射亮温增量的计算提供背景依据。
2)EOS/MODIS人工火场所在像元亮温增量在第20波段为9.35 K,第21波段为7.49 K,第22波段为8.00 K,说明EOS/MODIS红外波段对地表热辐射反应非常明感,能观测到地面≥200 m2(即火场面积与像元面积比为1/5 000)的火场。第31和32波段对高温热源不明感,增量分别为1.13和0.83 K。这对于误码识别和深入研究林火识别与面积估算模型具有重要意义。
3)卫星观测存在目标物的像元分割现象,本次试验中主火场落在13号像元,14号像元第20波段亮温增量也达4.08K,表明火场很可能落在2个像元之间,14号像元也受火场的影响。这种现象往往造成火点多判,高估火场面积,应在研究和应用中引起重视。
[1] |
李素,李文正,周建军,等.2007.遥感影像混合像元分解中的端元选择方法综述.地理与地理信息科学,23(5):35-38. (Li S, Li W Z, Zhou J J, et al. 2007. A review on endmember selection methods in the course of mixed pixel decomposition of remote sensing images. Geography and Geo-Information Science, 23(5):35-38[in Chinese]).(1) |
[2] |
覃先林,易浩若.2004.基于MODIS数据的林火识别方法研究.火灾科学,13(2):83-89. (Qin X L,Yi H R.2004. A method to identify forest fire based on MODIS data. Fire Safety Science, 2:83-89[in Chinese]).(1) |
[3] | Arino O, Rosaz J M.1999.1997 and 1998 world ATSR fire atlas using ERS-2 ATSR-2 Data. Proceedings of the Joint Fire Science Conference, Boise, 15-17.(1) |
[4] | Belward A S, Kennedy P J, Grégoire J M. 1994.The limitations and potential of AVHRR GAC data for continental scale fire studies.International Journal of Remote Sensing,15:2215-2234.(1) |
[5] | Cahoon D R Jr, Levine J S, Minnis P, et al. 1991.The Great Chinese fire of 1987:A view from space//Levine J S. Global Biomass Burning:Atmospheric, Climate, and Biospheric Implications.MIT Press, Cambridge, MA, 61-66.(1) |
[6] | Cahoon D R Jr, Stocks B J, Levine J S, et al. 1994.Satellite analysis of the severe 1987 forest fires in northern China and southeastern Sibera.J Geophys Res,99:18627-18638.(1) |
[7] | Chuvieco E, Martin M P.1994.A simple method for fire growth mapping using AVHRR channel 3 data. International Journal of Remote Sensing,15(16):3141-3146.(1) |
[8] | Cuomo V, Lasaponara R, Tramutoli V. 2001.Evaluation of a new satellite-based method for forest fire detection. International Journal of Remote Sensing,22(9):1799-1826.(1) |
[9] | Dozier J. 1981. A method for satellite identification of surface temperature fields of subpixel resolution.Remote Sensing of Environment,11:221-229.(1) |
[10] | Flasse S P, Ceccato P.1996.A contextual algorithm for AVHRR fire detection.International Journal of Remote Sensing,17:419-424.(1) |
[11] | Franca J R, Brustet J M, Fonta J. 1995.Multispectral remote sensing of biomass burning in west Africa.Journal of Atmospheric Chemistry,22(1):81-110.(1) |
[12] | Ichoku C, Kaufman Y J, Giglio L, et al. 2003.Comparative analysis of daytime fire detection algorithms using AVHRR data for the 1995 fire season in Canada:Perspective for MODIS. International Journal of Remote Sensing,24(8):1669-1690.(1) |
[13] | Justice C O, Malingreau J P, Setzer A W.1993.Satellite remote sensing of fires:potential and limitations//Crutzen P J, Goldammer J G.Fire in The Environment:The Ecological, Atmospheric and Climatic Importance of Vegetation Fires.New York:John Wiley and Sons,77-88.(1) |
[14] | Justice C O, Giglio L, Korontzi S, et al. 2002a. The MODIS fire products. Remote Sens Environ,83:244-262.(1) |
[15] | Justice C O, Townshend J R G, Vermote E F, et al. 2002b.An overview of MODIS land data processing and product status. Remote Sens Environ,82:3-15.(1) |
[16] | Kaufman Y J, Justice C,Flynn L. 1998. Monitoring global fire from EOS-MODIS.Journal of Geophysical Research,102:611-624.(1) |
[17] | Kaufman Y J, Tucker C J, Fung I. 1990. Remote sensing of biomass burning in the tropics. Journal of Geophysical Research,95:9927-9939.(1) |
[18] | Kennedy P J, Belward A S, Grégoire J M.1994.An improved approach to fire monitoring in west Africa using AVHRR data.International Journal of Remote Sensing,15:2235-2255.(2) |
[19] | Kennedy P J, Belward A S, Grégoire J M.1994.An improved approach to fire monitoring in west Africa using AVHRR data. International Journal of Remote Sensing,15:2235-2255.(2) |
[20] | Langaas S. 1993.A parameterized bispectral model for savanna fire detection using AVHRR night images.International Journal of Remote Sensing,14:2245-2262.(1) |
[21] | Muirhead K, Cracknell A. 1985.Straw burning over Great Britain detected by AVHRR.International Journal of Remote Sensing, 6:827-833.(1) |
[22] | Wooster M J. 2002.Small-scale experimental testing of fire radiative energy for quantifying mass combusted in natural vegetation fires.Geophys Res Lett, 29(21):2027. doi:10.1029/2002GL015487.(1) |
[23] | Qian Yonggang, Yan Guangjian, Duan Sibo, et al.2009.A contextual fire detection algorithm for simulated HJ-1B imagery.Sensors, 9:961-979.(1) |
[24] | Roberts D A. 1998.Mapping chaparral in the Santa Monica Mountains using multiple endmember spectral mixture model.Remote Sensing of Environment,65:267-279.(1) |
[25] | Setzer A W, Pereira M C.1991.Amazonian biomass burnings in 1987 and an estimate of their tropospheric emission.Ambio, 20:19-22.(1) |
[26] | Wooster M J, Zhang Y H.2004.Boreal forest fires burn less intensely in Russia than in North America.Geophys Res Lett, 31(20),L20505. doi:10.1029/2004GL020805.(1) |
[27] | Wooster M J, Zhukov B, Oertel D.2003.Fire radiative energy for quantitative study of biomass burning:Derivation from the BIRD experimental satellite and comparison to MODIS fire products.Remote Sens Environ,86:83-107.(1) |