Print
自然火灾碳排放估算模型参数的遥感反演进展
expand article info 吴沁淳1,2 , 陈方1,3 , 王长林1 , 李斌1 , 吴薇1,2 , 刘三超4,5 , 徐丰4,5
1. 中国科学院遥感与数字地球研究所数字地球重点实验室, 北京  100094;
2. 中国科学院大学, 北京  100049;
3. 中国科学院遥感与数字地球研究所遥感科学国家重点实验室, 北京  100101;
4. 民政部国家减灾中心, 北京  100024;
5. 民政部卫星减灾应用中心, 北京  100024
收稿日期: 2014-12-19; 修订日期: 2015-06-01; 优先数字出版日期: 2015-06-08
基金项目: 国家自然科学基金(编号:41120114001);中国科学院"百人计划"项目(编号:Y34004101A);高分辨率对地观测系统重大专项(编号:14CNIC-032079-32)
第一作者简介: 吴沁淳(1991-),男,硕士研究生,现从事自然火灾特征参量遥感提取方法研究,E-mail:wqc0722@gmail.com
通信作者简介: 陈方(1981-),男,研究员,主要从事火灾特征参量遥感反演的理论和应用研究,E-mail:chenfang@radi.ac.cn
中图分类号: TP701
文献标识码: A
文章编号: 1007-4619(2016)01-0011-16

摘要

植被燃烧会产生大量的温室气体,为及时了解自然火灾对区域和全球尺度的碳循环和碳平衡模式的影响,有必要研究自然火灾碳排放的大尺度估算方法。结合遥感技术"宏观、快速、实时、客观"获取地表信息的独特优势,对利用遥感技术估算自然火灾碳排放的方法进行综述,概括了自然火灾碳排放使用的估算模型及其需要的主要输入参数,其次分别介绍了模型输入参数的遥感估算方法,并对各方法的优缺点进行分析和评价,最后提出现有方法的改进建议。

关键词

自然火灾; 碳排放; 燃烧面积; 燃料容载量; 燃烧效率

1 引 言

自然火灾是一种全球性灾害，每年世界范围内有大量的森林、草原等发生火灾，自然火灾的年均燃烧面积约达3.8×108 hm2(Crutzen等，1979; Giglio等，2013)。火灾的发生一方面由自然原因引起(如雷电、高温等)，另一方面缘于人类社会生产活动。现有研究表明，火灾不但会改变生态系统的结构、功能、格局与过程，还会影响整个系统的碳循环过程与分布(Conard和Solomon，2008; Kozlowski，2012; 胡海清等，2013)。

火灾发生时，生物质燃烧产生了大量的温室气体(多以CO2或CO的形式存在)，并释放到大气中。目前，全球每年来自自然火灾的直接碳排放量约为2.0×1012 kg，已是化石燃料燃烧和砼制品导致的碳排放量的20%—40%(Marland等，2003;van der Werf等，2010)，来自火灾的碳排放直接影响了全球碳循环和碳平衡(Lü等，2006)。此外，火灾过后，森林、草场等地表植被资源被大规模破坏，土壤有机质和矿质养分发生改变，水土保持能力下降，进一步影响了整个植被系统的持续固碳能力(Marland等，2003;Lü等，2006;Conard和Solomon，2008;van der Werf等，2010;French等，2011;罗菊春，2002)。许多研究已证明，来自火灾的碳排放已经成为加速全球变暖的一个重要影响因子(吕爱锋等，2005;胡海清等，2012b)，而如何正确认识火灾频度和强度的变化规律，合理有效地估算全球火灾碳排放情况已成为一项重要的科学问题，对农林生产、全球变化、生态学应用都有重要科学意义。

20世纪60年代后期开始，有学者开展了森林火灾的气体排放模式研究，随后陆续出现针对火灾含碳气体排放的估算工作(Seiler和Crutzen，1980;Cahoon等，1994;Conard和Ivanova，1997)。Seiler和Crutzen(1980)提出了被广泛使用的生物质燃烧碳排放估算模型，并对全球生物质燃烧的碳排放情况进行了估算，发现北方针叶林、赤道雨林和热带稀树大草原发生的火灾是全球火灾碳排放的主要来源。在自然火灾碳排放估算模型的早期应用中，模型中的大部分的参数多通过实验室模拟、野外观测、模型模拟或经验估计的方法获取。由于计算参数来源的多样化，碳排放估算的精度也具较高的不确定性(胡海清等，2012b)。同时，此类方法在小尺度估算时常具有较好的精度，但在大尺度的应用中，受人力条件限制，较难获取足够数量的满足应用要求的计算参数，从而影响了应用的适用性。

相对于传统的地表采样调查方法，遥感具有宏观、快速、实时的优势。随着遥感技术的不断发展，不同遥感平台提供的数据以及相应的算法，被广泛应用于火灾碳排放估算特征参量的大尺度反演中(Friedl等，2010;Wan，2014)，遥感技术同火灾碳排放估算模型的结合，也为全球性火灾碳排放估算提供了新的方法途径和手段。

2 估算模型和方法的分析与评价

2.1 自然火灾碳排放估算模型

Seiler和Crutzen(1980)提出了目前最为广泛应用的火灾碳排放估算模型，其表达式为

${C_f} = AB{f_c}\beta $ (1)

式中，A是燃烧面积(ha)；B是单位面积上燃料的质量，即燃料容载量(t·ha-1)；fc是可燃物中碳所占的比重，即燃料含碳率；β是生物质发生燃烧的部分占总质量的比例，即燃料的燃烧效率(%)。

如果要计算具体某种含碳气体的排放量，如一氧化碳、二氧化碳、甲烷等，只需乘以待估算含碳气体的排放系数EF(Emission Factor)，由式(1)变为

${C_f} = AB{f_c}\beta \cdot EF$ (2)

需要注意的是，依式(1)计算的碳排放并不准确，因为该方法模型只提供了碳排放估算的总体框架，并未对参数进一步细化，仅考虑了地上部分(乔木、灌木、草本等)对碳排放的贡献，而忽略了地表部分(凋落物、地表有机质、粗木质残体等)和地下部分(土壤有机碳)。如果需要考虑这些部分的影响，可使用式(1)的修正形式(胡海清等，2012b)，其中一种修正形式的表达式为

${C_f} = A\left({{B_a}{f_{ca}}{\beta _a} + {C_1}{\beta _1} + {C_d}{\beta _d} + {C_c}{\beta _c} + {C_s}{\beta _s}} \right)$ (3)

式中，Ba为火灾消耗的地上部分燃料容载量(t·ha-1)；fca为地上部分的燃料含碳率；βa为地上部分的燃料燃烧效率；Cl为地表凋落物的碳容载量(t·ha-1)；βl为地表凋落物的燃料燃烧效率；Cd为地表有机质的碳容载量(t·ha-1)；βd为地表有机质的燃烧效率；Cc为粗木质残体的碳容载量(t·ha-1)；βc为粗木质残体的燃烧效率；Cs为土壤有机质的碳容载量；βs为土壤有机质的燃烧效率。

Seiler和Crutzen(1980)模型是碳排放估算的基础方法，尽管该模型提出并应用了35年，但目前绝大多数的研究均以该模型为基础进行计算。在其基础上，国外也已发展了许多火灾碳排放模型和模式，如一阶火灾影响模式(FOFEM)、火灾消耗模式(CONSUME)、自然火灾排放信息系统(WFEIS)、加拿大森林管理局火灾模式(CanFIRE)、全球火灾碳排放数据集(GFED)、加拿大林火行为预测系统(Canada FBP system)等。这类模型常通过式(1)、(2)中相关基本参数的输入，以计算获取火灾总碳排放量或某种特定的含碳气体排放量。以GFED为例，该模式利用遥感数据提取燃烧面积，采用遥感反演与生物地球化学模型相结合的方法估算燃料容载量和燃烧效率，并在得到这些参数后通过式(1)和式(2)计算相应的碳排放量(Randerson等，2013)。此外，加拿大FBP系统较为特殊，其未基于式(1)的框架进行计算，而是通过实验确定了燃料消耗量与不同天气条件下的燃料干燥程度之间的经验关系，并进而根据此经验关系估算碳排放量(Hirsch，1996)。

近年来，国内也开展了一些针对火灾碳排放的研究，如殷丽(2009)通过遥感数据反演获取燃烧面积，利用遥感结合实地调查的方法估算了大兴安岭的火灾碳排放；陆炳等人(2011)通过对不同研究实测所得的参数进行整合，估算了全国生物质燃烧碳排放情况；胡海清等人(2012a)根据统计资料获取燃烧面积，利用野外调查与室内实验实测的燃料含碳率、燃烧效率等参数，估算了1965—2010年大兴安岭森林火灾的碳排放；郭怀文(2013)根据统计资料获取了燃烧面积、燃料容载量、燃烧效率与燃料含碳率等参数，估算了福建三明地区的林火碳排放；魏书精等人(2014)采用与胡海清等人(2012a)类似的方法估算了黑河市小尺度的林火碳排放量；王千雪(2014)利用高分辨率遥感影像提取了燃烧面积，通过野外调查、室内试验相结合的方法获取了燃料容载量、燃烧效率等参量，估算了小兴安岭2003年林火碳排放量。

综上所述，表 1总结了近30年国际上不同尺度下自然火灾碳排放遥感估算的研究概况。

表 1 自然火灾碳排放遥感估算研究情况
Table 1 Current status of study on estimating carbon emissions from biomass burning based on remote sensing 下载CSV 
研究区域数据源碳排放量文献来源
燃烧面积燃料容载量燃烧效率
中国北方和东南西伯利亚AVHRR实地调查和统计资料1.19×1011—5.20×1011 kgCahoon等，1994
哈度科维奇溪火灾L and sat实地调查和L and sat实地调查和L and sat3.99 kg·m-1Michalek等，2000
乌索斯基森林实地调查SPOT、航空影像等，实地调查实地调查和L and sat1.50809×107—1.60657×107 kgIsaev等，2002
俄罗斯和北美的北方林统计资料和AVHRR燃料模型实地调查和AVHRR2.90×1014—3.83×1014 kgKasischke和Bruhwiler，2002
俄罗斯SPOT-VGT统计资料3.93×1010—5.54×1010 kgZhang等，2003
全球燃料模型实地调查和多源遥感数据燃料模型2.290×1012 kg(按CO2计算)Ito和Penner，2004
全球GLOBSCAR植被模型，MODIS统计资料1.741×1012 kgHoelzemann等，2004
全球GFEDAVHRR、MODIS，生化模型统计资料1.300×1012 kgvan der Werf等，2006
北美和部分中美MODISGLC2000，AVHRR，MODIS统计资料0.92×1011—1.73×1011 kgWiedinmyer等，2006
大兴安岭MODISMODIS，实地调查1.76×109 kg殷丽，2009
蒙特利尔湖火灾L and sat燃料模型燃料模型1.2 kg·m-2French等，2011
阿拉斯加L and sat实地调查、经验统计等L and sat等6.47×1010 kgKasischke和Hoy，2012
阿拉斯加内陆区实地调查L and sat，实地调查2.88±0.23 kg·m-2Rogers等，2014
东南亚MODIS多源遥感数据实地调查等2.141×1011—2.326×1011 kgShi等，2014

2.2 火灾碳排放估算关键参数反演方法

火灾碳排放估算模型研究表明，燃烧面积A、燃料容载量B、燃烧效率β和燃料含碳率fc是自然火灾碳排放估算的关键计算参量(Cahoon等，1994;Zhang等，2003;French等，2011)。这四个主要参量中，燃料含碳率难以通过遥感的方法进行直接估算，目前主要采用实验室测定和地面调查的方法，国际上常直接使用0.45或0.5直接作为森林的燃料含碳率(French等，2011;胡海清等，2012b)，而燃烧面积、燃料容载量和燃烧效率则可以通过遥感进行估算，并且已经发展出多种估算方法。自然火灾碳排放的遥感估算，实际上就是对式(1)、(2)中的关键参量(燃烧面积、燃料容载量和燃烧效率)进行必要的遥感估算的过程，目前针对各参量也已发展出多种针对性的遥感反演方法(图 1)。

图1 自然火灾碳排放反演关键参量及主要遥感估算方法
Figure 1 Key factors of carbon emissions from biomass burning and main method of estimation based on remote sensing

2.2.1 燃烧面积反演方法

燃烧面积指发生燃烧事件区域的面积，也叫过火面积。传统的燃烧面积测量方法包括航空地图勾绘法和地面实地调查法(胡海清等，2012)，这两种方法多适用于小尺度的燃烧面积估算，在大尺度估算时，传统手段较难获取大范围的调查数据，从而降低了算法的适用性(Hoelzemann等，2004)。

相对传统方法，利用遥感产品提取燃烧面积可以提供更加客观的结果，并且在大尺度监测上有天然的优势。利用遥感技术估算燃烧面积的方法已发展较为成熟，并已有多类遥感数据产品提供全球范围的燃烧面积数据，如欧洲空间局提供的全球火迹图(GLOBSCAR)、欧盟联合研究中心(JRC)提供的全球火烧面积产品(GBA-2000)，全球火灾数据集(GFED)，美国国家航空航天局提供的MODIS火产品等(Justice等，2002;Boschetti，2003;Grégoire等，2003;Simon等，2004;Roy等，2008;Giglio等，2009;Randerson等，2012;Giglio等，2013)。

遥感估算燃烧面积的核心问题是：提取出遥感影像上某时期内所有发生燃烧事件的像元(燃烧区域)，确定其数量，从而得到该时期内的燃烧面积。燃烧像元存在独有的特征，可以通过这些特征将燃烧像元与未燃烧像元区分开来。这一过程可以视为是图像分类的问题，即根据所选的特征，采用一定的算法对遥感影像进行分类，从而提取燃烧区域。根据提取发生燃烧事件的像元的基本特征产生的物理原理的不同，当前基于遥感的燃烧面积反演方法主要可以分为三类，分别是基于反射率特征的方法、基于发射特征的方法和基于后向散射特征的方法。

(1)基于反射特征的方法

火灾会破坏植物的生理结构，使其光谱特征发生变化，产生反射率特征差异。通常情况下燃烧会导致植被各波段反射率发生下降，燃烧区域的二向反射率分布函数(BRDF)效应和未燃烧区域的亦存在区别(Roy等，2002a;Stroppiana等，2002；Pleniou和Koutsias，2013)。

反射率特征差异主要体现在两个方面：一方面，对于不同时间观测到的同一像元，该像元发生燃烧事件之前和发生燃烧事件之后的反射率特征存在差异；另一方面，对于同一时间观测到的不同像元，发生燃烧事件的像元和未发生燃烧事件的像元之间的反射率特征存在差异。利用这种反射率特征差异提取燃烧区域是基于反射率特征的方法的核心思想。基于反射率特征的方法采用的策略主要有两种，分别对应反射率特征差异的两个方面，一方面利用单时相火灾后影像检测发生燃烧事件的像元和未发生燃烧事件的像元的反射率特征差异，另一方面策略利用多时相的火灾前与火灾后影像检测像元已燃烧和未燃烧的光谱反射率特征差异。

不论采取何种策略均需要利用一定的方法选取合适的参量来描述和突出这种过火灾后的植被特征差异。一般选取特定的特征波段或利用特征波段计算的经验指数作为特征指数，常见的经验指数有归一化差值植被指数(NDVI)，全球环境检测指数(GEMI)，燃烧区域指数(BAI)，燃烧比率(NBR)等(Stroppiana等，2002;Chuvieco等，2002。除利用特征波段或经验指数外，也可以采用图像增强的方法来突出反射率特征，如IHS变换或数据融合等方法也可以用于提取过火面积(Koutsias和Karteris，2000;Chuvieco等，2005)。

在选取合适特征后，可以通过一定的策略和方法来提取燃烧面积，常用的方法有阈值法、经验回归法、监督分类法。阈值法即根据特征波段或经验指数人工选取一定的阈值，或选取更复杂的阈值构建决策树，从而识别燃烧区域。Roy等人(2002b)提出了一种利用多时相MODIS数据提取火迹地的方法，通过二向反射率模型来预测地表反射率，Li(2004)等在此基础上又提出了一种利用单幅MODIS 影像提取燃烧面积的方法；与这两种单阈值方法不同的是，Toukiloglou等人(2014)通过对比多时相NDVI变化，建立多阈值的决策树以提取燃烧面积。这种多阈值方法在小区域应用上获得了一定的成功，但在不同区域、不同植被类型、不同季候的应用下存在阈值不适用的问题。

统计分析法通过建立各特征波段或经验指数与是否燃烧之间的经验关系进行燃烧面积的估算，最常用的方法是logistic回归。如Koutsias等人(2000)建立了单幅TM灾后影像特征与燃烧特征的logistic回归模型，从而提取燃烧区域，总体精度达到97.30%—97.37%；Bastarrika等人(2011)采取了利用logistic回归提取种子点，结合区域生长的方式来减少对燃火区的漏分现象。

利用监督分类的方法进行分类需要输入训练样本，一般主要包含贝叶斯分类、最大似然分类、决策树法、人工神经网络等。此决策树法与阈值法中的决策树不同，其阈值并非是人为给定，而是通过训练样本由一定的算法生成的。在应用中，Giglio等人(2006，2009)使用MODIS反射率数据计算一种对燃烧事件敏感的植被指数，计算像元发生燃烧的后验概率，来判断像元是否发生过燃烧事件。Sedano等人(2013)先利用自举聚集算法进行预处理，选取训练样本，再用分类回归树和人工神经网络进行分类。近几年支持向量机SVM(Support Vector Machine)在燃烧面积提取中使用较多，如Cao等人(2009)利用SVM结合区域生长方法进行迭代分类，从而提取燃烧面积，Petropoulos等人(2011)利用SVM对TM影像进行了燃烧面积提取，Mitrakis等人(2012)用Ada Boost、SVM、神经模糊的方法分别提取了燃烧面积，并比较了各种方法的精度。

上述方法主要是采用基于像元层面的特征进行的分类方法，利用的是像元的灰度特征。另一思路也可使用面向对象的分类方法，先将图像分割为较为均质的对象，再利用对象的不同的特征来识别对象的类别归属(如光谱值、形状、纹理等)，这一方法在分类时不仅可以使用单个对象的特征，还可以根据上下文关系进行提取，使识别结果大大提高。Gitas等人(2004)提出一种针对AVHRR的面向对象的燃烧区域提取方法，和实测结果相比精度达到90%。考虑到面向对象的分类方法经常会混淆燃烧面积和非植被类别，尤其是水体和阴影区，Mitri和Gitas(2004)提出先区分出非植被的区域，再进行燃烧区域提取的方法，从而增加了提取的精度。基于空间特征法更适用于高空间分辨率数据，由于现有区域和全球尺度的高空间分辨率数据较难获取，这种方法在大尺度燃烧面积提取中应用较少，多在小区域进行应用(Polychronaki和Gitas，2012；Dragozi等，2014)。

(2)基于发射特征的方法

火灾结束后燃烧区域与未燃烧区域的温度不同，这种温度差异并非是由于火灾产生的高热造成的，而是由于地表覆盖在燃烧后发生变化，由此导致的发射特征差异，这种特征能够持续相当长的一段时间，常结合光谱指数的计算来提取燃烧区域，如植被指数-3VI-3、热归一化差值植被指数NDVIT、热归一化燃烧比值NBRT、近红外-短波红外-热指数NST等(Veraverbeke等，2011)。

除长期的发射特征外，植被在燃烧时，正在燃烧的区域处于高温状态，会释放出大量的热量，未燃烧或燃烧结束的区域则处于低温状态，使得影像中发生燃烧事件的区域具有独特的热特征，根据此特性可对热辐射进行观测，通过寻找遥感影像上的热异常(高温)点，检测出卫星过境时正在发生燃烧事件的区域，通过这种方法提取出的热异常点称为火点或活动火。

基于热特征方法提取的火点与燃烧区域是存在区别的，火点对应的只是卫星过境时期传感器检测到的正在燃烧的区域面积，由于卫星传感器受到卫星轨道的限制，通常情况下无法对某一区域进行连续的观测，每次观测之间总存在一定的时间间隔，因此火灾期间所获取的火点面积通常不等于整场火灾的燃烧面积。虽然目前的卫星观测技术难以直接利用热特征提取燃烧面积，但比起利用火灾后特征来推断燃烧面积的前两种方法，火点直接反映了燃烧事件，更加直观，并且具有更高的可信度。火点面积与火灾的燃烧面积之间并不相等，却存在一定的相关性，因此，依靠热特征提取的火点常作为一种辅助数据用于燃烧面积的提取。

燃烧面积的提取精度与所采用图像的空间分辨率也有密切联系。针对大型火灾，使用中低分辨率遥感数据进行燃烧面积提取时，其提取结果较好，然而，对于小型火灾，采用中低分辨率数据进行提取多存有错分或漏分现象，且较难确定引致错分误差和漏分误差的不确定性，降低了识别的准确性。考虑到识别为火点的区域发生燃烧事件的概率更大，因此可以将火点数据作为一种先验知识或训练样本，用于燃烧面积的提取(Fraser等，2000;Giglio等，2009;Cao等，2009)。全球火灾同化系统通过同化利用MODIS观测的火灾辐射能量，同时修正由于云的覆盖造成的观测空缺，克服了未检测到的小型火灾引起的误差(Kaiser等，2012)。也有研究通过建立火点数量与小型火灾燃烧面积的关系构建经验模型，实现考虑小型火灾的燃烧面积估算(Randerson等，2012)。

(3)基于后向散射特征的方法

尽管反射特征和发射特征已经能够为燃烧区域估算提供关键信息，但这些波段的电磁波往往难以穿透云层或燃烧产生的烟雾，当在这些波段工作的遥感传感器接收到的影像上有云或烟雾覆盖的区域时，就难以判断这些区域下是否发生了燃烧事件，因此反射特征和发射特征在赤道等长期有云覆盖的区域的应用效果会受到制约。微波具有一定的穿透能力，几乎不受云或烟雾的影响，能够获取云层下方的信息，有研究通过合成孔径雷达来提取燃烧面积。火灾的作用使植被的枝叶结构受损，水分含量减少，使燃烧区域的后向散射特征区与非燃烧区域的后向散射特征有所区别，造成两者对SAR回波的响应不同(Polychronaki等，2013)，这让通过后向散射特征区分燃烧区域成为可能。已有的研究表明，在大部分区域，由于火灾使地表覆盖的植被减少、水分含量降低，燃烧区域的后向散射一般要强于未燃烧区域(Huang和Siegert，2004;Kasischke等，2011)，但在热带地区，由于气候干燥、水分含量低，植被燃烧后其后向散射反而降低(Huang和Siegert，2004;Siegert和Ruecker，2000)。同时，燃烧区域对不同波段、不同极化方式有不同的响应，也可以据此特征提取燃烧区域(Mari等，2012;Tanase等，2010)。

目前利用后向散射特征提取燃烧面积的工作与利用反射特征和发射特征相比较少，如Wu等人(1999)根据不同区域在SAR影像上纹理差异提取了燃烧面积；Siegert和Ruecker(2000)经过调查发现燃烧后燃烧区域的后向散射大幅下降，利用多时相SAR数据，通过主成分分析增强进行燃烧区域制图；Polychronaki等人(2013)使用面向对象的分类方法对POLSAR数据进行了分类以提取燃烧面积，精度为71%—82%。燃烧区域与低反照率的区域，如云和地形产生的阴影等，在光学传感器影像上表现类似，因而易造成错分，用SAR数据可以有效提高识别精度，Stroppiana等(2012)利用L and sat TM影像结合ASAR数据，使用模糊分类的方法提取了燃烧面积，有效降低了错分误差。

在深入研究燃烧区域对SAR回波响应的基础之上也有对火灾区域的后向散射系数及极化目标分解尺度与其他参量进行建模的研究。如Tanase等人(2010)将后向散射系数与归一化燃烧比值差值(dNBR)指数建立经验模型，并比较了不同波段的拟合能力；Kalogirou等人(2014)根据辐射传输理论对燃烧区域建立了物理模型，模拟了燃烧区植被在C波段的后向散射行为；Tanase等人(2014)研究和分析了燃烧区域对全极化C波段和L波段的极化响应特征。这些工作为利用后向散射特征进行燃烧面积提取提供一定的思路。

目前上述常用的各类方法在特征合适的情况下总体精度可达90%(Mallinis和Koutsias，2012)，但要更加精确地区分燃烧区域与未燃烧区域，需要选取最为合适的特征。目前使用的特征，如各类光谱指数，虽然在小区域的研究中能够取得较好的效果，但是在大尺度的研究还面临着一系列适应性的问题，因此需要对其更进一步的研究。

2.2.2 燃烧容载量反演方法

自然火灾中的燃料常由不同的植被和非植物体组成，植被类型包括乔木、灌木、草本、枯枝落叶等，非植物体包括如腐殖质、泥炭等。用于描述燃料的物理参数主要包括燃料容载量、尺寸、体密度，以及水平和垂直分布状况等(袁春明和文定元，2001;Keane等，2001)。

由于燃料的组成非常复杂，较难描述区域内所有燃料的物理特性，为了更方便地对燃料进行描述，常根据燃料的物理参数、空间分布或燃烧特性，将具有相同特性的燃料归为同一类燃料类型(Arroyo等，2008)。描述一定区域内不同燃料类型的参数模型称为燃料模型，目前已建立了一些不同的燃料模型，如美国国家火险等级系统(NFDRS)、Anderson模型、燃料特征分类系统(FCCS)、加拿大森林火灾行为预报系统(Canada FBPSystem)等(Deeming等，1977;Anderson，1982;Hirsch，1996;Ottmar等，2003)。

燃料类型取决于土壤，气候，地理要素等多种因素，而燃料容载量随燃料类型的不同发生变化(French等，2011)，是燃料模型中的一个重要参数。燃料容载量的遥感估算，根据对像元容载量的分配模式，可以分为间接制图法和直接制图法两类(Keane等，2001;金森，2006)。间接制图方法先识别每个像元的燃料类型，得到燃料类型后，再通过相应的燃料模型查找表获得对应的燃料容载量。这种方法不直接估算燃料容载量，所有相同的燃料类型只对应一个(或几个)燃料容载量值，结果是离散的。直接制图法从遥感影像中寻找合适的中间变量，直接反演获得燃料容载量，这种方法利用连续的变量来描述燃料，其结果是连续的。这两种方法的原理不同，但都可以通过遥感数据反演得到燃料容载量。

(1)间接制图法

间接制图法对遥感影像按照燃料类型进行分类，确定不同像元所属的燃料类型，再根据燃料模型中各燃料类型对应的参数，对每一个像元分配燃料容载量数值，确定像元燃料类型的过程称为燃料制图。这种方法的核心是对遥感影像进行燃料类型的分类以及燃料模型的选择。

燃料制图的主要依据包括植被的光谱特征、空间纹理特征和其他的辅助数据，如地面调查数据等。Van Wagtendonk和Root(2003)利用L and sat TM影像计算获取NDVI后进行了非监督分类，得到了30类燃料类型。Miller等人(2003)通过聚类分析的方法，利用TM和ETM+影像进行了燃料制图，Oswald等人(1999)用这种方法对美国德克萨斯州东部森林进行了燃料分类，准确率达到了90%。利用高空间分辨率数据可以有效地提高燃料的分类精度，如Lanorte等人(2013)在意大利利用基于像元的最大似然分类法对Quickbird影像进行分类，达到了75%的总体精度，Oswald等人(1999)使用相同的方法在东德克萨斯进行了实验，结果精度达到76%。对于高分辨率数据来说，对象取代了像元成为分类的基本单元，Gitas等人(2004)评估了利用高分辨率面向对象分类方法进行燃料制图的应用潜力，Arroyo等人(2008)用面向像元的方法对Quickbird影像进行了分类，使用纹理信息提高了分类精度。

确定像元植被类型的过程称为植被制图，已经得到了深入的研究，植被制图的原理和方法与燃料制图类似，区别在于植被制图的依据是植被类型体系，而燃料制图的依据是燃料类型体系。植被类型与燃料类型的划分标准不一致，因此植被制图的方法不能直接用于燃料制图，但有一定借鉴意义。目前也有一些自然火灾碳排放的研究中不进行复杂的燃料制图过程，直接使用植被类型图来计算燃料容载量。

间接制图法多使用成像式光学传感器数据，这种数据可获取植被冠层表层信息，因此比较适合于单层的低矮灌木或草地(Keane等，2001)。对于森林而言，由于存在复杂的空间立体结构，冠层的遮挡使得遥感传感器常接收到冠层表层的光谱反射特性信息，难以获取冠层下部的植被燃料特性，在存在多层冠层的情况下，利用这种方法得到的燃料容载量存在较大的误差(Keane等，2001;Rollins等，2004)。间接制图法的优点是相对直接制图法而言原理简单，操作易行，主要缺点是间接制图法依赖于燃料模型，通过燃料制图得到的参量是燃料类型，要进一步获取燃料容载量，还需要选取或建立合适的燃料模型。由于森林、草地等生态系统群落的多样性和复杂性，同时又存在着地域性的差异，要得到合适的燃料容载量，需要选取或建立适合于不同研究区的燃料模型，所以燃料模型的选择也直接影响着燃料容载量的提取精度。

(2)直接制图法

直接制图法需建立燃料容载量与中间特征变量之间的相关关系，如林分因子(郁闭度、胸径、树高、冠幅)和环境因子(地形、气候、土壤等)等，这些中间特征决定和制约了燃料的特征，与燃料容载量存在一定的相关关系。其过程包括通过遥感反演获取各中间特征变量，再通过构建的相关关系模型，随后利用中间变量反演燃料容载量，对每个像元实现燃料容载量的分配。这类方法可以不依赖燃料模型，直接从遥感影像提取出燃料容载量，能在一定程度上克服植被冠层的遮挡效应(Miller和Johnston，1985;Root等，1985;DarRoberts等，1998;Keane等，2001)。Scott等人(2002)针对美国新墨西哥州的林地，建立了燃料容载量和森林冠覆盖比率和断面积之间的线性回归方程，利用航空遥感影像提取森林冠覆盖比率和断面积，获取了该地区的森林燃料容载量。Keane等人(2000)的考虑了地形对燃料的影响，利用TM提取了研究区的林分因子和地形数据，提取了燃料容载量。Brisandis和Jacobson(2003)从森林掉凋落物积聚和分解方程出发，以TM数据提取的林分因子为中间特征，反演燃料容载量。Lewis等人(2011)建立了高光谱遥感混合像元分解得到的端元含量和燃料容载量之间的关系，从而反演燃料容载量。

为更好地获取植被冠层结构信息，以更加精确地反演燃料容载量。一些探测原理不同于成像光学遥感的数据也被用于燃料容载量提取，如利用微波波段的RADAR数据和利用光学波段的LIDAR数据(Riaño等，2004;Andersen等，2005;Skowronski等，2007)，这些传感器对植被冠层具有一定的穿透能力，可以获取冠层结构的信息，有效地弥补了传统光学遥感数据在燃料容载量提取方面的不足。

目前燃料容载量的直接制图法还不够成熟，燃料容载量与相关因子、相关因子与遥感影像之间的关系尚不完全清晰。间接制图法依赖于燃料模型，而燃料模型需要通过大量的实测数据和统计资料才能建立，并且缺乏全球尺度的燃料模型，限制了大尺度燃料容载量的估算。因此这两种方法还需要进一步研究，以提高估算精度及适应性。

2.3 燃烧效率

燃烧效率，也被称为燃烧完全度，可被定义为生物质燃烧掉的部分占总质量的比例。燃烧效率受多种因素的共同制约，包括火灾强度、燃料类型、燃料容载量、燃料含水量以及气象要素如风速、相对湿度和温度等因素的影响(Korontzi等，2004;DeSantis等，2010)。燃烧效率可以在实验室中测定，实验室测定一般可以分为两步：先测量森林植被参数(如树高、胸径、茎数等)，利用经验公式估算火灾前生物量，然后通过实测测量火灾后的剩余生物量，再根据火灾前和火灾后的生物量的差异来计算燃烧效率。目前，通过实地测量的方法，一些学者已获取了不同地区不同类型的植被燃烧效率数据，在火灾碳排放估算的工作中可直接使用这些测定值。实验室测量的结果很难精确地反映整个研究区的燃烧效率，而地物和气象要素的时空分布变化对燃烧效率具有直接影响，因此使用单一的固定测量值会造成较大的误差(Sá等，2005;DeSantis等，2010)。

现阶段利用遥感反演燃烧效率的工作不多，按照原理分一般有两种：一种是直接以反演燃烧效率为目的的方法(直接反演法)，另一种是利用遥感间接获取相关参量以修正调整已有的燃烧效率测量值，使其结果更加精确(间接调整法)(S等，2005)。

(1)直接反演法

目前以反演燃烧效率为目的的遥感方法研究较少，仅有部分学者做了相关的研究工作。Sá等人(2005)对赞比亚西部dambo草原开展了实验性火灾研究，研究结果表明，燃烧效率和红、绿、近红外波段上存在着一定的非线性关系，认为燃烧效率是可以通过遥感反演获取的。Lambin等人(2003)研究了燃烧区域的空间格局和NDVI和表面温度与燃烧效率之间的关系，提出可以通过这种关系，利用NDVI和表面温度来反演燃烧效率，从而替代目前广泛使用的固定的燃烧效率值，减少碳排放估算的不确定性。

(2)间接反演法

Lambin等人(2003)研究发现，非连续的燃烧区域相比连续的燃烧区域具有更低的燃烧效率，燃烧效率随着空间和时间的变化而变化，说明燃烧效率具有时空差异性，在整个区域使用固定的燃烧效率值会影响碳排放估算的精度。考虑到燃烧效率和燃烧强度相关，可以利用遥感反演燃烧区域的燃烧强度，再进一步通过其实现对固定燃烧效率值的时空相关调整。

间接调整法先提取燃烧强度，再根据燃烧强度与燃烧效率之间的关系调整固定的燃烧效率值。燃烧强度定义为由火灾导致的火灾前后生态系统变化程度(Jain等，2004)，即燃料的损毁程度，一般可以分成轻度燃烧、中度燃烧和重度燃烧3类。传统燃烧强度评估研究主要是通过实地对比火灾前与火灾后的生态系统损毁程度进行。由于燃烧改变了地表覆盖，使植被损毁引致其光谱特性发生改变，因此可以通过遥感影像上地物的光谱特性来反演提取燃烧强度(De Santis和Chuvieco，2007)。

基于遥感的燃烧强度估算的思路与传统方法类似，通过比较燃烧前后的损毁程度进行估算，主要包括四类：经验模型法、物理模型法、光谱解混法和空间结构法等。最常见的方法是经验模型法，通过火灾前与火灾后的数据计算光谱指数，根据这些光谱指数来衡量燃烧强度。常用的指数主要归一化燃烧比值NBR及其衍生的指数，如归一化燃烧比值变化值dNBR、相关归一化燃烧比值变化值RdNBR等(Miller和Thode，2007;DeSantis和Chuvieco，2007;French等，2008;Soverel等，2010)，这种方法的大致思路是建立一定的经验模型，将不同的指数的范围与不同的燃烧强度对应起来，根据像元的指数数值赋予其一定的燃烧强度等级。对于各指数的优劣及效果也有了一定的研究，Epting等人(2005)评价了不同燃烧强度指数的效果，Hudak等人(2007)评价了由遥感数据得到的燃烧强度指数和实测火灾后影响的相关性。然而无论是NBR类指数还是其他类似的指数，经验模型法都无法完整地描述燃烧强度(Quintano等，2013)，因此在此基础上又发展了物理模型法，从物理原理出发，根据燃烧前后光谱值的变化利用辐射传输模型来反演模型生化参数的变化，再根据这些生化参量的改变来衡量燃烧强度(De Santis和Chuvieco，2007，2009)。光谱解混法通过亚像元分解的方法，将每一个像元分解成亚像元尺度的端元，再根据端元的类别和比例来分析像元的燃烧程度，如Smith等人(2007)通过光谱解混，采用固定的阈值提取了燃烧强度，Quintano等人(2013)将L and sat数据进行端元分解后通过决策树的方法提取了燃烧强度。也有基于LiDAR数据的相关研究，LiDAR可以直接获取植被冠层的立体空间结构(树高)的变化，根据树高在火灾前后的变化估算燃烧强度(Wang和Gleen，2009)。

在反演得到燃烧强度后，常常根据研究区燃烧强度的分布来调整固定的燃烧效率值。De Santis等人(2010)对研究区的植被进行了分类，根据研究区域的燃烧效率记录确定了每种植被类型对应的最大和最小燃烧效率值，并通过插值从而得调整后的连续燃烧效率值。Veraverbeke和Hook(2013)详细分析了NBR、dNBR、RdNBR等指数用于调整燃烧效率中的效果。

燃烧效率的直接反演法研究较少，难以利用这种方法展开工作，需要深入研究；间接调整法根据反演的燃烧强度调整实测燃烧效率值，较为实用，燃烧强度通常采用经验模型估算，误差较大，目前利用物理模型进行反演的研究精度较高，是研究的热点。此外根据这种方法估算的结果及其不确定性还需要进一步进行验证。

3 讨 论

自然火灾碳排放的遥感估算已经取得了一定的成果，对于全球碳循环研究具有重要的意义。我们已经对自然火灾碳排放的遥感估算进行了一定的研究，提出了水分制约条件下燃烧特性参数的遥感反演模式和火灾敏感度模型(Chen等，2011a，2011b，2012)。目前自然火灾碳排放的遥感提取仍然存在一些待解决的问题(图 2)，针对这些问题本文做出以下思考：

图2 自然火灾碳排放的遥感提取面临的问题梳理
Figure 2 Thought and suggestions of estimating carbon emissions from biomass burning

(1)燃烧面积的遥感估算大都采用单一传感器的数据，受云和烟雾等观测条件的限制，用于特征分析的有效数据往往受限，需要从时间、空间、光谱协同融合的角度研究适合于燃烧面积提取应用的多源数据时空融合方法；燃烧面积相关的特征指数在不同区域、不同植被类型、不同季候的应用下存在适用度不一的情况，需要综合研究各类指数的特点，协同开展燃烧面积提取方法的研究；基于单时相数据的燃烧面积提取方法和时间序列分析面积提取方法在计算复杂度、提取精度等方面各有特点，需要研究综合考虑燃烧区空间特征变化和时间变化的联合分析方法，在保证对燃烧面积的精确提取的同时降低模型复杂度。

(2)燃料容载量的直接制图法目前还不够成熟，现有工作中燃料容载量的提取主要使用间接制图法，这种方法依赖于燃料模型的建立，但是不同燃料模型中的燃料类型的分类方法并不一致，燃料模型中燃料容载量的确定方法也不同。为提高对燃料容载量的估算精度，有必要使用更高分辨率的影像，或使用LiDAR等传感器的数据，以获取更为详尽的植被数据，同时需进一步研究与燃料容载量相关的中间因子数据，引入气象要素等环境因子，建立更为精确的关系模型。生物量的概念和燃料容载量类似，区别在于生物量是以植被类型为基础划分的，而燃料容载量是以燃料类型为基础划分的，可以通过较为成熟的生物量反演方法来估算燃料容载量。此外，中国的燃料模型还不够完善，有必要针对国内的燃料分布体系构建可满足遥感应用需求的可靠实用的燃料模型。

(3)燃烧效率数据主要通过大量的实地测量或实验室测量得到，遥感反演燃烧效率只存在一些实验性的研究还属于起步阶段，难以开展大范围的应用。在碳排放估算模型中燃烧效率受到多种因子的制约，现有的计算方法对碳排放估算结果产生较大的影响，在没有实质的遥感估算方法进展之前，可以通过遥感影像进行燃烧强度制图来调整实测燃烧效率值，以减少碳排放估算误差。

(4)燃料含碳率尚无可行的遥感估算方法，由于森林生态系统的异质性与复杂性，根据经验选取固定值作为整个森林的燃料含碳率易产生误差。一种思路可以考虑从燃料含碳率对光谱吸收特征的影响入手，利用高光谱遥感技术反演燃料含碳率。另一种思路可考虑实测不同燃料类型或植被类型的含碳率，建立燃料类型/植被类型与含碳率之间的经验关系，再利用遥感方法提取地表的燃料类型或植被类型，从而间接的反演燃料含碳率。

(5)生物质的时空分布具有异质性，并且受到多种因素的相互影响，在过去的一些研究中，往往对这些参数进行了均质性假设，即认为在一定区域内这些参数是固定不变的，以对研究进行简化(French等，2011)。例如，近似地认为研究区是均质的，假设研究区内燃烧效率是一个固定值，对于小区域性的火灾碳排放研究，这种做法造成的误差可以忽略，但在大尺度的研究中就必须要考虑空间异质性对燃烧效率造成的影响。又如，燃料容载量的估算需要选取合适的燃料模型，而对于大尺度的研究，尤其是全球性的研究中，很难找到一个适当的模型来描述研究区内所有燃料的燃烧特性，为了解决上述问题，目前的做法是在大尺度研究区中按照林种和地理区域的不同人为划分出若干个更加均质的子研究区，以减少均质性假设所误差(Ito和Penner，2004;Hoelzemann等，2004;van der Werf等，2010)。在火灾碳排放遥感估算中，需要考虑空间异质性的因素，尤其是燃料容载量和燃烧效率的空间变化，是火灾碳排放研究不确定性的主要来源。同时在现有的研究中，对子研究区的划分存在多种不同的标准，这些子区域仍然存在较大的空间异质性，而要进一步提高估算的精度就必须要研究制定合理的区域划分标准，并进一步在区域上给予细化，使用空间分辨率更高的数据进行反演。

(6)尽管遥感方法已经一定程度上降低了火灾碳排放估算的不确定性，但要准确估算碳排放，并参与到全球碳收支与碳平衡的研究中，就必须要对碳排放估算的不确定性进行深入的研究。目前最常用的火灾碳排放模型(Seiler和Crutzen，1980)共有4个主要输入参数，每一个参数都会为估算结果引入不确定性。如果为了提高模型精度，对这些参数进一步细化，如使用模型的修正形式如式(3)，情况会更为复杂。因此需要对不同参量进行敏感性分析，从而衡量模型输出结果的不确定性。

4 结语

自然火灾是生态系统碳循环的重要组成部分，火灾碳排放估算对于森林管理、为政府制定森林火灾管理策略具有重要的意义，而且当前面临着全球变暖，自然火灾频次和规模不断增加的问题，有必要研究自然火灾碳排放的大尺度估算方法，以便及时了解自然火灾对区域和全球尺度的大气模式的影响。本文综述了自然火灾碳排放遥感估算的研究进展，对火灾碳排放模型中参数的遥感反演方法进行了总结和分析。

通过对相关研究进展的梳理和分析，本文认为：高时空分辨率、高光谱分辨率的多源遥感数据融合和数据同化技术，将为燃料容载量等自然火灾碳排放遥感估算关键参量的精确提取提供新的思路和方法；遥感方法与燃料模型的结合方式会直接影响燃料容载量的估算精度，还需要进一步研究燃料容载量与中间特征参量间的相关关系以及中间特征参量的遥感反演方法，以获得更为精确的燃料容载量反演结果；进一步探索燃烧效率的遥感反演方法，包括燃烧强度及其他因子与燃烧效率之间关系的研究、燃烧效率的遥感反演模型等，并整合实现已有实测燃烧效率数据和遥感反演数据的互补应用可以有效提高火灾碳排放遥感估算模型的精度。

火灾碳排放遥感估算模型的关键参量研究已有了一定的成果，但在模型大尺度的适应性及结果的不确定性方面还有待进一步的研究，各参量的大尺度遥感估算仍是需要进一步研究的课题。

参考文献

Estimationof carbon emissions from biomass burning based on parameters retrieved
expand article info WU Qinchun1,2 , CHEN Fang1,3 , WANG Changlin1 , LI Bin1 , WU Wei1,2 , LIU Sanchao4,5 , XU Feng4,5
1. Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China;
2. University of Chinese Academy of Sciences, Beijing 100049, China;
3. The State Key Laboratory of Remote Sensing Science, Chinese Academy of Sciences, Beijing 100101, China;
4. National Disaster Reduction Center of China, MCA, Beijing 100024, China;
5. Satellite Application Center for Disaster Reduction, MCA, Beijing 100024, China

Abstract

Biomass burning is a widespread practice. During burning, fire combusts organic matter and emitsalarge amount of carbonaceous gases into the atmosphere.Biomass burning not only changes the structure and process of the ecosystem but also affects the carbon cycle of the entire system. To elucidate the impact of wildfire on global carbon cycle, large-scale carbon emissions from biomass burning have been estimated using satellite remote sensing.Many remote-sensing-based models have been developed to estimate biomass burning emissions at different scales. The most widely used model contains four key parameters:burned area, fuel load, burning efficiency, and carbon fraction.The first three parameters can be retrieved from satellite data. This paper discussesmethodologies for the retrieval of these three key input parameters anddescribesthe advantages and disadvantages of each methodology. Methods for the estimation of burned area can be categorized into three types:reflectance-, emission-, and backscatter feature-based methods. Fuel load mapping can be classified as direct and indirect. Indirect fuel load mappingclassifies satellite data to determine the fuel typeand then assigns fuel load value to each pixel depending on the fuel type in the fuel models. This method strongly relies on fuel model and ismostly not suitable for large-scale areas. Direct fuel load mapping estimates fuel load value on the basis of the relationship among fuel load, relative factor of fuel load, and satellite data.Burning efficiency or combustion completeness is usually estimated through direct and indirect retrievalmethods.The direct retrievalmethod is difficult to be usedat alarge scale, whereasthe indirect retrievalmethod maps the burn severity firstand then adjusts the preset fixed burning efficiency on the basis ofburn severity. Finally, suggestions are provided to improve the accuracy of remote sensing in estimating carbon emissions from biomass burning. Many studies have been conducted to retrieve carbon emission-related parameters throughremote sensing. However, the adaptability and uncertainty of theseestimationsfor large-scale areas remain unclear, andthe estimationaccuracy ofglobal carbon emission does not satisfy the demand of research on carbon cycle.

Key words

biomass burning; carbon emission; burned area; fuel loading; burning efficiency