2024年4月3日发(作者：)
第40卷 第10期
2020年10月
中 南 林 业 科 技 大 学 学 报
Journal of Central South University of Forestry & Technology
Vol. 40 No. 10
Oct. 2020
http: //:10.14067/.1673-923x.2020.10.005
基于FY4遥感数据的森林火灾判别研究
熊得祥，谭三清，张 贵，吴 鑫，杨志高
（中南林业科技大学林学院，湖南 长沙 410004）
摘 要：【目的】为提高森林火灾监测的时效性，利用我国新一代静止气象卫星FY4的遥感数据，研究对森林
火灾监测的技术和方法。【方法】以贵州省为研究区，利用FY4遥感数据，对FY4的14个波段进行火点样本
的波段特征、波段间相关系数、波段组合OIF指数计算，并对判别森林火灾相关的云、水体、林地、火点4类
地物进行光谱特征分析，采用支持向量机对OIF指数排名前10的波段组合进行地物分类精度验证，筛选出最适
合进行森林火灾判别的波段组合。构建最小距离模型、马氏距离模型、支持向量机以及决策树模型进行森林火
灾判别，利用中国森林防火网森林火灾数据，以判别精度（
D
）、多分误差（
M
）、漏分误差（
O
）为模型的评
价指标，对4个模型进行精度验证，筛选出最优的森林火灾判别模型。【结果】1）筛选出最适合进行森林火灾
判别的波段组合是（B7，B8，B12），其支持向量机地物分类精度为99.21%，Kappa系数为0.855，是进行森林
火灾判别地物分类精度最高的波段组合，与最优波段组合筛选结果一致。2）4个模型的森林火灾判别精度都超
过了85%，其中决策树模型判别森林火灾的精度为100%。【结论】基于FY4遥感数据决策树模型的构建，提
高了森林火灾监测的时效性，对保护森林资源、减少人民生命财产损失具有重要的意义。
关键词：风云四号；森林火灾判别；决策树模型；支持向量机；光谱指数
中图分类号：S762.1 文献标志码：A 文章编号：1673-923X(2020)10-0042-09
Forest fire discrimination research based on FY4 remote sensing data
XIONG Dexiang, TAN Sanqing, ZHANG Gui, WU Xin, YANG Zhigao
(College of Forestry, Central South University of Forestry & Technology, Changsha 410004, Hunan, China)
Abstract:
【
Objective
】
In order to improve the timeliness of forest fire monitoring, the remote sensing data of Chinese new-generation
stationary meteorological satellite FY4 was applied to researching on forest fire monitoring techniques and methods.
【
Method
】
In the
research area Guizhou province, the band characteristics, inter-band correlation coefficients, and band combination OIF index of the 14
bands of FY4 were calculated by using FY4 remote sensing data. And the spectral characteristics analysis of the four ground objects
(Cloud, water body, woodland and fire point) was done, which were related to forest fire identification. The SVM (Support Vector
Machine) was used to verify the accuracy of ground objects classification of the top 10 band combinations in the OIF index, and then the
most suitable band combinations for forest fire identification were selected. The minimum distance model, Mahalanobis distance model,
Support Vector Machine and decision tree model were constructed for forest fire identification. Based on the data of China forest fire
prevention network, the accuracy of the four models was verified by using discrimination accuracy (D), multi-component error (M) and
omission errors (O) as the evaluation indexes of models. In this way, the optimal forest fire identification model is filtered out.
【
Result
】
1) The most suitable band combination for forest fire identification is (B7, B8, B12). Its SVM ground objects classification accuracy
was 99.21%, and the Kappa coefficient was 0.855. And it was the optimal band combination with the highest classification accuracy of
forest fires identification. This band combination met the result of optimal band combination screening. 2) The accuracy of forest fire
identification of the four models all exceeded 85%, and the accuracy of decision tree model was 100%.
【
Conclusion
】
The construction
of decision tree model based on FY4 remote sensing data improved the timeliness of forest fire monitoring, which had great significance
on protecting forest resources and reducing the loss of human lives and property.
Keywords: FY4; forest fire discrimination; decision tree; support vector machine; spectral index
收稿日期：2020-05-10
基金项目：湖南省科技创新平台与人才计划项目（2017TP1022）；湖南省重点研发项目（2016SK2025）;湖南省教育厅项目（18C0283）。
第一作者：熊得祥，硕士研究生。 通信作者：谭三清，副教授，硕士，硕士研究生导师。E-mall：*****************
引文格式：熊得祥,谭三清,张贵,等.基于FY4遥感数据的森林火灾判别研究[J].中南林业科技大学学报,2020,40(10):42-50.
XIONG D X, TAN S Q, ZHANG G,
et al
. Forest fire discrimination research based on FY4 remote sensing data[J]. Journal of Central South
University of Forestry & Technology, 2020,40(10):42-50.
第40卷
中 南 林 业 科 技 大 学 学 报
43
卫星遥感是在大时空范围内监测森林火灾最
有效的方法
[1]
。在准确获取森林火灾实时信息的
时效性方面，气象卫星远高于高空间分辨率卫星
[2]
。
气象卫星分为极轨气象卫星与静止气象卫星，多
系列极轨气象卫星提供的空间覆盖范围大于静止
气象卫星，但极轨气象卫星重返周期间隔长，对
森林火灾的连续观测能力不足
[3]
。目前监测森林
火灾时间分辨率最高的是静止气象卫星
[4]
，而风
云四号卫星（FY4）是我国时效性最高的新一代
静止气象卫星。利用FY4的高时间分辨率特点
和第7波段对热源信息敏感的特性，可快速进行
森林火灾判别。目前已经有不少学者研究新一代
静止气象卫星，石艳军
[5]
等分析了新一代静止气
象卫星Himawari-8和FY4在林火监测的优势，
Fatkhuroyan
[6]
等利用Himawari-8遥感数据检测印
度尼西亚的森林火灾，谢字希
[7]
利用时空上下文
法对Himawari-8遥感数据进行火点探测研究，本
文采用FY4作为数据源，使用最小距离模型（Min
d
ist）、马氏距离模型（Maha
d
ist）、支持向量机
（SVM）、决策树模型（Decision tree）进行森林
火灾判别，并利用中国森林防火网森林火灾数据
对4个模型进行精度验证。
1 数据与方法
1.1 研究区概况
贵州省地处中国西南腹地（103
°
36
′
～
109
°
35
′
E、24
°
37
′
～29
°
13
′
N），全省92.5%的面
积为丘陵与山地，是全国唯一没有平原的省份。
贵州省属亚热带湿润季风气候，受大气环流和地
形的影响，气候多样且极不稳定，灾害性天气频
发。贵州省森林面积1 004万hm
2
，森林蓄积量4.68
亿m
3
，森林覆盖率达到了57%，根据中国森林防
火网2008—2018统计数据显示贵州省森林火灾年
均发生次数为505起，其中森林火灾最多时一天
之内达到54起，是森林火灾多发省份。
1.2 数据获取与预处理
FY4遥感数据来自国家气象卫星中心官网
（/），森林火灾验证的数据
来自中国森林防火网。30个云、水体、林地、火
点样本，通过风云四号卫星天气应用平台的云图
探针统一进行采集，其中火点样本数据由中国森
林防火网森林火灾数据提供位置，其它样本通过
目视解译进行判读。
FY4遥感数据经过投影转换将标称投影转化
成WGS84大地坐标，以消除投影偏差
[8]
；经过辐
射定标建立数字量化值与辐射亮度值的关系，以
消除传感器自身误差；根据FY4光谱响应数据，
经过大气校正消除大气影响，反演出地表反射率
[9]
。
消除误差后将FY4遥感数据的DN值转化成比辐
射率值，再按照普朗克公式的转化式将FY4遥感
数据的B7～B14波段的比辐射率值转化为亮温。
1.3 最优波段组合筛选方法
通过对FY4遥感数据的14个波段进行火点样
本的波段特征、波段间相关系数、波段组合OIF
指数计算，分析典型地物光谱曲线，筛选出判别
森林火灾最优的波段组合，最后采用支持向量机
对所选波段组合进行精度验证
[10]
。
1）波段间相关系数计算公式如下：
R
ij
=
d
ij
2
d
（1）
ii
×
d
。
jj
式中：
d
ij
2
为两个波段
i
与
j
的协方差，
d
ii
与
d
jj
为
i
与
j
波段的标准差。
2）OIF指数是利用波段数据作为波段最优组
合选择的数学模型
[11]
，计算公式如下：
n
OIF
=
∑
i
=
1
S
i
∑
n
。 （2）
i
R
ij
式中：
S
i
表示第
i
个波段的标准差；
R
ij
表示第
i
、
j
两波段的相关系数，
n
表示波段组合个数。
3）利用云图探针采集的样本数据进行典型地
物光谱分析，观察波段之间地物的可分离性与火
点的光谱特征，进一步筛选最优的波段组合。
4）利用ENVI软件对OIF指数排名前10的
波段组合通过支持向量机（SVM）计算其地物的
分类精度，验证OIF指数筛选出的波段组合是否
为最优波段组合。
1.4 光谱指数
在进行决策树模型构建时，需要对地物进行
判别，从而构建决策树的判别规则。利用不同地
物的光谱指数，可有效的进行地物判别。
1）CDI（Cloud detection index）云检测指数，
B12波段反映地表温度，B9波段反映云层温度，
通过B12和B9波段的温度差检测出云层，再结
合B2波段地物反射率可进行云检测。地面温度在
300 K左右，云上温度在270 K以下，云层的B2
波段反射率大于0.1，所以云层的CDI指数小于
300
[12]
。CDI数值不是一成不变，可以根据地表温
44
熊得祥，等：基于FY4遥感数据的森林火灾判别研究
第10期
度而适当调小，CDI云指数公式如下：
CDI
=
(T
12
-
T
9
)
r
。 （3）
2
式中：T
12
、T
9
为FY4的B12，B9波段亮温，
r
2
为B2波段反射率。
2）NDVI（Normalized difference vegetation
index）归一化植被指数，NDVI的取值范围在[-1,1]，
当NDVI为负值，地物类型为云、水、雪；当
NDVI为零，地物类型为岩石或裸土，以上数值可
以判读为不可能监测到森林火灾；当NDVI为正
值，表示有植被覆盖，且数值越大植被覆盖度越高，
林地的NDVI大于0.3
[7]
，公式如下：
NDVI
=
(
r
(
3
-
r
2
)
r
)
。 （4）
3
+
r
2
式中：
r
2
、
r
3
为FY4的B2，B3波段反射率。
3）NDWI（Normalized difference water
index）归一化水体指数，NDWI比NDVI在水体
监测上判别精度更高，可以在复杂环境中分离出
水体，公式如下：
NDWI
=
(
r
(
4
-
r
3
)
r
+
r
。 （5）
43
)
式中：
r
3
、
r
4
为FY4的B3，B4波段反射率。
1.5 模型构建原理
1.5.1 统计学模型
最小距离模型（Minimum distance缩写Min
dist）是通过训练样本数据计算每一类样本的均值
向量和标准差向量，以均值向量作为该类样本在特
征空间中的中心位置，判断待检像元到各类样本
中心的距离，到哪一类样本中心的距离最小，该
像元就归入到哪一类。马氏距离模型（Mahalanobis
distance缩写Maha dist）是待检像元到各训练样本
的协方差距离，最终协方差距离最小的，即为此
类别
[13]
。
1.5.2 支持向量机
支持向量机（Support vector machine缩写
SVM）是一种建立在机器学习理论基础上的神经
网络模型。其对应的映射函数将样本空间映射至
无限维空间，并在这个空间将非线性问题转化为
特征空间中的线性可分问题。其实现关键在于核
函数，本文采用径向基函数核也被称为高斯核，
函数为：
K(X
1
,X
2
)=exp(-(X
1
-X
2
2
)/(2
d
2
))
，
可以将样本与样本之间的间隔最大化
[14]
。
1.5.3 决策树模型
决策树模型（Decision tree）是一种树形结构，
在根节点上存放规则，在叶节点上存放判别结果。
通过专家经验总结、简单数学统计和归纳方法，获
得判别规则，利用对遥感影像数据及其他空间数据
规则的输入达到尽可能将判别结果分开的目的
[15]
。
决策树模型最大的特点是可以利用多源数据，难点
是判别规则的获取。规则的获取可以来自经验总结，
也可以通过统计的方法从样本中计算。
1.6 模型精度评价方法
对于模型精度的评价运用判别精度（
D
）、多
分误差（
M
）、漏分误差（
O
），其公式分别为：
=
D
y
i
y
×
100%
。 （6）
j
=
M
x
y
i
+
x
×
100%
。 （7）
ii
=
O
Z
i
y
×
100%
。 （8）
j
式中：
y
j
为实测数，
y
i
为正确预测数、
x
i
为多分数、
Z
i
为漏分数。
2 结果与分析
2.1 最优波段组合筛选
2.1.1 波段统计特征
通过中国森林防火网森林火灾数据提供火点
位置，利用风云四号卫星天气应用平台的云图探
针对FY4遥感数据的14个波段30个火点样本进
行采集，计算得到火点单波段统计特征值（表1）。
由表1可知，火点单波段标准差最大的是B7
波段，其次是B8波段，数值范围B7波段最大，
其次是B8波段，温度范围最大的是B7波段，参
考官方提供的FY4遥感数据各波段功能，可以认
定B7波段对于火点反应强烈。
2.1.2 波段相关系数
通过对火点多波段相关系数矩阵统计，如表
2所示，可以看出（B7，B8，B12）组合的3波段
相关系数最小。当波段相关系数超过0.9，就可认
为两波段间的相关性极高，不需要同时参与波段
组合。从表2可以看出有很多波段之间相关系数
都超过0.995，波段之间相关性比较大，各波段所
包含的信息之间有可能重复出现，为了减少数据
的冗余，在进行波段组合时应尽量避开。
2.1.3 OIF指数
结合波段统计特征与相关系数矩阵以及官方
提供的波段功能可知，B7波段对火点判别作用最
第40卷
中 南 林 业 科 技 大 学 学 报
表1 火点单波段数据统计特征值
Table 1 Statistical characteristic values of fire point single band data
45
波段
Band
B1
B2
B3
B4
B5
B6
B7
B8
B9
B10
B11
B12
B13
B14
中心波长
Center wavelength
/
m
m
0.47
0.65
0.83
1.37
1.61
2.22
3.72
3.72
6.25
7.10
8.50
10.8
12.0
13.5
分辨率
Resolution
/km
1
0.5
1
2
2
2
2
4
4
4
4
4
4
4
最小值
Minimum
0.007
0.000
0.000
0.025
0.033
0.002
297.8
291.3
232.9
246.2
278.8
281.6
279.1
248.6
最大值
Maximum
0.070
0.036
0.066
0.031
0.062
0.113
356.8
341.9
250.2
261.1
298.1
301.7
298.9
264.7
平均值
Average
0.036
0.016
0.015
0.027
0.043
0.032
323.44
313.80
239.59
253.66
289.36
292.56
289.89
258.47
标准差
Standard
deviation
0.023
0.015
0.022
0.003
0.010
0.028
17.04
16.29
5.55
5.94
6.61
7.00
7.28
7.04
数值范围
Value range
0.063
0.036
0.066
0.006
0.029
0.111
59.0
50.6
17.3
14.9
19.3
20.1
19.8
16.1
温度/反射率范围
Temperature/
Reflectivity range
0～1.011 25
0～1.011 25
0～1.011 25
0～1.011 25
0～1.011 25
0～1.011 25
200～493.7 K
160～344.1 K
110～271.1 K
110～279.6 K
117.4～309.9 K
111.9～339.9 K
110.2～340 K
110～280.7 K
表2 火点多波段相关系数矩阵
Table 2 Fire point multi-band correlation coefficient matrix
波段
Band
B1
B2
B3
B4
B5
B6
B7
B8
B9
B10
B11
B12
B13
B14
B1
1
0.989 0
0.841 9
0.678 0
0.909 1
0.141 5
0.126 8
0.039 2
0.566 4
0.547 4
0.409 5
0.387 0
0.374 9
0.492 3
1
0.787 9
0.751 8
0.858 7
0.111 4
0.119 8
0.040 3
0.629 3
0.628 5
0.523 0
0.503 2
0.492 0
0.763 0
1
0.197 5
0.932 1
0.054 3
0.190 5
0.278 4
0.138 2
0.122 6
0.013 5
0.002 2
0.035 6
0.028 5
1
0.380 6
0.264 7
0.424 6
0.287 1
0.870 3
0.898 4
0.867 0
0.827 2
0.851 1
0.963 0
1
0.266 3
0.147 9
0.028 2
0.291 4
0.258 0
0.067 9
0.067 7
0.053 0
0.157 0
1
0.873 4
0.775 6
0.251 5
0.164 8
0.013 7
0.042 6
0.002 3
0.226 5
1
0.754 3
0.290 3
0.250 2
0.112 4
0.062 8
0.129 9
0.402 1
1
0.255 3
0.178 9
0.110 8
0.073 3
0.141 6
0.273 6
1
0.968 8
0.867 5
0.842 7
0.840 1
0.896 2
1
0.940 9
0.931 2
0.930 1
0.929 5
1
0.992 1
0.991 5
0.923 5
1
0.995 2
0.882 3
1
0.905 31
B2B3B4B5B6B7B8B9B10B11B12B13B14
大，火点只有排除虚假火点且地物类型为林地才
能认定为森林火灾，但所有的森林火灾在遥感影
像上都是火点，故在筛选进行森林火灾判别的波
段组合时必须要有B7波段的参与。通过OIF指数
计算有B7波段参与的3波段组合，其中OIF指数
排名前10的波段组合见表3，这些波段组合作为
最优波段组合的候选组合。
OIF指数值与波段的标准差呈正相关，与波段
间的相关系数呈负相关。波段的标准差越大，组
合的相关系数越小，波段包含的信息量就越大
[16]
，
波段间的独立性与冗余度就越小，最后计算的OIF
值就越大。因此，排除掉候选组合中两波段间相
关系数超过0.9的波段组合，筛选出来的候选波段
表3 火点样本不同波段组合的OIF指数
Table 3 OIF index of different band combinations of fire
point samples
波段组合
Band combination
B7,B8,B12
B7,B12,B13
B7,B11,B12
B7,B10,B12
B7,B11,B14
B7,B9,B12
B7,B12,B14
B7,B10,B11
B7,B8,B11
B7,B10,B13
OIF指数
OIF index
1 245.29
791.26
784.78
629.05
626.43
607.96
607.09
560.20
545.47
513.60
排列顺序
Order
1
2
3
4
5
6
7
8
9
10
46
熊得祥，等：基于FY4遥感数据的森林火灾判别研究
第10期
组合有（B7，B8，B12）、（B7，B9，B12）、
（B7，B8，B11）。其中（B7，B8，B12）的OIF
指数比排名第二的波段组合要高454.03。
2.1.4 典型地物光谱分析
由于不同地物在FY4不同波段上呈现的光谱
特征不一样，根据判别森林火灾地物类型选取均
匀分布的云、水体、林地、火点像元样本各30个，
取均值得到典型地物FY4光谱反射率与发射率曲
线（图1）。
由图1可知，对于地物区分度最好的波段是
B7和B8波段，尤其是B7波段对火点的光谱与
其他地物区别特别明显。所以排除掉（B7，B9，
B12）波段组合，筛选出（B7，B8，B12）与（B7，
B8，B11）。由图1可知，B11和B12波段的火点
与林地的光谱区别很小，说明波段受火点影响很
小，可用来描述火点的背景值。自然界的正常温度
大致是300 K
[17]
，由于地域和季节时间的不同会有
所变化，物体处于此温度时，辐射曲线的峰值波长
在10.8
μ
m左右，对应FY4远红外波段B12波段（表
1），外加B12波段的亮温范围比B11波段更广，
与B7、B8波段组合的OIF指数更高，所以判别森
林火灾的最优候选波段组合是（B7，B8，B12）。
图1 典型地物的FY4光谱曲线
Fig. 1 FY4 spectral curve of typical features
2.1.5 波段组合地物分类验证
利用支持向量机（SVM）分类的方法对OIF
指数排名前10的波段组合计算其对云、水体、林地、
火点地物的分类精度，验证筛选的波段组合是否
为最优波段组合。
通过表4波段组合的支持向量机分类结果可
知，（B7，B8，B12）波段组合的精度排名最高，
地物分类精度为99.21%，Kappa系数为0.855，与
通过火点样本的波段特征、波段间相关系数、波段
组合的OIF指数，以及典型地物光谱曲线筛选出来
最优波段结果一致，故利用FY4遥感数据判别森
林火灾最优的波段组合是（B7，B8，B12）。
2.2 FY4判别森林火灾的模型构建
4个模型中最小距离模型、马氏距离模型与
支持向量机都是通过对样本数据进行训练，然后
通过监督分类的方式获取模型参数的系数，只需
要选取训练样本与训练底图就可以得到判别结
果。通过最优波段组合筛选得出FY4遥感数据用
于判别森林火灾的最优波段组合为（B7，B8，
表4 OIF排名前10的波段组合SVM分类精度值
Table 4 OIF ranking top 10 band combination SVM
classification accuracy value
波段组合
Band
combination
B7,B8,B12
B7,B12,B13
B7,B11,B12
B7,B10,B12
B7,B11,B14
B7,B9,B12
B7,B12,B14
B7,B10,B11
B7,B8,B11
B7,B10,B13
分类精度
Classification
accuracy
99.210%
98.642%
98.827%
97.656%
98.657%
98.426%
98.664%
98.310%
98.608%
97.643%
Kappa系数
Kappa
coefficient
0.855 0
0.785 7
0.816 3
0.700 3
0.788 4
0.778 6
0.783 6
0.757 1
0.787 3
0.696 0
精度排名
Accuracy
ranking
1
5
2
9
4
7
3
8
6
10
B12），所以（B7，B8，B12）的波段组合就是这
3个模型的训练底图
[18]
。将各地物的30个训练样
本与训练底图导入ENVI软件，即可通过ENVI软
件中的最小距离模型、马氏距离模型、支持向量
机得到火点的判别结果。
决策树模型的判别规则是通过云、水体、林
第40卷
中 南 林 业 科 技 大 学 学 报
47
地、火点四类参数进行具体分析，将森林火灾通
过层层判断进行筛选。森林火灾判别过程可分为
云检测、水体检测、林地检测、火点判别4个阶段。
火点判别又分成3个阶段，分别为绝对火点判别、
时空火点判别与条件火点判别。
对各地物训练样本进行光谱指数研究，得到
研究区各地物的CDI云指数（图2）、NDVI植被
指数（图3）。由CDI云检测指数、NDVI植被指
数与NDWI水体指数的地物特征与图1典型地物
波段特征可知，CDI云检测指数小于300为云，
NDVI小于-0.1且NDWI大于0.1为水体，NDVI
大于0.3为林地。
绝对火点判别与条件火点判别由Giglio等
[1]
研究的上下文模型法提供参数系数，时空火点判别
的温度演变规律与温度阈值分别来自Calle等
[19]
的
差分温度阈值法与谢字希
[7]
的时空上下文法。进行
绝对火点判别时，当
T
7
（B7波段亮温）高于360 K
时，表1中B8～B14波段通道温度已经达到饱
和，常态下地物温度达不到这个亮温，这是由地物
燃烧引起，因此可以直接判别为火点；进行条件火
点判别时，当满足条件：（A或B）和（C或D）（A：
T
12
（B12波段的亮温）大于320 K（夜晚为315 K）；
B：
T
7
像元值大于影像平均值与4倍影像标准差
之和；C：
T
7-12
大于20 K（夜晚为10 K）；D：
T
7-12
的像元值大于影像平均值与4倍影像标准差之
和），根据森林火灾辐射亮温与背景亮温的差异，
可判别为火点；进行时空火点判别时，根据地物
温度在常态下10～15 min内只能产生±1.5 K的
变化，当地物的升温变化在5～15 min内达到5 K
图3 地物的NDVI、NDWI指数
Fig. 3 NDVI and NDWI indexes of features
图2 地物的CDI云指数
Fig. 2 CDI cloud index of features
以上，且
T
7-12
（B7与B12两个波段的亮温差）大
于10 K，就可以认为是火点。在发生森林火灾的
位置只需检测
T
7-12
大小，就可判断森林火灾状态是
否为连续森林火灾，当
T
7-12
小于10 K时可以判断
为森林火灾熄灭。决策树模型如图4所示。
图4 决策树模型
Fig. 4 Decision tree model
图4中，C1（云检测）：CDI＜300。
C2（水体检测）：NDVI＜-0.1和NDWI。
C3（林地检测）：NDVI＞0.3。
C4（绝对火点判别）：T
7
＞330 K（白天360 K）。
C5（时空火点判别）：满足
D
T
7-72
=T
7
-
T
72
＞5
和T
7-12
=T
7
-T
12
＞10 K（白天15 K）（T
72
表示前
期影像B7波段亮温，
D
T
7-72
表示本期影像B7波段
与前期影像B7波段像元的亮温差。）
C6（条件火点判别）：满足条件：（A或B）和（C
或D）：T
12
＞315 K（夜晚320 K）、B：T
7
＞
T
7b
+4
d
T
7b
、C：T
7-12
＞
D
T
7-12b
+4
d
T
7-12b
、D：T
7-12
=
T
7
-T
12
＞10 K（白天15 K）。（T
7b
表示背景温度
的平均值，
d
T
7b
表示标准差，
D
T
7-12b
表示两个波段
差的标准差，
d
T
7-12b
表示两个波段差的标准偏差）。
48
熊得祥，等：基于FY4遥感数据的森林火灾判别研究
第10期
利用模型判别出来的火点还不能称为森林火
灾，还需排除虚假火点，这样筛选出来的火点地物
类型为林地才能认定为森林火灾。虚假火点包括固
定热源、水面反射、云层反射、农用火源等
[20]
类型为林地才是森林火灾。而决策树模型在判别
规则中就已经对地物进行了区分，排除掉了水面
反射、云层反射、农用火源产生的虚假火点，只
需再排除固定热源产生的虚假火点，余下的火点
都是森林火灾。
2.3 模型精度检验分析
选取2019年2月6号16点34分的贵阳省全
省FY4遥感数据作为实验数据，以2019年2月6
号16点35分中国森林防火网森林火灾数据作为
模型验证数据。4个模型判别森林火灾的精度通过
判别精度、错分误差、漏分误差进行精度评价，
精度评价结果如表5。
。
如果有火点在3个月内在同一个地方反复出现，可
以将其认为是固定热源；水面反射与农用火源造成
的虚假火点只需将火点叠加到地表覆盖类型图上，
如果火点在水体或农作物种植区域，则为水面反射
或农用火源造成的虚假火点
[21]
；云层反射造成的
[22]
虚假火点需要通过云检测，如果云层与火点重合，
则该火点为云层反射所造成的虚假火点。
最小距离模型、支持向量机、马氏距离模型
3个模型是利用训练样本进行火点提取的，需要逐
一排除虚假火点发生的情况，且得到的火点地物
表5 精度分析
Table 5 Precision analysis
模型
Model
最小距离模型（Min dist）
支持向量机(SVM)
马氏距离模型（Maha dist）
决策树模型（Decision tree）
森林火灾
Forest fire
28
30
26
34
判别精度
Discrimination accuracy
88.24%
88.24%
92.12%
100%
多分误差
Multi-component error
42.86%
50%
42.3%
50%
漏分误差
Omission errors
11.76%
11.76%
5.88%
0
2019年2月6号16点35分中国森林防火网
贵州省区域的森林火灾一共17起，通过对比森林
火灾的地理位置发现4个模型的森林火灾监测精度
都超过了85%，其中最小距离模型与支持向量机漏
检2起森林火灾，漏分误差为11.76%，马氏距离
模型漏检1起森林火灾，漏分误差为5.88%，决策
树模型的森林火灾判别精度最高，17个验证森林
火灾数据全部被判别出来。4个模型的多分误差都
超过了40%，其中决策树模型与支持向量机的多分
误差为50%，因为不同传感器判别森林火灾的方法
不一样，导致判别的森林火灾结果不一致。决策树
模型相比于中国森林防火网森林火灾数据一共多分
出了17起森林火灾，通过目视解译得出这17个多
分出来的森林火灾大部分是微小森林火灾与低温森
林火灾，其中17起森林火灾中有6起4个模型都
判别为森林火灾。通过叠加分析发现支持向量机与
决策树模型对应的森林火灾有27起，最小距离模
型与决策树模型对应的森林火灾有22起，马氏距
离模型与决策树模型对应的森林火灾有26起。
最小距离模型、支持向量机、马氏距离模型
3种模型需要实时更新训练样本，如果更换区域或
者更换新的数据，还需要重新训练，模型的可移
植性不强。决策树模型不需要繁杂的样本训练过
程，只需要通过经验总结得出模型根节点的判别
条件，没有特定的地域限制，可实时的进行森林
火灾判别，提高森林火灾监测的时效性。利用决
策树模型进行森林火灾判别后，绘制贵州省森林
火灾空间分布图（图5）。
3 结论与讨论
3.1 结 论
以贵州省为研究区，利用FY4遥感数据，计
算火点样本的波段特征、波段间相关系数、波段
组合的OIF指数，分析典型地物的光谱曲线，最
后通过支持向量机对所选组合进行精度验证，筛
选出森林火灾判别的最优波段组合（B7，B8，
B12）。通过云、水体、林地、火点各30样本与
最优波段组合构建最小距离模型、马氏距离模型、
支持向量机3种森林火灾判别模型，利用森林火
灾判别规则构建决策树模型。以判别精度、多分
误差、漏分误差为模型的评价指标，对4个模型
进行精度验证，得到以下结论：
1）最小距离模型、支持向量机、马氏距离模
型、决策树模型4个模型的森林火灾判别精度超
过了85%，与谢字希
[7]
、陈洁等
[19]
、Jang
[23]
等研
究Himawari-8遥感数据判别森林火灾的结果是一
致的，说明利用FY4遥感数据进行森林火灾判别
第40卷
中 南 林 业 科 技 大 学 学 报
49
图5 贵州省决策树模型森林火灾判别结果
Fig. 5 Forest fire distinguishing results of decision tree model in Guizhou province
是可行的。
2）本次研究中，4个模型中决策树模型判别
森林火灾的精度最高，判别精度达到了100%。决
策树模型不需要繁杂的样本训练过程，只需要通
过经验总结得出模型根节点的判别规则，没有特
定的地域限制，可大范围实时的进行森林火灾监
测。利用决策树模型实现的时空火点判别算法比
现阶段单纯的空间维度判别算法更加敏感，可有
效解决中小森林火灾监测、高温异常点误报和低
温森林火灾监测的问题，极大提高对中小尺度森
林火灾和灾害性天气系统的监测能力。
3.2 讨 论
FY4系列卫星将提供今后20～30 a的气象观
测和环境监测数据，因此利用FY4遥感数据进行
森林火灾判别研究，在监测范围与时效性上，FY4
遥感数据一幅影像就可以覆盖全国，每5～10 min
就可以扫描一遍；在监测精度上，决策树模型能够
满足森林火灾监测要求，可提高森林火灾的实时监
测能力，为森林火灾监测提供科学的技术支撑。但
模型中云检测的精度和区分森林火灾与动态事件的
能力还不够完善，整个森林火灾监测的体系也不够
完整。对于下一步可开展以下方面的研究：
1）利用中红外波段和远红外波段完善云检测
算法或者通过时空结合算法进行云层的动态检测。
其次研究一种完整有效的多时空森林火灾检测算
法对表观异常的值进行详细分析，充分发挥FY4
遥感数据连续实时监测森林火灾的能力。
2）通过FY4遥感数据和地面气象站数据，估
算地表可燃物含水量变化，再通过降雨、气温，地
表水汽蒸发量建立可燃物状态估测模型，为森林草
原火险等级做出预报。还可利用FY4遥感数据监
测火点强度、过火区域、烟云等信息，结合森林火
灾现场的可燃物分布类型、气象观测资料信息、高
分辨率影像与地形数据建立森林火灾蔓延预测模
型，为森林火灾预防和扑救提供辅助决策依据。
参考文献：
[1] GIGLIO L, DESCLOITRES J, JUSTICE C O,
et al
. An enhanced
contextual fire detection algorithm for MODIS[J]. Remote
Sensing of Environment, 2003,87(2-3):273-282.
[2] GIGLIO L, CSISZAR I, JUSTICE C O. Global distribution
and seasonality of active fires as observed with the Terra
and Aqua moderate resolution imaging spectroradiometer
(MODIS) sensors[J]. Journal of Geophysical Research, 2006,
111(G2):G02016.
[3] XU G, ZHONG X. Real-time wildfire detection and tracking in
Australia using geostationary satellite: Himawari-8[J]. Remote
Sensing Letters, 2017, 8(11):1052-1061.
[4] ZHANG X, KONDRAGUNTA S. Temporal and spatial
variability in biomass burned areas across the USA derived from
the GOES fire product[J]. Remote Sensing of Environment,
2008,112(6):2886-2897.
[5] 石艳军,单海滨,张月维,等.新一代静止气象卫星林火监测
50
熊得祥，等：基于FY4遥感数据的森林火灾判别研究
第10期
研究[J].森林防火,2017,35(4):32-35.
SHI Y J, SHAN H B, ZHANG Y W,
et al
. Forest fire monitoring
research of the new generation of still weather satellites [J].
Forest Fire Prevention, 2017,35(4):32-35.
[6] FATKHUROYAN, WATI T, PANJAITAN A. Forest fires
detection in Indonesia using satellite Himawari-8 (case study:
Sumatera and Kalimantan on august-october 2015)[J]. Iop
Conference, 2017,54(1):1755-1315.
[7] 谢字希.基于Himawari-8遥感数据的火点探测和自动化云检
测的探索[D].合肥:中国科学技术大学,2019.
XIE Z X. Exploration of fire detection and automatic cloud
detection based on Himawari-8 remote sensing data [D]. Hefei:
University of Science & Technology of China, 2019.
[8] 国家卫星气象中心.FY4A成像仪标称上行列号和经纬度的
互相转换方法[EB/OL]./PortalSite/
Static-Content/?TypeID=22.
National Satellite Meteorological Center. Interchange method
of nominal uplink column number and latitude and longitude of
FY4A imager [EB/OL]. /PortalSite/
Static-Content/?TypeID=22.
[9] 国家卫星气象中心,国家空间天气监测预警中心.风云卫星
定标与检验[EB/OL]./nsmc/cn/operation/
.
National Satellite Meteorological Center, National Space
Weather Monitoring and Early Warning Center. Fengyun Satellite
Calibration and Inspection [EB/OL]. /
nsmc/cn/operation/.
[10] HALLY B, WALLACE L, REINKE K,
et al
. Assessment of
the utility of the advanced Himawari imager to detect active
fire over Australia[C]//ISPRS - International Archives of the
Photogrammetry, Remote Sensing and Spatial Information
Sciences, 2016.
[11] HYER E J, REID J S, PRINS E M,
et al
. Patterns of fire activity
over Indonesia and Malaysia from polar and geostationary satellite
observations[J]. Atmospheric Research, 2013,122:504-519.
[12] 张鹏,郭强,陈博洋,等.我国风云四号气象卫星与日本
Himawari-8/9卫星比较分析[J].气象科技进展,2016,6(1):74-77.
ZHANG P, GUO Q, CHEN B Y,
et al
. The Chinese next-
generation geostationary meteorological satellite FY-4 compared
with the Japanese Himawari-8/9 satellites[J]. Advances in
Meteorological Science & Technology, 2016,6(1):74-77.
[13] 王若嘉.风云四号在多个领域大展拳脚[EB/OL].www.
/2011xzt/2016zt/20161206/2016120606/201612/
t20161209_.(2016-12-09).
WANG R J. FY4 is showing its strength in multiple
fields [EB/OL]./2011xzt/2016
zt/20161206/2016120606/201612/t20161209_.
(2016-12-09).
[14] 丽娜.基于多源遥感数据的中蒙边境地区草原火实时监
测[D].呼和浩特:内蒙古师范大学,2017.
LI N. Real-time monitoring of grassland fires in China-Mongolia
border areas based on multi-source remote sensing data [D].
Hohhot: Inner Mongolia Normal University, 2017.
[15] 张娟,周璀,谭三清,等.基于不同卫星传感器的森林火灾
红外辐射归一化方法研究[J].中南林业科技大学学报,2018,
38(9):72-76.
ZHANG J, ZHOU C, TAN S Q,
et al
. Research on normalization
method of infrared radiation of forest fire based on different
satellite sensors[J]. Journal of Central South University of
Forestry & Technology, 2018,38(9):72-76.
[16] 于泉洲,刘煜杰,周蕾,等.基于遥感反演的中国森林冠层
叶氮浓度空间格局初步研究[J].中南林业科技大学学报,
2019,39(12):93-107.
YU Q Z, LIU Y J, ZHOU L,
et al
. Preliminary study on spatial
pattern of leaf nitrogen concentration in forest canopy in China
based on remote sensing retrieval [J]. Journal of the Central
South University of Forestry & Technology, 2019,39(12):93-107.
[17] 张思,刘志红,冯文兰,等.基于MODISL1B数据的川西
高原森林火灾监测阈值研究[J].高原山地气象研究, 2015,
35(2):52-58.
ZHANG S, LIU Z H, FENG W L,
et al
. Study on forest fire
monitoring threshold of western Sichuan plateau based on
MODISL1B data [J]. Plateau Mountain Meteorological Research,
2015,35(2):52-58.
[18] 阙华斐,谭三清,周璀,等.基于卫星监测的湖南省林火时空
分布规律研究[J].中南林业科技大学学报,2018,38(6):61-65.
QUE H F, TAN S Q, ZHOU C,
et al
. Study on the spatiotemporal
distribution of forest fire in Hunan province based on satellite
monitoring [J]. Journal of Central South University of Forestry &
Technology, 2018,38(6):61-65.
[19] CHEN J, ZHENG W, LIU C. Application of grassland fire
monitoring based on Himawari-8 geostationary meteorological
satellite data[J]. Journal of Natural Disasters, 2017,26(4):197-204.
[20] 崔舜铫,姚佛军,连琛芹.多源遥感数据在植被覆盖区的水体
信息提取[J].科学技术与工程, 2018,18(28):116-122.
CUI S Y, YAO F J, LIAN C Q. Water body information
extraction from vegetation covered area based on multi-source
remote sensing data[J]. Science Technology & Engineering,
2018,18(28):116-122.
[21] 李亚君,郑伟,陈洁,等.气象卫星遥感火情监测应用[J].上
海航天, 2017,34(4):62-72.
LI Y J, ZHENG W, CHEN J,
et al
. Meteorological satellite
remote sensing fire monitoring application[J].Shanghai
Aerospace, 2017,34(4):62-72.
[22] 吴炳伦,石军南,胡觉,等.基于Landsat 8新邵县森林碳密度
遥感反演研究[J].中南林业科技大学学报, 2019, 39(11):42-47.
WU B L, SHI J N, HU J,
et al
. Research on remote sensing
inversion of forest carbon density based on Landsat 8 in Xinshao
county[J].Journal of Central South University of Forestry &
Technology, 2019,39(11):42-47.
[23] JANG E, KANG Y, IM J,
et al
. Detection and monitoring of
forest fires using Himawari-8 geostationary satellite data in south
Korea[J]. Remote Sensing, 2019,11(3):1-25.
[本文编校：吴 彬]
发布者：admin，转转请注明出处：http://www.yc00.com/news/1712092565a2003893.html
评论列表（0条）