基于MODIS数据的多因子协同作用下森林火灾预测监测研究

摘要

近几十年以来，森林火灾发生的频率日益激增。大多数的森林火灾是在人为因素与自然因素的协同作用下失去控制的燃烧，森林中的各类物种在这些森林火灾中遭到无情的吞噬，地球生态系统的平衡和稳定遭遇到巨大的挑战，燃烧过程中产生大量的烟尘，势必会对大气环境造成，影响当地的气候甚至对人类的生存环境构成巨大的威胁，并且给国家和人民的生命财产造成重大的损失。所以，采取必要的措施和手段来预测和发现森林火灾，并进一步抑制森林火灾的发生或者将其消灭在萌芽阶段是我们开展森林防火工作所面临的一项艰巨而又十分重要的任务。
　　本文的研究主题是利用卫星遥感技术开展林火的灾前预测、灾时监测和灾后评估工作，研究的目的是建立能够及时反映监测林区所处状态的火灾动态危险性模型和烟雾识别模型，并开展相关的灾后分析评估，为开展森林防火工作提供更加丰富的技术支撑，以提高森林火灾预测和监测的准确率，最终将因森林火灾造成的损失最小化。其基本思想是以各地物在不同的电磁波谱范围内的光谱响应差异为基础，寻找与林火和烟雾存在相关关系的参量，构建相应的火灾动态危险性模型、烟雾识别模型以及过火迹地识别方法，从而实现林火预警和监测，并开展进一步的统计分析。
　　为了更进一步的认识和了解卫星遥感技术在林火预警监测研究中的应用，在第2章，我们通过文献调研以及资料收集的手段介绍了卫星遥感的定义及其物理学基础和当前的卫星遥感平台，分析了适用于林火监测的主要卫星遥感数据，以进一步探讨本研究所采用的数据(EOS/MODIS)来源并建立相应的实验平台，最后通过介绍卫星遥感技术在探火领域的典型应用，以加深对遥感探火的认识。
　　为了实现对中国东北部高火灾危险区域的界定，即对该区域进行准确的火灾危险性评估，在第3章，以现有的火灾风险模型为基础，将可燃物含水率(FMC)、地表温度(LST)和相对绿度(RG)等与火灾相关的动态因子用于集成森林火灾动态危险性模型。利用ROC曲线（Receiver Operating Characteristics Curve）技术来分析于2010年6月26、27和28日所获取的研究区域的MODIS数据，以验证和评价所提出模型的准确性和适用性。分析结果指出这三天火灾危险性（定义热点区域属于高火灾危险区域）预测准确率分别为76.338％、88.853％和80.910％。因次，本章所提出的森林火灾动态危险性模型在该研究区域具有一定的适用性。
　　为了实现自动地将火灾烟雾从背景像元中分离出来，第4章提出了一种以烟、云和下垫面光谱分析为基础的森林火灾烟雾识别算法。该烟雾检测算法集成了多通道阈值法和神经网络分类器，以确保获得最佳的检测结果。三起发生于不同季节的森林火灾MODIS数据(1)2004年10月16日，中国黑龙江省（秋季）;2）2009年4月28日，亚洲东北部（中国和俄罗斯）（春季）;3）2010年7月29日，俄罗斯（夏季））被用于获取神经网络输入特征样本的参量值以进一步构建烟雾识别算法。同时，利用四起发生于不同地区的森林火灾数据来验证所提出模型的适用性和鲁棒性。最终检测结果表明:该算法不仅可以捕获陆地上空的浓烟和离散的薄烟，而且还可以检测到海洋上空水体和烟雾的混合像元。这些结果可以提供涉及到森林火灾位置和蔓延方向等有价值的信息。
　　为了分析和评价火灾对植被产生的影响，第5章通过经验关系和归一化燃烧指数来提取受火灾影响像元点，并利用两种不同的统计分析方法(去趋势波动分析法(DFA)和Fisher-Shannon）来处理提取的受火灾和未受火灾影响区域的MODIS-NDVI时间序列数据（2002-2014年）。研究发现:1）这两种统计分析方法处理得到的结果是一致的，这也就能够描述受火灾和未受火灾影响区域之间的特征和差异;2）所有研究的度量中，费歇尔信息测度(FIM)可以最有效地区分开受火灾和未受火灾影响区域;3）受火灾影响像元点的FIM平均值大约为2.5，它明显高于未受火灾影响像元点的FIM平均值(～1.3);4)基于ROC曲线性能分析，FIM在区分受火灾和未受火灾影响像元点的效率明显高于其他测度;5）受火灾影响像元点的时间序列数据具有较高的有序性和较低的混乱程度特征。总之，这两种统计分析方法均有助于识别火灾对植被产生的影响。
　　最后，第6章对本文的研究工作进行回顾总结，给出主要的结论，并针对本文工作的局限，提出下一步工作计划。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 森林火灾危险性预测模型研究

1．2．2 森林火灾探测研究

1．2．3 灾后过火面积及特征量评估研究

1．2．4 当前研究的不足

1．3 研究内容及技术路线

1．4 论文章节安排

第2章 卫星遥感平台及MODIS数据来源评述

2．1 遥感的物理学原理

2．2 当前遥感卫星探火平台简介

2．2．1 NOAA／AVHRR在林火监测中的应用

2．2．2 风云(FY)系列卫星在林火监测中的应用

2．2．3 EOS／MODIS在林火监测中的应用

2．3 MODIS数据来源

2．3．1 NASA网站数据下载

2．3．2 森林火灾卫星遥感实验平台

2．4 卫星遥感技术在林火监测中的典型应用

2．4．1 马里兰大学林火监测研究

2．4．2 加拿大林火监测研究

2．4．3 南非输电线路火灾监测研究

2．4．4 中国林业局林火监测研究

第3章 基于MODIS数据多因子森林火灾动态危险性评估

3．1 引言

3．2 研究区域和数据集

3．2．1 研究区域

3．2．2 数据集

3．3 构建多因子森林火灾动态危险性模型

3．3．1 可燃物含水率的衡量指标

3．3．2 反演地表温度

3．3．3 植被覆盖率估算

3．3．4 构建火灾动态危险性指数

3．4 火灾动态危险性指数应用结果及验证分析

3．4．1 应用结果分析

3．4．2 准确率验证分析

3．5 本章小结

第4章 基于神经网络的森林火灾烟雾识别模型

4．1 引言

4．2 数据源

4．3 构建森林火灾烟雾识别模型

4．3．1 提取训练样本

4．3．2 光谱分析选取特征向量

4．3．3 训练BPNN分类器和消除噪音像元

4．4 森林火灾烟雾识别模型应用及精度评价

4．4．1 模型的精度评价

4．4．2 森林火灾烟雾检测模型的季节适用性

4．4．3 森林火灾烟雾识别模型的鲁棒性分析

4．4．4 多通道阈值法的火灾烟雾识别结果

4．5 本章小结

第5章 灾后过火迹地识别及植被指数时间序列分析

5．1 引言

5．2 过火迹地提取及归一化植被指数预处理

5．2．1 研究区域和数据集

5．2．2 提取过火迹地

5．2．3 归一化植被指数预处理

5．3 统计分析方法

5．3．1 Fisher-Shannon法

5．3．2 去趋势波动分析法(DFA)

5．4 归一化植被指数时间序列分析结果

5．4．1 FS和DFA分析结果

5．4．2 FS和DFA参量的性能分析

5．5 本章小结

第6章 结论与展望

6．1 工作总结及主要结论

6．2 论文创新点

6．3 工作展望

参考文献

致谢

在读期间发表的学术论文与取得的其他研究成果