２０１５年８月第４期

林业资源管理

ＦＯＲＥＳＴＲＥＳＯＵＲＣＥＳＭＡＮＡＧＥＭＥＮＴＡｕｇｕｓｔ２０１５Ｎｏ４

基于高分一号影像光谱指数识别火烧迹地的决策树方法

祖笑锋１，覃先林１，尹凌宇１，陈小中２，钟祥清２

（１中国林业科学研究院资源信息研究所，北京１０００９１；２四川省林业信息中心，成都 ６１００８１）

摘要：森林火灾发生后，为及时、准确地掌握森林受灾情况，利用高分一号卫星 （ＧＦ－１）１６ｍ宽幅影像各波段反射率信息，结合计算的归一化植被指数 （ＮＤＶＩ）、过火区识别指数 （ＢＡＩ）、阴影植被指数 （ＳＶＩ）、归一化差异水体指数 （ＮＤＷＩ）和全球环境监测指数 （ＧＥＭＩ）等５种光谱指数，构建森林火烧迹地识别决策树模型 （ＣＡＲＴ）；在选取的研究区对该模型方法进行验证，并与最大似然监督分类法和非监督分类 （ＩＳＯＤＡＴＡ）方法所得到的结果精度进行了对比分析，结果表明：采用基于ＣＡＲＴ模型的决策树方法对火烧迹地识别结果精度较最大似然法总体分类精度提高了４３８％，Ｋａｐｐａ系数提高了０１０２４，制图精度提高了１４９６％，用户精度提高了８５０％；而采用ＩＳＯＤＡＴＡ方法识别的火烧迹地的总体精度和Ｋａｐｐａ系数都较低，制图精度和用户精度都没有达到１％。关键词：高分一号卫星影像；森林灾害；火烧迹地；植被指数；决策树模型

中图分类号：Ｓ７７１８　文献标识码：Ａ　文章编号：１００２－６６２２（２０１５）０４－００７３－０６ＤＯＩ：１０．１３４６６／ｊ．ｃｎｋｉ．ｌｙｚｙｇｌ．２０１５．０４．０１３

ＤｅｃｉｓｉｏｎＴｒｅｅＭｅｔｈｏｄｆｏｒＢｕｒｎｅｄＡｒｅａＩｄｅｎｔｉｆｉｃａｔｉｏｎＢａｓｅｄｏｎｔｈｅＳｐｅｃｔｒａｌＩｎｄｅｘｏｆＧＦ１ＷＦＶＩｍａｇｅ

ＺＵＸｉａｏｆｅｎｇ１，ＱＩＮＸｉａｎｌｉｎ１，ＹＩＮＬｉｎｇｙｕ１，ＣＨＥＮＸｉａｏｚｈｏｎｇ２，ＺＨＯＮＧＸｉａｎｇｑｉｎｇ２（１ＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅｏｆＦｏｒｅｓｔＲｅｓｏｕｒｃｅＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｉｑｕｅ，ｔｈｅＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＦｏｒｅｓｔｒｙ，Ｂｅｉｊｉｎｇ１０００９１，Ｃｈｉｎａ；２ＦｏｒｅｓｔｒｙＩｎｆｏｒｍａｔｉｏｎＣｅｎｔｅｒｏｆＳｉｃｈｕａｎＰｒｏｖｉｎｃｅ，Ｃｈｅｎｇｄｕ６１００８１，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｄｅｓｃｒｉｂｅｓｔｈｅｔｅｃｈｎｉｑｕｅｔｏｂｅｎｅｅｄｅｄｆｏｒｒａｐｉｄｌｙａｎｄａｃｃｕｒａｔｅｌｙｉｄｅｎｔｉｆｙｉｎｇｔｈｅｂｕｒｎｅｄａｒｅａｂｙｆｏｒｅｓｔｆｉｒｅｓ，ｆｏｌｌｏｗｉｎｇｔｈｅｃａｔａｓｔｒｏｐｈｉｃｆｉｒｅｓｂｙｔｈｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘＣＡＲＴｄｅｃｉｓｉｏｎｔｒｅｅｍｅｔｈｏｄｓｕｓｉｎｇｔｈｅｗｉｄｅｃｏｖｅｒａｇｅｉｍａｇｅｏｆＧＦ１（ＧＦ１ＷＦＶ）Ｔｈｅｙｗｅｒｅｃｏｍｐａｒｅｄｂｅｔｗｅｅｎｔｈｅｍａｘｉｍｕｍｌｉｋｅｌｉｈｏｏｄｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｓｕｐｅｒｖｉｓｅｄａｎｄｕｎｓｕｐｅｒｖｉｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ（ＩＳＯＤＡＴＡ），ｗｉｔｈｉｎｂｕｒｎｅｄａｒｅａｉｎｄｅｘｅｓ，ｔｏｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｂｕｒｎｅｄａｒｅａ，ｓｈａｄｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ｇｌｏｂａｌｅｎｖｉｒｏｎｍｅｎｔｍｏｎｉｔｏｒｉｎｇｉｎｄｅｘ，ｉｍｐｒｏｖｅｄｓｈａｄｏｗｓａｎｄｂａｒｅｃｏｍｍｉｓｓｉｏｎｏｒｏｍｉｓｓｉｏｎｂｕｒｎｅｄｐｈｅｎｏｍｅｎｏｎＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｄｅｃｉｓｉｏｎｔｒｅｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎＣＡＲＴａｌｇｏｒｉｔｈｍｓｆｏｒｂｕｒｎｅｄａｒｅａｉｄｅｎｔｉｆｉｃａｔｉｏｎｈａｓｓｉｇｎｉｆｉｃａｎｔｌｙｉｍｐｒｏｖｅｄｔｈｅｏｖｅｒａｌｌａｃｃｕｒａｃｙｂｙ４３８％ ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｍａｘｉｍｕｍｌｉｋｅｌｉｈｏｏｄｍｅｔｈｏｄ；Ｋａｐｐａｃｏｅｆｆｉｃｉｅｎｔｉｎｃｒｅａｓｅｄｂｙ０１０２４ＧＦ１ｓａｔｅｌｌｉｔｅｉｍａｇｅｒｙｆｏｒｕｎｓｕｐｅｒｖｉｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ（ＩＳＯＤＡＴＡ）ｉｄｅｎｔｉｆｉｅｓｔｈｅｂｕｒｎｅｄａｒｅａｐｏｏｒｌｙ，ｔｈｅｏｖｅｒａｌｌａｃｃｕｒａｃｙａｎｄＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔａｒｅｌｏｗ，ｔｈｅｍａｐｍａｋｉｎｇａｃｃｕｒａｃｙａｎｄｕｓｅｒａｃｃｕｒａｃｙｈａｖｅｎｏｔｒｅａｃｈｅｄ１％Ｋｅｙｗｏｒｄｓ：ＧＦ１ｓａｔｅｌｌｉｔｅｉｍａｇｅｓ，ｆｏｒｅｓｔｄｉｓａｓｔｅｒ，ｂｕｒｎｅｄａｒｅａ，ｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ｔｈｅｄｅｃｉｓｉｏｎｔｒｅｅｍｏｄｅｌ

收稿日期：２０１５－０５－１５；修回日期：２０１８－０５－２９基金项目：民用航天预研项目“基于多源空间数据的森林火灾综合监测技术与应用示范”；

国防科工局重大专项项目（２１－Ｙ３０Ｂ０５－９００１－１３／１５）作者简介：祖笑锋（１９８８－），男，黑龙江肇州人，在读硕士，主要从事光学遥感影像处理和森林火灾监测方法研究。

Ｅｍａｉｌ：ｚｕｘｉａｏｆｅｎｇ＿ｌｋｙ＠１６３ｃｏｍ通讯作者：覃先林（１９６９－），男，四川南溪人，副研究员，博士，硕导，主要从事植被变化及林火预警监测技术研究。

Ｅｍａｉｌ：ｎｏａａｇｓ＠ｃａｆａｃｃｎ；ｑｘｌ９１５７＠１２６ｃｏｍ

林业资源管理 第４期　

　　近几十年来，国内外学者针对不同的卫星数据火烧迹地识别方法开展了大量的研究工作，并形成了相

应的技术方法。如Ｇｉｔａｓ等［１］采用面向对象的方法，

利用ＮＯＡＡＡＶＨＲＲ数据对西班牙 ＧｒｅｕｎＣａｐｅ地区火烧迹地制图方法进行了研究，表明即使使用低分辨

率卫星影像，面向对象的分类方法作为大区域火烧迹

地制图也是可行的；Ｇｉｇｌｉｏ［２］等提出了一种将５００ｍ分辨率的ＭＯＤＩＳ影像与１ｋｍ分辨率的ＭＯＤＩＳ火灾监测数据相结合，采用阈值方法，实现了按月生成全球

火烧迹地的产品，并供全球免费下载；覃先林等［３］利

用ＥＮＶＩＳＡＴＭＥＲＳＩ数据，分别利用图像处理法、植被指数法和面向对象的图像分析方法对火烧迹地制图

方法进行对比研究；朱曦等［４－５］分别采用模糊集理论

和二阶段算法，探讨了利用 ＨＪ１Ａ／Ｂ多时相和单时相数据进行火烧迹地识别技术方法等；但基于决策树

分类技术识别火烧迹地，特别是利用近年来我国发射

的高分卫星影像在火烧迹地应用监测中的技术方法

文献目前比较少。识别中高空间分辨率卫星影像中

的火烧迹地常会面临两个技术难题：一是因地形、植

被或云在影像中形成的阴影的反射率与火烧迹地相

近，容易将其错判别为火烧迹地；另一方面是因卫星

影像中的裸地和火烧迹地的反射率区别不大而带来

两者区分也十分困难。为探究国产高分一号卫星单

期影像在我国森林防火监测中的应用方法，针对上述

两个问题，本文引入了阴影植被指数（ＳｈａｄｅｄＶｅｇｅｔａｔｉｏｎＩｎｄｅｘ，ＳＶＩ）［６－７］、全球环境监测指数（ＧｌｏｂａｌＥｎｖｉｒｏｎｍｅｎｔＭｏｎｉｔｏｒｉｎｇＩｎｄｅｘ，ＧＥＭＩ）［５］、归一化植被指数（ＮｏｒｍａｌＤｉｆｆｅｒｅｎｃｅＶｅｇｅｔａｔｉｏｎＩｎｄｅｘ，ＮＤＶＩ）、归一化差异水体指数（ＮｏｒｍａｌＤｉｆｆｅｒｅｎｃｅＷａｔｅｒＩｎｄｅｘ，ＮＤＷＩ）和过火区识别指数（ＢｕｒｎｅｄＡｒｅａＩｎｄｅｘ，ＢＡＩ）等５种植被指数，结合各波段反射率信息，构建火烧迹地

识别模型。

本文选取２０１４年１月２５日在四川省雅江县八角楼乡发生的森林火灾为试验区，利用国产高分一

号卫星（ｔｈｅＮＯ１ＨｉｇｈＲｅｓｏｌｕｔｉｏｎｓａｔｅｌｌｉｔｅ，ＧＦ１）１６ｍ宽幅影像的波谱信息，结合计算的５种植被指数来构建决策树模型，对该试验区的火烧迹地进行

了识别与提取，并与最大似然法和ＩＳＯＤＡＴＡ方法提取的火烧迹地结果进行了精度比较，为探究利用国

产高分卫星影像识别和提取森林火烧迹地提供新

的技术途径，从而推动国产高分数据在我国森林防

火业务中的应用。

１　研究区和数据１１　研究区概况

四川省雅江县地处四川省甘孜藏族自治州东

南部，雅砻江中游，青藏高原东南部横断山脉地带。

东境毗邻康定县，西南紧邻理塘县，北与道孚县和

新龙县交界，南与凉山州木里县接壤。地跨北纬

２９°０３′～３０°３０′，东经１００°１９′～１０１°２６′。雅江县地处川西高原横断山脉中段，大雪山脉与沙鲁里山脉

之间的山原地带。全县地貌类型复杂多样，低中

山，中山、高山、极高山、高平原、高山原等地貌类型

均有分布，呈中间低、北部高、南部低等特点。其主

要特征为地势高亢，高差较大，县境内一半地域海

拔度在 ４０００ｍ以上；全县最低处布林水口海拔２２６６ｍ，最大高差 ２９８６ｍ，峪谷相对高差一般达２５００ｍ以上，四川省雅江县属于高森林火险区，近年来该区域已发生多次森林大火，不仅造成较严重

经济损失，而且严重破坏生态环境。选取该区域为

高分一号宽幅数据火烧迹地识别技术方法的研究

区，对于川西高原、乃至西南林区的火情卫星监测

应用都具有典型的示范作用。

１２　卫星数据本文选取 ２０１４年 ２月 １４日接收的高分一号

（ＧＦ１）卫星１６ｍ宽幅多光谱数据作为火烧迹地识别方法研究的卫星数据源。ＧＦ１卫星是我国系列民用高分卫星的首发星，于２０１３年４月２６日成功发射；该卫星配置了４台空间分辨率为１６ｍ，８００ｋｍ幅宽的多光谱宽幅相机（包括蓝光、绿光、红光和近

红外等４个波段），其覆盖周期为４ｄ；同时，该卫星还配置了两台可以获取８ｍ多光谱和２ｍ全色影像的Ｐ／ＭＳ相机，其覆盖周期为４１ｄ（侧摆时为４ｄ）。

２　研究方法２１　ＧＦ１影像预处理

利用 ＥＮＶＩ５１遥感软件对选取的 ＧＦ１卫星１６ｍ宽幅影像进行辐射校正、几何校正等分类前处

４７

　第４期 祖笑锋等：基于高分一号影像光谱指数识别火烧迹地的决策树方法

理；同时，为减少大气及环境要素对分类精度的影

响，对ＧＦ１影像进行了大气校正、正射校正等处理。其中，如公式（１）对获取的影像进行辐射校正。

Ｌｅ＝ＤＮ－ｏｆｆｓｅｔｇａｉｎ （１）

式中：Ｌｅ为转换后卫星相机波段等效辐亮度，

单位为Ｗ／（ｍ２·ｓｒ·μｍ），ＤＮ为卫星相机波段输出计数值；ｇａｉｎ为相机在轨辐射响应度，单位为 ＤＮ／（Ｗ／（ｍ２·ｓｒ·μｍ）），ｏｆｆｓｅｔ为暗噪声偏移量。定标参数来源于中国资源卫星应用中心。

辐射定标后对影像进行大气校正以消除大气

和光照等因素对地物反射的影响，获得地物的反射

率。本文的大气校正使用 ＥＮＶＩ５１提供的ＦＬＡＡＳＨ模块［８］完成。最后用精度为 ３０ｍ的四川省ＤＥＭ对影像进行正射校正。２２　确定预测变量２２１　光谱特征分析

地物识别的最主要的因素之一是光谱特征，因

为不同的地物具有不同的光谱特性。本研究选取

ＧＦ１１６ｍ宽幅影像的蓝光、绿光、红光和近红外等４个波段的反射率值（依次记为 Ｂ１，Ｂ２，Ｂ３，Ｂ４）作为变量，将研究区地物分为植被、裸地、水体、火烧迹

地、阴影、雪和其它等７种类型。利用遥感软件ＥＮＶＩ５１，采用目视判读方法，针对每一种典型地物类型选取一定数量的纯像元点，并计算各个波段的平

均值和标准差等统计量，得到每类样本的光谱特征

曲线（图１）。图１中的纵坐标为选取的各类地物样点在遥感影像中的平均反射率值，其它类型主要是

背景零值，因此在图１中没有光谱特征曲线。２２２　植被指数选取

目前，国内外的学者已经提出了多种植被指数

模型，其中：过火区识别指数（ＢＡＩ）强调了过火区的木炭信号，它基于实物像元的值与参考光谱值的距

离，通常将近红外和红光的反射率参考值分别设置

为００６和０１；阴影植被指数（ＳＶＩ）能很好地区分明亮区、阴影区和水体，尤其对高山植被阴影的监

测更加明显；全球环境监测指数（ＧＥＭＩ）将大气和土壤背景的影响最小化，减小裸地对火烧迹地的影

响，提高识别火烧迹地的敏感性；归一化植被指数

（ＮＤＶＩ）是植被生长状态及植被覆盖度的最佳指示因子，对植被的提取分离有重要意义；归一化差异

水体指数（ＮＤＷＩ）对研究区的河流进行提取。本文选取了ＢＡＩ，ＳＶＩ，ＧＥＭＩ，ＮＤＶＩ，ＮＤＷＩ等５种植被指数模型，计算式分别为公式（２）［５］，（３）［６－７］，（４）［５］，（５）［９］和（６）［１０－１１］。在生成各类植被指数的影像中提取每种地类的均值，结果见图２。

图１　典型地物的波谱特征Ｆｉｇ１Ｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｙｐｉｃａｌｏｂｊｅｃｔｓ

图２　典型地物的不同植被指数比较Ｆｉｇ２Ｒｅｓｕｌｔｓｏｆｄｉｆｆｅｒｅｎｔｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｏｆｔｙｐｉｃａｌｏｂｊｅｃｔｓ

５７

林业资源管理 第４期　

ＢＡＩ＝ １（０１－ρＲ）

２＋（００６－ρＮｉｒ）２ （２）

ＳＶＩ＝ρＮｉｒ－ρＲρＮｉｒ＋ρＲ

×ρＮｉｒ （３）

ＧＥＭＩ＝η（１—０２５η）－ρＲ －０１２５１－ρＲ

（４）

ＮＤＶＩ＝ρＮｉｒ－ρＲρＮｉｒ＋ρＲ

（５）

ＮＤＷＩ＝ρＧｒｅｅｎ－ρＲρＧｒｅｅｎ＋ρＲ

（６）

式中：ρＮｉｒ为近红外波段；ρＲ为红光波段；ρＧｒｅｅｎ

为绿光波段；η＝２（ρＮｉｒ

２－ρＲ２）＋１５ρＮｉｒ＋０５ρＲ

ρＮｉｒ＋ρＲ ＋０５。

２３　决策树模型构建分类回归树ＣＡＲＴ（ＣｌａｓｓｉｆｉｃａｔｉｏｎａｎｄＲｅｇｒｅｓｓｉｏｎ

Ｔｒｅｅｓ）是作为一种基于知识发现和空间数据挖掘的分类方法，由Ｂｒｅｍａｎ等人提出的算法模型。该算法的基本原理是通过对由测试变量和目标变量构成

的训练数据集的循环分析，从而形成二叉树的决策

树结果，其优点是易于理解、结果清晰、运行速度

快、实现简单、准确率高等［１２－１５］。在本研究中，为了

区别植被与非植被，选择归一化植被指数作为判断

依据；通过典型地物波谱分析以及大量试验表明：

ＮＤＶＩ大于０４０即为植被区，否则为非植被区；在非植被区中，由于ＮＤＷＩ中只有水体是正值，其它地类都为负值，所以为了突出水体信息，ＮＤＷＩ大于０作为水体；如图２中的ＧＥＭＩ折线图所示，在已经区分出植被区基础上，当 ＧＥＭＩ的值大于０３８时，能较好地分离出裸地像元；雪的反射率值比其他几种地

类大很多，根据图１可知，当Ｂ３大于０２８时可以提取分离出雪像元；如图２中ＳＶＩ折线图所示，当植被、雪、裸地在此之前已经被分离出来后，当 ＳＶＩ大于０００４时，能很好地区分出阴影像元；最后只有火烧迹地和其它两种地类（背景值、建筑物等），当满足 ＢＡＩ值大于３６５条件时的像元，即判定为火烧迹地像元。在逐一识别和分离出对火烧迹地影响的地类后，得到

错分或漏分较少的火烧迹地。上述分析构建的决策

树火烧迹地分类技术流程如图３所示。２４　基于二叉树构建决策树的算法

依据“２３”建立的决策树规则，在 ＥＮＶＩ５１平

台中，构建了基于 ＧＦ１ＷＦＶ影像的典型地物的光谱特征和５种植被指数建立的二叉树决策树算法模型，实现了对ＧＦ１１６ｍ宽幅单期影像中的火烧迹地识别，得到了研究区的火烧迹地结果分布图。

图３　基于ＧＦ１的决策树火烧迹地识别技术流程Ｆｉｇ３Ｔｈｅｆｌｏｗｃｈａｒｔｏｆｄｅｃｉｓｉｏｎｔｒｅｅ

ｉｄｅｎｔｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎＧＦ１ｉｍａｇｅｓ

３　结果与分析３１　基于ＣＡＲＴ算法分类结果

本研究采用ＧＦ１１６ｍ宽幅影像的４个波段的反射率值，及其不同波段组合计算的阴影植被指

数、全球环境监测指数、归一化植被指数、归一化差

异水体指数和过火区识别指数等５种光谱指数来构建识别森林火烧迹地的决策树模型，在 ＥＮＶＩ５１软件平台中实现了利用该模型提取研究区的火烧迹

地的算法技术流程，以及采用了Ｍａｊｏｒｉｔｙ／Ｍｉｎｏｒｉｔｙ对判识结果的分析、聚类和综合等后处理，结果如图

４ｂ所示；同时，为对比不同方法识别森林火烧迹地的精度，本文还分别采用了ＩＳＯＤＡＴＡ方法和最大似然法对该同一ＧＦ１１６ｍ宽幅影像中的森林火烧迹地等典型地物进行了识别，结果如图４ｃ和４ｄ所示。３２　精度验证和对比分析

将雅江县森林火烧迹地的决策树算法分类结

果（图４ｂ）、最大似然监督分类（图４ｃ）和 ＩＳＯＤＡＴＡ结果（图４ｄ）进行对比分析。

６７

　第４期 祖笑锋等：基于高分一号影像光谱指数识别火烧迹地的决策树方法

图４　原始影像与３种分类结果图比较Ｆｉｇ４ＣｏｍｐａｒｅｄｗｉｔｈｔｈｅＲＧＢｉｍａｇｅ（Ｆｅｂ１４，２０１４）ａｎｄｔｈｒｅｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓ

　　通过目视对比定性分析识别结果图发现：本文构建的决策树分类识别出的火烧迹地比采用 ＩＳＯＤＡＴＡ法和最大似然法所得的结果图更合理，尤其是阴影和裸地对火烧迹地的影响，决策树分类明显

得到改善；最大似然法得到的火烧迹地结果中，水

体、阴影被错判定为火烧迹地现象比较严重；ＩＳＯＤＡＴＡ法几乎不能得到可信的火烧迹地，错分和漏分现象更加明显。

同时，还采用网格布点的方法，获得样点，对以

上３种方法识别的火烧迹地结果精度进行了定量估

算。通过建立混淆矩阵，进行统计检验，计算得出

Ｋａｐｐａ系数、总体精度、用户精度、制图精度、漏分误差、错分误差等评价指标，结果见表１。

从表１中可以看出：基于 ＣＡＲＴ算法的总体精度为８４５２％，Ｋａｐｐａ系数为０８１２２，比最大似然法分别提高了４３８％和０１０２４；该方法主要是通过引入ＳＶＩ，ＧＥＭＩ和ＢＡＩ等指数，达到降低最大似然法中裸地和阴影错分或漏分为火烧迹地的目的；从

表１中火烧迹地和阴影两种类型的精度评价结果来看：基于ＣＡＲＴ决策树分类方法对火烧迹地和阴影

７７

林业资源管理 第４期　

的分类精度都要比最大似然法提高很多，其中火烧

迹地的错分误差比最大似然法减少８５０％，漏分误差减少１４９６％，同时制图精度提高１４９６％，用户

精度提高８５０％；阴影区的错分误差和漏分误差分别减少了１０７１％，１００％，而制图精度和用户精度分别提高了１００％，１０７１％。

表１　不同分类方法的精度对比Ｔａｂ１Ｃｏｎｔｒａｓｔｉｎｇｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ

类型 方法 错分误差／％ 漏分误差／％ 制图精度／％ 用户精度／％ 总体精度／％ Ｋａｐｐａ系数

火烧迹地

阴影

水体

植被

裸地

雪

决策树分类 １９０９ １１３６ ８８６４ ８０９１ ８４５２ ０８１２２最大似然法 ２７５９ ２６３２ ７３６８ ７２４１ ８０１４ ０７０９８ＩＳＯＤＡＴＡ ９９４６ １００００ ０００ ０５４ ０３９ ０００４３

决策树分类 １４２９ ９００ ９１ ８５７１ ８４５２ ０８１２２最大似然法 ２５００ １０００ ９０００ ７５００ ８０１４ ０７０９８ＩＳＯＤＡＴＡ ９９４４ ９９３５ ０６５ ０５６ ０３９ ０００４３

决策树分类 ０００ ３２５６ ６７４４ １００００ ８４５２ ０８１２２最大似然法 ０００ ５１１６ ４８８４ １００００ ８０１４ ０７０９８ＩＳＯＤＡＴＡ １００００ １００００ ０ ０ ０３９ ０００４３

决策树分 ０００ ０００ １００００ １００００ ８４５２ ０８１２２最大似然法 ０００ ０００ １００００ １００００ ８０１４ ０７０９８ＩＳＯＤＡＴＡ ３６３３ ２５４２ ７４５８ ６３６７ ０３９ ０００４３

决策树分类 ２１７４ ０００ １００００ ７８２６ ８４５２ ０８１２２最大似然法 ２７５９ ２２２２ ７７７８ ７２４１ ８０１４ ０７０９８ＩＳＯＤＡＴＡ ２５７５ １８６３ ８１３７ ７４２５ ０３９ ０００４３

决策树分类 ４３５９ ０００ １００００ ５６４１ ８４５２ ０８１２２最大似然法 １７６５ ２１１３ ７８８７ ８２３５ ８０１４ ０７０９８ＩＳＯＤＡＴＡ ９６１１ ９５６５ ４３５ ３８９ ０３９ ０００４３

４　讨论本文基于单期国产 ＧＦ－１卫星１６ｍ宽幅影像

的光谱信息及由其计算得到的５种植被指数，构建了森林火烧迹地的决策树分类模型，在选取的研究

区对该方法进行验证；并与ＩＳＯＤＡＴＡ法和最大似然法的监测结果进行了精度比较，得出如下研究结论：

１）基于植被指数的决策树方法所得到的监测结果的总体精度和 Ｋａｐｐａ系数比最大似然法和ＩＳＯＤＡＴＡ法所得结果的总体精度和 Ｋａｐｐａ系数均有提高；相对于最大似然法，该方法通过引入 ＢＡＩ，ＳＶＩ，ＧＥＭＩ，ＮＤＶＩ和ＮＤＷＩ等５种植被指数，使火烧迹地的制图精度和用户精度分别提高了 １５％和１０％左右，并且阴影区和裸地错分为火烧迹地的现象也明显得到改善；这种方法在一定程度上改善了

最大似然法中把阴影、裸地和水体错分为森林火烧

迹地的现象；同时去除了森林火烧迹地的斑点较

多、地物破碎等现象。

２）本文基于 ＣＡＲＴ算法构建二叉树的决策树分类算法，实现了基于国产ＧＦ－１卫星１６ｍ宽幅单期影像识别火烧迹地的技术方法，将为国产 ＧＦ－１卫星１６ｍ宽幅影像在我国森林火灾监测应用中提供新的技术服务手段。

如何提高遥感影像对森林火烧迹地识别的精

度，一直是大家比较关注的热点问题。随着我国国

产高分系列卫星不断发射，为我们寻找更好的遥感

监测森林火灾的方法和手段提供了更多的可能性。

本文采用决策树、最大似然法和ＩＳＯＤＡＴＡ等３种方法对单期 ＧＦ－１卫星１６ｍ宽幅影像中的火烧迹地识别结果进行对比，结果表明：在所选用的３种识别方法中，决策树分类法为较适合此研究区域 ＧＦ－１卫星１６ｍ宽幅影像火烧迹地识别的一种方法。当（下转第８３页）

８７

　第４期 王伟：基于森林火险指数的森林火险区划研究

［Ｊ］．浙江农林大学学报，２０１２，２９（１）：６５－７１．

［９］邓欧，李艺秋，冯仲科，等．基于空间 Ｌｏｇｉｓｔｉｃ的黑龙江林火风险

模型与火险区划［Ｊ］．农业工程学报，２０１２，２８（８）：２００－２０５．

［１０］苗庆林，田晓瑞，陈立光．基于层次分析法的森林火险区

划———以徂徕山林场为例［Ｊ］．火灾科学，２０１３，２２（３）：

１１３－１１９．

［１１］谷建才，陆贵巧，吴斌，等．八达岭森林健康示范区森林火险等

级区划的研究［Ｊ］．河北农业大学学报，２００６，２９（３）：４６－４８．

［１２］黄作维，刘峰．基于ＧＩＳ和 ＲＳ的森林火险预测研究［Ｊ］．西北

林学院学报，２００７，２２（２）：１１５－１１８．

［１３］尹海伟，孔繁花，李秀珍．基于 ＧＩＳ的大兴安岭森林火险区划

［Ｊ］．应用生态学报，２００５，１６（５）：８３３－８３７．

［１４］祝必琴，张丽霞，彭家武，等．基于 ＲＳ和 ＧＩＳ的庐山森林火险

区划研究［Ｊ］．江西农业大学学报，２００９，３１（３）：４４１－４４８．

［１５］焦筱荣，肖化顺，刘照程．基于 ＧＩＳ的广州市森林火险评价及

区划研究［Ｊ］．河北林业科技，２０１１（１）．

［１６］王书涵，张晓丽，游先祥，等．３Ｓ技术在森林火险等级研究中的

应用［Ｊ］．广东农业科学，２０１１（２３）：１７１－１７３．

［１７］严朝东，林育述，陈轩阳，等．东莞大屏嶂森林火险等级评价与

区划［Ｊ］．广东林业科技，２０１４，３０（２）：３５－４０．

［１８］李宝国，何鹏举．陕西周至国家级自然保护区的生物多样性

［Ｍ］．西安：陕西科学技术出版社，２００７．

（上接第７８页）然为了使该方法更具有实用价值，在森林防火监测

业务应用前还需要进一步深入研究以提高精度，如

加入坡度、坡向及其它地学先验知识等来辅助判

别，使该方法更具有实用价值。

参考文献：

［１］ＧｉｔａｓＩＺ，ＭｉｔｒｉＧＨ，ＶｅｎｔｕｒａＧ．Ｏｂｊｅｃｔｂａｓｅｄｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎ

ｆｏｒｂｕｒｎｅｄａｒｅａｍａｐｐｉｎｇｏｆＣｒｅｕｓＣａｐｅ，Ｓｐａｉｎ，ｕｓｉｎｇＮＯＡＡ

ＡＶＨＲＲｉｍａｇｅｒｙ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００４，９２

（３）：４０９－４１３．

［２］ＧｉｇｌｉｏＬ，ＬｏｂｏｄａＴ，ＲｏｙＤＰ，ｅｔａｌ．Ａｎａｃｔｉｖｅｆｉｒｅｂａｓｅｄｂｕｒｎｅｄａｒｅａ

ｍａｐｐｉｎｇａｌｇｏｒｉｔｈｍｆｏｒｔｈｅＭＯＤＩＳｓｅｎｓｏｒ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎ

ｖｉｒｏｎｍｅｎｔ，２００９，１１３（２）：４０８－４２０．

［３］覃先林，李增元，易浩若，等．基于 ＥＮＶＩＳＡＴ－ＭＥＲＩＳ数据的火

烧迹地制图方法研究［Ｊ］．遥感技术与应用，２００８，２２（４）：１－６．

［４］朱曦，覃先林，廖靖．基于模糊集理论的单时相跨区域森林火烧

迹地遥感制图［Ｊ］．国土资源遥感，２０１３，２５（４）：１２２－１２８．

［５］朱曦，覃先林．基于二阶段算法的ＨＪ－ＣＣＤ数据火烧迹地制图

［Ｊ］．遥感技术与应用，２０１３，２８（１）：７２－７７．

［６］刘健，许章华，余坤勇，等．山地丘陵区遥感影像阴影检测与去

除方法［Ｊ］．农业机械学报，２０１３，４４（１０）：２３８－２４１．

［７］许章华，刘健，余坤勇，等．阴影植被指数 ＳＶＩ的构建及其在四

种遥感影像中的应用效果［Ｊ］．光谱学与光谱分析，２０１３，３３

（１２）：３３５９－３３６５．

［８］周庆，李峰，张海涛，等．监督分类技术在高分辨率卫星影像中

的应用［Ｊ］．北京林业大学学报，２００３（Ｓ１）：４７－４９．

［９］汪金花，张永彬，孔改红．谱间关系法在水体特征提取中的应用

［Ｊ］．矿山测量，２００４（４）：３０－３２．

［１０］徐涵秋．基于谱间特征和归一化指数分析的城市建筑用地信

息提取［Ｊ］．地理研究，２００５，２４（２）：３１１－３２０．

［１１］徐涵秋．利用改进的归一化差异水体指数（ＮＤＷＩ）提取水体信

息的研究［Ｊ］．遥感学报，２００５，９（５）：５８９－５９５．

［１２］ＳｅｇａｈＨ，ＴａｎｉＨ，ＨｉｒａｎｏＴ．Ｄｅｔｅｃｔｉｏｎｏｆｆｉｒｅｉｍｐａｃｔａｎｄｖｅｇｅｔａｔｉｏｎ

ｒｅｃｏｖｅｒｙｏｖｅｒｔｒｏｐｉｃａｌｐｅａｔｓｗａｍｐｆｏｒｅｓｔｂｙｓａｔｅｌｌｉｔｅｄａｔａａｎｄ

ｇｒｏｕｎｄｂａｓｅｄＮＤＶＩｉｎｓｔｒｕｍｅｎｔ［Ｊ］．Ｉｎｔ．Ｊ．ＲｅｍｏｔｅＳｅｎｓ．，２０１０，

３１：５２９７－５３１４．

［１３］ＰａｒｓｏｎｓＡ．ＢｕｒｎｅｄＡｒｅａＥｍｅｒｇｅｎｃｙＲｅｈａｂｉｌｉｔａｔｉｏｎＳｏｉｌＢｕｒｎＳｅｖｅｒ

ｉｔｙＤｅｆｉｎｉｔｉｏｎｓａｎｄＭａｐｐｉｎｇＧｕｉｄｅｌｉｎｅｓＤｒａｆｔ［Ｍ］．ＵＳＤＡＦｏｒｅｓｔ

Ｓｅｒｖｉｃｅ，Ｒｏｃｋｙ Ｍｏｕｎｔａｉｎ Ｒｅｓｅａｒｃｈ Ｓｔａｔｉｏｎ：Ｍｉｓｓｏｕｌａ，ＭＴ，

ＵＳＡ，２００３．

［１４］ＢａｌｚｔｅｒＨ，ＧｏｎｚａｌｅｚＭＣ，ＧｅｒａｒｄＦ，ｅｔａｌ．ＰｏｓｔＦｉｒｅＶｅｇｅｔａｔｉｏｎＰｈｅ

ｎｏｌｏｇｙｉｎＳｉｂｅｒｉａｎＢｕｒｎＳｃａｒｓ［Ｃ］／／ＩｎＰｒｏｃｅｅｄｉｎｇｓｏｆ２００７ＩＥＥＥ

ＩｎｔｅｒｎａｔｉｏｎａｌＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇＳｙｍｐｏｓｉｕｍ，Ｂａｒｃｅｌｏ

ｎａ，Ｓｐａｉｎ：４６５２－４６５５．

［１５］ＴｅｌｅｓｃａＬ，ＬａｓａｐｏｎａｒａＲ．Ｐｒｅａｎｄｐｏｓｔｆｉｒｅｂｅｈａｖｉｏｒａｌｔｒｅｎｄｓｒｅ

ｖｅａｌｅｄｉｎｓａｔｅｌｌｉｔｅＮＤＶＩｔｉｍｅｓｅｒｉｅｓ［Ｊ］．Ｇｅｏｐｈｙｓ．Ｒｅｓ．Ｌｅｔｔ．，

２００６，３３．

３８