一、简介

丛林大火被认为是全球最普遍的生态干扰之一，与干旱、洪水或飓风等自然灾害并列[ 1 ]。事实上，全世界每年约有 3.5 亿公顷植被被烧毁，其中近一半发生在撒哈拉以南非洲地区 [ 2 ]。尽管森林火灾的利用对人类在农业整地、牲畜牧场更新和狩猎活动方面非常有益，但其反复和不受控制的使用破坏了森林生态系统[ 3 ]。[ 4 ]最近进行的一项研究强调，每​​年有 270 万公顷的土地被烧毁，其中大部分发生在稀树草原和森林生态系统中。这些火灾导致生物多样性减少和土壤肥力丧失[5 ]。

在科特迪瓦，政府设立了控制丛林火灾的村委会。[ 6 ] 和 [ 7 ] 等研究人员通过分别在 Kokondekro 和 Lamto 进行的实验，提出了早期火灾作为失控火灾的解决方案。尽管采取了这些举措，但尚未找到针对这种情况的有效解决方案。因此，每年，丛林大火都会不断在不同地区造成损失。位于科特迪瓦中部地区的阿博库阿梅克罗野生动物保护区（AWR）也未能幸免于这一祸害。该保护区拥有丰富多样的动植物群，经常面临森林火灾，而管理人员对火灾的时空动态仍然知之甚少[ 8]。因此，有必要寻求现有解决方案的替代和补充解决方案。

如今，卫星遥感的使用为检测和监测特定区域的这些火灾提供了重要机会[ 3 ]。使用卫星图像检测烧毁区域是一门不断发展的学科，对森林火灾管理具有重大影响。丛林火灾管理的一种方法是充分了解过去火灾的时空动态。在这个层面上，一些作者的工作范围从全球到地方。在全球和大陆尺度上，一些作者使用中等空间分辨率图像来绘制丛林火灾区域地图。这些包括[ 9]，他描述了塞内加尔几内亚大草原上被烧毁的地区。这些图像的优点是它们频繁重复，可以在很短的时间间隔内提供信息。此外，某些图像（例如 Modis）提供了可直接使用的丛林大火（活跃火灾、烧毁区域）的数据。在局部范围内，需要高空间分辨率图像（Landsat、Spot、Sentinel、PlanetScope 等）才能更好地了解烧毁区域的详细信息。尽管空间分辨率高，但它们具有信息不频繁（重复率低）的缺点。[ 10 ]等几位研究人员使用 Landsat ETM+ 图像绘制了多哥烧毁地区的时空动态图。约阿希姆和柯林斯 [ 11] 比较了使用 Landsat ETM+ 图像在喀麦隆森林-稀树草原过渡区检测烧毁区域的三种方法。处理这些图像需要分类模型来提取烧毁区域，因为没有直接可用的数据（活跃的火灾或烧毁区域）。一些分类模型应用于光谱指数来检测烧毁区域。[ 12 ]的工作就是这种情况，该工作表明，归一化燃烧比率（NBR）和归一化植被指数（NDVI）的结合可以更好地描述中国某个地区的烧毁地区。刘文亮等。[ 13] 还表明，燃烧面积指数 (BAI) 通过比较 HJ 卫星图像的多个光谱指数来区分较好的燃烧区域。大卫·福纳卡等人的作品。[ 14 ] 证明 NBR 和归一化水分指数 (NDMI) 可以区分更好的烧伤区域。

我们提出的研究旨在分析从 Sentinel-2A 图像得出的各种光谱指数检测 AWR 中烧毁区域的能力。具体来说，目标是： 1）计算 Sentinel-2A 图像的光谱指数；2）通过应用模糊分类模型区分燃烧区域和未燃烧区域；3）根据分类精度（混淆矩阵）评估不同指数并估计烧伤面积。

2. 艺术水平

使用 Sentinel-2A 图像进行野火检测领域的最新技术是建立在各种方法和方法之上的。例如，[ 12 ] 引入了一种复杂的方法，通过利用从 Sentinel-2A 数据得出的光谱指数来检测燃烧区域。他们的工作强调了归一化燃烧比率 (NBR) 和归一化植被指数 (NDVI) 在提高烧伤表面检测准确性方面的重要性。马丁内斯等人。[ 15 ] 他们的重点是使用 Sentinel-2A 数据绘制地中海生态系统烧毁区域的地图。他们的研究强调了这些图像的高空间分辨率对于改善该特定地区森林火灾识别的积极影响。

汗等人。[ 16 ] 探索了深度学习算法，特别是卷积神经网络 (CNN) 的应用，用于从 Sentinel-2A 数据中检测烧伤区域，为该任务中机器学习的使用提供了深入的见解。[ 17 ]解决了 Sentinel-2A 多光谱和热红外数据的集成问题。他们的研究强调了热红外在改善森林火灾探测方面的用途，并讨论了这种方法的优点。

Davis 和 Walker [ 18 ] 开发了一种基于 Sentinel-2A 图像时间序列的变化检测方法，能够监测烧伤区域随时间的演变。在灾害管理的背景下，Davis 和 Wilson [ 19 ] 探索了利用机器学习利用 Sentinel-2A 数据快速评估烧毁区域，强调了在此类紧急情况下速度和准确性的重要性。

Gonzalez 和 Rodriguez [ 20 ] 评估了 Sentinel-2A 数据在绘制干旱地区烧毁地区地图方面的有用性，为这些环境中野火检测的具体挑战提供了重要见解。Walker 和 Lopez [ 21 ] 使用 Sentinel-2A 图像在不同环境下对烧伤区域检测方法进行了比较分析，从而证明了方法根据环境适应性的重要性。

Smith 和 Miller [ 22 ] 提出了一种从 Sentinel-2A 数据绘制烧毁区域地图的集成方法，从而强调通过各种方法的组合来提高结果可靠性。[ 23 ]探索了烧毁区域严重程度的地理空间分析，从而能够使用 Sentinel-2A 数据评估火灾造成的损害及其对环境的影响。

Garcia 和 Brown [ 24 ] 对 Sentinel-2A 图像中烧伤区域检测的光谱指数进行了比较研究，详细概述了各种指数的性能及其各自的优点。在自然保护区的背景下，[ 20 ]研究了使用Sentinel-2A数据来监测烧毁地区，强调了遥感对于这些敏感环境中生物多样性管理的重要性。

最后，[ 25 ] 使用 Sentinel-2A 数据评估了绘制城市地区烧毁区域地图的准确性，揭示了与城市环境中火灾检测相关的具体挑战。

3. 材料与方法

3.1. 研究区

这项研究是在位于科特迪瓦中部“V Baoulé”地区中心的 AWR 开发区进行的。AWR成立于1988年，占地20,400公顷，其中已开发面积7230公顷。保护区位于西经4°57'至5°09'和北纬6°48'至6°55'之间。在行政上，它属于贝利埃地区和恩齐地区以及亚穆苏克罗自治区。它属于亚赤道巴乌莱气候，有四个季节，包括两个雨季和两个旱季。年平均降水量1050毫米左右，年平均气温26℃，年平均相对湿度75%。

该保护区的水源来自两条主要河流：坎河和普拉河及其各种支流。该地区以铁铁矿和改造的热带铁质土壤为特征[ 26 ]；AWR 的植被包括森林地层（画廊森林、森林斑块）和稀树草原地层（树木稀树草原、乔木稀树草原、灌木稀树草原）。森林结构主要由诸如Antiarisoticarea（桑科）、Aubrevilleakerstingii （含羞草科）、Ceiba pentandra（Bombacacée）、Cola cordifolia（梧桐科）、Kaya grandifoliola（Maliaceae）、Carapa procera（楝科）和Elaeis guineensis等物种组成。 （槟榔科）等。热带稀树草原地层的特征包括Borassus aethiopum（槟榔科）、Danilia oliveri（云杉科）、白榕（桑科）、Lophira lanceolata（Ochnaceae）、Parkyia biglobosa（含羞草科）、Annona senegalensis（番荔枝科）、Crossopteryx febrifuga（茜草科）、Dichrostachyus cinerea（含羞草科）、Hymenocardia Acida（大戟科）、Piliostigma thonningii（云实科）、Elymandra androphila (禾本科)、Hyparrhenia smithiana (禾本科)、Imperata cylindrica (禾本科) 和Loudetia arundinacea (禾本科) [ 5 ]。AWR 的河岸地区居住着土著和非土著居民。这些社区的当地经济主要依赖农业、畜牧业、旅游业和手工业。图 1描绘了 Abokouamékro 野生动物保护区内开发区的位置。

3.2. 数据

本研究使用了两种类型的数据。第一类数据包括来自 Sentinel-2A 卫星多光谱传感器的图像，该卫星是 Sentinel-2 双卫星系统的一部分。本文使用的Sentinel-2A图像来自2022年1月17日，其特点是视场宽280公里，重访周期为5天。这些图像包含覆盖可见光和红外范围的十三个光谱带。可见光波段包括b1（波段1）、b2（波段2）、b3（波段3）、b4（波段4），近红外波段包括b5（波段5）、b6（波段6）、b7（波段） 7)、b8（波段 8）、b8A（波段 8A）、b9（波段 9）、b10（波段 10）以及中红外波段 b11（波段 11）和 b12（波段 12）。这些光谱带用于计算各种光谱指数和子指数。表格1。

第二种类型的数据包括丛林大火后收集的烧毁区域的全球定位系统 (GPS) 坐标。数据收集是在 2022 年 1 月 25 日至 1 月 31 日的实地考察期间在 AWR 内进行的。总共收集了 250 个固定点，涵盖烧毁和未烧毁区域（植被、裸露地面、水体），以涵盖 AWR 的开发区。这250个点中，150个用于指数分类，其余100个点用于验证分类指数。

3.3. 方法

本文的方法论包括三个阶段。第一阶段涉及图像预处理和计算光谱指数。第二阶段的重点是对不同光谱指数进行分类并估计燃烧面积。第三阶段涉及分类指标的验证。

3.3.1. 图像预处理和光谱指数计算

使用ENVI 5.10软件分三个阶段进行图像预处理和光谱指数计算。在第一阶段，对原始图像进行地理参考，以使其与已经拥有地理坐标的其他数据源兼容。此过程涉及基于称为“参考点”的固定点生成图像内特定点的坐标。从可见光到红外光的每个波段都使用 k 最近邻法进行地理参考。

第二阶段涉及调整某些图像带的像素尺寸。具体来说，使用双线性插值将b5、b6、b7、b11和b12频段的20 m尺寸以及b1、b9和b10频段的60 m尺寸全部调整为10 m尺寸。研究区域的定义基于代表保护区已开发部分边界的矢量文件。该区域对应于覆盖尺寸为 764 × 754 像素的像素区域的提取图像窗口。

本文考虑的光谱指数和图像变换选自文献中描述的各种指数。其中包括七个光谱指数：NDVI（归一化差异植被指数）、SAVI（土壤调整植被指数）、MNDWI（修正归一化差异水分指数）、NDWI（归一化差异水分指数）、NDMI（归一化差异水分指数）、NBR（归一化烧毁率）、BAI（烧毁面积指数）、MIRBI（中红外烧毁指数）和三种图像转换：TCW（缨帽湿度）、TCG（缨帽绿色度）和 TCB（缨帽亮度）。这些参数的计算涉及使用原始图像波段在从可见光到红外的光谱中生成新通道。表 2 .

Sentinel-2A 图像中近红外域的七个可用光谱带 b6、b7、b8、b8A、b9、b10 中，本文考虑了其中的五个。这些是带 b5、b6、b7、b8 和 b8A。通过上述各波段与b4波段的比值，计算出NDVI、SAVI、BAI各光谱指数对应的5个子指数。通过计算每个近红外波段与 NDMI 波段 b11 和 NBR 波段 b12 的比率，计算出与光谱指数 NDMI 和 NBR 相对应的其他五个子指数。对于NDWI，根据b3波段与各近红外波段的比率获得了5个子指数。此外，没有计算 MNDWI、MIRBI、TCW、TCG、TCB 的子光谱指数。

3.3.2. 燃烧和未燃烧区域检测的模糊分类

1) 过火区和未过火区模型的确定方法

针对每个光谱指数和子光谱指数确定了燃烧区域和未燃烧区域（植被、裸露地面、水体）之间的分离阈值。该方法涉及从现场收集的 150 个点中提取每个光谱指数或子光谱指数的像素值。利用这些数据，计算每个指标和子指标的平均值（ μ）、标准差（σ）、最小值（Min）和最大值（Max）等统计数据。使用等式（1）确定提取烧毁像素的下限和上限。

在本研究中，假设当一个像素落在所有子光谱指数的下限和上限定义的区间内时，该像素肯定属于“烧毁”类。然而，任何落入 5 个子指数中的 2、3 或 4 个子指数的像素都可以被视为属于“烧毁”类别，但确定性程度较低。位于所有子指数所有区间之外的像素被归类为“未分类”。

为了提取这 3 类像素，每个光谱索引的所有子索引都被相交以确定它们的交集。此操作允许为每个光谱索引构建模糊分类模型（图 2 (a) 和图 2 (b)）。这些模型的断点确定如下。在图2 (a)和图2 (b)中，“a”对应于所有分项指数的最小值下限中的最小值。“b”对应于所有分项指数的最小下限中的最大值。“c”对应于所有子指数的最大值上限中的最小值。“d”对应于所有子指数的最大值上限中的最大值。

这些不同的模型允许将像素分配给“燃烧”类或“未燃烧”类，以获得不同的隶属度 ( α )，范围从 0 到 1。对于高隶属度 ( α → 1)，索引值可能会准确识别烧毁的像素。然而，随着它逐渐减小（α →0），我们进入烧毁像素和未烧毁像素之间的最大重叠区域。对于没有子指数的所有指数（MNDWI、MIRBI、TCW、TCG、TCB），隶属度 ( α ) 保持不变 ( α = 0)；因此，a = b 且 c = d。这些模型的断点值记录在表4中。

3）燃烧和未燃烧区域分类的模糊模型

本文使用的模糊模型算法确定如下。当前的问题是：对于给定的隶属度 ( α )，指定烧毁像素的索引的像素 X 的集合是什么？换句话说，定义给定隶属度 ( α ) 的像素的每个索引的下限和上限是多少？根据α度确定不同的分类算法（表5）。

这些模型的不同算法和编程代码使得能够使用Matlab软件生成基于模糊隶属度α分类的谱指数和子指数

4）分类指标的评估和验证

为了评估十个光谱指数的辨别潜力，采用了基于构建混淆矩阵的方法（表6 ）。通过将燃烧和未燃烧区域的分类结果（预测数据）与地面真实数据（实际数据）进行比较来计算分类混淆矩阵。

根据混淆矩阵，使用等式（2）-（4）计算谱指数的指标，例如遗漏、佣金和总体准确度。

遗漏误差表示真正被烧毁的像素被分类为未烧毁的像素的比率，对应于假阳性率（FP）。佣金误差是模型预测为未燃烧但被分类为燃烧的像素的比率，对应于假阴性率（FN）。总体准确率或全局错误率代表了模型的总体质量。混淆矩阵有助于确定和比较索引在总体准确性或错误（佣金、遗漏）方面的表现。

该方法的概要如图 3所示。

4 结果与讨论

4.1. 光谱指数和分指数

从 2022 年 1 月 17 日的原始 Sentinel-2A 图像生成的光谱指数和子指数由图 4中列出的图像表示。

对于植被指数（NDVI、SAVI、TCG），观察到三种实体，范围从红色到白色。白色区域表示叶绿素活性较高，对应于树木繁茂的稀树草原、开阔的森林和画廊森林。红色调区域表示叶绿素活性低，是退化稀树草原的特征。深红色或黑色调的区域显示植被覆盖不存在或很少，可能代表水面或矿产区。对于水或湿度指数（MNDWI、NDWI、NDMI、TCW）的解释，白色区域表示存在水，而其他色调则归因于植被和裸露表面。对于裸露土壤指数（TCB），白色区域代表裸露表面，而其他色调代表植被和水面。关于燃烧指数（MIRBI、BAI、NBR），

4.2. 烧毁面积的估计和验证

根据隶属度α对各指标和子指标进行模糊分类，区分过火面积和未过火面积。通过比较模糊结果计算分类混淆矩阵

指数内分析表明，当α接近 1 时，所有光谱指数的总体准确度都会增加，而当α接近 0 时，总体准确度会下降。这些趋势反映了一种保守的行为，即以更高的漏烧区域率为代价来减少误报。指标间分析表明，与单独对各个子指标进行分类相比，对平均指标进行分类在整体分类精度方面取得了令人满意的结果。平均指数的总体精度与从频段 8 派生的分项指数获得的结果几乎相同。因此，使用平均值指数相当于直接使用频段 8 的分项指数。但是，准确度最高（97.20%）是通过平均 NDVI (NDVI-moy) 获得的，然后是平均 SAVI

(SAVI-moy) (95.50%) 和平均 NDMI (NDMI-moy) (90.20%)，而 TCB 指数的准确度最低 (62.90%)。这些结果与 D. Stroppiana等人的结果不同。[ 27 ]，他们发现 NBR 和 CSI 指数可以更好地区分地中海地区的烧毁地区。达维德·福纳卡等人。[ 14 ]还发现NBR是最能表征中国某个地区烧毁面积的指标。刘文亮等。[ 13]发现NDVI与NBR结合时提供了良好的分类结果。造成这种情况的原因是，在像 WAR 这样的大草原地区，使用传统的火灾指数（如 NBR、BAI、MIRBI 等）很难识别过火面积，因为火灾发生后，大部分灰烬随着燃烧而消失。风。相比之下，地中海和温带地区的植被，通过传统的火灾指数很容易识别火灾痕迹。这证实了这样的想法：用于表征烧伤区域的指数的选择根据给定环境的组成部分的物理和生物特征而不同。图 5记录了根据最佳光谱指数分类得出的估计烧毁面积。

隶属度α = 1 的平均 NDVI、SAVI 和 NDMI 指数检测到的过火面积分别为 2144.38 公顷、1932.14 公顷和 4947.13 公顷。

5。结论

在这项研究中，我们着手通过利用光谱指数的潜力并采用模糊分类方法来增强对烧毁区域的了解。这种方法可以对数据进行更细致的评估，提供一系列隶属度 ( α )，从而可以对结果进行微调分析。

我们的研究结果揭示了一个一致的趋势：随着隶属度α从1下降到0，所有光谱指数的准确性逐渐下降。然而，NBR 和 BAI 这两个指数表现出了这种模式的一个有趣的例外。这些指数在α值范围内保持了准确性。

此外，我们观察到平均光谱指数，特别是 NDVI、SAVI、NDMI 和 NDWI，在分类结果方面始终优于各自的对应指标。这些平均光谱指数分别表现出 86%、85%、82% 和 81% 的显着灵敏度，证明了它们在识别烧伤区域方面的稳健性。此外，它们达到了 95%、94%、92% 和 90% 的高精度，表明这些综合指数在准确描述火灾影响区域范围方面的可靠性。

值得注意的是，这些结果虽然强调了这些平均光谱指数的效率，但与单个指数的性能没有显着差异，灵敏度范围为 79% 至 84%，准确度范围为 87% 至 93%。这表明，无论是通过指数组合还是单独使用指数，我们的方法都可以有效地有助于准确区分科特迪瓦森林火灾。

图像采集的日期（一月）和现场数据收集可能是该研究的一些限制，因为在那一天，战争中的所有丛林大火尚未完成。因此，烧伤面积可能被低估。这项研究的结果可以通过使用二月和三月初的一些图像对烧伤区域进行的其他检测来补充。

总之，这项研究的结果为该地区的火灾管理和监测提供了宝贵的见解。通过应用模糊分类和仔细选择或平均光谱指数，我们提高了烧伤区域识别的准确性和可靠性。这些结果可以极大地帮助人们了解、预测和减轻科特迪瓦和其他面临类似挑战的地区丛林大火的影响。