基于模糊集理論的單時相跨區(qū)域森林過火區(qū)遙感制圖

朱 曦，覃先林，廖 靖

(中國林業(yè)科學(xué)研究院資源信息研究所，北京 100091)

0 引言

森林過火區(qū)監(jiān)測對災(zāi)后重建和溫室氣體定量評估都非常重要。衛(wèi)星遙感技術(shù)已成為森林過火區(qū)識別的一種重要技術(shù)手段。環(huán)境減災(zāi)一號小衛(wèi)星B星(HJ－1B)中分辨率多光譜CCD相機(jī)數(shù)據(jù)具有3個可見光波段和1個近紅外波段，正常植被在近紅外波段反射率較高，在可見光部分主要吸收紅光[1];而在燃燒過后，由于葉片組織的破壞，植被被裸露的木炭和土壤代替，近紅外波段的反射率會降低，而可見光波段反射率會上升[2]。因此，在多時相的森林過火區(qū)識別中，近紅外和可見光是非常有效的波段。然而，多時相衛(wèi)星數(shù)據(jù)獲取難度大，物候、時相上的差異需要更精確的大氣校正和幾何配準(zhǔn)，而且計(jì)算量較單時相也會更大[3]。

多種研究方法曾廣泛應(yīng)用于森林過火區(qū)遙感制圖中。Henry[4]將佛羅里達(dá)作為試驗(yàn)區(qū)進(jìn)行過火區(qū)制圖研究，并對最大似然分類法與分類回歸樹法進(jìn)行了對比，結(jié)果最大似然分類法的精度比分類回歸樹法更高;Cassidy[5]在濕地的過火區(qū)制圖研究中將ISODATA的非監(jiān)督分類法加入了整個分類體系，為后期的過火區(qū)提取提供了基礎(chǔ);Petropoulos等[3]則對基于人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)方法的過火區(qū)制圖進(jìn)行了評估，該方法總體精度高達(dá)90.29%，其研究結(jié)果表明ANN在地中海地區(qū)過火區(qū)識別中具有很好的潛力。上述方法中都利用了各種基于不同波段的光譜指數(shù)[6]，然而光譜指數(shù)的優(yōu)選以及閾值的確定仍然存在一定的困難;至今，仍沒有被一致認(rèn)為是過火區(qū)識別最優(yōu)的一組或一個光譜指數(shù)，而閾值的設(shè)定又受到很多因素(火前植被狀況、火燒嚴(yán)重程度等)的影響。因此，基于硬性閾值的識別方法不夠穩(wěn)定強(qiáng)健，很可能在不同區(qū)域的精度差異非常大[7]。

針對上述問題，本文主要圍繞2個方面進(jìn)行研究:①嘗試?yán)脝螘r相遙感數(shù)據(jù)進(jìn)行過火區(qū)識別。單時相較多時相而言，遙感圖像中的水體、陰影等與過火區(qū)易混淆的區(qū)域難以區(qū)分;為解決這個問題，先將HJ－1B IRS(紅外多光譜相機(jī))數(shù)據(jù)重采樣成30 m空間分辨率，然后對過火區(qū)進(jìn)行識別。HJ－1B IRS數(shù)據(jù)具有短波紅外和熱紅外波段，短波紅外對植被水分含量非常敏感，由于火后植被水分大量減少，木炭和土壤的部分裸露會導(dǎo)致短波紅外反射率上升[8]，因此短波紅外波段數(shù)據(jù)對水體和陰影等與過火區(qū)在可見光近紅外波段易混淆的區(qū)域具有一定的識別能力[9]。另外，一些學(xué)者發(fā)現(xiàn)過火區(qū)的地表溫度(land surface temperature，LST)會有所上升，故本文也加入了LST參數(shù)，對過火區(qū)進(jìn)行評估。②采用模糊分類法進(jìn)行森林過火區(qū)制圖。其優(yōu)點(diǎn)在于使用所有可用的光譜指數(shù)，自適應(yīng)地突出不同指數(shù)的優(yōu)勢和抑制冗余信息、增強(qiáng)過火區(qū)信息，而不需要對光譜指數(shù)進(jìn)行優(yōu)選;在跨區(qū)域遙感制圖中，該方法會更加強(qiáng)健。此外，利用軟分類法，不硬性設(shè)定閾值，使用多指數(shù)隸屬度函數(shù)生成“正面信息”和“負(fù)面信息”來減少誤判，提高了識別精度[10]。

1 實(shí)驗(yàn)區(qū)與數(shù)據(jù)

1.1 實(shí)驗(yàn)區(qū)

本文選擇的實(shí)驗(yàn)區(qū)位于中國西南、華北、東北和俄羅斯等曾經(jīng)發(fā)生過森林火災(zāi)的地區(qū)，這些地區(qū)都是森林火災(zāi)的頻發(fā)區(qū)域。其中，山西陽泉、內(nèi)蒙古根河和云南安寧為訓(xùn)練樣本區(qū)域，俄羅斯斯科沃羅季諾和黑龍江遜克為驗(yàn)證樣本區(qū)域。

1.2 數(shù)據(jù)獲取與預(yù)處理

本文所使用的數(shù)據(jù)為我國環(huán)境減災(zāi)一號衛(wèi)星B星(HJ－1B)數(shù)據(jù)[11](表1)。

表1 環(huán)境減災(zāi)一號衛(wèi)星B星參數(shù)Tab.1 Parameters of HJ－1B satellite

本文實(shí)驗(yàn)區(qū)中各實(shí)驗(yàn)地點(diǎn)的遙感數(shù)據(jù)獲取情況見表2。

表2 研究區(qū)遙感數(shù)據(jù)Tab.2 Remote sensing data of research area

本文主要采用了HJ－1B CCD的4個波段和HJ－1B IRS的短波紅外(1.55 ～1.75 μm)及熱紅外(10.5 ～12.5 μm)波段數(shù)據(jù)。IRS 數(shù)據(jù)的空間分辨率較低，而CCD數(shù)據(jù)的空間分辨率較高，因此對這2種載荷數(shù)據(jù)進(jìn)行了融合處理，以達(dá)到圖像空間分辨率較高而利于森林過火區(qū)識別的目的。

對HJ－1B CCD和IRS數(shù)據(jù)分別按照其圖像頭文件提供的定標(biāo)系數(shù)進(jìn)行輻射定標(biāo)。定標(biāo)后對可見光、近紅外和短波紅外波段數(shù)據(jù)進(jìn)行了大氣校正，以消除大氣和光照等因素對地物反射的影響，獲得地物的反射率。大氣校正使用 ENVI 4.8提供的FLAASH大氣校正模塊，其中波譜響應(yīng)函數(shù)由國家資源衛(wèi)星中心提供[11]。

同一天的CCD和IRS數(shù)據(jù)由于成像條件一致，可以較好地完成幾何配準(zhǔn)。以CCD數(shù)據(jù)為參考圖像，IRS數(shù)據(jù)為待配準(zhǔn)圖像;由于CCD數(shù)據(jù)的第4波段和IRS的第1波段均為近紅外波段，圖像的地物波譜響應(yīng)較為一致，圖像具有較強(qiáng)的相似性，因此采用這2個波段自動計(jì)算匹配點(diǎn)[12]，匹配誤差小于20 m;然后對IRS數(shù)據(jù)進(jìn)行重采樣，將其空間分辨率重采樣到30 m。

2 研究方法

本文研究的方法是基于一個區(qū)域生長的過程，該過程需要一個初始“種子”像元和一個限制生長準(zhǔn)則?？傮w技術(shù)流程如圖1所示。

圖1 總體技術(shù)流程Fig.1 Flowchart of general technology

本文通過定義一系列隸屬度函數(shù)，對所有使用的光譜指數(shù)SIi和LST進(jìn)行歸一化處理，生成突出過火區(qū)的“正面信息”(PEi)和“負(fù)面信息”(NEi)，每個像元的PEi和NEi都是在[0，1]范圍內(nèi)。對于PEi，像元值越接近1表示它是過火區(qū)的可能性越大;而對于NEi，像元值越接近1表示它是非過火區(qū)的可能性越大。利用模糊集理論中不同的算子對這些PEi和NEi進(jìn)行聚合，生成聚合后的正面信息PEi′(即候選“種子”和候選邊界);然后利用聚合后的負(fù)面信息NEi′對候選“種子”和候選邊界進(jìn)行修正，提高“種子”像元選取和限制生長準(zhǔn)則邊界的精度;最后利用最終修正過的“種子”像元和生長邊界進(jìn)行區(qū)域生長，得到森林過火區(qū)的提取結(jié)果。

2.1 地表溫度反演

本文利用輻射傳輸方程法(即大氣校正法)對熱紅外波段數(shù)據(jù)進(jìn)行LST反演。其基本思路為:首先，利用與衛(wèi)星過頂時間同步的實(shí)測大氣數(shù)據(jù)來估計(jì)大氣對地表輻射的影響;其次，把這部分大氣影響從衛(wèi)星高度上傳感器所觀測到的熱輻射總量中減去，得到地表熱輻射強(qiáng)度;再通過普朗克方程將其轉(zhuǎn)化為LST(其具體計(jì)算方法見文獻(xiàn)[13]);最后，對得到LST進(jìn)行歸一化處理。所使用的輻射傳輸方程為式中:Lλ為衛(wèi)星高度上傳感器測得的輻射強(qiáng)度;τ為大氣在熱紅外波段的透過率;ε為地表輻射率;TS為地表真實(shí)溫度;B(TS)為用普朗克定律推導(dǎo)得到的黑體在TS中的熱輻射亮度;L↑和L↓分別為大氣上行和下行輻射。

2.2 光譜指數(shù)計(jì)算

模糊分類法不需要對光譜指數(shù)進(jìn)行優(yōu)選，可以通過算法本身抑制冗余信息和突出有用信息。因此，本文使用了在森林過火區(qū)遙感制圖中常用的一系列光譜指數(shù)，其計(jì)算公式和參考文獻(xiàn)見表3。

表3 本文使用的光譜指數(shù)Tab.3 Spectral indices used in this paper

2.3 隸屬度函數(shù)提取過火區(qū)信息

采用隸屬度函數(shù)[19]對過火區(qū)的正面信息PEi及負(fù)面信息NEi進(jìn)行有效提取。隸屬度函數(shù)的定義為:設(shè)Z為一個集合，Z={z};給定一個映射μA:Z→[0，1]，使得 Z中的每一個元素 z都有一個A(z)∈[0，1]與之對應(yīng)，則確定了Z中的一個模糊集合A，μA稱為模糊集合A的隸屬度函數(shù)，μA在z∈Z點(diǎn)處的值μA(z)稱為z對A的隸屬度。μA的值越接近1，則z對A的隸屬度越高。即

通過定義一系列隸屬度函數(shù)，將光譜參數(shù)轉(zhuǎn)化為值為[0，1]的PEi和NEi圖層，用于增強(qiáng)過火區(qū)的信息或非過火區(qū)的信息。PEi的定義采用了NDVI，EVI，SAVI和CSI;NEi的定義采用了NBR和LST。定義隸屬度函數(shù)有多種方法，本文采用數(shù)據(jù)統(tǒng)計(jì)驅(qū)動的方式，對每個類別選取大量樣本，根據(jù)類別的直方圖進(jìn)行隸屬度函數(shù)的定義。訓(xùn)練樣本的選擇是綜合4個訓(xùn)練區(qū)域完成的，而類別包括了過火區(qū)、陰影、水體和植被。本文選取了不同區(qū)域和不同燃燒程度的過火區(qū)訓(xùn)練樣本，以增強(qiáng)隸屬度函數(shù)的強(qiáng)健性。

2.4 模糊聚類

通過一些模糊聚類算法分別將一系列PEi和NEi圖層進(jìn)行聚類，形成所需要的候選“種子”像元、候選邊界和負(fù)面修正圖層。

1)對候選“種子”和候選邊界的聚合。采用基于模糊的有序加權(quán)平均(ordered weighting averaging，OWA)算子[20]，其定義為

設(shè) OWA:Rn→R，即

式中:w=(w1，w2，…，wn)為與函數(shù) OWA 相關(guān)聯(lián)的加權(quán)向量為(a1，a2，…，an)中第 j個大的元素，即對(a1，a2，…，an)從大到小進(jìn)行了排序，而ai與wi沒有任何關(guān)聯(lián)(wi只與集合中第i個位置有關(guān))。

有序加權(quán)向量w=(w1，w2，…，wn)可確定為

式中:μQ為模糊語義量化算子;Q為通過非遞減函數(shù)μQ得出的一個語義量化模糊集，可用來對聚合策略進(jìn)行一個語義上的定義。

圖2 “most”語義量化函數(shù)Fig.2 Linguistic relative quantifier function“most”

圖2 給出了“most”這個語義的量化函數(shù)[21]。這些函數(shù)從“most50%”到“most90%”，表示對Q中有效元素的滿意程度;這些函數(shù)都是分段函數(shù)，滿足3 個基點(diǎn):(0，0)，(x%，0)和(1，1)。x%表示提供有效正面信息的最低百分比，x值越大，聚合的語義越嚴(yán)格。為了得到滿意結(jié)果，需要有更多的圖層都對過火區(qū)具有正面增強(qiáng)。

對“種子”像元選取的要求是盡量減少誤判。因此，本文利用了非常嚴(yán)格的算子“most90%”，要求一個像元的90%信息都是增強(qiáng)過火區(qū)的正面信息時，才認(rèn)為這個像元是過火區(qū);而對于限制生長準(zhǔn)則的邊界，則選用了較為寬松的聚合算子“most50%”，即只要一個像元的50%信息是增強(qiáng)過火區(qū)的正面信息，就將這個像元?dú)w并。

2)對負(fù)面信息的聚合。為了突出非過火區(qū)像元(主要是水體和陰影)，需對正面信息進(jìn)行修正從而減少誤判。本文采用了另一種模糊算子“Max”[19]，因?yàn)橹挥凶畲蠡赝怀龇沁^火像元、進(jìn)而生成負(fù)面信息，通過負(fù)面信息修正剔除水體和陰影等易與過火像元混淆的類別，才能有效地減少誤判?！癕ax”算子加權(quán)向量W的定義為

比較式(3)和式(5)可以看出:

式中NE(negative evidence)為負(fù)面信息。

繼而可通過下式計(jì)算出修正后的“種子”像元和限制生長準(zhǔn)則邊界圖層，即

式中:cPESEED和cPEGROW分別為候選“種子”和候選邊界;rPESEED和rPEGROW分別為修正后的“種子”和限制生長準(zhǔn)則邊界圖層。

通過設(shè)定閾值在rPESEED圖層中選取過火“種子”像元，在rPEGROW圖層中進(jìn)行區(qū)域生長。生長準(zhǔn)則為只要rPEGROW像元的值大于0，則將其歸并入過火像元，直到?jīng)]有鄰域像元可以加入。

3 結(jié)果和討論

3.1 隸屬度函數(shù)定義

本文中隸屬度函數(shù)的定義是通過不同類別直方圖獲取的，圖3給出了不同類別的歸一化燃燒率(normalized burn ratio，NBR)和歸一化地表溫度(normalized LST，nLST)的直方圖。

圖3 本文所選類別直方圖Fig.3 Histograms of different classes

從圖3可以看出，過火區(qū)和水體陰影在基于可見光和近紅外的NDVI(圖3(a))和EVI(圖3(b))的直方圖中難以區(qū)分，而NBR(圖3(c))和 nLST(圖3(d))對于水體陰影等都具有很好的可分性?；诳梢姽夂徒t外的光譜指數(shù)對過火區(qū)和植被具有一定的可分性[2]，但水體和陰影等類別使用這些波段的數(shù)據(jù)就難以區(qū)分。因此，在對負(fù)面信息修正時，本文采用了NBR和nLST這2個參數(shù)。NBR應(yīng)用于過火區(qū)識別具有很長的歷史，植被燃燒后葉片的損毀導(dǎo)致水分減少，使得過火區(qū)的短波紅外反射率比水體和陰影高[5];而近紅外波段的反射率相近，因而過火區(qū)的NBR值會小于水體和陰影。很多學(xué)者也發(fā)現(xiàn)火后過火區(qū)溫度會有所上升[6]，本文加入nLST對正面信息進(jìn)行修正，由圖3可以看出，過火區(qū)的nLST比除裸地外的其他類別偏高。

3.2 “種子”像元閾值和語義量化函數(shù)選擇

對訓(xùn)練樣本區(qū)域用不同語義量化函數(shù)(包括未經(jīng)過負(fù)面信息修正的和經(jīng)過負(fù)面信息修正的語義量化函數(shù))和不同閾值提取的“種子”像元進(jìn)行了誤判評價，選擇的閾值包括[0，1]區(qū)間內(nèi)每間隔0.1的值。通過目視解譯，在原圖像中選取過火像元和非過火像元樣本作為分類參考數(shù)據(jù)，與提取的“種子”像元對比，得到誤差矩陣，從而找出誤判像元。圖4給出了3個訓(xùn)練區(qū)的誤判評價。

圖4 “種子”像元誤判Fig.4 Commission error for“seed”pixels

由圖4可以看出，3個訓(xùn)練區(qū)域在經(jīng)過負(fù)面信息修正前(空心圓點(diǎn))，“種子”像元的整體誤判率較高;隨著閾值的增大，誤判率顯著降低;閾值不變時，隨著語義量化函數(shù)從“most60%”到“most90%”，算子越來越嚴(yán)格，誤判率也顯著降低。

定量地看，未修正的算子無法滿足“種子”像元誤判率要很低的要求;經(jīng)過修正的算子誤判率與修正前的算子相比顯著降低，而閾值對經(jīng)過修正的算子影響很小(閾值即使在最寬松的0.1處，誤判率也小于10%)。對修正后的“most90%”而言，在閾值為0.5處的誤判率已經(jīng)在1%以下，因此選擇語義量化函數(shù)“most90%”和閾值0.5作為選取“種子”像元的準(zhǔn)則。修正的算子是NBR和LST隸屬度函數(shù)的聚合，這也證明了短波紅外和溫度信息對過火區(qū)提取的重要性(這2個波段大大減少了對于水體和陰影的誤判率，提高了過火區(qū)提取的精度)。

對于“種子”像元，采用的是“most90%”這個函數(shù)和0.5的閾值;而區(qū)域生長的生長準(zhǔn)則應(yīng)相對寬松，才能形成過火區(qū)的邊界，減少漏判。本文的生長準(zhǔn)則是利用量化函數(shù)“most50%”，閾值為0，即只要經(jīng)過函數(shù)“most50%”聚合并經(jīng)負(fù)面信息修正后的像元值大于0，就將其納入過火區(qū)，并作為新的“種子”像元繼續(xù)生長，直到生長結(jié)束。

3.3 精度驗(yàn)證

因?yàn)槿鄙佻F(xiàn)場實(shí)測的過火區(qū)邊界數(shù)據(jù)，得到過火區(qū)提取結(jié)果后，在原始衛(wèi)星圖像上通過目視解譯選取樣本點(diǎn)進(jìn)行了精度驗(yàn)證(分別選取了過火區(qū)和未過火區(qū)樣本各大約1 700個樣本點(diǎn)，對得到的過火區(qū)提取結(jié)果進(jìn)行精度驗(yàn)證)。圖5為過火區(qū)結(jié)果矢量邊界與B4(R)，B3(G)，B2(B)假彩色合成圖像的疊置顯示。

圖5 過火區(qū)矢量邊界與B4(R)，B3(G)，B2(B)假彩色合成圖像疊置顯示Fig.5 Overlapping display of burned area boundary and HJ image composed of B4(R)，B3(G)，B2(B)

從圖5可以看出，在所提取的過火區(qū)中，誤判非常少;而由于在“種子”像元提取階段采用了比較嚴(yán)格的語義量化函數(shù)和閾值，致使少量燃燒程度較輕的小面積過火區(qū)的孤立像元群被漏判。但從總體上看，大部分過火區(qū)都通過上述算法被成功地識別出來。表4給出了2個驗(yàn)證樣本的過火區(qū)制圖精度。

表4 過火區(qū)制圖精度Tab.4 Accuracy of burned area mapping (%)

從表4可以看出，使用本文算法可以有效地對火燒跡地進(jìn)行提取，其漏判率和誤判率都較低，過火區(qū)用戶精度和總體精度都在85%以上。該方法解決了光譜指數(shù)的優(yōu)選問題，因?yàn)闆]有一個光譜指數(shù)對所有區(qū)域或一個區(qū)域的所有像元都是最優(yōu)的;在“種子”像元選取時，采用模糊分類的算法，逐像元、自適應(yīng)地對光譜指數(shù)進(jìn)行了優(yōu)選聚合，當(dāng)只有90%的光譜指數(shù)都是突出過火區(qū)信息時，才認(rèn)為這個像元是“種子”像元，從而提高了在不同區(qū)域的適用性和強(qiáng)健性;模糊分類沒有采用一個簡單的閾值進(jìn)行硬性分類，而是通過對每個像元與類別屬性的相似度進(jìn)行分類，從而降低了使用硬性閾值劃分類別帶來的誤判或漏判。

4 結(jié)論與展望

1)以環(huán)境減災(zāi)一號小衛(wèi)星B星(HJ－1B)CCD和IRS圖像為數(shù)據(jù)源，采用模糊分類方法對森林過火區(qū)進(jìn)行提取。通過目視解譯對森林過火區(qū)提取結(jié)果進(jìn)行精度驗(yàn)證的結(jié)果表明，本文提出的方法效果較好，能夠滿足應(yīng)用需求。

2)采用加入了溫度參數(shù)的負(fù)面信息對“種子”像元和邊界圖像進(jìn)行修正，修正結(jié)果顯著降低了誤判率。在單時相的森林過火區(qū)制圖中，用可見光和近紅外波段數(shù)據(jù)難以區(qū)分水體和陰影，而過火區(qū)在溫度上高于水體和陰影，說明了溫度對過火區(qū)提取的重要性。

3)本文算法逐像元地對光譜指數(shù)進(jìn)行聚合，對不同區(qū)域的像元能夠自適應(yīng)地突出森林過火區(qū)信息并抑制冗余信息;并且模糊分類對每個像元的歸屬不采用硬性的閾值，不僅解決了不同區(qū)域參數(shù)優(yōu)選的問題，而且在一定程度上解決了閾值設(shè)置的問題。因此，從單時相制圖的角度看，本文方法能夠滿足快速、跨區(qū)域森林過火區(qū)遙感制圖的適用性和精度要求。

4)單時相數(shù)據(jù)易于獲取、計(jì)算量小，但是缺少火災(zāi)前后波段信息對比的優(yōu)勢。為了提高精度、補(bǔ)償缺陷，本文對短波紅外和熱紅外波段數(shù)據(jù)進(jìn)行了從低分辨率向高分辨率的重采樣，這樣也容易帶來幾何配準(zhǔn)和類別邊界像元?dú)w屬的誤差。對于大尺度的森林過火區(qū)遙感制圖，將CCD數(shù)據(jù)的分辨率從30 m重采樣到300 m可能是更好的選擇。

[1]Kontoes C C，Poilvé H，F(xiàn)lorsch G，et al.A comparative analysis of a fixed thresholding vs a classification tree approach for operational burn scar detection and mapping[J].International Journal of Applied Earth Observation and Geoinformation，2009，11(5):299－316.

[2]Smith A M S，Drake N A，Wooster M J，et al.Production of Landsat ETM+reference imagery of burned areas within Southern African savannahs:Comparison of methods and application to MODIS[J].International Journal of Remote Sensing，2007，28(12):2753－2775.

[3]Petropoulos G P，Vadrevu K P，Xanthopoulos G，et al.A comparison of spectral angle mapper and artificial neural network classifiers combined with Landsat TM imagery analysis for obtaining burnt area mapping[J].Sensors，2010，10(3):1967－ 1985.

[4]Henry M C.Comparison of single－ and multi－ date Landsat data for mapping wildfire scars in Ocala National Forest，F(xiàn)lorida[J].Photogrammetric Engineering and Remote Sensing，2008，74(7):881－891.

[5]Cassidy L.Mapping the annual area burned in the wetlands of the Okavango panhandle using a hierarchical classification approach[J].Wetlands Ecology Management，2007，15(4):253－ 268.

[6]Fraser R H，Li Z，Cihlar J.Hotspot and NDVI differencing synergy(HANDS):A new technique for burned area mapping over boreal forest[J].Remote Sensing of Environment，2000，74(3):362－376.

[7]Stroppiana D，Bordogna G，Carrara P，et al.A method for extracting burned areas from Landsat TM/ETM+images by soft aggregation of multiple spectral indices and a region growing algorithm[J].ISPRS Journal of Photogrammetry and Remote Sensing，2012，69:88－102.

[8]Veraverbeke S，Harris S，Hook S.Evaluating spectral indices for burned area discrimination using MODIS/ASTER(MASTER)airborne simulator data[J].Remote Sensing of Environment，2011，115(10):2702－2709.

[9]Bastarrika A，Chuvieco E，Martín M P.Mapping burned areas from Landsat TM/ETM+data with a two－phase algorithm:Balancing omission and commission errors[J].Remote Sensing of Environment，2011，115(4):1003－1012.

[10]Stroppiana D，Bordogna G，Carrara P，et al.Positive and negative information for assessing and revising scores of burn evidence[J].IEEE Geoscience and Remote Sensing Letters，2012，9(3):363－367.

[11]中國資源衛(wèi)星應(yīng)用中心.HJ衛(wèi)星參數(shù)介紹[EB/OL].[2009].http://www.cresda.com/n16/index.html.China Centre for Resources Satellite Data and Application.HJCCD sensor technical specifications[EB/OL].[2009].http://www.cresda.com/n16/index.html.

[12]熊文成，魏 武，孫中平，等.基于環(huán)境一號衛(wèi)星B星CCD與紅外相機(jī)融合的澳洲火災(zāi)監(jiān)測[J].遙感技術(shù)與應(yīng)用，2010，25(2):178－182.Xiong W C，Wei W，Sun Z P，et al.Australian forest fire disaster monitoring based on CCD and IRS data of HJ－1－ B[J].Remote Sensing Technology and Application，2010，25(2):178－182.

[13]丁 鳳，徐涵秋.TM熱波段圖像的地表溫度反演算法與實(shí)驗(yàn)分析[J].地球信息科學(xué)，2006，8(3):125－130.Ding F，Xu H Q.Comparison of two new algorithms for retrieving land surface temperature from Landsat TM thermal band[J].Geo－ Information Science，2006，8(3):125－130.

[14]Rouse J W，Haas R H，Schell J A，et al.Monitoring vegetation systems in the Great Plains with ERTS[C].Proc.Third ERTS Symposium，1973，NASA SP－351，1:309－317.

[15]Huete A，Didan K，Miura T，et al.Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J].Remote Sensing of Environment，2002，83(2):195－213.

[16]Huete A.A soil－ adjusted vegetation index(SAVI)[J].Remote Sensing of Environment，1998，25(3):295－309.

[17]Smith A M S，Wooster M J，Drake N A，et al.Testing the potential of multi－spectral remote sensing for retrospectively estimating fire severity in African savanna hs[J].Remote Sensing of Environment，2005，97(1):92－115.

[18]Key C H，Benson N C.Measuring and remote sensing of burn severity[C]//Neuenschwander L F，Ryan K C.(Eds.)Proc.Joint Fire Science Conference and Workshop，1999，2:15－17.

[19]畢 翔，韓江洪，劉征宇.基于多特征相似性融合的隸屬度函數(shù)研究[J].電子測量與儀器學(xué)報(bào)，2011，25(10):835－841.Bi X，Han J H，Liu Z Y.Research of membership function based on fusion of multi－ feature similarity[J].Journal of Electronic Measurement and Instrument，2011，25(10):835－841.

[20]Yager R R.On ordered weighted averaging aggregation operators in multi－ criteria decision making[J].IEEE Transactions on Systems，Man，and Cybernetics，1988，18(1):183－190.

[21]Yager R R.Families of OWA operators[J].Fuzzy Sets and Systems，1993，59(2):125－148.