全 文 ：基于 Ｌａｎｄｓａｔ ８影像的不同燃烧指数在
农田秸秆焚烧区域识别中的应用∗
马建行１，２　 宋开山１∗∗　 温志丹１　 邵田田１，２　 李博男１　 祁　 财３
（ １中国科学院东北地理与农业生态研究所， 长春 １３０１０２； ２中国科学院大学， 北京 １０００４９； ３包头师范学院资源与环境学院，
内蒙古包头 ０１４０３０）
摘　 要　 农田秸秆焚烧造成秸秆资源的巨大浪费和大气环境的污染，利用热红外波段识别火
点的方法可以实时、快速地获取焚烧情况，但是不能提供秸秆焚烧的面积、范围等详细的空间
分布情况，也不能确定焚烧的严重程度．利用已燃烧与未燃烧区域的光谱差异选择某些波段
构建燃烧指数的方法在森林火灾研究中得到了广泛应用，但是这些指数在农田秸秆焚烧中的
潜在应用没有被研究．本文基于松嫩平原地区的两景 Ｌａｎｄｓａｔ ８ 卫星影像，采用归一化燃烧率
（ＮＢＲ）、引入热红外波段的归一化燃烧率（ＮＢＲＴ）、燃烧面积指数（ＢＡＩ）３ 种燃烧指数对农田
秸秆焚烧和未焚烧区域进行提取，并与秸秆覆盖度进行相关分析．结果表明：ＮＢＲ、ＮＢＲＴ 和
ＢＡＩ指数对焚烧和未焚烧区域的分类精度分别为 ９１．９％、９２．３％、８７．８％，ＮＢＲ、ＮＢＲＴ与覆盖度
呈线性相关，Ｒ２分别为 ０．７３、０．６４，ＢＡＩ 与覆盖度呈幂指数相关关系，Ｒ２为 ０．６８．燃烧指数方法
可以在农田秸秆焚烧中得到很好的应用，可定量评估秸秆燃烧程度，为大气环境评价提供技
术与数据支持．
关键词　 燃烧指数； 遥感； 农田秸秆； Ｌａｎｄｓａｔ ８
∗中国科学院重点部署项目（ＫＺＺＤ⁃ＥＷ⁃ＴＺ⁃１６⁃１）资助．
∗∗通讯作者． Ｅ⁃ｍａｉｌ： ｓｏｎｇｋｓ＠ ｉｇａ．ａｃ．ｃｎ
２０１５⁃０２⁃０６收稿，２０１５⁃０８⁃２４接受．
文章编号　 １００１－９３３２（２０１５）１１－３４５１－０６　 中图分类号　 Ｘ３７　 文献标识码　 Ａ
Ｑｕａｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｃｒｏｐ ｒｅｓｉｄｕｅ ｂｕｒｎｅｄ ａｒｅａｓ ｂａｓｅｄ ｏｎ ｂｕｒｎｉｎｇ ｉｎｄｉｃｅｓ ｕｓｉｎｇ Ｌａｎｄｓａｔ ８ ｉｍａｇｅ．
ＭＡ Ｊｉａｎ⁃ｈａｎｇ１，２， ＳＯＮＧ Ｋａｉ⁃ｓｈａｎ１， ＷＥＮ Ｚｈｉ⁃ｄａｎ１， ＳＨＡＯ Ｔｉａｎ⁃ｔｉａｎ１，２， ＬＩ Ｂｏ⁃ｎａｎ１， ＱＩ Ｃａｉ３
（ １Ｎｏｒｔｈｅａｓｔ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｇｅｏｇｒａｐｈｙ ａｎｄ Ａｇｒｏｅｃｏｌｏｇｙ， Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， Ｃｈａｎｇｃｈｕｎ
１３０１０２， Ｃｈｉｎａ； ２Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， Ｂｅｉｊｉｎｇ １０００４９， Ｃｈｉｎａ； ３Ｆａｃｕｌｔｙ ｏｆ
Ｒｅｓｏｕｒｃｅ ａｎｄ Ｅｎｖｉｒｏｎｍｅｎｔ， Ｂａｏｔｏｕ Ｔｅａｃｈｅｒｓ Ｃｏｌｌｅｇｅ， Ｂａｏｔｏｕ ０１４０３０， Ｉｎｎｅｒ Ｍｏｎｇｏｌｉａ， Ｃｈｉｎａ） ．
⁃Ｃｈｉｎ． Ｊ． Ａｐｐｌ． Ｅｃｏｌ．， ２０１５， ２６（１１）： ３４５１－３４５６．
Ａｂｓｔｒａｃｔ： Ｃｒｏｐ ｒｅｓｉｄｕｅ ｂｕｒｎｉｎｇ ｌｅａｄｓ ｔｏ ａｔｍｏｓｐｈｅｒｉｃ ｐｏｌｌｕｔｉｏｎ ａｎｄ ｉｓ ａｎ ｅｎｏｒｍｏｕｓ ｗａｓｔｅ ｏｆ ｃｒｏｐ
ｒｅｓｉｄｕｅ ｒｅｓｏｕｒｃｅ． Ｃｒｏｐ ｒｅｓｉｄｕｅ ｂｕｒｎｉｎｇ ｃａｎ ｂｅ ｍｏｎｉｔｏｒｅｄ ｔｉｍｅｌｙ ｉｎ ｌａｒｇｅ ｒｅｇｉｏｎｓ ａｓ ｔｈｅ ｆｉｒｅ ｐｏｉｎｔｓ
ｃａｎ ｂｅ ｒｅｃｏｇｎｉｚｅｄ ｔｈｒｏｕｇｈ ｒｅｍｏｔｅｌｙ ｓｅｎｓｅｄ ｉｍａｇｅ ｖｉａ ｔｈｅｒｍａｌ ｉｎｆｒａｒｅｄ ｂａｎｄｓ． Ｈｏｗｅｖｅｒ， ｔｈｅ ａｒｅａ，
ｔｈｅ ｄｅｔａｉｌｅｄ ｄｉｓｔｒｉｂｕｔｉｏｎ ｐａｔｔｅｒｎ ａｎｄ ｅｓｐｅｃｉａｌｌｙ ｔｈｅ ｓｅｖｅｒｉｔｙ ｏｆ ｔｈｅ ｂｕｒｎｉｎｇ ａｒｅａｓ ｃａｎｎｏｔ ｂｅ ｄｅｒｉｖｅｄ
ｏｎｌｙ ｂｙ ｔｈｅ ｔｈｅｒｍａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ａｐｐｒｏａｃｈ． Ｔｈｅ ｂｕｒｎｉｎｇ ｉｎｄｅｘ， ｗｈｉｃｈ ｗａｓ ｃａｌｃｕｌａｔｅｄ ｗｉｔｈ ｔｗｏ ｏｒ
ｍｏｒｅ ｓｐｅｃｔｒａｌ ｂａｎｄｓ ａｔ ｗｈｅｒｅ ｔｈｅ ｂｕｒｎｅｄ ａｎｄ ｕｎｂｕｒｎｅｄ ａｒｅａｓ ｈａｖｅ ｄｉｓｔｉｎｃｔ ｓｐｅｃｔｒａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，
ｉｓ ｗｉｄｅｌｙ ｕｓｅｄ ｉｎ ｔｈｅ ｆｏｒｅｓｔ ｆｉｒｅ ｉｎｖｅｓｔｉｇａｔｉｏｎ． Ｈｏｗｅｖｅｒ ｉｔｓ ｐｏｔｅｎｔｉａｌ ａｐｐｌｉｃａｔｉｏｎ ｆｏｒ ｃｒｏｐ ｒｅｓｉｄｕｅ ｂｕｒｎ⁃
ｉｎｇ ｅｖａｌｕａｔｉｏｎ ｈａｓ ｎｏｔ ｂｅｅｎ ｅｘｐｌｏｒｅｄ． Ｗｉｔｈ ｔｗｏ Ｌａｎｄｓａｔ ８ ｉｍａｇｅｓ ｔｈａｔ ｃｏｖｅｒ ａ ｐａｒｔ ｏｆ ｔｈｅ Ｓｏｎｇｎｅｎ
Ｐｌａｉｎ， ｔｈｒｅｅ ｂｕｒｎｉｎｇ ｉｎｄｉｃｅｓ， ｉ．ｅ．， ｔｈｅ ｎｏｒｍａｌｉｚｅｄ ｂｕｒｎｅｄ ｒａｔｉｏ （ＮＢＲ）， ｔｈｅ ｎｏｒｍａｌｉｚｅｄ ｂｕｒｎｅｄ ｒａ⁃
ｔｉｏ ｉｎｃｏｒｐｏｒａｔｉｎｇ ｔｈｅ ｔｈｅｒｍａｌ ｂａｎｄ （ＮＢＲＴ）， ａｎｄ ｔｈｅ ｂｕｒｎｅｄ ａｒｅａ ｉｎｄｅｘ （ＢＡＩ）， ｗｅｒｅ ｕｓｅｄ ｔｏ ｃｌａｓ⁃
ｓｉｆｙ ｔｈｅ ｃｒｏｐ ｒｅｓｉｄｕｅ ｂｕｒｎｅｄ ａｎｄ ｕｎｂｕｒｎｅｄ ａｒｅａｓ． Ｔｈｅ ｏｖｅｒａｌｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｉｅｓ ｗｅｒｅ ９１．９％，
９２．３％， ａｎｄ ８７．８％， ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｔｈｅ ｃｏｒｒｅｌａｔｉｏｎ ａｎａｌｙｓｉｓ ｂｅｔｗｅｅｎ ｔｈｅ ｉｎｄｉｃｅｓ ａｎｄ ｔｈｅ ｃｒｏｐ ｒｅｓｉｄｕｅ
ｃｏｖｅｒａｇｅ ｉｎｄｉｃａｔｅｄ ｔｈａｔ ｔｈｅ ＮＢＲ ａｎｄ ＮＢＲＴ ｗｅｒｅ ｐｏｓｉｔｉｖｅｌｙ ｃｏｒｒｅｌａｔｅｄ ｗｉｔｈ ｔｈｅ ｃｒｏｐ ｒｅｓｉｄｕｅ ｃｏｖｅｒａｇｅ
（Ｒ２ ＝ ０．７３ ａｎｄ ０．６４， ｒｅｓｐｅｃｔｉｖｅｌｙ） ｗｉｔｈ ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌｓ， ｗｈｉｌｅ ｔｈｅ ＢＡＩ ｗａｓ ｅｘｐｏｎｅｎｔｉａｌｌｙ
ｃｏｒｒｅｌａｔｅｄ ｗｉｔｈ ｔｈｅ ｃｒｏｐ ｒｅｓｉｄｕｅ ｃｏｖｅｒａｇｅ （Ｒ２ ＝ ０．６８）． Ｔｈｅ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅｄ ｔｈａｔ ｔｈｅ ｕｓｅ ｏｆ ｂｕｒｎｉｎｇ
ｉｎｄｉｃｅｓ ｉｎ ｃｒｏｐ ｒｅｓｉｄｕｅ ｂｕｒｎｉｎｇ ｍｏｎｉｔｏｒｉｎｇ ｃｏｕｌｄ ｑｕａｎｔｉｆｙ ｃｒｏｐ ｒｅｓｉｄｕｅ ｂｕｒｎｉｎｇ ｓｅｖｅｒｉｔｙ ａｎｄ ｐｒｏｖｉｄｅ
ｖａｌｕａｂｌｅ ｄａｔａ ｆｏｒ ｅｖａｌｕａｔｉｎｇ ａｔｍｏｓｐｈｅｒｉｃ ｐｏｌｌｕｔｉｏｎ．
Ｋｅｙ ｗｏｒｄｓ： ｂｕｒｎｉｎｇ ｉｎｄｅｘ； ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ； ｃｒｏｐ ｒｅｓｉｄｕｅ； Ｌａｎｄｓａｔ ８．
应 用 生 态 学 报　 ２０１５年 １１月　 第 ２６卷　 第 １１期　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　
Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， Ｎｏｖ． ２０１５， ２６（１１）： ３４５１－３４５６
　 　 我国很多地区都存在秸秆露天焚烧的情况，秸秆
焚烧会对农田生态系统、环境、社会带来很多危害［１］ ．
有效、快速地监测农田秸秆焚烧情况进而控制秸秆焚
烧具有重要意义．秸秆焚烧具有随机性和分散性，依
靠传统的人力排查的方法较难取得很好的效果，特别
是对于大区域．卫星遥感以其大尺度、时效性等优点
在农田秸秆焚烧监测中发挥了重要作用．
遥感监测秸秆焚烧的技术已发展得很成熟［２－４］ ．
其监测方法一般是利用气象卫星的热红外通道对火
点进行识别来达到监测目的［５］，使用的数据多为
ＭＯＤＩＳ数据，因为 ＭＯＤＩＳ 数据空间覆盖范围广、时
效性强．刘婷等［６］利用 ２００８ 年 ５ 月 ２９ 日至 ６ 月 １４
日的 ＭＯＤＩＳ数据对河南省小麦主产区的秸秆焚烧
进行监测，得到了火点的空间分布情况．厉青等［７］分
析了 ２００７年 ６月全国的秸秆焚烧火点分布，得出华
北平原是秸秆焚烧的集中区域，并将火点分布与空
气质量进行对比分析，指出秸秆焚烧对空气质量有
一定影响．何立明等［８］利用 ２００２—２００５ 年的 ＭＯＤＩＳ
火点数据产品分析了我国秸秆焚烧状况的时空分布
规律，得出焚烧最为严重的地区集中在淮河流域．通
过火点监测可以得到秸秆焚烧的空间分布状况，但
是这种方法也存在一些问题，一方面它在区分固有
热源如钢铁厂、热电厂与农田火点时存在一些困
难［９］；另一方面它不能得到秸秆焚烧的面积以及焚
烧的严重程度．国外学者在研究森林火灾时发现，过
火后的地物光谱特征会发生变化，利用一些波段组
合进行计算可以突出过火区域，提出了一些识别过
火区域的指数，包括归一化燃烧率（ｎｏｒｍａｌｉｚｅｄ ｂｕｒｎ
ｒａｔｉｏ，ＮＢＲ） ［１０］、燃烧面积指数（ ｂｕｒｎｅｄ ａｒｅａ ｉｎｄｅｘ，
ＢＡＩ） ［１１］等．国内外利用指数法进行森林火灾的研究
都比较多［１２－１５］，但是进行农田秸秆焚烧的研究较
少．为此，本研究使用两景 Ｌａｎｄｓａｔ ８ 卫星的 ＯＬＩ 及
ＴＩＲＳ影像，利用燃烧指数法对松嫩平原秸秆焚烧较
为严重的地区进行研究，采用 ＮＢＲ、ＮＢＲＴ、ＢＡＩ指数
和监督分类方法对秸秆焚烧区域与未焚烧区域进行
区分，并将分类精度进行对比，另外，结合野外调查
时估算的秸秆覆盖度数据，研究 ３ 种指数与农田秸
秆焚烧程度之间的相关性．
１　 研究地区与研究方法
１􀆰 １　 研究区概况
研究区位于吉林省长春市至黑龙江省绥化市之
间，被两景 Ｌａｎｄｓａｔ ８ 影像覆盖，行列号分别为 １１８⁃
０２８、１１８⁃０２９，具体位置如图１．研究区属于松嫩平
图 １　 研究区位置
Ｆｉｇ．１　 Ｌｏｃａｔｉｏｎ ｏｆ ｓｔｕｄｙ ａｒｅａ．
Ⅰ： 未焚烧 Ｕｎｂｕｒｎｅｄ；Ⅱ： 已焚烧 Ｂｕｒｎｅｄ．下同 Ｔｈｅ ｓａｍｅ ｂｅｌｏｗ． Ｂａｎｄ＿５、
Ｂａｎｄ＿４、Ｂａｎｄ＿３分别代表 ＯＬＩ传感器的 ５、４、３波段 Ｂａｎｄ＿５， Ｂａｎｄ＿４，
ａｎｄ Ｂａｎｄ＿３ ｒｅｐｒｅｓｅｎｔｅｄ ｂａｎｄｓ ５， ４， ａｎｄ ３ ｏｆ ｓｅｎｓｏｒ ＯＬＩ， ｒｅｓｐｅｃｔｉｖｅｌｙ．
原，松嫩平原是东北三大平原（三江平原、辽河平原和
松嫩平原）之一，是春玉米的主要分布区，玉米种植面
积占耕地面积的 ８０％左右［１６］ ．玉米一般每年 １０月成
熟收获，因而与华北平原等地的冬小麦秸秆焚烧时间
不同，其秸秆焚烧时间一般在 １０月底、１１月初．
１􀆰 ２　 数据获取
研究所用 Ｌａｎｄｓａｔ ８ 卫星影像从 ＵＳＧＳ 网站获
得，成像时间为 ２０１４ 年 １１ 月 ４ 日，受云影响小．从
图 １中可以看出已焚烧区域及正在焚烧的火点，已
焚烧的面积很大，但火点仅仅反映了正在燃烧的点
的信息．
２０１４年 １０月 ３１日至 １１ 月 ６ 日对影像覆盖区
域秸秆焚烧情况进行野外调查，调查过程中利用
ＧＰＳ进行点位记录，同时记录各点秸秆是否已经焚
烧．部分采样点利用样线法［１７］进行了秸秆覆盖度的
粗略估算，具体方法是沿与田垄呈近似 ４５°的角度
走 １００步，约 ２９．８ ｍ，根据脚步踩到秸秆的情况记录
脚步完全踩满秸秆的步数，将该步数与总步数的比
值记为秸秆覆盖度．这里估算的覆盖度近似为秸秆
覆盖面积与总面积（覆盖面积与未覆盖面积之和）
的比值，估算覆盖度的点包括未焚烧点和已焚烧点，
已焚烧点只计算农田中散落的未被焚烧的秸秆．由
于野外调查时间与影像成像时间不完全同步，部分
采样点在这期间会发生变化，因而需要参照影像进
行修改或剔除．最终可用采样点共 ２４６ 个，其中，已
焚烧过的点数 １２１个、未焚烧点数 １２５个，利用这些
采样点作为真实值对分类精度进行评价．
２５４３ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
１􀆰 ３　 研究方法
森林火灾发生后，过火区域因为植被遭到破坏，
光谱不再具有健康绿色植被的特征，近红外波段反
射率下降，在短波红外波段由于缺少植被冠层覆盖，
降低了湿度，反射率有所增加［１８］；而健康绿色植被
在短波红外波段因为叶片水分的吸收作用常形成吸
收谷．过火区域和未过火区域在近红外和短波红外
两个波段形成明显差异，因而常用这两个波段构建
指数来突出过火区域．由于过火区域的亮度温度有
所增加，因此也有研究将热红外波段加入进来构建
指数．
本文通过对比遥感影像上秸秆未焚烧和已焚烧
区域的光谱特征发现，其光谱特征变化也具有相似
的特点．从图 ２可以看出，已焚烧区域反射率明显低
于未焚烧区域，在近红外波段这种差异最大，但是在
短波红外波段的变化不太明显，与上述特征不太一
致，可能是因为玉米在成熟时叶片含水量已经很低，
因而焚烧前后的含水量变化不大，导致短波红外波
段的反射率变化不太明显．由于近红外波段焚烧前
后差异较大，因而本文仍采用已有研究中提出的归
一化燃烧率（ＮＢＲ）、引入热红外波段的归一化燃烧
率（ＮＢＲＴ）、燃烧面积指数（ＢＡＩ）３ 种指数来研究农
田秸秆焚烧．
　 　 归一化燃烧率（ＮＢＲ） ［１０］计算公式如下：
ＮＢＲ＝（ＮＩＲ－ＳＷＩＲ） ／ （ＮＩＲ＋ＳＷＩＲ） （１）
式中：ＮＩＲ、ＳＷＩＲ 分别为近红外和短波红外的反射
率，即 Ｌａｎｄｓａｔ ８ ＯＬＩ 第 ５、７ 波段，中心波长分别为
０􀆰 ８６和 ２．２ μｍ．ＮＢＲ类似归一化植被指数（ＮＤＶＩ），
取值范围在－１～ １，焚烧过的区域一般为负值，未焚
烧区域一般为正值．
引入热红外波段的归一化燃烧率（ＮＢＲＴ）计算
公式如下：
图 ２　 焚烧与未焚烧秸秆的图像光谱
Ｆｉｇ．２　 Ｓｐｅｃｔｒａｌ ｃｕｒｖｅｓ ｏｆ ｔｈｅ ｂｕｒｎｅｄ ａｎｄ ｕｎｂｕｒｎｅｄ ｃｒｏｐ ｒｅｓｉ⁃
ｄｕｅ．
　 　 ＮＢＲＴ＝ＮＩＲ
－（ＳＷＩＲ·ＴＩＲ）
ＮＩＲ＋（ＳＷＩＲ·ＴＩＲ）
（２）
式中：ＴＩＲ为亮度温度．由于已焚烧区域的亮度温度
（ｂｒｉｇｈｔｎｅｓｓ ｔｅｍｐｅｒａｔｕｒｅ）会有所增加，因此可引入热
红外波段来构建指数．Ｈｏｌｄｅｎ等［１９］指出，ＮＢＲＴ对已
焚烧区与未焚烧区有较好的区分能力．因为 Ｌａｎｄｓａｔ
８有 ２ 个热红外波段，因此本文将 ２ 个热红外波段
定标为亮度温度值后取平均并线性拉伸到 ０ ～ １ 的
范围内，然后参与指数的构建．
燃烧面积指数（ＢＡＩ） ［１１］计算公式如下：
ＢＡＩ＝ １ ／ ［（０．１－Ｒｅｄ） ２＋（０．０６－ＮＩＲ） ２］ （３）
式中：Ｒｅｄ、ＮＩＲ分别为红光、近红外波段的反射率．
ＢＡＩ对烧焦的地物有较好的区分能力，对于焚烧和
未焚烧区域，其值都大于 ０，未焚烧区域的取值小，
焚烧程度越严重、取值越大．Ｃｈｕｖｉｅｃｏ等［２０］将该指数
与 ＮＤＶＩ、土壤调整植被指数（ＳＡＶＩ）、全球环境监测
指数（ＧＥＭＩ）对比发现，ＢＡＩ对于焚烧过的区域有最
明显的区分．
１􀆰 ４　 数据处理
数据处理过程主要分为 ３ 步．第一步对遥感影
像进行辐射定标、镶嵌、大气校正等预处理，然后将
红光、近红外、短波红外、热红外波段线性拉伸至 ０～
１的范围内，用于上述 ３种指数的计算．其中，热红外
波段定标成亮度温度，大气校正采用 ＥＮＶＩ 中的快
速大气校正模块（ＱＵＡＣ）．
第二步通过阈值区分已焚烧与未焚烧区域．针
对 ３种指数，采用不同的阈值确定方法．ＮＢＲ指数采
用文献［２１－２２］中介绍的最小类内方差法阈值确定
方法，该方法认为要区分的两个类别各自的像元值
应该比较均匀，即各类的类内方差较小，它们的方差
和也较小，并考虑每一类各自占的比例，以比例为权
重，将加权方差和最小时的像元值定为阈值；ＮＢＲＴ
指数直接将 ０作为阈值；因为已焚烧和未焚烧区域
的 ＢＡＩ值均为正值，所以其阈值确定较为麻烦，本
文先参考原始影像对已焚烧和未焚烧区域分别选取
感兴趣区域（ＲＯＩ），每一类均选取约 ７００ 个点，然后
统计各类 ＢＡＩ 指数的均值和方差，利用式（４）计算
阈值，李均力等［２３］利用归一化水体指数（ＮＤＷＩ）进
行水体提取时曾用该阈值确定方法进行阈值确定．
Ｔ＝（μ１·σ２－μ２·σ２） ／ （μ１＋μ２） （４）
式中：μ１、μ２分别为类别 １、２的均值；σ１、σ２分别为类
别 １、２的方差．最终 ＮＢＲ、ＮＢＲＴ、ＢＡＩ 确定的阈值分
别为－０．０９０５６、０、１５．５２．
利用阈值将各指数分为两类，然后利用采样点
３５４３１１期　 　 　 　 　 　 马建行等： 基于 Ｌａｎｄｓａｔ８影像的不同燃烧指数在农田秸秆焚烧区域识别中的应用　 　 　 　
表 １　 各方法分类精度
Ｔａｂｌｅ １　 Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ ｏｆ ｄｉｆｆｅｒｅｎｔ ｍｅｔｈｏｄｓ
阈值
Ｔｈｒｅｓｈｏｌｄ
总体精度
Ｔｏｔａｌ
ａｃｃｕｒａｃｙ
（％）
Ｋａｐｐａ系数
Ｋａｐｐａ
ｃｏｅｆｆｉｃｉｅｎｔ
归一化燃烧率 ＮＢＲ －０．９１ ９１．９ ０．８３７６
引入热红外波段的归一化燃烧率 ＮＢＲＴ ０ ９２．３ ０．８４５５
燃烧面积指数 ＢＡＩ １５．５２ ８７．８ ０．７６００
最大似然监督分类
Ｍａｘｉｍｕｍ ｌｉｋｅｌｉｈｏｏｄ ｓｕｐｅｒｖｉｓｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ
－ ９３．９ ０．８７８０
进行精度验证．因为 ＢＡＩ 指数确定阈值时选取了
ＲＯＩ，故将这些 ＲＯＩ 作为训练样本采用最大似然法
进行监督分类，分成已焚烧和未焚烧两类，最终对比
这 ４种分类方法的分类精度．
第三步利用采样时估计的秸秆覆盖度与 ３种指
数进行相关性分析．由于焚烧严重程度不一样，焚烧
程度严重时秸秆燃烧的量大，秸秆的覆盖度就低，秸
秆覆盖度可以在一定程度上反映秸秆焚烧的严重程
度，通过 ＳＰＳＳ 软件对焚烧指数和秸秆覆盖度进行
回归分析，可以确定不同指数是否能反映焚烧的严
重程度．
２　 结果与分析
２􀆰 １　 不同指数区分已焚烧和未焚烧区域的精度比较
从图 ３ 可以看出，ＢＡＩ 指数提取的已焚烧区域
与其他 ３种方法差异很大，这是因为该指数对于焚
烧严重的区域有比较强的突出作用，而对焚烧程度
一般的地区不易与未焚烧地区进行区分． Ｃｈｕｖｉｅｃｏ
等［２０］指出，ＢＡＩ 更能反映碳信号的特征，突出烧焦
的区域，即秸秆烧成灰烬的情况，这一点也反映在
ＢＡＩ指数的数值上，未焚烧区域的 ＢＡＩ 指数值一般
在 １０左右或者更小，焚烧程度一般的区域值一般在
２０左右，且与未焚烧区域的区分不是很明显，而焚
烧比较重的区域值迅速增长到 １００ 左右或者更高．
ＮＢＲ、ＮＢＲＴ、监督分类 ３ 种方法的分类结果差异较
小，且已焚烧区域空间分布比较一致，主要分布在长
春市至哈尔滨市之间的地区．
以野外采样点为真实值分析各方法的精度（表
１）表明，各分类方法精度均很高，其中，监督分类方
法精度最高，ＢＡＩ精度最低．监督分类的精度高与其
利用所有波段且根据训练样本的统计特征进行分类
有关，但是该方法需要选取训练样本且计算量相对
指数法要大．ＢＡＩ 指数精度低的原因是有较多的已
焚烧点被分成了未焚烧点，其中 １２１ 个已焚烧点有
２４个被错分，而 １２５ 个未焚烧点只有 ６ 个被错分，
导致精度较低．这是因为对于焚烧程度较轻的区域，
其 ＢＡＩ值与未焚烧区域接近，通过阈值进行分割不
容易进行区分，从而导致已焚烧点被错分为未焚烧
点，这也说明在分类图像上，利用 ＢＡＩ 指数提取的已
焚烧区域小于其他 ３种方法．由于上述方法只区分了
已焚烧和未焚烧的区域，未考虑其他类型的地物，若
要获得真正农田中已焚烧和未焚烧的面积，需要利用
已有的土地利用数据与分类结果进行叠加分析．
２􀆰 ２　 不同指数与秸秆覆盖度间的关系
利用野外采样时估算的秸秆覆盖度与各指数值
进行相关分析，确定指数值与覆盖度的关系．可以利
用这些关系进行秸秆覆盖度的反演，并且利用指数
值反映秸秆焚烧的严重程度．
从图 ４可以看出，ＮＢＲ 和 ＮＢＲＴ 与覆盖度呈线
性相关关系，这两个指数值越小焚烧程度越严重；
ＢＡＩ指数与覆盖度呈非线性相关关系，且指数值越
大焚烧程度越严重．ＮＢＲ与覆盖度的相关性最好，Ｒ２
达到 ０．７３．ＢＡＩ采用幂指数形式进行拟合的 Ｒ２较高，
图 ３　 基于不同方法的秸秆焚烧分类
Ｆｉｇ．３　 Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｂｕｒｎｅｄ ａｎｄ ｕｎｂｕｒｎｅｄ ａｒｅａｓ ｂａｓｅｄ ｏｎ ｄｉｆｆｅｒｅｎｔ ｍｅｔｈｏｄｓ．
ａ）归一化燃烧率 ＮＢＲ； ｂ）引入热红外波段的归一化燃烧率 ＮＢＲＴ； ｃ）燃烧面积指数 ＢＡＩ； ｄ）最大似然监督分类 Ｍａｘｉｍｕｍ ｌｉｋｅｌｉｈｏｏｄ ｓｕｐｅｒｖｉｓｅｄ
ｃｌａｓｓｉｆｉｃａｔｉｏｎ． 下同 Ｔｈｅ ｓａｍｅ ｂｅｌｏｗ．
４５４３ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
图 ４　 基于不同光谱指数的秸秆覆盖度遥感反演模型
Ｆｉｇ．４　 Ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌｓ ｂａｓｅｄ ｏｎ ｖａｒｉｏｕｓ ｓｐｅｃｔｒａｌ ｉｎｄｉｃｅｓ ｆｏｒ ｃｒｏｐ ｒｅｓｉｄｕａｌ ｃｏｖｅｒａｇｅ．
这种关系表明其对于焚烧程度严重的区域，秸秆覆
盖度有微小的减小就会导致指数值巨大的增加，但
是对于未焚烧区域和焚烧较轻的区域，秸秆覆盖度
的变化对指数值的变化影响很小，即该指数不容易
区分未焚烧和焚烧较轻的区域，却能放大焚烧程度
严重区域之间的细小差别，这也说明了其容易将焚
烧较轻的区域错分成未焚烧区域的原因．由于 ＢＡＩ
指数只用了红光和近红外波段，对于没有短波红外
波段的遥感数据如 ＨＪ卫星、高分 １号卫星等也可以
应用，因此其应用范围比 ＮＢＲ、ＮＢＲＴ广．
将指数与覆盖度之间的关系应用于图像，可以
得到区域秸秆覆盖度的空间分布情况，进而反映不
同地方的秸秆焚烧严重程度．本文利用 ＮＢＲ、ＮＢＲＴ
与覆盖度的关系计算了研究区的秸秆覆盖度，然后
选取图 １中所示的小区域进行分析．
　 　 从图 ５可以看出，两个指数反演出来的秸秆覆
盖度空间分布比较一致．上述小区域为 １０００×１０００
个像素的一块区域，为了定量比较两个指数反演结
果的差异，从图像上任意选取了一列，即图 １红线所
示位置，用于比较两个指数反演的覆盖度是否一致，
以像素位置为横坐标，覆盖度为纵坐标制图（图 ６）．
图中纵坐标为该列第 ２００ ～ ８００ 个像素分别通过
ＮＢＲＴ、ＮＢＲ 计算的秸秆覆盖度值，从图中可以看
出，虽然在有些部分像素点上两者计算结果存在偏
差，但是两者计算结果总体上比较一致，平均相对偏
差仅 ６．４％．
　 　 利用已焚烧和未焚烧区域的分类结果得到秸秆
焚烧的面积，利用指数与覆盖度的关系估算已焚烧
区域秸秆的覆盖度，根据理论上未焚烧时应有的覆
盖度可以估算出焚烧掉的秸秆的量，由此能够在区
域尺度上估算秸秆焚烧过程中排放的碳量，以定量
研究秸秆焚烧对区域环境、生态的影响．
图 ５　 基于 ＮＢＲ和 ＮＢＲＴ的秸秆覆盖度估算结果
Ｆｉｇ．５　 Ｅｓｔｉｍａｔｉｏｎ ｏｆ ｃｒｏｐ ｒｅｓｉｄｕｅ ｃｏｖｅｒａｇｅ ｂａｓｅｄ ｏｎ ＮＢＲ ａｎｄ
ＮＢＲＴ．
图 ６　 ＮＢＲ与 ＮＢＲＴ计算的秸秆覆盖度图像剖面比较
Ｆｉｇ．６　 Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｃｒｏｐ ｒｅｓｉｄｕｅ ｃｏｖｅｒａｇｅ ｅｓｔｉｍａｔｅｄ ｂｙ ＮＢＲ
ａｎｄ ＮＢＲＴ．
５５４３１１期　 　 　 　 　 　 马建行等： 基于 Ｌａｎｄｓａｔ８影像的不同燃烧指数在农田秸秆焚烧区域识别中的应用　 　 　 　
３　 结　 　 论
农田秸秆焚烧后的光谱特征变化虽然与森林火
灾后植被光谱的变化存在差别，但是本研究选择的
３种应用于森林火灾的燃烧指数也能以很高的精度
区分秸秆是否已经焚烧，而且这 ３ 种指数与秸秆覆
盖度相关关系较好．利用指数的方法可以确定农田
秸秆焚烧的范围、严重程度，这些信息是利用热红外
波段提取火点的方法所不能提供的，而且指数方法
对遥感数据的时效性要求也较低．因此，燃烧指数法
在农田秸秆焚烧监测中有很大的应用潜力．
利用燃烧指数法进行分类时只区分了已焚烧和
未焚烧两类，未对其他地物进行区分，因而还需要利
用土地利用数据以确定真正的农田秸秆已焚烧和未
焚烧区域．利用指数法区分已焚烧和未焚烧区域的
关键是阈值的选取，分类的精度与阈值有很大关系，
选择合适有效的阈值确定方法还值得研究．受野外
考察的限制，本文获得的有秸秆覆盖度的采样点数
较少，因此秸秆覆盖度与燃烧指数之间的关系还需
要更多的研究．
参考文献
［１］　 Ｂｉ Ｙ⁃Ｙ （毕于运）， Ｗａｎｇ Ｙ⁃Ｊ （王亚静）， Ｇａｏ Ｃ⁃Ｙ
（高春雨）． Ｐｒｏｂｌｅｍｓ ｏｆ ｂｕｒｎｉｎｇ ｓｔｒａｗ ａｎｄ ｉｔｓ ｍａｎａｇｅ⁃
ｍｅｎｔ ｃｏｕｎｔｅｒｍｅａｓｕｒｅｓ ｉｎ Ｃｈｉｎａ． Ｊｏｕｒｎａｌ ｏｆ Ａｎｈｕｉ Ａｇｒｉ⁃
ｃｕｌｔｕｒａｌ Ｓｃｉｅｎｃｅｓ （安徽农业科学）， ２００９， ３７（２７）：
１３１８１－１３１８４ （ｉｎ Ｃｈｉｎｅｓｅ）
［２］　 Ｚｏｕ Ｃ⁃Ｈ （邹春辉）， Ｚｈａｏ Ｘ⁃Ｂ （赵学斌）， Ｌｉｕ Ｚ⁃Ｙ
（刘忠阳）， ｅｔ ａｌ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｍｏｎｉｔｏ⁃
ｒｉｎｇ ｏｆ ｃｒｏｐ ｓｔｒａｗ ｂｕｒｎｉｎｇ ｂｙ ｔｈｅ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｓａｔｅｌｌｉｔｅ．
Ｍｅｔｅｏｒｏｌｏｇｙ Ｊｏｕｒｎａｌ ｏｆ Ｈｅｎａｎ（河南气象）， ２００５（３）：
２４－２６ （ｉｎ Ｃｈｉｎｅｓｅ）
［３］　 Ｚｈａｎｇ Ｓ⁃Ｙ （张树誉）， Ｌｉ Ｄ⁃Ｋ （李登科）， Ｌｉ Ｘ⁃Ｍ （李
星敏）， ｅｔ ａｌ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ ｔｏ ｍｏ⁃
ｎｉｔｏｒｉｎｇ ｓｔｒａｗ ｂｕｒｎｉｎｇ． Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ Ｍｏｎｔｈｌｙ （气象），
２００５， ３１（９）： ８３－８６ （ｉｎ Ｃｈｉｎｅｓｅ）
［４］　 Ｗａｎｇ Ｚ⁃Ｆ （王子峰）， Ｃｈｅｎ Ｌ⁃Ｆ （陈良富）， Ｇｕ Ｘ⁃Ｆ
（顾行发）． Ｍｏｎｉｔｏｒｉｎｇ ｏｆ ｃｒｏｐ ｒｅｓｉｄｕｅ ｂｕｒｎｉｎｇ ｉｎ ｎｏｒｔｈ
Ｃｈｉｎａ ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ ＭＯＤＩＳ ｄａｔａ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｔｅｃｈ⁃
ｎｏｌｏｇｙ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ （遥感技术与应用）， ２００８， ２３
（６）： ６１１－６１７ （ｉｎ Ｃｈｉｎｅｓｅ）
［５］　 Ｙａｎｇ Ｓ⁃Ｒ （杨珊荣）， Ｌｉ Ｈ （李 　 虎）， Ｙｕ Ｔ （余 　
涛）， ｅｔ ａｌ． Ｐｒｉｎｃｉｐｌｅ ｏｆ ｉｎｄｅｎｔｉｆｙｉｎｇ ｃｒｏｐ ｓｔｒａｗ ｆｉｒｅ
ｂａｓｅｄ ｏｎ ＭＯＤＩＳ ａｎｄ ｉｔｓ ａｌｇｏｒｉｔｈｍ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｕｓｉｎｇ
ＩＤＬ ｌａｎｇｕａｇｅ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｉｎｆｏｒｍａｔｉｏｎ （遥感信
息）， ２００９（２）： ９１－９７ （ｉｎ Ｃｈｉｎｅｓｅ）
［６］　 Ｌｉｕ Ｔ （刘　 婷）， Ｗａｎｇ Ｌ⁃Ｇ （王来刚）， Ｆａｎ Ｌ （范　
磊）． Ｍｏｎｉｔｏｒｉｎｇ ａｎａｌｙｓｉｓ ｏｆ ｗｈｅａｔ ｓｔｒａｗ ｂｕｒｎｉｎｇ ｉｎ
Ｈｅｎａｎ Ｐｒｏｖｉｎｃｅ ｂａｓｅｄ ｏｎ ＥＯＳ ／ ＭＯＤＩＳ ｄａｔａ． Ｊｏｕｒｎａｌ ｏｆ
Ｈｅｎａｎ Ａｇｒｉｃｕｌｔｕｒａｌ Ｓｃｉｅｎｃｅｓ （河南农业科学）， ２０１２，
４０（１１）： １５８－１６０ （ｉｎ Ｃｈｉｎｅｓｅ）
［７］　 Ｌｉ Ｑ （厉　 青）， Ｚｈａｎｇ Ｌ⁃Ｊ （张丽娟）， Ｗｕ Ｃ⁃Ｑ （吴传
庆）， ｅｔ ａｌ． Ｓａｔｅｌｌｉｔｅ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｂａｓｅｄ ｍｏｎｉｔｏｒｉｎｇ ｏｆ
ｓｔｒａｗ ｂｕｒｎｉｎｇ ａｎｄ ａｎａｌｙｓｉｓ ｏｆ ｉｔｓ ｉｍｐａｃｔ ｏｎ ａｉｒ ｑｕａｌｉｔｙ．
Ｊｏｕｒｎａｌ ｏｆ Ｅｃｏｌｏｇｙ ａｎｄ Ｒｕｒａｌ Ｅｎｖｉｒｏｎｍｅｎｔ （生态与农
村环境学报）， ２００９， ２５（１）： ３２－３７ （ｉｎ Ｃｈｉｎｅｓｅ）
［８］　 Ｈｅ Ｌ⁃Ｍ （何立明）， Ｗａｎｇ Ｗ⁃Ｊ （王文杰）， Ｗａｎｇ Ｑ
（王　 桥）， ｅｔ ａｌ． Ｅｖａｌｕａｔｉｏｎ ｏｆ ｔｈｅ ａｇｒｉｃｕｌｔｕｒａｌ ｒｅｓｉｄｕｅｓ
ｂｕｒｎｉｎｇ ｒｅｄｕｃｔｉｏｎ ｉｎ Ｃｈｉｎａ ｕｓｉｎｇ ＭＯＤＩＳ ｆｉｒｅ ｐｒｏｄｕｃｔ．
Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｍｏｎｉｔｏｒｉｎｇ ｉｎ Ｃｈｉｎａ （中国环境监测），
２００７， ２３（１）： ４２－５０ （ｉｎ Ｃｈｉｎｅｓｅ）
［９］　 Ｓｈａｏ Ｗ⁃Ｗ （邵卫伟）， Ｙａｎｇ Ｚ （杨　 哲）， Ｚｈｏｕ Ｂ （周
斌）． Ｉｍｐｒｏｖｅｍｅｎｔ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｄｅｎｔｉｆｙｉｎｇ ｍｅｔｈｏｄｓ
ｏｆ ｃｒｏｐ ｒｅｓｉｄｕｅ ｂｕｒｎｉｎｇ ｏｎ ｍｏｄｅｒａｔｅ⁃ｒｅｓｏｌｕｔｉｏｎ ｉｍａｇｉｎｇ
ｓｐｅｃｔｒｏ⁃ｒａｄｉｏｍｅｔｅｒ ｄａｔａ． Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｐｏｌｌｕｔｉｏｎ ａｎｄ
Ｃｏｎｔｒｏｌ （环境污染与防治）， ２０１２， ３４（９）： ３８ － ４２
（ｉｎ Ｃｈｉｎｅｓｅ）
［１０］　 Ｇａｒｃｉａ ＭＪＬ， Ｃａｓｅｌｌｅｓ Ｖ． Ｍａｐｐｉｎｇ ｂｕｒｎｓ ａｎｄ ｎａｔｕｒａｌ ｒｅ⁃
ｆｏｒｅｓｔａｔｉｏｎ ｕｓｉｎｇ Ｔｈｅｍａｔｉｃ Ｍａｐｐｅｒ ｄａｔａ． Ｇｅｏｃａｒｔｏ Ｉｎｔｅｒ⁃
ｎａｔｉｏｎａｌ， １９９１， ６： ３１－３７
［１１］　 Ｍａｒｔｉｎ ＭＰ． Ｍａｐｐｉｎｇ ａｎｄ Ｉｎｖｅｎｔｏｒｙ ｏｆ Ｆｏｒｅｓｔ Ｆｉｒｅｓ ｉｎ ｔｈｅ
Ｉｂｅｒｉａｎ Ｐｅｎｉｎｓｕｌａ ｆｒｏｍ ＮＯＡＡ⁃ＡＶＨＲＲ Ｉｍａｇｅｓ． Ａｌｃａｌａ，
Ｓｐａｉｎ： Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｇｅｏｇｒａｐｈｙ， Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ａｌｃａｌａ，
１９９８
［１２］　 Ｖｅｒａｖｅｒｂｅｋｅ Ｓ， Ｖｅｒｓｔｒａｅｔｅｎ ＷＷ， Ｌｈｅｒｍｉｔｔｅ Ｓ， ｅｔ ａｌ．
Ｅｖａｌｕａｔｉｎｇ Ｌａｎｄｓａｔ Ｔｈｅｍａｔｉｃ Ｍａｐｐｅｒ ｓｐｅｃｔｒａｌ ｉｎｄｉｃｅｓ ｆｏｒ
ｅｓｔｉｍａｔｉｎｇ ｂｕｒｎ ｓｅｖｅｒｉｔｙ ｏｆ ｔｈｅ ２００７ Ｐｅｌｏｐｏｎｎｅｓｅ ｗｉｌｄ⁃
ｆｉｒｅｓ ｉｎ Ｇｒｅｅｃｅ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｗｉｌｄｌａｎｄ Ｆｉｒｅ，
２０１０， １９： ５５８－５６９
［１３］　 Ｍａｌｌｉｎｉｓ Ｇ， Ｋｏｕｔｓｉａｓ Ｎ． Ｃｏｍｐａｒｉｎｇ ｔｅｎ ｃｌａｓｓｉｆｉｃａｔｉｏｎ
ｍｅｔｈｏｄｓ ｆｏｒ ｂｕｒｎｅｄ ａｒｅａ ｍａｐｐｉｎｇ ｉｎ ａ Ｍｅｄｉｔｅｒｒａｎｅａｎ ｅｎ⁃
ｖｉｒｏｎｍｅｎｔ ｕｓｉｎｇ Ｌａｎｄｓａｔ ＴＭ ｓａｔｅｌｌｉｔｅ ｄａｔａ． Ｉｎｔｅｒｎａｔｉｏｎａｌ
Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１２， ３３： ４４０８－４４３３
［１４］　 Ｗａｎｇ Ｘ⁃Ｌ （王晓莉）， Ｗａｎｇ Ｗ⁃Ｊ （王文娟）， Ｃｈａｎｇ Ｙ
（常　 禹）， ｅｔ ａｌ． Ｆｉｒｅ ｓｅｖｅｒｉｔｙ ｏｆ ｂｕｒｎｔ ａｒｅａ ｉｎ Ｈｕｚｈｏｎｇ
ｆｏｒｅｓｔ ｒｅｇｉｏｎ ｏｆ Ｇｒｅａｔ Ｘｉｎｇ’ ａｎ Ｍｏｕｎｔａｉｎｓ， Ｎｏｒｔｈｅａｓｔ
Ｃｈｉｎａ ｂａｓｅｄ ｏｎ ｎｏｒｍａｌｉｚｅｄ ｂｕｒｎ ｒａｔｉｏ ａｎａｌｙｓｉｓ． Ｃｈｉｎｅｓｅ
Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ （应用生态学报）， ２０１３， ２４
（４）： ９６７－９７４ （ｉｎ Ｃｈｉｎｅｓｅ）
［１５］　 Ｗｕ Ｌ⁃Ｙ （吴立叶）， Ｓｈｅｎ Ｒ⁃Ｐ （沈润平）， Ｌｉ Ｘ⁃Ｈ （李
鑫慧）， ｅｔ ａｌ． Ｅｖａｌｕａｔｉｎｇ ｄｉｆｆｅｒｅｎｔ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｎ⁃
ｄｅｘｅｓ ｆｏｒ ｆｏｒｅｓｔ ｂｕｒｎ ｓｃａｒｓ ｅｘｔｒａｃｔｉｏｎ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ
Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ （遥感技术与应用）， ２０１４，
２９（４）： ５６７－５７４ （ｉｎ Ｃｈｉｎｅｓｅ）
［１６］　 Ｒｅｎ Ｃ⁃Ｙ （任春颖）， Ｚｈａｎｇ Ｃ⁃Ｈ （张春华）， Ｗａｎｇ Ｚ⁃
Ｍ （王宗明）， ｅｔ ａｌ． Ｏｒｇａｎｉｃ ｃａｒｂｏｎ ｓｔｏｒａｇｅ ａｎｄ ｓｅｑｕｅｓ⁃
ｔｒａｔｉｏｎ ｐｏｔｅｎｔｉａｌ ｉｎ ｃｒｏｐｌａｎｄ ｓｕｒｆａｃｅ ｓｏｉｌｓ ｏｆ Ｓｏｎｇｎｅｎ
Ｐｌａｉｎ ｍａｉｚｅ ｂｅｌｔ． Ｊｏｕｒｎａｌ ｏｆ Ｎａｔｕｒａｌ Ｒｅｓｏｕｒｃｅｓ （自然资
源学报）， ２０１３， ２８（４）： ５９６－６０７ （ｉｎ Ｃｈｉｎｅｓｅ）
［１７］　 Ｚｈｅｎｇ ＢＪ， Ｃａｍｐｂｅｌｌ ＪＢ， ｄｅ Ｂｅｕｒｓ ＫＭ． Ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ
ｏｆ ｃｒｏｐ ｒｅｓｉｄｕｅ ｃｏｖｅｒ ｕｓｉｎｇ ｍｕｌｔｉ⁃ｔｅｍｐｏｒａｌ Ｌａｎｄｓａｔ ｉｍ⁃
ａｇｅｒｙ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１２， １１７：
１７７－１８３
［１８］　 Ｅｐｔｉｎｇ Ｊ， Ｖｅｒｂｙｌａ Ｄ， Ｓｏｒｂｅｌ Ｂ． Ｅｖａｌｕａｔｉｏｎ ｏｆ ｒｅｍｏｔｅｌｙ
ｓｅｎｓｅｄ ｉｎｄｉｃｅｓ ｆｏｒ ａｓｓｅｓｓｉｎｇ ｂｕｒｎ ｓｅｖｅｒｉｔｙ ｉｎ ｉｎｔｅｒｉｏｒ
Ａｌａｓｋａ ｕｓｉｎｇ Ｌａｎｄｓａｔ ＴＭ ａｎｄ ＥＴＭ＋． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ
Ｅｎｖｉｒｏｎｍｅｎｔ， ２００５， ９６： ３２８－３３９
［１９］　 Ｈｏｌｄｅｎ ＺＡ， Ｓｍｉｔｈ ＡＭＳ， Ｍｏｒｇａｎ Ｐ， ｅｔ ａｌ． Ｅｖａｌｕａｔｉｏｎ ｏｆ
ｎｏｖｅｌ ｔｈｅｒｍａｌｌｙ ｅｎｈａｎｃｅｄ ｓｐｅｃｔｒａｌ ｉｎｄｉｃｅｓ ｆｏｒ ｍａｐｐｉｎｇ
ｆｉｒｅ ｐｅｒｉｍｅｔｅｒｓ ａｎｄ ｃｏｍｐａｒｉｓｏｎｓ ｗｉｔｈ ｆｉｒｅ ａｔｌａｓ ｄａｔａ． Ｉｎ⁃
ｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２００５， ２６：
４８０１－４８０８
［２０］　 Ｃｈｕｖｉｅｃｏ Ｅ， Ｍａｒｔｉｎ ＭＰ， Ｐａｌａｃｉｏｓ Ａ． Ａｓｓｅｓｓｍｅｎｔ ｏｆ ｄｉｆ⁃
ｆｅｒｅｎｔ ｓｐｅｃｔｒａｌ ｉｎｄｉｃｅｓ ｉｎ ｔｈｅ ｒｅｄ⁃ｎｅａｒ⁃ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒａｌ
ｄｏｍａｉｎ ｆｏｒ ｂｕｒｎｅｄ ｌａｎｄ ｄｉｓｃｒｉｍｉｎａｔｉｏｎ． Ｉｎｔｅｒｎａｔｉｏｎａｌ
Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２００２， ２３： ５１０３－５１１０
［２１］　 Ｆｕ Ｚ⁃Ｌ （付忠良）． Ｔｈｅ ｍａｋｉｎｇ ｏｆ ｍｅｔｈｏｄ ｆｏｒ ｉｍａｇｅ
ｔｈｒｅｓｈｏｌｄ ｓｅｌｅｃｔｉｏｎ． Ｊｏｕｒｎａｌ ｏｆ Ｉｍａｇｅ ａｎｄ Ｇｒａｐｈｉｃｓ （中
国图象图形学报）， ２０００（６）： ２１－２４ （ｉｎ Ｃｈｉｎｅｓｅ）
［２２］　 Ｆｕ Ｚ⁃Ｌ （付忠良）． Ｓｏｍｅ ｎｅｗ ｍｅｔｈｏｄｓ ｆｏｒ ｉｍａｇｅ ｔｈｒｅｓｈ⁃
ｏｌｄ ｓｅｌｅｃｔｉｏｎ． Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ （计算机应用），
２０００（１０）： １３－１５ （ｉｎ Ｃｈｉｎｅｓｅ）
［２３］　 Ｌｉ Ｊ⁃Ｌ （李均力）， Ｓｈｅｎｇ Ｙ⁃Ｗ（盛永伟）， Ｌｕｏ Ｊ⁃Ｃ （骆
剑承）． Ａｕｔｏｍａｔｉｃ ｅｘｔｒａｃｔｉｏｎ ｏｆ Ｈｉｍａｌａｙａｎ ｇｌａｃｉｃａｌ ｌａｋｅｓ
ｗｉｔｈ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ． Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ （遥感学
报）， ２０１１， １５（１）： ２９－４３ （ｉｎ Ｃｈｉｎｅｓｅ）
作者简介　 马建行，男，１９９０ 年生，硕士研究生．主要从事环
境遥感研究． Ｅ⁃ｍａｉｌ： １１１３７７３８５９＠ ｑｑ．ｃｏｍ
责任编辑　 杨　 弘
６５４３ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷