全 文 ：第 35 卷第 17 期
2015年 9月
生 态 学 报
ACTA ECOLOGICA SINICA
Vol.35,No.17
Sep.,2015
http: / / www.ecologica.cn
基金项目:中国科学院战略性先导科技专项(XDA05090310)
收稿日期:2013鄄12鄄31; 摇 摇 网络出版日期:2014鄄11鄄03
*通讯作者 Corresponding author.E鄄mail: zhangshuwen@ neigae.ac.cn
DOI: 10.5846 / stxb201312313076
杨伟, 张树文, 姜晓丽.基于 MODIS时序数据的黑龙江流域火烧迹地提取.生态学报,2015,35(17):5866鄄5873.
Yang W, Zhang S W, Jiang X L.Burned area mapping for Heilongjiang basin based on MODIS time series data.Acta Ecologica Sinica,2015,35(17):
5866鄄5873.
基于 MODIS时序数据的黑龙江流域火烧迹地提取
杨摇 伟1, 张树文2,*, 姜晓丽3
1 太原师范学院地理科学学院, 晋中摇 030619
2 中国科学院东北地理与农业生态研究所, 长春摇 130102
3 太原师范学院城镇与区域发展研究所, 晋中摇 030619
摘要:火烧迹地信息是研究火灾的重要参数和基础数据,也是研究全球生态系统和碳循环扰动的重要依据之一。 以受森林火灾
影响较为严重的黑龙江流域为研究区,以 MODIS时间序列数据为数据源建立了一个分为两阶段的火烧基地提取算法(即首先
设定较为严格的提取条件对最有可能发生火灾的像元———核心像元进行提取,然后设定较为宽松的阈值提取距离核心像元一
定范围内的火烧像元),对 2000—2011年的火烧迹地信息进行了提取,生成了研究区长时间序列火烧迹地分布图,并对其时空
分布特征进行了分析。 选择黑龙江省为典型验证区对算法精度进行了验证,结果显示算法的整体精度较之以往的算法有了一
定程度的提高。
关键词:火烧迹地; MODIS; GEMI; BAI
Burned area mapping for Heilongjiang basin based on MODIS time series data
YANG Wei1, ZHANG Shuwen2,*, JIANG Xiaoli3
1 School of Geographical Sciences, Taiyuan Normal University, Jinzhong 030619, China
2 Northeast Institute of Geography and Agroecology, Chinese Academy of Science, Changchun 130102, China
3 Institute of Urban and District Development, Taiyuan Normal University, Jinzhong 030619, China
Abstract: Fire is an important natural disturbance that affects several ecosystems and is also one of the main factors of the
terrestrial carbon cycle. As fire modifies the structure and composition of vegetation, it is considered to be an important land
management tool. Burned area mapping is an essential step in forest fire research to investigate the relationship between
forest fire and climate change and the effect of forest fire on carbon budgets. Traditional data collection of forest fires in
field鄄 which are statistically recorded are difficult to manipulate over a large area. The development of the remote sensing
technique provides a labor鄄efficient method for research of land surface processes. At the regional or global scale, in order to
obtain a long鄄time series of burned area maps, a moderate spatial resolution with high temporal resolution remote sensing
data is considered as the best alternative. Currently, the most widely used remote sensing data are Advanced Very High
Resolution Radiometer (AVHRR) images and Moderate鄄Resolution Imaging Spectroradiometer (MODIS) images. Although
the AVHRR provides continuous observations for burned area analyses, some studies have identified several sources of
potential errors in burned area discrimination from this sensor, mainly due to its radiometric instability, cloud obscuration,
and transmission problems. Most of these problems have been notably reduced in the MODIS sensor, which offers greater
spectral, spatial, and radiometric resolution than the AVHRR. This study proposes an algorithm to map areas burned by
forest fire using MODIS time series data in Heilongjiang Valley, China. The algorithm is divided into two steps: First, the
http: / / www.ecologica.cn
“core冶 pixels were extracted to represent the most possible burned pixels based on a comparison of the temporal change of
the Global Environmental Monitoring Index (GEMI), the Burned Area Index (BAI), and the MODIS active fire products
between pre鄄 and post鄄fire spatial patterns. Second, a 15鄄km distance was set to extract the entire burned area near the
“core冶 pixels. These more relaxed conditions were used to identify the fire pixels for reducing the omission error as much as
possible. The algorithm comprehensively considered the thermal characteristics and the spectral change between pre鄄 and
post鄄fire spatial patterns, which were represented by the MODIS fire products and the spectral index, respectively.
Heilongjiang province in China was selected as the typical study area to validate the accuracy of the algorithm. The results
showed that with the use of the MODIS fire products, the accuracy of the algorithm was improved, with an overall accuracy
of 71% and a highest accuracy of 84%. Consequently, the algorithm used in this study produced a long鄄time series of
burned area maps of the study area from 2000 to 2011 with a relatively high accuracy. According to the burned area maps,
the study area has been seriously affected by fire disasters on average of 0.53 million ha of burned land each year. The most
affected years were 2003 and 2008 with burned areas exceeding 1 million ha. The least affected year was 2010 with a burned
area of just 0.18 million ha. The relatively large disparity between the maximum and minimum values of the areas burned by
forest fire indicates that there is a fluctuation in the severity of disaster during the studied period.
Key Words: burned area; MODIS; GEMI; BAI
火灾是影响众多生态系统(森林、草地等)的一个重要的扰动因素。 火灾对于植被的结构和组成具有显
著的作用,被认为是一个重要的“地表管理工具冶 [1]。 以森林生态系统为例,火灾是森林生态系统最为重要的
干扰之一,全球平均每年约有 1%的森林受到火灾的影响[2]。 森林生态系统是全球碳循环的重要组成部分,
火灾的发生通过改变森林生态系统的格局与过程,进而改变整个生态系统的碳循环以及分配过程[3]。 此外,
森林火灾对于气候变暖也有着重要的响应[4鄄6]。 研究表明,北方森林的火灾发生范围对于温度的增加非常敏
感,受气候变化的影响较为显著[7]。 此外,还有研究认为气候变暖很有可能影响到传统的火灾循环,例如缩
短火灾的周期、增大火灾尺度等[8鄄9]。
不论是对于碳循环的影响研究,还是森林火灾与气候变暖的相关性研究,火烧迹地的空间信息都是一个
重要的基础参数。 传统的火烧迹地信息主要来源于统计数据,难以覆盖较大的区域,收集较为困难,且难以将
数据进行空间化。 遥感技术的发展为解决这一问题提供了很好的手段,特别是随着遥感数据时空分辨率的提
高,使得遥感数据能够更为准确的对地表过程进行刻画[10]。
在区域或者全球尺度下,为获取长时间序列的火烧迹地信息,中空间分辨率且具有高时间分辨率的遥感
数据被认为是最好的选择。 目前,应用最为广泛的为 AVHRR(Advanced Very High Resolution Radiometer)数
据[11鄄13]与 MODIS(Moderate鄄Resolution Imaging Spectroradia鄄meter) 数据[14鄄15]。 前者由于发射时间较早,时间序
列较长而被使用。 但研究表明 AVHRR数据提取火烧迹地信息存在一定的潜在误差,主要来源于辐射的不稳
定性、云污染以及辐射传输问题等方面[16鄄18]。 较之 AVHRR数据,MODIS 数据在这些方面都得到了很大的改
善,但其局限在于数据仅从 2000年开始。
本文提出了一种基于 MODIS时序数据的火烧迹地提取方法,以此为基础对黑龙江流域 2000—2011 年的
火烧迹地信息进行了提取,生成研究区长时间序列火烧迹地分布图,并对其分布特征进行了分析。
1摇 材料与方法
1.1摇 研究区
研究区选择位于西伯利亚北方森林南部的黑龙江流域(41毅45忆—53毅33忆N,115毅13忆—135毅05忆E),面积208伊
104km2,西起蒙古高原,包括蒙古(东方省、苏赫巴托尔省等)、俄罗斯(阿穆尔州、哈巴罗夫斯克、外贝加尔等)
和中国(黑龙江省、吉林省、辽宁省、内蒙古自治区等)的 13个省及朝鲜的小部分,研究区植被覆盖度较高(图
7685摇 17期 摇 摇 摇 杨伟摇 等:基于 MODIS时序数据的黑龙江流域火烧迹地提取 摇
http: / / www.ecologica.cn
1),受森林火灾影响较为严重。 流域的东部地区主要属于温带湿润季风气候,这是全球季风气候的最北缘,
西部主要受大陆性气候的影响。 全年平均气温在-8 益到 6 益之间,但其时空分布差异显著。 同时,流域内降
水量的时空分布也很不均衡,年平均降水量主要在 250—800 mm,大约 50%以上的降水量集中在最热的夏季,
而近 7个月的干季(1—4 月,10—12 月)降水量仅为 25%;在空间上,降水主要集中在沿海地带,向西逐渐
递减。
图 1摇 研究区位置及其土地覆被
Fig.1摇 Location and land cover of Heilongjiang basin
1.2摇 MODIS产品数据
研究选择数据为 MODIS 8d合成地表反射率数据 MOD09Q1(MODIS atmospherically鄄 correct Level 3 8鄄Day
composite Surface Reflectance products, 空间分辨率 250 m)以及 MODIS 8d合成火产品数据 MOD14A2(MODIS
Level 3 8鄄Day composite active fire products, 空间分辨率 1 km)。 其中,MODIS火产品数据为 MODIS火情监测
算法下提取的火点信息[19鄄20],其算法依据主要为火灾发生时的热学特性,代表火灾发生时的温度异常。
MOD09Q1与 MOD14A2产品均采用 Sinusoidal投影系统发布,数据格式为 HDF (Hierarchy Data Format)。
研究区共涉及 6景MODIS标准分幅数据。 下载研究区 2000—2011年的MODIS产品数据(每年 34期伊12年伊
6景)。 时间选择为每年的 2月末至 11月初,这一时间为火灾发生集中的时间段。 对数据进行投影转换及裁
剪处理。 此外,由于数据空间分辨率不一致,需要将 MOD14A2 产品重采样为 250 m 分辨率,与 MOD09Q1 产
品相一致。
1.3摇 火烧迹地提取方法
基于遥感的火灾研究主要包括火点(active fire)监测[21鄄22]与火烧迹地(burn scars)提取[23鄄24]两类,两者均
可以产生火烧迹地数据[25]。 火点监测主要是基于火灾发生时的温度异常,监测卫星过境时可能发生火灾的
像元,对火点进行实时观测。 这一过程的主要目的在于捕捉火灾发生的时间以及位置信息,虽然也可以产生
火烧迹地信息,但结果并不可靠[26鄄27]。 火烧迹地提取通过对比火灾发生前后的光谱反射特征或者光谱指数
特征变化来识别火烧迹地,从而达到提取火烧迹地的目的[28鄄29]。 这一方法的缺陷在于,一些与火灾发生具有
类似光谱特征的事件较难区分,如洪水、森林砍伐以及农作物收获等导致的光谱特征变化。 本文的火烧迹地
提取方法以后者为基础,并进行了改进,以消除类似的混淆事件。
1.3.1摇 判别指数选取
火烧迹地识别方法是通过比较火灾发生前后的光谱特征变化来提取火烧面积。 因而需要选取适合的光
谱指数来进行表征,如 NDVI(Normalized Difference Vegetation Index)、BBFI(Burned Boreal Forest Index)、GEMI
(Global Environmental Monitoring Index)以及 BAI ( Burned Area Index)等。 其中,NDVI 的应用最为广泛。
8685 摇 生摇 态摇 学摇 报摇 摇 摇 35卷摇
http: / / www.ecologica.cn
NDVI能够很好的对植被覆盖进行描述[30,31],但研究表明 NDVI 在植被覆盖度较高的地区容易达到饱和[32],
且在火烧迹地信息提取中存在较大的潜在误差[33]。 因此,选用 GEMI 作为识别火烧迹地的主要判别指数,其
计算公式如下:
GEMI = 浊 伊 (1 - 0.25浊) - (籽red - 0.125) / (1 - 籽red)
浊 = (2(籽nir 2 - 籽red 2) + 1.5籽nir + 0.5籽red) / (籽nir + 籽red + 0.5) (1)
式中,籽nir以及 籽red为近红外波段和红光波段。 火灾发生后 GEMI表现出显著的下降。
为了避免采用单一光谱指数所带来的潜在误差,选择了另一个光谱指数 BAI 来作进一步的限定,其计算
公式如下:
BAI = 1 / ((籽nir - 籽cnir) 2 + (籽red - 籽cred) 2) (2)
式中,籽cnir和 籽cred分别被设定为 0.06与 0.1。 火灾发生后 BAI值表现出显著的上升。
除此之外,在比较火灾发生前后光谱特征变化的同时,为了考虑火灾发生时的热学特性,即温度异常,将
MODIS火产品数据作为一个输入波段加入到判别流程,以提高判别精度。
1.3.2摇 判别流程
火烧迹地的识别流程主要分为两个阶段:首先,设定较为严格的判别阈值以提取火烧的核心像元———即
火灾最有可能发生的像元。 这一阶段的主要目标在于尽可能的减少错判误差,因而需要对火灾发生前后的光
谱指数变化设定严格的阈值,并且同时用使用 MODIS火灾产品进行筛选,以表示提取像元在相关植被指数变
化前曾出现温度异常。 这一过程同时考虑了火灾发生前后地表植被的突变以及火灾发生时的温度异常,从而
可以与其他造成地表突变的因素相区分。 其次,对第一阶段提取的核心像元 15 公里范围内的光谱指数变化
特征进行判别,设定较为宽松的阈值,以尽可能减少漏判误差。 判别流程及判别条件如图 2所示。
图 2摇 算法流程图
Fig.2摇 Flowchart of algorithm
第一阶段的提取过程以 GEMI、BAI、以及 MOD14A2产品为基础,具体的判别条件如下所示:
首先,火灾发生之前的 GEMI值必须大于一定的阈值,以确保判别区域为植被覆盖。
GEMIt-1>0.170 (3)
式中,t为时间(下同)。 选择数据为 MODIS 8d合成数据,每年共 34期数据,因此 t的范围为: 0 < t 臆 34。
9685摇 17期 摇 摇 摇 杨伟摇 等:基于 MODIS时序数据的黑龙江流域火烧迹地提取 摇
http: / / www.ecologica.cn
火灾发生后,GEMI值必须表现出显著的下降,且这一下降过程必须持续一定的时间,以区分由云污染等
造成的 GEMI值的短暂下降。 这一过程通过以下两个判别条件来实现:
(GEMIt-GEMIt-1) / GEMIt<-0.1 (4)
(GEMIt+2-GEMIt-1) / GEMIt+2<-0.1 (5)
然后,使用 BAI指数来对火烧像元做进一步的限定。 火灾发生后,BAI值显著增加,其判别条件如下:
BAIt > 250且 BAIt -1 > 200 (6)
最后,使用 MODIS 火产品数据来对火烧像元进行掩膜,以保证光谱指数变化前,所提取像元表现出温度
异常的特征。
籽t > 6 摇 或者摇 籽t -1 > 6 (7)
式中,籽为 MODIS火产品数据像元值。
第二阶段的判别过程以第一阶段提取的核心像元为基础,采用较为宽松的阈值来对邻近像元进行判别。
在对研究区的火灾发生特征进行分析之后,距离核心像元的最大距离被设定为 15 km。 第二阶段的火烧迹地
信息提取,仅对核心像元 15 km范围内像元进行判别,判别条件如下:
GEMIt-GEMIt-1<-0.03 (8)
GEMIt+1-GEMIt-1<-0.02 (9)
GEMIt+2-GEMIt-1<0 (10)
GEMIt+1-GEMIt臆0 (11)
BAIt>250 (12)
最后,将两个阶段的提取结果进行合成。 采用一个 3伊3 的变换核,对合成结果进行滤波处理,消除提取
过程中产生的小斑块。
2摇 结果与分析
图 3摇 黑龙江省火灾发生位置(2000—2005年)
Fig.3摇 Fire position of Heilongjiang province (2000—2005)
2.1摇 精度验证
由于研究区涉及境外地区,验证数据难以获取。 考
虑到以上提取方法的基础为火烧前后植被指数的变化
以及温度的异常,使得该方法对火烧迹地的提取具有普
适性,从而可以采用选择典型验证区的方法对算法进行
验证。 故以黑龙江省为典型研究区,对提取结果进行精
度验证。 验证数据来源于相关林业部门 2000—2005 年
的火灾统计数据,包括火灾发生的时间、地点、经纬度信
息以及过火面积等。
鉴于 MODIS产品空间分辨率以及火烧迹地信息提
取后进行去除小斑块的滤波处理的需要,对过火面积小
于 60 hm2(约 3伊3 个像元)的火灾进行剔除,最终得到
黑龙江省 2000—2005年的火灾验证数据(图 3)。
利用 2000年—2005年火灾发生的经纬度信息(图
3)对提取结果进行错判以及漏判分析(表 1)。 由于验
证数据仅提供了火灾发生的位置,因而不能对提取结果
进行空间化(逐像元)的误差分析。 以火灾发生的位置信息为参照,对提取结果进行分析,两者一致则认为提
取结果正确。 如果在标有火灾发生的位置没有提取出火烧迹地信息,被认为是漏判;相反,在没有标出火灾发
生的位置,却提取出火烧迹地信息,认为是错判。
0785 摇 生摇 态摇 学摇 报摇 摇 摇 35卷摇
http: / / www.ecologica.cn
表 1摇 火烧迹地提取验证表
Table 1摇 Validation table of burned area
时间 Time 2000 2001 2002 2003 2004 2005
火灾发生次数 Number of fire happened /起 88 61 33 62 27 10
提取火灾次数 Number of fire extracted /起 83 53 36 68 25 13
漏判 Omission error /起 21 23 8 11 9 3
错判 Commission error /起 16 15 11 17 7 6
提取面积 Extracted area / hm2 50541.4 81837.17 45244.2 486747 155413 93757.7
验证数据 Validation area / hm2 76613.9 128233.9 53352.85 797247.6 185547.2 132247.8
此外,将提取结果的面积进行汇总与验证数据进行了比较(表 1)。 结果显示,2000—2005 年每年均有一
定的漏判以及错判误差存在,且提取的火烧迹地面积均小于验证数据,总体精度为 71%。 其中,提取面积精
度最高为 2002年,达 84%;提取面积精度最低为 2003年,精度为 61%。 较之以往的研究[35],精度有所提高。
2.2摇 黑龙江流域火烧迹地分布特征分析
图 4摇 黑龙江流域火烧迹地分布(2000—2011)
摇 Fig. 4 摇 Distribution of burned area in Heilongjiang basin
(2000—2011)
2.2.1摇 黑龙江流域火烧迹地信息提取
使用以上所验证的火烧迹地提取方法, 以
MOD09Q1数据以及 MOD14A2 数据为基础,对黑龙江
流域 2000—2011年的火烧迹地信息进行了提取,得到
研究区长时间序列火烧迹地分布图(图 4)。
2.2.2 摇 火烧迹地特征分析
将黑龙江流域的火烧迹地面积进行逐年汇总,从而
得到流域逐年的火烧迹地面积统计数据(图 5)。
图 5摇 黑龙江流域火烧迹地面积变化
Fig.5摇 Burned area dynamic in Heilongjiang basin
黑龙江流域 2000—2011 年受火灾影响较为严重,
年均过火面积达 53.21万 hm2。 火灾发生最严重的年份
为 2003年,面积为 146.79万 hm2;而受火灾影响最小的
年份为 2010年,过火面积仅有 18.39万 hm2,差距较大。
火灾发生较为严重的年份还包括 2008 年,过火面积也
超过了百万公顷,达 119.41万 hm2。 其他年份受火灾影
响较为平均,其中 2005 年相对较为严重,面积为 62.41
万 hm2;其次为 2001、2002、2004 年以及 2011 年,火烧
迹地面积分别为 41.55万 hm2、43.83 万 hm2、43.59 万 hm2以及 43.23 万 hm2;最后为 2000、2006、2007 年以及
2009年,火烧迹地面积分别为 33.08万 hm2、38.87万 hm2、24.01万公顷以及 23.41万 hm2。
1785摇 17期 摇 摇 摇 杨伟摇 等:基于 MODIS时序数据的黑龙江流域火烧迹地提取 摇
http: / / www.ecologica.cn
从火烧迹地的空间特征来看,火烧迹地的分布与森林覆被密切相关,主要分布于黑龙江流域的中、高纬度
地区。 俄罗斯境内的火烧迹地分布较为均匀,原因在于其高的植被覆盖度。 中国境内火烧迹地主要分布于
大、小兴安岭以及长白山地区,其中以黑龙江省受影响最为严重。 此外,蒙古和朝鲜境内也有少部分火烧迹地
分布。
3摇 结论与讨论
长时间序列火烧迹地数据是区域或者全球尺度下森林火灾相关研究的重要基础信息。 本文以黑龙江流
域为研究区,利用 MODIS时序数据对其 2000—2011年的火烧迹地信息进行了提取,主要结论如下:
低空间分辨率高时间分辨率的遥感数据是区域或者全球尺度下火烧迹地信息提取的主要数据源,通过建
立相应的算法,可以实现长时间序列火烧迹地信息的提取过程。
综合考虑火灾发生前后的植被变化(光谱指数变化)与火灾发生时的热学特征能够更为有效的对火烧迹
地信息进行提取,提高提取精度。
黑龙江流域 2000—2011年受火灾影响较为严重,年平均产生火烧迹地 53.21 万 hm2,受火灾影响最大年
份与最小年份之间的火烧迹地面积差距较大。
本文基于 MODIS数据空间分辨率以及提取结果滤波处理的需求,将过火面积大于 60 hm2的森林火灾作
为验证数据,较之 Emilio等使用大于 200 hm2的火灾[34]作为验证数据,提高了对算法精度的要求。 结果显示
主要的漏判误差仍来源于 100 hm2左右的森林火灾。 证明由于遥感数据空间分辨率的局限,算法对于面积较
小的火烧迹地提取具有一定难度。 而空间分辨率相对较高的遥感数据,如 TM 数据,其时间分辨率却难以满
足火烧迹地信息提取的要求。 遥感数据融合可以较好的解决这一问题,如何采用融合之后的高空间分辨率以
及时间分辨率的遥感数据进行更为细致的火烧迹地提取有待深入研究。
参考文献(References):
[ 1 ]摇 Dubinin M, Potapov P, Lushchekina A, Radeloff V C. Reconstructing long time series of burned areas in arid grasslands of southern Russia by
satellite remote sensing. Remote Sensing of Environment, 2010, 114(8): 1638鄄1648.
[ 2 ] 摇 Fraser R H, Li Z. Estimating fire鄄related parameters in boreal forest using SPOT VEGETATION. Remote Sensing of Environment, 2002, 82(1):
95鄄110.
[ 3 ] 摇 吕爱锋, 田汉勤, 刘永强. 火干扰与生态系统碳循环. 生态学报, 2005, 25(10): 2734鄄2743.
[ 4 ] 摇 Amiro B D, Orchansky A L, Barr A G, Black T A, Chambers S D, Chapin III F S, Goulden M L, Litvak M, Liu H P, McCaughey J H,
McMillan A, Randerson J T. The effect of post鄄fire stand age on the boreal forest energy balance. Agricultural and Forest Meteorology, 2006, 140
(1 / 4): 41鄄50.
[ 5 ] 摇 Kasischke E S, Turetsky M R. Recent changes in the fire regime across the North American boreal region—Spatial and temporal patterns of burning
across Canada and Alaska. Geophysical Research Letters, 2006, 33(9): 1鄄5.
[ 6 ] 摇 Morton D C, Collatz G J, Wang D, Randerson J T, Giglio L, Chen Y. Satellite鄄based assessment of climate controls on US burned area.
Biogeosciences, 2013, 10(1): 247鄄260.
[ 7 ] 摇 Flannigan M D, Logan K A, Amiro B D, Skinner W R, Stocks B J. Future area burned in Canada. Climatic Change, 2005, 72(1 / 2): 1鄄16.
[ 8 ] 摇 IPCC. Climate Change 2007: The Physical Science Basis. Cambridge: Cambridge University Press, 2007.
[ 9 ] 摇 Gillet N P, Weaver A J, Zwiers F W, Flannigan M D. Detecting the effect of climate change on Canadian forest fires. Geophysical Research
Letters, 2004, 31(18), L18211, doi: 18210.11029 / 12004GL02 0876.
[10] 摇 Mouillot F, Schultz M G, Yue C, Cadule P, Tensey K, Ciais P, Chuvieco E. Ten years of global burned area products from spaceborne remote
sensing鄄A review: Analysis of user needs and recommendations for future developments. International Journal of Applied Earth Observation and
Geoinformation, 2014, 26: 64鄄79.
[11] 摇 Vafeidis A T, Drake N A, Wainwright J. A proposed method for modelling the hydrologic response of catchments to burning with the use of remote
sensing and GIS. Catena, 2007, 70(3): 396鄄409.
[12] 摇 Pu R L, Li Z Q, Gong P, Csiszar I, Fraser R, Hao W M, Kondragunta S, Weng F Z. Development and analysis of a 12鄄year daily 1鄄km forest fire
dataset across North America form NOAA / AVHRR data. Remote Sensing of Environment, 2007, 108(2): 198鄄208.
[13] 摇 Sukhinin A I, French N H F, Kasischke E S, Hewson J H, Soja A J, Csiszar I A, Hyer E J, Loboda T, Gonrad S G, Romasko V I, Pavichenko E
A, Miskiv S I, Slinkina O A. AVHRR鄄based mapping of fires in Russia: New products for fire management and carbon cycle studies. Remote
2785 摇 生摇 态摇 学摇 报摇 摇 摇 35卷摇
http: / / www.ecologica.cn
Sensing of Environment, 2004, 93(4): 546鄄564.
[14] 摇 Oadilla M, Stehman S V, Litago J, Chuvieco E. Assessing the temporal stability of the accuracy of a time series of burned area products. Remote
Sensing, 2014, 6(3): 2050鄄2068.
[15] 摇 Roy D P, Boschetti L, Justice C O, Ju J. The collection 5 MODIS burned area product—Global evaluation by comparison with the MODIS active
fire product. Remote Sensing of Environment, 2008, 112(9): 3690鄄3707.
[16] 摇 Barbosa P M, Gregoire J M, Pereira J M C. An algorithm for extracting burned areas from time series of AVHRR GAC data applied at a continental
scale. Remote Sensing of Environment, 1999, 69(3): 253鄄263.
[17] 摇 Martin M P, Chuvieco E. Mapping and evaluation of burned land from multi鄄temporal analysis of AVHRR NDVI images. EARSeL Advances in
Remote Sensing, 1995, 4(3): 7鄄13.
[18] 摇 Pereira J M C. A comparative evaluation of NOAA / AVHRR vegetation indexes for burned surface detection and mapping. IEEE Transactions on
Geoscience and Remote Sensing, 1999, 37(1): 217鄄226.
[19] 摇 Giglio L, Descloitres J, Justice C O, Kaufman Y J. An enhanced contextual fire detection algorithm for MODIS. Remote Sensing of Environment,
2003, 87(2 / 3): 273鄄282.
[20] 摇 Dozier J. A method for satellite identification of surface temperature fields of subpixel resolution. Remote Sensing of Environment, 1981, 11:
221鄄229.
[21] 摇 Movaghati S, Samadzadegan F, Azizi A. An agent鄄based approach for regional forest fire detection using MODIS data. Journal of Applied Sciences,
2009, 9(20): 3672鄄3681.
[22] 摇 王彩云, 扎西顿珠, 陈涛. EOS / MODIS数据在西藏森林火灾中的应用. 高原山地气象研究, 2010, 30(3): 66鄄69.
[23] 摇 Ruiz J A M, Riano D, Arbelo M, French N H F, Ustin S L, Whiting M L. Burned area mapping time series in Canada (1984鄄1999) from NOAA鄄
AVHRR LTDR: A comparison with other remote sensing products and fire perimeters. Remote Sensing of Environment, 2012, 117: 407鄄414.
[24] 摇 Giglio L, Loboda T, Roy D P, Quayle B, Justice C O. An active鄄fire based burned area mapping algorithm for the MODIS sensor. Remote Sensing
of Environment, 2009, 113(2): 408鄄420.
[25] 摇 Zhang X Y, Kondragunta S, Quayle B. Estimation of biomass burned areas using multiple鄄satellite鄄observed active fires. IEEE Transactions on
Geoscience and Remote Sensing, 2011, 49(11): 4469鄄4482.
[26] 摇 Kasischke E S, Hewson J H, Stock B, van der Werf G, Randerson J. The use of ATSR active fire counts for estimating relative patterns of biomass
burning鄄a study from the boreal forest region. Geophysical Research Letters, 2003, 30(18), doi: 10.1029 / 2003GL017859.
[27] 摇 Giglio L, Van der Werf G R, Randerson J T, Collatz G J, Kasibhatla P. Global estimation of burned area using MODIS active fire observations.
Atmospheric Chemistry and Physics, 2006, 6(4): 957鄄974.
[28] 摇 Key C H. Ecological and sampling constraints on defining landscape fire severity. Fire Ecology, 2006, 2(2): 34鄄59.
[29] 摇 Roy D P, Jin Y, Lewis P E, Justice C O. Prototyping a golbal algorithm for systematic fire鄄affected area mapping using MODIS time series data.
Remote Sensing of Environment, 2005, 97(2): 137鄄162.
[30] 摇 Fraser R H, Li Z, Cihlar J. Hotspot and NDVI differencing synergy (HANDS): a new technique for burned area mapping over boreal forest.
Remote Sensing of Environment, 2000, 74(3): 362鄄376.
[31] 摇 Kucera J, Yasuoka Y, Dye D G. Creating a forest fire database for the Far East Asia using NOAA / AVHRR observation. International Journal of
Remote Sensing, 2005, 26(11): 2423鄄2439.
[32] 摇 Cai H Y, Zhang S W, Bu K, Yang J C, Chang L P. Intergrating geographical data and phenological characteristics derived from MODIS data for
improving land over mapping. Journal of Geographical Sciences, 2011, 21(4): 705鄄718.
[33] 摇 Chuvieco E, Mart侏n M P, Palacios A. Assessment of different spectral indices in the red鄄near鄄infrared spectral domain for burned land
discrimination. International Journal of Remote Sensing, 2002, 23(23): 5103鄄5110.
[34] 摇 Chuvieco E, Englefield P, Trishchenko A P, Luo Y. Generation of long time series of burn area maps of the boreal forest from NOAA鄄AVHRR
composite data. Remote Sensing of Environment, 2008, 112(5): 2381鄄2396.
3785摇 17期 摇 摇 摇 杨伟摇 等:基于 MODIS时序数据的黑龙江流域火烧迹地提取 摇