CN102254398A

CN102254398A - 一种森林火灾烟雾监测方法和系统

Info

Publication number: CN102254398A
Application number: CN 201110157037
Authority: CN
Inventors: 张永明; 王静; 宋卫国; 刘士兴
Original assignee: University of Science and Technology of China USTC
Current assignee: University of Science and Technology of China USTC
Priority date: 2011-06-13
Filing date: 2011-06-13
Publication date: 2011-11-23
Anticipated expiration: 2031-06-13
Also published as: CN102254398B

Abstract

本发明实施例公开了一种森林火灾烟雾监测方法和系统，所述方法包括：获取经过预处理的MODIS多通道光谱数据的反射率和亮温值，所述通道与待处理波段一一对应；根据所述反射率和所述亮温值提取目标波段；采用k-means聚类算法对所述目标波段的反射率做聚类处理并判别所述目标波段中的气溶胶像元；以与烟羽区域对应的气溶胶像元作为训练样本得到Fisher分类器；利用所述Fisher分类器算法去除云干扰像元得到烟雾像元。所述气溶胶像元的得出解决了现有技术中对于扩散在云雨区域的薄层烟雾的漏判问题，并通过Fisher分类器去除干扰烟雾像元的云像元，结合光谱阈值法甄别去除水体像元干扰，提高了监测的准确度，且可适应不同天气状况和季节气候等影响对烟雾监测的需求。

Description

一种森林火灾烟雾监测方法和系统

技术领域

本发明涉及森林火灾监测技术领域，更具体地说，涉及一种森林火灾烟雾监测方法和系统。

背景技术

森林火灾是指失去人为控制，在林地内自由蔓延和扩展，对森林、森林生态系统和人类带来一定危害和损失的自然灾害。而烟雾是火灾过程中的前兆和热物理产物，并在火灾初期尤为明显，针对烟雾的准确监测对森林火灾的救援和扑灭有着重要的意义。

现有的监测森林火灾烟雾的方法多是采用Xie et al利用MODIS的多通道性质提出多光谱阈值监测烟雾像元，但是不能检测薄层烟雾，且在不同区域及季节下，监测结果的稳定性较差。

发明内容

有鉴于此，本发明提供一种森林火灾烟雾监测方法和系统，以实现对薄烟区域的监测，并提高区域和季节的适应性。

一种森林火灾烟雾监测方法，包括：

获取经过预处理的MODIS多通道光谱数据的反射率和亮温值，所述通道与待处理波段一一对应；

根据所述反射率和所述亮温值提取目标波段；

采用k-means聚类算法对所述目标波段的反射率做聚类处理并判别所述目标波段中的气溶胶像元；

以与烟羽区域对应的气溶胶像元作为训练样本得到Fisher分类器；

利用所述Fisher分类器算法去除云干扰像元得到烟雾像元。

优选地，采用k-means聚类算法对所述反射率做聚类处理并判别所述目标波段中的气溶胶像元具体为：

对所述目标波段的反射率赋予三维坐标值，并从三维坐标值中选取对应的一维中心点；

循环计算各三维坐标值与所述一维中心点的相异度，并统计相异度与预设值之间的比较结果，直至求取比较结果对应的三维坐标值的平均值的变化值小于给定阈值为止得到各目标波段的聚类结果；

将各目标波段的聚类结果符合聚类要求的像元记为气溶胶像元。

优选地，以与烟羽区域对应的气溶胶像元作为训练样本得到Fisher分类器具体为：

提取满足第一预设条件并与三通道合成图中的烟羽区域对应的第一指定通道组的反射率作为烟雾样本；

提取满足第二预设条件并与三通道合成图中的烟羽区域对应的第二指定通道组的反射率和亮温值作为云样本；

将所述烟雾样本和所述云样本中的像元作为训练样本的子集计算类内离散度矩阵及类内总离散度矩阵；

利用所述类内总离散度矩阵生成Fisher分类器。根据权利要求1所述的监测方法，其特征在于，还包括：

为了完善上述方案所述第一预设条件具体为：

0.5≥(R₈-R₉)/(R₈+R₉)≥0.15

(R₉-R₇)/(R₉+R₇)≥0.30

(R₈-R₃)/(R₈+R₃)≤0.09

R₈≥0.09，其中：

所述R₈、R₉、R₇和R₃分别第8通道、第9通道、第7通道和第3通道光谱数据的反射率。

所述第二预设条件具体R₁+R₂＞0.9or T₃₂＜265K；

和/或(R₁+R₂＞0.7 and T₃₂＜285K)；

其中：

所述R₁、R₂和T₃₂分别为第1通道的反射率、第1通道的反射率和第32通道的亮温值。

一种森林火灾烟雾监测系统，包括：

光谱数据获取单元，用于获取经过预处理的MODIS多通道光谱数据的反射率和亮温值，其中，所述通道与待处理波段一一对应；

目标波段提取单元，用于根据所述反射率和所述亮温值提取目标波段；

k-means聚类处理单元，用于采用k-means聚类算法对所述目标波段的反射率做聚类处理并判别所述目标波段中的气溶胶像元；

Fisher分类器训练单元，用于以与烟羽区域对应的气溶胶像元作为训练样本得到Fisher分类器；

去云干扰像元单元，用于利用所述Fisher分类器算法去除云干扰像元得到烟雾像元。

从上述的技术方案可以看出，本发明实施例对目标波段中的反射率与亮温值采用k-means聚类算法做聚类处理，得到气溶胶像元，所述气溶胶像元包括如云像元和水体像元等干扰烟雾像元，所述气溶胶像元的得出解决了现有技术中对于扩散在云雨区域的薄层烟雾的漏判问题，并通过Fisher分类器去除干扰烟雾像元的云像元，结合光谱阈值法甄别去除水体像元干扰，提高了监测的准确度，且可适应不同天气状况和季节气候等影响对烟雾监测的需求。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1a为本发明实施例公开的一种森林火灾烟雾监测方法流程图；

图1b本发明实施例公开的一种k-means聚类算法对所述反射率做聚类处理及通过阈值法判别所述目标波段中的气溶胶像元方法流程图；

图1c本发明实施例公开的以与烟羽区域对应的气溶胶像作为训练样本得到Fisher分类器的方法流程图；

图2为本发明实施例公开的一种森林火灾烟雾监测方法流程图；

图3为发明实施例公开的一种森林火灾烟雾监测系统结构示意图。

具体实施方式

为了引用和清楚起见，下文中使用的技术名词、简写或缩写总结如下：

K-means：一种将事先输入的n个数据对象划分为k个聚类迭代算法；

Fisher分类器：基于Fisher判别方法的分类装置；

MODIS：一种搭载于卫星上的传感器。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种森林火灾烟雾监测方法和系统，以实现对薄烟区域的监测，并提高区域和季节的适应性。

在进行实施例的描述之前，首先需要说明的是：

烟、云等气溶胶在可见光和红外波段与植被、土壤以及水域等下垫面介质的反射率和辐射亮温值存在差异，气溶胶具有较高的反射率而具有低的亮温。利用云、烟等气溶胶在可见光和红外波段与植被、土壤、雪和水域等下垫面在反射率和辐射亮温值存在差异进行检测。

k-means算法是基于样本间相似性度量的间接聚类方法，此算法使簇内具有较高的相似度，簇间的相似度较低。相似度的计算根据一个簇中对象的平均值来进行。本发明实施例中采用Kmeans聚类方法将气溶胶(主要为云和烟)从目标波段中分离出来。

Fisher算法是进行模式识别时在低维空间行应用的统计方法，在本发明中在适宜方向投影降低维数是解决分类器训练的关键，在具体实施例中则转换为求解向量w^*的问题。(假定有n个训练样本x_k(k＝1，2，....，n)，其中n₁个样本来自w_i类型，n₂个样本来自w_j类型，n＝n₁+n₂。两个类型的训练样本分别构成训练样本的子集X₁和X₂。

令：y_k＝w^Tx_k，k＝1，2，...，n，其中，y_k是向量x_k通过变换w得到的标量，它是一维的。实际上，对于给定的w，y_k就是判决函数的值。

Fisher线性判别式

求解向量ww)。

图1a示出了一种森林火灾烟雾监测方法，包括：

步骤11：获取经过预处理的MODIS多通道光谱数据的反射率和亮温值，所述通道与待处理波段一一对应；

本实施例中选取反射率和亮温值作为后续计算和处理的主要参数，采用Ri为相应i通道的反射率，例如R1为1通道的反射率。

步骤12：根据所述反射率和所述亮温值提取目标波段；

由于烟雾在短波波段有较强的反射率，在长波波段较为透明。则对modis的1到8波段进行分析，3波段和8波段是提取气溶胶(主要为烟，云和灰尘等，在火灾发生前及发展过程中，对烟检测干扰较大的为云。)较好的波段。

步骤13：采用k-means聚类算法对所述目标波段的反射率做聚类处理并判别所述目标波段中的气溶胶像元；

在步骤12的分析基础上，把3波段和8波段的反射率用于Kmeans聚类算法将气溶胶(潜在烟雾像元)分离。

该步骤具体为，需要特别指出的是，本具体实施例中的赋值方式和求取均值方式作为实施例提出，而并不举行限于下述列举形式：

图1b示出了k-means聚类算法对所述反射率做聚类处理及通过阈值法判别所述目标波段中的气溶胶像元，包括：

步骤121：对所述目标波段的反射率赋予三维坐标值，并从三维坐标值中选取对应的一维中心点：

将3波段反射率和8波段反射率记为R3和R8，分别赋值给data[0][i][j]、data[1][i][j](i，j为MODIS多通道光谱数据中对应点像元的坐标)；

从data[0][i][j]选择2个初始中心点，分别为c[0]、c[1]；

步骤122：计算各三维坐标值与所述一维中心点的相异度；

分别计算data[0][i][j]剩下的元素到c[0]和c[1]的相异度，如果预设值与c[0]差值为小，标记为0，否则标记为1；

步骤123：统计相异度与预设值之间的比较结果个数；

计算：

c[0]＝所有标记为0的data[0][i][j]之和/标记为0的个数；

c[1]＝所有标记为1的data[0][i][j]之和/标记为1的个数；

步骤124：重复步骤122-步骤123，直至所有c[i]值的变化值小于给定阈值，得到R3聚类结果；

采用与步骤121-步骤124相同的处理方式，得到R8聚类结果；

步骤125：满足R3、R8聚类要求的，认为此像元为气溶胶像元(潜在烟雾像元)。

步骤14：以与烟羽区域对应的气溶胶像元作为训练样本得到Fisher分类器；

图1c示出了以与烟羽区域对应的气溶胶像元作为训练样本得到Fisher分类器的实现方式，需要说明的是，本实施方式中的预设条件选定和三通道(1、4、3通道)的选取作为优选提出，而并不局限于下列方式，具体为：

步骤141：提取满足第一预设条件并与三通道合成图中的烟羽区域对应的第一指定通道组的反射率作为烟雾样本；

0.5≥(R₈-R₉)/(R₈+R₉)≥0.15

(R₉-R₇)/(R₉+R₇)≥0.30

(R₈-R₃)/(R₈+R₃)≤0.09

R₈≥0.09，其中：

所述R8、R9、R7和R3分别第8通道、第9通道、第7通道和第3通道光谱数据的反射率。

步骤142：提取满足第二预设条件并与三通道合成图中的烟羽区域对应的第二指定通道组的反射率和亮温值作为云样本；

R₁+R₂＞0.9 or T₂₃＜265K；

和/或(R₁+R₂＞0.7 and T₂₃＜285K)；

其中：

所述R₁、R₂和T23分别为第1通道的反射率、第1通道的反射率和第32通道的亮温值。

步骤143：将所述烟雾样本和所述云样本中的像元作为训练样本的子集计算类内离散度矩阵及类内总离散度矩阵，利用该类内总离散度矩阵生成Fisher分类器。

由

i＝1，2计算各类的类内离散度矩阵

及类内总离散度矩阵

求取S_w的逆矩阵

得到w^*，而所述Fisher分类器对应所述w。

本实施例中，通过多光谱阈值方法提取烟雾像元和云像元的样本，并结合三通道合成法(真彩色图)确认所取样本的正确性。取得的两类样本对Fisher分类器进行训练得到我们需要的Fisher分类器(w^*)。

步骤15：利用所述Fisher分类器算法去除云干扰像元得到烟雾像元。

待判断的气溶胶通过训练后的Fisher分类器排除混合其中的云干扰像元，从而得到烟雾像元。

图2示出了又一种森林火灾烟雾监测方法，包括：

步骤21：通过MODIS采集原始MODIS图像数据；

步骤22：对所述原始MODIS图像数据进行预处理，所述预处理包括：辐射矫正和几何矫正；

步骤23：获取经过预处理的MODIS多通道光谱数据的反射率和亮温值，所述通道与待处理波段一一对应；

步骤24：根据所述反射率和所述亮温值提取目标波段；

步骤25：采用k-means聚类算法对所述目标波段的反射率做聚类处理并判别所述目标波段中的气溶胶像元；

步骤26：利用R7的阈值去除水像元影响；

需要说明的是：步骤25的聚类结果中仍然包含了少部分的水干扰像元，可以通过阈值法去除这部分水的影响，根据水的光谱特性可知，7通道反射率能很好的分辨气溶胶和水像元，本发明利用R7的阈值排除混合的水像元。

步骤26：以与烟羽区域对应的气溶胶像元作为训练样本得到Fisher分类器；

步骤27：去除噪音像元；

一般情况下，烟雾是连续的，如果出现单一像元则认为噪声干像元而对其去除。

步骤28：利用所述Fisher分类器算法去除云干扰像元得到烟雾像元。

详细步骤说明参见图1对应图示及其说明，在此实施例中不做赘述。

图3示出了一种森林火灾烟雾监测系统，包括：

光谱数据获取单元31，用于获取经过预处理的MODIS多通道光谱数据的反射率和亮温值，其中，所述通道与待处理波段一一对应；

目标波段提取单元32，用于根据所述反射率和所述亮温值提取目标波段；

k-means聚类处理单元33，用于采用k-means聚类算法对所述目标波段的反射率做聚类处理并判别所述目标波段中的气溶胶像元；

Fisher分类器训练单元34，用于以与烟羽区域对应的气溶胶像元作为训练样本得到Fisher分类器；

去云干扰像元单元35，用于利用所述Fisher分类器算法去除云干扰像元得到烟雾像元。

图中还示出了

预处理单元36，用于通过MODIS采集原始MODIS图像数据；

对所述原始MODIS图像数据进行预处理，所述预处理包括：辐射矫正和几何矫正。

去干扰单元37，用于在得到气溶胶像元后利用阈值法去除水像元；

在得到烟雾像元后，去除噪音像元。

综上所述：

本发明的实施例对目标波段中的反射率与亮温值采用k-means聚类算法做聚类处理，得到气溶胶像元，所述气溶胶像元包括如云像元和水体像元等干扰烟雾像元，所述气溶胶像元的得出解决了现有技术中对于扩散在云雨区域的薄层烟雾的漏判问题，并通过Fisher分类器去除干扰烟雾像元的云像元，结合光谱阈值法甄别去除水体像元干扰，提高了监测的准确度，且可适应不同天气状况和季节气候等影响对烟雾监测的需求。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本领域技术人员可以理解，可以使用许多不同的工艺和技术中的任意一种来表示信息、消息和信号。例如，上述说明中提到过的消息、信息都可以表示为电压、电流、电磁波、磁场或磁性粒子、光场或以上任意组合。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种森林火灾烟雾监测方法，其特征在于，包括：

根据所述反射率和所述亮温值提取目标波段；

利用所述Fisher分类器算法去除云干扰像元得到烟雾像元。

2.根据权利要求1所述的监测方法，其特征在于，采用k-means聚类算法对所述反射率做聚类处理并判别所述目标波段中的气溶胶像元具体为：

3.根据权利要求1所述的监测方法，其特征在于，以与烟羽区域对应的气溶胶像元作为训练样本得到Fisher分类器具体为：

利用所述类内总离散度矩阵生成Fisher分类器。

4.根据权利要求1所述的监测方法，其特征在于，所述第一预设条件具体为：

0.5≥(R₈-R₉)/(R₈+R₉)≥0.15

(R₉-R₇)/(R₉+R₇)≥0.30

(R₈-R₃)/(R₈+R₃)≤0.09

R₈≥0.09，其中：

所述R₈、R₉、R₇和R₃分别第8通道、第9通道、第7通道和第3通道光谱数据的反射率；

所述第二预设条件具体R₁+R₂＞0.9 or T₃₂＜265K；

和/或(R₁+R₂＞0.7 and T₃₂＜285K)；

其中：

5.根据权利要求1所述的监测方法，其特征在于，还包括：

通过MODIS采集原始MODIS图像数据；

6.根据权利要求1所述的监测方法，其特征在于，

在得到气溶胶像元后利用阈值法去除水像元；

在得到烟雾像元后，去除噪音像元。

7.一种森林火灾烟雾监测系统，其特征在于，包括：

8.根据权利要求7所述的系统，其特征在于，还包括：预处理单元，用于通过MODIS采集原始MODIS图像数据；

9.根据权利要求7所述的系统，其特征在于，还包括：去干扰单元，用于在得到气溶胶像元后利用阈值法去除水像元；

在得到烟雾像元后，去除噪音像元。