CN105678237B - 一种火点确定方法及系统 - Google Patents
一种火点确定方法及系统 Download PDFInfo
- Publication number
- CN105678237B CN105678237B CN201511021477.9A CN201511021477A CN105678237B CN 105678237 B CN105678237 B CN 105678237B CN 201511021477 A CN201511021477 A CN 201511021477A CN 105678237 B CN105678237 B CN 105678237B
- Authority
- CN
- China
- Prior art keywords
- fire point
- point pixel
- pixel
- determined
- cluster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明提供了一种火点确定方法及系统,该方法包括:获取待检测火点范围在预设时间段内的遥感数据;对所述遥感数据进行预处理,获取待确定的火点像元;根据所述待确定的火点像元的时序,通过聚类算法将属于同一聚类的待确定的火点像元中的冗余火点像元剔除,确定火点像元。通过获取预设时间段内的遥感数据,将遥感数据中的非火点像元去除,得到待确定的火点像元,最后通过聚类算法将统一类中同于的冗余火点像元去除,得到火点像元,该方法通过将冗余火点去除,避免了火点的多判和错判现象,能够获取较准确的火点像元的数据,为加强农作物秸秆焚烧监控提供可靠依据。
Description
技术领域
本发明涉及火点判断技术领域,尤其涉及一种火点确定方法及系统。
背景技术
秸秆在生物质燃烧中占有重要位置。秸秆主要指小麦、水稻、玉米、薯类、油料、棉花和甘蔗等农作物在收获籽实后剩余的地表生物质。农作物秸秆含有大量的C、H、O、N和S等元素,其燃烧会产生一系列物质,如CO2、CO、CH4、N2O、NOX、悬浮颗粒物和一些有机烃类及有毒有害物质等,尤其是田间大量直接燃烧会造成短时间严重的大气污染。
随着农作物单产提高,农业秸秆总量迅速增加。但近年来直接作为生活燃料和饲料的比例却大幅度下降,多数地区开始出现秸秆田间焚烧现象。由于秸秆焚烧火点分布在各县、乡不易查证,难以统计,因此对秸秆焚烧的治理往往无的放矢,难以奏效。卫星遥感技术具有时效性强、资料获取快捷和费用低廉的特点,利用卫星遥感技术可以动态、准确地监测大范围的秸秆焚烧状况。国内外在这方面已开展了较多研究及应用。
目前通过MODIS卫星和SUOMI-NPP卫星数据在测量火灾方面都已获得了相当的应用,两者在设计和运行上的差异依然会导致火点预测的不一致性。MODIS的TERRA和AQUA卫星均可以保证每24小时对于指定观测区域进行两次以上的观测。则理论上每天可以获得4次MODIS观测数据。相反,对某个指定的观测区域,SUOMI-NPP卫星每天则至多可以有两次观测机会。因此对于相同的火点,可能经过多次观测。由于拍摄角度,传感器等区别,对于同一个火点,MODIS和SUOMI-NPP卫星的监测可能会产生空间上的偏差,从而导致多判和错判。
发明内容
针对现有技术中的缺陷,本发明提供了一种火点确定方法及系统,该方法通过将冗余火点去除,避免了火点的多判和错判现象。
第一方面,本发明提供了一种火点确定方法,包括:
获取待检测火点范围在预设时间段内的遥感数据;
对所述遥感数据进行预处理,获取待确定的火点像元;
根据所述待确定的火点像元的时序,在同一时段内,通过聚类算法将属于同一聚类的待确定的火点像元中的冗余火点像元剔除,确定火点像元。
可选的,所述对所述遥感数据进行预处理,获取待确定的火点像元,包括:
在所述遥感数据中,将预设第一距离分辨率的近红外波段数据作为原始遥感数据,在所述原始遥感数据中确定云和水体像元;
通过三次多项式插值法将预设第一距离分辨率的包括云和水体像元的原始遥感数据转换为预设第二距离分辨率的遥感数据。
可选的,所述根据所述待确定的火点像元的时序,在同一时段内,通过聚类算法将属于同一聚类的待确定的火点像元中的冗余火点像元剔除,确定该时段火点像元,包括:
根据所述遥感数据获取所述待确定的火点像元的拍摄时间;
根据所述拍摄时间将所述火点像元进行排序,在同一时段内,通过空间K均值法将属于同一聚类的待确定的火点像元中的冗余火点像元剔除,确定该时段火点像元。
可选的,所述根据所述拍摄时间将所述火点像元进行排序,在同一时段内,通过空间K均值法将属于同一聚类的待确定的火点像元中的冗余火点像元剔除,确定该时段火点像元,包括:
获取初始聚类中每一聚类的中心的经纬度数据,所述初始聚类的数量为K;
根据所述待确定的火点像元到每个所述每一聚类的中心的欧几里得距离,对所述待确定的火点像元进行分类;
根据每一聚类中的火点像元更新每一聚类的中心,直至每一聚类中的待确定的火点像元到每一聚类的中心的欧几里得距离不再减小为止,获得聚类结果;
根据所述聚类结果获取的Silhouette的值,根据所述Silhouette的值确定是否需要更改所述初始聚类的数量K,如否,则将每一个聚类中保留一个火点像元,将冗余的火点像元剔除后,确定最终的火点像元。
可选的,所述根据所述聚类结果获取的Silhouette的值,根据所述Silhouette的值确定是否需要更改所述初始聚类的数量K,包括:
若根据所述聚类结果获取的Silhouette的值大于等于0.6,则不需要更改所述初始聚类的数量K。
第二方面,本发明还提供了一种火点确定系统,包括:
第一获取模块,用于获取待检测火点范围在预设时间段内的遥感数据;
数据预处理模块,用于对所述遥感数据进行预处理,获取待确定的火点像元;
火点确定模块,用于根据所述待确定的火点像元的时序,通过聚类算法将属于同一聚类的待确定的火点像元中的冗余火点像元剔除,确定火点像元。
可选的,所述数据预处理模块,具体用于:
在所述遥感数据中,将预设第一距离分辨率的近红外波段数据作为原始遥感数据,在所述原始遥感数据中确定云和水体像元;
通过三次多项式插值法将预设第一距离分辨率的包括云和水体像元的原始遥感数据转换为预设第二距离分辨率的遥感数据。
可选的,所述火点确定模块,包括:
第二获取模块,用于根据所述遥感数据获取所述待确定的火点像元的拍摄时间;
冗余火点剔除模块,用于根据所述拍摄时间将所述火点像元进行排序,通过空间K均值法将属于同一聚类的待确定的火点像元中的冗余火点像元剔除,确定火点像元。
可选的,所述冗余火点剔除模块,具体用于:
获取初始聚类中每一聚类的中心的经纬度数据,所述初始聚类的数量为K;
根据所述待确定的火点像元到每个所述每一聚类的中心的欧几里得距离,对所述待确定的火点像元进行分类;
根据每一聚类中的火点像元更新每一聚类的中心,直至每一聚类中的待确定的火点像元到每一聚类的中心的欧几里得距离不再减小为止,获得聚类结果;
根据所述聚类结果获取的Silhouette的值,根据所述Silhouette的值确定是否需要更改所述初始聚类的数量K,如否,则将每一个聚类中保留一个火点像元,将冗余的火点像元剔除后,确定最终的火点像元。
可选的,所述冗余火点剔除模块,具体用于:
若根据所述聚类结果获取的Silhouette的值大于等于0.6,则不需要更改所述初始聚类的数量K。
由上述技术方案可知,本发明提供一种火点确定方法及系统,通过获取预设时间段内的遥感数据,将遥感数据中的非火点像元去除,得到待确定的火点像元,最后通过聚类算法将统一类中同于的冗余火点像元去除,得到火点像元,该方法通过将冗余火点去除,避免了火点的多判和错判现象,能够获取较准确的火点像元的数据,为加强农作物秸秆焚烧监控提供可靠依据。
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,还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的一种火点确定方法的流程示意图;
图2为本发明一实施例提供的火点像元和非火点像元的判别示意图;
图3为本发明一实施例提供的一种冗余火点去除的结构示意图;
图4为本发明一实施例提供的一种火点确定系统的结构示意图。
具体实施方式
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做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。
图1为本发明一实施例提供的一种火点确定方法的流程示意图,如图1所示,该方法包括以下步骤:
101、获取待检测火点范围在预设时间段内的遥感数据;
102、对所述遥感数据进行预处理,获取待确定的火点像元;
103、根据所述待确定的火点像元的时序,通过聚类算法将属于同一聚类的待确定的火点像元中的冗余火点像元剔除,确定火点像元。
上述方法通过获取预设时间段内的遥感数据,将遥感数据中的非火点像元去除,得到待确定的火点像元,最后通过聚类算法将统一类中同于的冗余火点像元去除,得到火点像元,该方法通过将冗余火点去除,避免了火点的多判和错判现象,能够获取较准确的火点像元的数据,为加强农作物秸秆焚烧监控提供可靠依据。
上述步骤102中所述对所述遥感数据进行预处理,获取待确定的火点像元,包括:
在所述遥感数据中,将预设第一距离分辨率的近红外波段数据作为原始遥感数据,在所述原始遥感数据中确定云和水体像元;
通过三次多项式插值法将预设第一距离分辨率的包括云和水体像元的原始遥感数据转换为预设第二距离分辨率的遥感数据。
具体可以理解为本实施例中为了获得更准确的火点像元,本实施例中的遥感数据为MODIS和VIIRS的遥感数据。MODIS数据包括产品名称:MOD021KM、MOD03、MOD09、MOD14、MYD021KM、MYD03、MYD09和MYD14。VIIRS数据包括:VIIRS-Active-Fires-ARP。MODIS数据在火点监测中经常会造成误判。例如,在对遥感数据进行预处理将云与水体判别和去除的步骤中,需要像素大小为1千米的红波段和近红外波段数据。其结果就导致体积小于1平方千米的云和水体像素会被判别算法遗漏。从而在接下来的火点监测中造成火点与水体像素的混淆。在最后的结果中,经常会发现有水体像素被误判成火点。因此,对云和水体的准确判别,并在第一时间排除,是避免误判的一个重要步骤。
为了能够进行更为精细的云和水体判别,如图2所示,本实施例中采用了MODIS数据产品,MOD021KM以及MYD021KM的中的’250m Surface Reflectance Band 1’和’250mSurface Reflectance Band 2’。其分别代表250米分辨率红波段数据和250米分辨率的近红外波段数据。采用该分辨率的数据作为原始数据,可以避免漏判大部分在体积上小于1平方千米的云和水体,从而获得更为细粒度的判别结果。在云和水体像元判别结束后,采用了三次多项式插值法将图像像素重采样为1千米分辨率,从而与原有的1千米分辨率亮温数据相融合。
上述步骤103中所述根据所述待确定的火点像元的时序,通过聚类算法将属于同一聚类的待确定的火点像元中的冗余火点像元剔除,确定火点像元,包括:
根据所述遥感数据获取所述待确定的火点像元的拍摄时间;
根据所述拍摄时间将所述火点像元进行排序,在同一时间段内,通过空间K均值法将属于同一聚类的待确定的火点像元中的冗余火点像元剔除,确定该时段火点像元。
具体包括:获取初始聚类中每一聚类的中心的经纬度数据,所述初始聚类的数量为K;根据所述待确定的火点像元到每个所述每一聚类的中心的欧几里得距离,对所述待确定的火点像元进行聚类;根据每一聚类中的火点像元更新每一聚类的中心,直至每一聚类中的待确定的火点像元到每一聚类的中心的欧几里得距离不再减小为止,获得聚类结果;根据所述聚类结果获取的Silhouette的值,根据所述Silhouette的值确定是否需要更改所述初始聚类的数量K,如否,则将每一个聚类中保留一个火点像元,将冗余的火点像元剔除后,确定最终的火点像元。
由于MODIS的TERRA和AQUA卫星均可以保证每24小时对于指定观测区域进行两次以上的观测。则理论上每天可以获得4次MODIS观测数据。相反,对某个指定的观测区域,SUOMI-NPP卫星每天则至多可以有两次观测机会。因此对于相同的火点,可能经过多次观测。由于拍摄角度,传感器等区别,对于同一个火点MODIS和SUOMI-NPP卫星的监测可能会产生空间上的偏差,从而导致多判和错判。为了解决这个问题,本实施例采用了时序和空间分析相结合的方法。首先,按时序将火点数据排序。接着依次分析并融合两个时间上紧邻的数据。例如,分析第一和第二时间段的数据。如果两个时间段相差超过1小时,则保留两个图层中的所有点并合并至一个图层。接着使用该图层和下一个时间段进行分析。如果两时间段相差不超过1小时,则进行空间聚类分析。通过聚类分析,可以去除掉MODIS和VIIRS监测的重复数据,并删除冗余的重复监测结果。如图3所示,聚类方法采用空间k均值法。该算法表示在空间中,以k个点为中心进行聚类,并将与其距离最近的点归类。但是该算法的一个重要缺陷是对于初始k的选择需要有较好的先验知识。因此,在进行正式的空间聚类之前,采用Silhouette方法来确定最佳的k。具体步骤如下:
1、选择初始类的数量,k,并随机赋予经纬度数据,即每一个类中心。
2、计算所有火点到每个中心的欧几里得距离。
3、将每个火点分配到距离其最近的中心所在的类。
4、对于每一类,计算其中所有的点的平均距离以获得新的中心点。
5、持续2-4步直到重新分配火点后,所有点到相应的中心的距离不再缩小位置。
6、通过获得的聚类结果计算Silhouette值并做图。在Silhouette图中,若在某个类中的Silhouette值较高(大于0.6),则表明该类聚类效果较好。反之,若某个类中的Silhouette值较低,则表明该类的聚类效果较差。若各个类中的Silhouette值普遍较高,则无需对k做调整。若较多的类中包含较低的Silhouette值(小于0),则可以相应的提升k的值再做Silhouette分析。即若根据所述聚类结果获取的Silhouette的值大于等于0.6,则不需要更改所述初始聚类的数量K。相反,则需要更改初始聚类的数量K。
其中,Silhouette可以通过下式计算:
Silhouette=(bi-ai)/max(ai,bi)
ai为第i个点到其所在的聚类中其他所有点距离的平均值;bi为第i个点到其他各聚类中的点的最小值。max(ai,bi)意味取ai和bi中的最大值。
7、重复1-6直到获得较为满意Silhouette值,从而获得最佳的k值。
8、利用优化的k值进行k均值空间聚类。
9、在聚类的结果里,每一类中保留一个点,去除多余的火点,从而达到去除冗余和多判火点的效果。接着使用聚类分析后的火点数据和下一时间段数据进行分析。
通过上述方法,两类卫星数据的监测结果可以较好的融合,实现多时段数据的相互验证,有效提高了火点数据判别准确率。
图4示出了本发明实施例提供的一种火点确定系统的结构示意图,如图4所示,该系统包括:
第一获取模块41,用于获取待检测火点范围在预设时间段内的遥感数据;
数据预处理模块42,用于对所述遥感数据进行预处理,获取待确定的火点像元;
火点确定模块43,用于根据所述待确定的火点像元的时序,通过聚类算法将属于同一聚类的待确定的火点像元中的冗余火点像元剔除,确定火点像元。
在本实施例的一个优选的实施方式中,所述数据预处理模块,具体用于:
在所述遥感数据中,将预设第一距离分辨率的近红外波段数据作为原始遥感数据,在所述原始遥感数据中确定云和水体像元;
通过三次多项式插值法将预设第一距离分辨率的包括云和水体像元的原始遥感数据转换为预设第二距离分辨率的遥感数据。
在本实施例的一个优选的实施方式中,所述火点确定模块,包括:
第二获取模块,用于根据所述遥感数据获取所述待确定的火点像元的拍摄时间;
冗余火点剔除模块,用于根据所述拍摄时间将所述火点像元进行排序,通过空间K均值法将属于同一聚类的待确定的火点像元中的冗余火点像元剔除,确定火点像元。
在本实施例的一个优选的实施方式中,所述冗余火点剔除模块,具体用于:
获取初始聚类中每一聚类的中心的经纬度数据,所述初始聚类的数量为K;
根据所述待确定的火点像元到每个所述每一聚类的中心的欧几里得距离,对所述待确定的火点像元进行分类;
根据每一聚类中的火点像元更新每一聚类的中心,直至每一聚类中的待确定的火点像元到每一聚类的中心的欧几里得距离不再减小为止,获得聚类结果;
根据所述聚类结果获取的Silhouette的值,根据所述Silhouette的值确定是否需要更改所述初始聚类的数量K,如否,则将每一个聚类中保留一个火点像元,将冗余的火点像元剔除后,确定最终的火点像元。
在本实施例的一个优选的实施方式中,所述冗余火点剔除模块,具体用于:
若根据所述聚类结果获取的Silhouette的值大于等于0.6,则不需要更改所述初始聚类的数量K。
需要说明的是,本实施例中的系统与上述图1中的方法是一一对应的关系,上述方法中的实施细节同样适用于该系统,本实施例不对系统的具体实施细节进行详细说明。
本发明的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释呈反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在于该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是互相排斥之处,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一种浏览器终端的设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种火点确定方法,其特征在于,包括:
获取待检测火点范围在预设时间段内的遥感数据;
对所述遥感数据进行预处理,获取待确定的火点像元;
根据所述待确定的火点像元的时序,在同一时间内,通过聚类算法将属于同一聚类的待确定的火点像元中的冗余火点像元剔除,确定火点像元;
其中,同一聚类的待确定火点像元中保留一个火点像元,其余火点像元为冗余火点。
2.根据权利要求1所述的方法,其特征在于,所述对所述遥感数据进行预处理,获取待确定的火点像元,包括:
在所述遥感数据中,将预设第一距离分辨率的近红外波段数据作为原始遥感数据,在所述原始遥感数据中确定云和水体像元;
通过三次多项式插值法将预设第一距离分辨率的包括云和水体像元的原始遥感数据转换为预设第二距离分辨率的遥感数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述待确定的火点像元的时序,通过聚类算法将属于同一聚类的待确定的火点像元中的冗余火点像元剔除,确定火点像元,包括:
根据所述遥感数据获取所述待确定的火点像元的拍摄时间;根据所述拍摄时间将所述火点像元进行排序,通过空间K均值法将属于同一聚类的待确定的火点像元中的冗余火点像元剔除,确定火点像元。
4.根据权利要求3所述的方法,其特征在于,所述根据所述拍摄时间将所述火点像元进行排序,对于同一时间段内的火点数据,通过空间K均值法将属于同一聚类的待确定的火点像元中的冗余火点像元剔除,确定该时段火点像元,包括:
获取初始聚类中每一聚类的中心的经纬度数据,所述初始聚类的数量为K;
根据所述待确定的火点像元到每个所述每一聚类的中心的欧几里得距离,对所述待确定的火点像元进行分类;
根据每一聚类中的火点像元更新每一聚类的中心,直至每一聚类中的待确定的火点像元到每一聚类的中心的欧几里得距离不再减小为止,获得聚类结果;
根据所述聚类结果获取的Silhouette的值,根据所述Silhouette的值确定是否需要更改所述初始聚类的数量K,如否,则将每一个聚类中保留一个火点像元,将冗余的火点像元剔除后,确定最终的火点像元。
5.根据权利要求4所述的方法,其特征在于,所述根据所述聚类结果获取的Silhouette的值,根据所述Silhouette的值确定是否需要更改所述初始聚类的数量K,包括:
若根据所述聚类结果获取的Silhouette的值大于等于0.6,则不需要更改所述初始聚类的数量K。
6.一种火点确定系统,其特征在于,包括:
第一获取模块,用于获取待检测火点范围在预设时间段内的遥感数据;
数据预处理模块,用于对所述遥感数据进行预处理,获取待确定的火点像元;
火点确定模块,用于根据所述待确定的火点像元的时序,通过聚类算法将属于同一聚类的待确定的火点像元中的冗余火点像元剔除,确定火点像元;
其中,同一聚类的待确定火点像元中保留一个火点像元,其余火点像元为冗余火点。
7.根据权利要求6所述的系统,其特征在于,所述数据预处理模块,具体用于:
在所述遥感数据中,将预设第一距离分辨率的可见光及近红外波段数据作为原始遥感数据,在所述原始遥感数据中确定云和水体像元;
通过三次多项式插值法将预设第一距离分辨率的包括云和水体像元的原始遥感数据转换为预设第二距离分辨率的遥感数据。
8.根据权利要求6所述的系统,其特征在于,所述火点确定模块,包括:
第二获取模块,用于根据所述遥感数据获取所述待确定的火点像元的拍摄时间;
冗余火点剔除模块,用于根据所述拍摄时间将所述火点像元进行排序,对于同一时间段内的火点数据,通过空间K均值法将属于同一聚类的待确定的火点像元中的冗余火点像元剔除,确定该时段火点像元。
9.根据权利要求8所述的系统,其特征在于,所述冗余火点剔除模块,具体用于:
获取初始聚类中每一聚类的中心的经纬度数据,所述初始聚类的数量为K;
根据所述待确定的火点像元到每个所述每一聚类的中心的欧几里得距离,对所述待确定的火点像元进行分类;
根据每一聚类中的火点像元更新每一聚类的中心,直至每一聚类中的待确定的火点像元到每一聚类的中心的欧几里得距离不再减小为止,获得聚类结果;
根据所述聚类结果获取的Silhouette的值,根据所述Silhouette的值确定是否需要更改所述初始聚类的数量K,如否,则将每一个聚类中保留一个火点像元,将冗余的火点像元剔除后,确定最终的火点像元。
10.根据权利要求9所述的系统,其特征在于,所述冗余火点剔除模块,具体用于:
若根据所述聚类结果获取的Silhouette的值大于等于0.6,则不需要更改所述初始聚类的数量K。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511021477.9A CN105678237B (zh) | 2015-12-31 | 2015-12-31 | 一种火点确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511021477.9A CN105678237B (zh) | 2015-12-31 | 2015-12-31 | 一种火点确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105678237A CN105678237A (zh) | 2016-06-15 |
CN105678237B true CN105678237B (zh) | 2019-12-03 |
Family
ID=56298121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511021477.9A Active CN105678237B (zh) | 2015-12-31 | 2015-12-31 | 一种火点确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678237B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108242052A (zh) * | 2016-12-23 | 2018-07-03 | 航天星图科技(北京)有限公司 | 一种应用于农田的火点确定方法 |
CN107576399B (zh) * | 2017-09-12 | 2020-11-24 | 北京师范大学 | 面向modis林火探测的亮温预测方法和系统 |
CN107945446B (zh) * | 2017-11-20 | 2020-03-03 | 北京中科锐景科技有限公司 | 基于多源卫星的监测对森林热点进行识别的方法及设备 |
CN108182706B (zh) * | 2017-12-08 | 2021-09-28 | 重庆广睿达科技有限公司 | 一种焚烧物的监控方法及系统 |
CN108875806B (zh) * | 2018-05-31 | 2022-08-16 | 中南林业科技大学 | 基于时空数据的虚假林火热点挖掘方法 |
CN109325522B (zh) * | 2018-08-24 | 2022-06-03 | 中国科学院遥感与数字地球研究所 | 基于改进kmeans的重工业时序热源区域识别算法 |
CN109299691B (zh) * | 2018-09-25 | 2022-02-18 | 路庄 | 一种失火发生情况分析方法及装置 |
CN110021018A (zh) * | 2019-04-12 | 2019-07-16 | 电子科技大学 | 一种基于遥感数据提取森林火灾足迹的方法 |
CN110555484A (zh) * | 2019-09-10 | 2019-12-10 | 云南电网有限责任公司带电作业分公司 | 基于knn分类的modis数据山火检测方法、系统及其存储介质 |
CN111783560A (zh) * | 2020-06-12 | 2020-10-16 | 云南电网有限责任公司电力科学研究院 | 一种多参量融合的电网山火二次判别方法及装置 |
CN111753900B (zh) * | 2020-06-23 | 2023-04-07 | 中南林业科技大学 | 一种森林火灾的监测方法 |
CN112665728B (zh) * | 2020-12-15 | 2022-04-15 | 中国科学院空天信息创新研究院 | 一种基于双时相影像的亮温差校正火点检测的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008051207A2 (en) * | 2005-10-21 | 2008-05-02 | Carnegie Institution Of Washington | Remote sensing analysis of forest disturbances |
CN101592524A (zh) * | 2009-07-07 | 2009-12-02 | 中国科学技术大学 | 基于类间方差的modis森林火灾火点检测方法 |
CN102298698A (zh) * | 2011-05-30 | 2011-12-28 | 河海大学 | 基于角点与边缘信息融合的遥感图像飞机检测方法 |
CN104700095A (zh) * | 2015-03-30 | 2015-06-10 | 北京市环境保护监测中心 | 秸秆焚烧火点卫星遥感监测方法及处理装置 |
-
2015
- 2015-12-31 CN CN201511021477.9A patent/CN105678237B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008051207A2 (en) * | 2005-10-21 | 2008-05-02 | Carnegie Institution Of Washington | Remote sensing analysis of forest disturbances |
CN101592524A (zh) * | 2009-07-07 | 2009-12-02 | 中国科学技术大学 | 基于类间方差的modis森林火灾火点检测方法 |
CN102298698A (zh) * | 2011-05-30 | 2011-12-28 | 河海大学 | 基于角点与边缘信息融合的遥感图像飞机检测方法 |
CN104700095A (zh) * | 2015-03-30 | 2015-06-10 | 北京市环境保护监测中心 | 秸秆焚烧火点卫星遥感监测方法及处理装置 |
Non-Patent Citations (2)
Title |
---|
Fuzzy clustering algorithms for unsupervised change detection in remote sensing images;Ghosh A, Mishra N S, Ghosh S;《Information Sciences》;20111031;全文 * |
基于MODIS遥感影像的森林火灾火点检测方法;付迎春;《华南师范大学学报(自然科学版)》;20080831(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105678237A (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678237B (zh) | 一种火点确定方法及系统 | |
CN105740817B (zh) | 一种秸秆燃烧火点数据的判断方法及系统 | |
Li et al. | Tree root automatic recognition in ground penetrating radar profiles based on randomized Hough transform | |
França et al. | Pre-harvest sugarcane burning: determination of emission factors through laboratory measurements | |
Panda et al. | Remote sensing and geospatial technological applications for site-specific management of fruit and nut crops: A review | |
CN105259909B (zh) | 基于无人飞行器的植被数据采集方法及采集装置 | |
Orlando et al. | Estimating leaf area index (LAI) in vineyards using the PocketLAI smart-app | |
Andújar et al. | Accuracy and feasibility of optoelectronic sensors for weed mapping in wide row crops | |
Ward et al. | Multi‐decadal trends in spring arrival of avian migrants to the central Arctic coast of Alaska: Effects of environmental and ecological factors | |
Hagemeier et al. | Functional crown architecture of five temperate broadleaf tree species: Vertical gradients in leaf morphology, leaf angle, and leaf area density | |
McKellar et al. | Dual visible‐thermal camera approach facilitates drone surveys of colonial marshbirds | |
Vinci et al. | Geometrical characterization of hazelnut trees in an intensive orchard by an unmanned aerial vehicle (UAV) for precision agriculture applications | |
Masseroni et al. | Assessing the reliability of thermal and optical imaging techniques for detecting crop water status under different nitrogen levels | |
Scherer et al. | Merging trait-based and individual-based modelling: An animal functional type approach to explore the responses of birds to climatic and land use changes in semi-arid African savannas | |
CN106651117A (zh) | 风险监测信息系统中监测任务的实施方法及装置 | |
Viedma et al. | Postfire tree structure from high-resolution LiDAR and RBR sentinel 2A fire severity metrics in a Pinus halepensis-dominated burned stand | |
D’hont et al. | Characterising termite mounds in a tropical savanna with UAV laser scanning | |
Benocci et al. | Mapping of the acoustic environment at an Urban Park in the City Area of Milan, Italy, using very low-cost sensors | |
Schrader et al. | Life‐history dimensions indicate non‐random assembly processes in tropical island tree communities | |
Murphy et al. | Unraveling Forest Complexity: Resource Use Efficiency, Disturbance, and the Structure‐Function Relationship | |
CN106954563A (zh) | 一种土禽蛋的识别方法及其识别装置 | |
du Toit et al. | Deriving internal crown geometric features of Douglas-fir from airborne laser scanning in a realized-gain trial | |
Imangholiloo et al. | Using leaf-off and leaf-on multispectral airborne laser scanning data to characterize seedling stands | |
Li et al. | Determination of the leaf inclination angle (LIA) through field and remote sensing methods: current status and future prospects | |
Vaz et al. | Plant species segregation in dune ecosystems emphasises competition and species sorting over facilitation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |