CN106485718A - 一种过火迹地识别方法及装置 - Google Patents

Abstract

本申请提供了一种过火迹地识别方法及装置，过火迹地识别方法包括：获取中国境内的火点数据；从中国境内的火点数据中提取监测区的火点数据；以监测区的火点数据指示的地理位置为中心，对监测区进行区域扩充，生成火灾监测多级缓冲区；获取火灾监测多级缓冲区的中或高分辨率卫星影像；对火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑；分别对各个多边形图斑进行过火分类识别，分别得到过火分类识别结果，并根据分别得到的过火分类识别结果确定过火迹地范围。在本申请中，通过以上方式能够准确快速的识别过火迹地。

Description

一种过火迹地识别方法及装置

技术领域

本申请涉及过火迹地识别领域，特别涉及一种过火迹地识别方法及装置。

背景技术

森林、草原火灾是当今世界性的重大灾害之一，其突发性强，危害大。森林、草原火灾所释放出的大量温室气体和气溶胶由于能够改变地球大气化学成分，因此会对全球环境和气候变化产生很大的影响。同时，森林、草原火灾对林业及畜牧业生产有巨大的破坏作用，火灾后往往造成巨大的经济损失。

为了及时补救森林、草原火灾带来的环境、气候、经济损失问题，首先需要及时对过火迹地(即森林、草原经过火灾烧毁后尚未长成新林的土地)的面积进行统计，而对过火迹地的面积进行统计的前提是识别出过火迹地，但是目前国内缺乏一种快速、准确的识别过火迹地的方案。

发明内容

为解决上述技术问题，本申请实施例提供一种过火迹地识别方法及装置，以达到准确快速的识别过火迹地的目的，技术方案如下：

一种过火迹地识别方法，包括：

获取中国境内的火点数据；

从所述中国境内的火点数据中提取监测区的火点数据；

以所述监测区的火点数据指示的地理位置为中心，对所述监测区进行区域扩充，生成火灾监测多级缓冲区；

获取所述火灾监测多级缓冲区的中或高分辨率卫星影像；

对所述火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑；

分别对各个所述多边形图斑进行过火分类识别，分别得到过火分类识别结果，并根据分别得到的过火分类识别结果确定过火迹地范围。

优选的，所述获取中国境内的火点数据包括：

从MODIS数据中获取所述中国境内的火点数据；

和/或，从国内气象卫星采集的火点数据中获取所述中国境内的火点数据。

优选的，所述获取所述火灾监测多级缓冲区的中或高分辨率卫星影像的过程，包括：

从国内卫星数据网站下载所述火灾监测多级缓冲区的中或高分辨率的全色影像和多光谱影像；

通过遥感图像处理软件对所述火灾监测多级缓冲区的中或高分辨率的全色影像和多光谱影像进行预处理，得到所述火灾监测多级缓冲区的中或高分辨率卫星影像。

优选的，所述对所述火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑包括：

利用多尺度分割算法，对所述火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑。

优选的，分别对各个所述多边形图斑进行过火分类识别的过程，包括：

分别对各个所述多边形图斑进行特征提取，得到各个所述多边形图斑的特征向量；

利用机器学习算法和影像解译知识库对各个所述多边形图斑的特征向量进行过火分类识别。

一种过火迹地识别装置，包括：

第一获取模块，用于获取中国境内的火点数据；

提取模块，用于从所述中国境内的火点数据中提取监测区的火点数据；

生成模块，用于以所述监测区的火点数据指示的地理位置为中心，对所述监测区进行区域扩充，生成火灾监测多级缓冲区；

第二获取模块，用于获取所述火灾监测多级缓冲区的中或高分辨率卫星影像；

图像分割模块，用于对所述火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑；

识别模块，用于分别对各个所述多边形图斑进行过火分类识别，分别得到过火分类识别结果，并根据分别得到的过火分类识别结果确定过火迹地范围。

优选的，所述第一获取模块包括：

第一获取单元，用于从MODIS数据中获取所述中国境内的火点数据；

和/或，第二获取单元，用于从国内气象卫星采集的火点数据中获取所述中国境内的火点数据。

优选的，所述第二获取模块包括：

下载单元，用于从国内卫星数据网站下载所述火灾监测多级缓冲区的中或高分辨率的全色影像和多光谱影像；

预处理单元，用于通过遥感图像处理软件对所述火灾监测多级缓冲区的中或高分辨率的全色影像和多光谱影像进行预处理，得到所述火灾监测多级缓冲区的中或高分辨率卫星影像。

优选的，所述图像分割模块包括：

图像分割单元，用于利用多尺度分割算法，对所述火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑。

优选的，所述识别模块包括：

特征提取单元，用于分别对各个所述多边形图斑进行特征提取，得到各个所述多边形图斑的特征向量；

识别单元，用于利用机器学习算法和影像解译知识库对各个所述多边形图斑的特征向量进行过火分类识别。

与现有技术相比，本申请的有益效果为：

在本申请中，由于火点数据指示的地理位置准确率高，因此确定的火灾区域的地理位置(即监测区的火点数据指示的地理位置)准确率高，在保证火灾区域的地理位置准确率高的前提下，以监测区的火点数据指示的地理位置为中心，扩充监测区的火灾区域，生成火灾监测多级缓冲区，之后，获取所述火灾监测多级缓冲区的中或高分辨率卫星影像；对所述火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑；分别对各个所述多边形图斑进行过火分类识别，分别得到过火分类识别结果，并根据分别得到的过火分类识别结果确定过火迹地范围，准确的识别出过火迹地。

并且，由于识别过火迹地的过程是基于机器学习的过程，因此识别所需时间短，识别效率高，以达到快速识别过火迹地的目的。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请提供的过火迹地识别方法的一种流程图；

图2是本申请提供的过火迹地识别方法的一种子流程图；

图3是本申请提供的过火迹地识别方法的另一种子流程图；

图4是本申请提供的过火迹地识别装置的一种逻辑结构示意图；

图5是本申请提供的第二获取模块的一种逻辑结构示意图；

图6是本申请提供的识别模块的一种逻辑结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

实施例一

请参见图1，其示出了本申请提供的过火迹地识别方法的一种流程图，可以包括以下步骤：

步骤S11：获取中国境内的火点数据。

在本实施例中，火点数据包括经度、纬度、获取日期和获取时间、卫星、可信度((0—100)等。

需要说明的是，获取中国境内的火点数据的具体方式主要为在线获取中国境内的火点数据。其中，在线获取中国境内的火点数据的具体方式，实时性更高，保证过火迹地识别的所需时间更短，效率更高。当然，获取中国境内的火点数据的具体方式也可以为离线获取中国境内的火点数据。

步骤S12：从所述中国境内的火点数据中提取监测区的火点数据。

在本实施例中，将监测区的矢量边界与中国境内的火点数据进行空间相交分析，提取出监测区的火点数据。

其中，监测区具体为预先设定的监测区域，或报案区(即根据客户提供的火灾报案信息确定的区域)。

步骤S13：以所述监测区的火点数据指示的地理位置为中心，对所述监测区进行区域扩充，生成火灾监测多级缓冲区。

由于火点数据包括经度、纬度、获取日期和获取时间、卫星、可信度((0—100)等，因此火点数据包括的经度、纬度、获取日期和获取时间、卫星、可信度((0—100)等可以准确指示监测区的地理位置。

在本实施例中，具体以所述监测区的火点数据指示的地理位置为中心，利用空间分析工具对所述监测区进行区域扩充，生成火灾监测多级缓冲区。

其中，利用空间分析工具对所述监测区进行区域扩充具体可以为：利用空间分析工具，以1Km为间距对所述监测区进行区域扩充，分别生成1km、2km、3km、4km、5Km、6km、7km、8km、9Km、10km缓冲环。

需要说明的是，以所述监测区的火点数据指示的地理位置为中心，对所述监测区进行区域扩充，生成火灾监测多级缓冲区，是为了避免遗漏过火迹地区域，提高识别过火迹地区域的准确率。

步骤S14：获取所述火灾监测多级缓冲区的中或高分辨率卫星影像。

步骤S15：对所述火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑。

步骤S16：分别对各个所述多边形图斑进行过火分类识别，分别得到过火分类识别结果，并根据分别得到的过火分类识别结果确定过火迹地范围。

在本实施例中，过火分类识别结果分为两种，分别为多边形图斑为过火迹地和多边形图斑不是过火迹地。相应的，根据分别得到的过火分类识别结果确定过火迹地范围具体为：将过火分类识别结果为多边形图斑为过火迹地对应的多边形图斑组成过火迹地范围。

在本申请中，由于火点数据指示的地理位置准确率高，因此确定的火灾区域的地理位置(即监测区的火点数据指示的地理位置)准确率高，在保证火灾区域的地理位置准确率高的前提下，以监测区的火点数据指示的地理位置为中心，扩充监测区的火灾区域，生成火灾监测多级缓冲区，之后，获取所述火灾监测多级缓冲区的中或高分辨率卫星影像；对所述火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑；分别对各个所述多边形图斑进行过火分类识别，分别得到过火分类识别结果，并根据分别得到的过火分类识别结果确定过火迹地范围，准确的识别出过火迹地。

并且，由于识别过火迹地的过程是基于机器学习的过程，因此识别所需时间短，识别效率高，以达到快速识别过火迹地的目的。

进一步的，仅对火灾监测多级缓冲区的中或高分辨率卫星影像进行处理，识别出过火迹地范围，而非是对中国境内的全部卫星影像进行处理，减小文件的同时也节约了分析处理时间，提高了识别效率。

在本实施例中，上述获取中国境内的火点数据的过程具体可以包括：从MODIS(中分辨率成像光谱仪，MODerate-resolution Imaging Spectroradiometer)数据中获取所述中国境内的火点数据；

和/或，从国内气象卫星采集的火点数据中获取所述中国境内的火点数据。

在获取中国境内的火点数据的过程为：从MODIS数据中获取所述中国境内的火点数据；和，从国内气象卫星采集的火点数据中获取所述中国境内的火点数据时，将从MODIS数据中获取到的中国境内的火点数据和从国内气象卫星采集的火点数据中获取到的中国境内的火点数据进行整理(如去除重复的数据或补充缺少的数据等)，将整理后的火点数据作为最终的中国境内的火点数据。

其中，MODIS数据为国外气象卫星采集的数据，从MODIS数据中获取所述中国境内的火点数据具体为：从国内MODIS网站中下载所述中国境内的火点数据或从国外网站(如网址为http://modis.gsfc.nasa.gov/或者https://earthdata.nasa.gov/的网站)中下载所述中国境内的火点数据，火点数据具体为MODIS数据中的MOD14A1产品数据。

需要说明的是，国内MODIS网站具体为：中国科学院计算机网络信息中心为方便国内科研人员对MODIS数据的访问、下载和利用，自2009年2月开始“地理空间数据云”在线服务。国内MODIS网站中的MODIS数据来源于美国国家航空与航天局(NASA)，基于Terra和Aqua两颗星观测所得。从NASA镜像过来并提供查询和下载的数据有17种，其中MOD14A1(每日1KM温度异常/火L3级产品)、MOD14A2(1KM温度异常/火8天合成产品)。MOD14陆地2级标准数据产品，内容为热异常-火灾和生物量燃烧，空间分辨率1km，确定火灾发生的位置、火灾等级以及暗火与燃烧比。目前，已镜像的中国境内数据约30TB，并实现了该区域范围内数据与NASA的同步更新。

其中，MOD14A1产品数据在国内MODIS网站中的具体呈现方式请参见表格1。

表格1

其中，在网内MODIS网站和国外网站中，MODIS数据的延迟时间在60至125分钟左右。

上述国内气象卫星采集的火点数据具体为由风云三号(FY-3)气象卫星采集的火点数据，具体可以从中国气象数据网(http://data.cma.cn)或风云卫星遥感数据服务网(http://satellite.nsmc.org.cn)中下载中国境内的火点数据。。风云三号(FY-3)气象卫星是我国的第二代极轨气象卫星，具备解决三维大气探测，大幅度提高全球资料获取能力，进一步提高云区和地表特征遥感能力，从而能够获取全球、全天候、三维、定量、多光谱的大气、地表和海表特性参数。

其中，中国气象数据网(http://data.cma.cn)或风云卫星遥感数据服务网(http://satellite.nsmc.org.cn)中可供下载的数据请参见表格2。

表格2

如表格2所示，从中国气象数据网(http://data.cma.cn)或风云卫星遥感数据服务网(http://satellite.nsmc.org.cn)中下载的中国境内的火点数据具体为卫星探测资料中的火点产品。

在本实施例中，获取所述火灾监测多级缓冲区的中或高分辨率卫星影像的过程，请参见图2，可以包括以下步骤：

步骤S21：从国内卫星数据网站下载所述火灾监测多级缓冲区的中或高分辨率的全色影像和多光谱影像。

国内卫星数据网站涵盖的数据主要为环境监测系列卫星、高分系列卫星、资源系列卫星、天绘系列卫星等卫星采集的数据。

其中，TH-1卫星作为天绘系列卫星，是我国第一颗传输型立体测绘卫星，可快速获取同一地区的2米全色影像，三个方位的5米线阵立体影像，10米多光谱影像。TH-1卫星的卫星参数请参见表格3。

表格3

HJ-1-A卫星作为环境监测系列卫星，其相关卫星参数请参见表格4。

表格4

“高分一号”卫星作为高分系列卫星，其于2013年4月26日在酒泉卫星发射中心由长征二号丁运载火箭成功发射，是高分辨率对地观测系统国家科技重大专项的首发星，配置了2台2米分辨率全色/8米分辨率多光谱相机，4台16米分辨率多光谱宽幅相机，具体卫星参数见表格5。

表格5

步骤S22：通过遥感图像处理软件对所述火灾监测多级缓冲区的中或高分辨率的全色影像和多光谱影像进行预处理，得到所述火灾监测多级缓冲区的中或高分辨率卫星影像。

在本实施例中，通过遥感图像处理软件对所述火灾监测多级缓冲区的中或高分辨率的全色影像和多光谱影像进行的预处理具体包括：几何精校正、图像配准、正射校正、图像融合、图像镶嵌。

当然，可选的，在通过遥感图像处理软件对所述火灾监测多级缓冲区的中或高分辨率的全色影像和多光谱影像进行预处理，得到预处理后的影像之后，还可以按照预处理后的影像的图像头文件提供的定标系数进行辐射定标，辐射定标后对可见光、近红外和短波红外波段数据进行大气校正，以消除大气和光照等因素对地物反射的影响，获得地物的反射率，最后得到所述火灾监测多级缓冲区的中或高分辨率卫星影像。

在本实施例中，对所述火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑具体可以包括：

利用多尺度分割算法，对所述火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑。

其中，利用多尺度分割算法，对所述火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑的原理如下：

传统的图像分类方法基本上都是基于像素的影像分类技术，基于像素的分类方法对中、低分辨率遥感影像进行信息提取还可以，对于高分辨率遥感影像，基于像素的分类方法则不能有效的提取影像中的丰富信息，仅仅依靠局部象素的光谱信息而忽略邻近整片图斑的纹理、结构等信息的分类方法，而且容易使分类结果出现“椒盐现象”，导致出现很多无用的破碎图斑，导致分类精度不高，无法满足高分辨率遥感影像的分类精度要求。

面向对象的分割分类技术最重要的特点是分类的最小单元是“同质”多边形对象(图斑)，而不再是单个象素，这种对象可以通过分割技术得到，或者直接利用已有矢量数据，通过对对象的操作，不仅可以获得地物的光谱信息，更能获得包括纹理、形状大小、上下文等丰富的空间信息，以充分利用高分辨率遥感影像的特点，使分类结果更接近于目视判读的效果，大大提高了分类精度。基于上述原因本发明采用面向对象的分割分类方法。

面向对象的分割分类方法首先要做的就是采用适当的分割技术生成影像对象，即所谓的“同质”多边形对象(图斑)。本发明对火灾监测多级缓冲区内的中或高分辨率卫星影像进行图像分割，图像分割的算法较多，鉴于地表土地利用覆盖类型较多，且影像分辨率差异较大，过火迹地一般都是林区且山地较多，大多需要DEM数字高程模型辅助进行分类，因此本发明的图像分割采用多尺度分割算法。

多尺度分割算法考虑了地表实体或过程的多层次，克服数据源的固定尺度，采用多尺度影像对象层次网络结构揭示地表特征。影像对象的层次网络中不同尺度对象的尺寸大小有差异，但大尺度对象与小尺度对象一样为原始像元的聚合，只是聚合阈值的大小不一样，而呈现不同的像元组合特征，因此大尺度的影像对象中并没有损失原始像元的信息。多尺度分割在生成影像对象的过程中对高分辨率影像信息进行了抽象，把高分辨率象元的信息用分割后的影像与多边形属性进行存储，在影像细节信息损失最小的前提下将影像成功地分割成为有意义的影像多边形对象(即多边形图斑)。影像分析的不同主题都有其特定的空间尺度，每一个主题都需要分割所生成的影像对象用最恰当的尺度来描述与传递影像的最佳信息，因此在影像分析中总是希望在适宜的尺度上进行。多尺度分割中采用不同的分割尺度值生成不同尺度影像对象层，使得具有固定分辨率的影像数据可由不同尺度的数据结构组成，从而构建了一个与地表实体相似的层次等级结构，多尺度分割的突出贡献是把同一空间分辨率的遥感影像转换成多个适宜的尺度来描述，实现了原始象元信息在不同空间尺度间的传递，以适应过火迹地提取这一特定的应用需要。

在本实施例中，分别对各个所述多边形图斑进行过火分类识别的过程，具体可以参见图3，可以包括以下步骤：

步骤S31：分别对各个所述多边形图斑进行特征提取，得到各个所述多边形图斑的特征向量。

步骤S32：利用机器学习算法和影像解译知识库对各个所述多边形图斑的特征向量进行过火分类识别。

在本实施例中，机器学习算法具体为浅层机器学习算法(如支持向量机)或深度学习算法。

利用机器学习算法和影像解译知识库对各个所述多边形图斑的特征向量进行过火分类识别的原理如下：

通过上述火灾监测多级缓冲区内影像的分割得到多边形图斑并不是最终目的，最终目的是要对上述多边形图斑进行分类，进而在分类的基础上提取出过火迹地区域。

分类的关键在于多边形图斑的特征提取，特征提取后得到的多边形图斑的特征向量主要包括：光谱特征、几何特征、位置特征、纹理特征、专题属性特征、类相关特征等。

光谱特征包括影像对象的均值、均方差、亮度、比率等。几何特征包括面积、长度、宽度、长宽比、紧致度、圆度、方度、密度、对称性等。位置特征包括位置线特征、影像对象XY左右边距、影像对象XY上下边距、坐标位置、区域包含等特征。纹理特征包括光谱纹理特征(与子对象的均方差、平均差值等)和形状纹理特征(与子对象的面积、密度、GLCM、GLDV等)。专题属性特征包含属性字段特征、专题图形几何重叠度特征等。类相关特征包含与相邻对象的关系、与父对象的关系、与子对象的关系、类别隶属关系等。

光谱特征中波段亮度值和NDVI特征是识别林木和草场的主要特征。健康正常生长季的植被在近红外波段呈现出高反射率的特点，而过火林地和草场在近红外波段则显著下降。同时基于近红外波段和红波段组合产生的NDVI值也表征了植被与非植被区域，NDVI取值范围为-1到1之间，通常NDVI值越大表明植被生长越好，正常植被NDVI值大于0.1。通过近红外波段光谱特征或者NDVI值特征的阈值分割，可以将正常植被与过火迹地进行区分。针对上述火灾监测多级缓冲区内因图像分割产生的多边形图斑，利用浅层机器学习算法如支持向量机(SVM)，并结合影像解译知识库及上述特征向量，充分考虑植被在火灾前后光谱特征的变异，利用近红外波段和NDVI值得变化对缓冲区的影像对象进行分类，将过火迹地从火灾监测多级缓冲区的中或高分辨率卫星影像中提取出来。

其中，光谱特征是最明显最直接的特征，几何特征、位置特征、纹理特征、专题属性特征及类相关等特征因图像获取的区域及时间而异，可以选择性结合使用。

提取光谱特征、几何特征、位置特征、纹理特征、专题属性特征、类相关特征的目的是对过火迹地图像进行分类识别，将正常生长的植被区域、人类的居住区、地表水域、未利用裸土地和因火灾烧毁的过火迹地进行特征计算、统计及识别，从而将上述地表覆盖类型进行区分。

实施例二

与上述方法实施例相对应，本实施例提供了一种过火迹地识别装置，请参见图4，过火迹地识别装置包括：第一获取模块41、提取模块42、生成模块43、第二获取模块44、图像分割模块45和识别模块46。

第一获取模块41，用于获取中国境内的火点数据。

提取模块42，用于从所述中国境内的火点数据中提取监测区的火点数据。

生成模块43，用于以所述监测区的火点数据指示的地理位置为中心，对所述监测区进行区域扩充，生成火灾监测多级缓冲区。

第二获取模块44，用于获取所述火灾监测多级缓冲区的中或高分辨率卫星影像。

图像分割模块45，用于对所述火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑。

识别模块46，用于分别对各个所述多边形图斑进行过火分类识别，分别得到过火分类识别结果，并根据分别得到的过火分类识别结果确定过火迹地范围。

在本实施例中，第一获取模块41具体可以包括：第一获取单元和/或第二获取单元。

第一获取单元，用于从MODIS数据中获取所述中国境内的火点数据。

第二获取单元，用于从国内气象卫星采集的火点数据中获取所述中国境内的火点数据。

在本实施例中，第二获取模块44具体可以包括：下载单元441和预处理单元442，如图5所示。

下载单元441，用于从国内卫星数据网站下载所述火灾监测多级缓冲区的中或高分辨率的全色影像和多光谱影像。

预处理单元442，用于通过遥感图像处理软件对所述火灾监测多级缓冲区的中或高分辨率的全色影像和多光谱影像进行预处理，得到所述火灾监测多级缓冲区的中或高分辨率卫星影像。

在本实施例中，图像分割模块45具体可以包括：图像分割单元，用于利用多尺度分割算法，对所述火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑。

在本实施例中，识别模块46具体可以包括：特征提取单元461和识别单元462，如图6所示。

特征提取单元461，用于分别对各个所述多边形图斑进行特征提取，得到各个所述多边形图斑的特征向量。

识别单元462，用于利用机器学习算法和影像解译知识库对各个所述多边形图斑的特征向量进行过火分类识别。

需要说明的是，本说明书中的各个实施例均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的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本申请所提供的一种过火迹地识别方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种过火迹地识别方法，其特征在于，包括：

获取中国境内的火点数据；

从所述中国境内的火点数据中提取监测区的火点数据；

以所述监测区的火点数据指示的地理位置为中心，对所述监测区进行区域扩充，生成火灾监测多级缓冲区；

获取所述火灾监测多级缓冲区的中或高分辨率卫星影像；

对所述火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑；

分别对各个所述多边形图斑进行过火分类识别，分别得到过火分类识别结果，并根据分别得到的过火分类识别结果确定过火迹地范围。

2.根据权利要求1所述的方法，其特征在于，所述获取中国境内的火点数据包括：

从MODIS数据中获取所述中国境内的火点数据；

和/或，从国内气象卫星采集的火点数据中获取所述中国境内的火点数据。

3.根据权利要求1所述的方法，其特征在于，所述获取所述火灾监测多级缓冲区的中或高分辨率卫星影像的过程，包括：

从国内卫星数据网站下载所述火灾监测多级缓冲区的中或高分辨率的全色影像和多光谱影像；

通过遥感图像处理软件对所述火灾监测多级缓冲区的中或高分辨率的全色影像和多光谱影像进行预处理，得到所述火灾监测多级缓冲区的中或高分辨率卫星影像。

4.根据权利要求1所述的方法，其特征在于，所述对所述火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑包括：

利用多尺度分割算法，对所述火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑。

5.根据权利要求1所述的方法，其特征在于，分别对各个所述多边形图斑进行过火分类识别的过程，包括：

分别对各个所述多边形图斑进行特征提取，得到各个所述多边形图斑的特征向量；

利用机器学习算法和影像解译知识库对各个所述多边形图斑的特征向量进行过火分类识别。

6.一种过火迹地识别装置，其特征在于，包括：

第一获取模块，用于获取中国境内的火点数据；

提取模块，用于从所述中国境内的火点数据中提取监测区的火点数据；

生成模块，用于以所述监测区的火点数据指示的地理位置为中心，对所述监测区进行区域扩充，生成火灾监测多级缓冲区；

第二获取模块，用于获取所述火灾监测多级缓冲区的中或高分辨率卫星影像；

图像分割模块，用于对所述火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑；

识别模块，用于分别对各个所述多边形图斑进行过火分类识别，分别得到过火分类识别结果，并根据分别得到的过火分类识别结果确定过火迹地范围。

7.根据权利要求6所述的装置，其特征在于，所述第一获取模块包括：

第一获取单元，用于从MODIS数据中获取所述中国境内的火点数据；

和/或，第二获取单元，用于从国内气象卫星采集的火点数据中获取所述中国境内的火点数据。

8.根据权利要求6所述的装置，其特征在于，所述第二获取模块包括：

下载单元，用于从国内卫星数据网站下载所述火灾监测多级缓冲区的中或高分辨率的全色影像和多光谱影像；

预处理单元，用于通过遥感图像处理软件对所述火灾监测多级缓冲区的中或高分辨率的全色影像和多光谱影像进行预处理，得到所述火灾监测多级缓冲区的中或高分辨率卫星影像。

9.根据权利要求6所述的装置，其特征在于，所述图像分割模块包括：

图像分割单元，用于利用多尺度分割算法，对所述火灾监测多级缓冲区的中或高分辨率卫星影像进行图像分割，得到多个多边形图斑。

10.根据权利要求6所述的装置，其特征在于，所述识别模块包括：

特征提取单元，用于分别对各个所述多边形图斑进行特征提取，得到各个所述多边形图斑的特征向量；

识别单元，用于利用机器学习算法和影像解译知识库对各个所述多边形图斑的特征向量进行过火分类识别。