CN109211793B - 结合光谱指数和神经网络的火灾过火迹地识别方法 - Google Patents
结合光谱指数和神经网络的火灾过火迹地识别方法 Download PDFInfo
- Publication number
- CN109211793B CN109211793B CN201811062013.6A CN201811062013A CN109211793B CN 109211793 B CN109211793 B CN 109211793B CN 201811062013 A CN201811062013 A CN 201811062013A CN 109211793 B CN109211793 B CN 109211793B
- Authority
- CN
- China
- Prior art keywords
- layer
- fire
- output
- data
- neurons
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种结合光谱指数和神经网络的火灾过火迹地识别方法,通过不同地物类别的光谱特性分析,采用对各地物类别分离性最优的光谱指数作为神经网络的输入特征,可以增强过火迹地像元与其他类别像元的区分度;同时,通过光谱指数作为训练样本来构建分类器,可以实现对卫星影像进行过火迹地的识别,且适用性和精度有所提高。
Description
技术领域
本发明涉及火灾灾害评估领域,尤其涉及一种结合光谱指数和神经网络的火灾过火迹地识别方法。
背景技术
近些年来,自然火灾仍然是当今世界的主要灾害之一,对人类的生命财产安全、生物多样性和生态环境等造成了极大的威胁。森林、草原火灾突发性强、破坏力大,一旦爆发难以控制,极易造成重大的生命财产损失。生物质的燃烧会释放大量的温室气体(如CO2,CO,CH4,NOX等)和气溶胶,改变大气化学成分的同时,还会直接对全球气候系统造成影响。同时,自然火灾还会破坏生物栖息地和生物多样性,影响植被的演替生长过程。过火迹地是火灾发生之后植被燃烧的区域,可以模拟和统计火灾对生态、气候系统所造成影响,因此过火迹地的识别对于火灾灾害评估、灾后重建和植被恢复具有重要意义。
随着卫星影像和遥感技术的不断发展,给过火迹地的研究带来了新的机遇。目前国内外很多学者研究了过火迹地的识别算法,主要采用的卫星传感器包括:AVHRR、VEGETATION、MODIS、ASTER、TM、ETM+、OLI等。其中搭载于Terra和Aqua卫星的MOIDS传感器每天最多可以过境4次,涵盖了从可见光至热红外的光谱区域共36个光谱波段,因此MOIDS传感器数据已成为进行过火迹地研究的主要数据。
目前,过火迹地的识别方法主要分为基于多时相遥感数据和基于单幅遥感影像的算法。
1、基于多时相遥感数据的算法主要包括:Fraser,R.H.,et al.(2000)利用检测的热点训练得到多时相归一化植被指数(NDVI)影像的差分阈值,从而识别过火迹地;Loboda,O'Neal et al.(2007)利用火灾发生前后的遥感数据计算差分归一化燃烧指数(dNBR)影像,再对其应用阈值,并结合MODIS火点产品最终识别得到过火迹地区域;Giglio,L.,etal.(2009)利用每天的火灾敏感植被指数(VI)合成图,通过动态阈值的使用和火点产品的指导,获得燃烧和非燃烧的像素集,再通过贝叶斯原理判断获得过火迹地的区域。然而,上述基于多时相遥感数据的算法需要获取火灾发生前后不同时间的遥感数据,容易受到植被恢复和火灾灰烬散失的影响,导致不同地物类别之间的光谱特性差异减小,从而影响结果的精度。
2、基于单幅遥感影像的算法主要包括:Li,R.R.,et al.(2004)通过分析过火迹地和非过火迹地的数据在近红外(1.24μm)和短波红外(2.13μm)波段的分布,获得经验公式来识别过火迹地像素。Cao,X.,et al.(2009)和Stroppiana,D.,et al.(2015)研究了几种光谱指数对于过火迹地像素与其他地物类别像素的区分度,并分别开发了基于支持向量机和模糊算法的方法整合光谱指数来识别过火迹地。然而,上述基于单幅遥感影像的算法对于不同光谱波段和光谱指数对各种地物类别的分离性研究仍不够透彻,像素分类容易出现误判和漏判,从而导致算法的精度降低。
总体来说,现有的过火迹地识别技术,对不同地物的光谱特性研究仍很薄弱,算法的精度仍需要提高。
发明内容
本发明的目的是提供一种结合光谱指数和神经网络的火灾过火迹地识别方法,可实现对火灾发生后过火迹地区域的有效识别,从而获取火灾的燃烧范围和面积,为火灾灾后评估和重建提供技术手段。
本发明的目的是通过以下技术方案实现的:
一种结合光谱指数和神经网络的火灾过火迹地识别方法,包括:
对MODIS数据进行数据预处理,获取目标区域每个像元在各个光谱波段的反射率、发射率与亮温数据;同时,采用劈窗算法获得地表温度数据;
结合目标区域每个像元在各个光谱波段的反射率与亮温数据,以及地表温度数据,通过经验公式方法、多阈值方法和目视判别法提取过火迹地、植被、裸土、云、阴影五种地物类型的数据;
通过不同地物类型光谱特性的分离性分析,选择分离性最优的光谱指数建立训练样本作为神经网络的输入特征;其中,各光谱指数通过相应光谱波段的反射率与发射率来确定;
采用训练样本对神经网络进行训练得到分类器,继而对测试数据进行分类,提取得到过火迹地区域。
由上述本发明提供的技术方案可以看出,通过不同地物类别的光谱特性分析,采用对各地物类别分离性最优的光谱指数作为神经网络的输入特征,可以增强过火迹地像元与其他类别像元的区分度;同时,通过光谱指数作为训练样本来构建分类器,可以实现对卫星影像进行过火迹地的识别,且适用性和精度有所提高。
附图说明
为了更清楚地说明本发明实施例的技术方案,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发明的一些实施例,对于本领域的普通技术人员来讲,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附图。
图1为本发明实施例提供的一种结合光谱指数和神经网络的火灾过火迹地识别方法的流程图;
图2为本发明实施例提供的案例研究区域和本发明对研究区域的处理结果示意图。
具体实施方式
下面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,都属于本发明的保护范围。
本发明实施例提供一种结合光谱指数和神经网络的火灾过火迹地识别方法,其主要包括如下步骤:
步骤1、对MODIS数据进行数据预处理,获取目标区域每个像元在各个光谱波段的反射率、发射率与亮温数据;同时,采用劈窗算法获得地表温度数据。
本发明实施例中,MODIS数据的获取主要是从美国国家航空航天局(NASA)的大气档案与分发系统(Atmosphere Archive&Distribution System(LAADS))分布式数据档案中心(Distributed Active Archive Center(DAAC))以及中国科学技术大学火灾科学国家重点实验室的森林火灾卫星遥感实验平台。
本发明实施例中,所述对MODIS数据进行数据预处理包括:依次对数据进行辐射定标、几何校正和大气校正,消除原始影像的几何畸变,去除传感器本身和大气散射、吸收引起的误差,最终获取目标区域每个像元在36个光谱波段的反射率、发射率或亮温数据。
本发明实施例中,ρx表示第x波段的发射率,E代表发射率,BTx代表第x波段的亮温值,Ts表示地表温度,例如ρ1代表第1波段的反射率,BT32代表第32波段的亮温值;光谱范围的缩写包括B(蓝光波段),G(绿光波段),R(红光波段),NIR(近红外波段),SSWIR(短短波红外波段),LSWIR(长短波红外波段)。
本领域技术人员可以理解,第1~36各个波段的光谱范围与B、G、R、NIR、SSWIR、LSWIR这些波段的隶属关系为本领域已经定义的,主要由卫星传感器MODIS本身的仪器特性决定。
步骤2、结合目标区域每个像元在各个光谱波段的反射率与亮温数据,以及地表温度数据,通过经验公式方法、多阈值方法和目视判别法提取过火迹地、植被、裸土、云、阴影五种地物类型的数据。
本发明实施例中对于个地物类型判别方法如下:
1)过火迹地数据的提取主要是基于经验公式方法与多阈值方法,通过对多处火灾场景中的数据进行第5和第7波段反射率数据的散点图分析,满足如下公式即判定为过火迹地像素,从而提取过火迹地数据:
(ρ5-β)/ρ7<α;
其中,β与α均为设定的阈值;示例性的,以三处火灾场景中的数据为例,其中的α和β分别为1.04和0.02、1.079和-0.003、0.75和0.06。
2)当像元满足以下条件时,即判定为植被像元,从而提取植被数据:
NDVI=(ρ2-ρ1)/(ρ2+ρ1)>0.3;
3)当像元满足以下条件时,即判定为云像元,从而提取云数据:
(ρ1+ρ2)>0.7且BT32<285K;
或者,(ρ1+ρ2)>0.9;
或者,(BT32<265K);
4)当像元满足以下条件时,即判定为裸土像元,从而提取裸土数据:
NDVI<0.2且(ρ9-ρ7)/(ρ9+ρ7)≥0.1;
上述式子中,ρ表示发射率,下标数字表示波段的序号;
5)对MODIS数据采用第1、4、3波段分别作为合成图像的RGB三个通道,然后对组合得到的真彩色影像采用目视判别法,提取得到阴影像元的数据。
步骤3、通过不同地物类型光谱特性的分离性分析,选择分离性最优的光谱指数建立训练样本作为神经网络的输入特征;其中,各光谱指数通过相应光谱波段的反射率与发射率来确定。
根据相关研究和数据分析的结果表明,可见光波段(第1、3、4波段)对过火迹地的分离性较差,而近红外(第2、5波段)、短波红外波段(第6、7波段)对过火迹地比较敏感,此外,热红外波段的发射率和地表温度对过火迹地的探测也有一定的效果。但是,单个光谱波段对不同地点的不同地物类别的区分能力仍不足,而通过多波段组合得到的光谱指数可以更好地反演地物特征,从而将过火迹地与其他地物类别区分。
通过对不同地物类型的光谱指数进行分离性分析,包括植被指数VI、过火迹地指数和整合发射率、地表温度的光谱指数,结果表明:火灾烧毁植被后植被指数VI的值下降,可以较好的反应植被烧毁而出现的光谱差异,从而可以有效地分离过火迹地与其他类别;炭土壤指数CSI和中红外燃烧指数MIRBI整合了短波红外波段,对过火迹地区域也比较敏感;归一化燃烧比率指数NBR整合了近红外和短波红外的反射率数据,充分利用了火灾发生后近红外波段反射率降低、短波红外波段反射率增加的特点;基于归一化燃烧比率指数NBR的波段组合方式,再乘以发射率和地表温度数据得到的光谱指数NSEv1和NSTv1也可以有效地区分过火迹地和其他地物类别。
因此,通过不同地物类型光谱特性的分离性分析,选择了六种光谱指数包括植被指数VI、炭土壤指数CSI、中红外燃烧指数MIRBI、归一化燃烧比率指数NBR以及基于NBR指数的波段组合形式并分别整合了发射率数据的指数NSEv1和地表温度数据的指数NSTv1作为神经网络的特征输入,并提取五种地物类别的该六种光谱指数数据作为训练样本。
植被指数VI、炭土壤指数CSI、中红外燃烧指数MIRBI、归一化燃烧比率指数NBR以及光谱指数NSEv1和NSTv1,表示为:
VI=(ρNIR-ρLSWIR)/(ρNIR+ρLSWIR);
CSI=ρNIR/ρSSWIR;
MIRBI=10ρLSWIR-9.5ρSSWIR+2;
NBR=(ρNIR-ρLSWIR)/(ρNIR+ρLSWIR);
NSEv1=(ρNIR-ρLSWIR)×E/(ρNIR+ρLSWIR);
NSTv1=(ρNIR-ρLSWIR)×Ts/(ρNIR-ρLSWIR);
上述式子中,ρ表示发射率,下标NIR、SSWIR、LSWIR依次对应于近红外波段、短波红外波段、长短波红外波段;Ts表示地表温度,E代表发射率。
步骤4、采用训练样本对神经网络进行训练得到分类器,继而对测试数据进行分类,提取得到过火迹地区域。
本发明实施例中,构建了反向传播神经网络(Back-Propagation Neural Network(BPNN)),该网络共有3层,包括输入层、隐含层和输出层;其中,输入层输入的训练样本包含6个输入特征向量,即6种光谱指数;隐含层包含25个神经元处理单元,输出层有1个神经元;神经网络的权值采用随机初始化。BP神经网络是基于有监督的反向传播学习算法进行计算的,其思想是利用提取的训练样本对网络进行有监督训练,根据网络的实际输出与期望输出之间的误差来修改网络的权值和偏差,获得最优的网络权值参数,使得网络的误差函数值达到最小,从而使网络的实际输出与期望输出尽可能接近。
本发明实施例中,BP神经网络算法的主要计算过程包括信息的正向传递和误差的反向传播。在信息的正向传递过程中,训练样本从输入层经隐含层逐层计算最终传至输出层,在输出层计算实际输出与期望输出的误差,然后通过神经网络的反向连接通路进行误差的反向传播,修改神经网络中各层神经元的权值参数直至误差减小至设定值以下,从而使网络的实际输出接近期望目标;具体如下:
1、信息的正向传递过程包括:
1)根据公式计算隐含层每个神经元的输出结果;其中a1i代表隐含层神经元的输出结果,pj代表输入层的特征向量,r为输入层的神经元数量,ω1ij代表隐含层的神经元与输入层的神经元的连接权值,b1i代表隐含层神经元的偏差,f1代表隐含层的双曲正切激活函数;
2)根据公式计算输出层神经元的实际输出;其中a2k代表输出层神经元的实际输出,s1为隐含层的神经元数量,ω2ki代表输出层的神经元与隐含层的神经元的连接权值,b2k代表输出层神经元的偏差,f2代表输出层的线性激活函数;
3)根据误差函数公式计算实际输出与期望输出的误差值,误差值会在网络经过多次训练后逐渐减小,当误差值小于设定值时,说明实际输出近似于期望输出,网络停止训练;其中,E*为误差值,s2为输出层的神经元数量;tk代表期望输出值,1代表过火迹地,-1代表其他地物类型。
2、误差的反向传播过程包括:
计算输出层的误差:ek=tk-a2k;(设定η代表学习率)
利用梯度下降法更新输出层的权值与神经元的偏差:计算隐含层第i个输入到输出层第k个输出的权值,首先将输出层的误差ek乘以输出层激活函数f2的一阶导数f2'得到δki,即δki=(tk-a2k)·f2'=ek·f2';再将计算得到的δki进行误差反向传播,计算输出层权值的变化量:采用同样的方式计算输出层神经元偏差的变化量:则更新后的输出层权值为ω2ki'=ω2ki+Δω2ki,神经元的偏差为b2k'=b2k+Δb2ki;
采用梯度下降法更新隐含层的权值与神经元的偏差:计算输入层第j个输入到隐含层第i个输出的权值,首先计算输出层反向传播来的误差然后将ei乘以隐含层激活函数的一阶导数f1'得到δij,即δij=ei·f1';再计算隐含层权值的变化量为采用同样的方式计算隐含层神经元偏差的变化量:则更新后的隐含层权值为ω1ij'=ω1ij+Δω1ij,神经元的偏差为b1i'=b1i+Δb1ij。
通过BP神经网络的信息正向传递和误差反向传播的计算,可以调整网络的权值参数使误差达到最小,从而使网络的实际输出尽可能接近期望输出。
本发明实施例中,根据输出层的实际输出,设定一个阈值后最终得到每个像素的分类结果,即判定该像素为过火迹地像素还是非过火迹地像素。
该阈值的设定,是根据不同阈值设定时对结果的漏分误差和错分误差的统计分析,选择了一个漏分误差和错分误差都相对较小的阈值,示例性的,可以设置阈值为0.8。输出结果大于0.8的判定为过火迹地像素,小于0.8的判定为非过火迹地像素。同时,可以根据用户需求灵活设定不同的阈值,最终的结果也是根据阈值变化的,当阈值设定的较高,错分误差便会减少,可以保证判定的过火迹地像素均为正确的,但同时可能会导致一些过火迹地像素的漏分;当阈值设定的较小,漏分误差便会减少,可以保证将所有的过火迹地像素都识别出来,但同时可能会导致其它类别的像素错分为过火迹地像素。
本发明实施例上述方案与背景技术中的方法进行对比,不需要火灾发生前后的多时相影像,不易受到植被恢复和灰烬散失的影响,可以快速有效地识别火灾发生后的过火迹地,而前人提出的用经验公式提取过火迹地的方法只适用于数据提取分析的小范围区域,当应用范围扩大时会出现很多漏判和误判;对于其他采用光谱指数的算法,因其缺乏对过火迹地和其他地物类别的光谱特性分析和光谱指数的分离性评价,因此会使分类精度降低。
本发明是为了解决以上问题所提出的,主要具有以下几个优点:
(1)通过不同地物类别的光谱特性分析,采用对各地物类别分离性最优的光谱指数作为神经网络的输入特征,可以增强过火迹地像元与其他类别像元的区分度;
(2)提出了基于BP神经网络的算法,通过光谱指数作为训练样本来构建分类器,可以实现对单幅卫星影像进行过火迹地的识别,且适用性和精度有所提高。
本发明的上述优点可以为自然火灾的实际应用产生积极效果:
(1)为自然火灾的灾后评估如过火面积、火灾范围等提供技术支持;
(2)为灾后重建和植被恢复提供决策服务。
下面结合一具体示例来说明本发明上述方案的效果。
针对2016年7月2号美国内华达州发生的Hot Pot火灾,选取了2016年7月7号过境的MODIS数据,利用本发明的结合光谱指数和神经网络的火灾过火迹地识别方法对该区域进行研究应用。对获取的MODIS Level-1B原始数据按照图1的方法流程图进行处理,具体操作步骤如下:
(1)首先对MODIS Level-1B原始数据进行数据预处理,包括辐射校正、几何校正、大气校正和劈窗算法应用,获取每个像元在36个波段的反射率、发射率或地表温度的数据;
(2)采用经验公式法、多阈值法和目视判别法,提取得到五种地物类别(过火迹地、植被、裸土、云和阴影)的数据,获得各个类别的各波段数据,并将各波段组合计算得到多种光谱指数(包括植被类型指数、过火迹地指数和整合发射率或地表温度的指数)。
(3)对各地物类别的数据进行光谱特性分析,计算光谱波段和光谱指数对过火迹地和其他类别的分离结果,选取分离性最优的光谱指数(VI、CSI、MIRBI、NBR、NSEv1和NSTv1)作为BP神经网络的输入特征。
(4)构建五种地物类别对应的六种光谱指数组成的训练样本,对BP神经网络进行训练,通过网络的信息正向传递和误差反向传播,调整网络的权值参数使误差达到最小,获得神经网络分类器。
(5)采用神经网络分类器对研究区域进行处理,识别得到过火迹地区域,得到最终的过火迹地图。
案例研究区域和本发明对研究区域的处理结果如图2所示,其中图2(a)为研究区域MODIS原始影像7-5-6三波段合成的假彩色图,图2(b)为本发明方法识别得到的过火迹地结果,灰度区域为识别的过火迹地,白色区域为非过火迹地。与MODIS 7-5-6波段假彩色图相比,本发明上述方案对原始影像中的黑色区域即真实过火迹地的识别效果比较理想,可以将过火迹地与其他的地物类别很好地分离。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (6)
1.一种结合光谱指数和神经网络的火灾过火迹地识别方法,其特征在于,包括:
对MODIS数据进行数据预处理,获取目标区域每个像元在各个光谱波段的反射率、发射率与亮温数据;同时,采用劈窗算法获得地表温度数据;
结合目标区域每个像元在各个光谱波段的反射率与亮温数据,以及地表温度数据,通过经验公式方法、多阈值方法和目视判别法提取过火迹地、植被、裸土、云、阴影五种地物类型的数据;
通过不同地物类型光谱特性的分离性分析,选择6种分离性最优的光谱指数建立训练样本并作为神经网络的输入特征;其中,各光谱指数通过相应光谱波段的反射率与发射率来确定;
采用训练样本对神经网络进行训练得到分类器,继而对测试数据进行分类,提取得到过火迹地区域;
其中,6种分离性最优的光谱指数包括:植被指数VI、炭土壤指数CSI、中红外燃烧指数MIRBI、归一化燃烧比率指数NBR以及基于NBR指数的波段组合形式并分别整合了发射率数据的指数NSEv1和地表温度数据的指数NSTv1,其表示为:
VI=(ρNIR-ρLSWIR)/(ρNIR+ρLSWIR);
CSI=ρNIR/ρSSWIR;
MIRBI=10ρLSWIR-9.5ρSSWIR+2;
NBR=(ρNIR-ρLSWIR)/(ρNIR+ρLSWIR);
NSEv1=(ρNIR-ρLSWIR)×E/(ρNIR+ρLSWIR);
NSTv1=(ρNIR-ρLSWIR)×Ts/(ρNIR-ρLSWIR);
上述式子中,ρ表示发射率,下标NIR、SSWIR、LSWIR依次对应于近红外波段、短波红外波段、长短波红外波段;Ts表示地表温度,E代表发射率。
2.根据权利要求1所述的一种结合光谱指数和神经网络的火灾过火迹地识别方法,其特征在于,所述对MODIS数据进行数据预处理包括:依次对数据进行辐射定标、几何校正和大气校正。
3.根据权利要求1所述的一种结合光谱指数和神经网络的火灾过火迹地识别方法,其特征在于,所述结合目标区域每个像元在各个光谱波段的反射率与亮温数据,以及地表温度数据,通过经验公式方法、多阈值方法和目视判别法提取过火迹地、植被、裸土、云、阴影五种地物类型的数据包括:
通过对多处火灾场景中的数据进行第5和第7波段反射率数据的散点图分析,满足如下公式即判定为过火迹地像素,从而提取过火迹地数据:
(ρ5-β)/ρ7<α;
其中,β与α均为设定的阈值;
当像元满足以下条件时,即判定为植被像元,从而提取植被数据:
NDVI=(ρ2-ρ1)/(ρ2+ρ1)>0.3;
当像元满足以下条件时,即判定为云像元,从而提取云数据:
(ρ1+ρ2)>0.7且BT32<285K;
或者,(ρ1+ρ2)>0.9;
或者,BT32<265K;
当像元满足以下条件时,即判定为裸土像元,从而提取裸土数据:
NDVI<0.2且(ρ9-ρ7)/(ρ9+ρ7)≥0.1;
上述式子中,ρ表示发射率,BT表示亮温值,下标数字表示波段的序号;
对MODIS数据采用第1、4、3波段分别作为RGB合成图像的三个通道,然后对组合得到的真彩色影像采用目视判别法,提取得到阴影像元的数据。
4.根据权利要求1所述的一种结合光谱指数和神经网络的火灾过火迹地识别方法,其特征在于,所述神经网络为反向传播神经网络,包括输入层、隐含层和输出层;
其中,输入层输入的训练样本包含6个输入特征向量,即6种光谱指数;隐含层包含25个神经元处理单元,输出层有1个神经元;
在信息的正向传递过程中,训练样本从输入层经隐含层逐层计算最终传至输出层,在输出层计算实际输出与期望输出的误差,然后通过神经网络的反向连接通路进行误差的反向传播,修改神经网络中各层神经元的权值参数直至误差减小至设定值以下,从而使网络的实际输出接近期望目标。
5.根据权利要求4所述的一种结合光谱指数和神经网络的火灾过火迹地识别方法,其特征在于,信息的正向传递过程包括:
根据公式计算隐含层每个神经元的输出结果;其中a1i代表隐含层神经元的输出结果,pj代表输入层的特征向量,r为输入层的神经元数量,ω1ij代表隐含层的神经元与输入层的神经元的连接权值,b1i代表隐含层神经元的偏差,f1代表隐含层的双曲正切激活函数;
根据公式计算输出层神经元的实际输出;其中a2k代表输出层神经元的实际输出,s1为隐含层的神经元数量,ω2ki代表输出层的神经元与隐含层的神经元的连接权值,b2k代表输出层神经元的偏差,f2代表输出层的线性激活函数;
6.根据权利要求5所述的一种结合光谱指数和神经网络的火灾过火迹地识别方法,其特征在于,误差的反向传播过程包括:
计算输出层的误差:ek=tk-a2k;
利用梯度下降法更新输出层的权值与神经元的偏差:计算隐含层第i个输入到输出层第k个输出的权值,首先将输出层的误差ek乘以输出层激活函数f2的一阶导数f2'得到δki,即δki=(tk-a2k)·f2'=ek·f2';再将计算得到的δki进行误差反向传播,计算输出层权值的变化量:其中,η表示学习率;采用同样的方式计算输出层神经元偏差的变化量:则更新后的输出层权值为ω2ki'=ω2ki+Δω2ki,神经元的偏差为b2k'=b2k+Δb2ki;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811062013.6A CN109211793B (zh) | 2018-09-12 | 2018-09-12 | 结合光谱指数和神经网络的火灾过火迹地识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811062013.6A CN109211793B (zh) | 2018-09-12 | 2018-09-12 | 结合光谱指数和神经网络的火灾过火迹地识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109211793A CN109211793A (zh) | 2019-01-15 |
CN109211793B true CN109211793B (zh) | 2020-10-27 |
Family
ID=64984030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811062013.6A Active CN109211793B (zh) | 2018-09-12 | 2018-09-12 | 结合光谱指数和神经网络的火灾过火迹地识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109211793B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785569A (zh) * | 2019-01-28 | 2019-05-21 | 中科光启空间信息技术有限公司 | 一种基于3s技术的森林火灾监测方法 |
CN110517575B (zh) * | 2019-08-21 | 2021-03-02 | 华北水利水电大学 | 一种地表水体制图方法及装置 |
CN111340308A (zh) * | 2020-03-13 | 2020-06-26 | 云南电网有限责任公司电力科学研究院 | 计算火势蔓延速度和方向的方法及系统 |
CN111563472B (zh) * | 2020-05-14 | 2023-08-29 | 北京师范大学 | 一种烟羽林地快速火烧迹地提取方法及装置 |
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 |
CN112035679B (zh) * | 2020-09-10 | 2021-02-23 | 广东新禾道信息科技有限公司 | 一种遥感监测自然灾害数据处理方法及装置 |
CN112232318A (zh) * | 2020-12-14 | 2021-01-15 | 北京华云星地通科技有限公司 | 云加端智慧火情遥感监测预警方法 |
CN114398595B (zh) * | 2021-12-29 | 2022-10-28 | 青岛星科瑞升信息科技有限公司 | 一种基于bp神经网络的火点遥感识别方法 |
CN116127787B (zh) * | 2023-04-07 | 2023-06-23 | 中国科学院、水利部成都山地灾害与环境研究所 | 火烧烈度-高程积分方法及火后泥石流易发性评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103456122A (zh) * | 2013-08-26 | 2013-12-18 | 中国科学技术大学 | 一种森林火灾烟雾识别方法及装置 |
CN108171130A (zh) * | 2017-12-15 | 2018-06-15 | 安徽四创电子股份有限公司 | 一种高光谱地物分类识别方法 |
CN108520363A (zh) * | 2018-04-18 | 2018-09-11 | 电子科技大学 | 一种用于预测未来时相森林火灾发生风险的评估方法 |
CN109753936A (zh) * | 2019-01-09 | 2019-05-14 | 太原师范学院 | 一种基于多源遥感数据的森林火灾火烧迹地提取方法 |
-
2018
- 2018-09-12 CN CN201811062013.6A patent/CN109211793B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103456122A (zh) * | 2013-08-26 | 2013-12-18 | 中国科学技术大学 | 一种森林火灾烟雾识别方法及装置 |
CN108171130A (zh) * | 2017-12-15 | 2018-06-15 | 安徽四创电子股份有限公司 | 一种高光谱地物分类识别方法 |
CN108520363A (zh) * | 2018-04-18 | 2018-09-11 | 电子科技大学 | 一种用于预测未来时相森林火灾发生风险的评估方法 |
CN109753936A (zh) * | 2019-01-09 | 2019-05-14 | 太原师范学院 | 一种基于多源遥感数据的森林火灾火烧迹地提取方法 |
Non-Patent Citations (4)
Title |
---|
A data mining approach for global burned area mapping;Rubén Ramo,et al.;《Int J Appl Earth Obs Geoinformation》;20180615;第73卷;第39页"ABSTRACT" * |
An automatic method for burn scar mapping using support vector machines;X. Cao , et al.;《International Journal of Remote Sensing》;20090318;第30卷(第3期);第580-581页"2. Study area and data",表1,图3,第581-588页"3. Methodology" * |
Integration of Multiple Spectral Indices and a Neural Network for Burned Area Mapping Based on MODIS Data;Rui Ba,et al.;《remote sensing》;20190206;第11卷;第1-26页 * |
The Collection 6 MODIS burned area mapping algorithm and product;Louis Giglio,et al.;《Remote Sensing of Environment》;20180812;第217卷;第72-85页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109211793A (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109211793B (zh) | 结合光谱指数和神经网络的火灾过火迹地识别方法 | |
Wei et al. | Cloud detection for Landsat imagery by combining the random forest and superpixels extracted via energy-driven sampling segmentation approaches | |
CN109522819B (zh) | 一种基于深度学习的火灾图像识别方法 | |
Li et al. | Automatic detection of fire smoke using artificial neural networks and threshold approaches applied to AVHRR imagery | |
Zhu et al. | Object-based cloud and cloud shadow detection in Landsat imagery | |
Cabral et al. | Burned area estimations derived from Landsat ETM+ and OLI data: comparing genetic programming with maximum likelihood and classification and regression trees | |
Mallinis et al. | Comparing ten classification methods for burned area mapping in a Mediterranean environment using Landsat TM satellite data | |
Hall | Remote sensing in social science research | |
Li et al. | A hybrid contextual approach to wildland fire detection using multispectral imagery | |
Sun et al. | Towards operational automatic flood detection using EOS/MODIS data | |
Liu et al. | Seasonal variation of land cover classification accuracy of Landsat 8 images in Burkina Faso | |
Leiterer et al. | Vegetation monitoring in refugee-hosting areas in South Sudan | |
Aymerich et al. | Detection of tephra layers in Antarctic sediment cores with hyperspectral imaging | |
Farhadi et al. | Rapid and automatic burned area detection using sentinel-2 time-series images in google earth engine cloud platform: A case study over the Andika and Behbahan Regions, Iran | |
Roteta et al. | Optimization of A Random Forest Classifier for Burned Area Detection in Chile Using Sentinel-2 Data | |
Villaescusa-Nadal et al. | MODIS-based AVHRR cloud and snow separation algorithm | |
Sun et al. | A satellite imagery smoke detection framework based on the Mahalanobis distance for early fire identification and positioning | |
Brumby et al. | Evolving forest fire burn severity classification algorithms for multispectral imagery | |
Brumby et al. | Evolving land cover classification algorithms for multispectral and multitemporal imagery | |
Qin et al. | Estimation of FPAR and FPAR profile for maize canopies using airborne LiDAR | |
Petracca et al. | Volcanic cloud detection using Sentinel-3 satellite data by means of neural networks: the Raikoke 2019 eruption test case | |
Libonati et al. | Validation of the burned area ‘(V, W)’Modis algorithm in Brazil | |
Chen et al. | Urban land use and land cover classification using the neural-fuzzy inference approach with Formosat-2 data | |
Asakuma et al. | Detection of biomass burning smoke in satellite images using texture analysis | |
Wang et al. | Unsupervised detection for burned area with fuzzy C-means and DS evidence theory |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |