CN110348421A - 基于modis数据的温带地区森林火灾检测方法 - Google Patents
基于modis数据的温带地区森林火灾检测方法 Download PDFInfo
- Publication number
- CN110348421A CN110348421A CN201910650597.7A CN201910650597A CN110348421A CN 110348421 A CN110348421 A CN 110348421A CN 201910650597 A CN201910650597 A CN 201910650597A CN 110348421 A CN110348421 A CN 110348421A
- Authority
- CN
- China
- Prior art keywords
- wave band
- pixel
- data
- fire point
- resolution ratio
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (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)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Fire-Detection Mechanisms (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于MODIS数据的温带地区森林火灾检测方法,该方法包括:步骤A:数据预处理,分别得到波段1、波段2反射率影像,波段21、波段31及波段32辐射率影像,波段21、波段31及波段32对应亮温数据;步骤B:火点提取,其包括:步骤B1,剔除云像元和水像元;步骤B2,陆地像元分类;步骤B3,判识火点;步骤B4,去除虚假火点。本发明提供的基于MODIS数据的温带地区森林火灾检测方法,采用自适应阈值思想进行陆地像元分类,可灵活选取阈值,减少了火点的误检、漏检,提高了温带地区森林火灾检测精度。
Description
技术领域
本发明涉及森林火灾检测技术领域,特别是涉及一种基于MODIS数据的温带地区森林火灾检测方法。
背景技术
森林是一种重要的自然资源,在维持环境平衡中发挥着重要作用。森林火灾突发性强、破坏性大、处置较为困难,及时准确地掌握火情对于灾害救援、灾情评估十分关键。传统的林火监测手段主要包括护林员地面巡查、嘹望台观测、远程视频监控、机载红外传感器或地波雷达探测等,这些方式监测范围小、获取火场信息的效率低,而卫星遥感技术的出现为林火监测提供了一种全新的手段,十分适合森林火灾的常态化监测,可以实现对森林大面积的高频次、快速监测,为各级政府针对森林火灾的监测与扑救提供了重要的参考依据。
目前,利用遥感技术进行森林火灾预警与防控工作,形成了比较成熟的研究方法和技术路线。火点算法通常基于火的热学性质,使用中红外波段对火点进行实时监测。根据热辐射原理,地表火燃烧引起的局地温度骤升会带来该区域中红外波段辐射能量的急剧增大,与远红外通道及周围背景像元的辐射能量形成巨大反差,通过识别这种差异便可以从遥感影像中判识火点。在理论模型方面,有固定阈值算法、绝对火点识别算法、MODIS火点算法等。固定阈值法提取火点方法简便,但容易受到区域、季节因素的影响,统一的阈值设定往往会造成不同程度的火点漏检与误检,算法通用性较差;绝对火点识别算法在固定阈值法基础上引入背景像元概念,通过识别中红外通道亮温与周围背景像元亮温的差异提取火点,由于不同地域地表温度差异性存在,当下垫面背景像元温度比较高且达到设定的阈值时,非火点陆地像元可能会误检为火点,当下垫面背景温度较低时,容易造成低温或小面积火点的漏检;MODIS火点算法核心是基于邻近背景像元的上下文算法发展而来,考虑了像元之间的相互关联性,通过潜在火点像元与有效背景像元之间亮温关系提取火点,但在区分潜在火点像元与有效背景像元时阈值设定是全球通用的,存在火点漏检概率。
综上所述,目前通用的火点检测算法大多考虑到背景像元亮温,在一定程度上减少火点误检、漏检个数,但是算法适用性较低,不能灵活选取阈值,针对温带地区森林火灾提取精度较低,存在火点误检、漏检。
发明内容
本发明的目的是提供一种基于MODIS数据的温带地区森林火灾检测方法,采用自适应阈值思想进行陆地像元分类,可灵活选取阈值,减少了火点的误检、漏检,提高了温带地区森林火灾检测精度。
为实现上述目的,本发明提供了如下方案:
一种基于MODIS数据的温带地区森林火灾检测方法,该方法包括以下步骤:
步骤A:数据预处理,其包括:步骤A1,对250m分辨率的太阳反射率波段数据抽样到1km分辨率时的SI数据与1km分辨率发射率波段SI数据进行几何校正;步骤A2,对几何校正得到的250m分辨率的太阳反射率波段数据抽样到1km分辨率时的SI数据进行波段运算,得到波段1、波段2反射率影像;步骤A3,对几何校正得到的1km分辨率发射率波段SI数据波段运算,得到波段21、波段31及波段32辐射率影像;步骤A4,结合普朗克黑体公式得到波段21、波段31及波段32对应亮温数据;
步骤B:火点提取,基于步骤A得到的数据提取火点,其包括:步骤B1,剔除云像元和水像元;步骤B2,陆地像元分类;步骤B3,判识火点;步骤B4,去除虚假火点;
其中,步骤B2具体包括:对经过步骤B1处理后得到的陆地像元进行分类,如果陆地像元满足:
(T4>Th)∩(ρ0.65<0.3)∩(ρ0.86<0.3),则为疑似火点像元,否则为非火点陆地像元;对得到的疑似火点像元继续分类,如果疑似火点像元满足T4>340K,则为绝对火点像元,否则,对不满足T4>340K的疑似火点像元继续分类;如果不满足T4>340K的疑似火点像元满足(T4>315K)∩(T411>15K),则为潜在火点像元,否则为有效背景像元;
其中,Th为波长4μm对应波段21亮温自适应阈值:由最高温向最低温累加亮温直方图像元个数,直至累加到20%为止,所对应的亮温值即为Th;T4是波长4μm对应波段21亮温,T411是波长4μm对应波段21与11μm对应波段31亮温值之差,ρ0.65、ρ0.86分别代表波长为0.65μm对应波段1反射率、波长为0.86μm对应波段2反射率。
可选的,所述步骤A1中,所述几何校正包括投影转换和去除蝴蝶结效应。
可选的,所述步骤A1中,对250m分辨率的太阳反射率波段数据抽样到1km分辨率时的SI数据与1km分辨率发射率波段SI数据进行几何校正,包括:
打开MOD021KM数据集中250m分辨率的太阳反射率波段数据抽样到1km分辨率时的SI数据,使用ENVI5.3软件中Georeference MODIS工具,对250m分辨率的太阳反射率波段数据抽样到1km分辨率时的SI数据进行几何校正;同理,对1km分辨率发射率波段SI数据进行几何校正。
可选的,所述步骤A2中,对几何校正得到的250m分辨率的太阳反射率波段数据抽样到1km分辨率时的SI数据进行波段运算,得到波段1、波段2反射率影像,其中反射率计算采用如下定标公式:
Reflectance=reflectance_scale*(DN-reflectance_offset);
式中,Reflectance代表反射率,reflectance_scale代表定标增益,DN代表图像有效计数值即亮度值,reflectance_offset代表定标偏移量。
可选的,所述步骤A3中,对几何校正得到的1km分辨率发射率波段SI数据波段运算,得到波段21、波段31及波段32辐射率影像,其中辐射率计算采用如下定标公式:
Radiance=radiance_scale*(DN-radiance_offset);
式中,Radiance代表辐射率,radiance_scale代表定标增益,DN代表图像有效计数值即亮度值,radiance_offset代表定标偏移量。
可选的,所述步骤A4中,结合普朗克黑体公式得到波段21、波段31及波段32对应亮温数据,包括:根据普朗克黑体公式推导得到亮温计算公式:
式中,T表示像元亮温值,c表示真空中光速,h表示普朗克常数,为6.626*10- 34m2kg/s,k表示玻尔兹曼常数,为1.38*10-23J/K,ωλ为辐射出射度;根据亮温计算公式得到波段21、波段31及波段32对应亮温数据。
可选的,所述步骤B1中,剔除云像元和水像元,包括:识别并剔除云像元和水像元,如果白天像元满足:
((ρ0.65+ρ0.86)>0.9∪(T12<265K))∪((ρ0.65+ρ0.86)>0.7∩(T12<285K));
夜晚像元满足T12<265K,则识别为云像元,进行剔除处理,其中,ρ0.65、ρ0.86分别代表波长为0.65μm对应波段1反射率、波长为0.86μm对应波段2反射率,T12为波长12μm对应波段32对应亮温;
利用土地利用类型进行叠加分析识别并剔除水像元。
可选的,所述步骤B3中,判识火点,包括:对步骤B2得到的潜在火点像元进行判识,通过改变以潜在火点像元为中心像元的窗口大小,分析潜在火点像元与周围背景像元之间的亮温差异,来判别潜在火点像元是否为真实火点像元;窗口大小n*n从3*3循环扩大至21*21,当窗口中有效背景像元个数N满足(N≥n*n*25%)∩(N≥8)时,窗口不再扩大并计算窗口内有效背景像元统计值;此时,若潜在火点像元满足(1)∩(2)∩(3)∩((4)∪(5))的判别条件,该潜在火点像元分类为火点像元;若不满足判别条件,该潜在火点像元归类为非火点像元,继续下一个潜在火点像元判断;
其中,如果有效背景像元个数N不满足(N≥n*n*25%)∩(N≥8)时,则继续扩大窗口重复上述循环,直至满足条件;若窗口扩大至21*21时,仍不能满足要求,该潜在火点像元归类为不确定像元;
判别条件中包括:
δ′4>5 (5)
式中,为波段21对应有效背景像元亮温的平均值、平均绝对偏差,同理,为波段21与波段31对应有效背景像元亮温差值的平均值、平均绝对偏差,δ′4为波段21对应背景火点像元亮温的平均绝对偏差。
可选的,所述步骤B4中,去除虚假火点,包括:对步骤B2得到的绝对火点像元与步骤B3得到火点像元,采用土地利用类型进行叠置分析的方法去除虚假火点。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的基于MODIS数据的温带地区森林火灾检测方法,对地面卫星接收站实时接收的MODIS数据进行预处理,在火点提取中,其一,陆地像元分类时采用自适应阈值思想,通过统计影像亮温统计直方图个数,由亮温最高值向最低值累加像元个数,直至累加至像元总数的20%为止,对应像元亮温即为区分非火点像元与疑似火点像元阈值,自适应阈值相比固定阈值可以更好地适用于不同研究区,在源头减少火点漏检与误检,提高火点提取精度;其二,在区分绝对火点像元、潜在火点像元与有效背景像元时,将绝对火点像元阈值由360K降低到340K,在保证火点可信度基础上,当降低了判别阈值,直接增加了判别为绝对火点像元的个数,减少了步骤B3中运算量,提高了算法的运行效率,提高火灾检测效率,同时,判别潜在火点像元与有效背景像元时,降低相关阈值,增加了潜在火点像元个数,让更多潜在火点像元参与到火点的循环判断中,在误判率不提升的前提下,降低了火点漏检个数,进一步提高火点提取精度。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于MODIS数据的温带地区森林火灾检测方法工作流程图。
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。
本发明的目的是提供一种基于MODIS数据的温带地区森林火灾检测方法,采用自适应阈值思想进行陆地像元分类,可灵活选取阈值,减少了火点的误检、漏检,提高了温带地区森林火灾检测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明的实施流程图,如图1所示,本发明提供的基于MODIS数据的温带地区森林火灾检测方法,该方法包括以下步骤:
步骤A:数据预处理,其包括:步骤A1,TERRA/AQUA卫星装载了中分辨率成像光谱仪MODIS,包括36个通道,实时采集MODIS数据,其中中、远红外通道对应的波段21、波段31及波段32用于火点检测,波段1、波段2用于云检测,本申请对250m分辨率的太阳反射率波段数据抽样到1km分辨率时的SI数据与1km分辨率发射率波段SI数据进行几何校正;步骤A2,对几何校正得到的250m分辨率的太阳反射率波段数据抽样到1km分辨率时的SI数据进行波段运算,得到波段1、波段2反射率影像;步骤A3,对几何校正得到的1km分辨率发射率波段SI数据波段运算,得到波段21、波段31及波段32辐射率影像;步骤A4,结合普朗克黑体公式得到波段21、波段31及波段32对应亮温数据;
步骤B:火点提取,基于步骤A得到的数据提取火点,其包括:步骤B1,剔除云像元和水像元;步骤B2,陆地像元分类;步骤B3,判识火点;步骤B4,去除虚假火点;
其中,步骤B2具体包括:对经过步骤B1处理后得到的陆地像元进行分类,如果陆地像元满足:
(T4>Th)∩(ρ0.65<0.3)∩(ρ0.86<0.3),则为疑似火点像元,否则为非火点陆地像元;对得到的疑似火点像元继续分类,如果疑似火点像元满足T4>340K,则为绝对火点像元,否则,对不满足T4>340K的疑似火点像元继续分类;如果不满足T4>340K的疑似火点像元满足(T4>315K)∩(T411>15K),则为潜在火点像元,否则为有效背景像元;
其中,Th为波长4μm对应波段21亮温自适应阈值:由最高温向最低温累加亮温直方图像元个数,直至累加到20%为止,所对应的亮温值即为Th;T4是波长4μm对应波段21亮温,T411是波长4μm对应波段21与11μm对应波段31亮温值之差,ρ0.65、ρ0.86分别代表波长为0.65μm对应波段1反射率、波长为0.86μm对应波段2反射率。陆地像元分类实质上是将陆地像元分类为非火点陆地像元、绝对火点像元、潜在火点像元及有效背景像元的过程。
其中,所述步骤A1中,所述几何校正包括投影转换和去除蝴蝶结效应。
所述步骤A1中,对250m分辨率的太阳反射率波段数据抽样到1km分辨率时的SI数据与1km分辨率发射率波段SI数据进行几何校正,包括:
打开MOD021KM数据集中250m分辨率的太阳反射率波段数据抽样到1km分辨率时的SI数据,使用ENVI5.3软件中Georeference MODIS工具,对250m分辨率的太阳反射率波段数据抽样到1km分辨率时的SI数据进行几何校正;同理,对1km分辨率发射率波段SI数据进行几何校正。
所述步骤A2中,对几何校正得到的250m分辨率的太阳反射率波段数据抽样到1km分辨率时的SI数据进行波段运算,得到波段1、波段2反射率影像,其中反射率计算采用如下定标公式:
Reflectance=reflectance_scale*(DN-reflectance_offset);
式中,Reflectance代表反射率,reflectance_scale代表定标增益,DN代表图像有效计数值即亮度值,reflectance_offset代表定标偏移量。
所述步骤A3中,对几何校正得到的1km分辨率发射率波段SI数据波段运算,得到波段21、波段31及波段32辐射率影像,其中辐射率计算采用如下定标公式:
Radiance=radiance_scale*(DN-radiance_offset);
式中,Radiance代表辐射率,radiance_scale代表定标增益,DN代表图像有效计数值即亮度值,radiance_offset代表定标偏移量。
所述步骤A4中,结合普朗克黑体公式得到波段21、波段31及波段32对应亮温数据,包括:根据普朗克黑体公式推导得到亮温计算公式:
式中,T表示像元亮温值,c表示真空中光速,h表示普朗克常数,为6.626*10- 34m2kg/s,k表示玻尔兹曼常数,为1.38*10-23J/K,ωλ为辐射出射度;根据亮温计算公式得到波段21、波段31及波段32对应亮温数据。
所述步骤B1中,剔除云像元和水像元,包括:识别并剔除云像元和水像元,如果白天像元满足:
((ρ0.65+ρ0.86)>0.9∪(T12<265K))∪((ρ0.65+ρ0.86)>0.7∩(T12<285K)),
夜晚像元满足T12<265K,则识别为云像元,进行剔除处理,将不参与后续运算;
其中,ρ0.65、ρ0.86分别代表波长为0.65μm对应波段1反射率、波长为0.86μm对应波段2反射率,T12为波长12μm对应波段32对应亮温;
利用土地利用类型进行叠加分析识别并剔除水像元。
影像去除云像元和水像元后得到陆地像元,火点提取过程只对陆地像元进行操作。
其中,所述步骤B3中,判识火点,包括:对步骤B2得到的潜在火点像元进行判识,通过改变以潜在火点像元为中心像元的窗口大小,分析潜在火点像元与周围背景像元之间的亮温差异,来判别潜在火点像元是否为真实火点像元;窗口大小n*n从3*3循环扩大至21*21,当窗口中有效背景像元个数N满足(N≥n*n*25%)∩(N≥8)时,窗口不再扩大并计算窗口内有效背景像元统计值;此时,若潜在火点像元满足(1)∩(2)∩(3)∩((4)∪(5))的判别条件,该潜在火点像元分类为火点像元;若不满足判别条件,该潜在火点像元归类为非火点像元,继续下一个潜在火点像元判断;
其中,如果有效背景像元个数N不满足(N≥n*n*25%)∩(N≥8)时,则继续扩大窗口重复上述循环,直至满足条件;若窗口扩大至21*21时,仍不能满足要求,该潜在火点像元归类为不确定像元;
判别条件中包括:
δ′4>5 (5)
式中,为波段21对应有效背景像元亮温的平均值、平均绝对偏差,同理,为波段21与波段31对应有效背景像元亮温差值的平均值、平均绝对偏差,δ′4为波段21对应背景火点像元亮温的平均绝对偏差。
其中,所述步骤B4中,去除虚假火点,包括:对步骤B2得到的绝对火点像元与步骤B3得到火点像元,采用土地利用类型进行叠置分析的方法去除虚假火点。步骤B2与B3得到的火点不排除存在虚假火点的可能,如地表强反射点、水体与陆地交界处、沙漠边缘都有可能造成虚假火点,这些虚假火点可以借助土地利用类型进行叠置分析进行去除。
本发明提供的基于MODIS数据的温带地区森林火灾检测方法,对地面卫星接收站实时接收的MODIS数据进行预处理,在火点提取中,其一,陆地像元分类时采用自适应阈值思想,通过统计影像亮温统计直方图个数,由亮温最高值向最低值累加像元个数,直至累加至像元总数的20%为止,对应像元亮温即为区分非火点像元与疑似火点像元阈值,自适应阈值相比固定阈值可以更好地适用于不同研究区,在源头减少火点漏检与误检,提高火点提取精度;其二,在区分绝对火点像元、潜在火点像元与有效背景像元时,将绝对火点像元阈值由360K降低到340K,在保证火点可信度基础上,当降低了判别阈值,直接增加了判别为绝对火点像元的个数,减少了步骤B3中运算量,提高了算法的运行效率,提高火灾检测效率,同时,判别潜在火点像元与有效背景像元时,降低相关阈值,增加了潜在火点像元个数,让更多潜在火点像元参与到火点的循环判断中,在误判率不提升的前提下,降低了火点漏检个数,进一步提高火点提取精度。
本文中应用了具体个例对本发明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发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,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发明的限制。
Claims (9)
1.一种基于MODIS数据的温带地区森林火灾检测方法,其特征在于,包括以下步骤:
步骤A:数据预处理,其包括:步骤A1,对250m分辨率的太阳反射率波段数据抽样到1km分辨率时的SI数据与1km分辨率发射率波段SI数据进行几何校正;步骤A2,对几何校正得到的250m分辨率的太阳反射率波段数据抽样到1km分辨率时的SI数据进行波段运算,得到波段1、波段2反射率影像;步骤A3,对几何校正得到的1km分辨率发射率波段SI数据波段运算,得到波段21、波段31及波段32辐射率影像;步骤A4,结合普朗克黑体公式得到波段21、波段31及波段32对应亮温数据;
步骤B:火点提取,基于步骤A得到的数据提取火点,其包括:步骤B1,剔除云像元和水像元;步骤B2,陆地像元分类;步骤B3,判识火点;步骤B4,去除虚假火点;
其中,步骤B2具体包括:对经过步骤B1处理后得到的陆地像元进行分类,
如果陆地像元满足:
(T4>Th)∩(ρ0.65<0.3)∩(ρ0.86<0.3),则为疑似火点像元,否则为非火点陆地像元;对得到的疑似火点像元继续分类,如果疑似火点像元满足T4>340K,则为绝对火点像元,否则,对不满足T4>340K的疑似火点像元继续分类;如果不满足T4>340K的疑似火点像元满足(T4>315K)∩(T411>15K),则为潜在火点像元,否则为有效背景像元;
其中,Th为波长4μm对应波段21亮温自适应阈值:由最高温向最低温累加亮温直方图像元个数,直至累加到20%为止,所对应的亮温值即为Th;T4是波长4μm对应波段21亮温,T411是波长4μm对应波段21与11μm对应波段31亮温值之差,ρ0.65、ρ0.86分别代表波长为0.65μm对应波段1反射率、波长为0.86μm对应波段2反射率。
2.根据权利要求1所述的基于MODIS数据的温带地区森林火灾检测方法,其特征在于,所述步骤A1中,所述几何校正包括投影转换和去除蝴蝶结效应。
3.根据权利要求1所述的基于MODIS数据的温带地区森林火灾检测方法,其特征在于,所述步骤A1中,对250m分辨率的太阳反射率波段数据抽样到1km分辨率时的SI数据与1km分辨率发射率波段SI数据进行几何校正,包括:
打开MOD021KM数据集中250m分辨率的太阳反射率波段数据抽样到1km分辨率时的SI数据,使用ENVI5.3软件中Georeference MODIS工具,对250m分辨率的太阳反射率波段数据抽样到1km分辨率时的SI数据进行几何校正;同理,对1km分辨率发射率波段SI数据进行几何校正。
4.根据权利要求1所述的基于MODIS数据的温带地区森林火灾检测方法,其特征在于,所述步骤A2中,对几何校正得到的250m分辨率的太阳反射率波段数据抽样到1km分辨率时的SI数据进行波段运算,得到波段1、波段2反射率影像,其中反射率计算采用如下定标公式:
Reflectance=reflectance_scale*(DN-reflectance_offset);
式中,Reflectance代表反射率,reflectance_scale代表定标增益,DN代表图像有效计数值即亮度值,reflectance_offset代表定标偏移量。
5.根据权利要求1所述的基于MODIS数据的温带地区森林火灾检测方法,其特征在于,所述步骤A3中,对几何校正得到的1km分辨率发射率波段SI数据波段运算,得到波段21、波段31及波段32辐射率影像,其中辐射率计算采用如下定标公式:
Radiance=radiance_scale*(DN-radiance_offset);
式中,Radiance代表辐射率,radiance_scale代表定标增益,DN代表图像有效计数值即亮度值,radiance_offset代表定标偏移量。
6.根据权利要求1所述的基于MODIS数据的温带地区森林火灾检测方法,其特征在于,所述步骤A4中,结合普朗克黑体公式分别得到波段21、波段31及波段32对应亮温数据,包括:根据普朗克黑体公式推导得到亮温计算公式:
式中,T表示像元亮温值,c表示真空中光速,h表示普朗克常数,为6.626*10-34m2kg/s,k表示玻尔兹曼常数,为1.38*10-23J/K,ωλ为辐射出射度;根据亮温计算公式分别得到波段21、波段31及波段32对应亮温数据。
7.根据权利要求1所述的基于MODIS数据的温带地区森林火灾检测方法,其特征在于,所述步骤B1中,剔除云像元和水像元,包括:识别并剔除云像元和水像元,如果白天像元满足:
((ρ0.65+ρ0.86)>0.9∪(T12<265K))∪((ρ0.65+ρ0.86)>0.7∩(T12<285K));
夜晚像元满足T12<265K,则识别为云像元,进行剔除处理,其中,ρ0.65、ρ0.86分别代表波长为0.65μm对应波段1反射率、波长为0.86μm对应波段2反射率,T12为波长12μm的波段32对应亮温;
利用土地利用类型进行叠加分析识别并剔除水像元。
8.根据权利要求1所述的基于MODIS数据的温带地区森林火灾检测方法,其特征在于,所述步骤B3中,判识火点,包括:对步骤B2得到的潜在火点像元进行判识,通过改变以潜在火点像元为中心像元的窗口大小,分析潜在火点像元与周围背景像元之间的亮温差异,来判别潜在火点像元是否为真实火点像元;窗口大小n*n从3*3循环扩大至21*21,当窗口中有效背景像元个数N满足(N≥n*n*25%)∩(N≥8)时,窗口不再扩大并计算窗口内有效背景像元统计值;此时,若潜在火点像元满足((1)∩(2)∩(3)∩((4)∪(5))的判别条件,该潜在火点像元分类为火点像元;若不满足判别条件,该潜在火点像元归类为非火点像元,继续下一个潜在火点像元判断;
其中,如果有效背景像元个数N不满足(N≥n*n*25%)∩(N≥8)时,则继续扩大窗口重复上述循环,直至满足条件;若窗口扩大至21*21时,仍不能满足要求,该潜在火点像元归类为不确定像元;
判别条件中包括:
δ′4>5 (5)
式中,为波段21对应有效背景像元亮温的平均值、平均绝对偏差,同理,为波段21与波段31对应有效背景像元亮温差值的平均值、平均绝对偏差,δ′4为波段21对应背景火点像元亮温的平均绝对偏差。
9.根据权利要求8所述的基于MODIS数据的温带地区森林火灾检测方法,其特征在于,所述步骤B4中,去除虚假火点,包括:对步骤B2得到的绝对火点像元与步骤B3得到火点像元,采用土地利用类型进行叠置分析的方法去除虚假火点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910650597.7A CN110348421A (zh) | 2019-07-18 | 2019-07-18 | 基于modis数据的温带地区森林火灾检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910650597.7A CN110348421A (zh) | 2019-07-18 | 2019-07-18 | 基于modis数据的温带地区森林火灾检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110348421A true CN110348421A (zh) | 2019-10-18 |
Family
ID=68178786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910650597.7A Pending CN110348421A (zh) | 2019-07-18 | 2019-07-18 | 基于modis数据的温带地区森林火灾检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348421A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112113913A (zh) * | 2020-08-30 | 2020-12-22 | 山东锋士信息技术有限公司 | 一种基于背景阈值的Himawari8陆地火点探测算法 |
CN113221057A (zh) * | 2021-05-14 | 2021-08-06 | 山东省生态环境监测中心 | 基于多时相卫星影像的秸秆焚烧火点监测方法 |
CN114037908A (zh) * | 2021-11-15 | 2022-02-11 | 贵州电网有限责任公司 | 一种森林火点提取的方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102116861A (zh) * | 2011-02-01 | 2011-07-06 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的秸秆焚烧点提取方法 |
CN102193093A (zh) * | 2010-03-15 | 2011-09-21 | 北京师范大学 | 环境小卫星hj森林或草原火灾小火点探测系统及其方法 |
CN103345761A (zh) * | 2013-07-30 | 2013-10-09 | 中国地质大学(武汉) | 用于线阵高塔倾斜扫描成像数据校正及拼接的方法和系统 |
CN105510987A (zh) * | 2015-11-19 | 2016-04-20 | 中国林业科学研究院资源信息研究所 | 一种利用单中波红外通道进行林火识别的方法 |
CN106840409A (zh) * | 2017-01-23 | 2017-06-13 | 北京师范大学 | 一种基于modis的森林火灾火点检测方法 |
CN106855943A (zh) * | 2016-12-14 | 2017-06-16 | 中国科学院遥感与数字地球研究所 | 一种火点遥感监测方法 |
CN107576399A (zh) * | 2017-09-12 | 2018-01-12 | 北京师范大学 | 面向modis 林火探测的亮温预测方法和系统 |
CN107784277A (zh) * | 2017-10-17 | 2018-03-09 | 国网湖南省电力公司 | 一种山火判识方法和系统 |
CN108240864A (zh) * | 2016-12-23 | 2018-07-03 | 航天星图科技(北京)有限公司 | 一种遥感影像的农田焚烧火点监控方法 |
CN108304780A (zh) * | 2017-12-29 | 2018-07-20 | 中国电子科技集团公司第二十七研究所 | 一种基于风云三号卫星的秸秆焚烧火点遥感监测方法 |
CN108664926A (zh) * | 2018-05-10 | 2018-10-16 | 中南林业科技大学 | 森林火灾卫星监测云层反射虚假热点的识别方法 |
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 |
CN109902666A (zh) * | 2019-03-29 | 2019-06-18 | 国网湖南省电力有限公司 | 一种基于二维otsu的电网山火潜在火点识别方法 |
-
2019
- 2019-07-18 CN CN201910650597.7A patent/CN110348421A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102193093A (zh) * | 2010-03-15 | 2011-09-21 | 北京师范大学 | 环境小卫星hj森林或草原火灾小火点探测系统及其方法 |
CN102116861A (zh) * | 2011-02-01 | 2011-07-06 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的秸秆焚烧点提取方法 |
CN103345761A (zh) * | 2013-07-30 | 2013-10-09 | 中国地质大学(武汉) | 用于线阵高塔倾斜扫描成像数据校正及拼接的方法和系统 |
CN105510987A (zh) * | 2015-11-19 | 2016-04-20 | 中国林业科学研究院资源信息研究所 | 一种利用单中波红外通道进行林火识别的方法 |
CN106855943A (zh) * | 2016-12-14 | 2017-06-16 | 中国科学院遥感与数字地球研究所 | 一种火点遥感监测方法 |
CN108240864A (zh) * | 2016-12-23 | 2018-07-03 | 航天星图科技(北京)有限公司 | 一种遥感影像的农田焚烧火点监控方法 |
CN106840409A (zh) * | 2017-01-23 | 2017-06-13 | 北京师范大学 | 一种基于modis的森林火灾火点检测方法 |
CN107576399A (zh) * | 2017-09-12 | 2018-01-12 | 北京师范大学 | 面向modis 林火探测的亮温预测方法和系统 |
CN107784277A (zh) * | 2017-10-17 | 2018-03-09 | 国网湖南省电力公司 | 一种山火判识方法和系统 |
CN108304780A (zh) * | 2017-12-29 | 2018-07-20 | 中国电子科技集团公司第二十七研究所 | 一种基于风云三号卫星的秸秆焚烧火点遥感监测方法 |
CN108664926A (zh) * | 2018-05-10 | 2018-10-16 | 中南林业科技大学 | 森林火灾卫星监测云层反射虚假热点的识别方法 |
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 |
CN109902666A (zh) * | 2019-03-29 | 2019-06-18 | 国网湖南省电力有限公司 | 一种基于二维otsu的电网山火潜在火点识别方法 |
Non-Patent Citations (5)
Title |
---|
何全军等: "MODIS数据自适应火点检测的改进算法", 《遥感学报》 * |
吴黎著: "《MODIS遥感信息处理方法及应用》", 30 June 2017, 哈尔滨工程大学出版社 * |
唐中实等: "基于MODIS的重庆森林火灾监测与应用", 《国土资源遥感》 * |
环境保护部卫星环境应用中心,中国环境监测总站编: "《生态环境遥感监测技术》", 30 December 2013, 中国环境科学出版社 * |
胡梅等: "华北平原秸秆焚烧火点的 MODIS影像识别监测", 《地球信息科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112113913A (zh) * | 2020-08-30 | 2020-12-22 | 山东锋士信息技术有限公司 | 一种基于背景阈值的Himawari8陆地火点探测算法 |
CN112113913B (zh) * | 2020-08-30 | 2021-07-09 | 山东锋士信息技术有限公司 | 一种基于背景阈值的Himawari8陆地火点探测算法 |
CN113221057A (zh) * | 2021-05-14 | 2021-08-06 | 山东省生态环境监测中心 | 基于多时相卫星影像的秸秆焚烧火点监测方法 |
CN114037908A (zh) * | 2021-11-15 | 2022-02-11 | 贵州电网有限责任公司 | 一种森林火点提取的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109461168B (zh) | 目标对象的识别方法和装置、存储介质、电子装置 | |
CN110348421A (zh) | 基于modis数据的温带地区森林火灾检测方法 | |
CN110909690B (zh) | 一种基于区域生成的遮挡人脸图像检测方法 | |
CN108564761B (zh) | 基于风云气象卫星数据的林火识别方法 | |
CN106023203B (zh) | 基于Landsat-8陆地卫星数据的火点检测方法 | |
CN111145177A (zh) | 图像样本生成方法、特定场景目标检测方法及其系统 | |
CN106840409A (zh) | 一种基于modis的森林火灾火点检测方法 | |
CN113469050B (zh) | 基于图像细分类的火焰检测方法 | |
Friman et al. | Methods for large-scale monitoring of district heating systems using airborne thermography | |
US20240005759A1 (en) | Lightweight fire smoke detection method, terminal device, and storage medium | |
CN110473375A (zh) | 森林火灾的监测方法、装置、设备和系统 | |
Huang et al. | Landslide monitoring using change detection in multitemporal optical imagery | |
CN105575034A (zh) | 一种双波段森林防火智能监控软件图像处理分析方法 | |
Martinez-De Dios et al. | Automatic detection of windows thermal heat losses in buildings using UAVs | |
CN114399734A (zh) | 一种基于视觉信息的森林火灾预警方法 | |
CN111639610A (zh) | 一种基于深度学习的火情识别方法及系统 | |
CN115507959A (zh) | 一种用于目标检测的红外辐射特性分析方法 | |
Yoon et al. | An intelligent automatic early detection system of forest fire smoke signatures using Gaussian mixture model | |
CN114120171A (zh) | 基于视频帧的火灾烟雾检测方法、装置、设备及存储介质 | |
CN113221057A (zh) | 基于多时相卫星影像的秸秆焚烧火点监测方法 | |
KR20220026400A (ko) | 실시간 기상변화 예측 시스템 및 그 방법 | |
CN106526558B (zh) | 基于多普勒天气雷达资料的阵风锋自动识别方法 | |
CN108932474A (zh) | 一种基于全卷积神经网络复合特征的遥感影像云判方法 | |
Babari et al. | Computer vision for the remote sensing of atmospheric visibility | |
CN105427295B (zh) | 一种基于焊缝的图像识别方法和图像识别系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |