CN110555484A - 基于knn分类的modis数据山火检测方法、系统及其存储介质 - Google Patents
基于knn分类的modis数据山火检测方法、系统及其存储介质 Download PDFInfo
- Publication number
- CN110555484A CN110555484A CN201910850405.7A CN201910850405A CN110555484A CN 110555484 A CN110555484 A CN 110555484A CN 201910850405 A CN201910850405 A CN 201910850405A CN 110555484 A CN110555484 A CN 110555484A
- Authority
- CN
- China
- Prior art keywords
- model
- fire
- establishing
- classification
- fire detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims description 21
- 238000013145 classification model Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fire-Detection Mechanisms (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明涉及山火检测方法的模型，尤其为一种基于KNN分类的MODIS数据山火检测方法、系统及其存储介质，所述基于KNN分类的MODIS数据山火检测方法首先根据火点真值表和MODIS图像输出火点和非火点经纬度位置信息，建立火点和非火点样本表，然后把经纬度与图像像元一一对应，提取MODIS图像中对应像元点的红外波段特征信息，建立正负样本集，接着使用K近邻(KNN)模型分类正负样本，建立分类模型，最后，使用测试数据进行测试，输出最佳分类模型。通过分析遥感图像红外波段得到火点特征信息，利用这些信息可进行特征学习并用于山火检测。本发明使用机器学习的模型进行分类，简单并且高效，充分利用了MODIS数据多维度特征的特点。
Description
技术领域
本发明涉及一种MODIS数据的山火检测模型，尤其是一种基于KNN分类的MODIS数据山火检测方法、系统及其存储介质。
发明背景
云南省位于中国西南部，占地面积约39万平方公里，主要以山区、林区为主，植被极度丰富，且地处典型的高原热带季气候区域，11月份到次年的5月份受热带大陆干热气团控制，热量充足，在此期间降水量较少，极易引发森林火灾。传统的山火监测手段是通过眺望塔进行人工实地观测、飞机巡航、砍伐隔离带来预防山火。这些方法在一定程度上能够有效地避免火势蔓廷，但因缺乏精确火情数据、高成本、有限的观测范围和观测次数，难以实施有效的应对措施。随着遥感技术不断发展，影像时空分辨率不断提高以及计算机技术和信息处术的不断增强，使得利用卫星感监测技术不新完善，可以快速且大范围地监测目标区域的山火热点情况，有效克服人工监测的不足。
MODIS有分布在0.4-14μm的电磁波谱范围内36个光谱通道，其地面分辨率分别为250m、 500m和1000m，每日可获取4次全球观测数据。MODIS从设计上考虑了火灾监测，在火灾应用方面较其他遥感仪器有以下优点：传感器灵敏度和量化精度高，在发现和测定火灾方面具有优势，这使得MODIS数据在森林火情监测中的应用研究日益受到世界各国的重视。目前，遥感图像山火检测的算法有双谱法、阈值法、空间背景信息法、多时相法和虚警排除法，这些算法误判和漏判率都较高。为了提高山火检测的准确率，本发明使用KNN算法对MODIS图像中的红外波段与火点分类进行建模，之后利用模型进行真实火点的预测判断。
发明内容
为了解决现阶段山火检测模型检测精度低、误检率高的问题，本发明目的是提出一种新的山火检测的模型，提高山火检测精度、降低误检率，降低引起的经济损失，为此，提供一种基于KNN分类的MODIS数据山火检测方法、系统及其存储介质。
为了实现所述目的，本发明的基于KNN分类的MODIS数据山火检测方法，步骤如下：
步骤S1：根据火点真值表和MODIS图像输出火点和非火点经纬度位置信息，建立火点和非火点样本表；
步骤S2：建立经纬度与图像像元的对应的关系，提取火点和对应像元16个红外波段信息，建立正负样本集；
步骤S3：使用K近邻(KNN)模型分类正负样本，建立分类模型；
步骤S4：使用测试数据进行测试，选取不同特征维度，输出最佳分类模型。
具体地，所述建立正负样本集包括如下步骤：
步骤S21：通过对经纬度数据集进行插值来建立经纬度与图像的对应关系；
步骤S22：建立经纬度与图像像元行列号的对应关系；
步骤S23：根据火点和非火点经纬度值输出图像对应像元的红外波段信息。
所述正负样本集的构建采集正样本和负样本的信息特征，并尽可能包含多种火情场景。
根据所述火点正负样本集来建立分类模型。
具体地，所述使用测试数据进行测试包括如下步骤：
步骤S411：采用建立的火点样本集训练测试模型；
步骤S412：添加其他火点特征信息，继续训练测试模型；
步骤S413：选取不同大小的样本集，得出模型测试结果。
具体地，所述选不同特征维度具体分为如下步骤：
步骤S421：选取红外波段16维度特征训练模型，输出模型分类精度；
步骤S422：加入分辨率250m可见光的2个波段特征；
步骤S423：对比排序不同模型的分类精度，输出火点检查最佳模型。
为达上述目的，本发明还提供一种基于KNN分类的MODIS数据山火检测系统，包括存储器，处理器，以及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。
为达上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述方法的步骤。
本发明的有益效果是，本发明通过MODIS数据红外多通道特征组合，将火点和非火点特征进行分类，同时，针对检测精度的实际情况，加入可见光波段的特征，进一步提高山火的检测精度。
附图说明
图1为本发明具体实施例整体的系统框图。
图2为本发明具体实施例的正负样本采集流程图。
图3为本发明具体实施例进行测试的流程图。
图4为本发明具体实施例不同特征维度进行测试的流程图。
具体实施方式
下面将结合本发明的附图，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的实施例，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为本发明具体实施例提供基于KNN分类的MODIS数据山火检测方法的流程图。如图 1所示，在本实施例中的山火检测模型的流程图可以包括以下步骤：
步骤S1：根据火点真值表和MODIS图像输出火点和非火点经纬度位置信息，建立火点和非火点样本表。
步骤S2：建立经纬度与图像像元的对应的关系，获取火点和对应像元16个红外波段信息，建立正负样本集。
在本步骤中，由于MODIS数据1KM分辨率的图像每5个像元对应一个经度或维度，因此首先需要通过对经纬度数据集进行插值来建立经纬度与图像的对应关系；然后建立经纬度与图像像元行列号的对应关系；接着，根据火点和非火点经纬度值输出图像对应像元的红外波段信息；
所述正负样本集的构建采集正样本和负样本的信息特征，并尽可能包含多种火情场景。
步骤S3：使用K近邻(KNN)模型分类正负样本，建立分类模型。
在本步骤中，根据所述火点正负样本集来建立分类模型。
步骤S4：使用测试数据进行测试，选取不同特征维度，输出最佳分类模型。
在本步骤中，首先，采用建立的火点样本集训练测试模型；然后，添加其他火点特征信息，继续训练测试模型；最后，选取不同大小的样本集，得出模型测试结果。
接下来，选取红外波段16维度特征训练模型，输出模型分类精度；接着，加入分辨率 250m可见光的2个波段特征；然后，对比排序不同模型的分类精度，输出火点检查最佳模型。
为达上述目的，本发明还提供一种基于KNN分类的MODIS数据山火检测系统，包括存储器，处理器，以及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。
为达上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述方法的步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或更替，都应涵盖在本发明的包含范围之内，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 (8)
1.一种基于KNN分类的MODIS数据山火检测方法，其特征在于：包括以下步骤：
步骤S1：根据火点真值表和MODIS图像输出火点和非火点经纬度位置信息，建立火点和非火点样本表；
步骤S2：建立经纬度与图像像元的对应的关系，提取火点和对应像元16个红外波段信息，建立正负样本集；
步骤S3：使用K近邻(KNN)模型分类正负样本，建立分类模型；
步骤S4：使用测试数据进行测试，选取不同特征维度，输出最佳分类模型。
2.如权利要求1所述的山火检测模型，其特征在于：所述建立正负样本集包括如下步骤：
步骤S21：通过对经纬度数据集进行插值来建立经纬度与图像的对应关系；
步骤S22：建立经纬度与图像像元行列号的对应关系；
步骤S23：根据火点和非火点经纬度值输出图像对应像元的红外波段信息。
3.如权利要求1所述的山火检测模型，其特征在于：根据所述火点正负样本集来建立分类模型。
4.如权利要求1所述的山火检测模型，其特征在于：所述使用测试数据进行测试包括如下步骤：
步骤S411：采用建立的火点样本集训练测试模型；
步骤S412：添加其他火点特征信息，继续训练测试模型；
步骤S413：选取不同大小的样本集，得出模型测试结果。
5.如权利要求1所述的山火检测模型，其特征在于：所述选不同特征维度具体分为如下步骤：
步骤S421：选取红外波段16维度特征训练模型，输出模型分类精度；
步骤S422：加入分辨率250m可见光的2个波段特征；
步骤S423：对比排序不同模型的分类精度，输出火点检查最佳模型。
6.如权利要求1或2所述的山火检测模型，其特征在于：所述正负样本集的构建采集正样本和负样本的信息特征，并尽可能包含多种火情场景。
7.一种基于KNN分类的MODIS数据山火检测系统，包括存储器，处理器，以及存储于存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现上述权利要求1至5中任一所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述程序被处理器执行时实现上述权利要求1至5中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910850405.7A CN110555484A (zh) | 2019-09-10 | 2019-09-10 | 基于knn分类的modis数据山火检测方法、系统及其存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910850405.7A CN110555484A (zh) | 2019-09-10 | 2019-09-10 | 基于knn分类的modis数据山火检测方法、系统及其存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110555484A true CN110555484A (zh) | 2019-12-10 |
Family
ID=68739664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910850405.7A Pending CN110555484A (zh) | 2019-09-10 | 2019-09-10 | 基于knn分类的modis数据山火检测方法、系统及其存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110555484A (zh) |
Citations (5)
| 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 |
| CN105678237A (zh) * | 2015-12-31 | 2016-06-15 | 张弓 | 一种火点确定方法及系统 |
| 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 |
| CN107481268A (zh) * | 2017-08-16 | 2017-12-15 | 北京信德智图科技有限公司 | 基于modis遥感数据的森林防火监控方法 |
| CN109214341A (zh) * | 2018-09-13 | 2019-01-15 | 青岛浩海网络科技股份有限公司 | 一种基于Himawari8的火点监测算法 |
-
2019
- 2019-09-10 CN CN201910850405.7A patent/CN110555484A/zh active Pending
Patent Citations (5)
| 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 |
| CN105678237A (zh) * | 2015-12-31 | 2016-06-15 | 张弓 | 一种火点确定方法及系统 |
| 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 |
| CN107481268A (zh) * | 2017-08-16 | 2017-12-15 | 北京信德智图科技有限公司 | 基于modis遥感数据的森林防火监控方法 |
| CN109214341A (zh) * | 2018-09-13 | 2019-01-15 | 青岛浩海网络科技股份有限公司 | 一种基于Himawari8的火点监测算法 |
Non-Patent Citations (3)
| Title |
|---|
| VARUN MITHAL: "Mapping Burned Areas in Tropical Forests Using a Novel Machine Learning Framework", 《REMOTE SENSING》 * |
| 张青: "聚类算法在自动识别假冒领导诈骗电话的应用", 《移动通信》 * |
| 陈文波: "俄罗斯远东林区林火过程数值分类研究", 《资源科学》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Melaas et al. | Multisite analysis of land surface phenology in North American temperate and boreal deciduous forests from Landsat | |
| Bloisi et al. | ARGOS-Venice boat classification | |
| Zhang et al. | Weather visibility prediction based on multimodal fusion | |
| CN110929592A (zh) | 一种用于海上养殖区外边界的提取方法及系统 | |
| CN114612789B (zh) | 一种通过长时序卫星遥感提取常绿森林林分变化的方法 | |
| CN114005048A (zh) | 基于多时相数据的土地覆盖变化与热环境影响研究方法 | |
| CN114399719A (zh) | 一种变电站火灾视频监测方法 | |
| CN115331124A (zh) | 一种基于无人机遥感的入侵植物生物量估算方法 | |
| Almeida et al. | Deriving vegetation indices for phenology analysis using genetic programming | |
| CN111062950A (zh) | 一种用于多类别森林场景图像分割的方法、存储介质和设备 | |
| CN110021018A (zh) | 一种基于遥感数据提取森林火灾足迹的方法 | |
| Tang et al. | A novel sample selection method for impervious surface area mapping using JL1-3B nighttime light and Sentinel-2 imagery | |
| Araujo et al. | Strong temporal variation in treefall and branchfall rates in a tropical forest is explained by rainfall: results from five years of monthly drone data for a 50-ha plot | |
| Qiao et al. | FireFormer: an efficient Transformer to identify forest fire from surveillance cameras | |
| Barnetson et al. | Assessing Landsat fractional ground-cover time series across Australia’s arid rangelands: separating grazing impacts from climate variability | |
| CN110555484A (zh) | 基于knn分类的modis数据山火检测方法、系统及其存储介质 | |
| CN109993071A (zh) | 基于遥感影像的变色林木自动识别及调查的方法和系统 | |
| Furtuná | TEMPORAL AND SPATIAL VARIATION OF FOREST COVERAGE IN APUSENI NATURAL PARK, 2000-2014 PERIOD. | |
| Nakagawa et al. | Application of random forest to classify weather observation into rainfall using GNSS receiver | |
| Adurkar et al. | Fire detection using HSV color picker: a review | |
| Wang et al. | Monitoring urban expansion of the Greater Toronto area from 1985 to 2013 using Landsat images | |
| Barbosa et al. | Deep Learning for Flash Drought Detection: A Case Study in Northeastern Brazil | |
| CN117725523B (zh) | 基于物理约束的雷暴天气预警方法及预警系统 | |
| TWI770832B (zh) | 車聯網空氣品質數據分析動態視覺展示系統 | |
| Döner | Using Landsat data to determine land use/land cover changes in Gümüşhane, Turkey |
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 |
Application publication date: 20191210 |
|
| RJ01 | Rejection of invention patent application after publication |