CN110852381A - 一种林火火烧迹地的提取方法及系统 - Google Patents

一种林火火烧迹地的提取方法及系统 Download PDF

Info

Publication number
CN110852381A
CN110852381A CN201911096832.7A CN201911096832A CN110852381A CN 110852381 A CN110852381 A CN 110852381A CN 201911096832 A CN201911096832 A CN 201911096832A CN 110852381 A CN110852381 A CN 110852381A
Authority
CN
China
Prior art keywords
index
remote sensing
determining
sensing image
multispectral remote
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
Application number
CN201911096832.7A
Other languages
English (en)
Inventor
吕琪菲
韩宇韬
陈银
张至怡
陈爽
杨佳龙
党建波
阳松江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Aerospace Shenkun Technology Co Ltd
Original Assignee
Sichuan Aerospace Shenkun Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Aerospace Shenkun Technology Co Ltd filed Critical Sichuan Aerospace Shenkun Technology Co Ltd
Priority to CN201911096832.7A priority Critical patent/CN110852381A/zh
Publication of CN110852381A publication Critical patent/CN110852381A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种林火火烧迹地的提取方法及系统。该提取方法包括：获取森林的多光谱遥感影像；根据多光谱遥感影像确定多种光谱指数特征；光谱指数特征包括归一化植被指数、阴影植被指数、过火区识别指数、归一化差异水体指数和全球环境监测指数；获取多光谱遥感影像的多种纹理信息；获取多光谱遥感影像的近红外波段数据信息；采用波段融合方式对多种光谱指数特征、多种纹理信息和近红外波段数据信息进行融合，得到融合后的多波段影像；采用二分K‑means聚类算法对融合后的多波段影像进行非监督分类，提取火烧迹地的斑块信息。本发明可以避免单一的光谱指数以及光谱相似地物对火烧迹地提取结果的影响，提高了火烧迹地识别准确率。

Description

一种林火火烧迹地的提取方法及系统
技术领域
本发明涉及林火监测领域，特别是涉及一种林火火烧迹地的提取方法及系统。
背景技术
森林火灾火烧迹地遥感监测技术可以快速估算火灾的过火面积信息，评估社会经济损失情况，避免大量的野外调查工作。根据所获取卫星遥感数据的不同，基于卫星遥感的林火火烧迹地监测技术可以分为两种。第一种是利用灾前灾后多时相的可见光/近红外遥感数据进行火烧迹地识别提取，依据的是火灾前后地表植被覆盖的光谱特征变化，主要采用遥感影像变化检测法。第二种是利用灾后单时相的可见光/近红外遥感数据进行火烧迹地识别提取，依据的是灾后火烧迹地与背景地物的光谱特征差异，主要方法有基于不同光谱指数的阈值法、决策树法。植被在被燃烧之前往往生长较快，不同时期的光谱特征差异很大，而高分辨率卫星的重访周期长及易受云覆盖等天气原因影响，不一定每次都能获取到火灾发生之前日期较近的遥感数据，因此当无法获取可用的灾前卫星遥感数据时，第二种方式就可以发挥重要作用。所以，研究灾后单时相卫星遥感数据的火烧迹地提取方法意义重大，应用条件不受灾前影像数据缺少的限制。但是，利用灾后单时相卫星多光谱遥感影像进行火烧迹地监测的手段存在以下问题：(1)单一的光谱指数容易受植被季节变化、干旱缺水等非火灾原因影响，从而很容易造成火烧迹地提取结果的偏差；(2)高分辨率卫星影像带来的“同谱异物、同物异谱”现象会导致火烧迹地像元的误提和漏提，特别是云阴影或地形阴影、颜色较深的水体和某些颜色的裸土等与火烧迹地斑块往往很相似，从而无法获取可信的火烧迹地信息。
发明内容
本发明的目的是提供一种林火火烧迹地的提取方法及系统，以提高火烧迹地提取的准确度。
为实现上述目的，本发明提供了如下方案：
一种林火火烧迹地的提取方法，包括：
获取森林的多光谱遥感影像；
根据所述多光谱遥感影像确定多种光谱指数特征；所述光谱指数特征包括归一化植被指数、阴影植被指数、过火区识别指数、归一化差异水体指数和全球环境监测指数；
获取所述多光谱遥感影像的多种纹理信息；
获取所述多光谱遥感影像的近红外波段数据信息；
采用波段融合方式对所述多种光谱指数特征、所述多种纹理信息和所述近红外波段数据信息进行融合，得到融合后的多波段影像；
采用二分K-means聚类算法对所述融合后的多波段影像进行非监督分类，提取火烧迹地的斑块信息。
可选的，所述获取森林的多光谱遥感影像，之后还包括：
对所述多光谱遥感影像进行辐射定标、大气校正和正射校正，得到预处理后的多光谱遥感影像。
可选的，所述根据所述多光谱遥感影像确定多种光谱指数特征，具体包括：
利用公式
Figure BDA0002268605750000021
确定所述归一化植被指数NDVI；
利用公式
Figure BDA0002268605750000022
确定所述阴影植被指数SVI；
利用公式
Figure BDA0002268605750000023
确定所述过火区识别指数BAI；
利用公式
Figure BDA0002268605750000024
确定所述归一化差异水体指数NDWI；
利用公式确定所述全球环境监测指数GEMI；
其中，ρGreen为绿光波段反射率，ρRed为红光波段反射率，ρNir为近红外波段反射率，
Figure BDA0002268605750000031
可选的，所述获取所述多光谱遥感影像的多种纹理信息，具体包括：
采用主成分分析法对所述多光谱遥感影像进行主成分变换，提取包含最大的数据信息量和最小的噪声量的第一主成分波段数据信息；
获取所述第一主成分波段数据信息的多种纹理信息；所述多种纹理信息采用灰度共生矩阵的角二阶矩、均匀性和熵表征；
将所述第一主成分波段数据信息的多种纹理信息确定为所述多光谱遥感影像的多种纹理信息。
可选的，所述获取所述第一主成分波段数据信息的多种纹理信息，具体包括：
利用公式确定所述角二阶矩ASM；
利用公式
Figure BDA0002268605750000033
确定所述熵Ent；
利用公式
Figure BDA0002268605750000034
确定所述均匀性Hom；
其中，i和j表示灰度级，i,j＝0,1,2,…,G-1；p(i,j)表示i和j两个灰度级在原始图像中共同发生的概率。
可选的，所述采用二分K-means聚类算法对所述融合后的多波段影像进行非监督分类，提取火烧迹地的斑块信息，之前还包括：
对所述多光谱遥感影像采用真彩色融合，得到真彩色合成影像；
根据所述真彩色合成影像进行目视判读，确定所述多光谱遥感影像中地物类型。
本发明还提供一种林火火烧迹地的提取系统，包括：
多光谱遥感影像获取模块，用于获取森林的多光谱遥感影像；
光谱指数特征确定模块，用于根据所述多光谱遥感影像确定多种光谱指数特征；所述光谱指数特征包括归一化植被指数、阴影植被指数、过火区识别指数、归一化差异水体指数和全球环境监测指数；
纹理信息获取模块，用于获取所述多光谱遥感影像的多种纹理信息；
近红外波段数据信息获取模块，用于获取所述多光谱遥感影像的近红外波段数据信息；
融合模块，用于采用波段融合方式对所述多种光谱指数特征、所述多种纹理信息和所述近红外波段数据信息进行融合，得到融合后的多波段影像；
分类模块，用于采用二分K-means聚类算法对所述融合后的多波段影像进行非监督分类，提取火烧迹地的斑块信息。
可选的，还包括：
预处理模块，用于在获取森林的多光谱遥感影像之后，对所述多光谱遥感影像进行辐射定标、大气校正和正射校正，得到预处理后的多光谱遥感影像。
可选的，所述光谱指数特征确定模块具体包括：
归一化植被指数确定单元，用于利用公式
Figure BDA0002268605750000041
确定所述归一化植被指数NDVI；
阴影植被指数确定单元，用于利用公式确定所述阴影植被指数SVI；
过火区识别指数确定单元，用于利用公式
Figure BDA0002268605750000043
确定所述过火区识别指数BAI；
归一化差异水体指数确定单元，用于利用公式
Figure BDA0002268605750000044
确定所述归一化差异水体指数NDWI；
全球环境监测指数确定单元，用于利用公式
Figure BDA0002268605750000051
确定所述全球环境监测指数GEMI；
其中，ρGreen为绿光波段反射率，ρRed为红光波段反射率，ρNir为近红外波段反射率，
Figure BDA0002268605750000052
可选的，所述纹理信息获取模块具体包括：
主成分变换单元，用于采用主成分分析法对所述多光谱遥感影像进行主成分变换，提取包含最大的数据信息量和最小的噪声量的第一主成分波段数据信息；
纹理信息获取单元，用于获取所述第一主成分波段数据信息的多种纹理信息；所述多种纹理信息采用灰度共生矩阵的角二阶矩、均匀性和熵表征；
多光谱遥感影像的纹理信息确定模块，用于将所述第一主成分波段数据信息的多种纹理信息确定为所述多光谱遥感影像的多种纹理信息。
可选的，所述纹理信息获取单元具体包括：
角二阶矩确定子单元，用于利用公式
Figure BDA0002268605750000053
确定所述角二阶矩ASM；
熵确定子单元，用于利用公式
Figure BDA0002268605750000054
确定所述熵Ent；
均匀性确定子单元，用于利用公式
Figure BDA0002268605750000055
确定所述均匀性Hom；
其中，i和j表示灰度级，i,j＝0,1,2,…,G-1；p(i,j)表示i和j两个灰度级在原始图像中共同发生的概率。
可选的，还包括：
真色彩融合模块，用于在采用二分K-means聚类算法对所述融合后的多波段影像进行非监督分类，提取火烧迹地的斑块信息之前，对所述多光谱遥感影像采用真彩色融合，得到真彩色合成影像；
地物类型确定模块，用于根据所述真彩色合成影像进行目视判读，确定所述多光谱遥感影像中地物类型。
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：
本发明综合了多光谱遥感影像多种光谱指数特征和纹理特征信息，可以避免单一的光谱指数容易受植被季节变化、干旱缺水、高山植被阴影等非火灾原因影响而导致火烧迹地提取结果有误的问题，以及降低云阴影、颜色较深的水体和某些颜色的裸土等光谱相似地物对火烧迹地提取结果的影响，提高了火烧迹地识别准确率。
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为本发明林火火烧迹地的提取方法实施例1的流程示意图；
图2为本发明林火火烧迹地的提取方法实施例2的流程示意图；
图3为本发明林火火烧迹地的提取系统的结构示意图。
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。
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为本发明林火火烧迹地的提取方法实施例1的流程示意图。如图1所示，本实施例包括以下步骤：
步骤100：获取森林的多光谱遥感影像。本实施例中的多光谱遥感影像为过火区灾后的多光谱遥感影像。
步骤200：根据多光谱遥感影像确定多种光谱指数特征。本实施例中的光谱指数特征包括归一化植被指数(Normal Difference Vegetation Index，NDVI)、阴影植被指数(Shaded Vegetation Index，SVI)、过火区识别指数(Burned Area Index，BAI)、归一化差异水体指数(Normal Difference Water Index，NDWI)和全球环境监测指数(GlobalEnvironment Monitoring Index，GEMI)这五种光谱指数。根据实际情况，也可采用其他光谱指数特征。
具体的，归一化植被指数(NDVI)是植被覆盖情况和生长状况的最佳指标，可以分离植被信息，计算公式为：
Figure BDA0002268605750000071
阴影植被指数(SVI)可以监测到高山植被阴影，计算公式为：过火区识别指数(BAI)可以增强过火区光谱特征，计算公式为：
Figure BDA0002268605750000073
归一化差异水体指数(NDWI)可以提取水体信息，计算公式为：
Figure BDA0002268605750000074
全球环境监测指数(GEMI)可以降低土壤背景或大气影响，提高火烧迹地识别的敏感性，计算公式为：
Figure BDA0002268605750000075
其中，ρGreen为绿光波段反射率，ρRed为红光波段反射率，ρNir为近红外波段反射率，η为中间参数，
Figure BDA0002268605750000076
步骤300：获取多光谱遥感影像的多种纹理信息。具体的，纹理信息采用灰度共生矩阵(gray level co-occurrence matrix，GLCM)的角二阶矩(Angular Second Moment，ASM)、均匀性(Homogeneous)和熵(Entropy)进行表征。
步骤400：获取多光谱遥感影像的近红外波段数据信息。
步骤500：采用波段融合方式对多种光谱指数特征、多种纹理信息和近红外波段数据信息进行融合，得到融合后的多波段影像。本实施例融合后的多波段影像中加入影像近红外波段数据，是因为植被在近红外波段处于反射峰，能够帮助区分已燃烧植被区与未燃烧的植被区域，提高火烧迹地识别的准确度。
步骤600：采用二分K-means聚类算法对融合后的多波段影像进行非监督分类，提取火烧迹地的斑块信息。本步骤可以实现在没有先验知识的情况下火烧迹地的识别提取。二分K-means算法相较于基本K-means算法，具有不受初始质心选择影响的优点，基本思想是：假设要将数据集分成K个簇，首先将所有数据的集合利用K-means分成2个簇，然后从这些簇中选取1个继续分裂，循环往复，直到得到K个簇。
图2为本发明林火火烧迹地的提取方法实施例2的流程示意图。如图2所示，本实施例的具体过程如下：
1)影像预处理
对森林的多光谱遥感影像进行预处理，包括辐射定标、大气校正和正射校正。辐射定标可以将影像DN值转换成地表辐射率数据，再通过大气校正可以获得地表反射率数据，采用DEM数据对影像进行正射校正可以生成平面正射影像。
2)多种光谱指数计算
通过对预处理之后的多光谱影像计算多种光谱指数特征。本实施例采用的光谱指数及其计算方式与实施例1中相同，包括归一化植被指数、阴影植被指数、过火区识别指数、归一化差异水体指数和全球环境监测指数。本步骤的五个光谱指数特征用于特征融合之后进行聚类分析，可以避免单一的光谱指数容易受植被季节变化、干旱缺水、高山植被阴影等非火灾原因影响而导致火烧迹地提取结果有误的问题。
3)提取PCA第一主成分
采用主成分分析(Principal Component Analysis，PCA)方法对预处理后的原始多光谱影像进行主成分变换，并提取包含最大的数据信息量和最少的噪声量的第一主成分波段，目的是将其作为后续纹理特征分析的基影像。
4)纹理特征提取
提取PCA第一主成分波段的纹理信息作为多光谱遥感影像的纹理信息，并且作为后续聚类分析的影像特征之一，可以减小因云的阴影、颜色较深的水体和某些颜色的裸土等对火烧迹地提取结果的影响。原因在于，虽然火烧迹地像元与裸土、云阴影或地形阴影、颜色较深的水体等像元在卫星影像上光谱特征很相似，但是它们的影像纹理特征存在较大差异：植被区燃烧之后的火烧迹地的纹理往往比较粗糙，裸土和阴影的纹理则相对平滑，而水体的纹理则是最为平滑的。
纹理信息采用灰度共生矩阵(gray level co-occurrence matrix，GLCM)的角二阶矩(Angular Second Moment，ASM)、均匀性(Homogeneous)和熵(Entropy)进行表征。
角二阶矩(ASM)又称为能量，度量纹理均匀程度，纹理越均匀ASM越大，最大值为1，计算公式为：
Figure BDA0002268605750000091
熵(Entropy)反映了纹理的信息量，纹理越混乱，信息量就越大，计算公式为：
Figure BDA0002268605750000092
均匀性(Homogeneous)用于度量图像纹理的平滑度，计算公式为：式中，i和j表示灰度级，i,j＝0,1,2,…,G-1；p(i,j)表示i和j两个灰度级在原始图像中共同发生的概率。
5)特征融合
对所提取和选择的5种光谱指数特征、3种纹理特征和近红外波段数据采用波段融合的方式融合成一个9波段影像，以备下一步的聚类分析。之所以要加入影像近红外波段数据，是因为植被在近红外波段处于反射峰，能够帮助区分已燃烧植被区与未燃烧的植被区域。
6)确定地物类型
对预处理后的遥感影像采用真彩色融合，得到真彩色合成影像，然后进行目视判读，确定谱遥感影像中地物类型。本实施例中采用蓝绿红三波段真彩色融合。
7)二分K-means聚类分析
采用二分K-means聚类算法对特征融合后的影像进行非监督分类，以实现在没有先验知识的情况下火烧迹地的识别提取。算法中簇的数目K等于地物类型数目。
对应于图1所示的林火火烧迹地的提取方法，本发明还提供了林火火烧迹地的提取系统，图3为本发明林火火烧迹地的提取系统的结构示意图。如图3所示，所述提取系统包括以下结构：
多光谱遥感影像获取模块301，用于获取森林的多光谱遥感影像；
光谱指数特征确定模块302，用于根据所述多光谱遥感影像确定多种光谱指数特征；所述光谱指数特征包括归一化植被指数、阴影植被指数、过火区识别指数、归一化差异水体指数和全球环境监测指数；
纹理信息获取模块303，用于获取所述多光谱遥感影像的多种纹理信息；
近红外波段数据信息获取模块304，用于获取所述多光谱遥感影像的近红外波段数据信息；
融合模块305，用于采用波段融合方式对所述多种光谱指数特征、所述多种纹理信息和所述近红外波段数据信息进行融合，得到融合后的多波段影像；
分类模块306，用于采用二分K-means聚类算法对所述融合后的多波段影像进行非监督分类，提取火烧迹地的斑块信息。
作为另一实施例，本发明林火火烧迹地的提取系统还包括：
预处理模块，用于在获取森林的多光谱遥感影像之后，对所述多光谱遥感影像进行辐射定标、大气校正和正射校正，得到预处理后的多光谱遥感影像。
作为另一实施例，所述光谱指数特征确定模块302具体包括：
归一化植被指数确定单元，用于利用公式
Figure BDA0002268605750000101
确定所述归一化植被指数NDVI；
阴影植被指数确定单元，用于利用公式
Figure BDA0002268605750000102
确定所述阴影植被指数SVI；
过火区识别指数确定单元，用于利用公式
Figure BDA0002268605750000111
确定所述过火区识别指数BAI；
归一化差异水体指数确定单元，用于利用公式
Figure BDA0002268605750000112
确定所述归一化差异水体指数NDWI；
全球环境监测指数确定单元，用于利用公式
Figure BDA0002268605750000113
确定所述全球环境监测指数GEMI；
其中，ρGreen为绿光波段反射率，ρRed为红光波段反射率，ρNir为近红外波段反射率，
Figure BDA0002268605750000114
作为另一实施例，所述纹理信息获取模块303具体包括：
主成分变换单元，用于采用主成分分析法对所述多光谱遥感影像进行主成分变换，提取包含最大的数据信息量和最小的噪声量的第一主成分波段数据信息；
纹理信息获取单元，用于获取所述第一主成分波段数据信息的多种纹理信息；所述多种纹理信息采用灰度共生矩阵的角二阶矩、均匀性和熵表征；
多光谱遥感影像的纹理信息确定模块，用于将所述第一主成分波段数据信息的多种纹理信息确定为所述多光谱遥感影像的多种纹理信息。
作为另一实施例，所述纹理信息获取单元具体包括：
角二阶矩确定子单元，用于利用公式
Figure BDA0002268605750000115
确定所述角二阶矩ASM；
熵确定子单元，用于利用公式
Figure BDA0002268605750000116
确定所述熵Ent；
均匀性确定子单元，用于利用公式
Figure BDA0002268605750000121
确定所述均匀性Hom；
其中，i和j表示灰度级，i,j＝0,1,2,…,G-1；p(i,j)表示i和j两个灰度级在原始图像中共同发生的概率。
作为另一实施例，本发明林火火烧迹地的提取系统还包括：
真色彩融合模块，用于在采用二分K-means聚类算法对所述融合后的多波段影像进行非监督分类，提取火烧迹地的斑块信息之前，对所述多光谱遥感影像采用真彩色融合，得到真彩色合成影像；
地物类型确定模块，用于根据所述真彩色合成影像进行目视判读，确定所述多光谱遥感影像中地物类型。
本说明书中各个实施例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部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
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 (12)

1.一种林火火烧迹地的提取方法，其特征在于，包括：
获取森林的多光谱遥感影像；
根据所述多光谱遥感影像确定多种光谱指数特征；所述光谱指数特征包括归一化植被指数、阴影植被指数、过火区识别指数、归一化差异水体指数和全球环境监测指数；
获取所述多光谱遥感影像的多种纹理信息；
获取所述多光谱遥感影像的近红外波段数据信息；
采用波段融合方式对所述多种光谱指数特征、所述多种纹理信息和所述近红外波段数据信息进行融合，得到融合后的多波段影像；
采用二分K-means聚类算法对所述融合后的多波段影像进行非监督分类，提取火烧迹地的斑块信息。
2.根据权利要求1所述的林火火烧迹地的提取方法，其特征在于，所述获取森林的多光谱遥感影像，之后还包括：
对所述多光谱遥感影像进行辐射定标、大气校正和正射校正，得到预处理后的多光谱遥感影像。
3.根据权利要求1所述的林火火烧迹地的提取方法，其特征在于，所述根据所述多光谱遥感影像确定多种光谱指数特征，具体包括：
利用公式
Figure FDA0002268605740000011
确定所述归一化植被指数NDVI；
利用公式
Figure FDA0002268605740000012
确定所述阴影植被指数SVI；
利用公式
Figure FDA0002268605740000013
确定所述过火区识别指数BAI；
利用公式
Figure FDA0002268605740000014
确定所述归一化差异水体指数NDWI；
利用公式
Figure FDA0002268605740000015
确定所述全球环境监测指数GEMI；
其中，ρGreen为绿光波段反射率，ρRed为红光波段反射率，ρNir为近红外波段反射率，
Figure FDA0002268605740000021
4.根据权利要求1所述的林火火烧迹地的提取方法，其特征在于，所述获取所述多光谱遥感影像的多种纹理信息，具体包括：
采用主成分分析法对所述多光谱遥感影像进行主成分变换，提取包含最大的数据信息量和最小的噪声量的第一主成分波段数据信息；
获取所述第一主成分波段数据信息的多种纹理信息；所述多种纹理信息采用灰度共生矩阵的角二阶矩、均匀性和熵表征；
将所述第一主成分波段数据信息的多种纹理信息确定为所述多光谱遥感影像的多种纹理信息。
5.根据权利要求4所述的林火火烧迹地的提取方法，其特征在于，所述获取所述第一主成分波段数据信息的多种纹理信息，具体包括：
利用公式
Figure FDA0002268605740000022
确定所述角二阶矩ASM；
利用公式
Figure FDA0002268605740000023
确定所述熵Ent；
利用公式
Figure FDA0002268605740000024
确定所述均匀性Hom；
其中，i和j表示灰度级，i,j＝0,1,2,…,G-1；p(i,j)表示i和j两个灰度级在原始图像中共同发生的概率。
6.根据权利要求1所述的林火火烧迹地的提取方法，其特征在于，所述采用二分K-means聚类算法对所述融合后的多波段影像进行非监督分类，提取火烧迹地的斑块信息，之前还包括：
对所述多光谱遥感影像采用真彩色融合，得到真彩色合成影像；
根据所述真彩色合成影像进行目视判读，确定所述多光谱遥感影像中地物类型。
7.一种林火火烧迹地的提取系统，其特征在于，包括：
多光谱遥感影像获取模块，用于获取森林的多光谱遥感影像；
光谱指数特征确定模块，用于根据所述多光谱遥感影像确定多种光谱指数特征；所述光谱指数特征包括归一化植被指数、阴影植被指数、过火区识别指数、归一化差异水体指数和全球环境监测指数；
纹理信息获取模块，用于获取所述多光谱遥感影像的多种纹理信息；
近红外波段数据信息获取模块，用于获取所述多光谱遥感影像的近红外波段数据信息；
融合模块，用于采用波段融合方式对所述多种光谱指数特征、所述多种纹理信息和所述近红外波段数据信息进行融合，得到融合后的多波段影像；
分类模块，用于采用二分K-means聚类算法对所述融合后的多波段影像进行非监督分类，提取火烧迹地的斑块信息。
8.根据权利要求7所述的林火火烧迹地的提取系统，其特征在于，还包括：
预处理模块，用于在获取森林的多光谱遥感影像之后，对所述多光谱遥感影像进行辐射定标、大气校正和正射校正，得到预处理后的多光谱遥感影像。
9.根据权利要求7所述的林火火烧迹地的提取系统，其特征在于，所述光谱指数特征确定模块具体包括：
归一化植被指数确定单元，用于利用公式确定所述归一化植被指数NDVI；
阴影植被指数确定单元，用于利用公式确定所述阴影植被指数SVI；
过火区识别指数确定单元，用于利用公式
Figure FDA0002268605740000041
确定所述过火区识别指数BAI；
归一化差异水体指数确定单元，用于利用公式
Figure FDA0002268605740000042
确定所述归一化差异水体指数NDWI；
全球环境监测指数确定单元，用于利用公式确定所述全球环境监测指数GEMI；
其中，ρGreen为绿光波段反射率，ρRed为红光波段反射率，ρNir为近红外波段反射率，
Figure FDA0002268605740000044
10.根据权利要求7所述的林火火烧迹地的提取系统，其特征在于，所述纹理信息获取模块具体包括：
主成分变换单元，用于采用主成分分析法对所述多光谱遥感影像进行主成分变换，提取包含最大的数据信息量和最小的噪声量的第一主成分波段数据信息；
纹理信息获取单元，用于获取所述第一主成分波段数据信息的多种纹理信息；所述多种纹理信息采用灰度共生矩阵的角二阶矩、均匀性和熵表征；
多光谱遥感影像的纹理信息确定模块，用于将所述第一主成分波段数据信息的多种纹理信息确定为所述多光谱遥感影像的多种纹理信息。
11.根据权利要求10所述的林火火烧迹地的提取系统，其特征在于，所述纹理信息获取单元具体包括：
角二阶矩确定子单元，用于利用公式
Figure FDA0002268605740000045
确定所述角二阶矩ASM；
熵确定子单元，用于利用公式
Figure FDA0002268605740000046
确定所述熵Ent；
均匀性确定子单元，用于利用公式
Figure FDA0002268605740000051
确定所述均匀性Hom；
其中，i和j表示灰度级，i,j＝0,1,2,…,G-1；p(i,j)表示i和j两个灰度级在原始图像中共同发生的概率。
12.根据权利要求7所述的林火火烧迹地的提取系统，其特征在于，还包括：
真色彩融合模块，用于在采用二分K-means聚类算法对所述融合后的多波段影像进行非监督分类，提取火烧迹地的斑块信息之前，对所述多光谱遥感影像采用真彩色融合，得到真彩色合成影像；
地物类型确定模块，用于根据所述真彩色合成影像进行目视判读，确定所述多光谱遥感影像中地物类型。
CN201911096832.7A 2019-11-11 2019-11-11 一种林火火烧迹地的提取方法及系统 Pending CN110852381A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911096832.7A CN110852381A (zh) 2019-11-11 2019-11-11 一种林火火烧迹地的提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911096832.7A CN110852381A (zh) 2019-11-11 2019-11-11 一种林火火烧迹地的提取方法及系统

Publications (1)

Publication Number Publication Date
CN110852381A true CN110852381A (zh) 2020-02-28

Family

ID=69601288

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911096832.7A Pending CN110852381A (zh) 2019-11-11 2019-11-11 一种林火火烧迹地的提取方法及系统

Country Status (1)

Country Link
CN (1) CN110852381A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563472A (zh) * 2020-05-14 2020-08-21 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
CN111652056A (zh) * 2020-04-24 2020-09-11 深圳大学 一种基于遥感影像的行人路网太阳辐照指数检测方法
CN111767813A (zh) * 2020-06-19 2020-10-13 宁波大学 一种多特征与长时序概率协同的红树林提取方法
CN111898681A (zh) * 2020-07-31 2020-11-06 北京林业大学 一种基于遥感云平台与决策树的火烧迹地精细提取方法
CN112116242A (zh) * 2020-09-17 2020-12-22 福州福大经纬信息科技有限公司 一种结合多种遥感指标的裸土变化识别方法
CN112785590A (zh) * 2021-02-09 2021-05-11 河北地质大学 一种基于双差值归一化的植被指数计算方法
CN113327216A (zh) * 2021-05-28 2021-08-31 深圳前海微众银行股份有限公司 多光谱图像的特征提取方法、装置、电子设备及存储介质
CN114399685A (zh) * 2022-03-25 2022-04-26 航天宏图信息技术股份有限公司 一种森林病虫害的遥感监测评估方法及装置
CN112052757B (zh) * 2020-08-24 2024-03-08 中国气象局沈阳大气环境研究所 火烧迹地信息提取方法、装置、设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103700092A (zh) * 2013-12-04 2014-04-02 中国科学院遥感与数字地球研究所 一种基于时序遥感影像的森林火烧迹地自动提取方法
CN108280812A (zh) * 2018-01-23 2018-07-13 中国科学院遥感与数字地球研究所 一种基于图像增强的过火区域提取方法
CN108550155A (zh) * 2018-04-17 2018-09-18 黑龙江工程学院 一种彩色林火遥感图像的目标区域分割方法
CN109658380A (zh) * 2018-11-09 2019-04-19 广西壮族自治区遥感信息测绘院 基于前期林地矢量数据的林地变化检测方法
US20190171862A1 (en) * 2017-12-05 2019-06-06 Transport Planning and Research Institute Ministry of Transport Method of extracting image of port wharf through multispectral interpretation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103700092A (zh) * 2013-12-04 2014-04-02 中国科学院遥感与数字地球研究所 一种基于时序遥感影像的森林火烧迹地自动提取方法
US20190171862A1 (en) * 2017-12-05 2019-06-06 Transport Planning and Research Institute Ministry of Transport Method of extracting image of port wharf through multispectral interpretation
CN108280812A (zh) * 2018-01-23 2018-07-13 中国科学院遥感与数字地球研究所 一种基于图像增强的过火区域提取方法
CN108550155A (zh) * 2018-04-17 2018-09-18 黑龙江工程学院 一种彩色林火遥感图像的目标区域分割方法
CN109658380A (zh) * 2018-11-09 2019-04-19 广西壮族自治区遥感信息测绘院 基于前期林地矢量数据的林地变化检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘友山 等: "基于PCA和多尺度纹理特征提取的高分辨率遥感影像分类", 《遥感技术与应用》 *
王涛 等: "《摄影测量与遥感》", 31 August 2018, 西南交通大学出版社 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652056A (zh) * 2020-04-24 2020-09-11 深圳大学 一种基于遥感影像的行人路网太阳辐照指数检测方法
CN111652056B (zh) * 2020-04-24 2023-06-23 深圳大学 一种基于遥感影像的行人路网太阳辐照指数检测方法
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
CN111563472A (zh) * 2020-05-14 2020-08-21 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
CN111767813A (zh) * 2020-06-19 2020-10-13 宁波大学 一种多特征与长时序概率协同的红树林提取方法
CN111767813B (zh) * 2020-06-19 2021-09-28 宁波大学 一种多特征与长时序概率协同的红树林提取方法
CN111898681A (zh) * 2020-07-31 2020-11-06 北京林业大学 一种基于遥感云平台与决策树的火烧迹地精细提取方法
CN111898681B (zh) * 2020-07-31 2023-09-05 北京林业大学 一种基于遥感云平台与决策树的火烧迹地精细提取方法
CN112052757B (zh) * 2020-08-24 2024-03-08 中国气象局沈阳大气环境研究所 火烧迹地信息提取方法、装置、设备和存储介质
CN112116242A (zh) * 2020-09-17 2020-12-22 福州福大经纬信息科技有限公司 一种结合多种遥感指标的裸土变化识别方法
CN112116242B (zh) * 2020-09-17 2022-08-16 福州福大经纬信息科技有限公司 一种结合多种遥感指标的裸土变化识别方法
CN112785590A (zh) * 2021-02-09 2021-05-11 河北地质大学 一种基于双差值归一化的植被指数计算方法
CN113327216A (zh) * 2021-05-28 2021-08-31 深圳前海微众银行股份有限公司 多光谱图像的特征提取方法、装置、电子设备及存储介质
CN114399685B (zh) * 2022-03-25 2022-06-21 航天宏图信息技术股份有限公司 一种森林病虫害的遥感监测评估方法及装置
CN114399685A (zh) * 2022-03-25 2022-04-26 航天宏图信息技术股份有限公司 一种森林病虫害的遥感监测评估方法及装置

Similar Documents

Publication Publication Date Title
CN110852381A (zh) 一种林火火烧迹地的提取方法及系统
CN109101894B (zh) 一种地表类型数据支持的遥感图像云阴影检测方法
He et al. Integrating multi-sensor remote sensing and species distribution modeling to map the spread of emerging forest disease and tree mortality
CN113607284B (zh) 一种利用bfast算法判别潜在火点的方法
Key et al. Landscape assessment (LA)
Fan et al. Enhancing endmember selection in multiple endmember spectral mixture analysis (MESMA) for urban impervious surface area mapping using spectral angle and spectral distance parameters
Rasmussen et al. Tree survey and allometric models for tiger bush in northern Senegal and comparison with tree parameters derived from high resolution satellite data
CN106650689A (zh) 一种沿海城市时间序列土地利用信息提取方法
Wu et al. Vegetation burn severity mapping using Landsat-8 and WorldView-2
Fang et al. Atmospheric effects on the performance and threshold extrapolation of multi-temporal Landsat derived dNBR for burn severity assessment
CN112164062A (zh) 一种基于遥感时序分析的抛荒地信息提取方法及装置
CN112183209A (zh) 一种基于多维特征融合的区域农作物分类方法及系统
Lhermitte et al. A pixel based regeneration index using time series similarity and spatial context
US20050114027A1 (en) Cloud shadow detection: VNIR-SWIR
CN108592888B (zh) 一种居民地提取方法
CN112861810B (zh) 一种基于时序遥感观测数据的人工林种植时间自动检测方法
CN115035411B (zh) 一种基于高光谱数据的互花米草指数构建与提取方法
CN116702065B (zh) 基于影像数据黑臭水体生态治理污染监测方法及系统
CN116504014A (zh) 一种基于多维感知的森林火灾监测方法及系统
CN113822141A (zh) 一种基于遥感影像的冰川和积雪自动提取方法及系统
CN114398595B (zh) 一种基于bp神经网络的火点遥感识别方法
CN117075138A (zh) 一种区域30米森林冠层高度遥感测算方法、系统及介质
Donmez et al. Mapping snow cover using landsat data: toward a fine-resolution water-resistant snow index
Arnett et al. Detecting stand-replacing disturbance using RapidEye imagery: a tasseled cap transformation and modified disturbance index
CN114241333A (zh) 一种基于多源时序遥感影像精准识别新生滑坡区域的方法

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: 20200228