CN111563472B - 一种烟羽林地快速火烧迹地提取方法及装置 - Google Patents

一种烟羽林地快速火烧迹地提取方法及装置 Download PDF

Info

Publication number
CN111563472B
CN111563472B CN202010409399.4A CN202010409399A CN111563472B CN 111563472 B CN111563472 B CN 111563472B CN 202010409399 A CN202010409399 A CN 202010409399A CN 111563472 B CN111563472 B CN 111563472B
Authority
CN
China
Prior art keywords
spectrum data
plume
spectrum
obtaining
fire
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
Application number
CN202010409399.4A
Other languages
English (en)
Other versions
CN111563472A (zh
Inventor
赵祥
潘玉豪
陈云浩
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.)
Beijing Normal University
Original Assignee
Beijing Normal University
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 Beijing Normal University filed Critical Beijing Normal University
Priority to CN202010409399.4A priority Critical patent/CN111563472B/zh
Publication of CN111563472A publication Critical patent/CN111563472A/zh
Application granted granted Critical
Publication of CN111563472B publication Critical patent/CN111563472B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种烟羽林地快速火烧迹地提取方法及装置。其中，烟羽林地快速火烧迹地提取方法，包括：获取地表的光谱数据，并根据所述光谱数据得到表观反射率；根据所述表观反射率得到对应不同地标类型的光谱修正系数；根据所述光谱修正系数对所述光谱数据进行修正；根据预先训练好的分类器对所述修正后的光谱数据进行分类，以根据分类结果确定出所述光谱数据中的过火面积。本发明的烟羽林地快速火烧迹地提取方法，可以有效地从光谱数据中识别出火烧迹地，具有火烧迹地识别准确性高、识别精度高的优点。

Description

一种烟羽林地快速火烧迹地提取方法及装置
技术领域
本发明涉及互联网技术领域，具体涉及一种烟羽林地快速火烧迹地提取方法及装置。
背景技术
火灾是影响森林生态系统的一个重要的扰动因素。平均每年约有1％的森林受到火灾的影响，因此及时掌握森林火灾的地理位置、过火面积与扩展速度等信息，对火灾扑救、应急决策实施以及林火的管理预防尤为重要。目前，森林火灾过火面积监测方法有航空地图勾绘法、航空目测法和地面调查等方法，但是往往耗时长、成本高、工作量大，难以实现对火灾情况的动态监测。随着遥感技术的广泛应用，特别是遥感数据时空分辨率的提高，卫星遥感技术以其时效性强、覆盖范围广、光谱分辨率高、资料获取快捷等优点在林火监测中发挥了重要作用，成为林火监测的主要手段。
目前图像处理法、植被指数法、面向对象的图像分析方法、光谱混合分析以及决策树分类等方法经常被应用于火烧迹地的识别，然而森林火灾会产生大量的烟尘，火场上空往往气溶胶浓度较高，存在着大量的烟云，卫星获取的火场图像中往往存在着大量的烟羽，这一情况给利用这些遥感技术迅速、及时、准确的监测过火面积带来巨大的挑战。同时虽然火灾迹地光谱曲线与正常植被光谱曲线差异明显，但其与裸地、水体、云以及地形造成的阴影以及烟羽等地物对象的光谱曲线间的差异变小，造成火烧迹地与裸地、水体、烟羽等地物在光谱上的可分性较差，因此目前基于中高分辨率光学遥感影像的火烧迹地通常会面临着难以将火烧迹地与烟羽、阴影、裸地等地物较好的区分开来，从而影响过火面积的计算准确性。
发明内容
基于现有技术中存在的问题，本发明提出一种一种烟羽林地快速火烧迹地提取方法及装置。
第一方面，本发明提供了一种烟羽林地快速火烧迹地提取方法，包括：
获取地表的光谱数据，并根据所述光谱数据得到表观反射率；
根据所述表观反射率得到对应不同地标类型的光谱修正系数；
根据所述光谱修正系数对所述光谱数据进行修正；
根据预先训练好的分类器对所述修正后的光谱数据进行分类，以根据分类结果确定出所述光谱数据中的过火面积。
在一些示例中，所述根据所述光谱数据得到表观反射率，包括：
对所述光谱数据进行绝对辐射定标，得到所述光谱数据的遥感影像像元亮度值；
将所述遥感影像像元亮度值进行转换，得到所述表观反射率。
在一些示例中，所述表观反射率包括蓝、绿、红、近红外波段反射率。
在一些示例中，所述光谱修正系数包括大气阻抗植被指数、土壤调节植被指数、归一化差异水体指数和修正归一化植被指数。
在一些示例中，所述根据所述表观反射率得到对应不同地标类型的光谱修正系数，包括：
根据蓝、红、近红外波段反射率得到所述大气阻抗植被指数；
根据红、近红外波段反射率以及土壤调节系数得到所述土壤调节植被指数，其中，所述土壤调节系数预先设定；
根据绿、近红外波段反射率得到所述归一化差异水体指数；
根据红、近红外波段反射率得到所述修正归一化植被指数。
在一些示例中，所述根据预先训练好的分类器对修正后的光谱数据进行分类，以根据分类结果确定出所述光谱数据中的过火面积，包括：
根据预先训练好的分类器对修正后的光谱数据进行分类，以从所述修正后的光谱数据中确定出火烧迹地；
根据所述火烧迹地确定所述过火面积。
在一些示例中，还包括：对所述分类器进行训练的步骤，具体为：
获取训练样本，其中，所述训练样本包括多个类别的训练样本，所述多个类别的训练样本包括过火区、植被、水体、裸地、烟羽过火区、烟羽植被、烟羽水体和烟羽裸地训练样本；
根据所述多个类别的训练样本训练用于对多个不同地标类型进行分类的所述分类器。
第二方面，本发明还提供了一种烟羽林地快速火烧迹地提取装置，包括：
获取模块，用于获取地表的光谱数据，并根据所述光谱数据得到表观反射率；
修正模块，用于根据所述表观反射率得到对应不同地标类型的光谱修正系数，并根据所述光谱修正系数对所述光谱数据进行修正；
过火面积计算模块，用于根据预先训练好的分类器对所述修正后的光谱数据进行分类，以根据分类结果确定出所述光谱数据中的过火面积。
第三方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在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如第一方面所述的烟羽林地快速火烧迹地提取方法。
第四方面，本发明还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的烟羽林地快速火烧迹地提取方法。
本发明实施例中的上述一个或多个技术方案，至少具有如下技术效果之一：
根据本发明实施例，可以有效地从光谱数据中识别出火烧迹地，具有火烧迹地识别准确性高、识别精度高的优点。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
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，下面将对实施例或现有技术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，还可以根据这些图获得其他的附图。
图1是本发明一实施例提供的烟羽林地快速火烧迹地提取方法的流程图；
图2是地表的光谱数据的一种标准假彩色合成图；
图3是地表的光谱数据的ARVI、红光波段、绿光波段假彩色合成图；
图4是应用本发明一实施例的烟羽林地快速火烧迹地提取方法得到的地表的光谱数据对应的图像；
图5是本发明一实施例提供的烟羽林地快速火烧迹地提取装置的结构框图；
图6是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
图1示出了本发明一实施例提供的烟羽林地快速火烧迹地提取方法的流程图，如图1所示，本发明实施例提供的烟羽林地快速火烧迹地提取方法，包括如下步骤：
S101：获取地表的光谱数据，并根据光谱数据得到表观反射率。
例如：通过卫星的上的遥感技术，获取地表的光谱数据，其中，光谱数据例如为光谱图像。
在本发明的一个实施例中，根据光谱数据得到表观反射率，包括：对所述光谱数据进行绝对辐射定标，得到所述光谱数据的遥感影像像元亮度值；将所述遥感影像像元亮度值进行转换，得到所述表观反射率。在具体应用中，表观反射率包括但不限于蓝、绿、红、近红外波段反射率。
即：根据数据的定标系数对地表的光谱数据进行绝对辐射定标，将DN值(即：表观反射率)转换为表观反射率。
S102：根据表观反射率得到对应不同地标类型的光谱修正系数。
本发明的实施例应用的光谱修正系数例如包括有大气阻抗植被指数、土壤调节植被指数、归一化差异水体指数和修正归一化植被指数。
具体来说，由于火灾(如森林火灾)会产生大量的烟尘，火场上空往往气溶胶浓度较高，存在着大量的烟云，卫星获取的火场图像(即：光谱数据)中往往存在着大量的烟羽，虽然火灾迹地的光谱曲线与正常植被的光谱曲线差异明显，但由于火灾迹地的光谱曲线与裸地、水体、云、地形造成的阴影以及烟羽等地物对象的光谱曲线之间的差异较小，因此，造成火烧迹地与裸地、水体、烟羽等地物在光谱上的可分性较差。
基于此，本发明的实施例中，选择这些对区分火烧迹地影响较大的地物对光谱数据进行修正，例如通过大气阻抗植被指数、土壤调节植被指数、归一化差异水体指数和修正归一化植被指数对光谱数据的修正，从而，可以提升火烧迹地的光谱曲线与这些地物的光谱曲线之间的差异性，即：可分性提升。
在本发明的具体示例中，根据所述表观反射率得到对应不同地标类型的光谱修正系数，包括：根据蓝、红、近红外波段反射率得到所述大气阻抗植被指数；根据红、近红外波段反射率以及土壤调节系数得到所述土壤调节植被指数，其中，所述土壤调节系数预先设定；根据绿、近红外波段反射率得到所述归一化差异水体指数；根据红、近红外波段反射率得到所述修正归一化植被指数。
例如：采用如下公式得到大气阻抗植被指数、土壤调节植被指数、归一化差异水体指数和修正归一化植被指数。公式如下：
其中，ARVI为大气阻抗植被指数、SAVI为土壤调节植被指数、DNWI为归一化差异水体指数、MNDVI为修正归一化植被指数、B为蓝波段反射率、G为绿波段反射率、R为红波段反射率、NIR为近红外波段反射率、L为土壤调节系数。
大气阻抗植被指数以减轻烟羽等气溶胶的影响，土壤调节植被指数以减小土壤背景的影响，归一化差异水体指数以减小水体影响，修正归一化植被指数以突出植被信息。即：由于过火区的烟羽的存在，上方大气气溶胶溶度较大，因此需要快速的减小气溶胶的影响，为此选择了大气阻抗植被指数，利用大气散射对红光与蓝光的差异，以减轻烟羽等气溶胶的影响。过火区域地物光谱反射特性与植被差别较大，但是与裸土的差别变小，导致难以进行区分，因此选取了土壤调节植被指数以减小土壤背景的影响，提高过火区域与裸地的可分性。又因为过火区域地物光谱反射特性与水体的差别变小，导致过火区域与水体的可分性也变小，为此选择了归一化差异水体指数以减小水体影响。此外还选择了修正归一化植被指数以突出植被信息。
在本发明的具体示例中，土壤调节系数用来减小植被指数对不同土壤反射变化的敏感性，可根据植被覆盖情况而定，例如：在一个具体示例中，L取值为0.5。
S103：根据光谱修正系数对光谱数据进行修正。即：通过对裸地、水体、云、地形造成的阴影以及烟羽等地物对象的光谱曲线进行修正，从而，提升与火烧迹地的光谱曲线的差异性。
S104：根据预先训练好的分类器对修正后的光谱数据进行分类，以根据分类结果确定出光谱数据中的过火面积。
在本发明的一个实施例中，根据预先训练好的分类器对修正后的光谱数据进行分类，以根据分类结果确定出所述光谱数据中的过火面积，包括：根据预先训练好的分类器对修正后的光谱数据进行分类，以从所述修正后的光谱数据中确定出火烧迹地；根据所述火烧迹地确定所述过火面积。
其中，分类器是预先被训练好的，即：在烟羽林地快速火烧迹地提取方法，中，还包括：对所述分类器进行训练的步骤，具体为：获取训练样本，其中，所述训练样本包括多个类别的训练样本，所述多个类别的训练样本包括过火区、植被、水体、裸地、烟羽过火区、烟羽植被、烟羽水体和烟羽裸地训练样本；根据所述多个类别的训练样本训练用于对多个不同地标类型进行分类的所述分类器。
具体而言，过火区的烟羽下的地物与其他区域地物差别较大，需要分别选择训练样本进行训练，为此，选取过火区、植被、水体、裸地、烟羽过火区、烟羽植被、烟羽水体、烟羽裸地共计八类训练样本进行分类器的训练，从而使得分类器能够有效地对这几类地物等进行区分。
训练过程中，例如利用上述的训练样本进行最大似然法监督分类，获得分类结果。进而，分类器对光谱数据进行分类后处理。从而，可以有效识别出火烧迹地。
为了进一步地提升火烧迹地的检测准确性，在本发明的实施例中，还可以结合分类结果与原始的光谱数据(即：原始的光谱图像)，对明显的错分，与结果中的椒盐现象进行分类后处理，合并细碎类，修改错误类，从而进一步地提升火烧迹地的检测精度。
在确定出火烧迹地以后，可以通过统计与制图的方式，统计最终识别出的过火区域面积(即：过火面积)，并进行制图展示等后处理操作。
应用本发明实施例的烟羽林地快速火烧迹地提取方法，其效果如图4所示，与图2和图3的合成结果进行比对，可以看出，图4中识别出的火烧迹地更为准确，火烧迹地如图4中虚线框内的表示，即：计算ARVI显著的增强了地面的植被信息，同时对于烟羽有一定的减弱作用。最后经过计算，对于过火区的总体识别精度具有明显的提升，在在该示例中，识别精度提升达到了84％以上，因此，具有识别效果好的优点。
根据本发明实施例的烟羽林地快速火烧迹地提取方法，可以有效地从光谱数据中识别出火烧迹地，具有火烧迹地识别准确性高、识别精度高的优点。
图5是根据本发明一个实施例的烟羽林地快速火烧迹地提取装置的结构框图。如图5所示，根据本发明一个实施例的烟羽林地快速火烧迹地提取装置，包括：获取模块510、修正模块520和过火面积计算模块530。
其中，获取模块510用于获取地表的光谱数据，并根据所述光谱数据得到表观反射率。修正模块520用于根据所述表观反射率得到对应不同地标类型的光谱修正系数，并根据所述光谱修正系数对所述光谱数据进行修正。过火面积计算模块530用于根据预先训练好的分类器对所述修正后的光谱数据进行分类，以根据分类结果确定出所述光谱数据中的过火面积。
根据本发明实施例的烟羽林地快速火烧迹地提取装置，可以有效地从光谱数据中识别出火烧迹地，具有火烧迹地识别准确性高、识别精度高的优点。
需要说明的是，本发明实施例的烟羽林地快速火烧迹地提取装置的具体实现方式与本发明实施例的烟羽林地快速火烧迹地提取方法的具体实现方式类似，具体请参见方法部分的描述，为了减少冗余，不做赘述。
基于相同的发明构思，本发明又一个实施例公开了一种电子设备，参见图6，所述电子设备具体包括如下内容：处理器601、存储器602、通信接口603和通信总线604；
其中，所述处理器601、存储器602、通信接口603通过所述通信总线604完成相互间的通信；所述通信接口603用于实现各设备之间的信息传输；
所述处理器601用于调用所述存储器602中的计算机程序，所述处理器执行所述计算机程序时实现上述烟羽林地快速火烧迹地提取方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：获取地表的光谱数据，并根据所述光谱数据得到表观反射率；根据所述表观反射率得到对应不同地标类型的光谱修正系数；根据所述光谱修正系数对所述光谱数据进行修正；根据预先训练好的分类器对所述修正后的光谱数据进行分类，以根据分类结果确定出所述光谱数据中的过火面积。
基于相同的发明构思，本发明又一实施例提供了一种非暂态计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述烟羽林地快速火烧迹地提取方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：获取地表的光谱数据，并根据所述光谱数据得到表观反射率；根据所述表观反射率得到对应不同地标类型的光谱修正系数；根据所述光谱修正系数对所述光谱数据进行修正；根据预先训练好的分类器对所述修正后的光谱数据进行分类，以根据分类结果确定出所述光谱数据中的过火面积。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的指标监控方法。
此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种烟羽林地快速火烧迹地提取方法，其特征在于，包括：
获取地表的光谱数据，并根据所述光谱数据得到表观反射率；
根据所述表观反射率得到对应不同地标类型的光谱修正系数；
根据所述光谱修正系数对所述光谱数据进行修正；
根据预先训练好的分类器对所述修正后的光谱数据进行分类，以根据分类结果确定出所述光谱数据中的过火面积；
所述根据所述光谱数据得到表观反射率，包括：
对所述光谱数据进行绝对辐射定标，得到所述光谱数据的遥感影像像元亮度值；
将所述遥感影像像元亮度值进行转换，得到所述表观反射率；
所述表观反射率包括蓝、绿、红、近红外波段反射率；
所述光谱修正系数包括大气阻抗植被指数、土壤调节植被指数、归一化差异水体指数和修正归一化植被指数。
2.根据权利要求1所述的烟羽林地快速火烧迹地提取方法，其特征在于，所述根据所述表观反射率得到对应不同地标类型的光谱修正系数，包括：
根据蓝、红、近红外波段反射率得到所述大气阻抗植被指数；
根据红、近红外波段反射率以及土壤调节系数得到所述土壤调节植被指数，其中，所述土壤调节系数预先设定；
根据绿、近红外波段反射率得到所述归一化差异水体指数；
根据红、近红外波段反射率得到所述修正归一化植被指数。
3.根据权利要求1或2所述的烟羽林地快速火烧迹地提取方法，其特征在于，所述根据预先训练好的分类器对修正后的光谱数据进行分类，以根据分类结果确定出所述光谱数据中的过火面积，包括：
根据预先训练好的分类器对修正后的光谱数据进行分类，以从所述修正后的光谱数据中确定出火烧迹地；
根据所述火烧迹地确定所述过火面积。
4.根据权利要求1或2所述的烟羽林地快速火烧迹地提取方法，其特征在于，还包括：对所述分类器进行训练的步骤，具体为：
获取训练样本，其中，所述训练样本包括多个类别的训练样本，所述多个类别的训练样本包括过火区、植被、水体、裸地、烟羽过火区、烟羽植被、烟羽水体和烟羽裸地训练样本；
根据所述多个类别的训练样本训练用于对多个不同地标类型进行分类的所述分类器。
5.一种烟羽林地快速火烧迹地提取装置，其特征在于，包括：
获取模块，用于获取地表的光谱数据，并根据所述光谱数据得到表观反射率；
修正模块，用于根据所述表观反射率得到对应不同地标类型的光谱修正系数，并根据所述光谱修正系数对所述光谱数据进行修正；
过火面积计算模块，用于根据预先训练好的分类器对所述修正后的光谱数据进行分类，以根据分类结果确定出所述光谱数据中的过火面积；
所述获取模块具体用于对所述光谱数据进行绝对辐射定标，得到所述光谱数据的遥感影像像元亮度值；
将所述遥感影像像元亮度值进行转换，得到所述表观反射率；
所述表观反射率包括蓝、绿、红、近红外波段反射率；
所述光谱修正系数包括大气阻抗植被指数、土壤调节植被指数、归一化差异水体指数和修正归一化植被指数。
6.一种电子设备，包括存储器、处理器及存储在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根据权利要求1至4任一所述的烟羽林地快速火烧迹地提取方法。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现根据权利要求1至4任一所述的烟羽林地快速火烧迹地提取方法。
CN202010409399.4A 2020-05-14 2020-05-14 一种烟羽林地快速火烧迹地提取方法及装置 Active CN111563472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010409399.4A CN111563472B (zh) 2020-05-14 2020-05-14 一种烟羽林地快速火烧迹地提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010409399.4A CN111563472B (zh) 2020-05-14 2020-05-14 一种烟羽林地快速火烧迹地提取方法及装置

Publications (2)

Publication Number Publication Date
CN111563472A CN111563472A (zh) 2020-08-21
CN111563472B true CN111563472B (zh) 2023-08-29

Family

ID=72072113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010409399.4A Active CN111563472B (zh) 2020-05-14 2020-05-14 一种烟羽林地快速火烧迹地提取方法及装置

Country Status (1)

Country Link
CN (1) CN111563472B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116577324B (zh) * 2023-01-30 2024-09-24 中国科学技术大学 一种对工业区污染源扫描成像的超光谱遥感系统
CN117808626B (zh) * 2023-12-21 2024-06-04 北京英视睿达科技股份有限公司 燃煤电厂负荷运行状态监测方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109211793A (zh) * 2018-09-12 2019-01-15 中国科学技术大学 结合光谱指数和神经网络的火灾过火迹地识别方法
CN110443195A (zh) * 2019-08-02 2019-11-12 四创科技有限公司 一种结合超像素与深度学习的遥感影像火烧迹地分析方法
CN110852381A (zh) * 2019-11-11 2020-02-28 四川航天神坤科技有限公司 一种林火火烧迹地的提取方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3802267B1 (en) * 2018-05-25 2024-07-31 Discovery Purchaser Corporation System and method for vegetation management risk assessment and resolution

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109211793A (zh) * 2018-09-12 2019-01-15 中国科学技术大学 结合光谱指数和神经网络的火灾过火迹地识别方法
CN110443195A (zh) * 2019-08-02 2019-11-12 四创科技有限公司 一种结合超像素与深度学习的遥感影像火烧迹地分析方法
CN110852381A (zh) * 2019-11-11 2020-02-28 四川航天神坤科技有限公司 一种林火火烧迹地的提取方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
火烧迹地信息遥感快速提取方法研究;高中灵等;国土资源遥感(04);全文 *

Also Published As

Publication number Publication date
CN111563472A (zh) 2020-08-21

Similar Documents

Publication Publication Date Title
Thonfeld et al. Robust change vector analysis (RCVA) for multi-sensor very high resolution optical satellite data
DadrasJavan et al. UAV-based multispectral imagery for fast Citrus Greening detection
CN113607284B (zh) 一种利用bfast算法判别潜在火点的方法
Aboutalebi et al. Assessment of different methods for shadow detection in high-resolution optical imagery and evaluation of shadow impact on calculation of NDVI, and evapotranspiration
US7184890B2 (en) Cloud shadow detection: VNIR-SWIR
Lück et al. Evaluation of a rule-based compositing technique for Landsat-5 TM and Landsat-7 ETM+ images
CN111563472B (zh) 一种烟羽林地快速火烧迹地提取方法及装置
US20230026811A1 (en) System and method for removing haze from remote sensing images
CN105891230B (zh) 基于光谱图像分析的水果外表检测方法
US20200065946A1 (en) Image processing device, image processing method and storage medium
JP2020532808A (ja) 画像処理装置、画像処理方法及び画像処理プログラム
US11151377B2 (en) Cloud detection method based on landsat 8 snow-containing image
US10650498B2 (en) System, method, and non-transitory, computer-readable medium containing instructions for image processing
Kuhnell et al. Mapping woody vegetation cover over the state of Queensland using Landsat TM imagery
US20200167898A1 (en) Method for processing an optical image acquired in the presence of aerosols and/or clouds in the atmosphere
CN113887324A (zh) 基于卫星遥感数据的火点检测方法
CN114778483A (zh) 用于监测山地的遥感影像近红外波段地形阴影校正方法
CN112991425B (zh) 一种水域水位提取方法、系统及存储介质
CN117115669B (zh) 双条件质量约束的对象级地物样本自适应生成方法及系统
US7058511B2 (en) Sub-visible cloud cover assessment: VNIR-SWIR
Kashtan et al. Deep learning technology for automatic burned area extraction using satellite high spatial resolution images
Ashaari et al. Comparison of model accuracy in tree canopy density estimation using single band, vegetation indices and forest canopy density (FCD) based on Landsat-8 imagery (case study: Peat Swamp Forest in Riau Province)
Lee et al. Detection of wildfire-damaged areas using kompsat-3 image: A case of the 2019 unbong mountain fire in busan, South Korea
CN114998420B (zh) 基于拉普拉斯算子的烟雾浓集中心识别及火点定位方法
Siok et al. A simulation approach to the spectral quality of multispectral images enhancement

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