CN111753900B - 一种森林火灾的监测方法 - Google Patents

一种森林火灾的监测方法 Download PDF

Info

Publication number
CN111753900B
CN111753900B CN202010583774.7A CN202010583774A CN111753900B CN 111753900 B CN111753900 B CN 111753900B CN 202010583774 A CN202010583774 A CN 202010583774A CN 111753900 B CN111753900 B CN 111753900B
Authority
CN
China
Prior art keywords
fire
forest
forest fire
model
cloud
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
CN202010583774.7A
Other languages
English (en)
Other versions
CN111753900A (zh
Inventor
谭三清
熊得祥
张贵
吴鑫
杨志高
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.)
Central South University of Forestry and Technology
Original Assignee
Central South University of Forestry and Technology
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 Central South University of Forestry and Technology filed Critical Central South University of Forestry and Technology
Priority to CN202010583774.7A priority Critical patent/CN111753900B/zh
Publication of CN111753900A publication Critical patent/CN111753900A/zh
Application granted granted Critical
Publication of CN111753900B publication Critical patent/CN111753900B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Fire Alarms (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及森林防火，具体涉及一种森林火灾的监测方。本发明的一种森林火灾的监测方，方案包括如下步骤：1)数据获取与预处理；2)确立最优波段组合；3)计算光谱指数；4)构建模型；5)利用模型进行火灾识别。本发明采用我国新一代静止气象卫星FY4的遥感数据，使用最小距离模型(Min Dist)、马氏距离模型(MahaDist)、支持向量机(SVM)、决策树模型(Decision Tree)进行森林火灾判别，并利用中国森林防火网森林火灾数据对四个模型进行精度验证，为森林火灾风险预防及风险决策提供了科学依据。

Description

一种森林火灾的监测方法
技术领域
本发明涉及火灾监测，具体涉及一种森林火灾的监测方法。
背景技术
火灾是最经常、最普遍地威胁公众安全和社会发展的主要灾害之一，人类能够对火进行利用和控制，是文明进步的一个重要标志。所以说人类使用火的历史与同火灾作斗争的历史是相伴相生的，人们在用火的同时，不断总结火灾发生的规律，尽可能地减少火灾及其对人类造成的危害。森林火灾是常见的一种，是一种极具破坏性的自然灾害，不仅损害森林资源、破坏生态环境、影响国家经济发展和社会稳定，同时也对人民的生命财产安全造成巨大威胁。以湖南省为例，据统计，2008～2018年，湖南省共发生11560起森林火灾，伤亡人数共计112人，直接经济损失共计11998.5万元。因此，科学合理的森林火灾风险监测，对森林火灾的防控有着重要的实际意义。
发明内容
本发明采用我国新一代静止气象卫星FY4的遥感数据，使用最小距离模型(MinDist)、马氏距离模型(MahaDist)、支持向量机(SVM)、决策树模型(Decision Tree)进行森林火灾判别，并利用中国森林防火网森林火灾数据对四个模型进行精度验证，为森林火灾风险预防及风险决策提供了科学依据。
本发明的森林火灾的监测方法，其方案包括如下步骤：
1)数据获取与预处理；
2)确立最优波段组合；
3)计算光谱指数；
4)构建模型；
5)利用模型进行火灾识别。
本发明更进一步地，数据获取和预处理为采集风云四号卫星FY4的云、水体、林地、火点数据并进行预处理。
本发明更进一步地，为了消除投影偏差，将FY4遥感数据经过投影转换将标称投影转化成WGS84大地坐标。
本发明更进一步地，确立最优波段组合采用对FY4遥感数据的14个波段进行火点样本的波段特征、波段间相关系数、波段组合OIF指数计算，分析典型地物光谱曲线，确立判别森林火灾最优的波段组合，最后采用支持向量机对所选波段组合进行精度验证。
本发明更进一步地，计算光谱指数为计算不同地物的光谱指数，以有效地进行地物判别。
本发明更进一步地，构建模型为构建决策树模型。
本发明更进一步地，本发明还对决策树模型设置模型精度评价方法，运用判别精度、多分误差和漏分误差进行综合评价。
本发明运用FY4遥感数据对森林火灾进行判别和监测，为森林火灾风险决策提供技术方法和科学依据，从而引导管理人员科学地预防森林火灾和及时地处置火灾。
附图说明
图1A是典型地物的FY4光谱曲线图
图1B是典型地物的FY4光谱发射率曲线图。
图2地物的CDI云指数图
图3地物的NDVI、NDWI指数图
图4决策树模型图。
图5贵州省决策树模型森林火灾判别结果图。
具体实施方式
以下结合附图对本发明的方案做详细说明，本发明实施例的方案包括如下步骤：
1)数据获取与预处理；
2)确立最优波段组合；
3)计算光谱指数；
4)构建模型；
5)利用模型进行火灾识别。
以下运用本发明方法，对贵州省区域内所有的县市进行研究和适用：
1材料与方法
研究区概况
根据中国森林防火网2008-2018统计数据显示贵州省森林火灾年均发生次数为505起，其中森林火灾最多时一天之内达到54起，是森林火灾多发省份。
数据获取与预处理
FY4遥感数据来自国家气象卫星中心官网(http://www.nsmc.org.cn/)，森林火灾验证的数据来自中国森林防火网。30个云、水体、林地、火点样本，通过风云四号卫星天气应用平台的云图探针统一进行采集，其中火点样本数据由中国森林防火网森林火灾数据提供位置，其它样本通过目视解译进行判读。
FY4遥感数据经过投影转换将标称投影转化成WGS84大地坐标，以消除投影偏差；经过辐射定标建立数字量化值与辐射亮度值的关系，以消除传感器自身误差；根据FY4光谱响应数据，经过大气校正消除大气影响，反演出地表反射率。消除误差后将FY4遥感数据的DN值转化成比辐射率值，再按照普朗克公式的转化式将FY4遥感数据的B7～B14波段的比辐射率值转化为亮温。
最优波段组合筛选方法
通过对FY4遥感数据的14个波段进行火点样本的波段特征、波段间相关系数、波段组合OIF指数计算，分析典型地物光谱曲线，筛选出判别森林火灾最优的波段组合，最后采用支持向量机对所选波段组合进行精度验证。
1)波段间相关系数可以反应波段之间的相关程度，由波段间的协方差与标准差决定，其计算公式如下：
Figure BDA0002553326510000021
Figure BDA0002553326510000022
为两个波段i与j的协方差，δii与δjj为i与j波段的标准差。
2)利用OIF指数筛选出波段组合的候选组合，OIF指数是美国查维茨提出利用波段数据的标准差与波段间的相关系数作为波段最优组合选择的数学模型，计算公式如下：
Figure BDA0002553326510000031
Si表示第i个波段的标准差；Rij表示第i、j两波段的相关系数，n表示波段组合个数。
3)利用云图探针采集的样本数据进行典型地物光谱分析，观察波段之间地物的可分离性与火点的光谱特征，进一步筛选最优的波段组合。
4)利用ENVI软件对OIF指数排名前10的波段组合通过支持向量机(SVM)计算其地物的分类精度，验证OIF指数筛选出的波段组合是否为最优波段组合。
光谱指数
在进行决策树模型构建时，需要对地物进行判别，从而构建决策树的判别规则。利用不同地物的光谱指数，可有效的进行地物判别。
1)CDI(Cloud Detection Index)云检测指数，B12波段反映地表温度，B9波段反映云层温度，通过B12和B9波段的温度差检测出云层，再结合B2波段地物反射率可进行云检测。地面温度在300K左右，云上温度在270K以下，云层的B2波段反射率大于0.1，所以云层的CDI指数小于300。CDI数值不是一成不变，可以根据地表温度而适当调小，CDI云指数公式如下：
Figure BDA0002553326510000032
T12、T9为FY4的B12，B9波段亮温，ρ2为B2波段反射率。
2)NDVI(Normalized Difference Vegetation Index)归一化植被指数，NDVI的取值范围在[-1,1]，当NDVI为负值，地物类型为云、水、雪；当NDVI为零，地物类型为岩石或裸土，以上可以判读为不可能监测到森林火灾；当NDVI为正值，表示有植被覆盖，且数值越大植被覆盖度越高，林地的NDVI大于0.3，公式如下：
Figure BDA0002553326510000033
ρ2、ρ3为FY4的B2，B3波段反射率。
3)NDWI(Normalized Difference Water Index)归一化水体指数，NDWI比NDVI在水体监测上判别精度更高，可以在复杂环境中分离出水体，公式如下：
Figure BDA0002553326510000034
ρ3、ρ4为FY4的B3，B4波段反射率。
模型构建原理
1.5.1统计学模型
最小距离模型(Minimum Distance缩写Min Dist)是通过训练样本数据计算每一类样本的均值向量和标准差向量，以均值向量作为该类样本在特征空间中的中心位置，判断待检像元到各类样本中心的距离，到哪一类样本中心的距离最小，该像元就归入到哪一类。马氏距离模型(Mahalanobis Distance缩写MahaDist)是待检像元到各训练样本的协方差距离，最终协方差距离最小的，即为此类别。
1.5.2支持向量机
支持向量机(Support Vector Machine缩写SVM)是一种建立在机器学习理论基础上的神经网络模型。其对应的映射函数将样本空间映射至无限维空间，并在这个空间将非线性问题转化为特征空间中的线性可分问题。其实现关键在于核函数，本文采用径向基函数核也被称为高斯核，函数为：
Figure BDA0002553326510000041
惩罚参数设置为1000，可以将样本与样本之间的间隔最大化。
1.5.3决策树模型
决策树模型(Decision Tree)是一种树形结构，在根节点上存放规则，在叶节点上存放判别结果。通过专家经验总结、简单数学统计和归纳方法，获得判别规则，利用对遥感影像数据及其他空间数据规则的输入达到尽可能将判别结果分开的目的。决策树模型最大的特点是可以利用多源数据，难点是判别规则的获取。规则的获取可以来自经验总结，也可以通过统计的方法从样本中计算。
模型精度评价方法
对于模型精度的评价运用判别精度(D)、多分误差(M)、漏分误差(O)，其公式分别为:
Figure BDA0002553326510000042
Figure BDA0002553326510000043
Figure BDA0002553326510000044
式中：yj为实测数，yi为正确预测数、xi为多分数、Zi为漏分数。
2实验结果
最优波段组合筛选
2.1.1波段统计特征
通过中国森林防火网森林火灾数据提供火点位置，利用风云四号卫星天气应用平台的云图探针对FY4遥感数据的14个波段30个火点样本进行采集，计算得到火点单波段统计特征值，如表1。
表1火点单波段数据统计特征值
Figure BDA0002553326510000045
Figure BDA0002553326510000051
通过表1可知，火点单波段标准差最大的是B7波段，其次是B8波段，数值范围B7波段最大，其次是B8波段，温度范围最大的是B7波段，参考官方提供的FY4遥感数据各波段功能，可以认定B7波段对于火点反应强烈。
2.1.2波段相关系数
表2火点多波段相关系数矩阵
Figure BDA0002553326510000052
通过对火点多波段相关系数矩阵统计，如表2所示，可以看出(B7，B8，B12)组合的3波段相关系数最小。当波段相关系数超过0.9，就可认为两波段间的相关性极高，不需要同时参与波段组合。从表可以看出有很多波段之间相关系数都超过0.995，波段之间相关性比较大，各波段所包含的信息之间有可能重复出现，为了减少数据的冗余，在进行波段组合时应尽量避开。
2.1.3OIF指数
结合波段统计特征与相关系数矩阵以及官方提供的波段功能可知，B7波段对火点判别作用最大，火点只有排除虚假火点且地物类型为林地才能认定为森林火灾，但所有的森林火灾在遥感影像上都是火点，故在筛选进行森林火灾判别的波段组合时必须要有B7波段的参与。通过OIF指数计算有B7波段参与的3波段组合，其中OIF指数排名前10的波段组合如表3，这些波段组合作为最优波段组合的候选组合。
表3火点样本不同波段组合的OIF指数
Figure BDA0002553326510000053
Figure BDA0002553326510000061
OIF指数值与波段的标准差呈正相关，与波段间的相关系数呈负相关。波段的标准差越大，组合的相关系数越小，波段包含的信息量就越大，波段间的独立性与冗余度就越小，最后计算的OIF值就越大。因此，排除掉候选组合中两波段间相关系数超过0.9的波段组合，筛选出来的候选波段组合有(B7，B8，B12)、(B7，B9，B12)、(B7，B8，B11)。其中(B7，B8，B12)的OIF指数比排名第二的波段组合要高454.03。
2.1.4典型地物光谱分析
由于不同地物在FY4不同波段上呈现的光谱特征不一样，根据判别森林火灾地物类型选取均匀分布的云、水体、林地、火点像元样本各30个，取均值得到图1典型地物FY4光谱反射率与发射率曲线图，其中图1A是典型地物的FY4光谱曲线图，图1B是典型地物的FY4光谱发射率曲线图。
根据图1A和图1B所示，可知对于地物区分度最好的波段是B7、B8波段，尤其是B7波段对火点的光谱与其他地物区别特别明显。所以排除掉(B7，B9，B12)波段组合，筛选出(B7，B8，B12)与(B7，B8，B11)。通过图1A和图1B可知B11、B12波段的火点与林地的光谱区别很小，说明波段受火点影响很小，可用来描述火点的背景值。自然界的正常温度大致是300K，由于地域和季节时间的不同会有所变化，物体处于此温度时，辐射曲线的峰值波长在10.8μm左右，对应FY4远红外波段B12波段(如表1)，外加B12波段的亮温范围比B11波段更广，与B7、B8波段组合的OIF指数更高，所以判别森林火灾的最优候选波段组合是(B7，B8，B12)。
2.1.5波段组合地物分类验证
利用支持向量机(SVM)分类的方法对OIF指数排名前10的波段组合计算其对云、水体、林地、火点地物的分类精度，验证筛选的波段组合是否为最优波段组合。
表4 OIF排名前10的波段组合SVM分类精度值
Figure BDA0002553326510000062
通过表4波段组合的支持向量机(SVM)分类结果可知，(B7，B8，B12)波段组合的精度排名最高，地物分类精度为99.21％，Kappa系数为0.855，与通过火点样本的波段特征、波段间相关系数、波段组合的OIF指数，以及典型地物光谱曲线筛选出来最优波段结果一致，故利用FY4遥感数据判别森林火灾最优的波段组合是(B7，B8，B12)。
FY4判别森林火灾的模型构建
4个模型中最小距离模型(Min Dist)、马氏距离模型(MahaDist)与支持向量机(SVM)都是通过对样本数据进行训练，然后通过监督分类的方式获取模型参数的系数，只需要选取训练样本与训练底图就可以得到判别结果。通过最优波段组合筛选得出FY4遥感数据用于判别森林火灾的最优波段组合为(B7，B8，B12)，所以(B7，B8，B12)的波段组合就是这3个模型的训练底图。将各地物的30个训练样本与训练底图导入ENVI软件，即可通过ENVI软件中的最小距离模型(Min Dist)、马氏距离模型(MahaDist)、支持向量机(SVM)得到火点的判别结果。
决策树模型(Decision Tree)的判别规则是通过云、水体、林地、火点四类参数进行具体分析，将森林火灾通过层层判断进行筛选。森林火灾判别过程可分为云检测、水体检测、林地检测、火点判别4个阶段。火点判别又分成3个阶段，分别为绝对火点判别、时空火点判别与条件火点判别。
对各地物训练样本进行光谱指数研究，得到研究区各地物的CDI云指数(如图2)、NDVI植被指数(如图3)。由CDI云检测指数、NDVI植被指数与NDWI水体指数的地物特征与图1典型地物波段特征可知，CDI云检测指数小于300为云，NDVI小于-0.1且NDWI大于0.1为水体，NDVI大于0.3为林地。
绝对火点判别与条件火点判别由Giglio L等研究的上下文模型法提供参数系数，时空火点判别的温度演变规律与温度阈值分别来自A.Calle等的差分温度阈值法与谢字希的时空上下文法。进行绝对火点判别时，当T7(B7波段亮温)高于360K时，表1中B8～B14波段通道温度已经达到饱和，常态下地物温度达不到这个亮温，这是由地物燃烧引起，因此可以直接判别为火点；进行条件火点判别时，当满足条件：(A或B)和(C或D)(A:T12(B12波段的亮温)大于320K(夜晚为315K)；B:T7像元值大于影像平均值与4倍影像标准差之和；C：T7-12大于20K(夜晚为10K)；D：T7-12的像元值大于影像平均值与4倍影像标准差之和)，根据森林火灾辐射亮温与背景亮温的差异，可判别为火点；进行时空火点判别时，根据地物温度在常态下10-15分钟内只能产生±1.5K的变化，当地物的升温变化在5～15分钟内达到5K以上，且T7-12(B7与B12两个波段的亮温差)大于10K，就可以认为是火点。在发生森林火灾的位置只需检测T7-12大小，就可判断森林火灾状态是否为连续森林火灾，当T7-12小于10K时可以判断为森林火灾熄灭。决策树模型(Decision Tree)如图4所示。
C1(云检测)：CDI＜300。
C2(水体检测)：NDVI＜-0.1andNDWI＞0.1。
C3(林地检测)：NDVI＞0.3。
C4(绝对火点判别)：T7＞330K(白天360K)。
C5(时空火点判别)：满足ΔT7-72＝T7-T72＞5andT7-12＝T7-T12＞10K(白天15K)(T72表示前期影像B7波段亮温，ΔT7-72表示本期影像B7波段与前期影像B7波段像元的亮温差。)
C6(条件火点判别)：满足条件：(A或B)和(C或D)：T12＞315K(夜晚320K)、B：T7＞T7b+4δT7b、C：T7-12＞ΔT7-12b+4δΔT7-12b、D：T7-12＝T7-T12＞10K(白天15K)。(T7b表示背景温度的平均值，δT7b表示标准差，ΔT7-12b表示两个波段差的标准差，δΔT7-12b表示两个波段差的标准偏差)。
利用模型判别出来的火点还不能称为森林火灾，还需排除虚假火点，这样筛选出来的火点地物类型为林地才能认定为森林火灾。虚假火点包括固定热源、水面反射、云层反射、农用火源等。如果有火点在3个月内在同一个地方反复出现，可以将其认为是固定热源；水面反射与农用火源造成的虚假火点只需将火点叠加到地表覆盖类型图上，如果火点在水体或农作物种植区域，则为水面反射或农用火源造成的虚假火点；云层反射造成的虚假火点需要通过云检测，如果云层与火点重合，则该火点为云层反射所造成的虚假火点。
最小距离模型(Min Dist)、支持向量机(SVM)、马氏距离模型(MahaDist)3个模型是利用训练样本进行火点提取的，需要逐一排除虚假火点发生的情况，且得到的火点地物类型为林地才是森林火灾。而决策树模型(Decision Tree)在判别规则中就已经对地物进行了区分，排除掉了水面反射、云层反射、农用火源产生的虚假火点，只需再排除固定热源产生的虚假火点，余下的火点都是森林火灾。
模型精度检验分析
选取2019年2月6号16点34分的贵阳省全省FY4遥感数据作为实验数据，以2019年2月6号16点35分中国森林防火网森林火灾数据作为模型验证数据。4个模型判别森林火灾的精度通过判别精度(D)、错分误差(M)、漏分误差(O)进行精度评价，精度评价结果如表5。
表5精度分析
Figure BDA0002553326510000081
2019年2月6号16点35分中国森林防火网贵州省区域的森林火灾一共17起，通过对比森林火灾的地理位置发现4个模型的森林火灾监测精度都超过了85％，其中最小距离模型(Min Dist)与支持向量机(SVM)漏检2起森林火灾，漏分误差为11.76％，马氏距离模型(MahaDist)漏检1起森林火灾，漏分误差为5.88％，决策树模型(Decision Tree)的森林火灾判别精度最高，17个验证森林火灾数据全部被判别出来。4个模型的多分误差都超过了40％，其中决策树模型(Decision Tree)与支持向量机(SVM)的多分误差为50％，因为不同传感器判别森林火灾的方法不一样，导致判别的森林火灾结果不一致。决策树模型相比于中国森林防火网森林火灾数据一共多分出了17起森林火灾，通过目视解译得出这17个多分出来的森林火灾大部分是微小森林火灾与低温森林火灾，其中17起森林火灾中有6起4个模型都判别为森林火灾。通过叠加分析发现支持向量机(SVM)与决策树模型(Decision Tree)对应的森林火灾有27起，最小距离模型(Min Dist)与决策树模型(Decision Tree)对应的森林火灾有22起，马氏距离模型(MahaDist)与决策树模型(Decision Tree)对应的森林火灾有26起。
最小距离模型(Min Dist)、支持向量机(SVM)、马氏距离模型(MahaDist)三种模型需要实时更新训练样本，如果更换区域或者更换新的数据，还需要重新训练，模型的可移植性不强。决策树模型不需要繁杂的样本训练过程，只需要通过经验总结得出模型根节点的判别条件，没有特定的地域限制，可实时的进行森林火灾判别，提高森林火灾监测的时效性。利用决策树模型(Decision Tree)进行森林火灾判别后，绘制贵州省森林火灾空间分布图如图5。
3应用结果
本发明利用FY4遥感数据，计算火点样本的波段特征、波段间相关系数、波段组合的OIF指数，分析典型地物的光谱曲线，最后通过支持向量机对所选组合进行精度验证，筛选出森林火灾判别的最优波段组合(B7，B8，B12)。通过云、水体、林地、火点各30样本与最优波段组合构建最小距离模型、马氏距离模型、支持向量机3种森林火灾判别模型，利用森林火灾判别规则构建决策树模型。以判别精度(D)、多分误差(M)、漏分误差(O)为模型的评价指标，对4个模型进行精度验证，可见：
(1)最小距离模型(Min Dist)、支持向量机(SVM)、马氏距离模型(MahaDist)、决策树模型(Decision Tree)4个模型的森林火灾判别精度超过了85％，与谢字希、陈洁等研究Himawari-8遥感数据判别森林火灾的结果是一致的，说明利用FY4遥感数据进行森林火灾判别是可行的。
(2)本次研究中，4个模型中决策树模型(Decision Tree)判别森林火灾的精度最高，判别精度达到了100％。决策树模型(Decision Tree)不需要繁杂的样本训练过程，只需要通过经验总结得出模型根节点的判别规则，没有特定的地域限制，可大范围实时的进行森林火灾监测。
FY4系列卫星将提供今后20-30年的气象观测和环境监测数据，因此利用FY4遥感数据进行森林火灾判别研究，在监测范围与时效性上，FY4遥感数据一幅影像就可以覆盖全国，每5～10分钟就可以扫描一遍；在监测精度上，决策树模型(Decision Tree)能够满足森林火灾监测要求，可提高森林火灾的实时监测能力，为森林火灾监测提供科学的技术支撑；在发展潜力上，可通过FY4遥感数据和地面气象站数据，估算地表可燃物含水量变化，再通过降雨、气温，地表水汽蒸发量建立可燃物状态估测模型，为森林草原火险等级做出预报。利用FY4遥感数据还可监测火点强度、过火区域、烟云等信息，结合森林火灾现场的可燃物分布类型、气象观测资料信息、高分辨率影像与地形数据建立森林火灾蔓延预测模型，为森林火灾预防和扑救提供辅助决策依据。

Claims (6)

1.一种森林火灾的监测方法，其特征在于，包括如下步骤：
1)数据获取与预处理；
2)确立最优波段组合；具体为，通过对FY4遥感数据的14个波段进行火点样本的波段特征、波段间相关系数、波段组合OIF指数计算，分析典型地物光谱曲线，筛选出判别森林火灾最优的波段组合，最后采用支持向量机对所选波段组合进行精度验证；
①波段间相关系数反应波段之间的相关程度，由波段间的协方差与标准差决定，其计算公式如下：
Figure FDA0004052224090000011
Figure FDA0004052224090000013
为两个波段i与j的协方差，δii与δjj为i与j波段的标准差；
②利用OIF指数筛选出波段组合的候选组合，OIF指数计算公式如下：
Figure FDA0004052224090000012
Si表示第i个波段的标准差；Rij表示第i、j两波段的相关系数，n表示波段组合个数；
③利用云图探针采集的样本数据进行典型地物光谱分析，观察波段之间地物的可分离性与火点的光谱特征，进一步筛选最优的波段组合；
④利用ENVI软件对OIF指数排名前10的波段组合通过支持向量机计算其地物的分类精度，验证OIF指数筛选出的波段组合是否为最优波段组合；
3)计算光谱指数；
4)构建模型；构建的决策树模型的判别规则是通过云、水体、林地、火点四类参数进行具体分析，将森林火灾通过层层判断进行筛选；森林火灾判别过程分为云检测、水体检测、林地检测、火点判别4个阶段；火点判别又分成3个阶段，分别为绝对火点判别、时空火点判别与条件火点判别；
对各地物训练样本进行光谱指数研究，得到研究区各地物的CDI云指数；令CDI云检测指数小于300为云，NDVI小于-0.1且NDWI大于0.1为水体，NDVI大于0.3为林地；
进行绝对火点判别时，当B7波段亮温T7高于360K时，直接判别为火点；进行条件火点判别时，当满足条件A和B其中之一，并且同时满足条件C和D其中之一时，根据森林火灾辐射亮温与背景亮温的差异，判别为火点，其中条件A是B12波段的亮温T12大于320K，夜晚大于315K；条件B:T7像元值大于影像平均值与4倍影像标准差之和；条件C：T7-12大于20K，夜晚大于10K；条件D：T7-12的像元值大于影像平均值与4倍影像标准差之和；进行时空火点判别时，根据地物温度在常态下10-15分钟内只能产生±1.5K的变化，当地物的升温变化在5～15分钟内达到5K以上，且B7与B12两个波段的亮温差T7-12大于10K，就认为是火点；在发生森林火灾的位置只需检测T7-12大小，就可判断森林火灾状态是否为连续森林火灾，当T7-12小于10K时判断为森林火灾熄灭；
利用模型判别出来的火点后再排除虚假火点；虚假火点包括固定热源、水面反射、云层反射、农用火源，如果有火点在3个月内在同一个地方反复出现，将其认为是固定热源；水面反射与农用火源造成的虚假火点只需将火点叠加到地表覆盖类型图上，如果火点在水体或农作物种植区域，则为水面反射或农用火源造成的虚假火点；云层反射造成的虚假火点需要通过云检测，如果云层与火点重合，则该火点为云层反射所造成的虚假火点；5)利用模型进行火灾识别。
2.根据权利要求1所述森林火灾的监测方法，其特征在于，步骤1)数据获取和预处理为采集风云四号卫星FY4的云、水体、林地、火点数据并进行预处理。
3.根据权利要求1所述森林火灾的监测方法，其特征在于，步骤1)数据获取和预处理后还将FY4遥感数据经过投影转换将标称投影转化成WGS84大地坐标。
4.根据权利要求1所述森林火灾的监测方法，其特征在于，步骤3)计算光谱指数为计算不同地物的光谱指数，以有效地进行地物判别。
5.根据权利要求1所述森林火灾的监测方法，其特征在于，步骤4)采用全混交度、角尺度和交角竞争指数作为模型参数构建空间结构综合指数模型构建模型为构建决策树模型。
6.根据权利要求5所述森林火灾的监测方法，其特征在于，还对决策树模型设置模型精度评价方法，运用判别精度、多分误差和漏分误差进行综合评价。
CN202010583774.7A 2020-06-23 2020-06-23 一种森林火灾的监测方法 Active CN111753900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010583774.7A CN111753900B (zh) 2020-06-23 2020-06-23 一种森林火灾的监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010583774.7A CN111753900B (zh) 2020-06-23 2020-06-23 一种森林火灾的监测方法

Publications (2)

Publication Number Publication Date
CN111753900A CN111753900A (zh) 2020-10-09
CN111753900B true CN111753900B (zh) 2023-04-07

Family

ID=72676647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010583774.7A Active CN111753900B (zh) 2020-06-23 2020-06-23 一种森林火灾的监测方法

Country Status (1)

Country Link
CN (1) CN111753900B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232402B (zh) * 2020-10-13 2022-07-08 燕山大学 基于改进的oif和svm实现高光谱伪装目标识别的方法
CN112542020A (zh) * 2020-12-03 2021-03-23 合肥科大立安安全技术有限责任公司 一种基于双波段的红外火焰探测方法及系统
CN113111783A (zh) * 2021-04-14 2021-07-13 国网湖南省电力有限公司 一种基于统计特征建模的山林火点监测方法、系统、终端设备及可读存储介质
CN113221057B (zh) * 2021-05-14 2022-08-26 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
CN114067545B (zh) * 2021-11-15 2023-05-12 浙江时空智子大数据有限公司 一种基于遥感大数据的森林火灾监测方法及系统
CN114295213B (zh) * 2021-12-16 2023-09-12 江苏弘冉智能科技有限公司 一种可适应于不同场景的温度监控装置及监控方法
CN115205709B (zh) * 2022-09-15 2023-01-10 眉山环天智慧科技有限公司 一种基于卫星遥感的森林火点识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678237A (zh) * 2015-12-31 2016-06-15 张弓 一种火点确定方法及系统
CN106251567A (zh) * 2016-10-11 2016-12-21 广东工业大学 一种智能火灾预警系统
CN107784283A (zh) * 2017-10-24 2018-03-09 防灾科技学院 面向对象的无人机高分影像煤火区土地覆被分类方法
CN109686036A (zh) * 2019-01-09 2019-04-26 深圳市中电数通智慧安全科技股份有限公司 一种火灾监控方法、装置及边缘计算装置
CN109740645A (zh) * 2018-12-20 2019-05-10 核工业北京地质研究院 一种适用于高分一号影像的cart决策树分类方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6608931B2 (en) * 2001-07-11 2003-08-19 Science Applications International Corporation Method for selecting representative endmember components from spectral data
US20090252758A1 (en) * 2008-04-07 2009-10-08 Mazed Mohammad A Nutritional supplement for the prevention of cardiovascular disease, alzheimer's disease, diabetes, and regulation and reduction of blood sugar and insulin resistance
TW201022708A (en) * 2008-12-11 2010-06-16 Univ Nat Central Method of change detection for building models
CN109211793B (zh) * 2018-09-12 2020-10-27 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678237A (zh) * 2015-12-31 2016-06-15 张弓 一种火点确定方法及系统
CN106251567A (zh) * 2016-10-11 2016-12-21 广东工业大学 一种智能火灾预警系统
CN107784283A (zh) * 2017-10-24 2018-03-09 防灾科技学院 面向对象的无人机高分影像煤火区土地覆被分类方法
CN109740645A (zh) * 2018-12-20 2019-05-10 核工业北京地质研究院 一种适用于高分一号影像的cart决策树分类方法
CN109686036A (zh) * 2019-01-09 2019-04-26 深圳市中电数通智慧安全科技股份有限公司 一种火灾监控方法、装置及边缘计算装置

Also Published As

Publication number Publication date
CN111753900A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN111753900B (zh) 一种森林火灾的监测方法
Mallinis et al. Evaluating and comparing Sentinel 2A and Landsat-8 Operational Land Imager (OLI) spectral indices for estimating fire severity in a Mediterranean pine ecosystem of Greece
Page et al. A harmonized image processing workflow using Sentinel-2/MSI and Landsat-8/OLI for mapping water clarity in optically variable lake systems
Yebra et al. A fuel moisture content and flammability monitoring methodology for continental Australia based on optical remote sensing
Meng et al. Effects of fire severity and post-fire climate on short-term vegetation recovery of mixed-conifer and red fir forests in the Sierra Nevada Mountains of California
Martins et al. Detecting and mapping root-knot nematode infection in coffee crop using remote sensing measurements
Xian et al. Characterization of shrubland ecosystem components as continuous fields in the northwest United States
Nelson et al. Estimating Siberian timber volume using MODIS and ICESat/GLAS
Zhang et al. Integrating remotely sensed and meteorological observations to forecast wheat powdery mildew at a regional scale
CN104089647B (zh) 一种作物病害发生范围监测方法及系统
Berhan et al. Using satellite images for drought monitoring: a knowledge discovery approach
Fang et al. Atmospheric effects on the performance and threshold extrapolation of multi-temporal Landsat derived dNBR for burn severity assessment
Kuhnell et al. Mapping woody vegetation cover over the state of Queensland using Landsat TM imagery
Khorrami et al. Land surface temperature anomalies in response to changes in forest cover
Bayat et al. Retrieval of land surface properties from an annual time series of Landsat TOA radiances during a drought episode using coupled radiative transfer models
Haywood et al. Mapping eucalypt forest susceptible to dieback associated with bell miners (Manorina melanophys) using laser scanning, SPOT 5 and ancillary topographical data
Arnett et al. Detecting stand-replacing disturbance using RapidEye imagery: a tasseled cap transformation and modified disturbance index
Stroppiana et al. Analysis and interpretation of spectral indices for soft multicriteria burned-area mapping in mediterranean regions
Razali et al. A method of mapping forest fuel types in peat swamp forest
Phua et al. Simultaneous detection of burned areas of multiple fires in the tropics using multisensor remote-sensing data
Igulu et al. Monitoring impervious surface area dynamics to assess urbanisation of a catchment: Msimbazi River Valley Dar es Salaam, 1989-2015
Fitriana et al. Spectral analysis of the himawari-8 data for hotspot detection from land/forest fires in sumatra
Jang Evaluation of thermal-water stress of forest in southern Québec from satellite images
Roudgarmi et al. Environmental impact prediction using remote sensing images
Danaher et al. A regression model approach for mapping woody foliage projective cover using Landsat imagery in Queensland, Australia

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