CN111898681B - 一种基于遥感云平台与决策树的火烧迹地精细提取方法 - Google Patents

Abstract

本发明涉及一种基于遥感云平台与决策树的火烧迹地精细提取方法，筛选覆盖研究区域且符合起火时间范围的Landsat5‑8系列遥感影像数据集，获取火烧前后的遥感影像，结合过火区光谱特征与火烧前后影像NBR的变化差异提取过火区敏感特征，包括火后影像的近红外波段NIR’反射率和差分归一化火烧指数dNBR，利用OTSU算法计算阈值，构建决策树分类模型提取火烧迹地，导出至本地统计过火面积、验证识别精度，并进行产品制图。本实施例基于遥感云平台GEE，利用构建的决策树分类模型快速提取了大尺度、长时序的火烧迹地，突出了卫星遥感技术综合宏观的特点，发挥了云平台高效快捷的优势，避免了传统遥感技术耗时费力的弊端，为森林火烧迹地的提取分析研究工作提供了新途径。

Description

一种基于遥感云平台与决策树的火烧迹地精细提取方法

技术领域

本发明涉及生态环境、森林资源、防火减灾等领域，特别是一种基于遥感大数据与决策树的火烧迹地提取方法。

背景技术

森林是人类生存与发展至关重要的物质基础，是经济社会进步与可持续发展不可或缺的自然资源。长久以来，森林火灾因其不确定、危害大、控制难的特点，备受世界各国关注。近年受到全球气候变化与人类活动的影响，尽管世界各国用于防火的财政支出不断增加，但森林火灾的发生频率和过火面积仍然呈现出逐年上升的趋势，森林防火形势愈加严峻。进入21世纪后，科学技术迅猛发展，森林火灾在全球范围内尚未能够得以有效控制，特大森林火灾更是世界性难题，因此世界各国把控制特大森林火灾列为重点研究课题。

卫星遥感是通过对不直接接触地物目标所获取的地物电磁辐射信号进行处理与解译，来提取定性、定量地物特征的技术系统，具有综合、宏观以及近实时性的特点，用以完成估测地区、国家甚至全球尺度的森林资源，可大量节省人力物力和时间，极大的提高工作效率。与传统的实地调查方法相比，在遥感影像中识别过火区更为简单、快捷，基于遥感的方法为森林火灾的相关研究提供了更为有效的手段。在基于卫星遥感数据研究火烧迹地的领域，大多以可见光波段、近红外波段、短波红外波段等多光谱数据的分类方法或多时相数据之间的变化分析实现，常见的分类法主要有：平行六面体分类法、最小距离分类法、马氏距离分类法、最大似然分类法、神经网络分类法、支持向量机分类法、ISODATA非监督分类法、K-Means非监督分类法以及基于专家知识的决策树分类法等，这些方法的出现使得林火的相关研究进入了全新阶段。现阶段，传统的基于卫星遥感数据在本地设备监测森林火灾的方法受到硬件和软件(数据的时间分辨率、设备的存储和计算能力、网络)等条件的制约，已逐渐无法满足不断提高的应用时效需求。

当前，新型搭载高分辨率传感器卫星、无人机航拍技术、卷积神经网络(机器学习)、大数据云平台等新兴技术的不断发展与成熟也为火烧迹地的提取研究工作带来了新的机遇和挑战，如何利用前沿科技为森林火灾监测分析工作提供强有力的技术支持及数据基础是目前火烧迹地研究的关键内容。GEE云平台(Google Earth Engine)是谷歌公司旗下Google Earth系列的一种处理遥感数据的工具，涵盖海量数据，且数据运算均在谷歌的云服务器中完成，处理能力不受空间、时间的制约，相比传统影像处理工具(如ERDAS、ENVI、ArcGis等)能够更加快速、大批量的处理数据。GEE云平台的出现为科研工作者实现在大尺度、长时序的林火研究提供了基础和保障，目前已广泛应用于农作物监测、灾情监测、森林变化探查、水文监测、气候变化监测等多方面的研究中。尽管相关研究已经使用GEE和深度学习等方法提取火烧迹地，但却没有决策树算法参与到信息提取的工作当中，精细程度也尚有不足。

发明内容

据此，本发明致力于提出一种基于遥感云平台与决策树的火烧迹地精细提取方法。

本发明采用以下方案实现：一种基于遥感云平台与决策树的火烧迹地精细提取方法，包括以下步骤：

步骤S1：基于遥感云平台GEE，筛选覆盖研究区域且符合起火时间范围的Landsat5-8系列遥感影像数据集，合成火烧前后的遥感影像，并进行云掩膜处理(云量≤2％)；

步骤S2：基于遥感云平台GEE，结合过火区光谱特征与遥感指数的变化差异，提取过火区敏感特征，包括火后影像的近红外波段NIR’反射率和差分归一化火烧指数dNBR，即对应影像的近红外波段NIR和短波红外波段SWIR的反射率，计算火烧前影像I的归一化火烧指数NBRpre-fire与火后影像I’的归一化火烧指数NBRpost-fire的差值：

NBRpre-fire＝(NIR–SWIR)/(NIR+SWIR)

NBRpost-fire＝(NIR’–SWIR’)/(NIR’+SWIR’)

dNBR＝NBRpre-fire–NBRpost-fire；

步骤S3：基于遥感云平台GEE，利用OTSU算法计算火后影像的近红外波段NIR’反射率阈值及差分归一化火烧指数dNBR的阈值；

步骤S4：以S1获取的火烧前后影像I和I’作为分类器的样本，以S3计算的火后影像近红外波段NIR’反射率的阈值与差分归一化火烧指数dNBR的阈值作为分类器的分类规则，基于遥感云平台GEE，构建决策树分类模型；

步骤S5：利用S4基于遥感云平台GEE构建的决策树分类模型，进行火烧迹地提取工作，将提取结果导入Google云盘，下载后使用GIS软件统计过火面积、验证识别精度，并进行产品制图：

步骤S3中基于遥感云平台GEE，利用OTSU算法(大津算法)，计算火后影像的近红外波段NIR’反射率阈值及差分归一化火烧指数dNBR的阈值，具体包括：

假设一幅图像有N个像素，灰度取值范围[0,L-1]，灰度级i的像素数为n_i(i＝0,1,2,3,…,L-1)，各灰度级像素的出现概率为P_i，那么：

P_i＝n_i/N

利用阈值t将图像分为背景类像素C₀和目标类像素C₁，C₀为灰度值在[0,k]的像素组成，C₁为灰度值在[t+1,L-1]的像素组成，各灰度级出现的概率为：

C₀和C₁像素的出现概率为：

平均灰度为：

μ_t＝ω₀μ₀+ω₁μ₁

类间方差定义为：

令t在[0,L-1]区间内取值，当达到最大值所对应的t值即为区分两类像素的最佳阈值。

步骤S4以S1获取的火烧前后影像I和I’作为分类器的样本，以S3计算的火后影像的近红外波段NIR’反射率阈值及差分归一化火烧指数dNBR的阈值作为分类规则，基于遥感云平台GEE，构建决策树分类模型，主要过程为：

首先，区分大于火后影像近红外波段NIR’阈值的过火区与水体部分，剔除非过火区(植被、裸地)，并以此结果对火前影像进行掩膜，保留与火后影像中过火区与水体相同的部分，剔除其它部分；

再根据差分归一化火烧指数dNBR的阈值剔除小于阈值的水体等其它低反射率区域的部分，获取识别的过火区，即火烧迹地提取结果。

与现有技术相比，本发明的意义在于：

⑴本发明基于遥感云平台GEE可以快速提取大尺度区域、长时间序列范围内的火烧迹地，且火烧迹地边界更为准确，结果更加精细，能够极大提高工作效率、节省人力物力。

⑵本发明结合了过火区影像的光谱特征以及利用多时相技术的差分归一化火烧指数dNBR，更能突出由于林火导致的森林植被变化避免季节周期的影响，还可以有效减少云、气溶胶等因素的影响。

⑶本发明利用OTSU算法计算过火区敏感特征的阈值，能够较好反映林火导致的不同地表覆盖类型像元最大类间方差，避免不同地区、时相以及数据源造成的误差。

附图说明

图1为本发明实施例的流程图，图2为本发明实施例构建的决策树分类模型。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本实施例首先根据研究区域的位置和起火时间，筛选遥感影像数据集，获取火烧前后的影像。结合过火区的光谱特征与指数的变化差异，提取过火区敏感特征，包括火后影像近红外波段NIR’的反射率和差分归一化火烧指数dNBR，利用OTSU算法计算阈值，构建决策树分类模型提取火烧迹地，导出至本地统计过火面积、验证识别精度，并进行产品制图。

如图1所示，本实施例提供了一种基于遥感云平台与决策树的火烧迹地精细提取方法，包括以下步骤：

步骤S1：基于遥感云平台GEE，筛选覆盖研究区域且符合起火时间范围的Landsat5-8系列遥感影像数据集，合成火烧前后的遥感影像，并进行云掩膜处理(云量≤2％)；

云掩膜处理代码由GEE官方提供。

步骤S2：基于遥感云平台GEE，结合过火区光谱特征与遥感指数的变化差异，提取过火区敏感特征，包括火后影像的近红外波段NIR’反射率和差分归一化火烧指数dNBR，即对应影像的近红外波段NIR和短波红外波段SWIR的反射率，计算火烧前影像I的归一化火烧指数NBRpre-fire与火后影像I’的归一化火烧指数NBRpost-fire的差值：

NBRpre-fire＝(NIR–SWIR)/(NIR+SWIR)

NBRpost-fire＝(NIR’–SWIR’)/(NIR’+SWIR’)

dNBR＝NBRpre-fire–NBRpost-fire；

过火区像元的近红外波段(Near Infrared)反射率与非过火区的差异相比其它波段最显著，这是由于过火区内部大量堆积的木炭和灰烬物质导致了近红外波段的反射率降低造成的。同时，植被在燃烧后湿度明显降低，短波红外波段(Shortwave Infrared)在影像中的反射率表现为升高。NBR指数(Normalized Burn Ratio)是将近红外波段与短波红外波段进行归一化得出的结果，由于过火区像元近红外波段与短波红外波段反射率相比非过火区发生的变化较大，所以NBR指数可作为提取火烧迹地过程中重要的指示因子，NBR指数的理论取值范围为1～-1，与林火烈度呈负相关。尽管NBR指数在火烧迹地提取工作中存在着一定的优势，但利用单时相的NBR指数提取火烧迹地仍会受到水体等低反射率区域的影响，易存在较大误差。差分归一化火烧指数dNBR(delta Normalized Burn Ratio)则利用了多时相技术，是火烧前后影像的NBR指数差值，相比NBR指数提取火烧迹地能够有效减少云、气溶胶等因素的影响。并且，结合过火区影像光谱特征分析结果可知，森林火灾发生后，近红外波段反射率表现为升高，而短波红外波段对水体极为敏感，植被在燃烧后林内湿度降低，火烧严重程度越高湿度降低越显著，湿度的降低继而导致了短波红外波段反射率的减小，最终NBR指数表现为降低，所以，过火区影像的dNBR指数值会显著高于水体等其它低反射率区域。综上所述，可利用多时相的dNBR指数来区分火烧迹地。

步骤S3：基于遥感云平台GEE，利用OTSU算法计算火后影像的近红外波段NIR’反射率阈值及差分归一化火烧指数dNBR的阈值；

OTSU算法也称为最大类间方差法，是日本学者大津展之在1987年提出的一种自动的对基于聚类的图像进行全局二值化(将一个灰度图像退化为二值图像)的算法，简单来讲，就是对一维Fisher判别的离散化模拟。在计算机视觉和图像处理工作中，这种算法假定图像在经过双模直方图处理后只包含两类像素(背景像素和目标像素)，通过计算出能够区分两类像素的最佳阈值，从而使它们的类内方差最小且类间方差最大。森林火灾发生后，在影像中合理的像元窗口内，最大类间方差存在着急剧上升的过程，这种快速的变化可以用作主动火灾探测中的重要参数，所以，利用OTSU算法分析由于火灾造成的空间变化具有一定的优势。目前，OTSU算法的代码封装已在GEE官方论坛公开发布，直接编辑代码调用即可。

步骤S4：以S1获取的火烧前后影像I和I’作为分类器的样本，以S2-S4提取并计算的火后影像近红外波段NIR’反射率的阈值与差分归一化火烧指数dNBR的阈值作为分类器的分类规则，基于遥感云平台GEE，构建决策树分类模型，如图2所示；

决策树(Decision Tree Learning)是统计学、数据挖掘以及机器学习过程中一种重要的方法，主要作为预测模型对测试变量和目标变量进行循环分析，最后预测出样本的类别。

步骤S5：利用S4基于遥感云平台GEE构建的决策树分类模型，进行火烧迹地提取工作，将提取结果导入Google云盘，下载后使用GIS软件统计过火面积、验证识别精度，并进行产品制图：

步骤S3中基于GEE利用OTSU算法(大津算法)计算火后影像的近红外波段NIR’反射率阈值及差分归一化火烧指数dNBR的阈值，具体包括：

假设一幅图像有N个像素，灰度取值范围[0,L-1]，灰度级i的像素数为n_i(i＝0,1,2,3,…,L-1)，各灰度级像素的出现概率为P_i，那么：

P_i＝n_i/N

利用阈值t将图像分为背景类像素C₀和目标类像素C₁，C₀为灰度值在[0,k]的像素组成，C₁为灰度值在[t+1,L-1]的像素组成，各灰度级出现的概率为：

C₀和C₁像素的出现概率为：

平均灰度为：

μ_t＝ω₀μ₀+ω₁μ₁

类间方差定义为：

令t在[0,L-1]区间内取值，当达到最大值所对应的t值即为区分两类像素的最佳阈值。

步骤S4以S1获取的火烧前后影像I和I’作为分类器的样本，以S3计算的火后影像的近红外波段NIR’反射率阈值及差分归一化火烧指数dNBR的阈值作为分类规则，基于遥感云平台GEE，构建决策树分类模型，主要过程为：

首先，区分大于火后影像近红外波段NIR’阈值的过火区与水体部分，剔除非过火区(植被、裸地)，并以此结果对火前影像进行掩膜，保留与火后影像中过火区与水体相同的部分，剔除其它部分；

再根据差分归一化火烧指数dNBR的阈值剔除小于阈值的水体等其它低反射率区域的部分，获取识别的过火区，即火烧迹地提取结果。

本实施例基于遥感云平台GEE，获取火烧前后的遥感影像，利用构建的决策树分类模型快速提取了大尺度区域、长时间序列范围内的火烧迹地，导出至本地设备后统计过火面积、验证识别精度并进行产品制图。突出了卫星遥感技术综合宏观特点，发挥了云平台高效快捷的优势，避免了传统遥感技术耗时费力的弊端，为森林火烧迹地的提取分析研究工作提供了新的途径，提高了火烧迹地的边界提取精度，对火后植被的恢复重建工作具有重要的指导作用。

利用S4基于遥感云平台GEE构建的决策树分类模型，进行火烧迹地提取工作，将提取结果导入Google云盘，下载后使用GIS软件统计过火面积后验证识别精度

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (3)

1.一种基于遥感云平台与决策树的火烧迹地精细提取方法，其特征在于，包括以下步骤：

步骤S1：基于遥感云平台GEE，筛选覆盖研究区域且符合起火时间范围的Landsat5-8系列遥感影像数据集，合成火烧前后的遥感影像，并进行云掩膜处理；

步骤S2：基于遥感云平台GEE，结合过火区光谱特征与遥感指数的变化差异，提取过火区敏感特征，包括火后影像的近红外波段NIR’反射率和差分归一化火烧指数dNBR，即对应影像的近红外波段NIR和短波红外波段SWIR的反射率，计算火烧前影像I的归一化火烧指数NBRpre-fire与火后影像I’的归一化火烧指数NBRpost-fire的差值：

NBRpre-fire＝(NIR–SWIR)/(NIR+SWIR)

NBRpost-fire＝(NIR’–SWIR’)/(NIR’+SWIR’)

dNBR＝NBRpre-fire–NBRpost-fire；

步骤S3：基于遥感云平台GEE，利用OTSU算法计算火后影像的近红外波段NIR’反射率阈值及差分归一化火烧指数dNBR的阈值；

步骤S4：以S1获取的火烧前后影像I和I’作为分类器的样本，以S3计算的火后影像近红外波段NIR’反射率的阈值与差分归一化火烧指数dNBR的阈值作为分类器的分类规则，基于遥感云平台GEE，构建决策树分类模型；

步骤S5：利用S4基于遥感云平台GEE构建的决策树分类模型，进行火烧迹地提取工作，将提取结果导入Google云盘，下载后使用GIS软件统计过火面积、验证识别精度，并进行产品制图：

2.根据权利要求1所述的一种基于遥感云平台与决策树的火烧迹地精细提取方法，其特征在于：步骤S3中基于遥感云平台GEE，利用OTSU算法，计算火后影像的近红外波段NIR’反射率阈值及差分归一化火烧指数dNBR的阈值，具体包括：

假设一幅图像有N个像素，灰度取值范围[0,L-1]，灰度级i的像素数为n_i(i＝0,1,2,3,…,L-1)，各灰度级像素的出现概率为P_i，那么：

P_i＝n_i/N

利用阈值t将图像分为背景类像素C₀和目标类像素C₁，C₀为灰度值在[0,k]的像素组成，C₁为灰度值在[t+1,L-1]的像素组成，各灰度级出现的概率为：

C₀和C₁像素的出现概率为：

平均灰度为：

μ_t＝ω₀μ₀+ω₁μ₁

类间方差定义为：

令t在[0,L-1]区间内取值，当达到最大值所对应的t值即为区分两类像素的最佳阈值。

3.根据权利要求1所述的一种基于遥感云平台与决策树的火烧迹地精细提取方法，其特征在于：步骤S4以S1获取的火烧前后影像I和I’作为分类器的样本，以S3计算的火后影像的近红外波段NIR’反射率阈值及差分归一化火烧指数dNBR的阈值作为分类规则，基于遥感云平台GEE，构建决策树分类模型，过程为：

首先，区分大于火后影像近红外波段NIR’阈值的过火区与水体部分，剔除非过火区，并以此结果对火前影像进行掩膜，保留与火后影像中过火区与水体相同的部分，剔除其它部分；

再根据差分归一化火烧指数dNBR的阈值剔除小于阈值的水体与其它低反射率区域的部分，获取识别的过火区，即火烧迹地提取结果。