CN112052757A - 火烧迹地信息提取方法、装置、设备和存储介质 - Google Patents

火烧迹地信息提取方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN112052757A
CN112052757A CN202010856963.7A CN202010856963A CN112052757A CN 112052757 A CN112052757 A CN 112052757A CN 202010856963 A CN202010856963 A CN 202010856963A CN 112052757 A CN112052757 A CN 112052757A
Authority
CN
China
Prior art keywords
texture
target
color
determining
color space
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.)
Granted
Application number
CN202010856963.7A
Other languages
English (en)
Other versions
CN112052757B (zh
Inventor
武晋雯
孙龙彧
张玉书
冯锐
纪瑞鹏
于文颖
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.)
Shenyang Institute Of Atmospheric Environment China Meteorological Administration
Original Assignee
Shenyang Institute Of Atmospheric Environment China Meteorological Administration
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 Shenyang Institute Of Atmospheric Environment China Meteorological Administration filed Critical Shenyang Institute Of Atmospheric Environment China Meteorological Administration
Priority to CN202010856963.7A priority Critical patent/CN112052757B/zh
Publication of CN112052757A publication Critical patent/CN112052757A/zh
Application granted granted Critical
Publication of CN112052757B publication Critical patent/CN112052757B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V20/13—Satellite images
    • 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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种火烧迹地信息提取方法、装置、设备和存储介质，该方法包括：确定本地化地形校正模型和本地化参数；结合本地化地形校正模型和本地化参数，获取阴阳坡植被光谱测量试验数据，基于模拟真实地表的DEM参数，构建阴影校正植被指数；基于量化颜色空间，采用随机抽样验证，确定目标颜色空间；基于灰度共生矩阵纹理，确定目标纹理窗口、目标角度和目标灰度纹理；结合目标颜色空间和目标灰度纹理，利用欧氏距离映射方法，确定颜色纹理特征；基于地表反射率，将阴影校正植被指数和纹理特征进行耦合，应用预先构建的数学模型进行训练，提取初始火烧迹地信息；对初始火烧迹地信息进行过滤，提取目标火烧迹地信息。实现高精度火烧迹地信息提取。

Description

火烧迹地信息提取方法、装置、设备和存储介质
技术领域
本发明涉及火烧迹地信息提取技术领域，具体涉及一种火烧迹地信息提取方法、装置、设备和存储介质。
背景技术
火烧迹地是描述森林燃烧最重要的信息之一，是经火灾烧毁后尚未长成新林的土地，它能够提供森林火灾发生时间、频度、位置、面积以及空间分布等重要信息。
火烧迹地是火灾形成机制不可或缺的研究对象，是影响森林资源保护、植被恢复、碳排放等至关重要的变量，也是碳循环扰动和全球变化研究的重要参数。卫星遥感是区域和全球范围内监测火烧迹地的有效手段，各空间机构一直致力于系统地研究全球火烧迹地，以满足对生态保护的要求以及碳循环、气候变化等研究需求。因此，开展长时间序列高精度火烧迹地信息提取尤为重要。
相关技术对火烧迹地的研究中，主要侧重模型算法开发，忽视了众多影响研究结果的相关因素，导致火烧迹地信息提取精度较低，限制了人们对火烧迹地信息的准确提取和科学评估。
发明内容
有鉴于此，提供一种火烧迹地信息提取方法、装置、设备和存储介质，以解决相关技术中火烧迹地信息提取时精度低的问题。
本发明采用如下技术方案：
第一方面，本申请实施例提供了一种火烧迹地信息提取方法，该方法包括：
根据地形阴影形成机理确定本地化地形校正模型和本地化参数；
结合所述本地化地形校正模型和所述本地化参数，获取阴阳坡植被光谱测量试验数据，基于模拟真实地表的DEM参数，构建阴影校正植被指数；
基于量化颜色空间，采用随机抽样验证，确定目标颜色空间；
基于灰度共生矩阵纹理，确定目标纹理窗口和目标角度，以确定目标灰度纹理；
结合所述目标颜色空间和所述目标灰度纹理，利用欧氏距离映射方法，确定颜色纹理特征；
基于地表反射率，将所述阴影校正植被指数和所述纹理特征进行耦合，应用预先构建的数学模型进行训练，提取初始火烧迹地信息；
根据设定过滤方法，对所述初始火烧迹地信息进行过滤，提取目标火烧迹地信息。
第二方面，本申请实施例提供了一种火烧迹地信息提取装置，该装置包括：
参数确定模块，用于根据地形阴影形成机理确定本地化地形校正模型和本地化参数；
植被指数构建模块，用于结合所述本地化地形校正模型和所述本地化参数，获取阴阳坡植被光谱测量试验数据，基于模拟真实地表的DEM参数，构建阴影校正植被指数；
目标颜色空间确定模块，用于基于量化颜色空间，采用随机抽样验证，确定目标颜色空间；
目标灰度纹理确定模块，用于基于灰度共生矩阵纹理，确定目标纹理窗口和目标角度，以确定目标灰度纹理；
颜色纹理特征确定模块，用于结合所述目标颜色空间和所述目标灰度纹理，利用欧氏距离映射方法，确定颜色纹理特征；
初始信息提取模块，用于基于地表反射率，将所述阴影校正植被指数和所述纹理特征进行耦合，应用预先构建的数学模型进行训练，提取初始火烧迹地信息；
信息过滤模块，用于根据设定过滤方法，对所述初始火烧迹地信息进行过滤，提取目标火烧迹地信息。
第三方面，本申请实施例提供了一种设备，该设备包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行本申请实施例第一方面所述的火烧迹地信息提取方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如第一方面所述的火烧迹地信息提取方法中各个步骤。
本发明采用以上技术方案，通过阴阳坡植被光谱测量试验，利用模拟真实地表的DEM参数，优化地形校正效果，建立阴影校正植被指数；通过多学科融合，将颜色信息映射到纹理特征中，明确火烧迹地颜色纹理产生的条件，实现颜色纹理的定量解译；有效弥补现有火烧迹地提取中对细节特征考虑的不足，应用阴影校正植被指数和颜色纹理耦合对火烧迹地提取的影响，优化随机森林模型的参数，制定混淆信息过滤方案，减少对小面积火点的遗漏和混淆信息误判，实现高精度火烧迹地信息提取。
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，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种火烧迹地信息提取方法的示意图；
图2是本发明实施例中适用的一种火烧迹地信息提取原理图；
图3是本发明实施例中适用的一种地形校正过程的理想地表示意图；
图4是本发明实施例中适用的一种地形校正过程的实际地表示意图；
图5是本发明实施例提供的一种火烧迹地信息提取装置的结构示意图；
图6是本发明实施例提供的一种设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
首先，对本申请实施例中用到的研究数据的数据来源进行说明。
(1)卫星遥感数据：以辽宁省为例，近10年森林防火期1～5月、10月～12月，覆盖辽宁全省的GF-1卫星WFV数据，空间分辨率为16m，用于火烧迹地信息提取；GF-2卫星PMS数据，空间分辨率4m，MCD64产品和GABAM2015产品用于火烧迹地提取精度检验。
(2)DEM数据：采用ALOS DEM(12.5m)产品，基于自动地球科学分析系统计算DEM坡度、破向、山体阴影、地形湿度指数、地形粗糙度指数等，斜率、纵横比、梯度和曲率源自DEM的一阶和二阶导数，用于优化地形阴影校正效果研究。
(3)森林覆盖掩膜：基于GF-1卫星数据制作辽宁省森林覆盖掩膜，采用申请人主持并发布实施的气象行业标准《高分辨率对地观测卫星森林覆盖面积变化监测技术导则》(QX-T 538-2020)中的方法，用于火烧迹地分层提取。
(4)森林火灾数据：近10年森林火灾数据来自火点监测逐日业务产品(1km)、统计数据以及野外调查，用于火烧迹地提取过滤方案的修订。
其次，对获取研究数据的试验方案和试验条件进行说明：
(1)试验目的：获取阴阳坡、平坦地表的光谱反射率真实情况，用于验证阴影校正效果；
(2)试验时间及条件：于春、秋两季森林防火期开展试验，每次为期10天。选择晴朗无云、无风天气，观测时间段为10:00-14:00，并与GF-1卫星本地过境时间匹配；
(3)试验样地选择：选择单一植被类型成片分布的森林样地，基本为纯林、长势良好、无砍伐现象，避免多种植被类型相混合。每个样地面积一般达到15m×15m左右，根据辽宁林分类型以及试验可操作性，将观测树高设定为3～5m；
(4)试验仪器：采用美国ASD公司的FieldSpec Pro便携式光谱仪，测量仪器采用25°裸光纤探头，光谱测量范围为350～2500nm，其中350～1050nm采样间隔为1.4nm，1050～2500nm采样间隔为2nm，参考板选用40cm×40cm BaSO4白板。
(5)试验内容：每次测量选择10处分别位于阴坡、阳坡和平坦地表的森林样地，并拍照和记录胸径、树高等基本信息，以保证这三块样地生长状况基本一致，总计30个样本；利用塔尺、梯子将光谱仪探头置于作物冠层上方，并与冠层垂直，每个样本取10个重复，观测其光谱反射率变化。
实施例
图1为本发明实施例提供的一种火烧迹地信息提取方法的流程图，该方法可以由本发明实施例提供的火烧迹地信息提取装置来执行，该装置可采用软件和/或硬件的方式实现。参考图1，该方法具体可以包括如下步骤：
S101、根据地形阴影形成机理确定本地化地形校正模型和本地化参数。
具体的，通过对地形阴影形成的机理进行研究，明确理想地表下太阳、传感器和地形的集合关系对阴影产生的影响，确定本地化地形校正模型和本地化参数。
S102、结合本地化地形校正模型和本地化参数，获取阴阳坡植被光谱测量试验数据，基于模拟真实地表的DEM参数，构建阴影校正植被指数。
进一步考虑真实地表的影响，通过开展阴阳坡植被光谱测量试验，基于模拟真实地表的DEM(Digital Elevation Model，数字高程模型)参数，构建阴影校正植被指数，研究地形阴影对植被指数的影响机理。
S103、基于量化颜色空间，采用随机抽样验证，确定目标颜色空间。
可选的，基于量化颜色空间，采用随机抽样验证，确定目标颜色空间，具体可以通过如下方式实现：根据积碳和灰烬的特征，通过对比各个颜色空间量化方式，采用后验概率的方法，确定与火烧迹地提取相匹配的目标颜色空间，也即，适用于火烧迹地提取的目标颜色空间。在实际的应用过程中，目标颜色空间可以通过设定的判断标准进行判断，将效果最佳的称为目标颜色空间。
详细的，采用第一颜色参数、第二颜色参数和第三颜色参数，基于三个颜色空间量化方式，生成三个后验概率颜色空间；其中，第一颜色参数包括红绿蓝，第二颜色参数包括色调、饱和度和明度，第三颜色参数包括亮度、蓝光色度和红光色度；根据后验概率颜色空间确定适用于火烧迹地提取的目标颜色空间。
其中，RGB分别表示红绿蓝，HSV分别表示色调、饱和度和明度；Y、CB和CR分别表示亮度、蓝光色度和红光色度。
S104、基于灰度共生矩阵纹理，确定目标纹理窗口和目标角度，以确定目标灰度纹理。
在一个具体的例子中，针对火烧迹地灰度纹理和角度不明确的问题，基于灰度共生矩阵纹理，应用7个纹理窗口、4个角度生成28个后验概率纹理图像，确定目标纹理窗口和目标角度，以确定目标灰度纹理来实现灰度纹理的优化。
具体的，由于纹理窗口大小和角度方向取决于空间分辨率和地物特征，以纹理平均值为例，确定火烧迹地的纹理窗口和角度。
采用灰度共生矩阵的分析方法，计算纹理平均值。灰度共生矩阵的数学表示如下：在θ方向上相距为d，灰度级分别为i、j的一对像元出现的概率矩阵，记为P(i，j，d，θ)。
P(i，j，d，θ)＝{[(x，y)，(x+Δx，y+Δy)]|f(x，y)＝i，f(x+Δx，y+Δy)}
其中，i，j取值为{0，1，2......k-1}；θ通常选择0゜、45゜、90゜、135゜四个方向；窗口大小为3×3、5×5、7×7、9×9、11×11、13×13、15×15七个窗口。根据7个纹理窗口、4个角度，生成28个后验概率灰度纹理，验证方式同上，确定目标纹理窗口和角度，优化灰度纹理，以确定目标灰度纹理。
S105、结合目标颜色空间和目标灰度纹理，利用欧氏距离映射方法，确定颜色纹理特征。
可选的，研究颜色空间模型量化方法，结合灰度共生矩阵纹理明确灰度纹理产生的窗口大小和角度方向，确定最佳颜色空间、优化灰度纹理，建立颜色和纹理的映射关系，利用欧氏距离映射方法构建颜色共生矩阵纹理，对比分析灰度纹理与颜色纹理细节，研究颜色纹理对火烧迹地提取的影响过程。
S106、基于地表反射率，将阴影校正植被指数和纹理特征进行耦合，应用预先构建的数学模型进行训练，提取初始火烧迹地信息。
可选的，预先构建的数学模型为随机森林模型，相应的，应用预先构建的数学模型进行训练，提取初始火烧迹地信息，具体可以通过如下方式实现：根据设定精度要求和设定效率要求优化随机森林模型的参数，其中，所述随机森林模型的参数包括分类回归树的数量和分裂节点的随机变量数量；采用随机森林分类器，提取初始火烧迹地信息。
在实际的应用过程中，需要在精度和效率之间进行权衡，优化随机森林模型的两个参数：分类回归树的数量和分裂节点的随机变量数量，权衡的过程中，可以根据设定精度要求和设定效率要求来进行优化。
具体的，应用阴影校正植被指数以及颜色纹理耦合对火烧迹地的影响，基于训练样本数据采用随机森林分类器，生成初始火烧迹地。在一个具体的例子中，初始火烧迹地又可以称为疑似火烧迹地，也即，判断为疑似火烧迹地但是并未确定，提取初始火烧迹地信息，进行进一步处理或者优化来确定是否为真正的火烧迹地。
详细的，在训练过程中，拟采用的输入特征包括：4个地表反射率特征Rblue、Rgreen、Rred、RNIR、8个阴影校正植被指数特征NDVI、EVI、GEMI、BAI、NDWI、RVI、PVI、SAVI和32个颜色纹理特征；其中，颜色纹理特征包括4个波段的颜色纹理平均值、方差、协同性、反差性、非相似性、熵、角二阶矩以及相关性特征。
S107、根据设定过滤方法，对初始火烧迹地信息进行过滤，提取目标火烧迹地信息。
应用预先指定的植被、纹理和时间过滤方案，并叠加实际森林火灾数据，反复修订方案，减少对混淆信息的错分。应用阴影校正植被指数与颜色纹理耦合对火烧迹地提取的影响，采用优化的随机森林模型，结合过滤方案，生成辽宁省火烧迹地年度提取结果，对比分析该结果与传统MCD64、GABAM2015产品差异，明确该结果对小面积火点判识和混淆信息过滤能力，采用随机抽样方法基于更高空间分辨率卫星遥感影像，验证其精度。
示例性，根据设定过滤方法，对初始火烧迹地信息进行过滤，提取目标火烧迹地信息，包括：根据植被指数变化信息，构建植被过滤方案；根据颜色纹理条件，构建纹理过滤方案；根据最大植被指数应早于森林火灾发生日期之前的设定原则，构建时间过滤方案；应用植被过滤方案、纹理过滤方案和时间过滤方案，对初始火烧迹地信息进行过滤，提取目标火烧迹地信息。
具体的，研究对象可以是年度火烧迹地，即一年内发生火灾的空间范围，不包括前几年发生的火灾。过滤方案如下：排除非当年火烧迹地：拟根据本年度和上一年度的植被指数变化信息，构建植被过滤方案；排除病虫林和砍伐林等信息：拟根据颜色纹理，构建纹理过滤方案；排除其他干扰：拟根据最大植被指数应早于森林火灾发生日期，构建时间过滤方案。进一步叠加火点监测产品、林业部门统计数据以及野外实地调查情况，反复修订过滤方案，减少对混淆信息的错分。
本申请实施例中，通过阴阳坡植被光谱测量试验，利用模拟真实地表的DEM参数，优化地形校正效果，建立阴影校正植被指数；通过多学科融合，将颜色信息映射到纹理特征中，明确火烧迹地颜色纹理产生的条件，实现颜色纹理的定量解译；有效弥补现有火烧迹地提取中对细节特征考虑的不足，应用阴影校正植被指数和颜色纹理耦合对火烧迹地提取的影响，优化随机森林模型的参数，制定混淆信息过滤方案，减少对小面积火点的遗漏和混淆信息误判，实现高精度火烧迹地信息提取。在一个具体的例子中，图2示出了一种火烧迹地信息提取原理图。
为了使本申请的技术方案更容易理解，对本申请实施例中应用到的各个机理进行说明。
(1)地形阴影形成的机理研究
基于地形校正模型算法原理，探讨太阳天顶角、地形坡度角以及太阳入射角等对阴影形成的影响机理，推导半经验模型Minnaert+SCS(MSCS)、SCS+C(SCSC)和SCEDIL模型在本地区适用的经验参数k、c、Ld，见式①～③，，公式为：
MSCS：
Figure BDA0002646743800000091
SCSC：
Figure BDA0002646743800000092
SCEDIL:
Figure BDA0002646743800000101
式中：Lc为校正后为地表反射率，单位为W/(m2·sr·μm)；L为校正前地表反射率，单位为W/(m2·sr·μm)；θs为太阳天顶角；θ为地形坡度角；i为太阳入射角；k是Minnaert常数，可计算为x与y之间的回归斜率；c为斜率a和截距b之间的商；Ld为散射辐射比，由图像局部区域内近乎完全光照和完全阴影的水平像元作为样本估算得到；Vd为天空光可视因子，Ct为地形可视因子。
(2)确定地形阴影校正最佳模型
地形阴影校正效果评判标准：校正后太阳入射角余弦与反射率的相关性减小、地表反射率不受太阳入射角度干扰、相似地物间光谱差异减小、阴影区亮度得到补偿，真实地表信息得以恢复。
定量评价指标如下：
相关性：计算校正前后太阳入射角余弦与各波段反射率的相关性，相关性越小，阴影校正效果越好；
光谱保留效果：比较校正前后各波段反射率均值和标准差，均值变动越小原始光谱特性保留越好，标准差越小校正结果越稳定；
分类精度：对比分析不同地形校正模型对分类精度的贡献大小；
变动系数：利用变动系数评价地形校正精度，利用变动系数越小精度越高。
(3)基于模拟真实地表的DEM参数，建立阴影校正植被指数
在一个具体的例子中，图3示出了一种地形校正过程的理想地表示意图；图4示出了一种地形校正过程的实际地表示意图。地形校正后，计算植被指数。确定符合GF-1卫星通道设计的植被指数包括：NDVI、EVI、GEMI、BAI、NDWI、RVI、PVI、SAVI，由各波段反射率组合运算得到；已有地形校正仅考虑理想地表下太阳入射角、天顶角、坡度、坡向的影响，在复杂地表下阴坡与阳坡植被仍存在偏差，需要继续考虑地形表面粗糙度、地形湿度指数等参数影响。基于阴阳坡植被光谱试验方案，优化地形校正效果思路如下：
VIm＝VIc+ΔVI ④
式中：VIm为阴影校正植被指数，VI泛指NDVI、EVI、GEMI等；VIc为MSCS、SCSC和SCEDIL地形校正后的植被指数；ΔVI是地形阴影的植被信息畸变量，研究ΔVI与DEM等地形参数关系，构建阴影校正植被指数，研究地形阴影对植被指数的影响机理。
另外，在颜色纹理定量解译中，引入计算机视觉和模式识别领域诞生的颜色共生矩阵方法(CCM)，采用欧氏距离映射方案，参考式⑤。基于最佳颜色空间以及优化灰度纹理，构建颜色纹理解译标志，阐明颜色纹理对火烧迹地提取的影响过程。
Figure BDA0002646743800000111
式中，ED为欧式距离；Fcolor为颜色空间；Ftexture为纹理特征；xi、yi是n维空间的两个点，w1＝w2＝0.5
相关技术中，在火烧迹地少有的纹理研究中，都没有考虑颜色空间，而由于森林燃烧后会产生大量积碳和灰烬，具有独特的颜色和纹理特征，可采用操作性强的欧式距离映射方案，确定纹理窗口大小和角度方向，实现火烧迹地颜色纹理细节的定量解译。
另外，本申请实施例还具备以下有益效果：基于植被光谱试验和模拟真实地表的DEM参数，建立阴影校正植被指数，结合颜色与纹理映射方案，建立颜色纹理解译标志，阐明阴影校正与颜色纹理耦合对火烧迹地提取的影响，减少对小面积火点的遗漏和混淆信息误判；突破现有的火烧迹地特征模式，耦合阴影校正植被指数与颜色纹理，优化随机森林模型，实现高精度火烧迹地信息提取，生成长时间序列火烧迹地年度结果，满足国家对生态保护要求以及碳循环、气候变化等研究需求；建立阴影校正植被指数与颜色纹理的定量解译标志；揭示阴影校正与颜色纹理耦合对火烧迹地提取的影响机理。
图5是本发明是实施例提供的一种火烧迹地信息提取装置的结构示意图，该装置适用于执行本发明实施例提供给的一种火烧迹地信息提取方法。如图5所示，该装置具体可以包括参数确定模块501、植被指数构建模块502、目标颜色空间确定模块503、目标灰度纹理确定模块504、颜色纹理特征确定模块505、初始信息提取模块506和信息过滤模块507。
其中，参数确定模块501，用于根据地形阴影形成机理确定本地化地形校正模型和本地化参数；植被指数构建模块502，用于结合本地化地形校正模型和本地化参数，获取阴阳坡植被光谱测量试验数据，基于模拟真实地表的DEM参数，构建阴影校正植被指数；目标颜色空间确定模块503，用于基于量化颜色空间，采用随机抽样验证，确定目标颜色空间；目标灰度纹理确定模块504，用于基于灰度共生矩阵纹理，确定目标纹理窗口和目标角度，以确定目标灰度纹理；颜色纹理特征确定模块505，用于结合目标颜色空间和目标灰度纹理，利用欧氏距离映射方法，确定颜色纹理特征；初始信息提取模块506，用于基于地表反射率，将阴影校正植被指数和纹理特征进行耦合，应用预先构建的数学模型进行训练，提取初始火烧迹地信息；信息过滤模块507，用于根据设定过滤方法，对初始火烧迹地信息进行过滤，提取目标火烧迹地信息。
本申请实施例中，通过阴阳坡植被光谱测量试验，利用模拟真实地表的DEM参数，优化地形校正效果，建立阴影校正植被指数；通过多学科融合，将颜色信息映射到纹理特征中，明确火烧迹地颜色纹理产生的条件，实现颜色纹理的定量解译；有效弥补现有火烧迹地提取中对细节特征考虑的不足，应用阴影校正植被指数和颜色纹理耦合对火烧迹地提取的影响，优化随机森林模型的参数，制定混淆信息过滤方案，减少对小面积火点的遗漏和混淆信息误判，实现高精度火烧迹地信息提取。
可选的，目标颜色空间确定模块503具体用于：
根据积碳和灰烬的特征，通过对比各个颜色空间量化方式，采用后验概率的方法，确定与火烧迹地提取相匹配的目标颜色空间。
可选的，目标颜色空间确定模块503具体还用于：
采用第一颜色参数、第二颜色参数和第三颜色参数，基于三个颜色空间量化方式，生成三个后验概率颜色空间；其中，第一颜色参数包括红绿蓝，第二颜色参数包括色调、饱和度和明度，第三颜色参数包括亮度、蓝光色度和红光色度；根据后验概率颜色空间确定适用于火烧迹地提取的目标颜色空间。
可选的，初始信息提取模块506具体用于：
根据设定精度要求和设定效率要求优化随机森林模型的参数，其中，所述随机森林模型的参数包括分类回归树的数量和分裂节点的随机变量数量；
采用随机森林分类器，提取初始火烧迹地信息。
可选的，在训练过程中，拟采用的输入特征包括：4个地表反射率特征、8个阴影校正植被指数特征和32个颜色纹理特征；
其中，颜色纹理特征包括4个波段的颜色纹理平均值、方差、协同性、反差性、非相似性、熵、角二阶矩以及相关性特征。
可选的，信息过滤模块507具体用于：
根据植被指数变化信息，构建植被过滤方案；
根据颜色纹理条件，构建纹理过滤方案；
根据最大植被指数应早于森林火灾发生日期之前的设定原则，构建时间过滤方案；
应用植被过滤方案、纹理过滤方案和时间过滤方案，对初始火烧迹地信息进行过滤，提取目标火烧迹地信息。
可选的，目标灰度纹理确定模块504具体用于：
基于灰度共生矩阵纹理，应用7个纹理窗口、4个角度生成28个后验概率纹理图像，确定目标纹理窗口和目标角度，以确定目标灰度纹理。
本发明实施例提供的火烧迹地信息提取装置可执行本发明任意实施例提供的火烧迹地信息提取方法，具备执行方法相应的功能模块和有益效果。
本发明实施例还提供一种设备，请参阅图6，图6为一种设备的结构示意图，如图6所示，该设备包括：处理器610，以及与处理器610相连接的存储器620；存储器620用于存储计算机程序，所述计算机程序至少用于执行本发明实施例中的火烧迹地信息提取方法；处理器610用于调用并执行所述存储器中的所述计算机程序；上述火烧迹地信息提取方法至少包括如下步骤：根据地形阴影形成机理确定本地化地形校正模型和本地化参数；结合本地化地形校正模型和本地化参数，获取阴阳坡植被光谱测量试验数据，基于模拟真实地表的DEM参数，构建阴影校正植被指数；基于量化颜色空间，采用随机抽样验证，确定目标颜色空间；基于灰度共生矩阵纹理，确定目标纹理窗口和目标角度，以确定目标灰度纹理；结合目标颜色空间和目标灰度纹理，利用欧氏距离映射方法，确定颜色纹理特征；基于地表反射率，将阴影校正植被指数和纹理特征进行耦合，应用预先构建的数学模型进行训练，提取初始火烧迹地信息；根据设定过滤方法，对初始火烧迹地信息进行过滤，提取目标火烧迹地信息。
本发明实施例还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如本发明实施例中的火烧迹地信息提取方法中各个步骤：根据地形阴影形成机理确定本地化地形校正模型和本地化参数；结合本地化地形校正模型和本地化参数，获取阴阳坡植被光谱测量试验数据，基于模拟真实地表的DEM参数，构建阴影校正植被指数；基于量化颜色空间，采用随机抽样验证，确定目标颜色空间；基于灰度共生矩阵纹理，确定目标纹理窗口和目标角度，以确定目标灰度纹理；结合目标颜色空间和目标灰度纹理，利用欧氏距离映射方法，确定颜色纹理特征；基于地表反射率，将阴影校正植被指数和纹理特征进行耦合，应用预先构建的数学模型进行训练，提取初始火烧迹地信息；根据设定过滤方法，对初始火烧迹地信息进行过滤，提取目标火烧迹地信息。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
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一定指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何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种火烧迹地信息提取方法，其特征在于，包括：
根据地形阴影形成机理确定本地化地形校正模型和本地化参数；
结合所述本地化地形校正模型和所述本地化参数，获取阴阳坡植被光谱测量试验数据，基于模拟真实地表的DEM参数，构建阴影校正植被指数；
基于量化颜色空间，采用随机抽样验证，确定目标颜色空间；
基于灰度共生矩阵纹理，确定目标纹理窗口和目标角度，以确定目标灰度纹理；
结合所述目标颜色空间和所述目标灰度纹理，利用欧氏距离映射方法，确定颜色纹理特征；
基于地表反射率，将所述阴影校正植被指数和所述纹理特征进行耦合，应用预先构建的数学模型进行训练，提取初始火烧迹地信息；
根据设定过滤方法，对所述初始火烧迹地信息进行过滤，提取目标火烧迹地信息。
2.根据权利要求1所述的方法，其特征在于，所述基于量化颜色空间，采用随机抽样验证，确定目标颜色空间，包括：
根据积碳和灰烬的特征，通过对比各个颜色空间量化方式，采用后验概率的方法，确定与火烧迹地提取相匹配的目标颜色空间。
3.根据权利要求2所述的方法，其特征在于，所述根据积碳和灰烬的特征，通过对比各个颜色空间量化方式，采用后验概率的方法，确定与火烧迹地提取相匹配的目标颜色空间，包括：
采用第一颜色参数、第二颜色参数和第三颜色参数，基于三个颜色空间量化方式，生成三个后验概率颜色空间；其中，所述第一颜色参数包括红绿蓝，所述第二颜色参数包括色调、饱和度和明度，所述第三颜色参数包括亮度、蓝光色度和红光色度；
根据所述后验概率颜色空间确定适用于火烧迹地提取的目标颜色空间。
4.根据权利要求1所述的方法，其特征在于，所述预先构建的数学模型为随机森林模型，相应的，所述应用预先构建的数学模型进行训练，提取初始火烧迹地信息，包括：
根据设定精度要求和设定效率要求优化所述随机森林模型的参数，其中，所述随机森林模型的参数包括分类回归树的数量和分裂节点的随机变量数量；
采用随机森林分类器，提取初始火烧迹地信息。
5.根据权利要求4所述的方法，其特征在于，在训练过程中，拟采用的输入特征包括：4个地表反射率特征、8个阴影校正植被指数特征和32个颜色纹理特征；
其中，所述颜色纹理特征包括4个波段的颜色纹理平均值、方差、协同性、反差性、非相似性、熵、角二阶矩以及相关性特征。
6.根据权利要求1所述的方法，其特征在于，所述根据设定过滤方法，对所述初始火烧迹地信息进行过滤，提取目标火烧迹地信息，包括：
根据植被指数变化信息，构建植被过滤方案；
根据颜色纹理条件，构建纹理过滤方案；
根据最大植被指数应早于森林火灾发生日期之前的设定原则，构建时间过滤方案；
应用所述植被过滤方案、所述纹理过滤方案和所述时间过滤方案，对所述初始火烧迹地信息进行过滤，提取目标火烧迹地信息。
7.根据权利要求1所述的方法，其特征在于，所述基于灰度共生矩阵纹理，确定目标纹理窗口和目标角度，以确定目标灰度纹理，包括：
基于灰度共生矩阵纹理，应用7个纹理窗口、4个角度生成28个后验概率纹理图像，确定目标纹理窗口和目标角度，以确定目标灰度纹理。
8.一种火烧迹地信息提取装置，其特征在于，包括：
参数确定模块，用于根据地形阴影形成机理确定本地化地形校正模型和本地化参数；
植被指数构建模块，用于结合所述本地化地形校正模型和所述本地化参数，获取阴阳坡植被光谱测量试验数据，基于模拟真实地表的DEM参数，构建阴影校正植被指数；
目标颜色空间确定模块，用于基于量化颜色空间，采用随机抽样验证，确定目标颜色空间；
目标灰度纹理确定模块，用于基于灰度共生矩阵纹理，确定目标纹理窗口和目标角度，以确定目标灰度纹理；
颜色纹理特征确定模块，用于结合所述目标颜色空间和所述目标灰度纹理，利用欧氏距离映射方法，确定颜色纹理特征；
初始信息提取模块，用于基于地表反射率，将所述阴影校正植被指数和所述纹理特征进行耦合，应用预先构建的数学模型进行训练，提取初始火烧迹地信息；
信息过滤模块，用于根据设定过滤方法，对所述初始火烧迹地信息进行过滤，提取目标火烧迹地信息。
9.一种设备，其特征在于，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行权利要求1-7任一项所述的火烧迹地信息提取方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-7任一项所述的火烧迹地信息提取方法中各个步骤。
CN202010856963.7A 2020-08-24 2020-08-24 火烧迹地信息提取方法、装置、设备和存储介质 Active CN112052757B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010856963.7A CN112052757B (zh) 2020-08-24 2020-08-24 火烧迹地信息提取方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010856963.7A CN112052757B (zh) 2020-08-24 2020-08-24 火烧迹地信息提取方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN112052757A true CN112052757A (zh) 2020-12-08
CN112052757B CN112052757B (zh) 2024-03-08

Family

ID=73600456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010856963.7A Active CN112052757B (zh) 2020-08-24 2020-08-24 火烧迹地信息提取方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112052757B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818880A (zh) * 2021-02-05 2021-05-18 郑州科技学院 基于深度学习的航拍图像植被提取与分类方法
CN116228911A (zh) * 2023-05-05 2023-06-06 四川汉盛源科技有限公司 基于光谱特征的森林火灾勘察定损方法
CN116704212A (zh) * 2023-08-04 2023-09-05 西南林业大学 基于机器学习及多光谱影像的林木火灾受损信息提取方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2012100257A4 (en) * 2012-03-08 2012-04-05 Beijing Normal University Method for Radiometric Information Restoration of Mountainous Shadows in Remotely Sensed Images
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

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818880A (zh) * 2021-02-05 2021-05-18 郑州科技学院 基于深度学习的航拍图像植被提取与分类方法
CN112818880B (zh) * 2021-02-05 2022-09-30 郑州科技学院 基于深度学习的航拍图像植被提取与分类方法
CN116228911A (zh) * 2023-05-05 2023-06-06 四川汉盛源科技有限公司 基于光谱特征的森林火灾勘察定损方法
CN116228911B (zh) * 2023-05-05 2023-11-28 四川汉盛源科技有限公司 基于光谱特征的森林火灾勘察定损方法
CN116704212A (zh) * 2023-08-04 2023-09-05 西南林业大学 基于机器学习及多光谱影像的林木火灾受损信息提取方法
CN116704212B (zh) * 2023-08-04 2023-10-27 西南林业大学 基于机器学习及多光谱影像的林木火灾受损信息提取方法

Also Published As

Publication number Publication date
CN112052757B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
Liu et al. Estimating leaf area index using unmanned aerial vehicle data: shallow vs. deep machine learning algorithms
Pasher et al. Multivariate forest structure modelling and mapping using high resolution airborne imagery and topographic information
Leboeuf et al. A shadow fraction method for mapping biomass of northern boreal black spruce forests using QuickBird imagery
Chrysafis et al. Estimating Mediterranean forest parameters using multi seasonal Landsat 8 OLI imagery and an ensemble learning method
CN111242224B (zh) 一种基于无人机提取分类样本点的多源遥感数据分类方法
Zhang et al. Leaf chlorophyll content retrieval from airborne hyperspectral remote sensing imagery
CN112052757B (zh) 火烧迹地信息提取方法、装置、设备和存储介质
Somers et al. Spectral mixture analysis to monitor defoliation in mixed-aged Eucalyptus globulus Labill plantations in southern Australia using Landsat 5-TM and EO-1 Hyperion data
BRPI0914887B1 (pt) geração de produtos de informações agrícolas utilizando detecção remota
JP2012196167A (ja) 植物種識別方法
García et al. Evaluating the potential of LiDAR data for fire damage assessment: A radiative transfer model approach
Launeau et al. Airborne hyperspectral mapping of trees in an urban area
CN111274871B (zh) 基于轻小型无人机的森林火灾林木受损程度提取方法
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
Li et al. Extraction of rocky desertification information in karst area by using different multispectral sensor data and multiple endmember spectral mixture analysis method
Gu et al. A statistical approach for topographic correction of satellite images by using spatial context information
Sims et al. Assessing the health of Pinus radiata plantations using remote sensing data and decision tree analysis
Falkenström et al. Evaluation of IRS-1c LISS-3 satellite data for defoliation assessment on Norway spruce and Scots pine
Roberts et al. Mountain pine beetle detection and monitoring: remote sensing evaluations
Wang Estimating forest attributes from spherical images
Behn et al. Mapping forest cover, Kimberley region of Western Australia
CN111257854A (zh) 一种通用的基于遥感影像分割单元的地形校正优化方法
Kozoderov et al. Recognition of natural and man-made objects in airborne hyperspectral images
Hu et al. Automate green coverage measure using a novel DIA method: UIP-MGMEP
Iiames et al. In-situ estimates of forest LAI for MODIS data validation

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