CN112633588B - 一种基于多源数据融合的林火行为潜势预测方法 - Google Patents
一种基于多源数据融合的林火行为潜势预测方法 Download PDFInfo
- Publication number
- CN112633588B CN112633588B CN202011609124.1A CN202011609124A CN112633588B CN 112633588 B CN112633588 B CN 112633588B CN 202011609124 A CN202011609124 A CN 202011609124A CN 112633588 B CN112633588 B CN 112633588B
- Authority
- CN
- China
- Prior art keywords
- forest
- fire behavior
- combustible
- vegetation
- potentiality
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 15
- 238000002310 reflectometry Methods 0.000 claims description 27
- 238000007726 management method Methods 0.000 claims description 24
- 239000000463 material Substances 0.000 claims description 13
- 241000894007 species Species 0.000 claims description 10
- 239000002028 Biomass Substances 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 239000003864 humus Substances 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 241000218631 Coniferophyta Species 0.000 claims description 2
- 210000000481 breast Anatomy 0.000 claims description 2
- 230000002265 prevention Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000011835 investigation Methods 0.000 description 4
- 238000000475 fluorescence cross-correlation spectroscopy Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000209504 Poaceae Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于多源数据融合的林火行为潜势预测方法,属于森林火灾预警领域。所述林火行为潜势预测方法,根据机载高光谱遥感数据识别可燃物类型、估算植被覆盖度、反演植被冠层含水率;根据激光雷达点云数据,反演植被垂直结构;根据森林资源规划调查数据,获得小班因子;根据样地调查数据,获得地表可燃物信息;利用可燃物类型、植被覆盖度及垂直结构、小班因子及地表可燃物信息,以小班为单位建立可燃物属性数据表,生成地表火行为、树冠火行为、有效可燃物三种潜势指标及空间分布图,进行林火行为潜势预测。本发明在林场尺度上以小班为单位预测林火行为潜势,更加准确、及时地对林火行为潜势进行预测,实现对森林火灾的预防和及时扑救。
Description
技术领域
本发明属于森林火灾预警领域,尤其涉及一种基于多源数据融合的林火行为潜势预测方法。
背景技术
森林火险预报一般分为火险天气预报、林火发生预报和林火行为预报等3种类型。随着遥感信息处理技术、地理信息系统技术、计算机技术和网络技术等为代表的现代高新信息技术在林业中的综合应用,森林和草原火灾预警从传统的经验模式、走向现代化的以科技为主导的集约管理模式,主要集中在如何用现代信息技术来实现模拟林火发生中火场的蔓延速度和方向等内容,但仍缺少针对按森林资源经营管理单位(小班或经营班)的林火行为潜势预测技术。
森林可燃物类型及其生长状况,尤其是林内乔灌草等植被的高度、冠幅、含水率等表征林内可燃物生长状况的参数决定了火灾的发生和蔓延的难易程度。现有的林火行为估测模型中所需的可燃物生长状况参数大多来源于森林资源调查规划资料或人工地面调查数据。由于森林资源调查规划资料通常需要十年才更新一次,而通过人工地面调查的方式难于实现大范围内可燃物参数的及时更新,且需大量的人力物力,难于满足林场尺度以小班为单位的林火行为预测需求,现有的方法无法准确、及时地对林火行为潜势进行预测。
发明内容
鉴于上述问题,本发明实施例提供了一种基于多源数据融合的林火行为潜势预测方法,在林场级尺度上的森林火险潜势预测中,利用机载高光谱遥感和激光雷达数据同时监测的森林可燃物类型及火险要素参数,与森林资源调查规划数据及地表环境参数相融合,以小班为单位构建森林火险预测因子要素数据集,并在地理信息系统支撑下,进行林场级尺度的林火行为预测。
为了实现上述目的,本发明实施例采用的技术方案如下:
本发明实施例提供了一种基于多源数据融合的林火行为潜势预测方法,所述林火行为潜势预测方法包括如下步骤:
步骤S1,将机载高光谱遥感数据进行预处理后,对待预测区域的可燃物进行类型识别;
步骤S2,根据机载高光谱遥感数据的红光波段和近红外波段数据,估算待预测区域的植被覆盖度;
步骤S3,对机载高光谱遥感数据的中心波长为0.86μm的近红外波段的反射率值进行修正,并根据修正后的近红外波段的反射率数据和中心波长为2.10μm的短波红外波段的反射率数据,反演估算待预测区域的植被冠层含水率;
步骤S4,根据激光雷达点云数据,反演待预测区域植被垂直结构;
步骤S5,根据森林资源规划调查数据,获得各森林资源经营管理单位的小班因子;
步骤S6,根据样地调查数据,获得地表可燃物信息;
步骤S7,利用识别的可燃物类型、计算的植被覆盖度、植被垂直结构、小班因子及地表可燃物信息,以小班为单位建立可燃物属性数据表;
步骤S8,根据所述可燃物属性数据表,生成地表火行为潜势指标、树冠火行为潜势指标和有效可燃物潜势指标;
步骤S9,将待预测区域林场尺度的地表火行为潜势、树冠火行为潜势和有效可燃物潜势指标,输入地理信息系统,以小班为单位分别将所述三种指标制作为空间分布图;
步骤S10,根据所述三种指标及空间分布图,对待预测区域林场的林火行为潜势进行预测。
作为本发明的一个优选实施例,所述步骤S1对待预测区域的可燃物进行类型识别,利用预处理后的机载高光谱遥感数据,用支持向量机的分类方法,参考国内外森林可燃物遥感分类体系,再结合待预测区域的特点,制定分类体系;再按制定的分类体系分类得到待预测林场区域内现有可燃物类型及覆盖分布图。
作为本发明的一个优选实施例,所述步骤S2中估算植被覆盖度时,首先按式(1)计算归一化植被指数,再采用像元二分法,利用式(2)计算得到植被覆盖度;
式(1)中,NDVI为归一化植被指数,Rnir为近红外波段的反射率,Rred为红光波段的反射率;
式(2)中,VFC为植被覆盖度;NDVIsoil代表完全是裸土或无植被覆盖区域的像元的NDVI值,NDVIveg代表完全被植被所覆盖的像元的NDVI值,并分别通过式(3)和(4)计算:
式(3)和(4)中,NDVImax和NDVImin分别为最大和最小的NDVI值;VFCmax、VFCmin分别取100%和0%。
作为本发明的一个优选实施例,所述步骤S3根据式(5)估算植被冠层的含水率:
式(5)中,GVMI为含水率指数,Rswir为短波红外波段的反射率,R′nir为修正后的近红外波段的反射率,且,通过式(6)对反射率进行修正:
R′nir=Rnir+6.0Rred-7.0Rblue (6)
式(6)中,Rred为红光波段的反射率;Rnir为修正前的近红外波段的反射率;Rblue为蓝光波段的反射率。
作为本发明的一个优选实施例,步骤S4中所述反演待预测区域植被垂直结构,进一步包括:
步骤S41,对所述激光雷达点云数据进行预处理;
步骤S42,采用数字高程模型DEM数据对预处理后的激光雷达点云数据进行归一化,去除地形对植被的影响,使植被点的高度值为相对于地面的高度值;
步骤S43,根据归一化后的雷达点云数据生成树冠高度模型;
步骤S44,基于森林资源规划调查数据,结合所述步骤S1中得到的可燃物类型和步骤S2中的植被覆盖度,生成以小班为森林资源经营管理单位的植被垂直结构。
作为本发明的一个优选实施例,所述以小班为森林资源经营管理单位的植被垂直结构,包括各小班优势树种的平均高、冠高和枝下高。
作为本发明的一个优选实施例,所述可燃物属性数据表,包括以下数据项:优势树种类型、平均树高、平均胸径、乔木覆盖度、优势树种的覆盖度、针阔叶树覆盖度百分比、灌木类型、灌木覆盖度、灌木平均高度、草本类型、草本覆盖度、枯枝落叶厚度、腐殖质厚度。
作为本发明的一个优选实施例,步骤S10中:
根据所述三种指标对待预测区域林场的林火行为潜势进行预测,将上述三种指标值由低到高划分为0~9级,其中前两种指标的0代表几乎不可能发生,9代表极易发生;有效可燃物潜势指标的0代表可燃物生物量为0吨/公顷,9代表可燃物生物量为225吨/公顷。根据所述空间分布图对待预测区域林场的林火行为潜势进行预测,空间分布图通过分级分色方式绘制,通过各分色所代表的级别,预测潜势。
本发明具有如下有益效果:
本发明实施例所提供的基于多源数据融合的林火行为潜势预测方法,整合了多种数据源,利用机载高光谱遥感和激光雷达数据,与森林资源调查规划数据和地面调查资料相结合,以小班为森林资源经营管理单位构建林火行为预报因子数据表,作为可燃物特征类型系统FCCS的数据输入,在林场尺度上以小班为单位预测林火行为潜势,更加准确、及时的对林火行为潜势进行预测,实现对森林火灾的预防和及时扑救。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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为本发明实施方式提供的基于多源数据融合的林火行为潜势预测方法原理图;
图2为本发明实施方式中待预测区域林场尺度的地表火行为潜势分布示例图;
图3为本发明实施方式中待预测区域林场尺度的树冠火行为潜势分布示例图;
图4为本发明实施方式中待预测区域林场尺度的有效可燃物潜势分布示例图。
具体实施方式
下面通过参考示范性实施例,并结合附图,对本发明技术问题、技术方案和优点进行详细阐明。以下所述示范性实施例仅用于解释本发明,而不能解释为对本发明的限制。本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非在这里进行定义,否则不会用理想化或过于正式的含义来解释。
本发明为克服现有的林火行为估测模型中可燃物参数更新技术问题,提出了一种基于多源数据融合的林火行为潜势预测方法,以服务于小班为森林资源经营管理单位的林火行为潜势预测中。本发明实施方式利用机载高光谱遥感和激光雷达数据,与森林资源调查规划数据和地面调查资料相结合,以小班为森林资源经营管理单位构建林火行为预报因子数据表,作为可燃物特征类型系统(Fuel CharacteristicClassification System,FCCS)的数据输入,在林场尺度上以小班为单位预测林火行为潜势,以服务于森林火灾的预防扑救。
如图1所示,本发明实施方式所提供的基于多源数据融合的林火行为潜势预测方法,包括如下步骤:
步骤S1,将机载高光谱遥感数据进行预处理后,对待预测区域的可燃物进行类型识别。
本步骤中,所述机载高光谱遥感数据的预处理,包括数据清洗、去噪声等。
所述对待预测区域的可燃物进行类型识别,利用预处理后的机载高光谱遥感数据,用支持向量机的分类方法,按制定的分类体系分类得到所选林场区域内现有可燃物类型及覆盖分布图。进行分类时,可参考国内外森林可燃物遥感分类体系,再结合待预测区域的特点,制定分类体系。所述可燃物类型包括树种(如乔木)、灌木、草等。
步骤S2,根据机载高光谱遥感数据的红光波段和近红外波段数据,估算待预测区域的植被覆盖度。
本步骤中,所述红光波段中心波长为0.64μm,近红外波段中心波长为0.86μm。估算植被覆盖度时,首先按式(1)计算归一化植被指数,再采用像元二分法,利用式(2)计算得到植被覆盖度。
式(1)中,NDVI为归一化植被指数,Rnir为近红外波段的反射率,Rred为红光波段的反射率。
式(2)中,VFC为植被覆盖度;NDVIsoil代表完全是裸土或无植被覆盖区域的像元的NDVI值,NDVIveg代表完全被植被所覆盖的像元的NDVI值,即纯植被像元的NDVI,并分别通过式(3)和(4)计算:
式(3)和(4)中,NDVImax和NDVImin分别为最大和最小的NDVI值;VFCmax、VFCmin分别取100%和0%。
步骤S3,对机载高光谱遥感数据的中心波长为0.86μm的近红外波段的反射率值进行修正,并利用修正后的近红外的反射率数据和中心波长为2.10μm的短波红外波段的反射率数据,反演估算待预测区域的植被冠层含水率。
本步骤中,根据修正后的近红外波段的反射率数据和短波红外波段的反射率数据,构建植被冠层含水率指数,并根据含水率指数估算植被冠层的含水率。
优选地,根据式(5)估算植被冠层的含水率:
式(5)中,GVMI为含水率指数,Rswir为短波红外波段的反射率,R′nir为修正后的近红外波段的反射率,且,通过式(6)对反射率进行修正:
R′nir=Rnir+6.0Rred-7.0Rblue (6)
式(6)中,Rred为红光波段的反射率;Rnir为修正前的近红外波段的反射率;Rblue为蓝光波段的反射率。式(6)体现出对近红外的反射率修正过程。
步骤S4,根据激光雷达点云数据,反演待预测区域植被垂直结构。
本步骤中,所述反演待预测区域植被垂直结构,进一步包括:
步骤S41,对所述激光雷达点云数据进行预处理;
步骤S42,采用数字高程模型(Digital Elevation Model,DEM)数据对预处理后的激光雷达点云数据进行归一化,去除地形对植被的影响,使植被点的高度值为相对于地面的高度值。
步骤S43,根据归一化后的雷达点云数据生成树冠高度模型(Canopy HeightModel,CHM)。
步骤S44,基于森林资源规划调查数据,结合所述步骤S1中得到的可燃物类型和步骤S2中的植被覆盖度,生成以小班为森林资源经营管理单位的植被垂直结构。
本步骤中,所述以小班为森林资源经营管理单位的植被垂直结构,包括各小班优势树种的平均高、冠高和枝下高。
步骤S5,根据森林资源规划调查数据,获得各森林资源经营管理单位的小班因子。
步骤S6,根据样地调查数据,获得地表可燃物信息。
本步骤中,所述地表可燃物信息包括可燃物组成、含水率、厚度和载量等。
步骤S7,利用识别的可燃物类型、计算的植被覆盖度、植被垂直结构、小班因子及地表可燃物信息,以小班为单位,按优势树种类型、平均树高、平均胸径、乔木覆盖度、优势树种的覆盖度、针阔叶树覆盖度百分比、灌木类型、灌木覆盖度、灌木平均高度、草本类型、草本覆盖度、枯枝落叶厚度、腐殖质厚度等数据项统计建立可燃物属性数据表。
步骤S8,根据所述可燃物属性数据表,生成地表火行为潜势指标、树冠火行为潜势指标和有效可燃物潜势指标;将上述三种指标值由低到高划分为0~9级,其中前两种指标的0代表几乎不可能发生,9代表极易发生;有效可燃物潜势指标的0代表可燃物生物量为0吨/公顷,9代表可燃物生物量为225吨/公顷。
本步骤中,这三种火行为潜势指标值用以判断区域内各小班发生地表火、树冠火的风险指数以及燃烧阶段的可燃物生物量。
步骤S9,将待预测区域林场尺度的地表火行为潜势、树冠火行为潜势和有效可燃物潜势指标,输入地理信息系统,通过分级分色方式,以小班为单位分别将所述三种指标制作为空间分布图。
步骤S10,根据所述三种指标及空间分布图,对待预测区域林场的林火行为潜势进行预测。
本步骤中,根据所述三种指标对待预测区域林场的林火行为潜势进行预测,根据所述空间分布图对待预测区域林场的林火行为潜势进行预测,空间分布图通过分级分色方式绘制,通过各分色所代表的级别,预测潜势。例如,当指标达到5级以上时,或分色达到相应级别时,林火潜势为危险,可进行危险源排查或加强防火管控。
图2至图4分别是待预测区域林场尺度的地表火行为潜势分布图、待预测区域林场尺度的树冠火行为潜势分布图和有效可燃物潜势分布图。如图2和图4所示,其中:图2为地表火行为潜势分布图,表示各小班发生地表火的可能性,由低到高用0~9来表示,0代表不发生地表火,9代表极易发生地表火;图3为树冠火行为潜势分布图,表示各小班由地表火演变为树冠火的难易程度,由低到高用0~9来表示,0代表不会演变为树冠火,9代表极易演变为树冠火;图4为有效可燃物潜势分布图,表示各小班在极端干燥条件下可以燃烧生物量按25吨/公顷进行分级所得的数值,由低到高用0~9来表示,0代表0,9代表225吨/公顷。通过潜势分布图,对待预测区域林场中的林火行为潜势进行预测。
以上所述是本发明的优选实施方式,应当指出,本发明并不受限于以上所公开的示范性实施例,说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,在本发明揭露的技术范围做出的若干改进和润饰、可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于多源数据融合的林火行为潜势预测方法,其特征在于,所述林火行为潜势预测方法包括如下步骤:
步骤S1,将机载高光谱遥感数据进行预处理后,对待预测区域的可燃物进行类型识别;
步骤S2,根据机载高光谱遥感数据的红光波段和近红外波段数据,估算待预测区域的植被覆盖度;
步骤S3,对机载高光谱遥感数据的中心波长为0.86μm的近红外波段的反射率值进行修正,并根据修正后的近红外波段的反射率数据和中心波长为2.10μm的短波红外波段的反射率数据,反演估算待预测区域的植被冠层含水率;
步骤S4,根据激光雷达点云数据,反演待预测区域植被垂直结构;
步骤S5,根据森林资源规划调查数据,获得各森林资源经营管理单位的小班因子;
步骤S6,根据样地调查数据,获得地表可燃物信息;
步骤S7,利用识别的可燃物类型、计算的植被覆盖度、植被冠层含水率、植被垂直结构、小班因子及地表可燃物信息,以小班为单位建立可燃物属性数据表;
步骤S8,根据所述可燃物属性数据表,生成地表火行为潜势指标、树冠火行为潜势指标和有效可燃物潜势指标;
步骤S9,将待预测区域林场尺度的地表火行为潜势、树冠火行为潜势和有效可燃物潜势指标,输入地理信息系统,以小班为单位分别将所述三种指标制作为空间分布图;
步骤S10,根据所述三种指标及空间分布图,对待预测区域林场的林火行为潜势进行预测。
2.根据权利要求1所述的基于多源数据融合的林火行为潜势预测方法,其特征在于,所述步骤S1对待预测区域的可燃物进行类型识别,利用预处理后的机载高光谱遥感数据,用支持向量机的分类方法,参考国内外森林可燃物遥感分类体系,结合待预测区域的特点,制定分类体系;再按制定的分类体系分类得到待预测林场区域内现有可燃物类型及覆盖分布图。
3.根据权利要求1所述的基于多源数据融合的林火行为潜势预测方法,其特征在于,所述步骤S2中估算植被覆盖度时,首先按式(1)计算归一化植被指数,再采用像元二分法,利用式(2)计算得到植被覆盖度;
式(1)中,NDVI为归一化植被指数,Rnir为近红外波段的反射率,Rred为红光波段的反射率;
式(2)中,VFC为植被覆盖度;NDVIsoil代表完全是裸土或无植被覆盖区域的像元的NDVI值,NDVIveg代表完全被植被所覆盖的像元的NDVI值,并分别通过式(3)和(4)计算:
式(3)和(4)中,NDVImax和NDVImin分别为最大和最小的NDVI值;VFCmax、VFCmin分别取100%和0%。
5.根据权利要求1所述的基于多源数据融合的林火行为潜势预测方法,其特征在于,步骤S4中所述反演待预测区域植被垂直结构,进一步包括:
步骤S41,对所述激光雷达点云数据进行预处理;
步骤S42,采用数字高程模型DEM数据对预处理后的激光雷达点云数据进行归一化,去除地形对植被的影响,使植被点的高度值为相对于地面的高度值;
步骤S43,根据归一化后的雷达点云数据生成树冠高度模型;
步骤S44,基于森林资源规划调查数据,结合所述步骤S1中得到的可燃物类型和步骤S2中的植被覆盖度,生成以小班为森林资源经营管理单位的植被垂直结构。
6.根据权利要求5所述的基于多源数据融合的林火行为潜势预测方法,其特征在于,所述以小班为森林资源经营管理单位的植被垂直结构,包括各小班优势树种的平均高、冠高和枝下高。
7.根据权利要求1所述的基于多源数据融合的林火行为潜势预测方法,其特征在于,所述可燃物属性数据表,包括以下数据项:优势树种类型、平均树高、平均胸径、乔木覆盖度、优势树种的覆盖度、针阔叶树覆盖度百分比、灌木类型、灌木覆盖度、灌木平均高度、草本类型、草本覆盖度、枯枝落叶厚度、腐殖质厚度。
8.根据权利要求1所述的基于多源数据融合的林火行为潜势预测方法,其特征在于,步骤S10中:
根据所述三种指标对待预测区域林场的林火行为潜势进行预测,将上述三种指标值由低到高划分为0~9级,其中地表火行为潜势、树冠火行为潜势指标的0代表几乎不可能发生,9代表极易发生;有效可燃物潜势指标的0代表可燃物生物量为0吨/公顷,9代表可燃物生物量为225吨/公顷;
根据所述空间分布图对待预测区域林场的林火行为潜势进行预测,空间分布图通过分级分色方式绘制,通过各分色所代表的级别,预测潜势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011609124.1A CN112633588B (zh) | 2020-12-30 | 2020-12-30 | 一种基于多源数据融合的林火行为潜势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011609124.1A CN112633588B (zh) | 2020-12-30 | 2020-12-30 | 一种基于多源数据融合的林火行为潜势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633588A CN112633588A (zh) | 2021-04-09 |
CN112633588B true CN112633588B (zh) | 2021-08-06 |
Family
ID=75286600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011609124.1A Active CN112633588B (zh) | 2020-12-30 | 2020-12-30 | 一种基于多源数据融合的林火行为潜势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633588B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190556B (zh) * | 2021-05-06 | 2024-03-29 | 中国科学技术大学 | 森林地表可燃物数据库的建立方法、系统、介质及设备 |
CN113506431B (zh) * | 2021-06-30 | 2022-09-23 | 南京森林警察学院 | 一种基于多平台的森林草原火险监测预警方法和装置 |
CN113762383B (zh) * | 2021-09-07 | 2024-04-05 | 甘肃中星鸿图科技有限公司 | 一种基于多源数据的植被指数融合方法 |
CN114038149A (zh) * | 2021-11-09 | 2022-02-11 | 北京林业大学 | 一种火险3s&3d实景智能区划方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065045A (zh) * | 2012-12-21 | 2013-04-24 | 浙江农林大学 | 耦合气象与植被的森林火险预报方法 |
CN110379113A (zh) * | 2019-06-28 | 2019-10-25 | 北京中科锐景科技有限公司 | 一种基于卫星遥感数据森林火灾预警的方法 |
CN110378925A (zh) * | 2019-06-17 | 2019-10-25 | 成都理工大学 | 一种机载LiDAR和多光谱遥感技术的生态水储量估算方法 |
CN111678871A (zh) * | 2020-06-16 | 2020-09-18 | 中国气象科学研究院 | 一种非生长季植被覆盖度遥感估算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050104771A1 (en) * | 2003-09-17 | 2005-05-19 | Spectrotech, Inc. | Airborne imaging spectrometry system and method |
-
2020
- 2020-12-30 CN CN202011609124.1A patent/CN112633588B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065045A (zh) * | 2012-12-21 | 2013-04-24 | 浙江农林大学 | 耦合气象与植被的森林火险预报方法 |
CN110378925A (zh) * | 2019-06-17 | 2019-10-25 | 成都理工大学 | 一种机载LiDAR和多光谱遥感技术的生态水储量估算方法 |
CN110379113A (zh) * | 2019-06-28 | 2019-10-25 | 北京中科锐景科技有限公司 | 一种基于卫星遥感数据森林火灾预警的方法 |
CN111678871A (zh) * | 2020-06-16 | 2020-09-18 | 中国气象科学研究院 | 一种非生长季植被覆盖度遥感估算方法 |
Non-Patent Citations (4)
Title |
---|
Exploiting the power law distribution properties of satellite fire radiative power retrievals: a method to estimate fire radiative energy and biomass burned from sparse satellite observations;S. S. Kumar,et al;《Journal of Geophysical Research: Atmospheres》;20111016;第116卷(第D19期);D19303:1-18页 * |
中国林火卫星遥感预警监测技术研究进展;覃先林 等;《遥感学报》;20200525;第24卷(第5期);第511-520页 * |
南宁老虎岭松栎公益林的火潜势评估;黄小荣 等;《生态学杂志》;20140315;第33卷(第3期);第602-610页 * |
基于激光雷达和高光谱遥感的森林单木关键参数提取;赵旦;《中国博士学位论文全文数据库 农业科技辑》;20121115(第11期);第D049-41页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112633588A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633588B (zh) | 一种基于多源数据融合的林火行为潜势预测方法 | |
Chong et al. | A review of remote sensing applications for oil palm studies | |
Wulder et al. | Estimating time since forest harvest using segmented Landsat ETM+ imagery | |
Nagendra et al. | Remote sensing for conservation monitoring: Assessing protected areas, habitat extent, habitat condition, species diversity, and threats | |
Clawges et al. | The use of airborne lidar to assess avian species diversity, density, and occurrence in a pine/aspen forest | |
Olsson et al. | A new invasive insect in Sweden–Physokermes inopinatus: tracing forest damage with satellite based remote sensing | |
del-Campo-Sanchez et al. | Quantifying the effect of Jacobiasca lybica pest on vineyards with UAVs by combining geometric and computer vision techniques | |
CN114821349B (zh) | 顾及谐波模型系数和物候参数的森林生物量估算方法 | |
Li et al. | High-throughput switchgrass phenotyping and biomass modeling by UAV | |
Quan et al. | Application of Landsat ETM+ and OLI data for foliage fuel load monitoring using radiative transfer model and machine learning method | |
Arkin et al. | Integrated fire severity–land cover mapping using very-high-spatial-resolution aerial imagery and point clouds | |
Montzka et al. | Sentinel-2 analysis of spruce crown transparency levels and their environmental drivers after summer drought in the Northern Eifel (Germany) | |
Ahlström et al. | Primary productivity of managed and pristine forests in Sweden | |
Zhou et al. | A framework for precisely thinning planning in a managed pure Chinese fir forest based on UAV remote sensing | |
Kukkonen et al. | Volumes by tree species can be predicted using photogrammetric UAS data, Sentinel-2 images and prior field measurements | |
Wang et al. | Mapping of ESA-CCI land cover data to plant functional types for use in the CLASSIC land model | |
Gebreslasie et al. | Estimating plot-level forest structural attributes using high spectral resolution ASTER satellite data in even-aged Eucalyptus plantations in southern KwaZulu-Natal, South Africa | |
Shah et al. | Monitoring carbon stock changes in Solan Forest Division of Indian Western Himalayas | |
Watt et al. | Applying satellite imagery for forest planning | |
de Freitas Bussinguer et al. | Understanding the Spatio-Temporal Behavior of Sentinel-1 SAR Vegetation Indices over the Brazilian Savanna | |
Luber et al. | UAVs for monitoring responses of regenerating forests under increasing climate change-driven droughts-a review | |
Wang et al. | Estimating canopy cover in artificial forests using high spatial resolution GF-1 and ZY-3 images: across-sensor and across-site comparison | |
Jakubauskas et al. | Regression‐based estimation of lodgepole pine forest age from Landsat Thematic Mapper data | |
Musananguro et al. | The Fast Track Land Reform Programme and its effect on the loss of forests: the case of the Mafungabusi Forest Reserve in Zimbabwe | |
Osorio-Castiblanco | Biomass and bioethanol production of the shrub Ulex europaeus (Fabaceae) estimated with remote sensor imagery in the Andean paramos |
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 |