CN115631416A - 一种基于modis燃烧数据产品的火灾足迹提取方法 - Google Patents
一种基于modis燃烧数据产品的火灾足迹提取方法 Download PDFInfo
- Publication number
- CN115631416A CN115631416A CN202211345390.7A CN202211345390A CN115631416A CN 115631416 A CN115631416 A CN 115631416A CN 202211345390 A CN202211345390 A CN 202211345390A CN 115631416 A CN115631416 A CN 115631416A
- Authority
- CN
- China
- Prior art keywords
- fire
- combustion
- data
- jenks
- pixels
- 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.)
- Pending
Links
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 57
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000011835 investigation Methods 0.000 claims abstract description 6
- 230000000873 masking effect Effects 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000012502 risk assessment Methods 0.000 abstract 1
- 239000000047 product Substances 0.000 description 17
- 238000011160 research Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012732 spatial analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004177 carbon cycle Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004172 nitrogen cycle Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于MODIS燃烧数据产品的火灾足迹提取方法，属于遥感技术领域，包括如下步骤：获取MODIS遥感产品中的燃烧数据MCD64A1、土地覆盖类型数据MCD12Q1，并对其进行预处理；采用Jenks自然间断点分类法将每年燃烧像元的日期信息划分为三个频率的火灾期；利用DBSCAN算法，根据每个火灾期像元点的空间位置对燃烧像元进行聚类，提取火灾足迹，获取Jenks‑DBSCAN聚类模型；利用土地覆盖类型数据MCD12Q1，对提取的火灾足迹进行掩膜，去除非可燃像元后，与实地调查得到的火灾事件信息比较，检验模型的准确性，对火灾足迹进行空间分布制图。本发明提供了一种基于MODIS遥感影像燃烧像元的火灾足迹提取方法，结果精度更高，提高了火灾风险的评估、森林火灾管理的准确性和有效性。
Description
技术领域
本发明属于遥感技术领域，具体涉及一种基于MODIS燃烧数据产品的火灾足迹提取方法。
背景技术
野火作为森林生态系统释放碳的最大潜在机制之一，在决定森林生态系统的功能和结构方面发挥着关键作用。火灾的频率、范围和强度是区域生态系统演变的驱动因素，影响碳和氮循环以及能量平衡和气候变化。遥感技术具有大规模观测和多种时空分辨率的特点，能够有效地描述不同层次的地表过程，弥补火灾管理信息化和空间化方面统计数据的不足，为野火研究提供了有效的技术手段。中分辨率成像光谱仪(MODIS)由于具有时间分辨率高、空间分辨率中等的地表观测应用和可开放获取的优点，被广泛应用于火灾探测、火灾风险制图以及火灾后大范围植被恢复评估。目前普遍使用的基于卫星的全球烧伤面积产品之一是MCD64A1烧伤区域产品,其使用近每日MODIS地表反射率图像训练而来的MODIS主动火产品，该产品已经在世界的一些地区得到了广泛的验证，并且定期进行数据维护、更新。
火灾足迹涉及每个火灾事件的空间和时间信息。Winoto-Lewin等在2020年发表的文章通过在火灾足迹中进行随机点调查，确定了2019年1月和2月野火之后森林类型的植被再生、成熟、火灾发生率和火灾严重程度。French等在2016年发表的文章调查了火灾足迹和邻近管理区的烧伤情况，以调查野火严重情况的驱动因素。
基于密度的噪点空间聚类算法(DBSCAN)是一种常用的聚类方法，以其识别任意形状的群组和处理带噪声数据集的能力而被广泛应用。例如，Artes等在2019年发表的文章使用DBSCAN算法对2002-2003年印尼加里曼丹岛和南苏门答腊省的热点数据进行聚类。Kristianto等在2020年发表的文章利用地表温度数据和地方机构统计数据对当地火灾高危区进行聚类。Sheng等提出了一种基于DBSCAN和卷积神经网络的火焰和烟雾模式识别方法。Vatresia等提出了一种利用DBSCAN对2016-2018年苏拉威西岛热点数据进行时空聚类的方法。Usman等基于DBSCAN聚类算法，研究了2002-2013年苏门答腊岛热点数据的分布模式。
Jenks自然间断点分类法(以下简称Jenks)，是一种用于确定将值分成不同类别的最佳排列的分类方法。以往的研究证明，Jenks对地理环境单元划分具有良好的适应性和较高的准确性。Jaafari等在2019年发表的文章使用Jenks方法对火灾风险的概率值进行分类并生成了五类不同野火发生等级的分布图。Anchang等在2016年发表的文章通过结合Jenks方法和聚合层次聚类(AHC)算法，提出了一种基于IKONOS图像的有效城市植被制图方法。
但是上述方法仍然存在的一定的缺陷：
1)大多数野火相关的研究需要适当的火灾数据来协助完善，常用的火灾数据通常基于像元位置来进行信息统计，而非一场火灾事件本身。由于没有充分利用遥感技术的大尺度监测，使得在大范围区域内对具体、独立的火灾事件的研究变得困难，同时也会遗漏一些重要信息；
2)现阶段，火灾足迹信息的获取仍要依赖于对火灾发生后留下火烧迹地进行实地调查，费时费力，很难在大范围和偏远地区实施，对燃烧不够剧烈从而留下明显痕迹的火灾事件容易遗漏，进而造成火灾足迹信息的丢失和不准确；
3)现阶段，提取火灾足迹的相关研究已有很多，但基于带有时间属性的燃烧像元提取火灾足迹的研究还很少；
4)单一的DBSCAN算法聚类火灾事件时，因其算法特性导致处理数据量大的任务具有执行速度慢、对参数的选择非常敏感的缺点。
发明内容
针对现有技术存在的上述问题，本发明提供一种基于MODIS燃烧数据产品的火灾足迹提取方法。
为了解决上述技术问题，本发明所采用的技术方案如下：
一种基于MODIS燃烧数据产品的火灾足迹提取方法，包括如下步骤：
步骤一、获取MODIS遥感产品中的燃烧数据MCD64A1、土地覆盖类型数据MCD12Q1，并对其进行预处理；
步骤二、利用Jenks自然间断点分类法，对步骤一中预处理后的燃烧数据MCD64A1进行逐年的火灾期分类，将每年被烧毁像元点的日期分成高频火灾期、中频火灾期和低频火灾期三个时期；
步骤三、利用DBSCAN算法，根据所述步骤二中不同时期中像元点的空间位置对燃烧影像进行聚类，提取火灾足迹，获得Jenks-DBSCAN模型，并使用轮廓系数和噪声比对Jenks-DBSCAN聚类模型的性能进行评价；
步骤四、利用步骤一中预处理后的土地覆盖类型数据MCD12Q1，对步骤三提取的火灾足迹进行掩膜，去除非可燃像元，同时根据步骤三提取的火灾足迹所涵盖像元的燃烧日属性，得到每次火灾发生时间、持续燃烧时间的信息；
步骤五、将步骤四中去除非可燃像元后的火灾足迹面积、发生时间与实地调查得到的火灾事件信息比较，检验Jenks-DBSCAN聚类模型准确性，并对火灾足迹进行空间分布制图。
进一步的，所述步骤一中预处理，具体为：
对所述燃烧数据MCD64A1、土地覆盖类型数据MCD12Q1中的原始分层数据HDF进行格式转换、重投影和图像拼接操作，并提取所需信息所在的数据层。
进一步的，所述步骤二的具体操作步骤如下：
1)计算分类结果中某一类数组的中所有燃烧像元儒略日值(Day of year，DOY)数据集的离差平方和SDAM，将数组表示为A，其平均值
为：
其中，n是数组A中元素的数量，Xi是第i个元素的DOY值；
2)得到断点组合后所有像元DOY值数据集分类的情况，并计算出每种组合下的类内离差平方和SDCM，选择其中最低的一种；将n个元素分成k个类，得到k个子集，其中一种情况为[X1X2…Xi]，[Xi+1Xi+2…Xj]，…[Xj+1Xj+2…Xn]，计算每个子集的总离差平方之和SDCMi，SDCMj,…,SDCMn，将其相加得到SDCM1：
SDCM1＝SDCMi+SDCMj+…+SDCMn
在其他组合划分为k类的情况下，可以用同样的方法连续计算SDCM2，…，SDCMCnk，并选择最小值作为最终结果SDCMmin；
3)计算每个类别的梯度方差拟合优度GVF：
GVFi值的范围从0到1，梯度越大，类别之间的差异越大；检验证明采用2)中的SDCMmin，梯度值最大时，可以得出当时的分组情况为Jenks自然断点法的分类结果最理想的结论；
4)使用基于ArcGIS软件中的栅格重分类工具实现Jenks算法，然后根据栅格计算器工具获得的断点值对燃烧数据MCD64A1中每年的燃烧像元DOY值进行重新分类，并保留每个燃烧像元的空间信息，得到三个时期的燃烧图；通过对分类后每年三幅燃烧数据像元数量进行排序，从高到低将三幅燃烧数据标记为高频火灾期、中频火灾期和低频火灾期。
进一步的，所述步骤三中具体操作步骤如下：
1)使用k-距离图找到曲线急剧变化的临界点，以确定最适宜的Eps参数；k-距离图是计算每个数据对象离它最近的第k个数据对象的距离,然后将此距离序列降序排列,绘制成的一个折线图。横坐标代表第k邻近距离排序后的目标序列号,纵轴代表横轴序列目标所对应的k-距离。通过对折线斜率发生最大变换时的目标点位置进行观察，确定拐点，将拐点所对应的k-距离值设置为待聚类模型的Eps参数；
2)利用最小聚类距离Eps找到每个点的邻域；
3)将MinPts设置为4，识别那些邻域内的点多于最少火点聚类个数MinPts的核心点p；
4)对于非核心点的样本b，若b在任意核心点p的Eps邻域内，就认为样本b为边界点；对于非核心点的样本n，若n不在任意核心点p的Eps邻域内，就认为样本n是噪声点；
5)对样本中未标记的点逐个进行识别，直到所有点都被聚为一类，或判定为噪声；
6)计算轮廓系数作为Jenks-DBSCAN聚类模型性能的评价指标：
其中，a(i)表示样本点的内聚力，即向量i与同一类A中其他点之间的相异程度的平均值；b(i)表示向量i与其他类之间相异程度平均值的最小值；S(i)即为表示聚类效果的轮廓系数，范围为[-1,1]；所有点轮廓系数的平均值即为聚类结果的总轮廓系数；
7)计算噪声比作为Jenks-DBSCAN聚类模型性能的评价指标，所述噪声比指被归类为噪声的燃烧像元与总燃烧像元的个数比。
进一步的，所述步骤五具体操作为：
1)利用当年相应的土地覆盖数据MCD12Q1，对使用Jenks-DBSCAN模型后的图像进行掩膜，去除土地覆盖中非可燃物的像元；
2)对于步骤三中利用DBSCAN算法获得的火灾足迹统计数据，以每个斑块中DOY最低的像元值作为火灾发生时间，转换为相应的月份日期，斑块中最高DOY与最低DOY的差值得到火灾的持续时间；以燃烧的像元数和空间分辨率计算火灾燃烧面积，计算决定系数(R2，coefficient of determination)反映实地调查的火灾面积与Jenks-DBSCAN聚类模型提取的火灾足迹面积匹配度：
其中，yi代表地面调查火灾面积的真实值；
代表模型提取火灾足迹面积的统计值；
代表真实值的均值；n代表样本个数，即火灾次数。
3)最后进行火灾足迹制图。
相比于现有技术，本发明的有益效果为：
(1)本发明结合DBSCAN聚类算法和Jenks分类法，开发了一种从含有燃烧日信息的MODIS遥感产品中提取火灾足迹的方法，本发明能够准确获取较大面积火灾事件的具体位置、火灾事件的确切发生时间和持续时间。
(2)本发明对于DBSCAN算法执行速度慢、对参数的选择非常敏感的缺点，通过Jenks算法对MCD64A1数据按燃烧像元的时间信息进行初始分组，划分得到每年三个的火灾发生频率期。再以此对不同时段火点数据进行聚类，降低算法的计算量，充分利用MODIS产品燃烧像元的时间信息，更好地区分相邻空间位置上的两个火灾足迹，避免将它们混为一个火灾事件。因Minpts被设定为4，而被DBSCAN算法判定为噪声的孤立燃烧像元，这些像元对应为燃烧面积相对较小的火灾事件(＜100公顷)，也是因为遥感产品存在不确定性的问题，可以排除许多由传感器误差和地面干扰带来的误检。
(3)本发明提出的Jenks-DBSCAN模型火灾足迹提取方法，不仅有助于系统地评估该地区火灾的燃烧机制，而且有助于制定防火和扑灭火灾的政策，以及对历史火灾事件的清查、火灾发生日期、持续燃烧时间的详细确定，更为对应的科研领域对于数据完整度的需求、政府防火管理和森林资源保护提供了重要技术支持。
附图说明
图1为本发明基于MODIS燃烧数据产品的火灾足迹提取方法的流程图；
图2为基于Jenks分类法对2003年大兴安岭部分地区火灾发生期分类结果图；
图3为DBSCAN聚类算法K-距离分布曲线；
图4为DBSCAN聚类算法概念示意图；
图5为Jenks-DBSCAN模型提取的2004年大兴安岭局部火灾事件与验证火点空间匹配；
图6为Jenks-DBSCAN模型提取的2003年大兴安岭部分地区火灾足迹空间分布制图与当地记录的火灾事件效果示意。
具体实施方式
下面结合具体实施例对本发明进一步进行描述。
本发明在现有火灾足迹提取方法的基础上，发展了一种如图1所示的基于MODIS燃烧数据产品的火灾足迹提取方法，即Jenks-DBSCAN模型。该模型充分考虑到DBSCAN聚类算法的特性，在此基础上利用Jenks分类法降低数据复杂度，弥补DBSCAN算法执行速度慢、对参数的选择非常敏感的缺点，提高火灾足迹的提取精度和效率。具体包括如下步骤：
1.数据获取和预处理
本实施例采用从美国地质调查局(USGS)网站下载的产品编号为h25v03和h26v03的500米分辨率MODIS数据产品。利用美国航空航天局EOSDIS提供的MODIS再投影工具(MRT)对原始分层数据格式(HDF)进行格式转换、再投影和图像拼接，再利用正弦投影(SIN)提取所需像元时间图层——Burn Date子集数据。
基于MCD64A1 Collection 6.0产品的空间分辨率为500米，每个烧毁像元对应的土地覆盖面积为25公顷，筛选火灾事件的记录中火灾面积大于25公顷的火灾事件用于验证。在ArcGIS软件中，以每个矢量点为中心，建立一个1km范围的缓冲区，用于确定模型判断结果和实际火灾事件记录的重合火灾事件。
2.利用Jenks自然间断点分类法，对火灾产品进行逐年的火灾期分类
基于ArcGIS软件，使用ArcMap Spatial Analyst Toolbox中的栅格重分类工具实现了Jenks算法。然后根据栅格计算器工具获得的断点值对MCD64A1每年的燃烧数据进行重新分类，保留每个燃烧像元的空间信息，每年在三个燃烧期的像元都被清楚地区分开来，最终得到三个时期的燃烧图，分别为：高频火灾期、中频火灾期和低频火灾期。图2展示了利用Jenks分类算法对2003年大兴安岭地区三个时期的火灾分类结果。图片显示，经过分类已经可以将空间位置临近的一些火烧斑块明显在三个时期初步区分，并很大程度保留了每个斑块的形态完整，不会对后续待聚类的数据准备造成干扰。
3.利用DBSCAN算法，对火灾足迹进行聚类。
结合Python的sklearn和GDAL库，实现对MODIS数据集的DBSCAN算法。图3和图4展示了DBSCAN聚类算法的原理。根据已有相关研究，将MinPts设置为4，在所有MinPts设置为4的情况下，构建k-距离图，以确定燃烧日期图像的Eps参数选择的拐点。在模型训练时可以通过对噪声比和轮廓系数的参照，获得更好的聚类效果预判。本发明测试得到的模型的噪声比均低于5％，轮廓系数均大于0.9。
4.利用MCD12Q1数据，去除非可燃像元，统计火灾足迹时间信息，同时检验模型准确度。
利用当年相对应的MCD12Q1土地覆盖数据，对使用Jenks-DBSCAN模型后的图像进行掩膜，去除非可燃像元。利用ArcMap Spatial Analyst Toolbox中的区域统计工具计算每个火灾足迹的像元个数，对应MODIS数据的空间分辨率转换计算该次火灾足迹相应的燃烧面积，将最低DOY值作为火灾发生时间，最高DOY与最低DOY的差值作为火灾持续时间。利用ArcMap将火灾足迹与中国科学院沈阳应用生态研究所提供的火灾事件报告的火点事件经纬度进行矢量化处理，并转换投影信息，再空间叠加后进行比对，得出火灾足迹与火灾事件报告的空间匹配度，和聚类模型的对火灾面积和火灾时间提取准确度。
图5展示了模型提取的局部火灾事件与验证火灾空间匹配，Jenks-DBSCAN模型提取火灾足迹在时空域的总体准确率达到了80％；对空间上匹配的火灾足迹统计得到的火烧面积与当地报告提供的火灾面积进行验证，利用能反映实地调查的火灾事件面积与模型提取的火灾足迹像元统计转换面积之间的决定系数R2来评价Jenks-DBSCAN模型对火灾足迹提取效果的准确度，R2为0.91。
图6为Jenks-DBSCAN模型提取的2003年大兴安岭部分地区火灾足迹空间分布制图与当地记录的火灾事件效果示意，结果表明：Jenks-DBSCAN模型提取的2003年大兴安岭部分地区火灾足迹与当地机构记录的火灾事件匹配程度都能直观显示对应程度。其中，对于2003年黑龙江省大兴安岭“3·19”草甸森林大火也能比较完整的提取，模型结果火灾足迹与机构记录提供的多个火点都能在空间上匹配。
本发明在现有火灾提取模型基础上，发展了一种基于MODIS遥感影像燃烧像元的火灾足迹提取方法，根据时空背景下的火灾情况适应性地选取建模参数，使提取的火灾足迹结果精度更高，提高了火灾风险的评估及森林火灾管理的准确性和有效性，火灾足迹可作为区域火灾记录构建的一个重要补充，可以完善更加丰富、准确的火灾信息。
Claims (5)
1.一种基于MODIS燃烧数据产品的火灾足迹提取方法，其特征在于，包括如下步骤：
步骤一、获取MODIS遥感产品中的燃烧数据MCD64A1、土地覆盖类型数据MCD12Q1，并对其进行预处理；
步骤二、利用Jenks自然间断点分类法，对步骤一中预处理后的燃烧数据MCD64A1进行逐年的火灾期分类，将每年被烧毁像元点的日期分成高频火灾期、中频火灾期和低频火灾期三个时期；
步骤三、利用DBSCAN算法，根据所述步骤二中不同时期中像元点的空间位置对燃烧影像进行聚类，提取火灾足迹，获得Jenks-DBSCAN模型，并使用轮廓系数和噪声比对Jenks-DBSCAN聚类模型的性能进行评价；
步骤四、利用步骤一中预处理后的土地覆盖类型数据MCD12Q1，对步骤三提取的火灾足迹进行掩膜，去除非可燃像元，同时根据步骤三提取的火灾足迹所涵盖像元的燃烧日属性，得到每次火灾发生时间、持续燃烧时间的信息；
步骤五、将步骤四中去除非可燃像元后的火灾足迹面积、发生时间与实地调查得到的火灾事件信息比较，检验所述Jenks-DBSCAN聚类模型的准确性，并对火灾足迹进行空间分布制图。
2.根据权利要求1所述的基于MODIS燃烧数据产品的火灾足迹提取方法，其特征在于，所述步骤一中预处理，具体为：
对所述燃烧数据MCD64A1、土地覆盖类型数据MCD12Q1中的原始分层数据HDF进行格式转换、重投影和图像拼接操作，并提取所需信息所在的数据层。
3.根据权利要求2所述的基于MODIS燃烧数据产品的火灾足迹提取方法，其特征在于，所述步骤二的具体操作步骤如下：
1)计算分类结果中某一类数组的中所有燃烧像元儒略日值数据集的离差平方和SDAM，将数组表示为A，其平均值
为：
其中，n是数组A中元素的数量，Xi是第i个元素的DOY值；
2)得到断点组合后所有像元DOY值数据集分类的情况，并计算出每种组合下的类内离差平方和SDCM，选择其中最低的一种；将n个元素分成k个类，得到k个子集，其中一种情况为[X1X2…Xi]，[Xi+1Xi+2…Xj]，…[Xj+1Xj+2…Xn]，计算每个子集的总离差平方之和SDCMi，SDCMj,…,SDCMn，将其相加得到SDCM1：
SDCM1＝SDCMi+SDCMj+…+SDCMn
在其他组合划分为k类的情况下，可以用同样的方法连续计算SDCM2，…，
并选择最小值作为最终结果SDCMmin；
3)计算每个类别的梯度方差拟合优度GVF：
GVFi值的范围从0到1，梯度越大，类别之间的差异越大；检验证明采用2)中的SDCMmin，梯度值最大时，可以得出当时的分组情况为Jenks自然断点法的分类结果最理想的结论；
4)使用基于ArcGIS软件中的栅格重分类工具实现Jenks算法，然后根据栅格计算器工具获得的断点值对燃烧数据MCD64A1中每年的燃烧像元DOY值进行重新分类，并保留每个燃烧像元的空间信息，得到三个时期的燃烧图；通过对分类后每年三幅燃烧数据像元数量进行排序，从高到低将三幅燃烧数据标记为高频火灾期、中频火灾期和低频火灾期。
4.根据权利要求3所述的基于MODIS燃烧数据产品的火灾足迹提取方法，其特征在于，步骤三，具体操作步骤如下：
1)使用k-距离图找到曲线急剧变化的临界点，以确定最适宜的Eps参数。
2)利用最小聚类距离Eps找到每个点的邻域；
3)将MinPts设置为4，识别那些邻域内的点多于最少火点聚类个数MinPts的核心点p；
4)对于非核心点的样本b，若b在任意核心点p的Eps邻域内，就认为样本b为边界点；对于非核心点的样本n，若n不在任意核心点p的Eps邻域内，就认为样本n是噪声点；
5)对样本中未标记的点逐个进行识别，直到所有点都被聚为一类，或判定为噪声；
6)计算轮廓系数作为Jenks-DBSCAN聚类模型性能的评价指标：
其中，a(i)表示样本点的内聚力，即向量i与同一类A中其他点之间的相异程度的平均值；b(i)表示向量i与其他类之间相异程度平均值的最小值；S(i)即为表示聚类效果的轮廓系数，范围为[-1,1]；所有点轮廓系数的平均值即为聚类结果的总轮廓系数；
7)计算噪声比作为Jenks-DBSCAN聚类模型性能的评价指标，所述噪声比指被归类为噪声的燃烧像元与总燃烧像元的个数比；并根据k-距离图逐个确定由步骤二得到的三个频段火灾期相应的Eps值，对逐年逐区的燃烧像元进行聚类。
5.根据权利要求4所述的基于MODIS燃烧数据产品的火灾足迹提取方法，其特征在于，步骤五，具体为：
1)利用当年相应的土地覆盖数据MCD12Q1，对使用Jenks-DBSCAN模型后的图像进行掩膜，去除土地覆盖中非可燃物的像元；
2)对于步骤三中利用DBSCAN算法获得的火灾足迹统计数据，以每个斑块中DOY最低的像元值作为火灾发生时间，转换为相应的月份日期，斑块中最高DOY与最低DOY的差值得到火灾的持续时间；以燃烧的像元数和空间分辨率计算火灾燃烧面积，计算决定系数R2反映实地调查的火灾面积与所述Jenks-DBSCAN聚类模型提取的火灾足迹面积匹配度：
其中，yi代表地面调查火灾面积的真实值；
代表模型提取火灾足迹面积的统计值；
代表真实值的均值；n代表样本个数，即火灾次数；
3)最后进行火灾足迹制图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211345390.7A CN115631416A (zh) | 2022-10-31 | 2022-10-31 | 一种基于modis燃烧数据产品的火灾足迹提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211345390.7A CN115631416A (zh) | 2022-10-31 | 2022-10-31 | 一种基于modis燃烧数据产品的火灾足迹提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115631416A true CN115631416A (zh) | 2023-01-20 |
Family
ID=84909065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211345390.7A Pending CN115631416A (zh) | 2022-10-31 | 2022-10-31 | 一种基于modis燃烧数据产品的火灾足迹提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115631416A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116362549A (zh) * | 2023-05-22 | 2023-06-30 | 北京航天常兴科技发展股份有限公司 | 一种基于数据信息挖掘技术的火灾防控方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106326923A (zh) * | 2016-08-23 | 2017-01-11 | 福州大学 | 一种顾及位置重复和密度峰值点的签到位置数据聚类方法 |
| CN108955647A (zh) * | 2018-07-25 | 2018-12-07 | 暨南大学 | 基于无人机的火场定位方法及系统 |
| CN109753936A (zh) * | 2019-01-09 | 2019-05-14 | 太原师范学院 | 一种基于多源遥感数据的森林火灾火烧迹地提取方法 |
| CN110021018A (zh) * | 2019-04-12 | 2019-07-16 | 电子科技大学 | 一种基于遥感数据提取森林火灾足迹的方法 |
| CN110135351A (zh) * | 2019-05-17 | 2019-08-16 | 东南大学 | 基于城市建筑空间数据的建成区边界识别方法及设备 |
| CN110414861A (zh) * | 2019-08-05 | 2019-11-05 | 黄宝华 | 一种基于能量平衡原理的草地火险评估方法 |
| CN110555544A (zh) * | 2019-07-16 | 2019-12-10 | 广东工业大学 | 一种基于gps导航数据的交通需求估计方法 |
| CN111752990A (zh) * | 2020-06-09 | 2020-10-09 | 贵州省气象灾害防御技术中心 | 一种雷电易发性等级划分方法 |
| CN113361622A (zh) * | 2021-06-21 | 2021-09-07 | 广东电网有限责任公司 | 一种基于静止卫星的过火区提取方法及系统 |
-
2022
- 2022-10-31 CN CN202211345390.7A patent/CN115631416A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106326923A (zh) * | 2016-08-23 | 2017-01-11 | 福州大学 | 一种顾及位置重复和密度峰值点的签到位置数据聚类方法 |
| CN108955647A (zh) * | 2018-07-25 | 2018-12-07 | 暨南大学 | 基于无人机的火场定位方法及系统 |
| CN109753936A (zh) * | 2019-01-09 | 2019-05-14 | 太原师范学院 | 一种基于多源遥感数据的森林火灾火烧迹地提取方法 |
| CN110021018A (zh) * | 2019-04-12 | 2019-07-16 | 电子科技大学 | 一种基于遥感数据提取森林火灾足迹的方法 |
| CN110135351A (zh) * | 2019-05-17 | 2019-08-16 | 东南大学 | 基于城市建筑空间数据的建成区边界识别方法及设备 |
| CN110555544A (zh) * | 2019-07-16 | 2019-12-10 | 广东工业大学 | 一种基于gps导航数据的交通需求估计方法 |
| CN110414861A (zh) * | 2019-08-05 | 2019-11-05 | 黄宝华 | 一种基于能量平衡原理的草地火险评估方法 |
| CN111752990A (zh) * | 2020-06-09 | 2020-10-09 | 贵州省气象灾害防御技术中心 | 一种雷电易发性等级划分方法 |
| CN113361622A (zh) * | 2021-06-21 | 2021-09-07 | 广东电网有限责任公司 | 一种基于静止卫星的过火区提取方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| JULIUS Y ANCHANG 等: ""An efficient unsupervised index based approach for mapping urbanvegetation from IKONOS imagery"", 《ELSEVIER》, 9 April 2016 (2016-04-09), pages 211 - 220, XP029516480, DOI: 10.1016/j.jag.2016.04.001 * |
| YANXU LIU 等: ""Landscape functional zoning at a county level based on ecosystem services bundle: Methods comparison and management indication"", 《ELSEVIER》, 20 August 2019 (2019-08-20), pages 1 - 11 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116362549A (zh) * | 2023-05-22 | 2023-06-30 | 北京航天常兴科技发展股份有限公司 | 一种基于数据信息挖掘技术的火灾防控方法 |
| CN116362549B (zh) * | 2023-05-22 | 2023-08-04 | 北京航天常兴科技发展股份有限公司 | 一种基于数据信息挖掘技术的火灾防控方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hermosilla et al. | Regional detection, characterization, and attribution of annual forest change from 1984 to 2012 using Landsat-derived time-series metrics | |
| Thomas et al. | Validation of North American forest disturbance dynamics derived from Landsat time series stacks | |
| Dorren et al. | Improved Landsat-based forest mapping in steep mountainous terrain using object-based classification | |
| Garbarino et al. | Gap disturbances and regeneration patterns in a Bosnian old-growth forest: a multispectral remote sensing and ground-based approach | |
| Fraser et al. | Estimating fire-related parameters in boreal forest using SPOT VEGETATION | |
| Bunce et al. | ITE Merlewood land classification of Great Britain | |
| Xue et al. | Phenology-driven land cover classification and trend analysis based on long-term remote sensing image series | |
| Walker et al. | An object-oriented approach to urban forest mapping in Phoenix | |
| Koltunov et al. | On timeliness and accuracy of wildfire detection by the GOES WF-ABBA algorithm over California during the 2006 fire season | |
| Stoler et al. | Assessing the utility of satellite imagery with differing spatial resolutions for deriving proxy measures of slum presence in Accra, Ghana | |
| Billmire et al. | Santa Ana winds and predictors of wildfire progression in southern California | |
| CN108898159B (zh) | 基于dbscan算法的虚假林火热点过滤方法 | |
| Kuhnell et al. | Mapping woody vegetation cover over the state of Queensland using Landsat TM imagery | |
| Lam | Methodologies for mapping land cover/land use and its change | |
| CN114005048A (zh) | 基于多时相数据的土地覆盖变化与热环境影响研究方法 | |
| CN115631416A (zh) | 一种基于modis燃烧数据产品的火灾足迹提取方法 | |
| Brivio et al. | Mapping burned surfaces in Sub-Saharan Africa based on multi-temporal neural classification | |
| Miele et al. | SAR data and field surveys combination to update rainfall-induced shallow landslide inventory | |
| Su et al. | An improved spatio-temporal clustering method for extracting fire footprints based on MCD64A1 in the Daxing’anling Area of north-eastern China | |
| Lei et al. | Merged dust climatology in Phoenix, Arizona based on satellite and station data | |
| Myint et al. | Categorizing natural disaster damage assessment using satellite-based geospatial techniques | |
| CN109993071A (zh) | 基于遥感影像的变色林木自动识别及调查的方法和系统 | |
| Su et al. | A novel framework for identifying causes of forest fire events using environmental and temporal characteristics of the ignition point in fire footprint | |
| Zhong et al. | A machine-learning approach for identifying dense-fires and assessing atmospheric emissions on the Indochina Peninsula, 2010–2020 | |
| Döner | Using Landsat data to determine land use/land cover changes in Gümüşhane, Turkey |
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 |