CN115791685A - 基于时间序列遥感影像的秸秆燃烧提取方法 - Google Patents
基于时间序列遥感影像的秸秆燃烧提取方法 Download PDFInfo
- Publication number
- CN115791685A CN115791685A CN202211462221.1A CN202211462221A CN115791685A CN 115791685 A CN115791685 A CN 115791685A CN 202211462221 A CN202211462221 A CN 202211462221A CN 115791685 A CN115791685 A CN 115791685A
- Authority
- CN
- China
- Prior art keywords
- pixels
- straw
- time
- remote sensing
- straw combustion
- 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
Links
- 239000010902 straw Substances 0.000 title claims abstract description 78
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 51
- 238000000605 extraction Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 230000003287 optical effect Effects 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 9
- 229920006395 saturated elastomer Polymers 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 4
- 230000005457 Black-body radiation Effects 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 13
- 230000005855 radiation Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于时间序列遥感影像的秸秆燃烧提取方法，包括准备Sentinel‑2MSI遥感光学影像，并构建时间序列波段数据集；采样分析；秸秆燃烧像元初步提取；时间序列检测噪声的剔除；在GEE云平台中将满足判定条件的像元标记为秸秆燃烧候选像元，并赋值为1，其余赋值为0，得到不同时间序列的候选目标的二值化影像，批量下载到本地；批量提取上述得到的二值化影像中值为1的栅格，并批量转为多边形对象；将同一时相的多边形文件进行合并融合，之后计算矢量多边形的质心，得到质心点文件等步骤。本发明使用长时间、较大空间覆盖范围的光学影像数据，利用一种新型的秸秆燃烧热异常检测算法，实现了较大空间尺度上的秸秆燃烧的准确提取。
Description
技术领域
本发明涉及遥感地学应用技术领域，尤其涉及一种监测能力强、准确识别燃烧位置的基于时间序列遥感影像的秸秆燃烧提取方法。
背景技术
目前，秸秆利用主要包括肥料化、饲料化、基料化、能源化、原料化等方式。但是受到农田集约化程度低、多种农作物秸秆利用项目的经济效益低下、农户认知程度不足等因素的影响，每年仍然有大量的秸秆资源得不到合理的利用，在一些地区的乡镇和城郊，由于燃料结构改变、化肥广泛使用等原因，秸秆的剩余进一步加剧，而剩余的秸秆大多被焚烧处理。秸秆燃烧不仅造成了资源浪费和环境污染，火点还容易逃窜到其附近的森林，带来了严重的火灾隐患。虽然中国各级政府通过一系列政策加强了对秸秆燃烧的监测和管控，但秸秆燃烧主要分散在乡县、村镇田地，燃烧时间短，火点分散，给传统的人工检查统计造成了困难和挑战。
卫星遥感技术具有宏观、快速、动态等特点，利用卫星遥感技术，动态地在大面积范围内快速获取火点位置、数目、分布情况以及焚烧烟雾特征等信息，可以弥补传统人工监测的缺陷。虽然国际上已有的低分辨率的火点产品，例如VIIRSActive Fire(375m)，MODISActive fire(1km)等，有很高的时间分辨率，但是由于其低的空间分辨率，难以识别类似于秸秆燃烧这样瞬时、分散、微小的热异常，而且由于遥感影像复杂的成像条件和背景下垫面会产生大量的检测噪声，因此需要寻找一种对秸秆燃烧的监测能力强，可以快速准确地识别出秸秆燃烧位置的方法。
发明内容
发明目的：本发明的目的是提供一种监测能力强、准确识别燃烧位置的基于时间序列遥感影像的秸秆燃烧提取方法。
技术方案：本发明包括如下步骤：
(1)准备Sentinel-2 MSI遥感光学影像，并构建时间序列波段数据集；
(2)采样分析；
(3)秸秆燃烧像元初步提取；
(4)时间序列检测噪声的剔除；
(5)在GEE云平台中将满足全部判别条件的像元标记为秸秆燃烧候选像元，并赋值为1，其余赋值为0，得到不同时间序列的候选目标的二值化影像，批量下载到本地；
(6)批量提取上述得到的二值化影像中值为1的栅格，并批量转为多边形对象；
(7)将同一时相的多边形文件进行合并，并对合并后的数据进行融合，之后计算矢量多边形的质心，得到质心点文件；
(8)将单时相得到的二值化图像在时间序列上进行累加，并切割出检测频次大于2的像元，得到高反射物体掩膜，并排除落在掩膜上的质心点；
(9)根据来源于GHS的建设用地数据，去除位于建设用地内的质心点；
(10)根据数据处理得到秸秆燃烧数据集，并通过目视识别的方法，对提取的秸秆燃烧进行精度评价；
(11)对得到的秸秆燃烧质心点文件采用PLANAR方法进行核密度分析，得到秸秆燃烧空间分布图集。
进一步地，所述步骤(1)时间序列波段包括波段7，波段8A，波段11和波段12，波段数据集中的秸秆燃烧样本点是通过目视解译获得，Sentinel的近红外和短波红外波段的空间分辨率为20m。
进一步地，所述步骤(2)包括：
(21)基于普朗克函数及秸秆燃烧在MSI影像中与其他地物光谱特征的波段差异度，利用远短波红外和近短波红外的反射率差来表示火焰的发射贡献，然后将其与近红外的反射率的比值来区分火像素，构建了一种创新的秸秆燃烧检测指数BI，BI＝(ρfar-SWIR-ρnear-SWIR)/ρNIR，其中ρfar-SWIR是波段B12，ρnear-SWI是波段B11，ρNIR是波段B8A；
(22)目视解译选取遥感影像中32个秸秆燃烧位置作为样本点，应用上下文分析法，在ArcGIS中利用
将火像元样本对象从BI图像中分割出来，其中BIfire代表分割出的秸秆燃烧像元对象，
和σ(BI)radius(15)分别是对BI图像以半径为15个像元的滑动圆形窗口进行平均值和标准差的计算；
(23)对上下文分析法切割出来的像元进行采样分析，发现BI≥0.45时，可以有效秸秆燃烧像元，利用Matlab的scatter函数制作散点密度图。
进一步地，所述步骤(22)上下文分析法是指对BI图像以半径为15个像元的滑动圆形窗口进行平均值和标准差的计算。
进一步地，所述步骤(3)包括：
(31)基于GEE平台和Sentinel-2 MSI光学影像，提取指标BI≥0.45的像元，在此基础上进一步设定条件B12≥0.15进行约束；
(32)基于普朗克黑体辐射函数逆函数对波段12、波段11、波段8A的饱和温度进行估算；
(33)在步骤(31)提取结果基础上进一步提取B12＞B11并且B12＞1的饱和像元，以及B11/B8A＞2并且B11＞1的高辐射像元；
(34)若饱和像元和高辐射像元的八领域存在步骤(33)提取结果的像元，则将其加入步骤(33)的提取结果中，否则视为噪声进行剔除。
进一步地，所述步骤(32)B12波段的饱和温度为560～580K，B11的饱和温度为730～750K，B8A的饱和温度为1210～1230K。
进一步地，所述步骤(4)包括：
(41)针对第三步的结果，增加约束条件B8A≥0.05并且B11≥0.05，对因影像数据质量问题产生的噪声进行剔除；
(42)针对第三步的结果，增加约束条件波段不等于空值，对因源数据的丢失问题产生的噪声进行剔除；
(43)针对第三步的结果，增加约束条件B12-B1＞0.1并且B12-B8A＞0.05并且B8A-B7＞0.05，对因波段通道和颗粒之间的成像时间差产生的噪声进行剔除；
(44)针对第三步的结果，增加约束条件B12-B11≥0.05并且B12＞0.2对裸土噪声进行滤除，增加约束条件B12＜B11并且B8A＜0.65对冰雪阳坡面的噪声进行滤除。
进一步地，所述步骤(6)基于ArcPy的Extract by Value函数批量提取二值化图像中值为1的栅格，并利用Raster To Polygon函数批量将四邻域相邻的1值对象转为为多边形。
进一步地，所述步骤(7)在ArcGIS软件中运用Merge工具将相同日期的多边形文件进行合并处理，运用Dissolve工具将合并后的数据进行融合，运用Calculate Geometry工具计算多边形质心，保留质心点。
进一步地，所述步骤(9)利用ArcGIS的Erase工具对噪声进行排除，利用ArcGIS的Mosaic工具对土地利用数据进行合并。
有益效果：本发明与现有技术相比，具有如下显著优点：
(1)本发明的执行步骤简单易行，能较好的提取区域以及全球秸秆燃烧的效果；
(2)使用长时间、大空间覆盖范围的光学影像数据，利用一种秸秆燃烧指标，实现了较大空间尺度上的秸秆燃烧的准确提取；
(3)有助于编制一份详细的，可及时、有效更新的秸秆燃烧时空信息数据集，以补充低分辨产品数据库；
(4)可以为我国秸秆燃烧精准管理、评价农业用火时空格局以及对大气环境的潜在影响提供科学参考。
附图说明
图1为本发明的流程图；
图2(a)为600K和1000K的火焰在NIR和SWIR波段中的光谱辐射值；
2(b)为秸秆燃烧与背景地物在MSI不同波段上的光谱反射率差异；
图3为秸秆燃烧采样散点分析图；
图4为基于普朗克函数模拟的MSI波段8A、11和12的饱和温度；
图5(a)、(b)、(c)均为云边缘噪声像元与火像元的光谱差异散点分析图；
图6为秸秆燃烧提取结果目视解译验证示意图；
图7(a)为2020年基于Sentinel-2 MSI提取的河北省秸秆燃烧分布图；
7(b)为2021年基于Sentinel-2 MSI提取的河北省秸秆燃烧分布图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
本发明实例采用的数据是覆盖河北省的Sentinel-2 MSI数据，数据时间跨度为2020年1月-2021年12月。
如图1所示，为本发明的流程图，具体步骤包括：
(1)准备Sentinel-2 MSI遥感光学影像，并构建时间序列波段数据集，所述波段包括：波段7，波段8A，波段11和波段12。具体包括如下几个方面的内容：
(11)通过目视解译选取影像中部分的秸秆燃烧样本点，在GEE中批量获取样本点处的多波段反射率值并进行统计，绘制典型温度600K和1000K的秸秆燃烧在Sentinel-2中的光谱辐射值，以及在各波段上区分与不同背景地物的TOA光谱反射率，如图2(a)、2(b)所示；
(12)基于GEE平台批量下载覆盖研究区范围从2020年1月到2021年12月的Sentinel-2 MSI数据，Sentinel的近红外和短波红外波段的空间分辨率为20m。
(2)采样分析，具体包括：
(21)基于普朗克函数及秸秆燃烧在MSI影像中与其他地物光谱特征的波段差异度，利用远短波红外和近短波红外的反射率差来表示火焰的发射贡献，然后将其与近红外的反射率的比值来区分火像素，构建了一种创新的秸秆燃烧检测指数BI，BI＝(ρfar-SWIR-ρnear-SWIR)/ρNIR，其中ρfar-SWIR是波段B12，ρnear-SWI是波段B11，ρNIR是波段B8A；
(22)目视解译选取遥感影像中32个秸秆燃烧位置作为样本点，应用上下文分析法，在ArcGIS中利用
将火像元样本对象从BI图像中分割出来，其中BIfire代表分割出的秸秆燃烧像元对象，
和σ(BI)radius(15)分别是对BI图像以半径为15个像元的滑动圆形窗口进行平均值和标准差的计算；
(23)对上下文分析法切割出来的像元进行采样分析，发现BI≥0.45时，可以有效秸秆燃烧像元，利用Matlab的scatter函数制作散点密度图，如图3所示。
(3)秸秆燃烧像元初步提取，具体包括：
(31)基于GEE平台和Sentinel-2 MSI光学影像，分别提取指标BI≥0.45的像元；在此基础上进一步设定条件B12≥0.15对提取进行约束，避免低反射率物体(如水体等)造成的噪声；
(32)当一些火焰核心像元对应的B12和B11均具备高辐射能量时，表现为B12＞B11，但其差异性相对于相邻火像元减弱，产生BI的低值和空洞现象(0＜BI＜0.45)，从而可能造成检测遗漏。同时BI图像中，除了正常探测到的火点，还可以观察到BI呈现为负值的像元被相邻的高BI值像元包围，这是由于MSI的远短波红外波段和近短波红外波段具有不同的辐射敏感性引起的像元DN值的饱和现象。根据普朗克黑体辐射函数逆函数对波段12、波段11、波段8A的饱和温度进行估算，公式为：
式中，T是黑体温度(K)，M是黑体的辐射强度，单位是W·m-2sr-1μm-1；λ是波长，单位是μm；c1是第一辐射常，取值为1.191042×108(W·μm4/m2)；c2是第二辐射常数，取值为1.4387752×104(K·μm)。根据估算，B12波段的饱和温度为560～580K，B11的饱和温度为730～750K，B8A的饱和温度为1210～1230K，如图4所示；
(33)在GEE中采用式1条件对这些特殊饱和像元和高辐射像元进行标记，公式如下：
式1的前半部分条件用于对饱和像元的标记，而后半部分条件则是用于对高辐射像元的标记。步骤(31)、(32)和(33)构成了基于Sentinel-2 MSI影像的秸秆燃烧火像元检测算法的主体部分；
(34)由于地表一些其他的地物也会产生高反射现象，因此当饱和像元和高辐射像元的八领域存在步骤(33)提取结果的像元，则将其加入步骤(33)的提取结果中，否则视为噪声进行剔除。
(4)时间序列检测噪声的剔除，具体包括：
(41)MSI影像可能存在的数据质量问题会导致火点探测的误报。比如在影像的边界处常见由于波段数据成像范围不同导致的条带状噪声，为了避免此类数据异常导致的噪声，在GEE中对算法补充如下约束条件1：
Constraint1＝ρ8A≥0.05ANDρ11≥0.05(3)
(42)在数据传输到地面接收站的过程中，可能会伴随源数据的丢失，从而出现MSI影像中像元的损毁，导致噪声。为了规避此类误差，基于GEE在算法中添加以下约束条件2：
Constraint2＝ρi≠NoData，i＝1，2，3，...，12(4)
(43)MSI波段通道和颗粒之间的成像时间差也会产生提取噪声，当数据颗粒之间有移动较快的云层时，这种时间差可能导致波段间的反射率异常，从而产生云边缘的噪声，基于GEE对此类噪声进行了采样分析，如图5(a)、(b)、(c)所示。为了规避此类误差，基于GEE在算法中添加以下约束条件3：
(44)在一些裸土(尤其是火烧迹地上)和被冰雪覆盖的山地的阳坡上会产生噪声，因此在GEE中对算法添加以下约束条件规避此类噪声。
Constraint4＝ρ12-ρ11≥0.05ANDρ12＞0.2(6)
Constraint5＝ρ12＜ρ11ANDρ8A＜0.65(7)
(5)在GEE云平台中将满足以上全部条件的像元标记为秸秆燃烧，并赋值为1，其余赋值为0，得到不同时间序列的候选目标的二值化影像，并批量下载到本地。
(6)基于Arcpy的Extract by Value函数批量提取二值化图像中值为1的栅格，并利用Raster To Polygon函数批量将四邻域相邻的1值对象转为为多边形。
(7)基于ArcGIS中的Merge工具将相同日期的多边形文件进行合并处理，并用Dissolve工具将合并后的数据进行融合，去除MSI影像边缘重叠的冗余检测，之后通过Calculate Geometry工具计算多边形的质心，计算公式如下：
xi和yi分别表示第i个质心的横坐标和纵坐标，n表示质心的个数。通过计算输出每个秸秆燃烧的地理坐标，并保存为点文件。
(8)高反射物体会在MSI影像中与秸秆燃烧产生相似的光谱的特征。但相对于动态的秸秆燃烧，这些高反射物体在时间序列上具有空间位置一致性特征，因此基于GEE将单时相得到的二值化图像在时间序列上进行了累加，并切割出检测频次大于2的像元，获得了高反射物体掩膜，表达式如下：
MaskHRO是高反射物体掩膜，F(x，y，ti)和F(x，y，ti)分别是在i和j日期上相同像元的检测结果。用ArcGIS中的Erase工具排除落在高反射物体掩膜上的噪声。
(9)根据来源于GHS的建设用地数据，用Erase工具排除建设用地内的噪声。
(10)在ArcGIS中运用Mosaic To New Raster工具合并Esri 2020Land Cover、Copernicus Global Land Cover Layers和ESA World Cover土地利用数据中的农用地作为掩膜，对火点数据进行筛选，并删除多余噪声，得到秸秆燃烧数据集，并通过目视识别的方法，对提取的秸秆燃烧进行精度评价，如图6所示。
(11)在ArcGIS中利用Kernel DensityAnalysis工具中的PLANAR方法对2020年以及2021年的秸秆燃烧火点数据进行核密度分析，得到秸秆燃烧空间分布图集，如图7(a)、(b)所示。
Claims (10)
1.一种基于时间序列遥感影像的秸秆燃烧提取方法，其特征在于，包括如下步骤：
(1)准备Sentinel-2MSI遥感光学影像，并构建时间序列波段数据集；
(2)采样分析；
(3)秸秆燃烧像元初步提取；
(4)时间序列检测噪声的剔除；
(5)在GEE云平台中将满足全部判别条件的像元标记为秸秆燃烧候选像元，并赋值为1，其余赋值为0，得到不同时间序列的候选目标的二值化影像，批量下载到本地；
(6)批量提取上述得到的二值化影像中值为1的栅格，并批量转为多边形对象；
(7)将同一时相的多边形文件进行合并，并对合并后的数据进行融合，之后计算矢量多边形的质心，得到质心点文件；
(8)将单时相得到的二值化图像在时间序列上进行累加，并切割出检测频次大于2的像元，得到高反射物体掩膜，并排除落在掩膜上的质心点；
(9)根据来源于GHS的建设用地数据，去除位于建设用地内的质心点；
(10)根据数据处理得到秸秆燃烧数据集，并通过目视识别的方法，对提取的秸秆燃烧进行精度评价；
(11)对得到的秸秆燃烧质心点文件采用PLANAR方法进行核密度分析，得到秸秆燃烧空间分布图集。
2.根据权利要求1所述的基于时间序列遥感影像的秸秆燃烧提取方法，其特征在于，所述步骤(1)时间序列波段包括波段7，波段8A，波段11和波段12，波段数据集中的秸秆燃烧样本点是通过目视解译获得，Sentinel的近红外和短波红外波段的空间分辨率为20m。
3.根据权利要求1所述的基于时间序列遥感影像的秸秆燃烧提取方法，其特征在于，所述步骤(2)包括：
(21)基于普朗克函数及秸秆燃烧在MSI影像中与其他地物光谱特征的波段差异度，利用远短波红外和近短波红外的反射率差来表示火焰的发射贡献，然后将其与近红外的反射率的比值来区分火像素，构建了一种创新的秸秆燃烧检测指数BI，BI＝(ρfar-SWIR-ρnear-SWIR)/ρNIR，其中ρfar-SWIR是波段B12，ρnear-SWI是波段B11，ρNIR是波段B8A；
(22)目视解译选取遥感影像中32个秸秆燃烧位置作为样本点，应用上下文分析法，在ArcGIS中利用
将火像元样本对象从BI图像中分割出来，其中BIfire代表分割出的秸秆燃烧像元对象，
和σ(BI)radius(15)分别是对BI图像以半径为15个像元的滑动圆形窗口进行平均值和标准差的计算；
(23)对上下文分析法切割出来的像元进行采样分析，发现BI≥0.45时，可以有效秸秆燃烧像元，利用Matlab的scatter函数制作散点密度图。
4.根据权利要求3所述的基于时间序列遥感影像的秸秆燃烧提取方法，其特征在于，所述步骤(22)上下文分析法是指对BI图像以半径为15个像元的滑动圆形窗口进行平均值和标准差的计算。
5.根据权利要求1所述的基于时间序列遥感影像的秸秆燃烧提取方法，其特征在于，所述步骤(3)包括：
(31)基于GEE平台和Sentinel-2MSI光学影像，提取指标BI≥0.45的像元，在此基础上进一步设定条件B12≥0.15进行约束；
(32)基于普朗克黑体辐射函数逆函数对波段12、波段11、波段8A的饱和温度进行估算；
(33)在步骤(31)提取结果基础上进一步提取B12＞B11并且B12＞1的饱和像元，以及B11/B8A＞2并且B11＞1的高辐射像元；
(34)若饱和像元和高辐射像元的八领域存在步骤(33)提取结果的像元，则将其加入步骤(33)的提取结果中，否则视为噪声进行剔除。
6.根据权利要求5所述的基于时间序列遥感影像的秸秆燃烧提取方法，其特征在于，所述步骤(32)B12波段的饱和温度为560～580K，B11的饱和温度为730～750K，B8A的饱和温度为1210～1230K。
7.根据权利要求1所述的基于时间序列遥感影像的秸秆燃烧提取方法，其特征在于，所述步骤(4)包括：
(41)针对第三步的结果，增加约束条件B8A≥0.05并且B11≥0.05，对因影像数据质量问题产生的噪声进行剔除；
(42)针对第三步的结果，增加约束条件波段不等于空值，对因源数据的丢失问题产生的噪声进行剔除；
(43)针对第三步的结果，增加约束条件B12-B1＞0.1并且B12-B8A＞0.05并且B8A-B7＞0.05，对因波段通道和颗粒之间的成像时间差产生的噪声进行剔除；
(44)针对第三步的结果，增加约束条件B12-B11≥0.05并且B12＞0.2对裸土噪声进行滤除，增加约束条件B12＜B11并且B8A＜0.65对冰雪阳坡面的噪声进行滤除。
8.根据权利要求1所述的基于时间序列遥感影像的秸秆燃烧提取方法，其特征在于，所述步骤(6)基于ArcPy的Extract by Value函数批量提取二值化图像中值为1的栅格，并利用Raster To Polygon函数批量将四邻域相邻的1值对象转为为多边形。
9.根据权利要求1所述的基于时间序列遥感影像的秸秆燃烧提取方法，其特征在于，所述步骤(7)在ArcGIS软件中运用Merge工具将相同日期的多边形文件进行合并处理，运用Dissolve工具将合并后的数据进行融合，运用Calculate Geometry工具计算多边形质心，保留质心点。
10.根据权利要求1所述的基于时间序列遥感影像的秸秆燃烧提取方法，其特征在于，所述步骤(10)利用ArcGIS的Erase工具对噪声进行排除，利用ArcGIS的Mosaic工具对土地利用数据进行合并。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211462221.1A CN115791685B (zh) | 2022-11-21 | 2022-11-21 | 基于时间序列遥感影像的秸秆燃烧提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211462221.1A CN115791685B (zh) | 2022-11-21 | 2022-11-21 | 基于时间序列遥感影像的秸秆燃烧提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115791685A true CN115791685A (zh) | 2023-03-14 |
| CN115791685B CN115791685B (zh) | 2024-05-07 |
Family
ID=85439751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211462221.1A Active CN115791685B (zh) | 2022-11-21 | 2022-11-21 | 基于时间序列遥感影像的秸秆燃烧提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115791685B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118115872A (zh) * | 2024-03-04 | 2024-05-31 | 中国科学院地理科学与资源研究所 | 一种玉米种植带北移边界的识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102116861A (zh) * | 2011-02-01 | 2011-07-06 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的秸秆焚烧点提取方法 |
| WO2016132161A1 (en) * | 2015-02-16 | 2016-08-25 | Kontoes Charalampos | Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data. |
| CN110147779A (zh) * | 2019-05-27 | 2019-08-20 | 宁夏云图勘测规划有限公司 | 一种遥感影像城市建筑物功能分类的方法 |
| CN111380807A (zh) * | 2020-03-30 | 2020-07-07 | 中国科学院东北地理与农业生态研究所 | 一种基于静止卫星遥感数据的秸秆焚烧火点信息提取方法 |
| CN112418133A (zh) * | 2020-12-01 | 2021-02-26 | 四川航天神坤科技有限公司 | 一种基于多源遥感影像的秸秆焚烧监测方法 |
| CN113221057A (zh) * | 2021-05-14 | 2021-08-06 | 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 |
| CN113484247A (zh) * | 2021-07-07 | 2021-10-08 | 南京大学 | 一种基于多源时间序列遥感影像的页岩油气燃烧提取方法 |
-
2022
- 2022-11-21 CN CN202211462221.1A patent/CN115791685B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102116861A (zh) * | 2011-02-01 | 2011-07-06 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的秸秆焚烧点提取方法 |
| WO2016132161A1 (en) * | 2015-02-16 | 2016-08-25 | Kontoes Charalampos | Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data. |
| CN110147779A (zh) * | 2019-05-27 | 2019-08-20 | 宁夏云图勘测规划有限公司 | 一种遥感影像城市建筑物功能分类的方法 |
| CN111380807A (zh) * | 2020-03-30 | 2020-07-07 | 中国科学院东北地理与农业生态研究所 | 一种基于静止卫星遥感数据的秸秆焚烧火点信息提取方法 |
| CN112418133A (zh) * | 2020-12-01 | 2021-02-26 | 四川航天神坤科技有限公司 | 一种基于多源遥感影像的秸秆焚烧监测方法 |
| CN113221057A (zh) * | 2021-05-14 | 2021-08-06 | 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 |
| CN113484247A (zh) * | 2021-07-07 | 2021-10-08 | 南京大学 | 一种基于多源时间序列遥感影像的页岩油气燃烧提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 田庆久 等: "基于HJ-1B卫星的作物秸秆提取及其焚烧火点判定模式", 中国科学:信息科学, vol. 41, no. 1, 31 October 2011 (2011-10-31), pages 117 - 127 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118115872A (zh) * | 2024-03-04 | 2024-05-31 | 中国科学院地理科学与资源研究所 | 一种玉米种植带北移边界的识别方法 |
| CN118115872B (zh) * | 2024-03-04 | 2024-08-06 | 中国科学院地理科学与资源研究所 | 一种玉米种植带北移边界的识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115791685B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Development of a global 30 m impervious surface map using multisource and multitemporal remote sensing datasets with the Google Earth Engine platform | |
| Zhang et al. | Approaches for synergistically exploiting VIIRS I-and M-Band data in regional active fire detection and FRP assessment: A demonstration with respect to agricultural residue burning in Eastern China | |
| Huang et al. | An automated approach for reconstructing recent forest disturbance history using dense Landsat time series stacks | |
| CN110136194A (zh) | 基于星载多光谱遥感数据的积雪覆盖度测算方法 | |
| Hall | Remote sensing in social science research | |
| Anderson et al. | Long-term statistical assessment of Aqua-MODIS aerosol optical depth over coastal regions: bias characteristics and uncertainty sources | |
| Bruce et al. | Pre-processing methodology for application to Landsat TM/ETM+ imagery of the wet tropics | |
| Ya'acob et al. | Temporal forest change detection and forest health assessment using Remote Sensing | |
| Bell et al. | Evaluation of Approaches to Identifying Hail Damage to Crop Vegetation Using Satellite Imagery. | |
| CN115791685B (zh) | 基于时间序列遥感影像的秸秆燃烧提取方法 | |
| Mazzotti et al. | Spatially continuous characterization of forest canopy structure and subcanopy irradiance derived from handheld radiometer surveys | |
| Thaler et al. | Estimating snow cover from high-resolution satellite imagery by thresholding blue wavelengths | |
| Gogoi et al. | Satellite (GOSAT-2 CAI-2) retrieval and surface (ARFINET) observations of aerosol black carbon over India | |
| Chrysoulakis et al. | An improved algorithm for the detection of plumes caused by natural or technological hazards using AVHRR imagery | |
| Trisakti et al. | Technique for identifying burned vegetation area using Landsat 8 data | |
| Karbou et al. | Spatial and temporal variability of wet snow in the French mountains using a color-space based segmentation technique on Sentinel-1 SAR images | |
| Ye et al. | Exploring the effects of landscape structure on aerosol optical depth (AOD) patterns using GIS and HJ-1B images | |
| Sifakis et al. | Combining AVHRR imagery with CORINE Land Cover data to observe forest fires and to assess their consequences | |
| Sifakis et al. | CHRISTINE Code for High ResolutIon Satellite mapping of optical ThIckness and ÅNgstrom Exponent. Part II: First application to the urban area of Athens, Greece and comparison to results from previous contrast-reduction codes | |
| Wu et al. | Approach for monitoring spatiotemporal changes in fractional vegetation cover through unmanned aerial system-guided-satellite survey: A case study in mining area | |
| Ahmed et al. | An efficient application of fusion approach for hot spot detection with MODIS and PALSAR-1 data | |
| Colaninno et al. | Defining Densities for Urban Residential Texture, through Land use Classification, from Landsat TM Imagery: Case Study of Spanish Mediterranean Coast | |
| Kumar et al. | Utilizing machine learning algorithm, cloud computing platform and remote sensing satellite data for impact assessment of flood on agriculture land | |
| Kumar et al. | A Technique for Burning Area Identification Using IHS Transformation and Image Segmentation | |
| Csiszar et al. | A multi-sensor approach to fine-scale fire characterization |
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 |