CN116228911B - 基于光谱特征的森林火灾勘察定损方法 - Google Patents
基于光谱特征的森林火灾勘察定损方法 Download PDFInfo
- Publication number
- CN116228911B CN116228911B CN202310493915.XA CN202310493915A CN116228911B CN 116228911 B CN116228911 B CN 116228911B CN 202310493915 A CN202310493915 A CN 202310493915A CN 116228911 B CN116228911 B CN 116228911B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- fire
- pixels
- fire disaster
- image
- 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 33
- 230000003595 spectral effect Effects 0.000 title claims abstract description 24
- 230000006378 damage Effects 0.000 title claims abstract description 17
- 238000011835 investigation Methods 0.000 title claims abstract description 14
- 238000002310 reflectometry Methods 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000000701 chemical imaging Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 11
- 238000010521 absorption reaction Methods 0.000 abstract description 3
- 239000003086 colorant Substances 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- -1 artificial building Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开基于光谱特征的森林火灾勘察定损方法，本发明采用光谱特征和影像色彩空间变换方法提取火烧迹地，森林火灾发生后，植被红光波段的吸收峰消失，遥感反射率增强，结合以上特征可区分植被与非植被像元，实现灾后面积的精准提取，生活中常用的色彩空间为RGB色彩显示，而HSV色彩空间其能够直观展现图像的色调H、饱和度S和亮度V，更适用于图像处理，常用分割指定颜色的物体，基于光谱特征对火灾后植被提取存在火烧与非火烧边界无法准确区分的问题，而HSV色彩空间可以单独处理色调值，而不会影响到饱和度和亮度，结合该点可解决边界像元提取困难的问题。
Description
技术领域
本发明属于火灾定损技术领域，具体涉及基于光谱特征的森林火灾勘察定损方法。
背景技术
随着全球气候变暖和极端天气增加，全球范围内森林火灾频发。森林火灾具有突发性强、破坏性大、救助困难等特点。火灾会导致植被覆盖度下降、森林生态系统破坏、人身财产受到危害和损失。因此如何准确做到对森林火灾后的信息提取、评估成为亟待解决的问题。卫星遥感技术具有监测范围广、高效率、低成本的优势，非常适合灾后勘察定损及相关信息提取。
森林火灾勘察定损的关键技术之一是对火烧面积的精确提取，其中基于温度提取火烧迹地的方法对遥感影像的时间分辨率要求较高，常用卫星数据为MODIS，但该类卫星空间分辨率较低，对燃烧范围难以精确统计。另一种提取火烧迹地方法为计算NDVI、GEMI、BAI等指数，设置各自阈值对着火范围进行提取，该类方法存在精确度低的问题，且不同卫星数据对上述指数适应性不尽相同。
发明内容
为解决上述背景技术中提出的问题，本发明提供基于光谱特征的森林火灾勘察定损方法，以解决现有提取火烧迹地方法的精度低，并且对不同卫星适应性不高的问题。
为实现上述目的，本发明提供如下技术方案：
基于光谱特征的森林火灾勘察定损方法，包括以下步骤：
S1：基于发生森林火灾区域前后的无云卫星遥感影像，获取目标位置火灾前后的光谱信息；
S2：建立植被像元筛选机制，通过植被像元筛选机制结合遥感影像的光谱信息将火灾前的植被像元和火灾后的植被像元分别标记为R1、R2；
S3：对火灾后可见光卫星影像进行数据类型转换，将原影像数据类型转换为字节型RGB影像；
将字节型RGB影像转换为HSV色彩空间影像；
对HSV影像的H分量进行灰度分割，提取植被像元，结果为R3；
S4：计算R1、R2和R3乘积并标记为像元R4；
S5：计算R1与R4的像元面积差值，得到火烧面积。
优选地，S2的具体步骤为：
S2.1：参考健康植被光谱曲线特征，设置蓝、绿、红波段之间的反射率规则，其中绿光波段反射率ρgreen低于21%，设置蓝光波段ρblue与红光波段反射率ρred均低于绿光波段反射率ρgreen；
S2.2：通过反射率规则和火灾前后的的遥感影像的光谱信息计算归一化植被指数NDVI与比值植被指数RVI，获得NDVI值和RVI值；
S2.3：建立植被像元筛选机制，通过植被像元筛选机制结合NDVI值和RVI值将火灾前的植被像元和火灾后的植被像元分别标记为R1、R2。
优选地，S2.2中归一化植被指数NDVI与比值植被指数RVI的计算方法为：
NDVI的计算方法为：
；
RVI的计算方法为：
；
其中，ρnir为近红外波段反射率，ρred为红光波段反射率。
优选地，像元筛选机制及R1、R2的获取方法为：
条件1：NDVI值大于0.25的像元；
条件2：RVI值大于2的像元；
在计算公式（1）和计算公式（2）中代入火灾前的ρnir和ρred后，将同时满足条件1和条件2的像元标记为火灾前植被像元，记为R1；
在计算公式（1）和计算公式（2）中代入火灾后的ρnir和ρred后，将同时满足条件1和条件2的像元标记为火灾后植被像元，记为R2。
优选地，无云卫星使用Sentinel2高分辨率多光谱成像卫星。
与现有技术相比，本发明的有益效果是：
1、本发明采用光谱特征和影像色彩空间变换方法提取火烧迹地，森林火灾发生后，植被红光波段的吸收峰消失，遥感反射率增强，结合以上特征可区分植被与非植被像元，实现灾后面积的精准提取。
2、生活中常用的色彩空间为RGB色彩显示，而HSV色彩空间其能够直观展现图像的色调H、饱和度S和亮度V，更适用于图像处理，常用分割指定颜色的物体，基于光谱特征对火灾后植被提取存在火烧与非火烧边界无法准确区分的问题，而HSV色彩空间可以单独处理色调值，而不会影响到饱和度和亮度，结合该点可解决边界像元提取困难的问题。
附图说明
图1为本发明的方法步骤示意图；
图2为火烧前植被提取结果R1的示意图，其中白色为植被区域；
图3为火烧后植被提取结果R2的示意图，其中白色为植被区域。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，以下结合附图和具体的实例对本发明作进一步地详细说明。应当理解，此处所描述的具体实例仅用以解释本发明，并不用于限定本发明。
实施例1：
如图1所示，基于光谱特征的森林火灾勘察定损方法，包括以下步骤：
S1：基于发生森林火灾区域前后的无云卫星遥感影像，获取目标位置火灾前后的光谱信息；
S2：建立植被像元筛选机制，通过植被像元筛选机制结合遥感影像的光谱信息将火灾前的植被像元和火灾后的植被像元分别标记为R1、R2；
S3：对火灾后可见光卫星影像进行数据类型转换，将原影像数据类型转换为字节型RGB影像；
将字节型RGB影像转换为HSV色彩空间影像；
对HSV影像的H分量进行灰度分割，提取植被像元，结果为R3；
S4：计算R1、R2和R3乘积并标记为像元R4；
S5：计算R1与R4的像元面积差值，得到火烧面积。
在本实施例中，本发明采用光谱特征和影像色彩空间变换方法提取火烧迹地，森林火灾发生后，植被红光波段的吸收峰消失，遥感反射率增强，结合以上特征可区分植被与非植被像元，实现灾后面积的精准提取，生活中常用的色彩空间为RGB色彩显示，而HSV色彩空间其能够直观展现图像的色调H、饱和度S和亮度V，更适用于图像处理，常用分割指定颜色的物体，基于光谱特征对火灾后植被提取存在火烧与非火烧边界无法准确区分的问题，而HSV色彩空间可以单独处理色调值，而不会影响到饱和度和亮度，结合该点可解决边界像元提取困难的问题。
实施例2：
本实施例与实施例1的区别在于：S2的具体步骤为：
S2.1：参考健康植被光谱曲线特征，设置蓝、绿、红波段之间的反射率规则，其中绿光波段反射率ρgreen低于21%，设置蓝光波段ρblue与红光波段反射率ρred均低于绿光波段反射率ρgreen；
S2.2：通过反射率规则和火灾前后的的遥感影像的光谱信息计算归一化植被指数NDVI与比值植被指数RVI，获得NDVI值和RVI值；
S2.3：建立植被像元筛选机制，通过植被像元筛选机制结合NDVI值和RVI值将火灾前的植被像元和火灾后的植被像元分别标记为R1、R2。
在本实施例中，RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量，绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近，植被的RVI通常大于2，当植被覆盖度较高时，RVI对植被十分敏感，当植被覆盖度<50%时，这种敏感性显著降低，NDVI 归一化植被指数可检测植被生长状态、植被覆盖度和消除部分辐射误差等，其中，-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射，0表示有岩石或裸土等，NIR和R近似相等，正值表示有植被覆盖，且随覆盖度增大而增大NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关。
实施例3：
本实施例与实施例2的区别在于：S2.2中归一化植被指数NDVI与比值植被指数RVI的计算方法为：
NDVI的计算方法为：
；
RVI的计算方法为：
；
其中，ρnir为近红外波段反射率，ρred为红光波段反射率。
实施例4：
本实施例与实施例3的区别在于：如图2、图3所示，像元筛选机制及R1、R2的获取方法为：
条件1：NDVI值大于0.25的像元；
条件2：RVI值大于2的像元；
在计算公式（1）和计算公式（2）中代入火灾前的ρnir和ρred后，将同时满足条件1和条件2的像元标记为火灾前植被像元，记为R1；
在计算公式（1）和计算公式（2）中代入火灾后的ρnir和ρred后，将同时满足条件1和条件2的像元标记为火灾后植被像元，记为R2。
实施例5：
本实施例与实施例1的区别在于：无云卫星使用Sentinel2高分辨率多光谱成像卫星。
Claims (5)
1.基于光谱特征的森林火灾勘察定损方法，其特征在于，包括以下步骤：
S1：基于发生森林火灾区域前后的无云卫星遥感影像，获取目标位置火灾前后的光谱信息；
S2：建立植被像元筛选机制，通过植被像元筛选机制结合遥感影像的光谱信息将火灾前的植被像元和火灾后的植被像元分别标记为R1、R2；
S3：对火灾后可见光卫星影像进行数据类型转换，将原影像数据类型转换为字节型RGB影像；
将字节型RGB影像转换为HSV色彩空间影像；
对HSV影像的H分量进行灰度分割，提取植被像元，结果为R3；
S4：计算R1、R2和R3乘积并标记为像元R4；
S5：计算R1与R4的像元面积差值，得到火烧面积。
2.根据权利要求1所述的基于光谱特征的森林火灾勘察定损方法，其特征在于，S2的具体步骤为：
S2.1：参考健康植被光谱曲线特征，设置蓝、绿、红波段之间的反射率规则，其中绿光波段反射率ρgreen低于21%，设置蓝光波段ρblue与红光波段反射率ρred均低于绿光波段反射率ρgreen；
S2.2：通过反射率规则和火灾前后的的遥感影像的光谱信息计算归一化植被指数NDVI与比值植被指数RVI，获得NDVI值和RVI值；
S2.3：建立植被像元筛选机制，通过植被像元筛选机制结合NDVI值和RVI值将火灾前的植被像元和火灾后的植被像元分别标记为R1、R2。
3.根据权利要求2所述的基于光谱特征的森林火灾勘察定损方法，其特征在于，S2.2中归一化植被指数NDVI与比值植被指数RVI的计算方法为：
NDVI的计算方法为：
；
RVI的计算方法为：
；
其中，ρnir为近红外波段反射率，ρred为红光波段反射率。
4.根据权利要求3所述的基于光谱特征的森林火灾勘察定损方法，其特征在于，像元筛选机制及R1、R2的获取方法为：
条件1：NDVI值大于0.25的像元；
条件2：RVI值大于2的像元；
在计算公式（1）和计算公式（2）中代入火灾前的ρnir和ρred后，将同时满足条件1和条件2的像元标记为火灾前植被像元，记为R1；
在计算公式（1）和计算公式（2）中代入火灾后的ρnir和ρred后，将同时满足条件1和条件2的像元标记为火灾后植被像元，记为R2。
5.根据权利要求1所述的基于光谱特征的森林火灾勘察定损方法，其特征在于，无云卫星使用Sentinel2高分辨率多光谱成像卫星。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310493915.XA CN116228911B (zh) | 2023-05-05 | 2023-05-05 | 基于光谱特征的森林火灾勘察定损方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310493915.XA CN116228911B (zh) | 2023-05-05 | 2023-05-05 | 基于光谱特征的森林火灾勘察定损方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116228911A CN116228911A (zh) | 2023-06-06 |
| CN116228911B true CN116228911B (zh) | 2023-11-28 |
Family
ID=86575317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310493915.XA Active CN116228911B (zh) | 2023-05-05 | 2023-05-05 | 基于光谱特征的森林火灾勘察定损方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116228911B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111553403A (zh) * | 2020-04-23 | 2020-08-18 | 山东大学 | 基于伪3d卷积神经网络的烟雾检测方法及系统 |
| CN112052757A (zh) * | 2020-08-24 | 2020-12-08 | 中国气象局沈阳大气环境研究所 | 火烧迹地信息提取方法、装置、设备和存储介质 |
-
2023
- 2023-05-05 CN CN202310493915.XA patent/CN116228911B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111553403A (zh) * | 2020-04-23 | 2020-08-18 | 山东大学 | 基于伪3d卷积神经网络的烟雾检测方法及系统 |
| CN112052757A (zh) * | 2020-08-24 | 2020-12-08 | 中国气象局沈阳大气环境研究所 | 火烧迹地信息提取方法、装置、设备和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| Saliency Based Fire Detection Using Texture and Color Features;Jamali, M等;《2020 28TH IRANIAN CONFERENCE ON ELECTRICAL ENGINEERING (ICEE)》;714-718 * |
| 基于多时相遥感影像的火烧迹地提取及植被恢复评价;王颖婷;《中国优秀硕士学位论文全文数据库》(第2期);1-85 * |
| 基于时序高分一号宽幅影像火后植被光谱及指数变化分析;孙桂芬;覃先林;尹凌宇;刘树超;李增元;陈小中;钟祥清;;光谱学与光谱分析(第02期);185-191 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116228911A (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108280812B (zh) | 一种基于图像增强的过火区域提取方法 | |
| Ngoc et al. | Coastal and inland water pixels extraction algorithm (WiPE) from spectral shape analysis and HSV transformation applied to Landsat 8 OLI and Sentinel-2 MSI | |
| CN112052757B (zh) | 火烧迹地信息提取方法、装置、设备和存储介质 | |
| JP2012196167A (ja) | 植物種識別方法 | |
| US20200065946A1 (en) | Image processing device, image processing method and storage medium | |
| KR101618228B1 (ko) | 인공위성기반 안개탐지시스템 및 이를 이용하는 안개탐지방법 | |
| 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 | |
| CN113176211B (zh) | 一种基于hsv颜色空间模型变换的日间云检测方法 | |
| CN110889423A (zh) | 一种基于极限学习机的高分一号黄东海绿潮遥感探测方法 | |
| CN112434642B (zh) | 一种适用于处理大场景光学遥感数据的海陆分割方法 | |
| CN114398595B (zh) | 一种基于bp神经网络的火点遥感识别方法 | |
| KR20220026829A (ko) | 다분광 영상을 이용한 원격 적조 탐지방법 및 그 시스템 | |
| Atak et al. | Evaluating spectral indices for estimating burned areas in the case of Izmir/Turkey | |
| CN114724035A (zh) | 一种基于遥感技术的早期水华检测方法 | |
| CN116228911B (zh) | 基于光谱特征的森林火灾勘察定损方法 | |
| CN113486814A (zh) | 一种基于时空融合算法的森林火灾遥感动态监测方法 | |
| CN112418156B (zh) | 基于无监督分类的光学遥感图像海面舰船目标检测方法 | |
| Sun et al. | A priori surface reflectance-based cloud shadow detection algorithm for Landsat 8 OLI | |
| CN113469104A (zh) | 基于深度学习的雷达遥感影像地表水体变化检测方法和设备 | |
| CN114092418A (zh) | 农田作物无人机影像的阴影检测方法 | |
| Xiang et al. | Monitoring mangrove phenology using camera images | |
| CN113592770A (zh) | 一种去除水草影响的藻华遥感识别方法 | |
| de Carvalho Jr et al. | Normalization of multi-temporal images using a new change detection method based on the spectral classifier | |
| CN111563472B (zh) | 一种烟羽林地快速火烧迹地提取方法及装置 | |
| CN105389834A (zh) | 特定光谱条件下的纹理检测方法 |
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 |