法律状态公告日
法律状态信息
法律状态
2020-01-17
未缴年费专利权终止 IPC(主分类):G06K9/46 授权公告日:20160330 终止日期:20190201 申请日:20130201
专利权的终止
2016-03-30
授权
授权
2013-07-17
实质审查的生效 IPC(主分类):G06K9/46 申请日:20130201
实质审查的生效
2013-06-12
公开
公开
技术领域
本发明涉及火烧迹地提取方法的领域。
背景技术
基于遥感的森林火灾研究主要包括火点(active fire)监测与火烧迹地(burn scars)提取两类,两者均可以产生火烧面积数据。火点监测主要是基于火灾的热学特性,使用中红外波段监测卫星过境时可能发生火灾的像元,对火点进行实时监测。火点监测的主要目的在于捕捉火灾发生的时间以及位置信息,虽然也可以产生火灾面积信息,但结果并不可靠。
传统的火烧迹地信息主要来源于统计数据,难以覆盖较大的区域,收集较为困难,且难以将数据进行空间化。遥感技术的发展为解决这一问题提供了很好的手段,特别是随着遥感数据时空分辨率的提高,使得遥感数据能够更为准确的对地表过程进行刻画。目前基于遥感的森林火灾研究大都是利用火灾发生前后的光谱特征的变化来确定火烧迹地,但是如洪水、森林砍伐以及农作物收获等都会导致光谱特征变化,这就使火灾与洪水、森林砍伐以及农作物收获等的发生很难区分,同时,现有的火烧迹地提取方法还存在着来源于辐射的不稳定性、云污染以及辐射传输所造成的误差,使得火烧迹地提取精确度较差。
发明内容
本发明是要解决现有的火烧迹地提取方法中存在洪水、森林砍伐以及农作物收获等都会导致光谱特征变化和云污染以及辐射传输所造成的误差,造成火烧迹地提取精确度较差的问题,而提供了一种基于MODIS时序数据的火烧迹地提取方法。
一种基于MODIS时序数据的火烧迹地提取方法,具体是按以下步骤完成的:
一、对待测区域,通过MODIS收集MODIS8天合成数据,每年收集34期,共34期数据;
二、通过MRT软件对待测区域的MODIS影像进行镶嵌连接,得到待测区域的完整的图像数据;
三、通过ENVI modis conversion tools软件对步骤二处理的图像数据进行转投影处理;并从图像数据中,提取MOD09Q1数据和MOD14A2数据;
四、通过ENVI的波段运算功能对步骤三得到的MOD09Q1数据的红外波段ρred值和近红外波段ρnir值分别采用公式(1)和公式(2)进行波段运算,得到GEMI指数和BAI指数;其中,所述的公式(1)中的η是由公式(3)计算得到的,所述的公式(2)中的ρcnir设定为0.06和ρcred设定为0.1;
GEMI=η×(1-0.25η)-(ρred-0.125)/(1-ρred) (1)
BAI=1/((ρnir-ρcnir)2+(ρred-ρcred)2) (2)
η=(2(ρnir2-ρred2)+1.5ρnir+0.5ρred)/(ρnir+ρred+0.5) (3)
五、通过阈值Ⅰ采用IDL编程对步骤三处理得到的MOD09Q1数据中提取,得到火烧像元;其中,阈值Ⅰ的设定要符合公式(4)、公式(5)、公式(6)、公式(7)且公式(8);公式中所述的t为第t期,0<t<34;公式中所述的GEMIt-1为第t-1期的GEMI值,GEMIt为第t期的GEMI值,GEMIt+2为第t+2期的GEMI值,BAIt为第t期的BAI值,BAIt-1为第t-1期的BAI值;
GEMIt-1>0.170 (4)
(GEMIt-GEMIt-1)/GEMIt<-0.1 (5)
(GEMIt+2-GEMIt-1)/GEMIt+2<-0.1 (6)
BAIt>250 (7)
BAIt-1>200 (8)
六、通过步骤三得到的MOD14A2数据采用IDL编程对步骤五得到的火烧像元进行掩膜处理,得到核心像元;所述的核心像元的像元值ρt>6或ρt-1>6;
七、通过阈值Ⅱ采用IDL编程以步骤六得到的核心像元为中心的10km~15km范围的区域的图像数据进行提取,并合并核心像元和提取后的缓冲区,即得到第t期的火烧迹地;其中,阈值Ⅱ的设定要符合公式(9)、公式(10)、公式(11)、公式(12)且公式(13);公式中所述的GEMIt+1为第t+1期的GEMI值;
GEMIt-GEMIt-1<-0.03 (9)
GEMIt+1-GEMIt-1<-0.02 (10)
GEMIt+2-GEMIt-1<0 (11)
GEMIt+1-GEMIt≤0 (12)
BAIt>250 (13)
八、重复步骤五至步骤七,得到不同期的火烧迹地的数据,通过IDL编程对不同期的火烧迹地的数据进行合并之后,处理,即得到火烧迹地。
本发明的优点:本发明的一种基于MODIS时序数据的火烧迹地提取方法,根据火灾发生后的光谱变化特征和温度异常进行火烧迹地的捕捉,能够比较精确的确定火灾发生的范围,通过较严格的阈值Ⅰ和热学特性对核心像元进行精确的判定,可达到减少错判误差的目的,通过较宽松的阈值Ⅱ对核心像元附近区域进行判定,可达到减少漏判的误差的目的,进而提高了火烧迹地提取精确度。
附图说明
图1为本发明提供的一种基于MODIS时序数据的火烧迹地提取方法的流程图。
具体实施方式
具体实施方式一:结合图1,本实施方式提供了一种基于MODIS时序数据的火烧迹地提取方法,具体是按以下步骤完成的:
一、对待测区域,通过MODIS收集MODIS8天合成数据,每年收集34期,共34期数据;
二、通过MRT软件对待测区域的MODIS影像进行镶嵌连接,得到待测区域的完整的图像数据;
三、通过ENVI modis conversion tools软件对步骤二处理的图像数据进行转投影处理;并从图像数据中,提取MOD09Q1数据和MOD14A2数据;
四、通过ENVI的波段运算功能对步骤三得到的MOD09Q1数据的红外波段ρred值和近红外波段ρnir值分别采用公式(1)和公式(2)进行波段运算,得到GEMI指数和BAI指数;其中,所述的公式(1)中的η是由公式(3)计算得到的,所述的公式(2)中的ρcnir设定为0.03~0.09和ρcred设定为0.05~0.15;
GEMI=η×(1-0.25η)-(ρred-0.125)/(1-ρred) (1)
BAI=1/((ρnir-ρcnir)2+(ρred-ρcred)2) (2)
η=(2(ρnir2-ρred2)+1.5ρnir+0.5ρred)/(ρnir+ρred+0.5) (3)
五、通过阈值Ⅰ采用IDL编程对步骤三处理得到的MOD09Q1数据中提取,得到火烧像元;其中,阈值Ⅰ的设定要符合公式(4)、公式(5)、公式(6)、公式(7)且公式(8);公式中所述的t为第t期,0<t≤34;公式中所述的GEMIt-1为第t-1期的GEMI值,GEMIt为第t期的GEMI值,GEMIt+2为第t+2期的GEMI值,BAIt为第t期的BAI值,BAIt-1为第t-1期的BAI值;
GEMIt-1>0.170 (4)
(GEMIt-GEMIt-1)/GEMIt<-0.1 (5)
(GEMIt+2-GEMIt-1)/GEMIt+2<-0.1 (6)
BAIt>250 (7)
BAIt-1>200 (8)
六、通过步骤三得到的MOD14A2数据采用IDL编程对步骤五得到的火烧像元进行掩膜处理,得到核心像元;所述的核心像元的像元值ρt>6或ρt-1>6;
七、通过阈值Ⅱ采用IDL编程以步骤六得到的核心像元为中心的10km~20km范围的区域的图像数据进行提取,并合并核心像元和提取后的缓冲区,即得到第t期的火烧迹地;其中,阈值Ⅱ的设定要符合公式(9)、公式(10)、公式(11)、公式(12)且公式(13);公式中所述的GEMIt+1为第t+1期的GEMI值;
GEMIt-GEMIt-1<-0.03 (9)
GEMIt+1-GEMIt-1<-0.02 (10)
GEMIt+2-GEMIt-1<0 (11)
GEMIt+1-GEMIt≤0 (12)
BAIt>250 (13)
八、重复步骤五至步骤七,得到不同期的火烧迹地的数据,通过IDL编程对不同期的火烧迹地的数据进行合并之后,处理,即得到火烧迹地。
本实施方式所述的GEMI(Global Environmental Monitoring Index)和BAI(BurnedArea Index)为光谱指数,为识别火烧迹地的主要判别指数。
本实施方式所述的红外波段和近红外波段是源于遥感影像,遥感影像不同的波长范围为一个波段,每一个波段都会形成一幅独立的影像,影像的基本单位是像元,每个像元都会有一定的数值,红外波段的影像的像元值为ρred值和近红外波段影像的像元值为ρnir。
本实施方式所述的公式(4)设定的阈值,是为了确保火灾发生之前,待测区域为植被覆盖。
本实施方式所述的公式(5)和公式(6)设定的阈值,是因为火灾发生后,GEMI值表现出显著的下降,而这一下降过程必须持续一定的时间,以区分由云污染等造成的GEMI值的短暂下降。
本实施方式所述的公式(7)和公式(8)设定的阈值,火灾发生后,BAI值表现出显著增加。
本实施方式所述的阈值Ⅰ是为了尽可能的减少错判的误差,因此阈值Ⅰ设定严格。
本实施方式所述的采用MOD14A2数据进行掩膜,由于如森林砍伐,洪水等也会造成GEMI和BAI的变化,而MOD14A2数据表示的是温度的异常,用MOD14A2数据掩膜可以GEMI和BAI光谱指数所穝的像元表现出温度异常的特征,而ρt>6或ρt-1>6中的ρ表示MOD14A2的像元值,大于6即表示温度异常。
本实施方式所述的阈值Ⅱ设定比较宽松,是为了以尽可能减少漏判的误差。
本实施方式的优点:本实施方式的一种基于MODIS时序数据的火烧迹地提取方法,根据火灾发生后的光谱变化特征和温度异常进行火烧迹地的捕捉,能够比较精确的确定火灾发生的范围,通过较严格的阈值Ⅰ和热学特性对核心像元进行精确的判定,可达到减少错判误差的目的,通过较宽松的阈值Ⅱ对核心像元附近区域进行判定,可达到减少漏判的误差的目的,进而提高了火烧迹地提取精确度。
具体实施方式二:本实施方式与具体实施方式一的不同点在于:所述的步骤四中的ρcnir设定为0.05~0.07和ρcred设定为0.08~0.12。其它与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二的不同点在于:所述的步骤四中的ρcnir设定为0.06和ρcred设定为0.1。其它与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一的不同点在于:所述的步骤七中的为以步骤六得到的核心像元为中心的13km~17km范围的区域的图像数据进行提取。其它与具体实施方式一至三相同。
具体实施方式五:本实施方式与具体实施方式一至四之一的不同点在于:所述的步骤七中的为以步骤六得到的核心像元为中心的15km范围的区域的图像数据进行提取。其它与具体实施方式一至四相同。
具体实施方式六:本实施方式与具体实施方式一至五之一的不同点在于:所述的步骤八中的数据合并后进行处理的方法为:进行滤波处理。其它与具体实施方式一至五相同。
本实施方式所述的滤波处理是为了消除提取过程中产生的小斑块。
采用以下试验验证本发明的效果:
试验一:一种基于MODIS时序数据的火烧迹地提取方法,具体是按以下步骤完成的:
一、对待测区域,通过MODIS收集MODIS8天合成数据,每年收集34期,共34期数据;
二、通过MRT软件对待测区域的MODIS影像进行镶嵌连接,得到待测区域的完整的图像数据;
三、通过ENVI modis conversion tools软件对步骤二处理的图像数据进行转投影处理;并从图像数据中,提取MOD09Q1数据和MOD14A2数据;
四、通过ENVI的波段运算功能对步骤三得到的MOD09Q1数据的红外波段ρred值和近红外波段ρnir值分别采用公式(1)和公式(2)进行波段运算,得到GEMI指数和BAI指数;其中,所述的公式(1)中的η是由公式(3)计算得到的,所述的公式(2)中的ρcnir设定为0.06和ρcred设定为0.1;
GEMI=η×(1-0.25η)-(ρred-0.125)/(1-ρred) (1)
BAI=1/((ρnir-ρcnir)2+(ρred-ρcred)2) (2)
η=(2(ρnir2-ρred2)+1.5ρnir+0.5ρred)/(ρnir+ρred+0.5) (3)
五、通过阈值Ⅰ采用IDL编程对步骤三处理得到的MOD09Q1数据中提取,得到火烧像元;其中,阈值Ⅰ的设定要符合公式(4)、公式(5)、公式(6)、公式(7)且公式(8);公式中所述的t为第t期,0<t≤34;公式中所述的GEMIt-1为第t-1期的GEMI值,GEMIt为第t期的GEMI值,GEMIt+2为第t+2期的GEMI值,BAIt为第t期的BAI值,BAIt-1为第t-1期的BAI值;
GEMIt-1>0.170 (4)
(GEMIt-GEMIt-1)/GEMIt<-0.1 (5)
(GEMIt+2-GEMIt-1)/GEMIt+2<-0.1 (6)
BAIt>250 (7)
BAIt-1>200 (8)
六、通过步骤三得到的MOD14A2数据采用IDL编程对步骤五得到的火烧像元进行掩膜处理,得到核心像元;所述的核心像元的像元值ρt>6或ρt-1>6;
七、通过阈值Ⅱ采用IDL编程以步骤六得到的核心像元为中心的15km范围的区域的图像数据进行提取,并合并核心像元和提取后的缓冲区,即得到第t期的火烧迹地;其中,阈值Ⅱ的设定要符合公式(9)、公式(10)、公式(11)、公式(12)且公式(13);公式中所述的GEMIt+1为第t+1期的GEMI值;
GEMIt-GEMIt-1<-0.03 (9)
GEMIt+1-GEMIt-1<-0.02 (10)
GEMIt+2-GEMIt-1<0 (11)
GEMIt+1-GEMIt≤0 (12)
BAIt>250 (13)
八、重复步骤五至步骤七,得到不同期的火烧迹地的数据,通过IDL编程对不同期的火烧迹地的数据进行合并之后,进行滤波处理,即得到火烧迹地。
机译: 一种基于重复提取的洋葱皮中槲皮素的有效提取方法和一种能增加洋葱皮提取粉中槲皮素含量的洋葱皮中有效地获取粉末的方法
机译: 一种基于显着性的夜视红外图像道路目标提取方法
机译: 基于全卷积网络的一种DR射线照相肺轮廓提取方法