基于多源遥感数据的MODIS卫星火点准确性判别方法

摘要

本发明提供一种基于多源遥感数据的MODIS卫星火点准确性判别方法，综合MODIS遥感数据、气象数据、地表覆盖分类数据、高程数据、坡度数据、历史火点分布数据等数据对识别出的火点加以进一步的可信度验证，提高了遥感火点识别的准确性。经验证后可信度较高的火点将加入历史火点分布数据，从而不断更新历史火点分布数据，更新影响因子的客观权重，提高验证结果的准确性。

说明书

技术领域

本发明属于卫星遥感应用领域，具体涉及多源遥感数据在 MODIS卫星火点识别分析的应用，。

背景技术

火点在红外光谱波段会引起的异常高温，导致在影像上火点区域 与周围像素有明显反差，遥感技术利用这个特点进行火点识别。早期 用于火点识别的卫星平台如GOES和NOAA空间分辨率较低，美国 的陆地卫星、法国的SPOT卫星等中分辨率数据动态监测能力低成本 高，中分辨率成像光谱仪(MODIS)具有36个波段，电磁波谱范围 为0.4-14μm，空间分辨率为250m，覆盖了从可见光到远红外波段的 范围，对地表高温灵敏度高，对火点识别效果较好。

传统的MODIS火点识别采用固定阈值法，即对校正影像的部分 波段信息进行地面温度反演，然后结合背景像元的平均值、方差等信 息设定阈值，通过固定阈值识别火点。有时为了避免误判，阈值设置 较大，但是会遗漏部分小火点。传统火点识别方法并未考虑背景环境 信息，同一温度火点在背景温度较低的影像中表现明显，在背景温度 较高的影像中难以识别，在植被、水体覆盖较多的区域火点识别也易 受背景环境影响。因此，传统MODIS火点识别算法很容易造成误判、 漏判。

发明内容

针对现有MODIS火点识别方法中存在较多的误判概率，本发明 提出一种基于多源遥感数据的MODIS卫星火点准确性判别方法，通 过在MOIDS火点识别中引入MODIS干旱指数、土地覆盖分类信息、 气象数据、历史火点数据、等数据，评估识别火点的准确性并筛选识 别结果，提高识别准确性。

为实现以上目的，本发明通过以下技术方案予以实现：

一种基于多源遥感数据的MODIS卫星火点准确性判别方法，其 特征在于，包括以下步骤：

步骤1：利用经典MODISV4火点识别算法，通过MODIS数据 识别出实时火点；

步骤2：获取火点识别区域该时段内MODIS数据，计算出火点 覆盖范围的MODIS干旱影响因子；

步骤3：获取火点识别区域该时间段内降水量数据，插值出火点 覆盖范围的降水影响因子；

步骤4：通过全球30米地表覆盖(GlobeLand30)分类数据，提 取出火点覆盖范围的地表覆盖分类结果，计算火点位置的地表植被影 响因子；

步骤5：获取火点识别区域的高程(DEM)、坡度数据山火影响因 子；

步骤6：通过火点识别区域的历史火点分布，利用主观赋权法— 熵值法求出步骤2得到的MODIS干旱影响因子、步骤3得到的降水 影响因子、步骤4得到的地表植被影响因子以及步骤5得到的山火影 响因子对应的权重；

步骤7：综合火点覆盖范围的各影响因子与相对应的权重，加权 计算出该范围内山火风险分布图，对火点位置区域进行山火风险评 估，并以此为基础验证步骤1识别出的实时火点的准确性。

如上所述的方法，所述步骤2包括以下步骤：

步骤2.1：根据火点识别区域该时段内MODIS数据，计算归一 化植被指数NDVI；

步骤2.2：根据火点识别区域该时段内MODIS数据，计算陆地 表面温度LST；

步骤2.3：利用归一化植被指数NDVI和陆地表面温度LST构建 NDVI-TS特征空间，得到温度植被旱情指数(TVDI)模型，计算不 同时间不同气候区各像元的TVDI；

步骤2.4：依据专家打分法，将TVDI重新分为5级，得出MODIS 干旱影响因子。

如上所述的方法，所述步骤4包括以下步骤：

步骤4.1：提取火点周围1公里内区域的地表覆盖分类数据；

步骤4.2：将地表覆盖分类数据重新分类为植被和非植被两类；

步骤4.3：计算所述步骤4.1中区域的植被覆盖面积百分比，即为 地表植被影响因子，计算公式如下：

$P=\frac{P_F}{P_L}$

其中，P为所述区域的植被覆盖面积百分比，P_F为所述区域的植 被覆盖面积，P_L为所述区域总面积。

如上所述的方法，所述步骤6进一步包括下述步骤：

步骤6.1：计算在某一个影响因子各范围值区域内的历史火点个 数a_i，其中i＝1，2，…，m，m表示影响因子二级因子的个数。

步骤6.2：通过统计各因素每段的历史火点个数并进行归一化后， 将归一化的值作为求各因素信息熵的指标；

步骤6.3：按照熵值法求出每个影响因子权重熵值，并计算每个 影响因子的客观权重，权重熵值E_i计算公式为：

$E_i=-e\underset{j=1}{\overset{m}{\Sigma }}{I}_{ij}1n\left(I_{ij}\right),i=(1,2,...,n)$

其中，I_i为所述影响因子第i个二级因子的归一化值，n是影响 因子的个数，对于第i个因子来说，e是一个常数，取值为1/lnm，m 为该因子的二级因子的个数；

每个影响因子的客观权重由下式计算得出：

$Z_i=\frac{1-E_i}{n-\underset{i=1}{\overset{n}{\Sigma }}{E}_i},i=1,2,\mathrm{...},n$

其中，n是影响因子的个数；

步骤6.4：通过主观定权重的方法来确定植被覆盖影响因子的权 重。

本发明在MODIS火点检测算法识别火点的基础上，综合MODIS 遥感数据、气象数据、地表覆盖分类数据、高程数据、坡度数据、历 史火点分布数据等数据对识别出的火点加以进一步的可信度验证，提 高了遥感火点识别的准确性。经验证后可信度较高的火点将加入历史 火点分布数据，从而不断更新历史火点分布数据，更新影响因子的客 观权重，提高验证结果的可靠性。

附图说明

图1为本发明所涉及的山火风险评估的流程图；

图2为本发明所涉及的MODIS干旱指数计算流程图；

图3为本发明所涉及的地表温度反演流程图；

图4为本发明所涉及的熵值法求权重流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结 合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、 完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有 做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护 的范围。

本发明实施例提供一种基于多源遥感数据的MODIS卫星火点准 确性判别方法，对中国湖北火点识别结果进行准确性验证。参见图1， 本发明实施例具体包括以下步骤：

步骤1：利用经典V4火点识别算法，通过MODIS数据识别出 实时火点。

基于亮温阈值法识别火点像素并计算其空间位置。选择MODIS 数据21通道和31通道作为主要数据，T₄为21通道亮温值，T₄₁为 21和31通道亮温值，结合背景像元平均值、方差等信息检测火点， 识别的阈值和逻辑条件为：

T₄＞360k(夜间为330k)(1)

T₄＞320k(夜间为315k)(2)

T₄₁＞20k(夜间为20k)(3)

T₄＞T_4b+4×ΔT_4b(4)

T₄₁＞T_41b+4×ΔT_41b(5)

上式中T_4b和ΔT_4b是T₄的均值和方差，T_41b和ΔT_41b是T₄₁的均值和 方差，其中若式(1)为真或者式(2)、(3)为真或者式(4)、(5) 为真则可初步判定为火点。

步骤2：通过步骤1识别出的火点识别区域时间段内MODIS数 据计算出MODIS干旱影响因子。

如图2所示，所述步骤2进一步包括下述步骤：

步骤2.1：根据火点识别区域该时段内MODIS数据，计算归一 化植被指数NDVI：

植被指数作为一种遥感手段广泛应用于土地利用覆盖探测、植 被覆盖密度评价、作物识别和作物预报等方面。归一化植被指数NDVI 是迄今为止应用最广的一个植被指数。很多卫星遥感数据都提供了计 算这个指数所需的通道信息，以MODIS为例，计算公式为：

NDVI＝(ρ2-ρ1)/(ρ2+ρ1)(6)

其中，ρ1为第一波段(红波段)的反射率，ρ2是第二波段(近红外 波段)的反射率。

步骤2.2：根据火点识别区域该时段内MODIS数据，计算陆地 表面温度LST：

地表温度(LST)采用覃志豪等人提出的适用于MODIS数据的地 表温度反演算法，计算过程需要三个主要参数：热红外波段的亮度温 度，大气透过率和地表的发射率，三个基本参数都可以从MODIS数 据中反演得到，该算法具体地表温度反演流程如图3所示：

步骤2.3：根据火点识别区域该时段内MODIS数据，计算TVDI

利用归一化植被指数NDVI和陆地表面温度LST构建NDVI-TS 特征空间，得到温度植被旱情指数(TVDI)模型，计算不同时间不 同气候区各像元的TVDI，其公式如下：

$\begin{array}{c}TVDI=\frac{LST-{\mathrm{LST}}_{{\mathrm{NDVI}}_{i.\min }}}{{\mathrm{LST}}_{{\mathrm{NDVI}}_{i.\max }}-{\mathrm{LST}}_{{\mathrm{NDVI}}_{i.\min }}}\\ {\mathrm{LST}}_{{\mathrm{NDVI}}_{i.\max }}=a_1+b_1\times {\mathrm{NDVI}}_i\\ {\mathrm{LST}}_{{\mathrm{NDVI}}_{i.\min }}=a_2+b_2\times {\mathrm{NDVI}}_i\end{array}---\left(7\right)$

其中，TVDI为某像元的植被旱情指数，LST为该像元的地表 面温度，为该像元的NDVI值对应的最大的LST值，

为该像元的NDVI值对应的最小LST值。

步骤2.4：依据专家打分法将TVDI重新分为5级，如表1所示：

表1

重新分级后得出MODIS干旱影响因子。

步骤3：根据湖北省气象监测站气象监测数据，获取火点识别区 域该时间段内降水量数据，并插值出该区域内降水分布作为降水影响 因子。

步骤4：通过全球30米地表覆盖(GlobeLand30)分类数据，提 取出火点覆盖范围的地表覆盖分类结果，计算火点位置的地表植被影 响因子。所述步骤4进一步包括下述步骤：

步骤4.1：提取火点周围1公里内区域的地表覆盖分类数据；

步骤4.2：将地表覆盖分类数据重新分类为林地和非林地两类；

需要说明的是，所述步骤4.2中全球30米地表覆盖(GlobeLand30) 分类数据由国家基础地理信息中心提供，将地表覆盖分为耕地、森林、 草地、灌木、湿地、水体、苔原、人造地表、裸地、冰川和永久积雪 等10种类型。所述步骤4.2重分类时将森林、灌木、草地重新分类 为植被，将其余类型重新分类为非植被。

步骤4.3：计算所述步骤4.1中区域的植被覆盖面积百分比，计算 公式如下：

$P=\frac{P_F}{P_L}---\left(8\right)$

其中，P为所述区域的植被覆盖面积百分比，P_F为所述区域的植 被覆盖面积，P_L为所述区域总面积。

计算出的植被覆盖面积百分比即为地表植被影响因子。

步骤5：获取火点识别区域的高程(DEM)、坡度数据等山火影响 因子：将DEM和坡度分段以后即得到DEM、坡度的山火影响因子。

步骤6：通过火点识别区域的历史火点分布，使用客观赋权法— —熵值法来确定一级因子的权重，由各因素的权重所组成的集合 A＝{a₁，a₂，…，a₁₀}，A称为权重集，流程图如图4所示，求出各影响 因子对应的权重。所述步骤6进一步包括下述步骤：

步骤6.1计算在某一个影响因子各范围值区域内的历史火点个 数a_i，其中i＝1，2，…，m，m表示影响因子二级因子的个数。

需要说明的是，所述步骤6.1中影响因子二级因子为该影响因 子的分级因子，如将降水量分为≤24.5、24.6～52.9、≥53.0三级，降 水量因子的二级因子个数为3。

步骤6.2通过统计各因素每段的历史火点个数并进行归一化后， 能将归一化的值作为求各因素信息熵的指标。

需要说明的是，对某一影响因子进行归一化计算公式为：

$I_i=\frac{a_{ij}}{\underset{1}{\overset{m}{\Sigma }}{a}_{ij}}---\left(9\right)$

其中，Ii为所述影响因子第i个二级因子的归一化值。

表2为本实例中山火影响因子归一化值统计表。

步骤6.3按照熵值法求出每个影响因子权重熵值，并计算每个 影响因子的客观权重。

需要说明的是，权重熵值计算公式为：

$E_i=-e\underset{j=1}{\overset{m}{\Sigma }}{I}_{ij}ln\left(I_{ij}\right),i=(1,2,...,n)---\left(10\right)$

其中，n是影响因子的个数，对于第i个因子来说，e是一个常 数，取值为1/lnm，m为该因子的二级因子的个数。

需要说明的是，每个影响因子的客观权重可以由下式计算得出：

$Z_i=\frac{1-E_i}{n-\underset{i=1}{\overset{n}{\Sigma }}{E}_i},i=1,2,\mathrm{...},n---\left(11\right)$

其中，n是影响因子的个数。

表3为本实例中根据熵值法所得的山火影响因子客观权重

步骤6.4通过主观定权重的方法来确定植被覆盖影响因子的权重。 主观定权对植被影响因子定权，客观赋权法将其余因子的权分配到坡 度、DEM、遥感干旱因子、降雨量等山火风险因子上。

由于植被分布的数据只在火点周围1公里的范围内，无法采用 上述方法来求权重，因此考虑通过主观定权重的方式来确定，根据专 家意见最终将植被分布因子的权重a定为0.4～0.6，其余因子1-a权重 按照上表的比例来进行分配。不同a值及对应的其他因子的权重如表 4所示。

表4

经过实验表明，本实例中按照植被因子权重0.6，坡度因子权重 0.06，DEM高程因子权重0.19，遥感干旱因子0.07，降雨量因子0.08 分配权重时与历史火点相关度最高，因此采用上述结果分配权重。

步骤7：对影响因子各分段进行赋值，1表示该因子对山火风险 性影响最低，4表示对山火风险性影响最高。对以上的山火各影响因 素赋值进行汇总然后对各个影响因子进行平均加权(分值×权重)，公 式如下：

$X={\Sigma }_{i=1}^n{a}_i{k}_i---\left(12\right)$

其中k_i和a_i分别表示第i个影响因子在该位置被赋予的风险值与 该影响因子的权重。火险评估综合得分X的取值范围为[1,4]，如表5 所示，1代表低火险等级，4代表可能山火概率较高。根据X的大小， 结合获得该输电线路走廊区域的火险等级以及火险等级因子a的数 值，即得到了该输电线路走廊未来一段时间内的火险等级。

表5

综合得分X范围 风险等级 火险等级因子a 1≤X≤1.5 低风险I 1 1.5<X≤2.5 中等风险II 2 2.5<X≤3.5 较高风险III 3 3.5≤X≤4 高风险IV 4

以此来验证MODIS识别火点的准确性，根据火点落在不同山火 风险的区域，来提高或降低其可信度，并将低可信度的火点作为假火 点剔除，进而提高火点识别结果的准确性。