结合光谱指数和神经网络的火灾过火迹地识别方法技术

本发明专利技术公开了一种结合光谱指数和神经网络的火灾过火迹地识别方法，通过不同地物类别的光谱特性分析，采用对各地物类别分离性最优的光谱指数作为神经网络的输入特征，可以增强过火迹地像元与其他类别像元的区分度；同时，通过光谱指数作为训练样本来构建分类器，可以实现对卫星影像进行过火迹地的识别，且适用性和精度有所提高。

Combining Spectral Index and Neural Network for Fire Overfire Recognition

The invention discloses a method for identifying fire over-fires based on spectral index and neural network. By analyzing the spectral characteristics of different types of ground objects, the spectral index with the best separation for different types of ground objects is used as the input feature of the neural network, which can enhance the discrimination between the over-fires and other types of pixels. At the same time, the spectral index is used as a training sample to construct the fire over-fires. Establishment of classifier can realize the recognition of satellite images over-fires, and improve the applicability and accuracy.

【技术实现步骤摘要】
结合光谱指数和神经网络的火灾过火迹地识别方法
本专利技术涉及火灾灾害评估领域，尤其涉及一种结合光谱指数和神经网络的火灾过火迹地识别方法。
技术介绍
近些年来，自然火灾仍然是当今世界的主要灾害之一，对人类的生命财产安全、生物多样性和生态环境等造成了极大的威胁。森林、草原火灾突发性强、破坏力大，一旦爆发难以控制，极易造成重大的生命财产损失。生物质的燃烧会释放大量的温室气体(如CO2，CO，CH4，NOX等)和气溶胶，改变大气化学成分的同时，还会直接对全球气候系统造成影响。同时，自然火灾还会破坏生物栖息地和生物多样性，影响植被的演替生长过程。过火迹地是火灾发生之后植被燃烧的区域，可以模拟和统计火灾对生态、气候系统所造成影响，因此过火迹地的识别对于火灾灾害评估、灾后重建和植被恢复具有重要意义。随着卫星影像和遥感技术的不断发展，给过火迹地的研究带来了新的机遇。目前国内外很多学者研究了过火迹地的识别算法，主要采用的卫星传感器包括：AVHRR、VEGETATION、MODIS、ASTER、TM、ETM+、OLI等。其中搭载于Terra和Aqua卫星的MOIDS传感器每天最多可以过境4次，涵盖了从可见光至热红外的光谱区域共36个光谱波段，因此MOIDS传感器数据已成为进行过火迹地研究的主要数据。目前，过火迹地的识别方法主要分为基于多时相遥感数据和基于单幅遥感影像的算法。1、基于多时相遥感数据的算法主要包括：Fraser,R.H.,etal.(2000)利用检测的热点训练得到多时相归一化植被指数(NDVI)影像的差分阈值，从而识别过火迹地；Loboda,O'Nealetal.(2007)利用火灾发生前后的遥感数据计算差分归一化燃烧指数(dNBR)影像，再对其应用阈值，并结合MODIS火点产品最终识别得到过火迹地区域；Giglio,L.,etal.(2009)利用每天的火灾敏感植被指数(VI)合成图，通过动态阈值的使用和火点产品的指导，获得燃烧和非燃烧的像素集，再通过贝叶斯原理判断获得过火迹地的区域。然而，上述基于多时相遥感数据的算法需要获取火灾发生前后不同时间的遥感数据，容易受到植被恢复和火灾灰烬散失的影响，导致不同地物类别之间的光谱特性差异减小，从而影响结果的精度。2、基于单幅遥感影像的算法主要包括：Li,R.R.,etal.(2004)通过分析过火迹地和非过火迹地的数据在近红外(1.24μm)和短波红外(2.13μm)波段的分布，获得经验公式来识别过火迹地像素。Cao,X.,etal.(2009)和Stroppiana,D.,etal.(2015)研究了几种光谱指数对于过火迹地像素与其他地物类别像素的区分度，并分别开发了基于支持向量机和模糊算法的方法整合光谱指数来识别过火迹地。然而，上述基于单幅遥感影像的算法对于不同光谱波段和光谱指数对各种地物类别的分离性研究仍不够透彻，像素分类容易出现误判和漏判，从而导致算法的精度降低。总体来说，现有的过火迹地识别技术，对不同地物的光谱特性研究仍很薄弱，算法的精度仍需要提高。
技术实现思路
本专利技术的目的是提供一种结合光谱指数和神经网络的火灾过火迹地识别方法，可实现对火灾发生后过火迹地区域的有效识别，从而获取火灾的燃烧范围和面积，为火灾灾后评估和重建提供技术手段。本专利技术的目的是通过以下技术方案实现的：一种结合光谱指数和神经网络的火灾过火迹地识别方法，包括：对MODIS数据进行数据预处理，获取目标区域每个像元在各个光谱波段的反射率、发射率与亮温数据；同时，采用劈窗算法获得地表温度数据；结合目标区域每个像元在各个光谱波段的反射率与亮温数据，以及地表温度数据，通过经验公式方法、多阈值方法和目视判别法提取过火迹地、植被、裸土、云、阴影五种地物类型的数据；通过不同地物类型光谱特性的分离性分析，选择分离性最优的光谱指数建立训练样本作为神经网络的输入特征；其中，各光谱指数通过相应光谱波段的反射率与发射率来确定；采用训练样本对神经网络进行训练得到分类器，继而对测试数据进行分类，提取得到过火迹地区域。由上述本专利技术提供的技术方案可以看出，通过不同地物类别的光谱特性分析，采用对各地物类别分离性最优的光谱指数作为神经网络的输入特征，可以增强过火迹地像元与其他类别像元的区分度；同时，通过光谱指数作为训练样本来构建分类器，可以实现对卫星影像进行过火迹地的识别，且适用性和精度有所提高。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。图1为本专利技术实施例提供的一种结合光谱指数和神经网络的火灾过火迹地识别方法的流程图；图2为本专利技术实施例提供的案例研究区域和本专利技术对研究区域的处理结果示意图。具体实施方式下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，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，都属于本专利技术的保护范围。本专利技术实施例提供一种结合光谱指数和神经网络的火灾过火迹地识别方法，其主要包括如下步骤：步骤1、对MODIS数据进行数据预处理，获取目标区域每个像元在各个光谱波段的反射率、发射率与亮温数据；同时，采用劈窗算法获得地表温度数据。本专利技术实施例中，MODIS数据的获取主要是从美国国家航空航天局(NASA)的大气档案与分发系统(AtmosphereArchive&DistributionSystem(LAADS))分布式数据档案中心(DistributedActiveArchiveCenter(DAAC))以及中国科学技术大学火灾科学国家重点实验室的森林火灾卫星遥感实验平台。本专利技术实施例中，所述对MODIS数据进行数据预处理包括：依次对数据进行辐射定标、几何校正和大气校正，消除原始影像的几何畸变，去除传感器本身和大气散射、吸收引起的误差，最终获取目标区域每个像元在36个光谱波段的反射率、发射率或亮温数据。本专利技术实施例中，ρx表示第x波段的发射率，E代表发射率，BTx代表第x波段的亮温值，Ts表示地表温度，例如ρ1代表第1波段的反射率，BT32代表第32波段的亮温值；光谱范围的缩写包括B(蓝光波段)，G(绿光波段)，R(红光波段)，NIR(近红外波段)，SSWIR(短短波红外波段)，LSWIR(长短波红外波段)。本领域技术人员可以理解，第1～36各个波段的光谱范围与B、G、R、NIR、SSWIR、LSWIR这些波段的隶属关系为本领域已经定义的，主要由卫星传感器MODIS本身的仪器特性决定。步骤2、结合目标区域每个像元在各个光谱波段的反射率与亮温数据，以及地表温度数据，通过经验公式方法、多阈值方法和目视判别法提取过火迹地、植被、裸土、云、阴影五种地物类型的数据。本专利技术实施例中对于个地物类型判别方法如下：1)过火迹地数据的提取主要是基于经验公式方法与多阈值方法，通过对多处火灾场景中的数据进行第5和第7波段反射率数据的散点图分析，满足如下公式即判定为过火迹地像素，从而提取过火迹地数据本文档来自技高网...

【技术保护点】
1.一种结合光谱指数和神经网络的火灾过火迹地识别方法，其特征在于，包括：对MODIS数据进行数据预处理，获取目标区域每个像元在各个光谱波段的反射率、发射率与亮温数据；同时，采用劈窗算法获得地表温度数据；结合目标区域每个像元在各个光谱波段的反射率与亮温数据，以及地表温度数据，通过经验公式方法、多阈值方法和目视判别法提取过火迹地、植被、裸土、云、阴影五种地物类型的数据；通过不同地物类型光谱特性的分离性分析，选择分离性最优的光谱指数建立训练样本作为神经网络的输入特征；其中，各光谱指数通过相应光谱波段的反射率与发射率来确定；采用训练样本对神经网络进行训练得到分类器，继而对测试数据进行分类，提取得到过火迹地区域。

【技术特征摘要】
1.一种结合光谱指数和神经网络的火灾过火迹地识别方法，其特征在于，包括：对MODIS数据进行数据预处理，获取目标区域每个像元在各个光谱波段的反射率、发射率与亮温数据；同时，采用劈窗算法获得地表温度数据；结合目标区域每个像元在各个光谱波段的反射率与亮温数据，以及地表温度数据，通过经验公式方法、多阈值方法和目视判别法提取过火迹地、植被、裸土、云、阴影五种地物类型的数据；通过不同地物类型光谱特性的分离性分析，选择分离性最优的光谱指数建立训练样本作为神经网络的输入特征；其中，各光谱指数通过相应光谱波段的反射率与发射率来确定；采用训练样本对神经网络进行训练得到分类器，继而对测试数据进行分类，提取得到过火迹地区域。2.根据权利要求1所述的一种结合光谱指数和神经网络的火灾过火迹地识别方法，其特征在于，所述对MODIS数据进行数据预处理包括：依次对数据进行辐射定标、几何校正和大气校正。3.根据权利要求1所述的一种结合光谱指数和神经网络的火灾过火迹地识别方法，其特征在于，所述结合目标区域每个像元在各个光谱波段的反射率与亮温数据，以及地表温度数据，通过经验公式方法、多阈值方法和目视判别法提取过火迹地、植被、裸土、云、阴影五种地物类型的数据包括：通过对多处火灾场景中的数据进行第5和第7波段反射率数据的散点图分析，满足如下公式即判定为过火迹地像素，从而提取过火迹地数据：(ρ5-β)/ρ7＜α；其中，β与α均为设定的阈值；当像元满足以下条件时，即判定为植被像元，从而提取植被数据：NDVI＝(ρ2-ρ1)/(ρ2+ρ1)＞0.3；当像元满足以下条件时，即判定为云像元，从而提取云数据：(ρ1+ρ2)＞0.7且BT32＜285K；或者，(ρ1+ρ2)＞0.9；或者，(BT32＜265K)；当像元满足以下条件时，即判定为裸土像元，从而提取裸土数据：NDVI＜0.2且(ρ9-ρ7)/(ρ9+ρ7)≥0.1；上述式子中，ρ表示发射率，BT表示亮温值，下标数字表示波段的序号；对MODIS数据采用第1、4、3波段分别作为RGB合成图像的三个通道，然后对组合得到的真彩色影像采用目视判别法，提取得到阴影像元的数据。4.根据权利要求1所述的一种结合光谱指数和神经网络的火灾过火迹地识别方法，其特征在于，分离性最优的光谱指数包括：植被指数VI、炭土壤指数CSI、中红外燃烧指数MIRBI、归一化燃烧比率指数NBR以及基于NBR指数的波段组合形式并分别整合了发射率数据的指数NSEv1和地表温度数据的指数NSTv1，其表示为：VI＝(ρNIR-ρLSWIR)/(ρNIR+ρLSWIR)；CSI＝ρNIR/ρSSWIR；MIRBI＝10ρLSWIR-9.5ρSSWIR+2；NBR＝(ρNIR-ρLSWIR)/(ρNIR+ρLSWIR)；NSEv1＝(ρNIR-ρLSWIR)×E/(ρNIR+ρLSWIR)；NSTv1＝(ρNIR-ρLSWIR)×Ts/(ρNIR-...

【专利技术属性】
技术研发人员：宋卫国，巴锐，张俊，叶锐，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽,34