一种基于MODIS的森林火灾火点检测方法技术

本发明专利技术公开了一种基于MODIS的森林火灾火点检测方法，先对来自MODIS的若干天的MOD02及MOD03数据构建时间序列数据，得到该若干天的NDVI和亮温的时间序列日值数据，然后采用时间序列断点识别算法识别NDVI和亮温的时间序列日值数据中的断点，将识别出的断点作为潜在火点；采用空间上下文分析法从潜在火点中判别出相对火点；从自主模块化传感器数据中提取真实火点，将相对火点与真实火点进行对比，验证相对火点的正确性和遗漏率。本发明专利技术利用BFAST算法检测时间序列数据断点的方法判别潜在火点，而不是固定阈值确定潜在火点，因此本发明专利技术算法对于火点判别更具有自适应性和灵活性，克服了固定阈值判别潜在火点无法满足区域性差异的不足，提高了火点判对率。

【技术实现步骤摘要】
一种基于MODIS的森林火灾火点检测方法
本专利技术涉及一种基于MODIS的森林火灾火点检测方法。
技术介绍
森林是一种主要的自然资源，在维持环境平衡中发挥着重要作用。而频发的森林火灾会直接导致森林退化，严重威胁地表植被和野生动物的生命健康。鉴于森林火灾的严重性，及时、准确地检测森林火点对减少灾害损失、保护森林资源和野生动物、掌握气候变化规律、维护生态平衡等具有重要意义。近年来，覆盖范围广、时空分辨率高的遥感手段在监测森林火灾中得到广泛的运用。而MODIS传感器扫描范围宽、属于太阳同步近极地轨道，空间分辨率与光谱分辨率适宜，在火灾监测方面表现良好的适用性和独特的优势。随着MODIS火点检测产品的发展，相应算法不断丰富。目前林火火点检测算法主要有光谱法、阈值法、空间上下文分析法、多时相法等。光谱法借助火点与其他地物的光谱差异，增强图像信息，目视定性地了解火点大致位置。阈值法是根据区域和季节的先验信息，设定火点判别物理量的阈值，从而确定火点；Kaufman、Kennedy、Arino、Melinotte和覃先林等人分别引入亮温、反射率、反照率、NDVI阈值、亮温-植被指数作为火点判别物理量，Lee和Tag技术依据像元背景亮温和地表温度的差异对通道亮温进行了校正；阈值方法简单省时高效，但很难适用于所有的气候和环境状况。针对固定阈值法的不足，Giglio提出了上下文算法，并发展成为了MODISV4算法；基于此，Wang引入烟羽掩膜确定潜在火点区域、Wang调整了潜在火点判别阈值中MIR和TIR通道的亮温差、彭光雄等采用了烟羽掩膜和自适应背景窗口技术、HEL等提出了消除太阳污染的方法、YingLi提出特征空间马氏距离法、肖霞提出类间方差和烟羽掩膜法，使得MODISV4算法日益成熟。与此同时，多时相法得到迅速发展，Keiji和Kushida基于多时相MODISV4产品构建双谱阈值的随机模型比MODISV4精度更高；MovaghatiS利用自动Agent算法检测区域火点，对面积小、温度低火点检测比MODISV4更有优势。总的来说，上下文分析法设定自适应背景窗口内目标与背景的差异度判识火点，提高了方法的适用范围和准确度，但通过固定阈值确定潜在火点的方法灵活性差，区域性差异考虑不足；多时相火点检测方法克服了不同区域环境阈值设置问题，更具有自适应性，能在早期发现火点，但要对历史数据进行统计分析和变化阈值设定。
技术实现思路
本专利技术的目的是解决目前森林火点检测方法中，上下文分析法需通过固定阈值确定潜在火点，灵活性差，区域性差异考虑不足；多时相火点检测方法要对历史数据进行统计分析和变化阈值设定，使用不便的技术问题。为实现以上专利技术目的，本专利技术提供一种基于MODIS的森林火灾火点检测方法，包括如下步骤：(1)识别潜在火点：先对来自MODIS的若干天的MOD02及MOD03数据构建时间序列数据，得到该若干天的NDVI和亮温的时间序列日值数据，然后采用时间序列断点识别算法识别所述NDVI和亮温的时间序列日值数据中的断点，将识别出的断点作为潜在火点；(2)判别相对火点：基于所述潜在火点及其背景像元，进行空间上下文分析，将识别出的火点作为相对火点，所述相对火点为真实火点。进一步地，所述步骤(1)中，在对所述MOD02及MOD03数据构建时间序列数据之前，先对所述MOD02及MOD03数据进行预处理。进一步地，所述预处理包括几何校正、数据有效性检查、亮温反演和NDVI反演。进一步地，所述几何校正包括去除“蝴蝶结”效应、投影转换和图像规则裁剪。进一步地，所述数据有效性检查包括对经几何校正后的数据进行重新赋值以及数据拼接处理。进一步地，步骤(1)中所述采用时间序列断点识别算法识别所述NDVI和亮温的时间序列日值数据中的断点的步骤如下：(a1)利用可加性分解模型迭代拟合趋势组分和季节组分，表示为：Yt＝Tt+St+et(t＝1,...,n)；其中：t为观测时间，Yt为t时刻观测值；Tt为趋势组分；St为季节组分；et为噪声组分，是观测值中除去趋势组分和季节成分后的剩余部分；设断点为则趋势组分Tt的线性模型表示为：其中：j为趋势断点所在位置，j＝1,...,m；αj为截距，βj为斜率，用来反演突变的幅度和断点前后渐变的斜率，对于断点t，若满足则断点t突变的幅度表示为：Magnitude＝(αj-1-αj)+(βj-1-βj)t；其中，βj-1和βj分别为断点前、后的渐变斜率；设断点为则季节组分St的谐波模型表示为其中，j为季节断点所在位置，j＝1,...,p；k为谐波项数，f为频率；γj,k＝aj,kcos(δj,k)，θj,k＝aj,ksin(δj,k)，aj,k和δj,k分别为频率f/k的振幅和相位：和δj,k＝tan-1(θj,k/γj,k)；(a2)断点监测：利用基于最小二乘法的移动求和检验是否存在断点，利用最小贝叶斯信息准则确定断点的最优数量，利用最小残差平方和估算断点的位置。进一步地，所述步骤(a2)的步骤如下：(a21)如果最小二乘法的移动求和检验表明趋势组分Tt中有断点，运用最小二乘法拟合季节性因素调整后的数据得到趋势断点的数量和位置；(a22)由基于M-估计的鲁棒回归估算得到趋势组分系数αj和βj，基于步骤(a1)中所述公式Magnitude＝(αj-1-αj)+(βj-1-βj)t，趋势组分估计值表示为：(a23)如果最小二乘法的移动求和检验表明季节组分St中有断点，运用最小二乘法拟合趋势性因素调整后的数据得到季节断点的数量和位置；(a24)由基于M-估计的鲁棒回归估算得到季节组分系数θj,k和γj,k，基于谐波模型，季节组分估计值表示为：(a25)以上步骤不断地迭代，直到断点的数量和位置不再变化。进一步地，步骤(2)中所述采用空间上下文分析法从所述潜在火点中判别出相对火点的步骤如下：(b1)云体掩膜：利用高级超高分辨率辐射计数据监测体，白天满足下式的像元为云体像元：ρ1+ρ2＞0.9orT32＜265Kor(ρ1+ρ2＞0.7andT32＜285K)；其中，ρ1、ρ2、T32分别为MODIS波段1的反射率、波段2的反射率、波段32的亮温；(b2)确定有效背景像元：以潜在火点为中心，向左、右、上、下分别延长1-5个像元，构建5×5、7×7……21×21大小的窗口，直到有效背景像元个数占窗口总像元数量的25％以上停止搜索，来确定窗口大小；(b3)火点判别：在获取所述有效背景像元之后，采用上下文空间统计分析方法对潜在火点进行判别，判别条件如下式，满足该条件则所述有效背景像元为火点像元，其中，为有效背景像元22和31波段亮温差的平均值，为有效背景像元22和31波段亮温差的平均绝对偏差；和分别为有效背景像元22和31波段的亮温差；和分别为有效背景像元22和31波段亮温的平均绝对偏差；为背景火点像元22波段亮温的平均绝对偏差。进一步地，所述步骤(2)后面还包括：从自主模块化传感器数据中提取真实火点，将步骤(2)中所述相对火点与所述真实火点进行对比，验证所述相对火点的正确性和遗漏率。本专利技术综合运用时间序列分析法和空间上下文分析法，利用时间序列断点识别算法(BFAST)检测归一化植被指数(NDVI)和亮温的时间序列日值数据断点，通过断本文档来自技高网...

【技术保护点】
一种基于MODIS的森林火灾火点检测方法，其特征在于，包括如下步骤：(1)识别潜在火点：先对来自MODIS的若干天的MOD02及MOD03数据构建时间序列数据，得到该若干天的NDVI和亮温的时间序列日值数据，然后采用时间序列断点识别算法识别所述NDVI和亮温的时间序列日值数据中的断点，将识别出的断点作为潜在火点；(2)判别相对火点：基于所述潜在火点及其背景像元，进行空间上下文分析，将识别出的火点作为相对火点，所述相对火点为真实火点。

【技术特征摘要】
1.一种基于MODIS的森林火灾火点检测方法，其特征在于，包括如下步骤：(1)识别潜在火点：先对来自MODIS的若干天的MOD02及MOD03数据构建时间序列数据，得到该若干天的NDVI和亮温的时间序列日值数据，然后采用时间序列断点识别算法识别所述NDVI和亮温的时间序列日值数据中的断点，将识别出的断点作为潜在火点；(2)判别相对火点：基于所述潜在火点及其背景像元，进行空间上下文分析，将识别出的火点作为相对火点，所述相对火点为真实火点。2.如权利要求1所述的方法，其特征在于，所述步骤(1)中，在对所述MOD02及MOD03数据构建时间序列数据之前，先对所述MOD02及MOD03数据进行预处理。3.如权利要求2所述的方法，其特征在于，所述预处理包括几何校正、数据有效性检查、亮温反演和NDVI反演。4.如权利要求3所述的方法，其特征在于，所述几何校正包括去除“蝴蝶结”效应、投影转换和图像规则裁剪。5.如权利要求3或4所述的方法，其特征在于，所述数据有效性检查包括对经几何校正后的数据进行重新赋值以及数据拼接处理。6.如权利要求1所述的方法，其特征在于，步骤(1)中所述采用时间序列断点识别算法识别所述NDVI和亮温的时间序列日值数据中的断点的步骤如下：(a1)利用可加性分解模型迭代拟合趋势组分和季节组分，表示为：Yt＝Tt+St+et(t＝1,...,n)；其中：t为观测时间，Yt为t时刻观测值；Tt为趋势组分；St为季节组分；et为噪声组分，是观测值中除去趋势组分和季节成分后的剩余部分；设断点为则趋势组分Tt的线性模型表示为：其中：j为趋势断点所在位置，j＝1,...,m；αj为截距，βj为斜率，用来反演突变的幅度和断点前后渐变的斜率，对于断点t，若满足则断点t突变的幅度表示为：Magnitude＝(αj-1-αj)+(βj-1-βj)t；其中，βj-1和βj分别为断点前、后的渐变斜率；设断点为则季节组分St的谐波模型表示为其中，j为季节断点所在位置，j＝1,...,p；k为谐波项数，f为频率；γj,k＝aj,kcos(δj,k)，θj,k＝aj,ksin(δj,k)，aj,k和δj,k分别为频率f/k的振幅和相位：和δj,k＝tan-1(θj,k/γj,k)；(a2)断点监测：利用基于最小二乘法的移动求和检验是否存在断点，利用最小贝叶斯信息准则确定断点的最优数量，利用最小残差平方和估算断点的位置。7.如权利要求...

【专利技术属性】
技术研发人员：宫阿都，苏永荣，吕潇然，尹晓天，李静，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：北京,11