基于气象与遥感数据的植被冠层可燃物含水率的估测方法及系统技术方案

本发明专利技术公开一种基于气象与遥感数据的植被冠层可燃物含水率的估测方法及系统，包括以下步骤：首先选择可燃物含水率与各类气象数据与遥感数据及其他几种附属数据作为可燃物含水率估测数据。气象数据包括气温、相对湿度、降雨量与风速。遥感数据包括两种植被指数：增强植被指数和归一化植被指数。附属数据包括：根区土壤水分、蒸汽压差、干旱指数、加拿大火灾天气因子。然后对气象数据进行长时间序列特征的提取。先确定时间窗口的大小，实验结果表明90

【技术实现步骤摘要】
基于气象与遥感数据的植被冠层可燃物含水率的估测方法及系统


[0001]本专利技术涉及遥感
，特别是一种基于气象与遥感数据的植被冠层可燃物含水率的估测方法。

技术介绍

[0002]野火会对生态系统造成严重的伤害：野火一旦发生，不仅会毁灭周边几乎所有的动植物，同时由于难以控制，危及着周边居民和救灾人员的安全。所以，面对野火，只有在可能发生火灾前及时施以措施以避免野火的发生。所以如何为野火的发生给予提前且精准的预警，是目前研究的重点。植被冠层可燃物含水率对野火的发生和传播紧密相关，可燃料的水分含量是火灾点燃和蔓延速度的主要决定因素。
[0003]目前，获取活可燃物含水率(LFMC，Live Fuel Moisture Content)数据的方法有以下几种。实地采样是最直接和简单的方法，但由于操作复杂和耗费大量人力、物力和时间，所以很难实施到区域或全球尺度。目前很多火灾风险评估预警系统使用气象指数取估测可燃物含水率，但都主要用于在死可燃物含水率估测上。因为它们与大气条件的关系比活可燃物更直接且更容易被点燃。死可燃物，特别是细小可燃物，对大气条件反应迅速，可以根据温度、湿度或蒸汽压力不足等输入进行建模。但相比之下，活可燃物含水率(LFMC)难以建模，因为水分含量与植物生理状态密切相关，不同物种之间可能存在显着差异，不同季节也会有高低变化。活植物在干旱条件下会控制其气孔导度并且具有从土壤中获取水分的能力，所以气象指数对活植被含水率的关系不如死亡植被直接。另外，由于气象数据的空间分辨率较低，大多需要进一步插值处理，才能得到可燃物的含水率的全方面空间尺度的估计。尽管将气象指标应用到活植物上存在困难，但在地中海环境中，几个干旱指标已与LFMC相联系，并显示出良好的一致性。
[0004]因此将气象数据应用到可燃物植被含水率的估测具有是有研究价值的和发展空间的。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于气象与遥感数据的植被冠层可燃物含水率的估测方法，该方法主要利用气象数据和遥感数据，从气象数据中挖掘与LFMC相关的时间特征，利用XGBoost机器学习方法达到对植被冠层含水率的估测。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]本专利技术提供的基于气象与遥感数据的植被冠层可燃物含水率的估测方法，包括以下步骤：
[0008]获取可燃物含水率数据与气象数据、遥感数据及辅助数据，所述可燃物含水率数据为实地采样数据，所述气象数据、遥感数据作为基本特征变量；
[0009]对气象数据进行长期时间序列特征提取；
[0010]构建数据库，所述数据库用于存储不同植被覆盖类型的数据集；
[0011]构建XGBoost模型，按照植被覆盖类型，将数据集分别划分训练集与验证集，对XGBoost模型调参得到最优模型，得到最优可燃物含水率的估测模型；
[0012]将验证集输入到最优可燃物含水率的估测模型中得到FMC预测结果。
[0013]进一步，所述遥感数据为四种植被指数，分别为归一化植被指数、增强植被指数、可见大气阻力指数、归一化红外指数，所述气象数据为风速、温度、降雨量、相对湿度。所述辅助数据包括根区土壤水分、蒸汽压差、干旱指数、加拿大火灾天气因子等。
[0014]进一步，还包括以下步骤：
[0015]确定长期气象数据时间特征提取的时间窗口的大小，对每条可燃物含水率LFMC数据，分别求取它所对应的气象数据在预设时间范围内的滑动平均值，并计算相关系数，确定相关系数在预设值的区间作为时间窗口选择区间。
[0016]进一步，所述长期气象数据时间序列特征包括气象数据的90天、150天、210天时间特征因子；所述植被覆盖类型的数据库是根据MCD12Q1的IGBP分类构建的。
[0017]进一步，所述XGBoost模型按照以下方式构建：
[0018]XGBoost是由k个基模型组成的一个加法模型，假设第t次迭代要训练的树模型是f
t
(x)，则有：
[0019][0020]其中，为第t次迭代后样本i的预测结果，为前t
‑
1棵树的预测结果，f
t
(x
i
)为第t棵树的模型；f
k
(x
i
)表示第k棵树的模型；
[0021]进一步，所述XGBoost模型中的损失函数按照以下公式计算：
[0022][0023]其中，L表示所有样本的损失函数；n为样本的数量，表示单个样本的损失函数；表示预测值，y
i
表示真实值。
[0024]进一步，所述XGBoost模型中的目标函数的定义如下：
[0025][0026]其中，G
j
表示叶子结点j所包含样本的一阶偏导数累加之和；H
j
表示叶子结点j所包含样本的二阶偏导数累加之和；j表示第j个叶子节点；T表示叶子节点的个数；γ为正则化参数；ω
j
表示第j个叶子节点的权重。
[0027]进一步，所述XGBoost模型在训练过程中按照以下方式进行：
[0028]当建立第t棵树时，采用贪心算法计算叶子节点的最优切分点；
[0029]计算分枝前后的结构分数之差，记为Gain，选择Gain最大的特征点上的分枝点进行分枝，当Gain小于模型设置的最小值时，树停止生长；
[0030]假设在某一节点完成特征分裂，则分裂前的目标函数可以写为：
[0031][0032]分裂后的目标函数为：
[0033][0034]则对于目标函数来说，分裂后的收益为：
[0035][0036]H
L
表示该叶子结点分裂出的左侧叶子节点L所包含样本的一阶偏导数累加之和；
[0037]H
R
表示该叶子结点分裂出的右侧叶子节点R所包含样本的一阶偏导数累加之和；
[0038]G
L
表示该叶子结点分裂出的左侧叶子节点L所包含样本的二阶偏导数累加之和；
[0039]G
R
表示该叶子结点分裂出的右侧叶子节点R所包含样本的二阶偏导数累加之和。
[0040]本专利技术提供的基于气象与遥感数据的植被冠层可燃物含水率的估测系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法。
[0041]本专利技术的有益效果在于：
[0042]本专利技术提供的基于气象与遥感数据的植被冠层可燃物含水率的估测方法。该模型融合了气象数据和遥感数据，其最大优势在主要利用气象数据及基于气象数据挖掘到与LFMC相关的长期时间序列特征实现了对LFMC的估测精度的提升。植被的含水率影响着植被的生理状况，而气象又与植被的生理状态息息相关，但这种相关并不是及时的，而是通过长期效应累积，因此，长期时间特征因子是本方法中的重点和关键。通过分析及挖掘，提取的长期时间特征表现出明显的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于气象与遥感数据的植被冠层可燃物含水率的估测方法，其特征在于：包括以下步骤：获取可燃物含水率数据与气象数据、遥感数据及辅助数据，所述可燃物含水率数据为实地采样数据，所述气象数据、遥感数据作为基本特征变量；对气象数据进行长期时间序列特征提取；构建数据库，所述数据库用于存储不同植被覆盖类型的数据集；构建XGBoost模型，按照植被覆盖类型，将数据集分别划分训练集与验证集，对XGBoost模型调参得到最优模型，得到最优可燃物含水率的估测模型；将验证集输入到最优可燃物含水率的估测模型中得到FMC预测结果。2.如权利要求1所述的基于气象与遥感数据的植被冠层可燃物含水率的估测方法，其特征在于：所述遥感数据为四种植被指数，分别为归一化植被指数、增强植被指数、可见大气阻力指数、归一化红外指数，所述气象数据为风速、温度、降雨量、相对湿度。所述辅助数据包括根区土壤水分、蒸汽压差、干旱指数、加拿大火灾天气因子等。3.如权利要求1所述的基于气象与遥感数据的植被冠层可燃物含水率的估测方法，其特征在于：还包括以下步骤：确定长期气象数据时间特征提取的时间窗口的大小，对每条可燃物含水率LFMC数据，分别求取它所对应的气象数据在预设时间范围内的滑动平均值，并计算相关系数，确定相关系数在预设值的区间作为时间窗口选择区间。4.如权利要求1所述的基于气象与遥感数据的植被冠层可燃物含水率的估测方法，其特征在于：所述长期气象数据时间序列特征包括气象数据的90天、150天、210天时间特征因子；所述植被覆盖类型的数据库是根据MCD12Q1的IGBP分类构建的。5.如权利要求1所述的基于气象与遥感数据的植被冠层可燃物含水率的估测方法，其特征在于：所述XGBoost模型按照以下方式构建：XGBoost是由k个基模型组成的一个加法模型，假设第t次迭代要训练的树模型是f
t
(x)，则有：其中，为第t次迭代后样本i的预测结果，为前t
‑
1棵树的预测结果，f
t
(x
i
)为第t棵树的模型；f
k
...

【专利技术属性】
技术研发人员：全兴文，王文丽，倪希亮，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：