基于DEM的多维遥感全方位火灾监测方法、设备和介质技术

本发明专利技术公开了一种基于DEM的多维遥感全方位火灾监测方法、设备和介质，通过构建DEM和DSM，得到冠层高度模型CHM，根据冠层特征点构建不规则三角网TIN，基于TIN按原始数据尺度重构DHM，根据原始DHM和重构DMH，判断植被变化量，采用判别分析法，对植被变化量进行筛选，获取显著因子，构建判别函数模型，对模型进行训练，根据训练后的判别函数模型，判断t时段内的植被变化量是否异常，根据t时段内的植被变化量的异常情况判断是否存在火灾，考虑地势的复杂度，结合地势和风势确定当前火势和火势蔓延情况，提高对火灾的监测精度和预测精度，同时减小了因植被覆盖量密集，而导致的监测不到位，提取差错率高的情况。提取差错率高的情况。提取差错率高的情况。

【技术实现步骤摘要】
基于DEM的多维遥感全方位火灾监测方法、设备和介质


[0001]本专利技术涉及森林火灾
，具体涉及一种基于DEM的多维遥感全方位火灾监测方法、设备和介质。

技术介绍

[0002]基于森林火灾发生的危险性，需要提前对森林进行布控，但由于森林的地势复杂性，在进行火灾及火灾扩展趋势的预测时，地势会对风势、植被产生影响，由于地势造成的气候原因，不同生成程度和不同类型的植被会对火灾的发生和火势的蔓延产生不同的影响，现有技术在进行火灾监测的过程中，未考虑森林地势的复杂度、地势造成的植被状态和风速，监测不到位，，尤其在对植被数据进行提取时，通常在植被覆盖量密集的地方，对单个树木的树高、林冠基高、基径、枝条分布情况提取效果不佳，由于植被的高覆盖率和植被生长茂盛程度导致提取差错率高，从而导致在植被密集地区无法通过植被的变化量来进行火情大小的判定，监测精度低和预测精度低。

技术实现思路

[0003]本专利技术所要解决的技术问题无法在植被密集地区无法通过植被的变化量来进行火情大小的判定，监测精度低，目的在于提供一种基于DEM的多维遥感全方位火灾监测方法、设备和介质，通过构建DEM和DSM，得到冠层高度模型CHM，通过冠层特征点对DHM进行重构，根据原始DHM和重构DMH，判断植被变化量，对植被变化量变量进行筛选，采用判别分析法构建判别函数模型，提高对植被变化量异常判别的精度，提高监测精度。
[0004]本专利技术通过下述技术方案实现：
[0005]本专利技术第一方面提供一种基于DEM的多维遥感全方位火灾监测方法，包括以下具体步骤：
[0006]S1、实时获取目标监测区域图像数据，对图像数据进行预处理，构建数字高程模型DEM和数字地表模型DSM，基于DEM和DSM构建冠层高度模型CHM；
[0007]S2、获取DHM栅格总数和提取的特征点数量，确定冠层特征点，根据冠层特征点构建不规则三角网TIN，基于TIN按原始数据尺度重构DHM，根据原始DHM对应格网的植被量与重构DHM对应格网的植被量，确定t时段内的植被变化量；
[0008]S3、采用判别分析法，对植被变化量进行筛选，获取显著因子，构建判别函数模型，对模型进行训练；
[0009]S4、根据训练后的判别函数模型，判断t时段内的植被变化量是否异常；
[0010]S5、若目标监测区域植被量变化异常，基于DEM模型和DSM模型获取当前地势和风势，结合地势、风势和植被变化量，确定当前火势和火势蔓延情况。
[0011]本专利技术通过构建DEM和DSM，得到冠层高度模型CHM，通过冠层特征点对DHM进行重构，根据原始DHM和重构DMH，判断植被变化量，对植被变化量变量进行筛选，采用判别分析法构建判别函数模型，提高对植被变化量异常判别的精度，提高了监测精度，减小了因植被
覆盖量密集，而导致的监测不到位，提取差错率高的情况。
[0012]进一步的，所述S1具体包括：
[0013]获取标监测区域原始图像数据，确定原始图像的最优位姿；
[0014]基于原始图像的最优位姿，构建三维点云；
[0015]利用三维点云生成DEM模型和DSM模型。
[0016]进一步的，所述S2具体包括：
[0017]获取DHM栅格总数和提取的特征点数量，确定冠层特征点；
[0018]根据冠层特征点构建不规则三角网TIN，基于TIN按原始数据尺度重构DHM；
[0019]根据原始DHM对应格网的植被量与重构DHM对应格网的植被量，确定t时段内的植被变化量。
[0020]进一步的，所述DHM对应格网的植被量获取步骤具体包括：
[0021]将CHM转换为热力图，得到RGB影像数据；
[0022]采用多个方向对RGB影像数据进行灰度共生矩阵运算，根据灰度共生矩阵计算每个波段的光谱参数；
[0023]进行光谱特征参数计算，获得光谱参数；
[0024]获取植被类型和数量结合光谱特征评估目标监测区域植被量。
[0025]进一步的，所述进行光谱特征参数计算，获得光谱参数具体包括：
[0026]采用连续投影法，消除光谱矩阵中的冗余信息；
[0027]在光谱矩阵中选取初始迭代向量，将初始迭代向量以外的剩余向量自动生成一个集合；循环计算初始向量在集合中各向量上的投影，将投影向量最大波长引入特征组合中；
[0028]根据特征组合剔除光谱数据中不必要的信息，再对数据的有效特征进行提取。
[0029]进一步的，所述S3具体包括：
[0030]获取植被变化量变量参数，每次引入一个变量，将引入变量中最具判别能力的变量作为第一显著因子，
[0031]重复上述步骤，依次选择第二显著因子和第三显著因子；
[0032]检验显著因子判别能力是否提升，若否，则将其从判别式中舍弃，若是，则将其保留；
[0033]直至判别式中所有的因子都具有显著的判别能力，并且没有其他变量引入，结束筛选，构建判别函数模型；
[0034]划分训练集和预测集，对新引入的植被变化量变量参数进行判别和分析，对新引入的参数进行归类，更新判别函数模型，获得训练后的判别函数模型。
[0035]进一步的，所述S4具体包括：
[0036]基于DEM获取监测目标地形，获取植被生长区域地形；
[0037]根据历史气候数据，结合植被生长区域地形获取植被变化量监测历史数据，确定变化阈值。
[0038]进一步的，所述基于DEM模型和DSM模型获取当前地势，具体包括：
[0039]获取植被变化量异常区域，获取区域边界，获取该区域内的DEM的格网中心点；
[0040]采用格网内随机点作为高程未知点数据集，构建多个地形训练样本子集，每个地形训练样本子集形成一棵决策树；
[0041]利用随机抽取的样本子集对地形表面进行全局拟合，对随机点输出一个高程预测值；
[0042]根据决策树构建随机森林模型，计算随机森林中所有决策树对随机点的若干高程预测值的均值，得到随机点的最终高程值；
[0043]遍历计算格网内随机点高程的均值，将格网点的高程值与该均值作差，差值作为格网重要性度量信息SI；
[0044]设置阈值，筛选出|SI|≥阈值的格网点，确定地形特征点。
[0045]所述基于DEM模型和DSM模型获取当前风势，具体包括：
[0046]获取历史平均风速，采用克里金插值法对目标监测区域的风速进行内插，根据海拔生成风速网格图层；
[0047]对网格图层按指数率公式进行栅格运算；
[0048]得到不同栅格高程上的风速分布图；
[0049]根据地形特点获取坡度、坡向和坡位，确定目标栅格单元的风势。
[0050]进一步的，所述结合地势、风势和植被变化量，确定当前火势和火势蔓延情况具体包括：
[0051]获取当前风速和历史时期风速，获取多个t时段内生物变化量，判断火势；
[0052]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DEM的多维遥感全方位火灾监测方法，其特征在于，包括以下具体步骤：S1、实时获取目标监测区域图像数据，对图像数据进行预处理，构建数字高程模型DEM和数字地表模型DSM，基于DEM和DSM构建冠层高度模型CHM；S2、获取DHM栅格总数和提取的特征点数量，确定冠层特征点，根据冠层特征点构建不规则三角网TIN，基于TIN按原始数据尺度重构DHM，根据原始DHM对应格网的植被量与重构DHM对应格网的植被量，确定t时段内的植被变化量；S3、采用判别分析法，对植被变化量进行筛选，获取显著因子，构建判别函数模型，对模型进行训练；S4、根据训练后的判别函数模型，判断t时段内的植被变化量是否异常；S5、若目标监测区域植被量变化异常，基于DEM模型和DSM模型获取当前地势和风势，结合地势、风势和植被变化量，确定当前火势和火势蔓延情况。2.根据权利要求1所述的基于DEM的多维遥感全方位火灾监测方法，其特征在于，所述S1具体包括：获取标监测区域原始图像数据，确定原始图像的最优位姿；基于原始图像的最优位姿，构建三维点云；利用三维点云生成DEM模型和DSM模型。3.根据权利要求1所述的基于DEM的多维遥感全方位火灾监测方法，其特征在于，所述DHM对应格网的植被量获取步骤具体包括：将CHM转换为热力图，得到RGB影像数据；采用多个方向对RGB影像数据进行灰度共生矩阵运算，根据灰度共生矩阵计算每个波段的光谱参数；进行光谱特征参数计算，获得光谱参数；获取植被类型和数量结合光谱特征评估目标监测区域植被量。4.根据权利要求3所述的基于DEM的多维遥感全方位火灾监测方法，其特征在于，所述进行光谱特征参数计算，获得光谱参数具体包括：采用连续投影法，消除光谱矩阵中的冗余信息；在光谱矩阵中选取初始迭代向量，将初始迭代向量以外的剩余向量自动生成一个集合；循环计算初始向量在集合中各向量上的投影，将投影向量最大波长引入特征组合中；根据特征组合剔除光谱数据中不必要的信息，再对数据的有效特征进行提取。5.根据权利要求1所述的基于DEM的多维遥感全方位火灾监测方法，其特征在于，所述S3具体包括：获取植被变化量变量参数，每次引入一个变量，将引入变量中最具判别能力的变量作为第一显著因子，重复上述步骤，依次选择第二显著因子和第三显著因子；检验显著因子判别能力是否提升，若否，则将其从判别式中舍弃，若是，则将其保留；直至判别式中所...

【专利技术属性】
技术研发人员：黄健，唐莉，郭贤生，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：