【技术实现步骤摘要】
一种基于时间维特征增强的川西野火风险预警方法
[0001]本专利技术属于遥感
,涉及基于时间维特征增强的川西野火风险预警方法。
技术介绍
[0002]在对生态系统塑造的过程中野火扮演着重要的角色,它可以有益于生态系统发展如:促进植被新老演替以及提升生态系统的抗虫害能力等。然而它也会造成土壤侵蚀、退化以及温室气体的排放等负面影响。野火的扑灭也相当危险,在2019年3月30日,四川省凉山州木里县突发森林大火,火场总过火面积约20公顷,遇难人数达31人。2019年7月8日起澳大利亚丛林野火开始肆虐,澳洲有超过1200万公顷土地过火,大约10亿野生动物在大火中丧命,在这场灾难中,33人不幸死亡,2500余间房屋被烧毁。在2020年3月30日,四川省西昌市也突发森林大火,火灾过火面积1000余公顷,毁坏面积为80余公顷,遇难人数达19人。面对着如此惨痛的损失,野火风险预警是迫在眉睫的。
[0003]近年来,随着遥感技术、计算机、机器学习等领域的高速发展及应用的普及,遥感结合机器学习算法的方法在火险预警领域发展速度飞快,面对近几年肆虐的大范围火灾造成的经济损失和人员伤亡,我们亟需一套能大范围、高精度和高分辨率预警的方法体系。构建一系列可以运用的大范围、高精度和高时空分辨率的野火预警模型,一方面可以为相关的决策部门提供科学决策支持,从而实现防范于未然,从源头上控制火灾的发生,有助于生态系统的环境保护;另一方面,可以为野火预警及其相关领域的研究提供依据,进而不断提升野火预警的效果。
[0004]针对于目前的关于 ...
【技术保护点】
【技术特征摘要】
1.一种基于时间维特征增强的川西野火风险预警方法,该方法包括:步骤1:采集目标区域的遥感图像,获取遥感图像每个像元的可燃物含水率、生物量、人文因子、高程、坡度、坡向、风速、温度、降雨量、相对湿度和土地覆盖特征,和这些特征对应的火灾数据;步骤2:对步骤1获得的数据中的可燃物含水率、风速、温度、降雨量、相对湿度进行时间维特征增强;分别计算出遥感图像中属于森林的像元和属于草原的像元;I:对属于森林的像元进行如下时间维特征增强;一、对可燃物含水率进行时间维特征增强;(1)提取非线性时滞特征;其中,constant是一个常量,X
i
为时间序列为i的特征值,N为时序长度,C为计算得到的非线性时滞特征;将某个目标像元一段时间内的可燃物含水率作为X,将其输入公式1得到非线性时滞特征,记为C
FMC
;(2)提取绝对熵特征;其中,AE为计算得到的绝对熵特征,X
i
为时间序列为i的特征值;将某个目标像元一段时间内的可燃物含水率值作为X,将其输入公式2得到绝对熵特征,记为AE
FMC
;(3)提取CWT特征;其中,CWT为针对时间序列的Ricker连续小波变换的结果,D为小波函数的宽度参数,X为输入特征的时间序列特征;将某个目标像元一段时间内的可燃物含水率值作为X,将其输入公式3得到CWT特征,记为CWT
FMC
;(4)提取低值统计数的个数;CB=count(X<constant)
ꢀꢀꢀꢀ
公式4其中,CB为指计算统计时间序列的低于阈值的个数,constant是一个常量,X为输入特征的时间序列值;将某个目标像元一段时间内的可燃物含水率值作为X,将其输入公式4得到低值统计数征,记为CB
FMC
;(5)提取分位数特征;Q=Quantile(X,constant)
ꢀꢀꢀꢀ
公式5其中,Q为时间序列X的constant%分位数,constant是一个常量,X为输入特征的时间序列值;将某个目标像元一段时间内的可燃物含水率值作为X,将其输入公式5得到分位数特征
记为Q
FMC
;二、针对风速进行时间维特征增强;(1)采用公式3的方法提取风速的CWT特征,记为CWT
WS
;(2)提取高值统计数;CA=count(X>constant)
ꢀꢀꢀꢀ
公式6其中,CA为指计算统计时间序列的高于阈值的个数,constant是一个常量,X为输入特征的时间序列值;将某个目标像元一段时间内的风速值作为X,将其输入公式6得到高值统计数,记为CA
WS
;(3)采用公式1的方法提取风速的非线性时滞特征,得到C
WS
;(4)提取值统计数;VC=count(X==constant)
ꢀꢀꢀꢀ
公式7其中,VC为指计算统计时间序列的等于恒定值的个数,constant是一个常量,X为输入特征的时间序列值;将某个目标像元一段时间内的风速值作为X,将其输入公式7得到值统计数,记为VC
WS
;(5)提取范围统计数;RC=count(constant_low<X<constant_up)
ꢀꢀꢀ
公式8其中,RC为指计算统计时间序列规定范围内的个数,constant_low和constant_up是常量,X为输入特征的时间序列值;将某个目标像元一段时间内的风速值作为X,将其输入公式8得到范围统计数,记为RC
WS
;三、针对温度进行时间维特征增强;(1)采用公式3的方法提取温度的的CWT特征,得到CWT
T
;(2)采用公式5的方法对温度进行分位数处理,得到Q
T
;(3)提取分组熵特征;其中,BE为计算得到的分组熵特征,P是样本百分比,nums是分组个数,X为输入特征的时间序列值;将某个目标像元一段时间内的温度值作为X,将其输入公式9得到分组熵特征,记为BE
T
;(4)采用公式2的方法对温度进行绝对熵处理,得到AE
T
;(5)采用公式4的方法对温度进行低值统计数处理,得到CB
T
;四、针对降雨量进行特征提取;(1)采用公式5的方法对降雨量进行分位数处理,得到Q
Rainfall
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。