一种基于MODIS燃烧数据产品的火灾足迹提取方法技术

本发明专利技术公开了一种基于MODIS燃烧数据产品的火灾足迹提取方法，属于遥感技术领域，包括如下步骤：获取MODIS遥感产品中的燃烧数据MCD64A1、土地覆盖类型数据MCD12Q1，并对其进行预处理；采用Jenks自然间断点分类法将每年燃烧像元的日期信息划分为三个频率的火灾期；利用DBSCAN算法，根据每个火灾期像元点的空间位置对燃烧像元进行聚类，提取火灾足迹，获取Jenks

【技术实现步骤摘要】
一种基于MODIS燃烧数据产品的火灾足迹提取方法


[0001]本专利技术属于遥感
，具体涉及一种基于MODIS燃烧数据产品的火灾足迹提取方法。

技术介绍

[0002]野火作为森林生态系统释放碳的最大潜在机制之一，在决定森林生态系统的功能和结构方面发挥着关键作用。火灾的频率、范围和强度是区域生态系统演变的驱动因素，影响碳和氮循环以及能量平衡和气候变化。遥感技术具有大规模观测和多种时空分辨率的特点，能够有效地描述不同层次的地表过程，弥补火灾管理信息化和空间化方面统计数据的不足，为野火研究提供了有效的技术手段。中分辨率成像光谱仪(MODIS)由于具有时间分辨率高、空间分辨率中等的地表观测应用和可开放获取的优点，被广泛应用于火灾探测、火灾风险制图以及火灾后大范围植被恢复评估。目前普遍使用的基于卫星的全球烧伤面积产品之一是MCD64A1烧伤区域产品,其使用近每日MODIS地表反射率图像训练而来的MODIS主动火产品，该产品已经在世界的一些地区得到了广泛的验证，并且定期进行数据维护、更新。
[0003]火灾足迹涉及每个火灾事件的空间和时间信息。Winoto
‑
Lewin等在2020年发表的文章通过在火灾足迹中进行随机点调查，确定了2019年1月和2月野火之后森林类型的植被再生、成熟、火灾发生率和火灾严重程度。French等在2016年发表的文章调查了火灾足迹和邻近管理区的烧伤情况，以调查野火严重情况的驱动因素。
[0004]基于密度的噪点空间聚类算法(DBSCAN)是一种常用的聚类方法，以其识别任意形状的群组和处理带噪声数据集的能力而被广泛应用。例如，Artes等在2019年发表的文章使用DBSCAN算法对2002
‑
2003年印尼加里曼丹岛和南苏门答腊省的热点数据进行聚类。Kristianto等在2020年发表的文章利用地表温度数据和地方机构统计数据对当地火灾高危区进行聚类。Sheng等提出了一种基于DBSCAN和卷积神经网络的火焰和烟雾模式识别方法。Vatresia等提出了一种利用DBSCAN对2016
‑
2018年苏拉威西岛热点数据进行时空聚类的方法。Usman等基于DBSCAN聚类算法，研究了2002
‑
2013年苏门答腊岛热点数据的分布模式。
[0005]Jenks自然间断点分类法(以下简称Jenks)，是一种用于确定将值分成不同类别的最佳排列的分类方法。以往的研究证明，Jenks对地理环境单元划分具有良好的适应性和较高的准确性。Jaafari等在2019年发表的文章使用Jenks方法对火灾风险的概率值进行分类并生成了五类不同野火发生等级的分布图。Anchang等在2016年发表的文章通过结合Jenks方法和聚合层次聚类(AHC)算法，提出了一种基于IKONOS图像的有效城市植被制图方法。
[0006]但是上述方法仍然存在的一定的缺陷：
[0007]1)大多数野火相关的研究需要适当的火灾数据来协助完善，常用的火灾数据通常基于像元位置来进行信息统计，而非一场火灾事件本身。由于没有充分利用遥感技术的大尺度监测，使得在大范围区域内对具体、独立的火灾事件的研究变得困难，同时也会遗漏一些重要信息；
[0008]2)现阶段，火灾足迹信息的获取仍要依赖于对火灾发生后留下火烧迹地进行实地调查，费时费力，很难在大范围和偏远地区实施，对燃烧不够剧烈从而留下明显痕迹的火灾事件容易遗漏，进而造成火灾足迹信息的丢失和不准确；
[0009]3)现阶段，提取火灾足迹的相关研究已有很多，但基于带有时间属性的燃烧像元提取火灾足迹的研究还很少；
[0010]4)单一的DBSCAN算法聚类火灾事件时，因其算法特性导致处理数据量大的任务具有执行速度慢、对参数的选择非常敏感的缺点。

技术实现思路

[0011]针对现有技术存在的上述问题，本专利技术提供一种基于MODIS燃烧数据产品的火灾足迹提取方法。
[0012]为了解决上述技术问题，本专利技术所采用的技术方案如下：
[0013]一种基于MODIS燃烧数据产品的火灾足迹提取方法，包括如下步骤：
[0014]步骤一、获取MODIS遥感产品中的燃烧数据MCD64A1、土地覆盖类型数据MCD12Q1，并对其进行预处理；
[0015]步骤二、利用Jenks自然间断点分类法，对步骤一中预处理后的燃烧数据MCD64A1进行逐年的火灾期分类，将每年被烧毁像元点的日期分成高频火灾期、中频火灾期和低频火灾期三个时期；
[0016]步骤三、利用DBSCAN算法，根据所述步骤二中不同时期中像元点的空间位置对燃烧影像进行聚类，提取火灾足迹，获得Jenks
‑
DBSCAN模型，并使用轮廓系数和噪声比对Jenks
‑
DBSCAN聚类模型的性能进行评价；
[0017]步骤四、利用步骤一中预处理后的土地覆盖类型数据MCD12Q1，对步骤三提取的火灾足迹进行掩膜，去除非可燃像元，同时根据步骤三提取的火灾足迹所涵盖像元的燃烧日属性，得到每次火灾发生时间、持续燃烧时间的信息；
[0018]步骤五、将步骤四中去除非可燃像元后的火灾足迹面积、发生时间与实地调查得到的火灾事件信息比较，检验Jenks
‑
DBSCAN聚类模型准确性，并对火灾足迹进行空间分布制图。
[0019]进一步的，所述步骤一中预处理，具体为：
[0020]对所述燃烧数据MCD64A1、土地覆盖类型数据MCD12Q1中的原始分层数据HDF进行格式转换、重投影和图像拼接操作，并提取所需信息所在的数据层。
[0021]进一步的，所述步骤二的具体操作步骤如下：
[0022]1)计算分类结果中某一类数组的中所有燃烧像元儒略日值(Day of year，DOY)数据集的离差平方和SDAM，将数组表示为A，其平均值为：
[0023][0024][0025]其中，n是数组A中元素的数量，X
i
是第i个元素的DOY值；
[0026]2)得到断点组合后所有像元DOY值数据集分类的情况，并计算出每种组合下的类内离差平方和SDCM，选择其中最低的一种；将n个元素分成k个类，得到k个子集，其中一种情况为[X1X2…
X
i
]，[X
i+1
X
i+2
…
X
j
]，
…
[X
j+1
X
j+2
…
X
n
]，计算每个子集的总离差平方之和SDCM
i
，SDCM
j
,
…
,SDCM
n
，将其相加得到SDCM1：
[0027]SDCM1＝SDCM
i
+SDCM
j
+
…
+SDCM
n
[0028]在其他组合划分为k类的情况下，可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MODIS燃烧数据产品的火灾足迹提取方法，其特征在于，包括如下步骤：步骤一、获取MODIS遥感产品中的燃烧数据MCD64A1、土地覆盖类型数据MCD12Q1，并对其进行预处理；步骤二、利用Jenks自然间断点分类法，对步骤一中预处理后的燃烧数据MCD64A1进行逐年的火灾期分类，将每年被烧毁像元点的日期分成高频火灾期、中频火灾期和低频火灾期三个时期；步骤三、利用DBSCAN算法，根据所述步骤二中不同时期中像元点的空间位置对燃烧影像进行聚类，提取火灾足迹，获得Jenks
‑
DBSCAN模型，并使用轮廓系数和噪声比对Jenks
‑
DBSCAN聚类模型的性能进行评价；步骤四、利用步骤一中预处理后的土地覆盖类型数据MCD12Q1，对步骤三提取的火灾足迹进行掩膜，去除非可燃像元，同时根据步骤三提取的火灾足迹所涵盖像元的燃烧日属性，得到每次火灾发生时间、持续燃烧时间的信息；步骤五、将步骤四中去除非可燃像元后的火灾足迹面积、发生时间与实地调查得到的火灾事件信息比较，检验所述Jenks
‑
DBSCAN聚类模型的准确性，并对火灾足迹进行空间分布制图。2.根据权利要求1所述的基于MODIS燃烧数据产品的火灾足迹提取方法，其特征在于，所述步骤一中预处理，具体为：对所述燃烧数据MCD64A1、土地覆盖类型数据MCD12Q1中的原始分层数据HDF进行格式转换、重投影和图像拼接操作，并提取所需信息所在的数据层。3.根据权利要求2所述的基于MODIS燃烧数据产品的火灾足迹提取方法，其特征在于，所述步骤二的具体操作步骤如下：1)计算分类结果中某一类数组的中所有燃烧像元儒略日值数据集的离差平方和SDAM，将数组表示为A，其平均值为：为：其中，n是数组A中元素的数量，X
i
是第i个元素的DOY值；2)得到断点组合后所有像元DOY值数据集分类的情况，并计算出每种组合下的类内离差平方和SDCM，选择其中最低的一种；将n个元素分成k个类，得到k个子集，其中一种情况为[X1X2…
X
i
]，[X
i+1
X
i+2
…
X
j
]，
…
[X
j+1
X
j+2
…
X
n
]，计算每个子集的总离差平方之和SDCM
i
，SDCM
j
,
…
,SDCM
n
，将其相加得到SDCM1：SDCM1＝SDCM
i
+SDCM
j
+
…
+SDCM
n
在其他组合划分为k类的情况下，可以用同样的方法连续计算SDCM2，
…
，并选择最小值作为最终结果SDCM
min

【专利技术属性】
技术研发人员：苏慧毅，李明诗，彭钰雯，刘嘉薇，李沐璇，丁宁，张银，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：