【技术实现步骤摘要】
本专利技术涉及数据处理，特别是指一种利用遥感影像的森林火灾预测方法及系统。
技术介绍
1、传统的森林火灾预测方法有的依赖于地面观测、气象数据和历史火灾记录等，但这些方法存在数据获取难度大、实时性差、预测精度有限等问题。例如，许多现有的预测方法有的仅依赖于单一的地表温度或植被指数（如归一化植被指数ndvi）等参数，这些参数虽然能在一定程度上反映森林火险状况，但无法全面、准确地描述森林火灾的复杂性和多变性。
2、森林火灾的发生和发展受到多种因素的影响，包括地表温度、植被覆盖率、植被类型、可燃物含水率、气象条件（如风速、湿度、降水量等）以及地形地貌等。现有方法有的忽略了这些因素之间的相互作用和影响，导致预测结果不够准确和可靠。
技术实现思路
1、本专利技术要解决的技术问题是提供一种利用遥感影像的森林火灾预测方法及系统，可以提高预测结果的准确性、可靠性和实时性。
2、为解决上述技术问题，本专利技术的技术方案如下：
3、第一方面，一种利用遥感影像的森林火灾预测方法，所述方法包括：
4、根据大气透过率、地表比辐射率和辐射亮度值，计算地表温度；
5、从预处理的遥感影像中提取关键数据；利用关键数据计算归一化植被指数；根据归一化植被指数，生成一个新的图像；根据新的图像以及预设的阈值，计算植被覆盖率；
6、通过对校正后的全色影像和多光谱影像进行小波分解与融合，再经过小波逆变换，重构出融合影像；根据目标区域的植被特点确定聚类数目，从
7、根据各类植被的分布数据，并结合气象因素，构建各类植被的可燃物含水率模型，并根据可燃物含水率模型计算植被含水率；
8、设置遗传算法的种群大小，种群大小表示个体数量；确定二进制编码，用于表示地表温度、植被覆盖率和植被含水率在森林火险动态危险指数计算中的权重；设置遗传算法的交叉率、变异率和终止条件；
9、定义用于评估每个个体优劣的适应度函数，每个个体表示一组权重参数；
10、随机生成满足编码方式的初始种群，每个个体代表一组权重参数；根据适应度函数计算每个个体的适应度，通过选择、交叉和变异操作生成新一代的种群；判断是否达到预设的终止条件，如果满足终止条件，则停止迭代，并输出当前最终的权重参数组合；
11、根据最终的权重参数组合，结合地表温度、植被覆盖率和植被含水率数据，计算森林火险动态危险指数；
12、根据森林火险动态危险指数，对火险等级进行分类。
13、进一步的，根据大气透过率、地表比辐射率和辐射亮度值，计算地表温度，包括：
14、获取处理后的包含热红外波段的遥感影像数据，识别并选择两个相邻热红外波段；确定两个相邻热红外波段的中心波长、波段间的辐射亮度差异、大气透过率和地表比辐射率；
15、使用大气辐射传输模型，结合目标区域的大气廓线数据，估算两个相邻热红外波段的大气透过率；
16、根据地表覆盖类型，基于遥感数据的反演方法，估算两个相邻热红外波段的地表比辐射率；
17、将遥感影像的像元值转换为辐射亮度值；根据分裂窗算法，结合大气透过率、地表比辐射率和辐射亮度值，计算地表温度。
18、进一步的，从预处理的遥感影像中提取关键数据；利用关键数据计算归一化植被指数；根据归一化植被指数，生成一个新的图像；根据新的图像以及预设的阈值，计算植被覆盖率，包括：
19、从处理后的遥感影像数据中提取出红波段和近红外波段的数据；
20、根据红波段和近红外波段的数据计算归一化植被指数值；
21、将归一化植被指数值赋给每个像素，生成一个新的归一化植被指数图像；
22、设定一个阈值，统计归一化植被指数图像中大于设定阈值的像素数量，其中，大于设定阈值的像素数量与总像素数量的比例为植被覆盖率。
23、进一步的，通过对校正后的全色影像和多光谱影像进行小波分解与融合，再经过小波逆变换，重构出融合影像，包括：
24、对校正后的全色影像和多光谱影像进行小波分解，得到全色影像和多光谱影像分别对应的不同尺度和方向的小波系数，小波系数包括近似系数和细节系数；
25、根据预设的融合规则，对全色影像和多光谱影像分别对应的不同尺度和方向的小波系数进行融合，以得到融合后的小波系数；
26、对融合后的小波系数进行小波逆变换，重构出融合影像。
27、进一步的，根据目标区域的植被特点确定聚类数目，从融合影像中提取并标准化关键植被特征，对关键植被特征进行聚类分析，最终标识出各类植被的分布数据，包括：
28、根据目标区域的植被类型和分布特点，确定对应的聚类数目k值；
29、从融合影像中选择反映植被特性的关键特征，包括光谱反射率和植被指数；
30、对关键特征进行标准化处理，以得到标准化后的数据；使用选择的关键特征和标准化后的数据，应用k-均值聚类算法；初始化聚类中心，迭代地将每个像素分配给对应的聚类中心，并更新聚类中心的位置，直到达到预设的迭代次数，以得到聚类结果；
31、对每个聚类结果进行标识，将其与实际的植被类型相对应，以得到各类植被的分布数据。
32、进一步的，根据各类植被的分布数据，并结合气象因素，构建各类植被的可燃物含水率模型，并根据可燃物含水率模型计算植被含水率，包括：
33、获取各类植被的分布数据，以及与植被含水率相关的气象数据；
34、获取不同植被类型的可燃物含水率与气象因素之间的相关性，根据相关性和数据特点，构建神经网络模型；
35、从气象数据中选择与可燃物含水率相关的特征作为神经网络模型的输入数据；
36、利用历史数据训练神经网络模型，以得到训练后神经网络模型；
37、通过交叉验证和网格搜索方法对训练后神经网络模型进行验证和优化，以得到最终的神经网络模型；
38、将实时的气象数据进行预处理，以得到预处理后的气象数据；
39、将预处理后的气象数据输入到最终的神经网络模型，以得到各类植被的含水率预测值。
40、进一步的，适应度函数的计算公式为：
41、；
42、其中，表示样本点的索引，用来遍历所有样本点，计算预测值和真实值的差异；表示样本总数，是一个正整数，表示一共有个样本；表示权重参数；表示时间序列中时间步的总数，是正整数，表示整个时间序列的长度；表示时间步的索引；表示第个样本的预测值；表示第个样本的真实值；表示误差范数的指数；表示在第个时间步上观测到的真实数据值；表示在第个时间步上预测得到的值；、和分别表示地表温度、植被覆盖率和植被含水率在森林火险动态危险指数计算中的权重。
43、进一步的，森林火险动态危险指数的计算公式为：
44、；
4本文档来自技高网...
【技术保护点】
1.一种利用遥感影像的森林火灾预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种利用遥感影像的森林火灾预测方法，其特征在于，根据大气透过率、地表比辐射率和辐射亮度值，计算地表温度，包括：
3.根据权利要求2所述的一种利用遥感影像的森林火灾预测方法，其特征在于，从预处理的遥感影像中提取关键数据；利用关键数据计算归一化植被指数；根据归一化植被指数，生成一个新的图像；根据新的图像以及预设的阈值，计算植被覆盖率，包括：
4.根据权利要求3所述的一种利用遥感影像的森林火灾预测方法，其特征在于，通过对校正后的全色影像和多光谱影像进行小波分解与融合，再经过小波逆变换，重构出融合影像，包括：
5.根据权利要求4所述的一种利用遥感影像的森林火灾预测方法，其特征在于，根据目标区域的植被特点确定聚类数目，从融合影像中提取并标准化关键植被特征，对关键植被特征进行聚类分析，最终标识出各类植被的分布数据，包括：
6.根据权利要求5所述的一种利用遥感影像的森林火灾预测方法，其特征在于，根据各类植被的分布数据，并结合气象因素，构建各类植
7.根据权利要求6所述的一种利用遥感影像的森林火灾预测方法，其特征在于，适应度函数的计算公式为：
8.根据权利要求7所述的一种利用遥感影像的森林火灾预测方法，其特征在于，森林火险动态危险指数的计算公式为：
9.一种利用遥感影像的森林火灾预测系统，其特征在于，应用于如权利要求1至8任一项所述的方法中，包括：
10.一种计算设备，其特征在于，包括：
...【技术特征摘要】
1.一种利用遥感影像的森林火灾预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种利用遥感影像的森林火灾预测方法，其特征在于，根据大气透过率、地表比辐射率和辐射亮度值，计算地表温度，包括：
3.根据权利要求2所述的一种利用遥感影像的森林火灾预测方法，其特征在于，从预处理的遥感影像中提取关键数据；利用关键数据计算归一化植被指数；根据归一化植被指数，生成一个新的图像；根据新的图像以及预设的阈值，计算植被覆盖率，包括：
4.根据权利要求3所述的一种利用遥感影像的森林火灾预测方法，其特征在于，通过对校正后的全色影像和多光谱影像进行小波分解与融合，再经过小波逆变换，重构出融合影像，包括：
5.根据权利要求4所述的一种利用遥感影像的森林火灾预测方法，其特征在于，根据目标...
【专利技术属性】
技术研发人员：王玉强，付萍杰，孟飞，李润唐，马明亮，刘耀辉，王晋，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：
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。