[發明專利]一種基于時空融合算法的森林火災遙感動態監測方法

在審

• 申請號: 202110774310.9
• 申請日: 2021-07-08
• 公開（公告）號: CN113486814A
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 欒海軍;黃武彪
• 申請（專利權）人: 廈門理工學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06Q10/04
• 代理公司: 廈門智慧呈睿知識產權代理事務所(普通合伙) 35222
• 代理人: 郭福利

本發明提供了一種基于時空融合算法的森林火災遙感動態監測方法，包括如下步驟：(1)確定研究區域，獲取到的MOD09GA、Landsat8OLI、Sentinel?2、GF?1WFV的影像數據并進行預處理；(2)使用STARFM算法與基于地物內組分時相變化模型的地表反射率時空融合算法分別對前述影像進行融合，進而生成待預測時刻的中等空間分辨率影像；(3)基于預測影像計算火災指標因子，進行火災演化趨勢分析。

技術領域

本發明涉及一種遙感動態監測方法，尤其涉及一種基于時空融合算法的森林火災遙感動態監測方法。

背景技術

森林火災是突發性強、破壞性大、救援困難的一種自然災害，全球每年平均發生森林火災數十萬次，森林受災面積達數百公頃，對部分區域的生態環境和經濟發展造成了極大威脅。因此，對森林火災進行有效的監測刻不容緩。對于森林火災，需要及時發現著火點的位置及其變化、過火面積，并準確評估出火災損失及影響，此時需要具有高重訪周期和高空間分辨率的遙感影像來進行分析判讀。但在現有傳感器硬件條件限制下，衛星遙感數據無法同時滿足高空間分辨率和高時間分辨率的要求。若遙感影像僅具有高重訪周期，則對于面積較小的森林火災可能無法準確判斷其過火面積和走向；若僅具有高空間分辨率則僅僅只能在很長時間以后才能夠得到同一區域的重復影像或者根本無法得到火災發生時的影像，無法進行火災監測。因此，針對遙感傳感器時間分辨率和空間分辨率的矛盾以及其他客觀因素的限制，很多學者提出時空融合的技術方法，從而能夠更加準確、快速的獲得受災區域高空間和高時間分辨率的遙感影像，為森林火災的監測和損失評估提供更加有力的數據支撐。

到目前為止，國內外的學者做了大量關于時空融合算法的研究工作，并取得了一系列的成果。Gao等人提出時空自適應反射率融合模型(Spatial and Temporal AdaptiveReflectance Fusion Model，STARFM)，用于融合Landsat影像和MODIS影像得到高時空分辨率的數據，取得了較好的效果。顧曉鶴等人提出了基于時間序列的遙感數據來構建了時空融合模型。鄔明權等人提出了基于混合像元分解的方法(Spatial and Temporal DataFusion Model，STDFM)來融合MODIS和Landsat影像數據。Zhang等人對STDFM方法進行了改進，提出增強型基于混合像元分解的方法(Enhanced spatial and temporal data fusionmodel，ESTDFM)。Huang等人提出的基于稀疏表示的時空反射率融合模型(SParse-representation-based SpatioTem-poral reflectance Fusion Model，SPSTFM)，在原來的時空融合算法中引入稀疏表達的理論。謝登峰等人利用一種新的時空融合方法(Spatialand Temporal Data Fusion Algorithm，STDFA模型)融合MODIS和Landsat OLI數據。Hilker等人提出了一種針對反射率變化的時空自適應融合模型算法(Spatial TemporalAdaptive Algorithm for mapping Reflectance Change，STAARCH)，從低分辨率影像的密集時間序列中檢測出變化點，以提高土地覆蓋類型變化時的STARFM性能。Zhu等人基于STARFM提出了一種增強型時空自適應反射率融合模型(Enhanced Spatial and TemporalAdaptive Reflectance Fusion Model，ESTARFM)，引入了一個轉換系數，可以更好地預測異質性地表的反射率的變化。Weng等人通過考慮年溫度循環和熱輻射率數據，基于STARFM提出了一種時空自適應溫度映射數據融合算法(Spatio-temporal Adaptive Data FusionAlgorithm for Temperature mapping，SADFAT)。Cheng等人提出了一種時空非局部濾波融合模型(Spatial and Temporal Nonlocal Filter-Based Data Fusion Method，STNLFFM)，對于異質性地表區域具有更高的預測精度。Zhao等人提出了一種針對復雜地表變化的魯棒性自適應時空數據融合模型(Robust Adaptive Spatial and TemporalFusion Model，RASTFM)，在捕捉地表變化現象時具有更高的準確度和魯棒性。