论文范文:基于遥感技术的秸秆焚烧监测与成果应用

来源: 未知 作者:paper 发布时间: 2022-06-30 11:37
论文地区:中国 论文语言:中文 论文类型:工程硕士
本研究选取了吉林省长春市九台区作为研究区域,旨在依托多光谱遥感影像、 高温火点数据及土地分类矢量数据等数据源,借助遥感手段实现农田过火区域定 位及面积量算,进一步套
本研究选取了吉林省长春市九台区作为研究区域,旨在依托多光谱遥感影像、
高温火点数据及土地分类矢量数据等数据源,借助遥感手段实现农田过火区域定
位及面积量算,进一步套合土地权属确认责任人。基于以上目标本研究利用
ENVI5.3、ArcGIS10.2.2 等软件,分析农田过火区域在哨兵数据原始波段以及指数
波段的光谱特征,借助分离指数筛选出分离农田过火区域的优势波段,使用主成
分分析进一步挖掘表征农田过火区域的信息,最后通过 CART 分类树算法建立识
别规则分类得到农田过火区域分布,并基于此进行秸秆焚烧产物估算的实例分析;
采用最大类间方差法对 MODIS 遥感影像数据进行处理,辅以农田过火区域,得到
秸秆焚烧火点识别数据;基于多年空间分析结果探究秸秆焚烧时空分布变化趋势,
最后依托火点密度分析了秸秆焚烧力度的时空演变特征。本文相关研究成果可以
为政府相关部门针对秸秆焚烧现状采取措施提供佐证。
本文得出主要结论如下:
(1)采取分离指数评价原始波段及指数波段提取农田过火区域的潜力,结果
表明 BAI 指数以及原始波段中的 NARROW-NIR、NIR、RED-EDGE3 等指标提取
农田过火区域的潜力值最高;
(2)对上述四个指标进行主成分分析,进一步挖掘农田过火区域特征。实验
结果表明:原始波段的绝大部分信息被集中到了 PC1 和 PC2 上。进一步利用 CART
分类树算法生成地物区分规则,提取获得农田过火区域。两期数据的 Kappa 系数
分别达到 0.853、0.843,总体精度分别达到 89.47%、88.22%,相较同类型研究有
着一定提高;
(3)使用标准差椭圆分析的方法,将最大类间方差法提取的火点结果与官方
数据进行对比发现两者有着高度的相似性,验证了最大类间方差法提取 MODIS 数
据秸秆焚烧火点的适用性;
(4)年度火点的时空变化分析结果显示,县域综合莫兰指数为 0.03,其局部
空间自相关结果并不显著,表明九台区秸秆焚烧现象多出于农户自发行为,不受
他人影响左右,不具备明显的聚集特征;秸秆焚烧火点重心总体呈现向东北方向
移动的发展趋势;秸秆焚烧力度加重的区域主要分布于中部以北区域,南部区域
多数行政村单元秸秆焚烧力度未发生明显变化。
关键词:农田过火区域;主成分分析;分离指数;秸秆焚烧火点;九台区
Abstract
This study selects Jiutai District, Changchun City, Jilin Province as the research
area. It aims to rely on data sources such as multi-spectral remote sensing images, high
temperature fire data and land classification vector data, and use remote sensing to
realize the location and area measurement of farmland fire areas. The person responsible
for confirming the ownership of the combined land. Based on the above objectives, this
study uses software such as ENVI5.3 and ArcGIS 10.2.2 to analyze the spectral
characteristics of the farmland's fired area in the original band of sentinel data and the
index band, and use the separation index to screen out the dominant bands that separate
the farmland's fired area, and use principal component analysis to further Mining the
information that characterizes the fired area of farmland, and finally establishes the
recognition rule classification through the CART classification tree algorithm to obtain
the distribution of the fired area of the farmland, and based on this, conducts an example
analysis of the estimation of straw burning products; uses the maximum between-class
variance method to process the MODIS remote sensing image data, supplemented by
the fired area of the farmland, to obtain the fire point of straw burning Identify the data;
based on the results of many years of spatial analysis, explore the temporal and spatial
distribution of straw burning, and finally analyze the temporal and spatial evolution
characteristics of the intensity of straw burning based on the fire point density. The
relevant research results of this article can provide evidence for the measures taken by
relevant government departments to address the current situation of straw burning.
The main conclusions of this paper are as follows:
(1) The separation index is used to evaluate the potential of the original waveband
and the index waveband to extract the farmland fired area. The results show that the
BAI index and the NARROW-NIR, NIR, RED-EDGE3 and other indicators in the
original waveband have the highest potential value for extracting the farmland fired
area.
(2) Principal component analysis of the above four indicators is carried out to
further dig out the characteristics of the overfire area of farmland. The experimental
results show that most of the information in the original band is concentrated on PC1
and PC2. The CART classification tree algorithm is further used to generate ground
object distinguishing rules, and the overfire area of farmland is extracted. The Kappa
II
长春工程学院工程硕士学位论文
coefficients of the two phases of data reached 0.853 and 0.843 respectively, and the
overall accuracy reached 89.47% and 88.22% respectively, which is a certain
improvement compared with the same type of research.
(3) Using the standard deviation ellipse analysis method, the fire point results
extracted by the maximum between-cluster variance method were compared with the
official data and found that the two have a high degree of similarity, which verified the
applicability of the maximum between-cluster variance method to extract the MODIS
data for straw burning fire points.
(4) The results of the analysis of the temporal and spatial changes of the annual
fire point show that the comprehensive Moran index at the county level is 0.03, and the
local spatial autocorrelation results are not significant, indicating that most of the straw
burning phenomenon in Jiutai District is due to the spontaneous behavior of farmers and
is not influenced by others. Obvious aggregation characteristics; the focus of the straw
burning fire point generally shows a development trend of moving to the northeast; the
areas where the intensity of straw burning is increased are mainly distributed in the
north of the central area, and the straw burning intensity of most administrative village
units in the southern region has not changed significantly.
Key words: Farmland burned area; principal component analysis; separation index;
straw burning fire point; Jiutai District
III
长春工程学院工程硕士学位论文
目 录
摘 要
Absrtact
1 绪论............................................................................................................................. 1
1.1 研究背景、目的及意义.........................................................................................1
1.1.1 研究背景..........................................................................................................1
1.1.2 研究目的..........................................................................................................2
1.2 国内外研究现状及发展趋势.................................................................................3
1.2.1 火点探测...........................................................................................................3
1.2.2 火烧迹地识别...................................................................................................4
1.2.3 秸秆焚烧相关产物估算...................................................................................5
1.3 研究内容与技术路线.............................................................................................5
1.3.1 研究内容...........................................................................................................5
1.3.2 技术路线...........................................................................................................7
2 研究区概况及数据源介绍......................................................................................... 8
2.1 研究区概况.............................................................................................................8
2.1.1 地理区位..........................................................................................................8
2.1.2 气候特征..........................................................................................................9
2.1.3 地形地貌..........................................................................................................9
2.1.4 土地资源..........................................................................................................9
2.2 数据介绍.................................................................................................................9
2.2.1 MODIS 数据.....................................................................................................9
2.2.2 哨兵数据........................................................................................................11
3 基于 MODIS 数据的火点提取算法........................................................................ 13
3.1 MODIS 特征参数..................................................................................................13
3.2 火点探测算法描述...............................................................................................13
3.2.1 云检测机器学习算法-支持向量机(SVM)..............................................13
IV
长春工程学院工程硕士学位论文
3.2.2 最大类间方差法............................................................................................14
3.3 MODIS 数据预处理..............................................................................................14
3.4 结果及精度评价...................................................................................................15
3.4.1 火点获取........................................................................................................15
3.4.2 精度评价-标准差椭圆分析...........................................................................17
4 农田过火区域提取................................................................................................... 20
4.1 哨兵数据预处理...................................................................................................20
4.2 研究方法...............................................................................................................23
4.2.1 典型地物光谱曲线........................................................................................24
4.2.2 植被指数及燃烧指数....................................................................................24
4.2.3 分离指数........................................................................................................25
4.2.4 主成分分析....................................................................................................26
4.2.5 CART 分类树算法......................................................................................... 28
4.2.6 精度评价方法................................................................................................29
4.3 2021 年结果分析及精度评价...............................................................................29
4.3.1 典型地物光谱特征分析................................................................................29
4.3.2 指数结果分析................................................................................................30
4.3.3 分离指数选取优质指数................................................................................33
4.4 2019 年结果分析及精度评价...............................................................................37
4.4.1 典型地物光谱特征分析................................................................................37
4.4.2 指数结果分析................................................................................................37
4.4.3 分离指数选取优质指数................................................................................40
4.5 分类结果及精度评价...........................................................................................43
4.5.1 主成分指标选取............................................................................................43
4.5.2 2021 年主成分分类结果及精度评价............................................................44  4.5.3 2019 年主成分分类结果及精度评价............................................................46
4.6 本章小结...............................................................................................................49
5 农田过火区域成果实例分析................................................................................... 50
 5.1 年际过火区域提取结果.......................................................................................50
V
长春工程学院工程硕士学位论文
5.2 秸秆焚烧类型分析...............................................................................................57
5.3 秸秆焚烧污染物估算...........................................................................................58
6 秸秆焚烧火点分布时空分析................................................................................... 60
6.1 时空分析方法介绍...............................................................................................60
6.1.1 重心模型........................................................................................................60
6.1.2 空间自相关分析............................................................................................60
6.2 秸秆焚烧火点时空分布结果分析.......................................................................62
6.2.1 时空变化特征................................................................................................62
6.2.2 重心迁移特征................................................................................................63
6.2.3 空间自相关特征............................................................................................64
6.3 秸秆焚烧火点分级分析.......................................................................................66
6.3.1 分析方式........................................................................................................66
6.3.2 分级分析结果................................................................................................66
6.3.3 差值分析结果................................................................................................69
7 结论与展望............................................................................................................... 71
7.1 研究结论...............................................................................................................71
7.2 不足与展望...........................................................................................................72
参考文献......................................................................................................................... 73
在学期间发表的学术论文及其他成果......................................................................... 77
在学期间参加专业实践及工程项目研究工作............................................................. 78
致谢................................................................................................................................. 79
VI
长春工程学院工程硕士学位论文
1 绪论
1.1 研究背景、目的及意义
1.1.1 研究背景
农作物秸秆焚烧是中国生物质燃烧的重要组成部分,是气态污染物苯、一氧化
碳、氮氧化物以及二氧化碳等产生的一大来源,酸雨或者“黑雨”便是其对大气环境
造成影响的主要表现形式之一。秸秆焚烧现象具有一定的季节性特征,多发生在农
作物收获时期。由于污染物扩散范围广、短时间内大量排放,秸秆焚烧在影响初始
区域环境的同时,会逐步扩大污染范围,给周边区域带来一定的影响,使得近地面
空气质量因秸秆露天焚烧火点源产生较大变化[1]。
正因为秸秆焚烧给生态环境造成的危害巨大,农作物秸秆禁烧及其监管已经上
升到国家层面。20 世纪 90 年代末,国家各级政府接连颁布多项指导文件,提出大踏
步推进生态文明建设至新的台阶,保障秸秆收储体系的完整性,秸秆禁烧力度持续
增大的要求,借此实现禁燃监管水平的有效提高[2,3]。2013 年,国务院颁布了《大气
污染防治行动计划》(又被称为“大气十条”),该计划针对大气污染防治提出了十
条措施,各级政府也接踵推出秸秆利用与禁烧政策。后续《“十三五”生态环境保护
规划》的提出,旨在强化重点区域、时段的秸秆禁烧措施,实现禁烧监管水平的不
断提高[4]。
目前来讲,秸秆焚烧管控还处于人力地面调查到现代信息化手段监测的转换过
程中,监测方式及力度参差不齐。人力地面调查作为传统的秸秆焚烧监测方式,效
率低下,且会产生漏查以及少报的现象[5]。而卫星传感器因其参数设置的多样化,可
以很容易地反映各种时空尺度上的植被信息和动态变化,大幅降低经济及劳动成本,
弥补了过往方法的不足[6]。因此,利用遥感技术研究地表特征等方面的学者们逐渐增
多[7]。
基于 AVHRR、MODIS 等传感器的火点监测算法已经较为成熟,当前 MODIS
最新版本的 C6 算法已经集成了最新成果;基于 MODIS 传感器的火点提取算法结果
的精度有一定限制,与此同时,火点探测算法只保证了瞬时高温范围提取的准确性,
多针对现势性需要,不适宜结果判定。而火烧迹地信息的提取囊括了反射率变化、
两阶段算法、混合算法以及图像分类法等研究方向,高空间分辨率传感器的发展,
使得利用对燃烧地表敏感的植被指数进行迹地提取的研究取得一定成效。相关秸秆
焚烧区域的提取多延续森林火灾等火烧迹地提取手段,未深入研究使用方法与秸秆
1
长春工程学院工程硕士学位论文
焚烧区域提取适配性上的细节差异。基于以上研究状况,本研究采取火点探测算法
与农田过火区域提取相结合的方式,一方面使用高温点探测结果辅助农田过火区域
提取指标的选取;另一方面,利用过火区域提取结果与高温点提取结果确定秸秆焚
烧火点的分布,并基于此分析秸秆焚烧的时空分布特征。
(图片来源于新华网、澎湃新闻等)
图 1-1 秸秆焚烧情景图
1.1.2 研究目的与意义
本研究旨在利用遥感技术,实现农田过火区域的定位和面积量算,并通过与农
村土地承包经营权数据库套合找到过火区域的土地承包经营人,为政府追责和烟尘
排放量计算提供依据。
本研究的成果可直接提供给研究区政府使用,也可为其它县区建立秸秆燃烧监
测数据库提供参考。
2
长春工程学院工程硕士学位论文
1.2 国内外研究现状及发展趋势
凭借着方便快捷、客观真实、宏观无损的特点,遥感在秸秆焚烧监测方式中占
有重要席位。到目前为止,利用遥感技术进行秸秆焚烧监测主要分成两大类:一类
是基于火焰的热学性质,利用热红外遥感影像,通过温度异常判定秸秆焚烧的着火
点;另一类是利用火灾前后地物光谱特征的时相差异,基于光学遥感影像或微波遥
感影像,通过地物分类的方式确定秸秆焚烧后留下的迹地,进而确定秸秆焚烧[8]。相
比于利用迹地的间接监测方法,利用热红外遥感提取火点的直接监测方法历史更为
长久。
1.2.1 火点探测
20 世纪 80 年代,人们开始尝试使用卫星遥感手段监测火灾,起初人们使用的是
GEOS/VAS 以及 NOAA/AVHRR 传感器。除却经典的 GEOS/VAS 以及 NOAA/AVHRR
传感器,EOS/MODIS 也已广泛应用于火点探测研究,国内的 FY 系列气象卫星、环
境与灾害监测预报小卫星星座等也展现了火点探测研究潜力。总体来讲,国内外学
者们在火点监测方面主要选择 NOAA/AVHRR、EOS/MODIS 影像作为遥感数据源。
现阶段,应用于火点探测的传感器都是光学传感器,该类传感器不具有对云有
强烈的穿透作用的功能,云的存在不仅仅会遮挡地物信息,还会影响影像的校正以
及配对等过程[9],因此遥感影像的含云量是影响遥感反演精度的重要因素,准确的云
识别算法对于探测火点具有极其重要的意义。云掩膜是目前削弱云影响的有效手段,
鉴于云掩膜的重要性,它仍然是火点监测一个非常活跃的研究方向。2008 年 Lyapustin
等[10]基于同一区域的连续无云表面之间的高空间相关性提出的云掩膜算法;2014 年
Zou 和 Da[11](2014)提出了一种其动态阈值由邻近区域和目标像元之间的统计关系
确定的云掩膜算法;Koner 等[12](2016)提出了一种结合传统的静态光谱阈值标准和
辐射传输模型云检测算法。
国外对于火点探测算法的研究起始于 1981 年,Dozier[13]提出了亚象素火点温度
场理论模型,成为了以后其它火点探测算法的理论基础。1985年至1986年,Flannigan,
Vonder Haar 及 Flannigan[14]提出了第一个火灾自动探测算法,通过用 NOAA-7 监测加
拿大中部火灾,证实该方法可以识别 80%左右的无云遮挡的火点。2007 年,
A.Koltunov,S.L.Ustin1[15]提出了一种利用非线性多时相的影像来进行早期火点探测
的算法,即利用多幅 MODIS 影像进行动态变化检测,从而发现火点。
在国内许多学者也深度探索了利用 MODIS 影像进行火点探测的方法。2004 年
至 2005 年,覃先林,易浩若[16]及高懋芳,覃志豪等[17]采用亮度温度-植被指数法,
建立了基于 MODIS 数据的林火识别模型;2006 年,周小成,汪小钦[18](2006)以
3
长春工程学院工程硕士学位论文
发生在中国境内 9 起森林火灾事件为研究对象,提出了针对邻近背景像元的改进算
法;赵文化,单海滨等[19](2008)提出了归一化差异火点指数;肖利,汤家法等[20]
(2008)通过对邻近背景像元算法的改进,得出一种适宜于四川、重庆地区的林火
识别算法。
此外国内有学者研究利用其他卫星数据进行林火火点监测,包颖、田庆久以及
王玲等人基于 HJ 卫星进行了一系列秸秆火点提取研究,实现了作物信息的有效提取
[21–23];武喜红等(2017)使用多源卫星数据,提升卫星重访周期,解决了秸秆焚烧
监测中高时间、高空间分辨率难以同时实现的问题[24];刘若男等人基于 VIRR 火点
监测数据,对黑龙江省 2019 年全年火点时空分布进行分析[25]。
1.2.2 火烧迹地识别
遭受火灾烧毁的森林资源,在成长为新的林地之前被称之为火烧迹地。卫星遥
感识别火烧迹地常使用 LandSat-TM(ETM)、MODIS 等传感器生产的数据,通过
研究迹地产生前后其光谱特征差异来识别火烧迹地。Fernandez 等[26](1997)利用
AVHRR 数据验证了 NDVI 回归分析相较差值法识别火烧迹地有着更高的精度;Fraser
等[27]提出的 HANDS(Hotspot and NDVI Differencing Synergy)对火点探测和 NDVI
差值法两种算法进行结合,是二者取长补短后的结果;R.H.Fraser[28](2000)利用
SPOT-VGT 影像对加拿大北方森林火灾进行了监测,并用近红外和中红外波段构建
NDVI 进行林火蔓延范围提取;Emilio Chuvieco 等[29(] 2005)进行了 AVHRR 和 MODIS
两种数据在七种多时相合成技术下处理结果的对比分析,进一步评估其在森林火灾
制图应用领域的效果;TLoboda 等[30](2007)针对火烧迹地提取,在使用 MODIS 数
据的基础上,通过计算归一化燃烧指数差值,提出一种稳定性较高的区域自适应算
法,并表现出了良好地应用效果;Matthias M.Boer 等[31(] 2008)利用叶面积指数(LAI,
Leaf Area Index)变化来检测火烧迹地范围,并用 TM 影像对该种方法进行了验证。
在国内许多学者也开始了火烧迹地识别的研究工作,张春桂等[32](2007)基于
MODIS 数据,结合 NDVI 指数以及近红外波段的散点图特征,利用 ENVI 软件的 ROI
工具在合成影像上提取过火区域;谭明艳等[33](2007)构建了基于近红外和短波段
红外波段的 GEMI-B 指数来表达火烧迹地,并通过时间序列合成方法进一步提取火
烧迹地信息,实现了准确率的有效提高;付迎春,袁修孝等[34](2009)使用 MODIS
多波段影像梯度边缘分析手段和归一化火灾差异指数来检测火线,并应用 B 样条函
数拟合火线,根据拟合曲线上某点的法线来确定林火的蔓延方向。
近年来国内应用其他卫星数据进行火烧迹地提取的研究越来越多,陈维英
(1988)等[35]利用 AVHRR 研究大兴安岭森林火灾,估算过火面积等研究;陈本清,
徐涵秋[36](2001)利用 TM 遥感影像提取了十年森林火灾信息,并对监督分类、IHS
4
长春工程学院工程硕士学位论文
变换以及主成分分量滤波阈值法三种分类方法进行对比评估,实验表明效果更好的
是 IHS 变换以及监督分类;周小成等[37](2005)基于 TM 影像,建立了一种基于知
识的多时相提取模型,能够快速识别火烧迹地;付迎春(2009)等[34]为提取大兴安
岭火灾火线,基于归一化火灾差异指数进行影像梯度边缘分析;陈洁(2015)等[38]
综合利用 FY-3MERSI 和高分数据,得到了 94%以上的提取精度;王凯(2018)等人
基于燃烧指数法的多源数据集成过火面积提取[39];张素梅(2020)等[40]采用谐波模
型和断点识别算法拟合 Landsat 时间序列实现对过火像元的检测。
1.2.3 秸秆焚烧相关产物估算
研究秸秆露天焚烧的同时,针对其产生的污染物的相关研究也不断发展。李莉
莉(2018)等[41]人将黑龙江作为研究区域,使用排放因子法计算秸秆露天焚烧污染
物排放清单,得出玉米和水稻秸秆焚烧产生的大气污染物的贡献高于其他作物秸秆;
霍耀强(2018)等[42]以哈尔滨市为例,估算秸秆焚烧对 PM2.5 贡献的同时,使用后向
轨迹模型分析了哈尔滨重污染天气成因;张思(2019)等[43]人,基于排放因子法估算
了污染物年排放量,并使用 Bluesky CONSUME 模型估算了污染物的烟羽抬升;叶延
琼(2019)等[44]利用排放因子法估算了广东省 20 多年水稻秸秆产量及露天焚烧大气
污染物排放量;龚世飞(2020)等[45]结合秸秆露天焚烧比例计算了湖北省主要农作
物秸秆露天焚烧量,研究了湖北省主要农作物秸秆露天燃烧碳排放强度。
1.3 研究内容与技术路线
1.3.1 研究内容
本研究以吉林省长春市九台区作为研究区域,依据多光谱遥感影像、国土变更
调查数据、火点数据等数据源,以遥感理论技术为基础,探究了高温火点提取算法,
分析了各种燃烧指数及植被指数提取过火区域的潜力,研究了利用主成分分析方法
融合优质指标提取过火区域效果,统计了过火区域年际焚烧状况,挖掘了秸秆焚烧
火点的年际时空变化情况。研究内容主要包括以下几个方面:
(1)过火区域提取指标选择
本部分研究集中于燃烧指数提取过火区域的潜力分析。基于过火区域特点,选
取多个适用植被指数及燃烧指数,计算获得研究区域指数特征;以典型地物样本为
依据,分析获得各指数对过火区域与其他地物分离程度的研究结果;将指数表现较
佳结果与哨兵数据原始波段的分离过火区域能力进行比较,筛选获得整体分离能力
靠前的指数指标及原始波段指标。
5
长春工程学院工程硕士学位论文
(2)秸秆焚烧点提取
具体研究包含以下内容:高温点提取;主成分分析提取过火区域信息;基于分
类树(CART)算法的决策树分类。
基于 MODIS 数据的光谱特征,在采用支持向量机的方法进行云体识别的前提
下,依据最大类间方差法进行火点的进一步识别。最大类间方差法首先识别出除云
体以外的烟雾、水体以及潜在火点,通过结合背景信息从潜在火点中筛选出真实火
点。
依托分离过火区域的优质指数,将其作为起始变量波段。运用主成分析方法,
获取分量波段分类提取,基于此结果进行过火区域信息的提取。分类树(CART)算
法凭借能表征农田火烧迹地特征的主成分分量,进行分类阈值规则的确定。进一步
使用该文件对影像进行分类及其结果的精度评定。高温点提取结果与过火区域提取
范围二者相结合,确定秸秆焚烧火点分布。
(3)秸秆焚烧火点年际时空变化分析
介绍了立足于点位分布的重心模型、空间自相关模型等空间分析方法,使用空
间分析模型结果研究分析秸秆焚烧火点空间分布特点以及时间变化趋势,依托基本
研究单元的火点密度分析了秸秆焚烧力度的时空演变特征。
6
长春工程学院工程硕士学位论文
1.3.2 技术路线
图 1-2 技术路线图
7
长春工程学院工程硕士学位论文
2 研究区概况及数据源介绍
2.1 研究区概况
2.1.1 地理区位
九台区地处吉林省中部,省会长春市市区东北方向,属长春市管辖范畴,位于
世界北半球温带半湿润气候的中纬度附近,属长白山与松辽平原过渡地带。九台区
西接长春市二道区,与吉林省最重要的交通枢纽站长春站仅有50公里距离。截至2014
年 10 月 20 日,周边境线为 381.5 公里,幅员 2875 平方公里,总土地面积 337527.48
公顷,城区面积 12.79 平方公里。研究区地理位置如图 2-1 所示。
图 2-1 研究区位图-九台区
8
长春工程学院工程硕士学位论文
2.1.2 气候特征
九台区四季分明,属于季风区中温带半湿润地区。春季温度迅速提高且天气干
燥,易有风;夏天炎热潮湿,经常下雨;秋天平静凉爽,温度下降迅速;冬季存在
漫长的寒冷时期且雪量较少,属于中温带大陆季风性气候。据资料记载,1988 年至
2000 年的 13 年间,气温均值为 5.3 度,且在 7 月份达到峰值。年平均日照 2900 小
时,年平均气温 4.7℃。
2.1.3 地形地貌
九台区东部、南部、西南部表现为起伏不大、坡度较缓的低山丘陵(半山区)
地形,中西部以冲积平原二级阶地(台地)为主,全区地理范围呈现东北西南的狭
长形状,南北方向可达 75km,东西方向约有 87.75km。地势自西南方向向东倾斜,
其自然格局呈现西南高、东北低的态势。地表结构大体上是“三山、一水、六分田”
的状况。九台区土地为低山丘陵和平原两大类别。九台区的丘陵山脉占全市总面积
的 30%,约 990 平方公里,由西南蜿蜒至东北。
2.1.4 土地资源
九台地区有着丰富的土地资源,其中以肥沃的黑土地为主。九台区总土地面积
为 3375 km2,土地详查耕地面积为 2175.59km2,占总土地面积 64.53%(数据源于《九
台年鉴(2020)》)。全区土壤共分为 9 个土类,其中黑土类是九台区主要耕种土
壤,分布最广、面积最大,总面积达 1494.4892 km2,占全区总土壤面积的 45.3%。
2.2 数据介绍
2.2.1 MODIS 数据介绍
本文研究使用由 Terra 和 Aqua 卫星携带的中分辨率成像光谱仪(MODIS)生成
的遥感影像数据进行秸秆焚烧监测的相关研究。两颗星搭配使用,重访频率可达每
1-2 天重复观测整个地球表面,每天最少 2 次白天和 2 次黑夜更新数据。其数据更新
频率较大程度上满足了全球各地区实时观测以及应急处理的需求(例如森林火灾和
草原火灾的监测)。
MODIS 数据光谱范围广泛,包含波段高达 36 个,波段范围涉及 0.4μm-14.4μm。
MODIS 的多波段数据可以同时提供多种特征的信息,各个波段用途可参见下表 2-1
9
长春工程学院工程硕士学位论文
所示。
表 2-1 MODIS 数据波段介绍
波段号 用途 分辨率(m) 波段范围(μm) 频谱强度 信噪比
1 植被叶绿素吸收 250 0.620-0.670 21.8 128
2 云和植被覆盖变换 250 0.841-0.876 24.7 201
3 土壤植被差异 500 0.459-0.479 35.3 243
4 绿色植被 500 0.545-0.565 29 228
5 叶面/树冠差异 500 1.230-1.250 5.4 74
6 雪/云差异 500 1.628-1.652 7.3 275
7 陆地和云的性质 500 2.105-2.155 1 110
8 叶绿素 1000 0.405-0.420 44.9 880
9 叶绿素 1000 0.438-0.448 41.9 838
10 叶绿素 1000 0.483-0.493 32.1 802
11 叶绿素 1000 0.526-0.536 27.9 754
12 沉淀物 1000 0.546-0.556 21 750
13 沉淀物,大气层 1000 0.662-0.672 9.5 910
14 叶绿素荧光 1000 0.673-0.683 8.7 1087
15 气溶胶性质 1000 0.743-0.753 10.2 586
16 气溶胶/大气层性质 1000 0.862-0.877 6.2 516
17 云/大气层性质 1000 0.890-0.920 10 167
18 云/大气层性质 1000 0.931-0.941 3.6 57
19 云/大气层性质 1000 0.915-0.965 15 250
20 洋面温度 1000 3.660-3.840 0.45 0.05
21 森林火灾/火山 1000 3.929-3.989 2.38 2
22 云/地表温度 1000 3.929-3.990 0.67 0.07
23 云/地表温度 1000 4.020-4.080 0.79 0.07
24 对流层温度/云片 1000 4.433-4.498 0.17 0.25
25 对流层温度/云片 1000 4.482-4.549 0.59 0.25
26 红外云探测 1000 1.360-1.390 6 150
27 对流层中层湿度 1000 6.535-6.895 1.16 0.25
28 对流层中层湿度 1000 7.175-7.475 2.18 0.25
29 表面温度 1000 8.400-8.700 9.58 0.05
30 臭氧总量 1000 9.580-9.880 3.69 0.25
31 云/表面温度 1000 10.780-11.280 9.55 0.05
32 云高和表面温度 1000 11.770-12.270 8.94 0.05
33 云高和云片 1000 13.185-13.485 4.52 0.25
34 云高和云片 1000 13.485-13.785 3.76 0.25
35 云高和云片 1000 13.785-14.085 3.11 0.25
36 云高和云片 1000 14.085-14.385 2.08 0.35
MODIS 探测器中的两个中红外通道(波段范围相同,饱和亮度温度分别为 331K
10
长春工程学院工程硕士学位论文
和近 500K)可用于火点探测和描述火点热辐射特征,不仅保证了观测数据的辐射精
度,也避免了高温火点导致通道饱和的问题。
2.2.2 哨兵数据
哨兵 2 号通常指“哨兵-2B”卫星和“哨兵-2A”卫星,两颗卫星为同一组,分别携带
一枚高分辨率多光谱成像仪(MSI),其运行高度为 786km。哨兵卫星主要用于监测
土地环境,可为相关工作单位提供有关于苔藓植物、蕨类植物和种子植物为主的陆
地植被生长变化状况,不仅对改善农林业种植、预测粮食产量、保证粮食安全具有
重要意义,还可用于监测洪水、火山喷发、山体滑坡等自然灾害,为人道主义救援
提供帮助。两者同时进入运行状态后,每 5 天可完成一次对地球赤道地区的完整成
像,而对于纬度较高的欧洲地区,这一周期仅需 3 天。哨兵卫星及传感器如图 2-2
所示。
a)哨兵卫星 b)MSI 传感器
图 2-2 哨兵卫星、传感器
哨兵卫星的 MSI 传感器有着 290km 的幅宽,从可见光和近红外到短波红外,共
包含 13 个波段,具有不同的空间分辨率。在光学数据中,哨兵-2 号数据是唯一一个
在红边范围含有三个波段的数据,这对监测植被健康信息非常有效。其波段信息如
下表 2-2 所示。
本部分研究使用哨兵卫星的 L1C 数据,空间分辨率为 10m,20m 和 60m。该数
据源自欧空局哥白尼数据中心(https://scihub.copernicus.eu/dhus/#/home)。
11
长春工程学院工程硕士学位论文
表 2-2 哨兵数据波段介绍
波段号 中心波长
(μm) 波宽(nm)空间分辨率(m) 用途
Band-1 0.443 20 60 海岸带观测以及大气气溶胶校正
Band-2 0.49 65 10 海洋水色、浮游生物
Band-3 0.56 35 10 植物识别、水体监测以及生产力评价
Band-4 0.665 30 10 植物生长、陆地表面监测
Band-5 0.705 15 20 红边波段 1,植物色素状态以及健康状况监测
Band-6 0.74 15 20 红边波段 2,植物色素状态以及健康状况监测
Band-7 0.775 20 20 红边波段 3,植物色素状态以及健康状况监测
Band-8 0.842 115 10 植被、陆地表面监测
Band-8a 0.865 20 20 植被监测
Band-9 0.94 20 60 大气水气
Band-10 1.375 30 60 卷云监测
Band-11 1.61 90 20 植被监测、云体和雪
Band-12 2.19 180 20 植被监测、地质监测
12
长春工程学院工程硕士学位论文
3 基于 MODIS 数据的火点提取算法
3.1 MODIS 特征参数
在 MODIS 设计中,有两个 4μm 通道,编号为 21 和 22,两者均供火点探测算法
使用。21 号通道在近 500K 处饱和通道 22 在 331K 饱和。由于低饱和通道噪声较小,
量化误差较小,因此尽可能从通道 22 导出 T4(4μm 通道的亮温)。然而,当通道
22 饱和或丢失数据时,它被替换为高饱和信道以导出 T4。T11(11μm 通道的亮温)
是从 1lμm 通道(通道 31)计算的,其饱和温度约为 400K。同时原先 AVHRR 的 3.75μm
通道转移到 MODIS 的 3.95μm 通道,以避免水蒸气的影响,并将反射的太阳辐射减
少 40%,这能提高火点探测的精度。MODIS 可见光和近红外通道(0.66 和 0.86μm)
都具有 250m 的分辨率,有利于准确地探测植被和火烧迹地。MODIS 具有 165μm 通
道(分辨率为 500μm),已被证明对火烧迹地非常敏感。除了 AVHRR 红色通道
(0.66μm)外,MODIS 烟雾检测采用蓝色(0.41 和 0.47μm)和中红外(2.1μm)通
道,以更好地检测和区分来自土壤灰尘的烟雾。
3.2 火点探测算法描述
3.2.1 云检测机器学习算法-支持向量机(SVM)
在机器学习中,支持向量机是一种带相关学习算法的监督学习模型,可对数据
做分类和回归分析。支持向量机模型是将实例表示为空间中的点,并将其映射,以
便将不同类别的实例以一个尽可能大的边界来划分,并且还引用了样本与超平面的
偏差容忍度表示的松弛因子和核函数,这些都能扩展 SVM 算法分类数据的能力。
支持向量机实现了最优超平面问题向凸优化问题的巧妙转换。利用已知的 SMO
(Sequential Minimal Optimization,序列最小优化)算法求解优化函数的对偶函数,
并且利用 KKT 条件一定能够得到全局最优解,而不是其他分类方法所用的贪心算法
求得的局部最优解。但是 SVM 一般只能用于二分类问题,多分类效果不好。本文将
SVM 用于判定像元是否含云这一二分类问题。SVM 原理图如图 3-1 所示。
13
长春工程学院工程硕士学位论文
图 3-1 SVM 原理图
3.2.2 最大类间方差法
1979 年,日本学者大津提出了最大类间方差法,它是一种自适应阈值确定的方
法,简称 OTSU(又被称为大津法),同时也是一种基于全局的二值化算法。按照大
津法求得的阈值进行图像二值化分割后,前景与背景图像的类间方差最大。它被认
为是图像分割中阈值选取的最佳算法,计算简单,不受图像亮度和对比度的影响,
因此在数字图像处理上得到了广泛的应用。它是按图像的灰度特性,将图像分成背
景和前景两部分。在 OTSU 算法中所采用的衡量差别的标准就是较为常见的最大类
间方差。
3.3 MODIS 数据预处理
本文研究使用的是 MODIS Level 1B 数据,已经经过辐射校正、几何校正等预处
理操作,通过可见光波段以及红外波段计算生成反射率及亮温数据,用于后续火点
探测算法的实现。其中用于火点探测的主要波段为 21 和 31 波段,除此之外,水体、
云体以及烟雾等的判断依靠 1,2,7,8,9 等波段。本模型使用的主要通道数据如
下表 3-1 所示。
基于本实验研究需要,MODIS 数据的预处理过程主要包含以下步骤:
(1)大气校正
大气校正指的是消除大气和光照等因素对地物反射的影响,反演地物真实反射
率的过程。传感器接收地物的电磁波信息在传输过程中受到大气的影响,主要有大
气分子的散射、吸收。大气分子比较稳定,其散射作用可以用瑞利散射方程描述;
引起吸收的主要大气分子有水汽、臭氧、氧气和二氧化碳;气溶胶特别不稳定,它
通过散射和吸收太阳光以及太阳与地球辐射的相互作用来干扰辐射平衡。
14
长春工程学院工程硕士学位论文
表 3-1 火点探测波段介绍
通道 带宽/nm 光谱辐射率 信噪比 分辨率 用途
1 620-670 21.8 128 250 陆地、烟、云
2 841-876 24.7 201 250 陆地、烟、云
6 1628-1652 7.3 275 500 明火面积,探测
7 2105-2155 1 110 500 明火面积,探测
8 405-420 44.9 880 1000 云
20 3660-3840 0.45(300k) 0.05 1000 明火面积,探测
21 3929-3989 2.38(335k) 2 1000 明火面积,探测
31 10780-11280 9.55(300k) 0.05 1000 明火面积,过火
32 11770-12270 8.94(300k) 0.05 1000 明火面积,过火
(2)几何校正
几何校正就是校正成像过程中所造成的各种几何畸变,是将图像数据投影到平
面上,使其符合地图投影系统的过程。而将地图坐标系统赋予图像数据的过程,称
为地理参考或地理编码(Geocoding)。由于所有地图投影系统都遵循于一定的地图
坐标系,因此,几何校正过程都包含了地理参考过程。针对 MODIS 数据,宜采取使
用卫星自带地理定位文件进行几何校正的方式。
(3)裁剪
研究区可由一景影像完全覆盖,因此仅需以研究区矢量数据作为边界,进行掩
膜即可得到研究区数据。
3.4 结果及精度评价
3.4.1 火点获取
利用最大类间方差法获取高温火点流程为:首先识别出除云体以外的烟雾、水
体以及潜在火点;紧接着通过结合背景信息从潜在火点中筛选出真实火点;最终叠
加耕地数据提取秸秆焚烧火点[46]。
3.4.1.1 排除云和水
云的识别采用 SVM 的分类方法对影像进行二分类。水体监测模型较为成熟,符
合式(3-1)逻辑关系的判识别为水体。
R  0.15 and R  0.05
2 7
and ((R R )/(R +R ))<0
2 1 2 1 (3-1)
15
长春工程学院工程硕士学位论文
式中,R1、R2、R7——1、2、7 通道的反射率。
3.4.1.2 烟雾识别
烟雾的准确判别是识别闷烧火点过程中重要的一环,满足关系式(3-2)、(3-3)、
(3-4)和(3-5),即可认为是烟雾像元。
0.5  (R  R )/(R +R )  0.15
8 9 8 9 (3-2)
(R  R )/(R +R )  0.3
9 7 7 9 (3-3)
(R  R )/(R +R )  0.09
8 3 8 3 (3-4)
R  0.09
8 (3-5)
式中,R3、R7、R8、R9——3、7、8、9 通道的反射率。
3.4.1.3 潜在火点提取
研究发现,一些闷烧火点亮温较低,甚至达到 310K 以下,本算法中采用较低的
阈值提取出潜在火点,以免将闷烧等一些低温或者小面积火点漏判,判识条件如下:
T4  350K and T41 10K and R16  0.3 (3-6)
式中,T4——21 通道亮温值;
T41——21 通道与 31 通道亮温差;
R16——16 通道的反射率。
满足关系式(3-6)判断为潜在火点,以便下一步的确认。
3.4.1.4 确认火点
基于低阈值设定获取的潜在火点,有着众多的噪声,而只有真实火点的 T4 以及
T41 与背景有很大差别,假火点与背景的差别不大,类间方差能很好地衡量这种差别。
本文采用 T4 以及 T41 作为类间方差分析的特征值。遍历潜在火点,以潜在火点为中
心,计算固定窗内每一个火点与背景的类间方差。在选择背景窗大小时,为了保证
背景信息得到充分利用,背景窗大小选取 21ⅹ21 像素,有效背景像元定义为非潜在
火点、非云、非水的像元,火点与周围背景的类间方差 2 计算公式如下:
  0 (0  ) 1(1  )  01(1  0 ) (3-7)
2 2 2 2
设在一个 21ⅹ21 窗口内有效背景像元数为 n; 为潜在火点占总像元数的概率,
1
为 1/n+1; 为有效背景像元的概率,为 n/n+1;μ1 为火点的特征值; 为有效背景
0 0
16
长春工程学院工程硕士学位论文
像元的特征值的平均值。
在此,特征值分别取 T4 以及 T41。
利用烟雾掩膜检测与类间方差阈值检测。分别检测出烟雾区域闷烧火点和高温
明火点,使用关系式(3-8)、(3-9)、(3-10)确定火点
 2 12 and  2 10 (3-8)
T T
4 41
T  360 K (3-9)
4
 2  6 and  2  5 (3-10)
T T
4 41
式中,T4——21 通道亮温值;
T41——21 通道与 31 通道亮温差;
 2 T4——21 通道亮温值的类间方差;
 T41——21 通道与 31 通道亮温差的类间方差;
2
对潜在火点,首先判断该点是否处于烟雾覆盖区。在非烟雾掩膜区域如果满足
(3-8)式或者(3-9)式即可判断为一般明火点;在烟雾掩膜区域满足(3-10)式,
则确认为闷烧点。
3.4.2 精度评价-标准差椭圆分析
本部分精度评定方式采取标准差椭圆分析方法,又称为 SDE 法,分别对 2020
年 3 月以及 2020 年 4 月火点探测算法结果以及官方网站 FIRMS 下载的 MODIS 火点
数据的空间分布进行分析,评价火点探测结果精度。
标准差椭圆分析方法可以用来度量一组点数据的方向以及分布,其生成结果是
一个包含椭圆圆心、旋转角度、长短轴长度等参数的椭圆要素。这里不赘述参数的
具体求解过程,参数的实际解释方式见下方结果分析。表 3-2 列出两期火点分布的标
准差椭圆参数,图 3-2 分别表示 2020 年 3 月、2020 年 4 月官方与算法探测火点结果
的分布图。
17
长春工程学院工程硕士学位论文
表 3-2 官方火点与算法火点 SDE 参数比较表
椭圆来源 重心坐标 偏转角度/
(°) 椭圆面积
/Km2 X 轴长
/km Y 轴长
/km
2020.03
官方火点 44.303°N,
125.992°E 62.85 1477.55 36.24 12.98
2020.03
算法火点 44.307°N,
126.011°E 64.29 1524.76 36.23 13.4
2020.04
官方火点 44.234°N,
125.938°E 56.38 1567.76 30.03 16.62
2020.04
算法火点 44.237°N,
125.950°E 58.1 1592.81 30.48 16.64
a) b)
a)2020.03 官方火点 ;b)2020.03 算法火点 ;c)2020.04 官方火点;d)2020.04 算法火点
图 3-2 火点 SDE 比对图
18
长春工程学院工程硕士学位论文
c) d)
a)2020.03 官方火点 ;b)2020.03 算法火点 ;c)2020.04 官方火点;d)2020.04 算法火点
图 3-2 火点 SDE 比对图
由表 3-2 以及图 3-2 可知,算法探测火点与官方火点椭圆重心十分相近,同期火
点重心差异不大。以上两期四组火点标准差椭圆的偏转角度分别为 62.85°、64.29°、
56.38°、58.10°,这表示探测的火点均分布于东北-西南方向,也就是说在标准差椭圆
的长轴方向上集中分布着秸秆火点。就两期数据的火点分布而言,火点算法的标准
差椭圆面积略大于 FIRMS 官方火点数据,表示探测算法提取的火点分布相较官方数
据略为离散。与此同时,2020 年 4 月火点算法的标准差椭圆长轴与短轴长度略大于
官方数据的标准差椭圆结果,同样表示官方数据结果相较火点探测算法提取结果呈
聚拢态势;而 2020 年 3 月探测算法的 X 轴长略小于官方数据,表明在长轴方向算法
结果分散程度小于官方结果。总体来讲,火点探测结果相较 FIRMS 官方结果有着高
度相似性,具有可观的实用价值。
19
长春工程学院工程硕士学位论文
4 农田过火区域提取
4.1 哨兵数据预处理
本部分研究获取到的哨兵影像时间分别为:2019 年 4 月 21 日、2021 年 4 月 25
日,两个年份获取时间相差不大,影像平均云量不足 5%,保证实验结果可以进行比
较。图 4-1 为长春市九台区 2019 年以及 2021 年哨兵影像。
a) b)
图 4-1 九台区哨兵遥感影像
本研究获取的哨兵数据未经大气校正,该进程采用的是欧空局的 Sen2Cor 插件
进行处理,进一步利用 SNAP、ENVI5.3 等软件对影像实施重采样、图像裁剪、图像
镶嵌等一系列预处理工作。操作过程如流程图 4-2 所示。
图 4-2 哨兵数据预处理程序
 (1)大气校正:为保证生成数据为地表真实反射率,采用 Sen2Cor 工具进行该
部分处理。其处理代码及工作流程如图 4-3 所示。
20
长春工程学院工程硕士学位论文
图 4-3 大气校正进程图
(2)重采样:对不同空间分辨率的影像数据进行重采样,保证栅格数量在位置
上一一对应,哨兵影像在红、绿、蓝三种可见光波段以及近红外波段处的数据分辨
率为 10m,利用欧空局的 SNAP 软件将其余波段数据分辨率统一采样到 10m,以方
便波段组合突出地物,同时提高监督分类的精度。重采样过程如图 4-4 所示。
a)
21
长春工程学院工程硕士学位论文
b)
a)重采样工具;b)重采样参数设置
图 4-4 重采样过程
(3)图像拼接:图像镶嵌又名图像拼接,可将多景具有重叠区域的影像合成为
一幅无重叠的新影像,ENVI5.3 的图像拼接操作包含基于像元以及无缝拼接两种方
式。其中无缝拼接可实现镶嵌匀色、接边线生成以及预览等效果,对图像镶嵌达到
更为精细的控制。本实验采取无缝拼接方式进行图像镶嵌工作。操作过程如图 4-5
所示。
22
长春工程学院工程硕士学位论文
图 4-5 图像镶嵌
图像裁剪以研究区矢量数据作为边界,进行掩膜即可得到研究区数据。操作过
程如图 4-6 所示。
图 4-6 图像裁剪
4.2 研究方法
本部分选择 Sentinel-2 号的遥感影像开展研究。包含典型地物光谱曲线的特征分
析;构建基于能够表征农田过火区域特点的指数的提取算法;根据多种植被指数以
及燃烧指数计算获取的结果分别分析农田过火区域的可分离性,评价了典型植被指
数识别过火区域的应用潜力;依托分离过火区域的优质指数,将其作为起始变量波
段。运用主成分分析方法进行过火区域信息的提取。
23
长春工程学院工程硕士学位论文
4.2.1 典型地物光谱曲线
不同地物具有不同的光谱曲线,在耕地区域焚烧秸秆时,混杂农作物根茎的土
壤特征发生改变,并且产生草木灰等无机物。这使农田上的过火区域产生有别于正
常植物或土壤的光谱特征。哨兵数据经相关预处理流程过后,通过人工目视选取研
究区内样本,依据实验需要将地物类型划分为农田过火区域、林地、水体、耕地和
建筑物。统计典型地物样本的基本信息,包含其各个波段反射率及其均值等,可视
化获取得到光谱曲线。
4.2.2 植被指数及燃烧指数
(1)归一化植被指数(NDVI)
归一化植被指数 NDVI 又称为标准化植被指数,是学者 Deering 针对比值植被指
数 RVI 在面对浓密植被时会出现无穷大的情况提出的。它是近红外波段 NIR 与可见
光红波段 RED 数值之差与这 2 个波段数值之和的比值,见式(4-1):
NDVI=(NIR-RED)/(NIR+RED) (4-1)
式中,NIR——近红外波段;
RED——可见光波段。
式中的值既可以是 DN 像元值,又可以是反射率。NDVI 能有效反映农作物长势
和营养信息,适用范围广泛;与植被空间分布密度线性相关;可显著消除因大气以
及地形阴影的干扰;能反映植被冠层的背景影响[47]。NDVI 指数常见于土地荒漠化、
土壤盐分及迹地提取等研究领域。
NDVI 结果介于-1 到 1 阈值范围内。当 NDVI<0 时,表示地物对可见光范围具
有高反射率的特征(通常为云、水、雪等);当 NDVI 接近 0 时,表示地物为裸地
(通常是裸土、岩石等);当 NDVI>0 时,表征的是植被覆盖区域,且植被覆盖程度
越高,NDVI 值表现为越大。
对于不同来源的遥感影像,波段的选取也略有不同,因为不同传感器因为研究
需要对相应近红外波段 NIR 与可见光红波段 RED 的波段范围选择略有不同。
(2)归一化燃烧指数(NBR)
归一化燃烧比率指数 (NBR) 利用过火区光谱反射率在短波红外波段上升和
在近红外波段下降的特征将过火区与其他地物分离,在突出燃烧面积的同时能减少
光照和大气效应。归一化燃烧指数能增强较大范围的火灾区域,如大于 200 公顷。
计算公式有点类似 NDVI,计算公式见式(4-2):
NBR=(NIR-SWIR)/(NIR+SWIR) (4-2)
式中,NIR——近红外波段;
24
长春工程学院工程硕士学位论文
SWIR——短波红外波段。
NBR 最早是基于 LandsatTM、ETM+的 band4、band7 研制的,当然也能应用于
其他多光谱数据,NIR 波段范围 0.76-0.9µm,SWIR 波段范围 2.08-2.35µm,如
Landsat8、Worldview3 等。
(3)碳土壤指数(CSI)
碳土壤指数(CSI)构建的是基于近红外波段(NIR)和短波红外波段(LSWIR)
的指数公式,表现为近红外波段(NIR)和短波红外波段(LSWIR)的比值结果,公
式见式(4-3):
 CSI=NIR/LSWIR (4-3)
式中,NIR——近红外波段;
LSWIR——短波红外波段。
其中短波红外波段(LSWIR)介于 2.08-2.35 波谱范围。
(4)归一化短波红外指数(NDSWIR)
 归一化短波红外指数(NDSWIR)是对 NDVI 指数的改进,用 TM 影像的短波
红外第五波段(Band5)代替第三波段(Band3),相关研究表明该指数对裸地及火
烧迹地均有很好的区分效果,计算公式见式(4-4):
 NDSWIR=(NIR-SSWIR)/(NIR+SSWIR) (4-4)
式中,NIR——近红外波段;
SSWIR——短波红外波段。
其中短波红外波段(SSWIR)介于 1.55-1.75 波谱范围。
(5)全球环境监测指数(GEMI)
 全球环境监测指数(GEMI)可以很好地预测植被覆盖度,并且对土壤的反射率
和亮度也很敏感。计算公式见式(4-5):
 GEMI=0.6*NDVI+0.36 (4-5)
式中,NDVI——归一化植被指数。
(6)中红外烧伤指数(MIRBI)
计算公式见式(4-6):
 MIRBI=10*LSWIR-9.8*SSWIR+2 (4-6)
式中,SSWIR——短波红外波段;
LSWIR——短波红外波段。
4.2.3 分离指数
在遥感领域,分离指数 M 是植被指数分离性评价过程中最为常用的方法之一。
分离指数能依据统计数据定量评价典型地物与其他地物的可分离程度。计算方式见
25
长春工程学院工程硕士学位论文
式(4-7):
M =
i |  -  |
b i
 + 
b i (4-7)
式中
 和  分别为农田过火区域的样本标准差和样本均值; 和 分别为其他
b b i i
地类像元的样本均值和标准差。M 值越大,表示农田过火区域与该地类可分离程度
越大;M≥1 时,认为两种地类分离性良好,当 M<1 时,认为两种地类分离性较差。
4.2.4 主成分分析
凭借单一指标代替多个相关指标,是本研究的一个要点所在[48]。指标之间直接
进行简单的相加求和以及结合权重比例累加是最为常用的方法。但是该方法结果的
稳定性受到指标相关性以及赋予权重合理性的影响[49];多光谱影像包含着丰富多样
的波段信息,信息的多样化使得发现地物特征之间的细微差别成为可能,但是信息
多样的同时,伴随的是冗余信息的大量存在,如何剔除冗余,精准有效地挖掘特征
信息是后续处理的关键所在。
在主成分分析中,一组相关数据经由正交变换转换成为新的不具备线性相关的
数据,实现了 n 维特征到 k 维特征的转变,其中 k 的维数要小于 n,全新的 k 维正交
特征被称之为主成分。就如图 4-6 所示,实现三维点集至二维点集的转换,进一步选
择将数据投影到最长的向量上。通过主成分分析后获取的特征向量值来判别波段载
荷因子的绝对值,该值越大,该主成分波段包含的原始波段光谱特征信息越丰富[50]。
可用来判别包含目标地物信息的主分量图像和每个主成分分析波段对目标地物信息
的响应贡献,最终根据特征向量值的符号和大小来确定目标地物信息在主分量图像
中的像元分布特征。主成分分析直观原理如图 4-7 所示。
图 4-7 主成分分析示意图
26
长春工程学院工程硕士学位论文
主成分分析从数学角度描述,其流程大致如下:
数据标准化处理,进而反映原始指标的变异信息与相关系数信息;
x =
i X -X
i
S
i (4-8)
协方差矩阵(相关系数矩阵)计算;
r  r 
11 1n
  
R=   
  
 
r  r
 
n1 nn (4-9)
rij(i,j=1,2…,n)代表 xi 与 xj 的相关系数,rij=rji ,计算公式如下:
r =
ij n
  
x -x x -x
i j
ki kj
k1
n n
   
2 2
x -x x -x
i j
ki kj
k1 k1 (4-10)
计算特征值与特征向量;
解特征方程
I-R =0 (4-11)
一般求解特征值使用雅可比法(Jacobi),并从大到小将其排列:λ1≥λ2…≥λn≥0,
分别求解特征值λi 对应的的特征向量 ei (i=1,2,…n),要求满足下式:
n
 (4-12)
e =1
2 ij
j1
eij 表示向量 ei 的第 j 个分量。
贡献率及累积贡献率计算;
当所得到的贡献率值越大,则此时主成分中就会存在越强原始变量的信息。为
保证主成分能很好地代表起始变量信息,通常选取累计贡献率在 75%-95%的特征值
所包含的主成分[51]。具体计算公式见式(4-13)、(4-14):
 
n i 
i ( 1, 2, n)
…,
 
 
k
k1 (4-13)
 
k
k1 ( 1, 2, n)
n i
…, (4-14)
 
 
k k1
27
长春工程学院工程硕士学位论文
主成分分析在不损失信息总量的前提下将信息调整,实现了信息的重新分布,
使得最靠前的主成分分量汇集了绝大多数信息,将主要信息集中到第一主成分以及
第二主成分上,起到了数据压缩的效果。除此之外,在主成分变换中,规避了原始
指标权重比例的主观确定,实现了站在客观角度依据算法自动化分配贡献度。在整
个计算过程中,由于个人主观方法的差异性导致的结果偏差被消除。因此,本研究
拟采用主成分变换结果来提取农田过火区域。
4.2.5 CART 分类树算法
传统遥感理论中,根据遥感影像分类过程中人工参与的程度,主要分为监督和
非监督分类。就监督分类而言,其主要实现流程如下图 4-8 所示。随着分类算法的推
陈出新,支持向量机、决策树以及神经网络等分类方法应运而生。其中,支持向量
机方法旨在借助学习理论、结构风险最小理论寻求一个最佳状态,该状态能够平衡
模型中样本信息复杂性及其学习能力,能够解决高维度数据问题,能够避免局部极
小值问题,但对实验数据缺乏敏感性[52]。本研究选取人工参与度较高,实验流程较
为简便的决策树分类算法作为分类的核心算法。
决策树所依托的数据不单单是遥感影像,也包含其他类型的空间数据,它的工
作原理是自上而下递归判别节点的属性值,依据属性判断结果决定其分支走向,最
终在决策树的末尾--叶子处得出类别判定结果。自树的顶端至叶子处就代表着一条路
径(规则),路的走向对分类精度有着举足轻重的影响[53]。
在决策树算法中,CART 分类算法主要依托技术为二分递归分割,通常被应用于
数据挖掘、模型预测并且有着良好的鲁棒性。其思路是:模型训练样本被一分为二,
分别为预测变量和目标变量,一般情况下预测变量占据大多数变量,而目标变量仅
保留一个,在分析得到变量逻辑关系基础之上,会生成针对树以及节点的判别规则,
最终得到一个二叉树[54]。
28
长春工程学院工程硕士学位论文
图 4-8 监督分类流程图
4.2.6 精度评价方法
在遥感图像分类中,精度评价是必不可少的步骤,精度评价的存在保证了分类
方法的可信度,为进一步研究和分析提供了重要的参考。在精度评价过程中,参考
数据本身的准确性尤为重要,因此需先分析假设标准图的准确性。假定标准图选取
尽量与分类影像时间一致,并且经过野外勘察,实地调查,确定分类正确的图。
本研究采用误差矩阵来进行精度评价,适合实际调查矢量区样本数据的评价,
其评价指标包括制图精度、用户精度、总体精度和 Kappa 系数。本研究选择误差矩
阵精度评价的方法,利用国土变更调查数据作为标准数据验证士地利用分类结果的
精度及可靠性。
4.3 2021 年结果分析及精度评价
4.3.1 典型地物光谱特征分析
哨兵数据经相关预处理流程过后,通过人工目视选取研究区内样本,每一类典
型地物样本像元在 3000 个以上。借助 ENVI5.3 软件统计典型地物样本的基本信息,
包含其各个波段反射率及其均值等,可视化获取得到光谱曲线。2021 年典型地物样
29
长春工程学院工程硕士学位论文
本光谱特征可视化结果如图 4-9 所示。
由图 4-9 分析可知,耕地以及建筑物在波段较短的区域反响较好,其在可见光范
围反射率较高,近红外波段的光谱反射率更进一步,二者与农田过火区域的区分度
大,不易混淆,采用可见光波段构建的植被指数将农田过火区域与耕地和建筑物区
分开来;在可见光范围内,正常植被(这里主要指林地)与农田过火区域二者的光
谱特征较为相似,然而到达短波红外波段区域后,二者之间光谱差异凸显出来,为
区别农田过火区域与林地,可构建基于短波红外波段的指数;其他地物与水体的光
谱反射率值明显差异较大,常见指数计算结果均可将其与其他地物区分开来。
图 4-9 2021 年典型地物光谱特征曲线
4.3.2 指数结果分析
统计分析研究区典型地物的植被指数信息发现,不同指数计算结果分布范围差
异较大,为使后续研究分析有可比性,将所有指数计算结果进行标准化处理,使其
结果分布于 0 到 1 之间。各指数波段结果及其均值信息如图 4-10、4-11 所示。
30
长春工程学院工程硕士学位论文
a) BAI 指数 b)CSI 指数
c)EVI 指数 d)MIRBI 指数
图 4-10 2021 年各指数结果
31
长春工程学院工程硕士学位论文
e)NBR 指数 f)NDSWIR 指数
g)NDVI 指数 h)NDWI 指数
图 4-10 2021 年各指数结果
从各地物的植被指数平均值上看,BAI 指数的结果对于识别农田过火区域有显
著效果;而 NDVI 和 GEMI 对植被信息尤为敏感,正常植被(这里主要指林地)的
这些指数值都最高,但其耕地、农田过火区域结果与其相似,采用这 2 种指数不能
很好地分离出过火区;MIRBI 对林地特征的反映较其他典型地物明显微弱,但同时
其他典型地物的 MIRBI 特征相差无几,易造成混分;NDWI 指数对水体特征的反映
明显不同于其他地物,可有效提取水体范围;EVI 指数对农田过火区域的反映虽并
不明显,却很好地剥离了农田过火区域与其他地物,其均值特征相对其他地物有明
32
长春工程学院工程硕士学位论文
显差异;CSI、NBR 和 NDSWIR 三种指数的典型地物均值特征十分相近,其对水体
和林地较为敏感,对农田过火区域的反映特征相较 BAI 和 EVI 指数并不突出。综合
以上指数结果,农田过火区域区分效果最佳的指数结果为 BAI、EVI、NDSWIR、NBR
和 CSI 等指数。
图 4-11 2021 年典型地物各指数均值
4.3.3 分离指数选取优质指数
为广泛考虑数据特征,挖掘更深层次的典型地物信息,采用分离指数定量地评
判各指数对农田过火区域的识别潜力。
4.3.3.1 优质指数选取
统计各种典型地物指数信息,以农田过火区域为基准,依托均值、方差结果获
取地物与农田过火区域的分离指数 M。分析评价各地物指数波段在哨兵数据上展现
的分离性,进一步选取用来识别农田过火区域的指标。各个波段典型地物分离指数
结果如图 4-12 所示。
从图中可以看出,MIRBI 指数结果单有一种地物与农田过火区域可明显区分开
来,其余地物与农田过火区域的分离效果欠佳;相比于 MIRBI,NDVI、NDWI 和 GEMI
的 M≥1 的更多,区分度相对较好,但仍不足以满足用来分离农田过火区域的条件;
CSI、NBR 和 NDSWIR 指数结果表明典型地物整体也满足对农田过火区域的区分,
唯有耕地与农田过火区域的区分程度相对水体、林地和建筑物不是十分明显;基于
33
长春工程学院工程硕士学位论文
过火后哨兵数据的 BAI 指数结果总体区分效果较好,仅对林地的分离性相对较差,
基于 EVI 指数结果的建筑物特征与农田过火区域特征有一定混淆;整体来讲,BAI
和 EVI 指数能将水体、林地、建筑物和耕地 4 种地物很好地与农田过火区域区分开

学术论文网提供数万篇的免费毕业论文、硕士论文、博士论文、sci论文发表的范文供您参考,并提供经济、管理、医学、法律、文学、教育、理工论文、mba作业、英语作业的论文辅导写作、发表等服务,团队实力雄厚,多达人,帮您解决一切论文烦恼。