一种利用BFAST算法判别潜在火点的方法与流程

一种利用bfast算法判别潜在火点的方法
1.本发明是发明名称为“一种基于modis的森林火灾火点检测方法”的分案申请，其中，母案的申请号为201710049523.9，申请日为20170123。
技术领域
2.本发明涉及火灾科学领域，特别是涉及一种利用bfast算法判别潜在火点的方法。


背景技术：

3.随着modis火点检测产品的发展，相应算法不断丰富。目前林火火点检测算法主要有光谱法、阈值法、空间上下文分析法、多时相法等。光谱法借助火点与其他地物的光谱差异，增强图像信息，目视定性地了解火点大致位置。阈值法是根据区域和季节的先验信息，设定火点判别物理量的阈值，从而确定火点；kaufman、kennedy、arino、melinotte和覃先林等人分别引入亮温、反射率、反照率、ndvi阈值、亮温
‑
植被指数作为火点判别物理量，lee和tag技术依据像元背景亮温和地表温度的差异对通道亮温进行了校正；阈值方法简单省时高效，但很难适用于所有的气候和环境状况。
4.针对固定阈值法的不足，giglio提出了上下文算法，并发展成为了modis v4算法；基于此，wang引入烟羽掩膜确定潜在火点区域、wang调整了潜在火点判别阈值中mir和tir通道的亮温差、彭光雄等采用了烟羽掩膜和自适应背景窗口技术、hel等提出了消除太阳污染的方法、yingli提出特征空间马氏距离法、肖霞提出类间方差和烟羽掩膜法，使得modis v4算法日益成熟。与此同时，多时相法得到迅速发展，keiji和kushida基于多时相modis v4产品构建双谱阈值的随机模型比modis v4精度更高；movaghatis利用自动agent算法检测区域火点，对面积小、温度低火点检测比modis v4更有优势。
5.总的来说，上下文分析法设定自适应背景窗口内目标与背景的差异度判识火点，提高了方法的适用范围和准确度，但通过固定阈值确定潜在火点的方法灵活性差，区域性差异考虑不足；多时相火点检测方法虽然克服了不同区域环境阈值设置问题，更具有自适应性，能在早期发现火点，但要对历史数据进行统计分析和变化阈值设定。
6.因此，亟需一种利用bfast算法判别潜在火点的方法，克服上述缺点。


技术实现要素：

7.本发明的目的是提供一种利用bfast算法判别潜在火点的方法，对于火点判别更具有自适应性和灵活性，克服固定阈值判别潜在火点无法满足区域性差异的不足。
8.为实现上述目的，本发明提供了如下方案：
9.一种利用bfast算法判别潜在火点的方法，包括：
10.获取modis中若干天的modo2数据和modo3数据；
11.根据所述modo2数据和modo3数据构建时间序列数据，得到ndvi时间序列日值数据和亮温时间序列日值数据；
12.采用时间序列断点识别算法识别所述ndvi时间序列日值数据得到ndvi时间序列
断点数据，采用时间序列断点识别算法识别所述亮温时间序列日值数据得到亮温时间序列断点数据；
13.将识别出的所述ndvi时间序列断点数据和亮温时间序列断点数据作为潜在火点；
14.采用空间上下文分析对所述潜在火点进行识别，得到相对火点；
15.获取自主模块化传感器输出的真实火点，将所述真实火点与所述相对火点对比，计算所述相对火点的正确性和遗漏率。
16.根据本发明提供的具体实施例，本发明公开了以下技术效果：
17.本发明综合运用时间序列分析法和空间上下文分析法，利用时间序列断点识别算法检测归一化植被指数(ndvi)和亮温的时间序列断点数据，通过断点识别潜在火点，进而利用空间上下文统计分析确定相对火点；采用自主模块化传感器(ams)数据的真实火点验证结果的准确性。本发明利用时间序列断点识别算法判别潜在火点，而不是固定阈值确定潜在火点，提高了火点判对率，对于火点判别更具有自适应性和灵活性，克服了固定阈值判别潜在火点无法满足区域性差异的不足。
附图说明
18.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的结构示意图。
19.图1为本发明提供的利用bfast算法判别潜在火点的方法的流程结构示意图；
20.图2为圣迭戈林区分布图；
21.图3(a)为美国加利福尼亚州地理位置图；图3(b)为加利福尼亚州破坏性最大的林火分布图；图3(c)为加利福尼亚州伤亡最大的林火分布图；图3(d)为加利福尼亚州规模最大的林火分布图；
22.图4为样本点位置图；
23.图5(a)为1号样本点ndvi时间序列图；图5(b)为1号样本点亮温时间序列图；图5(c)为2号样本点ndvi时间序列图；图5(d)为2号样本点亮温时间序列图；
24.图6(a)为1号样本点ndvi断点检测结果；图6(b)为1号样本点亮温断点检测结果；图6(c)为2号样本点ndvi断点检测结果；图6(d)为2号样本点亮温断点检测结果；
25.图7(a)为ams的火点分布图；图7(b)为ams的3.7μm波段亮温分布图；图7(c)为ams的3.7μm和10.76μm波段亮温散点图；图7(d)为ams的10.76μm波段亮温分布图；
26.图8(a)为1号样本点的ams火点分布图；图8(b)为2号样本点的ams火点分布图；
27.图9(a)为modis v4算法的火点提取结果；图9(b)为本发明的火点提取结果；
28.图10(a)为2007年10月24日圣迭戈火点采用modis v4算法的火点提取结果；图10(b)为2007年10月24日圣迭戈火点采用本发明的火点提取结果；
29.图11(a)为确定有效背景像元时的5
×
5大小的窗口示意图；图11(b)为确定有效背景像元时的7
×
7大小的窗口示意图。
具体实施方式
30.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
31.如图2和3a所示，本实施例选取美国圣迭戈作为样本进行研究。圣迭戈(sandiego)是美国加利福尼亚州的一个太平洋沿岸城市，位于加利福尼亚州的西南端，南距墨西哥边境20公里，西经117.6
°‑
116.0
°
，北纬32.5
°‑
33.6
°
。人口134万，面积963km2，是加利福尼亚州的第二大城市。迭戈市年平均气温约为华氏70度，以温暖的气候和多处的沙滩著名，属温带大陆性干旱气候，阳光充足，降雨较少，年均降水量约为25cm。从图3b
‑
3d可以看出，圣迭戈发生破坏严重、严重伤亡、大规模火灾的次数分别为4、5、3，属于火灾较严重的地区。参考mcd12q1的第一种分类体系的分类结果：1常绿针叶林，2常绿阔叶林，3落叶针叶林，4落叶阔叶林，5混交林，6封闭灌丛，7开放灌丛和8多树草原共8类像元作为本发明的林区范围。
32.如图1所示，为本发明利用bfast算法判别潜在火点的方法的流程结构示意图，本发明主要使用的数据包括实验数据和验证数据。步骤101，获取modis中若干天的modo2数据和modo3数据。步骤102，根据所述modo2数据和modo3数据构建时间序列数据，得到ndvi时间序列日值数据和亮温时间序列日值数据。本发明采用的实验数据为2002年1月1日到2009年9月30日共2828天的mod02和mod03数据。mod02即modis原始数据modis l1b经过定位和辐射定标处理的数据之一，分辨率为1km。包含：反射率、辐亮度值和发射率三种类型数据，不同分辨率与波段组合的四个波段子集。对所述modo2数据和modo3数据进行预处理，主要的预处理包括几何校正、数据有效性检查、亮温反演和ndvi反演。具体地，几何校正包括去除“蝴蝶结”效应、投影转换和图像规则裁剪，基于java语言，使用modis swath格式数据的简易软件平台mrtswath去除“蝴蝶结”效应，进行投影转换、图像规则裁剪等。需要注意的是，该软件需要modis l2数据对应的几何定位数据mod03。
33.数据有效性检查：为保证每个像元每天有且仅有一个时间序列数据，需对hdf文件经mrtswath几何校正生成的tif文件进行重新赋值以及数据拼接处理。亮温反演，根据反解planck函数求解亮温的原理，由辐射率得出mod021km/myd021km定标辐射热红外波段(20
‑
25，27
‑
36)的亮温t
λ
，计算公式为
[0034][0035]
上述公式用来反演亮温，直接下载的影像modis02数据提供波长、波段辐射亮度、热辐射偏移量、拉伸量，已知常数参量即可求出时间序列数据的亮温。其中：π＝3.14159；c1＝3.7418
×
10
‑
16w
·
m2；c2＝14388um
·
k；λ为波长(m)；l
λ
为波段辐射亮度(w
·
m
‑2·
sr
‑1)；l_offset
λ
为热辐射偏移量，l_scales
λ
为拉伸量，均可从hdf文件属性中获取。
[0036]
ndvi反演，归一化植被指数(normalized difference vegetation index,ndvi)表示为：
[0037]
或
[0038]
该公式基于modis02数据来计算时间序列的ndvi。其中：ρ
nir
为近红外的反射率和ρ
red
为红光波段的反射率，dnnir为近红外波段的dn(digital number是遥感影像像元亮度值)值和dnred分别和红光波段的dn(digital number是遥感影像像元亮度值)值。modis的第一、二波段分别为红光和近红外波段，可以通过mod021km/myd021km数据集250m重采样到1000m的反射率波段得到。
[0039]
步骤103，采用时间序列断点识别算法识别所述ndvi时间序列日值数据得到ndvi时间序列断点数据，采用时间序列断点识别算法识别所述亮温时间序列日值数据得到亮温时间序列断点数据。时间序列断点识别算法bfast(breaks foradditive seasonal and trend)是verbesselt等提出的时间序列变化检测模型，目前主要用于ndvi产品的断点识别来研究物候扰动。本发明利用bfast算法识别的ndvi和亮温两个时间序列观测数据断点作为潜在火点。
[0040]
1.1分解模型：bfast算法将长时间序列影像通过迭代方式进行逐像元的曲线分离，过滤出趋势组分(即年际间变化，由气候、土地管理、人类活动引起的变化)、季节组分(即年内周期性变化)及噪声变化(主要指云、雨、雪、仪器噪声等引起的瞬时变化)。具体来说，利用可加性分解模型迭代拟合趋势组分和季节组分，表示为：
[0041]
y
t
＝t
t
s
t
e
t
(t＝1,...,n)；其中，t为观测时间，y
t
为t时刻观测值；t
t
为趋势组分；s
t
为季节组分；e
t
为噪声组分，所述噪声组分是观测值中除去趋势组分和季节成分后的剩余部分。
[0042]
(1)趋势组分t
t
：描述为分段直线函数；设断点为：描述为分段直线函数；设断点为则趋势组分t
t
的线性模型表示为：
[0043][0044]
其中，j为趋势断点所在位置，j＝1,
…
,m；α
j
为截距，β
j
为斜率，所述斜率为用来反演突变的幅度和断点前后渐变的斜率。
[0045]
对于断点t，若满足则断点t突变的幅度表示为：
[0046]
magnitude＝(α
j
‑1‑
α
j
) (β
j
‑1‑
β
j
)t。
[0047]
其中，β
j
‑1为断点前的渐变斜率，β
j
为断点后的渐变斜率；
[0048]
(2)季节组分s
t
：相邻断点间的s
t
是固定的，但不同断点间s
t
可能不同，且季节断点与趋势断点可能发生在不同时间；设断点为与趋势断点可能发生在不同时间；设断点为则季节组分s
t
的谐波模型表示为：
[0049][0050]
其中，j为季节断点所在位置，j＝1,...,p；k为谐波项数，f为频率；γ
j,k
＝a
j,k cos(δ
j,k
)，θ
j,k
＝a
j,k sin(δ
j,k
)，a
j,k
为频率f/k的振幅，δ
j,k
为频率f/k的相位；
δ
j,k
＝tan
‑1(θ
j,k
/γ
j,k
)。谐波模型有如下优点：模型对短期数据的变化和固有噪声(云层和大气散射)不敏感；必需的观测值更少，提高了算法速度和效率；拟合参数(a
j
,δ
j
)更容易用来描述物候变化。
[0051]
1.2断点监测：采用最小二乘法的移动求和(ols
‑
mosum)分别检验所述ndvi时间序列日值数据和所述亮温时间序列日值数据中是否存在断点，采用最小贝叶斯信息准则(bic)确定所述ndvi时间序列日值数据和所述亮温时间序列日值数据中断点的最优数量，采用最小残差平方和(mrss)估算所述ndvi时间序列日值数据和所述亮温时间序列日值数据中断点的位置，最终得到ndvi时间序列断点数据和亮温时间序列断点数据。
[0052]
具体步骤如下：
[0053]
(1)如果最小二乘法的移动求和检验表明趋势组分t
t
中有断点，那么运用最小二乘法拟合季节性因素调整后的数据得到趋势断点的数量和位置。
[0054]
(2)根据m
‑
估计的鲁棒回归估算得到趋势组分系数α
j
和β
j
，根据公式magnitude＝(α
j
‑1‑
α
j
) (β
j
‑1‑
β
j
)t，得到趋势组分估计值为：
[0055][0056]
(3)如果最小二乘法的移动求和检验表明季节组分s
t
中有断点，运用最小二乘法拟合趋势性因素调整后的数据得到季节断点的数量和位置。
[0057]
(4)根据m
‑
估计的鲁棒回归估算得到季节组分系数θ
j,k
和γ
j,k
，基于谐波模型，季节组分估计值表示为：
[0058]
(5)重复步骤21
‑
步骤24，直到所述ndvi时间序列日值数据和所述亮温时间序列日值数据中断点的数量和位置不再变化。
[0059]
步骤104，将识别出的所述ndvi时间序列断点数据和亮温时间序列断点数据作为潜在火点。bfast算法检测的断点不一定为林火，因此，本发明将潜在火点进行空间上下文分析判定其是否为火点，主要包括云体掩膜、确定有效背景像元和火点判别三部分。
[0060]
2.1云体掩膜：云体掩膜借鉴igbp(international geosphere biosphere program)，即利用avhrr(高级超高分辨率辐射计)数据监测全球火灾的云监测技术，白天满足式(9)的像元认为是云体像元。
[0061]
ρ1 ρ2＞0.9ort
23
＜265kor(ρ1 ρ2＞0.7andt
32
＜285k)的像元确定为云体像元；其中，ρ1表示modis波段1的反射率，ρ2表示modis波段2的反射率，ρ3表示为modis波段32的亮温。
[0062]
2.2确定有效背景像元：有效背景像元指以潜在火点为中心并且满足下列四个条件的像元：
①
该像元数据有效；
②
该像元为非云像元；
③
该像元为陆地像元；
④
该像元为非背景火点像元。背景火点像元指白天t22＞325k且t22
‑
t31>20k的像元(t22为22波段的亮温)。以潜在火点为中心，向左右上下分别延长1
‑
5个像元，即构建5
×
5、7
×7……
21
×
21大小的窗口，如图11(a)和11(b)所示，直到有效背景像元个数占窗口总像元数量的25％以上
即停止搜索，来确定窗口大小。
[0063]
2.3火点判别：在获取有效背景像元之后，采用上下文空间统计分析方法对潜在火点进行判别，将满足判别条件
[0064][0065][0066][0067]
的所述有效背景像元确定为火点像元。其中，为所述有效背景像元22和31波段亮温差的平均值，为有效背景像元22和31波段亮温差的平均绝对偏差；为有效背景像元22波段的亮温差，为有效背景像元31波段的亮温差；为有效背景像元22波段亮温的平均绝对偏差，为有效背景像元31波段亮温的平均绝对偏差；为背景火点像元22波段亮温的平均绝对偏差。
[0068]
步骤106，获取ams(自主模块化传感器)输出的真实火点，将所述真实火点与所述相对火点对比，计算所述相对火点的正确性和遗漏率。具体地，通过自主模块化传感器3.7um波段和10.76um波段的亮温直方图进行真实火点的提取。具体地，自主模块化传感器数据具备相关的光谱测量能力，可为火灾温度、面积反演以及高分辨率火点辐射功率(frp)的验证提供数据。为保证评估的准确性，要求modis和ams过境时间差控制在15
‑
17分钟内，本发明选取ikhana于2007年10月24日19:11
‑
19:18获取的圣迭戈ams数据作为验证数据。
[0069]
结果分析：1样本的火点判别：选取两个modis像元作为样本点对本发明算法进行分析，如图4为1、2号样本点。
[0070]
1.1构建时间序列数据：如图5(a)
‑
5(d)所示，利用2002年1月1日到2009年9月30日共2828天的mod02和mod03数据，经过几何校正、转投影、拼接，提取了从band_250m_refsb和band_1km_emissive两个波段子集，分别提取modis1、2和22波段的scaled integer数据，利用参数offset和scalefactor得到时间序列影像1、2波段的反射率和22波段的辐亮度。在matlab中逐像元读取1、2波段的反射率和22波段的辐亮度的时间序列数据，对有效范围之外的数据进行时间序列线性插值，保证像元时间序列数据质量上的有效性，则每个像元将得到2828天的ndvi和22波段亮温时间序列日值数据，分别保存在以各自行列号命名的txt文件中。
[0071]
1.2潜在火点的识别：本发明基于r语言，使用verbesselt团队编写bfast软件包，根据bfast函数语法输入潜在断点的最小间隔比例、季节性模型、最大断点个数(本发明设为4)等参数来进行断点检测。图6(a)和图6(c)分别为1号样本点和2号样本点ndvi时间序列断点提取结果，图6(b)和图6(d)分别为1号样本点和2号样本点22通道亮温时间序列断点提取结果，表1为bfast算法潜在火点的识别结果提取信息统计表，从图表中可以得知：(1)1号点在2004年第270天(降)、2006年第64天(降)，2007年第297天(降)ndvi数据趋势组分有断点，2号点2005第168天(升)、2006第290天(升)、2008第36天(升)ndvi数据趋势组分存在断
点。如果ndvi断点为“升”表明ndvi突然增大，可能因为造林绿化；如果ndvi断点为“降”表明ndvi突然减小，可能原因有火灾、森林砍伐、洪灾等。(2)1号点在2004年第290天(降)、2007年第297天(升)亮温数据趋势组分有断点，在2007年第298天亮温数据季节组分有断点；2号点在2003第100天(降)、2004第291天(降)、2006第58天(降)、2008年第37天(升)亮温数据趋势组分有断点。如果亮温断点为“升”表明亮温突然增大，可能因为林火灾害、新增加的人工热源；如果亮温断点为“降”表明亮温突然下降，可能因为植被增加。
[0072]
表1 bfast潜在火点统计数据
[0073][0074][0075]
注：2004(270)表示2004年第270天；带*者为季节组分断点，其他为趋势组分断点。
[0076]
1.3相对火点的判别：将样本点ndvi和亮温的所有断点作为潜在火点，进行空间上下文分析，表2表明1号点2007年297天为林火火点，2号点没有林火火点。图7(a)和7(b)的火点内部分布图，可以发现1号点检测结果是正确的，2号点为火点像元，但本发明算法发生漏检，原因是2号点火点面积很小，且火点造成的ndvi和亮温时间序列数据趋势几乎没有变化，而bfast算法通过结构性变化显著性检验判断时间序列数据中是否存在断点，在结构性变化不显著时会发生断点漏检的情况。
[0077]
表2样本点的火点判别结果
[0078]
[0079]
2结果验证。根据样本点的火点判别结果：1号点2007年297天为林火火点。将2007年10月24日19：11
‑
19：18utc ikhana获取的圣迭戈ams数据作为本发明的验证数据。
[0080]
2.1ams真实火点提取：利用ams11通道(3.7um)和12通道(10.76um)的亮温直方图进行火点提取。第一步，确定背景温度阈值。(图7(b)和7(d)中的黑色虚线tb分别为两波段的背景温度阈值)；第二步，基于通道间比较方法(ict)移除假火点(低于背景温度和10.76um温度低3.7um温度高的非火点。图7(c)中的白色三角点为ict值，低于ict的深色圆点亮温散点为非火点)；ict值即为判断潜在火点与非火点的阈值。基本原理：将4um通道观测值划分为10个柱状区间，计算每一个柱状区间11μm亮温的25％四分位数作为ict值，如果11μm亮温的25％四分位数高于350k，ict值设为350k。排除非火点的依据是：高于ict值的点作为潜在火点，低于ict值的点不是潜在火点；第三步，确定火点判定阈值，判别火点。(图7(d)灰色竖线tf为10.76μm波段火点判定阈值；图7(b)灰色竖线实线tf为3.7μm波段火点判定阈值。图7(c)黑色菱形散点为火点，图7(a)为ams火点分布图)。图8(a)和8(b)为ams真实火点内部分布图。
[0081]
2.2火点提取结果对比分析：将ams火点提取结果作为火点真实数据，将本发明算法与modis v4算法火点提取结果进行对比分析。可以发现1号点检测结果是正确的，2号点为火点像元，但本发明算法发生漏检。
[0082]
图9(a)
‑
(b)底图为ams数据中红外、近红外、绿光波段辐亮度对应rbg通道的合成影像，火点在中红外波段辐亮度高，在图像中显示为红色，植被在近红外高反射，在图像中呈绿色；黑框区域为火点提取算法验证区域，条纹像元为ams提取的modis火点像元，作为modis的“真实”火点；图9(a)深色像元为modis v4算法的火点检测结果中判对的像元，置信度都为9，浅色像元为modis v4算法误判为火点的像元，条纹背景的像元为modis v4漏判的火点像元；图9(b)深色像元为本发明算法的火点提取结果中判对的像元，条纹背景的像元为本发明算法漏判的火点像元。
[0083]
表3为modis火点统计信息，验证区共有46个火点像元，modis v4算法提取出44个火点像元，其中，判对火点41个火点像元，判错火点3个火点像元，另外，漏判5个；而本发明算法提取火点39个，判对火点39个，判错0个，漏判7个。表4为本发明算法漏检的火点像元统计信息，漏检火点对应的ams火点像元数分别为4、2、58、27、17、2、7，火点面积都比较小。
[0084]
表3火点验证结果
[0085][0086]
表4漏检火点的统计信息
[0087][0088]
分析可得：(1)相对于modis v4火点提取算法，本发明提出的基于时间序列分析和空间分析的火点提取算法提高了火点判对率，这是因为本发明利用bfast算法检测时间序列数据断点的方法判别潜在火点，而不是固定阈值确定潜在火点，因此本发明算法对于火点判别更具有自适应性和灵活性，克服了固定阈值判别潜在火点无法满足区域性差异的不足。(2)本发明算法的漏检火点像元个数高于modis v4火点检测算法，这是因为火点面积很小，且火点造成的ndvi和亮温时间序列数据趋势几乎没有变化，而bfast算法通过显著性检验判断时间序列数据中是否存在断点，在结构性变化不显著时发生断点漏检的情况。
[0089]
3研究区火点检测：将本发明火点检测算法应用于整个研究区，得到2007年10月24日的火点检测结果图10(a)
‑
(b)，底图为mod021km真彩色合成图像，图10(a)为modis v4算法的火点检测结果，按照置信度从低到高分为7、8、9三个级别；图10(b)为本发明算法的火点检测结果，火点标记为红色深黑色，不包含置信度信息。从图中可以看出2007年10月24日圣迭戈火点分布比较分散，西北部、中北部和中南部都有火点存在。表5为两种算法的火点提取结果对比统计数据，可以得出本发明算法检测的火点总数(133)低于modis v4算法检测的火点总数(253)，这一方面由于modis v4火点检测精度依赖植被情况，森林砍伐活跃区误判率约为35％；另一方面，由于对于面积很小且火点造成的ndvi和亮温时间序列数据趋势几乎没有变化的火点，bfast可能出现漏判的情况。
[0090]
表5火点像元提取结果统计表
[0091][0092]
本发明针对modis数据的时间分辨率优势，提出时间序列分析和上下文空间分析相结合的modis火点检测方法；引入时间序列断点识别算法bfast提取潜在火点，克服固定阈值区域性限制，从而对modis v4火点检测算法进行了改进；并将该算法应用于圣迭戈(sandiego)的火点检测，成功识别出研究区森林火灾情况。无论从方法论还是实证研究方面，对林火检测都具有重要意义。主要结论如下：运用本发明算法，成功检测出1号样本点2007年10月24日的火点；同时识别出整个研究区当天的133个火点，这些火点分散于西北部、中北部和中南部。相对于modis v4火点检测算法，本发明的火点检测算法提高了火点检测的正确率，对于面积很小和未造成ndvi和亮温时间序列数据趋势明显变化的火点可能出
现漏判情况。
[0093]
空间上下文算法的原理是基于固定阈值提取潜在火点，再依据潜在火点与背景像元的空间关系进行相对火点判别，得到真实火点；本发明将时间序列算法引入来自动判别潜在火点，提高modis火点检测的灵活性，其中时间序列算法bfsat能排除噪声干扰、提取断点无需设定阈值，相比固定阈值，可以适应区域性的差异，提高火点检测的精度。
[0094]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0095]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。