一种利用BFAST算法判别潜在火点的方法与流程

技术特征：
1.一种利用bfast算法判别潜在火点的方法，其特征在于，所述利用bfast算法判别潜在火点的方法包括：获取modis中若干天的modo2数据和modo3数据；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；采用时间序列断点识别算法识别所述ndvi时间序列日值数据以得到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以得到亮温时间序列断点数据；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；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；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。2.根据权利要求1所述的利用bfast算法判别潜在火点的方法，其特征在于，所述采用时间序列断点识别算法识别所述ndvi时间序列日值数据以得到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以得到亮温时间序列断点数据，具体包括：步骤1，采用可加性分解模型迭代拟合趋势组分和季节组分，得到计算公式为：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；设断点为则趋势组分tt的线性模型表示为：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；对于断点t，若满足则断点t突变的幅度表示为：magnitude＝(α
j
‑1‑
α
j
) (β
j
‑1‑
β
j
)t；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；设断点为则季节组分st的谐波模型表示为：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
)；步骤2，采用最小二乘法的移动求和分别检验所述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。3.根据权利要求2所述的利用bfast算法判别潜在火点的方法，其特征在于，所述步骤2具体包括：步骤21，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；步骤22，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：步骤23，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；步骤24，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：步骤25，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。4.根据权利要求1所述的利用bfast算法判别潜在火点的方法，其特征在于，所述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，具体包括：采用高级超高分辨率辐射计数据监测体，将满足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；以潜在火点为中心，向左、右、上、下分别延长1
‑
5个像元，构建5
×
5、7
×7……
21
×
21大小的窗口，直到有效背景像元个数占窗口总像元数量的25％以上则停止搜索，并确定窗口大小；在获取所述有效背景像元之后，采用上下文空间统计分析方法对潜在火点进行判别，将满足判别条件将满足判别条件将满足判别条件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。5.根据权利要求1所述的利用bfast算法判别潜在火点的方法，其特征在于，在所述根据所述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之前，对所述modo2数据和modo3数据进行预处理；所述预处理包括几何校正、数据有效性检查、亮温反演和ndvi反演。6.根据权利要求5所述的利用bfast算法判别潜在火点的方法，其特征在于，所述几何校正包括去除“蝴蝶结”效应、投影转换和图像规则裁剪。7.根据权利要求5或6所述的利用bfast算法判别潜在火点的方法，其特征在于，所述数据有效性检查包括对经几何校正后的数据进行重新赋值以及数据拼接处理。8.根据权利要求1所述的利用bfast算法判别潜在火点的方法，其特征在于，所述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，具体包括：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。

技术总结
本发明公开了一种利用BFAST算法判别潜在火点的方法，涉及火灾科学领域，首先对MOD02及MOD03数据构建时间序列数据，得到NDVI和亮温的时间序列日值数据，然后采用时间序列断点识别算法识别NDVI和亮温的时间序列日值数据中的断点，将识别出的断点作为潜在火点；采用空间上下文分析法从潜在火点中判别出相对火点；从自主模块化传感器数据中提取真实火点，将相对火点与真实火点进行对比，验证相对火点的正确性和遗漏率。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，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，提高了火点判对率。提高了火点判对率。提高了火点判对率。


技术研发人员：宫阿都 苏永荣 吕潇然 尹晓天 李静
受保护的技术使用者：北京师范大学
技术研发日：2017.01.23
技术公布日：2021/11/4