一种基于遥感大数据的森林火灾监测方法及系统与流程

1.本发明涉及森林防火监测领域，尤其涉及一种基于遥感大数据的森林火灾监测方法及系统。


背景技术：

2.随着全球气候变化，森林火灾发生愈加频繁，火灾发生后的过火面积也随着气候变化而增大，所造成的人员伤亡与经济损失也随之增大；而且森林火灾发生时易受风向风速等气象因素影响，产生不可预测的变化，对火灾扑救行动产生影响。因此，如何针对森林易燃区域进行预警预测就显得尤为重要。
3.为了对森林火灾进行实时监测，目前的监测方法有地面监测网络与遥感影像监测。地面检测网络即利用诸如高清透雾摄像机、热成像摄像机等设备，结合消防瞭望制高点，建立火灾监测网络，对森林进行全天候监测。然而，利用监测网络定点监测，其监测范围有限，无法对森林进行全覆盖；且监测网络仅能对已有火点进行监测，无法针对易燃区域进行提前警报。
4.随着遥感技术的发展，卫星遥感也被逐渐应用到森林火灾监测方面，利用遥感技术对森林火灾进行监测，相较于地面检测网络，可以做到全天候大范围监测，但同样仅能对已有火点进行监测，无法进行预警。
5.针对森林火灾预防，国家气象部门提出了森林火险预警信号，依据大气温度、湿度以及林区状况将火灾发生风险分为三级，即黄色(中度风险)，橙色(高度风险)，红色(极度风险)。森林火险预警信号系统为森林火灾预防提供了很大帮助，但森林火险预警信号所提供预警范围较大，给森林火灾预防人员安排上带来了一定压力。


技术实现要素：

6.针对现有技术存在的技术缺陷，本发明的目的在于提供一种基于遥感大数据的森林火灾监测方法及系统，结合卫星数据、气象数据、地形数据与自然状况数据并针对森林易燃区域进行预警，为森林火灾应急管理部门提供更有效的森林火灾预警数据，以便提前预防森林火灾并针对火灾预防进行更合理安排。
7.本发明的目的通过下述技术方案实现：
8.一种基于遥感大数据的森林火灾监测方法，其方法如下：
9.a、采集遥感大数据，遥感大数据包括地形数据、自然状况数据、卫星数据，地形数据包含dem数据，自然状况数据包含空气湿度、相对湿度、降雨量和平均风速，卫星数据包含火灾数据、覆被数据及反射率数据；
10.b、利用arcgis系统根据dem数据计算得出海拔高度、坡度数据及坡向数据；利用envi软件平台结合卫星数据按照如下公式计算得到ndwi数据：
11.ndwi＝(ρ(nir)-ρ(mir))/(ρ(nir) ρ(mir))，其中ρ(nir)为近红外波段，ρ(mir)为中红外波段；
12.c、构建森林火灾预测模型，利用spss软件系统对遥感大数据进行各个影响因子的皮尔逊相关系数，影响因子包括海拔高度、坡度数据、坡向数据、空气湿度、相对湿度、降雨量、平均风速、ndwi数据，皮尔逊相关系数计算方法如下：
13.其中cov(x，y)为变量x，y的协方差，σ
x
，σy为变量x，y的方差，其中协方差计算方法如下：
14.cov(x，y)＝e(xy)-e(x)e(y)
15.d(x)＝e(x2)-e(x)216.其中cov(x，y)为变量x，y的协方差，e(xy)、e(x2)、e(x)、e(y)分别为变量xy、x2、x、y的数学期望，其数学期望采用如下公式计算：其中xi为变量序列x的第i个值，为xi的出现概率；
17.结合上述公式并按照如下公式计算出皮尔逊相关系数：
18.其中x、y分别为所求相关系数的变量，n为变量取值的个数；
19.根据所求得的皮尔逊相关系数的相关系数矩阵，筛选出相关系数大于k的影响因子构成影响因子集，作为森林火灾预测模型的输入变量；
20.d、森林火灾预测模型采用随机森林算法组合多个弱学习器进行多特征训练及精度验证，即可得到精度满足要求训练的森林火灾预测模型。
21.优选地，本发明森林火灾监测方法在步骤a中，利用python第三方包、arcgis系统将火灾数据转换为点数据并筛选出火点数据和与之等量的非火点数据，火点数据的属性值大于0，非火点数据属性值为0。
22.优选地，本发明森林火灾监测方法在步骤b中，筛选出相关系数大于0.5的影响因子构成影响因子集。
23.优选地，本发明森林火灾监测方法在步骤d中，随机森林模型训练前采用python语言中的sklearn包中model_selection类中的网格搜索函数进行参数组合调整或选择单个参数调整；然后使用sklearn包中model_selection类中的分割函数对数据集进行分割，数据集的20％作为验证集，其余作为训练集；接着，sklearn包调用标准化函数对验证集、训练集进行标准化处理；使用sklearn包中ensemble类中的随机森林回归函数进行模型训练。
24.优选地，本发明森林火灾监测方法使用sklearn包中metrics类中的精确度函数(accuracy_score())、召回率函数(recall_score())及两者调和平均函数(f1_score())作为评价函数对模型进行验证。
25.优选地，本发明森林火灾监测方法使用sklearn包中model_selection类中的交叉验证函数对模型的稳定性进行检验，选择默认的准确度函数作为结果参数，默认使用k折交
叉验证并共构建k次相同参数的随机森林模型，得到k个准确度值，利用mean函数对k个准确度值求均，利用std函数计算k个准确度值的标准差，并由此验证模型的稳定性。
26.一种基于遥感大数据的森林火灾监测系统，包括数据获取系统、数据处理与分析系统与森林火灾预测模型，所述数据获取系统实现遥感大数据的采集与获取，遥感大数据包括地形数据、自然状况数据、卫星数据，地形数据包含dem数据，自然状况数据包含空气湿度、相对湿度、降雨量和平均风速，卫星数据包含火灾数据、覆被数据及反射率数据；所述数据处理与分析系统对地形数据与自然状况数据进行影响因子预处理并得到影响因子集，数据处理与分析系统对卫星数据进行火点数据提取并结合影响因子集构建模型数据集；森林火灾预测模型采用模型数据集并利用随机森林算法模型进行模型训练并验证精度。
27.本发明较现有技术相比，具有以下优点及有益效果：
28.(1)本发明提出了一种结合卫星数据、气象数据、地形数据与自然状况数据并针对森林易燃区域进行预警的方法，为森林火灾应急管理部门提供更有效的森林火灾预警数据，以便提前预防森林火灾并针对火灾预防进行更合理安排。
29.(2)本发明提供了一种基于遥感大数据的森林火灾监测方法及系统，根据机器学习方法，探究卫星数据、气象数据、地形数据、自然状况数据与森林火灾之间的相关性关系，并在此基础上构建森林火灾预测模型，实现对易燃森林区域的预测。
30.(3)本发明构建森林火灾监测预警平台，根据用户的查询请求，可视化展示大面积查询区域中易发生火灾的小面积森林区域；这样，基于高精度遥感监测数据的支持，精确地预测易燃森林区域的所在位置，以便相关部门能够进行更好的预防和更及时扑灭森林火灾。
附图说明
31.图1为本发明的结构示意图。
具体实施方式
32.下面结合实施例对本发明作进一步地详细说明：
33.实施例
34.如图1所示，一种基于遥感大数据的森林火灾监测方法，其方法如下：
35.a、采集遥感大数据，遥感大数据包括地形数据、自然状况数据、卫星数据，地形数据包含dem数据，自然状况数据包含空气湿度、相对湿度、降雨量和平均风速，卫星数据包含火灾数据、覆被数据及反射率数据。在步骤a中，利用python第三方包、arcgis系统将火灾数据转换为点数据并筛选出火点数据和与之等量的非火点数据，火点数据的属性值大于0，非火点数据属性值为0。
36.根据本实施例的一个优选实施例，获取区域的遥感大数据(包括火灾监测遥感大数据与地表覆被数据)，对数据进行预处理，进而获取该区域的森林火灾信息。其中预处理包括数据读取，利用python第三方包，包括gdal、numpy等，选取“burn date”数据集，将火点数据转换为geotiff格式；之后进行区域筛选，利用arcgis软件，结合地表覆被数据，筛选火灾监测遥感数据中地表覆被类型属于森林的部分，并利用arcgis将geotiff格式数据转换为点数据；火灾数据转为点数据之后，进行数据点挑选，其中火点数据属性值大于0，非火点
数据属性值为0，筛选出火点数据，并利用python第三方包，random包中的randint()函数，生成随机数序列，并利用arcgis筛选出与火点数据等量的非火点数据，得到森林火灾数据集。其中“数据集读取”的方法如下：
37.hdf_handle＝gdal.open(in_file)
38.sds_list＝hdf_handle.getsubdatasets()
39.burndate_handle＝gdal.open(sds_list[0][0])
[0040]
burndate_data＝burndate_handle.readasarray()。
[0041]
根据本实施例一个优选实施例中，与森林火灾相关的影响因素主要包括卫星数据、地形数据以及自然状况数据(包括气象数据)。其中自然状况数据中的气象数据直接影响森林火灾的发生与否，例如降雨量的多寡直接影响森林干旱程度，风向风速直接影响火灾发生后的扩散程度，因此气象数据对森林火灾预测极为重要。气象数据为表格数据，通过python第三方包pandas对数据进行处理和筛选，得到“站点编号-经纬度-值”格式的数据，并利用arcpy包将数据转换为点shapefile文件，利用arcpy包和统一的网格(tif)文件，将点shapefile文件插值为同像元大小(如500*500米)的geotiff格式文件。地形数据并不会直接影响森林火灾的发生与否，但海拔高度通过影响区域的气候及植被类型，同时，同样海拔高度的情况下，不同的坡度和坡向也会对植被产生影响，进而对森林火灾的发生产生影响。而dem，即digital elevation model(数字高程模型)，是地形因素最直接的表达，因此dem也应作为大气污染监测的一个因素。dem数据为geotiff格式文件，利用arcgis软件对其进行镶嵌，并利用统一的网格(tif)文件重采样为与其他数据同像元大小的geotiff格式文件。利用arcgis中3d分析下的坡度与坡向工具，对dem进行坡度与坡向的计算，以备构建森林火灾预测数据集使用。
[0042]
b、利用arcgis系统根据dem数据计算得出海拔高度、坡度数据及坡向数据；利用envi软件平台结合自然状况数据、卫星数据按照如下公式计算得到ndwi数据：
[0043]
ndwi＝(ρ(nir)-ρ(mir))/(ρ(nir) ρ(mir))，其中ρ(nir)为近红外波段，ρ(mir)为中红外波段；本实施例可结合多波段遥感影像，计算ndwi数据，并重采样至500*500米，并转换为geotiff格式。森林火灾发生与否和植被含水量(重要指标ndwi数据)有着直接的关系，本实施例植被含水量选取ndwi(即normalized difference water index，植被水分指数)，是森林火灾预测的一个重要因素。
[0044]
c、构建森林火灾预测模型，利用spss软件系统对遥感大数据进行各个影响因子的皮尔逊相关系数(本实施例可以利用arcpy中多值提取到点函数extractmultivaluestopoints()，结合卫星数据中的森林火灾数据集，提取地形数据、自然状况数据、自然状况数据中的气象数据，得到森林火灾预测数据集；再利用spss软件，计算得出各影响因子的皮尔逊相关系数)，影响因子包括海拔高度、坡度数据、坡向数据、空气湿度、相对湿度、降雨量、平均风速、ndwi数据，皮尔逊相关系数计算方法如下：
[0045]
其中cov(x，y)为变量x，y的协方差，σ
x
，σy为变量x，y的方差，其中协方差计算方法如下：
[0046]
cov(x，y)＝e(xy)-e(x)e(y)
[0047]
d(x)＝e(x2)-e(x)2[0048]
其中cov(x，y)为变量x，y的协方差，e(xy)、e(x2)、e(x)、e(y)分别为变量xy、x2、x、y的数学期望，其数学期望采用如下公式计算：其中xi为变量序列x的第i个值，为xi的出现概率；
[0049]
结合上述公式并按照如下公式计算出皮尔逊相关系数：
[0050]
其中x、y分别为所求相关系数的变量，n为变量取值的个数；
[0051]
根据所求得的皮尔逊相关系数的相关系数矩阵，筛选出相关系数大于k的影响因子构成影响因子集(优选地，筛选出相关系数大于0.5的影响因子构成影响因子集)，作为森林火灾预测模型的输入变量。本实施例可根据所求得的皮尔逊相关系数的相关系数矩阵，筛选与森林火灾遥感监测数据的相关系数大于0.5(也可根据需要进行调整)的影响因子，作为森林火灾预测模型的输入变量。其中“多值提取到点”的方法如下：
[0052][0053][0054]
d、森林火灾预测模型采用随机森林算法组合多个弱学习器进行多特征训练及精度验证，即可得到精度满足要求训练的森林火灾预测模型。
[0055]
根据本实施例的一个优选实施例，在步骤d中，随机森林模型训练前采用python语言中的sklearn包中model_selection类中的网格搜索函数进行参数组合调整或选择单个参数调整；然后使用sklearn包中model_selection类中的分割函数对数据集进行分割，数据集的20％作为验证集，其余作为训练集；接着，sklearn包调用标准化函数对验证集、训练
集进行标准化处理；使用sklearn包中ensemble类中的随机森林回归函数进行模型训练。
[0056]
根据本实施例的一个优选实施例，随机森林模型的随机森林算法作为一种集成算法，通过组合多个弱学习器，然后通过取均值来获得最终结果，也因此，使其相较于其他算法，有更好的精度；同时也因为其随机性，使随机森林更不容易陷入过拟合。随机森林模型是面向森林火灾遥感监测影像的预测，该模型需要多个影响因子以确保针对森林易燃区域的预测足够准确，同时遥感影像本身具有数据量大的特点，而随机森林在处理高维度(多特征)数据集的适应能力很强，同时训练速度快，适用于大规模数据集。本实施例优选使用python语言中的sklearn包，利用上述数据构建随机森林模型，在进行随机森林模型训练之前，先使用该数据集进行参数调整，这里可选择使用sklearn包中model_selection类中的网格搜索函数(gridsearchcv())进行参数组合调整，也可以选择单个参数调整。其中“单个参数调整”方法如下：
[0057][0058]
在选择出最优参数之后，进行随机森林模型的构建，首先使用sklearn包中model_selection类中的分割函数(train_test_split())对数据集进行分割，数据集的20％作为验证集，其余作为训练集。
[0059]
其中“数据集分割”的方法如下：
[0060]
x_train,x_test,y_train,y_test＝train_test_split(x,
[0061]
y,test_size＝0.2,random_state＝0)
[0062]
许多学习算法中目标函数的基础都是假设所有的特征都是零均值并且具有同一阶数上的方差。而在该模型中的各变量之间数量级相差较大，例如高程量级为103，而降雨量多为10-1
，又因为数量级较大的变量将会在算法中占据主导位置，因此数据的标准化是必不可少的一步。sklearn包中使用的标准化算法，主要是通过计算变量均值与标准差，并通过以下公式计算：
[0063][0064]
上式中z为经过标准化后的值，x为原始值，u为原始值的均值，s为原始值的标准差。因此，调用sklearn包中preprocessing类中的标准化函数(standardscaler())对训练集和验证集进行标准化处理，以便进行后续模型构建。
[0065]
其中“标准化”的方法如下：
[0066]
ss_x＝standardscaler()
[0067]
x_train＝ss_x.fit_transform(x_train)
[0068]
x_test＝ss_x.transform(x_test)
[0069]
x＝ss_x.transform(x)
[0070]
使用sklearn包中ensemble类中的随机森林回归函数(randomforestregressor())，结合上述的最优参数，构建随机森林模型，并利用fit函数进行训练，得出结果。
[0071]
其中“随机森林模型训练”方法如下：
[0072][0073][0074]
根据本实施例的一个优选实施例，本实施例可以使用sklearn包中metrics类中的精确度函数(accuracy_score)、召回率函数(recall_score)及两者调和平均函数(f1_score)作为评价函数对模型进行验证。
[0075]
根据本实施例的一个优选实施例，本实施例可以使用sklearn包中model_selection类中的交叉验证函数(cross_val_score())对模型的稳定性进行检验，选择默认的准确度函数作为结果参数，默认使用k折交叉验证并共构建k次相同参数的随机森林模型，得到k个准确度值，利用mean()函数对k个准确度值求均，利用std()函数计算k个准确度值的标准差，并由此验证模型的稳定性。若森林火灾预测模型(包含随机森林模型)通过上述验证、稳定性验证，则该模型即可进行森林火灾预测应用。本发明利用了机器学习算法进行森林火灾监测，其中随机森林算法具有运算量小、容纳样本数量大的优点，且相对其他算法而言，随机森林模型较容易实现，表现较好，更好的对易燃森林区域进行了监测。本发明获取区域的森林火灾监测遥感大数据，对数据进行预处理(其中预处理包括数据读取、区域筛选与数据点挑选)，获取基础遥感监测信息；获取区域气象、地形和自然状况数据，对数据进行格式归一化，分析各个因素对森林火灾的内在影响机制与相关关系；基于上述分析，挑选对森林火灾有重要影响的因素，依据森林火灾数据，构建训练数据集，结合机器学习方法，构建森林火灾预测模型；验证森林火灾预测模型的普适性和正确性，计算精度评价参数，若不满足精度要求，则调整模型的输入因子和超参数，进行模型重构；若满足精度要求，则进行大面积长时间序列的监测应用。
[0076]
一种基于遥感大数据的森林火灾监测系统，包括数据获取系统、数据处理与分析系统与森林火灾预测模型，所述数据获取系统实现遥感大数据的采集与获取，遥感大数据包括地形数据、自然状况数据、卫星数据，地形数据包含dem数据，自然状况数据包含空气湿度、相对湿度、降雨量和平均风速，卫星数据包含火灾数据、覆被数据及反射率数据；所述数据处理与分析系统对地形数据与自然状况数据进行影响因子预处理并得到影响因子集，数据处理与分析系统对卫星数据进行火点数据提取并结合影响因子集构建模型数据集；森林
火灾预测模型采用模型数据集并利用随机森林算法模型进行模型训练并验证精度。
[0077]
本发明结合气象、卫星数据、地形与自然状况数据进行了森林火灾预测，在实现利用遥感影像数据对已发生火点进行监测的同时，利用机器学习模型，结合气象、卫星数据、地形与自然状况数据，对易燃森林区域进行了预测。本发明利用了卫星数据对森林火灾进行监测，遥感数据具有全天候大范围监测的能力，能够更好的监测森林火灾发生位置。
[0078]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。