[发明专利]基于KNN分类的MODIS数据山火检测方法、系统及其存储介质

说明书

本发明涉及山火检测方法的模型，尤其为一种基于KNN分类的MODIS数据山火检测方法、系统及其存储介质，所述基于KNN分类的MODIS数据山火检测方法首先根据火点真值表和MODIS图像输出火点和非火点经纬度位置信息，建立火点和非火点样本表，然后把经纬度与图像像元一一对应，提取MODIS图像中对应像元点的红外波段特征信息，建立正负样本集，接着使用K近邻(KNN)模型分类正负样本，建立分类模型，最后，使用测试数据进行测试，输出最佳分类模型。通过分析遥感图像红外波段得到火点特征信息，利用这些信息可进行特征学习并用于山火检测。本发明使用机器学习的模型进行分类，简单并且高效，充分利用了MODIS数据多维度特征的特点。

技术领域

本发明涉及一种MODIS数据的山火检测模型，尤其是一种基于KNN分类的MODIS数据山火检测方法、系统及其存储介质。

发明背景

云南省位于中国西南部，占地面积约39万平方公里，主要以山区、林区为主，植被极度丰富，且地处典型的高原热带季气候区域，11月份到次年的5月份受热带大陆干热气团控制，热量充足，在此期间降水量较少，极易引发森林火灾。传统的山火监测手段是通过眺望塔进行人工实地观测、飞机巡航、砍伐隔离带来预防山火。这些方法在一定程度上能够有效地避免火势蔓廷，但因缺乏精确火情数据、高成本、有限的观测范围和观测次数，难以实施有效的应对措施。随着遥感技术不断发展，影像时空分辨率不断提高以及计算机技术和信息处术的不断增强，使得利用卫星感监测技术不新完善，可以快速且大范围地监测目标区域的山火热点情况，有效克服人工监测的不足。

MODIS有分布在0.4-14μm的电磁波谱范围内36个光谱通道，其地面分辨率分别为250m、 500m和1000m，每日可获取4次全球观测数据。MODIS从设计上考虑了火灾监测，在火灾应用方面较其他遥感仪器有以下优点：传感器灵敏度和量化精度高，在发现和测定火灾方面具有优势，这使得MODIS数据在森林火情监测中的应用研究日益受到世界各国的重视。目前，遥感图像山火检测的算法有双谱法、阈值法、空间背景信息法、多时相法和虚警排除法，这些算法误判和漏判率都较高。为了提高山火检测的准确率，本发明使用KNN算法对MODIS图像中的红外波段与火点分类进行建模，之后利用模型进行真实火点的预测判断。

发明内容

为了解决现阶段山火检测模型检测精度低、误检率高的问题，本发明目的是提出一种新的山火检测的模型，提高山火检测精度、降低误检率，降低引起的经济损失，为此，提供一种基于KNN分类的MODIS数据山火检测方法、系统及其存储介质。

为了实现所述目的，本发明的基于KNN分类的MODIS数据山火检测方法，步骤如下：

步骤S1：根据火点真值表和MODIS图像输出火点和非火点经纬度位置信息，建立火点和非火点样本表；

步骤S2：建立经纬度与图像像元的对应的关系，提取火点和对应像元16个红外波段信息，建立正负样本集；

步骤S3：使用K近邻(KNN)模型分类正负样本，建立分类模型；

步骤S4：使用测试数据进行测试，选取不同特征维度，输出最佳分类模型。

具体地，所述建立正负样本集包括如下步骤：

步骤S21：通过对经纬度数据集进行插值来建立经纬度与图像的对应关系；

步骤S22：建立经纬度与图像像元行列号的对应关系；

步骤S23：根据火点和非火点经纬度值输出图像对应像元的红外波段信息。

所述正负样本集的构建采集正样本和负样本的信息特征，并尽可能包含多种火情场景。

根据所述火点正负样本集来建立分类模型。

具体地，所述使用测试数据进行测试包括如下步骤：