一种基于MODIS的森林火灾火点检测方法与流程

技术特征：

1.一种基于MODIS的森林火灾火点检测方法，其特征在于，包括如下步骤：

(1)识别潜在火点：先对来自MODIS的若干天的MOD02及MOD03数据构建时间序列数据，得到该若干天的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所述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；

(2)判别相对火点：基于所述潜在火点及其背景像元，进行空间上下文分析，将识别出的火点作为相对火点，所述相对火点为真实火点。

2.如权利要求1所述的方法，其特征在于，所述步骤(1)中，在对所述MOD02及MOD03数据构建时间序列数据之前，先对所述MOD02及MOD03数据进行预处理。

3.如权利要求2所述的方法，其特征在于，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。

4.如权利要求3所述的方法，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。

5.如权利要求3或4所述的方法，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。

6.如权利要求1所述的方法，其特征在于，步骤(1)中所述采用时间序列断点识别算法识别所述NDVI和亮温的时间序列日值数据中的断点的步骤如下：

(a1)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：

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，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T_t的线性模型表示为：

$T_t={\mathrm{\α}}_j+{\mathrm{\β}}_{j}t,(t_{j-1}^{*}\<t\≤t_j^{*});$

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，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和β_j分别为断点前、后的渐变斜率；

设断点为则季节组分S_t的谐波模型表示为

$S_t=\underset{k=1}{\overset{K}{\Σ}}\[{\mathrm{\γ}}_{j,k}sin\left(\frac{2\mathrm{\π}kt}{f}\right)+{\mathrm{\θ}}_{j,k}\cos \left(\frac{2\mathrm{\π}kt}{f}\right)\];$

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和δ_j,k分别为频率f/k的振幅和相位：和δ_j,k＝tan^-1(θ_j,k/γ_j,k)；

(a2)断点监测：

利用基于最小二乘法的移动求和检验是否存在断点，利用最小贝叶斯信息准则确定断点的最优数量，利用最小残差平方和估算断点的位置。

7.如权利要求6所述的方法，其特征在于，所述步骤(a2)的步骤如下：

(a21)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，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；

(a22)由基于M-估计的鲁棒回归估算得到趋势组分系数α_j和β_j，基于步骤(a1)中所述公式Magnitude＝(α_j-1-α_j)+(β_j-1-β_j)t，趋势组分估计值表示为：

(a23)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；

(a24)由基于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：

${\hat{S}}_t={\Σ}_{k=1}^3{a}_{j,k}sin(\frac{2\mathrm{\π}kt}{f}+{\mathrm{\δ}}_{j,k});$

(a25)以上步骤不断地迭代，直到断点的数量和位置不再变化。

8.如权利要求1所述的方法，其特征在于，步骤(2)中所述采用空间上下文分析法从所述潜在火点中判别出相对火点的步骤如下：

(b1)云体掩膜：

利用高级超高分辨率辐射计数据监测体，白天满足下式的像元为云体像元：

ρ₁+ρ₂＞0.9 or T₃₂＜265K or(ρ₁+ρ₂＞0.7 and T₃₂＜285K)；

其中，ρ₁、ρ₂、T₃₂分别为MODIS波段1的反射率、波段2的反射率、波段32的亮温；

(b2)确定有效背景像元：

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％以上停止搜索，来确定窗口大小；

(b3)火点判别：

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，判别条件如下式，满足该条件则所述有效背景像元为火点像元，

$\begin{array}{c}(T_{22}-T_{31}\>\stackrel{\‾}{T_{22}-T_{31}}+3.5{\mathrm{\δ}}_{T_{22}-t_{31}})and(T_{22}-T_{31}\>\stackrel{\‾}{T_{22}-T_{31}}+6K)and(T_{22}\>\stackrel{\‾}{T_{22}}+3{\mathrm{\δ}}_{T_{22}})\\ and\left\{(T_{31}\>\stackrel{\‾}{T_{31}}+{\mathrm{\δ}}_{T_{31}}-4K)or({\mathrm{\δ}}_{T_{22}}^{\′}\>5K)\right\}\end{array};$

其中，为有效背景像元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；和分别为有效背景像元22和31波段的亮温差；和分别为有效背景像元22和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。

9.如权利要求1所述的方法，其特征在于，所述步骤(2)后面还包括：

从自主模块化传感器数据中提取真实火点，将步骤(2)中所述相对火点与所述真实火点进行对比，验证所述相对火点的正确性和遗漏率。