中科星图（GVE）——过火面积识别（dNBR）和CART方法进行火灾识别

本文链接：https://blog.csdn.net/qq_31988139/article/details/142897498

简介

函数

sampleRegions(collection,properties,scale,projection,tileScale,geometries)

gve.Classifier.Cart(maxNodes,minLeafPopulation,maxDepth)

简介

过火面积识别（dNBR）和CART方法是一种常用的火灾识别技术。下面分别介绍这两种方法的基本原理和应用。

过火面积识别（dNBR）：过火面积识别（dNBR）是一种基于遥感数据的火灾识别方法。该方法计算了火灾前后的归一化差异植被指数（dNBR），通过对比这两个指数的差异，可以确定火灾过火面积。dNBR的计算公式如下：

dNBR = NBRpre - NBRpost

其中，NBRpre表示火灾前的归一化植被指数，NBRpost表示火灾后的归一化植被指数。通过计算dNBR，可以得到火灾过火面积的烧伤程度。

CART方法： CART（Classification and Regression Trees）是一种决策树算法，可以用于火灾识别。CART方法基于遥感数据和地面观测数据，通过构建一棵决策树来进行火灾识别。决策树是一种树状图模型，通过对数据进行划分，构建一个分类或回归模型。

在火灾识别中，CART方法可以根据不同的火灾特征（如燃烧强度、热点温度等）将数据分为不同的类别，从而实现火灾的识别。CART方法具有很好的灵活性和可解释性，可以根据实际需求进行调整和优化。

综上所述，过火面积识别（dNBR）和CART方法是一种常用的火灾识别技术，可以通过遥感数据和地面观测数据来进行火灾识别。这两种方法可以相互结合，提高火灾识别的准确性和可靠性。

函数

sampleRegions(collection,properties,scale,projection,tileScale,geometries)

将图像中一个或者多个相交区域的像素转换为Feature，返回一个FeatureCollection

方法参数

- collection( FeatureCollection )

采样的区域

- properties( List.<any> Array.<any> Array.<any>,optional )

可选参数，每个输入特征的属性集合List

- scale( number,optional )

可选参数，采样中投影的比例，默认为null

- projection( Projection,optional )

可选参数，采样的投影。如果没有指定，将使用图像第一条带的投影。如果在指定的比例之外还指定了投影，则将其重新缩放到指定的比例，默认为null

- tileScale( number,optional )

可选参数，默认为1

- geometries( boolean,optional )

可选参数，该参数为true时,结果中包含每个采样的像素点，否则不包合，默认为false

返回值: FeatureCollection

gve.Classifier.Cart(maxNodes,minLeafPopulation,maxDepth)

创建一个空的CART分类器,决策树算法

方法参数

- maxNodes( number,optional )

可选参数，每棵树的节点的最大数量，如果没有指定，则无限制

- minLeafPopulation( number,optional )

可选参数，创建训练集包含的节点数量

- maxDepth( number,optional )

可选参数，树的最大深度

返回值: Classifier

updateMask(mask)

Image掩膜运算，返回一个Image对象

方法参数

- mask( Image )

Image实例

返回值: Image

代码

/**
 * @File    :   Image_dNBR_Classifier
 * @Time    :   2024/01/30
 * @Author  :   GEOVIS Earth Brain
 * @Version :   0.1.0
 * @Contact :   中国(安徽)自由贸易试验区合肥市高新区望江西路900号中安创谷科技园一期A1楼36层
 * @License :   (C)Copyright 中科星图数字地球合肥有限公司 版权所有
 * @Desc    :   过火区域识别
 */
/** */

//过火面积训练样本集，属性设置为LC，非火灾区样本点属性为1，火灾区的样本点属性为2
var geometry = gve.Geometry.Polygon([[
    [106.2995430998229,29.751248951212084],
    [106.34477587265005,29.751248951212084],
    [106.34477587265005,29.775538605767473],
    [106.2995430998229,29.775538605767473],
    [106.2995430998229,29.751248951212084]]])

var cq_source = "CQ_Features";
var option = {};

var featureCollection = gve.Image.fromGeometryWithVector(geometry, cq_source, option)

var before_source_B8 = "Burned_chongqing_0816_B8";
var after_source_B8 = "Burned_chongqing_0824_B8";
var before_source_B11 = "Burned_chongqing_0816_B11";
var after_source_B11 = "Burned_chongqing_0824_B11";

var before_B8 = gve.Image.fromGeometry(geometry, before_source_B8,  option).rename('B8')
var before_B11 = gve.Image.fromGeometry(geometry, before_source_B11,  option).rename('B11')
var after_B8 = gve.Image.fromGeometry(geometry, after_source_B8,  option).rename('B8')
var after_B11 = gve.Image.fromGeometry(geometry, after_source_B11,  option).rename('B11')
var before = gve.Image.cat([before_B8,before_B11])
var after = gve.Image.cat([after_B8,after_B11])

var after_source_RGB = "Burned_chongqing_0824_RGB";
var post_fire_RGB = gve.Image.fromGeometry(geometry, after_source_RGB,  option)

Map.centerObject(post_fire_RGB)
Map.addLayer(post_fire_RGB, {}, 'Post-fire_RGB');

//重庆北培区虎头村
//对火灾前影像集的近红外和短波红外波段进行中值合成
var before_nir = before.select('B8').clip(geometry);
var before_swir = before.select('B11').clip(geometry);

//计算火灾前NBR指数
var before_nbr = before_nir.subtract(before_swir).divide(before_nir.add(before_swir)).rename('befoer_nbr');

//对火灾后影像集的近红外和短波红外波段进行中值合成
var after_nir = after.select('B8').clip(geometry);
var after_swir = after.select('B11').clip(geometry);

//计算火灾后NBR指数
var after_nbr = after_nir.subtract(after_swir).divide(after_nir.add(after_swir)).rename('after_nbr');

//计算dNBR
var dNBR = after_nbr.subtract(before_nbr).rename('dnbr'); 

// dNBR图像决策树分类
var training=dNBR.sampleRegions({
    collection:featureCollection,
    properties:['LC'],
    scale:10
});
var classifier = gve.Classifier.Cart().train({
    features:training,
    classProperty:'LC',
    inputProperties: ['dnbr']
});
var classified = dNBR.select('dnbr').classify(classifier);

//过火面积提取
var subset = classified.updateMask(classified.eq(2));

Map.centerObject(subset)
Map.addLayer(subset,{palette:{"band_rendering":{"pseudocolor":{"colormap":['#F70B0F']}}}},'Only Burned Areas')