Page 148 - 《武汉大学学报（信息科学版）》2025年第10期

第 50 卷第 10 期 曹汉瑞等：VIIRS 夜光影像中农田火像素识别方法 2083

图 11 乌姆塔塔附近火点产品对农田火像素的检测情况
Fig. 11 Detection of Fire Point Products on Farmland Fire Pixels Near Umtata

作物的生长季节和月级夜光影像上农田火像素 利用本方法滤除 Black Marble 产品中的农田火像
出现的时间规律，将每年 6 月—11 月作为农田火 素，提高使用该产品评估非洲社会经济的精度，
的时间窗口。此外，本文识别出的农田火像素中 改善该产品的质量以适应更多应用需求。
可能也包含因炊火和自然野火等非农业因素产
参 考 文 献
生的高辐亮度像素。在未来研究中，可结合不同
农作物生长周期优化农田火时间窗口的选择，也 ［1］ 李德仁， 李熙 . 论夜光遥感数据挖掘［J］. 测绘学
可利用具有更高时间分辨率的 Landsat 影像优化 报， 2015， 44（6）： 591-601.
模型构建的训练样本，以提高农田火像素的分类 LI Deren， LI Xi. An Overview on Data Mining of
Nighttime Light Remote Sensing［J］. Acta Geodaeti‑
精度。
ca et Cartographica Sinica，2015， 44（6）： 591-601.
5 结 语 ［2］ LEVIN N， KYBA C C M， ZHANG Q L， et al.
Remote Sensing of Night Lights： A Review and an
Outlook for the Future［J］. Remote Sensing of Envi‑
本文以南部非洲地区的 10 个大陆国家为研
ronment， 2020， 237： 111443.
究区域，利用日级 Black Marble 夜光影像构建辐
［3］ JUNG M C， KANG M Y， KIM S. Does Polycen‑
亮度多元特征，使用 RF 分类方法将夜光影像上
tric Development Produce less Transportation Car‑
的像素分为农田火像素、稳定灯光像素和全黑像 bon Emissions？ Evidence from Urban Form Identi‑
素，像素分类的总体精度为 91.2%，平均生产者 fied by Night-Time Lights Across US Metropolitan
精度为 91.9%，平均用户精度为 91.0%，其中农田 Areas［J］. Urban Climate， 2022， 44： 101223.
火 像 素 分 类 的 生 产 者 精 度 和 用 户 精 度 分 别 为 ［4］ HE X， YUAN X D， ZHANG D H， et al. Delinea‑
86.4% 和 92.6%。大部分国家农田火像素分类的 tion of Urban Agglomeration Boundary Based on
Multisource Big Data Fusion：A Case Study of
生产者精度在 85% 以上，各国农田火像素分类的
Guangdong–Hong Kong–Macao Greater Bay Area
用 户 精 度 均 高 于 90%，分 类 精 度 能 满 足 应 用 需
（GBA）［J］. Remote Sensing， 2021， 13（9）： 1801.
求。在 10 个国家的夜光影像中，占比最高的像素
［5］ 钟芊芊， 肖锐， 曹汉瑞， 等 . 启明星一号夜间灯光
为全黑像素，其次为农田火像素，占比最低的为
影 像 的 评 估 ［J］. 武 汉 大 学 学 报（信 息 科 学 版），
稳定灯光像素。本文提出的方法能有效识别出 2023， 48（8）：1273-1285.
夜光影像中的农田火像素，在未来的研究中，可 ZHONG Qianqian， XIAO Rui， CAO Hanrui， et al.