[發(fā)明專利]一種Himawari-8遙感數據的火點檢測方法

有效

• 申請?zhí)枺?/td>: 202110476630.6
• 申請日: 2021-04-29
• 公開（公告）號: CN113095437B
• 公開（公告）日: 2022-03-01
• 發(fā)明（設計）人: 帥通;王岳環(huán);陳金勇;徐小剛;王士成;李子文;王港;單子力;薛輝;劉宇
• 申請（專利權）人: 中國電子科技集團公司第五十四研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/774;G06N3/04;G06N3/08
• 代理公司: 河北東尚律師事務所 13124
• 代理人: 王文慶

本發(fā)明公開了一種Himawari?8遙感數據的火點檢測方法，屬于遙感數據火點檢測技術領域。其包括以下步驟：對Himawari?8衛(wèi)星遙感數據進行預處理，獲取像素及其鄰域，并制作數據集；搭建雙輸入卷積神經網絡模型，將輻射溫度波段和反射率波段分別輸入網絡；使用數據集進行深度學習模型的訓練，根據損失函數的變化情況，迭代更新網絡模型參數，收斂得到最佳的網絡模型；將得到的模型用于測試集中數據的火點檢測。本發(fā)明方法與傳統(tǒng)的上下文相對閾值算法相比，能夠自動進行火點判斷，并能有效提高遙感數據火點檢測的準確率。

技術領域

本發(fā)明涉及遙感數據火點檢測技術領域，具體涉及一種Himawari-8（即，葵花-8氣象衛(wèi)星）遙感數據的火點檢測方法。

背景技術

近年來，地球上森林、農田、牧場等地方火災發(fā)生愈發(fā)頻繁。近期較嚴重的火災事件包括2018年11月的美國加州火災，2019年8月的巴西亞馬遜森林大火，以及從2019年持續(xù)到2010年的澳大利亞叢林大火。此外，非洲、歐洲部分地區(qū)每年均周期性地發(fā)生火災。

火災的發(fā)生可能由生態(tài)環(huán)境中物體自然燃燒所引起，也可能由人為蓄意或者疏忽所引起。火災會產生大量濃煙和有害氣體，并釋放大量二氧化碳，嚴重污染空氣環(huán)境；同時會造成生態(tài)環(huán)境破壞，并造成大量野生動物死亡，也會對居住在附近的居民造成影響。

當前針對衛(wèi)星遙感數據的火災檢測方法主要采用各類閾值算法，包括雙譜算法、固定閾值算法、空間上下文的動態(tài)閾值算法、多時相檢測算法。這類閾值算法都是通過統(tǒng)計的方法來確定各個波段數據的閾值，來排除云、水、非火地區(qū)等非火像素，并根據溫度閾值來確定火點像素。但這些算法的火災檢測準確率較低，特別是針對小型面積火災或者溫度偏低的火災，存在較多的誤報和漏報火點，具有較高的虛警率。另外，由于全球各地區(qū)的氣候和地理條件不一致，這一不確定性導致閾值算法不能應用于所有的地區(qū)。

發(fā)明內容

本發(fā)明目的在于提供一種Himawari-8遙感數據的火點檢測方法，其基于深度學習，能夠在眾多遙感數據中學習隱藏在數據中的特征，自動尋找出合適的閾值，可極大地提高火點檢測的準確率，及時獲取火災的相關信息。

為實現上述目的，本發(fā)明采用的技術方案為：

一種Himawari-8遙感數據的火點檢測方法，包括如下步驟：

步驟一，獲取Himawari-8衛(wèi)星的原始遙感數據和相應的火點數據，所述原始遙感數據包括經緯度和各個波段的數據，所述火點數據包括火點的經緯度信息；

步驟二，從原始遙感數據中隨機提取出N個包含火點經緯度的數據塊作為正樣本，并從原始遙感數據中隨機提取出N個不含火點經緯度的數據塊作為負樣本；

步驟三，將提取出來的正、負樣本打亂順序，并隨機劃分為訓練集和測試集；

步驟四，建立雙輸入網絡模型，該網絡模型包括火點檢測網絡分支、云水檢測網絡分支以及融合模塊；所述火點檢測網絡分支用于處理與火點檢測相關的溫度輻射波段，所述云水檢測網絡分支用于處理與云水檢測相關的反射率波段，火點檢測網絡分支和云水檢測網絡分支均包括波段注意力模塊和像素注意力模塊，兩個分支的輸出數據均傳給融合模塊，融合模塊用于輸出火點檢測結果；

步驟五，使用步驟三得到的訓練集和測試集對步驟四建立的雙輸入網絡模型進行訓練，得到訓練好的模型；

步驟六，將待檢測的Himawari-8衛(wèi)星的原始遙感數據分割為與正、負樣本數據塊大小相同的分塊，將各分塊輸入到訓練好的模型中，檢測其中是否有火點。

進一步的，所述正樣本和負樣本的數據塊大小均為21* 21像素，正、負樣本的提取波段均包括albedo_03，albedo_04，albedo_06，tbb_07，tbb_14，tbb_15，SOZ，latitude，longitude。