一种基于BP神经网络的火点遥感识别方法与流程

一种基于bp神经网络的火点遥感识别方法
技术领域
1.本发明涉及火灾监测和遥感环境监测领域，尤其涉及一种基于bp神经网络的火点遥感识别方法。


背景技术：

2.火灾，是危害公共安全和社会经济的发展的灾害之一，除了给人民生命财产安全造成伤害以外，火灾释放的烟尘粒子和温室气体随着大气飘散，也会对气候环境产生种种不良影响。遥感技术具有高时效、高分辨率、大范围监测的优势，已成为火灾监测重要手段之一，广泛应用于火灾监测和火灾管理中。
3.目前主流的火点监测方法主要根据火情出现时，高温目标像元与其周围像素点之间的温度差异，建立目标像元与周围低温背景像元的之间的联系，即通过计算差值或平均偏差的方法判断此像元是否为火点像元。由于自然地理环境的复杂性，判断目标像元是否为真实火点受各种复杂因素的影响，单一或少量组合起来的物理模型仍难以完整描述一个像元的所有特征，从而判断其是否为火点像元。尤其是面对全国乃至全球化的复杂而大量的遥感数据，物理模型的精度更会受到局限。并且这种固定阈值的方法，在火点的面积较小时容易造成误检或者漏检，在判别低温火点时也存在很高的误判可能，后续伪火点的处理也十分困难。
4.近年来深度学习的发展给模型的进一步优化带来了转机。深度学习方法可以有效解决传统火点检测方法中参数阈值单一，模型适应性差的问题，其对已有数据集的拟合性是传统模型难以比拟的，可以更好的拟合遥感参数与火点像元之间的非线性关系，从而获得计算过程简单且精度较高的检测模型。


技术实现要素：

5.传统的viirs产品火点检测算法主要是基于热红外波段即4μm通道和远红外波段即 11μm通道的亮温数据，通过固定的阈值筛选、掩膜提取、上下文法判断等方式进行独立判断与筛取亮温符合要求的像元，但是仍然存在许多伪火点难以排除。
6.本发明基于bp神经网络模型，利用viirs数据光谱特征，提出了一种多参数、多波段、自适应阈值的火点遥感识别方法。
7.本发明使用的viirs数据为375m分辨率的i1～i5波段数据，中心波长分别为0.64μm、 0.865μm、1.61μm、3.74μm、11.45μm。npp/viirs是由suomi-npp卫星搭载的可见光红外成像辐射仪系列传感器，viirs共有22个光谱波段，波段分布在0.3-14μm波长之间，包括6 个可见光波段，近红外波段3个，短波红外波段5个，中红外波段3个，远红外波段4个以及1个夜光数据波段。
8.一种基于bp神经网络的火点遥感识别方法，包括以下步骤：
9.1、建立样本数据集
10.(1)根据核实的火点数据人工选取火点样本数据集；
11.(2)自动获取非火点样本数据集，非火点样本数据集包括：水体、云、植被、建筑物、明亮反光地表。
12.具体提取方法如下：
13.①
水体提取
14.利用光谱分析法，基于viirs i1、i2、i3通道的反射率，提取viirs中的水像元：
15.ρ1＞ρ2＞ρ3，其中ρ1、ρ2、ρ3分别为i1、i2、i3波段的反射率。
16.②
云像元提取
17.基于viirs火点产品中的云检测算法识别云像元，满足以下条件的像元就是云像元：
18.bt5＜265k||ρ1 ρ2＜0.9&&bt5＜295k||ρ1 ρ2＞0.7&&bt5＜285k
19.式中bt5是i5波段的亮度温度值。
20.③
植被提取
21.利用归一化植被指数ndvi识别植被，ndvi＝(ρ
2-ρ1)/(ρ2 ρ1)，一般来说，一个像元点的ndvi值若大于0.3，则认为该像元为植被像元。
22.④
建筑物提取
23.结合归一化建筑指数ndbi与亮度温度识别建筑物，判别条件如下：
[0024][0025]
式中bt4是i4波段的亮度温度值。
[0026]
⑤
明亮反光地表提取
[0027]
白天时明亮反光地表(如大棚、地膜等)在i4波段具有较高的亮度温度值，可用下列公式判别：ρ3＞0.3&&ρ3＞ρ2&&ρ2＞0.25&&bt4≤335k
[0028]
2、选择特征向量
[0029]
根据火点与非火点像元的光谱特征，选择ρ1、ρ2、ρ3、bt4、bt5、bt
45
、δbt4、δbt5、δbt
45 9个参数为特征向量。其中ρ1、ρ2、ρ3分别为i1、i2、i3波段的反射率，bt4、bt5、bt
45
分别为i4、i5波段的亮度温度及其差值，δbt4、δbt5分别为窗口内中心像元与周围像元在i4、i5波段的亮温差值的平均值，δbt
45
为δbt4、δbt5的差值。
[0030]
参数选择方法具体如下：
[0031]
(1)基于反射率的参数选择
[0032]
获取样本数据集中火点像元与非火点像元的反射率值，计算归一化距离m，选取ρ1、ρ2、ρ3三个参数为特征向量。
[0033]
归一化距离m由下式表示：
[0034][0035]
式中，和分别是第一种地物类型和第二种地物类型的反射率平均值，σ1和σ2是两种地物类型对应的标准差。m值越大，则说明两种地物类型的差异越大，越容易区分，即m 值大于1.0时表示火点与非火点分离较好，而m值小于1.0则表示分离较差。
[0036]
(2)基于亮度温度上下文法的参数选择
[0037]
根据火点像元及其周围背景像元在i4、i5波段之间亮度温度差异，选择bt4、bt5、
bt
45
、δbt4、δbt5、δbt
45
为训练的特征向量。
[0038][0039][0040]
其中，bt
4c
为中心像元在i4波段的亮度温度；bt
4i
为周围第i个像元在i4波段的亮度温度值。bt
5c
为中心像元在i5波段的亮度温度；bt
5i
为周围第i个像元在i5波段的亮度温度值。
[0041]
3、基于神经网络模型bp构建火点监测模型
[0042]
(1)对获得的9个特征向量归一化计算后输入bp网络模型进行训练。
[0043]
归一化计算的方法：根据样本值的最大最小值，将样本的特征向量值范围归一化到-1～1。
[0044]
(2)通过设置不同的bp网络模型参数进行训练，网络参数包括网络结构(隐藏层和每层节点数)，学习率和训练次数。
[0045]
(3)根据训练得到的网络参数构建火点监测模型。
[0046]
4、获取viirs vnp02img数据并进行辐射定标、几何校正、数据转化等处理；
[0047]
5、利用构建的火点监测模型，输入待监测影像数据得到火点监测结果。
[0048]
由于采用了上述步骤方法，本发明的有益效果为：本发明公开了一种基于bp神经网络的火点遥感识别方法，充分利用viirs数据多波段信息，利用深层神经网络深入挖掘火点与非火点的信息差异。在信息的选择上，不仅选择了传统火点检测算法常用的i4、i5波段的亮度温度值，还增加了波段反射率、ndvi、ndwi以及上下文信息等作为信息源，能够为神经网络提供更为丰富的信息，有效的解决了传统火点检测算法中使用的波段数量较少，模型适应性较差的问题。在多个典型区域检测效果表现出较高的精度和稳定性，提高了面积较小温度较低火点的检测精度，有效降低了误提率和漏提率。
附图说明
[0049]
图1为bp神经网络的火点遥感识别技术流程图
具体实施方式
[0050]
实施例：下面结合附图对本发明实施例中的技术方案进行完整清楚的描述。
[0051]
一种基于bp神经网络的火点遥感识别方法，包括以下步骤：
[0052]
1、建立样本数据集
[0053]
(1))根据2020年核实的火点数据人工选取火点样本集；
[0054]
(2)自动获取非火点样本数据集
[0055]
非火点样本需要包含足以区分火点与其他非火点的信息，应充分考虑各种地面类型，保证样本的多样性，因此选择的非火点样本数据集包括：水体、云、植被、建筑物、明亮反光地表。
[0056]
具体提取方法如下：
[0057]
①
水体提取
[0058]
利用光谱分析法，基于viirs i1、i2、i3通道的反射率，提取viirs中的水像元：
[0059]
ρ1＞ρ2＞ρ3，其中ρ1、ρ2、ρ3分别为i1、i2、i3波段的反射率。
[0060]
②
云像元提取
[0061]
基于viirs火点产品中的云检测算法识别云像元，满足以下条件的像元就是云像元：
[0062]
bt5＜265k||ρ1 ρ2＜0.9&&bt5＜295k||ρ1 ρ2＞0.7&&bt5＜285k
[0063]
式中bt5是i5波段的亮度温度值。
[0064]
③
植被提取
[0065]
利用归一化植被指数ndvi识别植被，ndvi＝(ρ
2-ρ1)/(ρ2 ρ1)，一般来说，一个像元点的ndvi值若大于0.3，则认为该像元为植被像元。
[0066]
④
建筑物提取
[0067]
一般认为归一化建筑指数ndbi大于0时该像元点为城镇用地，但高亮度温度的建筑物会误认为是火点像元，因此结合归一化建筑指数ndbi与亮度温度识别建筑物，判别条件如下：
[0068][0069]
式中bt4是i4波段的亮度温度值。
[0070]
⑤
明亮反光地表提取
[0071]
白天时明亮反光地表(如大棚、地膜等)在i4波段具有较高的亮度温度值，可用下列公式判别：ρ3＞0.3&&ρ3＞ρ2&&ρ2＞0.25&&bt4≤335k
[0072]
2、选择特征向量
[0073]
根据火点与非火点像元的光谱特征，选择ρ1、ρ2、ρ3、bt4、bt5、bt
45
、δbt4、δbt5、δbt
45 9个参数为特征向量。其中ρ1、ρ2、ρ3分别为i1、i2、i3波段的反射率，bt4、bt5、bt
45
分别为i4、i5波段的亮度温度及其差值，δbt4、δbt5分别为窗口内中心像元与周围像元在i4、i5波段的亮温差值的平均值，δbt
45
为δbt4、δbt5的差值。
[0074]
参数选择方法具体如下：
[0075]
(1)基于反射率的参数选择
[0076]
获取样本数据集中火点像元与非火点像元的反射率值，计算归一化距离m，选取ρ1、ρ2、ρ3三个参数为特征向量。
[0077]
归一化距离m由下式表示：
[0078][0079]
式中，和分别是第一种地物类型和第二种地物类型的反射率平均值，σ1和σ2是两种地物类型对应的标准差。m值越大，则说明两种地物类型的差异越大，越容易区分，即m 值大于1.0时表示火点与非火点分离较好，而m值小于1.0则表示分离较差。
[0080]
(2)基于上下文法的参数选择
[0081]
根据火点像元及其周围背景像元在i4、i5波段之间亮度温度差异，选择bt4、bt5、bt
45
、δbt4、δbt5、δbt
45
为训练的特征向量。
[0082][0083][0084]
其中，bt
4c
为中心像元在i4波段的亮度温度；bt
4i
为周围第i个像元在i4波段的亮度温度值。bt
5c
为中心像元在i5波段的亮度温度；bt
5i
为周围第i个像元在i5波段的亮度温度值。
[0085]
在i4波段，火点像元的亮度温度与非火点像元有较为明显的差距，而在i5波段亮度温度只有轻微的提升，因此火点像元两个波段的亮温bt4、bt5及其差值bt
45
可作为特征向量输入。而两个波段差值及其平均可以有效的降低背景像元不均一的影响，降低高温异常的点对火点监测的影响，因此本发明也将火点与周围像元亮温差的平均值δbt4、δbt5，亮温差的差值的平均值δbt
45
作为参数。
[0086]
3、基于神经网络模型bp构建火点监测模型
[0087]
(1)对获得的9个特征向量归一化计算后输入bp网络模型进行训练。
[0088]
归一化计算的方法：根据样本值的最大最小值，将样本的特征向量值范围归一化到-1～1。
[0089]
(2)通过设置不同的bp网络模型参数进行训练，网络参数包括网络结构(隐藏层和每层节点数)，学习率和训练次数。
[0090]
最终获取的网络参数如下：
[0091][0092]
将火点样本数据集和非火点样本数据集随机分为3部分，70％用作训练数据集，15％作为测试数据集，15％为验证数据集，通过误差矩阵计算样本数据集分类的正确率，评价模型精度。评价结果如下：
[0093][0094]
利用该网络模型监测火点的kappa系数大约为92.08％，意味着模型的输出结果与理想结果具有高度的一致性。
[0095]
(3)根据训练得到的网络参数构建火点监测模型。
[0096]
4、获取viirs vnp02数据并进行辐射定标、几何校正、数据转化等处理；
[0097]
利用构建的火点监测模型，输入影像数据得到火点监测结果。
[0098]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0099]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。