[发明专利]一种Himawari-8遥感数据的火点检测方法

说明书

本发明公开了一种Himawari‑8遥感数据的火点检测方法，属于遥感数据火点检测技术领域。其包括以下步骤：对Himawari‑8卫星遥感数据进行预处理，获取像素及其邻域，并制作数据集；搭建双输入卷积神经网络模型，将辐射温度波段和反射率波段分别输入网络；使用数据集进行深度学习模型的训练，根据损失函数的变化情况，迭代更新网络模型参数，收敛得到最佳的网络模型；将得到的模型用于测试集中数据的火点检测。本发明方法与传统的上下文相对阈值算法相比，能够自动进行火点判断，并能有效提高遥感数据火点检测的准确率。

技术领域

本发明涉及遥感数据火点检测技术领域，具体涉及一种Himawari-8（即，葵花-8气象卫星）遥感数据的火点检测方法。

背景技术

近年来，地球上森林、农田、牧场等地方火灾发生愈发频繁。近期较严重的火灾事件包括2018年11月的美国加州火灾，2019年8月的巴西亚马逊森林大火，以及从2019年持续到2010年的澳大利亚丛林大火。此外，非洲、欧洲部分地区每年均周期性地发生火灾。

火灾的发生可能由生态环境中物体自然燃烧所引起，也可能由人为蓄意或者疏忽所引起。火灾会产生大量浓烟和有害气体，并释放大量二氧化碳，严重污染空气环境；同时会造成生态环境破坏，并造成大量野生动物死亡，也会对居住在附近的居民造成影响。

当前针对卫星遥感数据的火灾检测方法主要采用各类阈值算法，包括双谱算法、固定阈值算法、空间上下文的动态阈值算法、多时相检测算法。这类阈值算法都是通过统计的方法来确定各个波段数据的阈值，来排除云、水、非火地区等非火像素，并根据温度阈值来确定火点像素。但这些算法的火灾检测准确率较低，特别是针对小型面积火灾或者温度偏低的火灾，存在较多的误报和漏报火点，具有较高的虚警率。另外，由于全球各地区的气候和地理条件不一致，这一不确定性导致阈值算法不能应用于所有的地区。

发明内容

本发明目的在于提供一种Himawari-8遥感数据的火点检测方法，其基于深度学习，能够在众多遥感数据中学习隐藏在数据中的特征，自动寻找出合适的阈值，可极大地提高火点检测的准确率，及时获取火灾的相关信息。

为实现上述目的，本发明采用的技术方案为：

一种Himawari-8遥感数据的火点检测方法，包括如下步骤：

步骤一，获取Himawari-8卫星的原始遥感数据和相应的火点数据，所述原始遥感数据包括经纬度和各个波段的数据，所述火点数据包括火点的经纬度信息；

步骤二，从原始遥感数据中随机提取出N个包含火点经纬度的数据块作为正样本，并从原始遥感数据中随机提取出N个不含火点经纬度的数据块作为负样本；

步骤三，将提取出来的正、负样本打乱顺序，并随机划分为训练集和测试集；

步骤四，建立双输入网络模型，该网络模型包括火点检测网络分支、云水检测网络分支以及融合模块；所述火点检测网络分支用于处理与火点检测相关的温度辐射波段，所述云水检测网络分支用于处理与云水检测相关的反射率波段，火点检测网络分支和云水检测网络分支均包括波段注意力模块和像素注意力模块，两个分支的输出数据均传给融合模块，融合模块用于输出火点检测结果；

步骤五，使用步骤三得到的训练集和测试集对步骤四建立的双输入网络模型进行训练，得到训练好的模型；

步骤六，将待检测的Himawari-8卫星的原始遥感数据分割为与正、负样本数据块大小相同的分块，将各分块输入到训练好的模型中，检测其中是否有火点。

进一步的，所述正样本和负样本的数据块大小均为21* 21像素，正、负样本的提取波段均包括albedo_03，albedo_04，albedo_06，tbb_07，tbb_14，tbb_15，SOZ，latitude，longitude。