高光谱卫星影像探测野火

近年来，气候变化和其他与人类活动相关的环境问题在科学文献中引起了广泛关注。过去，人们大多是通过从火灾观测塔监测广阔区域并使用火灾探测器等简单设备发现野火的。然而，这种方法并不是很准确，而且其有效性可能会受到长时间观察期间积累的人为疲劳的影响。另一方面，用于检测气体、火焰、烟雾和热量排放的替代传感器通常需要延长测量时间。此外，由于这些传感器的测量范围较小，因此只有使用大量传感器才能覆盖大面积区域 。目标识别、深度学习和遥感技术的快速发展为我们提供了寻找和追踪野火的新方法。  

 1.主要技术分类

 目前广泛使用的技术主要分为三类，它们能够实时或近实时地识别或观测活跃火灾或烟雾情况，即  地面、空中和卫星系统  。这些技术通常与可见光、红外、多光谱或高光谱传感器相结合；数据收集完成后，即可使用适用的人工智能 (AI) 算法（通常是机器学习 (ML) 方法）进行处理。这些技术依赖于提取人工特征或强大的人工智能方法，以便在早期阶段探测到野火，并模拟烟雾和火灾的行为方式。不同类型的火灾探测方法如图 1所示。

 图 1. 火灾探测方法

近年来，人们开展了大量研究，试图通过  卫星图像识别野火  ，这主要是由于发射的卫星数量众多，且相关成本下降。具体而言，人们开发了一组用于地球观测 (EO) 的卫星（例如，Planet）。卫星通常可根据其轨道分为不同的类别，每类都有其优缺点。表 1列出了最重要的类别。  

 表 1. 卫星类别

大多数地球同步轨道 (GEO) 卫星的低地球极地 SSO 轨道都具有精确的高度和倾角估计，以确保航天器每次都以相同的太阳光角度观测到相同的场景，并且每次经过时阴影都相同。太阳同步卫星数据的空间分辨率很高，但时间分辨率较低（LandSat-7/8 的重复周期为 8 天，而 Sentinel 2A/2B 在中纬度地区的重复周期为 2 至 3 天），而 GEO 卫星的空间分辨率较低，而时间分辨率较高。因此，它们无法有效地实时检测活跃的野火；相反，它们更适合于对时间不太敏感的任务，例如估计过火面积。由于地球同步轨道卫星系统能够发现野火，因为它们可以看到大片区域。大多数拍摄地球照片的卫星都使用多光谱成像传感器，并且位于地球静止轨道或极地附近的太阳同步轨道。  

 表2. 一些相关遥感卫星系统及其特性列表

2. 目前的检测方法

基于高光谱数据，通过查看单个波段可以获取初步的直接信息。例如，可以通过查看可见光近红外（VNIR）波段识别烟雾，而可以通过查看短波红外（SWIR）波段的饱和像素来检索活跃的野火。事实上，在2000nm至2400nm的波段内，观察活跃的野火时信号很容易饱和，因为从地球捕获的信号大于来自太阳的信号（因为野火表现为活跃的功率发射器）。然而，通过卷积神经网络分析整个光谱特征可以避免错误并提高分类的可靠性。

多类分类CNN模型，如图 2所示。高光谱数据的输入像素光谱包含 SWIR 和 VNIR 通道。因此，它是一个包含C= 234元素（在输入超立方体中移除一些无用的原始数据之后）。一个核为 3 的一维卷积层，n1= 112滤波器、相同的填充、ReLU激活函数，以及l2核正则化器是第一个隐藏层。在卷积层之后，有一个池大小为 2、步长为 2 的最大池化层（注意n2=n1如图 2所示）。该最大池化的结果随后经过一个平坦化层，然后连接到一个 128 个单元的全连接层（带有ReLU激活函数）。最后一层是一个密集单元，带有用于多类分类的SoftMax激活函数。值得注意的是，C1和C2图中的各项指标易于评估，且依赖于网络架构。我们使用 Adam 优化器和分类交叉熵损失函数来训练模型。

 图2.多类分类CNN模型