Гиперспектральные спутниковые снимки позволяют обнаружить лесные пожары.

В последние годы изменение климата и другие антропогенные экологические проблемы привлекают значительное внимание в научной литературе. Исторически лесные пожары в основном обнаруживались путем мониторинга обширных территорий с наблюдательных вышек и с помощью простых устройств, таких как пожарные извещатели. Однако этот метод был недостаточно точным, и его эффективность могла снижаться из-за усталости человека, накапливающейся в течение длительных периодов наблюдения. С другой стороны, альтернативные датчики, используемые для обнаружения газов, пламени, дыма и тепловых выбросов, обычно требуют длительного времени измерения. Кроме того, из-за ограниченного диапазона измерения этих датчиков, только большое количество датчиков могло охватывать большие территории. Быстрое развитие технологий распознавания целей, глубокого обучения и дистанционного зондирования предоставило нам новые методы обнаружения и отслеживания лесных пожаров.

1. Основные технические классификации

В настоящее время широко используемые технологии можно условно разделить на три типа, способных идентифицировать или наблюдать активные пожары или дым в режиме реального или почти реального времени: наземные, воздушные и спутниковые системы. Эти технологии обычно сочетаются с датчиками видимого света, инфракрасного излучения, мультиспектральными или гиперспектральными датчиками; после сбора данных они могут быть обработаны с использованием соответствующих алгоритмов искусственного интеллекта (ИИ) (обычно методов машинного обучения). Эти технологии основаны на извлечении искусственных признаков или мощных методах ИИ для обнаружения лесных пожаров на ранних стадиях и моделирования поведения дыма и огня. Различные типы методов обнаружения пожаров показаны на рисунке 1.

Рисунок 1. Методы обнаружения пожара

В последние годы проводились масштабные исследования по выявлению лесных пожаров с помощью спутниковых снимков, главным образом в связи с большим количеством запущенных спутников и связанным с этим снижением их стоимости. В частности, был разработан целый ряд спутников для наблюдения за Землей (например, Planet). Спутники обычно классифицируются по их орбитам, каждый из которых имеет свои преимущества и недостатки. В таблице 1 перечислены наиболее важные категории.

Таблица 1. Категории спутников

Большинство геостационарных спутников (ГЭС) на низких полярных солнечно-синхронных орбитах имеют точные оценки высоты и наклона, что гарантирует наблюдение одним и тем же объектом под одним и тем же углом солнечного света, а также идентичность теней при каждом пролёте. Данные солнечно-синхронных спутников имеют высокое пространственное разрешение, но низкое временное разрешение (LandSat-7/8 имеет 8-дневный цикл повторения, а Sentinel 2A/2B — 2-3-дневный цикл повторения в средних широтах), в то время как геостационарные спутники имеют более низкое пространственное разрешение, но более высокое временное разрешение. Поэтому они неэффективны для обнаружения активных лесных пожаров в режиме реального времени; вместо этого они лучше подходят для менее критичных по времени задач, таких как оценка площади выгоревшей территории. Системы геостационарных спутников способны обнаруживать лесные пожары, поскольку они могут видеть большие территории. Большинство спутников, фотографирующих Землю, используют многоспектральные датчики изображения и расположены на геостационарных или околополярных солнечно-синхронных орбитах.

Таблица 2. Список некоторых соответствующих спутниковых систем дистанционного зондирования и их характеристики.

2. Методы обнаружения тока

На основе гиперспектральных данных можно получить предварительную прямую информацию, изучив отдельные диапазоны. Например, дым можно идентифицировать, изучив видимый ближний инфракрасный (VNIR) диапазон, а активные лесные пожары — изучив насыщенные пиксели в коротковолновом инфракрасном (SWIR) диапазоне. В действительности, в диапазоне от 2000 до 2400 нм сигнал легко насыщается при наблюдении активных лесных пожаров, поскольку сигнал, полученный с Земли, больше сигнала от Солнца (так как лесные пожары являются активными источниками энергии). Однако анализ всей спектральной характеристики с использованием сверточных нейронных сетей позволяет избежать ошибок и повысить надежность классификации.

Модель многоклассовой классификации на основе сверточной нейронной сети (CNN) показана на рисунке 2. Входной спектр пикселей гиперспектральных данных содержит каналы SWIR и VNIR. Следовательно, это гиперкуб, содержащий C = 2^34 элементов (после удаления некоторых бесполезных исходных данных из входного гиперкуба). Первый скрытый слой представляет собой одномерный сверточный слой с ядром 3, фильтром n1 = 112, тем же отступом, функцией активации ReLU и регуляризатором ядра l2. После сверточного слоя следует слой максимального пулинга с размером пулинга 2 и шагом 2 (обратите внимание, что n2 = n1, как показано на рисунке 2). Результат этого максимального пулинга затем проходит через слой выравнивания и затем соединяется с полносвязным слоем из 128 нейронов (с функцией активации ReLU). Последний слой — это слой плотных нейронов с функцией активации SoftMax для многоклассовой классификации. Стоит отметить, что метрики на рисунках C1 и C2 легко оценить, и они зависят от архитектуры сети. Для обучения модели мы используем оптимизатор Adam и функцию потерь кросс-энтропии классификации.

Рисунок 2. Модель CNN для многоклассовой классификации