【技术实现步骤摘要】
本专利技术涉及森林火灾监测，具体为基于深度卷积神经网络与遥感图像的森林火灾监测方法。
技术介绍
1、森林是地球上重要的自然资源之一，对维持生态平衡、保护生物多样性以及调节气候具有重要作用。然而，森林火灾作为一种自然灾害，对森林生态系统和人类社会造成了严重的危害。我国森林的特点包括南北差异明显、生态脆弱性较高、火险等级较高等。我国森林火灾监测能力主要依赖于遥感技术、卫星监测、无人机等先进技术手段，通过数据分析和模型预测，提供火灾监测和预警服务。目前，我国在森林火灾监测方面已经取得了一定的成就，但仍面临一些挑战，如监测数据的整合与共享、智能监测系统开发等。
2、查阅相关已公开的技术方案，公开号为cn114664048的技术方案提出一种基于卫星遥感监测的火情监测及火灾预警方法，利用时域上的多幅遥感图像进行差值处理，感知监测区域内是否有火灾发生事件；公开号为cn114694027的技术方案提出一种基于bp神经网络的森林火灾遥感信息提取与风险评估方法，仅采用遥感图像与bp神经网路去提取特征，评估火险情况。以上技术方案大多基于传统统计学方法或简单的bp神经网络，当需要处理大量遥感信息数据时，传统统计学方法实施难度大，而基于bp神经网络的方法难以有效提取大量遥感信息的特征，火灾监测的准确率低。
技术实现思路
1、本专利技术的目的是：针对现有火灾监测方法，监测准确率低的问题，提出基于深度卷积神经网络与遥感图像的森林火灾监测方法。
2、本专利技术为了解决上述技术问题采取的技术
3、基于深度卷积神经网络与遥感图像的森林火灾监测方法，包括以下步骤：
4、步骤一：获取森林火灾监测区域内的地形数据、卫星遥感数据以及气象数据；
5、步骤二：将森林火灾监测区域内的地形数据、卫星遥感数据以及气象数据进行时空对齐，之后对时空对齐后的数据进行归一化处理，得到地形高度图、遥感植被图以及火险天气指数图；
6、步骤三：将地形高度图、遥感植被图以及火险天气指数图进行火灾等级标记；
7、步骤四：将地形高度图、遥感植被图以及火险天气指数图作为输入，将火灾等级标记作为输出，训练神经网络；
8、步骤五：针对待识别的地形数据、卫星遥感数据以及气象数据，进行步骤二处理后，输入训练好的神经网络，得到火灾等级；
9、步骤六：按时序获取森林火灾监测区域内的地形数据、卫星遥感数据以及气象数据，并重复步骤五，进而实现对森林火灾的监测。
10、进一步的，所述步骤三中将地形高度图、遥感植被图以及火险天气指数图进行火灾等级标记的具体步骤为：
11、选取火灾发生前的地形高度图、遥感植被图以及火险天气指数图数据，并将上述数据划分为5个时间段，将距离火灾发生时最近的时间段内的数据标记为火灾等级5，之后以距离火灾发生时的时间长度依次递减1个等级对其余时间段进行标记。
12、进一步的，所述地形高度图、遥感植被图以及火险天气指数图数据为火灾发生前30天的地形高度图、遥感植被图以及火险天气指数图数据。
13、进一步的，所述遥感植被图由归一化后的遥感图像中近红外反射nir谱段与可见光red谱段信息构建，遥感植被图表示为：
14、ndvi＝(nir-red)/(nir+red)
15、其中，ndvi表示遥感植被图。
16、进一步的，所述火险天气指数图表示为：
17、ffdi＝2.0exp(-0.450+0.987indf-0.0345rh+0.0338tmax+0.0234v)
18、其中，df为干旱因子，rh为相对湿度，tmax为日最高气温，v为日平均风速，exp、in分别为以e为底的指数、对数运算，ffdi表示火险天气指数图。
19、进一步的，所述地形高度图表示为：
20、ndem＝dem-min(dem)/(max(dem)-min(dem))
21、其中，dem表示所研究森林区域的高度图，min(dem)、max(dem)分别表示高度图中的最小值与最大值。
22、进一步的，所述神经网络为基于convlstm框架的darknet19-lstm深度卷积循环网络，所述darknet19-lstm深度卷积循环网络具体执行如下步骤：
23、darknet19通过基于3×3卷积核的多层卷积网络提取输入数据的火灾特征，所述火灾特征由1000维度向量信息表征，而后，将火灾特征送入到3层lstm网络进行动态模型估计与时序火灾等级监测，每层lstm网络包含1000个隐含单元。
24、进一步的，所述森林火灾监测区域内的地形数据、卫星遥感数据以及气象数据通过哥白尼数据中心获取。
25、进一步的，所述步骤一中，还包括对获取到的森林火灾监测区域内的地形数据、卫星遥感数据以及气象数据进行预处理的步骤，所述预处理为：利用snap软件进行大气矫正和辐射标定。
26、本专利技术的有益效果是：
27、本申请能够利用并应用于大量遥感信息数据，建立高精度森林火灾监测预警模型，最终获得高准确性的森林火灾监测预警结果。
28、本申请提出的基于深度卷积神经网络的森林火险等级预报模型，是基于数据的一种通用模型，针对我国森林南北差异明显这一特点，只需针对研究区域，搜集整理相应区域的数据集，即可获得该区域基于深度卷积神经网络的森林火险等级预报模型。同时基于深度卷积神经网络的森林火险等级预报模型可实时处理森林遥感、地形、气象数据信息，具有响应快、准确度高等特点，可提供高可靠的森林火险的监测与预警服务。
本文档来自技高网...【技术保护点】
1.基于深度卷积神经网络与遥感图像的森林火灾监测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于深度卷积神经网络与遥感图像的森林火灾监测方法，其特征在于所述步骤三中将地形高度图、遥感植被图以及火险天气指数图进行火灾等级标记的具体步骤为：
3.根据权利要求2所述的基于深度卷积神经网络与遥感图像的森林火灾监测方法，其特征在于所述地形高度图、遥感植被图以及火险天气指数图数据为火灾发生前30天的地形高度图、遥感植被图以及火险天气指数图数据。
4.根据权利要求3所述的基于深度卷积神经网络与遥感图像的森林火灾监测方法，其特征在于所述遥感植被图由归一化后的遥感图像中近红外反射NIR谱段与可见光RED谱段信息构建，遥感植被图表示为：
5.根据权利要求4所述的基于深度卷积神经网络与遥感图像的森林火灾监测方法，其特征在于所述火险天气指数图表示为：
6.根据权利要求5所述的基于深度卷积神经网络与遥感图像的森林火灾监测方法，其特征在于所述地形高度图表示为：
7.根据权利要求6所述的基于深度卷积神经网络与遥感图像的森林火灾
8.根据权利要求1所述的基于深度卷积神经网络与遥感图像的森林火灾监测方法，其特征在于所述森林火灾监测区域内的地形数据、卫星遥感数据以及气象数据通过哥白尼数据中心获取。
9.根据权利要求8所述的基于深度卷积神经网络与遥感图像的森林火灾监测方法，其特征在于所述步骤一中，还包括对获取到的森林火灾监测区域内的地形数据、卫星遥感数据以及气象数据进行预处理的步骤，所述预处理为：利用SNAP软件进行大气矫正和辐射标定。
...【技术特征摘要】
1.基于深度卷积神经网络与遥感图像的森林火灾监测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于深度卷积神经网络与遥感图像的森林火灾监测方法，其特征在于所述步骤三中将地形高度图、遥感植被图以及火险天气指数图进行火灾等级标记的具体步骤为：
3.根据权利要求2所述的基于深度卷积神经网络与遥感图像的森林火灾监测方法，其特征在于所述地形高度图、遥感植被图以及火险天气指数图数据为火灾发生前30天的地形高度图、遥感植被图以及火险天气指数图数据。
4.根据权利要求3所述的基于深度卷积神经网络与遥感图像的森林火灾监测方法，其特征在于所述遥感植被图由归一化后的遥感图像中近红外反射nir谱段与可见光red谱段信息构建，遥感植被图表示为：
5.根据权利要求4所述的基于深度卷积神经网络与遥感图像的森林火灾监测方法，其特征在于所述火险天气指数图表示为：
【专利技术属性】
技术研发人员：刘通，
申请(专利权)人：湖南赛德雷特卫星科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。