论文部分内容阅读
云南省森林资源丰富,地形、气象条件复杂,每年冬、春季节,降雨量少,气候干燥,都会发生大量的山火事件。云南省内有大量的输电线路,山火严重威胁输电线路的安全运行。目前云南电网公司卫星山火检测算法仅使用简单的固定阈值法,该算法存在山火检测精度不高的问题,故需开展进一步的山火检测算法相关研究,提高山火检测的精度。因此,开展高精度的输电线路卫星山火检测有着重要的研究意义和实用价值。本论文利用Himawari-8卫星数据,基于机器学习在云南省开展输电线路山火检测研究,主要研究内容和研究结果如下:（1）针对目前基于固定阈值的山火检测算法精度不高的问题,本论文利用Ostu算法求取最佳阈值,从而改进固定阈值的云检测算法,同时增加了植被检测、太阳耀斑检测和土地覆盖类型检测等处理,减少了相关干扰因素带来的火点错检问题。通过设置背景窗口,根据窗口内有效像元占比,调整窗口大小,计算像元亮温均值、标准差对火点进行识别,提高了山火检测的精度。实验研究结果表明:本论文改进的阈值方法Precision为0.57,Omission为0.65,F1-Score为0.43。对比传统的阈值（Xu）方法,Precision提高了0.10,Omission降低了0.02,F1-Score提高了0.04,在一定程度上减少了火点的漏检,提高了山火检测的准确性。（2）针对Himawari-8数据高时间分辨率特性未被有效利用的问题,本论文选择与火点检测相关的7波段、13波段、14波段,开展基于历史时序数据的亮温预测研究。本论文构建了五种不同的深度学习时序亮温预测模型,以单波段输入和多波段联合输入分别开展亮温预测研究。实验研究结果表明:1)单波段输入亮温预测研究中,7波段和13波段亮温预测效果最优的是序列到序列（Sequence to Sequence,Seq2Seq）模型,其平均绝对误差（Mean Absolute Error,MAE）分别为0.30 K、0.26 K,均方误差（Mean Square Error,MSE）分别为0.22 K~2、0.34K~2,平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）分别为0.10%、0.09%。14波段亮温预测效果最优的是长短期记忆（Long Short Term Memory,LSTM）模型,其MAE为0.30 K,MSE为0.42 K~2,MAPE为0.10%。2)多波段联合输入亮温预测效果最优的是时域卷积网络（Temporal Convolutional Network,TCN）模型,7波段、13波段、14波段亮温预测的MAE分别为0.29K、0.26 K、0.28 K,MSE分别为0.24 K~2、0.32 K~2、0.39 K~2,MAPE分别为0.10%、0.09%、0.09%。对比单波段输入的实验结果,多波段联合输入的亮温预测结果中,7波段MAE降低了0.01 K,但MSE增加了0.02 K~2;13波段MAE没有变化,MSE降低了0.02 K~2;14波段MAE降低了0.02 K,MSE降低了0.03 K~2。因此,多波段联合输入整体亮温预测效果更优。在少云污染的情况下,TCN模型能够很好地利用历史时序亮温数据对未来时刻的亮温进行预测,亮温预测值可与同时间点的亮温观测值、以及其它光谱特征结合,用于山火检测。（3）针对目前基于机器学习的卫星山火检测输入特征较简单,造成山火检测精度不高的问题,本论文从Himawari-8数据的光谱、空间、时间等方面构建了四种不同的特征输入策略。选择经典的机器学习模型,利用四种不同的特征输入策略,开展山火检测对比研究。实验研究结果表明:1)融合了光谱、空间、时间信息的特征输入策略四与随机森林模型组合的山火检测效果最优,其Precision为0.62,Omission为0.34,F1-Score为0.64,相较于本论文改进的阈值方法,Precision提高了0.05,Omission降低了0.31,F1-Score提高了0.21,且该方法程序运行平均用时为35.08 s。2)将该方法应用于云南电网输电线路附近的山火检测中,在云南电网电力科学研究院提供的真实的295个火点中,成功检测到的火点有253个,Recall达0.86。其中,本论文检测到的火点中,有90个火点检测到的时间比云南电网发现的时间至少提前10 min,最早的提前达2 h;163个火点检测到的时间和云南电网发现的时间一致,证明了本论文提出的山火检测方法的有效性。