本发明涉及遥感,具体涉及一种火灾类型识别方法及系统。
背景技术:
1、在现代遥感技术中,利用高分辨率卫星影像来准确识别和分类地面现象已成为研究的热点。特别是对于火灾事件,由于其破坏性和紧急性,及时且准确地通过遥感影像来定位火灾变得至关重要。目前通过遥感影像来定位火灾的技术的发展也较为成熟,例如,申请号为2020100799791的专利申请公开了一种遥感卫星火点识别方法,其通过火点识别模型进行火点识别,在遥感卫星图像的基础上考虑到天气信息和地表类型信息,避免遥感卫星图像受到天气因素和地表类型的影响,可适用于不同的区域场景的火点识别。
2、但在火灾事件的识别中,不仅识别及定位火灾重要,同时区分火灾类型也同样重要,如油料火灾、森林火灾和化学品火灾,这关系着对火灾危险性的判断,以及灭火方式的选择等。因此火灾类型的识别成为目前亟需解决的问题。
技术实现思路
1、为了克服上述现有技术中存在的缺陷,本发明的目的是提供一种火灾类型识别方法及系统。
2、为了实现本发明的上述目的,本发明提供了一种火灾类型识别方法,包括以下步骤:
3、获取不同类型火灾的多个遥感影像,并对其进行预处理;
4、从预处理后的遥感影像中选出各类型火灾烟气的像元和非火灾区域的像元;
5、分别提取各类型火灾烟气的像元和非火灾区域的像元的波段信息,所述波段信息包括各像元在不同波段的反射率;
6、基于所述波段信息计算各类型火灾烟气的像元和非火灾区域的像元的烟气识别指数;
7、利用烟气识别指数为通道构建bp神经网络模型,基于所述遥感影像对该bp神经网络模型进行训练;
8、利用训练好的bp神经网络模型对待识别的火灾遥感影像进行火灾类型识别。
9、本方法通过对各类型火灾的烟气光谱进行分析,以烟气识别指数为主要通道对bp神经网络模型进行训练以及火灾类型的识别,使得本发明可通过遥感影像准确地区分火灾的种类,提高了火灾类型识别的速度以及准确性,为火灾应急响应和管理提供了有价值的信息。
10、在该火灾类型识别方法的一种可选方案中,所述火灾类型包括油料火灾、森林火灾和化学品火灾。
11、在该火灾类型识别方法的一种可选方案中,所述预处理的步骤为:利用遥感处理软件进行辐射定标,使数字影像值反映地物的真实反射率;利用大气校正算法去除遥感影像中的噪声;通过地理参考点和地面控制点进行几何校正。
12、在该火灾类型识别方法的一种可选方案中,提取样本点的波段信息的步骤为:利用栅格转点工具将感兴趣区域的像元值转换为点数据,使用多值提取至点工具,从多个波段中提取值,将不同类型的火灾影像的火点、烟气、非火点像元的波段信息提取出来。
13、该可选方案可快速准确的得到绘制各类型火灾烟气的像元和非火灾区域的像元在不同波段的反射率曲线所需要的参数。
14、在该火灾类型识别方法的一种可选方案中,所述烟气识别指数的计算为:
15、ci=(rinir-rired)+(riswir1-rired),其中,ci指火灾类型为i的像元的烟气识别指数,rinir指火灾类型为i的像元在近红外波段的反射率,rired指火灾类型为i的像元在红色光波段的反射率,riswir1指火灾类型为i的像元在短波红外波段的反射率。
16、该可选方案中的烟气识别指数能更好的提取和识别烟气的特征波段,能够很好的区分油料火灾的黑烟与水体的光谱特征,森林火灾烟气与森林的光谱特征、化学品火灾烟气与周围地物的光谱特征,使得该方法识别火灾类型的精度更高,速度更快。
17、在该火灾类型识别方法的一种可选方案中,所述bp神经网络模型定义了一个两层的神经网络,该神经网络包括一个隐藏层和一个输出层,该神经网络使用relu作为激活函数,最后使用logsoftmax进行输出,采用交叉熵损失函数作为其损失函数。
18、在该火灾类型识别方法的一种可选方案中,对所述bp神经网络模型训练与测试时,将数据封装成batches批量处理;进行bp神经网络模型训练时,遍历所有batches进行前向传播和反向传播。
19、在该火灾类型识别方法的一种可选方案中,预处理过程中,若存在火点较小的遥感影像,将其裁剪至至少512×512像元的影像。
20、该可选方案可加快计算机运算和模型训练的速度。
21、本发明还提出了一种火灾类型识别系统,包括图像获取模块、处理模块和存储模块;
22、所述数据获取模块获取用于训练或识别的火灾遥感影像,并传输给处理模块,所述处理模块和存储模块通信连接,所述存储模块用于存放至少一个可执行指令,所述可执行指令使所述处理模块执行如上述的火灾类型识别方法对应的操作以进行火灾类型的识别。该系统具备上述方法的所有优点。
23、本发明的有益效果是:
24、(1)本发明从预处理后的影像中选择各类型火灾烟气的像元和非火灾区域的像元,并提取它们在不同波段的反射率曲线,根据波段信息计算各类型火灾烟气和非火灾区域的像元的烟气识别指数,这有助于准确地区分不同类型的火灾。
25、(2)bp神经网络模型构建和训练:利用烟气识别指数为通道构建bp神经网络模型,并通过训练提高其火灾类型识别能力,实现了基于遥感影像自动化的火灾分类。
26、本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
1.一种火灾类型识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的火灾类型识别方法,其特征在于,所述火灾类型包括油料火灾、森林火灾和化学品火灾。
3.根据权利要求1所述的火灾类型识别方法,其特征在于,所述预处理的步骤为:利用遥感处理软件进行辐射定标,使数字影像值反映地物的真实反射率;利用大气校正算法去除遥感影像中的噪声;通过地理参考点和地面控制点进行几何校正。
4.根据权利要求1所述的火灾类型识别方法,其特征在于,提取样本点的波段信息的步骤为:利用栅格转点工具将感兴趣区域的像元值转换为点数据,使用多值提取至点工具,从多个波段中提取值,将不同类型的火灾影像的火点、烟气、非火点像元的波段信息提取出来。
5.根据权利要求1所述的火灾类型识别方法,其特征在于,所述烟气识别指数的计算为:
6.根据权利要求1所述的火灾类型识别方法,其特征在于,所述bp神经网络模型定义了一个两层的神经网络,该神经网络包括一个隐藏层和一个输出层,该神经网络使用relu作为激活函数,最后使用logsoftmax进行输出,采用交叉熵损失函数作为其损失函数。
7.根据权利要求1所述的火灾类型识别方法,其特征在于,对所述bp神经网络模型训练与测试时,将数据封装成batches批量处理;进行bp神经网络模型训练时,遍历所有batches进行前向传播和反向传播。
8.根据权利要求1所述的火灾类型识别方法,其特征在于,预处理过程中,若存在火点较小的遥感影像,将其裁剪至至少512×512像元的影像。
9.一种火灾类型识别系统,其特征在于,包括图像获取模块、处理模块和存储模块;