基于多光谱大数据分析的智能森林火警检测

■ 文/ 中航天基空间信息科学研究院 卢柯楠 胡晓惠 李小涛

基于多光谱大数据分析的智能森林火警检测

■ 文/ 中航天基空间信息科学研究院 卢柯楠 胡晓惠 李小涛

森林火灾的发生，将造成生态环境的严重破坏和人民生命财产安全的巨大损失，影响社会稳定和经济发展。为了确保在处置森林火灾时反应及时，最大限度地减少火灾损失，尽早地检测火警成为森林安防领域的当务之急。本文介绍了一套地面遥感森林火灾智能预警系统，该系统创新地将多光谱感知技术与基于深度学习的物体识别技术相结合，充分考虑了物体发射率的不同，实现了火警的智能精确检测和精准定位。

多光谱 火警检测 森林安防 大数据 深度学习

1 引言

森林火灾是一种突发性强、发生面广、破坏性大、处置扑救困难的自然灾害，能够在短时间内造成巨大的损失。面对每年如此严峻的森林防火境况，国家主管部门要求各地运用先进的科学技术及管理方法，迅速采取最有力的措施，尽可能对森林大火的发生和蔓延进行最大限度控制，做到早避免、早发现、早控制。由于森林地区地形复杂、面积巨大，林火难以及时发现，因此快速火灾预警和报警技术至关重要。

我国现有国有林场、林区、林地面积达18.6亿亩，国家级生态保护区440个省级4000个。目前所使用的安防技术大部分基于视频监控，无法实现高智能，高准确率火灾识别。本文提出的多光谱扫描火灾预警系统，将多光谱感知技术与大数据分析技术相结合，利用机器学习算法（深度学习算法），快速准确地识别火灾特征，准确锁定林火的初火、明火、暗火的坐标位置，能够更有效的减少森林火灾造成的损失，实现林区科学化、数字化管理。该系统具有全天候、实时性、高精度和易部署的特点，便于在全国范围内快速推广，实现全国森林火灾预警和报警的智能化。

2 火警检测的主流技术

目前国内森林安防领域使用的火警检测技术，主要包括视频监控、红外热像监控、航空巡护、卫星遥感等技术。

（1）视频监控技术，其基于彩色图像的火焰检测算法的研究也较多，但都是对已经形成火焰的火灾进行检测，很难发现初火和暗火。因而现有算法对于早期火灾高危点的检测能力有限，而且识别率极低，误报率很高。

（2）红外热成像监控，根据探测到的物体的温度的大小，经系统处理转变为目标物体的热图像。但是此类方法因为靠温度识别容易受自然环境高温物体干扰，如晒热的石头、水面反光、烟囱等等，需要火的面积足够大才能识别，容易错过最佳扑火期，不能全方位检测，因此，会产生误报漏报。

（3）航空巡护，优点是机动性大，但是会受夜间、大风等天气的限制，不能实时的大范围观察，有时会错过起火点，飞行成本也比较高。万一坠毁，更容易引起森林火灾。

（4）卫星遥感，优点是探测范围广，不足是存在轨道周期盲点，火灾的初级阶段难以判断，需要地面花费大量人力、物力、财力成本，当热点达到卫星图像的3个像素时，已形成森林火灾。

3 多光谱火警智能检测系统

相对以上火警检测的安防技术，基于多光谱的火警检测技术将先进的卫星载荷遥感多光谱相关数据分析技术、3S数据处理技术及无线网络技术，应用在地面森林防火系统，具有监测面积大、天气影响小、准确率高，性价比高等优势。

多光谱火警智能预警系统（图1）包括前端遥感探测站和后端监控中心两部分。前端遥感探测站负责多光谱数据的采集和传输，由多光谱探测器、无线数据传输系统、自防盗报警系统、设备杆塔及防雷系统组成；后端监控中心负责报警数据的存储和分析，安装多光谱遥感探测预警管理系统，由通讯服务器、数据存储平台、报警数据分析平台、预警管理终端、多媒体报警装置组成。

3.1 多光谱火警数据信息的获取

多光谱扫描火灾探测器由垂直360度、水平360度全方位逐点成像光机、超小型探测距离10km长度70mm口径80mm非球面折返式望远宽光谱450 nm - 20 ☒m光学接收器（是一种利用非球面镀金属反射膜凹反射聚光镜作为主镜，非球面镀金属反射膜凸镜做次镜，工作在折反方式，光线到达非球面镀金属膜凹反射聚光镜非球面抛物线形状的表面后，向其焦点反射，并经一片较小的非球面镀金属反射膜凸镜再向传感器反射成像）、光调制器、积分时间1us波长0.7μm-5μm高速宽光谱传感器、锁相放大器、信号处理器、数据采集器和多光谱相关数据处理器组成（图2）。

在一个传感器上有2段带宽光学滤波器实现综合利用2个大气窗口（0.76μm-1.1μm、3μm-5μm）实施森林火灾的早期预警，第1个大气窗口0.76μm-1.1μm的成像作为全景林区地貌信息图，第2个大气窗口波长3μm-5μm的太阳光波成像做无火灾时林区背景，当没有火灾时太阳照射在林区背景的3μm-5μm的电磁波很弱而且很均衡，当发生林火时植被燃烧会产生强烈的3μm-5μm的火灾特征波，多光谱扫描探测器检测到3μm-5μm的火灾特征波大于无火灾林区背景设定的阀值时，内置的多光谱相关数据处理器进行接收分析和记录，当检测出某一区域局部火灾识别火灾特征波长的辐射达到相应的设定的火灾级别、温差上升到设定范围值、识别特征波长的像素不断增多蔓延时，就可以非常准确地锁定森林火灾初火、暗火、明火目标特征预警，这样就能够在森林燃烧物处在预热阶段甚至更早阶段发现林火前兆目标，将其发送到监控中心分析预警。

多光谱遥感探测器主要安装在森林各个制高点，安装位置要求视野宽、无障碍，这样才能做到单点监控范围大，尽量少设监控点以节约投资。如无法回避有死角，可增加监控点，同时通过监控点的蜂窝状组网布置来实现全境森林的完全覆盖，如图4所示。单台多光谱探测器探测半径10公里以上，至少探测覆盖300平方公里范围，全年365天全天24小时工作，不受探测范围的气候环境影响。

3.2 基于大数据分析技术的火警检测

通过多光谱探测器采集第二个大气窗口内林区太阳光波，可以快速准确地发现符合火灾特征的位置点。但对于火警的精确检测，只依靠背景差分是远远不够的。因为林区内包含的物体众多（森林、河流、建筑物和石块等），这些物体的发射率存在较大的差别，发射率大的物体，相同温度下产生的辐射更大，虽然和背景图像相比相差很大，但其实温度的上升并不明显。发射率指物体的辐射能力与相同温度下黑体的辐射能力之比，也称为辐射率。一些常见物体的发射率可通过查询发射率表获取，对于表中不包含的物体，需要根据采样数据拟合标定。另外对于水面这些容易反射太阳光的场景，也会造成辐射增加，但并不是因为火灾引起的。以上这些因素容易引起误报率的增加，造成防护人员的无效工作。对此本系统利用第一个大气窗口内的光谱图像作为探测器检测到的林区范围内的背景图像，基于深度学习的多光谱图像物体识别技术，训练物体识别神经网络模型，从背景图像中识别出对应区域的物体，再结合物体的发射率来最终判断是否为火情，图5为本系统识别火警的整个流程。

3.2.1 多光谱高动态范围背景图像的变换显示

对于探测器而言，无法直接得到第1个大气窗口范围内多光谱背景图像，传输到后端数据中心的数据均为14比特的原始数据，现在大多数图像用的是8比特的图像设备，这限制设备的动态范围于两个数量级（256级）。从14位的原始数据线性压缩到8比特的灰度图像，会造成很多图像细节的缺失。而且转换后的背景图像还要作为深度学习模型的训练集，在人工标记过程，很难确定图像样本属于哪一类物体，因此需要一种最大限度保存图像细节的14比特图像到8比特图像的转换方法，这在图像领域称为高动态范围图像（High-Dynamic Range，简称HDR）的显示变换问题。

本系统根据多光谱数据的特点，采用了自适应的分段线性结合直方图的转换算法，通过统计探测器传回的扫描一周的原始多光谱数据的分布情况，确定场景物体的辐射范围，并且利用直方图进行增强处理。该方法无需用户设置和调节参数，对于不同场景下的HDR图像均能转换成清晰的8比特灰度图像。图6为使用本方法得到了一个林区的背景图像，建筑物、数目和信号塔等清晰可见，细节保留得非常完整。

3.2.2 基于深度学习的多光谱图像物体识别

转换后多光谱HDR图像作为场景物体识别的输入。在传统图像识别算法中，特征提取与选择的好坏对最终算法的确定性起了非常关键的作用。目前一般都是靠人工提取特征，而手工选取特征费时费力，需要专业知识，并且很大程度上靠经验和运气。深度学习的出现就这个问题提出了一种解决方案。深度学习通过构建具有很多隐含层的机器学习模型（图7）和海量的训练数据，来学习更有用的特征，从而最终提升分类的准确性。

本系统采取卷积神经网络（Convolutional neural networks，简称CNN）来从海量多光谱背景图像中自动提取特征。卷积神经网络避免了手动的特征取样，自动地从训练数据学习特征。通过结构重组和权值更新将特征提取功能融合进多层感知器。CNN的网络层分为卷积层（C层）和池化层（S层），C层进行特征提取，S层进行特征映射，根据特征的维数和深度学习网络的层数，可设置不同数量的网络层。如图8所示，输入图像通过和三个可训练的卷积核和可加偏置进行卷积，卷积后在C1层产生三个特征映射图，然后C1层的特征映射图在经过子采样后，加权值，加偏置，再通过一个Sigmoid函数得到三个S2层的特征映射图。CNN可以直接处理灰度图片，能够直接用于处理多光谱背景图像的分类。

4 未来技术展望

基于大规模多光谱图像训练的深度学习物体识别模型能够得到较高的森林物体的识别精度。但是从本系统在全国不同林区的实际应用经验来看，带有准确标签的样本数据越多，最终训练的模型识别的正确率也越高。但是，和普通的光学图像物体识别任务相比，森林火警预测系统缺少能够直接利用的带有标签的多光谱图像数据，而且样本需要大量的人工标注工作。此外，我国领土幅员辽阔，不同地区的地形和植被种类都相差巨大，全局的分类模型很难保证识别的准确率。如果对多光谱预警系统部署的林区分别训练分类模型又增加了大量训练的前期工作，影响系统的及时上线。因此针对以上问题，未来希望在以下两个方向上进行改进。

（1）选取全国在不同区域的几个大型林区场景的多光谱图像作为训练样本集，利用深度学习模型训练多个分类模型。对于其他区域的森林草原场景，借助于迁移学习技术，根据地理位置就近选择已训练好的分类模型作为其场景的初始模型，然后在实际应用过程中，伴随数据的增加，逐渐的修正优化模型，以此来解决以上提到的训练数据量不足的问题。

（2） 积极促进全国林区火警信息的联网，打通不同地区护林办公室和消防单位之间信息壁垒，实现多光谱图像信息和报警信息等数据的共享，在此基础之上进行机器学习分类模型的训练，进一步提高物体识别和火警检测的准确度。

5 结语

地面多光谱扫描火灾预警系统，能更好的保护国家财产及生态环境，能获得巨大的社会经济效益，符合我国当前林业改革发展的要求，具有广阔的应用前景，可为维护国家林业安全、保护生物多样性、建设生态文明做出更大贡献。

本系统的技术除了能够智能检测森林火警，还能够应用在其它类型场景（草原、矿区、油田等）的火灾检测。此外，对于化工行业的易燃易爆预警、国土资源监测、工厂有害气体排放等领域，本文的解决方案同样具有很好的借鉴意义，未来针对这些领域的相关产品也会成为研发的重点。