文摘

森林保护是至关重要的维护健康和繁荣的生态系统。领域的遥感(RS)积分的广泛采用计算机视觉与传感器技术对林地的观察。感兴趣的一个关键区域的检测是活跃的森林火灾。发生森林火灾,自然或人工诱导,可以迅速席卷了大量的土地,留下深不可测的伤亡和损失的生活。活跃的森林火灾自动检测(和燃烧生物质)因此追求的一个重要区域,以避免不必要的灾难。早期火灾探测还可以帮助决策者计划缓解策略以及灭火工作。在本文中,我们提出一个称为消防网络深度学习框架,这是训练Landsat-8意象活动火灾的检测和燃烧生物质。具体来说,我们把光学(红、绿、蓝色)和热图像的形式更有效的表示。此外,我们的网络利用剩余卷积,卷积分离块,使更深层次的从粗集特征提取。实验结果显示97.35%的整体精度,同时还能够强劲火灾探测小活跃。 The imagery for this study is taken from Australian and North American forests regions, the Amazon rainforest, Central Africa and Chernobyl (Ukraine), where forest fires are actively reported.

1。介绍

由树木、森林、土地覆盖地球的大约40亿公顷的土地面积1]。这相当于地球的29%左右。因此森林管理和保护基本任务维持生物多样性在全球范围内2]。森林火灾,可以人工或自然发生的事件,可以威胁到我们的地球留下的灾难性的环境损害和损失等(3- - - - - -7]。森林大火造成长期的毁灭性影响破坏植被等生态系统动力学,排放的温室气体,失去了野生动物的习惯,也破坏的土地覆盖(8- - - - - -11]。因此,准确、及时发现积极的森林火灾是至关重要的减少和/或防止这种危险。

近年来,采取了先进的遥感(RS)技术监测和观察地球和土地覆盖,可以大规模[12- - - - - -15]。高时空分辨率数据的可用性和多光谱图像允许巨大的森林监测的应用如燃烧区域映射(7],活跃的火灾探测[11,16],燃烧生物质检测[17,18),和森林干扰监测(19,20.]。值得注意的是,一个广泛的和免费的RS数据源可以用于所有的任务,陆地卫星图像形式。

活跃的火灾探测是一个重要的RS在森林监测中的应用。活跃的火灾探测和分析等许多应用程序可以使用点污染源在空气质量分析中,初始种子点在燃烧区域映射,和预测的增长和积极的火灾蔓延21]。到目前为止,许多研究人员活动火灾探测使用多光谱卫星图像,由计算机辅助算法。例如,伍斯特和夜莺4)提出了一个活跃的基于Sentinel-3图像火灾探测方法使用地表温度最低点附近辐射计(LSTR)扫描和火灾特性(潜在火灾像素分类)通过中红外辐射的计算方法。克鲁兹et al。22)提出了一种火灾探测方法根据颜色指数。他们的方法是基于分类的植被探测烟雾和火灾火焰。他们声称他们的方法可以应用在实时使用匿名的飞行器(无人机)数据集。施罗德et al。23]研究活跃的火灾探测利用可见红外成像辐射计(VIIRS)传感器数据375 (m)。他们的方法部署上下文算法建立在传统的MODIS(中分辨率成像光谱仪)火和热异常产品。张成泽et al。24)设计基于Himawari-8地球同步卫星数据的森林火灾探测算法检测火焰候选像素阈值基于时段遥测分析。焦et al。25]提出了一种基于深度学习的森林检测算法基于无人机数据集。他们用YOLOV3(你只看一次版本3),RGB(红、绿、蓝色)图像。他们报道的潜力YOLOV3活跃的火灾检测的位置。元等。26)设计一个活跃的火灾探测框架基于无人机影像的森林地区。他们的方法是部署在三个阶段:(1)森林候选像素颜色检测,(2)减少假警报的运动检测像素,和(3)分类火灾像素根据提取的特征(方向和大小)。施罗德et al。21)检测活动的火用Landsat-8意象日间和夜间火灾。他们应用阈值短波红外、光学和近红外波段。Amraoui et al。27]介绍了活跃的火灾探测基于Meteosat-8 / SEVIRI(旋转增强可见光和红外成像仪)数据集。火灾探测的框架如下:(1)面具非目标对象(水、沙漠、城市),(2)识别高潜力基于阈值的像素亮度温度和太阳天顶角,(3)消除污染的像素(云像素,阳光闪烁,高度反光的表面)的阈值光谱和热乐队,和(4)决策获得潜在火灾像素获得上下文信息。陈等人。28)提出了一种基于卷积神经网络(CNN)的森林火灾检测方法使用无人机数据集。在他们的框架数据集采集、直方图均衡化等预处理,然后进行低通滤波,CNN网络与卷积七层和一些隐藏层用于二进制分类。Gargiulo et al。29日)设计了一个融合框架,积极使用Sentinel-2图像火灾探测和CNN改善空间分辨率短波红外(短波红外成像)乐队向10 m分辨率。他们提高短波红外成像的空间分辨率乐队和活跃的火灾探测的性能改善。林等。30.)提出了一个活跃的火灾探测框架使用FengYun-2G数据集。活跃的火灾探测过程在这个框架是基于比较预测值和观测值。减少假警报像素算法部署图像分析和时间分析确认火像素。Zhang et al。31日]调查活动基于VIIRS火灾探测的数据集。该方法应用于5步骤:(1)初步筛选的数据阈值光谱和热乐队,(2)数据分区,(3)检测热异常像素,(4)上下文分析,(5)证实热异常像素基于阈值的观点天顶和太阳能天顶角度。

同样的,有许多活跃的火灾探测框架利用RS数据集。一般来说,积极的火灾探测方法基于传统的火灾探测方法可以应用基于三个基本原则(32):(1)温度检测像素使用阈值方法,(2)基于上下文的方法在高温状态下像素与背景相比,和(3)检测火焰像素的基础上生成的烟和火羽的移动情况。一般来说,这些活性检测方法使用RS图像各自面对自己的挑战。阈值方法往往失败由于非常不同的环境条件和空气温度。空气温度变化来自各种因素如影子,云,风,照明角度,季节性变化,和气候变化,也可以是一个问题的上下文的方法。然后,小火使烟和不燃物体检测的问题,尤其是在处理中、低分辨率的遥感数据集(例如患病,MODIS Sentinel-3)。也值得一提,大多数上述传统方法依赖于机器学习分类,这就需要工程特性。

作为广泛使用的RS数据,Landsat-8卫星数据为这一研究被选中。数据集具有较高的空间分辨率与MODIS等其他形式相比,患病,Sentinel-3。Landsat-8还允许提高购买力在检测小火灾的高清影像允许可能更歧视功能改善。尽量减少上述挑战(有关数据集),有必要设计一个推进积极的火灾探测方法。因此,本研究提出了一种新颖的活动基于深度学习的火灾探测方法。该方法结合了RGB和热图像Landsat-8卫星图像。拟议的深度学习框架二束通道,可以检测深特性利用卷积神经网络架构的能力。提出了本研究的主要贡献如下:(一)提出一个框架基于深度学习的积极的火灾探测叫active-fire-net(消防网络)。(b)高效检测的小火使用免费提供的数据(c)深的优势特性,结合空间和光谱特性,而不是单一的光谱特性(d)准确和活跃的火灾自动检测与实时应用的潜力(e)残油、深度方面的优点和分离卷积(f)引入新的不平衡损失函数的问题(g)测试训练数据集的可转让性

2。研究区域

表1描述了五个研究领域选择积极的火灾探测。一般来说,区域覆盖北美、澳大利亚、亚马逊雨林、非洲中部和切尔诺贝利(乌克兰)。选择不同地区由于气候条件不同,温度也影响热乐队和森林密度。这允许对各种数据进行分析希望产生一个更一般的模型。消防网络模型利用训练数据从活动的火灾在北美和澳大利亚。模型测试是在非洲中部,巴西、切尔诺贝利和也从澳大利亚数据(没有参与培训的部分)。(33]。北美的森林包括4个区域(图1(一))活动火灾发生在2013 - 2014。澳大利亚森林,平均气温19°C,湿度62%,取得了2019年6月在澳大利亚的南部和东部地区表现出强烈的野火。活跃的区域包括6个次地区火灾在2019 - 2020年(图1 (b))。第三个研究区域是亚马逊雨林的一部分,平均湿度和温度分别为76%和18.5°C,分别。第四个研究区域是,非洲中北部的野火(发生在2018年12月),这是由人类活动引起的。本研究区域的湿度和温度的平均值是72%,25°C,分别。第五个研究区属于切尔诺贝利,乌克兰。森林大火开始于2020年4月,被风迅速蔓延。在火灾的时候,现场主要是多云。由于温度变化和云,之所以选择这个案例研究来评估提出的方法对提到的性能因素。湿度和温度的平均值是46%和9°C,分别。

2.1。Landsat-8数据集

Landsat-8卫星传感器设计由NASA(国家航空和宇宙航行局)2013年2月,发射进入轨道。这个传感器能够捕获数据在11个光谱波段的空间分辨率15米(全色),30米(可见、近红外、短波红外成像)和100米(热)。此外,这个传感器收集的数据集形成地球16天的时间分辨率。由于本研究需要4光谱波段(R, G, B,和热),我们选择标准的地形修正1级T数据集。

2.2。库存数据

库存(样本)数据作为训练图像(地图和图像)提出监督消防网络网络。样本数据的数量和质量是最重要的因素来获得承诺的结果。因此,我们仔细确认活动火灾的位置等相关资源(34,35]。这主要是通过目视检查指导下专业知识生成参考数据。相应的活跃火位置然后提取Landsat-8数据集训练(65%的样品),验证(15%的样品),和测试样品(20%)。在这个研究生成722个补丁256×256像素的大小代表培训、验证、和测试数据集到469年,109年,分别和144个补丁。

3所示。方法

五个学习领域,两个地区被选为消防网络的训练和验证样本深度学习算法和多尺度残余学习网络(MSR-U-Net)。这two-streamed基于像素分类深度学习(消防网络)方法提出了从Landsat-8火灾图像探测活跃。这个网络使用encoder-decoder架构活动的火灾探测。由于活跃的独特结构火灾和Landsat-8数据集的空间分辨率,二束深特征提取器体系结构提出了。这意味着消防网络框架包括两个深特征提取器通道。第一频道是为了检测活动火灾而第二渠道背景和非火灾检测的对象。提出了消防网络图的概述2。

对数据集的准备,Landsat-8图像预处理和转换成图像补丁。图像补丁可以抑制散斑噪声和优化分割。基本上,我们将每个图像划分为网格的补丁,具体地说, 大小。因为我们正在考虑滤波器设计,的总数 图片4。与任何其他机器学习算法,我们将数据集划分为三个部分:(1)训练数据集,(2)验证数据集,和(3)测试数据集。培训和验证数据集(形成所谓的发展集)被用来发现整个网络的最优权重。对于这个工作,我们将停止条件定义为250 -时代。测试数据集被用来评估trained-and-validated网络,七个指标计算。最后,经过训练的网络部署活动火灾检测通过第二(澳大利亚野火,部分没有参与培训)、第三(亚马逊热带雨林),(非洲中部),和第五研究领域(切尔诺贝利)。接下来的小节介绍了消防网络深度学习体系结构的细节。

3.1。图像预处理

为landsat-8 L1-T产品一些预处理进行了辐射校正和orthorectification。大气校正也由快速视线大气分析超立方体FLAASH模块。此外,热乐队需要转换成辐射亮度温度。最后一步是将数据小补丁,大小为256×256像素是输入的火力网。

3.2。提出深度学习架构(消防网络)

二束功能深度学习方法提出了森林火灾探测。这个架构是基于卷积multiscale-residual层需要的优势点/深度方面卷积,残余,多尺度卷积块。多尺度块增加消防网络的鲁棒性与大小变化(36]。这使得消防网络来提高检测性能的小型火灾。剩余块也被证实可以防止消失梯度问题,也提供效率等于一个更深层次的网络(37]。深度/逐点运算而且便宜的运营商,有效地减少模型参数的数量和计算成本38]。提出了消防网络架构图3两条溪流的深度特征提取。首先,肤浅的多尺度特征提取的二维卷积层。接下来,提取的特征是美联储深深特征提取器通道。因为小火可以覆盖小地区,我们使用up-sampling与前两第一通道提取的速度特性。这个流结合残块和多尺度残块中提取深的特点。同时,第二通道被发现的深度特性从原始分辨率数据集通过梳理残块和多尺度残块所呈现的人物4。然后,提取的深层特征从两层被求和融合算子。最后,提取的特征是美联储2 d-convlotution层作为一个单独的功能映射决定最终的类标签(活跃的火灾或不是)。消防网络体系结构的细节在接下来的小节解释道。

3.2.1之上。褶积层

在CNN,卷积层的主要任务是提取高水平深特性从输入数据集(39,40]。11届层中的卷积层,计算表达根据方程(1)[41]。 在哪里x是输入的数据层 ; 是激活函数;是加权模板;和是偏差向量。

在二维卷积层的输出特征映射( )在层在空间的位置 可以使用方程(计算2)[41]。

在哪里特征数据集连接当前中多维数据集特征层;是内核连接到的价值功能方块前层;和 ,和是卷积核的长度和宽度的大小,分别。

消防网络体系结构采用三种策略:(1)符合(36),我们利用多尺度卷积内核(即不同内核大小的隆起)以确保鲁棒性对规模的变化(42),(2)我们防止消失的问题或爆炸梯度利用剩余块(或跳过连接)层,它允许直接back-propagated早些时候的梯度层(43),和(3)深度/逐点卷积块:这种卷积层只考虑单个滤波器对每个输入特性(44,45]。图5代表标准的主要差异和深度/逐点卷积层。

用于测量的损失函数训练误差是基于预测价值的真正价值46]。本研究使用的是混合损失函数(方程(3)是已知weight-binary-cross-entropy-dice (wbc)损失函数,它是更有效的对小目标(47]。白细胞的损失函数结合骰子损失(方程(4))和加权交叉熵损失(方程(5)),可以定义之间的预测价值( )真正的价值( )如下: 在哪里此外,通过超龄的池的参考地图 , 是面具的宽度和长度。

消防网络体系结构是由一个自适应训练的时刻估计(亚当)优化器48通过反向传播权重被初始化使用Golorot初始化(49]。培训的hyperparameters消防网络如下:(我)批量大小= 7-patches(2)学习速率=(3)时代的数量= 250

在培训过程中使用的洗牌技术。消防网络实施Tensorflow v2.4.1和和Keras v2.4.3。

3.2.2。评价指标/或精度评估的方法

我们为消防网络执行两种类型的评估。首先,视觉分析的结果与参考数据。接下来,我们计算出七个质量指标即整体精度(OA),记得,精密假阳性率(玻璃钢),miss-detection (MD), F1-score, kappa系数(KC)。这些指标中可以找到的更多细节41]。我们还进行了一个比较消防网络建立了CNN,即MSR-U-Net。主要原因是由于MSR-U-Net消防网络的相似性结合多尺度内核卷积过滤器与剩余块深特征提取(50,51]。MSR-U-Net还使用一个encoder-decoder结构探索深层的特性。消防网络的详细评估的效率,5机器学习方法(K-Nears-Neighbor(资讯),支持向量机(SVM),多层感知器(MLP),随机森林(RF),和极端的梯度增加(XGBoost))被用于比较火灾探测的结果。简短的解释提供了每个算法如下:(1)资讯:这是一个简单的非参数分类器。对数据集没有任何假设,然而,分类数据基于每个数据点的邻居。本研究使用欧式度量和邻居的数量被设置为4(2)支持向量机:支持向量机是一种监督机器学习分类器广泛应用于RS。支持向量机背后的主要思想是找到一个最佳的超平面数据集分为两类。虽然在其原始形式,支持向量机是用于二进制分类,它仍然可以用于多层次分类任务。一般来说,一个内核函数用于生成一个非线性决策特征空间的边界。在这项工作中,我们经验优化支持向量机的两个参数,这是惩罚系数和径向基内核参数。他们设置为10¹和10³分别(3)延时:这个分类器是一种前馈神经网络的补充。有几个向MLP隐藏层,每个有几个神经元。神经元被训练使用反向传播学习算法。我们构建了一个两个隐层MLP 40 - 30神经元在第一和第二层次,分别(4)射频:射频是一个监督学习分类器组成的一个整体的决策树,最后决定通过多数投票。射频由装袋训练方法装袋的要点在哪里学习模型,提高了整体的组合分类结果。该算法有两个主要参数即数量的树木和数量的特性。每个被设置为93,3,分别(5)XGBoost: XGBoost decision-tree-based合奏监督学习方法,基于梯度增加框架。几个参数需要调整分类器,即数量的估计(设置为105),max-depth(4),埃塔(设置为0.03),min-child-weight(设置为1),子样品(设置为0.8)和colsample-bytree(设置为0.8)。

4所示。结果

本节解释的实验装置和结果提出积极的火灾探测算法(消防网络)。我们使用的数据集包含22个瓷砖Landsat-8覆盖第一和第二图像研究领域(例如北美国和澳大利亚)。从22块,14块被用于培训,3瓦进行验证,5块进行测试。对于易于处理,22块被分成小块大小为256×256。最后,检查消防网络方法的可转移性测试在其他研究领域(如亚马逊雨林,中非和切尔诺贝利)。

4.1。澳大利亚的森林

澳大利亚的森林火灾探测的结果,方法,提出了数字6(b)和6(c),视觉深度学习方法成功检测火灾区域。然而,错误分类为MSR-U-Net发生在块边界(图6(b))。根据评估指标,两个网络之间的主要区别是在检测活动火灾MD和玻璃钢率较低。使用MSR-U-Net许多假阳性像素被检测到,而消防网络降低假阳性。

活动火灾探测的数值结果第一测试展示在表2(a)。消防网络优于MSR-U-Net更高的整体精度99.95%,精度为97.94%,F1-Score 97.57%, KC 0.975指数。MSR-U-Net表现出较低的MD(接近0%),而大大显示更高的玻璃钢消防网络相比。然而有一个检测火焰像素和不燃像素之间的权衡。消防网络模型有较低的错误率为活跃的火灾探测而MSR-U-Net MD利率较低但玻璃钢利率上升。理想的情况是,当一个方法能有效检测火灾和不燃像素误差最低。活跃的火灾探测的数值结果表中给出的其他机器学习算法3(a)。尽管SVM有最准确的OA(99.03%),其性能对其他指标的精度,召回和F1-Score低。SVM的MD指数(99.98%)显示,它不能有效地检测活动火灾。射频和XGBOOST另一方面显示良好的性能相比其他算法。然而,在所有消防网络缺乏鲁棒性,优于所有这些算法的正确性,确定7个评价指标。

4.2。非洲中部森林大火

活跃的火灾探测的结果为中非提出了数字6(f)和6(g),它显示了每个场景的背景与前景分割。这个案例研究的活跃火灾地区小相比,美国和澳大利亚的北部。这两种方法能够检测活动火灾情况下的误分类。

火焰像素可以看到当缩放到数字7(b)和7(c)。MSR-U-Net相比,消防网络提供更合适的分割,覆盖更多的相关区域火灾区域。这表明消防网络检测到几乎所有相关消防像素没有MSR-U-Net探测到。

表2(b)显示了两个网络的精度评估。结果表明,两种方法检测非火灾像素表现良好,而当检测火焰像素精度下降。对于这个数据集,MD率很高,两个网络专注于非火灾像素。KC的低价值表明这两个网络的性能可靠性的降低。表3(b)显示了5机器学习方法的定量评估活动火灾探测。因此,大多数人成功地检测稳定的火灾的玻璃钢值低于1%。此外,较低的精度和F1-Scores值表明,一致性和平衡在所有7评价指标之间没有见过那些5与消防网络的方法。

4.3。巴西的森林火灾

主动消防地图对巴西的森林产生的不同的方法说明数据6(j)和6(k),南部地区的主要分类有活跃的火灾。看起来,这两种方法生成活跃火灾地图用最低的错误。

数据7(g)7(我)消防领域提出了进一步研究的活跃。图7(我)是活跃的火灾消防网络生成的地图。可比,像MSR-U-NET产生的一个完整的。生成的精度评估火灾地图展示在表2(c),可以看出,两种方法成功检测到火灾、消防网络优于MSR-U-Net。消防网络的精度是95.98%,98.04%,召回和F1-Score zero-FPR附近的97.0%。5机器学习算法的数值评估表所示3(c),办公自动化主要是平等的大约99%。精度较低的另一方面是低于60%玻璃钢率(低于1%)和MD利率上升。这些表明弱活跃的火灾探测。因此,5机器学习方法和本地区消防网络没有可比性。

4.4。切尔诺贝利的森林火灾

数据6(n)和6(o)显示了切尔诺贝利森林中网络的火灾探测性能。注意,这个地区的火灾探测是挑战由于高云的存在和火灾的小尺寸。尽管如此,两个网络执行与MSR-U-Net未能检测到少量的活动火灾(数字7(j) -7(m))。与其他地区一样,消防网络显示更高的精度,召回,f1-Score。然而,我们认为地形的多样性可能导致更高的利率相比,玻璃钢。活跃的火灾探测的结果使用展示在表5机器学习方法3(d)。然而,美洲国家组织超过99%,射频,XBGOOST,添加低玻璃钢(低于1%)显示准确的活跃的火灾探测。然而,支持向量机和MLP成功映射的稳定的火灾。基于7个评价指标,消防网络方法显示出它的优越性。

5。讨论

5.1。精度

及时发现活跃火灾对灾害管理至关重要。本研究提出了一种深网络消防网络呼吁积极森林火灾检测数据集基于RGB光和热。网络的精度评估是基于4种不同的案例研究领域。此外,消防网络相比的结果也反对建立MSR-U-Net深层神经网络。活动火灾探测的评价指标和外观检验结果表明,该方法优于MSR-U-Net,表现出更高的精度检测的火和不燃像素。更详细的分析,消防网络比较反对5其他受欢迎的机器学习算法。发现延时,射频,支持向量机,然而,和XGBOOST所需数量相对较小的样本,除了几个参数必须针对最优分类。尽管有良好的性能,所有的这些方法都需要人工手工制作的功能,这是费力而耗时的。

至于评价指标,召回是一个评估指标,发现真阳性(TP)像素。召回消防网络算法的均值为92.64%而MSR-U-Net是86.25%。这表明消防网络优势在检测更多的TP像素。另一方面,精度指标,描述了模型的识别能力积极的像素。在我们的研究中,消防网络精度为93%,表明高信任度火焰像素检测的活跃。MSR-U-Net另一方面只有低于67%的精度。虽然消防网络显然有更高的精度和召回分数,F1-Score是重要的测量,因为它提供了一个调和平均数的精度和召回。关于这个指标,消防网络有超过93%的分数相比MSR-U-Net为67%。F1-Scores表达模型的高速率的高可信的和高能力预测TP像素。OA指数需求量评估最常见的因素之一。 This index associates the relation among TN and TP pixels with all pixels. The OA proposed Fire-Net algorithm is more than 99% in all datasets. This subject shows the proposed method has high performance in prediction TP and true negative (TN) pixels. The KC measures the reliability of model in classification that mainly, the proposed method was provided the moderated level.

MD和玻璃钢两种指标应该低有效积极的火灾探测。特别是医学博士因为未被发现火像素比标签更昂贵的错误检测。我们的结果表明,消防网络的平均MD在8%与0.0001%的玻璃钢。MSR-U-Net另一方面平均MD率超过14%的意思是玻璃钢的1%。从本质上讲,精密,召回,F1-Scores显著提高了消防网络算法在所有的研究领域。从估值,5机器学习算法表现出高性能,主要在非火灾区域的映射。然而他们没有地图活跃的火灾。相比,深层网络(特别是消防网络),所有5机器学习方法成功率较低。消防网络显示活跃的火灾探测的精度最高的任务。最近,更多的研究活跃的基于RS图像火灾探测。 Table4介绍了结果被其他活跃的火灾探测方法。

有一些产品为全球活跃的火灾探测,他们主要是由MODIS VIIRIS(可见红外成像辐射计)和NOAA(美国国家海洋和大气管理局)传感器。奥利瓦和施罗德52基于VIIRS]调查活动消防产品数据集通过比较Landsat-8数据集。提到的结果研究显示该产品的准确性取决于大小火灾作为产品覆盖范围7% 100%的准确性。此外,想来et al。53)调查收集六MODIS活跃的消防产品的性能。数值结果显示了玻璃钢附近本产品是2.4%。

深度学习方法的最重要的问题之一是平衡数据集。火地区覆盖非常小的地区而非火灾场景中占主导地位。因此,为解决这个问题,我们引入小说损失函数。这个损失函数结合了dice-loss和weighted-binary叉。

5.2。特征提取

更积极的火灾探测方法关注光谱特性和上下文信息(30.]。深度学习的能力特征提取方法已被证明在许多研究[12,40,42,43,54]。深度学习方法能够探测深度特性包含各种光谱/空间特性。活动火的质量和数量方法基于人工的手工制作的特性是主要的挑战传统的活跃的火灾探测方法。深度学习的方法可以自动地提取深度信息特性。值得注意的是,该方法使用只有四个粗乐队(红、绿、蓝、和热)。这些乐队是最常见的乐队和广泛使用在大多数遥感卫星图像数据。因此,这种方法可以通过其他卫星部署高时间分辨率实时主动火灾探测和森林管理和持续的火灾监测。

5.3。可转移性

多数提议的活跃的火灾探测方法是基于阈值(21,24,55]。由于不同的环境条件和多样性森林布局,这是不切实际的修正常数阈值决策。从深度学习的角度,基于深度学习方法,它不需要硬编码阈值。相反,在训练步骤,每个网络发现最好的权重连接每个节点通过一个优化的过程。所示的可转让性显然是所有地区的高精度。

6。结论

活跃的森林火灾早期检测确定火灾的起点是至关重要的有效应急响应。在这项研究中,活跃的火灾探测是一个中等空间分辨率数据集上执行(Landsat-8图像)活动火灾的程度很低。深CNN(消防网络)提出了检测工作活跃在不同地区森林火灾。具体地说,美国和澳大利亚地区被用来训练网络,而测试完成非洲巴西、乌克兰、澳大利亚(没有参与培训的部分)地区。结果描述了该方法的可转让性。然后,消防网络与另一个先进的网络,即。、MSR-U-Net和其他常见的机器学习算法。活跃的火灾探测的结果是定性和定量评估。业绩评估显示有一个活跃的火和稳定的火灾检测之间的权衡。由于活动火灾的程度在小地区,大部分的机器学习算法不能活动火灾检测。的高测量精度OA指数算法,主要是对非火灾区域。 The other indices namely precision, KC, and F1-score for these models were low for the detection of active fires. In contrast, the proposed Fire-Net method showed high efficacy for both active and non-active fire detection. Here, small active fires were detected with high accuracy and low miss detection rates. The efficiency of Fire-Net originated in its architecture and convolution layers structure enabling high level and informative features extraction. Experimental results indicate that Fire-Net: (1) has higher accuracy, (2) obtains higher sensitivity to small active fires, (3) the proposed method can be applied as real time processing due to high transferability. Future work will be based on using geostationary satellite imagery for rapid monitoring of active fires to provides high temporal resolution for fast monitoring in a larger scale.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者(年代)(s)宣称他们没有利益冲突。