張文磊 王帥 李智慧 黃宇飛 元勇

(1 北京空間飛行器總體設計部，北京 100094)(2 哈爾濱工程大學計算機科學與技術學院，哈爾濱 150001)

遙感衛(wèi)星用于火點檢測是通過對遙感圖像進行搜索，找出火點的位置并標注其經(jīng)緯度。火點達到一定溫度能夠引起火災，不僅破壞生態(tài)平衡、毀壞財物甚至傷害人身安全，所以通過遙感衛(wèi)星圖像來實現(xiàn)對火點的有效、及時、準確的檢測具有重要的現(xiàn)實意義。當前應用比較廣泛的火點檢測算法是單通道閾值法[1]和多通道閾值法[2]。單通道閾值法的基本原理是使用各種傳感器的中紅外通道，采用固定的閾值對圖像的圖像像元亮度值(Digital Number, DN)或者反演得到的亮溫值進行判斷，但是單通道閾值法最大的問題就是必須考慮來自云和高反射率地表的太陽反射能量，所以其火點檢測效果不佳。多通道閾值法是利用多個波段數(shù)據(jù)來共同完成火點檢測任務，彌補了單通道閾值法中使用信息過于單一的缺陷，相較于單通道閾值法檢測精度更高。

近年來，出現(xiàn)了一些應用美國NASA陸地衛(wèi)星-8(Landsat-8)的火點檢測方法。Landsat-8衛(wèi)星數(shù)據(jù)包括可見光、短波紅外、熱紅外等11個波段，空間分辨率為30 m。傳統(tǒng)的火點檢測算法通常利用高溫的物質在中紅外波段或熱紅外波段的高發(fā)射率特性來提取火點[3]，然而受制于影像空間分辨率的限制，使得很多小規(guī)?；鹎楝F(xiàn)象被漏檢。與中分辨率成像光譜儀(MODIS)和可見光紅外成像輻射儀(VIIRS)相比，其空間分辨率較高，有利于小規(guī)?；瘘c檢測，所以本文將使用Landsat-8遙感圖像來實現(xiàn)對火點的檢測。

目前基于Landsat-8衛(wèi)星的火點檢測算法的應用已經(jīng)應用比較廣泛。文獻[4]利用空間分辨率為30 m的陸地成像儀(Operational Land Imager，OLI)數(shù)據(jù)，根據(jù)高溫火點在近紅外及短波紅外波段的波譜特性，利用短波歸一化燃燒指數(shù)(Normalized burning ratio Short-wave, NBRS)自適應地確定閾值來提取疑似火點，再利用高溫火點在短波紅外的峰值關系進行誤檢點剔除，從而得到最終的火點產(chǎn)品。文獻[5]通過基于亮溫的背景對比法實現(xiàn)了煤火的檢測。文獻[6]提出一種同時檢索高溫點的亮溫和亞像素面積的方法。文獻[7]利用短波紅外、可見光和近紅外波段數(shù)據(jù)，同時還擴展了使用多時相分析來改善像素分類結果，初步評估表明，該方法在各種植物燃燒場景具有較高準確率。

前述的單通道閾值法和多通道閾值法，由于其閾值固定，檢測結果的誤報率高。針對此問題，本文將通過建立高溫點簇面積與亮溫閾值對應的模型來實現(xiàn)火點檢測。首先通過雙閾值方法搜索高溫點，由于短波紅外和近紅外光譜區(qū)域對于測量燃燒和陰燃燃燒最有用，所以本文的火點檢測算法中，主要通過短波紅外和近紅外波段計算出的亮溫值衡量火點溫度，然后通過凝聚式聚類方法對高溫點像素進行聚類，再通過建立高溫點簇面積與亮溫閾值的對應關系的模型，實現(xiàn)火點檢測。

1 火點檢測算法

本文中火點檢測算法的核心思想是先通過雙閾值方式搜索高溫點，然后對高溫點像素進行聚類，形成高溫點簇。建立高溫點簇面積與亮溫閾值之間的對應關系模型，根據(jù)面積反射值模型判斷搜索到的高溫點簇是否火點。算法流程如圖1所示。

Landsat-8數(shù)據(jù)情況如表1所示。

此算法首先對Landsat-8遙感圖像進行輻射定標與亮溫計算(詳見1.1節(jié))，得到亮溫T。再通過短波歸一化燃燒指數(shù)實現(xiàn)高溫中心點檢測(詳見1.2節(jié))，得到候選火點。對候選火點周圍的普通高溫點進行搜索與聚類(詳見1.3節(jié))，然后再進行云干擾去除(詳見1.4節(jié))，得到更加精確的火點，最后根據(jù)高溫點簇面積與第7波段亮溫對應的關系模型，即面積亮溫值模型，對待檢測火點進行檢測，得到最終的火點。

1.1 輻射定標與云干擾去除

輻射定標[8]是指將圖像像元亮度值(Digital Number, DN)轉換為大氣頂層的輻射值[9]得到

Lλ=Mλ·DN+Aλ

(1)

式中：Lλ為大氣頂層輻射值；DN為圖像像元亮度值；Mλ為波段增益值，Aλ為波段偏移值，這兩個值都可以在Landsat-8的配置文件(后綴為MTL的文件)中找到。

然后根據(jù)大氣頂層輻射計算大氣頂層亮溫，亮溫值是根據(jù)普朗克公式反演的。

(2)

式中：L(λ,T)為輻射值，λ為波長，T為亮溫；h為普朗克常數(shù)；k為玻茲曼常數(shù)；c為光速。令c1=8πhc，c2=hc/k，其中c1和c2是由光速、普朗克常數(shù)等計算出來的常量，式(2)可簡化為

(3)

根據(jù)式(3)得到亮溫計算公式為

(4)

式中：c1=1.191 042×108J·m，c2=1.438 775 2×104K。將式(1)中得到的Lλ代入式(4)中的L即可得到亮溫T。

由于云像素在第2～7波段都處于較高范圍，會干擾后續(xù)的火點判別，需要去除。通過閾值分割[10]及形態(tài)學處理[11]，可以實現(xiàn)云區(qū)域分割。

云層的閾值分割主要依據(jù)云層2～7波段與火點數(shù)據(jù)波段存在差異，通過設置閾值可以過濾掉符合云層波段的數(shù)據(jù)以此識別云層數(shù)據(jù)；由于云層在視覺層面是以較大范圍的不間斷簇狀圖像存在，以圖像數(shù)據(jù)層面為較大的點簇存在，所以通過連通域找到云層所在是較為合理的方法。

這樣通過兩步處理，首先通過閾值分割反射值較大為云層的數(shù)據(jù)，再依據(jù)云層存在特點通過形態(tài)學連通域處理將云層數(shù)據(jù)篩選標記，并使之完整化，最后通過面積閾值去除假云層像素。

1.2 高溫中心點檢測

高溫中心點指溫度極高的一些像素點，是火點的候選點。有研究表明，Landsat-8熱紅外波段由于只能反應地表接近常溫的溫度，對于高溫火點的檢測效果差于短波紅外波段[12]。

燃燒區(qū)短波紅外要遠遠大于近紅外波段的數(shù)值，計算出的指數(shù)相差較?。粚τ诜侨紵齾^(qū)域，其短波紅外和近紅外波段數(shù)值相差不大，計算出的指數(shù)相差較大。由此得出的短波歸一化燃燒指數(shù)(Normalized Burn Ratio of Shortwave, NBRS)[3]。

(5)

式中：k為控制系數(shù)，ρ5、ρ6、ρ7為第5～7波段的反射值。短波歸一化燃燒指數(shù)小于閾值D1的像素為高溫中心點。

短波歸一化燃燒指數(shù)選擇對火點比較敏感的波段，通過波段間的組合運算增強圖像上的火災區(qū)域，分析燃燒指數(shù)圖像，可以獲取火災區(qū)域，短波歸一化指數(shù)是無量綱系數(shù)。閾值是通過對一些火點數(shù)據(jù)分析獲得的判別分界的數(shù)值，通過設置高閾值D2，把第7波段亮溫大于D2的火點也作為高溫中心點，由于高溫中心點只是火點的候選點，后續(xù)要通過其他判斷方式把真正的火點分離出來，因此，高溫中心點閾值D1和D2的選取原則是不漏掉火點。

1.3 普通高溫點像素搜索與聚類

普通高溫點是指在高溫中心點附近、溫度低于高溫中心點但高于周圍像素的點。為消除噪聲，Landsat-8圖像在后處理時采用了平滑操作，所以，火點附近會有一些普通高溫點。這些高溫點通過式(4)計算第6～7波段的亮溫來判斷。通過多次實驗對比得到，第6～7波段用來確定普通高溫點的亮溫閾值分別為D31和D32。因此，通過搜索高溫點附近第7波段亮溫大于閾值D31和第6波段亮溫大于D32的像素，獲得普通高溫點，形成高溫點簇。高溫閾值D31的值比D2低一些。

將高溫點簇通過凝聚式聚類方法，將距離接近的點簇再聚合到一起，點簇之間的距離采用的是最近元素之間的距離。

1.4 基于面積與亮溫關系模型的火點檢測

1)模型確定

通過分析訓練數(shù)據(jù)，建立高溫點簇面積與第7波段亮溫的關系模型，即不同高溫點簇面積，對應不同亮溫閾值的模型，形成用于火點的最后判斷的檢測閾值模型函數(shù)。

τ=g(a)

(6)

式中：a為高溫點簇面積，τ為相應亮溫閾值，g為從a到τ的映射模型。由于訓練的樣本點較少且分布不均勻，難以通過分類器自動分類，并確定最佳折衷，所以面積與反射值閾值關系模型是通過人工分析確定的。在確定面積與反射值閾值關系模型時，需要綜合考慮檢測準確率和漏檢率因素，從而確定一個得到最佳折中的模型。

圖2為高溫點簇面積與反射閾值映射函數(shù)示意圖，橫軸為以像素為單位的高溫點簇面積a，縱軸為高溫點總亮溫值。當面積大于40個像素時，直接判為火點。圖2的模型雖然近似線性模型，但不是絕對的線性模型，高溫點簇面積越大時，亮溫閾值增長稍微緩慢。

圖2 高溫點簇面積與亮溫閾值映射函數(shù)g(a)

2)火點檢測

建立面積亮溫模型后，根據(jù)該模型，按待檢測高溫點簇面積找到相應的亮溫閾值，實現(xiàn)待檢測火點的判斷。

2 試驗結果與分析

2.1 待檢測圖像

火點檢測的測試圖像是通過歐洲航天局網(wǎng)站提供的數(shù)據(jù)鏈接下載獲得的(見文獻[13])，選取的是黑龍江省大慶市、齊齊哈爾市以及俄羅斯東部、哈薩克斯坦西部等地區(qū)的遙感圖像(6張秸桿焚燒火點圖像和5張火災圖像)，部分典型實例如圖3所示。圖3中，左側圖為包含第5、6、7三個波段合成的圖像,右側圖為與其對應的包含第4、3、2三個波段合成的圖像。

人工標出火點，對算法進行測試，根據(jù)真實火點數(shù)量、檢測數(shù)據(jù)點總數(shù)、正確檢測點數(shù)量計算出準確率和漏檢率，根據(jù)準確率與漏檢率來評價算法的性能。

火點標注方法是在第5、6、7波段圖像和包含4、3、2波段上人工標注火點圖像，保存火點坐標，用以算法訓練與測試。

2.2 評價指標

對于每張遙感圖像檢測后提供如下3種結果：真實火點數(shù)量、檢測數(shù)據(jù)點總數(shù)、正確檢測點數(shù)量。

通過程序中得到的這4組參數(shù)，可以計算出準確率和漏檢率，其中Yy為檢測的火點為真實火點的個數(shù)；Yn為誤檢火點的個數(shù)；Ny為漏檢火點的個數(shù)；P和M分別為準確率和漏檢率；F為準確率和漏檢率的綜合評價指標。

P=Yy/(Yy+Yn)

(7)

M=Ny/(Yy+Ny)

(8)

(9)

2.3 檢測結果與分析

對2.1節(jié)中的待檢測圖像進行火點檢測，得到的結果是在火災檢測方面平均準確率為0.946 0，漏檢率為0.059，在秸稈露天燃燒檢測方面的平均準確率為0.831，漏檢率為0.122，如表2所示。由于秸稈焚燒點與林火不同，通常是許多小型火點，且焚燒點較分散，所有秸稈的火點檢測的準確率相較于火災的準確率低一些。本文總體的檢測準確率和漏檢率分別為0.892和0.088。

表2 火點檢測精度

3 結束語

本文提出了一種新的火點檢測方法，先通過雙閾值方式搜索高溫點，然后對高溫點周圍的普通高溫點進行搜索與聚類，建立高溫點簇面積與亮溫閾值之間的對應關系模型，該模型準確反映了火點規(guī)律，燃燒點面積越大，整體溫度會越高，通過面積來區(qū)分不同火點，進而判斷火點。實驗結果表明，本文總體的檢測準確率和漏檢率分別為0.892和0.088，表明該模型能夠實現(xiàn)對森林火災及桔桿燃燒的有效檢測。基于遙感圖像的火點檢測方面已經(jīng)有了相當?shù)倪M展，未來的研究趨勢是將研究細化，一方面提高火點檢測的空間分辨率，另一方面實現(xiàn)火災的全方位檢測與跟蹤?？傊?，需要結合時間空間及紅外遙感圖像信息，實現(xiàn)準確的火災檢測與分析。

本文主要采用Landsat-8圖像，其質量較高，從現(xiàn)有文獻看，波段平均信噪比為248.7，圖像均勻性也較好。在研究中發(fā)現(xiàn)，Landsat-8圖像有少量缺失像素，但缺失像素較少，據(jù)統(tǒng)計，平均像素缺失率低于0.07%。但火點檢測與時間相關，需要根據(jù)火災信息或秸桿焚燒高發(fā)時間搜索圖像，要想獲得更好的結果，火點檢測需要的圖像主要是在同樣空間分辨率下，時間分辨率更高的圖像。