摘要
近年来，全球野火频发，严重危害人类生命健康与社会生产活动正常秩序。我国西南林区与东北林区也常年遭受森林火灾的影响，给当地民众与生态造成巨大危害。因此，野火的防控一直是当地政府的工作重点。野火火点近实时监测作为一种火情监控的重要手段，是火灾扑救工作的先决条件与关键环节。随着遥感技术的发展，基于地球同步卫星数据的野火监测已成为业内主流方法。但受限于卫星传感器技术水平，相关的监测算法空间分辨率不高，无法精准定位野火发生位置，同时还存在高漏检、低精度等缺陷。上述问题限制了基于地球同步卫星的高时间分辨率优势，并使得近实时得野火监测算法未能发挥相应效果。 本研究利用向日葵8号（Himawari-8）遥感数据，在中国西南与东北研究区开展大范围的火点监测方法研究：使用改良后的传统野火监测方法、多种机器学习方法设计监测模型，并在验证数据集中评估效果。遴选出精度较高、漏检率低的模型。并依托最优模型实现集数据近实时获取、解析、火点分析为一体的野火监测管道（Pipline）。解决了基于地球同步卫星数据野火监测中存在的低时效性、高漏检问题，并保证了一定的监测精度。论文完成的主要工作和相关成果如下： （1）改进传统的基于空间信息的空间上下文野火监测算法，提升传统方法监测精度，降低漏检率。添加多种中间功能，并开展消融实验筛选最优方案。并使用火点产品VNP14IMG、MCD14ML构建验证数据集。结果表明，结合光谱检测、土地覆盖、上下文算子3种步骤的算法，计算流程简单，F1分数高。在两个研究区各20景验证影像中实现漏检率：68.81%（西南），71.2%（东北）。表明了传统方法存在性能缺陷。 （2）利用主流的机器学习模型提升监测效果。结合多种信息，构建三类特征方案，使用随机森林（Random Forest，RF）、轻型梯度提升机（Light Gradient Boosting Machine,Light GBM），多层感知机（Multilayer Perceptron,MLP）进行训练；设计卷积神经网络（Convolutional Neural Network,CNN）模型，学习空间光谱特征。多种模型基于双研究区各20景影像验证结果表明：基于光谱特征训练的RF实现了漏检率：14.23%（西南），15.52%（东北）；精度：54.13%（西南），54.17%（东北），优于其它模型。具有一定的应用价值。 （3）构建近实时野火监测管道。使用低延时的葵花标准数据（Himawari Standard Data，HSD），结合遴选出的最优RF模型，构建覆盖中国西南四省份的近实时野火监测数据管道（Pipline）。开展3小时运行验证，实现最高238.48秒，平均76.86秒的处理耗时；以Himawari-8自带火点产品WLF为对比，进行日尺度验证，成功监测6起野火事件，4起与WLF一致，并额外监测2起事件。从而实现了真正意义上的较高精度、低漏检、近实时乃至实时的野火火点监测。
NETL