摘要
近年来，全球气候变暖趋势越来明显，由此引起的气候干旱和厄尔尼诺现象导致各地森林火灾频发。森林火灾具有突发性强难以预测、破坏性大难于控制的特点，是一种对人类生命财产以及生态系统造成严重威胁的自然灾害。若能在森林火灾进程的早期阶段及时发现，防止火灾蔓延，这对于减小扑救难度、降低损失极其重要。遥感卫星由于具有不受地形条件限制、成本低、实时性强、监测面积广等优势已经广泛应用于森林火灾监测业务。近年来，研究者针对不同的遥感卫星传感器，研制出了许多应用于森林火灾监测并在世界各地得到很好验证的算法和火灾产品。 然而当前的火点检测算法存在着小面积火点和低温火点识别能力弱，而针对森林火灾早期产物的烟雾检测算法存在阈值需要根据地域性人为设计，适应性较差。本文针对林火烟雾检测算法的缺陷和不足，以深度学习语义分割算法为基线，提出改进方法，并针对遥感波段冗余数据进行分析，确定敏感波段数据。本次研究的具体工作主要为以下内容： 首先，针对目前小面积火点和低温火点识别能力不足的问题，采用高分辨率的陆地观测卫星，研究目标选取烟雾为主要对象，同时增加云、裸地等对象，通过使用更高空间分辨率的遥感影像，建立了覆盖不同地域、包含不同季节的森林火灾遥感多光谱图像烟雾数据集。 其次，利用深度学习算法强大的特征提取能力，充分利用多光谱丰富波段不同层次的语义信息。受U-net网络启发，构建了基于自编码和SEBlock并融合多光谱数据、多遥感指数的烟雾分割网络模型。经验证模型的烟雾像元检测整体精度可达72.5%，能够有效分割出遥感图像中的烟雾像元，并且该方法具有良好的可扩展性以及对各种形态和不同地表背景的适应性。 最后，为了提高算法的紧凑性，通过对比不同数据通道对遥感图像分割结果的影响，分析数据不同谱段的敏感性，确定了敏感性高的谱段作为有效数据源，减少了数据冗余，提高了算法的计算性和时效性。
NETL