关键词：
山火检测
Himawari-8
GK2A
机器学习
输电线路
摘要：
山火是一种严重的自然灾害,不仅对生态环境和社会经济造成破坏,还会对输电线路安全构成重大威胁。输电线路往往穿越森林、草原等高风险区域,一旦发生山火,可能导致电力设备损毁、供电中断,甚至引发大范围停电。因此,开展针对输电线路的山火检测研究具有重要的意义。本论文以云南省输电线路附近的山火为研究对象,利用地球静止气象卫星数据,提出了一种融合光谱、空间和时间信息的机器学习山火检测方法,并通过实际输电线路山火数据进行验证,主要研究内容和研究结果如下:
(1)针对目前主流空间上下文方法在输电线路附近山火检测精度不高的问题,本论文分别基于Himawari-8和GK2A(GEO-KOMPSAT-2A)两种地球静止气象卫星数据,对卫星数据中云水像元进行检测,利用像元的空间上下文信息构建适合本研究区的空间上下文算法,并通过后处理排除非山火区域火点,从而识别出火点。实验结果表明:以输电线路附近真实发生的山火进行验证,基于Himawari-8数据空间上下文方法的Precision为0.67,Omission为0.47,F1-Score为0.59。基于GK2A数据空间上下文方法的Precision为0.70,Omission为0.41,F1-Score为0.64。与Himawari-8相比,GK2A的Precision提高了0.03,Omission降低了0.06,F1-Score提升了0.05。
(2)针对地球静止气象卫星高时间分辨率的优势难以有效利用的问题,本论文分别基于Himawari-8和GK2A数据,选取了第7、13和14三个与山火检测相关的波段亮温(Brightness Temperature)数据,设计了三种特征输入策略:策略一利用目标像元的光谱信息和空间信息;策略二在策略一的基础上增加时间信息;策略三进一步融合时间和空间信息,构建基于光谱、时间、空间信息的特征输入策略。基于这三种特征输入策略,采用四种经典的机器学习模型进行训练与评估。实验结果表明:1)基于Himawari-8数据的所有特征策略与模型的组合中,以策略三作为输入的极端梯度提升树(e Xtreme Gradient Boosting,XGBoost)模型的检测效果最佳,Precision达到0.70,Omission降低至0.31,F1-Score为0.70,相较于空间上下文方法,山火检测性能显著提升。2)基于GK2A数据的所有特征策略与模型的组合中,以策略三作为输入的XGBoost模型同样表现最佳,Precision为0.80,Omission为0.26,F1-Score达到0.77,相较于空间上下文方法也有所提升。3)将基于Himawari-8最优山火检测模型与基于GK2A的最优山火检测模型进行对比,GK2A数据的输电线路山火检测效果明显优于Himawari-8,Precision提高了0.10,Omission降低了0.05,F1-Score提升了0.07。
(3)针对机器学习山火检测模型的“黑箱”问题,本论文利用SHAP(SHapley Additive ex Planations)框架分别对基于Himawari-8和GK2A数据的最优XGBoost模型进行分析,使山火检测过程更加透明。实验结果中,Tbb7-mean＿T7、Tbb7、Tbb7-Tbb13等特征在山火检测中具有较高的重要性,不同卫星数据下这些特征对山火检测的贡献度存在差异,并且特征之间也存在一定的依赖性。SHAP分析为模型优化提供了理论支撑。此外,为进一步验证本论文提出方法的有效性,将最优模型与Himawari-8官方火点产品WLF(Wild Land Fire)和GK2A官方火点产品FF(Forest Fire)进行对比。实验结果表明:本论文提出的模型Recall比WLF高0.19,比FF高0.17,说明本论文方法在输电线路附近山火检测中具有更好的检测能力,能够有效提高火点识别的精度,降低漏检率。
欢迎来到三峡大学图书馆！
