CN111310621B - 遥感卫星火点识别方法、装置、设备及存储介质 - Google Patents
遥感卫星火点识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111310621B CN111310621B CN202010079979.1A CN202010079979A CN111310621B CN 111310621 B CN111310621 B CN 111310621B CN 202010079979 A CN202010079979 A CN 202010079979A CN 111310621 B CN111310621 B CN 111310621B
- Authority
- CN
- China
- Prior art keywords
- fire point
- point identification
- fire
- remote sensing
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000012549 training Methods 0.000 claims abstract description 150
- 230000015654 memory Effects 0.000 claims description 33
- 238000003062 neural network model Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 230000006403 short-term memory Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000007787 long-term memory Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000008014 freezing Effects 0.000 claims description 5
- 238000007710 freezing Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013526 transfer learning Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本申请公开了遥感卫星火点识别方法、装置、设备及存储介质，涉及人工智能技术领域。通过火点识别模型进行火点识别，具有较高的准确率和召回率，无需对卫星遥感数据进行复杂预处理，对专家知识依赖较低，适用于不同遥感卫星；在遥感卫星图像的基础上考虑到天气信息和地表类型信息，避免遥感卫星图像受到天气因素和地表类型影响，适用于不同区域场景的火点识别。在火点识别模型训练阶段，通过迁移学习方法，在公开的火点识别产品数据构成的第一训练数据集训练的第一火点识别模型的基础上，通过少量的真实火灾案例构成的第二训练数据集对第一火点识别模型进行微调，解决缺少真实数据的问题，并且最终得到的火点识别模型具有较高的准确率和召回率。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及人工智能技术领域。
背景技术
火灾是一种常见且频发的灾害，具有突发性强、破坏性大、处置救援困难的特点，尤其是森林过载，对森林的破坏性极大，造成的经济损失相当严重。因此，在火灾检测环节中，发现火点的及时性与准确性尤为重要，能够尽快采取有效的应急措施和防护措施，降低火灾带来的损失。
现有技术的遥感卫星火点识别方法有绝对阈值法、自适应阈值法等。其中绝对阈值法通过对遥感数据某些通道值与固定阈值进行比较来识别火点，但是绝对阈值法召回率较低，且容易受到不同区域、季节、天气等因素的影响，在实际使用中需要针对区域、季节、天气等因素对阈值进行人为调整，依赖专家经验知识且花费的时间和人力成本较高；而自适应阈值法通过设置通道窗口计算均值和方差来确定阈值，可以解决不同区域、季节、天气等因素影响的问题，但不同的遥感卫星之间窗口确定不一致，且只使用单一的通道特征，忽略了其他通道中可能包含潜在的火灾特征，同时也依赖专家经验知识，召回率和准确率也较低。
发明内容
本申请提供一种遥感卫星火点识别方法、装置、设备及存储介质，以提高火点识别的准确率和召回率。
本申请第一个方面提供一种遥感卫星火点识别方法，包括：
获取目标区域的卫星遥感图像、以及对应的天气信息和地表类型信息；
根据所述卫星遥感图像以及所述天气信息和地表类型信息，提取特征信息；
将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，根据所述火点识别结果判断所述目标区域是否发生火灾。
本实施例通过火点识别模型进行火点识别，具有较高的准确率和召回率，且无需对卫星遥感数据进行复杂的预处理，对专家知识依赖较低，可适用于不同遥感卫星；在遥感卫星图像的基础上考虑到天气信息和地表类型信息，避免遥感卫星图像受到天气因素和地表类型的影响，可适用于不同的区域场景的火点识别。
在一种可能的设计中，所述火点识别模型为神经网络模型，所述神经网络模型包括特征层，隐藏层和输出层；所述特征层包括用于提取经验特征的多层全连接层、用于提取空间特征的卷积神经网络层、以及用于提取时序特征的长短期记忆网络层；
所述将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，包括：
由所述特征层根据所述特征信息获取经验特征向量、空间特征向量和时序特征向量，并将所述经验特征向量、空间特征向量和时序特征向量合并后输入到所述隐藏层，通过所述隐藏层处理后，由所述输出层输出火点概率，作为火点识别结果。
在一种可能的设计中，所述将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，包括：
将所述特征信息分别输入到多个火点识别模型中，得到多个火点识别结果；其中所述多个火点识别模型为模型训练过程中得到的多个满足预定条件的火点识别模型；
所述根据所述火点识别结果判断所述目标区域是否发生火灾，包括：
融合所述多个火点识别结果，判断所述目标区域是否发生火灾。
在一种可能的设计中，所述根据所述卫星图像以及所述天气信息和地表类型信息提取特征信息前，还包括：
将所述目标区域内不同位置的卫星图像的预定通道的数据与预设阈值进行比较，筛选所述目标区域内的候选火点；
所述根据所述卫星遥感图像以及所述天气信息和地表类型信息提取特征信息，包括：
对所述目标区域内的候选火点的卫星遥感图像以及所述天气信息和地表类型信息提取特征信息。
本申请第二个方面提供一种火点识别模型的训练方法，包括：
获取第一训练数据集，所述第一训练数据集包括火点识别产品标注的卫星遥感图像、以及对应的天气信息和地表类型信息；
获取第二训练数据集，所述第二训练数据集包括真实火灾案例的卫星遥感图像、以及对应的天气信息和地表类型信息；
采用第一训练数据集对初始的火点识别模型进行训练，得到第一火点识别模型；
采用第二训练数据集对所述第一火点识别模型进行微调，得到满足预定条件的火点识别模型。
本实施例通过迁移学习方法，在公开的火点识别产品数据构成的第一训练数据集训练的第一火点识别模型的基础上，通过少量的真实火灾案例构成的第二训练数据集对第一火点识别模型进行微调，解决了缺少真实数据的问题，并且最终得到的火点识别模型具有较高的准确率和召回率。
在一种可能的设计中，火点识别模型为神经网络模型，所述神经网络模型包括特征层，隐藏层和输出层；所述特征层包括用于提取经验特征的多层全连接层、用于提取空间特征的卷积神经网络层、以及用于提取时序特征的长短期记忆网络层。
在一种可能的设计中，所述采用第二训练数据集对所述第一火点识别模型进行微调，包括：
冻结所述第一火点识别模型的特征层和隐藏层，采用第二训练数据集对所述第一火点识别模型的输出层进行微调。
在一种可能的设计中，所述得到满足预定条件的火点识别模型，包括：
通过多轮训练和验证，得到多个满足预定条件的火点识别模型。
本申请第三个方面提供一种遥感卫星火点识别装置，包括：
获取模块，用于获取目标区域的卫星遥感图像、以及对应的天气信息和地表类型信息；
提取模块，用于根据所述卫星遥感图像以及所述天气信息和地表类型信息，提取特征信息；
识别模块，用于将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，根据所述火点识别结果判断所述目标区域是否发生火灾。
在一种可能的设计中，所述火点识别模型为神经网络模型，所述神经网络模型包括特征层，隐藏层和输出层；所述特征层包括用于提取经验特征的多层全连接层、用于提取空间特征的卷积神经网络层、以及用于提取时序特征的长短期记忆网络层；
所述识别模块用于：
由所述特征层根据所述特征信息获取经验特征向量、空间特征向量和时序特征向量，并将所述经验特征向量、空间特征向量和时序特征向量合并后输入到所述隐藏层，通过所述隐藏层处理后，由所述输出层输出火点概率，作为火点识别结果。
在一种可能的设计中，所述识别模块用于：
将所述特征信息分别输入到多个火点识别模型中，得到多个火点识别结果；其中所述多个火点识别模型为模型训练过程中得到的多个满足预定条件的火点识别模型；
融合所述多个火点识别结果，判断所述目标区域是否发生火灾。
在一种可能的设计中，所述装置还包括：
过滤模块，用于将所述目标区域内不同位置的卫星图像的预定通道的数据与预设阈值进行比较，筛选所述目标区域内的候选火点；
所述提取模块还用于，对所述目标区域内的候选火点的卫星遥感图像以及所述天气信息和地表类型信息提取特征信息。
本申请第四个方面提供一种火点识别模型的训练装置，包括：
获取模块，用于获取第一训练数据集和第二训练数据集，所述第一训练数据集包括火点识别产品标注的卫星遥感图像、以及对应的天气信息和地表类型信息；所述第二训练数据集包括真实火灾案例的卫星遥感图像、以及对应的天气信息和地表类型信息；
训练模块，用于采用第一训练数据集对初始的火点识别模型进行训练，得到第一火点识别模型；采用第二训练数据集对所述第一火点识别模型进行微调，得到满足预定条件的火点识别模型。
在一种可能的设计中，火点识别模型为神经网络模型，所述神经网络模型包括特征层，隐藏层和输出层；所述特征层包括用于提取经验特征的多层全连接层、用于提取空间特征的卷积神经网络层、以及用于提取时序特征的长短期记忆网络层。
在一种可能的设计中，所述训练模块在采用第二训练数据集对所述第一火点识别模型进行微调时，用于：
冻结所述第一火点识别模型的特征层和隐藏层，采用第二训练数据集对所述第一火点识别模型的输出层进行微调。
在一种可能的设计中，所述训练模块用于，通过多轮训练和验证，得到多个满足预定条件的火点识别模型。
本申请第五个方面提供一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。
本申请第六个方面提供一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第二方面所述的方法。
本申请第七个方面提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面所述的方法。
本申请第八个方面提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第二方面所述的方法。
本申请第九个方面提供一种计算机程序，包括程序代码，当计算机运行所述计算机程序时，所述程序代码执行如第一方面所述的方法。
本申请第十个方面提供一种计算机程序，包括程序代码，当计算机运行所述计算机程序时，所述程序代码执行如第二方面所述的方法。
本申请第十一个方面提供一种遥感卫星火点识别方法，包括：
获取目标区域的卫星遥感图像、以及影响火点识别的相关信息；
根据所述卫星遥感图像、所述相关信息提取特征信息以及预先训练的火点识别模型，判断所述目标区域是否发生火灾。
上述申请中的一个实施例具有如下优点或有益效果：本申请实施例通过火点识别模型进行火点识别，具有较高的准确率和召回率，且无需对卫星遥感数据进行复杂的预处理，对专家知识依赖较低，可适用于不同遥感卫星；在遥感卫星图像的基础上考虑到天气信息和地表类型信息，避免遥感卫星图像受到天气因素和地表类型的影响，可适用于不同的区域场景的火点识别。在火点识别模型训练阶段，通过迁移学习方法，在公开的火点识别产品数据构成的第一训练数据集训练的第一火点识别模型的基础上，通过少量的真实火灾案例构成的第二训练数据集对第一火点识别模型进行微调，解决了缺少真实数据的问题，并且最终得到的火点识别模型具有较高的准确率和召回率。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例提供的遥感卫星火点识别方法的系统架构示意图；
图2是本申请一实施例提供的遥感卫星火点识别方法的流程图；
图3是本申请另一实施例提供的火点识别模型的训练方法的流程图；
图4是本申请一实施例提供的遥感卫星火点识别装置的结构图；
图5是本申请另一实施例提供的火点识别模型的训练装置的结构图；
图6是用来实现本申请实施例的遥感卫星火点识别方法的电子设备的框图；
图7是用来实现本申请实施例的火点识别模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本申请实施例提供的方法应用如图1所示的通信系统，所述通信系统包括服务器10和卫星11，卫星11可以采集目标区域的卫星遥感图像，并发送给服务器10，服务器10还可从卫星或其他途径获取目标区域对应的天气信息和地表类型信息。针对现有技术中的阈值法召回率和准确率较低、且依赖专家经验知识的问题，本申请实施例根据卫星遥感图像以及所述天气信息和地表类型信息，提取特征信息，并将特征信息输入到预先训练的火点识别模型中，输出火点识别结果。通过火点识别模型进行火点识别，具有较高的准确率和召回率，且无需对卫星遥感数据进行复杂的预处理，对专家知识依赖较低，可适用于不同遥感卫星；在遥感卫星图像的基础上考虑到天气信息和地表类型信息，避免遥感卫星图像受到天气因素和地表类型的影响，可适用于不同的区域场景的火点识别。
下面将结合具体实施例对遥感卫星火点识别过程和火点识别模型的训练过程进行详细说明。
本申请一实施例提供一种遥感卫星火点识别方法，图2为本发明实施例提供的遥感卫星火点识别方法流程图。所述执行主体可以为服务端，如图2所示，所述遥感卫星火点识别方法具体步骤如下：
S101、获取目标区域的卫星遥感图像、以及对应的天气信息和地表类型信息。
在本实施例中，可从卫星(如日本气象厅出资、三菱电机公司研制的Himawari-8卫星)获取目标区域中至少一个位置处的卫星遥感图像，同时也可从卫星或者其他途径获取该目标区域至少一个位置处对应的天气信息(可包括气温、湿度、季节等)以及地表类型信息(可包括是否为林地等)。
在一种可选实施例中，获取到目标区域的卫星遥感图像后，还可包括：
将所述目标区域内不同位置的卫星遥感图像的预定通道的数据与预设阈值进行比较，筛选所述目标区域内的候选火点。
在本实施例中，可以首先根据阈值法进行过滤，将目标区域中各位置的卫星遥感图像的预定通道的通道值与预设阈值进行比较，例如某一位置的卫星遥感图像的第7通道和第14通道的中红外通道值满足预设阈值时才可能为火点，因此将该位置作为候选火点，而卫星遥感图像的第7通道和第14通道的中红外通道值不满足预设阈值时则较大可能不是火点。通过阈值法的过滤，可以大规模减少数据量，节约系统资源。
进一步的，下述步骤中均针对目标区域内的候选火点进行。
S102、根据所述卫星遥感图像以及所述天气信息和地表类型信息，提取特征信息。
在本实施例中，可以根据卫星遥感图像以及所述天气信息和地表类型信息提取特征信息，其中特征信息具体可包括经验特征、空间特征和时序特征，其中经验特征主要是基于专家经验的特征，例如从卫星遥感图像中提取常用语火点识别的通道值，例如第7通道和第14通道的中红外通道值，从天气信息中提取气温、湿度、季节等天气特征，从地表类型信息中提取是否为林地等地表类型特征；空间特征可以为以目标区域卫星某一位置(候选火点)中心的窗口的各遥感图像所有通道的特征值，例如共有16个通道，构成16*m*m的三维数组，m*m为窗口大小；时序特征可以为不同时刻目标区域卫星某一位置(候选火点)在时间上连续的通道值，例如共有16个通道，构成t*16的二维数组，可以通过对比火灾前后的特征区别，使得火点识别更为准确。
S103、将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，根据所述火点识别结果判断所述目标区域是否发生火灾。
在本实施例中，可以预先训练一个火点识别模型，通过将目标区域任意位置(候选火点)的特征信息输入到该火点识别模型，输出火点识别结果，其中火点识别模型可以为神经网络模型、或者其他机器学习模型。最后根据火点识别结果判断目标区域是否发生火灾，此外还可输出火点的经纬度和火灾事件等信息。
在一种可选实施例中，所述火点识别模型为神经网络模型，所述神经网络模型包括特征层，隐藏层和输出层；所述特征层包括用于提取经验特征的多层全连接层、用于提取空间特征的卷积神经网络层、以及用于提取时序特征的长短期记忆网络层(Long Short-Term Memory，LSTM)。此外隐藏层可以为多层全连接层，输出层可以为一层全连接层，采用Sigmoid激活输出概率值，作为二分类结果输出，也即若概率值大于预设概率阈值，则确定该位置为火点。
进一步的，S103中所述的将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，具体可包括：
由所述特征层根据所述特征信息获取经验特征向量、空间特征向量和时序特征向量，并将所述经验特征向量、空间特征向量和时序特征向量合并后输入到所述隐藏层，通过所述隐藏层处理后，由所述输出层输出火点概率，作为火点识别结果。进一步的，在输出的火点概率大于预设概率阈值时，确定该位置为火点。
在一种可选实施例中，预先训练的火点识别模型有多个，该多个火点识别模型可以是在模型训练过程中得到的多个满足预定条件的火点识别模型，例如经过多轮训练和验证，可能有多个训练结果满足预定条件(如准确率、召回率达到目标)，将满足每个预定条件的训练结果作为一个火点识别模型。进而在S103中可将所述特征信息分别输入到多个火点识别模型中，得到多个火点识别结果；然后融合所述多个火点识别结果，判断所述目标区域是否发生火灾，通过多模型协同预测，相比单模型而言具有更高的准确率和召回率。具体的，可以计算多个火点识别结果中确定为火点的识别结果所占比例，若大于预设比例阈值(例如50％)，则确定为火点。当然也可获取多个火点识别模型输出火点概率的平均值，根据火点概率的平均值判断是否为火点。
本实施例提供的遥感卫星火点识别方法，通过获取目标区域的卫星遥感图像、以及对应的天气信息和地表类型信息；根据所述卫星遥感图像以及所述天气信息和地表类型信息，提取特征信息；将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，根据所述火点识别结果判断所述目标区域是否发生火灾。本实施例通过火点识别模型进行火点识别，具有较高的准确率和召回率，且无需对卫星遥感数据进行复杂的预处理，对专家知识依赖较低，可适用于不同遥感卫星；在遥感卫星图像的基础上考虑到天气信息和地表类型信息，避免遥感卫星图像受到天气因素和地表类型的影响，可适用于不同的区域场景的火点识别。
本申请另一实施例提供一种火点识别模型的训练方法，图3为本发明实施例提供的火点识别模型的训练方法流程图。如图3所示，针对上述实施例中的火点识别模型，本实施例的火点识别模型的训练方法具体步骤如下：
S201、获取第一训练数据集，其中第一训练数据集包括火点识别产品标注的卫星遥感图像、以及对应的天气信息和地表类型信息。
在本实施例中，可采用由日本气象厅出资、三菱电机公司研制的Himawari-8卫星遥感图像，其具有实时性高、覆盖广等的优点，并通过Himawari-8火点识别产品对Himawari-8卫星遥感图像进行标注，也即标注Himawari-8卫星遥感图像中哪些属于火点的卫星遥感图像，作为正例训练数据；还可随机选择一些非火点的卫星遥感图像，作为负例训练数据；同时获取该些卫星遥感图像对应的天气信息和地表类型信息，从而得到第一训练数据集。
S202、获取第二训练数据集，其中第二训练数据集包括真实火灾案例的卫星遥感图像、以及对应的天气信息和地表类型信息。
在本实施例中，可以从互联网或其他途径获取公开的真实火灾案例(如森林火灾)，包括真实火灾案例的卫星遥感图像、以及对应的天气信息和地表类型信息，作为正例训练数据；此外，还可随机获取一些非火灾案例的卫星遥感图像、以及对应的天气信息和地表类型信息，作为负例训练数据，从而得到第二训练数据集。
进一步的，考虑到卫星采集图像不是连续采集，并且火灾是一定范围内发生的，对于真实火灾案例的卫星遥感图像，可以通过阈值法进行过滤和云雾过滤，筛除非火点的卫星遥感图像，得到火点的卫星遥感图像。
S203、采用第一训练数据集对初始的火点识别模型进行训练，得到第一火点识别模型。
在本实施例中，采用第一训练数据集对初始构建的火点识别模型进行训练，其中火点识别模型可以为神经网络模型、或者其他机器学习模型。
在一种可选实施例中，所述火点识别模型为神经网络模型，所述神经网络模型包括特征层，隐藏层和输出层；所述特征层包括用于提取经验特征的多层全连接层、用于提取空间特征的卷积神经网络层、以及用于提取时序特征的长短期记忆网络层(Long Short-Term Memory，LSTM)。此外隐藏层可以为多层全连接层，输出层可以为一层全连接层，采用Sigmoid激活输出概率值，作为二分类结果输出。
对于上述的神经网络模型，可对第一训练数据集中的训练数据提取特征信息，其中特征信息具体可包括经验特征、空间特征和时序特征，然后输入到初始的神经网络模型中进行训练，训练过程可采用反向传播算法对神经网络模型的参数进行训练，最终得到第一火点识别模型。
S204、采用第二训练数据集对所述第一火点识别模型进行微调，得到满足预定条件的火点识别模型。
在本实施例中，在通过第一训练数据集训练得到的第一火点识别模型的基础上，采用第二训练数据集对第一火点识别模型进行微调，具体的，对第二训练数据集中的训练数据提取特征信息，其中特征信息具体可包括经验特征、空间特征和时序特征，然后输入到第一火点识别模型中进行微调，当模型的准确率和召回率达到预定条件时，得到最终的火点识别模型。由于火点识别模型采用了真实火灾案例构成的第二训练数据集进行微调，因此考虑到了实际火灾发生时的真实状况，能够有效的提高模型的准确率和召回率。
可选的，对于上述的神经网络模型，在采用第二训练数据集对所述第一火点识别模型进行微调时，可冻结所述第一火点识别模型的特征层和隐藏层，采用第二训练数据集对所述第一火点识别模型的输出层进行微调。本实施例中由于通过第一训练数据集的训练，特征层和隐藏层已经较稳定，在进行微调时是否对特征层和隐藏层微调对模型准确率和召回率的影响较小，因此可冻结第一火点识别模型的特征层和隐藏层，仅对输出层进行微调，可显著的提高训练效率。
在上述实施例的基础上，在训练过程中，可通过多轮训练和验证，得到多个满足预定条件的火点识别模型，以便于在实际进行遥感卫星火点识别过程中将特征信息分别输入到多个火点识别模型中，得到多个火点识别结果；然后融合所述多个火点识别结果，判断所述目标区域是否发生火灾，通过多模型协同预测，相比单模型而言具有更高的准确率和召回率。
本实施例提供的火点识别模型的训练方法，通过获取第一训练数据集，其中第一训练数据集包括火点识别产品标注的卫星遥感图像、以及对应的天气信息和地表类型信息；获取第二训练数据集，其中第二训练数据集包括真实火灾案例的卫星遥感图像、以及对应的天气信息和地表类型信息；采用第一训练数据集对初始的火点识别模型进行训练，得到第一火点识别模型；采用第二训练数据集对所述第一火点识别模型进行微调，得到满足预定条件的火点识别模型。本实施例通过迁移学习方法，在公开的火点识别产品数据构成的第一训练数据集训练的第一火点识别模型的基础上，通过少量的真实火灾案例构成的第二训练数据集对第一火点识别模型进行微调，解决了缺少真实数据的问题，并且最终得到的火点识别模型具有较高的准确率和召回率。
本申请一实施例提供一种遥感卫星火点识别装置，图4为本发明实施例提供的遥感卫星火点识别装置的结构图。如图4所示，所述遥感卫星火点识别装置400具体包括：获取模块401、提取模块402以及识别模块403。
获取模块401，用于获取目标区域的卫星遥感图像、以及对应的天气信息和地表类型信息；
提取模块402，用于根据所述卫星遥感图像以及所述天气信息和地表类型信息，提取特征信息；
识别模块403，用于将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，根据所述火点识别结果判断所述目标区域是否发生火灾。
在上述实施例的基础上，所述火点识别模型为神经网络模型，所述神经网络模型包括特征层，隐藏层和输出层；所述特征层包括用于提取经验特征的多层全连接层、用于提取空间特征的卷积神经网络层、以及用于提取时序特征的长短期记忆网络层；
所述识别模块403用于：
由所述特征层根据所述特征信息获取经验特征向量、空间特征向量和时序特征向量，并将所述经验特征向量、空间特征向量和时序特征向量合并后输入到所述隐藏层，通过所述隐藏层处理后，由所述输出层输出火点概率，作为火点识别结果。
在上述实施例的基础上，所述识别模块403用于：
将所述特征信息分别输入到多个火点识别模型中，得到多个火点识别结果；其中所述多个火点识别模型为模型训练过程中得到的多个满足预定条件的火点识别模型；
融合所述多个火点识别结果，判断所述目标区域是否发生火灾。
在上述实施例的基础上，所述装置400还包括：
过滤模块，用于将所述目标区域内不同位置的卫星图像的预定通道的数据与预设阈值进行比较，筛选所述目标区域内的候选火点；
所述提取模块402还用于，对所述目标区域内的候选火点的卫星遥感图像以及所述天气信息和地表类型信息提取特征信息。
本实施例提供的遥感卫星火点识别装置可以具体用于执行上述图2所提供的遥感卫星火点识别方法实施例，具体功能此处不再提供的赘述。
本实施例提供的遥感卫星火点识别装置，通过获取目标区域的卫星遥感图像、以及对应的天气信息和地表类型信息；根据所述卫星遥感图像以及所述天气信息和地表类型信息，提取特征信息；将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，根据所述火点识别结果判断所述目标区域是否发生火灾。本实施例通过火点识别模型进行火点识别，具有较高的准确率和召回率，且无需对卫星遥感数据进行复杂的预处理，对专家知识依赖较低，可适用于不同遥感卫星；在遥感卫星图像的基础上考虑到天气信息和地表类型信息，避免遥感卫星图像受到天气因素和地表类型的影响，可适用于不同的区域场景的火点识别。
本申请一实施例提供一种火点识别模型的训练装置，图5为本发明实施例提供的火点识别模型的训练装置的结构图。如图5所示，所述火点识别模型的训练装置500具体包括：获取模块501以及训练模块502。
获取模块501，用于获取第一训练数据集和第二训练数据集，其中第一训练数据集包括火点识别产品标注的卫星遥感图像、以及对应的天气信息和地表类型信息；第二训练数据集包括真实火灾案例的卫星遥感图像、以及对应的天气信息和地表类型信息；
训练模块502，用于采用第一训练数据集对初始的火点识别模型进行训练，得到第一火点识别模型；采用第二训练数据集对所述第一火点识别模型进行微调，得到满足预定条件的火点识别模型。
在上述实施例的基础上，火点识别模型为神经网络模型，所述神经网络模型包括特征层，隐藏层和输出层；所述特征层包括用于提取经验特征的多层全连接层、用于提取空间特征的卷积神经网络层、以及用于提取时序特征的长短期记忆网络层。
在上述实施例的基础上，所述训练模块502在采用第二训练数据集对所述第一火点识别模型进行微调时，用于：
冻结所述第一火点识别模型的特征层和隐藏层，采用第二训练数据集对所述第一火点识别模型的输出层进行微调。
在上述实施例的基础上，所述训练模块502用于，通过多轮训练和验证，得到多个满足预定条件的火点识别模型。
本实施例提供的火点识别模型的训练装置可以具体用于执行上述图3所提供的火点识别模型的训练方法实施例，具体功能此处不再提供的赘述。
本实施例提供的火点识别模型的训练装置，通过获取第一训练数据集，其中第一训练数据集包括火点识别产品标注的卫星遥感图像、以及对应的天气信息和地表类型信息；获取第二训练数据集，其中第二训练数据集包括真实火灾案例的卫星遥感图像、以及对应的天气信息和地表类型信息；采用第一训练数据集对初始的火点识别模型进行训练，得到第一火点识别模型；采用第二训练数据集对所述第一火点识别模型进行微调，得到满足预定条件的火点识别模型。本实施例通过迁移学习方法，在公开的火点识别产品数据构成的第一训练数据集训练的第一火点识别模型的基础上，通过少量的真实火灾案例构成的第二训练数据集对第一火点识别模型进行微调，解决了缺少真实数据的问题，并且最终得到的火点识别模型具有较高的准确率和召回率。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。如图6所示，是根据本申请实施例的遥感卫星火点识别方法的电子设备的框图。如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。
遥感卫星火点识别方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的遥感卫星火点识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的遥感卫星火点识别方法。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。如图7所示，是根据本申请实施例的火点识别模型的训练方法的电子设备的框图。如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。
火点识别模型的训练方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的火点识别模型的训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的火点识别模型的训练方法。
上述的电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
上述电子设备包括：一个或多个处理器、存储器，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6和图7中以一个处理器为例。
存储器即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的上述方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的上述方法。
存储器作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的遥感卫星火点识别方法对应的程序指令/模块(例如，附图4所示的获取模块401、提取模块402以及识别模块403)，再如本申请实施例中的火点识别模型的训练方法对应的程序指令/模块(例如，附图5所示的获取模块501以及训练模块502)。处理器通过运行存储在存储器中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储电子设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本申请还提供了一种计算机程序，包括程序代码，当计算机运行所述计算机程序时，所述程序代码执行如上述实施例所述的遥感卫星火点识别方法。
本申请还提供了一种计算机程序，包括程序代码，当计算机运行所述计算机程序时，所述程序代码执行如上述实施例所述的火点识别模型的训练方法。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (17)
1.一种遥感卫星火点识别方法，其特征在于，包括：
获取目标区域的卫星遥感图像、以及对应的天气信息和地表类型信息；
根据所述卫星遥感图像以及所述天气信息和地表类型信息，提取特征信息；
将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，根据所述火点识别结果判断所述目标区域是否发生火灾；
所述火点识别模型为神经网络模型，所述神经网络模型包括特征层，隐藏层和输出层；所述特征层包括用于提取经验特征的多层全连接层、用于提取空间特征的卷积神经网络层、以及用于提取时序特征的长短期记忆网络层；
所述将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，包括：
由所述特征层根据所述特征信息获取经验特征向量、空间特征向量和时序特征向量，并将所述经验特征向量、空间特征向量和时序特征向量合并后输入到所述隐藏层，通过所述隐藏层处理后，由所述输出层输出火点概率，作为火点识别结果。
2.根据权利要求1所述的方法，其特征在于，所述将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，还包括：
将所述特征信息分别输入到多个火点识别模型中，得到多个火点识别结果；其中所述多个火点识别模型为模型训练过程中得到的多个满足预定条件的火点识别模型；
所述根据所述火点识别结果判断所述目标区域是否发生火灾，包括：
融合所述多个火点识别结果，判断所述目标区域是否发生火灾。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述卫星图像以及所述天气信息和地表类型信息提取特征信息前，还包括：
将所述目标区域内不同位置的卫星图像的预定通道的数据与预设阈值进行比较，筛选所述目标区域内的候选火点；
所述根据所述卫星遥感图像以及所述天气信息和地表类型信息提取特征信息，包括：
对所述目标区域内的候选火点的卫星遥感图像以及所述天气信息和地表类型信息提取特征信息。
4.一种火点识别模型的训练方法，其特征在于，包括：
获取第一训练数据集，所述第一训练数据集包括火点识别产品标注的卫星遥感图像、以及对应的天气信息和地表类型信息；
获取第二训练数据集，所述第二训练数据集包括真实火灾案例的卫星遥感图像、以及对应的天气信息和地表类型信息；
采用第一训练数据集对初始的火点识别模型进行训练，得到第一火点识别模型；
采用第二训练数据集对所述第一火点识别模型进行微调，得到满足预定条件的火点识别模型；
所述火点识别模型为神经网络模型，所述神经网络模型包括特征层，隐藏层和输出层；所述特征层包括用于提取经验特征的多层全连接层、用于提取空间特征的卷积神经网络层、以及用于提取时序特征的长短期记忆网络层。
5.根据权利要求4所述的方法，其特征在于，所述采用第二训练数据集对所述第一火点识别模型进行微调，包括：
冻结所述第一火点识别模型的特征层和隐藏层，采用第二训练数据集对所述第一火点识别模型的输出层进行微调。
6.根据权利要求4或5所述的方法，其特征在于，所述得到满足预定条件的火点识别模型，包括：
通过多轮训练和验证，得到多个满足预定条件的火点识别模型。
7.一种遥感卫星火点识别装置，其特征在于，包括：
获取模块，用于获取目标区域的卫星遥感图像、以及对应的天气信息和地表类型信息；
提取模块，用于根据所述卫星遥感图像以及所述天气信息和地表类型信息，提取特征信息；
识别模块，用于将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，根据所述火点识别结果判断所述目标区域是否发生火灾；
所述火点识别模型为神经网络模型，所述神经网络模型包括特征层，隐藏层和输出层；所述特征层包括用于提取经验特征的多层全连接层、用于提取空间特征的卷积神经网络层、以及用于提取时序特征的长短期记忆网络层；
所述识别模块用于：
由所述特征层根据所述特征信息获取经验特征向量、空间特征向量和时序特征向量，并将所述经验特征向量、空间特征向量和时序特征向量合并后输入到所述隐藏层，通过所述隐藏层处理后，由所述输出层输出火点概率，作为火点识别结果。
8.根据权利要求7所述的装置，其特征在于，所述识别模块还用于：
将所述特征信息分别输入到多个火点识别模型中，得到多个火点识别结果；其中所述多个火点识别模型为模型训练过程中得到的多个满足预定条件的火点识别模型；
融合所述多个火点识别结果，判断所述目标区域是否发生火灾。
9.根据权利要求7或8所述的装置，其特征在于，还包括：
过滤模块，用于将所述目标区域内不同位置的卫星图像的预定通道的数据与预设阈值进行比较，筛选所述目标区域内的候选火点；
所述提取模块还用于，对所述目标区域内的候选火点的卫星遥感图像以及所述天气信息和地表类型信息提取特征信息。
10.一种火点识别模型的训练装置，其特征在于，包括：
获取模块，用于获取第一训练数据集和第二训练数据集，所述第一训练数据集包括火点识别产品标注的卫星遥感图像、以及对应的天气信息和地表类型信息；所述第二训练数据集包括真实火灾案例的卫星遥感图像、以及对应的天气信息和地表类型信息；
训练模块，用于采用第一训练数据集对初始的火点识别模型进行训练，得到第一火点识别模型；采用第二训练数据集对所述第一火点识别模型进行微调，得到满足预定条件的火点识别模型；
所述火点识别模型为神经网络模型，所述神经网络模型包括特征层，隐藏层和输出层；所述特征层包括用于提取经验特征的多层全连接层、用于提取空间特征的卷积神经网络层、以及用于提取时序特征的长短期记忆网络层。
11.根据权利要求10所述的装置，其特征在于，所述训练模块在采用第二训练数据集对所述第一火点识别模型进行微调时，用于：
冻结所述第一火点识别模型的特征层和隐藏层，采用第二训练数据集对所述第一火点识别模型的输出层进行微调。
12.根据权利要求10或11所述的装置，其特征在于，所述训练模块用于，通过多轮训练和验证，得到多个满足预定条件的火点识别模型。
13. 一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。
14. 一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求4-6中任一项所述的方法。
15.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求4-6中任一项所述的方法。
17.一种遥感卫星火点识别方法，其特征在于，包括：
获取目标区域的卫星遥感图像、以及影响火点识别的相关信息；
根据所述卫星遥感图像、所述相关信息提取特征信息以及预先训练的火点识别模型，判断所述目标区域是否发生火灾；
所述火点识别模型为神经网络模型，所述神经网络模型包括特征层，隐藏层和输出层；所述特征层包括用于提取经验特征的多层全连接层、用于提取空间特征的卷积神经网络层、以及用于提取时序特征的长短期记忆网络层；
所述判断所述目标区域是否发生火灾，包括：
由所述特征层根据所述特征信息获取经验特征向量、空间特征向量和时序特征向量，并将所述经验特征向量、空间特征向量和时序特征向量合并后输入到所述隐藏层，通过所述隐藏层处理后，由所述输出层输出火点概率，作为火点识别结果；根据所述火点识别结果判断所述目标区域是否发生火灾。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010079979.1A CN111310621B (zh) | 2020-02-04 | 2020-02-04 | 遥感卫星火点识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010079979.1A CN111310621B (zh) | 2020-02-04 | 2020-02-04 | 遥感卫星火点识别方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111310621A CN111310621A (zh) | 2020-06-19 |
| CN111310621B true CN111310621B (zh) | 2023-11-07 |
Family
ID=71146963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010079979.1A Active CN111310621B (zh) | 2020-02-04 | 2020-02-04 | 遥感卫星火点识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111310621B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112035679B (zh) * | 2020-09-10 | 2021-02-23 | 广东新禾道信息科技有限公司 | 一种遥感监测自然灾害数据处理方法及装置 |
| CN112419645B (zh) * | 2020-11-18 | 2022-05-13 | 四创科技有限公司 | 一种基于卫星遥感的森林火情监测方法 |
| CN112837489A (zh) * | 2021-01-07 | 2021-05-25 | 云南电网有限责任公司电力科学研究院 | 基于卫星和气象数据的浮动阈值输电线路山火监测方法 |
| CN112785066B (zh) * | 2021-01-27 | 2023-05-02 | 北京师范大学 | 基于卷积-递归神经网络的全球野火次季节时空预测方法 |
| CN113177496A (zh) * | 2021-05-10 | 2021-07-27 | 浙江大华技术股份有限公司 | 一种火点检测方法、装置、设备及存储介质 |
| CN113887324A (zh) * | 2021-09-10 | 2022-01-04 | 北京和德宇航技术有限公司 | 基于卫星遥感数据的火点检测方法 |
| CN114398595B (zh) * | 2021-12-29 | 2022-10-28 | 青岛星科瑞升信息科技有限公司 | 一种基于bp神经网络的火点遥感识别方法 |
| CN114580631B (zh) * | 2022-03-04 | 2023-09-08 | 北京百度网讯科技有限公司 | 模型的训练方法、烟火检测方法、装置、电子设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008012370A1 (en) * | 2006-07-28 | 2008-01-31 | Telespazio S.P.A. | Automatic detection of fires on earth's surface and of atmospheric phenomena such as clouds, veils, fog or the like, by means of a satellite system |
| WO2016132161A1 (en) * | 2015-02-16 | 2016-08-25 | Kontoes Charalampos | Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data. |
| CN106503480A (zh) * | 2016-12-14 | 2017-03-15 | 中国科学院遥感与数字地球研究所 | 一种静止卫星火灾遥感监测方法 |
| CN107657261A (zh) * | 2016-12-23 | 2018-02-02 | 航天星图科技（北京）有限公司 | 一种基于遥感影像的草场燃烧火点数据的判断方法 |
| CN108537121A (zh) * | 2018-03-07 | 2018-09-14 | 中国科学院西安光学精密机械研究所 | 气象环境参数与图像信息融合的自适应遥感场景分类方法 |
| CN108898049A (zh) * | 2018-05-11 | 2018-11-27 | 中南林业科技大学 | 基于modis数据的林火识别方法 |
| CN109002771A (zh) * | 2018-06-26 | 2018-12-14 | 中国科学院遥感与数字地球研究所 | 一种基于递归神经网络的遥感图像分类方法 |
| CN109448292A (zh) * | 2018-10-18 | 2019-03-08 | 国网山东省电力公司应急管理中心 | 一种电网山火监测预警方法 |
-
2020
- 2020-02-04 CN CN202010079979.1A patent/CN111310621B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008012370A1 (en) * | 2006-07-28 | 2008-01-31 | Telespazio S.P.A. | Automatic detection of fires on earth's surface and of atmospheric phenomena such as clouds, veils, fog or the like, by means of a satellite system |
| WO2016132161A1 (en) * | 2015-02-16 | 2016-08-25 | Kontoes Charalampos | Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data. |
| CN106503480A (zh) * | 2016-12-14 | 2017-03-15 | 中国科学院遥感与数字地球研究所 | 一种静止卫星火灾遥感监测方法 |
| CN107657261A (zh) * | 2016-12-23 | 2018-02-02 | 航天星图科技（北京）有限公司 | 一种基于遥感影像的草场燃烧火点数据的判断方法 |
| CN108537121A (zh) * | 2018-03-07 | 2018-09-14 | 中国科学院西安光学精密机械研究所 | 气象环境参数与图像信息融合的自适应遥感场景分类方法 |
| CN108898049A (zh) * | 2018-05-11 | 2018-11-27 | 中南林业科技大学 | 基于modis数据的林火识别方法 |
| CN109002771A (zh) * | 2018-06-26 | 2018-12-14 | 中国科学院遥感与数字地球研究所 | 一种基于递归神经网络的遥感图像分类方法 |
| CN109448292A (zh) * | 2018-10-18 | 2019-03-08 | 国网山东省电力公司应急管理中心 | 一种电网山火监测预警方法 |
Non-Patent Citations (7)
| Title |
|---|
| Matin Mir A.等.Understanding forest fire patterns and risk in Nepal using remote sensing, geographic information system and historical fire data.International Journal of Wildland Fire.2017,第26卷(第4期), 276-286. * |
| V. Sherstjuk等.Forest Fire-Fighting Monitoring System Based on UAV Team and Remote Sensing.2018 IEEE 38th International Conference on Electronics and Nanotechnology (ELNANO).2018,663-668. * |
| 刘彤.基于MODIS数据的森林火灾火点提取研究.《中国优秀硕士学位论文全文数据库：农业科技辑》.2018,(第3期),D049-131. * |
| 刘晓奕.序列遥感影像异常检测的时空模型研究与应用.《中国优秀博士学位论文全文数据库：》.2019,(第4期),C028-11. * |
| 刘玉良等.深度学习.西安电子科技大学出版社,2020,198-204. * |
| 星环科技人工智能平台团队.机器学习实战（基于Sophon平台的机器学习理论与实践）.机械工业出版社,2020,70-71. * |
| 陈迪等.基于长短期记忆网络模型的中分辨率 遥感影像变化检测研究.《地理与地理信息科学》.2018,第35卷(第6期),25-30. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111310621A (zh) | 2020-06-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111310621B (zh) | 遥感卫星火点识别方法、装置、设备及存储介质 | |
| CN111694287B (zh) | 无人驾驶仿真场景中的障碍物模拟方法和装置 | |
| CN111523597B (zh) | 目标识别模型训练方法、装置、设备以及存储介质 | |
| CN111462174B (zh) | 多目标跟踪方法、装置以及电子设备 | |
| CN110852321B (zh) | 候选框过滤方法、装置以及电子设备 | |
| US11521378B2 (en) | Refined searching based on detected object configurations | |
| CN111626119A (zh) | 目标识别模型训练方法、装置、设备以及存储介质 | |
| CN111598164A (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
| CN111291190A (zh) | 一种编码器的训练方法、信息检测的方法以及相关装置 | |
| KR102503201B1 (ko) | 비디오 타입 검출 방법, 장치, 전자기기 및 저장매체 | |
| CN111275190A (zh) | 神经网络模型的压缩方法及装置、图像处理方法及处理器 | |
| CN111783878A (zh) | 目标检测方法、装置、电子设备以及可读存储介质 | |
| CN111539347B (zh) | 用于检测目标的方法和装置 | |
| CN111914994A (zh) | 多层感知机的生成方法、装置、电子设备及存储介质 | |
| CN111862987A (zh) | 语音识别方法和装置 | |
| CN112001265A (zh) | 视频事件识别方法、装置、电子设备及存储介质 | |
| CN109919043B (zh) | 一种行人跟踪方法、装置及设备 | |
| CN111652181B (zh) | 目标跟踪方法、装置及电子设备 | |
| CN110738261B (zh) | 图像分类和模型训练方法、装置、电子设备及存储介质 | |
| CN111753960B (zh) | 模型训练及图像处理方法、装置、电子设备、存储介质 | |
| CN116152702A (zh) | 点云标签的获取方法、装置、电子设备和自动驾驶车辆 | |
| CN111488972B (zh) | 数据迁移方法、装置、电子设备和存储介质 | |
| CN111783609A (zh) | 行人再识别的方法、装置、设备和计算机可读存储介质 | |
| CN114648642A (zh) | 模型训练、图像检测、图像分类方法和装置 | |
| Sophiayati Yuhaniz et al. | An onboard automatic change detection system for disaster monitoring |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100013 no.a4, Hepingli District 9, Dongcheng District, Beijing Applicant after: Big data center of emergency management department Address before: 100013 no.a4, Hepingli District 9, Dongcheng District, Beijing Applicant before: Communication and information center of emergency management department |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220223 Address after: 100013 no.a4, Hepingli District 9, Dongcheng District, Beijing Applicant after: Communication and information center of emergency management department Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |