融入先验知识的无监督学习森林火灾变化检测方法及装置制造方法及图纸

本发明专利技术公开一种融入先验知识的无监督学习森林火灾变化检测方法及装置，该方法包括：获取森林火灾前后火灾区的双时相遥感影像并进行预处理；分别计算NBRSWIR指数得到NBRSWIR指数图；进行不确定性分析获取训练样本；利用训练样本对两个对称的深度网络分支进行训练；使用训练好的深度网络分支分别提取对NBRSWIR指数图的初始特征；对初始特征进行慢特征分析，获得初始特征的特征差值；计算卡方距离获得变化强度图；进行K

【技术实现步骤摘要】
融入先验知识的无监督学习森林火灾变化检测方法及装置


[0001]本专利技术涉及深度学习与遥感图像处理
，主要解决基于遥感影像的森林火灾变化检测问题，具体涉及一种融入先验知识的无监督学习森林火灾变化检测方法及装置。

技术介绍

[0002]森林火灾是最为常见的灾害之一，不仅严重影响森林生态系统的稳定，同时也带来也带来环境污染及相关的次生地质灾害，威胁人类生命财产安全。因此有关火灾区域的位置、燃烧面积等信息的获取对于经济和生态损失的评估与恢复至关重要，而由于复杂地形形态及恶劣天气等条件的限制，传统的地面勘测通常难度较大且成本高昂，而卫星遥感能够以高频率覆盖大范围区域而且可提供不可见的光谱信息，在火灾的监测及烧伤区域制图中发挥了重要作用。但是由于火灾区域的特征往往较为复杂，同时不同的土地覆盖类别之间存在光谱相似性，尽管国内外学者在此方面进行了大量研究，但目前并未出现一种普适性强的通用方法，因此森林火灾遥感影像变化检测一直是国际遥感领域研究的热点和难点。
[0003]在传统的森林火灾变化检测算法中，目前应用最广泛的是基于光谱指数的方法与基于图像分类的方法。基于光谱指数的方法根据不同地物类型在不同波长范围内光谱信息的差异将波段进行数学组合进而实现火灾区域与其它地物类型的分类，主要有两种可用于森林火灾变化检测的指数：植被指数和火灾指数。因其实现简单、准确性高，该方法在火灾区域检测中得到广泛运用，但是由于它通常基于阈值分割或聚类的方法进行二值化进而实现火灾区域的检测，而背景信息变化往往较为复杂，这种方法往往会导致不必要的误检或漏检。基于图像分类的方法通过使用一组属性最小化类内差异与最大化类间差异来分离火灾区域与区域，如支持向量机(SVM)、随机森林(RF)、主成分分析(PCA)等。但是这些算法的关键步骤是属性特征的选取，需要消耗大量时间。
[0004]近年来，深度学习技术的快速发展推动了森林火灾变化检测的进步，目前，主要是是基于卷积神经网络(CNN)的方法，更多特征可以被自动提取。但是由于森林火灾的诱因复杂及风向的不确定性，火灾区域的边界特征往往较为复杂。同时由于火灾区域与水体、烟雾、裸地等地物间的光谱相似性，背景信息影响较大。然而，现有方法很少考虑上述问题。此外，公开可用的森林火灾数据集较少，而有监督的深度学习方法需要大量数据集进行训练。

技术实现思路

[0005]本专利技术要解决的主要技术问题在于，提供一种融入先验知识的无监督学习森林火灾变化检测方法及装置，实现在没有人工标记训练样本的情况下保证森林火灾变化检测的精度。
[0006]为了解决上述技术问题，本专利技术采取的技术方案如下：
[0007]根据本专利技术的一个方面，提供了一种融入先验知识的无监督学习森林火灾变化检
测方法，包括以下步骤：
[0008]S1：获取森林火灾前后火灾区的双时相遥感影像，并对所述双时相遥感影像进行预处理；
[0009]S2：对预处理后的所述双时相遥感影像分别计算NBRSWIR指数以融入先验知识，得到双时相遥感影像的NBRSWIR指数图X、Y；
[0010]S3：对所述NBRSWIR指数图X、Y进行不确定性分析进而获取训练样本X
train
、Y
train
；
[0011]S4：通过所述训练样本对两个对称的深度网络分支进行训练，训练完成后，获得训练好的深度网络分支；
[0012]S5：使用所述训练好的深度网络分支分别提取所述NBRSWIR指数图X、Y的初始特征X
φ
、Y
φ
；
[0013]S6：对所述初始特征X
φ
、Y
φ
进行慢特征分析，获得所述初始特征X
φ
、Y
φ
的特征差值；
[0014]S7：根据所述特征差值计算各像素点的卡方距离获得变化强度图；
[0015]S8：对所述变化强度图进行K
‑
means阈值分割获得最终的森林火灾区。
[0016]进一步地，步骤S1中，所述预处理的步骤包括：
[0017]S11：由欧空局哥白尼数据中心分别下载灾前、灾后森林火灾区的哨兵二号的L1C级多光谱数据；
[0018]S12：利用sen2cor工具对所述L1C级多光谱数据进行辐射定标与大气校正，进而获取L2A级产品；
[0019]S13：利用SNAP软件对所述L2A级产品进行超分辨率合成，将所有波段合成为空间分辨率为10m的波段，进而获得分辨率为10m的灾前、灾后遥感影像；
[0020]S14：根据研究区范围分别剪裁所述分辨率为10m的灾前、灾后遥感影像，进而获得预处理后的双时相遥感影像。
[0021]进一步地，步骤S2中，对预处理后的双时相遥感影像的两个短波红外波段进行波段运算得到火灾前后时相的NBRSWIR指数图，具体计算公式为：
[0022][0023]其中，NBRSWIR指数为一种新的火灾指数，SWIR1、SWIR2分别为预处理后的双时相遥感影像的第11和第12波段数据。
[0024]进一步地，步骤S3具体包括：
[0025]S31：对火灾前后的NBRSWIR指数图X、Y作差，得到反映火灾区信息的NBRSWIR指数差值图，具体计算公式为：
[0026]d
NBRSWIR
＝NBRSWIR
post
‑
NBRSWIR
pre
[0027]其中，NBRSWIR
post
为火灾后遥感影像的NBRSWIR指数图，NBRSWIR
pre
为火灾前遥感影像的NBRSWIR指数图，d
NBRSWIR
为火灾前后NBRSWIR指数差值图；
[0028]S32：对所述NBRSWIR指数差值图进行模糊C均值聚类，实现阈值分割，将研究区划分为确定烧毁区域、不确定区域和确定未烧毁区域；
[0029]S33：随机选取确定未烧毁区域中火灾前后NBRSWIR指数图中的像素作为训练样本X
train
、Y
train
。
[0030]更进一步地，步骤S32具体包括：
[0031]S321：设置目标函数的精度e，模糊指数m，聚类数c和算法最大迭代次数t，目标函数J为：
[0032][0033]目标函数的约束条件为：
[0034][0035][0036]其中，c表示聚类数，n表示NBRSWIR指数差值图的像元总数，m表示模糊指数，u
ij
表示样本x
j
属于i类的隶属度，j表示第j个像元，x表示NBRSWIR指数差值图所代表的样本，i表示第i个聚类，v
i
表示i类的中心，d()表示距离的度量；
[0037]S322：随机初始化隶属度矩阵u
ij
和聚类中心v
i
；
[0038]S323：更新本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融入先验知识的无监督学习森林火灾变化检测方法，其特征在于，包括以下步骤：S1：获取森林火灾前后火灾区的双时相遥感影像，并对所述双时相遥感影像进行预处理；S2：对预处理后的所述双时相遥感影像分别计算NBRSWIR指数以融入先验知识，得到双时相遥感影像的NBRSWIR指数图X、Y；S3：对所述NBRSWIR指数图X、Y进行不确定性分析进而获取训练样本X
train
、Y
train
；S4：通过所述训练样本对两个对称的深度网络分支进行训练，训练完成后，获得训练好的深度网络分支；S5：使用所述训练好的深度网络分支分别提取所述NBRSWIR指数图X、Y的初始特征X
φ
、Y
φ
；S6：对所述初始特征X
φ
、Y
φ
进行慢特征分析，获得所述初始特征X
φ
、Y
φ
的特征差值；S7：根据所述特征差值计算各像素点的卡方距离获得变化强度图；S8：对所述变化强度图进行K
‑
means阈值分割获得最终的森林火灾区。2.如权利要求1所述的融入先验知识的无监督学习森林火灾变化检测方法，其特征在于，步骤S1中，所述预处理的步骤包括：S11：由欧空局哥白尼数据中心分别下载灾前、灾后森林火灾区的哨兵二号的L1C级多光谱数据；S12：利用sen2cor工具对所述L1C级多光谱数据进行辐射定标与大气校正，进而获取L2A级产品；S13：利用SNAP软件对所述L2A级产品进行超分辨率合成，将所有波段合成为空间分辨率为10m的波段，进而获得分辨率为10m的灾前、灾后遥感影像；S14：根据研究区范围分别剪裁所述分辨率为10m的灾前、灾后遥感影像，进而获得预处理后的双时相遥感影像。3.如权利要求1所述的融入先验知识的无监督学习森林火灾变化检测方法，其特征在于，步骤S2中，对预处理后的双时相遥感影像的两个短波红外波段进行波段运算得到火灾前后时相的NBRSWIR指数图，具体计算公式为：其中，NBRSWIR指数为一种新的火灾指数，SWIR1、SWIR2分别为预处理后的双时相遥感影像的第11和第12波段数据。4.如权利要求1所述的融入先验知识的无监督学习森林火灾变化检测方法，其特征在于，步骤S3具体包括：S31：对火灾前后的NBRSWIR指数图X、Y作差，得到反映火灾区信息的NBRSWIR指数差值图，具体计算公式为：d
NBRSWIR
＝NBRSWIR
post
‑
NBRSWIR
pre
其中，NBRSWIR
post
为火灾后遥感影像的NBRSWIR指数图，NBRSWIR
pre
为火灾前遥感影像的NBRSWIR指数图，d
NBRSWIR
为火灾前后NBRSWIR指数差值图；S32：对所述NBRSWIR指数差值图进行模糊C均值聚类，实现阈值分割，将研究区划分为
确定烧毁区域、不确定区域和确定未烧毁区域；S33：随机选取确定未烧毁区域中火灾前后NBRSWIR指数图中的像素作为训练样本X
train
、Y
train
。5.如权利要求4所述的融入先验知识的无监督学习森林火灾变化检测方法，其特征在于，步骤S32具体包括：S321：设置目标函数的精度e，模糊指数m，聚类数c和算法最大迭代次数t，目标函数J为：目标函数的约束条件为：目标函数的约束条件为：其中，c表示聚类数，n表示NBRSWIR指数差值图的像元总数，m表示模糊指数，u
ij
表示样本x
j
属于i类的隶属度，j表示第j个像元，x表示NBRSWIR指数差值图所代表的样本，i表示第i个聚类，v
i
表示i类的中心，d()表示距离的度量；S322：随机初始化隶属度矩阵u
ij
和聚类中心v
i
；S323：更新隶属度矩阵和聚类中心，具体为：S323：更新隶属度矩阵和聚类中心，具体为：其中，k表示第k个聚类，v
k
表示k类的中心；S324：若目标函数满足|J(t)
‑
J(t+1)|＜e，则迭代结束，进入步骤S325，否则重复步骤S323；S325：根据所得到的隶属度矩阵，取样本隶属度最大值所对应类作为样本聚类的结果，聚类结束，进而将样本划分为确定烧毁区域、不确定区域、确定未烧毁区域。6.如权利要求1所述的融入先验知识的无监督学习森林火灾变化检测方法，其特征在于，步骤S4具体包括：S41：构建两个对称的深度网络分支，均为全连接层，包括输入层、隐藏层和输出层，每个隐藏层均有相同数量的节点；S42：初始化两个对称的深度网络分支的参数{θ1,θ2}；S43：分别计算火灾前后的训练样本X
train
、Y
train
...

【专利技术属性】
技术研发人员：朱祺琪，李子琪，郭希，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：