本申请实施例公开了一种山火预测方法、山火预测装置、计算机设备和计算机可读存储介质。其中，方法包括如下步骤：建立第一模型，第一模型为参数初始化的模型；获取训练样本，根据训练样本对第一模型进行自监督训练，得到第二模型，第二模型用于对输入的影像进行标注；将多源影像注入第二模型中，根据第二模型标注多源影像中的第一区域，第一区域为多源影像中初始的火点候选位置区域；根据第一区域查询全局字典以确定第二区域，全局字典为识别山火着火点的模板集，第二区域为预测的山火着火点位置。因此，本申请能够通过自监督学习训练模型，降低了对训练数据的需求；通过查询全局字典预测着火点，极大提高了火点位置检测准确度。极大提高了火点位置检测准确度。极大提高了火点位置检测准确度。
【技术实现步骤摘要】
山火预测方法、装置、计算机设备和计算机可读存储介质
[0001]本申请属于山火预测
，特别是涉及一种山火预测方法、山火预测装置、计算机设备和计算机可读存储介质。
技术介绍
[0002]山林是生态环境重要的一环，除本身所蕴含的大量自然资源外，往往还有一些人工资源建设其中，例如输电线路、通信线路等。若该区域附近发生山火，将严重威胁社会经济和人民的安全。早期山火多以烟雾的形式呈现，主要辐射源为火焰和高温碳化物，包括烟雾、水蒸气、一氧化碳等，通过分析山火燃烧前后这些物质的背景辐射差异即可判断是否有火灾发生并监测火势大小和火灾燃烧动向，从而实现利用遥感卫星监测山火的研究。近年来，随着卫星遥感技术，尤其是包括红外在内的多源遥感技术的快速发展对山火检测提供另一种新的路径。卫星遥感具有观测频率高，覆盖范围大，节省成本和人力等特点，可以近实时监控着火过程、燃烧方向、着火点的具体位置、计算燃烧率和着火面积等。因此，基于遥感卫星的早期火点技术得到了广泛关注。
[0003]目前主要的山火检测技术是基于物理模型先验和基于数据驱动的技术。基于物理模型先验的技术核心是阈值模型，即根据遥感影像中特定光谱信息选取合适的阈值条件，利用多个不同的阈值范围实现火点的监测精度。基于数据驱动的山火检测技术则通过大量数据分析山火区域的特征规律，从而实现山火检测。但是，现有技术中基于数据驱动的山火检测模型性能依赖于大量的训练样本数据，但是由于缺乏早期山火发生而产生的烟雾卫星影像资料，因此，基于海量数据驱动的深度学习山火检测方法不适用。如何建立一高效、低成本的山火预测方法，是本领域技术人员亟待结局的技术问题。
[0004]前面的叙述在于提供一般的背景信息，并不一定构成现有技术。
技术实现思路
[0005]基于此，有必要针对上述问题，提出了一种山火预测方法、山火预测装置、计算机设备和计算机可读存储介质，能够高效、低成本地通过多源遥感影像对山火可能发生区域进行预测。
[0006]本申请解决其技术问题是采用以下的技术方案来实现的：
[0007]本申请提供了一种山火预测方法，包括如下步骤：建立第一模型，第一模型为参数初始化的模型；获取训练样本，根据训练样本对第一模型进行自监督训练，得到第二模型，第二模型用于对输入的影像进行标注；将多源影像注入第二模型中，根据第二模型标注多源影像中的第一区域，第一区域为多源影像中初始的火点候选位置区域；根据第一区域查询全局字典以确定第二区域，全局字典为识别山火着火点的模板集，第二区域为预测的山火着火点位置。
[0008]在本申请一可选实施例中，第一模型和第二模型都为预设的卷积神经网络分类模型，由多个网络层组成，每一层网络层包括卷积层、池化层和激活函数层；输入第一模型或
第二模型的影像的维度由影像的像素点邻域大小确定。
[0009]在本申请一可选实施例中，获取训练样本，包括：获取原始训练样本，原始训练样本由历史多源影像组成；通过预设的无监督聚类操作对原始训练样本进行聚类，得到聚类结果，聚类结果为由历史多源影像的像素点构成的多个聚类，聚类结果用于表征历史多源影像中所有像素点之间的相似度，同一聚类内的像素点之间的相似度大于或等于预设的相似度阈值，不同聚类间的像素点之间的相似度小于预设的相似度阈值；根据聚类结果生成训练样本，训练样本包括正样本对和负样本对，正样本对由聚类中相似度满足预设的相似条件的像素点构成的样本对组成，负样本对由聚类中相似度不满足预设的相似条件的像素点构成的样本对组成，负样本对的数量比正样本对的数量高出一个数量级。
[0010]在本申请一可选实施例中，根据训练样本对第一模型进行自监督训练以得到第二模型，包括：根据余弦距离度量计算获取特征之间的余弦距离，特征由历史多源影像获取；根据训练样本的第一标签、余弦距离和预设的相似度区分阈值建立第一损失函数，第一损失函数为对比损失函数；第一标签用于确定训练样本属于正样本对或负样本对；根据第一损失函数自监督训练第一模型，以得到第二模型，第二模型用于对输入的影像的差异性度量以进行标注。
[0011]在本申请一可选实施例中，根据第二模型标注多源影像中的第一区域，包括：识别多源影像中的变化区域和不变区域，根据变化区域和不变区域设置第二标签，多源影像包括同一位置区域不同时间的多张影像；计算多源影像中对应像素位置的欧式距离；获取超参，根据超参、第二标签、欧式距离设置第二损失函数；根据第二损失函数对第二模型进行迭代优化得到第三模型；将多源影像注入第三模型中，以确定出第一区域。
[0012]在本申请一可选实施例中，根据第二损失函数对第二模型进行迭代优化得到第三模型，包括：通过第二模型的深度网络将多源影像从原来的空间映射到新空间中；根据约束优化法优化迭代第二模型的参数以得到第三模型，第三模型所提取出的特征满足预设的数据分布距离条件和相似度度量条件。
[0013]在本申请一可选实施例中，全局字典包括背景字典和火点字典，背景字典的样本维度高于火点字典的样本维度；根据第一区域查询全局字典以确定第二区域，包括：将第一区域分别与背景字典和火点字典进行拟合，得到第一区域内各像素点的残差值差值；汇总残差值差值大于或等于预设的差异性阈值的像素点，得到第二区域。
[0014]本申请还提供了一种山火预测装置，包括：初始化模块，用于建立第一模型，第一模型为参数初始化的模型；自监督训练模块，用于获取训练样本，根据训练样本对第一模型进行自监督训练，得到第二模型，第二模型用于对输入的影像进行标注；第一区域标注模块，用于将多源影像注入第二模型中，根据第二模型标注多源影像中的第一区域，第一区域为多源影像中初始的火点候选位置区域；着火点预测模块，用于根据第一区域查询全局字典以确定第二区域，全局字典为识别山火着火点的模板集，第二区域为预测的山火着火点位置。
[0015]本申请还提供了一种计算机设备，包括处理器和存储器：处理器用于执行存储器中存储的计算机程序以实现如前述的方法。
[0016]本申请还提供了一种计算机可读存储介质，存储有计算机程序，当计算机程序被处理器执行时实现如前述的方法。
[0017]采用本申请实施例，具有如下有益效果：
[0018]本申请能够通过自监督学习训练第一模型以得到用于预测着火点的第二模型，降低了对训练数据的需求，使得模型的建立更快速便捷，适用于更多的应用场景；此外通过先确定候选火点的第一区域，再查询全局字典预测着火点的第二区域的方式，极大提高了火点位置检测准确度。
[0019]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0020]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种山火预测方法，其特征在于，包括如下步骤：建立第一模型，所述第一模型为参数初始化的模型；获取训练样本，根据所述训练样本对所述第一模型进行自监督训练，得到第二模型，所述第二模型用于对输入的影像进行标注；将多源影像注入所述第二模型中，根据所述第二模型标注多源影像中的第一区域，所述第一区域为多源影像中初始的火点候选位置区域；根据所述第一区域查询全局字典以确定第二区域，所述全局字典为识别山火着火点的模板集，所述第二区域为预测的山火着火点位置。2.如权利要求1所述的山火预测方法，其特征在于，所述第一模型和所述第二模型都为预设的卷积神经网络分类模型，由多个网络层组成，每一层所述网络层包括卷积层、池化层和激活函数层；输入所述第一模型或所述第二模型的影像的维度由所述影像的像素点邻域大小确定。3.如权利要求1所述的山火预测方法，其特征在于，所述获取训练样本，包括：获取原始训练样本，所述原始训练样本由历史多源影像组成；通过预设的无监督聚类操作对所述原始训练样本进行聚类，得到聚类结果，所述聚类结果为由所述历史多源影像的像素点构成的多个聚类，所述聚类结果用于表征所述历史多源影像中所有像素点之间的相似度，同一聚类内的像素点之间的相似度大于或等于预设的相似度阈值，不同聚类间的像素点之间的相似度小于预设的所述相似度阈值；根据聚类结果生成所述训练样本，所述训练样本包括正样本对和负样本对，所述正样本对由所述聚类中相似度满足预设的相似条件的像素点构成的样本对组成，所述负样本对由所述聚类中相似度不满足预设的所述相似条件的像素点构成的样本对组成，所述负样本对的数量比所述正样本对的数量高出一个数量级。4.如权利要求3所述的山火预测方法，其特征在于，所述根据所述训练样本对所述第一模型进行自监督训练以得到第二模型，包括：根据余弦距离度量计算获取特征之间的余弦距离，所述特征由所述历史多源影像获取；根据所述训练样本的第一标签、所述余弦距离和预设的相似度区分阈值建立第一损失函数，所述第一损失函数为对比损失函数；所述第一标签用于确定所述训练样本属于所述正样本对或所述负样本对；根据所述第一损失函数自监督训练所述第一模型，以得到所述第二模型，所述第二模型用于对输入的影像的差异性度量以进行标注。5.如权利要求1所述的山火预测方法，其特征在于，所述根据...
【专利技术属性】
技术研发人员：文刚，周仿荣，马御棠，马仪，潘浩，耿浩，曹俊，王一帆，闵青云，翟兵，朱龙昌，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。