应用Landsat-8遥感图像的火点检测研究

张文磊 王帅 李智慧 黄宇飞 元勇

(1 北京空间飞行器总体设计部，北京 100094)(2 哈尔滨工程大学计算机科学与技术学院，哈尔滨 150001)

遥感卫星用于火点检测是通过对遥感图像进行搜索，找出火点的位置并标注其经纬度。火点达到一定温度能够引起火灾，不仅破坏生态平衡、毁坏财物甚至伤害人身安全，所以通过遥感卫星图像来实现对火点的有效、及时、准确的检测具有重要的现实意义。当前应用比较广泛的火点检测算法是单通道阈值法[1]和多通道阈值法[2]。单通道阈值法的基本原理是使用各种传感器的中红外通道，采用固定的阈值对图像的图像像元亮度值(Digital Number, DN)或者反演得到的亮温值进行判断，但是单通道阈值法最大的问题就是必须考虑来自云和高反射率地表的太阳反射能量，所以其火点检测效果不佳。多通道阈值法是利用多个波段数据来共同完成火点检测任务，弥补了单通道阈值法中使用信息过于单一的缺陷，相较于单通道阈值法检测精度更高。

近年来，出现了一些应用美国NASA陆地卫星-8(Landsat-8)的火点检测方法。Landsat-8卫星数据包括可见光、短波红外、热红外等11个波段，空间分辨率为30 m。传统的火点检测算法通常利用高温的物质在中红外波段或热红外波段的高发射率特性来提取火点[3]，然而受制于影像空间分辨率的限制，使得很多小规模火情现象被漏检。与中分辨率成像光谱仪(MODIS)和可见光红外成像辐射仪(VIIRS)相比，其空间分辨率较高，有利于小规模火点检测，所以本文将使用Landsat-8遥感图像来实现对火点的检测。

目前基于Landsat-8卫星的火点检测算法的应用已经应用比较广泛。文献[4]利用空间分辨率为30 m的陆地成像仪(Operational Land Imager，OLI)数据，根据高温火点在近红外及短波红外波段的波谱特性，利用短波归一化燃烧指数(Normalized burning ratio Short-wave, NBRS)自适应地确定阈值来提取疑似火点，再利用高温火点在短波红外的峰值关系进行误检点剔除，从而得到最终的火点产品。文献[5]通过基于亮温的背景对比法实现了煤火的检测。文献[6]提出一种同时检索高温点的亮温和亚像素面积的方法。文献[7]利用短波红外、可见光和近红外波段数据，同时还扩展了使用多时相分析来改善像素分类结果，初步评估表明，该方法在各种植物燃烧场景具有较高准确率。

前述的单通道阈值法和多通道阈值法，由于其阈值固定，检测结果的误报率高。针对此问题，本文将通过建立高温点簇面积与亮温阈值对应的模型来实现火点检测。首先通过双阈值方法搜索高温点，由于短波红外和近红外光谱区域对于测量燃烧和阴燃燃烧最有用，所以本文的火点检测算法中，主要通过短波红外和近红外波段计算出的亮温值衡量火点温度，然后通过凝聚式聚类方法对高温点像素进行聚类，再通过建立高温点簇面积与亮温阈值的对应关系的模型，实现火点检测。

1 火点检测算法

本文中火点检测算法的核心思想是先通过双阈值方式搜索高温点，然后对高温点像素进行聚类，形成高温点簇。建立高温点簇面积与亮温阈值之间的对应关系模型，根据面积反射值模型判断搜索到的高温点簇是否火点。算法流程如图1所示。

Landsat-8数据情况如表1所示。

此算法首先对Landsat-8遥感图像进行辐射定标与亮温计算(详见1.1节)，得到亮温T。再通过短波归一化燃烧指数实现高温中心点检测(详见1.2节)，得到候选火点。对候选火点周围的普通高温点进行搜索与聚类(详见1.3节)，然后再进行云干扰去除(详见1.4节)，得到更加精确的火点，最后根据高温点簇面积与第7波段亮温对应的关系模型，即面积亮温值模型，对待检测火点进行检测，得到最终的火点。

1.1 辐射定标与云干扰去除

辐射定标[8]是指将图像像元亮度值(Digital Number, DN)转换为大气顶层的辐射值[9]得到

Lλ=Mλ·DN+Aλ

(1)

式中：Lλ为大气顶层辐射值；DN为图像像元亮度值；Mλ为波段增益值，Aλ为波段偏移值，这两个值都可以在Landsat-8的配置文件(后缀为MTL的文件)中找到。

然后根据大气顶层辐射计算大气顶层亮温，亮温值是根据普朗克公式反演的。

(2)

式中：L(λ,T)为辐射值，λ为波长，T为亮温；h为普朗克常数；k为玻兹曼常数；c为光速。令c1=8πhc，c2=hc/k，其中c1和c2是由光速、普朗克常数等计算出来的常量，式(2)可简化为

(3)

根据式(3)得到亮温计算公式为

(4)

式中：c1=1.191 042×108J·m，c2=1.438 775 2×104K。将式(1)中得到的Lλ代入式(4)中的L即可得到亮温T。

由于云像素在第2～7波段都处于较高范围，会干扰后续的火点判别，需要去除。通过阈值分割[10]及形态学处理[11]，可以实现云区域分割。

云层的阈值分割主要依据云层2～7波段与火点数据波段存在差异，通过设置阈值可以过滤掉符合云层波段的数据以此识别云层数据；由于云层在视觉层面是以较大范围的不间断簇状图像存在，以图像数据层面为较大的点簇存在，所以通过连通域找到云层所在是较为合理的方法。

这样通过两步处理，首先通过阈值分割反射值较大为云层的数据，再依据云层存在特点通过形态学连通域处理将云层数据筛选标记，并使之完整化，最后通过面积阈值去除假云层像素。

1.2 高温中心点检测

高温中心点指温度极高的一些像素点，是火点的候选点。有研究表明，Landsat-8热红外波段由于只能反应地表接近常温的温度，对于高温火点的检测效果差于短波红外波段[12]。

燃烧区短波红外要远远大于近红外波段的数值，计算出的指数相差较小；对于非燃烧区域，其短波红外和近红外波段数值相差不大，计算出的指数相差较大。由此得出的短波归一化燃烧指数(Normalized Burn Ratio of Shortwave, NBRS)[3]。

(5)

式中：k为控制系数，ρ5、ρ6、ρ7为第5～7波段的反射值。短波归一化燃烧指数小于阈值D1的像素为高温中心点。

短波归一化燃烧指数选择对火点比较敏感的波段，通过波段间的组合运算增强图像上的火灾区域，分析燃烧指数图像，可以获取火灾区域，短波归一化指数是无量纲系数。阈值是通过对一些火点数据分析获得的判别分界的数值，通过设置高阈值D2，把第7波段亮温大于D2的火点也作为高温中心点，由于高温中心点只是火点的候选点，后续要通过其他判断方式把真正的火点分离出来，因此，高温中心点阈值D1和D2的选取原则是不漏掉火点。

1.3 普通高温点像素搜索与聚类

普通高温点是指在高温中心点附近、温度低于高温中心点但高于周围像素的点。为消除噪声，Landsat-8图像在后处理时采用了平滑操作，所以，火点附近会有一些普通高温点。这些高温点通过式(4)计算第6～7波段的亮温来判断。通过多次实验对比得到，第6～7波段用来确定普通高温点的亮温阈值分别为D31和D32。因此，通过搜索高温点附近第7波段亮温大于阈值D31和第6波段亮温大于D32的像素，获得普通高温点，形成高温点簇。高温阈值D31的值比D2低一些。

将高温点簇通过凝聚式聚类方法，将距离接近的点簇再聚合到一起，点簇之间的距离采用的是最近元素之间的距离。

1.4 基于面积与亮温关系模型的火点检测

1)模型确定

通过分析训练数据，建立高温点簇面积与第7波段亮温的关系模型，即不同高温点簇面积，对应不同亮温阈值的模型，形成用于火点的最后判断的检测阈值模型函数。

τ=g(a)

(6)

式中：a为高温点簇面积，τ为相应亮温阈值，g为从a到τ的映射模型。由于训练的样本点较少且分布不均匀，难以通过分类器自动分类，并确定最佳折衷，所以面积与反射值阈值关系模型是通过人工分析确定的。在确定面积与反射值阈值关系模型时，需要综合考虑检测准确率和漏检率因素，从而确定一个得到最佳折中的模型。

图2为高温点簇面积与反射阈值映射函数示意图，横轴为以像素为单位的高温点簇面积a，纵轴为高温点总亮温值。当面积大于40个像素时，直接判为火点。图2的模型虽然近似线性模型，但不是绝对的线性模型，高温点簇面积越大时，亮温阈值增长稍微缓慢。

图2 高温点簇面积与亮温阈值映射函数g(a)

2)火点检测

建立面积亮温模型后，根据该模型，按待检测高温点簇面积找到相应的亮温阈值，实现待检测火点的判断。

2 试验结果与分析

2.1 待检测图像

火点检测的测试图像是通过欧洲航天局网站提供的数据链接下载获得的(见文献[13])，选取的是黑龙江省大庆市、齐齐哈尔市以及俄罗斯东部、哈萨克斯坦西部等地区的遥感图像(6张秸杆焚烧火点图像和5张火灾图像)，部分典型实例如图3所示。图3中，左侧图为包含第5、6、7三个波段合成的图像,右侧图为与其对应的包含第4、3、2三个波段合成的图像。

人工标出火点，对算法进行测试，根据真实火点数量、检测数据点总数、正确检测点数量计算出准确率和漏检率，根据准确率与漏检率来评价算法的性能。

火点标注方法是在第5、6、7波段图像和包含4、3、2波段上人工标注火点图像，保存火点坐标，用以算法训练与测试。

2.2 评价指标

对于每张遥感图像检测后提供如下3种结果：真实火点数量、检测数据点总数、正确检测点数量。

通过程序中得到的这4组参数，可以计算出准确率和漏检率，其中Yy为检测的火点为真实火点的个数；Yn为误检火点的个数；Ny为漏检火点的个数；P和M分别为准确率和漏检率；F为准确率和漏检率的综合评价指标。

P=Yy/(Yy+Yn)

(7)

M=Ny/(Yy+Ny)

(8)

(9)

2.3 检测结果与分析

对2.1节中的待检测图像进行火点检测，得到的结果是在火灾检测方面平均准确率为0.946 0，漏检率为0.059，在秸秆露天燃烧检测方面的平均准确率为0.831，漏检率为0.122，如表2所示。由于秸秆焚烧点与林火不同，通常是许多小型火点，且焚烧点较分散，所有秸秆的火点检测的准确率相较于火灾的准确率低一些。本文总体的检测准确率和漏检率分别为0.892和0.088。

表2 火点检测精度

3 结束语

本文提出了一种新的火点检测方法，先通过双阈值方式搜索高温点，然后对高温点周围的普通高温点进行搜索与聚类，建立高温点簇面积与亮温阈值之间的对应关系模型，该模型准确反映了火点规律，燃烧点面积越大，整体温度会越高，通过面积来区分不同火点，进而判断火点。实验结果表明，本文总体的检测准确率和漏检率分别为0.892和0.088，表明该模型能够实现对森林火灾及桔杆燃烧的有效检测。基于遥感图像的火点检测方面已经有了相当的进展，未来的研究趋势是将研究细化，一方面提高火点检测的空间分辨率，另一方面实现火灾的全方位检测与跟踪。总之，需要结合时间空间及红外遥感图像信息，实现准确的火灾检测与分析。

本文主要采用Landsat-8图像，其质量较高，从现有文献看，波段平均信噪比为248.7，图像均匀性也较好。在研究中发现，Landsat-8图像有少量缺失像素，但缺失像素较少，据统计，平均像素缺失率低于0.07%。但火点检测与时间相关，需要根据火灾信息或秸杆焚烧高发时间搜索图像，要想获得更好的结果，火点检测需要的图像主要是在同样空间分辨率下，时间分辨率更高的图像。