传统法与深度学习级联结合的近实时火点监测

针对山火监测精度和时效性不足的问题,提出一种级联传统法的多通道卷积神经网络(Multichannel Convolutional Neural Network,MCNN)近实时火点监测算法。首先,结合最大类间方差和空间上下文法,利用背景亮温空间信息差异筛选出潜在火点。然后,采用集成学习思想构建三个卷积神经网络通道,各通道分别输入光谱信息、空间上下文信息及时间地理信息特征的不同组合,同时,通过粒子群优化算法搜索各通道的最佳权重,获取三个通道的火点联合预测概率,实现火点准确识别。结果表明,相比于单通道卷积神经网络(Convolutional Neural Network,CNN)模型,MCNN精确度达到0.88,漏报率降低0.16,并且较日本气象厅官方产品漏报率降低0.06,且实验中模型运行平均耗时172 s。因此,文章提出的MCNN模型可实现较高精度的近实时火点监测,为火灾应急处理提供科学依据。