融合AI的卫星遥感火情监测系统

融合 AI的卫星遥感火情监测系统

赵元铭，尹航，许越，王森茂

辽宁科技大学 计算机与软件工程学院，辽宁 鞍山 114052

摘要：融合AI的卫星遥感火情监测系统应用人工智能、物联网和目标检测技术，改变已有的各种火情检测方法在检测过程中的逻辑思路，采用新的实施方案，对传统的火情监测方式方法进行升级、创新并应用，通过卫星遥感监测技术实现对林火的监测，同时，使用YOLO目标检测算法实现对小目标火情的检测，以减少森林火情，保障国家和人们生命和财产安全。

关键词：卫星遥感火情监测系统；人工智能；目标检测；YOLO；

基金项目：

2021年辽宁科技大学国家级大学生创新创业训练计划项目；

AI-integrated satellite remote sensing fire monitoring system

Zhao Yuanming,Yin Hang*,Xu Yue,Wang Senmao

(School of Computer and Software Engineering,University of Science and Technology Liaoning,Anshan 114052,China)

Absrtact:The AI-integrated satellite remote sensing fire monitoring system applies artificial intelligence, the Internet of Things and target detection technology to change the logical thinking of various existing fire detection methods in the detection process, and adopts a new implementation scheme to monitor traditional fire conditions. The methods are upgraded, innovated and applied, and the monitoring of forest fires is realized through satellite remote sensing monitoring technology. At the same time, the YOLO target detection algorithm is used to realize the detection of small target fires, so as to reduce forest fires and ensure the safety of the country and people's lives and properties.

Key words:satellite remote sensing fire monitoring system; artificial intelligence;target detection technology;YOLO;

0 引言

森林火灾一直是全世界无法避免的问题，且近几年火灾事故发生频繁，不仅给人民的生命安全带来威胁，还在经济上造成了极大的损失，对全球气候变化也有着不小的影响。从2018年开始，澳大利亚一直处于干旱状态，而在2019年下半年持续的高温天气，高温突破历史记录，致使林火不同往年，而呈爆发趋势，最终导致澳洲火灾季节比往年提前了两个月，爆发了有史以来最严重的森林火灾，过火面积超过1100万公顷，33位人员伤亡，近13亿野生动物被烧死，经济上损失高达7亿澳元。

由此可见不同于其他自然灾害，森林火灾具有：突发性、破坏性大、蔓延范围广、控制难度大、损失高等特点，也是陆地生态系统中最为重要的干扰因素之一，也是造成森林破坏的主要形式之一。

1 林火灾情情况统计

通过资料《中国林业和草原年鉴》，对近十年期间国内森林火灾统计资料进行统计汇总分析笔者得到了如下数据。

自2011年至2020年，全国森林火灾共发生31317次，2011年为森林火灾次数的顶点，共计5550次且自2011年起森林火灾事故数量总体呈下降趋势，到2020年为止，火灾次数已经降低到1153次，下降比例约为80%，也证明了我国对于森林火灾的防治能力有了明显提高。

根据资料中依据事故等级进行划分得出的数据，其划分标准是根据受灾森林面积产生的，依次为特别重大火灾、重大火灾、较大火灾、一般火灾。可以发现特大和重大火灾情况一直维持在一个较低的数量，但是近4年这两项数据却有回升，根据资料中的地域信息中可以得到，在往年黑龙江、内蒙古、山西省和福建省是事故高发省份，与其独特的地理因素密不可分，但近四年随着福建省的发展，虽然其是40年内我国森林覆盖面积最高的省份，但其重特大事故已经被降为0，可见在技术上的革新和政策上的重视是极为有效的。

通过对火场面积、受灾面积以及其他经济损失进行对比分析，2014年其他经济损失过高是因为福建省受灾情况严重，占全年总损失的79%，2018年则是因为四川受灾情况严重，占全年总损失的66%，由此可得出这两省在日后也应是防火的重点省份。

2 林火监测

目前快速发展的遥感监测技术是作为现代化林火识别的主要手段，有着在空间上侦测范围广、时间上频次高的特点，在后续还可以预测火情范围，提前防控周边地区，阻止火势蔓延，因此通过卫星遥感监测技术在林火监测上占据优势。其工作原理：因为高温火焰产生的辐射能被卫星中传感器的中红外通道被强吸收，所以可以借此来识别火点和非火点。

不过因为分辨率较低等现有硬件技术问题，其初判的准确性较低，容易产生误判的情况。据统计，2010-2019年全国共发生森林火灾37887次，而通过卫星反馈为林火的热点数占同期森林火灾总数的比仅为19%。根据该数据可得出在林火监测的在精确度方面，遥感卫星仍然需要进一步的提升，所以需要通过其他手段作为辅助监测，传统手段是通过人力巡检，但人力巡检消耗高，且在一些地理情况下缺乏便捷性，而森林火灾防治需要的就是越早发现越好。随着近几年无人机技术的进步，也从特种单位使用到民间使用的普及，购置无人机的成本在不断降低，同时无人机灵活方便，通过性好，不受路径限制，有良好的环境适应能力与灵活的定位能力以及速度上的优势。故而考虑通过无人机来达成便利性。其次基于人工智能而实现的图像识别技术不断发展，通过机器去大量处理图形数据已然成为一种主流，且成功率是非常高的。所以在笔者看来通过无人机设备配合深度学习的图像识别技术快速到达预警点，分析是否为林火，来辅助卫星火点预测结果，减少误报率是一种行之有效的办法。

3 YOLO图像识别技术

YOLO（You Only Look Once）是于2016年Joseph Redmon等人所创立的基于深度学习的目标监测识别算法，他们将目标检测重新定义为单个回归问题，从而直接对图像进行坐标分类(bounding box)和类(class)概率预测，YOLO训练完整图像并直接优化了性能，相较于R-CNNG算法，这种统一的模型有几个好处，首先是它在处理速度上很快，因为将检测视为回归问题，所以不需要多个的通道，如图4所示。不过YOLO在准确度上落后于最先进的检测系统，尤其是在一些小物体上，需要在进一步的提升。

图4 YOLO工作模型

在2020年4月份，Alexey Bochkovskiy等人推出了YOLOv4，相较于之前3代的提升非常大，而且相较于其他监测系统往往仅适用于高昂的配置不同，他们修改了算法，使其更加有效，提出一个高效且有力的检测模型，换句话说只需要传统的民用GPU就可以进行训练，同时这一代的主要目标是设计生产系统中目标检测器的快速运行速度和并行优化，这样可以让设计的对象更容易地训练和使用，通过图5可以看出在COCO数据中，在相同的FPS下，YOLOv4的AP为43%，而YOLOv3则是33%相比之下增长了10%，提升十分明显。还有一点就是印证了BoS和BoF数据对于训练的提升。

图5 COCO数据对比

不过YOLO算法一直有一个缺点就是对于下小目标识别的AP问题，这也就是为什么引入了BoF训练方法，不过对于监测林火这种会产生大量烟雾和火焰的情况则是十分合适的，所以在林火识别上YOLO算法是当下一个不错的选择。

5 结束语

“绿水青山就是金山银山”是总书记曾在考察时提出的科学论断，在十五届三中全会中指出了“实施可持续发展战略，是关系中华民族生存和发展的长远大计。”林业资源则是战略中的关键一环，不仅有生态价值还有经济价值，而林业火灾则是影响林业发展的主要因素，所以思想上和技术上的进步则是做到林业火灾有效预防扑救的根本，本文所提出的搭载图像识别技术的无人机配合卫星遥感监测火点是提升林火监测准确度行之有效的方法，借此为我国生态文明建设贡献出自己的一份力量。

参考文献

[1]刘德生.森林火灾发生的原因及预防扑灭措施[J].现代农业科技,2022(1):155-156.DOI:10.3969/j.issn.1007-5739.2022.01.050.

[2]黄武彪,栾海军,李大成.基于时空融合技术的森林火灾遥感动态监测[J].自然灾害学报,2022,31(1):265-276. DOI:10.13577/j.jnd.2022.0125.

[3]栾婷婷,王亚坤,张馨仪.2008-2018年我国森林火灾事故统计分析[J].安全,2020,41(10):32-38.DOI:10.19737/j.cnki.issn1002-3631.2020.10.006.

[4]张志强.澳洲山火对我国森林消防体系建设的启示[J].中国应急救援,2020(02):13-17.DOI:10.19384/j.cnki.cn11-5524/p.2020.02.004.

[5]贾斌英.中国林火卫星遥感监测的应用及评价[J].绿色科技,2021,23(13):97-98.DOI:10.16663/j.cnki.lskj.2021.13.033.

[6]田甜,殷继艳,贾晓丽.2015—2019年全国卫星林火监测热点的分析及趋势[J].安徽农业科学,2021,49(21):140-144+171.

[7]周永宝，韩惠.基于遥感数据的森林火灾监测研究概述［J］.测绘与空间地理信息，2014（3）：134-136.

[8]Joseph Redmon,Santosh pvala,Ross Girshick,Ali Farhadi You Only Look Once:Unified,Real-Time Object Detection arXiv:1506.02640 [cs.CV] Mon,9 May 2016 22:22:11 UTC

[9]Alexey Bochkovskiy,Chien-Yao Wang,Hong-Yuan Mark Liao YOLOv4:Optimal Speed and Accuracy of Object Detection arXiv:2004.10934 [cs.CV] Thu,23 Apr 2020 02:10:02 UTC