Wildfire Identification Method for Transmission Lines Based on Deep Fusion Neural Network with Multi-scale Spatio-temporal Features
-
摘要: 目前的输电线路山火卫星监测技术对火点的监测精度高，但仍有许多山火漏报和误报，尤其是小型山火。为弥补提取火点时空特征方面的不足，该文提出了一种基于多尺度时空特征深度融合神经网络的输电线路火点判识方法。该算法首先根据Himawari-8(H-8)静止卫星的遥感数据，选取12个输入特征以构建多时空样本库。然后依据改进后的特征提取器Spatial-CNN(S-CNN)和Temporal-LSTM(T-LSTM)联合构建融合网络SCNN&TLSTM，以自动提取多尺度时空特征并融合后进行火点判识。与多种机器学习方法对比以验证网络的有效性，其中SVM、LSTM、CNN、Res-LSTM和Res-SPP总体精度分别为74.81%、77.61%、80.51%、84.13%和86.04%，然而SCNN&TLSTM能够提取更丰富的深层时空特征，总体精度可达90.61%。所提方法已应用于某省级电网输电线路山火监测，为保障电网安全稳定运行提供了可靠支撑。
-
关键词:
- 输电线路山火 /
- 火点判识 /
- 时空特征 /
- Himawari-8静止卫星 /
- 融合网络 /
- SCNN&TLSTM
Abstract: The current satellite wildfire monitoring technology for wildfires near transmission lines has high monitoring accuracy, but there are still many underreported and misreported wildfires, especially for small wildfire. To overcome the shortcomings in extracting spatio-temporal fire features, this paper proposes a wildfire identification method for transmission lines based on a deep fusion neural network with multi-scale spatio-temporal features. This algorithm first selects 12 input features to construct a multi-temporal sample library based on remote sensing data from the Himawari-8 (H-8) geostationary satellite. Then the fusion network SCNN&TLSTM is jointly constructed based on the improved feature extractor Spatial-CNN (S-CNN) and Temporal-LSTM (T-LSTM) to automatically extract the multi-scale spatio-temporal features and fuse them for the wildfire identification. A comparison with various machine learning methods is conducted to verify the effectiveness of the proposed network, where the overall accuracies of SVM, LSTM, CNN, Res-LSTM, and Res-SPP are 74.81%, 77.61%, 80.51%, 84.13% and 86.04%, respectively. However, SCNN&TLSTM can extract richer deep spatio-temporal features, achieving an overall accuracy of 90.61%. The proposed method has been applied to wildfire monitoring on transmission lines of a provincial power grid, providing reliable support to ensure the safe and stable operation of power grids. -
0. 引言
近年来，全球极端天气事件越来越多，国内外山火灾害频发[1-2]。2020—2022年，全国平均发生山火843起，受害面积达12 241公顷[3]。随着电网的不断发展，越来越多的输电线路穿越火灾高风险的偏远山区[4]。气象灾害或人为活动引发的小型山火，如农田烧荒、祭祀活动和人为纵火等，燃烧区域相对较小，若未及时扑灭，可能迅速蔓延形成密集爆发的山火，从而引发区域内输电线路连锁式跳闸事故，给电网的安全稳定运行带来极大威胁[5-7]。因此，研究输电线路山火监测和预警技术具有重要意义，尤其需及时发现初期火点以确保电网安全运行[8-9]。
传统的山火监测方法包括人工巡视、无人机巡检，及固定安装传感器检测[10]。输电线路分布广泛，途径地形复杂，需投入大量人力和物力资源；且山火蔓延速度极快，定点监测难以及时发现，可能导致大规模电力中断事件[11-12]。卫星遥感技术具有大范围实时监测、快速获取数据和低成本等特点，因此备受关注[13]。目前应用于输电线路山火监测的卫星分为极轨卫星和静止卫星[14]。虽然极轨卫星具有高空间分辨率，但由于其较低的时间分辨率(2次/d)，难以实时监测火灾，极易漏报火点。然而，国内一些静止卫星数据获取困难，其光谱波段和观测能力相对有限，导致数据实用性和可靠性较低[15]。风云四号(FY-4)是我国新一代静止气象卫星，虽然装载了先进的静止轨道辐射成像仪，具有14个成像通道，但其应用时间较短，数据预处理存在一定困难[16]。此外，FY-4时间分辨率为15 min/次，空间分辨率为0.5~4 km。Himawari-8(H-8)静止卫星具有更高的时间分辨率(10 min/次)，在空间分辨率方面，短波段上H-8和FY-4两者相近而长波红外波段上FY-4相对较低。H-8静止卫星的多光谱、高时效和高观测频次等特点[17]，使其能够提供更准确的数据且处理更便捷，可实现山火近实时监测。因此，利用H-8静止卫星进行山火监测具有广阔应用前景。
目前采用卫星遥感技术的传统火点判识算法主要有固定阈值法[18-19]和上下文法[20]。固定阈值法依赖历史数据选择阈值，虽然对绝对火点的判识精度高且速度快，但难以确定适用于不同环境下多个火点的阈值[21]。相比之下，上下文法能够提高火点识别的性能和算法的普适性[22]，然而传统的上下文法未能充分考虑卫星的时间特性。江全元等利用中分辨率成像光谱仪(MODIS)数据，提出概率统计的输电线路山火监测方法[23]，但该卫星的时间分辨率低(4次/d)，难以对输电线路进行持续监测。周游等基于H-8静止卫星全天观测的特点，提出自适应动态阈值火点判识方法[24]，实现了H-8卫星在输电线山火监测中的应用，但其注重空间特性的分析，难以最大限度地发挥卫星数据的时空优势，因此应用于复杂场景容易产生火点误报或漏报。
随着计算机学科的发展，机器学习方法已逐渐应用于多光谱卫星的山火检测[25-30]。Radocaj等基于Landsat 8卫星数据采用随机森林(random forests，RF)、支持向量机(support vector machines，SVM)等机器学习技术，实现野火预测与评估[25]。Kang等基于H-8卫星的光谱数据研究机器学习模型RF和卷积神经网络(convolutional neural network，CNN)对火灾探测的有效性，降低了森林火灾检测的延迟[26]。Jang等利用RF从基于阈值算法的结果中去除误检火点，提高山火检测精度[27]。Chen等基于H-8多时相信息，结合上下文法和机器学习模型筛选潜在火点，得到较高精度的火灾监测模型[28]。杨知等利用空间上下文法对潜在火点进行初步识别，再将空间上下文信息输入CNN以实现火点提取[29]。黄伟锋基于H-8卫星从光谱、空间和时间方面构建不同的输入策略，利用经典的机器学习模型，对比了不同模型和输入策略组合的山火检测结果[30]。然而，由于山火具有较强的时空变化特性，上述研究所采用的机器学习方法相对简单，对多尺度时空特征和数据间更复杂的关系提取不足，导致对火点的判识存在较多的漏报误报，尤其是在输电线路附近的小火点[31-32](热红外亮温 < 320 K、像元面积较小)判识方面。
综上所述，本文提出一种基于多尺度时空特征深度融合神经网络的输电线路火点判识方法。首先根据H-8卫星数据构建多时空特征量的样本库，其次依据改进后的特征提取器空间-卷积神经网络(spatial-convolutional neural network，S-CNN)和时间-长短期记忆网络(temporal-long short term memory，T-LSTM)联合构建SCNN&TLSTM网络，以自动提取多尺度时空特征并融合，然后输入分类器进行火点判识。最后，将SCNN&TLSTM与逐层提取特征的网络ST-CNN-LSTM、多种机器学习方法以及不同网络结构进行综合对比，同时将其与已应用于输电线路的传统方法进行对比。通过实例分析验证了所提出的SCNN&TLSTM火点判识方法在输电线路山火监测方面的有效性与优越性。
1. 研究区域与数据
1.1 研究区域
云南省地处中国西南边陲，位于97°31′E—106°11′E，21°80′N—29°15′N之间。云南森林资源丰富，覆盖率高达65.04%，并且其中占全省森林面积73.8%的树种为可燃性较高的针叶树[33]。此外，云南省年平均降雨量1 100 mm，冬春季降水仅占一年的15%，因此冬春季(10月至次年5月)是云南山火高发期[34]。据云南省统计局数据显示，2004—2021年共发生5 238次有记录的火灾，是中国森林大火高发地区之一。云南电网因山火导致的输电线路跳闸事故尤为突出，其中，2009—2021年110 kV及以上输电线路山火跳闸事故高达420余次(如图 1所示)。
![]()
图 1 2009—2021年110 kV及以上输电线路山火跳闸分布Figure 1. Distribution of wildfire tripping of 110 kV and above transmission lines from 2009 to 20211.2 遥感数据
日本气象厅于2015-07-07正式启用地球同步气象卫星H-8，该卫星搭载多通道光谱成像仪Advanced Himawari Imager(AHI)[35]。与上一代卫星MTSAT系列相比，H-8提供了更高的空间和时间分辨率，通道数由5个扩充到16个，如表 1所示。AHI包含了3个可见光通道(1—3)、3个近红外通道(4—6)和10个热红外通道(7—16)[36]。其中，1、2和4通道的空间分辨率为1 km，3通道的空间分辨率为0.5 km，其余通道的空间分辨率为2 km。该卫星每10 min提供一次全圆盘卫星图像，以实现无云条件下对我国全境近实时山火监测。
表 1 H-8通道参数Table 1. H-8 channel parameters通道 中心波长/μm 分辨率/km 命名 1 0.46 1 VIS1 2 0.51 1 VIS2 3 0.64 0.5 VIS3 4 0.86 1 NIR1 5 1.60 2 NIR2 6 2.30 2 NIR3 7 3.80 2 IR1 8 6.20 2 IR2 9 7.00 2 IR3 10 7.30 2 IR4 11 8.60 2 IR5 12 9.60 2 IR6 13 10.40 2 IR7 14 11.20 2 IR8 15 12.30 2 IR9 16 13.30 2 IR10 本文遥感数据来源于日本宇宙航空研究开发机构(https://www.eorc.jaxa.jp/ptree/index.html)。H-8卫星获取的数据格式为NetCDF，使用之前对数据进行预处理，包括转换格式、地理定位和太阳高度角校正等。此外，对空间分辨率为2 km的图像进行辐射定标，大气校正等处理，最终得到云南地区的遥感影像。
基于2020年至2021年5月南方某电网经过人工核验的历史数据，构建样本库。云南省干湿季节分明，火灾集中发生在干季，故样本库选取10月至次年5月的数据。为减少非平衡样本对模型评估可靠性的影响，使样本库中的火点数量等于非火点数量[37]。样本库由人工核验的历史火点和非火点组成，非火点样本包括经过人工核验的疑似火点以及确定不包含火灾迹象的非火点。通过提取样本库的12个特征，构建基于H-8卫星数据的最终样本库。最后，将最终样本库划分为训练集和验证集，80%的数据用于训练模型，其余20%用于验证模型的综合性能。
2. 特征选取及数据预处理
2.1 特征选取
根据维恩位移定律，在一定温度下，绝对黑体的温度与辐射峰值波长λmax的乘积为常数，即：
λmaxT=b (1) 式中：b为维恩常量，取值为0.002 897 m·K；T为黑体的辐射温度。表明当绝对黑体的温度越高时，其辐射峰值的波长越短[38]。
物体常温状态时，地表辐射峰值波长在11 μm左右(对应14通道的波长)。生物质燃烧时，温度可达750 K以上，地表辐射峰值波长处于4 μm左右(对应7通道的波长)。因此，选取7通道的亮温(BT7)反映地表火点的特征。此外，与BT7不同，长波红外通道在火灾中没有显著变化，但研究表明亮温差值(BTD)不仅有助于减少单通道的误判，还可以改善地理变化对火点判识的影响[39]。因此选取了4个长波红外通道与中波红外7通道的BTD：BTD7-12，BTD7-13，BTD7-14，BTD7-15。
除光谱亮温的特征之外，依据地物光谱反射特性的不同，选取以下光谱指数特征：归一化植被指数(normalized difference vegetation index，NDVI)、燃烧面积指数(burn area index，BAI)和改进归一化燃烧指数(normalized burn ratio thermal，NBRT)。这3个光谱指数已被研究证明能有效区分火点与非火点，反应火灾严重程度[40]，计算式如式(2)、式(3)、式(4)所示。
INDVI = ρ4−ρ3ρ4+ρ3 (2) IBAI=1(0.1−ρ3)2+(0.06−ρ4)2 (3) INBRT=ρ4−ρ6(ρ141000)ρ4+ρ6(ρ141000) (4) 式中：ρ3、ρ4、ρ6和ρ14分别为3通道、4通道、6通道和14通道的反射率。
其次，选取2个时间特征，包括像元在时间序列上的亮温变化率和太阳高度角。地表温度在短时间段内的变化较小，一般不到0.5 K。因此，基于H-8卫星高频次观测特性，选取被判识像元7通道(中心波长3.80 μm)前后时次的亮温变化率作为时间特征输入，可以有效提高火点判识的灵敏度。计算式为：
εBT=ΔTΔt (5) 式中：εBT为亮温变化率；ΔT为亮温差；Δt为前后时间差。
地表在没有火情状态下，温度的变化由周期性的太阳辐射驱动。在白天晴空理想状态下，地表吸收的有效太阳辐射I计算式为：
I=(1−A)S0δεsinHs (6) 式中：A为地表反射率；S0为太阳常数；ε为大气透过率；δ为地表吸收率；Hs为太阳高度角。在某时间的固定区域内A、ε和δ为常量，下垫面类型保持不变，太阳辐射只与太阳高度角的三角函数成正比。一方面，太阳辐射会影响风速、空气中的相对湿度，特别是易燃材料的干燥程度。另一方面，太阳高度角在一天中是动态变化的。因此，选取太阳高度角作为判识火点的时间特征，计算式为：
Hs=arcsin(sinαsinβ+cosαcosβcosω) (7) 式中：α为地理经纬度的纬度；β为太阳赤纬；ω为时角。这些参数与日期及所在地标准时间相关。
最后，选取2个空间特征参数n1和n2。假设火灾区域BT7和BT14大于周边地区，根据背景区像元的亮温对火点进行判识。
{n1=T7−T7vδT7n2=T7−14−T7 - 14vδT7 - 14 (8) 式中：T7为通道7的BT；T7-14为通道7和14的BTD；T7v和δT7为背景区域T7的平均值和标准差；T7-14v和δT7-14为背景区域T7-14的平均值和标准差。为充分利用背景区的亮温差异且减少区域过大引起的误差，初始背景区域由目标像元周边5×5的有效窗口构成，当窗口内有效像元数不足背景区像元数的20%时，令窗口扩大为7×7、9×9、…、51×51。通过计算移动窗口内T7与T7-14的平均值和标准差，从而得到两个空间输入特征。
表 2中列出了所选取的12个输入特征，分为3种类型，即8个光谱特征、2个时间特征和2个空间特征。
表 2 12个输入特征Table 2. 12 input features类型 名称 符号 光谱特征 7通道亮温 BT7 7和12通道亮温差 BTD7-12 7和13通道亮温差 BTD7-13 7和14通道亮温差 BTD7-14 7和15通道亮温差 BTD7-15 归一化植被指数 INDVI 燃烧面积指数 IBAI 改进归一化燃烧指数 INBRT 时间特征 亮温变化率 εBT 太阳高度角 Hs 空间特征 BT7与背景区的差异参数 n1 BTD7-14与背景区的差异参数 n2 2.2 数据预处理
2.2.1 云掩膜的去除
云覆盖是复杂多变的，对火灾识别算法有很大的影响[41]。一方面，云层的存在很容易阻挡地面火点的发射信息，另一方面，云层的镜面反射会导致误判火点。因此，准确的云检测是火点识别的一个重要步骤。通过先前研究的基于特征增强模块和高斯混合模型的双分支云检测算法以剔除云掩膜[42]。
2.2.2 数据归一化和标准化
由于不同通道的数据范围和大小不同，需要对原始样本库进行归一化和标准化处理，不但可以消除各数据特征因数量级不同而对分类结果产生的影响，而且可以使数据仍保持原始分布，对提高模型分类效果有一定帮助。利用min-max归一化对所有通道数据进行线性变化，使所有数据分布在[0, 1]之间，计算式为：
X=x−xminxmax−xmin (9) 式中：x为通道的原始数据；xmin和xmax分别为通道的最大值和最小值；X为归一化之后的特征值。
将特征数据进行Z-score标准化处理，利用原始数据集的均值与标准差进行数据标准化，处理后的数据将符合正态分布，且均值为0，标准差为1，计算式为：
x∗=x−μσ (10) 式中：μ为数据集均值；σ为数据集标准差；x*为标准化后的值。
3. 基于时空特征融合的火点判识
3.1 时空特征融合网络
CNN已经成为最流行的深度学习网络之一，主要用于空间特征提取，而对时序信息感知不足[43]。为此引入长短期记忆网络(long short term memory，LSTM)与之组合，以同时提取丰富的时空特征[44]。如图 2所示，LSTM由4个关键部分组成：单元状态用于存储和传递信息，Ct–1和Ct分别为t–1和t时刻的单元状态；遗忘门消除冗余数据，将新的输入xt和上一时刻的输出ht–1输入sigmoid函数(图 2中“σ”)以决定遗忘哪些信息；输入门利用tanh函数提取有效信息，然后sigmoid函数确定哪些信息需要更新，最后合并以更新单元状态；输出门利用sigmoid函数和当前状态的tanh函数确定输出值。
与单向相比，改进后的双向LSTM能更快搜索相关信息并全面感知上下文特征。如图 3所示，双向LSTM包括2个独立的LSTM层，从时间序列的两端处理信息，xt–1、xt和xt+1分别为t–1、t和t+1时刻的输入，ht–1、ht和ht+1为对应时刻的输出。此外，通过堆叠两层LSTM可增强学习复杂特征的能力，实验中进一步证实双向堆叠的LSTM的有效性。
为克服传统CNN与LSTM在捕获空间和时序信息方面的局限性，进行一些关键改进，提出特征提取器S-CNN模块和T-LSTM模块，以提高融合模型对空间和时间特征的敏感性。通过构建两种时空特征融合网络进行对比，除结构不同，网络参数和实验环境均一致。图 4是逐层提取时空特征的融合网络ST-CNN-LSTM，通过S-CNN先提取深浅层空间特征，经过融合后输入T-LSTM提取时间特征，最后输出到分类模块进行火点判别。图 5是同时提取多尺度时空特征的融合网络SCNN&TLSTM，由S-CNN和T-LSTM同时对输入数据提取时空特征后进行融合，然后送到分类模块。通过对比验证这两种网络结构，得出更准确的火点判识模型。
S-CNN模块包括CNN-1和CNN-2，是两个具有不同内核大小和深度的CNN。CNN-1采用较小的感受野自动提取浅层特征，而使用较大感受野的CNN-2提取深层特征，将来自CNN-1和CNN-2的特征向量逐元素融合。CNN-1和CNN-2均由2组卷积池化层组成，激活函数均为Relu，池化层均为2×2的最大池化以进一步缩减网络参数。CNN-1的卷积层1和2的通道数为64和128，卷积核大小均为3；CNN-2的卷积层3和4的通道数依次为32和64，卷积核大小均为5。实验中进一步证实双通道多尺度CNN用于提取火点的深浅层空间特征，能够提高火点判识的综合性能。
T-LSTM模块包括3个主要组成部分，即两层堆叠的双向LSTM层，一个最大池化层和一个具有128个神经元的全连接层。该模块首先由两个堆叠的双向LSTM层对输入数据进行整形和处理，以提取时间相关的特征。然后，通过最大池化层对提取特征进行聚合，其输出进一步馈送到全连接层，得到最终提取的时间特征。
采用全连接层进行最终分类，Softmax作为输出层的激活函数，如式(11)所示。
zj=ezj/ezj10∑k=1ezk10∑k=1ezk (11) 式中：zj表示第j个神经元的输出。
3.2 实验设置与评价指标
本文实验是在英特尔2.1 GHz Core(TM)i7-12700F和具有32 GB RAM的NVIDIA GeForce RTX 3060 PC上的Python环境中进行的。实验的网络结构由TensorFlow2.10深度学习框架搭建，使用均方误差(mean square error，MSE)作为损失函数来评估网络性能，并使用Adam优化器。设置模型训练的批处理大小(batchsize)为64，迭代次数(epoch)为100，初始学习率为0.001。对于深度学习模型来说，模型的专用架构非常通用，优化过程复杂且没有优化的标准过程，故根据实验逐步对各类层进行超参数优化和选择。
利用4种评估分类性能的评价指标：总体精度(overall accuracy，OA)、精确率(precision)、召回率(recall)和F1分数，其计算式如下：
O=AB (12) P=TPTP+FP (13) R=TPTP+FN (14) F=2PRP+R (15) 式中：A为各类样本正判数之和；B为样本总数；TP、FP和FN分别为本类样本正判数、他类样本误判成本类样本数和本类样本误判数；O为整个样本库中每类的分类准确度的直观指标；P为模型在决策中正确分类的火点所占比例；R衡量模型在参考火点中正确分类火点的能力；F为精确率和召回率的调和平均值。
4. 结果与讨论
4.1 不同深度学习方法对比
在相同的实验环境下，采用相同实验策略获得CNN、LSTM、ST-CNN-LSTM和SCNN&TLSTM的训练损失和验证精度曲线，以验证所提出时空特征融合模型的判识效果。图 6是4种网络的训练损失曲线，从图中可见，所有网络在迭代刚开始时，训练集的损失下降明显，最后逐渐稳定。在迭代60次后，LSTM和CNN的训练损失分别基本稳定在0.352和0.303。相比之下，所构建的ST-CNN-LSTM和SCNN&TLSTM更加快速地趋于稳定，在40个epoch后训练损失分别为0.245、0.212。
图 7是4种网络的验证精度曲线，从图 7可见，网络训练过程中验证集的精度随迭代次数增加而增加，最后逐渐稳定。CNN、LSTM、ST-CNN-LSTM和SCNN&TLSTM网络的验证精度趋于稳定在0.805、0.776、0.884和0.906。在迭代70次后，CNN、LSTM验证精度才逐渐稳定，而2个时空融合网络在迭代40次后快速趋于稳定。显然，时空融合网络训练过程和验证精度较单一网络均表现更优异。此外，SCNN&TLSTM具有最低的训练损失和最高的验证精度，识别性能要优于逐层提取特征的融合网络ST-CNN-LSTM。
4种网络的火点分类结果如表 3所示，分类的OA值从高到低依次为：SCNN&TLSTM、ST-CNN-LSTM、CNN、LSTM。LSTM虽然能提取时序差异特征进行分类，但分类效果稍逊于CNN，相比之下CNN总体精度提升了2.9%。仅利用CNN提取特征容易误判火点，时空特征融合网络结合LSTM提取时序特征，帮助CNN减少因空间结构相似而导致的误判，从而提升火点判识的整体精度。因此，ST-CNN-LSTM和SCNN&TLSTM网络的OA分别达到88.49%和90.61%，与CNN相比整体提高了7.98%、10.1%。此外，SCNN&TLSTM较ST-CNN-LSTM火点与非火点的所有指标都显著提高，其中OA提升2.12%。这是由于SCNN&TLSTM模型中两个特征提取器同时提取输入数据的特征进行融合，时空信息都包含丰富的原始特征，有效提升了判识性能。但ST-CNN-LSTM将S-CNN的输出输入到T-LSTM提取特征，会出现特征丢失，导致最终精度下降。
表 3 不同深度学习网络的火点判识结果Table 3. Fire identification results of different deep learning networks算法 指标 火点 非火 CNN O/% 80.51 80.51 P/% 84.69 75.87 R/% 79.51 81.76 F/% 82.03 78.71 LSTM O/% 77.61 77.61 P/% 84.09 71.33 R/% 73.96 82.24 F/% 78.70 76.39 ST-CNN-LSTM O/% 88.49 88.49 P/% 84.34 87.76 R/% 91.38 78.47 F/% 87.72 82.86 SCNN&TLSTM O/% 90.61 90.61 P/% 87.61 95.51 R/% 96.94 82.59 F/% 92.03 88.58 图 8是4种网络的混淆矩阵，直观地反映了模型不同类的分类性能。图中主对角线和副对角线分别表示分类正确数和误分类数，0表示非火点，1表示火点。由图 8可见，融合网络较单一网络，火点的分类正确数显著增加，火点漏检数显著降低，更直观地证实了所提两种网络能提高火点判识的性能。由图 8(c)可见，ST-CNN-LSTM正确分类火点的数量大幅增加，但非火点误判为火点的数量也有所增加，进一步表明将S-CNN的输出传递给T-LSTM逐层提取特征的过程，易造成原始特征丢失，导致特征提取存在不同侧重点，进而限制了模型对全局信息的整合，导致非火点的误判数量过高。然而，由图 8(d)可见，SCNN&TLSTM火点误检和漏检数是最低的，火点与非火点的正确识别数量也是最高的，显然该结构更好地提取多尺度时空特征，使得模型达到最佳判别效果。
4.2 网络结构对判识性能的影响
通过对最佳网络SCNN&TLSTM进行消融实验，以验证深度模型网络结构对性能的影响。与单通道CNN的结构比较，以验证双通道的有效性。同时与单向LSTM结构比较，以验证双向堆叠的LSTM的有效性。基于以上描述，得到4种不同结构的网络模型，实验结果如表 4所示。其中，CNN&LSTM表示单通道，DCNN&LSTM表示双通道，CNN&BiLSTM表示双向堆叠，SCNN&TLSTM表示双通道双向堆叠的融合网络。
表 4 网络结构对性能的影响Table 4. The impact of network structure on performance算法 指标 火点 非火 CNN&LSTM O/% 83.15 83.15 P/% 85.17 80.63 R/% 84.61 81.29 F/% 84.89 80.96 DCNN&LSTM O/% 86.05 86.05 P/% 84.21 89.70 R/% 92.96 77.88 F/% 88.37 83.37 CNN&BiLSTM O/% 85.64 85.64 P/% 82.81 90.52 R/% 93.79 75.29 F/% 87.96 82.21 SCNN&TLSTM O/% 90.61 90.61 P/% 87.61 95.51 R/% 96.94 82.59 F/% 92.03 88.58 由表 4可见，DCNN&LSTM的OA较单通道CNN&LSTM提高了2.9%，表明通过双通道CNN提取更多不同深度的空间信息，有助于提高分类精度。CNN&BiLSTM的OA较CNN&LSTM提高了2.49%，验证了双向堆叠LSTM的有效性。DCNN&LSTM与CNN&BiLSTM相比OA高出0.41%，表明网络中双通道的效果比双向堆叠稍好。然而，SCNN&TLSTM采用双通道与双向堆叠结合，其火点和非火点的所有指标值均是最佳的，OA值较CNN&LSTM、CNN&BiLSTM和DCNN&LSTM分别提高了7.46%、4.97%和4.56%。结果表明，该时空特征融合网络SCNN&TLSTM的结构是最佳的，其能够显著改善火点分类性能。
4.3 样本特征对判识性能的影响
为验证所选取12个输入特征对网络模型的贡献，基于多尺度时空特征融合网络SCNN&TLSTM，使用3类(光谱、时间和空间)输入特征组合设计4种方案CL1—CL4，如表 5所示。表中，“Δ”表示输入特征在相应方案中使用，“Χ”表示输入特征未使用。CL1仅使用光谱输入特征，而CL2和CL3除光谱特征外，还分别结合时间和空间特征，CL4综合3种类型的特征。
表 5 输入特征和方案的描述Table 5. Description of the input features and schemes输入特征 CL1 CL2 CL3 CL4 光谱特征 Δ Δ Δ Δ 时间特征 Χ Δ Χ Δ 空间特征 Χ Χ Δ Δ 图 9描述了4种方案下的评价指标，图中条形表示该指标的平均值，误差线表示对应指标结果的最小和最大范围。如图 9所示，所有方案都产生了较高的OA值，表明它们能够较好地判识火点。CL2和CL3的召回率高于CL1，表明增加时间或空间特征均有助于火点分类。CL4是最佳方案，优于其他3种方案，其OA值有显著提高，且4种指标值均最高。这表明判识火点时同时考虑时间和空间特征的重要性，综合3种输入特征的方案有效提高了模型的分类效果。
4.4 与机器学习方法对比
通过与机器学习的2种经典分类算法(RF、SVM)和文献[45]中的2种复合网络（Res-LSTM、Res-SPP）进行比较，以进一步验证所提出的时空特征融合方法的分类性能。在CL1与CL4方案下6种机器学习方法的测试分类结果，如表 6所示。
表 6 CL1和CL4方案下6种机器学习方法的测试结果Table 6. Test results of 6 machine learning methods under CL1 and CL4 schemes方法 CL1 CL4 O/% P/% R/% F/% O/% P/% R/% F/% RF 72.73 69.54 78.35 73.92 73.69 71.19 78.81 74.60 SVM 74.69 73.18 77.46 75.37 74.81 73.55 77.68 75.46 Res-LSTM 81.45 79.17 83.87 81.25 84.13 82.61 89.47 86.67 Res-SPP 83.17 82.35 89.47 86.36 86.04 85.71 92.84 89.79 ST-CNN-LSTM 85.27 80.13 85.56 87.32 88.49 84.34 91.38 87.72 SCNN&TLSTM 86.73 81.39 87.23 89.29 90.61 87.61 96.94 92.03 图 10是6种方法在CL1和CL4方案下的主要指标OA，更直观地得出：在方案CL4下，本文构建的两种网络的效果较好，SCNN&TLSTM效果最佳，OA值可高达90.61%。传统机器学习模型RF和SVM通常受限于模型复杂性和特征表示能力，相对其他4种深度学习模型在分类任务中表现较差，并且方案CL4下效果较CL1的改进幅度非常有限，因为传统机器学习模型难以自动捕捉数据中的复杂非线性特征。4种深度学习模型，在CL4方案下的效果较CL1都有显著提高，进一步验证了本文所选取特征方案的有效性。Res-LSTM的效果略低于Res-SPP，Res-SPP的效果略低于所提出的ST-CNN-LSTM，在CL4方案下由低到高3种网络的OA分别为84.13%，86.04%和88.49%。两种特征融合网络在CL4方案下较CL1提升较显著，ST-CNN-LSTM和SCNN&TLSTM的OA值分别提高了3.22%和3.88%，说明通过特征选取和数据预处理方案，可使模型的分类性能更优。
为进一步分析模型性能，利用样本库的验证集对比8种模型的计算成本，包括模型的计算时间、参数量及内存占用量，见表 7。由表 7可见，传统机器学习模型RF和SVM相对于深度学习模型，其计算时间、参数量和内存占用量均较低。这是因为深度学习模型需要自动从数据中提取多尺度的特征并学习数据间更复杂的关系，因此需要更多的计算时间和内存空间。此外，与单一网络CNN和LSTM相比，复合网络时间和空间的计算成本均有提高。S-CNN和T-LSTM的复杂网络结构会导致计算成本增加，因此ST-CNN-LSTM和SCNN&TLSTM结合两种单一网络，增加了模型复杂度，导致更长的计算时间以及更多的空间成本。
表 7 不同机器学习方法的计算成本Table 7. Computational cost of different machine learning methods方法 计算时间/s 参数量/103 内存占用量/KB RF 4.81 29.29 125.00 SVM 4.68 27.28 101.26 LSTM 6.81 33.20 151.62 CNN 8.43 78.41 283.24 Res-LSTM 13.57 147.42 546.73 Res-SPP 14.17 186.73 615.92 ST-CNN-LSTM 16.44 215.82 689.48 SCNN&TLSTM 12.29 247.61 747.53 然而，SCNN&TLSTM网络能够同时提取时空特征，因此其计算时间是4种复合网络中最低的，但提取过程一定程度上增加了内存占用。此外，SCNN&TLSTM相对于CNN增加了3.86 s的计算时间，OA值却提高了10.1%。尽管深度学习复合网络需要更多的计算时间和内存消耗，但这种网络具有更强的特征提取能力，在处理时空相关性较强的火点判识任务中表现更出色。因此，为降低输电线路火点判识的漏报和误报，适当地投入计算成本具有一定的工程应用意义。
4.5 与输电线路火点判识的传统方法对比
基于所构建的样本库，进一步与输电线路火点判识的传统方法进行对比，以验证SCNN&TLSTM方法的有效性。与固定阈值法[46]、传统上下文法[23]和时空上下文法[47]的对比结果，如表 8所示。
表 8 与传统火点判识方法的对比结果Table 8. Comparison results with traditional fire identification methods方法 O/% P/% R/% F/% 漏报率/% 固定阈值法 55.49 49.48 31.66 38.61 68.34 传统的上下文法 61.78 70.02 57.79 63.31 42.21 时空上下文法 73.29 78.35 71.69 74.89 28.31 SCNN&TLSTM 90.61 87.61 96.94 92.03 3.06 在与输电线路火点判识的传统方法对比中，增加了漏报率这一指标。这是因为在实际应用中，漏报率是评估算法性能的重要指标，仅分析算法的精度难以体现算法的优越性。由表 8可见，传统方法的所有评价指标值都较低，而多尺度时空特征深度融合的SCNN&TLSTM方法所有指标都较高。此外，受云掩膜遮挡和地表植被复杂等因素影响，传统的火点识别算法往往存在较高的漏报率，固定阈值法、传统的上下文法的漏报率分别为68.34%和42.21%。时空上下文法已应用于南方某省输电线路的山火监测，该算法的OA值为73.29%，漏报率为28.31%。然而，所提方法SCNN&TLSTM的OA值达到90.61%，模型的综合得分(F1-score)达到最佳，同时漏报率显著减小至仅为3.06%。结果表明，该时空特征融合网络SCNN&TLSTM能显著提升输电线路火点判识的精度以及降低漏报率。
4.6 实例分析
基于多尺度时空特征深度融合SCNN&TLSTM网络的输电线路火点判识方法，开发了1套输电线路山火监测与告警平台，并在某省级电网开展了示范应用。在2022年监测到可能影响输电线路正常运行的山火累计395起，经现场查证354起属实。该方法实现了输电线路快速准确的山火监测，该省级电网2022—2023年春节和清明节期间(山火高发期)山火引起的跳闸事故大幅降低。
该平台利用云检测算法将像元分为云像元和晴空像元，通过提取某晴空像元的12个特征量，输入到火点判识模型中进一步提取时空特征，以判识该像元是否为火点。图 11所示为一次典型应用案例。2022-05-10，采用本文火点判识算法实时分析H-8数据，当天累计监测到火点5处，现场核实后5处火点均属实，如表 9所示。该天14:10平台监测到小火点像元，其7通道的亮温为298 K(< 320 K)，经确定火点位置为(100°07′E, 25°81′N)，距离某110 kV杆塔仅1 005 m。运维人员收到预警后紧急赶赴现场查看，火势正在向杆塔方向蔓延，最近距离仅250 m。由于发现及时，有效地控制了火情，保证输电线路的正常运行。
表 9 输电线路山火告警杆塔及火点输入特征Table 9. Transmission line wildfire warning towers and wildfire input features时刻 经度/(°) 纬度/(°) 杆塔 与杆塔
距离/mBT7 BTD7-12 BTD7-13 BTD7-14 BTD7-15 INDVI IBAI INBRT εBT Hs n1 n2 14:10 100.07 25.81 GD线(53号) 1 005 298.41 31.14 6.91 6.92 8.99 0.48 16.25 0.75 2.32 0.58 1.72 3.51 15:30 101.63 22.56 XJ-T线(190—193号) 1 394 304.73 37.81 12.43 12.58 15.13 0.43 14.74 0.78 2.95 0.44 2.59 3.17 15:50 101.63 22.54 XJ-T线(196—198号) 1 102 323.23 62.30 31.14 30.94 34.75 0.37 20.13 0.81 4.18 0.42 2.92 3.32 16:20 101.70 25.66 TY线(35—46号) 989 327.92 62.44 28.51 29.09 33.75 0.34 32.06 0.79 3.79 0.38 3.56 3.91 17:10 100.11 25.76 DE-I线(84号、85号) 1 195 317.89 55.87 23.50 23.84 28.27 0.42 27.42 0.74 2.23 0.34 2.65 3.07 5. 结论
本文基于H-8静止卫星的多光谱通道和高观测频次等特点，提出了多尺度时空特征深度融合神经网络的输电线路火点判识方法。
1）提出时空特征提取器S-CNN和T-LSTM，以构建多尺度时空特征深度融合SCNN&TLSTM网络。该判识方法同时提取输入数据原始信息的多尺度时空特征，融合特征后进行火点识别，具有较好的火点判识性能。
2）针对输电线路难以监测初期火点的问题，选取样本的光谱、时间和空间特征作为深度学习火点判识模型的多输入量。对输入特征进行消融实验，发现同时组合3类特征的方案最佳，以验证样本库的可靠性和特征选取的有效性。
3）将SCNN&TLSTM与简单的机器学习方法以及深度学习复合网络进行对比，得出其各指标均最高，其中OA值高达90.61%。通过对比不同网络的计算成本发现，相较于其他深度学习复合网络，能同时提取时空特征的SCNN&TLSTM网络计算时间最低12.29 s。此外，利用实例验证了所提SCNN&TLSTM的火点判识方法在输电线路山火监测方面的有效性。
-
![]()
图 1 2009—2021年110 kV及以上输电线路山火跳闸分布
Figure 1. Distribution of wildfire tripping of 110 kV and above transmission lines from 2009 to 2021
表 1 H-8通道参数
Table 1 H-8 channel parameters
通道 中心波长/μm 分辨率/km 命名 1 0.46 1 VIS1 2 0.51 1 VIS2 3 0.64 0.5 VIS3 4 0.86 1 NIR1 5 1.60 2 NIR2 6 2.30 2 NIR3 7 3.80 2 IR1 8 6.20 2 IR2 9 7.00 2 IR3 10 7.30 2 IR4 11 8.60 2 IR5 12 9.60 2 IR6 13 10.40 2 IR7 14 11.20 2 IR8 15 12.30 2 IR9 16 13.30 2 IR10 
下载: 导出CSV
表 2 12个输入特征
Table 2 12 input features
类型 名称 符号 光谱特征 7通道亮温 BT7 7和12通道亮温差 BTD7-12 7和13通道亮温差 BTD7-13 7和14通道亮温差 BTD7-14 7和15通道亮温差 BTD7-15 归一化植被指数 INDVI 燃烧面积指数 IBAI 改进归一化燃烧指数 INBRT 时间特征 亮温变化率 εBT 太阳高度角 Hs 空间特征 BT7与背景区的差异参数 n1 BTD7-14与背景区的差异参数 n2
下载: 导出CSV
表 3 不同深度学习网络的火点判识结果
Table 3 Fire identification results of different deep learning networks
算法 指标 火点 非火 CNN O/% 80.51 80.51 P/% 84.69 75.87 R/% 79.51 81.76 F/% 82.03 78.71 LSTM O/% 77.61 77.61 P/% 84.09 71.33 R/% 73.96 82.24 F/% 78.70 76.39 ST-CNN-LSTM O/% 88.49 88.49 P/% 84.34 87.76 R/% 91.38 78.47 F/% 87.72 82.86 SCNN&TLSTM O/% 90.61 90.61 P/% 87.61 95.51 R/% 96.94 82.59 F/% 92.03 88.58
下载: 导出CSV
表 4 网络结构对性能的影响
Table 4 The impact of network structure on performance
算法 指标 火点 非火 CNN&LSTM O/% 83.15 83.15 P/% 85.17 80.63 R/% 84.61 81.29 F/% 84.89 80.96 DCNN&LSTM O/% 86.05 86.05 P/% 84.21 89.70 R/% 92.96 77.88 F/% 88.37 83.37 CNN&BiLSTM O/% 85.64 85.64 P/% 82.81 90.52 R/% 93.79 75.29 F/% 87.96 82.21 SCNN&TLSTM O/% 90.61 90.61 P/% 87.61 95.51 R/% 96.94 82.59 F/% 92.03 88.58
下载: 导出CSV
表 5 输入特征和方案的描述
Table 5 Description of the input features and schemes
输入特征 CL1 CL2 CL3 CL4 光谱特征 Δ Δ Δ Δ 时间特征 Χ Δ Χ Δ 空间特征 Χ Χ Δ Δ
下载: 导出CSV
表 6 CL1和CL4方案下6种机器学习方法的测试结果
Table 6 Test results of 6 machine learning methods under CL1 and CL4 schemes
方法 CL1 CL4 O/% P/% R/% F/% O/% P/% R/% F/% RF 72.73 69.54 78.35 73.92 73.69 71.19 78.81 74.60 SVM 74.69 73.18 77.46 75.37 74.81 73.55 77.68 75.46 Res-LSTM 81.45 79.17 83.87 81.25 84.13 82.61 89.47 86.67 Res-SPP 83.17 82.35 89.47 86.36 86.04 85.71 92.84 89.79 ST-CNN-LSTM 85.27 80.13 85.56 87.32 88.49 84.34 91.38 87.72 SCNN&TLSTM 86.73 81.39 87.23 89.29 90.61 87.61 96.94 92.03
下载: 导出CSV
表 7 不同机器学习方法的计算成本
Table 7 Computational cost of different machine learning methods
方法 计算时间/s 参数量/103 内存占用量/KB RF 4.81 29.29 125.00 SVM 4.68 27.28 101.26 LSTM 6.81 33.20 151.62 CNN 8.43 78.41 283.24 Res-LSTM 13.57 147.42 546.73 Res-SPP 14.17 186.73 615.92 ST-CNN-LSTM 16.44 215.82 689.48 SCNN&TLSTM 12.29 247.61 747.53
下载: 导出CSV
表 8 与传统火点判识方法的对比结果
Table 8 Comparison results with traditional fire identification methods
方法 O/% P/% R/% F/% 漏报率/% 固定阈值法 55.49 49.48 31.66 38.61 68.34 传统的上下文法 61.78 70.02 57.79 63.31 42.21 时空上下文法 73.29 78.35 71.69 74.89 28.31 SCNN&TLSTM 90.61 87.61 96.94 92.03 3.06
下载: 导出CSV
表 9 输电线路山火告警杆塔及火点输入特征
Table 9 Transmission line wildfire warning towers and wildfire input features
时刻 经度/(°) 纬度/(°) 杆塔 与杆塔
距离/mBT7 BTD7-12 BTD7-13 BTD7-14 BTD7-15 INDVI IBAI INBRT εBT Hs n1 n2 14:10 100.07 25.81 GD线(53号) 1 005 298.41 31.14 6.91 6.92 8.99 0.48 16.25 0.75 2.32 0.58 1.72 3.51 15:30 101.63 22.56 XJ-T线(190—193号) 1 394 304.73 37.81 12.43 12.58 15.13 0.43 14.74 0.78 2.95 0.44 2.59 3.17 15:50 101.63 22.54 XJ-T线(196—198号) 1 102 323.23 62.30 31.14 30.94 34.75 0.37 20.13 0.81 4.18 0.42 2.92 3.32 16:20 101.70 25.66 TY线(35—46号) 989 327.92 62.44 28.51 29.09 33.75 0.34 32.06 0.79 3.79 0.38 3.56 3.91 17:10 100.11 25.76 DE-I线(84号、85号) 1 195 317.89 55.87 23.50 23.84 28.27 0.42 27.42 0.74 2.23 0.34 2.65 3.07
下载: 导出CSV
-
[1] 陆佳政, 周特军, 吴传平, 等. 输电线路差异化防山火技术与策略[J]. 高电压技术, 2017, 43(8): 2524-2532. http://hve.epri.sgcc.com.cn/vfPieHu6X9ByycESKff4mqToo2SYxoHgRePwkWduAL8W%2BsU4NrOC1PdTZDsNu7Mj?encrypt=1 LU Jiazheng, ZHOU Tejun, WU Chuanping, et al. Differentiation technology and strategy of wildfire protection for transmission lines[J]. High Voltage Engineering, 2017, 43(8): 2524-2532. http://hve.epri.sgcc.com.cn/vfPieHu6X9ByycESKff4mqToo2SYxoHgRePwkWduAL8W%2BsU4NrOC1PdTZDsNu7Mj?encrypt=1
[2] 黄道春, 范建斌, 王平, 等. 极端环境条件下输变电设备空气间隙绝缘特性研究现状及展望[J]. 高电压技术, 2023, 49(5): 1892-1906. http://hve.epri.sgcc.com.cn/vfPieHu6X9ByycESKff4mkDjB2VdPwbpN9ah%2BwV2ZMyA9aK%2B1pSY070tBRIhsixZ?encrypt=1 HUANG Daochun, FAN Jianbin, WANG Ping, et al. Current status and future prospects of transmission and transformation equipment air gap insulation characteristics under extreme natural environmental conditions[J]. High Voltage Engineering, 2023, 49(5): 1892-1906. http://hve.epri.sgcc.com.cn/vfPieHu6X9ByycESKff4mkDjB2VdPwbpN9ah%2BwV2ZMyA9aK%2B1pSY070tBRIhsixZ?encrypt=1
[3] 中华人民共和国应急管理部. 应急管理部发布的全国自然灾害基本情况[EB/OL]. [2024-08-10]. https://www.mem.gov.cn/. Ministry of Emergency Management of the People's Republic of China. Basic information on natural disasters nationwide released by the ministry of emergency management[EB/OL]. [2024-08-10]. https://www.mem.gov.cn/.
[4] 黄道春, 黎鹏, 阮江军, 等. 山火引发输电线路间隙放电机理与击穿特性综述[J]. 高电压技术, 2015, 41(2): 622-632. http://hve.epri.sgcc.com.cn/vfPieHu6X9ByycESKff4mqToo2SYxoHgRePwkWduAL9xuIpaE3pf1iCSGMbRnj3f?encrypt=1 HUANG Daochun, LI Peng, RUAN Jiangjun, et al. Review on discharge mechanism and breakdown characteristics of transmission line gap under forest fire condition[J]. High Voltage Engineering, 2015, 41(2): 622-632. http://hve.epri.sgcc.com.cn/vfPieHu6X9ByycESKff4mqToo2SYxoHgRePwkWduAL9xuIpaE3pf1iCSGMbRnj3f?encrypt=1
[5] 文刚, 周仿荣, 钱国超, 等. 基于分治思想及火焰燃烧模型的输电线路跳闸风险评估方法[J]. 昆明理工大学学报(自然科学版), 2023, 48(6): 66-77. WEN Gang, ZHOU Fangrong, QIAN Guochao, et al. Transmission line trip risk assessment method based on divide-and-conquer approach and flame combustion model[J]. Journal of Kunming University of Science and Technology (Natural Science), 2023, 48(6): 66-77.
[6] 周恩泽, 樊灵孟, 黄勇, 等. 基于火焰燃烧模型的输电线路山火跳闸风险分布评估[J]. 电网技术, 2022, 46(7): 2778-2785. ZHOU Enze, FAN Lingmeng, HUANG Yong, et al. Risk distribution assessment of wildfire-induced trips in transmission line based on flame combustion model[J]. Power System Technology, 2022, 46(7): 2778-2785.
[7] 张可颖, 吴新桥, 赵继光, 等. 基于特征工程和集成学习与模型融合的输电走廊实时山火风险评估模型[J]. 电网技术, 2023, 47(11): 4727-4738. ZHANG Keying, WU Xinqiao, ZHAO Jiguang, et al. Real-time Wildfire Risk Assessment Model for Transmission Corridors Based on Feature Engineering and Boosting Integrated Learning Model[J]. Power System Technology, 2023, 47(11): 4727-4738.
[8] 陆佳政, 刘毓, 吴传平, 等. 输电线路山火卫星监测与告警算法研究[J]. 中国电机工程学报, 2015, 35(21): 5511-5519. LU Jiazheng, LIU Yu, WU Chuanping, et al. Study on satellite monitoring and alarm calculation algorithm of wild fire near transmission lines[J]. Proceedings of the CSEE, 2015, 35(21): 5511-5519.
[9] 杨淳岚, 宁鑫, 徐会凯, 等. 电网山火监测及风险预警技术研究综述[J]. 电网技术, 2023, 47(11): 4765-4777. YANG Chunlan, NING Xin, XU Huikai, et al. Overview of mountain fire monitoring and early warning for power grid demand[J]. Power System Technology, 2023, 47(11): 4765-4777.
[10] 陆佳政, 刘毓, 徐勋建, 等. 架空输电线路山火预测预警技术[J]. 高电压技术, 2017, 43(1): 314-320. http://hve.epri.sgcc.com.cn/vfPieHu6X9ByycESKff4mqToo2SYxoHgRePwkWduAL8dgE_V6rCmaGjEVYuv1AfD?encrypt=1 LU Jiazheng, LIU Yu, XU Xunjian, et al. Prediction and early warning technology of wildfire nearby overhead transmission lines[J]. High Voltage Engineering, 2017, 43(1): 314-320. http://hve.epri.sgcc.com.cn/vfPieHu6X9ByycESKff4mqToo2SYxoHgRePwkWduAL8dgE_V6rCmaGjEVYuv1AfD?encrypt=1
[11] 吴勇军, 薛禹胜, 陆佳政, 等. 山火灾害对电网故障率的时空影响[J]. 电力系统自动化, 2016, 40(3): 14-20. WU Yongjun, XUE Yusheng, LU Jiazheng, et al. Space-time impact of forest fire on power grid fault probability[J]. Automation of Electric Power Systems, 2016, 40(3): 14-20.
[12] 何立夫, 陆佳政, 刘毓, 等. 输电线路山火可见光-红外多光源精准定位技术[J]. 高电压技术, 2018, 44(8): 2548-2555. http://hve.epri.sgcc.com.cn/vfPieHu6X9ByycESKff4mqToo2SYxoHgRePwkWduAL%2BT0kwE45_NpQV6JBw8Ct2O?encrypt=1 HE Lifu, LU Jiazheng, LIU Yu, et al. Precise positioning technology of wild fire nearby transmission lines by visible and infrared vision[J]. High Voltage Engineering, 2018, 44(8): 2548-2555. http://hve.epri.sgcc.com.cn/vfPieHu6X9ByycESKff4mqToo2SYxoHgRePwkWduAL%2BT0kwE45_NpQV6JBw8Ct2O?encrypt=1
[13] 杨潇钰, 余勤, 叶强, 等. 基于遥感技术的输电走廊植被山火预警平台研究[J]. 自然灾害学报, 2021, 30(6): 67-76. YANG Xiaoyu, YU Qin, YE Qiang, et al. An early warning platform of mountain fire in transmission corridor based on remote sensing[J]. Journal of Natural Disasters, 2021, 30(6): 67-76.
[14] CHEN J X, LI R, TAO M H, et al. Overview of the performance of satellite fire products in China: uncertainties and challenges[J]. Atmospheric Environment, 2022, 268: 118838.
[15] 裔传祥, 辛晓洲, 胡继超, 等. 基于GF-4数据分析低分辨率卫星云检测尺度误差对下行辐射计算的影响[J]. 地球科学进展, 2018, 33(4): 425-434. YI Chuanxiang, XIN Xiaozhou, HU Jichao, et al. Analysis of cloud scale error of low resolution satellite based on GF-4 and its influence on downward radiation calculation[J]. Advances in Earth Science, 2018, 33(4): 425-434.
[16] 张海龙, 李丽, 辛晓洲, 等. 融合高分一号、风云四号及葵花-8的光合有效辐射遥感方法及产品研究[J]. 遥感学报, 2023, 27(3): 748-757. ZHANG Hailong, LI Li, XIN Xiaozhou, et al. A para metric model to estimate photosynthetically active radiation products from synergized GF-1, FY-4 and Himawari-8 data[J]. National Remote Sensing Bulletin, 2023, 27(3): 748-757.
[17] 陈洁, 郑伟, 刘诚, 等. Himawari-8静止气象卫星时序法火点探测[J]. 遥感学报, 2021, 25(10): 2095-2102. CHEN Jie, ZHENG Wei, LIU Cheng, et al. Temporal sequence method for fire spot detection using Himawari-8 geostationary meteorological satellite[J]. National Remote Sensing Bulletin, 2021, 25(10): 2095-2102.
[18] FLANNIGAN M D, HAAR T H V. Forest fire monitoring using NOAA satellite AVHRR[J]. Canadian Journal of Forest Research, 1986, 16(5): 975-982.
[19] KAUFMAN Y J, JUSTICE C, FLYNN L, et al. Monitoring global fires from EOS-MODIS[J]. Journal of Geophysical Research, 1998, 103(32): 215-239.
[20] FLASSE S P, CECCATO P. A contextual algorithm for AVHRR fire detection[J]. International Journal of Remote Sensing, 1996, 17(2): 419-424.
[21] FILIZZOLA C, CORRADO R, MARCHESE F, et al. RST-FIRES, an exportable algorithm for early-fire detection and monitoring: description, implementation, and field validation in the case of the MSG-SEVIRI sensor[J]. Remote Sensing of Environment, 2016, 186: 196-216.
[22] KUMAR S S, ROY D P. Global operational land imager landsat-8 reflectance-based active fire detection algorithm[J]. International Journal of Digital Earth, 2018, 11(2): 154-178.
[23] 江全元, 晏鸣宇. 基于概率统计的输电线路山火监测方法[J]. 高电压技术, 2015, 41(7): 2302-2307. http://hve.epri.sgcc.com.cn/vfPieHu6X9ByycESKff4mqToo2SYxoHgRePwkWduAL%2BM1oP9rbjRk2ycHkz3jjNG?encrypt=1 JIANG Quanyuan, YAN Mingyu. Improved method for forest fire spot detection near transmission line based on probability statistic[J]. High Voltage Engineering, 2015, 41(7): 2302-2307. http://hve.epri.sgcc.com.cn/vfPieHu6X9ByycESKff4mqToo2SYxoHgRePwkWduAL%2BM1oP9rbjRk2ycHkz3jjNG?encrypt=1
[24] 周游, 隋三义, 陈洁, 等. 基于Himawari-8静止气象卫星的输电线路山火监测与告警技术[J]. 高电压技术, 2020, 46(7): 2561-2569. http://hve.epri.sgcc.com.cn/vfPieHu6X9ByycESKff4mqToo2SYxoHgRePwkWduAL_ak6GVOKGsgOJVIaQSNGmu?encrypt=1 ZHOU You, SUI Sanyi, CHEN Jie, et al. Monitor and alarm technology of wildfire occurrences in transmission lines corridors based on Himawari-8 geostationary meteorological satellite[J]. High Voltage Engineering, 2020, 46(7): 2561-2569. http://hve.epri.sgcc.com.cn/vfPieHu6X9ByycESKff4mqToo2SYxoHgRePwkWduAL_ak6GVOKGsgOJVIaQSNGmu?encrypt=1
[25] RADOČAJ D, JURIŠIĆ M, GAŠPAROVIĆ M. A wildfire growth prediction and evaluation approach using Landsat and MODIS data[J]. Journal of Environmental Management, 2022, 304: 114351.
[26] KANG Y, JANG E, IM J, et al. A deep learning model using geostationary satellite data for forest fire detection with reduced detection latency[J]. GIScience & Remote Sensing, 2022, 59(1): 2019-2035.
[27] JANG E, KANG Y, IM J, et al. Detection and monitoring of forest fires using Himawari-8 geostationary satellite data in South Korea[J]. Remote Sensing, 2019, 11(3): 271.
[28] CHEN H D, DUAN S Q, GE X K, et al. Multi-temporal remote sensing fire detection based on GBDT in Yunnan area[C]//2nd International Conference on Machine Learning, Big Data and Business Intelligence. Taiyuan, China: IEEE, 2020: 469-473.
[29] 杨知, 刘宇舜, 李闯, 等. 基于遥感+GIS的山火检测及火势蔓延监控平台实现[J]. 灾害学, 2024, 39(1): 51-56. YANG Zhi, LIU Yushun, LI Chuang, et al. Implementation of wildfire detection and fire spread monitoring platform based on remote sensing and GIS[J]. Journal of Catastrophology, 2024, 39(1): 51-56.
[30] 黄伟锋. 基于Himawari-8卫星的输电线路山火检测研究——以云南省为例[D]. 成都: 电子科技大学, 2023. HUANG Weifeng. Wildfire detection of transmission corridor based on Himawari-8 satellite: a case study of Yunnan Province[D]. Chengdu, China: University of Electronic Science and Technology of China, 2023.
[31] 何阳, 杨进, 马勇, 等. 基于Landsat-8陆地卫星数据的火点检测方法[J]. 红外与毫米波学报, 2016, 35(5): 600-608, 624. HE Yang, YANG Jin, MA Yong, et al. A method for fire detection using Landsat 8 data[J]. Journal of Infrared and Millimeter Waves, 2016, 35(5): 600-608, 624.
[32] POLIVKA T N, WANG J, ELLISON L T, et al. Improving nocturnal fire detection with the VIIRS day-night band[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(9): 5503-5519. DOI: 10.1109/TGRS.2016.2566665
[33] 茶枝义. 云南省针叶林碳储量及固碳潜力分析[J]. 西部林业科学, 2019, 48(4): 7-12. CHA Zhiyi. Carbon storage and sequestration potential of coniferous forest in Yunnan Province[J]. Journal of West China Forestry Science, 2019, 48(4): 7-12.
[34] 徐虹, 程晋昕, 何雨芩, 等. 气候变化和人类活动对云南省植被净初级生产力的影响[J]. 高原气象, 2024, 43(4): 1064-1075. XU Hong, CHENG Jinxin, HE Yuqin, et al. Effects of climate change and human activities on net primary productivity in Yunnan Province[J]. Plateau Meteorology, 2024, 43(4): 1064-1075.
[35] BESSHO K, DATE K, HAYASHI M, et al. An introduction to Himawari-8/9-Japan's new-generation geostationary meteorological satellites[J]. Journal of the Meteorological Society of Japan. Ser. Ⅱ, 2016, 94(2): 151-183. DOI: 10.2151/jmsj.2016-009
[36] CHEN Y L, FAN M, LI M Y, et al. Himawari-8/AHI aerosol optical depth detection based on machine learning algorithm[J]. Remote Sensing, 2022, 14(13): 2967. DOI: 10.3390/rs14132967
[37] MOHAJANE M, COSTACHE R, KARIMI F, et al. Application of remote sensing and machine learning algorithms for forest fire mapping in a Mediterranean area[J]. Ecological Indicators, 2021, 129: 107869. DOI: 10.1016/j.ecolind.2021.107869
[38] DOZIER J. A method for satellite identification of surface temperature fields of subpixel resolution[J]. Remote Sensing of Environment, 1981, 11: 221-229.
[39] LIN Z Y, CHEN F, NIU Z, et al. An active fire detection algorithm based on multi-temporal FengYun-3C VIRR data[J]. Remote Sensing of Environment, 2018, 211: 376-387.
[40] COLLINS L, MCCARTHY G, MELLOR A, et al. Training data requirements for fire severity mapping using Landsat imagery and random forest[J]. Remote Sensing of Environment, 2020, 245: 111839. DOI: 10.1016/j.rse.2020.111839
[41] 徐萌, 王思涵, 郭仁忠, 等. 遥感影像云检测和云去除方法综述[J]. 计算机研究与发展, 2024, 61(6): 1585-1607. XU Meng, WANG Sihan, GUO Renzhong, et al. Review of cloud detection and cloud removal methods for remote sensing images[J]. Journal of Computer Research and Development, 2024, 61(6): 1585-1607.
[42] ZHOU F R, WEN G, MA Y, et al. A two-branch cloud detection algorithm based on the fusion of a feature enhancement module and Gaussian mixture model[J]. Mathematical Biosciences and Engineering, 2023, 20(12): 21588-21610. DOI: 10.3934/mbe.2023955
[43] DE ALMEIDA PEREIRA G H, FUSIOKA A M, NASSU B T, et al. Active fire detection in Landsat-8 imagery: a large-scale dataset and a deep-learning study[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 178: 171-186. DOI: 10.1016/j.isprsjprs.2021.06.002
[44] GREFF K, SRIVASTAVA R K, KOUTNÍK J, et al. LSTM: a search space odyssey[J]. IEEE Transactions on Neural Networks and Learning Systems, 2017, 28(10): 2222-2232. DOI: 10.1109/TNNLS.2016.2582924
[45] CAO R, TU W, YANG C X, et al. Deep learning-based remote and social sensing data fusion for urban region function recognition[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 163: 82-97. DOI: 10.1016/j.isprsjprs.2020.02.014
[46] XU G, ZHONG X. Real-time wildfire detection and tracking in Australia using geostationary satellite: Himawari-8[J]. Remote Sensing Letters, 2017, 8(11): 1052-1061. DOI: 10.1080/2150704X.2017.1350303
[47] 王开正, 付一桐, 钱国超, 等. 基于时空上下文的输电线路山火自动识别算法[J]. 电力系统保护与控制, 2022, 50(18): 83-91. WANG Kaizheng, FU Yitong, QIAN Guochao, et al. An automatic identification algorithm for wildfire occurrences near transmission line corridors based on spatio-temporal context[J]. Power System Protection and Control, 2022, 50(18): 83-91.
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
下载:
