(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111642612.7 (22)申请日 2021.12.2 9 (65)同一申请的已公布的文献号 申请公布号 CN 114398595 A (43)申请公布日 2022.04.26 (73)专利权人 青岛星科瑞升信息科技有限公司 地址 266555 山东省青岛市黄岛区海尔信 息谷创科园北区26 栋 (72)发明人 高慧娟　高涛　于会泳　王凯　 陈勇　张文华　 (74)专利代理 机构 北京盛凡佳华专利代理事务 所(普通合伙) 11947 专利代理师 安学慧 (51)Int.Cl. G06F 17/18(2006.01)G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01J 1/00(2006.01) G01J 5/00(2022.01) (56)对比文件 CN 111310621 A,2020.0 6.19 CN 111310621 A,2020.0 6.19 CN 106646651 A,2017.0 5.10 CN 113095437 A,2021.07.09 CN 110009031 A,2019.07.12 WO 2016132161 A1,2016.08.25 审查员 吴姝泓 (54)发明名称 一种基于BP神经网络的火点遥感识别方法 (57)摘要 本发明提供了一种基于BP神经网络的火点 遥感识别方法， 利用VIIRS  375m数据提出了一种 多参数、 多波段、 自适应阈值的火点遥感识别方 法。 包括以下步骤： 首先构建火点与非火点样本 数据集， 根据不同的波段组合及植被指数、 建筑 物指数自动提取水体、 云、 植被、 建筑物、 明亮反 光地表等非火点样本数据； 根据 样本集数据的光 谱特征， 选 择9个参数作为特征向量， 通过神经网 络实现对大量的已知火点的某些与火点关系密 切的特征向量和非火点的相同特征向量进行深 层特征提取， 学习其内在特征， 以特征参数来区 分火点与非火点， 使其与真实地面数据集相拟 合， 得到火点监测模型； 对待监测的数据处理后 输入模型得到火点 监测结果。 权利要求书2页 说明书6页 附图1页 CN 114398595 B 2022.10.28 CN 114398595 B 1.一种基于BP神经网络的火点遥感识别方法， 其特 征在于： 包括以下步骤： S1、 建立样本数据集； S2、 选择特征向量； S3、 基于神经网络模型BP 构建火点 监测模型； S4、 获取VI IRS VNP02IMG数据并进行辐射定标、 几何校正、 数据转 化处理； S5、 利用构建的火点 监测模型， 输入待监测影 像数据得到火点 监测结果； S1中， 包括： (1)根据核实的火点数据人工 选取火点样本数据集； (2)自动获取非火点样本数据集， 非火点样本数据 集包括： 水体、 云、 植被、 建筑物、 明亮 反光地表； S1中， 具体提取 方法如下： ①水体提取 利用光谱分析法， 基于V IIRS I1、 I2、 I3通道的反射率， 提取VIIRS中的水像元： ρ1＞ρ2＞ ρ3， 其中ρ1、 ρ2、 ρ3分别为I1、 I2、 I3波段的反射 率； ②云像元提取 基于VIIRS火点产品中的云检测算法识别云像元， 满足以下 条件的像元就是云像元： BT5＜265K||ρ1+ρ2＜0.9&&BT5＜295K||ρ1+ρ2＞0.7&&BT5＜285K 式中BT5是I5波段的亮度温度值； ③植被提取 利用归一化植被指数NDVI识别植被， NDVI＝( ρ2‑ρ1)/( ρ2+ρ1)， 一个像 元点的NDVI值若大 于0.3， 则认为该像元为 植被像元； ④建筑物提取 结合归一 化建筑指数NDBI与亮度温度识别建筑物， 判别条件如下： 式中BT4是I4波段的亮度温度值； ⑤明亮反光 地表提取 白天时明亮反光地表在I4波段具有较高的亮度温度值， 用下列公式判别： ρ3＞0.3&&ρ3 ＞ρ2&&ρ2＞0.25&&BT4≤335K。 2.根据权利要求1所述的一种基于BP神经网络的火点遥感识别方法， 其特征在于： S2 中， 根据火点与非火点像元的光谱特征， 选择ρ1、 ρ2、 ρ3、 BT4、 BT5、 BT45、 ΔBT4、 ΔBT5、 ΔBT459个 参数为特 征向量。 3.根据权利要求2所述的一种基于BP神经网络的火点遥感识别方法， 其特征在于： 其中 ρ1、 ρ2、 ρ3分别为I1、 I2、 I3波段的反射率， BT4、 BT5、 BT45分别为I4、 I5波段的亮度 温度及其差 值， ΔBT4、 ΔBT5分别为窗口内中心像元与周围像元在I4、 I5波段的亮温差值的平均值， Δ BT45为ΔBT4、 ΔBT5的差值。 4.根据权利要求3所述的一种基于BP神经网络的火点遥感识别方法， 其特征在于： 参数 选择方法具体如下： (1)基于反射 率的参数选择权　利　要　求　书 1/2 页 2 CN 114398595 B 2获取样本数据集中火点像元与非火点像元的反射率值， 计算归一化距离M， 选取ρ1、 ρ2、 ρ3三个参数为特 征向量， 归一化距离M由下式表示： 式中， 和 分别是第一种地物类型和第二种地物类型的反射率平均值， σ1和σ2是两种 地物类型对应的标准差；  M值越大， 则说明两种地物类型的差异越大， 越容易区分， 即M值大 于1.0时表示火点与非火点分离较好， 而M值小于1.0则表示分离较差； (2)基于亮度温度上 下文法的参数选择 根据火点像 元及其周围背景像 元在I4、 I5波段之间亮度温度差异， 选 择BT4、 BT5、 BT45、 Δ BT4、 ΔBT5、 ΔBT45为训练的特 征向量； 其中， BT4c为中心像 元在I4波段的亮度温度； BT4i为周围第i个像 元在I4波段的亮度温度 值； BT5c为中心像元在I5波段的亮度温度； BT5i为周围第i个 像元在I5波段的亮度温度值。 5.根据权利要求2所述的一种基于BP神经网络的火点遥感识别方法， 其特征在于： S3 中， 具体为： (1)对获得的9个特 征向量归一 化计算后输入BP网络模型进行训练； 归一化计算的方法： 根据样本值的最大最小值， 将样本的特征向量值范围归一化到 ‑1 ～1； (2)通过设置不同的BP网络模型参数进行训练， 网络参数包括网络结构， 学习率和训练 次数； (3)根据训练得到的网络参数构建火点 监测模型。权　利　要　求　书 2/2 页 3 CN 114398595 B 3