Сетевое издание

Современные проблемы науки и образования

ISSN 2070-7428

"Перечень" ВАК

ИФ РИНЦ = 1,006

• Авторы
• Резюме
• Файлы
• Ключевые слова
• Литература

Пономарчук А.И. 1

---

1 ФГБОУ ВПО «Пермский Государственный национальный исследовательский университет»

Контекстуальный алгоритм MOD14 (использование данных спектрорадиометра MODIS) детектирования пожаров в активной фазе использует параметры расчета, адаптированные для условий планеты в целом – так, чтобы свести к минимуму количество ложных сигналов. В условиях бореальных северных лесов с высокой растительностью и густыми кронами деревьев чувствительность метода резко снижается, приводя к многочисленным пропускам сравнительно крупных возгораний в лесной зоне. Работа посвящена оптимизации параметров контекстуального алгоритма с целью повышения достоверности детектирования (отношение числа подтвержденных пожаров к общему числу детектированных тепловых аномалий). Для существующих условий количество подтвержденных пожаров удалось увеличить в три раза, при этом общая достоверность детектирования осталась на уровне «стандартных» параметров. Основной прирост подтвержденных пожаров пришелся на пожары техногенного происхождения. Данный результат получен для пороговых значений яркостной температуры в 21 канале спектрорадиометра MODIS (диапазон 4 мкм) 295K/290K (день/ночь), в то время как в стандартном алгоритме используются значения 310K/305K.

Статья в формате PDF

415 KB

дистанционное зондирование Земли

ДЗЗ

MODIS

контекстуальный алгоритм

детектирование

лесные пожары

1. Афонин С.В., Белов Н.В., Энгель М.В.. Анализ региональных спутниковых данных MODIS PRODUCTS // Современные проблемы дистанционного зондирования Земли из космоса. – 2005. – Т. 2. – № 2. – С. 336–342.

2. Галеев А.А. [и др.] Построение адаптивного алгоритма детектирования пожаров // Современные проблемы дистанционного зондирования Земли из космоса. – 2008. – Т. 5. – № 1. – С. 58–68.

3. Информационная система дистанционного мониторинга (ИСДМ) Федерального агентства лесного хозяйства. – URL: http://www.pushkino.aviales.ru/ (дата обращения: 25.11.2012).

4. Министерство лесного хозяйства Пермского края. – URL: http://les.permkrai.ru/ (дата обращения: 25.11.2012).

5. Пономарчук А.И., Шихов А.Н. Детектирование лесных пожаров в Пермском крае с использованием данных дистанционного зондирования Земли // Геоинформационное обеспечение пространственного развития Пермского края : сб. науч. тр. / Перм. гос. нац. исслед. ун-т. Пермь, 2011. – Вып. 4. – С. 15-24.

6. Direct Readout L aboratory. URL: http://directreadout.sci.gsfc.nasa.gov/ (дата обращения: 25.11.2012). ; IMAPP: International MODIS/AIRS Processing Package, version 1.1. – URL: http://cimss.ssec.wisc.edu/imapp/ (дата обращения: 25.11.2012).

7. Earth Observing System Project Science Office, EOS Program Description. – URL: http://eospso.gsfc.nasa.gov/eos_homepage/description.php (дата обращения: 25.11.2012).

8. Giglio L. Detection, evaluation, and analysis of global fire activity using MODIS data: Dissertation on degree Doctor of Philosophy, University of Maryland, 2006. UMI Number: 3212607, 247 pp.

9. MOD 14 – Thermal Anomalies – Fires and Biomass Burning [Электронный ресурс] : Описание информационного продукта MOD14 (алгоритм детектирования пожаров по данным MODIS и формат представления результатов). – URL: http://modis.gsfc.nasa.gov/data/dataprod/dataproducts.php?MOD_NUMBER=14 (дата обращения: 25.11.2012).

10. Kerns G. Jay. Introduction to Probability and Statistics Using R. 2010. – URL: http://cran.r-project.org/web/packages/IPSUR/vignettes/IPSUR.pdf (дата обращения: 25.11.2012).

Введение

Эффективность детектирования природных пожаров с использованием спутниковых данных (данных дистанционного зондирования Земли, ДЗЗ) означает обнаружение пожаров на ранней стадии и оперативное информирование наземных служб. При этом требуется одновременно обеспечить достаточное разрешение: временно̀е (съемка с частотой несколько раз в сутки), пространственное (различимость участков возгорания протяженностью в десятки и сотни метров) и спектральное (наличие спектральных каналов, обеспечивающих обнаружение тепловых аномалий, или термоточек). Первое требование характерно для метеорологических спутников, второе и третье – для ресурсных. В настоящее время, до полного освоения возможностей спутника Suomi NPP, наилучшим доступным прибором для детектирования пожаров остается MODIS (спутники TERRA, AQUA, запущенные в рамках программы EOS, NASA [7]), а наиболее разработанным алгоритмом – MOD14 [9]. При съемке в надир пространственное разрешение тепловых каналов составляет 1 км на пиксел, подтвержденная минимальная площадь обнаружения пожара – 0,1 га. Это соответствует неким идеальным условиям (день, отсутствие облачности, открытая безлесная поверхность) и параметрам алгоритма, подобранным так, чтобы свести количество ложных сигналов к минимуму [8].

В реальности на территориях с высокой лесной растительностью чувствительность указанных выше средств позволяет обеспечить детектирование только сравнительно крупных и/или открытых пожаров естественного и техногенного происхождения; часто это возможно только на поздних стадиях пожара или уже после его тушения. Представленные в [5] результаты мониторинга Пермского края в пожароопасный сезон 2011 года в целом совпали со статистикой по другим регионам России с аналогичными природными условиями [1]. Целью настоящей работы является оптимизация параметров применяемого алгоритма обработки спутниковых данных с целью учесть специфику территории с преобладанием густых высоких лесов преимущественно хвойных пород.

Стандартные параметры, общие условия исследования

Алгоритм MOD14 (Active Fires Detection) использует данные тепловых спектральных каналов сенсора MODIS и является основой множества систем детектирования пожаров (например, FIRMS – Fire Information for Resource Management System). Детали алгоритма наиболее полно представлены в диссертации [8]. Выполненный в работе [2] анализ показал, что основным фактором, влияющим на пропуск пожаров малой интенсивности, является нижний порог яркостной температуры в спектральном диапазоне 4 мкм. Пикселы, лежащие ниже этого порога, заведомо квалифицируются как «пожар не обнаружен»; последующий поиск «горячих» пикселов с помощью контекстуального алгоритма проводится только для более высоких температур. Установление именно такого порога (310 К днем и 305 К ночью – назовем это «стандартные параметры» алгоритма) обусловлено стремлением отсечь ложные точки при наблюдениях в масштабе планеты [8].

Оценка эффективности детектирования проводилась в следующих условиях.

1. Получение первичных данных сенсора MODIS с приемной станции Унискан-24 в г. Пермь (Пермский государственный национальный исследовательский университет).

2. Обработка с помощью алгоритма MOD14 со стандартными (далее стандартные параметры) или измененными параметрами (модифицированные параметры). Расчет тепловых аномалий (далее термоточек) реализован на открытом пакете программ IMAPP [6].

3. Обработаны все снимки со спутников TERRA, AQUA по территории Пермского края, полученные в период с 18 апреля по 25 сентября 2011 года. В течение этого же периода велась регистрация природных лесных пожаров на основе данных наземных и авиационных служб контроля пожарной опасности[1].

4. Выявленные в расчете термоточки сопоставлены с официальными данными (по местоположению и датам обнаружения)[2] и классифицированы по категориям: «ложный неподтвержденный пожар» (false), «близлежащий неподтвержденный по времени пожар»[3] (nearby), «природный пожар» (natural) и «техногенный пожар» (techno). Отнесение к последней категории производилось по близости термоточки к местам обнаружения пожаров, подтвержденных данными ИСДМ «Рослесхоз» как техногенные.

Следует иметь в виду, что границы между парами категорий false – techno и nearby – natural весьма условны и зависят от понимания природы официальных данных. Так, вблизи ряда населенных пунктов наблюдаются характерные скопления термоточек, которые с очевидностью тяготеют к промышленным объектам и должны быть отнесены к пожарам техногенного происхождения, несмотря на то что в официальные данные эти точки не включаются. То же самое имеет место на безлесных участках в периоды времени, когда детектированные термоточки следует квалифицировать как «сельхозпалы».

Модифицированные параметры, сопоставление данных

Для повышения чувствительности алгоритма MOD14 нижний порог температуры в диапазоне 4 мкм понижен до 280 К днем и 275 К ночью. Диапазон действия контекстуального алгоритма расширяется, что в свою очередь приводит к росту общего числа детектированных термоточек.

В табл. 1 представлена общая сводка по категориям и общему количеству тепловых аномалий, включающая число термоточек при модифицированных (пороговые значения 280/275 K) и стандартных (310/305 K) параметрах алгоритма. Показано относительное увеличение количества термоточек при использовании модифицированных параметров.

Таблица 1 – Общая сводка по категориям тепловых аномалий

Количество подтвержденных природных пожаров выросло почти вдвое, техногенных – более чем вчетверо; при этом имеет место преимущественный рост числа неподтвержденных термоточек. В табл. 2 сопоставлены результаты детектирования по времени суток, здесь категория «подтвержденные» объединяет natural и techno. Наибольшая часть прироста приходится на ночные данные. Общая доля подтвержденных тепловых аномалий составляет 30,9% для модифицированных и 49,5% для стандартных параметров.

Таблица 2 – Сводка количества тепловых аномалий по времени суток

При ограничении выборки только лесной зоной (76% территории) доли подтвержденных термоточек несколько повышаются, составляя соответственно 32,3% и 54,1%.

Оптимизация параметров контекстуального алгоритма

Понижение нижнего порога яркостной температуры в диапазоне 4 мкм (далее T21, т.к. данный диапазон соответствует 21-му каналу сенсора MODIS) повышает чувствительность метода; оборотной стороной является преимущественное возрастание количества неподтвержденных термоточек. Очевидно, что пороговые значения 280/275 K выбраны «наугад» и не являются оптимальными. Цель исследования состоит в получении наилучших пороговых значений T21low. В качестве целевой функции выбрана достоверность детектирования, определяемая как отношение числа подтвержденных термоточек к общему. Анализ данных выполнен средствами статистического пакета R [10].

На рис. 1 показаны зависимости частот распределения термоточек для дневных и ночных наблюдений по значениям яркостной температуры T21. Общий вид гистограмм соответствует данным [5] по территории РФ в целом. На рис. 2 представлены зависимости частот распределения термоточек по значениям T21 без разделения по времени суток. Максимум первой гистограммы (все детектированные термоточки) приходится на интервал 285–295 K, второй (подтвержденные термоточки) – на интервал 290–310 K. Все расчетные данные («вне буферной зоны») соответствуют территории, в пределах которой собирались официальные данные. Числовые надписи вида X (Y) на всех диаграммах указывают значения, полученные для модифицированных (стандартных) параметров алгоритма.

Рис. 1. Распределение всех дневных и ночных термоточек по значениям T21.

Рис. 2. Распределение частот всех подтвержденных термоточек по значениям T21.

Достоверность детектирования как функция нижнего порога T21low (рис. 3-5, обозначается Fr=Fr(T21)) рассчитана на массиве точек с шагом 0,25 K по аргументу T21low. Для каждого дискретного значения T21low в указанных выше интервалах определяется достоверность детектирования Fr=Fr(T21low) и общее число термоточек (объем выборки).

На рис. 3 и 4 показаны зависимости Fr=Fr(T21) для различных категорий. В качестве характерных точек выделены значения, соответствующие медианам выборок Fr. Количество термоточек в целом и на уровне медианы отражено на рис. 3-5 в виде дробей: числитель соответствует числу подтвержденных термоточек, знаменатель – общему числу термоточек.

Рис. 3. Зависимость частоты подтвержденных тепловых аномалий от значения нижнего порога T21low для дневных и ночных наблюдений

Рис. 4. Зависимость частоты подтвержденных тепловых аномалий от значения нижнего порога T21low для дневных природных и техногенных пожаров.

В качестве «пробных» порогов T21low рассмотрено три варианта: 1) исходные значения (280K/275 K); 2) медианы выборок T21 (292,9K/293,7 K по дневным и ночным термоточкам); 3) значения T21, соответствующие медианам выборок Fr (295 K/288,9 K по дневным и ночным термоточкам). Итоговые результаты сведены в табл. 3. Наилучший результат дает последний вариант: при сохранении достоверности (49,7% против 49,5% для стандартных параметров алгоритма) количество подтвержденных термоточек возрастает втрое.

На рис. 5 показаны зависимости «приведенных» частот, объясняющие полученный результат. Здесь объединены данные дневных и ночных термоточек (ночные точки сдвинуты по температуре T21 на –5 K, в соответствии с разницей дневного и ночного порогов), при этом за счет максимума один и тот же уровень достоверности достигается при двух разных пороговых значениях. Максимум возникает за счет вклада техногенных пожаров (правая диаграмма), зависимость «приведенной» частоты природных пожаров растет монотонно.

Таблица 3 – Оценка достоверности детектирования при разных пороговых значениях T21

Рис. 5. Зависимость «приведенной» частоты подтвержденных тепловых аномалий от значения нижнего порога T21low по всем и только по техногенным пожарам.

Сохранение общего уровня достоверности при переходе к модифицированному (вариант 3) алгоритму сопровождается перераспределением долей природных и техногенных пожаров: для стандартного алгоритма это 14,3% (природные пожары) и 35,2% (техногенные пожары), для модифицированного соответственно 8,0% и 41,7%.

Выводы

1. Снижение нижних порогов параметров контекстуального алгоритма до значений 280 K/275 К (день/ночь) по сравнению со стандартными значениями 310 K/305 К увеличивает общее число подтвержденных термоточек в 3,76 раза при общем увеличении числа термоточек в 6,02 раза, т.е. к преимущественному увеличению количества неподтвержденных термоточек.

2. В качестве наилучших нижних пороговых значений предлагаются 295 K для дневных и 290 K для ночных наблюдений (минус 15 градусов от стандартных параметров). Данные значения приблизительно соответствуют медианам выборок, построенных на достоверности детектирования, рассчитанной для дневных и ночных наблюдений. Общая достоверность детектирования при этом составляет 49,7% (при стандартных параметрах алгоритма — 49,5%), при этом общее число подтвержденных термоточек больше в 3 раза. В основном это объясняется за счет увеличения количества термоточек техногенного происхождения.

Рецензенты:

Калинин Николай Александрович, доктор географических наук, профессор, заведующий кафедрой метеорологии и охраны атмосферы Пермского государственного национального исследовательского университета, г. Пермь.

Полосков Игорь Егорович, доктор физико-математических наук, доцент, заведующий кафедрой высшей математики Пермского государственного национального исследовательского университета, г. Пермь.

Библиографическая ссылка