Автоматизированное распознавание пожаров на поверхности земли и атмосферных явлений, таких как облака, облачная пелена, туман и им подобных, посредством спутниковой системы

Автоматизированное распознавание пожаров на поверхности земли и атмосферных явлений, таких как облака, облачная пелена, туман и им подобных, посредством спутниковой системы

Иллюстрации

Показать все

Реферат

Область техники

Данное изобретение относится к автоматизированному распознаванию пожаров на поверхности Земли и таких атмосферных явлений, как облака, облачная пелена, туман и им подобных, посредством спутниковой системы, в частности посредством использования многоспектральных данных, полученных многоспектральными датчиками геостационарных или полярных спутниковых систем.

Уровень техники

Известно, что многоспектральные изображения являются изображениями, полученными посредством радиометров дистанционного зондирования (ДЗ), каждый из которых получает цифровое изображение (называемое в дистанционном зондировании «сценой») в небольшом диапазоне видимого спектра, в пределах от 0,4 мкм до 0,7 мкм, называемом «красная-зеленая-синяя (КЗС) область», и доходящее до инфракрасных длин волн от 0,7 мкм до 10 мкм и более, подразделяемых на ближний ИК-диапазон (NIR), средний ИК-диапазон (MIR), дальний ИК-диапазон (FIR) или тепловой ИК-диапазон (TIR). Следовательно, многоспектральное изображение представляет собой совокупность нескольких односпектральных (однополосных или монохромных) изображений одной и той же сцены, каждое из которых получено в соответствии с чувствительностью датчиков к различным длинам волн.

Для многоспектральных полярных датчиков, а в последние годы - и для геостационарных датчиков были разработаны различные способы распознавания пожаров, в основу которых положены пороговые критерии и контекстуальные алгоритмы. Для более подробного освещения этих методов можно сослаться на следующие источники: Kaufman, Y.J., Justice, C.O., Flynn, L.P., Kendal, J.D., Prins, E.M., Giglio, L., Ward, D.E., Menzel, W.P., и Setzer, A.W., 1998, Potential global fire monitoring from EOS-MODIS («Потенциальный глобальный мониторинг пожаров с EOS-MODIS»), Journal of Geophysical Research, 103, 32215-32238, и Giglio, L., Descloitres, J., Justice, C.O., и Kaufman, Y.J. (2003), An enhanced contextual fire detection algorithm for MODIS («Улучшенный контекстуальный алгоритм распознавания пожаров для MODISH, Rem. Sen. Environment, 87:273-282.

Многоспектральные датчики на полярных спутниках отличаются относительно высокой пространственной разрешающей способностью, однако вследствие длительного времени обращения полярных спутников не удается достичь необходимой оперативности для эффективного распознавания пожаров, даже при объединении всех существующих многоспектральных полярных датчиков. Напротив, многоспектральные геостационарные датчики обеспечивают сбор данных с большой частотой, например, каждые 15 минут для датчика MSG SEVIRI (Spinning Enhanced Visible and Infra Red Imager («вращающийся улучшенный формирователь изображения видимого и инфракрасного диапазонов»)), но при этом они отличаются низкой пространственной разрешающей способностью (3×3 км² и выше для каналов ИК-диапазона), что может препятствовать распознаванию небольших пожаров.

Для преодоления ограничений пространственной разрешающей способности недавно был предложен метод для субпиксельного распознавания пожаров на основании данных геостационарных датчиков, основанный на использовании физической модели и раскрытый в следующих работах: E.Cisbani, A.Bartoloni, M.Marchese, G.Elisei, A.Salvati, Early fire detection system based on multi-temporal images of geostationary and polar satellites («Система раннего распознавания пожаров на базе многовременных изображений, полученных от геостационарных и полярных спутников»). IGARSS 2002, Toronto, 2002, и Calle, F., Casanova, J.L, Moclan, C., Romo, A.J., Constatntini, M., Cisbani, E., Zavagli, M., Greco, В., Latest Algorithms and Scientific Developments for Forest Fire Detection and Monitoring Using MSG/SEVIRI and MODIS sensors («Новейшие алгоритмы и научные разработки для распознавания лесных пожаров и мониторинга с использованием датчиков MSG/SEVIRI и MODIS»), 2005, 118-123.

В частности, была предложена аналитическая Модель Переноса Излучения (МПИ (RTM), которая характеризует явления излучения, определяющие регистрируемую датчиком энергию, выраженную посредством интенсивностей излучения R_λ (Вт/м²/стер/мкм), для каждого диапазона λ в окнах атмосферной прозрачности в ближнем ИК-диапазоне (NIR), среднем ИК-диапазоне (MIR) и тепловом ИК-диапазоне (TIR). Как показано на фиг.1(а), интенсивность излучения R_λ, собранная дистанционным спутниковым датчиком, представляет собой сумму интенсивности солнечного излучения R_S,λ, отраженного от Земли, интенсивности атмосферного теплового излучения R_A,λ (как восходящих, так и нисходящих составляющих) и, наконец, теплового излучения Земли. При заданной температуре фона Т_B коэффициенте излучения ε_λ поверхности Земли и коэффициенте пропускания атмосферы τ_λ между поверхностью Земли и датчиком МПИ можно выразить уравнением

где B_λ - интенсивность излучения абсолютно черного тела по закону Планка при температуре Т и длине волны λ. Также можно использовать другие модели МПИ (RTM).

Согласно C.C.Borel, W.B.Clodius, J.J.Szymanski и J.P.Theiler. Comparing Robust and Physics-Based Sea Surface Temperature Retrievals for High Resolution, Multi-spectral Thermal Sensors Using one or Multiple Looks («Сравнение робастного и физического поиска информации о температуре поверхности моря для многоспектральных тепловых датчиков с высокой разрешающей способностью, с применением одного или нескольких шагов поиска»), Proc. of the SPIE′99, Conf. 3717-09, основной вклад в коэффициент пропускания τ_λ в окнах прозрачности атмосферы в ближнем ИК-диапазоне (NIR) и тепловом ИК-диапазоне (TIR) вносит содержание водяного пара в атмосфере, при этом связь между коэффициентом пропускания и водяным паром может быть, соответственно, параметризована следующим выражением:

где W - общее количество водяного пара вдоль пути конец/начало до/от исследуемого элемента изображения при зенитном угле ϑ Параметры А_λ, В_λ и C_λ зависят (по меньшей мере) от длины λ волны и могут быть оценены посредством нескольких имитационных моделей MODTRAN (MODerate resolution atmospheric TRANsmission (передача в атмосфере со средней разрешающей способностью) - компьютерной программы, предназначенной для моделирования распространения электромагнитного излучения в атмосфере от 100 до 50000 см^-1 при спектральной разрешающей способности в 1 см^-1) и регрессионными методами. Возможно рассмотрение других моделей/методов для оценки коэффициента пропускания τ_λ.

Содержание W водяного пара можно оценивать по руководящему документу для спутника Eumesat Software Users Manual of the SAFNWC/MSG: Scientific part for the PGE06, («Руководство пользователя по программному обеспечению SAFNWC/MSG: научная часть для PGE06») SAF/NWC/INM/SCI/SUM/06, issue 1.0, January 2002, однако могут быть рассмотрены другие методы.

Солнечная составляющая R_S,λ может быть рассчитана, как описано в вышеупомянутой работе Potential global fire monitoring from EOS-MODIS («Потенциальный глобальный мониторинг пожаров с EOS-MODIS»)

где E_S,λ - интенсивность солнечного излучения в верхних слоях атмосферы, τ_λ.(z_SE) - коэффициент пропускания вдоль пути между Солнцем и поверхностью Земли, τ_λ.(z_ED) - коэффициент пропускания вдоль пути между поверхностью Земли и спутниковым датчиком и ε_λ - коэффициент излучения поверхности Земли. Для расчета R_S,λ могут быть использованы другие модели/методы.

Составляющая R_A,λ атмосферной интенсивности излучения описывает сложное явление, характеризующееся наличием дыма, аэрозоля и локальными температурами атмосферы, которые трудно поддаются моделированию. Возможной моделью является следующая:

где в соответствии с фиг.1 τ_λ.(z_TOA) - коэффициент пропускания вдоль вертикального пути между поверхностью Земли и верхними слоями атмосферы, τ_λ.(z_ED) - коэффициент пропускания вдоль пути между поверхностью Земли и спутниковым датчиком и ε_λ - коэффициент излучения Земли, как было указано ранее.

Формула Дозье (Dozier), приведенная в работе J.Dozier, A Method for satellite identification of surface temperature fields of subpixel resolution («Способ спутниковой идентификации температурных полей поверхности в субпиксельном разрешении»), Remote Sensing of Environment, 11 (1981) 221-229, применительно к уравнению (1) (или к другим моделям МПИ (RTM)), позволяет выполнить субпиксельное описание радиационного процесса с учетом распространения пожара (доля f пикселя в пикселе интенсивности излучения, полученном спутниковым датчиком) и температуры Т_F пожара:

где ε_F;λ и ε_B;λ - соответственно коэффициенты излучения пожара и фона при длине волны λ.

В соответствии с вышеупомянутой работой Early fire detection system based on multi-temporal images of geostationary and polar satellites («Система раннего распознавания пожаров на базе многовременных изображений, полученных от геостационарных и полярных спутников»), если рассматривать две последовательных процедуры сбора данных, то формула (5) Дозье может быть записана следующим образом:

где t и t-Δt обозначают два рядом расположенных момента времени сбора данных, причем Δf=f_t-f_t-Δt, и где сделаны следующие допущения:

- температура фона является постоянной между двумя идущими подряд процедурами сбора данных (в пределах 15 минут для данных MSG SEVIRI);

- коэффициент излучения пожара такой же, как коэффициент излучения негорящей поверхности и

- солнечная и атмосферная составляющие (R_S,λ, R_A,λ) считаются постоянными между двумя идущими подряд процедурами сбора данных (в пределах 15 минут для данных MSG SEVIRI).

Представленная модель МПИ (RTM) (1) и уравнения (2), (3), (4), (5), (6) являются достоверными только в случае отсутствия облаков в исследуемом объекте наблюдения. Следовательно, необходима надежная процедура маскирования облаков для распознавания полученных данных, которые совместимы с допущениями физической модели. Для маскирования облаков было разработано множество способов с использованием полярных или геостационарных датчиков. По существу, все эти способы были основаны на применении пороговых критериев для установления аналитической связи между различными диапазонами одной процедуры сбора данных. Способы для отыскания подобных связей между спектральными диапазонами могут быть основаны на физических моделях или на способах обучения, основанных на нейронных сетях, байесовских сетях, вспомогательных машинах для обработки векторных данных, каждый из которых требует этапа предварительной обработки для системного обучения. В литературе также известно о контекстуальных способах, которые используют пространственную информацию.

Цель и сущность изобретения

Заявитель отмечает, что анализ, проведенный в вышеупомянутой работе Early fire detection system based on multi-temporal images of geostationary and polar satellites («Система раннего распознавания пожаров на базе многовременных изображений, полученных со спутников на геостационарных и полярных орбитах») и представленный уравнением (6), где используются две идущих подряд процедуры сбора данных, страдает от грубых приближений и больших ограничений, которые приводят к результатам, неудовлетворительным для достоверного применения. В частности, тогда как атмосферный вклад в модели МПИ (RTM) можно считать медленно изменяющимся во времени, оценка атмосферного вклада R_A,λ, заданная уравнением (4) в сочетании с уравнением (2) в модели МПИ (RTM), страдает большой неопределенностью вследствие наличия шума и неточности модели, а нелинейная форма модели, заданная уравнением (5), усиливает эту неопределенность, что делает оценку параметров пожара недостоверной.

Кроме того, заявитель также отмечает, что при каждой новой процедуре сбора данных решается уравнение (6) и проводится оценка Δf, Т_F и Т_B без использования ранее вычисленных результатов, т.е. значений Δf, Т_F и Т_B, вычисленных для предыдущих процедур сбора данных.

Задачей данного изобретения является обеспечение усовершенствованного автоматизированного способа распознавания пожаров на основании геостационарных спутниковых многоспектральных данных, в котором отсутствуют недостатки известных способов.

Эта задача решена в данном изобретении, которое относится к способу автоматизированного распознавания пожаров на поверхности Земли и таких атмосферных явлений, как облака, облачная пелена, туман и им подобные, посредством спутниковой системы, как это раскрыто в прилагаемой формуле изобретения.

Данное изобретение основано на выводах заявителя о том, что многие физические величины в уравнении (1), такие как атмосферный вклад R_A,λ, солнечный вклад R_S,λ коэффициенты пропускания τ_λ и коэффициенты излучения ε_λ в высокой степени коррелируются во времени. По этой причине сведения, полученные в результате множества процедур сбора данных об одной и той же сцене, и их обработка позволяют получать интересующую информацию, например, о наличии пожаров, облаков и выполнять оценки физических параметров с высокой точностью и устойчивостью по сравнению с рассмотрением только одной или двух процедур сбора данных.

В частности, в данном изобретении вышеуказанная цель достигается за счет использования в дополнение к спектральной и пространственной информации также временной информации, заключающейся в очень частых процедурах сбора данных, выполняемых геостационарными датчиками, для того чтобы надежно и точно распознавать даже небольшие пожары (значительно меньшие, чем позволяет пространственное разрешение датчиков), облака и температуру Земли. В частности, в основу данного изобретения положено комбинированное использование физической модели процесса переноса излучения и чисто математического адаптивного расчетного алгоритма для преобразования (решения) модели МПИ (RTM), описываемой уравнениями (1) и (5), с использованием большого количества процедур сбора данных, значительно большего, чем два. Что касается способа, в основу которого положено уравнение (6), то этот способ обратного преобразования построен на множестве процедур сбора данных, а также спектральной и пространственной информации, что позволяет оценивать физические параметры с высокой точностью и устойчивостью.

Краткое описание чертежей

Далее для лучшего понимания данного изобретения предпочтительные варианты реализации, приведенные только в качестве примера, которые не должны быть истолкованы как ограничительные, будут описаны со ссылкой на прилагаемые сопроводительные чертежи, на которых

на фиг.1(а) схематически показаны различные составляющие интенсивности излучения, замеряемой спутниковым датчиком;

на фиг.1(b) показана геометрия нисходящего теплового излучения, создаваемого атмосферой;

на фиг.2(а) показана интенсивность излучения области Земли с последовательностью пожарной активности, замеряемая датчиком MSG/SEVIRI в течение дня;

на фиг.2(b) и 2(с) показаны соответственно оценка температуры фона и пожарной активности в области Земли согласно фиг.2(а) в соответствии с первым предпочтительным вариантом реализации изобретения;

на фиг.3(а) и 3(b) показаны графики интенсивностей излучения области Земли, измеренных и теоретически найденных в соответствии со вторым предпочтительным вариантом реализации данного изобретения;

на фиг.4 показана таблица с представленными вероятностями распознавания пожаров в соответствии с полной площадью горения, согласно заявленному изобретению и

на фиг.5 показана таблица, представляющая долю ошибочного распознавания, соответствующего оценке распространения пожаров, в соответствии с заявленным изобретением.

Подробное раскрытие вариантов реализации заявленного изобретения

Последующее описание обеспечивает для специалистов в данной области техники возможность реализации и применения заявленного изобретения. Специалистам будут очевидны различные модификации данных вариантов реализации, не превышающие объем правовой охраны заявленного изобретения. Таким образом, данное изобретение не ограничивается приведенными вариантами реализации, в самых широких пределах соответствует принципам и признакам, раскрытым в настоящем документе и определенным в прилагаемой формуле изобретения.

Чтобы повысить достоверность оценки параметров пожара, в данном изобретении удобно использовать разностную или, более точно, конечно-разностную форму модели МПИ (RTM) Дозье, где рассматриваются разности интенсивностей излучения между двумя близкими по времени процедурами сбора данных:

В уравнении (7) атмосферной составляющей R_A,λ пренебрегают, поскольку она считается неизменной в пределах небольшого числа процедур сбора данных (порядка десятков минут). Кроме того, поскольку рассматриваются различные диапазоны, то спектрально некоррелированная часть возмущений в уравнении (7) отфильтровывается. Это уравнение может рассматриваться для каналов SEVIRI в окнах прозрачности атмосферы для формирования имеющей решение системы уравнений.

Чтобы устранить грубые аппроксимации, влияющие на уравнение (6), и положенные в его основу допущения, вводится несколько параметров. Фактически, температуры фона T_B,t, и T_B,t-Δt, в различные моменты времени считают различными, солнечные составляющие R_S,λ,t, и R_S,λ,t-Δt  игнорируют, а коэффициенты излучения пожара и фона ε_F,λ и ε_B,λ считают различными.

Уравнение (7) имеет больше неизвестных величин, чем уравнение (6), и может быть решено методом динамической системы. Фактически, разностное (или конечно-разностное) уравнение (7) модели МПИ (RTM) Дозье может рассматриваться как динамическая система с переменными состояния f_t и T_B,t:

где t и t-Δt обозначают два близко расположенных момента времени сбора данных, ΔR_λ,t=R_λ,t-R_λ,t-Δt, ΔR_S,λ,t=R_S,λ,t-R_S,λ,t-Δt и Λ - это группа длин волн, соответствующих каналам, доступным в окнах прозрачности атмосферы.

Динамическое уравнение (8) описывает динамическое поведение во времени модели МПИ (RTM) Дозье, где величины (f_t и T_B,t) в момент времени t можно оценить, зная величины параметров, вычисленные для предшествующего момента времени t-Δt. В частности, например, солнечную составляющую можно вычислить посредством уравнения (3), а коэффициенты излучения - как раскрыто в вышеупомянутой работе Early fire detection system based on multi-temporal images of geostationary and polar satellites («Система раннего распознавания пожаров на базе многовременных изображений, полученных со спутников на геостационарных и полярных орбитах»), однако можно рассмотреть и другие способы/модели. Например, коэффициент пропускания можно оценить посредством параметризации, подобно тому, как это сделано в уравнении (2). Анализ чувствительности уравнения (8) и испытание на фактических данных показали, что для увеличения точности оценки доли пикселя температуру Т_F пожара можно считать фиксированной (например, приблизительно 700К). Однако для выполнения дальнейшего обобщения динамического уравнения (8) температуру Т_F пожара можно считать неизвестной величиной.

Метод динамической системы, выраженный уравнением (8), представляет собой физическую модель процесса переноса излучения.

Введение дополнительных неизвестных величин, как показано в уравнении (7), и применение метода динамической системы, представленного в уравнении (8), позволяет вычислить долю пикселя и температуру фона с высокой точностью и устойчивостью по сравнению с методом, в основе которого лежит уравнение (6).

При каждой процедуре сбора данных для решения уравнения (8) и оценки переменных состояния f_t и T_B,t требуется по меньшей мере два диапазона.

Если доступны дополнительные каналы, их использование делает данное решение более точным. Канал среднего ИК-диапазона (MIR) (длина волны 3,9 мкм) является особенно чувствительным к наличию пожаров, и он используется в каждом алгоритме для распознавания пожара дистанционными датчиками. К сожалению, в датчике SEVIRI канал среднего ИК-диапазона (MIR) имеет низкий уровень насыщения, который не позволяет использовать его для мониторинга крупных пожаров. Уравнение (8) может быть решено, даже если канал среднего ИК-диапазона (MIR) не может использоваться из-за его насыщенности. Кроме того, решение уравнения (8) является особенно устойчивым при пробелах в данных, возникающих, когда некоторые процедуры сбора данных отсутствуют или их невозможно осуществить вследствие облачного покрова. Фактически, параметры пожара можно оценить посредством использования достаточно близких процедур сбора данных вместо двух следующих непосредственно друг за другом процедур сбора данных.

Точность оценки доли f_t пикселя может быть значительно повышена, если колебания, связанные с дневным периодом, подавить посредством фильтра верхних частот. Эта фильтрация выполняется посредством удаления из последней доли пикселя, вычисленной посредством уравнения (8), средней из N предшествующих, идущих подряд, имеющихся долей пикселя (например, 5 долей пикселя будет достаточно):

Фильтрованная доля пикселя успешно используется для распознавания пожаров. Фактическая точность вычисления фильтрованной доли пикселя, полученной с использованием четырех диапазонов датчика SEVIRI/MSG (1 канал среднего ИК-диапазона (MIR) и 3 канала теплового ИК-диапазона (TIR)) в окнах прозрачности атмосферы составляет около 10^-5.

На фиг.2(а) показаны интенсивности излучения SEVIRI (яркостная температура среднего ИК-диапазона и теплового ИК-диапазона 3,9; 8,7; 10,8; 12 мкм), измеренные приблизительно в течение дня в пикселе с последовательным наличием пожара, тогда как на фиг.2(b) и 2(с) соответственно показаны соответствующие оценка температуры фона и оценка доли пикселя.

Пожар распознается, когда фильтрованная доля пикселя , превышает заданное пороговое значение. Хороший компромисс между вероятностями распознавания и ложной тревоги получен при пороговом значении, соответствующем размеру площади действующего пожара, составляющей около 2000 м², при использовании данных MSG/SEVIRI.

Как было отмечено ранее, точность оценки параметров пожара, распознавания и характеристик ложной тревоги значительно снижается, когда присутствуют облака, границы облачности, легкая облачность, облачная пелена, туман (или тому подобное) и условия с низким коэффициентом пропускания атмосферы. Надежная процедура маскирования облаков является необходимой для идентификации результатов, которые совместимы с допущениями физической модели.

Для распознавания этих неблагоприятных атмосферных условий предложен адаптивный расчетный алгоритм, который использует временную информацию и корреляции, содержащиеся в большом количестве процедур сбора данных для того, чтобы выявить облака и пожары.

Идея заключается в том, что интенсивности излучения изменяются весьма медленно в течение дня и имеют собственную периодичность приблизительно в течение одного дня, тогда как наличие облаков и/или пожаров добавляет высокочастотные колебания, которые также включают пробелы в данных. Квазипериодичность наблюдаемых интенсивностей излучения в течение дня при чистом небе и отсутствии пожаров можно смоделировать с использованием нескольких гармонических функций, при этом данную модель нужно адаптировать для отслеживания сезонных и других медленных изменений.

В частности, адаптивный расчетный алгоритм позволяет реализовать адаптивную расчетную модель, в которой при использовании данных SEVIRI/MSG рассматривается 24-часовая последовательность спектральной интенсивности излучения, сформированная на основании результатов 96 процедур сбора данных, осуществлявшихся каждые 15 минут. Данная модель основана на оценке и фильтрации спектральной характеристики 24-часовой последовательности спектральной интенсивности излучения. Оценка данных спектров выполняется посредством дискретного преобразования Фурье, затем фильтр нижних частот выбирает интересующие гармоники, и наконец, выполняется обратное преобразование фильтрованного по нижним частотам сигнала. Адаптивная расчетная модель представляет собой фильтрованный по нижним частотам сигнал с обратным преобразованием, который может обеспечить расчетные значения интенсивности излучения.

Далее приведено пошаговое описание адаптивного расчетного алгоритма.

Первый шаг заключается в формировании для каждого пикселя вектора h_λ(h_λ(n), n=0,…,95), содержащего последовательность из 96 спектральных последовательных по времени интенсивностей излучения R_λ, для 24-часового интервала, которые не обязательно измерены в течение одних и тех же суток. Если в некоторые моменты процедура сбора данных неосуществима, то относительные спектральные интенсивности излучения можно вычислить посредством интерполяции на основании смежных сборов данных.

Фактически, для каждого пикселя требуется несколько измеренных спутниковым датчиком в разные моменты времени интенсивностей излучения, на которые не влияет воздействие облаков или пожаров.

В частности, удобно сформировать вектор h_λ на основании рассмотрения нескольких смежных дней. Процедуру сбора данных, осуществленную при отсутствии облаков, для каждого векторного элемента можно распознать как процедуру с максимальным значением спектральной интенсивности излучения в тепловом ИК-диапазоне (TIR) среди соответствующих этому же векторному элементу в рассматриваемые дни. Аналогичный критерий принят для распознавания процедур сбора данных, осуществленных при отсутствии пожара, в среднем ИК-диапазоне (MIR). Процедуру сбора данных, осуществленную при отсутствии пожара, для каждого уже выбранного векторного элемента с отсутствием облаков можно распознать как процедуру с минимальным значением спектральной интенсивности излучения в среднем ИК-диапазоне (MIR) среди соответствующих этому же векторному элементу в рассматриваемые дни.

Второй шаг адаптивного расчетного алгоритма заключается в вычислении дискретного преобразования Фурье (ДПФ) вектора h_λ, с получением вектора Н_λ с 96-ю элементами, определяемого как:

Третий шаг заключается в вычислении адаптивной расчетной модели, относящейся к микрометровому диапазону λ. Адаптивная расчетная модель представляет собой вектор m_λ, состоящий из 96 элементов и определяемый как

В частности, m_λ представляет собой обратное дискретное преобразование Фурье вектора h_λ, отфильтрованного по нижним частотам дискретного преобразования Фурье. Фильтр нижних частот выбирает непрерывный компонент (гармонику 0) и первые А гармоник (гармоники 1, 2, …, А) дискретного преобразования Фурье вектора h_λ. Например, при А=2 данная модель является достаточно достоверной, чтобы соответствовать тренду интенсивности излучения при отсутствии облаков в течение 24 часов.

Каждая n-я выборка модели m_λ содержит расчетное значение для получения спектральной интенсивности излучения за заданный интервал времени в течение дня. По этой причине необходимо ввести индекс , отмечающий элемент модели m_λ для последней процедуры сбора данных. В частности, допустим, что к текущей процедуре сбора данных в момент времени t относится индекс , тогда расчетная интенсивность излучения в момент времени t задается значением .

На четвертом шаге адаптивного расчетного алгоритма выполняют распознавание облако/пожар и проверку, есть ли отличие расчетной спектральной интенсивности излучения R_PRD,λ соответствующей измеренной спектральной интенсивности излучения R_λ, с использованием некоторых пороговых значений. При распознавании облаков учитываются данные, измеренные при 10,8 мкм или при 12,0 мкм, тогда как при распознавании пожаров учитываются данные, измеренные при 3,9 мкм.

В частности, в подобной процедуре распознавания используются три пороговых значения. Первое пороговое значение th_DET,10.8 и второе пороговое значение th_DET,12 используются для распознавания облаков, что позволяет сравнить расчетные значения при 10,8 мкм или при 12 мкм и спектральные интенсивности излучения, измеренные в аналогичных диапазонах. Третье пороговое значение th_DET,3.9 используется для распознавания пожара аналогичным способом в диапазоне 3,9 мкм.

Более подробно, сравнением расчетного значения R_PRD,λ с измеренной спектральной интенсивностью излучения R_λ облако распознается,

- если R_PRD,10.8-R_10.8>th_DET,10.8 или

- если R_PRD,12-R₁₂>th_DET,12,

и пожар распознается, если также было распознано облако,

- если R_3.9-R_PRD,3.9>th_DET,3.9

Адаптивный расчетный алгоритм позволяет безошибочно распознавать два различных типа облачности: густую и легкую облачность.

На фиг.3(а) и 3(b) показаны графики интенсивностей излучения, измеренных и рассчитанных согласно адаптивному расчетному алгоритму в течение облачных дней. В частности, на фиг.3(а) показано распознавание облачности при отсутствии пожара, тогда как на фиг.3(b) показано распознавание и облачности, и пожаров.

Пятый шаг адаптивного расчетного алгоритма заключается в обновлении вектора h_λ для отслеживания сезонных и другие медленных изменений интенсивностей излучения. Если сбор данных является достоверным и при этом не идентифицируется пожар или облако, то он используется для обновления вектора h_λ. В этой процедуре также используются три пороговых значения th_UPD,10.8, th_UPD,12 и th_UPD,3.9 идентификации достоверных данных, которые нужно использовать для обновления вектора h_λ.

В частности, измеренные интенсивности излучения R_10.8, R₁₂ и R_3.9 считаются достоверными, если не выявляются аномалии:

- если R_PRD,10.8-R_10.8>th_UPD,10.8, то выявляется аномалия при 10,8 мкм;

- если R_PRD,12-R₁₂>th_UPD,12, то выявляется аномалия при 12 мкм;

- если R_3.9<R_PRD,3.9-th_UPD,3.9 или R_3.9> R_PRD,3.9+th_UPD,3.9, то выявляется аномалия при 3,9 мкм.

Если текущая интенсивность излучения R_λ является достоверной, то она заменяет в векторе h_λ интенсивность излучения, содержащуюся в позиции (индекс, относящийся к текущему массиву данных R_λ), в противном случае расчетная интенсивность излучения R_PRD,λ заменяет в векторе h_λ значение интенсивности излучения, содержащееся в позиции

При каждой новой процедуре сбора данных указатель увеличивается по модулю 96, при этом вышеописанная последовательность действий повторяется, начиная со второго шага адаптивного прогностического алгоритма.

Отметим, что данный алгоритм может быть обобщен, при этом к процедурам сбора данных, выполненных в период времени до последней процедуры сбора данных, также можно применить тестирование на достоверность интенсивностей излучения или на наличие пожаров, чтобы уточнить ранее полученные результаты, также основанные на новых данных, по мере того как они становятся доступными.

Данная адаптивная расчетная модель обладает высокими возможностями отслеживания даже для длительной последовательности процедур сбора данных, на которой отражается влияние облачного покрова или отсутствия данных.

Адаптивный расчетный алгоритм используется в качестве шага предварительной обработки для определения условия возможности применения физической модели. Если в исследуемом пикселе с помощью адаптивного прогностического алгоритма облака не выявлены, то, наряду с адаптивной расчетной моделью, также может использоваться физическая модель для распознавания пожаров и оценки размера пожара (доля f_t пикселя), а также температуры Т_B фона; в противном случае, когда исследуемый пиксель покрыт облачностью, только адаптивный расчетный алгоритм еще может выявлять мощные пожары. Пример этого второго случая показан на фиг.3(b), где пожар выявлен под легкой облачностью. Исследование диапазона 10,8 мкм показало наличие облаков, которые были правильно распознаны посредством адаптивного расчетного алгоритма. Колебания результатов обусловлены чередованием появления небольших облаков и чистого неба. Посредством адаптивного расчетного алгоритма выявляется крупный пожар, несмотря на наличие облаков и невозможность использовать физическую модель.

Проверка достоверности способа автоматизированного распознавания пожаров, раскрытого в данном документе, выполнялась с использованием истинных наземных данных, относящихся к итальянским регионам Сардиния, Лацио и Калабрия, обеспеченных Департаментом гражданской защиты Италии. Рассматривались два периода - период из 15 последовательных дней в июле 2004 года и период из 15 последовательных дней в августе 2005 года. Эти периоды характеризовались незначительно облачными днями и множественными пожарами, в частности, на площадях, превышающих один гектар, произошло 286 пожаров.

Проверка достоверности выполнялась сравнением результатов, полученных способом автоматизированного распознавания пожаров с фактическими наземными данными. В частности, как официально сообщалось в реальных наземных данных, по классификации пожары были разбиты на 5 групп в соответствии с размером площади горения. В этом отношении важно отметить, что способ автоматизированного распознавания пожаров определяет размер линии фронта пламени, который является размером реально активного пожара и который значительно меньше общей площади горения, тогда как фактические наземные данные сообщали только о размере общей площади горения.

Для каждого класса размера площади горения была проведена оценка вероятности распознавания в виде коэффициента распознавания: P_d=N_TP/(N_TP+N_FN), где N_TR - число истинных положительных случаев, а N_FN - число ложных отрицательных случаев. Полученные результаты сведены в таблицу, показанную на фиг.4. Как показано на фиг.4, вероятность распознавания пожаров увеличивается с увеличением общей площади горения. Оценка вероятности ложной тревоги выполнялась посредством коэффициента ложной тревоги: P_fa=N_FP/(N_FP+N_TN), где N_FP - число ложных положительных случаев, a N_TN - число истинных отрицательных случаев.

Вероятность ложной тревоги не зависит от размера пожара, фактически, оценка, полученная в результате выполнения проверки достоверности, составляет P_fa=5,36×10^-6, эта величина означает, что только 5 пикселей на миллион ошибочно распознаны как пожары.

Другим важным показателем достоверности способа автоматизированного распознавания пожаров является коэффициент ложного распознавания, определяемый уравнением Р_fd=N_FP/(N_FP+N_TP). Эта величина зависит от рассчитанного размера пожара, т.е. от рассчитанной доли (f_t) пикселя. На фиг.5 показана таблица, представляющая процент ложного распознавания для различных оцененных размеров пожаров. Как показано на фиг.5, процент ложного распознавания увеличивается с увеличением оцененных размеров пожаров.

Из вышеизложенного можно сделать вывод, что раскрытый здесь способ автоматизированного распознавания пожаров позволяет выполнять достоверное и устойчивое распознавание пожара при наличии или отсутствии облачности. В частности, при отсутствии облачности, закрывающей исследуемый пиксель, данный способ может достоверно выявить пожар и оценить его размер, а также температуру фона, а также, несмотря на наличие легкой облачности, он все еще обладает способностью выявлять пожары. Кроме того, адаптивный расчетный алгоритм позволяет правильно выявить наличие легкой и густой облачности в исследуемом пикселе.

В заключение следует отметить, что очевидно, что возможны различные модификации и изменения данного изобретения, при этом они все подпадают под