(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210317398.6 (22)申请日 2022.03.29 (71)申请人 中国地质大 学 （武汉） 地址 430000 湖北省武汉市洪山区鲁磨路 388号 (72)发明人 朱祺琪　李子琪　郭希　 (74)专利代理 机构 武汉知产时代知识产权代理 有限公司 42 238 专利代理师 王佩 (51)Int.Cl. G06V 20/52(2022.01) G06V 20/10(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06K 9/62(2022.01) (54)发明名称 融入先验知识的无监督学习森林火灾变化 检测方法及装置 (57)摘要 本发明公开一种融入先验知识的无监督学 习森林火灾变化检测方法及装置， 该方法包括： 获取森林火灾前后火灾区的双时相遥感影像并 进行预处理； 分别计算NBRSWIR指数得到NBRSWIR 指数图； 进行不确定性分析获取训练样本； 利用 训练样本对两个对称的深度网络分支进行训练； 使用训练好的深度网络分支分别提取对NBRSWIR 指数图的初始特征； 对初始特征进行慢特征分 析， 获得初始特征的特征差值； 计算卡方距离获 得变化强度图； 进行K ‑means阈值分割获得森林 火灾区； 本发 明提供了一种新 颖的森林火灾变化 检测框架， 不仅融入了先验地学知识， 提高了火 灾区域与背景信息的光谱分离能力， 还能抑制背 景信息变化提取火灾区更复杂的特征， 在没有人 工标注训练样本的前提下仍然保证了分类的精 度。 权利要求书5页 说明书11页 附图3页 CN 114708550 A 2022.07.05 CN 114708550 A 1.一种融入先验知识的无监督学习森林火灾变化检测方法， 其特征在于， 包括以下步 骤： S1： 获取森林火灾前后火灾区的双时相遥感影像， 并对所述双时相遥感影像进行预处 理； S2： 对预处理后的所述双时相遥感影像分别计算NBRSWIR指数以融入先验知识， 得到双 时相遥感影 像的NBRSW IR指数图X、 Y； S3： 对所述 NBRSWIR指数图X、 Y进行不确定性分析进 而获取训练样本Xtrain、 Ytrain； S4： 通过所述训练样本对两个对称的深度网络分支进行训练， 训练完成后， 获得训练好 的深度网络分支； S5： 使用所述训练好的深度网络分支分别提取所述NBRSWIR指数 图X、 Y的初始特征Xφ、 Yφ； S6： 对所述初始特 征Xφ、 Yφ进行慢特 征分析， 获得 所述初始特 征Xφ、 Yφ的特征差值； S7： 根据所述特 征差值计算各像素点的卡方距离获得变化强度图； S8： 对所述变化强度图进行 K‑means阈值分割获得最终的森林火灾区。 2.如权利要求1所述的融入先验知识的无监督学习森林火灾变化检测方法， 其特征在 于， 步骤S1中， 所述预处 理的步骤 包括： S11： 由欧空局哥白尼数据中心分别下载灾前、 灾后森林火灾区的哨兵二号的L1C级多 光谱数据； S12： 利用sen2cor工具对所述L1C级多光谱数据进行辐射定标与大气校正， 进而获取 L2A级产品； S13： 利用SNAP软件对所述L2A级产品进行超分辨率合成， 将所有波段合成为空间分辨 率为10m的波段， 进 而获得分辨 率为10m的灾前、 灾后遥感影 像； S14： 根据研究区范围分别剪裁所述分辨率为10m的灾前、 灾后遥感影像， 进而获得预处 理后的双时相遥感影 像。 3.如权利要求1所述的融入先验知识的无监督学习森林火灾变化检测方法， 其特征在 于， 步骤S2中， 对预处理后的双时相 遥感影像的两个短波红外波段进行波段运算得到火灾 前后时相的NBRSW IR指数图， 具体 计算公式为： 其中， NBRSWIR指数为一种新的火灾指数， SWIR1、 SWIR2分别为预处理后的双时相遥感 影像的第11和第12波段 数据。 4.如权利要求1所述的融入先验知识的无监督学习森林火灾变化检测方法， 其特征在 于， 步骤S3具体包括： S31： 对火灾前后的NBRSWIR指数图X、 Y作差， 得到反映火灾区信息的NBRSWIR指数差值 图， 具体计算公式为： dNBRSWIR＝NBRSWIRpost‑NBRSWIRpre 其中， NBRSWIRpost为火灾后遥感影像的NBRSWIR指数图， NBRSWIRpre为火灾前遥感影像的 NBRSWIR指数图， dNBRSWIR为火灾前后NBRSW IR指数差值图； S32： 对所述NBRSWIR指数差值图进行模糊C均值聚类， 实现阈值分割， 将研究区划 分为权　利　要　求　书 1/5 页 2 CN 114708550 A 2确定烧毁区域、 不确定区域和 确定未烧毁区域； S33： 随机选取确定未烧毁区域中火灾前后NBRSWIR指数图中的像素作为训练样本 Xtrain、 Ytrain。 5.如权利要求4所述的融入先验知识的无监督学习森林火灾变化检测方法， 其特征在 于， 步骤S32具体包括： S321： 设置目标函数的精度e， 模糊指数m， 聚类数c和算法最大迭代次数t， 目标函数J 为： 目标函数的约束条件为： 其中， c表示聚类数， n表示NBRSWIR指数差值图的像元总数， m表示模糊指数， uij表示样 本xj属于i类的隶属度， j表示第j个像元， x表示NBRSWIR指数差值图所代表的样本， i表示第 i个聚类， vi表示i类的中心， d()表示距离的度量； S322： 随机初始化隶属度矩阵uij和聚类中心vi； S323： 更新隶属度矩阵和聚类中心， 具体为： 其中， k表示第k个聚类， vk表示k类的中心； S324： 若目标函数满足|J(t) ‑J(t+1)|＜e， 则迭代结束， 进入步骤S325， 否则重复步骤 S323； S325： 根据所得到的隶属度矩阵， 取样本隶属度最大值所对应类作为样本聚类的结果， 聚类结束， 进 而将样本划分为确定烧毁区域、 不确定区域、 确定未烧毁区域。 6.如权利要求1所述的融入先验知识的无监督学习森林火灾变化检测方法， 其特征在 于， 步骤S4具体包括： S41： 构建两个对称的深度网络分支， 均为全连接层， 包括输入层、 隐藏层和输出层， 每 个隐藏层均有相同数量的节点； S42： 初始化两个对称的深度网络分支的参数{ θ1, θ2}； S43： 分别计算火灾前后的训练样本Xtrain、 Ytrain经过深度网络分支转换后的投影特征 权　利　要　求　书 2/5 页 3 CN 114708550 A 3