基于遙感+GIS的山火檢測及火勢蔓延監控平臺實現*

楊 知，劉宇舜，李 闖，張思航，朱理宏，劉 彬，劉 暢，張振威，徐英輝

(1.中國電力科學研究院有限公司 北京 100010；2.國網安徽省電力有限公司電力科學研究院 安徽 合肥 230601；3.安徽送變電工程有限公司 安徽 合肥 230601)

山林火災因其突發性強、破壞性大且難以預測的特點，導致了大量生態資源與生命財產損失，給防災減災工作帶來了極大的壓力。因此，研究如何有效監測山林火災，并對火勢蔓延行為準確預測，進而降低山林火災的損失，成為防災減災工作重點[1-2]。衛星遙感因其多尺度、多光譜、多時相等對地觀測特點，目前已經成為山林火災檢測的主要技術手段，也是過火跡地特征、林火數據庫等的重要信息源[3-4]。賈道祥[5]提出一種基于地理表示圖像的煙火定位與林火三維可視化模擬方法，利用單視點和多視點地理標記圖像實現煙火定位，并利用多視點圖像與DEM進行耦合，實現火場三維可視化表達。鄧曌[6]提出一種基于三維Otsu法的林火熱點監測方法，對比已有的多種林火監測方法，選取上下文法監測算法配合三維Otsu法，采用自適應動態閾值，可實現精度更高、速度更快的長時序森林火災檢測。高赫蔚[7]基于森林火災的時間序列特征，結合風速、風向、坡度、坡向和植被覆蓋率等數據，利用FUN-LSTM神經網絡對林火蔓延進行預測，結果具有很高的準確度；張兆鵬等[8]利用火災對植被覆蓋度影響，并對不同程度或范圍過火區的植被覆蓋度恢復情況進行分析，闡述了頻發森林火災對森林自然環境的影響巨大；唐麗玉等[9]集成FARSITE林火模擬和三維可視化方法，研發了林火蔓延可視化系統，提供林火蔓延過程和估算過火面積等功能。

如何快速準確地檢測火點，并根據火點檢測結果實時逼真地模擬火勢動態發展趨勢是當前技術應用的難題。目前，已有的山火檢測與火勢蔓延技術融合性較差，很少有研究結合時效性高、實用性強的氣象衛星火點檢測結果作為火勢蔓延的起火點，且火勢蔓延平臺仍停留在較為粗糙的可視化階段，無法滿足相關生產應用部門的實用性需求。因此，研究開發一套常用的氣象衛星山火檢測及實時的三維仿真的火勢蔓延監控平臺能有效滿足山火防治工作實用性需求，提高山火防治業務水平。本研究以火點檢測、地表火勢蔓延和山火參數可視化監測模塊為主體，采用自適應閾值法和深度學習方法實現基于衛星遙感的山火檢測；利用Rothermel蔓延模型模擬山火的行進軌跡與發展趨勢；采用改進的粒子系統方法的計算機圖像學原理進行多模塊整合，實現交互瀏覽等功能。在新建的平臺上，各級單位可以利用山火檢測和火勢蔓延監控平臺獲取火點位置、過火面積和發展趨勢等信息，可直觀了解過火區的發展狀態，有利于制定出“有的放矢”的治火策略。同時以大同市森林火災進行實例驗證，充分驗證了該平臺在山火檢測和火勢蔓延應用中的可靠性。

1 系統方案設計

1.1 系統總體方案

本平臺基于關系型數據庫MySQL存儲多源數據信息，后端采用J2EE架構進行數據接口的設計開發，前端采用基于JavaScript語言的WebGIS技術進行應用層開發，旨在實現基于遙感+GIS的山火檢測及火勢蔓延監控，主要包括三個功能模塊(圖1)：火點檢測模塊、地表火蔓延模擬模塊、山火參數可視化監測模塊。首先，利用衛星遙感數據，采用自適應閾值法或深度學習方法，對地表高溫異常點進行實時識別和定位，并提供火點位置、強度等信息。其次，利用Rothermel蔓延模型，根據林地燃料特性、氣象條件、地形因素等輸入參數，計算火焰傳播速度、方向、強度等輸出參數，并通過數值求解方法得到火場動態分布圖。最終，利用計算機圖形學原理，采用改進的粒子系統方法，根據火場動態分布圖和視角設置，生成逼真的三維林火場景，并實現交互式瀏覽和漫游功能。

圖1 系統總體設計導圖

1.2 系統功能設計

1.2.1 火點檢測模塊

該模塊利用衛星遙感數據，采用自適應閾值法或深度學習方法 ，對地表高溫異常點進行實時識別和定位。該模塊可以提供火點位置、面積、強度等信息，為火災預警和撲救提供依據，其主要功能包括：

1)數據獲取。從日本氣象廳和地理空間數據云平臺獲取近實時的靜止氣象衛星、極軌氣象衛星和高分辨率光學衛星數據。

2)數據預處理。對影像數據進行大氣校正、幾何校正、輻射校正等操作，以消除噪聲和誤差，并提取所需的光譜通道。

3)火點識別。采用先進機器學習算法，對影像數據進行特征提取和分類識別，實現火點像素的快速精準檢測。

4)火點定位。根據識別出來的高溫異常像素，在地理信息系統(GIS)中確定其經緯度位置，并與其他空間數據(如行政區劃圖層)進行疊加分析。

5)火點屬性統計。根據高溫異常像素在影像中所占比例或面積以及亮度溫度大小等指標計算其相應屬性(如面積、強度)，并將其作為輸出結果。

1.2.2 地表火蔓延模擬模塊

該模塊利用Rothermel蔓延模型，根據林地燃料特性、氣象條件、地形因素等輸入參數，計算火焰傳播速度、方向、強度等輸出參數，并通過數值求解方法得到火場動態分布圖。該模塊可以預測火災發展趨勢和影響范圍，為撲救策略制定提供參考，其主要功能包括：

1)數據獲取。從各種數據源(如遙感影像、氣象站點、數字高程模型等)獲取所需的輸入參數(如林地燃料類型、含水量、風速風向、坡度坡向等)。

2)數據預處理。對輸入參數進行空間插值或轉換，以保證其與火場動態分布圖的空間分辨率和范圍一致，并進行必要的單位轉換或歸一化處理。

3)火蔓延模擬。采用Rothermel蔓延模型，根據輸入參數計算火焰傳播速度、方向、強度等輸出參數。Rothermel蔓延模型是基于物理原理和實驗數據建立的經驗公式，可以描述不同燃料類型下的火焰行為。

4)火場動態分布圖。火場動態分布圖是以時間為維度，以空間網格為單元，表示每個網格單元在每個時間步長內是否被點燃或滅火的二值狀態。基于數值求解方法將Rothermel蔓延模型離散化，并結合初始火點位置和不可燃區域等要素，得到火場動態分布圖，通過修改預測時間段與計算頻次，生成火勢蔓延結果。

1.2.3 山火參數可視化監測模塊

該模塊利用計算機圖形學原理，采用改進的粒子系統方法 ，根據火場動態分布圖和視角設置，生成逼真的三維林火場景，并實現交互式瀏覽和漫游功能。具體而言，其主要功能包括：

1)粒子可視化。根據火場分布圖，確定每個時間步長下的起火點位置和數量，并在每個起火點處生成一定數量的粒子。根據物理規律和外部影響(如風力、重力等)，更新每個粒子的屬性。根據每個粒子的屬性，繪制并顯示出相應的圖像，實現粒子模擬可視化。

2)氣象可視化。后臺接入實時氣象數據，基于代碼轉換生成可視化風場，并可通過時間軸拖動查看不同時間段風場變化情況。

3)山火蔓延預警。判斷火勢蔓延預測結果，相應給出預警風險等級判定并采用消息通知和地圖可視化的形式進行發布。

4)山火多發區域圖繪制。根據采集、接收到原始火點數據和GIS信息、地形信息的疊加結果，繪制出山火多發區域的模擬圖，進行系統經驗積累，通常以熱力圖的形式來呈現不同位置的火災依法情況。

2 關鍵技術

2.1 多模型聯合的火點檢測技術

本系統采用的火點檢測技術主要包括云檢測、水域掩膜、火點檢測、虛假火點去除四部分。

2.1.1 基于極端隨機樹的云檢測

極端隨機樹是一種組合分類器，是對隨機森林算法的改進，通過將全部訓練樣本應用到每一棵回歸樹上，能夠增強其泛化性能，具有高精度、抗噪聲、防止過擬合等優點。在算法構建過程中，綜合考慮原始光譜、亮溫差、地理位置、角度等多要素特征，構建樣本數據集，基于網格化尋優確定最佳參數，實現云像元的識別提取。本研究在云南地區Himawari-8衛星的26萬個像元上進行訓練和十折交叉驗證(云像元占比58%，晴空像元占比42%)，其精度與其他方法對比見表1。

表1 不同云提取機器學習模型驗證精度對比

2.1.2 基于Unet網絡的水域提取

水體作為火災隔離帶不具備發生火災的可能性，但其光滑的表面容易在太陽輻射場景中產生耀斑，帶來火點誤檢，因此必須排除水體對山火檢測的影響。Unet網絡是一種基于全卷積網絡的語義分割模型，主要由編碼器-解碼器結構構成，能夠保留較多的位置信息和上下文信息，將預處理后的Landsat中分辨率衛星數據作為輸入數據，基于人工優化后的水體掩膜樣本，構建水域提取網絡，完成衛星影像中水體像元的標記和過濾。

2.1.3 多模型聯合的火點檢測

利用氣象衛星的中紅外和熱紅外通道，可以實現火點的監測，本系統中部署了空間上下文算法及CNN網絡，以實現火點的精準識別。首先，利用空間上下文算法計算每個像元與鄰域所有像元的溫度平均值和標準差，根據圖像的類間方差自動計算最佳分割閾值，形成潛在火點的初步識別結果；隨后，將空間上下文信息、原始光譜、亮溫差、地形信息、觀測角度等作為輸入變量傳入CNN網絡，進行火點的精確提取。本研究依據云南省15 183個火點樣本(火點1 424個、非火點13 780個)進行模型的構建與驗證，結果顯示火點檢測精度達89.4%，總漏分率9.6%，總誤分率1.0%。

2.1.4 虛假火點去除

虛假火點主要由固定高溫熱源和耀斑引起，其中固定高溫熱源指由工業生產、城市建設等人為活動造成的持續性高溫熱源，如鋼鐵廠、發電廠、火車站等。這些熱源會在衛星監測中被誤判為火點，造成虛警。對于這部分虛假警報，一方面通過土地利用數據篩除部分工廠區域，另一方面通過DeeplabV3+語義分割網絡對光伏板、大棚等進行提取，進而實現虛警庫的構建。

而對于耀斑則主要是用鏡面反射向量角度進行判斷，其定義如下：

cosθr=(cos(θV)cos(θs)-sin(θv)sin(θs)cos(ψ))

(1)

式中：θr為地球表面到衛星的向量與鏡面反射方向之間的角度，θv和θs分別為衛星天頂角和太陽天頂角，ψ為相對方位角，通過衛星方位角和太陽方位角計算獲取。然后通過以下條件進行判別：

θr<30；

(2)

albedo03>0.3；

(3)

albedo04>0.3。

(4)

如果同時滿足上式，火點像元被確認為太陽耀斑影響，對其進行去除。

2.2 基于Rothermel模型的地表火蔓延模擬

2.2.1 Rothermel模型原理

Rothermel模型是一種基于物理學原理的火勢蔓延模型，它的基本思想是林火的蔓延過程實際上是火焰前方未燃可燃物被連續點燃的過程，其根據可燃物的性質、風速、坡度等因素計算出火線強度、火焰長度、高度、角度等參數，進而預測林火的蔓延速度和方向，其基本公式如下：

(5)

式中：IR為反應強度(kJ/(m2·min))；ζ為蔓延率；ΦW、ΦS分別為風速和坡度修正系數；Pb為地表可燃物密度(kg/m3)；ε為可燃物有效加熱系數；Qig為引燃單位質量可燃物需要的熱量。

2.2.2 多要素獲取及尺度統一

Rothermel模型的構建要素主要包括地形、坡度、坡向、林冠覆蓋度、可燃物模型、氣象因子等。其中，地形、坡度、坡向由NASA-DEM計算而來；林冠覆蓋度則由Landsat系列衛星反演計算得到；可燃物模型則基于中國生態系統分類標準映射得到；氣象數據則來源于中國氣象數據網的鄰近站點數據，主要包括風速、風向、氣溫、濕度、云覆蓋等。最終將多要素重采樣至30 m分辨率，進而實現多要素尺度的統一。

2.2.3 模型構建與部署

基于Rothermel模型的數學原理，結合輸入數據，計算火災在水平和垂直方向上的蔓延速率，并將其轉化為火災在地圖坐標系下的蔓延速率。在此基礎上，結合初始火點位置和不可燃區域等要素，通過修改預測步長和時間范圍，并利用空間插值和時間推演等方法，生成林火蔓延軌跡圖，進而反映林火在時間上和空間上的變化規律。

2.3 基于粒子模擬的三維可視化技術

2.3.1 粒子可視化技術

首先，分別創建火和煙的粒子系統對象，初始化其參數并將其加入三維場景。其次，根據火、煙的初始物理特征，設置對應的粒子系統初始渲染狀態，建立粒子屬性模板，將粒子的大小、顏色、紋理、生命周期等屬性，與粒子系統相互關聯。在此基礎上，創建火、煙粒子系統的更新器，依據Rothermel模型的預測結果，更新每幀中粒子的屬性和狀態，如速度、位置和方向等，將其與粒子系統對象相關聯，加入到場景中。

此外，創建標準放射器并與火(煙)粒子系統相互關聯，其中包括發射器、放置器和計數器，分別實現決定粒子生成時的初始速度、控制粒子的發生位置、記錄生成的粒子數量。之后根據火(煙)的運動特征，在標準編程器對象中實現多類別操作器，以通過控制生命周期內的粒子的運動狀態，表現出火和煙等現象的變化特點。最終將火粒子系統和煙粒子系統對象構建為組節點，加載進場景根節點中(圖2)。

圖2 火勢蔓延推演及可視化

2.3.2 氣象可視化技術

讀取風場數據，根據數據格式設置粒子的存儲結構，在格網中隨機放置基本粒子并設置其屬性，為了表達風場的整體結構會不同位置設置多個粒子同時追蹤；從粒子的初始位置出發對速度函數數值積分得到其他時間的位置及粒子的運動軌跡，使風場粒子結構在格網中不斷運動和更新。與此同時，在粒子不斷運動的過程中根據密度要求在格網中刪除舊粒子、生成新粒子，以控制粒子密度，保證粒子數量在一個范圍內，最終實現風場粒子的追蹤映射(圖3)。

圖3 氣象可視化

3 實例分析

2020年4月30日，山西省大同火山群地質公園(113°36′36″～113°42′36″E，40°1′12″～40°4′12″N)發生了嚴重火災，系抽煙引燃荒草導致，火場植被多以油松為主，火勢較大，本研究以此作為研究案例，對火點檢測與火勢蔓延進行實例驗證。

根據Himawari-8衛星AHI數據計算得到4月30日大同火災燃燒期間的火點輻射功率(FRP，Wm-2)并繪制變化曲線圖(圖4)可知，火點區域的平均FRP在11：00便達到了132 Wm-2，隨后逐漸上升，在15：00達到了最高，平均FRP達624 Wm-2，后逐漸下降，在20：00-21：00時有部分區域重燃，在22：00FRP降至低值，約為39.76 Wm-2。這與實際火災燃燒時間較為一致(09：50起火，21：30明火撲滅)，由此可見，基于Himawari-8進行火點檢測切實可行。

圖4 Himawari-8火點區域FRP

基于Himawari-8衛星監測到的初始火點位置、地理空間數據云平臺下載的地形數據、全國綜合氣象信息數據共享平臺獲取的每日逐小時氣象數據以及參考標準可燃物模型擴展集[10]制作的研究區域本地化可燃物模型，對大同火山群地質公園火災進行模擬(圖5)。從圖5中可以看到在火災的起始階段，由于西風的作用，火線沿北側山坡向東部蔓延，而南側山坡由于風向作用和山脊道路的隔離，并未受到波及；隨著風向逐漸由西風轉為西南風，火線也逐漸向東北部蔓延，并逐漸危及東側的大面積植被區；在火災后期，起始點周邊的火勢已被控制，而東部大面積植被區則受損嚴重，但由于偏南風的作用，火勢很難向更南方進行深度蔓延，整體火勢已無再擴大趨勢。

圖5 火勢蔓延模擬結果(步長：1 h)

對Sentinel-2衛星在火災前后的假彩色影像(圖6)進行對比分析可知，火災實際情況與模擬結果總體較為類似，主要差別點在于火災后期的東部植被區的模擬，這可能與實際滅火工作中消防人員對火勢的控制與隔離等有關。火勢蔓延模擬模塊能較好地預測林火在實際邊界條件下的火勢發展情況，為林火防控指揮提供參考依據。

圖6 火災前后Sentinel-2衛星假彩色影像對比

4 結論與討論

本文以山火檢測及火勢蔓延監控為研究目標，基于遙感+GIS技術，實現了山火檢測及火勢蔓延監控平臺，主要包括三個部分：多模型聯合的火點檢測技術、基于Rothermel模型的地表火蔓延模擬和基于粒子模擬的三維可視化。多模型聯合的火點檢測技術利用多源遙感數據，結合閾值法、機器學習和深度學習等方法，實現了對地表高溫異常點的自動識別和定位，具有較高的準確率和實時性，能夠及時發現并報警山火發生。在此基礎上，根據Rothermel模型，結合可燃物特征參數、氣象因子和地形因子等數據，計算出林火蔓延速率，并通過空間插值和時間推演等方法，生成林火蔓延軌跡圖，能夠預測林火在不同條件下的發展趨勢，為防控指揮提供參考依據。最終利用粒子系統來模擬林火蔓延過程和氣象變化過程，構建出山區森林環境的三維場景，能夠呈現出林火蔓延過程中的真實感和動態感，增強了平臺的交互性和體驗性。該平臺不僅能夠有效地監測山區森林中發生或可能發生的山火情況，還能夠預測山火在未來一段時間內可能擴散到哪些區域，并以三維方式展示出來。

本文還有以下不足：山林火災發生和蔓延的因素復雜多變，不確定性極大，要做到精確的火勢蔓延模擬是比較困難的。Rothermel模型作為一個國外的半經驗半物理模型，需要通過大量試驗才能獲取精確的參數，本文缺乏試驗條件，只能采用假設值；并且已有的可燃物模型不能完全適用于國內研究區域，本文結合研究區域的可燃物植被類型進行簡單映射也會限制蔓延精確程度。因此，下一步可以深入挖掘研究區域的可燃物相關參數，使Rothermel模型的本地化應用更加成熟和完善，為山林火防治提供更有力的輔助決策信息。