一种基于三层集成学习的煤火区多源遥感识别方法及系统

本技术属于煤火区遥感识别，具体涉及一种基于三层集成学习的煤火区多源遥感识别方法及系统。

背景技术：

1、煤田火区形成受多种因素影响：内力地质作用使部分煤层水平向发生褶皱或断裂，垂直向随地壳进行抬升；外力地质作用风化、剥蚀地球表层，导致岩石裂隙发育，内外力共同作用使氧气沿裂隙逐步与煤层充分接触，在太阳辐射影响下，煤炭因比热容较低易发生自燃现象。随着人类对能源需求量日益增加，煤炭作为经济型资源被大量开采，而无序的开采进一步加重了煤炭氧化自燃，形成大面积煤田火区。

2、煤火区广泛分布于煤炭资源丰富的国家和地区，已成为世界范围内共同关注的问题。煤火燃烧不仅严重侵损煤炭资源，阻碍开采，其析出的煤焦油、硫、碳等有毒物质和气体、对周边生态系统、水资源和土壤、大气环境等也造成了不可估计的影响。因而，如何快速、准确识别并圈定煤火区位置具有重要现实意义。

3、大量煤炭在地下高温燃烧改变了火区的物理化学场，故以地表测温、自然电位、瞬变电磁、同位素测氡测硫、双元示踪气体等为代表的物探、化探、热探、钻探等四大类实地探测方法被相继提出。随着近年来遥感技术的快速发展，星载传感器时空分辨率和性能得到大幅提升，利用lansat-8 tirs数据反演火区地表温度以及利用差分干涉合成孔径雷达(differential interferometric synthetic aperture radar，d-insar)技术对煤火引起的垂直地面沉降进行精确测量已具备可行性。在此基础上，后续学者又分别利用永久散射体干涉测量(persistent scatterer insar，psi)、小基线集干涉测量(small baselinesubset insar，sbas)、分布式散射体干涉测量(distributed scatterer insar，dsi)等时间序列insar技术减弱煤田火区这种动态区域易时空失相干以及大气延迟等因素的影响，使圈定结果更为精准化。

4、上述煤火监测方法各有其优势，在具体实践中也取得了一定成效，但尚存不足之处：实地探测法效率低下、适用面窄且空间分辨率低；单一星载热红外探测不容易定义区分煤火像素与背景像素的分割阈值；单一(时序)差分干涉易受矿区开、自然地表形变等干扰因素的影响；现阶段多源遥感协同探测技术大多采用构建滤波器进行多级滤除，但此类方法阈值设置主观性较高，依赖先验知识，且对短时燃烧煤火区识别效果较差，方法没有能够较好地将多源数据进行联系，泛化能力较差。

5、目前机器学习在各个领域均有广泛的应用，但在煤火区识别方面还缺少相关探索，集成学习通过对多种单一学习模型进行同质、异质集成，在模型泛化性上具有显著优势，其现阶段应用大多只采用单一集成学习的方法，亦缺少不同集成方法之间的对比。

技术实现思路

1、本技术旨在解决现有技术的不足，提出一种基于三层集成学习的煤火区多源遥感识别方法及系统，为更好地挖掘火区多源遥感数据之间的潜在关系，兼顾不同集成方法的优势，提升模型的鲁棒性、泛化性与识别结果的精准性，本文联合热红外、光学、雷达、夜光数据，将强约束下提取的多模态遥感数据作为数据集，综合集成思想构建了三层改进集成学习煤火区识别模型，在兼顾效率的同时，大大降低了主观因素的影响，更适合多维数据处理，通过多要素协同学习，可缓解因某一或某几个要素灵敏度差的问题。

2、为实现上述目的，本技术提供了如下方案：

3、一种基于三层集成学习的煤火区多源遥感识别方法，包括以下步骤：

4、基于多模态遥感数据，对火区多要素信息进行提取，所述多模态遥感数据包括：热红外影像、多光谱影像、sar影像和夜光影像；

5、基于所述火区多要素信息，划定火区特征样本；

6、基于所述火区特征样本构建集成学习模型，并基于所述集成学习模型识别火区范围。

7、优选的，所述火区多要素信息包括：热异常区、植被丰富区、沉降异常区和高亮区。

8、优选的，所述热异常区的提取方法包括：

9、对煤火区的火区多个时相的地表温度进行反演，得到反演结果；

10、设定第一阈值，基于所述第一阈值对所述反演结果进行划分，得到初始热异常区；

11、对所述初始热异常区的每年冬季相邻影像进行相交处理，得到第一处理图像；

12、以年为单位对所述第一处理图像进行叠加，得到所述热异常区。

13、优选的，所述植被丰富区的提取方法包括：

14、基于所述热红外影像计算所述火区多个时相的归一化植被指数；

15、设定第二阈值，基于所述第二阈值对所述热异常区进行划分，得到所述植被丰富区。

16、优选的，所述沉降异常区的提取方法包括：

17、获取所述煤火区的所述sar影像，根据时空基线阈值从所述sar影像中筛选出小基线干涉图；

18、对所述小基线干涉图进行配准、多视，去除地形相位和轨道相位，得到差分干涉图；

19、对所述差分干涉图中的高相干点求解线性形变和高程误差，并进行大气延迟相位校正，得到地表形变时间序列；

20、设定第三阈值，基于所述第三阈值对所述地表形变时间序列进行划分，得到所述沉降异常区。

21、优选的，所述高亮区的提取方法包括：

22、对所述夜光影像进行辐射标定并比对，得到所述煤火区和其他地物的亮度差异；

23、基于所述亮度差异，对不同所述夜光影像的亮区进行相交处理，得到相交区域；

24、对所述相交区域进行分块，计算不同块区在不同所述夜光影像中的亮度均值，并基于所述热异常区和所述沉降异常区分割得到火区和矿区；

25、设定第四阈值，基于第四阈值确定明火点位置，即所述高亮区。

26、优选的，所述火区特征样本的划定方法包括：

27、以所述热异常区和所述沉降异常区的交集构建标准差椭圆，得到强约束隐蔽火区样本；

28、在所述强约束隐蔽火区样本上叠加所述高亮区，得到强约束明火区样本；

29、在所述标准差椭圆外部建立缓冲区，提取所述缓冲区的影像中独立热异常区、独立沉降异常区及无异常特征点，得到非火区样本。

30、优选的，所述集成学习模型构建的方法包括：

31、对所述强约束隐蔽火区样本、所述强约束明火区样本和所述非火区样本进行过采样，并打乱得到的过采样后的数据，将打乱后数据按预设比例划分为训练集和测试集；

32、将所述训练集和所述测试集训练初始层，得到第一输出结果；

33、基于所述第一输出结果训练次级层，得到第二输出结果；

34、基于所述第二输出结果建立末层预测模型，得到所述集成学习模型。

35、本技术还提供了一种基于三层集成学习的煤火区多源遥感识别系统，包括：信息提取模块、样本划定模块和识别模块；

36、所述信息提取模块用于基于多模态遥感数据，对火区多要素信息进行提取，所述多模态遥感数据包括：热红外影像、多光谱影像、sar影像和夜光影像；

37、所述样本划定模块用于基于所述火区多要素信息，划定火区特征样本；

38、所述识别模块用于基于所述火区特征样本构建集成学习模型，并基于所述集成学习模型识别火区范围。

39、与现有技术相比，本技术的有益效果为：

40、(1)本技术通过联合多模态遥感数据对火区进行协同探测，共同表征煤火燃烧产生的异常现象，引入夜光影像，分析不同地物像元亮度值，对亮度区域进行相交、分割、分级处理，辅助分割火区与矿区；

41、(2)本技术的三层集成学习既可以解决多源遥感数据间无法建立统计模型的问题，也因综合了三种不同集成思想，降低了训练结果方差、偏差，以及噪声的影响。方法可通过掩膜多源数据的方式，一次提取感兴趣区域的像元值，海量数据可提高模型学习能力，保证模型精度，且模型本身可以进行内符合精度评价；

42、(3)本技术相较于传统火区识别方法局限于当前研究的截止时间，可做到针对同一火区的长时间序列持续监测，并通过不断增加感兴趣区域，进一步提升模型的分类精度；

43、(4)本技术相较于传统火区识别方法仅对单一小范围火区进行研究，相应参数随研究区变动反复重新调试，无法估计某些参数灵敏度下降带来的限制，本技术输入样本均直接取较高的置信度，保证了样本的高可靠性，通过多种参数协同学习，可应用于大范围火区监测，泛化能力较强。