基于遥感指数和机器学习的煤炭火情检测模型研究

为解决煤炭火情检测中热红外遥感技术受太阳辐射干扰及大规模检测难题，研究人员利用RS指数和机器学习开发了CFDM模型。该模型在大规模煤炭火情检测中表现优异，显著提高了检测精度，减少了误报率，对实现碳中和目标具有重要意义。

　　

论文解读

煤炭火情是全球性的环境和能源挑战，尤其在煤炭资源丰富的国家如中国、印度、美国、澳大利亚等地，煤炭火情不仅对人类健康和环境造成严重威胁，还导致巨大的资源损失和财产破坏。传统的煤炭火情检测方法，如地面普查和地球物理方法，虽然能够提供详细的数据，但往往耗时且效率低下。此外，热红外遥感（TIRS）技术虽然在煤炭火情检测中被广泛应用，但其准确性受到太阳辐射的显著影响，尤其是在大规模区域检测中。

为了解决这些问题，北京师范大学的研究人员开发了一种基于遥感指数（RS）和机器学习（ML）的煤炭火情检测模型（CFDM）。该模型利用短波红外（SWIR）和近红外（NIR）数据构建的热异常指数（TAIs），这些指数对太阳辐射的敏感性较低，能够更有效地检测煤炭火情。通过使用AutoGluon机器学习框架，研究人员训练了一个集成模型，该模型能够在不依赖煤炭火情引起的变形的情况下，识别大规模的煤炭火情目标区域。

在研究过程中，研究人员使用了Landsat-8和Sentinel-2卫星数据，这些数据提供了SWIR和NIR波段，用于计算TAIs。此外，研究人员还使用了Sentinel-1数据来获取雷达植被指数（RVI），以增强模型的检测能力。通过这些数据，研究人员构建了多个TAIs，并结合其他遥感指数，开发了CFDM模型。

研究结果表明，CFDM模型在召回率（Recall）、精确率（Precision）、F1分数和Kappa系数等指标上均优于其他机器学习算法。具体来说，CFDM模型在使用Landsat-8和Sentinel-2数据时的召回率分别为0.89和0.85，精确率分别为0.94和0.92，F1分数分别为0.93和0.90，Kappa系数分别为0.92和0.89。这些结果表明，CFDM模型在大规模煤炭火情检测中具有较高的准确性和稳定性。

为了进一步验证模型的鲁棒性，研究人员在中国新疆和印度贾坎德邦的实际煤炭火情点上进行了测试。结果显示，CFDM模型在这些地区的检测效果显著优于传统的TAIs方法，显著降低了误报率。通过Shapley加法解释（SHAP）分析，研究人员发现KTAI（核热异常指数）在模型分类中贡献最大，这表明KTAI在区分煤炭火情和背景区域方面具有显著优势。

论文的重要意义在于，CFDM模型的开发和应用为大规模煤炭火情检测提供了一种高效且准确的解决方案。通过减少太阳辐射对检测结果的影响，CFDM模型能够更可靠地识别煤炭火情，从而为煤炭火情的管理和控制提供有力支持。此外，CFDM模型的成功应用也为未来的煤炭火情检测研究提供了新的思路和方法，特别是在多源遥感数据的融合和机器学习算法的应用方面。

综上所述，CFDM模型在煤炭火情检测中的应用展示了其在提高检测精度和减少误报率方面的巨大潜力。这一研究成果不仅对煤炭火情的管理和控制具有重要意义，也为全球环境监测和资源管理提供了新的技术手段。