Detection of Smoke from Straw Burning Using Sentinel-2 Satellite Data and an Improved YOLOv5s Algorithm

Li, Jian; Liu, Hua; Du, Jia; Cao, Bin; Zhang, Yiwei; Yu, Weilin; Zhang, Weijian; Zheng, Zhi; Wang, Yan; Sun, Yue; Chen, Yuanhui

doi:10.3390/rs15102641

开放式访问第条

利用Sentinel-2卫星数据和改进的YOLOv5s算法检测秸秆燃烧烟雾

通过

李健

^1,†,

刘华（Hua Liu）

^1,2,†

,

贾杜

^2,*,

曹斌（Bin Cao）

^三,

张一伟

²,

于伟林

¹,

张伟建

²,

Zhi Zheng公司

²

,

Yan Wang（王燕）

²,

岳阳

²和

陈元辉

⁴

¹

吉林农业大学信息技术学院计算机科学与技术，长春130118

²

中国科学院东北地理与农业生态学研究所，长春130102

^三

河北工业大学人工智能学院，天津300130

⁴

吉林农业大学资源与环境学院，长春130118

^*

信件应寄给的作者。

^†

这些作者为这项工作做出了同等贡献。

远程传感器。 2023,15(10), 2641;https://doi.org/10.3390/rs15102641

收到的提交文件：2023年4月23日/修订日期：2023年5月17日/接受日期：2023年5月17日/发布时间：2023年5月18日

下载

浏览地物

版本注释

摘要

:

秸秆燃烧是一个非常具有破坏性的过程，威胁着人们的生计和财产，并造成无法弥补的环境破坏。因此，检测和控制秸秆燃烧至关重要。在本研究中，我们分析了Sentinel-2数据，根据云、烟雾、水体和背景（植被和裸地）对不同波段的响应特征，选择最佳的分离波段。选定的波段被添加到红、绿、蓝波段（RGB）中，作为训练样本数据。最终选择了检测精度最高的波段RGB_Band6，其准确率为82.90%。现有的目标检测模型无法直接处理多波段图像。本研究基于YOLOv5s模型修改了输入层结构，构建了适用于多波段遥感图像的目标检测网络。在YOLOv5s模型的基础上引入挤压激励（SE）网络注意机制，增强了烟雾的精细特征，并将卷积+批量归一化+泄漏ReLU（CBL）模块替换为卷积+批归一化+Mish（CBM）模块。模型的准确率提高到75.63%，比以前提高了1.81%。我们还讨论了空间分辨率对模型检测的影响，其中对于分辨率为60、20和10米的图像，准确率分别为84.18%、73.13%和45.05%。实验结果表明，随着空间分辨率的增加，模型的准确性有时只会有所提高。本研究为秸秆焚烧监测提供了技术参考，对控制秸秆焚烧和改善环境空气质量至关重要。

关键词：

YOLOv5系列;烟雾探测;Sentinel-2遥感图像;挤压和励磁网络;激活函数

1.简介

生物质燃烧（BB）是指所有非化石植物或有机燃料的开放式或准开放式燃烧，包括森林火灾、作物残渣燃烧、烹饪火灾、粪便燃烧等[1]. 露天生物质燃烧（OBB）是微量气体污染物和含碳颗粒物（PM）排放的重要来源[2]. 露天焚烧秸秆被认为是主要的OBB类型之一[三]. Shi等人[4]对秸秆处理状况及其利用难点进行了系统分析。他们得出结论，秸秆焚烧如此普遍的原因包括：（1）农业从业者资源意识低；（2）耗时耗力、效率驱动不足等。2002年至2016年期间，预计OBB对PM2.5排放的年贡献率显著增加（191%）[5]并对全球气候变化产生重大影响[6]. 由于秸秆燃烧产生大量悬浮颗粒物，大范围、高强度露天焚烧秸秆可能对区域空气质量以及当地公共健康和安全有害[7]例如可吸入颗粒物（PM10；空气动力学直径在2.5至10微米之间）和细颗粒物（PM 2.5；空气动力学半径小于2.5微米）[8]. 这些悬浮颗粒影响对流层化学过程，并可能导致慢性阻塞性肺病，如支气管炎和哮喘[9]. 秸秆焚烧还导致地面温度急剧上升，不仅破坏了土壤中有益微生物的生存环境，而且影响作物对土壤养分的吸收，降低农田作物的产量和质量。

目前，秸秆燃烧的监测主要基于火焰和烟雾的检测。火焰特性突出，火焰检测比烟雾检测更容易实现。然而，火焰通常是在燃烧的稻草地中间产生的，因此当检测到火焰时，火灾已经很严重，因此检测无法在预警方面发挥有效作用[10]. 作为秸秆燃烧的最重要特征之一[11]，烟雾用于检测秸秆燃烧的发生[12]. 因此，烟气对控制秸秆燃烧和改善环境空气质量具有重要意义。

目前有三种主要的烟雾探测方法。一是使用各种类型的传感器；二是先用人工选择烟雾特征，然后用图像处理技术进行检测；三是设置视频采集设备[13]. 第一种方法相对简单，成本低，使用广泛。然而，传感器设备最终会因环境的影响而退化或损坏，因此有许多烟雾探测的漏检和误检案例[14]. 第二种方法需要在检测之前选择特征。手动特征选择主要依赖于经验和先验知识，这往往会使模型陷入局部最优，从而影响烟雾模型的准确性[15]. 第三种方法可以在秸秆燃烧发生时提供相对快速的定位信息和预警。视频设备必须依赖长期稳定的可用电源和网络支持；然而，电子设备的寿命有限，必须不断更新和维护[16]，该设备的监测范围最小。相比之下，卫星遥感相关技术覆盖面积大，监测能力同步且经济，因此可以实现对地球表面的观测。因此，通过遥感探测秸秆燃烧烟雾的宝贵数据成为可能[17]. 为此，迫切需要开发适用于卫星遥感图像的鲁棒算法，用于检测与秸秆燃烧相关的烟雾。

传统的烟雾检测算法使用烟雾颜色和小波系数等特征进行提取。Gubbi等人[18]提出了一种首先利用小波变换对图像特征进行分解，然后将分解后的特征进行融合来描述烟雾，最后使用支持向量机（SVM）进行分类的方法。Chen等人[19]分析了烟雾的颜色强度在RGB和HIS空间中的分布。他们根据分布规律建立了烟雾静态特性的颜色模型。李和袁[20]首先提取烟雾的局部二值模式（LBP）和边缘方向直方图（EOH）特征，融合这两个特征，然后输入SVM进行分类；该方法的准确度为86.5%。Xie等人[21]在对不同特征类型光谱分析的基础上，利用8个MODIS光谱通道构建了森林火灾烟雾探测的多通道阈值方法。Zhao等人[22]使用MODIS数据进行基于光谱和空间阈值以及均匀纹理分析的森林火灾烟雾检测。然而，由于特征选择的计算复杂性、不确定性和确定合适阈值的困难，上述方法不足以适应广泛应用[23].

随着深度学习（DL）的发展和进步，与传统算法相比，检测算法可以降低硬件成本，并且无需手动提取特征[24]. 基于深度学习的目标检测算法可以快速检测目标，YOLOv5s由于其高检测速度而备受青睐[25]. 然而，尽管YOLOv5s模型在检测速度上优越，但其检测精度较差。本研究旨在改进YOLOv5模型，以开发适用于Sentinel-2遥感图像的秸秆燃烧烟雾检测高精度检测模型。

目前许多基于卫星遥感图像的烟雾检测策略都使用MODIS数据。然而，Sentinel-2可以提供空间（10米、20米和60米）和时间（5天）分辨率更高的地球观测数据，以及更丰富的地表信息，具有广阔的应用前景[26]. 在本研究中，通过分析Sentinel-2数据，根据云层、烟雾、水体和背景（植被和裸地）对不同波段的响应特征，选择了分离度最佳的波段组合。然后将选定的条带添加到红色、绿色和蓝色条带中，作为训练样本数据。然而，现有的目标检测模型无法直接处理多波段图像。本研究基于YOLOv5s模型修改了输入层结构，以解决当前构建适用于多波段遥感图像的目标检测网络的问题。在这项工作中，挤压和激励（SE）网络注意机制[27]将其引入原始YOLOv5s模型，以提高模型对烟雾的敏感性。此外，卷积+批量归一化+泄漏ReLU（CBL）模块被卷积+批次归一化+Mish（CBM）模块取代[28]加快模型的收敛速度，提高网络的精度和泛化能力。

该研究探索了Sentinel-2遥感图像在烟雾检测中的潜力，我们试图提高用于Sentinel2图像烟雾检测的YOLOv5s模型的准确性。讨论了空间分辨率分别为10m、20m和60m的图像的训练，以分析空间分辨率对模型检测的影响。本研究不仅为控制秸秆燃烧提供了科学依据，也为开展环境监测和应急管理提供了依据。此外，这项工作有助于研究人类活动对大气环境的影响，这对应对气候变化具有重要意义。

2.材料和方法

2.1. 研究区域概述

研究区位于吉林省中部，地理坐标为东经121°38′至131°19′，北纬40°50′至46°19′。研究区域包括长春、吉林、四平和松原市，如图所示图1.

研究区属温带大陆性季风气候，季节变化明显，夏季短、温暖、多雨，平均气温高于23°C。夏季降雨量丰富，年均600毫米，占全年降雨量的60%以上。研究区位于东北平原，是三大重要黑土平原之一；土壤类型以黑土和黑色钙质土为主。研究区域的土壤为中性，平均pH值为6.5，平均有机质含量为26.1 g∙kg⁻¹由于其良好的土壤性质和高肥力，有利于作物生长。因此，该地区是吉林省重要的粮食产区，拥有丰富的商品粮基地[29]为保障我国粮食安全和社会稳定发展做出了突出贡献。根据2020年吉林省年鉴[30]研究区秸秆生产的主要作物类型包括玉米、水稻和大豆，这三种作物的总播种面积分别为312万公顷、49万公顷和12万公顷。吉林省秸秆年产量超过4000万吨[31]研究区秸秆资源产量达到10.87t/hm²，这显然是大量的稻草。然而，秸秆的综合利用率较低[32].

研究区冬季严寒，平均气温低于−11°C，秸秆还田的时间窗很短；因此，随意丢弃和焚烧秸秆是一件非常严重的事情[33]. 由于春秋两季大规模焚烧秸秆，可接受的PM2.5水平比一年中其他时间增加了0.5–4倍[34]，严重影响环境空气质量。2017年10月，长春市空气中的首要污染物细颗粒物PM2.5为68微克/米^三同比增长33.3%；此外，重污染日数比上年同期增加了3天。根据Wang等人的分析[35]秸秆焚烧是长春市环境空气质量下降的根本原因。

2.2. 数据源

Sentinel-2是一颗高分辨率多光谱成像卫星，搭载多光谱成像仪（MSI），用于地面监测，提供植被、土壤、水覆盖、内陆水道和沿海地区的图像，以及应急服务[26]. Sentinel-2分为两颗卫星，2A和2B。Sentinel-2A于2015年6月推出，Sentinel-2 B于2017年3月推出。由于两颗卫星同时运行，地球赤道区域的完整成像可以每五天完成一次。同时，对于欧洲的高纬度地区，这个周期只需三天[36]. 该卫星覆盖13个可见、近红外和短波红外光谱区，空间分辨率分别为10、20和60米。这是一颗具有高时空分辨率的多光谱成像卫星，可以为秸秆燃烧烟雾探测提供有价值的数据。Sentinel-2图像的波段信息如所示表S1（补充材料）.

本研究中使用的Sentinel-2数据从欧洲航天局（ESA）网站下载(https://scihub.copernicus.eu/dhus/#/home，于2022年10月15日访问）。为了创建数据集，选择了四幅图像，包括烟雾、云层、植被、水体和裸露的土壤。鉴于秸秆燃烧主要发生在4月-5月和10月-11月，本研究选择的成像周期为2019年至2021年的4月-5日和10月-10月，数据水平为2A级。1C级是辐射校准和几何校正数据。此外，2A级是基于1C级的大气校正的产物[37]. 图像信息如所示图2.

2.3. 数据预处理

本研究使用Sentinel-2 L2A水平数据，不需要辐射校准、几何校正或大气校正操作[37]. Sentinel-2图像的13个波段提供了10米、20米和60米的三种空间分辨率。为了确保波段之间的空间分辨率一致，所有波段都被重新采样到精确的空间分辨率，并输出到ENVI（图像可视化环境）-在Sentinel应用程序平台（SNAP）下使用最近邻分配方法支持的存储格式[38]. 然后在ENVI中进行带合成。YOLOv5s模型支持的输入大小为640×640像素。考虑到实验训练时间和网络结构支持的图像大小等因素，所有四幅图像都被裁剪为640×640像素，一些示例如所示图3.

2.4. 数据集构造

为了更好地训练模型，在对遥感数据进行裁剪后，我们对图像中的所有烟雾样本进行了注释。通常使用目视判读方法选择样品，并手动标记样品。我们使用Labelmg注释工具来标记烟雾样本。标签文件中的每一行表示一个标记框，并具有五个值，指示标记内容的类别、标准化中心水平坐标x、标准化中央垂直坐标y、标准化目标框宽度w和标准化目标盒高度h。x和w的标准化分别是指中心点水平坐标和目标框的宽度除以图像的宽度。y和h的归一化分别是指中心点垂直坐标和目标框的高度除以图像的高度。

对标记图像进行数据增强操作，以增加样本内的多样性，避免模型过拟合问题。在本研究中，使用六种增强方法的随机组合对包含烟羽的裁剪图像进行数据增强：平移、旋转、镜像、添加噪声、剪切和更改亮度[39]. 原始图像被增强了五个图像，同时编写了一个程序来同时转换每个图像的相应注释文件，如所示图4.

数据增强完成后，将数据集按照6:2:2的比例划分为训练集、验证集和测试集。最终信息如所示表1和表2.

为了分析不同空间分辨率对检测结果的影响，我们对输入带组合为红-绿-蓝和空间分辨率为60m、20m和10m的数据进行了预处理，以在表2.

2.5. 改进的YOLOv5s模型

YOLOv5包含四个部分：输入、主干、颈部和预测。主干的主要区别在于它利用了焦点切片操作，该操作将宽高平面中的信息转换为通道维度[40]. 然后，利用卷积来提取特征，并减少因下采样而造成的信息损失。颈部网络由特征金字塔网络（FPN）组成[41]和路径聚合网络（PAN）[42]体系结构。FPN体系结构通过上采样传递高级特征信息，以传递稳健的语义特征。同时，PAN是一个特征金字塔，可传递稳健的定位特征。两种架构的同时使用提高了不同层的特征融合能力，并增强了网络的多尺度预测能力。

鉴于卫星获取的遥感图像具有复杂的背景特征，目标和背景之间存在轻微的对比[43]. 一些烟雾样本只占图像中的一小部分，很容易出现漏检或误检等问题。为了解决这些问题，我们在空间金字塔池中引入了SE网络关注机制(SPP）模块[27]. 这通过用Mish替换Leaky ReLU来优化CBL结构中的激活功能[28]激活功能。Mish激活函数是一个非线性激活函数，是ReLU激活函数的扩展。它具有较高的非线性能力，能够更好地拟合数据。现有的目标检测模型无法直接处理多波段图像。在这项工作中，基于YOLOv5模型，编写了一个程序来修改输入的数据采集部分[44]构建适用于多波段遥感图像的目标检测网络。改进的YOLOv5s算法的结构如所示图5.

该模型的主要改进包括：（1）以前使用YOLOv5s的研究主要集中在RGB光学图像上。本研究根据输入波段数增加输入通道数，使模型适用于输入多光谱遥感图像。（2）为了解决小目标的漏检和误检问题，本研究引入了SE注意机制，这是一种在工业上广泛使用的经典注意机制。SE网络可以使用几个小规模的子网络，这些子网络可以自动学习导出特定的权重值来衡量特征图的所有路径[27]. 在DL神经网络中，并非所有提取的特征都是必需的。使用重新校准方法，SE明确建模了特征通道之间的关系，以学习每个通道的权重。SE使用更有用的权重提升功能，并使用低权重抑制功能。SE模型可以提高模型对目标的敏感性[45]减少烟雾探测任务中复杂背景对探测精度的负面影响，如所示图S3（补充材料）（3）YOLOv5s的卷积+批量归一化+泄漏ReLU（CBL）模块使用泄漏ReLU-激活功能[46]，这是一个具有不同区间函数的分段函数，无法为正负输入值提供一致的关系预测。本研究通过将原始激活函数替换为Mish激活函数进行了优化。Mish激活函数的函数表达式如下所示方程式（S1）（补充材料），导数表达式为方程式（S2）（补充材料）Mish函数及其导数是连续且光滑的，因此Mish函数更容易进行梯度优化，并且在反向传播（BP）中收敛更快（请参见补充材料中的图S4）.

2.6. 测试环境和参数设置

使用美国半导体公司Advanced Micro Devices（AMD）制造的AMD Ryzen 7 5800X3D 8核处理器（总部位于美国加利福尼亚州圣克拉拉）和美国公司NVIDIA制造的NVIDIA-GeForce RTX 3080 Ti显卡（总部位于圣克拉拉，美国加利福尼亚州和32 GB的运行内存。使用Pytorch 1.8作为DL框架，所有程序都是用Python编写的，CUDA和OpenCV库用于在Windows下运行。

训练期间，学习率设置为0.01，批大小为4，学习率动量为0.937，使用SGD作为优化器，权重衰减设置为0.0005，迭代次数为300。

2.7. 评价指标

交集过并（IOU）阈值与输出预测帧直接相关；一般来说，阈值越大，预测精度越高[47]. 本研究中使用的评估指标包括精确度（P）、召回率（R）、IOU阈值为0.5时的平均精确度（mAP50）、每秒帧数（FPS）和FPS作为检测率。在目标检测模型中，mAP是检测准确性的基本度量。P、 R和mAP分别使用方程（1）-（3）计算。

P（P） = \frac{TP（转移定价）}{TP（转移定价） + FP公司}

(1)

R（右） = \frac{TP（转移定价）}{TP（转移定价） + FN公司}

(2)

最大允许偏差 = \frac{1}{K（K）} \sum_{K（K） = 1}^{K（K）} AP公司 (P（P）, R（右）, K（K）)

(3)

其中TP为真阳性，即检测为阳性的阳性样本数量；FP为假阳性，即检测为阳性的阴性样本数；FN为假阴性，即检测到的不良阳性样本数；K是检测到的目标类别数；AP是平均精度，即PR曲线和坐标轴所包围的区域。

3.结果

3.1. 分离方法

烟雾数据的背景很复杂，云和背景的干扰会导致模型产生虚假警报[48]. 在本研究中，Sentinel-2的其他谱带将添加到红、绿和蓝谱带中，作为训练样本数据。通过添加输入信息来丰富烟雾特征并减少其他特征类型在烟雾检测中的干扰，增强了模型的烟雾检测能力。

Sentinel-2遥感图像提供了13个光谱带，所有这些光谱带都可用于建立模型，导致显著的数据冗余，同时也显著增加了模型的计算成本[49]. 为了选择构建烟雾检测算法的特征向量，对Sentinel-2的不同波段进行了光谱表征。Li等人[50]使用BP（反向传播）神经网络识别森林火灾产生的烟雾。首先，对MODIS可见-近红外光谱区域的8个波段进行了分析，选择波段3、7和8作为BP神经网络输入层的特征向量。经过训练，该算法用于烟雾检测的Kappa系数约为96.29%，取得了良好的检测效果。在本研究中，选择Sentinel-2可见-近红外光谱区的9个波段（波段1-8A）进行分析，即分析波段1-8A以评估地物的响应特性，并选择较好的波段作为训练模型的输入。

在研究区域内，分析了四种典型的地表覆盖类型：烟雾、云层、水和背景，其中背景是指除水以外的下垫面特征。首先提取烟雾、云、水和背景的细胞点，然后分析每个光谱带的响应，以获得烟雾的敏感通道。在此基础上构建了烟雾探测模型。总共从图像中提取了每种特征类型（烟雾、云、水和背景）的300个样本细胞点，使用基于Sentinel-2图像的4、3和2波段合成的烟雾对图像进行分类。每个特征类型的分类样本单元元素如所示图6.

波段1-8A中四种地物类型的光谱响应曲线如所示图7从图中可以看出：（1）潜在烟雾单元（真实烟雾和云单元）的反射率高于其他特征的反射率。（2）根据Sentinel-2通道8的反射率，区分潜在烟雾像素与其他特征类型是可行的，因为烟雾像素在该通道中反射率最高，反射率差异在其他特征中最为显著。（3）烟雾和云元素的反射率值在波段1和2中几乎重叠，背景和水元素的反射度值在波段3中几乎重叠，因此波段1、2和3不能很好地区分这四个特征。

根据波段1–8A中烟雾和非烟雾样品像素的反射率计算每个类别的平均值和标准偏差，值列于表3.

通常，归一化距离（H）[51]用作选择波段的指示器。归一化距离（H）由方程式（4）给出：

H（H） = \frac{| μ_{1} - μ_{2} |}{(σ_{1} + σ_{2})}

(4)

哪里

μ_{我}

和

σ_{我}

是类别的平均值和标准偏差我分别是。H值越高，表示可分离性越高，两类之间的差异越显著；该指标得到了广泛的认可和应用[50]. 三对不同特征（烟对云、烟对背景和烟对水）之间的计算H值如所示图8从图中可以看出，虽然烟雾与背景的分离以及烟雾与水的分离在波段1、2和3中都很好，但烟雾与云的分离太低，所有值都低于0.1。虽然8A波段的云与烟的分离度最高，但烟雾与背景的分离度和烟雾与水的分离度分别为0.390和0.918，低于其他波段。因此，在本研究中，选择了能够提供最佳分离的波段4-8，以根据每个波段的可分性区分烟雾和其他特征类型。波段4-8被用作YOLOv5s模型的输入，以分析光谱对检测性能的影响，并选择具有最佳检测性能的波段组合。

3.2. 注意力模型的比较

为了验证SE注意机制的有效性，结合它的算法[27]与没有注意机制的算法和包含卷积块注意模块（CBAM）的算法进行了比较[52]. 这些组的实验数据使用了20米的空间分辨率数据，实验结果如所示表4.

从中可以看出表4当收缩率为8时，SE注意机制的加入使模型的mAP50达到最高值80.71%。在收缩率为8时，添加CBAM使模型的mAP50最高，达到69.36%。与未添加注意机制的模型相比，SE的添加使模型的mAP50提高了3.44个百分点，而CBAM的添加使该模型的mAP降低了7.91%。研究结果表明，在模型中应用注意力机制并不一定能提高检测精度；因此，需要根据具体任务选择注意机制。

3.3. 烧蚀实验

不同版本的YOLOv5s的实验结果对比如下表5。这些组的实验数据使用了20米的空间分辨率数据。在YOLOv5s-Mish中，泄漏ReLU被Mish激活功能取代。YOLOv5s+SE8代表引入SE注意模块，该注意模块与原始YOLOv 5s主干网络最后一层的SPP模块的收缩比为8。改进的YOLOv-5s是前两种方法的组合，基于YOLOv5s模型，将Leaky ReLU激活功能替换为Mish激活功能，并将SE8注意模块引入SPP模块。

表中显示，原始YOLOv5s模型的召回率最高，精度和mAP50优于其他模型版本。虽然召回率比原始模型低3.91%，但精确度比原始模型提高了4.33%以上，mAP50保持不变。模型YOLOv5s+SE8只引入了SE8注意机制，与原始模型相比，召回率略有下降，与原始模式相比，精确度和mAP50分别提高了1.23%和0.87%。本文提出的改进的YOLOv5s方法结合了两种优化方法的优点，与原始模型相比，精确度和mAP50分别提高了1.81%和4.05%，而召回率与原始模型基本保持不变。因此，该方法能够对秸秆燃烧产生的烟雾进行高精度检测。

总之，将YOLOv5的CBL结构替换为CBM结构，并在SPP模块中引入收缩率为8的SE注意模块，使改进的模型能够达到最佳检测精度。因此，对后续比较实验的讨论是基于这种网络结构。

3.4. 不同信道组合作为输入的比较

为了进一步提高模型的准确性，本研究基于上述改进模型修改输入，使模型能够处理多通道数据。Sentinel-2图像中分离度最好的4-8条带也被用作YOLOv5模型的输入。通过添加输入信息来丰富烟雾特征，增强了模型检测烟雾的能力。最终选择了检测性能最佳的波段组合。

首先将RGB的三个通道用作模型输入，并对其进行训练，以获得分别为76.84%、44.76%和49.17%的精确度、召回率和mAP50值。然后分别将波段5、波段6、波段7和波段8添加到红色、绿色和蓝色（RGB）通道中，并在此基础上每次添加一个波段。从中可以看出表6在红、绿、蓝（RGB）波段中加入波段6后，准确度、召回率和mAP50最高，分别为82.90%、50.54%和57.39%，比三个通道（RGB，分别提高6.06%、5.78%和8.22%。在基于红、绿、蓝（RGB）波段的基础上添加波段5后，与三个通道（RGB的）相比，精确度、召回率和mAP50分别提高了3.7%、5.02%和7.03%。与三个通道（RGB）相比，RGB_Band5_Band6_Band7_Band8、RGB_Band6_Band7_Band8和RGB_班德8的准确率分别下降了0.89%、3.74%和1.86%，尽管召回率和mAP50都有所提高。与三个通道（RGB）相比，其他组合在精确度、召回率和mAP50方面产生了不同程度的降低。其中，与三个通道（RGB）相比，RGB_Band7_Band8的精确度、召回率和mAP50最低，分别为52.15%、28.45%和26.84%。因此，通过在红色、绿色和蓝色波段中添加波段6，该模型可以实现最佳检测。

如图所示表6将频带6添加到RGB后，烟雾检测的精度提高了6.06%。结果表明，添加输入信息可以适当提高烟雾检测模型的准确性。通过在RGB_Band6中加入Band 7，模型的精度比RGB的输入频带降低了7.74%。结果表明，冗余频带会降低烟雾探测的准确性。Xiang等人[53]结果表明，添加谱带或指数可能会降低模型的准确性，而选择谱带和指数至关重要。Wang等人[54]结果表明，冗余频带干扰了烟雾探测模型。过多无用信息会导致特征提取困难，并降低烟雾检测精度。我们的结果与Xiang等人的研究一致[53]Wang等人[54].

4.讨论

4.1. 不同空间分辨率的比较

从中可以看出表7将空间分辨率为60m的红色、绿色和蓝色条带输入模型进行训练时，模型的精确度、召回率和mAP50最高，分别为84.18%、90.87%和90.87%。将空间分辨率为10 m的红色、绿色和蓝色条带输入模型进行训练，模型的精确度、召回率和mAP50最低，分别为45.05%、63.61%和49.79%。模型的精确度、召回率和mAP50随着空间分辨率的增加而降低。

人们普遍认为，“空间分辨率越高，遥感分类的准确性越高。”然而，一些研究与这一发现不一致。Bai等人分析了空间分辨率对基于卫星的PM2.5估算的影响[55]. 他们的结果表明，当空间分辨率从3km降至10km时，夏季AOD-PM2.5相关性从0.42降至0.49。他们认为，这种空间分辨率效应的部分原因是，较粗的AOD分辨率可以更好地捕捉夏季PM2.5的空间变异性。Zheng等人[56]使用卷积神经网络和随机森林方法估计PM2.5水平，并比较不同空间分辨率（即670、500、200和100 m）下的预测精度。研究发现，随着空间分辨率的增加，性能开始改善，直到在200 m处实现最大响应，之后性能下降。Bai等人的结果[55]和Zheng等人[56]指出随着空间分辨率的增加，模型的性能不一定会提高，但可能会降低。

随着空间分辨率从60m增加到10m，模型的性能逐渐下降。这种影响可能是由于模型感受野的减少和噪声的增加。烟雾轮廓的清晰度和像素的纯度通常与遥感图像的空间分辨率呈正相关。然而，提高空间分辨率也会放大烟雾背景的细节，给烟雾的遥感识别和信息提取添加一些干扰噪声，从而降低模型的性能[57].

要验证上述点，请进行二值化[58]用于对不同空间分辨率的图像进行阈值分割。图像二值化首先需要将图像转换为灰度。然后，它根据像素的灰度值对图像中的所有像素进行分类。灰度值大于或等于指定阈值的像素被视为对象，并被赋予255的值，而灰度值小于阈值的像素则被视为背景，并被赋值为0。通过选择适当的阈值，可以获得反映原始图像整体和局部特征的二值图像。从中可以看出图9，当阈值为150时，对2020年11月11日采集的图像中的烟雾进行了准确分割。然而，也有一些不正确分割的例子。

图10显示对具有不同空间分辨率的图像执行的分割过程的结果。图10还包括计算分割为烟雾的整个图像中像素的比例。

发件人图10显然，在空间分辨率为10m的图像分割结果中，被分割为烟雾（烟雾像素+噪声）的像素比例最高，占整个图像的1.89%。很明显图10里面有更多的噪音图10a比in图10b。图10c表示最小的噪声量。这表明，随着空间分辨率的增加，噪声也相应增加，这对分割结果有更显著的影响。

4.2. 数据不足的挑战

深度学习模型通常具有深入复杂的结构，需要大量的培训数据[59]. 然而，遥感数据集中匹配样本的数量通常是有限的。这种限制可归因于许多因素，例如，由于大量云层覆盖，卫星数据不可用[60]. 此外，不同场景产生的烟雾的形态、运动和其他特征各不相同[61]. 现有的公开可用数据集包含最小的烟雾数据场景，这导致缺乏将烟雾检测模型适应现实场景的能力。此外，就遥感数据而言，目前没有关于秸秆燃烧产生的烟雾的公开数据集。

由于燃烧稻草产生的烟雾相对较微弱，容易被云层遮挡，因此只有一些高质量图像符合上述要求。本研究选取了四个包含秸秆燃烧烟气的遥感数据场景。通过数据处理，包括波段合成、裁剪、注释和遥感图像数据增强，构建了秸秆燃烧烟雾数据集。经过训练、改进模型和添加输入频带，最终准确率达到82.90%。然而，本研究的数据需要大于其他公开可用数据集的数据。使用迁移学习可以改善数据不足的问题[62]. 迁移学习中的技术和策略，如预培训、微调和领域适应，有助于解决数据不足的问题。可以使用有限数量的样本对大数据集上预先训练的模型中的参数进行微调，以在新任务中实现最佳性能[63].

在我们的下一个研究中，我们将使用基于数据的迁移学习方法。该方法解决了多传感器图像之间的模型泛化问题。Huang等人的土地分类方法[64]和Tong等人[65]在应用于多传感器图像时，使用基于数据的迁移学习来提高模型的性能。本研究中使用的数据是Sentinel-2遥感数据，该模型可能需要更有效地应用于其他传感器图像。因此，基于数据的迁移学习技术可以解决数据不足和多传感器图像之间的模型泛化问题。

4.3. 其他类型烟雾的影响

在本研究中，数据集中表示烟雾的像素是从燃烧稻草中提取的。然而，人们注意到，可耕地周围的地区有时有住房和工厂。木材和煤炭的燃烧也会释放烟雾，这可能会影响秸秆燃烧烟雾的检测结果。Chen等人[三]将生物质燃烧分为四种类型：森林火灾、农业秸秆露天燃烧、木材和秸秆作为燃料燃烧以及其他来源。Chen等人[三]分析了几种因素，以区分四类生物质燃烧。这些因素包括燃烧过程中产生的颗粒数量、排放因子、尺寸分布和痕量气体排放清单。

未来，我们将考虑添加火点信息，该信息将结合风速、风向、湿度[66]和火灾点，以确定烟雾的来源。这些不同的场景将产生具有不同特征的烟雾，例如形态、运动方向、大小分布和痕量气体排放清单的差异[61]. 根据烟雾的来源，我们可以将其分为三类：秸秆燃烧产生的烟雾、家庭燃烧产生的烟和工厂排放的烟。通过让模型学习其他类型烟雾的特性以减少其干扰，提高了模型识别秸秆燃烧烟雾的能力。

4.4. 实时监控问题

卫星遥感技术具有广泛的探测范围和同步、经济的监测能力。它可以实现对地球表面的全球观测，并为探测秸秆燃烧释放的烟雾提供大量有用的数据和信息[67]. 然而，单个卫星受到其重访时间的限制[68]，因此它们可能无法实时监测秸秆燃烧事件。随着遥感技术的发展，现在可以通过多个遥感器获取遥感图像，这些遥感器形成集群，用于全方位地面摄影。由此获得的图像数据包含大面积、短时间内的高精度地表信息，使实时烟雾监测成为可能[69]. 在未来的研究中，我们将把我们的模型与多个卫星传感器和地球同步卫星获取的遥感图像相结合，以识别秸秆燃烧产生的烟雾，并确定秸秆燃烧的大致区域。无人机（UAV）也将用于在选定区域进行精确监测。多源数据融合将用于解决卫星遥感烟雾探测的实时性问题。

5.结论

燃烧秸秆具有极大的破坏性，威胁着人们的生计和财产，并造成无法弥补的环境破坏。作为秸秆燃烧最重要的特征之一，烟雾被用来检测秸秆燃烧的发生。在本研究中，分析了Sentinel-2数据带的不同输入组合，组合的检测准确率最高的带是RGB_Band6，准确率为82.90%。基于YOLOv5s模型引入SE网络注意机制，增强了烟雾的精细特征。Mish激活功能取代了Leaky ReLU激活功能。改进后的模型准确率为75.63%，比改进前提高了1.81%。我们还分析了空间分辨率对模型检测的影响，对于分辨率为60、20和10米的图像，准确率分别为84.18%、73.13%和45.05%。我们的实验表明，随着空间分辨率的增加，模型精度有时只会提高。在未来的研究中，将使用迁移学习和多源数据融合来解决数据不足等问题。本研究提出的改进方法能够准确识别烟气，为改进烟气检测和有效控制秸秆燃烧提供了方法学参考。

补充资料

以下支持信息可从以下网址下载：https://www.mdpi.com/article/10.3390/rs15102641/s1，表S1：Sentinel-2的波段参数，图S1：切片操作，图S2:FPN+PAN结构图，图S3:SE注意机制结构示意图，图S4:（a）激活功能；（b）激活函数的导数，方程（S1）：Mish激活函数的函数表达式，方程（S2）：米什激活函数的微分表达式。

作者贡献

概念化，J.D.和J.L。；方法论、J.D.、B.C.和H.L。；软件，H.L。；验证，H.L。；形式分析，J.D.和J.L。；调查、Y.C.、Y.Z.、W.Y.、Z.Z.和W.Z.，Y.W.和Y.S。；资源，J.D。；数据管理，H.L。；书面原稿编制，H.L。；写作与编辑，J.D。；可视化，H.L。；监管、J.D.和J.L。；项目管理，J.D。；资金收购，J.D.所有作者都阅读并同意手稿的出版版本。

基金

本研究由国家重点研发计划资助，批准号2021YFD1500103，黑土粮仓科技项目，批准号XDA28080500，中国吉林省环境保护计划，批准号E139S311，吉林省科技发展计划项目，批准号20230508026RC，长春市科技发展计划，批准号21ZGN26。

数据可用性声明

不适用。

致谢

作者感谢欧空局网站提供Sentinel−2数据。本文中的所有数据和图像都是在获得许可的情况下使用的。

利益冲突

作者声明没有利益冲突。

工具书类

赤城S.K。；约克尔森，R.J。；Wiedinmyer，C。；M.J.阿尔瓦拉多。；里德，J.S。；卡尔·T。；克劳塞，J.D。；Wennberg，P.O.，《大气模型中露天和家用生物质燃烧的排放因子》。大气。化学。物理学。 2011,11, 4039–4072. [谷歌学者] [交叉参考]
医学博士van Marle。；克罗斯特，S。；马吉，B.I。；马龙，J.R。；达尼奥，A.-L。；字段，R.D。；Arneth，A。；Forrest，M。；Hantson，S。；新墨西哥州凯尔瓦尔德。；等。基于卫星观测与代理和火灾模型相结合的CMIP6（BB4CMIP）历史性全球生物质燃烧排放（1750–2015）。地质科学。模型开发。 2017,10, 3329–3357. [谷歌学者] [交叉参考]
陈，J。；李，C。；里斯托夫斯基，Z。；Milic，A。；顾毅。；伊斯兰教硕士。；王，S。；Hao，J。；张，H。；他，C。；等，《生物质燃烧综述：排放及其对中国空气质量、健康和气候的影响》。科学。总环境。 2017,579, 1000–1034. [谷歌学者] [交叉参考]
施，Z。；Yang，S。；Chang，Z。；Zhang，S.秸秆产量和利用现状调查及禁止秸秆焚烧困难分析：以中国江苏省一个乡镇为例。农业杂志。资源。环境。 2014,31, 103. [谷歌学者]
Mehmood，K。；Chang，S。；于斯。；Wang，L。；李，P。；李，Z。；刘伟。；罗森菲尔德，D。；Seinfeld，J.H.2002年至2016年中国露天作物秸秆和生物质燃烧产生的空气污染物排放的时空分布。环境。化学。莱特。 2018,16, 301–309. [谷歌学者] [交叉参考]
Yim，H。；哦，S。；Kim，W.核电站火灾危险性分析电路分析验证方案研究。J.韩国社会保险。 2015,30, 114–122. [谷歌学者] [交叉参考]
Mehmood，K。；Bao，Y。；赛福拉；毕比，S。；Dahlawi，S。；Yaseen，M。；Abrar，医学硕士。；斯利瓦斯塔瓦，P。；Fahad，S。；Faraj，T.K.，开放式生物质燃烧和农作物秸秆燃烧对空气质量的贡献：当前研究范式和未来展望。前面。环境。科学。 2022,10, 852492. [谷歌学者] [交叉参考]
小慧，M。；Yixi，T。；赵斌，S。；子明，L.北京-天津-河北地区秸秆焚烧对空气质量的影响分析。美托洛尔。环境。物件。 2017,8, 49–53. [谷歌学者]
莫特，J.A。；梅耶，P。；曼尼诺，D。；里德，S.C。；史密斯，E.M。；哥特威·克劳福德，C。；Chase，E.《野外森林火灾烟雾：健康影响和干预评估》，加利福尼亚州霍帕，1999年。西部。医学杂志。 2002,176, 157. [谷歌学者] [交叉参考]
哈西诺夫，S.W。；库图拉科斯（Kutulakos），K.N.《通过密度片分解实现半透明场景的光一致性重建》（Photo-Consistent Reconstruction of Semitransparent Scenes by Density-Sheet Decomposition）。IEEE传输。模式分析。机器。智力。 2007,29, 870–885. [谷歌学者] [交叉参考]
江，M。；Zhao，Y。；Yu，F。；周，C。；Peng，T.烟雾探测的自动关注网络。消防安全。J。 2022,129, 103547. [谷歌学者] [交叉参考]
Avgeris，M。；Spatharakis，D。；Dechouniotis，D。；北卡罗齐斯。；卢萨基，I。；Papavassiliou，S.《哪里有火哪里有烟：早期火灾探测的可扩展边缘计算框架》。传感器 2019,19, 639. [谷歌学者] [交叉参考] [公共医学]
特利格，L。；Bouchouicha，M。；特利格，M。；萨亚迪，M。；Moreau，E.一种基于多尺度变换和PCA的森林火灾图像快速分割方法。传感器 2020,20, 6429. [谷歌学者] [交叉参考]
Yoon，J.H。；Kim，S.-M。；Eom，Y。；Koo，J.M。；Cho，H.-W。；Lee，T.J。；Lee，K.G。；帕克，H.J。；Kim，Y.K。；Yoo，H.-J。；等。用于穿戴式实时汗液监测传感器的极快自修复生物基超分子聚合物。ACS应用。马特。接口 2019,11, 46165–46175. [谷歌学者] [交叉参考]
邓，C。；Ji，X。；雷尼，C。；张杰。；Lu，W.将机器学习与人类知识相结合。i科学 2020,23, 101656. [谷歌学者] [交叉参考] [公共医学]
聂，S。；Zhang，Y。；Wang，L。；吴琼。；Wang，S.含有纳米氮化铝和纤维素纳米纤维的纳米复合膜的制备和表征。纳米材料 2019,9, 1121. [谷歌学者] [交叉参考]
刘凯。；李毅。；Han，T。；Yu，X。；Ye，H。；胡，H。；胡忠。基于水稻冠层数字图像的粮食产量评价。工厂方法 2019,15, 28. [谷歌学者] [交叉参考]
Gubbi，J。；马鲁西奇，S。；Palaniswami，M.，使用小波和支持向量机的视频烟雾检测。消防安全。J。 2009,44, 1110–1115. [谷歌学者] [交叉参考]
Chen，T.-H。；Wu，P.-H。；Chiou，Y.C.一种基于图像处理的早期火灾探测方法。2004年10月24日至27日，新加坡，2004年国际图像处理会议记录；IEEE：皮斯卡塔韦，新泽西州，美国，2004年；第3卷，第1707-1710页。[谷歌学者]
李，H。；Yuan，F.使用金字塔纹理和边缘特征的基于图像的烟雾检测。J.图像图。 2015,20, 0772–0780. [谷歌学者]
谢毅。；Qu，J。；熊，X。；郝，X。；Che，N。；Sommers，W.使用MODIS探测美国东部的烟羽。《国际遥感杂志》。 2007,28, 2367–2374. [谷歌学者] [交叉参考]
赵，T.X.-P。；Ackerman，S。；Guo，W.多通道成像仪的灰尘和烟雾检测。远程传感器。 2010,2, 2347–2368. [谷歌学者] [交叉参考]
李，Z。；Khananian，A。；R.H.弗雷泽。；Cihlar，J.使用人工神经网络和阈值方法自动检测火灾烟雾，应用于AVHRR图像。IEEE传输。地质科学。远程传感器。 2001,39, 1859–1870. [谷歌学者] [交叉参考]
雷德蒙，J。；迪瓦拉，S。；吉尔希克，R。；Farhadi，A.你只看一次：统一的实时目标检测。2016年6月26日至7月1日，美国内华达州拉斯维加斯，IEEE计算机视觉和模式识别会议记录；第779–788页。[谷歌学者]
Yan，B。；风扇，P。；雷，X。；刘，Z。；Yang，F.一种基于改进YOLOv5的采摘机器人实时苹果目标检测方法。远程传感器。 2021,13, 1619. [谷歌学者] [交叉参考]
Drusch，M。；美国德尔·贝洛。；Carlier，S。；科林，O。；费尔南德斯，V。；Gascon，F。；Hoersch，B。；Isola，C。；拉贝里尼蒂，P。；Martimort，P。；等人《哨兵2号：欧空局用于全球环境和生态系统业务服务的光学高分辨率任务》。遥感环境。 2012,120, 25–36. [谷歌学者] [交叉参考]
胡，J。；沈，L。；Sun，G.挤压和励磁网络。2018年6月18日至23日，美国犹他州盐湖城，IEEE计算机视觉和模式识别会议记录；第7132-7141页。[谷歌学者]
Misra，D.Mish：一种自我调节的非单调神经激活功能。arXiv公司 2019，arXiv:1908.08681。[谷歌学者]
Yan，L。；Wang，Y。；冯·G。；高奇。吉林省农田土壤肥力现状及变化特征。科学。农业。罪。 2015,48, 4800–4810. [谷歌学者]
刘，H。；李，J。；杜，J。；赵，B。；胡，Y。；李，D。；Yu，W.用改进的YOLOv5s算法识别遥感图像中秸秆燃烧产生的烟雾。大气 2022,13, 925. [谷歌学者] [交叉参考]
Xi，W。；孙，Y。；Yu，G。；张毅。秸秆资源对吉林省经济结构的影响研究。在2015年第22届国际工业工程与工程管理会议记录; 施普林格：德国柏林/海德堡，2016年；第511-518页。[谷歌学者]
郭，H。；徐，S。；王，X。；舒，W。；陈，J。；潘，C。；郭，C.农民秸秆资源利用行为的驱动机制——基于东北主要粮食产区吉林省的实证研究。持续性 2021,13, 2506. [谷歌学者] [交叉参考]
王，X。；王，X。；耿，P。；杨琼。；Chen，K。；刘，N。；范，Y。；詹，X。；Han，X.不同还田方式结合分解剂对秸秆有机成分分解和土壤肥力的影响。科学。代表。 2021,11, 15495. [谷歌学者] [交叉参考]
霍，Y。；李，M。；滕，Z。；姜明。哈尔滨市秸秆焚烧对空气质量的影响分析。环境。波卢特。控制 2018,40, 1161–1166. [谷歌学者]
Wang，J。；谢，X。；Fang，C.长春市大气颗粒物（PM10和PM2.5）的时空分布特征及其影响因素分析。大气 2019,10, 651. [谷歌学者] [交叉参考]
李，J。；Roy，D.P.《哨兵-2A、哨兵-2B和陆地卫星-8数据的全球分析——回顾间隔和对陆地监测的影响》。远程传感器。 2017,9, 902. [谷歌学者] [交叉参考]
路易斯·J。；Debaecker，V。；Pflug，B.公司。；Main-Knorn，M。；Bieniarz，J。；美国米勒-威尔姆。；卡多，E。；Gascon，F.Sentinel-2 Sen2Cor：面向用户的L2A处理器。2016年5月9日至13日在捷克共和国布拉格举行的《地球生物研讨会论文集》上发表；第1-8页。[谷歌学者]
约翰逊，A.D。；Handsaker，R.E。；Pulit，S.L.公司。；M.M.尼扎里。；C.J.奥唐纳。；de Bakker，P.I.SNAP：使用HapMap识别和注释代理SNP的基于网络的工具。生物信息学 2008,24, 2938–2939. [谷歌学者] [交叉参考] [公共医学]
Juan，Y。；基于YOLOv5的非法建筑检测方法。计算。工程应用。 2021,57, 236–244. [谷歌学者]
Ting，L。；Baijun，Z。；永胜，Z。；基于改进YOLO V5的船舶检测算法。2021年7月15日至17日，中国大连，2021年第六届自动化、控制和机器人工程国际会议（CACRE）会议记录；IEEE：美国新泽西州皮斯卡塔韦，2021年；第483-487页。[谷歌学者]
Lin，T.-Y。；多拉，P。；Girshick，R。；He，K。；哈里哈兰，B。；Belongie，S.特征金字塔网络用于目标检测。2017年7月21日至26日在美国夏威夷州火奴鲁鲁举行的IEEE计算机视觉和模式识别会议记录；第2117–2125页。[谷歌学者]
刘，S。；齐，L。；秦，H。；史J。；Jia，J.实例分割的路径聚合网络。2018年6月18日至23日，美国犹他州盐湖城，IEEE计算机视觉和模式识别会议记录；第8759-8768页。[谷歌学者]
Wang，Y。；马，H。；Alifu，K。；Lv，Y.基于单词嵌入和端到端深度学习的遥感图像描述。科学。代表。 2021,11, 3162. [谷歌学者] [交叉参考]
宋，Z。；张，Z。；Yang，S。；丁·D。；Ning，J.基于图像融合和无人机遥感图像深层语义分割的向日葵栖息地识别。计算。电子。农业。 2020,179, 105812. [谷歌学者] [交叉参考]
邱，C。；张，S。；王，C。；于，Z。；郑浩。；Zheng，B.改进小尺度细粒鱼图像分类的传递学习和挤压激励网络。IEEE接入 2018,6, 78503–78512. [谷歌学者] [交叉参考]
Maas，A.L。；A.Y.Hannun。；Ng，A.Y.整流器非线性改进神经网络声学模型。2013年6月16日至21日在美国佐治亚州亚特兰大举行的第30届国际机器学习会议记录；第30卷，第3页。[谷歌学者]
Rahman，文学硕士。；Wang，Y.深度神经网络中用于图像分割的交点-交点优化。2016年12月12日至14日，美国内华达州拉斯维加斯，视觉计算国际研讨会论文集；施普林格：德国柏林/海德堡，2016年；第234-244页。[谷歌学者]
周，L。；李毅。；Rao，X。；刘，C。；左，X。；Liu，Y.基于多尺度特征增强的光学遥感图像中的船舶目标检测。计算。智力。神经科学。 2022,2022, 2605140. [谷歌学者] [交叉参考]
P.S.约翰。；Bomble，Y.J.《多元体时代计算应变设计方法》。前面。微生物。 2019,10, 597. [谷歌学者] [交叉参考]
李，X。；Song，W。；Lian，L。；基于MODIS数据的反向传播神经网络森林火灾烟雾探测。远程传感器。 2015,7, 4473–4498. [谷歌学者] [交叉参考]
李，X。；Wang，J。；Song，W。；马，J。；Telesca，L。；Zhang，Y.基于K-Means聚类和Fisher线性判别的Modis卫星数据烟雾自动检测。照片。工程师远程传感器。 2014,80, 971–982. [谷歌学者] [交叉参考]
吴，S。；Park，J。；Lee，J.-Y。；Kweon，I.S.Cbam：卷积块注意模块。2018年9月8日至14日在德国慕尼黑举行的欧洲计算机视觉会议（ECCV）会议记录；第3-19页。[谷歌学者]
X.向。；杜，J。；苦艾酒，P.-A。；赵，B。；周，H。；刘，H。；Song，K.整合耕作指数和Sentinel-2A多光谱图像的纹理特征，以估算玉米残株覆盖率。土壤耕作研究。 2022,221, 105405. [谷歌学者] [交叉参考]
Wang，Z。；杨，P。；Liang，H。；郑，C。；尹，J。；田，Y。；Cui，W.使用Smoke-Unet和Landsat-8图像对森林火灾烟雾敏感参数进行语义分割和分析。远程传感器。 2022,14, 45. [谷歌学者] [交叉参考]
Bai，H。；Shi，Y。；Seong，M。；高，W。；Li，Y.空间分辨率对基于卫星的PM2.5估算的影响：对健康评估的影响。远程传感器。 2022,14, 2933. [谷歌学者] [交叉参考]
郑涛。；M.H.Bergin。；胡，S。；Miller，J。；Carlson，D.E.通过卷积神经网络和随机森林方法使用微卫星图像估算地面PM2.5。大气。环境。 2020,230, 117451. [谷歌学者] [交叉参考]
王，Q。；徐，J。；陈，Y。；李，J。；Wang，X.遥感图像空间分辨率变化对城乡居民点信息提取的影响。资源。科学。 2012,34, 159–165. （中文）[谷歌学者]
Otsu，N.从灰度直方图中选择阈值的方法。IEEE传输。系统。人类网络。 1979,9, 62–66. [谷歌学者] [交叉参考]
黄，S。；杨，J。；方，S。；赵强。癌症诊断和预测中的人工智能：机遇与挑战。癌症快报。 2020,471, 61–71. [谷歌学者] [交叉参考]
Han，L。；Yang，G。；戴，H。；Xu，B。；Yang，H.等人。；冯·H。；李，Z。；Yang，X.使用无人机遥感数据，基于机器学习方法对玉米地上生物量进行建模。工厂方法 2019,15, 10. [谷歌学者] [交叉参考]
沙贾德，P。；特里帕蒂，S。；Pathak，R。；Hallquist，M。；阿罗拉，A。；Bergin，M.褐碳对印支平原直接辐射强迫的贡献。环境。科学。Technol公司。 2015,49, 10474–10481. [谷歌学者] [交叉参考]
古德费罗，I。；Y.本吉奥。；A.库维尔。深度学习; 麻省理工学院出版社：美国马萨诸塞州剑桥，2016年。[谷歌学者]
袁，Q。；沈，H。；李·T。；李，Z。；李，S。；姜瑜。；Xu，H。；Tan，W。；杨琼。；Wang，J。；等，《环境遥感深度学习：成就与挑战》。遥感环境。 2020,241, 111716. [谷歌学者] [交叉参考]
黄，B。；赵，B。；Song，Y.高空间分辨率多光谱遥感图像的深度卷积神经网络城市土地利用制图。遥感环境。 2018,214, 73–86. [谷歌学者] [交叉参考]
汤显英（Tong，X.-Y.）。；夏，G.-S。；卢奇。；沈，H。；李，S。；你，S。；Zhang，L.使用可传输深度模型的高分辨率遥感图像进行陆地覆盖分类。遥感环境。 2020,237, 111322. [谷歌学者] [交叉参考]
李毅。；郑，C。；马，Z。；Quan，W.中国北京2005–2013年雾霾细颗粒物对死亡率和季节特征的急性和累积影响：一项时间分层病例交叉研究。国际环境杂志。Res.公共卫生 2019,16, 2383. [谷歌学者] [交叉参考]
曹，H。；Han，L.基于OMI-NO2数据的新冠肺炎疫情对中国社会经济活动的短期影响。环境。科学。污染。物件。 2022,29, 21682–21691. [谷歌学者] [交叉参考]
Kumar，D.通过模拟滤波器特性从C波段合成孔径雷达（SAR）卫星图像检测城市目标。科学。代表。 2021,11, 6241. [谷歌学者] [交叉参考]
Wang，J。；Xiao，X。；秦，Y。；Dong，J。；张，G。；寇，W。；Jin，C。；周，Y。；Zhang，Y.通过Landsat-8 OLI、MODIS和PALSAR图像集成绘制小麦-水稻双作区水稻种植面积图。科学。代表。 2015,5, 10088. [谷歌学者] [交叉参考]

图1。研究区域示意图。

图2。Sentinel-2图像的时间和空间分布示意图。

图3。模型训练用烟雾的典型示例。

图3。用于模型训练的烟雾的典型示例。

图4。秸秆燃烧的烟雾图像具有不同的图像增强效果。(一)是原始图像；(b条)是平移+改变亮度+添加噪音；(c（c）)是旋转+改变亮度+镜子；(d日)是平移+改变亮度；(e（电子）)是改变亮度+镜子；和(（f）)是平移+添加噪音+剪切+更改亮度。

图5。改进了YOLOv5的结构图。注：CBM为卷积+批归一化+Mish；CSP是跨阶段的部分连接；SESPP是挤压激励网络+空间金字塔池模块；卷积是卷积模块。

图5。改进了YOLOv5的结构图。注：CBM为卷积+批归一化+Mish；CSP是跨阶段部分连接；SESPP是挤压激励网络+空间金字塔池模块；卷积是卷积模块。

图6。提取用于光谱分析的样本细胞点面积：(一)2020年11月14日，中国吉林省中部Sentinel-2图像的4、3和2波段合成；(b条)分类图像（红色表示烟雾细胞，浅蓝色表示云细胞，黄色表示背景细胞，深蓝色表示水细胞）。

图7。波段1-8A中四种特征类型的光谱响应曲线。

图8。三对不同特征的H值（烟与云、烟与背景、烟与水）。

图9。2020年11月11日图像在不同阈值下的二值化分割结果。

图10。阈值为150时不同空间分辨率的二值化分割结果：(一)空间分辨率为10m；(b条)空间分辨率为20m；和(c（c）)空间分辨率为60m。

表1。用不同信道组合作为模型输入进行比较实验的数据集。

渠道组合	训练集	测试集	验证集	总数
RGB（红绿色–蓝色，10米）	2431	810	819	4060
RGB_波段5（10米）	2431	810	819	4060
RGB_波段5_波段6（10米）	2431	810	819	4060
RGB_波段5_波段6_波段7（10米）	2431	810	819	4060
RGB_波段5_波段6_波段7_波段8（10米）	2431	810	819	4060
RGB_波段6（10米）	2431	810	819	4060
RGB_波段6_波段7（10米）	2431	810	819	4060
RGB_波段6_波段7_波段8（10米）	2431	810	819	4060
RGB_波段7（10米）	2431	810	819	4060
RGB_频带7_频带8（10米）	2431	810	819	4060
RGB_波段8（10米）	2431	810	819	4060

表2。将不同空间分辨率的图像作为模型输入的数据集。

空间分辨率	训练集	测试集	验证集	总数
60米	2001	667	653	3321
20米	2015	663	661	3339
10米	2431	810	819	4060

表3。四种覆盖类型的平均值（反射率×100）和标准偏差。

波段	变量	烟雾	云	背景	水
地下一层	平均值	15.37	15.38	2.86	4.17
地下一层	标准	9.39	8.75	2.63	3.63
地下二层	平均值	18.36	18.22	5.53	6.06
地下二层	标准	8.77	7.59	4.32	3.55
地下三层	平均值	18.85	20.13	7.88	8.69
地下三层	标准	8.23	7.09	5.98	3.90
B4类	平均值	20.68	23.98	11.65	8.89
B4类	标准	7.38	7.30	8.78	4.42
B5型	平均值	21.70	25.43	13.05	9.90
B5型	标准	7.17	7.38	9.58	4.77
B6号机组	平均值	22.52	26.66	14.21	9.71
B6号机组	标准	7.06	7.40	10.30	6.56
B7公司	平均值	23.60	28.17	15.49	10.42
B7公司	标准	7.07	7.52	11.14	7.15
B8公司	平均值	27.03	32.39	18.09	11.36
B8公司	标准	8.23	8.38	13.13	8.61
B8A型	平均值	25.47	30.70	17.66	11.18
B8A型	标准	7.37	7.86	12.61	8.19

表4。不同注意力机制的检测能力比较。

表4。比较不同注意机制的检测能力。

注意力机制	收缩率	mAP50/%
无		77.27
东南方	8	80.71
	16	76.66
	32	78.55
哥伦比亚广播公司	8	69.36
	16	68.63
	32	65.72

表5。不同版本YOLOv5s烟雾探测性能的比较。

表5。不同版本YOLOv5s在探测烟雾方面的性能比较。

用于目标检测的模型	P/%（市盈率）	卢比/%	mAP50/%
YOLOv5系列	73.82	81.58	78.44
YOLOv5s−米什	78.15	77.67	78.76
YOLOv5s+SE8	75.05	79.33	79.31
改进的YOLOv5s	75.63	81	82.49

表6。将不同渠道组合的结果作为输入进行比较。

数据集	频道数量	P/%（市盈率）	卢比/%	单克隆抗体50/%
RGB（10米）	三	76.84	44.76	49.17
RGB_波段5（10米）	4	80.54	49.78	56.20
RGB_波段5_波段6（10米）	5	67.35	40.94	42.80
RGB_波段5_波段6_波段7（10米）	6	70.60	38.89	43.03
RGB_波段5_波段6_波段7_波段8（10米）	7	75.95	45.22	50.04
RGB_波段6（10米）	4	82.90	50.54	57.39
RGB_波段6_波段7（10米）	5	69.10	42.48	45.89
RGB_波段6_波段7_波段8（10米）	6	73.10	45.40	49.29
RGB_波段7（10米）	4	72.30	42.91	45.98
RGB_波段7_波段8（10米）	5	52.15	28.45	26.84
RGB_波段8（10米）	4	74.98	47.60	52.30

表7。比较不同空间分辨率的结果。

数据集	P/%（市盈率）	卢比/%	mAP50/%
60米	84.18	90.87	90.87
20米	73.13	82	80.71
10米	45.05	63.61	49.79

免责声明/出版商注释：所有出版物中包含的声明、意见和数据仅为个人作者和贡献者的声明、观点和数据，而非MDPI和/或编辑的声明、看法和数据。MDPI和/或编辑对内容中提及的任何想法、方法、说明或产品造成的任何人员或财产伤害不承担任何责任。

分享和引用

MDPI和ACS样式

李，J。；刘，H。；杜，J。；曹，B。；Zhang，Y。；于伟（Yu，W.）。；张伟。；郑，Z。；王，Y。；孙，Y。；等。使用Sentinel-2卫星数据和改进的YOLOv5s算法检测秸秆燃烧产生的烟雾。远程传感器。 2023,15, 2641.https://doi.org/10.3390/rs15102641

AMA风格

李杰、刘浩、杜杰、曹B、张毅、于伟、张伟、郑Z、王毅、，太阳Y，等。使用Sentinel-2卫星数据和改进的YOLOv5s算法检测秸秆燃烧产生的烟雾。遥感. 2023; 15(10):2641.https://doi.org/10.3390/rs15102641

芝加哥/图拉宾风格

李、健、刘华、贾都、曹斌、张一伟、于伟林、张伟建、郑智、，王燕、孙悦、，等。2023年。“使用Sentinel-2卫星数据和改进的YOLOv5s算法检测秸秆燃烧产生的烟雾”遥感第15页，第10页：2641。https://doi.org/10.3390/rs15102641

请注意，从2016年第一期开始，该杂志使用文章编号而不是页码。请参阅更多详细信息在这里.

文章菜单