利用深度学习分析南美洲野火的多光谱卫星影像
机器学习
2022-08-09 v3 计算机视觉与模式识别
摘要
由于频繁的严重干旱正在延长亚马逊雨林的旱季，及时探测野火并预测其可能的蔓延对于有效的扑救响应至关重要。当前的野火探测模型通用性不足，难以适应南美洲热点地区的低技术条件。这项深度学习研究首先在厄瓜多尔和加拉帕戈斯群岛的 Landsat 8 影像上训练了一个全卷积神经网络，利用绿波段和短波红外波段预测像素级的二值火灾掩膜。该模型在验证集上取得了 0.962 的 F2 分数，在来自圭亚那和苏里南的测试数据上取得了 0.932 的 F2 分数。随后，使用 K 均值聚类对卷云波段进行图像分割，将连续的像素值简化为三个离散类别，代表不同程度的卷云污染。另外训练了三个卷积神经网络进行敏感性分析，衡量简化特征对模型精度和训练时间的影响。与在原始卷云图像上训练的对照模型相比，在分割后的卷云图像上训练的模型在训练时间上实现了统计显著的减少，且未牺牲二值精度。这一概念验证揭示了特征工程可以通过降低计算开销来提升野火探测模型的性能。
引用
@article{arxiv.2201.09671,
title = {Analyzing Multispectral Satellite Imagery of South American Wildfires Using Deep Learning},
author = {Christopher Sun},
journal= {arXiv preprint arXiv:2201.09671},
year = {2022}
}
备注
IEEE International Conference on Applied Artificial Intelligence (May 2022)