基于深度学习的火烧迹地制图：利用双时态孪生网络与 AlphaEarth 基础数据集
计算机视觉与模式识别
2025-09-10 v1 人工智能
摘要
准确及时的火烧迹地制图对于环境监测、灾害管理和气候变化评估至关重要。本研究提出了一种利用 AlphaEarth 数据集结合孪生 U-Net 深度学习架构进行自动化火烧迹地制图的新方法。AlphaEarth 数据集包含高分辨率光学和热红外影像以及全面的真实标注，为训练鲁棒的火烧迹地检测模型提供了前所未有的资源。我们使用美国本土的火烧严重程度监测趋势（MTBS）数据集训练模型，并在欧洲 17 个区域进行评估。实验结果表明，所提出的集成方法在测试数据集上取得了优越性能，总体准确率达到 95%，IoU 为 0.6，F1 分数为 74%。该模型成功识别了具有复杂背景的多样化生态系统中的火烧迹地，在检测部分燃烧植被和火灾边界方面表现出特别优势，并展现了在火烧迹地制图中的迁移性和高泛化能力。本研究推动了自动化火灾损害评估的进步，并提供了利用 AlphaEarth 数据集进行全球火烧迹地监测的可扩展解决方案。
引用
@article{arxiv.2509.07852,
title = {Deep Learning-Based Burned Area Mapping Using Bi-Temporal Siamese Networks and AlphaEarth Foundation Datasets},
author = {Seyd Teymoor Seydi},
journal= {arXiv preprint arXiv:2509.07852},
year = {2025}
}