面向深度学习驱动的森林野火检测的 Sentinel-2 卫星图像数据集的开发与应用
计算机视觉与模式识别
2024-09-26 v1 机器学习
摘要
由野火等自然事件导致的森林损失是一个日益严峻的全球性挑战，需要先进的分析方法来实现有效的检测与缓解。为此，将卫星图像与深度学习（DL）方法相结合已成为必不可少的手段。然而，这种方法需要大量标注数据才能产生准确的结果。在本研究中，我们使用来自 Google Earth Engine（GEE）的双时相 Sentinel-2 卫星图像构建了 California Wildfire GeoImaging Dataset（CWGID），这是一个高分辨率标注卫星图像数据集，包含超过 100,000 对标注的森林野火发生前后图像对，用于通过 DL 进行野火检测。我们的方法包括从权威来源获取数据、数据处理，以及使用三种预训练卷积神经网络（CNN）架构进行初步数据集分析。我们的结果表明，EfficientNet-B0 模型在检测森林野火方面达到了 92% 以上的最高准确率。CWGID 及其构建方法被证明是用于训练和测试森林野火检测 DL 架构的宝贵资源。
引用
@article{arxiv.2409.16380,
title = {Development and Application of a Sentinel-2 Satellite Imagery Dataset for Deep-Learning Driven Forest Wildfire Detection},
author = {Valeria Martin and K. Brent Venable and Derek Morgan},
journal= {arXiv preprint arXiv:2409.16380},
year = {2024}
}