均匀林区森林灾害的早期检测——基于深度学习的 bark-beetle 爆发
机器学习
2025-12-10 v2
摘要
气候变化加剧了森林对昆虫损害的脆弱性，导致中欧洲广泛的森林损失，凸显了有效持续监测系统的需求。基于遥感的森林健康监测往往依赖需要标记训练数据的监督式机器学习算法。通过时间序列分析识别异常模式可为更早地检测扰动提供潜在替代方案，但需要大量存储资源。本研究探讨了基于长短期记忆 (LSTM) 自编码器的深度学习算法用于检测森林健康异常（例如 bark-beetle 爆发），采用 Sentinel-2 时间序列数据。该方法是监督式机器学习方法的替代方案，无需标记训练数据；此外，它比其他时间序列分析方法更节省存储空间，因为仅需 26 周长的序列即可创建稳健模型。在本研究中，我们在德国 thuringia 的纯净林分（spruce）监测了 7 年，持续至 2024 年底。我们的最佳模型在测试数据上实现了 87% 的检测准确率，能够在可见森林退化迹象出现一个月以上时检测 61% 的所有异常。与另一个广泛使用的时序断点检测算法 - BFAST (Breaks For Additive Season and Trend) 相比，我们的方法在更早阶段检测了更高比例的异常。这些发现表明，LSTM 自编码器可能为森林健康监测提供一种有前景且资源高效的方法，使我们能够及时应对新出现的威胁。
引用
@article{arxiv.2503.12883,
title = {Early Detection of Forest Calamities in Homogeneous Stands -- Deep Learning Applied to Bark-Beetle Outbreaks},
author = {Maximilian Kirsch and Jakob Wernicke and Pawan Datta and Christine Preisach},
journal= {arXiv preprint arXiv:2503.12883},
year = {2025}
}
备注
24 pages, 18 figures, submitted to IEEE: Journal of Selected Topics in Applied Earth Observations and Remote Sensing