用于预测野火燃烧面积的 Fire-Image-DenseNet (FIDN)
机器学习
2024-12-12 v1 人工智能
计算工程、金融与科学
计算机视觉与模式识别
摘要
预测大规模野火点燃后的燃烧范围是必要的，以减少随后的社会经济损失和环境损害，但由于火灾行为的复杂性，这一任务具有挑战性。现有的基于物理的模型在预测大规模或持续时间较长的野火事件方面受限。本文发展了一种基于深度学习的预测模型，Fire-Image-DenseNet (FIDN)，该模型使用从环境和气象驱动因素中派生的空间特征，既来自近实时数据，也来自再分析数据。我们使用 2012 年至 2019 年间在美国西部发生的超过 300 起野火进行训练和测试。与现有模型不同，FIDN 的性能不会随火灾规模或持续时间而下降。此外，即使在燃料密度和可燃性差异很大的异构景观中，FIDN 也能准确预测最终的燃烧面积。FIDN 模型的准确率更高，均方误差 (MSE) 约为 82%，比基于细胞自动机 (CA) 和最小旅行时间 (MTT) 方法的预测模型低 67%。其结构相似度指数 (SSIM) 平均为 97%，超过 CA 和 FlamMap MTT 模型分别高出 6% 和 2%。此外，FIDN 的计算速度约快三个数量级，快于 CA 和 MTT 模型。增强的计算效率和准确率优势为消防行动的战略规划和资源分配提供了至关重要的见解。
引用
@article{arxiv.2412.01400,
title = {Fire-Image-DenseNet (FIDN) for predicting wildfire burnt area using remote sensing data},
author = {Bo Pang and Sibo Cheng and Yuhan Huang and Yufang Jin and Yike Guo and I. Colin Prentice and Sandy P. Harrison and Rossella Arcucci},
journal= {arXiv preprint arXiv:2412.01400},
year = {2024}
}
备注
34 pages, 11 figures