FLOGA：一个面向机器学习的数据集、基准及用于 Sentinel-2 过火面积制图的新型深度学习模型
计算机视觉与模式识别
2026-01-14 v1 人工智能
摘要
在过去十年中，全球野火的频率与强度不断上升，对人类与动物生命、生态系统及社会经济稳定构成重大威胁。因此亟需采取行动以减轻其破坏性影响并保护地球自然资源。稳健的机器学习方法结合丰富的高分辨率卫星影像，能够提供准确且及时的受影响区域制图，以评估事件规模、识别受损资产并有效优先调配资源以妥善恢复受损区域。在本工作中，我们创建并引入了一个名为 FLOGA（Forest wiLdfire Observations for the Greek Area，希腊地区森林野火观测）的机器学习就绪数据集。该数据集的独特之处在于其包含野火事件前后获取的卫星影像，涵盖 Sentinel-2 与 MODIS 两种模态且具有可变空间与光谱分辨率的信息，并包含大量由领域专家标注了相应过火面积真值（ground truth）的事件。FLOGA 覆盖希腊广大地区，其以地中海景观与气候条件为特征。我们利用 FLOGA 对多种机器学习与深度学习算法作为变化检测任务自动提取过火面积进行了详尽比较。我们还将结果与使用标准专用光谱指数进行过火面积制图所得结果进行比较。最后，我们提出了一种新型深度学习模型，即 BAM-CD。我们的基准结果表明所提技术在过火面积自动提取中的有效性，在准确性与鲁棒性上优于所有其他方法。我们的数据集与代码公开于：https://github.com/Orion-AI-Lab/FLOGA。
引用
@article{arxiv.2311.03339,
title = {FLOGA: A machine learning ready dataset, a benchmark and a novel deep learning model for burnt area mapping with Sentinel-2},
author = {Maria Sdraka and Alkinoos Dimakos and Alexandros Malounis and Zisoula Ntasiou and Konstantinos Karantzalos and Dimitrios Michail and Ioannis Papoutsis},
journal= {arXiv preprint arXiv:2311.03339},
year = {2026}
}