基于 U-Net 与 Landsat 影像的两种可扩展火烧迹地制图方法
计算机视觉与模式识别
2023-11-30 v1 人工智能
摘要
监测野火是最小化其对地球影响、理解诸多负面环境、经济与社会后果的关键一步。遥感技术的最新进展与人工智能方法日益广泛的应用提升了实时、高分辨率火灾监测能力。本研究探索了两种基于 U-Net 模型的方案，用于自动化与优化火烧迹地制图流程。这两种方案记为 128 与 AllSizes（AS），通过裁剪不同尺寸的输入图像，在具有不同类别平衡的数据集上训练。随后将它们应用于智利两个易发火灾地区的 Landsat 影像与时序数据。经超参数优化提升模型性能后的结果表明了两种方案的有效性。基于研究区 195 幅代表性图像的测试显示，使用 AS 模型增加数据集平衡性可取得更优性能。具体而言，AS 的 Dice 系数（DC）为 0.93、漏检误差（OE）为 0.086、虚检误差（CE）为 0.045，而 128 模型 DC 为 0.86、OE 为 0.12、CE 为 0.12。这些发现应为可扩展自动火烧迹地制图工具的进一步发展提供基础。
引用
@article{arxiv.2311.17368,
title = {Two Scalable Approaches for Burned-Area Mapping Using U-Net and Landsat Imagery},
author = {Ian Mancilla-Wulff and Jaime Carrasco and Cristobal Pais and Alejandro Miranda and Andres Weintraub},
journal= {arXiv preprint arXiv:2311.17368},
year = {2023}
}