利用迁移学习研究过火面积动态：以乌干达北部西尼罗河难民定居点为例
机器学习
2021-08-02 v1 计算机与社会
摘要
随着全球难民危机达到历史高位，日益需要评估难民定居点对其东道国及周边环境的影响。由于火是撒哈拉以南非洲小农农业中重要的土地管理手段，过火面积（BA）制图有助于提供土地管理实践对当地环境影响的信息。然而，撒哈拉以南非洲大部分地区缺乏 BA 地面真值数据，限制了此类 BA 制图中高度可扩展的深度学习（DL）技术的使用。在这项工作中，我们提出了一种可扩展的迁移学习方法，用于研究如乌干达北部西尼罗河地区等几乎无地面真值数据的区域的 BA 动态。我们在葡萄牙的 BA 地面真值数据上训练了一个深度学习模型，并提议将该模型应用于 2015 至 2020 年间西尼罗河接收难民的行政区。通过比较行政区级别的 BA 动态与更广泛的西尼罗河地区，我们旨在增进对难民定居点对其周边环境土地管理影响的理解。
引用
@article{arxiv.2107.14372,
title = {Using transfer learning to study burned area dynamics: A case study of refugee settlements in West Nile, Northern Uganda},
author = {Robert Huppertz and Catherine Nakalembe and Hannah Kerner and Ramani Lachyan and Maxime Rischard},
journal= {arXiv preprint arXiv:2107.14372},
year = {2021}
}