基于迁移学习的野火危险预测优化
机器学习
2024-03-20 v1
摘要
卷积神经网络 (CNN) 在多个计算机科学领域已被证明在目标检测、分类和异常检测方面发挥关键作用。本文探索了将 CNN 应用于地理空间数据分析以识别野火灾燥区域的可能性。通过迁移学习技术，我们对 CNN 的超参数进行微调，并整合了加拿大火灾气象指数 (FWI) 以评估湿度条件。该研究建立了一种计算野火风险等级的方法，风险等级按 0 到 5 的比例尺动态关联天气模式。值得注意的是，通过整合迁移学习，CNN 模型在识别燃烧区域方面取得了惊人的 95% 准确率。这项研究揭示了 CNN 的内部工作原理及其在预测和缓解野火方面的实际实时效用。通过结合迁移学习和 CNN，该研究为评估燃烧区域提供了一种稳健的方法，促进了及时干预和预防野火的措施。
引用
@article{arxiv.2403.12871,
title = {Wildfire danger prediction optimization with transfer learning},
author = {Spiros Maggioros and Nikos Tsalkitzis},
journal= {arXiv preprint arXiv:2403.12871},
year = {2024}
}