通过Sentinel-2图像绘制基于深度学习的烧毁森林区域地图:一项比较研究

科学领域:

• 生态与环境科学 生态与环境科学
• 遥感 遥感 遥感 遥感
• 计算机科学 计算机科学

背景情况:

• 准确地绘制燃烧的森林区域的地图对于了解野火后的生态系统动态至关重要.
• 卫星图像和图像分类算法是有效和经济的森林火灾评估的关键工具.
• 评估用于燃烧区域提取的各种分类算法是一个活跃的研究领域.

研究的目的:

• 评估无人监督的深度学习方法 - - 堆叠自动编码器 (SAE) 的能力,用于利用Sentinel-2卫星数据绘制燃烧的森林区域的地图.
• 为了比较SAE与各种监督学习算法的性能,用于烧毁区域划分.
• 用对比的森林区和全面的准确度指标提供客观的评估.

主要方法:

• 利用 Sentinel-2 卫星图像来绘制被烧毁的森林区域的地图.
• 应用堆叠自动编码器 (SAE) 作为一种无监督学习方法.
• 将SAE与监督算法进行比较:k-最近邻居 (k-NN),分隔k-NN,支向量机器,随机森林,袋式决策树,天真贝斯和线性差异分析.
• 使用手动数字化烧伤区域和整体准确性,MSE,相关系数,SSIM,PSNR,UQI和KAPPA等指标进行了准确性评估.

主要成果:

• 与所有评估的监督学习算法相比,堆叠的自动编码器在绘制烧毁的森林区域方面表现优越.
• 定量和定性分析都证实了SAE方法的更高准确性.
• 盒子图显示了不同测试区的堆叠自动编码器方法产生的一致结果.

结论:

• 堆叠的自动编码器方法在使用Sentinel-2卫星图像来绘制燃烧的森林区域的地图时非常有效和准确.
• 无监督深度学习方法,如SAE,为生态评估的传统监督方法提供了一个有希望的替代方案.
• 这项研究强调了先进的机器学习技术在改善野火影响分析和生态系统管理方面的潜力.