基于机器学习的燃烧区域检测,使用Sentinel-2图像和光谱指数.

科学领域:

• 遥感和地理空间分析
• 机器学习在环境科学中的应用
• 野火生态与管理 野火生态与管理

背景情况:

• 野火对全球构成重大威胁,需要快速准确地绘制被烧毁区域的地图,以便在火灾后有效应对.
• 关于被烧毁的景观的及时信息对于指导植被恢复监测和土地管理策略至关重要.
• 卫星图像,特别是Sentinel-2,为大规模环境监测提供了宝贵的资源.

研究的目的:

• 用随机森林 (RF) 和支持矢量机器 (SVM) 机器学习 (ML) 算法来比较燃烧区域检测的准确性.
• 为了评估使用原始的Sentinel-2频段与重要频段和光谱指数的组合用于改进检测的有效性.
• 评估这些方法在伊朗两个不同受野火影响的地区的性能:法拉什班德和安迪卡.

主要方法:

• 在Google Earth引擎平台上使用Sentinel-2卫星图像实现RF和SVM算法.
• 测试了两个场景: (1) 使用原始的Sentinel-2频段, (2) 将选定的重要频段与光谱指数 (BAIS2,BADI,MIRBI,NDSWIR,NBR) 结合起来.
• 使用整体准确性 (OA) 和卡帕系数 (KC) 度量的准确性评估.

主要成果:

• 当光谱指数被纳入时,RF和SVM模型都显示了更好的烧伤区域检测准确性.
• 在法拉什带,SVM在第二个场景中实现了最高的准确性 (OA 97.96%,KC 0.99),超过RF (OA 97.04%,KC 0.96).
• 在安迪卡,SVM在综合场景中也表现出优异的性能 (OA 97.65%,KC 0.98) 与RF (OA 95.61%,KC 0.94) 相比. SWIR波段对于射频至关重要,而蓝色和红色边缘-1波段对于SVM至关重要.

结论:

• 将Sentinel-2频段与相关的光谱指数结合起来,可以显著提高基于ML的燃烧区域检测的准确性.
• 拟议的方法提供了一个强大而准确的方法来绘制野火影响,支持火灾后的恢复工作.
• 这种方法提供了一个可扩展的解决方案,用于全球监测被烧毁的地区,帮助生态恢复和资源管理.