使用非常高分辨率图像和深度学习算法绘制燃烧区域的地图 - - 印度班迪普尔的一个案例研究
Sai Balakavi1,2, Vineet Vadrevu3, Kristofer Lasko4
1Universities Space Research Association (USRA) Science and Technology Institute, Huntsville, Alabama, United States of America.
PloS one
|July 16, 2025
概括
一个新的深度学习模型,UNET-Gated Recurrent Unit (GRU),在燃烧区域绘制方面表现出色. 这种先进的模型准确地识别了野火的影响,超过了传统方法的精确分类和空间准确性.
科学领域:
- 地球和环境科学 地球和环境科学
- 计算机科学 计算机科学
- 遥感 遥感 遥感 遥感
背景情况:
- 准确的烧毁区域 (BA) 地图绘制对于野火影响评估,碳排放估计和生物多样性丧失分析至关重要.
- 有效的BA数据有助于指导恢复工作和完善消防管理策略.
研究的目的:
- 设计和评估两个深度学习架构,即自定义UNET和UNET-Gated Recurrent Unit (GRU),用于烧毁区域的分类.
- 使用PlanetScope数据,将新型UNET-GRU混合模型与自定义UNET的性能进行比较.
主要方法:
- 开发两个深度学习模型:一个定制的UNET和一个UNET-GRU混合型.
- 使用PlanetScope卫星数据对印度班迪普尔的燃烧和未燃烧区域的分类.
- 使用精度,回忆,F1-Score,准确性,IoU,子系数和ROC曲线等指标评估模型性能.
主要成果:
- 这两种模型在烧伤区域分类方面都取得了很高的准确性.
- UNET-GRU混合模型始终优于自定义UNET,特别是在回忆和空间重叠指标 (IoU,子系数) 中.
- 与自定义UNET的0.96相比,UNET-GRU实现了0.98的曲线下面面积 (AUC),这表明了优越的分类性能.
结论:
- 联网-GRU模型展示了对精确烧毁区域分类和空间准确性的增强能力,使其成为使用非常高分辨率数据绘制图像的强大选择.
- 将GRU集成到UNET架构中显著提高了模型捕捉空间和上下文特征的能力.
- 小说UNET-GRU为先进的燃烧区域绘图应用提供了一个有前途的方法.
