Jul, 2023

基于多模态监督机器学习的欧洲基于卫星的野火识别方法

PDF
TL;DR提出了一种利用多个信息源提高自动卫星基热点检测系统准确性的野火识别解决方案，并使用 European Forest Fire Information System 数据库与 Moderate-resolution Imaging Spectroradiometer 和 Visible Infrared Imaging Radiometer Suite 的热异常进行交叉引用，构建了一个用于欧洲相关野火研究的大规模热点数据集。然后，提出了一种新颖的多模态监督机器学习方法，用于区分野火和其他事件的热点检测。实验结果表明我们的方法在野火识别任务中的有效性。
wildfire detection systemsmoderate-resolution imaging spectroradiometervisible infrared imaging radiometer suiteeuropean forest fire information systemmultimodal supervised machine learning
发现论文，激发创造
  • 利用时间远程感知数据上的自监督学习进行快速野火热点检测

    通过利用卫星网络和先进的人工智能模型来自动检测火点（即活跃火灾引起的热异常），以实时构建野火监测系统，本研究提出了一个包含欧洲火灾相关的遥感数据时间序列和基于自我监督学习的模型，能够分析多时相数据并在潜在实时中识别火点。使用我们的数据集和包含几次火灾事件的 Thraws 数据集，训练和评估了我们模型的性能，得到了 63.58 的 F1 分数。

    May, 2024

  • FUELVISION: 多模态数据融合和多模型集成算法用于野火燃料映射

    使用多个数据源和方法，通过 Landsat-8 光学图像、Sentinel-1 合成孔径雷达（SAR）图像、PALSAR SAR 图像和地形特征，预测和映射火灾燃料类型和分布。

    Mar, 2024

  • 利用卫星图像进行深度多模式学习的快速森林砍伐和烧毁区域检测

    利用深度卷积神经网络和多模卫星图像对亚马逊森林的砍伐估测和火灾检测问题进行了研究，并提出了一种新的数据集和处理技术。

    Jul, 2023

  • 基于新型机器学习框架的多模态森林火灾预测和个性化预警系统

    本研究开发了一种多模式野火预测和个性化早期警告系统，该系统基于先进的机器学习框架，使用来自环境保护局的传感器数据和 2012 年至 2018 年的历史野火数据，成功设计了新型的 U-Convolutional-LSTM 神经网络，能够提取与迫在眉睫的野火相关的关键时空特征。此外，地质数据被用于提供更好的野火风险评估。最终，为个有感官障碍或呼吸恶化症状的人提出了个性化早期警告系统，旨在为危险地区的居民提供更好的准备，从而挽救生命并减少经济损失。

    Aug, 2022

  • Sen2Fire：一个使用 Sentinel 数据进行野火检测的具有挑战性的基准数据集

    利用卫星图像进行野火监测在实际应用中具有重要的潜力。为了推动机器学习算法在这一领域的发展，本研究引入了 Sen2Fire 数据集，这是一个专门用于野火监测的具有挑战性的卫星遥感数据集。通过选择特定的波段组合，采用标准化烧伤比（NBR）和标准化植被指数（NDVI）等光谱指数的组合，优化了野火的检测效果。另外，本研究强调了集成 Sentinel-5 气溶胶数据对野火监测的积极影响。

    Mar, 2024

  • 野火检测的半监督领域自适应

    基于半监督领域自适应的野火检测新协议，利用具有教师 - 学生基础框架的定位感知物体检测实现翻译方差特征提取，性能明显优于现有基准测试集 HPWREN 的源模型基线平均精度 3.8%。

    Apr, 2024

  • 西班牙山火：基于卫星图像处理和大气信息的新型山火风险评估模型

    使用深度学习分析环境变量，提前预测西班牙野火对经济和生态的影响，为危险地区的经理资源分配和决策制定提供帮助。

    Jun, 2023

  • 基于人工智能的森林火灾预防、探测和扑灭系统

    通过该基于人工智能技术的野火预防、检测和控制系统（WPDSS）的四个步骤，该系统能够高效预测热点区域和检测野火，并使用无人机进行喷洒防火剂，从而减少对气候的影响。

    Dec, 2023

  • 野火管理的多光谱指标

    本文总结了与火灾管理相关的最重要的多光谱指数和相关方法。该文审视了多光谱指数与野火预防和管理领域的多个研究领域，包括植被和土壤属性提取、水域特征映射、人工结构识别和火灾后烧毁区域估计。强调了多光谱指数在解决野火管理中特定问题方面的多功能性和有效性。提出了优化数据提取的基本见解，并建议针对每个任务使用具体的指数，包括 NDVI 和 NDWI。此外，为了提高准确性和解决各个指数应用的固有限制，建议结合互补的处理解决方案和额外的数据源，如高分辨率遥感图像和地面测量。本文旨在为从事与火灾防控以及管理相关的研究人员和利益相关者提供即时且全面的参考。

    Sep, 2023

  • 利用机器学习和 VIIRS 卫星检测技术监测野火管理中的燃料湿度

    应用机器学习模型结合气象预报数据、地面观测和卫星数据监测燃料水分，结果表明卫星数据在模型预估中具有重要作用。

    May, 2023