FUELVISION: 多模态数据融合和多模型集成算法用于野火燃料映射
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。
Jul, 2023
该研究通过合成孔径雷达(SAR)和可见 - 近红外 - 短波红外(VNIR-SWIR)成像技术,对土地利用 / 土地覆盖(LULC)分类进行了协同组合的探索,旨在研究这种融合对 LULC 分类的影响。研究通过集成随机森林(RFE)的方法,引入随机旋转以克服随机森林的局限性,并通过比较不同旋转方法的性能来提高分类器的效能。实验结果表明,基于 SRP 的 RFE 在前两个数据集上表现最佳,平均 kappa 值为 61.80% 和 68.18%;基于 CRP 的 RFE 在最后三个数据集上表现出色,平均 kappa 值分别为 95.99%、96.93% 和 96.30%。此外,将纹理与 SAR 波段相结合,使整体 kappa 值最大增加了 10.00%,而将纹理添加到 VNIR-SWIR 波段上,则使整体 kappa 值最大增加了约 3.45%。
Dec, 2023
利用远程感知技术与人工智能方法,以提高实时、高分辨率的火灾监测为目标,本研究探讨了两种基于 U-Net 模型的自动化烧毁区域绘图方法,分别为 128 和 AllSizes (AS) 模型,在智利两个容易发生火灾的地区利用 Landsat 影像和时间序列数据进行训练与应用,实验证明 AS 模型在增加数据集平衡性方面能够取得更好的性能。
Nov, 2023
本文介绍了一种提高当前航拍野火数据集质量的方法,旨在适应相机技术的进步,并提出了一种基于 CycleGAN 的流程以及一种新颖的融合方法,通过将配对的 RGB 图像作为属性调节器集成到两个方向的生成器中,从而提高了生成图像的准确性。
Jan, 2024
使用混合架构,通过从合成孔径感测得到的整体空中图像和传统空中图像提取最重要的特征,以消除由于茂密植被引起的遮挡。该方法结合了环境的空间参考和无遮挡目标的特征,不需要手动调整参数,可以扩展到任意数量和组合的光谱通道,可根据不同用例进行重新配置,超越了现有技术。
Nov, 2023
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
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
该研究探索了使用深度学习方法和分布对齐的神经网络嵌入可以提高卫星影像分析的准确性,尤其是在少量样本预测中,显著地超越了多种基线方法,其关键词有卫星图像分析,深度学习,迁移学习,Sentinel 和地区气候分区。
Dec, 2022
使用合成孔径雷达(SAR)数据进行森林监测,对于解决光学数据的问题并使用机器学习估计森林的光学查找指数(VIs)表现出较好的效果,通过创建多时序和多模态数据集来进行 VI 估计,在时间和空间上与 Sentinel-1、Sentinel-2、DEM、天气和土地覆盖数据集的对齐下取得了较好的结果。
Nov, 2023