原标题：基于多光谱遥感数据的火灾与烧伤区域联合探测的监督机器学习方法

文章导读

近年来，大规模森林火灾的发生频率明显增加。森林火灾对人类、野生动物和基础设施等造成严重风险。对火灾的快速检测对于灭火行动和救援任务至关重要。此外，绘制烧毁区域的地图还可以支持疏散和应急设施的可达性。以往的研究一般并未考虑烧毁区域和实际森林火灾覆盖区域之间的区别，而是侧重于对其中单一区域的监测。来自德国卡尔斯鲁厄理工学院摄影测量与遥感研究所的Sina Keller博士及其团队在 Remote Sensing 期刊发表了文章，重点强调焚烧区和实际火灾覆盖区之间的区别，介绍了基于多光谱遥感数据的火灾与烧伤区域联合探测的监督机器学习方法，对风险管理或救援任务规划具有重要意义。

• 图为火灾和烧毁区域综合分类框架的可视化，分为数据集层、数据层、特征层和模型层。(SE-东南部；C-中部；ML-机器学习)。

研究过程及结果

在本研究中，作者提出了一种基于机器学习 (ML) 方法和遥感数据的通用方法，用于检测火灾和烧毁区域。尽管大多数研究要么研究火灾的检测，要么绘制烧毁区域的地图，但本文着重于在三个选定的案例研究区域 (澳大利亚西南，美国加利福利亚和西班牙中部) 上进行了联合检测的研究和评估。多光谱Sentinel-2影像代表了监督ML模型的输入数据。首先，由于没有参考数据可用，作者生成了三个目标类别 (烧毁、未烧毁和火灾) 的参考数据。其次，三个地区性火灾数据集根据定义的模式进行了预处理，并被划分为训练、验证和测试子集。此外，一种欠采样方法确保了数据集的平衡。第三，作者使用并评估了七种选择的监督分类方法，包括基于树的模型、自组织映射、人工神经网络和一维卷积神经网络 (1D-CNN)。

所有选择的ML方法都取得了令人满意的分类结果。此外，它们在火灾检测方面表现出了高度准确性，而分离烧毁和未烧毁区域则稍微具有挑战性。1D-CNN和极端随机树 (extremely randomized tree, ET) 是表现最佳的模型，在测试子集上达到了98％的整体准确率。即使在未知的测试数据集上，1D-CNN也实现了高度准确的分类。这种泛化对于任何用例场景，包括组织灭火活动或民防活动，都具有更大的价值。所提出的联合检测方法可以通过进一步的研究扩展和增强，利用众包数据。

• 图为应用ML模型的归一化混淆矩阵。预测是在子集2上进行的，并与参考数据进行了比较。ML模型在子集3上进行了训练。

研究总结

本文提出并介绍了一种基于有监督ML模型和卫星图像的火灾和烧毁面积并发组合检测方法。总的来说，所有选定的七种多重层析方法都取得了令人满意的分类结果。总之，1D-CNN和ET是性能最好的模型，在测试子集中的 整体准确度 (Overall accuracy，OA) 得分大于98%，是执行任务的合适模型。特别是，即使在完全未知的数据集上，1D-CNN也能达到很高的分类精度。这种通用性对于任何使用场景 (包括组织消防活动或民事保护) 都更有价值。因此，与现有的针对火灾的方法或基于MODIS等低分辨率遥感数据的烧毁面积检测方法相比，本文所开发的方法适用于10米高分辨率遥感数据中火灾和烧毁面积的通用组合检测。与现有的将火灾和焚烧区分类为两个独立任务的方法相比，我们提出的方法可视为实现火灾和焚烧区联合检测的第一种方法。

原文出自 Remote Sensing 期刊

Florath, J.; Keller, S. Supervised Machine Learning Approaches on Multispectral Remote Sensing Data for a Combined Detection of Fire and Burned Area. Remote Sens. 2022, 14, 657.

主编：Prasad S. Thenkabail, USGS Western Geographic Science Center (WGSC), USA

期刊范围涵盖遥感科学所有领域，从传感器的设计、验证和校准到遥感在地球科学、环境生态、城市建筑等各方面的广泛应用。

• 2022 Impact Factor: 5.0
• 2022 CiteScore: 7.9
• Time to First Decision: 19.7 Days
• Time to Publication: 43 Days