|
نقشهبرداری دقیق ریسک آتشسوزی جنگل با استفاده از مدل یادگیری ماشین فرا ترکیبی: ارزیابی عملکردی دادههای سنتینل2 و لندست8
|
محدثه مسواری  ، رضا شاه حسینی* |
| دانشکده مهندسی نقشهبرداری و اطلاعات مکانی، دانشگاه تهران & - |
|
|
چکیده: (72 مشاهده) |
| آتشسوزی جنگلها یکی از مخربترین بلایای طبیعی است که پیامدهای اکولوژیکی و اقتصادی جبرانناپذیری به همراه دارد. تهیه نقشههای دقیق خطر حریق، ابزاری حیاتی برای مدیریت و پیشگیری از این بحران است. پژوهش حاضر با هدف توسعه یک چارچوب یکپارچه مبتنی بر الگوریتمهای یادگیری ماشین و ارزیابی تاثیر قدرت تفکیک مکانی دادههای ماهوارهای بر دقت مدلسازی ریسک آتشسوزی انجام شد. بدین منظور، دادههای طیفی و حرارتی دو سنجنده لندست8 (با وضوح 30 متر) و سنتینل2 (با وضوح 10 متر) به همراه متغیرهای توپوگرافیک و اقلیمی مورد استفاده قرار گرفتند. در این مقاله پنج مدل یادگیری ماشین پایه مختلف که از جمله مدلهای شناخته شده یادگیری ماشین هستند آموزش دیده و در نهایت نتایج حاصل از این مدلها به کمک یک مدل فراترکیبی جهت پیشبینی مناطق مستعد آتشسوزی آموزش داده شدند. این امر سبب گردید تا از تمامی قابلیتهای متفاوت موجود در مدلهای یادگیری ماشین بهره برده و الگوهای پیچیده غیرخطی موجود در دادههای ورودی بهتر مدل شوند و تا جای ممکن مدلی با ثبات بیشتر ایجاد گردد. تحلیلهای اکتشافی نشان داد که شاخصهایNDVI و NBR به همراه متغیرهای ارتفاع و دمای سطح زمین، بیشترین نقش را در تفکیک مناطق دچار حریق دارند. نتایج ارزیابی کمی نشان داد که مدل فراترکیبی پیادهسازیشده روی دادههای سنتینل2 با دستیابی به صحت معادل 52/94 درصد،F1−Score برابر با 76/87 درصد و شاخصIoU معادل 12/80 درصد عملکرد مناسبی را در میان تمامی مدلهای پایه داشته است و این امر خود حاکی از آن است که به جای اتکا به یک مدل یادگیری ماشین به تنهایی، میتوان از تلفیق قابلیتهای متفاوت مدلهای مختلف جهت بهبود دقت و ثبات مدل بهره برد. همچنین، مقایسه نتایج حاصل از دو سنجنده نشان داد که ارتقای رزولوشن مکانی در سنتینل2 منجر به بهبود دقت برآورد ریسک آتشسوزی شده و نقشههای خروجی آن به دلیل کاهش اثر میانگینگیری مکانی، از وضوح و مرزبندی به مراتب دقیقتری برخوردارند. نتایج این مطالعه نشان میدهد که ادغام مدلهای فراترکیبی با دادههای ماهوارهای با وضوح بالا، میتواند به عنوان یک سیستم کارآمد در فرایند مدیریت پیشگیرانه منابع طبیعی مورد استفاده قرار گیرد. |
|
| واژههای کلیدی: آتشسوزی جنگل، یادگیری ماشین، مدل فراترکیبی، سنتینل ۲، لندست ۸، سنجش از دور. |
|
|
|
نوع مطالعه: پژوهشي |
موضوع مقاله:
تخصصي
دریافت: 1405/1/6 | پذیرش: 1405/2/16
|
|
|
|
|
|
|
| ارسال پیام به نویسنده مسئول |
|
|
|
| ارسال نظر درباره این مقاله |
|
|
|
