Застосування методів машинного навчання для аналізу впливу лісових пожеж на знімки Sentinel-2 по Україні
DOI:
https://doi.org/10.34185/1562-9945-5-162-2026-03Ключові слова:
виявлення спалених лісових ділянок, машинне навчання, згорткові нейронні мережі, спектральні діапазони, ліси УкраїниАнотація
Лісові пожежі становлять серйозну екологічну та соціально-економічну загрозу, що вимагає ефективних інструментів для швидкої оцінки збитків. У цьому дослідженні представлено підхід на основі машинного навчання для виявлення спалених лісових ділянок в Україні з використанням мультиспектральних зображень Sentinel-2. Для навчання семантичних сегментаційних моделей було розроблено новий набір даних з ручним анотуванням, що вирішує проблему нестачі відкритих даних для цього регіону. Запропонована конволюційна нейронна мережа, заснована на архітектурі кодера-декодера з блоками Xception, ефективно фіксує спектральні патерни, пов'язані з пошкодженнями від пожеж. Експерименти, проведені на знімках Sentinel-2 рівня 2A півострова Кінберн (жовтень 2022 р.), демонструють високу ефективність виявлення, досягаючи перетину над об'єднанням (IoU) 95%. Результати підтверджують здатність моделі до точного картографування спалених територій та підкреслюють її потенціал для більш широкого застосування в регіональному моніторингу пожеж та управлінні навколишнім середовищем.
Посилання
Zibtsev, Sergiy & Soshenskyi, Oleksandr & Myroniuk, Viktor & Gumeniuk, Vasyl. (2020). Wildfire in Ukraine: an overview of fires and fire management system. Ukrainian Journal of Forest and Wood Science. 11. 15-31. 10.31548/forest2020.02.015.
Barmpoutis, Panagiotis & Papaioannou, Periklis & Dimitropoulos, Kosmas & Nikos, Grammalidis. (2020). A Review on Early Forest Fire Detection Systems Using Optical Re-mote Sensing. Sensors. 20. 6442. 10.3390/s20226442.
Hu, X., Ban, Y., & Nascetti, A. (2021). Uni-Temporal Multispectral Imagery for Burned Area Mapping with Deep Learning. Remote Sensing, 13(8), 1509. https://doi.org/10.3390/rs13081509
Hnatushenko, V., Hnatushenko, V., Soldatenko, D., and Heipke, C. (2023). Enhancing the quality of CNN-based burned area detection in satellite imagery through data augmentation, Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XLVIII-1/W2-2023(pp.1749–1755).
Knopp, L., Wieland, M., Rättich, M., & Martinis, S. (2020). A Deep Learning Approach for Burned Area Segmentation with Sentinel-2 Data. Remote Sensing, 12(15), 2422. https://doi.org/10.3390/rs12152422.
Hnatushenko, Vik., Honcharov, O. (2024). Land cover mapping with Sentinel-2 imagery using deep learning semantic segmentation models. Information Technology and Implementa-tion, Kyiv, Ukraine, 2024, p.1-18. https://ceur-ws.org/Vol-3983/paper11.pdf
Chaurasia, Kuldeep & Nandy, Rijul & Pawar, Omkar & Singh, Ravi & Ahire, Meghana. (2021). Semantic segmentation of high-resolution satellite images using deep learning. Earth Science Informatics. 14. 1-10. 10.1007/s12145-021-00674-7.
M., Mishchenko & Vik, Hnatushenko & Anastasiia-Dzhei, Sinher. (2024). Implementation of satelite image classification using PyTorch. System technologies. 4. 102-109. 10.34185/1562-9945-4-153-2024-10.
Abdi, A. M. (2020). Land cover and land use classification performance of machine learn-ing algorithms in a boreal landscape using Sentinel-2 data. GIScience & Remote Sens-ing, 57(1), 1–20. https://doi.org/10.1080/15481603.2019.1650447
Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1251-1258). doi: 10.1109/CVPR.2017.195.
Li, M., Soltanolkotabi, M., &Oymak, S. (2020). Gradient descent with early stopping is provably robust to label noise for overparameterized neural networks. In International confer-ence on artificial intelligence and statistics (pp. 4313-4324). https://doi.org/10.48550/arXiv.1903.11680.
Carass, A., Roy, S., Gherman, A., Reinhold, J. C., Jesson, A., Arbel, T., ... &Oguz, I. (2020). Evaluating white matter lesion segmentations with refined Sørensen-Dice analysis. Scientific reports, 10(1), 8242. https://doi.org/10.1038/s41598-020-64803-w
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Системні технології
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
