view in publisher's site

A deep learning approach for mapping and dating burned areas using temporal sequences of satellite images

Highlights•A deep learning approach for mapping and dating of burned areas is proposed.•The approach relies on VIIRS data and is tested over five distinct regions.•The proposed model improves estimates of partially burned pixels.•Attributed dates of burning are improved over existing products.•The procedure can be used for global near-real-time applications.AbstractOver the past decades, methods for burned areas mapping and dating from remote sensing imagery have been the object of extensive research. The limitations of current methods, together with the heavy pre-processing of input data they require, make them difficult to improve or apply to different satellite sensors. Here, we explore a deep learning approach based on daily sequences of multi-spectral images, as a promising and flexible technique that can be applicable to observations with various spatial and spectral resolutions. We test the proposed model for five regions around the globe using input data from VIIRS 750 m bands resampled to a 0.01° spatial resolution grid. The derived burned areas are validated against higher resolution reference maps and compared with the MCD64A1 Collection 6 and FireCCI51 global burned area datasets. We show that the proposed methodology achieves competitive results in the task of burned areas mapping, despite using lower spatial resolution observations than the two global datasets. Furthermore, we improve the task of burned areas dating for the considered regions of study when compared with state-of-the-art products. We also show that our model can be used to map burned areas for low burned fraction levels and that it can operate in near-real-time, converging to the final solution in only a few days. The obtained results are a strong indication of the advantage of deep learning approaches for the problem of mapping and dating of burned areas and provide several routes for future research.Graphical abstractDownload : Download high-res image (213KB)Download : Download full-size image

یک روش یادگیری عمیق برای نقشه‌برداری و قرار دادن مناطقی با استفاده از دنباله‌های زمانی تصاویر ماهواره‌ای

نکات مهم: یک روش یادگیری عمیق برای نقشه‌برداری و قرار دادن مناطق سوخته پیشنهاد شده‌است. این روش بر داده‌های VIIRS تکیه دارد و بر روی پنج منطقه متمایز تست می‌شود. مدل پیشنهادی، تخمینی از پیکسل سوخته را بهبود می‌بخشد. تاریخ‌های Attributed در حال سوختن روی محصولات موجود بهبود می‌یابند. این روش را می توان برای مقیاس جهانی نزدیک به زمان در دهه‌های گذشته مورد استفاده قرار داد، روش‌های نگاشت مناطق سوزانده شده و dating از تصاویر سنجش از دور هدف تحقیقات گسترده بوده‌است. محدودیت‌های روش‌های موجود، همراه با پردازش سنگین داده‌های ورودی که به آن‌ها نیاز دارند، بهبود یا استفاده از سنسورهای مختلف ماهواره را دشوار می‌سازد. در اینجا به بررسی یک رویکرد یادگیری عمیق براساس توالی روزمره تصاویر چند طیفی می‌پردازیم، به عنوان یک تکنیک نویدبخش و انعطاف‌پذیر که می‌تواند برای مشاهدات با راه‌حل‌های طیفی و طیفی مختلف قابل‌اجرا باشد. ما مدل پیشنهادی برای پنج منطقه دور دنیا را با استفاده از داده‌های ورودی از VIIRS ۷۵۰ متر تا یک شبکه تفکیک مکانی ۰.۰۱ ° تست کردیم. مناطق سوزانده شده در برابر نقشه‌های مرجع تفکیک پذیری بالاتر اعتبارسنجی می‌شوند و در مقایسه با مجموعه داده‌های area Collection ۶ و FireCCI۵۱ datasets در سطح جهانی مورد مقایسه قرار می‌گیرند. ما نشان می‌دهیم که روش پیشنهادی با وجود استفاده از مشاهدات تفکیک مکانی کم‌تر نسبت به دو مجموعه داده‌های جهانی به نتایج رقابتی دست می‌یابد. علاوه بر این، ما کار مناطق سوختگی مربوط به مناطق مورد بررسی در مقایسه با محصولات با هنر را بهبود می‌دهیم. ما همچنین نشان می‌دهیم که مدل ما را می توان برای ترسیم مناطق سوزانده شده برای سطوح پایین سوخت به کار برد و اینکه می‌تواند در زمان واقعی اجرا شود و تنها چند روز به راه‌حل نهایی همگرا باشد. نتایج بدست‌آمده نشانه‌ای قوی از روش‌های یادگیری عمیق برای مساله نقشه‌برداری و قرار دادن مناطق سوخته و فراهم کردن چندین مسیر برای آینده res (۲۱۳ کیلوبایت): دانلود تصویر با اندازه بالا (Download)هستند.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.