پیوندهای مفید
آمار
| تعداد نشریات | 15 |
| تعداد شمارهها | 244 |
| تعداد مقالات | 2,481 |
| تعداد مشاهده مقاله | 4,307,581 |
| تعداد دریافت فایل اصل مقاله | 3,171,813 |
مقایسه روشهای مختلف شناسایی مناطق سوخته با بکارگیری شاخصهای طیفی و تصاویر ماهوارهای سنتینل-۲: آماری، یادگیری ماشین و یادگیری عمیق (مطالعه موردی آتشسوزی Kenneth) در لسآنجلس | ||
| پژوهش های سنجش از دور و اطلاعات مکانی | ||
| دوره 4، شماره 1 - شماره پیاپی 7، دی 1404، صفحه 39-56 اصل مقاله (1.84 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22061/jrsgr.2026.12775.1119 | ||
| نویسندگان | ||
| مهدی حسنلو* ؛ زهره رودسرابی؛ پروین حسن تیموری | ||
| دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران | ||
| تاریخ دریافت: 13 شهریور 1404، تاریخ بازنگری: 07 آذر 1404، تاریخ پذیرش: 27 بهمن 1404 | ||
| چکیده | ||
| پیشینه و اهداف: آتشسوزیهای گسترده جنگلی با تخریب پوشش گیاهی، تشدید ناپایداری خاک و تغییر کارکرد زیستبومها، به یکی از جدیترین چالشهای محیطی عصر حاضر تبدیل شدهاند و شناسایی دقیق نواحی سوخته پس از حریق، پیشنیاز ارزیابی خسارت، برنامهریزی احیا و مدیریت خطر است. دادههای اپتیکی ماهوارهای، بهویژه تصاویر سنتینل-۲، همراه با شاخصهای طیفی پرکاربرد، ابزار قدرتمندی برای نقشهبرداری مناطق سوخته فراهم میکنند، اما کارایی آنها به انتخاب مناسب شاخصها و مدلهای طبقهبندی وابسته است. هدف این پژوهش، ارزیابی و مقایسه کارایى یک روش آماری کلاسیک، سه الگوریتم یادگیری ماشین و دو معماری یادگیری عمیق در تشخیص نواحی سوخته، بر پایه ترکیب باندهای سنتینل-۲ و شاخصهای طیفی، در آتشسوزی جنگلی Kenneth در لسآنجلس است. روشها: در این پژوهش، پس از انتخاب تصویر پساحریق سنتینل-۲ و اعمال ماسک ابر، هشت باند طیفی اصلی (شامل باندهای مرئی، فروسرخ نزدیک، لبه قرمز و فروسرخ موج کوتاه) بههمراه پنج شاخص طیفی پرکاربرد مرتبط با سوختگی، پوشش گیاهی و رطوبت استخراج شد و یک تصویر ۱۵ متغیره بهعنوان ورودی مدلها تشکیل گردید. دادههای مرجع دودویی سوخته و نسوخته از پایگاه رسمی ثبت آتشسوزیها برداشت شد و نمونهها بهصورت تصادفی انتخاب و به دو زیرمجموعه آموزشی (۷۰ درصد) و آزمایشی (۳۰ درصد) تفکیک شدند. تمامی ویژگیها با روش نرمالسازی خطی مقیاسبندی شدند. در ادامه، یک روش آماری مبتنی بر بیشینه شباهت (MLE)، سه الگوریتم یادگیری ماشین شامل تقویت تطبیقی (Adaboost)، جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) و دو مدل یادگیری عمیق شامل شبکه عصبی کانولوشنی (CNN) و شبکه پرسپترون چندلایه (MLP) آموزش داده شد. ارزیابی مدلها بر اساس ماتریس درهمریختگی و شاخصهایی نظیر Accuracy، Precision، Recall، F1-score و IoU انجام گرفت و اهمیت نسبی باندها و شاخصها در هر مدل نیز محاسبه شد. یافتهها: نتایج این پژوهش نشان داد تمامی مدلها قادر به تفکیک الگوی کلی سوختگی از پسزمینه نسوخته بودند، اما در دقت عددی و نویز مکانی اختلاف قابل توجهی داشتند. روش آماری مبتنی بر MLE، اگرچه دقتی نزدیک به ۹۸ درصد را بهدست آورد، بهدلیل مقدار بالای طبقهبندی نادرست پیکسلهای نسوخته بهعنوان سوخته و تولید لکههای پراکنده در حاشیه ناحیه سوخته، کمترین قابلیت اعتماد را ارائه نمود. در میان الگوریتمهای یادگیری ماشین، RF بهترین عملکرد را داشت؛ بهگونهای که با Accuracy حدود ۹۹٫۶۷ درصد، F1-score نزدیک به ۹۷ درصد و بیشترین IoU، کمترین میزان خطا در تشخیص پیکسلهای سوخته و نسوخته (FP و FN) را ثبت نمود. SVM نیز با F1-score بیش از ۹۶ درصد عملکردی پایدار نشان داد، هرچند نسبت به RF تا حدی خطای بیشتری در مرزهای لکه سوختگی داشت. الگوریتم Adaboost، با وجود بهبود محسوس نسبت به روش آماری، بهسبب حساسیت به نمونههای دشوار، میزان بالاتری از عدم شناسایی پیکسلهای سوخته را ایجاد کرد. دو مدل یادگیری عمیق، یعنی CNN و MLP، نقشههایی پیوسته و کمنویز تولید نمودند و از نظر Accuracy ، F1-score و IoU نتایجی بسیار نزدیک به RF بهدست آوردند. تحلیل اهمیت ویژگیها نشان داد باندهای فروسرخ موج کوتاه (SWIR-1,2) و شاخصهای مرتبط با سوختگی و پوشش گیاهی، بهویژه شاخصهای NBR، NDVI و SAVI، بیشترین سهم را در تصمیمگیری مدلها داشتهاند و باندهای ناحیه مرئی نقش فرعیتری ایفا کردهاند. نتیجهگیری: برآیند نتایج نشان میدهد که ادغام باندهای فروسرخ سنتینل-۲ با شاخصهای پوشش گیاهی و رطوبتی، در ترکیب با مدلهای یادگیری ماشین و یادگیری عمیق، چارچوبی دقیق و قابل اتکا برای پایش پساحریق و نقشهبرداری نواحی سوخته در چشماندازهای ناهمگن فراهم میکند. در این میان، RF و سپس مدلهای CNN و MLP، بهعنوان گزینههای بهینه برای پیادهسازی عملی پیشنهاد میشوند، در حالی که روش آماری MLE و الگوریتم Adaboost بیشتر بهعنوان خطوط پایه مقایسه قابل استفادهاند. از مهمترین محدودیتهای مطالعه حاضر میتوان به تکیه بر یک رویداد آتشسوزی و استفاده از داده تکزمانه پساحریق اشاره کرد؛ بنابراین، تعمیم مدل به آتشسوزیها، تیپهای پوشش گیاهی و شرایط توپوگرافی متنوعتر، همراه با بهرهگیری از دادههای چندزمانه و ادغام سنجندههای راداری و ارتفاعی، بهعنوان مسیرهای اصلی پژوهشهای آینده پیشنهاد میشود. نتایج این تحقیق میتواند در طراحی سامانههای عملیاتی پایش آتشسوزی، اولویتبندی مناطق احیا و برنامهریزی پایدار منابع طبیعی در مناطق مستعد حریق مورد استفاده قرار گیرد. | ||
| کلیدواژهها | ||
| سنجشازدور؛ آتشسوزی؛ تصاویر سنتینل-2؛ یادگیری عمیق؛ یادگیری ماشین؛ شاخص طیفی | ||
| عنوان مقاله [English] | ||
| Comparison of different methods for burned area detection using spectral indices and sentinel-2 satellite imagery: statistical, machine learning, and deep learning (A Case study of the kenneth wildfire in los angeles) | ||
| نویسندگان [English] | ||
| M. Hasanlou؛ Z. Roodsarabi؛ P. Hasan Teymori | ||
| School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran | ||
| چکیده [English] | ||
| Background and Objectives: Large-scale wildfires, through the destruction of vegetation, increased soil instability, and disruption of ecosystem functioning, have become one of the most serious environmental challenges of the modern era. Accurate post-fire burn-area delineation is essential for damage assessment, restoration planning, and risk management. Satellite optical data—particularly Sentinel-2 imagery—combined with widely used spectral indices provide a powerful basis for mapping burned areas; however, their performance depends strongly on the choice of indices and classification models. The objective of this study is to evaluate and compare the effectiveness of a classical statistical classifier, three machine learning algorithms, and two deep learning architectures for burned-area detection, using a combination of Sentinel-2 spectral bands and spectral indices in the Kenneth wildfire in Los Angeles. Methods: Following selection of the post-fire Sentinel-2 imagery and cloud masking, eight core spectral bands (visible, near-infrared, red-edge, and shortwave infrared) along with five commonly used indices related to burn severity, vegetation condition, and moisture content were extracted, forming a 15-variable input image for model development. Binary reference labels (burned/unburned) were derived from the official wildfire incident database, and spatially random sampling was used to create training (70%) and testing (30%) subsets. All features were normalized using min–max scaling. Subsequently, a classical Maximum Likelihood Estimation (MLE) classifier, three machine learning algorithms—Adaptive Boosting (AdaBoost), Random Forest (RF), and Support Vector Machine (SVM)—and two deep learning models—Convolutional Neural Network (CNN) and Multilayer Perceptron (MLP)—were trained. Model evaluation was performed using confusion-matrix metrics including Accuracy, Precision, Recall, F1-score, and Intersection over Union (IoU). Feature importance was also calculated for each algorithm. Findings: All models successfully distinguished the general burn pattern from the unburned background; however, they differed substantially in numerical accuracy and spatial noise. The MLE classifier, although yielding nearly 98% accuracy, showed the lowest reliability due to a high rate of misclassified unburned pixels (FP) and scattered artifacts around burn perimeters. Among machine learning methods, RF exhibited the best performance, achieving ~99.67% Accuracy, ~97% F1-score, and the highest IoU, with the lowest FP and FN values. SVM also showed stable and competitive performance with an F1-score exceeding 96%, though slightly more boundary-related errors than RF. AdaBoost improved notably over the statistical classifier but, due to sensitivity to difficult samples, produced higher FN values. Both deep learning models (CNN and MLP) generated smooth, low-noise burn maps and achieved Accuracy, F1-score, and IoU values closely matching RF. Feature-importance analysis indicated that shortwave infrared bands (SWIR-1, SWIR-2) and burn/vegetation indices—particularly NBR, NDVI, and SAVI—were the most influential predictors, whereas visible bands contributed less to model decisions. Conclusion: The results demonstrate that integrating Sentinel-2 infrared bands with vegetation and moisture indices, combined with machine learning and deep learning models, provides an accurate and robust framework for post-fire burn-area mapping in heterogeneous landscapes. RF, followed by CNN and MLP, emerges as the most effective set of models for operational implementation, while MLE and AdaBoost serve better as baseline methods. Key limitations include reliance on a single wildfire event and single-date post-fire data; thus, extending the framework to multiple fire regimes, diverse vegetation types, and more complex topographic conditions, as well as incorporating multitemporal data and radar/altimetry sensors, is recommended for future research. The findings support the development of operational wildfire monitoring systems, prioritization of restoration zones, and sustainable resource-management planning in fire-prone regions. | ||
| کلیدواژهها [English] | ||
| Remote Sensing, Wildfire, Sentinel-2 Imagery, Deep Learning, Machine Learning, Spectral Indices | ||
| مراجع | ||
|
[1] Gago EJ, Roldan J, Pacheco-Torres R, Ordóñez J. The city and urban heat islands: A review of strategies to mitigate adverse effects. Renewable and sustainable energy reviews 2013;25:749–58. doi: 10.1016/j.rser.2013.05.057. doi: 10.1111/brv.12351. [3] Gündüz Hİ, Torun AT, Gezgin C. Post-Fire Burned Area Detection Using Machine Learning and Burn Severity Classification with Spectral Indices in İzmir: A SHAP-Driven XAI Approach. Fire 2025;8:121. doi: 10.3390/fire8040121. [4] Kinoshita AM, Chin A, Simon GL, Briles C, Hogue TS, O’Dowd AP, et al. Wildfire, water, and society: Toward integrative research in the “Anthropocene.” Anthropocene 2016;16:16–27. doi: 10.1016/j.ancene.2016.09.001. doi: 10.1016/j.jenvman.2019.01.077. doi: 10.1016/j.inffus.2024.102369. [7] Dixon DJ, Callow JN, Duncan JMA, Setterfield SA, Pauli N. Regional-scale fire severity mapping of Eucalyptus forests with the Landsat archive. Remote Sens. Environ. 2022;270:112863. doi: 10.1016/j.rse.2021.112863. [9] Kurbanov E, Vorobev O, Lezhnin S, Sha J, Wang J, Li X, et al. Remote sensing of forest burnt area, burn severity, and post-fire recovery: A review. Remote Sens. (Basel). 2022;14:4714. doi: 10.3390/rs14194714. doi: 10.1007/s11676-023-01599-1. [11] Drusch M, Del Bello U, Carlier S, Colin O, Fernandez V, Gascon F, et al. Sentinel-2: ESA’s optical high-resolution mission for GMES operational services. Remote Sens. Environ. 2012;120:25–36. doi: 10.1016/j.rse.2011.11.026. [12] Roteta E, Bastarrika A, Padilla M, Storm T, Chuvieco E. Development of a Sentinel-2 burned area algorithm: Generation of a small fire database for sub-Saharan Africa. Remote Sens. Environ. 2019;222:1–17. doi: 10.1016/j.rse.2018.12.011. [13] Kouachi ME, Khairoun A, Moghli A, Rahmani S, Mouillot F, Baeza MJ, et al. Forty-Year Fire History Reconstruction from Landsat Data in Mediterranean Ecosystems of Algeria following International Standards. 2024. doi: 10.3390/rs16132500. [14] Bastarrika A, Chuvieco E, Martín MP. Mapping burned areas from Landsat TM/ETM+ data with a two-phase algorithm: Balancing omission and commission errors. Remote Sens. Environ. 2011;115:1003–12. doi: 10.1016/j.rse.2010.12.005. doi: 10.1016/j.isprsjprs.2024.08.019. [16] Santana NC, de Carvalho Júnior OA, Gomes RAT, Guimarães RF. Burned-area detection in Amazonian environments using standardized time series per pixel in MODIS data. Remote Sens. (Basel). 2018;10:1904. doi: 10.3390/rs10121904. [17] Tonbul H, Colkesen I, Kavzoglu T. Pixel-and Object-Based ensemble learning for forest burn severity using USGS FIREMON and Mediterranean condition dNBRs in Aegean ecosystem (Turkey). Advances in Space Research 2022;69:3609–32. doi: 10.1016/j.asr.2022.02.051. [18] Kouadio BK, Ouattara S, Clément A, Zaouri JMGB, Jean-Luc JLKK, N’guessan EK. Detection of Burned Areas through Spectral Indices Analysis of Sentinel-2A Satellite Images in the Abokouamékro Wildlife Reserve (Central, Côte D’Ivoire). Open Journal of Applied Sciences 2023;14:205–22. doi: 10.4236/ojapps.2024.141016. [19] Los Angeles County Fire Department. (2025). Incident Report: Kenneth Fire. [20] Weiss‐Penzias PS, Ortiz Jr C, Acosta RP, Heim W, Ryan JP, Fernandez D, et al. Total and monomethyl mercury in fog water from the central California coast. Geophys. Res. Lett. 2012;39. doi: 10.1029/2011GL050324. [21] Copernicus. Copernicus Sentinel-2 MSI, https://www.copernicus.eu/en, (Access date : 28 May 2024). [22] Roodsarabi Z, Farhadi H, Ebadi H, Kiani A. Machine learning-based burned area detection using Sentinel-2 imagery and spectral indices. Environ. Monit. Assess. 2025;197:905. doi: 10.1007/s10661-025-14332-8. [23] Key CH, Benson NC. Measuring and remote sensing of burn severity. In: Proceedings joint fire science conference and workshop. University of Idaho and International Association of Wildland Fire Moscow, ID; 1999. page 284. [24] Filipponi F. BAIS2: Burned area index for Sentinel-2. In: Proceedings. MDPI; 2018. page 364. doi: 10.3390/ecrs-2-05177 [25] Tucker CJ. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sens. Environ. 1979;8:127–50. [26] Huete AR. A soil-adjusted vegetation index (SAVI). Remote Sens. Environ. 1988;25:295–309. doi:10.1016/0034-4257(79)90013-0. [27] Gao BC. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sens. Environ. 1996;58:257–66. doi: 10.1016/S0034-4257(96)00067-3. [28] Richards JA, Jia X. Remote sensing digital image analysis: an introduction. Springer; 2006. [29] Theodoridis S, Koutroumbas K. Pattern recognition. Elsevier; 2006. [30] Cabral AIR, Silva S, Silva PC, Vanneschi L, Vasconcelos MJ. Burned area estimations derived from Landsat ETM+ and OLI data: comparing genetic programming with maximum likelihood and classification and regression trees. ISPRS Journal of Photogrammetry and Remote Sensing 2018;142:94–105. doi: 10.1016/j.isprsjprs.2018.05.007. [31] Michalski RS, Kodratoff Y. Research in machine learning: Recent progress, classification of methods, and future directions. Mach. Learn. 1990;3–30. doi: 10.1016/B978-0-08-051055-2.50004-3. [32] Bilgilioğlu SS, Yılmaz HM. Comparison of different machine learning models for mass appraisal of real estate. Survey review 2023;55:32–43. doi: 10.1080/00396265.2021.1996799. [33] Tan YC, Duarte L, Teodoro AC. Comparative study of random forest and support vector machine for land cover classification and post-wildfire change detection. Land (Basel). 2024;13:1878. doi: 10.3390/land13111878. [34] Freund Y, Schapire RE. A decision-theoretic generalization of on-line learning and an application to boosting. J. Comput. Syst. Sci. 1997;55:119–39. doi: 10.1006/jcss.1997.1504. [35] Malashin I, Tynchenko V, Gantimurov A, Nelyub V, Borodulin A. Boosting-Based Machine Learning Applications in Polymer Science: A Review. Polymers (Basel). 2025;17:499. doi: 10.3390/polym17040499. [36] Breiman L. Random forests. Mach. Learn. 2001;45:5–32. doi: 10.1023/A:1010933404324. [37] Rodriguez-Galiano VF, Ghimire B, Rogan J, Chica-Olmo M, Rigol-Sanchez JP. An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS journal of photogrammetry and remote sensing 2012;67:93–104. doi: 10.1016/j.isprsjprs.2011.11.002 [38] Petropoulos GP, Kontoes C, Keramitsoglou I. Burnt area delineation from a uni-temporal perspective based on Landsat TM imagery classification using Support Vector Machines. International Journal of Applied Earth Observation and Geoinformation 2011;13:70–80. doi: 10.1016/j.jag.2010.06.008. doi: 10.1080/2150704X.2014.963733. [40] Ramo R, García M, Rodríguez D, Chuvieco E. A data mining approach for global burned area mapping. International journal of applied earth observation and geoinformation 2018;73:39–51. doi: 10.1016/j.jag.2018.05.027. [41] Cheng G, Huang Y, Li X, Lyu S, Xu Z, Zhao H, et al. Change detection methods for remote sensing in the last decade: A comprehensive review. Remote Sens. (Basel). 2024;16:2355. doi: 10.3390/rs16132355. [42] Jiang H, Peng M, Zhong Y, Xie H, Hao Z, Lin J, et al. A survey on deep learning-based change detection from high-resolution remote sensing images. Remote Sens. (Basel). 2022;14:1552. doi: 10.3390/rs14071552. [43] Daudt RC, Le Saux B, Boulch A. Fully convolutional siamese networks for change detection. In: 2018 25th IEEE international conference on image processing (ICIP). IEEE; 2018. page 4063–7. doi: 10.1109/ICIP.2018.8451652. [44] Hou B, Liu Q, Wang H, Wang Y. From W-Net to CDGAN: Bitemporal change detection via deep learning techniques. IEEE Transactions on Geoscience and Remote Sensing 2019;58:1790–802. doi: 10.1109/TGRS.2019.2948659. [45] Belenguer-Plomer MA, Tanase MA, Chuvieco E, Bovolo F. CNN-based burned area mapping using radar and optical data. Remote Sens. Environ. 2021;260:112468. doi: 10.1016/j.rse.2021.112468. doi: 10.3390/app12031679. doi: 10.1007/978-3-642-15825-4_10. doi: 10.48550/arXiv.2107.14372. [49] Li R, Zhou R, Zhang J. Function of PM2. 5 in the pathogenesis of lung cancer and chronic airway inflammatory diseases. Oncol. Lett. 2018;15:7506–14. doi: 10.3892/ol.2018.8355. [50] Rogers TT, McClelland JL. Parallel distributed processing at 25: Further explorations in the microstructure of cognition. Cogn. Sci. 2014;38:1024–77. doi: 10.1111/cogs.12148. [51] Asadollahfardi G, Zangooei H, Aria SH. Predicting PM2. 5 concentrations using artificial neural networks and Markov chain, a case study Karaj City. Asian Journal of Atmospheric Environment 2016;10:67–79. doi: 10.5572/ajae.2016.10.2.067. [52] Rosenblatt F. The perceptron: a probabilistic model for information storage and organization in the brain. Psychol. Rev. 1958;65:386. [54] Goudarzi G, Hopke PK, Yazdani M. Forecasting PM2. 5 concentration using artificial neural network and its health effects in Ahvaz, Iran. Chemosphere 2021;283:131285. doi: 10.1016/j.chemosphere.2021.131285. [55] Sasaki Y. The truth of the F-measure. School of Computer Science, University of Manchester. Technical report; 2007. [56] Jaccard P. The distribution of the flora in the alpine zone. 1. New phytologist 1912;11:37–50. doi: 10.1111/j.1469-8137.1912.tb05611.x. [57] Knopp L, Wieland M, Rättich M, Martinis S. A deep learning approach for burned area segmentation with Sentinel-2 data. Remote Sens. (Basel). 2020;12:2422. doi: 10.3390/rs12152422. doi: 10.1016/j.rsase.2020.100324. doi: 10.1080/15481603.2023.2192157. [62] Pepe M, Parente C. Burned area recognition by change detection analysis using images derived from Sentinel-2 satellite: The case study of Sorrento Peninsula, Italy. Journal of Applied Engineering Science 2018;16. [63] Filipponi F. Exploitation of sentinel-2 time series to map burned areas at the national level: A case study on the 2017 italy wildfires. Remote Sens. (Basel). 2019;11:622. doi: 10.3390/rs11060622. [64] Ollearo R, Ma X, Akkerman HB, Fattori M, Dyson MJ, van Breemen AJJM, et al. Vitality surveillance at distance using thin-film tandem-like narrowband near-infrared photodiodes with light-enhanced responsivity. Sci. Adv. 2023;9:eadf9861. doi: 10.1126/sciadv.adf9861. doi: 10.1109/LAGIRS48042.2020.9165585. [66] Roteta E, Bastarrika A, Franquesa M, Chuvieco E. Landsat and sentinel-2 based burned area mapping tools in google earth engine. Remote Sens. (Basel). 2021;13:816. doi: 10.3390/rs13040816. [67] Chuvieco E, Martín MP. Cartografía de grandes incendios forestales en la Península Ibérica a partir de imágenes NOAA-AVHRR. 1998. [68] Gajardo J, Mora M, Valdés-Nicolao G, Carrasco-Benavides M. Burned area classification based on extreme learning machine and Sentinel-2 images. Applied Sciences 2021;12:9. doi: 10.3390/app12010009. | ||
|
آمار تعداد مشاهده مقاله: 963 تعداد دریافت فایل اصل مقاله: 271 |
||