机构名称：
¥ 1.0
摘要：控制人类居住区周围的植被可燃物是减少森林、建筑物和基础设施火灾严重程度以及保护人类生命的重要策略。每个国家在这方面都有自己的规定，但它们的共同点是通过减少可燃物负荷，我们反过来会降低火灾的强度和严重程度。使用无人机 (UAV) 获取的数据与其他被动和主动遥感数据相结合，通过机器学习算法规划野外-城市界面 (WUI) 可燃物突破口的效果最佳。测试了九种遥感数据源（主动和被动）和四种监督分类算法（随机森林、线性和径向支持向量机和人工神经网络），以对五种可燃物区域类型进行分类。我们使用了无人机获取的非常高密度的光探测和测距 (LiDAR) 数据（154 条回波 · m − 2 和 5 厘米像素的正射镶嵌图）、来自 Pleiades-1B 和 Sentinel-2 卫星的多光谱数据以及机载激光扫描 (ALS) 获取的低密度 LiDAR 数据（0.5 条回波 · m − 2 ，25 厘米像素的正射镶嵌图）。通过使用随机森林 (VSURF) 程序的变量选择，对最终变量进行了预选择以训练模型。对这四种算法进行了比较，并得出结论，它们在训练数据集上的整体准确度 (OA) 方面的差异可以忽略不计。结合使用 Sentinel-2 和两个 LiDAR 数据（UAV 和 ALS），随机森林在训练中获得了 90.66% 的 OA，在测试数据集中获得了 91.80% 的 OA。尽管在训练步骤中 SVML（OA = 94.46%）和在测试步骤中 ANN（OA = 91.91%）获得了最高的准确率，但随机森林被认为是最可靠的算法，因为它由于训练和测试性能之间的差异较小而产生了更一致的预测。所用数据源之间的准确率差异远大于算法之间的差异。使用不同日期的点云和一年中不同季节的多光谱信息计算的 LiDAR 增长指标是分类中最重要的变量。我们的研究结果支持无人机在防火带规划和管理以及因此在预防森林火灾方面的重要作用。
无人机
主要关键词
相关文件推荐
