|
|
|
|
ارزیابی عملکرد پردازش تک‌زمانه و چندزمانۀ تصاویر ماهوارۀ لندست 8 مبتنی بر طبقه‌بندی‌کننده‌های ماشین بردار پشتیبان و جنگل تصادفی در پایش آتش‌سوزی جنگل‌ها
|
|
|
|
|
|
|
|
نویسنده
|
عباس زاده طهرانی نادیا ,مروتی آذر ,خانبانی سارا ,جانعلی پور میلاد
|
|
منبع
|
مديريت مخاطرات محيطي - 1400 - دوره : 8 - شماره : 2 - صفحه:119 -135
|
|
|
|
|
چکیده
|
پدیدۀ آتش‌سوزی جنگل‌ها، از مخاطرات محیط زیستی مهم محسوب می‌شود. داده‌های ماهوارۀ لندست 8 با توان تفکیک مکانی متوسط و دسترسی آسان از منابع مهم در زمینۀ پایش آتش‌سوزی‌های گسترده است. هدف این مقاله ارزیابی رویکرد تک‌زمانه و دوزمانه مبتنی بر تصویر حین آتش‌سوزی و تصاویر قبل و بعد از آتش‌سوزی از ماهوارۀ لندست 8 و طبقه‌بندی‌کننده‌های ماشین بردار پشتیبان و جنگل تصادفی برای شناسایی آتش‌سوزی جنگل‌هاست. نتایج پردازش تصاویر ماهواره‌ای جنگل‌های پارادایز منطقۀ ساکرامنتو در ایالت کالیفرنیا، نشان داد که روش طبقه‌بندی جنگل تصادفی بر روی دادۀ تک‌زمانه حین آتش‌سوزی با صحت کلی 99.83 درصد، در مقایسه با روش ماشین بردار پشتیبان با صحت کلی 99.53 درصد، توانایی بیشتری برای تفکیک آتش از غیر آتش دارد. البته در هر دو روش، صحت کلی زیاد است که موید مطلوبیت استفاده از هر دو روش برای تشخیص مخاطرۀ آتش‌سوزی است. همچنین عملکرد طبقه‌بندی تصویر تک‌زمانه بعد از آتش‌سوزی، بهتر از تصاویر دوزمانۀ قبل و بعد از آتش‌سوزی بوده است.
|
|
کلیدواژه
|
طبقه‌بندی ماشین بردار پشتیبان، طبقه‌بندی جنگل تصادفی، ماهوارۀ لندست 8، مخاطرۀ آتش‌سوزی
|
|
آدرس
|
پژوهشگاه هوافضا، وزارت علوم، تحقیقات و فناوری, ایران, دانشگاه آزاد اسلامی واحد جنوب, ایران, دانشگاه تهران, ایران, پژوهشگاه هوافضا، وزارت علوم، تحقیقات و فناوری, ایران
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Evaluating Performance of Support Vector Machine and Random Forest Classifiers in Monitoring Wildfire from pre and postevent Landsat8 satellite Images
|
|
|
|
|
Authors
|
Morovati Azar ,Janalipour Milad ,Abbaszadeh Tehrani Nadia ,Khanbani Sara
|
|
Abstract
|
Occurrence of wildfires in forests is one of the important environmental hazards. Remote sensing is one of the useful sources for detecting and monitoring wildfires. The purpose of this paper is to evaluate during fire image and before and after fire images from Landsat8 satellite in identifying fire areas using Support Vector Machine (SVM) and Random Forest (RF) classifiers. Based on the analysis of the output from the images of the Sacramento area in the state of California, it was found that RF classification method with an overall accuracy of 99.83%, compared to the SVM method with an overall accuracy of 99.53%, has a better ability to distinguish fire from nonfire areas. It should be noted that in both methods, the overall accuracy was considerable and indicated their desirability to wildfire detection. Moreover, the classification results with a “single image” input during a fire were better than the “difference image” input.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|