Till innehåll på sidan

Djupinlärning för övervakning av skogsbränders utveckling med hjälp av tidsserier av SAR- och optiska satellittidsserier

Tid: Ti 2021-06-15 kl 14.30

Plats: Videolänk:https://kth-se.zoom.us/j/65483992232, Du som saknar dator /datorvana kontakta yifang@kth.se / Use the e-mail address if you need technical assistance, Stockholm (English)

Ämnesområde: Geodesi och geoinformatik, Geoinformatik

Respondent: Puzhao Zhang , Geoinformatik

Opponent: Professor Lorenzo Burzzone, University of Trento

Handledare: Professor Yifang Ban, Geoinformatik

Exportera till kalender

Abstract

Skogsbränder har funnits tillsammans med mänskliga samhällen i mer än350 miljoner år och har alltid spelat en viktig roll när det gäller att påverkajordens yta och klimat. Över hela världen blir skogsbränderna allt större, vanligareoch mer långvariga, och tenderar att bli mer destruktiva både när detgäller förlorade liv och ekonomiska kostnader, på grund av klimatförändringaroch mänsklig verksamhet. För att minska skadorna från sådana destruktivaskogsbränder är det viktigt att spåra utvecklingen av skogsbränder i nära realtid,eller till och med i realtid. Satellitbaserad fjärranalys gör det möjligtatt kostnadseffektivt, exakt och i rätt tid övervaka hur skogsbränder utvecklasöver stora geografiska områden. Den fria tillgången till data från Landsat-8och Sentinel-1/-2 som täcker hela världen öppnar en ny era för global övervakningav markytan och ger möjlighet att analysera effekterna av skogsbränderrunt om i världen. Framstegen inom både molntjänster och djupinlärning gördet möjligt att automatiskt tolkningen av rumslig och tidsmässig stora datafrån fjärranalys i stor skala.

Det övergripande målet med denna avhandling är att undersöka potentialenhos moderna jordobservationsdata med medelhög upplösning, särskiltSentinel-1 C-bands syntetisk aperturradar (SAR), för övervakning av skogsbränderoch att utveckla operativa och effektiva metoder för tillämpningar iverkligheten. I denna avhandling analyseras systematiskt den fysiska grundenför jordobservationsdata för tillämpningar vid skogsbränder, och de tillgängligametoderna för kartläggning av brända områden vid skogsbrändergranskas kritiskt med avseende på satellitdata, t.ex. SAR, optisk och SARoptiskfusion. Med hänsyn till dess stora förmåga att lära sig användbararepresentationer används djup inlärning som huvudverktyg för att extraheraförändringar orsakade av skogsbränder från tidsserier av SAR- och optiskabilder. På regional nivå har följande fyra grundläggande studier genomförts idenna avhandling, som kan ha potential att ytterligare bana väg för att uppnåmer omfattande eller till och med globala tillämpningar för övervakningav skogsbränder.

För att undvika manuellt urval av tidsmässiga index och för att belysaförändringar i brända områden som orsakats av skogsbränder, föreslog vi ettimplicit radarkonvolutionellt brännindex (RCBI), med vilket vi utvärderaderollerna för Sentinel-1 C-Band SAR-intensitet och fas i SAR-baserad kartläggningav brända områden. De experimentella resultaten visar att RCBI äreffektivare än den konventionella metoden med logförhållandedifferentieringnär det gäller att upptäcka brända områden. Även om VV-intensiteten i sigkan ge dåliga resultat kan noggrannheten förbättras avsevärt när fasinformationintegreras med hjälp av interferometrisk SAR (InSAR). Å andra sidanvisar VV-intensitet också potential att förbättra VH-intensitetsbaseradedetektionsresultat med RCBI. Genom att utnyttja VH- och VV-intensitettillsammans uppnådde den föreslagna RCBI en övergripande kartläggningsnoggrannhetpå 94,68

När det gäller scenariot för tillämpning i nära realtid undersökte och demonstrerade vi den potentiella Sentinel-1 SAR-tidsserien för övervakning av skogsbränders utveckling med hjälp av Convolutional Neural Networks(CNN). I den här studien utnyttjades de tillgängliga SAR-tidsserierna fråntiden före branden för att beräkna tidsmässigt medelvärde och standardavvikelseför att karaktärisera SAR-bakspridningsbeteenden över tiden och belysaförändringarna med kMap. CNN, som tränades med binäriserade kMaptidsserierpå ett progressivt sätt, visade god förmåga att upptäcka brändaområden i samband med skogsbränder och att fånga upp tidsmässiga förändringar,vilket visades på tre stora och påverkanfulla skogsbränder med olikatopografiska förhållanden. Jämfört med pseudomaskerna (binäriserad kMap)gav CNN-baserade ramverk en förbättring av F1-poängen med 0,18 för CampFire 2018 och 0,23 för Chuckegg Creek Fire 2019. De experimentella resultatenvisade att rymdburna SAR-tidsserier med djupinlärning kan spela en viktigroll för övervakning av vilda bränder i nära realtid när data blir tillgängligamed dagliga och timvisa intervaller.

För kontinuerlig kartläggning av skogsbränders utveckling föreslog vi ettnytt ramverk för inlärning av U-Net utan att glömma i nära realtid. Genomatt införa en begränsning av den tidsmässiga konsistensen för nätverksresponsengör inlärning utan glömska (LwF) det möjligt för U-Net att lära sig nyafunktioner för att bättre hantera ny inkommande data och samtidigt behållasina befintliga funktioner som man lärt sig tidigare. Till skillnad från kontinuerliggemensam träning (CJT) med alla tillgängliga historiska data gör LwFatt inlärningen av U-Net inte längre är beroende av historiska träningsdata.För att förbättra kvaliteten på SAR-baserade pseudoprogressionsmaskerackumulerade vi de brända områden som upptäcktes med optiska data somförvärvades före SAR-observationerna. De experimentella resultaten visadeatt LwF har potential att matcha CJT när det gäller överensstämmelsen mellanSAR-baserade resultat och optisk-baserad grundsanning, och uppnådde enF1-poäng på 0,8423 för Sydneybranden (2019-2020) och 0,7807 för ChuckeggCreek-branden (2019). Vi fann också att SAR:s korspolarisationsförhållande(VH/VV) kan vara mycket användbart för att lyfta fram brända områden närVH och VV har olika tidsmässiga förändringsbeteenden.

SAR-baserad förändringsdetektering lider ofta av variabiliteten hos detomgivande bakgrundsbruset, vi föreslog en Total Variation (TV)-reglerad UNet-modell för att lindra inflytandet av SAR-baserade bullriga masker. Medtanke på den lilla storleken på märkta uppgifter om skogsbränder användesöverföringsinlärning för att finjustera U-Net från förtränade vikter baseradepå tidigare uppgifter om skogsbränder. Vi kvantifierade effekternaav TV-regularisering för att öka konnektiviteten hos SAR-baserade områdenoch fann att TV-regulariserade U-Net kan öka noggrannheten i kartläggningenav brända områden avsevärt, vilket ger en förbättring på 0,0338i F1-poäng och 0,0386 i IoU-poäng på valideringsuppsättningen. Med TVregulariseringuppnådde U-Net som tränats med brusiga SAR-masker denhögsta F1- (0,6904) och IoU- (0,5295), medan U-Net som tränats med optiskreferensmask uppnådde den högsta F1- (0,7529) och IoU- (0,6054) poängenutan TV-regularisering. Vid tillämpning på kartläggning av skogsbrandsutvecklingfungerade TV-regulariserad U-Net också betydligt bättre än vanillaU-Net med övervakning av bullriga SAR-baserade masker, visuellt jämförbara med optiska maskbaserade resultat.

På regional nivå visade vi effektiviteten av djupinlärning på SAR-baseradoch SAR-optisk fusionsbaserad kartläggning av skogsbrandsutveckling. Föratt skala upp modeller för djupinlärning och göra dem globalt tillämpbarabehövs storskaliga globalt distribuerade data. Med tanke på bristen på märktadata inom fjärranalysområdet kommer svagt/självövervakad inlärning attvara vår huvudsakliga forskningsinriktning inom den närmaste framtiden.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-295725