Core Concepts
Eine tiefe Lernpipeline zur Vorhersage von Waldbränden am nächsten Tag, die das Problem als semantische Segmentierungsaufgabe auf Bildern formuliert.
Abstract
Die Autoren präsentieren eine tiefe Lernpipeline zur Vorhersage von Waldbränden am nächsten Tag. Im Gegensatz zu früheren Arbeiten, die das Problem als binäre Klassifizierungsaufgabe auf tabellarischen Daten behandelten, formulieren sie es hier als semantische Segmentierungsaufgabe auf Bildern.
Zunächst extrahieren sie aus verschiedenen Datenquellen 62 brandrelevante Merkmale. Diese werden dann in ein Bilddatensatz-Format überführt, bei dem jeder Pixel eines Bildes einem Gebietselement (Zelle) entspricht und die Kanäle die Merkmale repräsentieren.
Für das Training und die Modellauswahl verwenden sie eine U-Net-Architektur in einem Kreuzvalidierungsverfahren. Dabei berücksichtigen sie die Klassenungleichgewichte durch Überabtastung der Brandklasse und gewichtete Verlustfunktionen.
Die Ergebnisse auf Testdatensätzen, die die reale Klassenverteilung beibehalten, zeigen, dass der vorgeschlagene Ansatz die Leistung früherer Methoden deutlich übertrifft. Die Modelle erreichen eine hohe Sensitivität (Recall der Brandklasse) bei gleichzeitig akzeptabler Spezifität (Recall der Nicht-Brandklasse), was den Anforderungen an eine operative Waldbrandvorhersage entspricht.
Stats
Die Verteilung von Brand- und Nicht-Brand-Instanzen in den Datensätzen ist extrem unausgewogen, mit einem Verhältnis von etwa 1:100.000.
Quotes
Keine relevanten Zitate identifiziert.