South Florida Journal of Environmental and Animal Science·10月22日 · 周四论文农业遥感与作物表型阅读 0
Development of a machine learning model to identify areas affected by wildfires
Francisco Hugo César Pereira Vale · Murilo Perazzo Barbosa Souto · Normando Perazzo Barbosa Souto
论文解读
52未达精选线
速览
用CNN从图像中识别野火影响区域，验证集和测试集准确率达85%。
方法
Kaggle图像数据集，OpenCV预处理，TensorFlow/Keras训练
发现
模型泛化能力良好，类别1召回率99%，但类别0召回率仅67%，需类别平衡优化。
机会点
可将该CNN方法迁移至农田火烧迹地识别与碳损失估算，结合类别平衡和多光谱数据提升精度。
影响力8
信息增量16
专业深度14
信源权威6
时效性8
用CNN识别野火影响区的应用型论文，方法常规、数据规模小，与农业信息化的关联偏间接，不足以进入每日精选。
原文摘要
野火和森林砍伐向大气中释放大量碳，加剧温室效应和气候变化，因此有必要对受影响区域进行快速监测。本研究旨在利用计算机视觉和卷积神经网络（convolutional neural networks, CNNs）对图像中的野火区域进行分类，为构建能够估算绿地潜在损失的系统奠定基础。方法采用Kaggle的图像数据集，使用OpenCV读取图像，将其调整为32×32像素，并归一化至[0,1]范围。CNN使用TensorFlow/Keras训练，最多20个epoch，批大小为64，并采用早停法，使用Scikit-learn的精确率、召回率和F1分数进行评估。模型在训练集上达到83%的准确率，在验证集和测试集上达到85%。类别0的精确率为98%，召回率为67%，而类别1的召回率达到99%，表明具有良好的泛化能力。结论认为，该方法在环境监测方面具有前景，尽管类别平衡和超参数调优等调整可能在未来研究中改善性能。