检索结果-内蒙古大学图书馆

遥感技术与应用 2024年第5期39卷 1261-1270页

作者：冯俊辰董昊韩鹏李远斌刘靖宇丁云鸿哈尔滨师范大学计算机科学与信息工程学院黑龙江哈尔滨150025

在林火救援中,根据火灾早期阶段预测最终燃烧面积,可有效指导火灾救援。然而,以往研究采用归一化差值植被指数(Normalized Difference Vegetation Index,NDVI)作为输入指标,其对土壤反射率敏感,数据噪声大。因此两波段增强植被指数(Two-... 详细信息

在林火救援中,根据火灾早期阶段预测最终燃烧面积,可有效指导火灾救援。然而,以往研究采用归一化差值植被指数(Normalized Difference Vegetation Index,NDVI)作为输入指标,其对土壤反射率敏感,数据噪声大。因此两波段增强植被指数(Two-band Enhanced Vegetation Index,EVI2)被使用以准确预测野火过火面积。此外,针对单一机器学习预测算法抗干扰能力差的问题,一种基于堆叠泛化(Stacking)集成学习的Stacking-XRSK模型被提出。结果表明:使用EVI2使模型R^(2)较NDVI提高6.05%,MAE和MSE分别降低0.88%和0.41%。相比于单一模型,使用Stacking-XRSK模型的R^(2)最高,高出范围在2.8%~11.06%之间,MAE、MSE和AOC最低。验证了利用EVI2代替NDVI预测火烧迹地面积的可行性和准确性,同时表明Stacking模型能在充分发挥单一基模型优势的基础上提高模型的泛化能力,为森林火灾安全管理与及时扑救提供科学的参考。

关键词：森林火烧迹地面积两波段增强植被指数预测模型集成学习机器学习

来源：评论

学校读者我要写书评

暂无评论

基于机器学习的野火检测模型的分析与研究

基于机器学习的野火检测模型的分析与研究

引用

作者：冯俊辰哈尔滨师范大学

学位级别：硕士

森林火灾破坏森林资源,对生命财产和生态环境造成严重损失。在火灾救援中,根据火灾早期阶段预测最终燃烧面积,可有效指导火灾救援,降低野火造成的损失。森林火灾受到包括气象因素、地形因素、植被因素和人为因素等多种因子的综合影响,... 详细信息

森林火灾破坏森林资源,对生命财产和生态环境造成严重损失。在火灾救援中,根据火灾早期阶段预测最终燃烧面积,可有效指导火灾救援,降低野火造成的损失。森林火灾受到包括气象因素、地形因素、植被因素和人为因素等多种因子的综合影响,现有考虑植被因子对林火的影响的研究大多使用归一化差值植被指数（Normalized Difference Vegetation Index,NDVI）,其次大多数研究使用单一机器学习算法模型预测林火过火面积。为避免NDVI对土壤反射率和大气扰动敏感、噪声大的缺点,解决单一机器学习模型抗干扰能力弱、泛化能力差的问题,更准确预测林火过火面积,本文提出了使用新的植被指数预测过火面积,并构建了基于集成学习算法的模型对森林火烧迹地面积进行预测。本文主要研究内容和研究成果如下:（1）基于MODIS传感器（500分辨率）收集的MCD64A1第6版燃烧区数据产品,采集澳大利亚东部昆士兰州、新南威尔士州和维多利亚州2011至2016年的历史火点。同时手动检索了研究区域内遥感影像、气象信息、植被指数等多种影响因素;引入人为因素的影响,将其量化为距离道路的距离,并与气象数据、地形数据和植被数据共同构建本文数据集。（2）本文详细分析了昆士兰州、新南威尔士州和维多利亚州2011至2016年森林火灾的时空分布特征和火烧迹地面积的时空分布特征。分别包括林火和火烧迹地面积的年度变化分析、月度变化分析、季度变化分析和空间特征分布。（3）以往研究大多使用归一化差值植被指数NDVI作为预测林火过火面积的重要指标,但NDVI对土壤反射率很敏感,数据噪声大,对过火面积预测存在干扰。因此本文使用一种新的林火影响因子——两波段增强植被指数（Two-band Enhanced Vegetation Index,EVI2）预测野火规模,相比NDVI,该指数能有效避免土壤反射率影响、冠层背景干扰以及大气的扰动,进而提高林火预测模型的精度。结果显示,使用EVI2预测林火规模的R2相较于NDVI提高了6.05%,且MAE和MSE都有所降低,表明使用EVI2能更准确地预测林火规模,模型性能显著提高。（4）现有研究大多为单一机器学习预测算法,单一算法抗干扰能力低,鲁棒性不强,为此构建基于堆叠泛化集成学习的Stacking-XRSK模型预测森林火灾过火面积。该模型利用Stacking算法的思想,通过融合多个单一模型提高模型的预测性能。Stacking-XRSK模型将极端梯度提升树（XGBoost）、随机森林（RF）、支持向量回归（SVR）和K最邻近（KNN）等四个结构差异较大的模型作为第一层学习器并采用5折交叉验证方法训练模型;将逻辑回归（LR）模型作为第二层学习器以减轻Stacking模型学习过程中的过拟合现象。Stacking-XRSK模型能在充分发挥单一基模型的基础上,提高模型的泛化能力克服单一模型准确率低的缺陷。结果显示,相比于单一模型,使用Stacking-XRSK模型预测的R2最高,且MAE、MSE和AOC最低。

关键词：森林火烧迹地面积两波段增强植被指数预测模型集成学习机器学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：