سنجش از دور
مهدی حسنلو؛ زهره رودسرابی؛ پروین حسن تیموری
چکیده
پیشینه و اهداف: آتشسوزیهای گسترده جنگلی با تخریب پوشش گیاهی، تشدید ناپایداری خاک و تغییر کارکرد زیستبومها، به یکی از جدیترین چالشهای محیطی عصر حاضر تبدیل شدهاند و شناسایی دقیق نواحی سوخته پس از حریق، پیشنیاز ارزیابی خسارت، برنامهریزی احیا و مدیریت خطر است. دادههای اپتیکی ماهوارهای، بهویژه تصاویر سنتینل-۲، همراه ...
بیشتر
پیشینه و اهداف: آتشسوزیهای گسترده جنگلی با تخریب پوشش گیاهی، تشدید ناپایداری خاک و تغییر کارکرد زیستبومها، به یکی از جدیترین چالشهای محیطی عصر حاضر تبدیل شدهاند و شناسایی دقیق نواحی سوخته پس از حریق، پیشنیاز ارزیابی خسارت، برنامهریزی احیا و مدیریت خطر است. دادههای اپتیکی ماهوارهای، بهویژه تصاویر سنتینل-۲، همراه با شاخصهای طیفی پرکاربرد، ابزار قدرتمندی برای نقشهبرداری مناطق سوخته فراهم میکنند، اما کارایی آنها به انتخاب مناسب شاخصها و مدلهای طبقهبندی وابسته است. هدف این پژوهش، ارزیابی و مقایسه کارایى یک روش آماری کلاسیک، سه الگوریتم یادگیری ماشین و دو معماری یادگیری عمیق در تشخیص نواحی سوخته، بر پایه ترکیب باندهای سنتینل-۲ و شاخصهای طیفی، در آتشسوزی جنگلی Kenneth در لسآنجلس است.روشها: در این پژوهش، پس از انتخاب تصویر پساحریق سنتینل-۲ و اعمال ماسک ابر، هشت باند طیفی اصلی (شامل باندهای مرئی، فروسرخ نزدیک، لبه قرمز و فروسرخ موج کوتاه) بههمراه پنج شاخص طیفی پرکاربرد مرتبط با سوختگی، پوشش گیاهی و رطوبت استخراج شد و یک تصویر ۱۵ متغیره بهعنوان ورودی مدلها تشکیل گردید. دادههای مرجع دودویی سوخته و نسوخته از پایگاه رسمی ثبت آتشسوزیها برداشت شد و نمونهها بهصورت تصادفی انتخاب و به دو زیرمجموعه آموزشی (۷۰ درصد) و آزمایشی (۳۰ درصد) تفکیک شدند. تمامی ویژگیها با روش نرمالسازی خطی مقیاسبندی شدند. در ادامه، یک روش آماری مبتنی بر بیشینه شباهت (MLE)، سه الگوریتم یادگیری ماشین شامل تقویت تطبیقی (Adaboost)، جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) و دو مدل یادگیری عمیق شامل شبکه عصبی کانولوشنی (CNN) و شبکه پرسپترون چندلایه (MLP) آموزش داده شد. ارزیابی مدلها بر اساس ماتریس درهمریختگی و شاخصهایی نظیر Accuracy، Precision، Recall، F1-score و IoU انجام گرفت و اهمیت نسبی باندها و شاخصها در هر مدل نیز محاسبه شد.یافتهها: نتایج این پژوهش نشان داد تمامی مدلها قادر به تفکیک الگوی کلی سوختگی از پسزمینه نسوخته بودند، اما در دقت عددی و نویز مکانی اختلاف قابل توجهی داشتند. روش آماری مبتنی بر MLE، اگرچه دقتی نزدیک به ۹۸ درصد را بهدست آورد، بهدلیل مقدار بالای طبقهبندی نادرست پیکسلهای نسوخته بهعنوان سوخته و تولید لکههای پراکنده در حاشیه ناحیه سوخته، کمترین قابلیت اعتماد را ارائه نمود. در میان الگوریتمهای یادگیری ماشین، RF بهترین عملکرد را داشت؛ بهگونهای که با Accuracy حدود ۹۹٫۶۷ درصد، F1-score نزدیک به ۹۷ درصد و بیشترین IoU، کمترین میزان خطا در تشخیص پیکسلهای سوخته و نسوخته (FP و FN) را ثبت نمود. SVM نیز با F1-score بیش از ۹۶ درصد عملکردی پایدار نشان داد، هرچند نسبت به RF تا حدی خطای بیشتری در مرزهای لکه سوختگی داشت. الگوریتم Adaboost، با وجود بهبود محسوس نسبت به روش آماری، بهسبب حساسیت به نمونههای دشوار، میزان بالاتری از عدم شناسایی پیکسلهای سوخته را ایجاد کرد. دو مدل یادگیری عمیق، یعنی CNN و MLP، نقشههایی پیوسته و کمنویز تولید نمودند و از نظر Accuracy ، F1-score و IoU نتایجی بسیار نزدیک به RF بهدست آوردند. تحلیل اهمیت ویژگیها نشان داد باندهای فروسرخ موج کوتاه (SWIR-1,2) و شاخصهای مرتبط با سوختگی و پوشش گیاهی، بهویژه شاخصهای NBR، NDVI و SAVI، بیشترین سهم را در تصمیمگیری مدلها داشتهاند و باندهای ناحیه مرئی نقش فرعیتری ایفا کردهاند.نتیجهگیری: برآیند نتایج نشان میدهد که ادغام باندهای فروسرخ سنتینل-۲ با شاخصهای پوشش گیاهی و رطوبتی، در ترکیب با مدلهای یادگیری ماشین و یادگیری عمیق، چارچوبی دقیق و قابل اتکا برای پایش پساحریق و نقشهبرداری نواحی سوخته در چشماندازهای ناهمگن فراهم میکند. در این میان، RF و سپس مدلهای CNN و MLP، بهعنوان گزینههای بهینه برای پیادهسازی عملی پیشنهاد میشوند، در حالی که روش آماری MLE و الگوریتم Adaboost بیشتر بهعنوان خطوط پایه مقایسه قابل استفادهاند. از مهمترین محدودیتهای مطالعه حاضر میتوان به تکیه بر یک رویداد آتشسوزی و استفاده از داده تکزمانه پساحریق اشاره کرد؛ بنابراین، تعمیم مدل به آتشسوزیها، تیپهای پوشش گیاهی و شرایط توپوگرافی متنوعتر، همراه با بهرهگیری از دادههای چندزمانه و ادغام سنجندههای راداری و ارتفاعی، بهعنوان مسیرهای اصلی پژوهشهای آینده پیشنهاد میشود. نتایج این تحقیق میتواند در طراحی سامانههای عملیاتی پایش آتشسوزی، اولویتبندی مناطق احیا و برنامهریزی پایدار منابع طبیعی در مناطق مستعد حریق مورد استفاده قرار گیرد.
