Новое исследование представляет прорыв в обнаружении лесных пожаров, несмотря на изменения окружающей среды

Разработана технология, объединяющая спутниковые данные и данные численных моделей для обнаружения лесных пожаров, что предлагает более комплексный и адаптируемый подход к мониторингу и реагированию на них. Это инновационное решение, созданное профессором Джунхо Имом и его командой из Университета науки и технологий Ульсана (UNIST), может значительно минимизировать ущерб от средних и крупных лесных пожаров.

Традиционные системы обнаружения пожаров более двух десятилетий полагались исключительно на спутниковые данные. Однако исследовательская группа под руководством профессора Има стремилась усовершенствовать существующий подход, интегрировав данные численных моделей, используемых в прогнозировании погоды. Объединив различные данные, включая относительную влажность, температуру поверхности и угол спутникового наблюдения, команда разработала модель глубокого обучения с двухмодульной структурой сверточной нейронной сети (DM CNN) для независимого извлечения и комбинирования спутниковых данных и данных численных моделей.

Разработанная технология была сравнена с широко используемыми системами обнаружения, такими как MODIS/VIIRS, AHI и AMI. Существующие методы с трудом точно обнаруживают лесные пожары из-за смешанных сигналов, вызванных такими факторами, как влажность и положение солнца. В отличие от них, модель, разработанная командой профессора Има, учитывает множество переменных одновременно, что даёт значительное преимущество в сохранении точности обнаружения, несмотря на изменения в окружающей среде.

Для проверки производительности технологии в различных условиях окружающей среды были проведены эксперименты в реальных условиях. Результаты показали, что разработанная модель превзошла существующие методы обнаружения, продемонстрировав свою способность более точно определять местоположение пожаров. Хотя разрешение спутника ниже по сравнению с технологиями узкоугольного обнаружения, более широкий пространственный охват модели (4 км²) компенсирует это за счёт более высокой точности.

«Это исследование максимизирует преимущества глубокого обучения, позволяя конвергировать гетерогенные данные с разнообразными характеристиками», — заявил профессор Им. «Оно представляет собой значительное достижение в предложении нового направления для глобальной технологии обнаружения лесных пожаров».

Работа опубликована в журнале Remote Sensing of Environment.