مقایسه روش های مختلف شناسایی مناطق سوخته با بکارگیری شاخص های طیفی و تصاویر ماهواره ای سنتینل-۲: آماری، یادگیری ماشین و یادگیری عمیق (مطالعه موردی آتش سوزی Kenneth) در لس آنجلس

پیشینه و اهداف: آتش سوزی های گسترده جنگلی با تخریب پوشش گیاهی، تشدید ناپایداری خاک و تغییر کارکرد زیست بوم ها، به یکی از جدی ترین چالش های محیطی عصر حاضر تبدیل شده اند و شناسایی دقیق نواحی سوخته پس از حریق، پیش نیاز ارزیابی خسارت، برنامه ریزی احیا و مدیریت خطر است. داده های اپتیکی ماهواره ای، به ویژه تصاویر سنتینل-۲، همراه با شاخص های طیفی پرکاربرد، ابزار قدرتمندی برای نقشه برداری مناطق سوخته فراهم می کنند، اما کارایی آن ها به انتخاب مناسب شاخص ها و مدل های طبقه بندی وابسته است. هدف این پژوهش، ارزیابی و مقایسه کارایی یک روش آماری کلاسیک، سه الگوریتم یادگیری ماشین و دو معماری یادگیری عمیق در تشخیص نواحی سوخته، بر پایه ترکیب باندهای سنتینل-۲ و شاخص های طیفی، در آتش سوزی جنگلی Kenneth  در لس آنجلس است.روش ها : 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) به همراه پنج شاخص طیفی پرکاربرد مرتبط با سوختگی، پوشش گیاهی و رطوبت استخراج شد و یک تصویر ۱۵ متغیره به عنوان ورودی مدل ها تشکیل گردید. داده های مرجع دودویی سوخته و نسوخته از پایگاه رسمی ثبت آتش سوزی ها برداشت شد و نمونه ها به صورت تصادفی انتخاب و به دو زیرمجموعه آموزشی (۷۰ درصد) و آزمایشی (۳۰ درصد) تفکیک شدند. تمامی ویژگی ها با روش نرمال سازی خطی مقیاس بندی 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 مدل ها بر اساس ماتریس درهم ریختگی و شاخص هایی نظیر Accuracy، Precision، Recall، F۱-score و IoU انجام گرفت و اهمیت نسبی باندها و شاخص ها در هر مدل نیز محاسبه شد.یافته ها: نتایج این پژوهش نشان داد تمامی مدل ها قادر به تفکیک الگوی کلی سوختگی از پس زمینه 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 به دست آورد، به دلیل مقدار بالای طبقه بندی نادرست پیکسل های نسوخته به عنوان سوخته و تولید لکه های پراکنده در حاشیه ناحیه سوخته، کمترین قابلیت اعتماد را ارائه نمود. در میان الگوریتم های یادگیری ماشین، RF بهترین عملکرد را داشت؛ به گونه ای که با Accuracy حدود ۹۹٫۶۷ درصد، F۱-score نزدیک به ۹۷ درصد و بیشترین IoU، کمترین میزان خطا در تشخیص پیکسل های سوخته و نسوخته (FP و FN) را ثبت نمود. SVM نیز با F۱-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، به سبب حساسیت به نمونه های دشوار، میزان بالاتری از عدم شناسایی پیکسل های سوخته را ایجاد کرد. دو مدل یادگیری عمیق، یعنی CNN و MLP، نقشه هایی پیوسته و کم نویز تولید نمودند و از نظر Accuracy ، F۱-score و IoU نتایجی بسیار نزدیک به RF به دست آوردند. تحلیل اهمیت ویژگی ها نشان داد باندهای فروسرخ موج کوتاه (SWIR-۱,۲) و شاخص های مرتبط با سوختگی و پوشش گیاهی، به ویژه شاخص های NBR، NDVI و SAVI، بیشترین سهم را در تصمیم گیری مدل ها داشته اند و باندهای ناحیه مرئی نقش فرعی تری ایفا کرده اند.نتیجه گیری: برآیند نتایج نشان می دهد که ادغام باندهای فروسرخ سنتینل-۲ با شاخص های پوشش گیاهی و رطوبتی، در ترکیب با مدل های یادگیری ماشین و یادگیری عمیق، چارچوبی دقیق و قابل اتکا برای پایش پساحریق و نقشه برداری نواحی سوخته در چشم اندازهای ناهمگن فراهم می کند. در این میان، RF و سپس مدل­های CNN و MLP، به عنوان گزینه های بهینه برای پیاده سازی عملی پیشنهاد می شوند، در حالی که روش آماری MLE و الگوریتم Adaboost بیشتر به عنوان خطوط پایه مقایسه قابل استفاده اند. از مهم ترین محدودیت های مطالعه حاضر می توان به تکیه بر یک رویداد آتش سوزی و استفاده از داده تک زمانه پساحریق اشاره کرد؛ بنابراین، تعمیم مدل به آتش سوزی ها، تیپ های پوشش گیاهی و شرایط توپوگرافی متنوع تر، همراه با بهره گیری از داده های چندزمانه و ادغام سنجنده های راداری و ارتفاعی، به عنوان مسیرهای اصلی پژوهش های آینده پیشنهاد می شود. نتایج این تحقیق می تواند در طراحی سامانه های عملیاتی پایش آتش سوزی، اولویت بندی مناطق احیا و برنامه ریزی پایدار منابع طبیعی در مناطق مستعد حریق مورد استفاده قرار گیرد.

کلیدواژه ها:

سنجش ازدور ، آتش سوزی ، تصاویر سنتینل-۲ ، یادگیری عمیق ، یادگیری ماشین ، شاخص طیفی