پایش هوشمند آتش سوزی های جنگلی با بهره گیری از یادگیری عمیق و تصاویر سنجش از دور: رویکردی با قابلیت تعمیم به جنگل های شمالی ایران

زمینه و هدف: آتش سوزی های طبیعی به عنوان یکی از بحران های محیط زیستی، نیازمند شناسایی سریع و پایش لحظه ای برای کاهش خسارات و مدیریت بحران هستند. در این پژوهش، هدف اصلی توسعه یک مدل یادگیری عمیق برای شناسایی و استخراج مختصات جغرافیایی مناطق آتش سوزی با استفاده از تصاویر ماهواره ای سنتینل ۲ است. این مدل قادر خواهد بود نواحی درگیر آتش سوزی را با دقت بالا شناسایی کرده و به مدیریت بحران کمک کند. به ویژه، با افزودن قابلیت بلادرنگ به این مدل، می توان به طور موثری توانمندی های بخش مدیریت بحران را تقویت کرد، به گونه ای که مسئولین می توانند به سرعت مناطق آتش سوزی را شناسایی و برای اقدام های فوری برنامه ریزی کنند. روش بررسی: برای آموزش مدل یادگیری عمیق، یک مجموعه داده شامل تصاویر سنجش از دوری سنتینل ۲ تهیه شد که شامل مناطق آتش سوزی و همچنین نواحی غیرآتش سوزی (به عنوان داده های منفی) بود. این رویکرد کمک می کند تا مدل قادر به تمایز دقیق تری بین مناطق آتش سوزی و دیگر نواحی باشد و در نتیجه خطای شناسایی کاهش یابد. مدل یادگیری عمیق توسعه یافته از معماری YOLO v۸ استفاده می کند. پس از آموزش مدل بر اساس این داده ها، با استفاده از تصاویر سنتینل ۲، مدل محدوده های آتش سوزی را شناسایی کرده و مختصات جغرافیایی دقیق آن ها را استخراج کرد. معیارهای ارزیابی مدل شامل دقت (Precision)، یادآوری (Recall)، میانگین دقت (mAP) در بازه ۰.۵ تا ۰.۹۵ (mAP۵۰-۹۵) و میانگین دقت در آستانه ۰.۵ (mAP۵۰) بودند که در ۱۰۰ اپک مورد بررسی قرار گرفت. یافته ها: نتایج نشان دادند که مدل پیشنهادی با دقت ۹۱.۱۳%، یادآوری ۹۰.۴۹%، mAP۵۰ برابر با ۹۲.۰۲% و mAP۵۰-۹۵ برابر با ۹۰.۱۷% توانایی بالایی در شناسایی مناطق آتش سوزی و استخراج مختصات جغرافیایی دقیق آن ها دارد. خروجی های مدل در نرم افزار ArcGIS Pro نمایش داده شدند تا قابلیت مکانی آن ها تایید شود. بحث و نتیجه گیری: مدل یادگیری عمیق توسعه یافته قابلیت پایش هوشمند مناطق مختلف بویژه مناطق جنگلی را داراست. اشاره به این نکته ضروری است که محدودیت های استفاده بلادرنگ از مدل شامل هزینه های بالای دسترسی به پایگاه های داده ماهواره ای مانند Sentinel Hub است که ممکن است برای بسیاری از کاربران دشوار باشد. همچنین، داده های بلادرنگ معمولا با تاخیر مواجه هستند و مشکلاتی نظیر محدودیت پهنای باند و تاخیر در انتقال داده ها ممکن است دقت مدل را کاهش دهد. شرایط جوی نامناسب و شب نیز کیفیت داده ها را تحت تاثیر قرار می دهند. برای غلبه بر این چالش ها، استفاده از منابع داده رایگان و ترکیب داده ها از سنجنده های مختلف پیشنهاد می شود. افزایش تعداد ماهواره های ملی در ایران می تواند به کاهش هزینه ها و وابستگی به منابع خارجی کمک کند.

کلیدواژه ها:

یادگیری عمیق ، سنجش از دور ، آتش سوزی جنگلی ، پایش خودکار ، مدیریت بحران