Η τηλεπισκόπηση συναντά τη "βαθιά μάθηση": Αξιοποίηση δορυφορικών εικόνων για την έγκαιρη ανίχνευση δασικών πυρκαγιών
Από RemoteSensing Wiki
| Γραμμή 6: | Γραμμή 6: | ||
| - | + | ||
| - | + | Scientific production and competences > I&C - School of Computer and Communication Sciences > IINFCOM > LSIR - Distributed Information Systems Laboratory | |
Πηγή: [ https://infoscience.epfl.ch/record/270339] | Πηγή: [ https://infoscience.epfl.ch/record/270339] | ||
Παρούσα αναθεώρηση της 21:12, 14 Φεβρουαρίου 2020
'Η τηλεπισκόπηση συναντά τη "βαθιά μάθηση": Αξιοποίηση δορυφορικών εικόνων για την έγκαιρη ανίχνευση δασικών πυρκαγιών
Remote Sensing meets Deep Learning: Exploiting Spatio-Temporal-Spectral Satellite Images for Early Wildfire Detection
Συγγραφείς: Phan Thanh Cong, Nguyen Thanh Tam
Scientific production and competences > I&C - School of Computer and Communication Sciences > IINFCOM > LSIR - Distributed Information Systems Laboratory
Πηγή: [ https://infoscience.epfl.ch/record/270339]
Λέξεις κλειδιά: δασικές πυρκαγιές, βαθιά μάθηση, υπερτροφοδότηση, τρισδιάστατη συνέλιξη, 3D convolution
Είναι κοινώς αποδεκτό ότι οι δασικές πυρκαγιές προκαλούν ζημία τόσο στο φυσικό περιβάλλον όσο και στην κοινωνία και την οικονομία. Στόχος αυτής της μελέτης είναι η ανάπτυξη ενός συστήματος το οποίο θα ανιχνεύει την έναρξη πυρκαγιών σε πρώιμο στάδιο. Οι σημερινές μέθοδοι δεν έχουν πετύχει ακριβείς & ανταγωνιστικές μετρήσεις και δεν έχουν έγκαιρες προβλέψεις, σε αντίθεση με την προτεινόμενη η οποία για πρώτη φορά συνδυάζει τη "βαθιά μάθηση" και την ανάλυση ψηφιακών εικόνων σε επίπεδο pixel, από δορυφόρους 24ωρης κάλυψης. Τα βασικά προβλήματα που προέκυψαν στην έρευνα είναι η παρουσία νεφοκάλυψης και η διαφορετικές συνθήκες φωτεινότητας στις πολυφασματικές εικόνες. Ακόμα, σημειώθηκε αυξημένη παρουσία "θορύβου" σε διάφορα κανάλια των δορυφορικών δεδομένων, η οποία δυσχεραίνει την παρακολούθηση της εξέλιξης των δασικών πυρκαγιών. Οι βασικοί άξονες της μελέτης είναι η δημιουργία ενός streaming data processing pipeline (επεξεργασία δεδομένων συνεχούς ροής), η πρόταση ενός μοντέλου πρώιμης πρόβλεψης πυρκαγιών και η ανάπτυξη μιας μεθόδου απεικόνισης των δεδομένων. Η μεθοδολογία που ακολουθήθηκε, όπως περιγράφεται στην εικόνα 1, αποτελείται από τρία βασικά στάδια που αποτελούν και την βασική επιστημονική συνεισφορά της έρευνας: 1.Συνεχής συλλογή δεδομένων από τους δορυφόρους, η επεξεργασία τους. 2.Στη συνέχεια, τα καθαρισμένα, ταξινομημένα και ευθυγραμμισμένα δορυφορικά δεδομένα επεξεργάζονται από ένα δίκτυο "βαθιάς εκμάθησης", για την ανάπτυξη ενός μοντέλου που θα επιτρέψει την αποτελεσματική ανίχνευση και τον εντοπισμό εστίας πυρκαγιάς σε επίπεδο pixel. 3.Τέλος, όλα τα δεδομένα απεικονίζονται, ολοκληρώνοντας έτσι ένα αυτόνομο και έξυπνο σύστημα ανίχνευσης δασικών πυρκαγιών.
Είναι πολύ σημαντικό να μελετηθούν οι μεταβολές της κάλυψης του εδάφους καθώς επιφέρουν μεγάλες επιπτώσεις στη λεκάνη απορροής αφού επηρεάζουν φυσικές διαδικασίες όπως η διείσδυση, η απορροή και η παροχέτευση υδάτων στους υπόγειους σχηματισμούς. Από τους παραγόμενους χάρτες για τα 2 διαφορετικά έτη και την ανάλυση των δεδομένων, προκύπτει ότι υπήρξε ποσοστιαία αύξηση όλων των εξεταζόμενων στοιχείων σε βάρος των χορτολειβαδικών εκτάσεων.
Πιο συγκεκριμένα, για την εκτέλεση του πρώτου βήματος, προτιμάται η χρήση του μοντέλου Lambert προβολής και η επεξεργασία του γίνεται με τη χρήση βιβλιοθήκης της Python, SatPy, και τα αρχεία αποθηκεύονται σε μορφή .png. Για την ανάπτυξη του επιθυμητού μοντέλου πρόβλεψης, οι ερευνητές προτίμησαν τη χρήση "βαθιάς μάθησης", η οποία τους επιτρέπει να αξιοποιήσουν τα τοπικά χωρικά μοτίβα καθώς και τους συσχετισμού των πληροφοριών από τα 16 διαφορετικά φάσματα των εικόνων. Το deep learning μοντέλο αποτελείται από ένα επίπεδο( layer) εισαγωγής στοιχείων που διαβάζει τα png αρχεία. Για να αποφευχθεί υπερτροφοδότηση (overfitting- δηλαδή να γίνει βελτιστοποίηση του μοντέλου για ένα συγκεκριμένο training set) χρησιμοποιείται η μέθοδος του patch normalization(κανονικοποίηση της εικόνας με patches). Τα επόμενα layers είναι υπεύθυνα για τον εντοπισμό higher-level στοιχείων με τη χρήση τρισδιάστατη συνέλιξη (3D convolution). Τέλος, το τελικό convolution layer, τροφοδοτεί ένα πλήρως συνδεδεμένο επίπεδο(fully connected layer) το οποίο μας δίνει και την τελική πρόβλεψη για κάθε pixel. Όσων αφορούν την οπτικοποίηση των αποτελεσμάτων, στο χρήστη δίνονται δύο δυνατότητες: monitoring view (στιγμιαία επισκόπηση μιας περιοχής ενδιαφέροντος) & focus view(εστίαση σε μια συγκεκριμένη περιοχή ενδιαφέροντος). Η συγκεκριμένη μεθοδολογία, συγκρίθηκε με τα υφιστάμενα μοντέλα, προκειμένου να ελέγχει κατά πόσο είναι ανταγωνιστική και χρήσιμη. Ως περιπτώσεις μελέτης ορίστηκαν τέσσερις μεγάλες πυρκαγιές που εκδηλώθηκαν στις Ηνωμένες Πολιτείες σε διαφορετικές περιόδους. Πιο συγκεκριμένα, η σύγκριση της απόδοσης του προτεινόμενου μοντέλου έγινε με τις καλύτερες αποδόσεις των υφιστάμενων λειτουργιών. Έτσι, εκπαιδεύτηκε το προτεινόμενο μοντέλο και συγκρίθηκε με τις αποδόσεις των παρακάτω υφιστάμενων τεχνικών:
- MODIS-Terra: δυνατότητα ανίχνευσης εστίας πυρκαγιάς σε επίπεδο εικονοστοιχείου, μειωμένα ποσοστά εσφαλμένης ειδοποίησης μέσω δοκιμών παλινδρόμησης
- AVHRR-FIMMA: χρησιμοποιεί μόνο τρία φασματικά κανάλια (3,4,5), λαμβάνοντας υπόψη τις δασικές περιοχές ως μοναδικές περιπτώσεις εκδήλωσης πυρκαγιάς και αγνοώντας την πιθανότητα πυρκαγιάς σε αστικές ή αγροτικές περιοχές.
- VIIRS-AFP: βασισμένο στη λειτουργία του MODIS-Terra, δίνει την επιπλέον δυνατότητα εντοπισμού πυρκαγιάς όλο το 24ωρο
- GOES-AFP: χρησιμοποιεί νέους μηχανισμούς για να αφαιρέσει τα σύννεφα και να διακρίνει το δίπολο νερού-γης, εστιάζει μερικώς στην ανάκληση παρουσιάζοντας αυξημένα ποσοστά εσφαλμένης ειδοποίησης
Από τα αποτελέσματα της σύγκρισης, που παρουσιάζονται στον πίνακα 2, συμπεραίνουμε ότι πρόκειται για ένα μοντέλο που ξεπερνά τις βασικές γραμμές με 94% βαθμολογία και προσφέρει 1,5 φορές ταχύτερη ανίχνευση.
