ماهواره‌های Sentinel-2 حجم بی‌نظیری از اطلاعات سنجش از راه دور با وضوح بالا را با یک چرخه بازبینی کوتاه ارائه می‌کنند که برای نقشه‌برداری دقیق و به موقع مناطق سوخته ایده‌آل است. با این حال، جزئیات و حجم بالای اطلاعات ارائه شده در واقع اتوماسیون فرآیند نقشه برداری را محدود می کند، حداقل برای سطح اتوماسیون مورد نیاز برای نقشه برداری سیستماتیک آتش سوزی های جنگلی در سطح ملی. این مقاله یک روش کاملاً خودکار برای ترسیم اسکارهای سوختگی با استفاده از داده‌های Sentinel-2 پیشنهاد می‌کند. اطلاعات استخراج شده از یک جفت تصویر Sentinel-2، یکی قبل از آتش و دیگری پس از آتش، به طور مشترک برای برچسب زدن خودکار مجموعه ای از الگوهای آموزشی از طریق دو قانون تجربی استفاده می شود. یک طبقه‌بندی اولیه مبتنی بر پیکسل با استفاده از این مجموعه آموزشی با استفاده از طبقه‌بندی‌کننده ماشین بردار پشتیبان (SVM) به دست می‌آید. دومی متعاقباً به دنبال یک رویکرد طبقه‌بندی چندگانه طیفی- فضایی (MSSC) هموار می‌شود، که دقت نقشه‌برداری و ثبات موضوعی ترسیم منطقه سوخته نهایی را افزایش می‌دهد. روش پیشنهادی بر روی شش رویداد اخیر آتش‌سوزی در یونان آزمایش شد، که برای پوشش موارد نماینده اکوسیستم یونان و ارائه چالش‌ها در نقشه‌برداری منطقه سوخته انتخاب شد. کمترین دقت طبقه بندی به دست آمده 92 درصد بود، در حالی که ضریب همبستگی متیوز (MCC) بیشتر یا مساوی 0.85 بود. برای پوشش موارد نماینده اکوسیستم های یونان و ارائه چالش ها در نقشه برداری مناطق سوخته انتخاب شده است. کمترین دقت طبقه بندی به دست آمده 92 درصد بود، در حالی که ضریب همبستگی متیوز (MCC) بیشتر یا مساوی 0.85 بود. برای پوشش موارد نماینده اکوسیستم های یونان و ارائه چالش ها در نقشه برداری مناطق سوخته انتخاب شده است. کمترین دقت طبقه بندی به دست آمده 92 درصد بود، در حالی که ضریب همبستگی متیوز (MCC) بیشتر یا مساوی 0.85 بود.
کلید واژه ها
نقشه برداری منطقه سوخته عملیاتی ، طبقه بندی چندگانه طیفی- فضایی (MSSC) ، Sentinel-2 ، طبقه بندی الگوهای آموزشی خودکار ، یادگیری ماشین
1. مقدمه
آتش‌سوزی‌های جنگلی یک مشکل فراگیر در کشورهای مدیترانه‌ای هستند و خطر بالایی برای آسیب مستقیم به انسان‌ها و سازه‌ها در بیشتر کشورهای پرجمعیت مدیترانه و به‌ویژه در مناطق ساحلی ایجاد می‌کنند [ 1 ]. بیشتر آتش سوزی های جنگلی در اروپا – بیش از 85٪ از کل منطقه سوخته – در منطقه مدیترانه ای آن اتفاق می افتد، جایی که به طور متوسط حدود 65000 آتش سوزی هر ساله رخ می دهد که تقریباً نیم میلیون هکتار از مناطق وحشی و جنگلی را می سوزاند [ 2 ]. تجزیه و تحلیل های انجام شده توسط سیستم اطلاعات آتش سوزی جنگل اروپا (EFFIS) نشان دهنده افزایش طول فصل آتش سوزی در 30 سال گذشته است، در حالی که پیش بینی می شود رژیم آتش سوزی تقریباً در همه جای اروپا در دهه های آینده تغییر کند [ 3 ].
نقشه برداری به موقع و دقیق منطقه سوخته برای تعیین کمیت اثرات زیست محیطی آتش سوزی، جمع آوری آمار، و برای طراحی اقدامات موثر کوتاه مدت تا میان مدت کاهش اثرات ضروری است (به عنوان مثال، جلوگیری از فرسایش خاک یا اثرات احتمالی ترکیب آتش / بارندگی شدید). ). با این حال، برای حمایت از چنین موارد استفاده در سطح ملی، روش نقشه‌برداری منطقه سوخته باید تا حد امکان خودکار باشد و به حداقل یا حتی مطلوب هیچ‌کدام از تعامل انسانی نیاز داشته باشد.
تصاویر ماهواره ای برای چندین دهه با موفقیت برای نقشه برداری مناطق سوخته استفاده شده است، زیرا جایگزینی دقیق تر، فصلی و کارآمدتر برای بررسی های میدانی ارائه می دهد [ 4 ]، در حالی که سطوح مختلفی از اتوماسیون فرآیند نقشه برداری را، به ویژه در دید، امکان پذیر می کند. از پیشرفت های بزرگی که حوزه یادگیری ماشین در چند سال اخیر شاهد بوده است. به طور سنتی، از سنسورهای ماهواره ای با وضوح متوسط تا درشت برای این کار استفاده می شود، مانند MODIS (طیف سنج تصویربرداری با وضوح متوسط) [ 5 ] و MERIS (طیف سنج تصویربرداری با وضوح متوسط) [ 6 ]]. این سنسورها مزیت پوشش جهانی روزانه (یا زیر روزانه) و امکان شناسایی تاریخ آتش سوزی را از طریق یک گردش کار کاملاً خودکار ارائه می دهند. با این حال، وضوح فضایی درشت آنها (اندازه پیکسل 500 متر یا بیشتر) تنها تخمین تقریبی از محیط آتش را ارائه می دهد.
هنگامی که به نقشه‌برداری دقیق از ناحیه آسیب‌دیده نیاز است، می‌توان به جای آن از تصاویر ماهواره‌ای با وضوح بالا استفاده کرد و فرکانس زمانی حسگرهایی مانند MODIS را به نفع افزایش وضوح فضایی قربانی کرد. داده‌های لندست (با وضوح فضایی 30 متر) عمدتاً برای این منظور استفاده شده است [ 7 ] [ 8 ] [ 9 ]، به دلیل اطلاعات طیفی غنی آنها – به ویژه باندهای موج کوتاه مادون قرمز (SWIR) که برای نقشه برداری منطقه سوخته مهم هستند. – و سیاست ارائه رایگان داده آنها از سازمان زمین شناسی ایالات متحده (USGS) از سال 2008 [ 10 ]]. با این حال، لندست دارای وضوح زمانی 16 روز است که نقشه برداری سریع آتش سوزی های جنگلی را محدود می کند، به ویژه در مناطقی با پوشش ابری مکرر (مانند مناطق کوهستانی). نقشه برداری سریع و دقیق را می توان به طور متناوب با تصاویر ماهواره ای تجاری با وضوح بسیار بالا انجام داد [ 11 ]، اما این گزینه مستلزم هزینه های بالایی به ویژه در صورت درخواست ماموریت سریع ماهواره است، که کاربرد آن را به چند مورد با اهمیت خاص محدود می کند (مثلاً در هنگام آسیب های طولانی). درگیر هستند).
ماموریت Sentinel-2 – که توسط آژانس فضایی اروپا (ESA) به عنوان بخشی از برنامه کوپرنیک کمیسیون اروپا (EC) توسعه و اجرا شده است – از سال 2015 تصاویر نوری با وضوح بالا را رایگان ارائه می دهد. داده های Sentinel-2 مشخص می شوند با وضوح مکانی بالا (10 تا 20 متر، بسته به باند)، اطلاعات طیفی غنی (کم و بیش ابر مجموعه ای از باندهای Landsat 7 ETM+ و Landsat 8 OLI)، و فرکانس زمانی بالا (5 روز)، ویژگی هایی که آنها را جذاب می کند. برای راه اندازی سرویس نقشه برداری منطقه سوخته عملیات در سطح ملی. از آنجایی که داده‌های Sentinel-2 جدید هستند، تنها مطالعات کمی پتانسیل آنها را برای نقشه‌برداری منطقه سوخته بررسی کرده‌اند [ 12 ] [ 13 ] [ 14 ]] و حتی تعداد کمتری گردش کار خودکار را برای نقشه برداری خودکار پیشنهاد کرده اند [ 15 ] [ 16 ].
این مطالعه یک روش جدید برای نقشه برداری مناطق سوخته با استفاده از داده های Sentinel-2، با هدف حذف تعامل کاربر و دستیابی به دقت نقشه برداری که برای استفاده عملیاتی قابل قبول است، ارائه می دهد. روش پیشنهادی از یک جفت تصویر Sentinel-2 استفاده می کند که یکی قبل از آتش سوزی و دیگری بعد از خاموش شدن آتش به دست آمده است. تعدادی از شاخص‌های طیفی تفاوت محاسبه می‌شوند و مجموعه‌ای از قوانین تجربی به منظور طبقه‌بندی بخشی از پیکسل‌های تصویر، آن‌هایی که می‌توانند به‌طور واضح به عنوان سوخته یا نسوخته مشخص شوند، استفاده می‌شوند. این پیکسل‌ها به‌عنوان الگوهای آموزشی عمل می‌کنند و یک رویکرد یادگیری نظارت‌شده برای استخراج یک نقشه‌برداری اولیه، پیاده‌سازی شده از طریق طبقه‌بندی‌کننده ماشین بردار پشتیبانی (SVM) استفاده می‌شود [ 17 ].]. متعاقباً با استفاده از روش طبقه‌بندی چندگانه طیفی-فضایی با حداقل جنگل پوششی (MSSC-MSF) [ 18 ] که پدیده نمک و فلفل طبقه‌بندی مبتنی بر پیکسل را حذف می‌کند و دقت را افزایش می‌دهد، تصفیه می‌شود. نقشه نهایی منطقه سوخته
2. مجموعه داده های مورد استفاده
روش پیشنهادی از داده های Sentinel-2 Multispectral Instrument (MSI) استفاده می کند. ما نوارهایی با وضوح فضایی 60 متر – که در درجه اول برای اصلاح جو مفید هستند – در نظر نگرفتیم و نه دو نوار لبه قرمز اضافی (باندهای 5 و 7)، که عمدتاً برای محاسبه شاخص‌های طیفی حساس به تنش گیاهی استفاده می‌شوند، در نظر نگرفتیم. مشخصات اسمی [ 19 ] از هشت باندی که در نهایت در این مطالعه در نظر گرفته شدند در جدول 1 گزارش شده است.
شش رویداد آتش‌سوزی جنگلی در سال‌های 2016 و 2018 در یونان در این مطالعه در نظر گرفته شد ( جدول 2 و شکل 1 )، که برای پوشش موارد نماینده اکوسیستم یونان و ارائه چالش‌ها در نقشه‌برداری مناطق سوخته انتخاب شدند. به طور خاص، Elata ( شکل 1 (الف)) یک محیط با پوشش گیاهی کم با مزارع بسیاری از درختان بنه ( Pistacia lentiscus ) بود. در فاراکلا ( شکل 1 (ب))، آتش سوزی جنگل انبوه کاج را سوزاند و به مناطق شهری در سراسر خط ساحلی رسید. ساکتوریا ( شکل 1 (ج)) یک محیط معمولی کرت است، با پوشش گیاهی بسیار کم و کم در مناطق صخره‌ای، که معمولاً تشخیص آن از مناطق سوخته دشوار است. Zemeno ( شکل 1(د)) یک منطقه کوهستانی با زمین ناهموار و چندین مزرعه کشاورزی در محدوده سوختگی است. سرانجام، Kallitechnoupoli ( شکل 1 (e)) و Kineta ( شکل 1 (f)) دو آتش سوزی ویرانگر 2018 در آتیکا هستند.
(الف)
(ب)
(ج)
(د)
(ه)
(و)
شکل 1 . ترکیبات رنگ کاذب (با استفاده از B12، B08، و B04 به‌ترتیب به‌جای کانال‌های قرمز، سبز و آبی منظره) تصاویر Sentinel-2 پس از آتش‌سوزی که برای هر رویداد آتش‌سوزی استفاده می‌شوند: (الف) Elata، (ب) فاراکلا، (ج) ساکتوریا، (د) زمنو، (ه) کالیتکنوپولی، و (و) کینتا. مناطق غیر زمینی پوشیده شده اند.
که در آن آتش به مناطق پرجمعیت با پوشش گیاهی قابل توجه (عمدتا درختان کاج در بین خانه ها و داخل حیاط خانه) گسترش یافت.
ما از محصولات Level-2A استفاده کردیم، یعنی تصاویر Sentinel-2 تصحیح شده جو (مقادیر بازتاب پایین جو) [ 20 ]. تصاویر 2018 مستقیماً به عنوان محصولات Level-2A از مرکز دسترسی آزاد کوپرنیک (https://scihub.copernicus.eu/) دانلود شدند. برای تصاویر 2016، پردازنده Sen2Cor (https://step.esa.int/main/third-party-plugins-2/sen2cor/) به صورت محلی برای استخراج محصولات Level-2A اجرا شد. همانطور که در شکل 1 نشان داده شده است، یک زیر مجموعه مستطیلی از تصویر که شامل ناحیه سوخته شده با یک بافر کوچک در اطراف است، از هر کاشی اصلی Sentinel-2 بریده شد . در کار فعلی، این به صورت دستی انجام شد، اگرچه ما در حال حاضر راه هایی را برای خودکارسازی این مرحله نیز بررسی می کنیم. باندهای گزارش شده در جدول 1متعاقباً با در نظر گرفتن مقادیر بازتاب مطلق در محدوده [0، 1] (یعنی تقسیم مقادیر پیکسل محصول Level-2A بر 10000) در یک تصویر منفرد قرار گرفتند. برای این منظور، تمام تصاویر با وضوح 20 متر از طریق نمونه گیری مجدد از نزدیکترین همسایه به 10 متر نمونه برداری شدند. علاوه بر این، مناطق غیر زمینی با استفاده از لایه رسمی NUTS (نامگذاری واحدهای سرزمینی برای آمار) پوشانده شدند.
برای اهداف اعتبارسنجی، محیط‌های منطقه سوخته مشتق‌شده از سرویس نقشه‌برداری منطقه سوخته مبتنی بر شی (OBAM) استفاده شد، که در چارچوب رصدخانه ملی یونان آتش‌سوزی‌های جنگلی (NOFFi) [ 21 ] توسعه یافت. NOFFi-OBAM یک روش نیمه خودکار است که از یک تصویر واحد پس از آتش سوزی Sentinel-2 برای استخراج محیط های منطقه سوخته دقیق استفاده می کند، اما شامل تعامل قابل توجهی با کاربر است. باید توجه داشته باشیم که اگرچه این نگاشتهای مرجع از یک روش نیمه خودکار مشتق شده بودند، اصلاحات دستی در پایان از طریق تفسیر دقیق عکس انجام شد. بنابراین، مجموعه داده مرجع، حداقل تا سطحی که وضوح فضایی Sentinel-2 مجاز است، دقیق است (که در هر صورت به اندازه کافی برای پشتیبانی از فرآیند تفسیر عکس بالاست).
3. روش شناسی
شکل 2گردش کار روش پیشنهادی را نشان می دهد. ابتدا، شاخص های طیفی از هر دو تصویر Sentinel-2 قبل و بعد از آتش (محصولات Level-2A، همانطور که قبلا ذکر شد) محاسبه می شود. تفاوت (یا نسبت) این شاخص‌ها برای برچسب‌گذاری بخشی از پیکسل‌های تصویر از طریق مجموعه‌ای از قوانین تجربی، که برچسب‌های مجموعه آموزشی را تشکیل می‌دهند، استفاده می‌شود. این قوانین به گونه‌ای تعریف می‌شوند که تنها پیکسل‌هایی که می‌توانند به‌طور واضح به عنوان سوخته یا نسوخته مشخص شوند، برچسب‌گذاری می‌شوند تا تا حد امکان از وارد کردن طبقه‌بندی اشتباه به مجموعه آموزشی جلوگیری شود. مجموعه ای افزوده شده از ویژگی ها، شامل مقادیر باندهای تصویر پس از آتش (مقادیر بازتاب) و شاخص های طیفی اختلاف/نسبت، برای انجام یک طبقه بندی اولیه مبتنی بر پیکسل از طریق طبقه بندی کننده SVM استفاده می شود. دومی متعاقباً از طریق روش MSSC-MSF پالایش می شود، که از آن محیط منطقه سوخته نهایی به دست می آید. بقیه این بخش هر مرحله از روش پیشنهادی را شرح می دهد.
شکل 2 . گردش کار شماتیک روش پیشنهادی.
3.1. شاخص های طیفی
تعدادی از شاخص های طیفی که اغلب در مطالعات نقشه برداری منطقه سوخته استفاده می شود محاسبه شده است که در جدول 3 گزارش شده است. اکثر آنها از فرمول کلاسیک تفاوت نرمال شده شاخص گیاهی تفاوت نرمال شده (NDVI) [ 22 ] استفاده می کنند، اما از یک یا هر دو باند SWIR استفاده می کنند که به رطوبت حساس هستند و در نتیجه تمایز مناطق سوخته را تسهیل می کنند. شاخص ها با در نظر گرفتن مقادیر بازتاب زمین محصولات Level-2A در محدوده محاسبه می شوند [0,1]، از تصویر قبل از آتش سوزی یا تصویر پس از آتش سوزی یا هر دو (همانطور که در بخش های فرعی زیر توضیح داده شده است). در ادامه از علامت گذاری استفاده می کنیم SIpreو SIpostبرای توصیف هر شاخص SIبه ترتیب از روی تصویر قبل یا بعد از آتش سوزی محاسبه می شود (به عنوان مثال، NDVIpre). علاوه بر این، طبقه‌بندی مبتنی بر قانون تجربی (توضیح‌شده در بخش بعدی) نیز تفاوت بین مقادیر قبل از آتش‌سوزی و پس از آتش‌سوزی را برای برخی از شاخص‌ها در نظر می‌گیرد که نشانه‌ای از اختلال ناشی از آتش‌سوزی است. تفاوت، که به عنوان نشان داده شده است dSIبرای هر شاخص SI(به عنوان مثال، dNBR) به عنوان مقدار قبل از آتش منهای پس از آتش سوزی محاسبه می شود، به عنوان مثال، dSI=SIpre−SIpost.
3.2. طبقه بندی تجربی مبتنی بر قانون
رویکرد طبقه‌بندی نظارت شده که توسط روش پیشنهادی دنبال می‌شود به مجموعه آموزشی نیاز دارد که به طور خودکار برچسب‌گذاری شود. برای این کار دو مورد را تعریف کردیم
قوانین تجربی که آستانه هایی را بر روی تفاوت ها یا نسبت های شاخص های طیفی قبل از آتش سوزی و پس از آتش سوزی به کار می گیرند، به دنبال رویکرد مشابه با مطالعات قبلی [ 8 ] [ 15 ]. به دلیل تنوع زیاد انواع اکوسیستم (مثلاً مناطق با پوشش گیاهی کم، جنگل های انبوه، بوته زارها، مناطق کشاورزی یا مرتع، و غیره)، به طور کلی نمی توان قوانین تجربی را تعریف کرد که تمام (یا تقریباً همه) پیکسل ها را به درستی طبقه بندی کند. شرایط، توپوگرافی و عوامل دیگر. بنابراین، این قوانین به گونه‌ای تعریف می‌شوند که تنها پیکسل‌هایی که می‌توانند به‌طور واضح به عنوان سوخته یا نسوخته مشخص شوند، برچسب‌گذاری می‌شوند تا تا حد امکان از وارد کردن طبقه‌بندی اشتباه به مجموعه آموزشی جلوگیری شود.
برای این منظور، ویژگی های مورد استفاده برای تعریف قوانین و مقادیر آستانه مربوطه به طور تجربی از طریق یک روش آزمون و خطا در بسیاری از رویدادهای آتش سوزی در یونان تعیین شد، به گونه ای که تنها پیکسل های سوخته یا نسوخته بدون ابهام برچسب گذاری شدند تا از ایجاد خطا در مجموعه آموزشی خودداری کنید. در نهایت، اگر یک پیکسل با قانون تعریف شده توسط معادلات (1)-(2) مطابقت داشته باشد، به عنوان سوخته طبقه بندی می شود:
MNDWIpre<−0.3 AND [(B8Aratio>0.3 OR dMIRBI<−1.5) AND dNDII>0.02](1)
جایی که
B8Aratio=B8ApreB8Apost−1.(2)
بر این اساس، یک شی به عنوان نسوخته طبقه بندی می شود که قاعده تعریف شده در رابطه (3) را برآورده کند:
MNDWIpre>−0.25 OR [dNBR<−0.015 OR dNBR2<−0.015].(3)
در هر دو مورد، شاخص MNDWI قبل از آتش سوزی برای تمایز سطوح آب و مناطق مصنوعی (ساختمان ها، جاده ها و غیره) در نظر گرفته می شود، در حالی که شناسایی پوشش گیاهی یا منطقه سوخته توسط بخش باقی مانده از قانون مربوطه انجام می شود. برای جلوگیری از طبقه‌بندی نادرست از طریق تفاوت در روشنایی بین تصاویر قبل از آتش‌سوزی و پس از آتش‌سوزی – احتمالاً در ترکیب با توپوگرافی – یک عملگر مورفولوژیکی (فرسایش و به دنبال آن اتساع) [ 30 ] برای تصویر طبقه‌بندی‌شده مبتنی بر قاعده به‌کار می‌رود. یک عنصر ساختاری مربع با ضلع 3 پیکسل (یعنی محله 8). عملگر بازکننده به طور موثر طبقه‌بندی‌های تک پیکسلی جدا شده را حذف می‌کند، که احتمال بالاتری از طبقه‌بندی اشتباه را نشان می‌دهند.
بسته به منطقه، نسبت بزرگتر یا کوچکتری از پیکسل ها ممکن است با روش فوق طبقه بندی شوند. مناطق جنگلی با پوشش گیاهی انبوه یا مناطق به شدت سوخته احتمالاً برچسب گذاری می شوند. در هر صورت، پیکسل‌های برچسب‌گذاری‌شده برای فرمول‌بندی مجموعه آموزشی استفاده می‌شوند و باقی‌مانده‌ها توسط طبقه‌بندی‌کننده نظارت شده طبقه‌بندی می‌شوند، همانطور که در ادامه توضیح داده شده است.
3.3. طبقه بندی اولیه مبتنی بر پیکسل
مجموعه داده مورد استفاده برای طبقه بندی نظارت شده 21 ویژگی استخراج شده از منابع متعدد را در نظر می گیرد (ماژول “تصویر ویژگی های طبقه بندی” در شکل 2 ). به طور دقیق تر، با در نظر گرفتن موارد زیر فرموله شده است:
1) هشت نوار تصویر Sentinel-2 پس از آتش سوزی گزارش شده در جدول 1 ،
2) هفت شاخص طیفی اول جدول 3 محاسبه شده از تصویر پس از آتش سوزی (پست NDVI ، پست MSAVI2 ، پست CSI ، پست MIRBI ، پست NBR ، پست NBR2 ، و پست NDII )، و
3) تمام ویژگی های در نظر گرفته شده در قواعد تجربی معادلات (1)-(3)، یعنی نسبت B8A، dMIRBI، dNDII، dNBR، dNBR2، و MNDWI pre ).
پس از تعریف مجموعه ویژگی و مجموعه آموزشی از مرحله قبل، یک مدل طبقه‌بندی SVM [ 17 ] متعاقباً به منظور طبقه‌بندی پیکسل‌های تصویر باقی‌مانده، آموخته می‌شود. ما از یک هسته تابع پایه شعاعی (RBF) برای فرمول SVM استفاده کردیم. ثابت پنالتی C و پارامتر هسته RBF γاز طریق یک روش اعتبار سنجی متقاطع 5 برابری بر روی تمام ترکیبات ممکن برای دو پارامتر، با در نظر گرفتن یک شبکه افزایش نمایی از مقادیر ممکن برای هر پارامتر، بهینه می شوند. مدل آموزش‌دیده SVM متعاقباً برای طبقه‌بندی تمام پیکسل‌هایی که توسط قوانین تجربی برچسب‌گذاری نشده‌اند، اعمال می‌شود، بنابراین منجر به نقشه طبقه‌بندی اولیه مبتنی بر پیکسل می‌شود.
3.4. نقشه اسکار سوخته نهایی
طبقه بندی مبتنی بر پیکسل معمولاً به شدت تحت تأثیر پدیده نمک و فلفل قرار می گیرد. دومی پدیده‌ای را مشخص می‌کند که در آن پیکسل‌های منفرد یا مناطق کوچک جدا شده به اشتباه طبقه‌بندی می‌شوند، یا به‌عنوان نسوخته در محیط آتش یا به‌عنوان سوخته در بیرون – و در بسیاری موارد دور از محیط – محیط آتش، با ناظر انسانی که می‌تواند آنها را به راحتی شناسایی کند. خطاها از طریق بازرسی بصری این خطاهای جدا شده در نتیجه مصنوعات تصویر (به دلیل زاویه روشنایی، توپوگرافی، انعکاس‌های چشمی و غیره) در ترکیب با این واقعیت است که طبقه‌بندی مبتنی بر پیکسل از هیچ اطلاعات مکانی بهره‌برداری نمی‌کند و این پدیده با افزایش نور برجسته‌تر می‌شود. رزولوشن فضایی. برای غلبه بر این محدودیت،18 ]، که می تواند به طور موثر از اطلاعات فضایی و طیفی بهره برداری کند.
با توجه به یک تصویر ورودی و یک طبقه‌بندی مبتنی بر پیکسل، MSSC-MSF با تقسیم‌بندی تصویر با استفاده از سه الگوریتم تقسیم‌بندی تصویر مختلف شروع می‌شود ( شکل 2 را ببینید ). برای این منظور از تقسیم بندی حوضه [ 31 ]، خوشه بندی فازی C-Means (FCM) [ 32 ] و تقسیم بندی میانگین شیفت [ 33 ] استفاده کردیم. در همه موارد، تقسیم بندی تنها با در نظر گرفتن چهار باند 10 متری Sentinel-2 (B02، B03، B04، و B08 در جدول 1) انجام شد.). این انتخاب به منظور کاهش نیازهای محاسباتی کلی، ب) بهره برداری از بهترین وضوح فضایی ارائه شده توسط Sentinel-2، و ج) افزایش قابلیت های تعمیم روش با استفاده از یک مجموعه ویژگی ساده تر برای فرآیند تقسیم بندی نسبت به ویژگی های مورد استفاده انجام شده است. طبقه بندی مبتنی بر پیکسل
Watershed یک رویکرد مورفولوژیکی برای تقسیم‌بندی تصویر است که رشد منطقه و تشخیص لبه را ترکیب می‌کند. این روش معمولاً روی یک گرادیان تصویر اصلی اعمال می‌شود و آن را به مناطق کوچک مجاور اما غیر همپوشانی تقسیم می‌کند، جایی که هر ناحیه با یک حداقل (یعنی ناحیه همگن) از تصویر گرادیان مرتبط است. مشابه روش اصلی [ 18 ]، ما از گرادیان مورفولوژیکی رنگ قوی (RCMG) [ 34 ] استفاده کردیم.] به این منظور. برعکس، FCM یک الگوریتم خوشه‌بندی است، اما ما می‌توانیم با شناسایی و برچسب‌گذاری منحصربه‌فرد اجزای متصل (CCs) روی نقشه خوشه‌بندی حاصل، قطعه‌بندی تصویر را استخراج کنیم. نهایی، تغییر میانگین یک رویکرد تحلیل فضای ویژگی کارآمد است که در گذشته با موفقیت برای تقسیم‌بندی تصویر از راه دور [ 35 ] [ 36 ] استفاده شده است، زیرا بین اطلاعات طیفی و فضایی ارائه شده توسط تصویر چند طیفی تعادل برقرار می‌کند.
برای هر بخش بندی، یک نقشه طبقه بندی معادل تولید می شود که نتیجه تقسیم بندی را با طبقه بندی مبتنی بر پیکسل به دست آمده توسط SVM ترکیب می کند. به طور خاص، رای اکثریت در هر بخش از تصویر انجام می شود، به عنوان مثال، تمام پیکسل های متعلق به بخش به کلاسی که بیشترین فرکانس را در نقشه طبقه بندی در این بخش نشان می دهد، اختصاص داده می شود. در نهایت، سه نقشه طبقه بندی مستقل برای انتخاب مجموعه ای از نشانگرها ترکیب می شوند. اگر هر سه نقشه طبقه‌بندی مستقل موافق باشند، یک پیکسل به عنوان نشانگر برچسب‌گذاری می‌شود (یعنی متعلق به یک کلاس، در مورد ما، سوخته یا نسوخته است). پیکسل های علامت گذاری شده کلاس خود را حفظ می کنند، در حالی که بقیه پیکسل ها طبقه بندی نشده در نظر گرفته می شوند. به طور موثر، این رویکرد طبقه‌بندی چندگانه طیفی-فضایی (MSSC) پدیده نمک و فلفل طبقه‌بندی مبتنی بر پیکسل‌های پایه را با بهره‌برداری از اطلاعات مکانی، که توسط پردازش قطعه‌ای تصویر ارائه می‌شود، حذف می‌کند. اگر هر سه طبقه بندی مستقل موافق باشند، فرض می شود که پیکسل به درستی طبقه بندی شده است (نشانگرها)، در حالی که پیکسل های باقی مانده مبهم در نظر گرفته می شوند.
در نهایت، آن پیکسل های مبهم با رشد یک جنگل فراگیر حداقل (MSF) که ریشه از نشانگرها دارد، برچسب گذاری می شوند. هر پیکسل تصویر به عنوان راس یک گراف بدون جهت در نظر گرفته می شود که از طریق یال ها به هشت همسایه مستقیم خود متصل است. وزنی در هر لبه تعیین می شود که متناسب با عدم تشابه بین دو پیکسل است. به عنوان اندازه گیری عدم تشابه، از اندازه گیری زاویه طیفی (SAM) استفاده کردیم که با رابطه (4) تعریف می شود:
SAM(vi,vj)=∑b=1Bvib⋅vjb∑b=1Bvib2⋅∑b=1Bvjb2(4)
جایی که Bکاردینالیته فضای ویژگی است (یعنی تعداد باندها در تصویر) و vi={vi1,…,viB}و vj={vj1,…,vjB}بردارهای ویژگی دو پیکسل همسایه هستند. مقدار SAM مطلق برای بردارهای ویژگی غیرمشابه حداکثر شده و برای بردارهای مساوی حداقل می شود. همانطور که در شکل 2 نشان داده شده است ، اندازه گیری SAM با در نظر گرفتن فضای ویژگی طبقه بندی کامل، شامل 21 ویژگی که در بخش فرعی قبلی توضیح داده شده است، محاسبه می شود. در صورتی که دو پیکسل همسایه هر دو نشانگر باشند، اگر به یک کلاس تعلق داشته باشند، وزن صفر و در غیر این صورت یک وزن بی نهایت تخصیص داده می شود.
یک راس اضافی برای هر کلاس (در اینجا دو، سوخته یا نسوخته) در نمودار درج شده و با تمام نشانگرهای متعلق به کلاس مربوطه متصل می شود. یک راس ریشه نیز درج شده است که با آن رئوس اضافی مرتبط است. با این پیکربندی، اجرای حداقل الگوریتم درخت پوشا (به عنوان مثال، الگوریتم Prim [ 37 ]) و سپس حذف رئوس اضافی باعث ایجاد یک MSF بر روی نمودار می شود. اختصاص دادن تمام پیکسل های رشد یافته از هر نشانگر به کلاس آن، در نهایت منجر به برچسب زدن تمام پیکسل های طبقه بندی نشده در تصویر می شود. به طور مؤثر، هر نشانگر درخت خود را با برچسب گذاری پیکسل های بدون برچسب همسایه رشد می دهد، به گونه ای که تفاوت کل بین پیکسل ها به حداقل می رسد. شرح مفصلی از روش MSF را می توان در [ 18 ] و [ 38 ] یافت.
بردار کردن نقشه طبقه بندی نهایی و حفظ تنها مناطقی که به عنوان سوخته شده اند، محیط منطقه سوخته نهایی را بدست می آوریم، که می تواند متعاقباً در یک محیط GIS مشاهده یا تجزیه و تحلیل شود.
4. نتایج
4.1. مثالی از کاربرد الگوریتم پیشنهادی
قبل از گزارش نتایج عددی، ما در اینجا نمونه ای از کاربرد الگوریتم پیشنهادی را در شکل 3 ارائه می کنیم تا مراحل مختلف الگوریتم را به صورت بصری توضیح دهیم. ما از مورد آتش سوزی Kallitechnoupoli استفاده می کنیم ( جدول 2 را ببینید )، با شکل 3(الف) نمایش ترکیبی با رنگ کاذب از تصویر Sentinel-2 پس از آتش سوزی و محیط منطقه سوخته مرجع که با یک خط سیاه روی هم قرار گرفته است. این یک آتش سوزی ویرانگر بود که در 23 جولای 2018 در آتیکا، یونان آغاز شد و جان بیش از 100 نفر را گرفت. این کار مشکلات متعددی را به عنوان یک کار نقشه برداری منطقه سوخته ارائه می کند، زیرا آتش به مناطق پرجمعیت با پوشش گیاهی قابل توجهی (عمدتا درختان کاج در بین خانه ها و داخل حیاط خانه) گسترش یافته و برخی از املاک مسکونی به طور کامل تخریب شده و برخی دیگر تا حدی سوخته اند. به این ترتیب، طبقه بندی صحیح چندین ناحیه در صحنه توسط یک الگوریتم کاملاً خودکار دشوار است.
مجموعه آموزشی برگرفته از قوانین تجربی (به بخش 3.2 مراجعه کنید) شامل
(الف)
(ب)
(ج)
(د)
(ه)
(و)
(ز)
(ح)
شکل 3 . نمونه ای از مراحل الگوریتم پیشنهادی در مورد آتش سوزی Kallitechnoupoli: (الف) ترکیب رنگ کاذب (با استفاده از B12، B08، و B04 به‌ترتیب به‌جای کانال‌های قرمز، سبز و آبی نمای) پست Sentinel-2 -تصویر آتش، (ب) پیکسل‌های آموزشی برچسب‌گذاری شده از طریق قوانین تجربی، (ج) طبقه‌بندی SVM مبتنی بر پیکسل، (د) نقشه طبقه‌بندی حوضه، (ه) نقشه طبقه‌بندی FCM، (f) نقشه طبقه‌بندی میانگین تغییر، (g) نشانگرها انتخاب شده توسط MSSC، و (h) طبقه بندی نهایی به دست آمده توسط MSSC-MSF.
فقط پیکسل های سوخته یا نسوخته بدون ابهام ( شکل 3 (ب))، که یا مناطق پوشش گیاهی به شدت سوخته یا مناطق پوشش گیاهی نسوخته هستند. مناطق مبهم مانند مناطق با پوشش گیاهی کم، مناطق نیمه سوخته، یا مناطق در رابط وحشی-شهری (به درستی) در مجموعه آموزشی گنجانده نشده اند. طبقه‌بندی اولیه SVM مبتنی بر پیکسل ( شکل 3 (ج)؛ بخش 3.3 را ببینید) عملکرد نسبتاً خوبی را نشان می‌دهد، اما با پدیده نمک و فلفل بالا در خارج از محیط آتش، و همچنین خطاهای حذف قابل توجه در محیط آتش.
سه طبقه بندی طیفی- فضایی (به بخش 3.4 مراجعه کنید) نتایج به طور کلی متفاوت است. آبخیز ( شکل 3 (د)) کم و بیش یک الگوریتم تقسیم‌بندی سوپرپیکسلی است (یعنی معمولاً بخش‌های بسیار کوچکی تولید می‌کند) و به این ترتیب، طبقه‌بندی‌های نادرست نمک و فلفل را حذف می‌کند، اما همچنین خطای کارمزد نسبتاً بالایی را نشان می‌دهد. مناطق وسیعی در شمال و خارج از محیط آتش سوزی شده است. از سوی دیگر، FCM ( شکل 3 (e)) یک الگوریتم خوشه‌بندی است و به این ترتیب، به نتیجه SVM مبتنی بر پیکسل نزدیک‌تر است. طبقه بندی تغییر میانگین ( شکل 3 (f)) جایی بین دو مورد قبلی است، زیرا از اطلاعات فضایی و طیفی استفاده می کند.
نشانگرها ( شکل 3 (g)) به عنوان تمام پیکسل هایی تعریف می شوند که سه طبقه بندی مبتنی بر تقسیم بندی با آنها موافق هستند. با بررسی دقیق شکل 3 (الف)، شکل 3 (ب) و شکل 3 (g)، می‌توانیم مشاهده کنیم که در واقع مناطقی که به سختی قابل تشخیص هستند بدون علامت رها شده‌اند. الگوریتم MSF ( شکل 3 (h)) در نهایت مناطق بدون علامت را برچسب گذاری می کند و در نتیجه دقیق ترین نتیجه طبقه بندی را به دست می آورد. با مقایسه طبقه بندی اولیه ( شکل 3 (c)) و نهایی ( شکل 3 (h))، آشکار می شود که رویکرد MSSC-MSF سازگاری موضوعی فرآیند نقشه برداری را به طور قابل توجهی بهبود می بخشد، که در مقایسه عددی ارائه شده نیز منعکس شده است. در ادامه مطلب
4.2. نتایج کمی
برای کمی کردن دقت، معیارهای شناخته شده به دست آمده از ماتریس سردرگمی، یعنی حساسیت، ویژگی، دقت و ضریب همبستگی متیوز (MCC) محاسبه شد [ 39 ]. طبقه بندی های صحیح در یک ماتریس سردرگمی یا مثبت واقعی (TP) یا منفی واقعی (TN) هستند، یعنی پیکسل ها به ترتیب به عنوان سوخته یا نسوخته طبقه بندی می شوند. خطاها به‌عنوان مثبت کاذب (FP؛ پیکسل‌هایی که به‌عنوان سوخته طبقه‌بندی می‌شوند اما برچسب واقعی آنها بر اساس مرجع نسوخته بود) و منفی کاذب (FN؛ پیکسل‌هایی که به‌عنوان نسوخته طبقه‌بندی می‌شوند اما برچسب واقعی آنها براساس مرجع سوخته شده است) توصیف می‌شوند. حساسیت (به طور معکوس) با خطاهای حذف (مناطق سوخته به اشتباه به عنوان نسوخته طبقه بندی شده است) مرتبط است و با رابطه (5) تعریف می شود:
Sensitivity=TPP،(5)
که در آن P تعداد کل پیکسل هایی است که در مجموعه مرجع به عنوان سوزانده شده اند. ویژگی مربوط به خطاهای کارمزد (مناطق نسوخته به اشتباه به عنوان سوخته طبقه بندی شده است) و با معادله (6) تعریف می شود:
Specificity=TNN،(6)
که در آن N تعداد کل پیکسل‌هایی است که در مجموعه مرجع برچسب‌گذاری نشده‌اند. دقت نسبت نواحی به‌درستی طبقه‌بندی‌شده به مساحت محیط مرجع است – که متداول‌ترین معیار سنجش عملکرد طبقه‌بندی است – و با رابطه (7) تعریف می‌شود:
Accuracy=TP+TNP+N.(7)
در نهایت، MCC هم خطاهای حذف و هم خطا را در نظر می‌گیرد، که یک ضریب همبستگی بین طبقه‌بندی‌های باینری مشاهده‌شده و پیش‌بینی‌شده است و عموماً به عنوان یک معیار متعادل در نظر گرفته می‌شود که حتی اگر کلاس‌ها اندازه‌های بسیار متفاوتی داشته باشند، قابل استفاده است [ 40 ]. با معادله (8) تعریف می شود:
MCC=TP⋅TN−FP⋅FN(TP+FP)⋅(TP+FN)⋅(TN+FP)⋅(TN+FN).(8)
جدول 4مقادیر اندازه‌گیری‌های دقت را برای طبقه‌بندی اولیه SVM مبتنی بر پیکسل و معیارهای نهایی برای هر مورد آزمایشی گزارش می‌کند. روش پیشنهادی مقادیر دقت بالاتری را در اکثر مناطق در مقایسه با طبقه‌بندی اولیه مبتنی بر پیکسل نشان می‌دهد، که معمولاً به حساسیت بالاتر (خطاهای حذف کمتر) با مقادیر ویژگی مشابه نسبت داده می‌شود. برای دو مورد (زمنو و کالیتکنوپولی)، عملکرد روش پیشنهادی به‌ویژه از نظر مقادیر MCC بسیار بالاتر از طبقه‌بندی پایه است. در شرایط کاملاً مطلق، روش پیشنهادی دقت طبقه‌بندی را بیشتر یا مساوی 0.92 و مقادیر MCC بزرگتر یا مساوی 0.85 را نشان می‌دهد. چنین عملکردی برای کاربردهای عملیاتی در سطح ملی کاملاً قابل قبول است، به ویژه با توجه به اینکه یک فرآیند کاملاً خودکار است.
4.3. مقایسه بصری
مکمل نتایج عددی گزارش شده در بالا، ما یک مقایسه بصری بین طبقه‌بندی اولیه SVM مبتنی بر پیکسل و طبقه‌بندی نهایی برای هر شش آتش‌سوزی جنگلی جدول 2 در شکل‌های 4-9 ارائه می‌کنیم. این مقایسه تفاوت ها را تأیید می کند و علاوه بر این برتری کیفی چارچوب پیشنهادی را برجسته می کند. از یک سو، روش پیشنهادی پدیده نمک و فلفل طبقه‌بندی اولیه مبتنی بر پیکسل را در خارج از محیط آتش حذف می‌کند. از آنجایی که دومی معمولاً از دسته بندی اشتباه پیکسل های جدا شده است، معیار ویژگی (به جدول 4 مراجعه کنید ) تأثیر منفی زیادی ندارد. با این وجود، برای طبقه‌بندی مبتنی بر پیکسل در بسیاری از موارد، مانند فاراکلا ( شکل 5 )، کالیتکنوپولی (شکل 5) مهم است.شکل 8 ) و – برجسته‌ترین آنها –
(الف)
(ب)
شکل 4 . مقایسه بصری بین نتیجه طبقه‌بندی به‌دست‌آمده توسط (الف) طبقه‌بندی‌کننده SVM مبتنی بر پیکسل و (ب) روش پیشنهادی برای آتش‌سوزی جنگلی Elata، Chios (23/07/2016). رنگ‌های قرمز و سبز به ترتیب قسمت‌های سوخته و نسوخته را نشان می‌دهند، در حالی که خطوط سیاه محیط مرجع را نشان می‌دهند.
(الف)
(ب)
شکل 5 . مقایسه بصری بین نتیجه طبقه‌بندی به‌دست‌آمده توسط (الف) طبقه‌بندی کننده SVM مبتنی بر پیکسل و (ب) روش پیشنهادی برای آتش‌سوزی جنگلی فاراکلا، اوبویا (30/07/2016). رنگ‌های قرمز و سبز به ترتیب قسمت‌های سوخته و نسوخته را نشان می‌دهند، در حالی که خطوط سیاه محیط مرجع را نشان می‌دهند.
(الف)
(ب)
شکل 6 . مقایسه بصری بین نتیجه طبقه‌بندی به‌دست‌آمده توسط (الف) طبقه‌بندی‌کننده SVM مبتنی بر پیکسل و (ب) روش پیشنهادی برای آتش‌سوزی جنگلی ساکتوریا، کرت (30/07/2016). رنگ‌های قرمز و سبز به ترتیب قسمت‌های سوخته و نسوخته را نشان می‌دهند، در حالی که خطوط سیاه محیط مرجع را نشان می‌دهند.
(الف)
(ب)
شکل 7 . مقایسه بصری بین نتیجه طبقه‌بندی به‌دست‌آمده توسط (الف) طبقه‌بندی‌کننده SVM مبتنی بر پیکسل و (ب) روش پیشنهادی برای آتش‌سوزی جنگلی Zemeno، Corinthia (23/07/2018). رنگ‌های قرمز و سبز به ترتیب قسمت‌های سوخته و نسوخته را نشان می‌دهند، در حالی که خطوط سیاه محیط مرجع را نشان می‌دهند.
(الف)
(ب)
شکل 8 . مقایسه بصری بین نتیجه طبقه‌بندی به‌دست‌آمده توسط (الف) طبقه‌بندی‌کننده SVM مبتنی بر پیکسل و (ب) روش پیشنهادی برای آتش‌سوزی جنگلی کالیتکنوپولی، آتیکا (23/07/2018). رنگ‌های قرمز و سبز به ترتیب به عنوان مناطق سوخته و نسوخته طبقه‌بندی می‌شوند، در حالی که خطوط سیاه محیط مرجع را نشان می‌دهند.
(الف)
(ب)
شکل 9 . مقایسه بصری بین نتیجه طبقه‌بندی به‌دست‌آمده توسط (الف) طبقه‌بندی‌کننده SVM مبتنی بر پیکسل و (ب) روش پیشنهادی برای آتش‌سوزی جنگلی Kineta، آتیکا (23/07/2018). رنگ‌های قرمز و سبز به ترتیب قسمت‌های سوخته و نسوخته را نشان می‌دهند، در حالی که خطوط سیاه محیط مرجع را نشان می‌دهند.
آتش‌سوزی‌های زمیننو ( شکل 7 ). از سوی دیگر، به نظر می رسد طبقه بندی SVM مبتنی بر پیکسل به طور سیستماتیک منطقه سوخته شده در محیط آتش را دست کم می گیرد و منجر به خطای حذف بالاتر می شود.
5. نتیجه گیری و کار آینده
این مقاله یک روش جدید برای نقشه برداری مناطق سوخته با استفاده از داده های Sentinel-2، بدون هیچ گونه تعامل کاربر ارائه می کند. برای این منظور از یک جفت تصویر Sentinel-2، قبل و بعد از آتش استفاده می شود. شاخص‌های طیفی تفاوت و نسبت از این جفت تصویر محاسبه می‌شوند و مجموعه‌ای از قوانین تجربی برای برچسب‌گذاری خودکار بخشی از پیکسل‌های تصویر، که مجموعه آموزشی را فرموله می‌کنند، استفاده می‌شود. دومی برای آموزش یک طبقه‌بندی کننده SVM مبتنی بر پیکسل، که تمام پیکسل‌های تصویر دیگر را برچسب‌گذاری می‌کند، استفاده می‌شود. این طبقه‌بندی اولیه با رویکرد MSSC-MSF، که دقت نقشه‌برداری را افزایش می‌دهد، پدیده نمک و فلفل ذاتی در همه طبقه‌بندی‌های مبتنی بر پیکسل را کاهش می‌دهد و کیفیت نقشه مشتق‌شده را به‌طور قابل‌توجهی افزایش می‌دهد، اصلاح می‌شود.
یک محدودیت قابل توجه روش پیشنهادی این است که قوانین تجربی که مجموعه آموزشی را برای طبقه‌بندی اولیه مبتنی بر پیکسل فرموله می‌کنند، از طریق یک روش آزمون و خطا به دست آمده‌اند. اگرچه ما سعی کردیم تا حد امکان نماینده ای از آتش سوزی های گذشته را برای این منظور در نظر بگیریم، غیرقابل انکار است که این رویکرد بهینه نیست و نیاز به تلاش اساسی برای به روز رسانی قوانین با در دسترس قرار گرفتن اطلاعات مربوط به آتش سوزی های جدید دارد. شاید مهم‌تر از همه، این روش قابلیت انتقال روش را در اکوسیستم‌های دیگر با ویژگی‌های متفاوت نسبت به اکوسیستم اروپایی-مدیترانه‌ای (یعنی یونانی) در نظر گرفته شده در این مطالعه، تحت فشار قرار می‌دهد. کار آینده سعی خواهد کرد این محدودیت را با ابداع یک روش خودکار برای به‌روزرسانی یا ایجاد مجدد قوانین تجربی برطرف کند.
بدون دیدگاه