Detection of Forest Fire Consequences on Satellite Images Using a Neural Network
Loading...
Date
2023
Journal Title
Journal ISSN
Volume Title
Publisher
German Society for Photogrammetry, Remote Sensing and Geoinformation
Abstract
ENG: The objective of this research is the detection of burnt forest areas from Sentinel-2 imagery. The proposed algorithm uses an approach based on convolutional neural networks (CNN). The functionality of the created system allows solving the task, starting from the moment of receiving the input data, image preprocessing and ending with the export of a hot-spot fire polygonal file describing the area that was burnt. These results are compared to methods based on the dNBR and a variant of BAIS2 called dBAIS2, which are generated from measurements in the near and middle IR channels of the Sentinel images. The proposed algorithm was tested on Sentinel satellite images acquired from June to September 2021for the Tizi Ouzou region, Algeria. We found it to have an overall accuracy of 97%, outperforming the results obtained from dNBR and dBAIS2 by large margins.
UKR: Метою даного дослідження є виявлення вигорілих лісових масивів на знімках Sentinel-2. Запропонований алгоритм використовує підхід на основі згорткових нейронних мереж (CNN). Функціонал створеної системи дозволяє вирішити поставлену задачу, починаючи з моменту отримання вхідних даних, попередньої обробки зображення і закінчуючи експортом полігонального файлу вогнища пожежі з описом площі, яка вигоріла. Ці результати порівнюються з методами на основі dNBR і варіанту BAIS2 під назвою dBAIS2, які генеруються на основі вимірювань у ближньому та середньому ІЧ-каналах зображень Sentinel. Запропонований алгоритм перевірено на супутникових знімках Sentinel, отриманих з червня по вересень 2021 року для регіону Тізі-Узу, Алжир. Ми виявили, що його загальна точність становить 97%, що значно перевершує результати, отримані від dNBR і dBAIS2.
UKR: Метою даного дослідження є виявлення вигорілих лісових масивів на знімках Sentinel-2. Запропонований алгоритм використовує підхід на основі згорткових нейронних мереж (CNN). Функціонал створеної системи дозволяє вирішити поставлену задачу, починаючи з моменту отримання вхідних даних, попередньої обробки зображення і закінчуючи експортом полігонального файлу вогнища пожежі з описом площі, яка вигоріла. Ці результати порівнюються з методами на основі dNBR і варіанту BAIS2 під назвою dBAIS2, які генеруються на основі вимірювань у ближньому та середньому ІЧ-каналах зображень Sentinel. Запропонований алгоритм перевірено на супутникових знімках Sentinel, отриманих з червня по вересень 2021 року для регіону Тізі-Узу, Алжир. Ми виявили, що його загальна точність становить 97%, що значно перевершує результати, отримані від dNBR і dBAIS2.
Description
Vic. Hnatushenko: ORCID 0000-0001-5304-4144; Vol. Hnatushenko: ORCID 0000-0003-3140-3788
Keywords
forest fires, burnt forest areas, convolutional neural networks (CNN), satellite image Sentinel-2, dNBR, dBAIS2, лісові пожежі, спалені лісові масиви, згорткові нейронні мережі (CNN), супутникове зображення Sentinel-2, ІЧ-канали, КІТС
Citation
Hnatushenko Vic., Hnatushenko Vol., Kashtan V., Heipke C. Detection of Forest Fire Consequences on Satellite Images Using a Neural Network. Jahrestagung der DGPF Photogrammetrie - Fernerkundung - Geoinformation - 2023 : 43. Wissenschaftlich-Technische Jahrestagung der DGPF e.V., Munich, Germany, March 22–23, 2023. Munich, 2023. P. 223–232. DOI: 10.24407/KXP:1841130370.