Es wurde eine Technologie entwickelt, die Satellitendaten und numerische Modelldaten zur Waldbranderkennung kombiniert und einen umfassenderen und anpassungsfähigeren Ansatz zur Überwachung und Reaktion auf Waldbrände bietet. Diese innovative Lösung, die von Professor Jungho Im und seinem Team in der Abteilung für Bau-, Stadt-, Erd- und Umweltingenieurwesen der UNIST entwickelt wurde, hat das Potenzial, die durch mittlere und große Waldbrände verursachten Schäden deutlich zu minimieren.
Herkömmliche Waldbranderkennungssysteme verlassen sich seit über zwei Jahrzehnten ausschließlich auf Satellitendaten. Das von Professor Im geleitete Forschungsteam versuchte jedoch, den bestehenden Ansatz durch die Integration numerischer Modelldaten, die in der Wettervorhersage verwendet werden, zu verbessern. Durch die Kombination verschiedener Daten, darunter relative Luftfeuchtigkeit, Oberflächentemperatur und Satellitenbeobachtungswinkel, entwickelte das Team ein Deep-Learning-Modell mit einer DM-CNN-Struktur (Convolutional Neural Network) mit zwei Modulen, um Satelliten- und numerische Modelldaten unabhängig zu extrahieren und zu kombinieren.
Die entwickelte Technologie wurde mit weit verbreiteten Erkennungstechnologien wie MODIS/VIIRS, AHI und AMI verglichen. Bestehende Methoden erschweren die genaue Erkennung von Waldbränden aufgrund gemischter Signale, die durch Faktoren wie Luftfeuchtigkeit und Sonnenstand verursacht werden. Im Gegensatz dazu berücksichtigt das vom Team von Professor Im entwickelte Modell mehrere Variablen gleichzeitig, was einen erheblichen Vorteil bei der Aufrechterhaltung der Erkennungsgenauigkeit trotz Änderungen in der Umgebung bietet.
Es wurden reale Experimente durchgeführt, um die Leistung der Technologie unter verschiedenen Umgebungsbedingungen zu validieren. Die Ergebnisse zeigten, dass das entwickelte Modell bestehende Erkennungsmethoden übertraf und seine Fähigkeit unter Beweis stellte, Waldbrände genauer zu lokalisieren. Obwohl die Satellitenauflösung im Vergleich zu Detektionstechnologien mit geringer Reichweite geringer ist, gleicht der größere räumliche Bereich, den das Modell abdeckt (4㎢), dies aus, indem er eine höhere Genauigkeit bietet.
„Diese Studie maximiert die Vorteile des Deep Learning und ermöglicht die Konvergenz heterogener Daten mit unterschiedlichen Merkmalen“, erklärte Professor Im. „Es stellt einen bedeutenden Erfolg dar, indem es eine neue Richtung für die globale Waldbranderkennungstechnologie vorschlägt.“
Die Arbeit ist veröffentlicht im Tagebuch Fernerkundung der Umwelt.
Mehr Informationen:
Yoojin Kang et al., Auf dem Weg zu einem anpassbaren Deep-Learning-Modell für die satellitengestützte Waldbrandüberwachung unter Berücksichtigung der Umweltbedingungen, Fernerkundung der Umwelt (2023). DOI: 10.1016/j.rse.2023.113814