An Unsupervised Saliency-Guided Deep Convolutional Neural Network for Accurate Burn Mapping from Sentinel-1 SAR Data
Notice bibliographique
Résumé
SAR data provide sufficient information for burned area detection in any weather condition, making it superior to optical data. In this study, we assess the potential of Sentinel-1 SAR images for precise forest-burned area mapping using deep convolutional neural networks (DCNN). Accurate mapping with DCNN techniques requires high quantity and quality training data. However, labeled ground truth might not be available in many cases or requires professional expertise to generate them via visual interpretation of aerial photography or field visits. To overcome this problem, we proposed an unsupervised method that derives DCNN training data from fuzzy c-means (FCM) clusters with the highest and lowest probability of being burned. Furthermore, a saliency-guided (SG) approach was deployed to reduce false detections and SAR image speckles. This method defines salient regions with a high probability of being burned. These regions are not affected by noise and can improve the model performance. The developed approach based on the SG-FCM-DCNN model was investigated to map the burned area of Rossomanno-Grottascura-Bellia, Italy. This method significantly improved the burn detection ability of non-saliency-guided models. Moreover, the proposed model achieved superior accuracy of 87.67% (i.e., more than 2% improvement) compared to other saliency-guided techniques, including SVM and DNN.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».