Develop Smoke Detection Model Using GEMS to Respond Climate Change
Notice bibliographique
Résumé
Wildfires have been an important factor affecting the Earth's surface and atmosphere for more than 350 million years [1].Wildfires can affect atmospheric conditions on a variety of spatial-temporal scales through the release of gases, particles, water and heat.Forest fires release a large amount of air pollutants, which cause climate change [2][3].The occurrence and intensity of wildfires are increasing with climate change [4].While this vicious cycle is repeated, Specific climate changes caused by emissions from wildfire smoke include changes in the land-atmosphere system due to greenhouse gases and a catalytic role in the formation of cloud condensation nuclei [5].The use of satellite product and machine learning is essential for detection of forest fire smoke.Until now, research on forest fire smoke detection has had difficulties due to difficulties in cloud identification and vague standards of boundaries.The purpose of this study is to detect forest fire smoke using Level 1 and Level 2 data of Geostationary Environment Monitoring Spectrometer (GEMS), a Korean environmental satellite sensor, and machine learning.In March 2022, the forest fire in Gangwon-do was selected as a case.And, we created two random forest model that smoke pixel classification model and regression model were performed by injecting GEMS Level 1 and Level 2 data.At this time, the input variables of the regression model were adjusted due to the problem of missing values in certain data.In the classification model, the importance of input variables is Aerosol Optical Depth (AOD), 380 nm and 340 nm radiance difference, Ultra-Violet Aerosol Index (UVAI), Visible Aerosol Index (VisAI), Single Scattering Albedo (SSA), formaldehyde (HCHO), nitrogen dioxide (NO2), 380 nm radiance, and 340 nm radiance were shown in that order.Also, the smoke classification accuracy for 2,704 pixels showed the level of Accuracy = 0.998 and mIoU = 0.995.The input variable importance of the regression model is appeared in the order of FCC Grayscale image, Ultra-Violet Aerosol Index, radiance difference between 380 nm and 340 nm, Visible Aerosol Index, and formaldehyde.In addition, smoke probability for 4,695 pixels (0p1) are Mean Bias Error (MBE) was -0.001, Mean Absolute Error (MAE) was 0.028, Root Mean Square Error (RMSE) was 0.113, and Correlation Coefficient (CC) was 0.974.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 tête enseignante, 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 ».