A Novel Transfer Learning based CNN Model for Wildfire Susceptibility Prediction
Notice bibliographique
Résumé
Wildfires are one of the most commonly occurring natural disasters in the world, posing significant threats to ecosystems and human settlements alike. One of the most important risk mitigation strategies is to implement early warning systems by identifying the regions more susceptible to wildfires. The development of remote sensing technologies combined with the increasing success of deep learning algorithms has greatly accelerated the development of such systems. Significant research has been done so far for wildfire detection in ground level imagery using neural network classifiers, but there is a lack of research focusing on satellite imagery. This paper proposes a method of wildfire risk assessment of large land regions focusing on remote sensing satellite imagery. The dataset used consists of 31280 satellite images each of size 350 x 350 pixels in jpg format from the Quebec region and was built using wildfire data from Canada's Open Government Portal website to identify regions where wildfires have occurred, and satellite images of those regions before or during occurrence have been used as the wildfire class in the binary classification. We implemented different CNN based classification models, namely VGG16, ResNet50, Xception and InceptionV3 as well as four VGG-16 based transfer learning models. All the models were simulated on 5640 test images and their performance was compared. Our proposed transfer learning model having a three layered pyramid structure with Batch Normalization and Dropouts yielded the best results, with an accuracy of 0.9650, 0.9715 precision and an F-1 score of 0.9648 outperforming all of the traditional as well as the basic transfer learning models by a notable margin.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».