Burned Area Mapping With Radarsat Constellation Mission Data and Deep Learning
Notice bibliographique
Résumé
Monitoring wildfires has become increasingly critical due to the sharp rise in wildfire incidents in recent years. Optical satellites like Sentinel-2 and Landsat are extensively utilized for mapping burned areas. However, the effectiveness of optical sensors is compromised by clouds and smoke, which obstruct the detection of burned areas. As a result, there is growing interest in satellites equipped with Synthetic Aperture Radar (SAR), which can penetrate clouds and smoke. Previous studies have investigated the potential of Sentinel-1 and RADARSAT-1/-2 C-band SAR for burned area mapping. However, to the best of our knowledge, no published research is found using RADARSAT Constellation Mission (RCM) SAR data for this purpose. The objective of this study is to investigate RCM SAR data for burned area mapping using deep learning. We propose a deep-learning-based processing pipeline specifically for RCM data. The deep learningbased pipeline utilizes the U-Net as the segmentation model. The training samples are preprocessed to generate log-ratio images based on the same beam mode. The training labels are generated from binarized log-ratio images and Sentinel2 polygons. Our results demonstrate that RCM data can effectively detect burned areas in the 2023 Canadian Wildfires, achieving an F1 Score of 0.765 and an IoU Score of 0.620 for the study area in Alberta, and an F1 Score of 0.655 and an IoU Score of 0.487 for the study area in Quebec. These results indicate the promising potential of RCM data in wildfire monitoring.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».