Rapid Wildfire Hotspot Detection Using Self-Supervised Learning on Temporal Remote Sensing Data

要約

山火事の影響を軽減するには、迅速な検出と適切なタイミングでの介入が不可欠です。
衛星ネットワークからの遠隔検知データと高度な AI モデルを活用して、ホットスポット (つまり、活発な火災によって引き起こされる熱異常) を自動的に検出することは、山火事監視システムを構築する効果的な方法です。
この研究では、ヨーロッパの火災事件に関連する遠隔検知データの時系列を含む新しいデータセットと、多時間データを分析し、潜在的にほぼリアルタイムでホットスポットを特定できる自己教師あり学習 (SSL) ベースのモデルを提案します。
データセットと、いくつかの火災イベントを含む熱異常のデータセットである Thraws を使用してモデルのパフォーマンスをトレーニングおよび評価し、63.58 の F1 スコアを取得しました。

要約(オリジナル)

Rapid detection and well-timed intervention are essential to mitigate the impacts of wildfires. Leveraging remote sensed data from satellite networks and advanced AI models to automatically detect hotspots (i.e., thermal anomalies caused by active fires) is an effective way to build wildfire monitoring systems. In this work, we propose a novel dataset containing time series of remotely sensed data related to European fire events and a Self-Supervised Learning (SSL)-based model able to analyse multi-temporal data and identify hotspots in potentially near real time. We train and evaluate the performance of our model using our dataset and Thraws, a dataset of thermal anomalies including several fire events, obtaining an F1 score of 63.58.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google