Machine Learning Approaches for Evaluating Forest Fire Impacts on Sentinel-2 Satellite Imagery Across Ukraine
Loading...
Date
2024
Journal Title
Journal ISSN
Volume Title
Publisher
WUST Publishing House, Wrocław
Abstract
ENG: Forest fires have long-term consequences and serious ecological, social, and economic implications. Utilizing multispectral imagery from the Sentinel-2 satellite, we propose an algorithm based on machine learning models for the detection of burnt forest areas. A new dataset on forest fires has been created, suitable for semantic segmentation models. The proposed algorithm uses an approach based on convolutional neural networks (CNN). The results are analyzed and compared in terms of the intersection over union (IoU) score. The proposed algorithm was tested on Sentinel satellite images acquired in October 2022 for the Kinburn Peninsula, Ukraine, to have an accuracy in terms of IoU of 95%.
UKR: Лісові пожежі мають довгострокові наслідки та серйозний екологічний, соціальний та економічний вплив. Використовуючи мультиспектральні знімки супутника Sentinel-2, ми пропонуємо алгоритм, заснований на моделях машинного навчання, для виявлення вигорілих лісових ділянок. Створено новий набір даних про лісові пожежі, придатний для моделей семантичної сегментації. Запропонований алгоритм використовує підхід, заснований на згорткових нейронних мережах (CNN). Результати аналізуються та порівнюються з точки зору оцінки перетину через об'єднання (IoU). Запропонований алгоритм було протестовано на супутникових знімках Sentinel, отриманих у жовтні 2022 року для півострова Кінбурн, Україна, з точністю 95% за показником IoU.
UKR: Лісові пожежі мають довгострокові наслідки та серйозний екологічний, соціальний та економічний вплив. Використовуючи мультиспектральні знімки супутника Sentinel-2, ми пропонуємо алгоритм, заснований на моделях машинного навчання, для виявлення вигорілих лісових ділянок. Створено новий набір даних про лісові пожежі, придатний для моделей семантичної сегментації. Запропонований алгоритм використовує підхід, заснований на згорткових нейронних мережах (CNN). Результати аналізуються та порівнюються з точки зору оцінки перетину через об'єднання (IoU). Запропонований алгоритм було протестовано на супутникових знімках Sentinel, отриманих у жовтні 2022 року для півострова Кінбурн, Україна, з точністю 95% за показником IoU.
Description
Vic. Hnatushenko: ORCID 0000-0001-5304-4144; Vol. Hnatushenko: ORCID 0000-0003-3140-3788; D. Soldatenko: ORCID 0000-0001-6041-7383; C. Heipke: ORCID 0000-0002-7007-9549
Keywords
burnt forest area detection, machine learning, convolutional neural networks, spectral bands, Ukraine forests, виявлення вигорілих лісових ділянок, машинне навчання, згорткові нейронні мережі, спектральні діапазони, ліси України, КІТС
Citation
Hnatushenko Vic., Hnatushenko Vol., Soldatenko D., Heipke C. Machine Learning Approaches for Evaluating Forest Fire Impacts on Sentinel-2 Satellite Imagery Across Ukraine. Proceedings of the IV International Symposium on Applied Geoinformatics – ISAG2024 (Wroclaw, Poland, 9–10 May 2024). Wroclaw, 2024. P. 11–14. DOI: https://doi.org/10.37190/ISAG2024.