森林火点检测在林火应急救援中起着至关重要的作用.鉴于现有模型在样本质量、多尺度检测以及多视角图像泛化能力方面存在不足,以YOLOv7为基础,提出一种森林火点目标检测方法FFD-YOLO(forest fire detection based on YOLO).首先,构建多...森林火点检测在林火应急救援中起着至关重要的作用.鉴于现有模型在样本质量、多尺度检测以及多视角图像泛化能力方面存在不足,以YOLOv7为基础,提出一种森林火点目标检测方法FFD-YOLO(forest fire detection based on YOLO).首先,构建多视角可见光图像森林火灾高点检测数据集FFHPV(forest fire of high point view),旨在增强模型对多视角火点知识的学习能力;其次,引入全维动态卷积,构建空间金字塔池化层(OD-SPP),以此提升模型针对多视角数据的火点特征提取能力;最后,引入具有动态非单调聚焦机制的边界框定位损失函数Wise-IoU(wise intersection over union),降低低质量数据对模型精度的影响,提高小目标火点的检测能力.实验结果表明:所提出的FFD-YOLO方法相较于YOLOv7,精度提高3.9%,召回率提高3.7%,均值平均精度提高4.0%,F1分数提高0.038;同时,在与YOLOv5、YOLOv8、DDQ(dense distinct query)、DINO(detection transformer with improved denoising anchor boxes)、Faster R-CNN、Sparse R-CNN、Mask R-CNN、FCOS和YOLOX的对比实验中,FFD-YOLO具有最高的精度75.3%、召回率73.8%、均值平均精度77.6%和F1分数0.745,验证了该方法的可行性与有效性.展开更多
面对气候变化加剧带来的异常与极端火险事件频发,火管理范式正由传统被动控制转向以灾害风险韧性为导向的“与火共存”。自然生态系统中的动植物与传统生态智慧为适应低强度火灾提供了宝贵经验,揭示了可持续共存的潜力。尽管计划烧除是...面对气候变化加剧带来的异常与极端火险事件频发,火管理范式正由传统被动控制转向以灾害风险韧性为导向的“与火共存”。自然生态系统中的动植物与传统生态智慧为适应低强度火灾提供了宝贵经验,揭示了可持续共存的潜力。尽管计划烧除是公认有效的火灾风险管理工具,但在中国具体国情下,“与火共存”的系统化理念及其与计划烧除的整合研究和应用仍显不足。在研究国内外“与火共存”的基础上,创建“灾害风险预测-与火共存能力评估-计划烧除战略优先区(Risk and Coexistence-Prescribed Burning,RCO-PB)”框架。该框架旨在从理论层面系统化梳理火灾风险与生态系统共存能力间的复杂关系,并构建一套面向区域尺度火管理空间优化的普适性方法论。核心目标在于通过此框架,有效降低高强度火灾风险,科学规划火管理优先区,并为维护生物多样性提供适宜的生态环境。在RCO-PB框架指导下,运用机器学习和深度学习模型,对研究区域(重庆市嘉陵江流域)的火灾风险进行精准预测,并对生态系统的与火共存能力进行了深入评估。应用空间优化模型识别并确定了计划烧除的战略优先区,重点关注那些共存能力强但火灾风险高的区域。结果表明:土地覆盖因子在火灾风险模型预测中起到关键作用,研究区内3%的地区极易发生火灾(风险值≥0.659),7%的地区发生火灾的风险很高(风险值≥0.411),北碚缙云山火险等级极高。与火共存能力高价值区集中在植被复杂、茂密的生态系统,合川南部、北碚西部和北部具有较高的共存能力(前10%,值>0.9)。计划烧除优先区分布在以马尾松纯林、针阔混交林(马尾松-青冈栎/香樟等)为主的林区,主要对这些区域的成熟林木以及灌木进行计划烧除处理。该框架为重庆应用计划烧除管理火灾风险提供有利依据,并为我国西南地区面临高强度火灾的山地城市提供了参考。展开更多
文摘森林火点检测在林火应急救援中起着至关重要的作用.鉴于现有模型在样本质量、多尺度检测以及多视角图像泛化能力方面存在不足,以YOLOv7为基础,提出一种森林火点目标检测方法FFD-YOLO(forest fire detection based on YOLO).首先,构建多视角可见光图像森林火灾高点检测数据集FFHPV(forest fire of high point view),旨在增强模型对多视角火点知识的学习能力;其次,引入全维动态卷积,构建空间金字塔池化层(OD-SPP),以此提升模型针对多视角数据的火点特征提取能力;最后,引入具有动态非单调聚焦机制的边界框定位损失函数Wise-IoU(wise intersection over union),降低低质量数据对模型精度的影响,提高小目标火点的检测能力.实验结果表明:所提出的FFD-YOLO方法相较于YOLOv7,精度提高3.9%,召回率提高3.7%,均值平均精度提高4.0%,F1分数提高0.038;同时,在与YOLOv5、YOLOv8、DDQ(dense distinct query)、DINO(detection transformer with improved denoising anchor boxes)、Faster R-CNN、Sparse R-CNN、Mask R-CNN、FCOS和YOLOX的对比实验中,FFD-YOLO具有最高的精度75.3%、召回率73.8%、均值平均精度77.6%和F1分数0.745,验证了该方法的可行性与有效性.
文摘面对气候变化加剧带来的异常与极端火险事件频发,火管理范式正由传统被动控制转向以灾害风险韧性为导向的“与火共存”。自然生态系统中的动植物与传统生态智慧为适应低强度火灾提供了宝贵经验,揭示了可持续共存的潜力。尽管计划烧除是公认有效的火灾风险管理工具,但在中国具体国情下,“与火共存”的系统化理念及其与计划烧除的整合研究和应用仍显不足。在研究国内外“与火共存”的基础上,创建“灾害风险预测-与火共存能力评估-计划烧除战略优先区(Risk and Coexistence-Prescribed Burning,RCO-PB)”框架。该框架旨在从理论层面系统化梳理火灾风险与生态系统共存能力间的复杂关系,并构建一套面向区域尺度火管理空间优化的普适性方法论。核心目标在于通过此框架,有效降低高强度火灾风险,科学规划火管理优先区,并为维护生物多样性提供适宜的生态环境。在RCO-PB框架指导下,运用机器学习和深度学习模型,对研究区域(重庆市嘉陵江流域)的火灾风险进行精准预测,并对生态系统的与火共存能力进行了深入评估。应用空间优化模型识别并确定了计划烧除的战略优先区,重点关注那些共存能力强但火灾风险高的区域。结果表明:土地覆盖因子在火灾风险模型预测中起到关键作用,研究区内3%的地区极易发生火灾(风险值≥0.659),7%的地区发生火灾的风险很高(风险值≥0.411),北碚缙云山火险等级极高。与火共存能力高价值区集中在植被复杂、茂密的生态系统,合川南部、北碚西部和北部具有较高的共存能力(前10%,值>0.9)。计划烧除优先区分布在以马尾松纯林、针阔混交林(马尾松-青冈栎/香樟等)为主的林区,主要对这些区域的成熟林木以及灌木进行计划烧除处理。该框架为重庆应用计划烧除管理火灾风险提供有利依据,并为我国西南地区面临高强度火灾的山地城市提供了参考。
