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
【目的】拟预测江西省吉安市森林火灾发生概率,为吉安市森林火灾精准防控提供科学依据。【方法】基于2001—2020年MODIS火点数据,结合气象、地形、植被及人类活动等多维因子,分析江西省吉安市森林火灾的时空分布特征及其驱动机制。采用...【目的】拟预测江西省吉安市森林火灾发生概率,为吉安市森林火灾精准防控提供科学依据。【方法】基于2001—2020年MODIS火点数据,结合气象、地形、植被及人类活动等多维因子,分析江西省吉安市森林火灾的时空分布特征及其驱动机制。采用多重共线性诊断和相关性分析筛选关键影响因子,构建了Logistic回归(binary logistic regression)模型,预测森林火灾发生概率,并利用混淆矩阵和曲线下面积(area under the curve,AUC)评估模型性能。【结果】(1)吉安市森林火灾年际变化呈5年周期性波动,主要发生在9月至次年4月,空间分布呈现北多南少、西多东少的特征;(2)人口密度、上月植被指数、海拔、本月降雨量、上月温度和灯光指数是火灾发生的主要驱动因子,其中本月降雨量和灯光指数与火灾风险呈正相关,其余因子呈负相关;(3)火灾发生概率在0.2~0.7,永丰县、安福县、永新县、吉安县和遂川县为高风险区;(4)模型AUC值为0.748,具有较好的预测能力。【结论】研究可为吉安市森林火灾风险管理提供科学依据,建议在高风险区域加强监测预警,并针对不同驱动因子采取差异化防控措施。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【目的】拟预测江西省吉安市森林火灾发生概率,为吉安市森林火灾精准防控提供科学依据。【方法】基于2001—2020年MODIS火点数据,结合气象、地形、植被及人类活动等多维因子,分析江西省吉安市森林火灾的时空分布特征及其驱动机制。采用多重共线性诊断和相关性分析筛选关键影响因子,构建了Logistic回归(binary logistic regression)模型,预测森林火灾发生概率,并利用混淆矩阵和曲线下面积(area under the curve,AUC)评估模型性能。【结果】(1)吉安市森林火灾年际变化呈5年周期性波动,主要发生在9月至次年4月,空间分布呈现北多南少、西多东少的特征;(2)人口密度、上月植被指数、海拔、本月降雨量、上月温度和灯光指数是火灾发生的主要驱动因子,其中本月降雨量和灯光指数与火灾风险呈正相关,其余因子呈负相关;(3)火灾发生概率在0.2~0.7,永丰县、安福县、永新县、吉安县和遂川县为高风险区;(4)模型AUC值为0.748,具有较好的预测能力。【结论】研究可为吉安市森林火灾风险管理提供科学依据,建议在高风险区域加强监测预警,并针对不同驱动因子采取差异化防控措施。
