FUELVISION: A Multimodal Data Fusion and Multimodel Ensemble Algorithm for Wildfire Fuels Mapping

准确评估燃料条件是预测火灾点燃和行为以及风险管理的先决条件。本文提出的方法利用包括Landsat-8光学影像、Sentinel-1（C波段）合成孔径雷达（SAR）影像、PALSAR（L波段）SAR影像和地形特征在内的多种数据源，捕捉有关燃料类型和分布的全面信息。使用从美国农业部森林服务处获得的森林清查和分析（FIA）现场调查数据，训练了一个集成模型来预测像“Scott和Burgan 40”这样的大面积燃料。然而，由于训练数据量不足，这种基本方法的结果相对较差。使用生成式人工智能方法开发了伪标记和完全合成数据集，以解决地面真实数据可用性的限制。这些合成数据集用于增强来自加利福尼亚州的FIA数据的鲁棒性和覆盖范围。采用深度学习神经网络、决策树和梯度提升等方法的集成模型，提供了近80%的燃料映射精度。通过广泛的实验和评估，验证了所提出方法在2021年Dixie和Caldor火灾地区的有效性。与全国农业影像计划（NAIP）的高分辨率数据和伐木地图的比较分析证实了所提出方法的鲁棒性和可靠性，具有近实时的燃料映射能力。

本论文旨在通过利用多种数据源，包括Landsat-8光学影像、Sentinel-1（C波段）合成孔径雷达（SAR）影像、PALSAR（L波段）SAR影像和地形特征等，来捕捉有关燃料类型和分布的综合信息，以提高火灾点燃和行为预测以及风险管理的准确性。

论文提出了一种集成模型，利用从美国农业部森林服务获得的森林清查和分析（FIA）田间调查数据来预测景观尺度的燃料类型，通过使用生成式人工智能方法开发的伪标记和完全合成数据集来增强模型训练的鲁棒性和覆盖范围。

论文使用了多种数据源和深度学习神经网络、决策树和梯度提升等方法，提供了近80％的燃料映射精度。通过对2021年Dixie和Caldor火灾地区的比较分析以及与高分辨率数据和伐木地图的比较分析，证实了所提出方法的鲁棒性和可靠性，具有近实时燃料映射能力。

最近的相关研究包括使用遥感数据和机器学习方法进行火灾风险评估和火灾行为模拟等。相关论文包括：“A Machine Learning Approach to Wildfire Risk Assessment”和“Modeling Wildfire Behavior with Machine Learning for Real-Time Decision Support”。