将梯度提升算法与 GOES FDC 进行野火检测比较

arXiv:2610.01994v1 公告类型：cross 摘要：野火对人类生命、生态系统和财产构成严重威胁。本研究提出了一种利用 GOES ABI 影像进行野火检测的机器学习方法。研究人员使用包含数千张 ABI 影像以及超过 300,000 条匹配 VIIRS 火灾探测记录的大型数据集训练了 CatBoost 模型。在涵盖五个区域的独立数据集上进行评估显示，训练得到的 CatBoost 模型优于现行的 GOES Fire Detection and Characterization（FDC）产品。在训练区域内外，该模型均取得了更高的精确率、召回率和 F1 分数。在所有区域中，CatBoost 模型的 F1 分数比 GOES FDC 高出 0.16 至 0.38。此外，在 51 起历史火灾事件中，CatBoost 有 26 起早于 VIIRS 和 GOES FDC 检测到，而 GOES FDC 仅有 6 起更早检测到。值得注意的是，CatBoost 模型在夜间也能实现准确的野火检测，而 GOES FDC 的召回率非常低，约为 0.03。本研究表明，机器学习模型可能在现有静止卫星火灾产品的基础上带来显著改进，包括更高的准确率、更少的误报以及更早的检测。