南加州燃烧区域制图的机器学习方法

准确表示燃烧区域的地点和数量对于理解火灾的模式和影响至关重要。一些现有的燃烧区域地图似乎存在较高的误判错误，这导致燃烧区域的过度代表。本研究的主要研究目标是评估用于机器学习程序的地区特定训练数据是否提高西圣地亚哥县燃烧区域产品的准确性。我们使用来自精细尺度航空正射影像的训练数据创建并比较了三组训练集，每组具有不同的Landsat尺度亚像素燃烧阈值：20%、50%或80%。这意味着在30米×30米的像素中，必须有20%、50%或80%的面积被烧毁，才能将整个像素分类为燃烧。高分辨率的正射影像用于创建训练/测试数据，以及确定哪个亚像素阈值能导致更准确的燃烧区域表示。这些训练数据被输入到梯度提升回归模型中。我们将地区特定的梯度提升模型（L-GBRM）所生成的燃烧区域产品与三种产品进行了比较：燃烧严重性监测趋势、火灾与资源评估计划以及Landsat燃烧区域产品。我们发现Landsat像素的>20%亚像素燃烧阈值产生了最准确的分类结果。我们使用50%的亚像素燃烧阈值作为参考数据进行结果比较，因为与之相关的燃烧区域与高分辨率正射影像确定的燃烧区域高度一致。L-GBRM是最准确的产品，同时映射了最小的燃烧面积，建议现有产品具有相对较高的误判错误。使用地区特定的训练数据所获得的准确性高于全国范围的训练数据。考虑在创建燃烧区域地图时使用亚像素燃烧阈值，可能会在燃烧面积表示的准确性方面带来更好的效果.