GIS, Remote Sensing and Machine Learning Applications for Forest Fire Mapping, Susceptibility Assessment and Risk Analysis: A Systematic Review
Deze systematische review van 51 studies benadrukt de groeiende dominantie van machine learning-modellen zoals Random Forest en XGBoost, gecombineerd met remote sensing-data zoals MODIS en Sentinel-2, in het in kaart brengen en beoordelen van bosbrandrisico's, terwijl het kritieke geografische hiaten in Afrikaans onderzoek identificeert en oproept tot toekomstige vooruitgang in dataresolutie, modelvalidatie en wereldwijde dekking.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Bosbranden zijn meer dan alleen een dramatisch schouwspel van rook en vlammen; het zijn krachtige krachten die landschappen hervormen, de lucht die we inademen veranderen en gemeenschappen bedreigen. Om deze risico's te beheersen, moeten wetenschappers precies weten waar branden hebben gebrand, hoe ernstig de schade was en waar de volgende brand zou kunnen ontstaan. Decennialang vereiste het verzamelen van deze informatie teams van mensen op de grond, een traag en gevaarlijk proces dat geen uitgestrekte, afgelegen bossen kon bestrijken. Tegenwoordig is het perspectief verschoven van de grond naar de lucht. Satellieten die rond de aarde draaien, fungeren als constante waarnemers die beelden van het aardoppervlak vastleggen in zichtbaar licht en andere onzichtbare golflengten. Deze beelden onthullen veranderingen in vegetatie en hitte die de aanwezigheid van een brand signaleren. Door deze satellietfoto's te combineren met computerprogramma's die patronen kunnen herkennen — bekend als machine learning — kunnen onderzoekers nu brandschade in kaart brengen en toekomstige risico's voorspellen met een snelheid en schaal die ooit onmogelijk was.
Een nieuwe systematische review door Lucius Malalu en Henry Chinthuli brengt het nieuwste werk in dit veld samen en onderzoekt hoe deze technologieën worden gebruikt om bosbranden te begrijpen. De onderzoekers bekeken 51 studies gepubliceerd tussen 2021 en 2026, op zoek naar de meest effectieve manieren om gebrande gebieden in kaart te brengen en brandgevaar te beoordelen. Hun doel was om te zien welke instrumenten wetenschappers het vaakst gebruiken, waar het onderzoek plaatsvindt en welke uitdagingen er nog blijven bestaan. De review onthult een veld dat snel evolueert, waarbij de verschuiving plaatsvindt van eenvoudige handmatige controles naar complexe, geautomatiseerde systemen die enorme hoeveelheden gegevens kunnen verwerken om bossen en mensen te beschermen.
De onderzoekers vonden dat het werk zwaar geconcentreerd is in Azië, wat bijna twee derde van de beoordeelde studies besloeg. Landen als China, India en Turkije liepen voorop, terwijl Afrika, ondanks aanzienlijke risico's op bosbranden, slechts door vier studies werd vertegenwoordigd. Deze kloof suggereert dat hoewel de technologie vordert, de toepassing ervan nog niet gelijkmatig over de wereld is verdeeld. Wat betreft de gebruikte instrumenten, benadrukte de review dat de MODIS-satellitsensor de populairste keuze was, die in 27 van de studies voorkwam. Deze sensor wordt gewaardeerd om zijn vermogen om frequente foto's van de aarde te maken, waardoor wetenschappers branden kunnen volgen terwijl ze plaatsvinden. Sentinel-2, dat scherpere, meer gedetailleerde beelden biedt, was het op één na meest gebruikte hulpmiddel. De keuze voor een sensor hangt vaak af van de specifieke behoefte: MODIS voor het bekijken van het grote plaatje in de loop van de tijd, en Sentinel-2 voor het zien van de fijne details van een specifiek gebrand deel.
Wanneer het gaat om de computerprogramma's die deze beelden analyseren, is machine learning de standaard geworden. Het meest gebruikte model was Random Forest, een methode die veel beslissingsbomen bouwt om een uiteindelijke voorspelling te doen, en dat in 28 van de studies voorkwam. Dit werd gevolgd door XGBoost en Support Vector Machines. Deze programma's worden getraind om de unieke "handtekeningen" van gebrand land te herkennen. Ze kijken naar een breed scala aan aanwijzingen, zoals de temperatuur van de grond, hoeveelheid recente regenval, de steilheid van het terrein en de nabijheid van wegen of steden. Een van de meest gebruikte aanwijzingen was een meting genaamd de Normalized Difference Vegetation Index, die de computer vertelt hoe gezond de planten zijn. Door al deze factoren in de computer te voeren, kunnen de modellen kaarten maken die niet alleen laten zien waar een brand heeft gebrand, maar ook hoe waarschijnlijk het is dat een gebied in de toekomst zal branden.
Ondanks deze vooruitgang wijst de review erop dat de technologie niet perfect is. Een grote hindernis is de resolutie van de beelden. Als de satellietfoto te wazig is, kunnen kleine branden volledig worden gemist, of kunnen de randen van een gebrand gebied er onscherp uitzien. Datakwaliteit en beschikbaarheid vormen ook problemen, vooral in regio's waar de satellietdekking inconsistent is of waar wolken de grond aan het zicht onttrekken. De auteurs merken op dat hoewel de modellen beter worden, ze nog steeds moeite hebben om overal ter wereld even goed te werken. Een model dat getraind is op branden in één land, werkt misschien niet nauwkeurig in een ander land omdat de bossen, het weer en de menselijke activiteiten verschillend zijn.
De weg vooruit, volgens de review, houdt in dat de hiaten in de wereldwijde dekking worden opgevuld, met name in Afrika, en dat de kwaliteit van de gegevens wordt verbeterd. Onderzoekers worden aangemoedigd om verschillende soorten satellietbeelden te combineren om een duidelijker beeld te krijgen en om geavanceerdere deep learning-technieken te gebruiken die uit de beelden kunnen leren zonder dat er zoveel handmatige instructies nodig zijn. Het uiteindelijke doel is om systemen te creëren die bossen continu kunnen monitoren en betrouwbare, actuele informatie kunnen bieden om beheerders te helpen betere beslissingen te nemen. Door deze instrumenten te verfijnen, hopen wetenschappers de chaotische natuur van bosbranden te veranderen in een beheersbaar risico, door gebruik te maken van de ogen in de lucht om de bossen beneden te beschermen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.