Robuste Brandfläche-Delineierung durch Multitask-Lernen

In den letzten Jahren stellen Waldbrände aufgrund ihrer zunehmenden Häufigkeit und Intensität eine erhebliche Herausforderung dar. Daher ist eine genaue Abgrenzung der verbrannten Flächen für die Umweltüberwachung und die Nachbehandlung nach Bränden von entscheidender Bedeutung. Traditionelle Ansätze, die auf binären Segmentierungsmodellen basieren, haben jedoch oft Schwierigkeiten, robuste und genaue Ergebnisse zu erzielen, insbesondere wenn sie von Grund auf trainiert werden, aufgrund begrenzter Ressourcen und der inhärenten Ungleichgewichtigkeit dieser Segmentierungsaufgabe. Wir schlagen zwei Methoden vor, um diese Einschränkungen zu überwinden: Erstens bauen wir einen ad-hoc-Datensatz auf, um mit den begrenzten Ressourcen umzugehen. Dieser Datensatz kombiniert Informationen aus Sentinel-2-Signalen mit Copernicus-Aktivierungen und anderen Datenquellen. In diesem Datensatz liefern wir Annotationen für mehrere Aufgaben, darunter die Abgrenzung verbrannter Flächen und die Segmentation des Landbedeckungsgrades. Zweitens schlagen wir ein Mehrfachaufgaben-Lernframework vor, das die Landbedeckungsklassifikation als Nebenaufgabe integriert, um die Robustheit und Leistungsfähigkeit der Modelle zur Segmentierung verbrannter Flächen zu verbessern. Wir vergleichen die Leistung verschiedener Modelle, darunter UPerNet und SegFormer, und zeigen die Effektivität unseres Ansatzes im Vergleich zur standardmäßigen binären Segmentierung.