利用Sentinel-1和Sentinel-2的数据进行烧毁区域检测，并分析结合可解释性人工智能（explainable AI）的集成模型

《Environmental and Ecological Statistics》：Burned area detection using Sentinel-1 and Sentinel-2 features and analysis of ensemble models with explainable AI

多传感器卫星数据与SHAP框架结合提升烧毁区映射精度研究|土耳其地中海地区|集成机器学习模型比较|Sentinel-2关键波段(NBR,NBRSWIR,B12,B8)|GentleBoost最优分类器

　　

摘要

野火是严重的环境灾难，它们威胁生态系统的可持续性，减少生物多样性，并扰乱全球碳循环。本研究旨在通过整合多传感器卫星数据与集成机器学习和可解释人工智能（XAI），提高土耳其穆拉省博德鲁姆（Bodrum）、科伊切吉兹（K?yce?iz）和马尔马里斯（Marmaris）地区烧毁区域绘制的准确性和可解释性。研究人员处理了Sentinel-1和Sentinel-2卫星图像，提取了50个光学和雷达特征，并使用四种集成方法（AdaBoost.M1、随机森林（Random Forest）、GentleBoost和RUSBoost）对这些特征进行了分类。为了量化每个特征的贡献并指导特征选择，应用了Shapley加性解释（Shapley Additive Explanations）框架。结果表明，Sentinel-2的光谱指数（尤其是NBR、NBRSWIR以及B12和B8波段）是烧毁区域分类中最关键的变量；而Sentinel-1的特征虽然贡献相对较小，但IVH_ratio变量被证明是最具信息量的雷达基指标。在各种分类器中，AdaBoost.M1的表现最为稳定和准确，随机森林对光谱变化具有很强的敏感性，GentleBoost在特征集较少的情况下仍能有效工作，RUSBoost虽然解决了类别不平衡问题，但在空间连续性方面表现较弱。值得注意的是，当特征数量达到大约15个时，分类准确率趋于稳定，这表明可以通过较少的输入和较低的计算需求实现高精度分类。此外，McNemar统计检验证实了不同分类器之间的差异具有显著性，进一步凸显了GentleBoost相对于其他方法的明显优势。总体而言，将光学和雷达数据与XAI相结合，为地中海生态系统的烧毁区域监测提供了一个透明、高效且可复制的框架。