burn2scar U-Net (ResNet-34)

Базовая U-Net с энкодером ResNet-34 для попиксельной сегментации последствий пожаров по одному снимку Sentinel-2 Level-1C. Обучена на датасете burn2scar v3.0, около 20 млн параметров; это одна из базовых моделей статьи о датасете, а не SOTA.

✨ Ключевые особенности

• 🌎 Вход — 13 каналов Sentinel-2 Level-1C в фиксированном порядке, TOA reflectance ×10 000 на сетке 10 м.
• 🎨 На выходе 6 классов: clear, fresh_burn, old_burn, cloud, cloud shadow и water; пиксели no data — 255.
• 🔥 fresh_burn — до 90 дней после пожара, old_burn — от 90 до 365 дней; класс older_burn (7) не предсказывается.
• 💻 Есть predict.py: читает снимок любого размера окнами 256×256 и сохраняет маску в .tif.
• ✅ Веса под Apache 2.0, обучение — на burn2scar (CC BY 4.0).

💻 Пример

from predict import load_model, predict_array
net, config = load_model('neet1797/burn2scar-unet-r34')
mask = predict_array(net, config, image)  # image: (13, height, width), reflectance x 10,000

Подробнее

Fresh burn F1 — 81.20, mean IoU по шести классам — 71.02, fresh vs old accuracy — 95.85%.
Обучение: 16 183 train и 5 243 val тайлов; энкодер ResNet-34 с ImageNet, первый слой переделан под 13 каналов.
Ограничения: только Level-1C и четыре страны Средиземноморья; на незнакомых странах fresh-burn F1 падает на 5–8 пунктов. Малые пожары и края гарей даются хуже.