Определение сожженных сельскохозяйственных площадей с использованием комплексного подхода на основе мультиспектральных индексов, связанных с пожарами и растительностью, со спутника Sentinel-2

Введение

В данном исследовании представлена методология, ориентированная на детектирование сожженных сельскохозяйственных площадей с использованием мультиспектральных данных Sentinel-2 с разрешением 10 м. Мы разработали простой, адаптированный к местным условиям, понятный подход многопорогового анализа индексов для извлечения сожженных площадей после зимнего сезона с высоким разрешением за 2019-21 гг. Кроме того, мы разработали новый метод виртуального сбора проб с использованием уже проверенных данных о местах пожаров и визуальной интерпретации, основанной на строгих критериях отбора, для повышения точности проб. Точность отбора проб показала почти идеальное соответствие со средним значением каппы Коэна 0,98. Мы извлекли ежемесячные данные по сожженным сельскохозяйственным площадям (ССП) с разрешением 10 м, и эти продукты были проверены по отношению к эталонным участкам сожженной площади, идентифицированным с помощью визуальной интерпретации спутниковых данных Planet (3 м). В целом, мы обнаружили, что наш метод хорошо работает, с F1-мерой 83,63% и низкими ошибками включения (20%) и пропуска (7%). При сравнении с глобальными продуктами по сожженным площадям точность валидации продемонстрировала исключительную способность детектирования на субпиксельном уровне. Исследование также учитывает сложность сжигания остатков и непостоянный характер сигнатур пожара путем проведения многоуровневого маскирования и временных коррекций.

• Новый подход к виртуальному отбору проб с использованием данных дистанционного зондирования для получения сожженных и несожженных проб.
• Комплексный метод извлечения сожженных площадей мелких фермерских хозяйств с использованием мультиспектральных данных Sentinel-2 с высоким разрешением 10 м.

Предпосылки

Мы представляем методологию, адаптированную для использования индексов пожара, полученных на основе данных Sentinel-2 MSI, для детектирования сожженных сельскохозяйственных площадей (ССП) с использованием платформы Google Earth Engine (GEE). Существующие глобальные продукты данных значительно недооценивают сожженные сельскохозяйственные площади из-за разнообразной природы сельскохозяйственных полей и распространения пожаров [1,21,29]. Мелкие сельскохозяйственные пожары, частые в условиях мелких землевладений Индии, как доказано, не обнаруживаются датчиками с грубым разрешением, включая MERIS, MODIS и AVHRR. Учитывая пространственное и временное разрешение пожаров в мелких хозяйствах, Sentinel-2 с высоким разрешением (10 м) может обеспечить оптимальное решение для детектирования ССП.

Отбор проб сожженных участков, важный фактор для обучения и валидации алгоритма, обычно проводится путем выбора опорных точек на местности или визуальной интерпретации, но оба метода имеют ограничения [13,14,22,25]. Чтобы преодолеть ограничения по охвату территории и ошибки визуального прогнозирования от опорных точек и визуальной идентификации соответственно, мы предлагаем новый подход виртуального отбора проб. Наше исследование изучило потенциал наборов данных MOD14A1.006 (Термальные аномалии и пожары Terra, ежедневные глобальные 1 км) и MYD14A1.006 (Термальные аномалии и пожары Aqua, ежедневные глобальные 1 км) в сочетании с визуальной интерпретацией для преодоления ограничений полевого отбора проб. Метод использовал стандартные продукты MODIS по пожарам и термальным аномалиям для поддержки визуальной идентификации выжженных участков для отбора проб. Эта техника может значительно помочь снизить зависимость от наземного отбора проб. Подход генерирует региональные продукты по сожженным сельскохозяйственным площадям (ССП) с высоким разрешением в GEE с использованием индикаторов, полученных из данных Sentinel-2 MSI, и хорошо обусловленного виртуального отбора проб. Эти продукты могут быть использованы для устранения неопределенностей в оценках выбросов от сжигания стерни в основном неисследованных районах Центральной Индии.

Ниже мы описываем данные и методы, использованные в этой статье для отбора обучающих и валидационных данных (Раздел 1), картографирования сожженных площадей с использованием изображений Sentinel-2 (Раздел 2) и валидации нашего продукта по сожженным площадям (Раздел 3). В Таблице 1 перечислены используемые наборы данных и цели их применения.

Таблица 1. Обзор наборов данных, использованных в этом исследовании.

Сбор обучающих и валидационных данных

Для сбора данных о сожженных и несожженных пикселях мы разработали новую методологию виртуального отбора проб (Рис. 1), которая использует наборы данных об активных пожарах для определения вероятных регионов с пожарами для визуальной интерпретации изображений Sentinel-2. Следующие подразделы предоставляют детали используемых наборов данных и метода отбора проб, разработанного для данного исследования.

Виртуальный отбор проб сожженных и несожженных сельскохозяйственных пикселей с использованием данных дистанционного зондирования

Для метода виртуального отбора проб мы использовали спутниковые продукты MODIS на основе излучения в 4 и 11 мкм для создания ежедневных композитов масок пожара с разрешением 1 км: MYD14A1.006 (Термальные аномалии и пожары Aqua) и MOD14A1.006 (Термальные аномалии и пожары Terra). Эти базы данных ранее использовались для обнаружения лесных пожаров и сжигания сельскохозяйственных остатков [7,27,31]. Ежедневные композиты масок пожара за 2019 год с марта по май использовались для проведения вспомогательного отбора проб сожженных пикселей S2A. Временной период выбран в соответствии с уборкой зимнего урожая и связанным сжиганием остатков в нашем регионе исследования.

Оба продукта по пожарам идеально подходят для мониторинга пожаров, учитывая короткое временное разрешение пожаров и временной охват (день и ночь) продуктов MODIS. На основе цикла повторного пролета Sentinel-2 и охвата исследуемой территории мы создали семидневные композиты наборов данных S2A за март, апрель и май 2019 года (подробнее об изображениях S2A и предварительной обработке в Разделе 2.1). Аналогично, семидневные композиты были созданы из ежедневных продуктов MODIS по пожарам для обнаружения выжженных участков. Ложный цветной композит (ЛЦК) данных S2A был создан с использованием коротковолнового инфракрасного, ближнего инфракрасного и зеленого каналов (R: SWIR2, G: NIR, B: GRE) для лучшей визуальной интерпретации сожженных площадей. После анализа параметров визуализации в GEE, коричневые выжженные участки анализировались для дальнейшего отбора проб с использованием продуктов по активным пожарам [11,13]. Семидневный композит S2A накладывался на семидневные композиты MOD14A1.006 и MYD14A1.006 для сопоставления наблюдаемой пожарной активности из глобальных продуктов по активным пожарам и визуально обнаруженных выжженных участков из данных S2A.

Рис. 2 дает обзор стратегии отбора проб для обнаружения сожженных площадей. Мы сформулировали критерии для идентификации сельскохозяйственных сожженных площадей с использованием визуальной интерпретации. Выжженные участки из семидневных композитов S2A, перекрывающиеся с семидневными композитами продуктов MODIS по пожарам, рассматривались для отбора проб, если все критерии отбора (Рис. 1) выполнялись. Поскольку MODIS имеет вероятность ~50% обнаружения пожара площадью не менее 18 га [30], для отбора проб рассматривались только выжженные участки минимальной площадью 0,5 км? (~50 га). Мы не рассматривали выжженные участки в пределах 500 м от лесных массивов, чтобы избежать влияния лесных пожаров на наши продукты. Кроме того, активные пиксели пожара, перекрывающиеся с поселениями площадью более 1 км?, изолированными электростанциями, фабриками с трубами, горнодобывающими сооружениями и незамаскированными водными объектами, исключались, чтобы избежать влияния несельскохозяйственных пожаров и водных пикселей. Пиксели с активным пламенем или покрытые дымом также исключались, чтобы устранить влияние дыма и огня на связанные спектральные индексы. Продукты MOD14A1.006 и MYD14A1.006 по пожарам предоставляют девять классов, где классы 7-9 обозначают пиксели пожара в зависимости от низкой до высокой степени уверенности соответственно. Мы рассматривали только пиксели пожара с высокой степенью уверенности (классы 8 и 9) для обнаружения сожженных пикселей на изображениях S2A. Чтобы гарантировать, что отобранные сожженные пиксели принадлежат сельскохозяйственным землям, мы ограничили наш отбор проб пикселями, которые показали двухвершинную фенологию во временном ряде NDVI в течение двух сельскохозяйственных сезонов [28]. Мы рассчитали временные ряды NDVI для всех лет исследования с использованием данных S2A.

Рисунок 1 - Данные дистанционного зондирования помогли провести виртуальную выборку сгоревших и несгоревших пикселей сельского хозяйства.

Пробные полигоны были созданы для формирования коллекции объектов в GEE для дальнейшего анализа. Из-за ограничений GEE было собрано примерно по 100 таких полигонов со сожженными пробами на каждый композит за 2019 год. Из-за недостаточного количества активных пикселей пожара в первой половине марта 2019 года мы не рассматривали первые два композита S2A для отбора проб. Мы собрали 1160 полигонов сожженных проб за период отбора проб (март-май 2019), примерно по 40 сожженных пикселей на каждый полигон.

Убранные или вспаханные пашни часто демонстрируют спектральные характеристики, сравнимые с сожженными площадями [13,22]. Чтобы решить эту проблему, несожженные пробы открытых полей вблизи сожженных проб собирались путем визуальной интерпретации изображений S2A. Кроме того, также собирались несожженные пробы с неубранных пашен, растительности, поселений, оголенных речных берегов и незамаскированных водных объектов. Другие несгораемые объекты, включая топографические тени, каменистые поверхности и пути сообщения (дороги, железные дороги), также учитывались в несожженных пробах. Было извлечено примерно по 40 полигонов из каждой подкатегории, чтобы обеспечить их надлежащее представление в наборе пробных данных. Мы сохранили количество пикселей в каждом полигоне таким же, как и у сожженных проб (примерно 40 пикселей/полигон), и за период отбора проб было создано 3246 полигонов несожженных проб.

Рисунок 2 - Стратегия виртуального отбора проб на выгоревших участках с использованием данных дистанционного зондирования. (а) Изображение FCC (R:B12, G:B8, B:B3), на котором видны шрамы от ожогов. (б) Изображение FCC, наложенное на данные о местоположении пожара MYD14A1 и MOD14A1. (c) Подходящие участки для отбора проб в соответствии с таблицами MYD14A1 и MOD14A1. (d) и (e) Выбор участков для отбора проб на основе критериев отбора проб.

Оценка точности стратегии отбора проб

Мы выполнили классификацию изображений для всех семидневных композитов изображений S2A, используя собранные нами сожженные и несожженные пробы, и оценили точность стратегии отбора проб. Алгоритм smileRandomForest, разработанный в GEE, был применен для обучения классификатора на основе решающего леса. Несожженные пробы были дополнительно разделены на убранные/открытые поля, растительность и несгораемые классы для повышения точности классификации и идентификации классов пикселей, которые с наибольшей вероятностью могут быть ошибочно классифицированы как сожженные. В GEE мы выполнили настройку гиперпараметров с каждым набором проб, чтобы выбрать оптимальное количество деревьев решений и ограничить их число до 200. Порог в 60% был применен для случайного выбора полигонов проб для обучения и валидации классификатора. Все три подкласса несожженных проб обрабатывались как единый несожженный класс для дальнейшего анализа.

Спутниковый набор данных и предварительная обработка

Мы использовали продукт Sentinel-2, уровень 2А (S2A), предоставляемый Европейским космическим агентством (ESA), для детектирования ССП. Данные были свободно доступны на платформе GEE. Данные уровня 2А представляли собой откорректированные значения поверхностного отражения (дно атмосферы), вычисленные из соответствующих данных уровня 1С с использованием алгоритма Sen2Cor [16]. Данные предоставлялись в виде тайлов размером 100 ? 100 км? в проекции UTM/WGS84 [18]. Разница в пространственном разрешении между каналами (10 м для спектральных каналов 'B2-B4' и 'B8' и 20 м для спектральных каналов 'B6', 'B7', 'B8A', 'B11', 'B12') была устранена алгоритмом масштабирования GEE, который изменяет пространственное разрешение при экспорте данных [5], и мы экспортировали все каналы и индексы с разрешением 10 м. Изображения S2A фильтровались по облачности менее 10%, и мы использовали канал 'QA60' с пространственным разрешением 60 м для маскирования оставшихся облаков и теней от облаков. Удаление теней от облаков особенно важно, учитывая, что они имеют схожую спектральную сигнатуру с выжженными участками по различным пожарным индексам. Дополнительно мы визуализировали все изображения и исключали те изображения, на которых выжженные участки были покрыты дымкой. Всего было обработано 3 522 тайла S2A для создания нашего итогового набора данных.

Мы замаскировали типы земного покрова, не связанные с сельским хозяйством, но которые могут влиять на детектирование сожженных площадей, с использованием нескольких наборов данных. Для маскирования лесов, воды и затопленной растительности мы использовали глобальный продукт Esri 2020 Global Land Use Land Cover (10 м) [8]. Поднабор для Мадхья-Прадеша (MP LULC 2020) был извлечен из глобального набора данных для создания маски классов воды, деревьев и затопленной растительности. Мы также применили дополнительную маску воды, используя класс воды из Глобальной карты леса/не леса PALSAR-2/PALSAR, предоставленной Исследовательским центром дистанционного зондирования Земли Японского агентства аэрокосмических исследований (JAXA EORC) за 2017 год. Кроме того, порог модифицированного нормализованного индекса разности воды (MNDWI) также использовался для маскирования водных пикселей. Порог для водных пикселей определялся путем случайной выборки водоемов на изображениях S2А.

Спектральные индексы и преобразование изображений

Из-за разнообразной природы сельскохозяйственных полей и распространения пожаров в течение периода исследования были проанализированы несколько индексов, специально разработанных для детектирования сожженных площадей, вместе с индексами хлорофилла, влажности и яркости (Таблица 2). Три канала из видимого спектра (ВИС: 'B2, B3 и B4'), ближний инфракрасный канал (БИК: 'B8'), три канала красного края (КК: 'B6', 'B7' и 'B8A'), канал коротковолнового инфракрасного отражения (SWIR1: 'B11') и канал длинноволнового инфракрасного отражения (SWIR2: 'B12') использовались для вычисления индексов, необходимых для обнаружения сожженных площадей. Индексы, чувствительные к углю и золе, такие как Нормализованный индекс пожара (NBR), Нормализованный индекс пожара 2 (NBR2), Индекс сожженной площади (BAI), специфичный для Sentinel-2 индекс сожженной площади (BAIS2) и Индекс пожара в среднем инфракрасном диапазоне (MIRBI), использовались для идентификации выжженных участков сразу после пожара [4,10,15,17,24,26]. NDVI также использовался для исключения ложноположительных сигнатур от осевшей золы на несожженных полях [19]. Мы использовали индексы Яркости, Зелени и Влажности, полученные с помощью преобразования Tasseled Cap (TCT), для интеграции более широкого диапазона спектральной информации [23]. После расчета спектральных индексов мы извлекли их значения для всех 4406 полигонов проб для дальнейшего анализа.

Таблица 2. Список спектральных индексов и методов преобразования изображений, использованных в этом исследовании.

3.3. Оценка разделимости классов

Разделимость классов [22] является надежной мерой для проверки способности спектрального индекса отделять сожженные пиксели от несожженных. Мы рассчитали параметрический индекс разделимости, используя M-статистику [9], следующим образом:

где μUB и μB представляют среднее значение сожженных и несожженных классов, а σB и σUB представляют соответствующие стандартные отклонения. Значения M ниже единицы указывают на плохую разделимость классов, тогда как значения выше единицы указывают на хорошую разделимость. Часто бывает несколько деревьев посреди поля, которые обычно не затрагиваются пожаром. Поскольку не всегда было возможно избежать деревьев внутри поля при очерчивании сожженных полигонов, мы применили порог среднего значения NDVI для удаления пикселей с растительностью, которая мешала разделимости классов. Поскольку мы наблюдали, что пиксели, представляющие деревья, имели значения NDVI больше среднего значения NDVI для каждого изображения в композите, мы замаскировали все пиксели, у которых значение NDVI было больше этого среднего значения. Индексы со значениями M больше единицы были выбраны для дальнейшего анализа. Затем мы проанализировали спектральное распределение всех четырех индексов (BAI, BAIS2, NBR и TBI), показывающих значения M больше единицы по двум классам, Отобранные Сожженные (\(S_{\text{B}}\)) и Отобранные Несожженные (\(S_{\text{UB}}\)), чтобы спроектировать пороговое обусловливание, используемое в последующем анализе. Далее, мы исключили NBR из дальнейшего анализа из-за его недостаточной разделимости классов, несмотря на значение M выше единицы.

3.4. Пороговое обусловливание для сожженных площадей

Чтобы избежать перекрывающихся пикселей и выбросов, мы установили фиксированный диапазон порогов для сожженных и несожженных классов для улучшения разделимости. Мы использовали пределы класса Отобранных Сожженных SB для обнаружения сожженной площади на изображениях S2A. Выжженные участки отделялись от фона (несожженные площади) путем присвоения 5-го и 95-го процентильных значений каждого индекса в качестве нижнего и верхнего порогов соответственно. Пороговые значения были зафиксированы после учета спектрального распределения (разброс кривой, перекрытие между классами, выбросы и т.д.) обоих отобранных классов. Пиксель классифицировался и извлекался как сожженный, если он удовлетворял всем условиям соответствующей комбинации порогов. Из-за сходства принципа детектирования BAI и BAIS2 мы спроектировали три многоканальные комбинации и исследовали их индивидуальную и совместную способность обнаруживать сельскохозяйственные выжженные участки. Чтобы проверить индивидуальную производительность BAI и BAIS2, мы разработали две пороговые комбинации, T1: BAI и TBI, и T2: BAIS2 и TBI. Третья пороговая комбинация, T3: BAI и BAIS2, использовалась для проверки совместной производительности всех выбранных индексов. Мы создали дополнительную комбинацию T4 со всеми тремя индексами, чтобы увидеть, может ли TBI улучшить производительность T3, заполнив спектральный разрыв между двумя индексами.

Настройка порога сгоревших пикселей и извлечение сгоревших пикселей с использованием порогового условия T1

Пороговые комбинации применялись отдельно ко всем 7-дневным композитам S2A 2019 года, использованным для извлечения сожженных и несожженных полигонов. Результаты преобразовывались в бинарные изображения (сожженные: передний план, несожженные: фон), и объединенные результаты сравнивались для определения оптимальных пороговых критериев, которые будут использоваться для разработки продуктов S2A-ABAMP201921 для сезона сжигания после зимы с 2019 по 2021 год.

3.5. Оценка пороговых комбинаций

Все пороговые комбинации оценивались с использованием алгоритма `smileRandomForest` (RF) [6]. Тот же набор полигонов сожженных и несожженных проб использовался для обучения классификатора на основе решающего леса. RF использовался для классификации бинарных изображений, сгенерированных после применения каждого порога. Ошибка включения CE использовалась в качестве детерминанта производительности порогового условия. CE представляет долю ложноположительных срабатываний (т.е. пикселей, предсказанных как сожженные, но фактически не сожженных). Поскольку сожженные пробные пиксели, использованные для обучения классификатора, принадлежали бинарному изображению, высокая CE указывает на низкую производительность порога для извлечения сожженных площадей из изображений S2A. CE рассчитывается следующим образом:

где FP и FN — ложноположительные и ложноотрицательные срабатывания, а TP — истинноположительные срабатывания для данного класса.

Ошибка пропуска (\(O_E\)), мера ложноотрицательных срабатываний, рассчитывается следующим образом:

В дополнение к \(C_E\) и \(O_E\) также рассчитывалась F1-мера, которая измеряет точность теста. F1-мера является гармоническим средним точности и полноты и является более надежной, чем общая точность [12]. F1-мера рассчитывается следующим образом:

где TP — истинноположительные, FP — ложноположительные, а FN — ложноотрицательные срабатывания.

Мозаика области исследования S2A, наложенная на ежемесячную сводку о местоположении пожара, апрель 2019 года. Полосы RGB для мозаики S2A внизу

4. Карта сожженных площадей

Пороговая комбинация T1 применялась ко всем изображениям S2A с облачностью менее 10% над исследуемой территорией для создания ежемесячных карт сожженных сельскохозяйственных площадей для сезона сжигания после зимы с 2019 по 2021 год. Дополнительный фильтр облачности применялся к изображениям с тенями над выжженными участками, чтобы избежать ложноположительных сигнатур от краев теней облаков. Традиционный способ извлечения сожженной площади путем вычитания двух последовательных изображений не использовался, учитывая недолговечную сигнатуру пожара на сельскохозяйственных полях. Вместо этого порог применялся ко всем доступным изображениям, и создавались 5-дневные композиты для временного извлечения сожженных площадей. Непрерывная трехмесячная временная коррекция применялась путем маскирования сожженной площади каждого 5-дневного композита tn с использованием сожженных площадей, обнаруженных предыдущим 5-дневным композитом tn-1, чтобы избежать повторного извлечения долгосрочных сигнатур пожара, учитывая, что разрыв между двумя композитами не превышал 10 дней.

5. Валидация продукта ССП

Валидация продукта S2A-ABAMP201921 проводилась с использованием изображений PlanetScope от Planet в качестве независимых спутниковых продуктов. Мы использовали скорректированные почти ежедневные четырехканальные (RGB и БИК) изображения со всех датчиков PlanetScope с передискретизацией до 3 м. Почти ежедневные изображения предоставлялись с радиометрической, сенсорной и геометрической коррекцией с размером тайла приблизительно 25,0 ? 23,0 км? [20]. Валидационные данные с более высоким пространственным и временным разрешением (3 м, ~ежедневно), чем S2A (10 м, 5 дней), использовались, поскольку предыдущие исследования рекомендовали использовать данные с высоким пространственным и временным разрешением для валидации [2]. Общая площадь 28 159,76 км? была обработана для валидации итогового продукта S2A-ABAMP201921 с разрешением 10 м за 2019-2021 годы.

(a) комбинированный цвет S2A (FCC) эталонного участка. (b)-(j) Показатели различных показателей для различения обгоревших и несгоревших участков. Цветная полоса представляет собой (a) комбинацию диапазонов значений FCC и (b)- (j) наблюдаемых минимальных и максимальных значений. (k) Средние значения M для всех композитов, использованных для отбора образцов за период исследования, в порядке убывания их характеристик.

Мы получили доступ к изображениям, используя бесплатный уровень для академического использования. Валидация проводилась с использованием изображений с теми же датами съемки, что и наши данные S2A, чтобы избежать временного несоответствия. Методология виртуального сбора проб, описанная в разделе 3.1, использовалась для получения примерно 30 эталонных полигонов сожженных и несожженных площадей для каждого изображения PlanetScope. Мы обрезали изображения S2A, чтобы соответствовать пространственному охвату каждой сцены PlanetScope, и пороговое условие T1 применялось к каждому поднабору. Итоговый поднабор S2A-ABAMP201921 преобразовывался в бинарное изображение, где сожженный передний план был равен 1, а несожженный фон — 0. Классификатор RF строился с использованием эталонных полигонов PlanetScope в качестве обучающих выборок и затем использовался для классификации бинарного изображения. Мы также валидировали каждый глобальный продукт по сожженным площадям, используя тот же набор валидационных данных за 2019 год. Статистика ошибок была представлена для исследуемой территории и периода (2019-2021). Доступность и временное распределение эталонных данных не являются равномерными в течение исследуемого периода: 17 эталонных изображений за 2019 год, 2 за 2020 год и 4 за 2021 год.

Гистограмма спектральных характеристик сгоревших (SB) и несгоревших (SUB) классов с использованием различных индексов пожароопасности.

6. Результаты валидации метода

6.1. Обнаружение сожженных площадей

Ежемесячный композит S2A, наложенный на ежемесячные композиты MOD14A1.006 и MYD14A1.006 за апрель 2019 года, указывает на пожарную активность над исследуемой территорией. Точность стратегии отбора проб оценивалась путем проведения оценки точности. Среднее значение каппы Коэна составило 0,98 (с пренебрежимо малыми ошибками пропуска и включения 0,0041 и 0,0039 соответственно). Как и ожидалось, ни один из индексов не смог различить воду и сожженную площадь. Мы обнаружили, что индексы пожара, такие как BAI, BAIS2, NBR, NBR2 и MIRBI, не могут отличить сожженные площади от влажных поверхностей (речные берега, речные острова). Однако Индекс Яркости (TBI) и Индекс Влажности (TWI) преобразования TassCap оказались полезными со значениями M выше 1. Мы выбираем TBI из индексов TassCap из-за его более высокой разделимости классов, чем у TWI (значение M 2,2 против 1,4). TBI показывает сравнительно четкое разделение обоих классов, нормально распределенных с одним выраженным пиком. Только TBI показывает унимодальное распределение для обоих классов. BAI и BAIS2 демонстрируют несколько контрастное поведение с распределением сигнатур \(S_{\text{B}}\) и \(S_{\text{UB}}\). Однако BAI показывает более явное разделение, чем BAIS2; последний показывает меньший разброс для класса \(S_{\text{B}}\). На основе наших результатов мы выбираем BAI, BAIS2 и TBI для порогового обусловливания.

Пороговая комбинация T1 (BAI и TBI) показала наилучшие результаты с низкой ошибкой включения (~17%) и высокой F1-мерой (~90%), что указывает на лучшую эффективность в извлечении сожженной площади. Непрерывная трехмесячная временная коррекция применялась к извлеченной сожженной сельскохозяйственной площади, что помогло уменьшить повторное извлечение и переоценку сожженной площади.

6.2. Валидация S2AABAMP201921, MCD64A1 и FireCCI51 с использованием изображений PlanetScope

Результаты оценки точности после сравнения S2A-ABAMP201921 с валидационными данными изображений PlanetScope показаны в Таблице 3. Наблюдается высокая \(C_{\text{E}}\) в 38,31% в 2020 году, затем в 2021 (28,88%) и 2019 (10,73%); эти значения \(C_{\text{E}}\) показывают обратную зависимость с количеством доступных эталонных данных. С другой стороны, \(O_{\text{E}}\) показывает противоположную картину с низкими значениями в 2021 (0,8%) и 2020 (0,1%). \(O_{\text{E}}\) для 2019 была очень мала (0,013%), что указывает на высокую точность. F1-меры для 2019 (94,24%) и 2021 (82,76%) указывают на хорошее соответствие, тогда как для 2020 F1-меры умеренные (76,07%). В целом, эти результаты указывают на справедливое соответствие между эталонными данными и продуктом по сожженным площадям, учитывая доступность набора валидационных данных. Результаты валидации оказались обнадеживающими, с относительно низкими \(O_{\text{E}}\) и \(C_{\text{E}}\) и высокой F1-мерой, даже при использовании ограниченных валидационных данных.

Выполнение пороговых условий при обнаружении выжженной области. (a) составная часть ложного цвета S2A (FCC) эталонного участка. (b) -(e) выполнение пороговых условий (T1-T4). Желтый кружок указывает на ложноотрицательные сигнатуры для (T2-T4) в сравнении с T1-тестированием. (f) Пороговая оценка на основе RF с использованием сожженных и несгоревших обучающих выборок. Ошибка при выполнении (CE) используется в качестве показателя эффективности порогового состояния для получения обучающих пикселей для радиочастотной модели. Оценка F1 используется для измерьте производительность модели для выжженных участков, обнаруженных с помощью порогового значения. T1 показывает низкий показатель CE и высокий показатель F1, что указывает на приемлемое пороговое состояние

6.3. Ограничения

Наш подход имеет ограничение, поскольку на продукты могут влиять водные пиксели и тени облаков, которые выглядят похоже на выжженные участки во время порогового обусловливания. Мы использовали несколько методов для маскирования водных пикселей, но удаление мелких и сезонных водоемов требовало тщательной визуальной интерпретации изображений. Будущая работа выиграет от определения дополнительных способов удаления таких мелких и сезонных водных объектов, что уменьшит ложноположительные сигнатуры в нашем продукте ССП. Учитывая влияние теней облаков, мы пытались минимизировать воздействие облачности и теней облаков, исключая облачные изображения, но это снижало временное разрешение спутниковых данных. Будущая работа может улучшить это путем определения точных способов удаления пикселей облаков и теней облаков вместо удаления целых сцен.

7. Обсуждение

В исследовании принята популярная стратегия использования долгосрочных сигнатур пожара для картографирования сожженных площадей [13, 33, 34]; однако очень немногие исследования пытались использовать дополнительные мультиспектральные индексы для обнаружения сожженных площадей [13, 34]. Каждый индекс предоставляет разную информацию; следовательно, рассмотрение всех индексов вместе улучшает разделимость классов. В частности, наш подход к идентификации ложноположительных сигнатур лучше, чем подходы, использующие традиционные индексы пожара. Конкретно, совместное использование BAI, индекса пожара, чувствительного к углю, и TBI, прокси-индекса для обнаружения поверхностей, затронутых пожаром, минимизирует ложноположительные срабатывания лучше, чем методы, полагающиеся только на индекс пожара [13, 22]. Более того, наш метод намного проще, чем другие алгоритмы, использующие множественные решающие деревья ([22] и [13]), но более сфокусирован на обнаружении пожаров в сельскохозяйственных системах путем исключения горения на других типах земного покрова (например, лесах). Выбросы от сжигания остатков в MP после зимы 2019 года были оценены с использованием сельскохозяйственной площади, обнаруженной нашим методом, и результаты были сравнены с инвентаризацией выбросов GFED4.1s [3].

8. Заключение

Эта подборка статей демонстрирует живой интерес научного сообщества к проблеме загрязнения окружающей среды и разработке устойчивых решений, используемых для мониторинга и восстановления экосистем. Более того, эта коллекция подчеркивает ключевую роль растений как модельных организмов, а также как микроэкосистем, являющихся средой обитания микробных сообществ. Для углубленного изучения всех аспектов фитомониторинга и фиторемедиации необходимы комплексные знания и подходы, основанные на различных областях экспертизы, дисциплинах и методологиях. С этой точки зрения, данный специальный выпуск представляет собой ценную дискуссию среди ученых для согласования их результатов, определения вех и предоставления новой пищи для размышлений на будущее.

9. Благодарности

Исследование поддерживается Международным центром улучшения кукурузы и пшеницы (CIMMYT) через проектный фонд T0193.01, выделенный автору-корреспонденту. Валидация наших продуктов и связанная с ними вычислительная обработка поддерживается программой Early Career Research (ECR) Совета по научным и инженерным исследованиям (SERB), присужденной Д. Пиллаи (2018/1111). Мы хотели бы поблагодарить д-ра В. Кришну из CIMMYT за его конструктивные отзывы и участие в проекте, которые сформировали это исследование. Мы благодарим IISER Bhopal за предоставление инфраструктуры для проведения этих исследовательских мероприятий.

10. Конфликт интересов

Авторы заявляют, что у них нет известных конкурирующих финансовых интересов или личных отношений, которые могли бы повлиять на работу, представленную в этой статье.

Список источников

1. I. Alonso-Canas, E. Chuvieco, Global burned area mapping from ENVISAT-MERIS and MODIS active fire data, Remote Sens. Environ. 163 (2015) 140–152, doi:10.1016/j.rse.2015.03.011.
2. Boschetti, L., Roy, D.P., & Justice, C.O. (2006). International Global Burned Area Satellite Product Validation Protocol. Retrieved from https://lpvs.gsfc.nasa.gov/PDF/BurnedAreaValidationProtocol.pdf
3. M.V. Deshpande, D. Pillai, M. Jain, Detecting and quantifying residue burning in smallholder systems: An integrated approach using Sentinel-2 data, Int. J. Appl. Earth Obs. Geoinf. 108 (2022) 102761, doi:10.1016/j.jag.2022.102761.
4. F. Filipponi, BAIS2: Burned Area Index for Sentinel-2, Proc. AMIA Annu. Fall Symp. 2 (364) (2018), doi:10.3390/ ecrs-2-05177.
5. Google Earth Engine Guide 2021, Scale, Google Earth Engine, accessed 2021-08-01, Scale | Google Earth Engine
6. N. Gorelick, M. Hancher, M. Dixon, S. Ilyushchenko, D. Thau, R. Moore, Google Earth Engine: Planetary-scale geospatial analysis for everyone, Remote Sens. Environ. 202 (2016) (2017) 18–27, doi:10.1016/j.rse.2017.06.031.
7. X. Huang, M. Li, J. Li, Y. Song, A high-resolution emission inventory of crop burning in fields in China based on MODIS Thermal Anomalies/Fire products, Atmos. Environ. 50 (2012) 9–15, doi:10.1016/j.atmosenv.2012.01.017.
8. K. Karra, C. Kontgis, Z. Statman-Weil, J.C. Mazzariello, M. Mathis, S.P. Brumby, Global land use /land cover with Sentinel 2 and deep learning, in: 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, 2021, pp. 4704–4707, doi:10.1109/igarss47720.2021.9553499.
9. Y.J. Kaufman, L.A. Remer, Detection of Forests Using Mid-IR Reflectance: An Application for Aerosol Studies, IEEE Trans. Geosci. Remote Sens. 32 (3) (1994) 672–683, doi:10.1109/36.297984
10. C.H. Key, N. Benson, Measuring and Remote Sensing of Burn Severity, in: Proceedings Joint Fire Science Conference and Workshop, 1999 (2), 284. Retrieved from.
11. N. Koutsias, M. Karteris, Burned area mapping using logistic regression modeling of a single post-fire Landsat-5 Thematic Mapper image, Int. J. Remote Sens. 21 (4) (2000) 673–687, doi:10.1080/014311600210506.
12. Z.C. Lipton, C. Elkan, B. Naryanaswamy, Optimal thresholding of classifiers to maximize F1 measure, Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) (2014) 225–239 8725 LNAI (PART 2), doi:10.1007/978-3-662-44851-9_15.
13. T. Long, Z. Zhang, G. He, W. Jiao, C. Tang, B. Wu …, R. Yin, 30m resolution global annual burned area mapping based on landsat images and Google Earth Engine, Remote Sens. 11 (5) (2019) 1–30, doi:10.3390/rs11050489.
14. B. Lu, Y. He, A. Tong, Evaluation of spectral indices for estimating burn severity in semiarid grasslands, Int. J. Wildland Fire 25 (2) (2016) 147–157, doi:10.1071/WF15098.
15. D.C. Lutes, R.E. Keane, J.F. Caratti, C.H. Key, N.C. Benson, L.J. Gangi, FIREMON: Fire effects monitoring and inventory system, Gener. Tech. Rep. USDA Forest Service, RMRS-GTR-164-CD (2006) 1–55 (June)https://doi.org/RMRS-GTR-164-CD.
16. M. Main-Knorn, B. Pflug, J. Louis, V. Debaecker, U. Muller-Wilm, F. Gascon, Sen2Cor for Sentinel-2, in: Proceedings Volume 10427, Image and Signal Processing for Remote Sensing XXIII; 1042704 (2017), 2017, doi:10.1117/12.2278218.
17. M. Martin Isabel, E. Chuvieco Salinero, P. & Martin Isabel, Cartografia de grandes incendios forestales en la Peninsula Iberica a partir de imagenes NOAA-AVHRR, Serie Geografica 7 (1997) 109–128 Retrieved from http://hdl.handle.net/10261/6426 .
18. NIMA, National Imagery and Mapping Agency(NIMA), Dep. Defense World Geodetic Syst. 1984 (2000) In Technical Report 8350.2, Third Edition. Retrieved from https://gis-lab.info/docs/nima-tr8350.2-wgs84fin.pdf .
19. B. Pinty, M.M. Verstraete, GEMI: a non-linear index to monitor global vegetation from satellites, Vegetatio 101 (1) (1992) 15–20, doi:10.1007/BF00031911.
20. Planet Team (2018). Planet Application Program Interface: In Space for Life on Earth. San Francisco, CA. https://api.planet. com
21. C. Quintano, A. Fernandez-Manso, O. Fernandez-Manso, Combination of Landsat and Sentinel-2 MSI data for initial assessing of burn severity, Int. J. Appl. Earth Obs. Geoinf. 64 (July 2017) (2018) 221–225, doi:10.1016/j.jag.2017.09.014.
22. E. Roteta, A. Bastarrika, M. Padilla, T. Storm, E. Chuvieco, Development of a Sentinel-2 burned area algorithm: Generation of a small fire database for sub-Saharan Africa, Remote Sens. Environ. 222 (November 2018) (2019) 1–17, doi:10.1016/j.rse. 2018.12.011.
23. T. Shi, H. Xu, Derivation of Tasseled Cap Transformation Coefficients for Sentinel-2 MSI At-Sensor Reflectance Data, IEEE J. Sel. Top. Appl. Earth Obser. Remote Sens. 12 (10) (2019) 4038–4048, doi:10.1109/JSTARS.2019.2938388.
24. D. Stroppiana, M. Boschetti, P. Zaffaroni, P.A. Brivio, Analysis and interpretation of spectral indices for soft multicriteria burned-area mapping in mediterranean regions, IEEE Geosci. Remote Sens. Lett. 6 (3) (2009) 499–503, doi:10.1109/LGRS. 2009.2020067.
25. M.A. Tanase, M.A. Belenguer-Plomer, E. Roteta, A. Bastarrika, J. Wheeler, A., … Fernandez-Carrillo, E. Chuvieco, Burned area detection and mapping: Intercomparison of Sentinel-1 and Sentinel-2 based algorithms over tropical Africa, Remote Sensing 12 (2) (2020), doi:10.3390/rs12020334.
26. S. Trigg, S. Flasse, An evaluation of different bi-spectral spaces for discriminating burned shrub-savannah, Int. J. Remote Sens. 22 (13) (2001) 2641–2647, doi:10.1080/01431160110053185.
27. C. Venkataraman, G. Habib, D. Kadamba, M. Shrivastava, J.F. Leon, B. Crouzille …, D.G. Streets, Emissions from open biomass burning in India: Integrating the inventory approach with high-resolution Moderate Resolution Imaging Spectroradiometer (MODIS) active-fire and land cover data, Global Biogeochem. Cycles 20 (2) (2006) 1–12, doi:10.1029/2005GB002547.
28. D. Victoria, C. de, A.R. da Paz, A.C. Coutinho, J. Kastens, J.C. Brown, Cropland area estimates using Modis NDVI time series in the state of Mato Grosso, Brazil, Pesquisa Agropecuaria Brasileira 47 (9) (2012) 1270–1278 10.1590/S0100-204?2012000900012.
29. Wozniak, E., & Aleksandrowicz, S. (2016). An object-based burnt area detection method based on landsat images - a step forward for automatic global high-resolution mapping. (Martin 1998) doi:https://doi.org/10.3990/2.459.
30. L. Ying, Z. Shen, M. Yang, S. Piao, Wildfire detection probability of MODIS fire products under the constraint of environmental factors: A study based on confirmed ground wildfire records, Remote Sens. (24) (2019) 11, doi:10.3390/ rs11243031.
31. W. Zhang, M. Yu, Q. He, T. Wang, L. Lin, K. Cao …, J. Chen, The spatial and temporal impact of agricultural crop residual burning on local land surface temperature in three provinces across China from 2015 to 2017, J. Clean. Prod. 275 (2020) 124057, doi:10.1016/j.jclepro.2020.124057.
32. L. Giglio, L. Boschetti, D.P. Roy, M.L. Humber, C.O. Justice, The collection 6 MODIS burned area mapping algorithm and product, Remote Sens. Environ. 217 (2018) 72–85, doi:10.1016/j.rse.2018.08.005.
33. H. Huang, D. Roy, L. Boschetti, H. Zhang, L. Yan, S. Kumar, J. Gomez-Dans, J. Li, Separability analysis of Sentinel-2A MultiSpectral Instrument (MSI) data for burned area discrimination, Remote Sens., 8 (10) (2016), 873, doi:https://doi.org/10. 3390/rs8100873.