Till innehåll på sidan

Storskalig satellitdata med flera källor för upptäckt och bedömning av skogsbränder med hjälp av djupinlärning

Tid: To 2022-06-02 kl 09.00

Plats: Kollegiesalen, Brinellvägen 8, Stockholm

Videolänk: https://kth-se.zoom.us/j/64389993343

Språk: Engelska

Ämnesområde: Geodesi och geoinformatik, Geoinformatik

Respondent: Xikun Hu , Geoinformatik

Opponent: Professor Martin Wooster, King's College London, Department of Geography

Handledare: Professor Yifang Ban, Geoinformatik

Exportera till kalender

QC220517

Abstract

Jordobservationssatelliter (EO) har stor potential för detektering och bedömning av skogsbränder vid fina rumsliga, tidsmässiga och spektrala upplösningar. Under lång tid har satellitdata använts för att systematiskt övervaka bränders dynamik och bedöma effekterna av skogsbränder, inklusive (i) för att upptäcka platsen för aktivt brinnande fläckar, (ii) för att kartlägga den rumsliga omfattningen av brännärren, (iii) för att bedöma skadenivåerna vid skogsbrand. Aktiv branddetektering spelar en viktig roll i system för tidig varning för skogsbränder. Noggrann kartläggning av brända områden i rätt tid är avgörande för att avgränsa brandens omkrets och möjliggör analys av brandbekämpningsinsatser och potentiella orsaker till brandspridning. Därefter syftar bedömningen av brännskador till att sluta sig till graden av miljöförändringar orsakade av brand. De senaste framstegen inom djupinlärning (DL) möjliggör automatisk tolkning av en enorm mängd fjärranalysdata. Syftet med avhandlingen är att använda storskalig satellitdata från flera källor som är allmänt tillgänglig, t.ex., Landsat, Sentinel-1 och Sentinel-2, för att upptäcka aktiva bränder och rumslig avgränsning av brända områden och analysera brandpåverkan med DL-baserade metoder.

En biombaserad multikriteria-metod har utvecklats för att extrahera entydiga aktiva brandpixlar med hjälp av reflektansen av Sentinel-2 MultiSpectral Instrument (MSI)-data vid en 20-m upplösning. De adaptiva tröskelvärdena bestäms statistiskt från 11 miljoner observationsprover som förvärvats under sommaren över breda geografiska regioner och brandregimer. Det primära kriteriet drar fördel av den signifikanta ökningen av brandreflektans i Sentinel-2 band 12 (2,20 μm) i förhållande till band 4 (0,66 μm) jämfört med representativ biomegenskap. Det visar sig vara effektivt för att upptäcka sval glödande brand. Flera villkorliga begränsningar som trösklar reflektansen för band 11 (1,61 μm) och band 12 kan minska de kommissionsfel som orsakas av extremt ljusa lågor runt de heta kärnorna. De totala provisions- och underlåtelsefelen kan hållas på en relativt låg nivå kring 0,14 respektive 0,04. Den föreslagna algoritmen är lämplig för snabb aktiv branddetektering baserad på entidsbilder utan krav på tidsserier.

Algoritmer för kartläggning av brända områden har utvecklats baserat på Landsat-serien, Sentinel-2 MSI och Sentinel-1 SAR-data. Å ena sidan förklarar avhandlingen förmågan hos DL-baserade metoder för att automatiskt kartlägga brännärr från en-temporala (post-fire) Sentinel-2-bilder. Valideringsresultaten visar att algoritmer för djup semantisk segmentering överträffar traditionella metoder för maskininlärning (ML) (t.ex., random forest) och tröskelbaserade metoder (empiriska och automatiska) för att upptäcka kompakta brännskador. När den överförs direkt till motsvarande Landsat-8-testdata dominerar HRNet och bevarar den höga noggrannheten. Å andra sidan föreslås en storskalig kommenterad datauppsättning för analys av skogsbränder (SAR-OPT-Wildfire), som inkluderar bi-temporala Sentinel-1 SAR-bilder, Sentinel-2 MSI-bilder och rastrerade brandperimetrar över över 300 stora skogsbränder händelser i Kanada. Dessa multikälldata används för kartläggning av brända områden under tre UNet-baserade ändringsdetekteringsarkitekturer, i.e., Early Fusion (EF) och två siamesiska (Siam) varianter. UNet-EF uppnår högsta IoU-poäng på Sentinel-1-data, medan UNet-Siam-Difference presterar bäst på Sentinel-2-data med viktdelningskodare. Bi-temporala scener kan avsevärt öka IoU-poängen till 0,86 och 0,80 för Sentinel-2 respektive Sentinel-1. Genom att sammansmälta bi-temporal Sentinel-1 backscatter med Sentinel-2-data observeras ingen förbättring jämfört med fristående optiskt baserade resultat. Denna integration med flera källor kan ge nya möjligheter för kartläggning av fortskridande av skogsbränder i nästan realtid och för att minska effekterna av molntäcke.

Kartläggning av brännskador med multispektrala satellitdata utförs vanligtvis genom att klassificera bi-temporala index (t.ex., dNBR och RdNBR) med hjälp av trösklar härledda från parametriska modeller som inkluderar fältmått. Avhandlingen omorganiserar en storskalig Landsat-baserad datauppsättning för bi-temporal brännskada (LandSat-BSA) genom visuell datarensning baserad på kommenterade MTBS-data (cirka 1000 stora brandhändelser över hela USA). Studien betonar att flerklassiga semantiska segmenteringsarkitekturer kan approximera de tröskeltekniker som används i stor utsträckning för bedömning av brännskador. Specifikt överträffar UNet-liknande modeller avsevärt andra regionbaserade CNN- och transformatorbaserade modeller. I kombination med den hårda gruvalgoritmen online kan Attention UNet uppnå den högsta mIoU (0,7832) och Kappa-koefficienten nära 0,9. De bi-temporala ingångarna med multispektrala band och underordnade spektrala index presterar mycket bättre än de en-temporala ingångarna. När den överförs till Sentinel-2-data, bibehåller Attention UNet ett Kappa-värde över 0,815 med hög övergripande noggrannhet efter skalningsoperationen.

Med tanke på att SAR effektivt kan penetrera moln och bilder under alla väderförhållanden under dag och natt, undersöks kompletterande användning av både optisk och SAR-data för exakt tolkning av brand-inducerade platser. Icke desto mindre kan de allmänt använda brännkänsliga spektrala indexen inte tillämpas på SAR-data på grund av den inneboende skillnaden mellan optiska och SAR-sensorer i fysiska avbildningsmekanismer. Avhandlingen föreslår ett nytt ramverk för kartläggning av skogsbränder genom att omvandla SAR och optisk data till en gemensam domän baserad på Generative Adversarial Networks. Flera experiment utförs på de parade Sentinel-1- och Sentinel-2-bilderna (SAR-OPT-Wildfire) med den ResNet-baserade Pix2Pix-modellen. Översatta optiska bilder från SAR-bilder bevarar liknande spektrala egenskaper och motsvarande genererade spektrala index (i.e., dNBR, RdNBR och Relativized Burn Ratio) visar också god överensstämmelse med verkliga optiska. När det gäller detektering av bränt område med de genererade indexen, är deras medelvärden för arean under mottagarens funktionskurvor över 0,85, vilket uppnår konkurrenskraftiga prestanda mot de verkligt optiskt baserade indexen och avsevärt bättre än SAR-baserade. Dessutom kan de härledda bränningsgradskartorna från data från flera källor nå hög noggrannhet (Kappa-koefficient: 0,77). Den här studien validerar genomförbarheten och effektiviteten av SAR-till-optisk översättning för konsekvensbedömningen av skogsbränder, som kan ha potential att främja fusion av optisk och SAR-data med flera källor.

Den här avhandlingen bidrar till utvecklingen av metoder för att upptäcka, kartlägga och utvärdera skogsbränder genom storskalig allmänt tillgänglig EO-data över brandutsatta regioner runt om i världen. Forskningsresultatet som sammanställts i denna avhandling visar att öppen tillgång med medelupplösning EO-data är bekväma och effektiva för att övervaka skogsbränder och bedöma effekterna av brandskador. De ramverk som utvecklats i denna forskning kan enkelt överföras till annan SAR eller optisk data. Avhandlingen visar huvudsakligen att DL-modeller kan dra full nytta av kontextuell information och fånga rumsliga detaljer på flera skalor från brandkänsliga spektralband till kartläggning av brända områden eller brännskador. Integrering med data från flera källor kommer att avsevärt öka den tidsmässiga observationsfrekvensen. Det framtida arbetet kommer att fokusera på att förbättra generaliseringsförmågan hos DL-modeller i applikationer för skogsbränder genom att utnyttja mer varierande och komplexa studieområden och användningen av olika SAR-våglängder (Sentinel-1 C-band, PALSAR-2 L-band och framtida Biomass P-band) och multispektral data (Landsat-8, Landsat-9 och Sentinel-2).

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-312283