Artikelarchiv

Seite drucken

2022 Salamanca wildfire: mapping of the wildfire using satellite imagery and machine learning techniques

Waldbrand von Salamanca 2022: Kartierung des Waldbrands mithilfe von Satellitenbildern und Maschinellem Lernen

Emili Sorsa, Simon Tuma, Yrneh Zarit Ulloa-Torrealba, Andreas Schmitt

The objective of this research project was to evaluate capabilities of the remote sensing methods to assess wildfire behavior and effects from the space using open-source data and tools. The project utilized existing geospatial data layers, standardized satellite imagery sources and conventional workflows, showcasing the feasibility of using these open access resources as a combinatorial system. Within the project, a wildfire in Salamanca, Spain, in 2022 was analyzed. The distinct stages of the wildfire were evaluated utilizing remotely sensed data from Sentinel-2, Landsat-8, and Landsat-9. The methodology focused on the Normalized Difference Vegetation Index (NDVI), Normalized Burn Ratio (NBR/dNBR), smoke plume mapping, and surface temperature. The data was analyzed using open access computational platforms R, Python, and open source geographic information system QGIS. In the experimental set-up, both the NBR and NDVI were computed to assess vegetation health, burn severity, and land cover changes. NBR enables post-fire assessment of the burned area changes in the Area of Interest (AOI) and the complementary NDVI layer vegetation classification to arid and open ground areas. The NDVI, calculated from the Sentinel-2, Landsat-8, and Landsat-9 imagery, was able to detect changes in the vegetation from healthy green coverage to the arid land during the observation period of July 8 to 17. The computed NBR showed progression of the fire form the area of ignition of 15 km2 on July 13 to 63 km2 of area with moderate to high severity burn impact on July 18 correlating with the observed changes in the vegetation. Hot-spot mapping utilizing Sentinel-2 imagery visualized spread of the fire front from the initial ignition spot to the AOI. The experimental results correlated with the data provided by the Copernicus Emergency Management Service – Mapping (Copernicus EMS 2022) that was used as the reference. Smoke plume mapping using Sentinel-2 imagery was performed to determine possible smoke-related impacts on the surrounding villages. Band-based cloud masking showed visual alignment with the clusters generated by the unsupervised machine learning model K-means were compared. Classification into clusters (K-means) improved the detection sensitivity compared to the Sentinel-2 L2 atmospheric corrected data. The results demonstrated that open access resources can be employed as a combinatorial system to accurately detect and monitor wildfire on its various stages. Adding different machine learning data pipelines as well as non-publicly available satellite data with onboard fire detection sensors, would reduce manual efforts in the computation and improve accuracy and detection ability.

Ziel dieser Forschungsarbeit war die Einschätzung des Potenzials von Fernerkundungsmethoden zur Erfassung des Verhaltens und der Auswirkungen von Waldbränden. Im Rahmen dieses Projekts wurde der Waldbrand von 2022 in Salamanca, Spanien, analysiert. Die verschiedenen Phasen des Waldbrands wurden anhand von Fernerkundungsdaten von Sentinel-2, Landsat-8 und Landsat-9 untersucht. Die Methodik legte den Fokus auf den Normalized Difference Vegetation Index (NDVI), das Normalized Burn Ratio (NBR/dNBR), die Kartierung von Rauchwolken und die Analyse der Oberflächentemperatur. Die Daten wurden unter Verwendung von R, Python und QGIS analysiert. Der aus den Sentinel-2-Bildern abgeleitete NDVI zeigte Veränderungen in der Vegetation auf, die stark mit NBR und der Identifizierung von Hotspots korrelierten. Im Untersuchungsgebiet wurde eine Fläche von 63,45 km2 mit mäßigem bis starkem Verbrennungsgrad ermittelt. Zusätzlich zu den Daten des Copernicus Emergency Management Service – Mapping (Copernicus EMS 2022) wurde eine Wolkenmaskierung mittels K-means-Clustering durchgeführt, um mögliche rauchbedingte Auswirkungen auf umliegende Siedlungen zu bewerten. Die Klassifizierung mittels K-means zeigte eine klare visuelle Übereinstimmung mit der bandbasierten Wolkenmaskierung, die aus den Sentinel-2-Bildern extrahiert wurde. Diese Klassifizierung wurde vorgenommen, da eine zuverlässige Wolkenentdeckung während Notfällen entscheidend ist und zeitnah erfolgen muss, was mit atmosphärisch korrigierten Sentinel-2-L2-Daten nicht sichergestellt werden kann. Zukünftige Entwicklungen und eine verbesserte Reaktionszeit könnten durch eine an Bord durchgeführte Verarbeitung der atmosphärischen Korrektur erreicht werden. Die berechneten Ergebnisse ermöglichten eine präzise Identifizierung des Waldbrandereignisses und seiner verschiedenen Phasen. Die Kombination von Datenpipelines für maschinelles Lernen und nicht öffentlich zugänglichen Satellitendaten, unterstützt durch bordeigene Sensoren zur Branddetektion, würde den manuellen Arbeitsaufwand für Berechnungen reduzieren und die Genauigkeit sowie die Erkennungsfähigkeiten verbessern.

PDF herunterladenDownload PDF
Hier finden Sie mehr Informationen zum gis-Abonnement.