Спектральная разделимость гарей и не повреждённых огнём участков на территории России по данным Landsat-8/9 OLI и Sentinel-2 MSI

При картографировании гарей по данным ДЗЗ одним из определяющих шагов является выбор наиболее информативных спектральных каналов или вегетационных индексов для выявления повреждённых огнём участков. Для определённого канала или вегетационного индекса должна быть характерна максимальная разделимость выгоревших и ненарушенных участков; одновременно необходимо учитывать возможное сходство с шумовыми явлениями, имеющими близкие спектрально-отражательные характеристиками с повреждёнными участками. Для этого применяется метрика спектральной разделимости (англ. separability), предложенная в работах (Kaufman Y.J., Remer L.A. Detection of Forests Using Mid-IR Reflectance: An Application for Aerosol Studies // IEEE Trans. Geoscience and Remote Sensing. 1994. V. 32. No. 3. P. 672–683. DOI: 10.1109/36.297984; Pereira J.M.C. A comparative evaluation of NOAA/AVHRR vegetation indexes for burned surface detection and mapping // IEEE Trans Geoscience and Remote Sensing. 1999. V. 37. P. 217–26. DOI: 10.1109/36.739156):

где VI — среднее значение выборки класса; σ — стандартное отклонение выборки; burnt — выборка класса выгоревших пикселов; unburnt — выборка класса пикселов неповреждённых участков.

Целью работ отчётного периода был подбор вегетационного индекса, наиболее приспособленного для картографирования гарей на территории России. Поскольку в дальнейшем планируется работа с данными спектрорадиометра VIIRS (англ. Visible Infrared Imaging Radiometer Suite), основной интерес уделялся спектральным каналам с более высоким номинальным пространственным разрешением (375 м) VIIRS Red, NIR и SWIR16 (каналы VIIRS I1–I3) и вегетационным индексам на их основе. Дополнительно исследовалась возможность применения спектральных индексов для маскирования шумовых с точки зрения поставленной цели явлений: снежного и облачного покрова, водных объектов, теней от облаков. Все исследованные вегетационные индексы перечислены в таблице 1. Использование в работе данных более высокого пространственного разрешения — Landsat-8/9 OLI и Sentinel-2 MSI — объясняется возможностью визуальной верификации наличия выгоревшего участка или шумовых явлений.
Таблица 1 — Рассмотренные вегетационные индексы

Индекс	Формула (ρ = КСЯ)
BAI
CSI
GEMI
NBR
NBR2
NDSI
NDVI
MIRBI
MNDWI
SR_SWIR
SWVI (NDMI)

Выборка выгоревших и неповреждённых участков. В рамках проведённой работы были получены две независимые выборки по данным Landsat-8, -9/OLI и Sentinel-2 MSI за 2023–2024 гг. (рисунок 2.1.2.1). Тайлы и временные промежутки сцен с высокой пожарной активностью подбирались по данным активного горения продуктов VNP-/VJ114IMGML C2 (Schroeder W., Giglio L., Hall J. Collection 2 Visible Infrared Imaging Radiometer Suite (VIIRS) 375-m Active Fire Product User’s Guide. Version 1.0. NASA, 2024. 16 p. https://lpdaac.usgs.gov/documents/427/VNP14_User_Guide_V1.pdf).

Для выборки Landsat пред- и постпожарная сцены подбирались вручную в системе «Вега-Лес»; в некоторых случаях использовалась постпожарная сцена за следующий год. Выборка пикселов облачного и снежного покрова и водных объектов производилась случайным образом на основе встроенных масок стандартного продукта Reflectance C2. Выборка пикселов выгоревших участков, ненарушенной растительности и теней от облаков производилась вручную для каждой пары сцены. Для выборки растительности использовались не усыхающие и ненарушенные участки; выборка теней от облаков производилась над участками ненарушенной растительности.

Для выборки Sentinel-2 применялся автоматизированный подход на основе метода, предложенного в работе (Stroppiana D., Sali M., Busetto L. et al. Sentinel-2 sampling design and reference fire perimeters to assess accuracy of Burned Area products over Sub-Saharan Africa for the year 2019 // ISPRS J. Photogrammetry and Remote Sensing. 2022. V. 191. P. 223–234. DOI: 10.1016/j.isprsjprs.2022.07.015). Выбиралась пара или серия из нескольких сцен с низкой облачностью (<15 %), полностью покрывающих выбранный тайл MGRS (англ. Military Grid Reference System). Проводилась ручная фильтрация зашумлённых снимков. В силу высокого спектрального подобия свежеубранных сельскохозяйственных полей и гарей, с.-х. угодья маскировались с применением маски полей Минсельхоза. Применялись дополнительные предварительные маски, включая встроенную в продукт Sentinel-2 MSI L2 маску SCL (англ. Scene Classification Layer) и разработанные в ИКИ РАН маски шумовых явлений (Миклашевич Т.С., Барталев С.А., Егоров В.А. Предварительная обработка спутниковых данных высокого пространственного разрешения Sentinel-2 для задач мониторинга растительного покрова // Материалы 21-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». М.: ИКИ РАН, 2023. C. 387. DOI: 10.21046/21DZZconf–2023a). Каждая пара сцен (пред- и постпожарная) размечалась с применением классификатора Random Forest по постпожарным и разновременным данным спектральных каналов и вегетационных индексов NBR, NBR2, NDSI, NDVI, MNDWI и SWVI. Результаты классификации при необходимости модифицировались вручную. Таким образом была получена тестовая выборка гарей, состоящая из 39 размеченных сцен для 14 тайлов Sentinel-2 MGRS (общая пройденная огнём площадь по данным выборки представлена на правом нижнем графике на рисунке 1). Классификация типов растительного покрова производилась по генерализованным данным продукта ИКИ РАН RLC v5.7.1 (англ. Russian Land Cover) (Барталев С.А., Егоров В.А., Жарко В.О., Лупян Е.А., Плотников Д.Е., Хвостиков С.А., Шабанов Н.В. Спутниковое картографирование растительного покрова России. М.: ИКИ РАН, 2016. 208 c.) за 2022 г.

Рисунок 1 — Использованные в работе выборки выгоревших 
и неповреждённых участков по данным Landsat-8, -9/OLI и Sentinel-2 MSI
 

 
Рисунок 2 — Разделимость выгоревших и неповреждённых 
участков растительности на основе выборки Sentinel-2

 
Рисунок 3 — Разделимость выгоревших участков и шумовых явлений 
на основе выборки Landsat

Спектральный профиль выгоревших и неповреждённых участков. На рисунке 2 представлен спектральный профиль выгоревших и ненарушенных участков растительности. Наиболее заметные различия между различными классами растительности наблюдаются в каналах SWIR-диапазона. В случае лугово-степной растительности возрастают значения КСЯ ненарушенной растительности в канале SWIR16. Наблюдается различная динамика КСЯ для лесных и травяных гарей в канале SWIR22. Усреднённый спектральный профиль гарей сопоставим для всех рассмотренных типов наземного покрова, с более высокими средними значениями КСЯ у травяных гарей.

На рисунке 3 представлено сопоставление спектрального профиля гарей и шумовых явлений. Наиболее сходный с гарями спектральный профиль характерен для теней от облаков. Для этого типа шумовых явлений характерны более низкие значения КСЯ, особенно в SWIR-диапазоне. Таким образом, для фильтрации теней от облаков над ненарушенной растительностью возможно использование низкие значения в каналах SWIR или нормализованные индексы, сочетающие видимый или NIR канал с одним из каналов SWIR (NBR, MNDWI, SWVI).

Спектральная разделимость выгоревших и неповреждённых участков. На рисунках 4 и 5 представлены обобщённые гистограммы вегетационных индексов выгоревших и неповреждённых участков. Для получения общего распределения было скомбинировано по 100 000 случайно выбранных выгоревших и неповреждённых пикселов от каждого типа растительного покрова. Были выбраны наиболее используемые для фиксации гарей спектральные каналы и вегетационные в Red-NIR (верхняя строка) и NIR-SWIR диапазонах.

Рисунок 4 — Спектральная разделимость выгоревших и ненарушенных участков растительности по выборке Sentinel-2 (постпожарные значения)

Считается, что значение separability выше единицы свидетельствует о достаточной разделимости двух классов (Pereira J.M.C. A comparative evaluation of NOAA/AVHRR vegetation indexes for burned surface detection and mapping // IEEE Trans. Geoscience and Remote Sensing. 1999. V. 37. P. 217–26. DOI: 10.1109/36.739156). При учёте постпожарных и разновременных наблюдений подобное характерно для вегетационных индексов GEMI и NBR. Высокая разделимость характерна для индексов NBR2 и MIRBI (каналы SWIR16 и SWIR22), однако, как видно из графика разновременных наблюдений на рисунке 5, выделяется класс гарей с незначительным изменением показателей NBR2 или MIRBI.

В рамках проведённой работы был выполнен эксперимент по модификации вегетационных индексов BAI и GEMI с заменой КСЯ канала Red на SWIR16. Полученным индексам было присвоено наименование BAI16 и GEMI16. В случае индекса GEMI16, по аналогии с индексом GEMI3 (Barbosa P.M., Grе́goire J-M., Pereira J.M.C. An Algorithm for Extracting Burned Areas from Time Series of AVHRR GAC Data Applied at a Continental Scale // Remote Sensing of Environment. 1999. V. 69. P. 253–263. DOI: 10.1016/S0034-4257(99)00026-7), была произведена простая подстановка КСЯ SWIR16 вместо Red. В случае индекса BAI16, по аналогии с индексом BAIM (Martin M.P., Gо́mez I., Chuvieco E. Performance of a burned-area index (BAIM) for mapping MediTerranean burned scars from MODIS data // Proc. 5th Intern. Workshop on Remote Sensing and GIS Applications to Forest Fire Management: Fire Effects Assessment. P. 193–197), была проведена параметризация коэффициентов для каналов NIR и SWIR16 с поиском наибольшего значения разделимости выгоревших и ненарушенных участков, включая шумовые явления. Для BAI16 наибольшая разделимость была достигнута при значениях коэффициентов 0,05 для ρNIR и 0,21 для ρSWIR16 (см. BAI в таблице 1).

Рисунок 5 — Спектральная разделимость выгоревших и ненарушенных участков растительности по выборке Sentinel-2 (разновременные значения)

       
Рисунок 6 — Спектральная разделимость выгоревших и ненарушенных участков растительности по выборке Sentinel-2 для экспериментальных вегетационных индексов BAI16 и GEMI16 (замена КСЯ Red на SWIR16 в индексах BAI и GEMI)

Гистограммы разделимости выгоревших и неповреждённых участков растительности для экспериментальных вегетационных индексов представлены на рисунке 6. Как видно из графика, замена значений КСЯ в Red на SWIR16 привела к снижению разделимости горевших и негоревших участков, однако в случае BAI16 значительно увеличилась спектральная разделимость с шумовыми явлениями (не приводится). Таким образом, в сравнении с «материнскими» индексами BAI и GEMI использование экспериментальных индексов BAI16 и GEMI16 приводит к снижению различимости горевших участков.

На рисунках 7 и 8 приведено ранжирование спектральных каналов и индексов по значению спектральной разделимости между выгоревшими и ненарушенными участками/шумовыми явлениями. Для большинства индексов не наблюдается значительного расхождения между различными типами растительного покрова. В качестве исключения можно выделить разновременные показатели индексов SWVI и MIRBI. Наиболее высокие показатели разделимости характерны для индексов GEMI, NBR, NBR2, MIRBI и SR_SWIR. При фильтрации по одномоментному снимку высокую разделимость гарей и рассмотренных шумовых явлений показывает индекс MNDWI. При использовании разновременных наблюдений необходима фильтрация теней от облаков для индексов GEMI и MIRBI, облачного покрова для NBR, NBR2 и MIRBI, снежного и покрова для NBR.

Полученные выводы сопоставимы с результатами работы (Liu P., Liu Y., Guo X. et al. Burned area detection and mapping using time series Sentinel-2 multispectral images // Remote Sensing of Environment. 2023. V. 296. Article 113753. DOI: 10.1016/j.rse.2023.113753) для схожих типов растительного покрова.

Полученные данные позволяют сделать следующие выводы:

• Для повреждённых пожарами участков наблюдается значительное снижение КСЯ в NIR и SWIR16, однако в SWIR22 наблюдаются незначительные изменения;
• Выгоревшие участки имеют сходный спектральный профиль для большинства типов наземного покрова, с более высокими значениями КСЯ у травяных гарей;
• На фоне выгоревших участков тени от облаков над ненарушенными участками — шумовое явление с высоким спектральным подобием гарям — отличаются более низкими значениями КСЯ, особенно в SWIR-диапазоне;
• Полученные экспериментально вегетационные индексы BAI16 и GEMI16 (замена КСЯ Red на SWIR16) демонстрируют меньшую спектральную разделимость по сравнению с «материнскими» индексами BAI и GEMI;
• Наиболее высокие показатели спектральной разделимости характерны для вегетационных индексов GEMI, NBR, NBR2, MIRBI и SR_SWIR;
• Среди выделенных индексов только GEMI возможно получить по данным VIIRS с номинальным разрешением 375 м. При его использовании необходима фильтрация теней от облаков и в меньшей степени водных объектов.
   

Следует отметить, что полученные результаты по данным одной спутниковой системы невозможно полностью экстраполировать на данные другой в силу различных спектральных характеристик сенсоров и возможной геометрии наблюдений. Проведённый анализ позволяет получить общее представление о возможности применения перечисленных спектральных индексов.

Рисунок 7 — Ранжирование спектральных каналов и индексов по степени спектральной разделимости между выгоревшими участками и ненарушенными типами растительного покрова (график сверху) или шумовыми явлениями (график снизу). Чем ниже значение ранга, тем выше разделимость. Представлены постпожарные значения

  

Рисунок 8 — Ранжирование спектральных каналов и индексов по степени спектральной разделимости (разновременные значения)

Примечание к рисункам 7, 8: ВЗЛ — вечнозелёные хвойные леса, ЛХЛ — листопадные хвойные леса, СЛЛ — смешанные и лиственные леса, Л-с. — травяные, ВБУ — водно-болотные угодья, Тун — тундры, Гар — гари предыдущих лет, Тен — тени от облаков, Вод — водные объекты, Обл — облачный покров, Снг — снежный покров