Анализ пространственной точности продуктов спутникового картографирования гарей на территории России

Задача продуктов ДЗЗ выявления гарей заключается в максимально полном картографировании выгоревших площадей. Их ключевая характеристика — пространственная точность, на основе которой возможно сравнение существующих продуктов между собой и определение систематической ошибки, характерной для различных типов наземного покрова. Предоставляемые продуктами картографирования гарей данные необходимы для мониторинга пирогенной активности в труднодоступных регионах, оценки экологических и экономических последствий пожаров, изучения многолетних трендов пирогенных режимов и климатического моделирования, оценки пирогенных эмиссий и моделирования распространения аэрозолей (Chuvieco E., Mouillot F., van der Werf G.R et al. Historical background and current developments for mapping burned area from satellite Earth observation // Remote Sensing of Environment. 2019. V. 225. P. 45–64. DOI: 10.1016/j.rse.2019.02.013).

В рамках отчётных работ предыдущего периода была проведена валидация глобальных продуктов картографирования гарей ДЗЗ и продукта ИКИ РАН SRBA (англ. Surface Reflectance Burned Area) на территории России (список рассмотренных продуктов ДЗЗ см. таблицу 1). По результатам исследования наблюдалась высокая точность картографирования летних лесных гарей и заметно более низкие показатели для весенних лесных и всех типов травяных гарей. Было отмечено расхождение результатов проведённой работы на территории России и глобальных валидационных исследований (Boschetti L., Roy D.P., Giglio L. et al. Global validation of the collection 6 MODIS burned area product // Remote Sensing of Environment. 2019. V. 235. Article 111490. DOI: 10.1016/j.rse.2019.111490. Franquesa M., Lizundia-Loiola J., Stehman S.V., Chuvieco E. Using long temporal reference units to assess the spatial accuracy of global satellite-derived burned area products // Remote Sensing of Environment. 2022. V. 269. Article 112823. DOI: 10.1016/j.rse.2021.112823).

Таблица 1 — Характеристики продуктов спутникового картографирования гарей

Продукт	Сенсор	Период	Разрешение		Публика-ция	Ссылка на данные
			Простран-ственное	Времен-ное
MCD64A1 C6	MODIS1	11.2000 – наст. вр.	463 м	День	(Giglio et al., 2018)2	sftp://fuoco.geog.umd.edu логин: fire; пароль: burnt
VNP64A1 C2	VIIRS3	03.2012 – наст. вр.	463 м	День	(Giglio et al., 2025)4
FireCCI515	MODIS	2001–2022	0,00225 (~250 м)	День	(Lizundia-Loiola et al., 2020)6	https://data.ceda.ac.uk/neodc/esacci/fire/data/burned_area/MODIS/pixel/v5.1/compressed
FireCCIS311	OLCI/ SLSTR7	2019–2024	0,00278 (~300 м)	День	(Lizundia-Loiola et al., 2022)8	https://data.ceda.ac.uk/neodc/esacci/fire/data/burned_area/Sentinel3_SYN/pixel/v1.1
CGLS BA 3.1 (NTC)9	OLCI/ SLSTR	2019–05.2025	0,00298 (~333 м)	День	(Padilla et al., 2025)10	https://land.copernicus.eu/en/products/vegetation/burnt-area-v3-1-monthly-300m
ИКИ РАН (SRBA)	MODIS	2006–2024	232 м	День	(Барталев и др., 2012, п. 2.2)11	http://sci-vega.ru/maps/ (доступен по запросу)

¹ MODIS (англ. Moderate Resolution Imaging Spectroradiometer); ² (Giglio et al., 2018): Giglio L., Boschetti L., Roy D.P. et al. The Collection 6 MODIS burned area mapping algorithm and product // Remote Sensing of Environment. 2018. V. 217. P. 72–85. DOI: 10.1016/j.rse.2018.08.005; ³ VIIRS (англ. Visible Infrared Imaging Radiometer Suite); ⁴ (Giglio et al., 2025): Giglio L., Boschetti L., Roy D.P. et al., The NASA VIIRS burned area product, global validation, and intercomparison with the NASA MODIS burned area product // Remote Sensing of Environment. 2025. V. 331, Article 115006, DOI: 10.1016/j.rse.2025.115006; ⁵ CCI (англ. Climate Change Initiative); ⁶ (Lizundia-Loiola et al., 2020): Lizundia-Loiola J., Otón G., Ramo R., Chuvieco E. A spatio-temporal active-fire clustering approach for global burned area mapping at 250 m from MODIS data // Remote Sensing of Environment. 2020. V. 236. Article 111493. DOI: 10.1016/j.rse.2019.111493; ⁷ OLCI (англ. Ocean/Land Colour Instrument), SLSTR (англ. Sea/Land Surface Temperature Radiometer); ⁸ (Lizundia-Loiola et al., 2022): Lizundia-Loiola J., Franquesa M., Khairoun A., Chuvieco E. Global burned area mapping from Sentinel-3 Synergy and VIIRS active fires // Remote Sensing of Environment. 2022. V. 282, Article 113298. DOI: 10.1016/j.rse.2022.113298; ⁹ CGLS BA (англ. Copernicus Global Land Service Burned Area), NTC (англ. non-time critical); с 2025 г. доступна версия CGLS BA 4 (https://land.copernicus.eu/en/products/vegetation/burnt-area-v4-monthly-300m); ¹⁰ (Padilla et al., 2025): Padilla M., Ramo R., Gomez-Dans J.L. et al. Near-real time monitoring of burned area at global scale based on deep learning // Intern. J. Remote Sensing. 2025. V. 46. No. 16. P. 5996–6038. DOI: 10.1080/01431161.2025.2528256; ¹¹ (Барталев и др., 2012): Барталев С.А., Егоров В.А., Ефремов В.Ю., Лупян Е.А., Стыценко Ф.В., Флитман Е.В. Оценка площади пожаров на основе комплексирования спутниковых данных различного пространственного разрешения MODIS и Landsat-TM/ETM+ // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 2. С. 9–26.

В существующих исследованиях предлагаются более подробные подходы к валидации продуктов картографирования гарей ДЗЗ (Boschetti L., Flasse S.P., Brivio P.A. Analysis of the conflict between omission and commission in low spatial resolution dichotomic thematic products: The Pareto Boundary // Remote Sensing of Environment. 2004. V. 91. Iss. 3–4. P. 280–292. DOI: 10.1016/j.rse.2004.02.015; Campagnolo M.L., Libonati R., Rodrigues J.A., Pereira J.M.C. A comprehensive characterization of MODIS daily burned area mapping accuracy across fire sizes in tropical savannas // Remote Sensing of Environment. 2021. V. 252. Article 112115. DOI: 10.1016/j.rse.2020.112115; Franquesa M., Stehman S.V., Chuvieco E. Assessment and characterization of sources of error impacting the accuracy of global burned area products // Remote Sensing of Environment. 2022. V. 280. Article 113214. DOI: 10.1016/j.rse.2022.113214; Kolden C.A., Lutz J.A., Key C.H. et al. Mapped versus actual burned area within wildfire perimeters: Characterizing the unburned // Forest Ecology and Management. 2012. V. 286. P. 38–47. DOI: 10.1016/j.foreco.2012.08.020). Предложенные методики были использованы в рамках работ отчётного периода. Дополнительно была охарактеризована временная точность некоторых из рассмотренных продуктов по методике (Boschetti L., Roy D.P., Justice C.O., Giglio L. Global assessment of the temporal reporting accuracy and precision of the MODIS burned area product // Intern. J. Wildland Fire. 2010. V. 19. P. 705–709. DOI: 10.1071/WF09138).

Использованные выборки гарей. В качестве опорной была использована выборка контуров гарей на всей территории России за 2020 г. (Glushkov I., Zhuravleva I., McCarty J.L. et al. Spring fires in Russia: results from participatory burned area mapping with Sentinel-2 imagery // Environmental Research Letters. 2021. V. 16. Iss. 12. Article 125005. DOI: 10.1088/1748-9326/ac3287). Для оценки площади невыгоревших участков в контурах опорной выборки использовалась выборка Информационной системы дистанционного мониторинга Федерального агентства лесного хозяйства (ИСДМ-Рослесхоз) (Барталев С.А., Лупян Е.А., Стыценко Ф.В., Панова О.Ю., Ефремов В.Ю. Экспресс-картографирование повреждений лесов России пожарами по спутниковым данным Landsat // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. № 1. С. 9–20; Стыценко Ф.В., Барталев С.А., Егоров В.А., Лупян Е.А. Метод оценки степени повреждения лесов пожарами на основе спутниковых данных MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т. 10. № 1. С. 254–266). Классификация типов растительного покрова производилась по 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 год, предшествующий пожару.

Вклад невыгоревших участков. По результатам сопоставления 574 совпавших контуров гарей из опорной выборки и выборки ИСДМ-Рослесхоз площадь невыгоревших участков в первой выборке составила 9,5 %. Экстраполируя полученный результат, возможно предположить завышение пройденной огнём площади на территории России на около 2,5 млн. га в 2020 г. по данным опорной выборки. Из них 250 тыс. га заняты водными объектами по данным продукта (Pickens A.H., Hansen M.C., Hancher M. et al. Mapping and sampling to characterize global inland water dynamics from 1999 to 2018 with full Landsat time-series // Remote Sensing of Environment. 2020. V. 243. Article 111792. DOI: 10.1016/j.rse.2020.111792).

Зависимость точности определения выгоревших участков от площади. На рисунке 1 представлена доля гарей опорной выборки, фиксируемых рассмотренными продуктами картографирования гарей. Следует отметить, что на данном графике отражено число фиксируемых гарей, а не точность определения их площади.

График свидетельствует о более высокой чувствительности продукта SRBA в сравнении с остальными рассмотренными продуктами для гарей площадью менее 1000 га. Для продуктов NASA характерна более низкая чувствительность в сравнении с остальными продуктами, особенно в случае травяных гарей, для которых возможен пропуск крупнейших гарей.

На основе методики, предложенной в работе (Campagnolo M.L., Libonati R., Rodrigues J.A., Pereira J.M.C. A comprehensive characterization of MODIS daily burned area mapping accuracy across fire sizes in tropical savannas // Remote Sensing of Environment. 2021. V. 252. Article 112115. DOI: 10.1016/j.rse.2020.112115), связные контуры гарей, полученные по данным продуктов ДЗЗ, были соотнесены с контурами опорной выборки. На рисунке 2 представлена зависимость точности оконтуривания гарей (метрика F1-score, или DC (англ. Dice Coefficient)) от площади выгоревших участков и типов наземного покрова.

Рисунок 1 — Доля выявляемых повреждённых огнём участков по данным рассмотренных продуктов ДЗЗ и опорной выборки
 

Рисунок 2 — Точность выделения гарей по данным рассмотренных продуктов в зависимости от их площади по данным опорной выборки. Представлены 95 % доверительные интервалы

Для всех рассмотренных продуктов в случае лесных гарей точность увеличивается вместе с площадью выгоревшего участка. Для травяных гарей сходная тенденция наблюдается только по данным продуктов ESA FireCCI и Copernicus CGLS BA 3.1. Это является основной причиной их более высокой точности на территории России в сравнении с остальными продуктами.

Подробная характеристика типов ошибок. Ошибки продуктов картографирования гарей ДЗЗ были разделены на относящиеся и не относящиеся к верно выявляемым гарям опорной выборки. Дополнительно были выделены ошибки, связанные со смешанными пикселами, содержащими выгоревшие и неповреждённые участки (так называемые «граничные пикселы»). Результаты представлены на рисунке 3.

Рисунок 3 — Анализ ошибок рассмотренных продуктов по данным опорной выборки. Типы растительного покрова: ВЗЛ — вечнозелёные хвойные леса, ЛХЛ — листопадные хвойные леса, СЛЛ — смешанные и лиственные леса, ВБУ — водно-болотные угодья, Тунд. — тундры, Трав. — травяные

В сравнении с остальными продуктами, для SRBA и CGLS BA 3.1 характерна повышенная доля ложно выделяемых площадей. В случае продукта SRBA наибольшая доля ложно выделенных участков относится к травяным экосистемам — для них характерна низкая точность оконтуривания, выраженная в высокой доле ложных и пропущенных участков. Для продукта Copernicus характерны артефакты при выделении гарей в листопадных лесах и ВБУ. Для стандартных продуктов NASA характерна высокая доля пропусков при оконтуривании верно идентифицируемых гарей; причём в случае продукта VNP64A1 C2 доля подобных пропусков снизилась (т.е. наблюдается их более полное оконтуривание), чем объясняется рост точности в сравнении с предшествующим продуктом MCD64A1 C6. В хвойных лесах, ВБУ и тундрах наиболее высокая полнота выявления гарей (площадь совпадения с опорной выборкой) характерна для продуктов SRBA и CGLS BA 3.1; в лугово-степных биомах и смешанных лесах — для продуктов ESA FireCCI.

Сравнение алгоритмов продуктов. Высокая вероятность присутствия горевших и не горевших участков в пикселах продуктов с низким пространственным разрешением приводит к неизбежной ошибке при бинарной классификации гарь/не гарь. В работе (Boschetti L., Flasse S.P., Brivio P.A. Analysis of the conflict between omission and commission in low spatial resolution dichotomic thematic products: The Pareto Boundary // Remote Sensing of Environment. 2004. V. 91. Iss. 3–4. P. 280–292. DOI: 10.1016/j.rse.2004.02.015) был предложен метод сравнения алгоритмов продуктов ДЗЗ безотносительно их пространственного разрешения. Метод основывается на измерении расстояния до границы Парето-оптимума, которая определяется на основе минимальной достижимой ошибки низкого пространственного разрешения. Парето-оптимум был ограничен показателем 25 % ложно выделенных или пропущенных площадей — требование ВМО (Всемирной метеорологической организации) к точности продуктов картографирования гарей (The 2022 GCOS ECVs Requirements/World Meteorological Organization (WMO). Geneva: Switzerland, 2022. 261 p. https://oceanrep.geomar.de/id/eprint/57694/1/GCOS-245_2022_GCOS_ECVs_Requirements.pdf., § 9.4.1). Результат применения метода представлен на рисунке 4.

Рисунок 4 — Граница Парето-оптимума по данным рассмотренных продуктов и опорной выборки: а, б — границы оптимума Парето и результаты валидации продуктов (крестики); в — минимальное расстояние до границы Парето

 
Рисунок 2.4.4.5 — Разница между датой фиксации пожара по данным VNP14IMGML C2 и фиксации гари продуктами картографирования гарей. Положительные значения означают более позднюю фиксацию повреждённого участка продуктами картографирования гарей

Близкие к границе Парето-оптимума (низкие) значения, наблюдаемые для лесных гарей на рисунке 4в, свидетельствуют о высокой зависимости точности их оконтуривания от пространственного разрешения рассмотренных продуктов ДЗЗ. В случае травяных гарей все алгоритмы характеризуются сниженной точностью, при этом точность алгоритмов FireCCI и CGLS BA 3.1 значительно превышает показатели продуктов NASA и SRBA.

Временная точность. Временная точность некоторых из рассмотренных продуктов была охарактеризована на основе сравнения с датой фиксации активного горения по данным продукта VNP14IMGML 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). На рисунке 5 представлена временная точность выделенных продуктов картографирования гарей на примере наиболее подверженных пожарам биомов в границах опорной выборки в 2020 г.

Полученные данные позволяют сделать следующие выводы:

• Недоучёт невыгоревших «островков» в контурах опорной выборки приводит к переоценке пройденной огнём площади на около 10 %;
• Для всех рассмотренных продуктов точность выделения лесных гарей увеличивается вместе с площадью выгоревшего участка; в случае травяных гарей эта тенденция наблюдается только у продуктов FireCCI и CGLS BA 3.1;
• Большая доля ошибочно выделяемых и пропускаемых площадей являются частью верно детектируемых гарей (т. е. ошибка преимущественно связана с оконтуриванием гарей, а не с пропусками/ложным срабатыванием);
• Наблюдается высокая доля артефактов для продукта CGLS BA 3.1 в листопадных лесах и ВБУ и низкая точность оконтуривания травяных гарей по данным продукта SRBA;
• Наиболее высокая полнота детектирования гарей в хвойных лесах, ВБУ и тундрах характерна для продукта SRBA, травяных гарей — для продуктов FireCCI;
• Алгоритмы построения рассмотренных продуктов достигают высокой точности при картографировании лесных гарей, вследствие чего их точность в значительной степени зависит от пространственного разрешения; подобное не характерно для травяных гарей.

Наблюдается высокая временная точность стандартных продуктов NASA и низкая — для продукта SRBA, со средней задержкой фиксации гари до 10 дней от дня наблюдения пожара по данным активного горения.