《International Journal of Remote Sensing》:Burned area mapping across the Arctic-boreal zone with Landsat and Sentinel-2 imagery
编辑推荐:
在环北极-北方地区(Arctic-boreal zone),野火频率在近几十年内有所增加,带来了显著的生态、社会和经济后果。遥感对于绘制烧毁面积、监测野火动态及评估其影响至关重要。然而,现有的高纬度烧毁面积产品存在显著差异,尤其在西伯利亚地区,且其粗空间分辨率
在环北极-北方地区(Arctic-boreal zone),野火频率在近几十年内有所增加,带来了显著的生态、社会和经济后果。遥感对于绘制烧毁面积、监测野火动态及评估其影响至关重要。然而,现有的高纬度烧毁面积产品存在显著差异,尤其在西伯利亚地区,且其粗空间分辨率限制了准确性和实用性。为弥补这些不足,研究人员开发了一个卷积神经网络(CNN)模型,利用Landsat和Sentinel-2影像,以30?m分辨率绘制环北极-北方地区的烧毁面积。通过使用植被指数,包括归一化烧毁比(NBR)、归一化差异植被指数(NDVI)和归一化差异红外指数(NDII),该模型在未见测试数据上取得了良好性能,交并比(IOU)为0.77,F1得分为0.85。在北美(IOU=0.84)的性能高于欧亚大陆(IOU=0.72),反映了火灾机制和数据质量的地域差异。对六个代表性年份的预测显示,该模型估算的烧毁面积与基于Landsat、MODIS和VIIRS的产品中位数接近,尽管一致性在年际和空间上有所变化。目视评估表明,该方法总体更为准确,尤其在检测其他产品遗漏的火场边界内未燃烧植被岛方面。本研究具有众多潜在应用,例如分析植被与燃烧模式的反馈、表征未燃烧岛的时空动态,以及通过详细燃烧严重程度评估改进碳排放估算。
**论文解读文章**
**研究背景与问题**
环北极-北方地区(ABZ)包括北方森林和苔原,是全球最大的陆地生物群系,储存了约50%的全球地下土壤碳,对气候调节至关重要。近几十年来,该地区野火频率显著增加,可能导致生态系统从碳汇转为碳源。准确绘制烧毁面积是理解火灾对碳循环和生态系统动态影响的关键。然而,现有高纬度烧毁面积产品存在显著不一致,尤其在欧亚大陆西伯利亚地区,且粗空间分辨率(如250–500?m)导致遗漏小型火灾(<100?ha)和未燃烧植被岛,限制了精度和应用。北美地区虽有人工或半自动化制图产品(如MTBS、NBAC),但仅覆盖局部区域且标准不统一;欧亚大陆缺乏可靠政府数据,官方统计严重低估烧毁面积。因此,亟需开发一种统一、高分辨率(30?m)的自动化烧毁面积制图方法,覆盖整个ABZ。
**研究内容与结论**
该研究开发了基于UNet++深度学习模型的烧毁面积制图方法,利用Landsat(5、7、8、9)和Sentinel-2(2A、2B)影像,以30?m分辨率在ABZ进行制图。研究人员使用北美(MTBS、NBAC)和欧亚大陆(Talucci等,2022)的参考火多边形共12,425个,结合多月合成(multi-monthly compositing)方法提取前后火灾影像的归一化烧毁比(NBR)、归一化差异植被指数(NDVI)和归一化差异红外指数(NDII)差异,训练UNet++模型。模型在未见测试数据上取得交并比(IOU)0.77、F1得分0.85。北美性能(IOU=0.84)优于欧亚大陆(IOU=0.72),主要因欧亚大陆以地表火为主且参考数据质量较低。对2003、2004、2013、2014、2015和2023年六个代表性年份的烧毁面积估算显示,该模型结果与专为ABZ设计的MODIS产品(ABBA)和VIIRS主动火点产品(FireAtlas)最为接近,且显著优于唯一其他30?m产品GABAM(后者因高虚警率高估面积)。目视对比表明,该模型能更准确检测火场内未燃烧植被岛,这在MTBS和Talucci等参考数据中常被忽略。该研究发表于《International Journal of Remote Sensing》。
**关键技术与方法**(不超过250字)
研究人员利用Google Earth Engine获取并预处理Landsat和Sentinel-2地表反射率影像,去除云和雪,计算NBR、NDVI、NDII三项植被指数,并对不同传感器进行交叉校准以匹配Landsat 7。采用两种影像合成方法:年度合成(一年前后夏季影像差值)和多月合成(火灾当年3–11月多时段影像最大差值,辅以归一化差分雪指数NDSI去除雪干扰)。参考火多边形来自北美MTBS(阿拉斯加,1984–2020)和NBAC(加拿大,1986–2020)以及欧亚大陆Talucci等(西伯利亚,2001–2020)数据集。训练UNet++卷积神经网络,使用5折交叉验证,并基于MODIS/VIIRS主动火点设置6?km缓冲区以约束预测范围,同时移除耕地和水体以减少虚警。
**研究结果**
**3.1 主动火点缓冲区大小对模型性能的影响**
通过比较1–8?km缓冲区,发现IOU和F1得分在约6?km后趋于平稳,选择6?km作为最优缓冲区,以平衡虚警和遗漏。
**3.2 XGBoost与UNet++对比**
在3000个随机火点的子集上,UNet++模型的IOU(0.80–0.83)显著优于XGBoost(0.64–0.65),且多月合成方法略优于年度合成。
**3.3 UNet++模型区域性能**
多月合成方法在所有训练区域均优于年度合成。北美模型IOU最高(0.83),欧亚模型较低(0.71),联合模型(北美+欧亚)IOU为0.77。联合模型在北美和欧亚分别达到与区域模型相当的IOU(0.84 vs 0.83;0.72 vs 0.71),表明无必要使用区域分离模型。
**3.4 UNet++概率阈值对性能的影响**
通过评估不同概率阈值下的精度和召回率,确定0.5为最佳平衡阈值,用于最终分类。
**3.5 UNet++模型按生态区性能**
在北美生态区,IOU一致较高(0.84–0.90);在欧亚大陆,西伯利亚中部生态区IOU(0.79–0.84)高于南部生态区(0.52–0.59)。多月合成方法在所有生态区均优于年度合成,主要因召回率提高。
**3.6 烧毁面积比较**
与GFED5、MCD64A1、ABBA、FireAtlas、FireCCI和GABAM等产品对比,模型预测的烧毁面积在ABZ整体上接近中位数,与ABBA和FireAtlas最为吻合。在北美,模型预测略高于除GABAM外的其他产品;在加拿大2023年破纪录火灾年,模型预测16.29?Mha,比NBAC多1.73?Mha,比FireAtlas少1.00?Mha。在欧亚大陆,模型预测居中,且比Talucci等参考数据更少,因模型识别了未燃烧植被岛。
**讨论与结论**
**讨论总结**:
模型性能受区域火灾机制和参考数据质量影响。多月合成方法优于年度合成,因其能更好地捕获快速恢复的草地和灌木火灾,以及早季或晚季发生的地表火。在北美,模型召回率高于精度,表明存在一定虚警,但能更准确检测未燃烧植被岛;在欧亚大陆,精度高于召回率,表明遗漏较多,但部分原因可能是参考数据本身未包含未燃烧岛,导致评估指标偏低。模型预测的烧毁面积与ABBA和FireAtlas等ABZ专用产品接近,但远低于GABAM,因后者存在高虚警。局限性包括:参考数据中未燃烧岛的不一致性、主动火点缓冲区选择对结果的影响、以及多月合成方法无法用于近实时火灾监测。尽管如此,该模型在30?m分辨率下整体性能良好,可应用于植被-燃烧反馈分析、短间隔复燃评估、未燃烧岛空间动态表征、碳排放估算改进等。
**研究结论**(翻译原文)
本研究开发了一种基于UNet++模型的深度学习方法,以30?m分辨率在环北极-北方地区(ABZ)进行野火制图。在2001–2020年评估中,该方法取得了有前景的结果,总体交并比(IOU)为0.77。然而,模型性能存在显著区域差异,北美(IOU=0.84)优于欧亚大陆(IOU=0.72)。在北美,模型性能与先前研究(Zhang等,2024)相当;相比之下,本研究是首次在欧亚大陆应用此类方法,标志着在覆盖整个ABZ的烧毁面积制图方面取得了重要进展。总体而言,该研究的烧毁面积估算与专为ABZ定制的MODIS产品(Loboda等,2024)以及基于VIIRS主动火点制图的产品(Scholten等,2024)高度吻合。然而,与唯一其他30?m分辨率制图方法(Long等,2019)相比,模型预测的烧毁面积显著更低,主要原因是先前方法(GABAM)中较高的虚警率导致了面积高估。此外,该研究更好地分辨了火场边界内未燃烧的区域。虽然仅对六个选定火灾年份进行了ABZ范围内的烧毁面积比较,未来研究步骤包括生成2001–2023年ABZ的年度烧毁面积产品,并可逐年更新。