Resumen de Burned area mapping using active and passive sensors of medium spatial resolution
- español
Esta tesis doctoral se centra en el desarrollo de nuevos algoritmos de cartografiado de áreas quemadas empleando sensores activos y pasivos de resolución espacial media. Así, la finalidad de la presente tesis es que los nuevos métodos desarrollados permitan reducir las incertidumbres actuales acerca de cuánta superficie es quemada anualmente en la Tierra. Actualmente, esta es estimada empleando imágenes ópticas de baja resolución espacial, que tienen limitaciones en zonas con una alta nubosidad, así como al cartografiar incendios pequeños, menores a 100 hectáreas. Dichas limitaciones se solventan en la presente tesis al incluir imágenes radar y al combinar estas con ópticas, todas ellas de resolución espacial media, tomadas desde los satélites de la Agencia Espacial Europea (ESA) Sentinel-1 y Sentinel-2. La tesis se estructura en ocho capítulos.
En el primer capítulo se hace referencia a la importancia del fuego, tanto a escala global como regional, resaltando la necesidad de poder disponer de productos de área quemada exactos para gestionar ecosistemas, monitorizar emisiones de gases de efecto invernadero (GEI) o modelar la vegetación. Desde sus inicios, la teledetección ha sido una fuente de información de gran valor para generar dichos productos, así, se explican los principios físicos que permiten cartografiar el área quemada empleando datos de teledetección. De forma complementaria, se incluye el estado del arte en cartografiado de áreas quemadas a través de imágenes ópticas, radar y la combinación de ambas. Finalmente se presenta la hipótesis, la motivación y los objetivos de la tesis.
En el segundo capítulo se aborda la generación de un algoritmo de cartografiado de área quemada basado en imágenes Sentinel-1 del coeficiente de retro-dispersión de banda C. Este aplica el detector Reed-Xiaoli (RXD) para distinguir cambios anómalos en el coeficiente de retro-dispersión, que se vinculan a incendios mediante el uso de anomalías térmicas adquiridas durante el período de detección por sensores térmicos. Cuando las anomalías térmicas no estuvieron disponibles, se utilizó un clasificador de aprendizaje automático (random forests) para detectar áreas quemadas. Los perímetros de área quemada derivados de imágenes ópticas (Landsat-8 y Sentinel-2) se utilizaron para validar los resultados del algoritmo en 21 millones de hectáreas distribuidas en 18 ubicaciones globalmente repartidas, que representan los principales biomas afectados por incendios. Se calculó un coeficiente de Dice (DC) medio sobre todas las ubicaciones estudiadas de 0.59±0.06 (± intervalo de confianza, 95%), mientras que los errores de omisión (OE) y comisión (CE) medios fueron de 0.43±0.08 y 0.37±0.06, respectivamente. Al comparar la exactitud lograda con la del producto global de área quemada más empleado, el MCD64A1, el algoritmo propuesto mejoró el DC en 0.13 mediante una reducción de los errores de omisión y comisión de 0.12 y 0.06, respectivamente.
En el tercer capítulo seanaliza la relación entre la exactitud del cartografiado y el tiempo de computación sario para el algoritmo basado en RXD, descrito en el capítulo dos, en diferentes tamaños de píxeles (20, 30, 40 y 50 m). El análisis se realizó en seis áreas de estudio distribuidas globalmente. Los resultados sugieren diferencias marginales en la exactitud al variar el tamaño de píxeles, detectándose mapas ligeramente más exactos al emplear espaciados mayores al de la resolución nominal de Sentinel-1 (20 m). No obstante, el tiempo de computación fue considerablemente mayor conforme el espaciado entre píxeles era más detallado. Así, las imágenes con un espaciado entre píxeles de 30 a 50 m proporcionan la relación tiempo-exactitud más idónea.
En el cuarto capítulo se analizan los factores que pueden influir en la exactitud del cartografiado del área quemada. El enfoque principal de análisis, fue el proceso de decorrelación temporal observado durante el desarrollo del algoritmo. La decorrelación temporal se refiere a que las diferencias temporales entre los valores del coeficiente de retrodispersión previo y posterior al incendio pueden no ocurrir inmediatamente trascurrida la combustión de la vegetación. Diferentes variables ambientales que pueden influir en la retro-dispersión, incluida la severidad del incendio, la recuperación de la vegetación posterior al incendio, el contenido de agua del suelo y la vegetación, la pendiente y la orientación topográfica fueron analizadas. Se utilizó un clasificador de random forests para estimar la importancia de estas variables en el proceso de decorrelación temporal. El análisis mostró que más del 32% de los píxeles quemados ubicados en el área estudiada se vieron afectados por la decorrelación temporal, siendo la severidad del fuego, el contenido de agua de la vegetación y la humedad del suelo, sus principales impulsores. Sin embargo, cuando se detectaron áreas quemadas mucho después del incendio, el contenido de agua tanto del suelo como de la vegetación fue el principal causante de los cambios en el coeficiente de retro-dispersión.
En el quinto capítulo se aborda una comparativa entre algoritmos de cartografiado de áreas quemadas, dos basados en imágenes radar (Sentinel-1) y uno basado en ópticas (Sentinel-2). El análisis se llevó a cabo en diez áreas de estudio (10 millones de ha) en África. Los algoritmos se basaron en diversas estrategias de cartografiado y datos (reflectividad de superficie, coherencia interferométrica y coeficiente de retro-dispersión, siendo este último el presentado en el segundo capítulo). Para validar los mapas, se utilizaron perímetros de referencia derivados independientemente de imágenes ópticas (Landsat 8 y Sentinel-2). Al considerar todas las áreas de estudio, el algoritmo basado en datos ópticos proporcionó un aumento significativo de la exactitud en comparación con los basados en el radar, aunque este podría haber sido impulsado por el uso de los mismos datos ópticos al generar los perímetros de referencia que al cartografiar el área quemada. No obstante, el análisis sugirió que los algoritmos basados en imágenes ópticas proporcionan un incremento significativo en la exactitud sobre los algoritmos basados en radar. Sin embargo, en las regiones donde la nubosidad es más persistente, los algoritmos basados en radar ofrecen una valiosa fuente de datos, siendo los mapas basados en el coeficiente de retrodispersión de mayor exactitud.
En el sexto capítulo se presenta un análisis exhaustivo sobre el uso de redes neuronales convolucionales (CNN) para la detección y cartografiado de áreas quemadas. Las CNN son un método de aprendizaje profundo (Deep learning) ampliamente aplicado en estudios recientes basados en teledetección. Las CNN se han utilizado en este capitulo para cartografiar áreas quemadas empleando imágenes radar (Sentinel-1), ópticas (Sentinel-2) y la combinación de ambas. Para ello, fueron consideradas diez áreas de estudio distribuidas globalmente, de las cuales, cinco se emplearon para hallar la combinación óptima de los modelos ajustando la dimensión más apropiada para la extracción de atributos de clasificación de la imagen, la normalización de los datos y el número de capas ocultas incluidas en la red. Por otro lado, las cinco áreas restantes se emplearon para llevar a cabo una validación independiente de los modelos óptimos. Tanto la dimensión como la normalización de datos óptima fueron condicionadas por la clase de cobertura del suelo y el tipo de sensor (óptico o radar), mientras que el número de capas ocultas sólo condicionó el tiempo de computación sin mejorar la exactitud del cartografiado. Con la combinación de imágenes radar y ópticas se permitió cartografiar las áreas quemadas con una exactitud similar e incluso ligeramente superior a la observada en enfoques anteriores realizados en el programa Fire_cci basados tanto en Sentinel-1 (DC 0.57) como en Sentinel-2 (DC 0.7) y eliminar vacíos de información debido a la presencia de nubes que afecta a los mapas basados únicamente en sensores pasivos.
En el séptimo capítulo, dada la diferencia de exactitud entre los datos radar y ópticos al cartografiar áreas quemadas, proporcionando los segundos tipos de datos unos mapas más exactos. Se evaluaron diferentes índices temporales basados en el coeficiente de retro-dispersión, para así comprender su idoneidad al cartografiar áreas quemadas y poder mejorar los algoritmos de cartografiado basados en imágenes radar en trabajos futuros. El análisis se llevó a cabo utilizando el clasificador anteriormente citado, random forests, para estimar la importancia de cada índice al cartografiar áreas quemadas. Dependiendo del tipo de cobertura del suelo, la humedad y las condiciones topográficas, se observaron diferencias notables entre los índices temporales del coeficiente de retro-dispersión.
En el octavo y último capítulo, se incluyen las conclusiones finales derivadas de toda la investigación que se ha desarrollado en esta tesis doctoral. Se describen los principales hallazgos de la misma, así como las limitaciones encontradas. Asimismo, se incluyen las futuras líneas de investigación que pueden ayudar a mejorar el cartografiado global de áreas quemadas empleando, tanto imágenes radar como la combinación de estas con las ópticas.
- English
This doctoral thesis focuses on the development of new algorithms for burned area mapping using active and passive sensors of medium spatial resolution. Such algorithms shall allow reducing current uncertainties on areas affected by fire every year at global level. Currently, global burned area is estimated from low spatial resolution optical images, which have limitations in areas with high cloud cover, as well as when mapping small fires (i.e., less than 100 hectares). The developed algorithms reduce such limitations by using radar images and by combining radar and optical datasets acquired at medium spatial resolution by the European Space Agency (ESA) satellites Sentinel-1 and Sentinel-2.
The thesis is structured in eight chapters.
The first chapter describes the importance of fire at global and regional level, and highlighting the need for accurate burned area products for a range of application including ecosystem management, GHGs emissions monitoring and vegetation modelling. Since its inception, remote sensing has been a highly valuable source of information for burned area detection and monitoring. Therefore, the physical principles on which burned area mapping is achieved through using remote sensing data are also explained and related to the state-of-the-art when mapping burned areas through optical images, radar images, and their combination. Finally, the hypothesis, motivation, and objectives of the thesis are presented.
In the second chapter, a burned area mapping algorithm based on C-band Sentinel-1 imagery is discussed. The algorithm applies the Reed-Xiaoli detector (RXD) to distinguish anomalous changes of the backscatter coefficient. Such changes are linked to fires events through spatially and temporally coincident thermal anomalies acquired by ancillary sensors. For periods with no thermal anomalies, a machine learning classifier, random forests, was used to detect the burned areas. Burned area perimeters derived from optical images (Landsat-8 and Sentinel-2) were used to validate the algorithm over 21 million hectares distributed worldwide in 18 locations that represent the main biomes affected by fires. The mean Dice coefficient (DC) was calculated over all the 18 locations revealed a burned area mapping accuracy of 0.59±0.06 ( confidence interval, 95%), with the mean errors of omission (OE) and commission (CE) reaching 0.43±0.08 and 0.37±0.06, respectively. The results were Compared with those provided by the most widely used global burned area product, the MCD64A1. The proposed algorithm improved, on average, the DC by 0.13 by reducing OE (0.12) and CE (0.06).
In the third chapter, and the relationship between mapping accuracy and computing time needed for the RXD-based algorithm, described in chapter two, was analysed for different pixel spacings (i.e., 20, 30, 40 and 50 m). The analysis was carried out in six globally distributed study areas. The results suggest marginal differences in accuracy when varying the pixel spacing, with slightly more accurate maps being obtained using higher spacings when compared to the nominal of Sentinel-1 spatial resolution (20 m). However, the computing time was considerably higher at low pixel spacing with images between 30-50 m providing the optimum trade-off between accuracy and computing time.
In the fourth chapter, factors that may influence the burned area mapping accuracy were analysed. The main focus of the analysis was the temporal decorrelation process, observed during algorithm development. The temporal decorrelation refers to the temporal difference between the observed post-fire backscatter coefficient change in regard to the time of change which may occur long after the vegetation combustion. In this chapter, different environmental variables that may influence radar scattering were analysed including, fire severity, post-fire vegetation recovery, soil, and vegetation water content, slope and topographic aspect. A random forests classifier was used to estimate the importance of these variables for the temporal decorrelation process. The analysis showed that over than 32% of the burned pixels located in the studied area were affected by temporal decorrelation, with fire severity, vegetation water content and soil moisture being its main drivers. However, when burned areas were detected long after fire, soil and the vegetation water content of both were the most important drivers behind the observed changes of the backscatter coefficient.
The fifth chapter addresses the comparison between two burned area mapping algorithms based on radar images (Sentinel-1) and one based on optical (Sentinel-2). The analysis was carried out over ten study areas (10 million ha) in Africa. The algorithms were based on different mapping strategies and datasets (surface reflectivity, interferometric coherence and backscatter coefficient, the latter being presented in the second chapter). The maps were validated through reference perimeters derived independently from optical images (Landsat 8 and Sentinel-2). When considering all study areas, the optical data-based algorithm provided a significant increase in accuracy compared to radar-based ones. However, this may have been driven by the use of the same optical datasets when generating the reference fire perimeters (i.e., Sentinel-2). Nevertheless, the analysis suggested that optical image-based algorithms provide a significant increase in accuracy over radar-based algorithms. However, in regions with persistent cloud cover, the radar-based algorithms offered a valuable source of information, with radar-based detections being more accurate.
In the sixth chapter, a comprehensive analysis of the use of convolutional neural networks (CNN) for burned areas detection and mapping is presented. CNN is a Deep Learning method widely applied in recent remote sensing studies. CNN were used to develop a seamless burned area mapping algorithm that includes radar (Sentinel-1), optical (Sentinel-2) and radar-optical datasets. Ten globally distributed study areas were considered. Five areas were used to establish the optimum dimensionality for feature extraction (i.e., 1D or 2D, data normalisation and the number of hidden layers). The remaining five areas were used to carry out an independent validation of the optimal models. Both the dimension and the optimal data normalisation were conditioned by land cover class and the senor type (optical or radar). The number of hidden layers only influenced the computation time without any improvements in the mapping accuracy being observed. The combination of radar and optical images allowed mapping burned areas with similar, or slightly higher accuracies when compared to those achieved in previous approaches developed within the Fire_cci program and based on both Sentinel-1 (DC 0.57) or Sentinel-2 (DC 0.7) datasets. Furthermore, the combined radar-optic approach eliminated information gaps due to the presence of clouds which affect detections based on passive sensors alone.
In the seventh chapter, given the difference in accuracies between radar and optical data when mapping burned areas, various backscatter coefficient based temporal indices were evaluated to understand their suitability for burned areas mapping. The analysis was carried out to understand how radar-based burned area mapping algorithms may be improved in future work. The analysis is carried out using the random forests classifier, and the importance of each radar-based index is assessed when mapping burned areas.
Depending on the land cover type, soil moisture, and topographic conditions, notable differences were observed between the temporal backscatter-based indices. In the eighth and last chapter, the conclusions derived from all research carried out within this doctoral thesis are resumed. The main findings, as well as the limitations found, are described as well as future lines of research that may help improving global mapping of burned areas from radar datasets and the combination of radar and optical datasets.
