Αξιολόγηση της σοβαρότητας των καμένων περιοχών από πυρκαγιές και της σχέσης τους με περιβαλλοντικούς παράγοντες...
Από RemoteSensing Wiki
(Η Create an Article to this category μετακινήθηκε στη θέση [[Τηλεπισκόπηση, αξιολόγηση κινδύνου και επικινδυνότητας βάσει μοντέλων και διαχείριση αγ...) |
|||
| Γραμμή 1: | Γραμμή 1: | ||
| - | + | [[Category: Περιβαλλοντικές Επιπτώσεις]] | |
| + | =='''Αξιολόγηση της σοβαρότητας των καμένων περιοχών από πυρκαγιές και της σχέσης τους με περιβαλλοντικούς παράγοντες: μελέτη περίπτωσης στο εσωτερικό της Αλάσκας Βόρειου Δάσους'''== | ||
| + | |||
| + | '''Πρωτότυπος τίτλος:''' Assessing Wildfire Burn Severity and Its Relationship with Environmental Factors: A Case Study in Interior Alaska Boreal Forest | ||
| + | |||
| + | '''Συγγραφείς:''' Christopher W Smith ,Santosh K Panda ,Uma S Bhatt ,Franz J Meyer ,Anushree Badola and Jennifer L Hrobak | ||
| + | |||
| + | |||
| + | '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.3390/rs13101966] | ||
| + | |||
| + | |||
| + | |||
| + | '''Εισαγωγή''' | ||
| + | Η εφαρμογή προηγμένων αλγορίθμων μηχανικής μάθησης, όπως το Random Forest (RF) και το Support Vector Machine (SVM), για τη χαρτογράφηση και την αξιολόγηση της σοβαρότητας των εγκαυμάτων στο βόρειο δάσος έχει περιοριστεί. Ο ταξινομητής RF είναι ένας εποπτευόμενος αλγόριθμος ταξινόμησης που χρησιμοποιείται για να ταξινομήσει τα pixel σε κλάσεις.Έχει την ικανότητα να επεξεργάζεται αποτελεσματικά σύνολα δεδομένων μεγάλου όγκου, αποφεύγοντας την υπερπροσαρμογή, καθιστώντας το RF ιδανικό ταξινομητή εάν είναι διαθέσιμος μεγάλος όγκος δεδομένων εκπαίδευσης. Αν και λίγες μόνο μελέτες έχουν χρησιμοποιήσει το RF για την ταξινόμηση της σοβαρότητας των καμένων περιοχών, υπάρχει ένας όγκος βιβλιογραφίας που καταδεικνύει την αποτελεσματικότητά του στη χαρτογράφηση της κάλυψης του εδάφους, καθιστώντας το καλό υποψήφιο για τη δοκιμή αξιολογήσεων σοβαρότητας εγκαυμάτων. Το Support Vector Machine (SVM) είναι ένας άλλος ταξινομητής μηχανικής μάθησης που μαθαίνει να επισημαίνει αντικείμενα σε κλάσεις. Για τις ταξινομήσεις εικόνων τηλεπισκόπησης, το SVM έχει αποδειχθεί ότι είναι ένας από τους πιο επιτυχημένους ταξινομητές. Ο πρωταρχικός στόχος αυτής της μελέτης είναι να προσδιορίσει ποιες από τις προαναφερθείσες τεχνικές τηλεπισκόπησης παράγουν τα πιο ακριβή προϊόντα για την αξιολόγηση της σοβαρότητας των εγκαυμάτων από τις πυρκαγιές στο βόρειο δάσος. Ο δευτερεύων στόχος είναι να διερευνηθεί πώς η σοβαρότητα της καύσης σχετίζεται με τον τύπο και την τοπογραφία του καυσίμου. | ||
| + | |||
| + | |||
| + | '''Μεθοδολογία''' | ||
| + | |||
| + | Περιοχή μελέτης: Shovel Creek αναφλέχθηκε από κεραυνό. Η φωτιά ξεκίνησε στις 21 Ιουνίου 2019 και έκαψε 91 km 2 . Nugget Creek \ ξεκίνησε επίσης από κεραυνό στις 21 Ιουνίου 2019 και έκαψε 77 km 2. Και για τις δύο περιπτώσεις εγκαυμάτων, δημιουργήθηκαν χάρτες NDVI και NBR πριν και μετά την πυρκαγιά. Χρησιμοποιήθηκαν γραμμικά μοντέλα για τη σύνδεση φασματικών δεικτών με τιμές CBI. Οι εκτιμώμενες τιμές CBI χωρίστηκαν σε τρεις κατηγορίες σοβαρότητας εγκαυμάτων: χαμηλής σοβαρότητας (CBI: 0,01–1,49), μέτριας σοβαρότητας (1,5–1,99) και υψηλής σοβαρότητας (2,0– 3,0). Χρησιμοποιήθηκε ένα Trimble R10 RTK GPS για να ληφθούν οι ακριβείς θέσεις των πεδίων CBI (διάμετρος 30 m). Προκειμένου να υπολογιστεί η μετατόπιση θέσης μεταξύ των ερωτηθέντων διαγραμμάτων CBI και του εικονοστοιχείου εικόνας, χρησιμοποιήθηκε ένα buffer 20 μέτρων γύρω από κάθε διάγραμμα για αξιολόγηση ακρίβειας. Για την εκτέλεση εποπτευόμενων ταξινομήσεων, πρώτα αφαιρέθηκαν τα μη καμένα pixel από την εικόνα. Για να αποκρύφθούν τα άκαυστα pixel, δοκιμάστηκαν διαφορετικοί δείκτες και τιμές ελέγχοντας οπτικά πόσο καλά κρύβουν τα άκαυστα pixel. Ο δείκτης NDVI με όριο 0,4 ήταν πιο αποτελεσματικός για την περιοχή καύσης Nugget Creek ενώ στην περιοχή καύσης Shovel Creek ο δείκτης dNBR με όριο 0,24 ήταν ο πιο αποτελεσματικός. Αφαιρέθηκαν στη συνέχεια οι άκαυστες περιοχές για να αποφευχθεί πιθανή εσφαλμένη ταξινόμηση της κατηγορίας. Χρησιμοποιώντας τον χάρτη 2019 Alaska Vegetation and Wetland Composite (AVWC) υπολογίστηκε το ποσοστό έκτασης που καταλαμβάνει κάθε κατηγορία βλάστησης επιπέδου II εντός των περιοχών καύσεως Nugget Creek και Shovel Creek. Χρησιμοποιήθηκε ένα Arctic Digital Elevation Model (DEM) 2 m ως πηγή για τη δημιουργία χαρτών κλίσης και όψεων των περιοχών καύσεως. Χρησιμοποιήθηκε το λογισμικό ArcMap 10.7 της ESRI για επεξεργασία εικόνας και το RStudio 1.2.5019 για όλες τις στατιστικές αναλύσεις. Χρησιμοποιήθηκε το Ordinal Logistic Regressions για να δημιουργηθούν μοντέλα με ταξινόμησης σοβαρότητας εγκαύματος ως απόκριση και όψη, κλίση, θέση. Χρησιμοποιήθηκε το AIC για να ελεγχθούν η στατιστική σημασία του πλήρους μοντέλου (κατηγορία σοβαρότητας ~ όψη + κλίση + τοποθεσία + τύπος καυσίμου) και όλους τους συνδυασμούς των μοντέλων τρίτης, δεύτερης και πρώτης τάξης. Αυτή η επιλογή μοντέλου ουσιαστικά επέτρεψε να προσδιοριστεί ποιος συνδυασμός επεξηγηματικών περιβαλλοντικών μεταβλητών είναι καλύτερος για να εξηγήσει τη σοβαρότητα των εγκαυμάτων στο σύνολο δεδομένων μας. | ||
| + | |||
| + | '''Αποτελέσματα''' | ||
| + | |||
| + | Στο Nugget Creek, όλοι οι δείκτες (NDVI, NBR, dNDVI και dNBR) είχαν υψηλή συσχέτιση με το CBI τα γραμμικά μοντέλα που παράγονται για κάθε δείκτη έδειξαν μια σημαντική σχέση μεταξύ των αντίστοιχων δεικτών και του CBI ( p < 0,05) που στη συνέχεια χρησιμοποιήθηκαν για την παραγωγή χαρτών σοβαρότητας εγκαυμάτων. Ο δείκτης με την καλύτερη απόδοση χρησιμοποιώντας μόνο μια εικόνα μετά την πυρκαγιά ήταν ο NDVI, με ακρίβεια 96,43%, ενώ ο NBR είχε ακρίβεια 75%. Συνολικά, ο χάρτης σοβαρότητας εγκαυμάτων που βασίζεται στο NDVI ήταν το καλύτερο προϊόν στο Nugget Creek (Εικ. 1). [[Εικόνα: remotesensing-13-01966-g005|200px|thumb|left|Εικόνα 1: Σύγκριση των προϊόντων χάρτη σοβαρότητας εγκαυμάτων στην περιοχή Nugget Creek.]] | ||
Αναθεώρηση της 22:38, 7 Φεβρουαρίου 2022
Αξιολόγηση της σοβαρότητας των καμένων περιοχών από πυρκαγιές και της σχέσης τους με περιβαλλοντικούς παράγοντες: μελέτη περίπτωσης στο εσωτερικό της Αλάσκας Βόρειου Δάσους
Πρωτότυπος τίτλος: Assessing Wildfire Burn Severity and Its Relationship with Environmental Factors: A Case Study in Interior Alaska Boreal Forest
Συγγραφείς: Christopher W Smith ,Santosh K Panda ,Uma S Bhatt ,Franz J Meyer ,Anushree Badola and Jennifer L Hrobak
Σύνδεσμος πρωτότυπου κειμένου: [1]
Εισαγωγή Η εφαρμογή προηγμένων αλγορίθμων μηχανικής μάθησης, όπως το Random Forest (RF) και το Support Vector Machine (SVM), για τη χαρτογράφηση και την αξιολόγηση της σοβαρότητας των εγκαυμάτων στο βόρειο δάσος έχει περιοριστεί. Ο ταξινομητής RF είναι ένας εποπτευόμενος αλγόριθμος ταξινόμησης που χρησιμοποιείται για να ταξινομήσει τα pixel σε κλάσεις.Έχει την ικανότητα να επεξεργάζεται αποτελεσματικά σύνολα δεδομένων μεγάλου όγκου, αποφεύγοντας την υπερπροσαρμογή, καθιστώντας το RF ιδανικό ταξινομητή εάν είναι διαθέσιμος μεγάλος όγκος δεδομένων εκπαίδευσης. Αν και λίγες μόνο μελέτες έχουν χρησιμοποιήσει το RF για την ταξινόμηση της σοβαρότητας των καμένων περιοχών, υπάρχει ένας όγκος βιβλιογραφίας που καταδεικνύει την αποτελεσματικότητά του στη χαρτογράφηση της κάλυψης του εδάφους, καθιστώντας το καλό υποψήφιο για τη δοκιμή αξιολογήσεων σοβαρότητας εγκαυμάτων. Το Support Vector Machine (SVM) είναι ένας άλλος ταξινομητής μηχανικής μάθησης που μαθαίνει να επισημαίνει αντικείμενα σε κλάσεις. Για τις ταξινομήσεις εικόνων τηλεπισκόπησης, το SVM έχει αποδειχθεί ότι είναι ένας από τους πιο επιτυχημένους ταξινομητές. Ο πρωταρχικός στόχος αυτής της μελέτης είναι να προσδιορίσει ποιες από τις προαναφερθείσες τεχνικές τηλεπισκόπησης παράγουν τα πιο ακριβή προϊόντα για την αξιολόγηση της σοβαρότητας των εγκαυμάτων από τις πυρκαγιές στο βόρειο δάσος. Ο δευτερεύων στόχος είναι να διερευνηθεί πώς η σοβαρότητα της καύσης σχετίζεται με τον τύπο και την τοπογραφία του καυσίμου.
Μεθοδολογία
Περιοχή μελέτης: Shovel Creek αναφλέχθηκε από κεραυνό. Η φωτιά ξεκίνησε στις 21 Ιουνίου 2019 και έκαψε 91 km 2 . Nugget Creek \ ξεκίνησε επίσης από κεραυνό στις 21 Ιουνίου 2019 και έκαψε 77 km 2. Και για τις δύο περιπτώσεις εγκαυμάτων, δημιουργήθηκαν χάρτες NDVI και NBR πριν και μετά την πυρκαγιά. Χρησιμοποιήθηκαν γραμμικά μοντέλα για τη σύνδεση φασματικών δεικτών με τιμές CBI. Οι εκτιμώμενες τιμές CBI χωρίστηκαν σε τρεις κατηγορίες σοβαρότητας εγκαυμάτων: χαμηλής σοβαρότητας (CBI: 0,01–1,49), μέτριας σοβαρότητας (1,5–1,99) και υψηλής σοβαρότητας (2,0– 3,0). Χρησιμοποιήθηκε ένα Trimble R10 RTK GPS για να ληφθούν οι ακριβείς θέσεις των πεδίων CBI (διάμετρος 30 m). Προκειμένου να υπολογιστεί η μετατόπιση θέσης μεταξύ των ερωτηθέντων διαγραμμάτων CBI και του εικονοστοιχείου εικόνας, χρησιμοποιήθηκε ένα buffer 20 μέτρων γύρω από κάθε διάγραμμα για αξιολόγηση ακρίβειας. Για την εκτέλεση εποπτευόμενων ταξινομήσεων, πρώτα αφαιρέθηκαν τα μη καμένα pixel από την εικόνα. Για να αποκρύφθούν τα άκαυστα pixel, δοκιμάστηκαν διαφορετικοί δείκτες και τιμές ελέγχοντας οπτικά πόσο καλά κρύβουν τα άκαυστα pixel. Ο δείκτης NDVI με όριο 0,4 ήταν πιο αποτελεσματικός για την περιοχή καύσης Nugget Creek ενώ στην περιοχή καύσης Shovel Creek ο δείκτης dNBR με όριο 0,24 ήταν ο πιο αποτελεσματικός. Αφαιρέθηκαν στη συνέχεια οι άκαυστες περιοχές για να αποφευχθεί πιθανή εσφαλμένη ταξινόμηση της κατηγορίας. Χρησιμοποιώντας τον χάρτη 2019 Alaska Vegetation and Wetland Composite (AVWC) υπολογίστηκε το ποσοστό έκτασης που καταλαμβάνει κάθε κατηγορία βλάστησης επιπέδου II εντός των περιοχών καύσεως Nugget Creek και Shovel Creek. Χρησιμοποιήθηκε ένα Arctic Digital Elevation Model (DEM) 2 m ως πηγή για τη δημιουργία χαρτών κλίσης και όψεων των περιοχών καύσεως. Χρησιμοποιήθηκε το λογισμικό ArcMap 10.7 της ESRI για επεξεργασία εικόνας και το RStudio 1.2.5019 για όλες τις στατιστικές αναλύσεις. Χρησιμοποιήθηκε το Ordinal Logistic Regressions για να δημιουργηθούν μοντέλα με ταξινόμησης σοβαρότητας εγκαύματος ως απόκριση και όψη, κλίση, θέση. Χρησιμοποιήθηκε το AIC για να ελεγχθούν η στατιστική σημασία του πλήρους μοντέλου (κατηγορία σοβαρότητας ~ όψη + κλίση + τοποθεσία + τύπος καυσίμου) και όλους τους συνδυασμούς των μοντέλων τρίτης, δεύτερης και πρώτης τάξης. Αυτή η επιλογή μοντέλου ουσιαστικά επέτρεψε να προσδιοριστεί ποιος συνδυασμός επεξηγηματικών περιβαλλοντικών μεταβλητών είναι καλύτερος για να εξηγήσει τη σοβαρότητα των εγκαυμάτων στο σύνολο δεδομένων μας.
Αποτελέσματα
Στο Nugget Creek, όλοι οι δείκτες (NDVI, NBR, dNDVI και dNBR) είχαν υψηλή συσχέτιση με το CBI τα γραμμικά μοντέλα που παράγονται για κάθε δείκτη έδειξαν μια σημαντική σχέση μεταξύ των αντίστοιχων δεικτών και του CBI ( p < 0,05) που στη συνέχεια χρησιμοποιήθηκαν για την παραγωγή χαρτών σοβαρότητας εγκαυμάτων. Ο δείκτης με την καλύτερη απόδοση χρησιμοποιώντας μόνο μια εικόνα μετά την πυρκαγιά ήταν ο NDVI, με ακρίβεια 96,43%, ενώ ο NBR είχε ακρίβεια 75%. Συνολικά, ο χάρτης σοβαρότητας εγκαυμάτων που βασίζεται στο NDVI ήταν το καλύτερο προϊόν στο Nugget Creek (Εικ. 1).
