论文|One Earth 综述基于遥感的野火监测：深入了解燃烧面积、排放量和火灾动态

最新推荐文章于 2024-08-14 22:29:49 发布

学研录

最新推荐文章于 2024-08-14 22:29:49 发布

阅读量144

点赞数

文章标签：人工智能学习方法数据库开发

原文链接：https://doi.org/10.1016/j.oneear.2024.05.014

版权

本文共7582字，阅读约需20分钟

0论文信息

标题: Remote sensing for wildfire monitoring: Insights into burned area, emissions, and fire dynamics

期刊：One Earth

时间：2024年6月21日，第7卷，6期，P1022-1028

作者：Yang Chen, Douglas C. Morton, et al.

DOI:https://doi.org/10.1016/j.oneear.2024.05.014

总结：本文综述了当前用于野火研究的遥感产品，重点关注它们在获取燃烧面积和排放量数据以及跟踪单个火灾事件的动态方面的应用。

1文章摘要

遥感在监测野火的整个生命周期中发挥着核心作用，包括评估火灾前的燃料状况，描述活跃的火灾位置和排放量，以及评估火灾后对植被、空气质量和气候的影响。

本文综述了当前用于野火研究的遥感产品，重点关注它们在获取燃烧面积和排放量数据以及跟踪单个火灾事件的动态方面的应用。

评估这些产品的优势和劣势，并解决关键科学问题，例如生成完整、连续和一致的长期野火监测数据。

探索了遥感技术在野火表征和管理方面的未来机会和研究方向。

关键词：土地利用适宜性土地利用格局生态保护权衡分区管理

2火灾监测简介

火灾是一种世界性现象，对生态系统功能、气候变化、空气质量以及人类健康和财产产生深远影响。野外火灾，无论是由闪电还是人类活动点燃，在不同地区的频率、强度、持续时间和空间范围上都有所不同。火灾活动也随季节和年际变化而变化，通常是由不断变化的天气条件、植被类型和点火源驱动的。这种复杂的空间和时间变化凸显了需要更好的监测策略来全面跟踪野外火灾。

从历史上看，火灾监测依赖于地面观测，可以是来自瞭望塔的直接目视评估，也可以是火灾管理机构更有组织的监测工作，包括空中侦察。虽然这些方法在特定地点提供了有价值的现场数据，但它们的范围本身就受到限制，无法提供大陆或全球范围内所需的可靠和连续的监测。

遥感技术改变了我们观察和分析全球火灾的能力。早期的天基火灾探测和测绘可以追溯到 1970 年代，当时发射了第一颗 Landsat 卫星。遥感技术的发展产生了多代新仪器，每一代仪器都具有改进的火灾探测能力。这些传感器已被用于收集有关火灾位置、燃烧面积和火灾排放的重要数据，并生成对火灾影响分析至关重要的数据流。

遥感技术的持续发展，以及数据分析和计算能力的进步，有利于火灾动态监测和火灾管理，以应对全球变暖。本综述回顾了整个火灾生命周期中遥感的现状和未来机会，重点关注与火灾监测相关的三个应用：量化燃烧面积（BA）、估计火灾排放（EM）和跟踪单个火灾事件的动态蔓延（表1）。

3远程火灾监控的物理基础

遥感是在没有直接物理接触的情况下获取有关物体或区域的数据的过程。遥感的历史可以追溯到19世纪，始于气球捕获的航空图的出现。自二十世纪中叶以来，各种遥感器已经开发并部署在机载和卫星平台上。这些传感器有多种用途，包括环境监测、农业和城市规划、灾害管理和军事服务等。特别是，地球观测卫星上的遥感仪器为了解和有效管理地球生态系统和资源提供了宝贵的数据。

火灾会严重影响地球的生态系统、大气和气候。为了促进有效的火灾管理和减灾，人们使用遥感来监测野火的整个生命周期。在火灾前阶段，遥感用于评估燃料负荷（数量）、燃料状况（例如，活的与死的、含水量）和火灾天气，以指导对火灾爆发的可能性和强度的预测。一旦野火被点燃，遥感对于实时获取活跃火灾（AF）位置和强度的信息至关重要。在火灾后阶段，遥感评估燃烧表面（例如反射率、粗糙度和温度）和植被（例如生物量、结构）的变化，以帮助量化燃烧程度和火灾严重程度。遥感观测还测量火灾期间和火灾后的大气成分，用于空气质量和污染分析。

遥感涉及测量目标物体或区域反射、发射或散射的电磁辐射。电磁波谱中的各种遥感技术和波长用于火灾监测，每种技术在野火观察和分析中都有特定的作用（图1）。

图1. 用于火灾监测的波长相关遥感应用遥感在监测活跃火灾、绘制燃烧区域和量化火灾排放方面的波长相关应用图示。

热像仪可检测火灾发出的红外辐射，是实时监测AF的主要工具。在500°C至1,200°C的温度下植被燃烧会发出比周围环境多得多的红外辐射，从而可以通过其红外特征来识别火灾。中波红外（MWIR;波长为3-5μm）范围对于火灾探测特别有效，因为它可以捕获植被火灾释放的能量峰值。为了增强检测效果，长波红外（LWIR;8–14 μm）数据通常与中波红外数据配对，从而提高对比度和火灾识别能力。短波红外（SWIR;1.4–2.3μm）数据也用于自动对焦检测，特别是在白天，以避免反射阳光的混淆效应，或用于缺乏MWIR功能的传感器。

测量来自太阳域的辐射，包括可见光（VIS;0.4-0.7μm）、近红外（NIR;0.8-1.4μm）和SWIR波长，对于评估火灾后的表面和大气变化至关重要。这些变化，如植被炭化、土壤暴露和灰烬沉积，会改变这些波段的反射率。近红外的反射率通常在火灾后降低，而短波红外和红色（0.6-0.7μm）波段的反射率通常增加。将近红外光谱与SWIR或红色波段进行对比的光谱指数也有助于量化烧伤严重程度和识别BA。

无源传感器依赖于自然能源，如火发射的热辐射或反射的阳光，并受到云层、浓烟或植被冠层等障碍物的限制。有源传感器，如雷达（使用微波脉冲）/光探测和测距（LiDAR）（使用可见光或近红外激光器），克服了其中一些限制，提供了互补的火灾监测数据。已被用于太空和空中任务，以绘制BA地图，评估植被结构并测量烟羽高度。

遥感平台的选择对火灾监测效果有显著影响。卫星轨道高度、倾角、立交时间和重访频率等因素对于野火探测性能至关重要。虽然飞机和无人机 （UAV）上的传感器具有高空间分辨率和快速部署，但它们的空间覆盖范围有限，并且可能受到天气条件的限制。大多数用于研究火灾特性和影响的遥感数据都来自EO卫星，这些卫星主要在低地球轨道（LEO;低于1000公里）运行，覆盖范围和频率有限。LEO卫星图像的分辨率各不相同，从相对粗糙（数百米）和中等（数十米）到精细（亚米到米），影响了其应用和监测能力。另外，地球静止轨道（GEO;距地球约35,786公里）卫星提供对特定区域的连续监测，尽管它们在高纬度地区空间分辨率较低，效率降低。

4当前遥感火灾监测数据

4.1、用于BA估计的遥感

野火直接改变了植被和土壤的结构和特性。通过记录火灾前后的反射或发射光谱辐射，遥感仪器可以捕获这些表面变化，以评估燃烧的面积和严重程度（图2）。遥感 BA 数据有各种应用，包括火灾管理、火灾影响评估和修复、火灾驱动表征和火灾风险评估。它们还经常用于估计火灾产生的温室气体和烟雾气溶胶排放，有助于研究空气质量和气候变化。

通过遥感识别BA的主要方法是在卫星图像时间序列中检测像素级的变化。这种方法通常涉及分析来自特定传感器通道的辐射或反射率，这些通道对火灾引起的变化很敏感。值得注意的是，由于叶面积的减少，近红外反射率通常在火灾后降低，而SWIR反射率随着植燥和灰烬积聚而增加。这些变化使得近红外和短波红外辐射成为许多当前BA算法的关键组成部分，通常结合植被指数，如归一化燃烧比（NBR）及其衍生物，即NBR差值。

当前的遥感 BA 产品在影像的空间和时间分辨率以及用于识别燃烧和未燃烧像素的算法方面有所不同。对于通常使用来自LEO卫星的粗分辨率的每日图像的全球产品，标准程序包括对每个像素的时间序列进行多次测试，以确定持续变化的时间，并区分燃烧的像素和未燃烧的像素。这些分析中的参数通常是根据经验确定和局部调整的。为了帮助选择BA的训练像素并区分烧伤前和烧伤后的情况，有时会使用来自MWIR和LWIR的自动对焦检测。使用这种方法开发了几个全球BA数据集，并利用粗分辨率遥感数据。早期的全球产品包括欧空局的GLOBSCAR，它使用ERS-2卫星上的ATSR数据;GBA2000，它使用了SPOT卫星上的VEGETATION数据;以及FireCCI41，它使用了ENVISAT卫星上的MERIS数据。最近的几款全球BA产品，包括MCD64、FireCCI50和FireCCI51，都是基于NASA的Terra和Aqua卫星的MODIS数据。

来自中等分辨率传感器的测量，例如 Landsat 上的 ETM+ 和 OLI、Sentinel-2 上的 MSI 和 Terra 上的 ASTER，广泛用于区域 BA 制图和全球产品的训练/验证。这些区域产品采用与全球产品类似的 BA 算法，使用单波段或多波段数据的时间序列。与基于物理的模型不同，机器学习技术通常用于像素级燃烧概率和分类。例如，美国的 USGS BA、巴西的 MapBiomas、加拿大的 NBAC、澳大利亚昆士兰州的 TERN、撒哈拉以南非洲的 FireCCI SFD11 和俄罗斯的绿色和平组织——这些产品主要使用 Landsat 或 Sentinel-2 数据。尽管机器学习方法提供了速度并且需要较少的经验知识，但它们的输出缺乏物理可解释性，并且可能对噪声和异常值高度敏感。

BA 数据的校准和验证涉及与独立的、更高分辨率的参考图像进行比较。通过计算Landsat 或 Sentinel-2 场景中代表不同位置和时间的参考区域的误报和遗漏误差来评估全局粗分辨率 BA 产品的准确性。许多参考数据集通过目视检查进行质量检查，并汇编到烧毁区域参考数据库中。商业卫星和航空照片可能会为验证中分辨率产品提供一些参考数据，但它们的覆盖范围有限，而且数据采集成本可能很高。目前，通常使用中分辨率参考数据或专家对高分辨率影像的解释来评估基于 Landsat 和 Sentinel-2 的 BA 产品的准确性。

为了更好地研究火灾对生态系统、空气质量和气候的长期影响，通过结合来自多个卫星平台的信息，创建了一致的全球 BA 数据集。全球火灾排放数据库 BA （GFED BA）以 MODIS MCD64 BA 产品作为其主要输入，就是这种方法的例证。来自 ATSR 和 VIRS 传感器的自动对焦数据用于扩展 MODIS时代之前的数据记录。在其最新版本（GFED5）中，MODIS自动对焦观测和中分辨率参考数据有助于估计受MCD64可能遗漏的较小或较冷火灾（例如，阴燃、林下或地下火灾以及低强度草原和灌木丛火灾）影响的区域。此外，为了准确捕获农田火灾，这些火灾通常较小且很快被种植所掩盖，因此使用中分辨率和精细分辨率（PlanetScope）图像的混合开发了一个特殊的BA参考数据集。最后，为了生成更高时间分辨率的发射数据集，使用AF探测和来自粗糙但昼夜的地球静止卫星数据（GOES-R、HIMAWARI、Meteosat），将来自GFED的月度BA数据转化到亚日间隔。

图2.火灾监测遥感工作流程图示，详细说明了火灾前、活动火灾和火灾后阶段。 该图显示了如何使用来自遥感的反射率和辐射数据来估计排放量、绘制燃烧区域图和跟踪单个火灾事件。

4.2、用于估算火灾排放量的遥感

早期的火灾排放估计主要依赖于国家或地区的火灾统计数据。遥感火灾数据的引入提高了区域和全球排放量估计的准确性，包括景观火灾产生的痕量气体和气溶胶的总量和时空格局。使用遥感数据估算火灾排放的主要方法有三种。

第一种方法称为基于过程的方法，涉及对火灾燃烧过程的详细分析。这包括计算可用燃料、燃烧面积、消耗的燃料和产生的排放量。估算火灾排放的气体和气溶胶种类的公式（E）遵循几个连续步骤：Ei = A × B × C × EFi，其中A是烧毁的区域;B是每面积可用的生物量;C为燃烧完全性，代表实际消耗的生物量的比例;和 EFi是物种i 的排放因子。这种方法结合了遥感数据来估计上一节讨论的烧毁面积（A）。对可用生物量（B）和燃烧完整性（C）的估计，从按生物群落类型的简单平均值到跟踪碳储量和通量的复杂动态植被模型不等，通常依赖于植被指数和燃料水分等遥感数据。这种方法已经产生了大多数当前的火灾排放数据集，包括 GFED、FLAMBE、GICC、WFEIS、MFLEI 和 FINN，反映了该策略的广泛应用。

第二种方法在物理上基于遥感火辐射能与火灾消耗的生物量之间的线性相关性，与植被类型无关。在这种方法中，气体和颗粒物的排放率直接来自火灾辐射功率（FRP），总排放量通过时间积分计算：

燃烧系数通过实验或其他现有排放数据集的校准来确定。例如，MODIS关于FRP和火灾位置的数据支持了QFED和GFAS等全球生物质燃烧排放产品的创建。一些研究使用遥感数据反向计算了物种特异性燃烧系数，例如将FRP与MODIS的气溶胶光学深度测量值相关联，以生产FEER产品。LEO卫星通常更准确地捕获小型火灾，而GEO卫星提供更一致的测量间隔，从而可以更好地将FRP和RAVE等区域产品中的排放进行时间积分中。FRP 方法通过绕过详细的 BA 和燃料分析来提供近实时（NRT）排放估算;然而，由于当前卫星的覆盖范围有限，其准确性可能不如基于过程的方法。

在第三种方法中，卫星仪器测量大气中火灾排放污染物（CO、NOx，一氧化碳2），并将其与大气逆温模型相结合，以完善火灾排放估计，称为“基于逆温的方法”。尽管模型分辨率和不确定性会影响这些间接衍生的排放数据集的质量，但它们为通过自上而下的约束来增强基于过程的排放估算提供了宝贵的见解。

火灾释放的热量导致浮力气体和气溶胶扩散，而这些气体和气溶胶扩散并不局限于表面。卫星EO数据集也被用于提供有关火羽高度分布的信息。例如，来自MISR仪器的多角度立体图像已被用于确定烟羽高度。由基于卫星的LiDAR仪器（如CALIPSO）测量的气溶胶剖面也可用于评估烟雾注入高度。然而，由于垂直剖面测量的可用性稀少，将热能引起的快速、强烈的上升气流与随后的大气膨胀分开仍然是一个挑战。

4.3、AF遥感估算和扩散跟踪

AF 是目前正在燃烧并产生可检测的热量、光和烟雾的火灾。遥感技术已被用于确定AF的位置和能量释放（FRP）。与BA数据不同，BA数据的算法通常需要检查火灾后的图像，而遥感AF和FRP数据可以近乎实时地获得。这使得自动对焦信息特别适用于火灾探测和预警、火灾行为分析和蔓延预测以及空气质量监测。如前几节所述，AF 检测也用于某些 BA 和火灾发射算法中。例如，AF 数据通常用于帮助确定 BA 训练数据，而一些全球火灾发射数据集，尤其是用于 NRT 应用的数据集，通常依赖于对 AF 像素辐射能量的直接测量。

大多数传感器使用来自多个红外波段的辐射测量来识别AF位置。中波红外和长波红外之间的辐射差通常用于粗分辨率传感器，如MODIS和VIIRS，因为这些波长在有火和无火的像素之间具有高对比度。Landsat 和 Sentinel-2 等中分辨率传感器缺少 MWIR 通道，因此在无云影像中使用 SWIR 和 NIR 波段进行 AF 检测（这在一定程度上是因为它们的空间分辨率更高）。为了减少遗漏和调试错误，这些传感器的可操作AF算法通常涉及一系列测试程序，例如初始筛选、阈值测试、上下文测试和拒绝测试，使用多个辐射和植被指数。这些算法在白天和黑夜之间经常有所不同，因为反射太阳光的AF检测增加了复杂性。

遥感检测到的AF和BA通常显示为离散的像素级数据。最近的研究旨在通过将附近的火灾像素聚合到对象中来链接这些数据点，以便随着时间的推移动态跟踪单个火灾事件。有效的火灾目标跟踪依赖于几个关键因素：及时的数据可用性、火灾像素的准确地理位置以及较短的探测返回时间，以最大限度地减少跟踪火灾蔓延的差距。常用的数据源包括MODIS的BA（例如，Global Fire Atlas）和VIIRS（例如FEDS）和GOES-R（例如GOFER）的AF检测。这些基于火灾对象的数据对于训练火灾蔓延模型、分析火灾风险和历史以及估计特定火灾的碳排放量很有价值。

5局限性和挑战

虽然遥感是火灾监测的重要工具，但各种数据和算法的局限性会影响对BA、火灾排放和火灾蔓延的遥感估计的准确性和可靠性。

一个主要问题是，目前大多数EO传感器都不是专门为火灾监测而设计和推出的，这些通用传感器的一些局限性导致了AF和BA产品的调试错误和遗漏AF检测经常会出现误报，因为明亮的表面会反射阳光，而使用可用的图像波段无法完全屏蔽掉。BA 算法可能会将土地利用变化误解为火灾活动，而小型、阴燃、林下和地下火灾经常被忽略。与高分辨率成像仪或大气逆温方法相比，来自粗分辨率传感器的 Global BA 产品通常低估了火灾活动。

LEO传感器的时空覆盖不频繁，会导致数据缺口和错过火灾事件，特别是在云层覆盖频繁或在忽视火灾管理活动的地区。LEO卫星的长时间重访间隔可能会阻碍跟踪快速移动的火灾和估计近乎实时的排放，因为火灾在卫星通过之间可能会发生显着变化。草原和农田等生态系统中的快速植被再生可能会掩盖最近的火灾证据，使BA估计复杂化。

数据集成带来了额外的挑战。由于植被、火灾行为和气候的区域差异，开发在全球范围内表现良好的算法是很困难的。相比之下，针对特定区域量身定制的算法可能不适用于其他地方。无论是使用全球算法还是区域算法，确保用于长期趋势分析的时间一致性数据集都至关重要，因为卫星传感器、数据处理和观测条件的变化可能会引入不一致或掩盖区域火灾活动的微妙但重要的变化。

验证遥感火灾数据至关重要，但由于需要重合、准确的地面实况数据，因此具有挑战性。这通常需要从有限的本地实验或机载测量中获取昂贵的商业高分辨率图像或数据集。扩大地面观测或有限的参考数据集以验证大面积的卫星估计仍然是一项复杂的任务。

6未来的发展方向和机遇

要应对上一节所述的挑战，就需要在遥感技术、算法开发、验证方法以及与其他数据源和地面观测的整合方面不断取得进展。这些努力还为通过遥感加强火灾监测提供了机会，这些改进对于了解、预测和管理气候变化导致的更极端火灾是迫切需要的。

一个重大挑战是Terra和Aqua上的 MODIS仪器的寿命结束，这些仪器 20 多年来一直提供许多重要的全球火灾数据集。多个NASA和NOAA平台上的VIIRS传感器部分填补了全球覆盖范围内这一迫在眉睫的空白，但对下一代传感器和平台的持续投资对于全球火灾监测的不间断数据流和长期一致性至关重要。CSA WildFireSat任务计划为小型卫星平台星座，是遥感技术进步的一个例子，需要为火灾探测和跟踪提供更频繁的覆盖。

越来越多的中高分辨率卫星，如Sentinel-2a和Sentinel-2b、Landsat 8和Landsat 9，以及Planet Labs PlanetScope和DigitalGlobe WorldView等商业平台，以前所未有的精度为检测和绘制BA提供了详细的图像。通过这些仪器获得更多遥感图像，有可能获得全球中等分辨率BA数据集，从而可以更准确地评估火灾对各种生态系统的影响，并提高火灾排放姑苏阿爸。然而，协调跨多个民用空间和商业平台的数据分析和综合是全球常规 BA 映射的一大障碍。

远程高光谱成像传感器的发展是火灾监测的另一个有前途的方向。高光谱传感器可捕获各种波长，提供有关植被（燃料）、土壤和其他材料的成分和状况的详细信息。这种光谱细节可以增强对火灾影响区域的检测，提高对火灾行为和燃料特性的理解，并有助于更准确地模拟火灾排放以及对生态系统和社区的影响。

除了新的遥感技术外，开发算法以充分利用现有的传感器和数据也至关重要。例如，处理高分辨率影像并集成来自多个来源的数据的算法将提高 BA 和火灾排放估计的准确性。为AVHRR等老式传感器开发新的火灾算法，这些传感器已经监测了地球表面数十年，对于评估火灾发生的长期趋势及其与气候和人类活动的关系特别有用。多传感器方法结合了来自热传感器、光学传感器和雷达传感器的数据，可以减轻云层遮挡或饱和问题等限制，提供更全面、更可靠的火灾监测。

这样的数据库将有助于全球跟踪火灾排放，评估火灾对气候和空气质量的影响，并了解火灾对环境和社会的更广泛影响。

总之，用于火灾监测的遥感的未来是充满希望的，技术进步和跨学科合作的机会很多。继续努力提高数据连续性，利用高分辨率资产，开发新的传感器和算法，整合多个数据源，并创建全面的全球数据库，将增强我们在不断变化的气候中监测、理解和管理火灾的能力。