[论文解读] 30m resolution Global Annual Burned Area Mapping based on Landsat images and Google Earth Engine

Tengfei Long, Zhaoming Zhang+7 more|arXiv (Cornell University)|May 7, 2018

Fire effects on ecosystems参考文献 30被引用 9

一句话总结

本研究提出 GABAM 2015，这是基于 Google Earth Engine 中所有可用的 Landsat-8 图像，通过自动化处理流程生成的 30 米分辨率全球年度烧伤区域地图。通过利用时间序列分析和时间滤波技术，该方法与 Fire_cci v5.0 产品具有较强的皮尔逊相关性（R² = 0.74），并报告了 13.17% 的 commission 错误率和 30.13% 的 omission 错误率，实现了高分辨率的全球火灾监测。

ABSTRACT

Heretofore, global burned area (BA) products are only available at coarse spatial resolution, since most of the current global BA products are produced with the help of active fire detection or dense time-series change analysis, which requires very high temporal resolution. In this study, however, we focus on automated global burned area mapping approach based on Landsat images. By utilizing the huge catalog of satellite imagery as well as the high-performance computing capacity of Google Earth Engine, we proposed an automated pipeline for generating 30-meter resolution global-scale annual burned area map from time-series of Landsat images, and a novel 30-meter resolution global annual burned area map of 2015 (GABAM 2015) is released. GABAM 2015 consists of spatial extent of fires that occurred during 2015 and not of fires that occurred in previous years. Cross-comparison with recent Fire_cci version 5.0 BA product found a similar spatial distribution and a strong correlation ($R^2=0.74$) between the burned areas from the two products, although differences were found in specific land cover categories (particularly in agriculture land). Preliminary global validation showed the commission and omission error of GABAM 2015 are 13.17% and 30.13%, respectively.

研究动机与目标

• 开发一种自动化、可扩展的方法，利用 Landsat 影像生成高分辨率全球烧伤区域地图。
• 克服依赖主动火点探测或密集时间采样方法的粗分辨率全球烧伤区域产品所存在的局限性。
• 通过利用 Google Earth Engine 的计算能力，实现全球、年度、30 米分辨率的烧伤区域制图。
• 为气候、碳循环和生态系统研究提供免费获取、一致且可复现的全球烧伤区域产品。
• 通过与参考数据集及现有全球产品（如 Fire_ccci v5.0）对比，验证最终产品的准确性。

提出的方法

• 利用 Google Earth Engine (GEE) 平台访问并处理 2015 年全年所有 Landsat-8 图像的完整数据集。
• 基于光谱指数（如 NBR）的时间序列变化检测方法，识别火灾后的反射率异常。
• 实施时间滤波技术，以减少云层、大气效应以及植被快速恢复带来的误报。
• 通过分析多个 Landsat 场景中地表反射率的时间轨迹，实现烧伤区域的自动化检测。
• 通过聚合 2015 年内检测到的烧伤事件（排除历史烧伤区域），生成全球年度烧伤区域地图（GABAM 2015）。
• 在多样化的区域使用 GF-1、CBERS-4 和 Landsat-8 的参考数据，对检测算法进行校准与验证。

实验结果

研究问题

• RQ1 Google Earth Engine 中的自动化、可扩展处理流程能否从 Landsat-8 时间序列数据中生成一致的 30 米分辨率全球烧伤区域地图？
• RQ2 GABAM 2015 产品的空间分布与准确性与现有 Fire_cci v5.0 全球烧伤区域产品相比如何？
• RQ3 GABAM 2015 产品在全球不同土地覆盖类型中的 commission 与 omission 错误率分别是多少？
• RQ4 在热带与湿润地区，植被快速恢复或云层污染在多大程度上影响检测准确性？
• RQ5 基于 Landsat 的全球烧伤区域制图能否达到足够的准确性和一致性，以支持气候建模与碳循环研究？

主要发现

• GABAM 2015 与 Fire_cci v5.0 产品具有较强的皮尔逊相关性（R² = 0.74），尤其在针叶林区域表现突出。
• 基于全球多样区域的初步验证，GABAM 2015 的全球 commission 错误率为 13.17%，omission 错误率为 30.13%。
• 在五个全球代表性站点的验证结果显示，总体准确率在非洲（71.29%）至美国（95.87%）之间波动，其中美国的 omission 错误率最低（67.97%），非洲最高（57.41%）。
• 该方法在植被快速恢复区域（如热带森林）中仍能有效检测烧伤区域，但此类区域的 omission 错误率仍然较高。
• 自动化处理流程可高效处理数十万张 Landsat 场景，使长期时间序列制图成为可能。
• GABAM 2015 与 Fire_cci 之间的差异在农田区域最为显著，表明该方法可能对土地覆盖类型及地表反射率动态变化较为敏感。