[论文解读] Detecting Crop Burning in India using Satellite Data

Kendra Walker, Ben Moscona+6 more|arXiv (Cornell University)|Sep 21, 2022

Impact of Light on Environment and Health被引用 4

一句话总结

本研究利用高分辨率PlanetScope（3米，每日）和Sentinel-2（10米，每周）卫星数据，开发了一种高精度遥感模型，用于检测印度旁遮普邦的作物残茬焚烧。通过在681个经核实的地块的地面真实标签上训练随机森林分类器，结合光谱波段和焚烧指数，模型实现了82%的准确率，证明了在面临时间与光谱一致性挑战的情况下，实现精确、可扩展监测的可行性。

ABSTRACT

Crop residue burning is a major source of air pollution in many parts of the world, notably South Asia. Policymakers, practitioners and researchers have invested in both measuring impacts and developing interventions to reduce burning. However, measuring the impacts of burning or the effectiveness of interventions to reduce burning requires data on where burning occurred. These data are challenging to collect in the field, both in terms of cost and feasibility. We take advantage of data from ground-based monitoring of crop residue burning in Punjab, India to explore whether burning can be detected more effectively using accessible satellite imagery. Specifically, we used 3m PlanetScope data with high temporal resolution (up to daily) as well as publicly-available Sentinel-2 data with weekly temporal resolution but greater depth of spectral information. Following an analysis of the ability of different spectral bands and burn indices to separate burned and unburned plots individually, we built a Random Forest model with those determined to provide the greatest separability and evaluated model performance with ground-verified data. Our overall model accuracy of 82-percent is favorable given the challenges presented by the measurement. Based on insights from this process, we discuss technical challenges of detecting crop residue burning from satellite imagery as well as challenges to measuring impacts, both of burning and of policy interventions.

研究动机与目标

• 开发一种可靠的方法，利用可获取的卫星图像检测印度旁遮普邦的作物残茬焚烧。
• 评估高时间分辨率（PlanetScope）和高光谱分辨率（Sentinel-2）卫星数据在焚烧检测中的表现。
• 利用681个地块的地面验证数据训练并验证机器学习模型，以提高准确率并减少误报。
• 识别基于遥感的焚烧检测中的技术挑战，包括光谱混淆、时间间隙和霾干扰。
• 通过实现对焚烧发生频率和干预措施有效性的准确测量，为政策评估提供支持。

提出的方法

• 从印度旁遮普邦的3206块水稻田收集了地面真实数据，其中240块未焚烧，441块经实地走访和抽查确认为焚烧。
• 利用高时间分辨率的PlanetScope数据（3米，每日最高）和每周分辨率的Sentinel-2数据（10米）进行光谱分析。
• 评估光谱波段和焚烧指数（如炭化指数、BASMA）在区分焚烧与未焚烧地块方面的能力。
• 利用最具区分能力的光谱特征构建随机森林分类器，并通过地面真实标签验证性能。
• 通过测试像素级与地块级建模来缓解模型偏差，指出像素级模型可减少由地块内相关性引起的特征重要性偏差。
• 探索在地块级使用RNN或CNN进行潜在改进的可能性，并对BASMA焚烧指数进行调整以适配更高时间分辨率的影像。

实验结果

研究问题

• RQ1 PlanetScope和Sentinel-2的高分辨率卫星数据能否有效检测小农户耕作系统中的作物残茬焚烧？
• RQ2 当使用具有相关性的地块内卫星数据时，像素级与地块级建模方法在模型准确率上的差异如何？
• RQ3 在旁遮普邦，常见的焚烧指数（如炭化指数和BASMA）在检测作物残茬焚烧方面，相较于传统指数表现如何？
• RQ4 大气条件（如霾和时间间隙）对卫星影像中焚烧事件检测的影响有多大？
• RQ5 经地面验证的数据在多大程度上能提升遥感模型在衡量焚烧行为政策影响方面的可靠性？

主要发现

• 随机森林模型在使用经地面验证的标签时，检测作物残茬焚烧的整体准确率达到82%。
• 在本研究区域，炭化指数在区分焚烧与未焚烧地块方面优于更常用的焚烧指数。
• 像素级建模提升了模型性能并减少了由地块内相关性引起的偏差，尽管由于地面数据的时间非随机性，地块级建模仍具挑战。
• 当应用于高时间分辨率的PlanetScope数据时，BASMA焚烧指数表现出较强性能，但在低分辨率的Sentinel-2数据中易受霾干扰且出现漏检。
• 经地面验证的未焚烧标签集中出现在两周的时间窗口内，限制了模型的泛化能力，凸显了需要更系统化收集的实地数据。
• 本研究证明，结合高分辨率卫星数据与地面真实验证，即使在焚烧后1–3天的狭窄时间窗口内，也能实现对焚烧事件的可靠检测。