После очередного сезона значительных лесных пожаров в США и, в частности, в Калифорнии, наши уставшие от засухи штаты готовятся к началу нового сезона лесных пожаров, который вновь подвергнет опасности жизни и имущество. При цене от десятков до сотен миллионов долларов за пожар, сотнях потерянных построек и неоценимых человеческих жертвах, лесные пожары представляют собой ежедневный риск в ветреный сезон в наших западных и юго-западных штатах и ​​рассматриваются как загадочная, неуправляемая сила. природа теми, кто к ним не привык.

Приведенный ниже анализ является демонстрацией автоматизированного мониторинга лесных пожаров и оценки шрамов от ожогов с использованием платформы Descartes Labs Platform, которая обеспечивает легкий доступ к изображениям, полученным с помощью дистанционного зондирования, - ключевой технологии, которая помогает нам всем оставаться в безопасности в условиях изменения климата и рисков катастрофических лесных пожаров. расти. Наш результат основан на революции в сенсорной технологии, которая приводит к резкому увеличению объема данных и скорости передачи данных, которые можно использовать для понимания и решения этой проблемы не только в Калифорнии, но и по всему миру. Для решения ранее неразрешимых вычислительных проблем или проблем с интенсивным использованием данных требуется надежный прием и обработка огромного количества данных в режиме, близком к реальному времени, что требует наличия суперкомпьютера в облаке.

Зачем использовать нашу платформу? Ну, потому что соответствующие изображения за последние несколько десятилетий доступны с помощью нескольких нажатий клавиш. В любой точке мира. При 10 терабайтах (ТБ) данных, поступающих в день почти в реальном времени, что примерно эквивалентно 5000 часам стандартного видео, набор данных только увеличивается с каждой минутой. Используя полные архивы изображений MODIS, Landsat, Sentinel 1, 2 и 3, платформа Descartes Labs предоставляет нам вид на планету, который никто никогда раньше не видел - не только мультисенсорный, мультиразрешающий и мультиспектральный. - это тоже многодесятилетний исторический объектив.

Преимущества использования спутниковых данных особенно важны для оценки последствий пожара группами аварийного реагирования на обгоревшие районы (BAER) и Лесной службой США, поскольку они позволяют осуществлять автоматический и непрерывный мониторинг определенного периметра пожара. Пример этого показан выше, где мы смотрим на Обводной пожар в Калифорнии летом 2013 года, который до сих пор остается крупнейшим лесным пожаром в истории горного хребта Сьерра-Невада. По сравнению со свежим шрамом от пожара (центральное изображение), многие области, которые испытали ожоги низкой и средней степени тяжести, кажутся значительно восстановленными через три года (изображение справа), а области ожогов высокой степени тяжести все еще улучшаются (оранжевые пиксели на центр изображения 2016 года).

Почему меня волнуют лесные пожары?

Я пережил свою первую эвакуацию при лесных пожарах во время пожара в Лас Кончас в Нью-Мексико в 2011 году и никогда не забуду странный свет, красное солнце и падающий пепел на подъездной дорожке. Я до сих пор помню непрерывную ежечасную проверку веб-сайта системы информации об инцидентах в надежде получить обновленную карту периметра пожара, на которой НЕ был бы указан мой дом. К счастью, этот лесной пожар не обошелся без человеческих жертв, хотя масштабы ущерба водосборным бассейнам коренных американцев в то время были значительными. И ущерб только усугубился в течение следующих нескольких лет, поскольку внезапные наводнения и оползни опустошили гидрофобные, выжженные склоны каньонов.

Как начинаются лесные пожары?

Хотя многие лесные пожары возникают случайно из-за молний или поваленных деревьев во время шторма, поражающего линию электропередач, они также могут возникать из-за упавшей спички, сигаретных тлеющих углей, костров, искр от выхлопных газов поезда или поджога. Температура, влажность и ветер влияют на лесные пожары. Сильный ветер может вытолкнуть угольки далеко за периметр огня; в то время как многие из них полностью сгорают перед приземлением, более крупные тлеющие угли могут перемещаться на тысячи футов и вызывать образование пожаров или новые взрывы. Большие интенсивные пожары могут создавать свою собственную погодную систему, увеличивая поток кислорода и предотвращая проникновение систем низкого давления с необходимыми осадками и низкими температурами. Действительно большой пожар может вызвать ураганный ветер со скоростью до 120 миль в час, что вблизи будет звучать так, как будто товарный поезд мчится сразу за пожарными.

Как оцениваются активные лесные пожары? И кто придумывает их имена?

Первые респонденты обычно называют огонь в честь ближайшего луга, ручья, типа растений или кемпинга, которые они видят по прибытии на место происшествия. Группа управления инцидентом, ответственная за пожар, может использовать комбинацию воздушных полетов в ночное время над огнем, патрулирования периметра и линии огня, а также оценку ударов вручную или на земле. После локализации пожара группа аварийного реагирования на обгоревшие участки (BAER) и Лесная служба США проведут оценку степени возгорания и составят план действий по восстановлению участков. Пока что небольшая часть этих кропотливых усилий связана со спутниковыми снимками, а вместо этого в значительной степени зависит от наземных работ. Помня об этом, я задал себе вопрос (как я знаю, что и другие): почему бы не использовать изображения, полученные с помощью дистанционного зондирования (т. Е. Полученные с безопасного расстояния), чтобы отслеживать не только шрам от ожога во время пожара, но и характеризовать его? степень тяжести ожога в местах, к которым может быть очень трудно добраться пешком? Оказывается, у Лесной службы США есть прототипы отличных методов Landsat, но их использование ограничено, прежде всего, из-за отсутствия быстрого доступа к готовым для анализа спутниковым снимкам.

Как мы можем использовать многоспектральные изображения, чтобы увидеть лесные пожары?

Многоспектральные спутниковые данные содержат огромное количество информации о нашей Земле. Каждый тип земного покрова имеет различную спектральную характеристику в электромагнитном спектре, которая продиктована внутренним составом материала и молекулярной структурой. Спутники обычно измеряют несколько спектральных диапазонов за пределами диапазона света, видимого человеческим глазом, многие из которых чувствительны к таким качествам, как содержание воды, структура растительности и минеральный состав.

Когда несколько полос объединяются для визуализации или в математических алгоритмах, информация об определенных функциях может быть расширена, изолирована и проанализирована. Примером может служить использование двух спектральных диапазонов для получения нормированных индексов разности, таких как общеизвестный NDVI, используемый для изучения растительности. Для этого анализа нам нужен индекс, который может выявлять сигнатуры областей выгорания. Индекс нормализованного коэффициента сжигания (NBR) был впервые введен в 2005 году и состоит из нормализованной разницы между ближним инфракрасным (NIR) и коротковолновым инфракрасным (SWIR) диапазоном, и для этого требуется датчик, собирающий эти спектральные диапазоны. (например, NASA / USGS Landsat, Sentinel-2 Европейского космического агентства или коммерческий DigitalGlobe WorldView-3). Полоса NIR положительно реагирует на площадь листьев и продуктивность растений, тогда как полоса SWIR реагирует на сушку и некоторые характеристики поверхности без растительности и поглощается зеленой растительностью и влажными поверхностями. Для данной области NBR вычисляется из изображения непосредственно перед прожигом, а второй NBR вычисляется для изображения сразу после прожига. Затем можно оценить степень и тяжесть ожога, взяв разницу (DNBR) между этими показателями до и после пожара и используя интерпретацию диапазона, предоставленную, например, программой USGS FireMon. В течение следующего вегетационного периода наборы данных DNBR снова рассчитываются как часть расширенной оценки восстановления площади выгорания.

Проблема. Проект сопоставления серьезности ожогов NPS-USGS предоставляет пользователям только ограниченный набор данных по причинам хранения и с определенной степенью задержки, которая ограничивает полезный анализ для расширенных оценок после пожара. Не говоря уже о любом активном пожаре, назначенный аналитик по дистанционному зондированию должен пройти процесс загрузки каждой необходимой сцены и выполнить всю предварительную обработку и анализ изображений вручную.

Благодаря нашей масштабируемой и быстрой платформе спутниковых данных с несколькими датчиками можно:

1. быстро оценить NBR на уровне пикселей в любой точке Земли с помощью любого датчика, несущего полосы в диапазоне SWIR и NIR, и обнаружить детали горения, некоторые из которых могут никогда не быть исследованы на земле из-за логистических трудностей;

2. установить регионы мониторинга для расширенных оценок, которые могут выполняться автоматически, не требуя дополнительных человеко-часов;

3. вернуться в прошлое или по всему земному шару, чтобы количественно оценить последствия лесных пожаров спустя годы после события и определить восстановление земного покрова.

Самый дорогой лесной пожар в истории США

Давайте взглянем на пожар Соберанес в округе Монтерей, штат Калифорния. Пожар начался к югу от нагорья Кармел 22 июля 2016 года из-за незаконного костра в государственном парке Гаррапата. Никто не предполагал, что он будет гореть в течение двух с половиной месяцев или что он станет самым дорогостоящим пожаром в истории США, в результате чего будет потеряно 68 строений, более тысячи сотрудников пожарной службы и тушение пожара обойдется примерно в 236 миллионов долларов по данным Национального межведомственного пожара. Центр. Эта цена намного превысила стоимость Biscuit Fire 2002 года в 165 миллионов долларов, даже с учетом обычных поправок на инфляцию. Его удалось локализовать только в конце октября 2016 года, а очаги по периметру пожара тлели до конца декабря.

На изображении RGB выше трудно различить шрам от огня, поэтому давайте поможем нашему восприятию, посмотрев на ту же область в ложном цвете, в частности, используя коротковолновый инфракрасный / ближний инфракрасный / темно-синий цвета, сопоставленные с каналами RGB.

Мы можем увидеть нетронутую пустыню Биг-Сур на мозаике Landsat 8 в районе полуострова Монтерей, сделанном всего за несколько дней до начала пожара в Соберанесе. Другие небольшие красные «шрамы», видимые на изображении, связаны с другими лесными пожарами, которые недавно произошли в этом регионе, включая пожар в Карри-Маунтин возле Коалинга. Мы видим снимки, сделанные в конце июля, на которых видно, что огонь Soberanes активно горит и генерирует много дыма (голубая дымка). В течение августа и сентября огонь продолжал усиливаться и оставил значительный след от ожогов, который, по оценкам властей, составил более 132 тысяч акров.

Теперь мы можем вычислить DNBR между снимками середины июля и начала октября (см. Выше) и определить его пороговое значение для подмножества категорий FireMon, относящихся к активным пожарам (т.е. исключить категории «возобновления»). Полученные пять категорий степени тяжести ожога и связанные с ними области показаны на моей карте тяжести ожога ниже для пожара Соберанес, с выделением точного периметра пожара, а также сожженных пикселей от низкого до умеренного, от низкого до умеренного, от высокого до сильного. Разрешение 30м.

Из карты интенсивности мы также можем быстро получить маску (см. Ниже) шрама от ожога и автоматически вычислить контур пламени, используя несколько простых функций, доступных в модуле Skimage Python. Я применил жесткое пороговое значение для DNBR со значением 0,1, в результате чего маска содержит только пиксели, указывающие на любую степень выгорания, даже небольшую.

Теперь мы можем использовать эту маску для вычисления приблизительной фактической выгоревшей площади, умножив общее количество выжженных пикселей на эквивалентную площадь пикселя (0,22 акра / пиксель Landsat), в результате чего получится 112 376 акров. Это примерно на 20 тысяч акров меньше, чем количество, оцененное сотрудниками пожарной службы в то время, и мы предполагаем, что это несоответствие связано с тем, что наша реализация учитывает только сгоревшие пиксели в контуре пожара, как определено нашим пороговым значением.

Еще один полезный способ взглянуть на карту тяжести пожаров - это посмотреть на распределение значений NDBR в пределах периметра пожара. Я использовал библиотеки Python skimage и matplotlib, чтобы создать такую ​​гистограмму, показывающую распределение DNBR в контуре пожара, и связанную с ним круговую диаграмму, показывающую относительные проценты областей по степени выгорания для выгоревших пикселей. Напомним, что одна из главных достопримечательностей пустыни Биг-Сур - это впечатляющие древние рощи секвойи. Хотя толстая кора старых деревьев относительно огнестойка, молодые побеги могут быть серьезно повреждены или сразу же уничтожены огнем. Согласно нашему анализу, примерно 44 процента пикселей шрамов от ожогов имеют степень выраженности от умеренно-низкой до умеренно-высокой, то есть от легкого до глубокого обугливания или подлеска, при этом верхний ярус (кроны деревьев) демонстрирует некоторую степень выжженности. Тридцать процентов ожоговых рубцов были связаны с высоким индексом тяжести ожогов - это означает, что в этих областях использовались вероятные нижние и нижние предыстории, в том числе большая часть ветвлений на коронках.

Как это соотносится с официальной картой оценки пожаров Soberanes?

Посмотреть на себя. Вот окончательная карта периметра пожара, опубликованная 12 октября 2016 года. Обратите внимание, что официальный периметр пожара довольно непрерывен по сравнению с нашим аналитически полученным и включает большинство внутренних пикселей независимо от того, были они фактически сожжены или нет.

Зачем использовать платформу Descartes Labs для оценки активных или исторических пожаров?

Наш обширный массив спутниковых изображений может помочь снизить расходы на тушение пожаров и предоставить ценную информацию для пожарных подразделений, бюро землеустройства и страховых агентств. Во время пожара, особенно при ограниченных выделенных ресурсах, анализ спутниковых снимков может лучше направить наземные бригады в горячие точки и зоны сдерживания или помочь определить, произошло ли структурное повреждение, и может сделать это без затрат, связанных с аэрофотосъемкой. Преимущества использования спутниковых данных значительно возрастают для оценки последствий пожара группами аварийного реагирования на выгоревшие участки (BAER) и Лесной службой США. Другие методы дистанционного зондирования также могут быть применены к данным, охватывающим шрам от ожогов, для оценки не только отсроченной смертности и вегетативного возобновления, но и изменений водных путей, эрозии склонов, влажности почвы и усилий по восстановлению. В дополнение к вариантам использования землепользования, спутниковые изображения могут обеспечить быструю связанную со страховкой оценку повреждения или потери конструкции и предотвратить длительные задержки выплат из-за отсутствия доступа к собственности или наличия наладчика.

Присоединяйтесь к бета-версии платформы Descartes Labs Platform сегодня и попробуйте мой пример оценки лесных пожаров Jupyter Notebook, чтобы проанализировать выбранный вами лесной пожар.

Первоначально опубликовано на medium.com 24 мая 2017 г.