基于无监督机器学习融合Sentinel-1与Sentinel-2评估大范围火灾严重程度的Google Earth Engine方法

《Remote Sensing》：An Unsupervised Machine Learning-Based Approach for Combining Sentinel 1 and 2 to Assess the Severity of Fires over Large Areas Using a Google Earth Engine Ciro Giuseppe Riccardi, Nicodemo Abate and Rosa Lasaponara

　　

摘要：野火是重要的全球性环境挑战，亟需先进的监测与评估技术。本研究探讨在Google Earth Engine（GEE）框架下融合Sentinel-1合成孔径雷达（Synthetic Aperture Radar, SAR）与Sentinel-2光学数据，以提升野火探测、火烧面积（Burned Area）估算及火烈度（Fire Severity）评估能力。通过利用SAR穿透大气障碍的特性与光学数据对植被变化的频谱敏感性，所提方法克服了单传感器方案的局限。研究结果显示雷达植被指数（Radar Vegetation Index, RVI）与双极化SAR植被指数（Dual-Polarized SAR Vegetation Index, DPSVI）等传统SAR指数与归一化燃烧比（Normalized Burn Ratio, NBR）及差分归一化燃烧比（differenced NBR, ΔNBR）等光学传统指数间存在强相关性。尽管面临地形影响、传感器分辨率差异及计算需求等挑战，基于云计算的多传感器数据融合为大尺度野火监测提供了可扩展且高效的解决方案。火灾事件高峰期，利用Sentinel-2元数据与QA60云掩膜波段验证到研究区存在持续云层与浓烟，干扰了纯光学监测的可靠性，进一步佐证了引入SAR数据的必要性。未来研究应聚焦于完善数据融合技术、纳入热红外影像与气象变量等辅助数据集，并通过人工智能（Artificial Intelligence, AI）提升自动化水平。本研究强调了遥感技术进步对改善火灾管理策略及全球野火减缓工作的潜力。

论文解读：

《Remote Sensing》刊载的此项研究针对传统单传感器野火遥感在云烟遮挡下失效、监督学习需大量标注样本难以应急部署等问题，提出并验证了一种基于Google Earth Engine（GEE）的无监督多传感器融合框架，用于大区域火烧面积估算与火烈度分级。研究人员以2023年7月意大利西西里岛（Sicily）发生的＞500 ha的17场野火为对象，在GEE中选取火前后15 d窗口内的Sentinel-1 Ground Range Detected（GRD）双极化（VV+VH）数据与云覆盖率＜10％并经大气校正的Sentinel-2 Surface Reflectance（SR）数据，分别计算并差分归一化五种指数——光学端的归一化差值植被指数（Normalized Difference Vegetation Index, NDVI）、增强型植被指数（Enhanced Vegetation Index, EVI）、归一化燃烧比（Normalized Burn Ratio, NBR），SAR端的雷达植被指数（Radar Vegetation Index, RVI＝4VH/(VV+VH)）与雷达森林退化指数（Radar Forest Degradation Index / RFDI＝(VV-VH)/(VV+VH)，文中原文记为RFDI即Radar Fire Damage Index），经Min-Max归一化至[0,1]后构建五波段特征栈，采用K-means++初始化、最大迭代300次重复10次的两级无监督K-means聚类：先二分类（火烧/未烧）生成火烧边界掩膜，再将火烧像素聚为低（Low）、中（Moderate）、高（High）三級火烈度，簇与ΔNBR标准等级（Key & Benson, 2006）通过质心比较事后对应，最终以欧洲森林火灾信息系统（European Forest Fire Information System, EFFIS）Rapid Damage Assessment（RDA）产品为参照进行精度验证。结论表明：多传感器（S1+S2）模型火烧面积估算与EFFIS偏差仅1.3％（329 ha / ＞25 000 ha），火烈度整体精度（Overall Accuracy, OA）≈72％，Kappa系数显著，SAR单独使用（RVI、RFDI及其组合）OA为0.62～0.67，证实Sentinel-1与Sentinel-2在多维特征空间中具互补性，无训练标签的无监督流程可在区域尺度5 min内完成运算，适用于近实时（Near-Real-Time, NRT）应急评估。

主要关键技术方法：研究人员选用西西里岛2023年7月＞500 ha的17个野火事件为研究区与样本队列；在GEE平台调取COPERNICUS/S1_GRD（VV+VH极化，热噪声去除→辐射定标→SRTM 30 m数字高程模型Range-Doppler地形校正→dB转换→焦距中值滤波）与COPERNICUS/S2_SR（云过滤＜10％及QA60掩膜）；计算pre-/post-fire各期NBR、NDVI、EVI（Sentinel-2 B₈/B₁₁/B₄/B₂）及RVI、RFDI（Sentinel-1 VV/VH线性标度），取时序差分Δ；五特征Min-Max归一化后输入两级K-means（k=2 → k=3，K-means++，iter_max=300，n_run=10）；通过质心比对ΔNBR阈值将簇映射为Low/Moderate/High Severity；分层随机采样对照EFFIS矢量边界计算混淆矩阵、OA、Producer's Accuracy（PA）、User's Accuracy（UA）、Kappa及遗漏/错分误差。

研究结果：

1. 3.
   Result（结果）
   研究人员对17场野火整体检测数与EFFIS一致。从中选取巴勒莫（Palermo, 4 218 ha）、墨西拿（Messina, 1 651 ha）、格拉泰里（Gratteri, 1 487 ha）三场典型火灾展示。（1）S1+S2多传感器模型火烧周长提取清晰，二级K-means火烈度空间分布与ΔNBR高度吻合；（2）单SAR指数RVI偏重识别高烈度冠层火，RFDI对植被结构复杂度降低更敏感，二者联合（RVI+RFDI）可在纯SAR下独立制图但精度低于多传感器；（3）定量对比：Palermo场次RVI OA=0.62、RFDI=0.63、RVI+RFDI=0.66、S1+S2=0.72；Messina场次依次为0.57、0.63、0.64、0.70；Gratteri场次依次为0.63、0.64、0.67、0.69；多传感器模型各类别面积分布与ΔNBR参考最接近（归一化绝对误差nAE最小）；（4）火烧面积二值分类对EFFIS边界遗漏/错分误差低，总体偏差1.3％。
2. 4.
   Discussion（讨论）
   研究人员指出Sentinel-1 C波段SAR可穿透云烟弥补光学时段缺失，Sentinel-2提供叶绿素损失敏感的光谱信息，两者融合克服各自缺陷。无监督K-means依事件自身统计分布自适应聚类，无需区域专属训练集，较之监督随机森林与支持向量机及深度学习（U-Net、CNN）虽绝对精度略低，但避免了标注瓶颈与空间过拟合，在缺标注或跨生态区场景下更具鲁棒性与可扩展性。地形引起雷达叠掩（layover）、前缩（foreshortening）与阴影仍需DEM校正残余影响；土壤湿度骤变及非旱季物候可能干扰信号。框架可迁移至北方森林与热带稀树草原等不同生态系统。GEE云端处理使区域评估耗时＜5 min，结合哥白尼免费数据适合业务化Rapid Damage Assessment。消融实验证实多传感器特征联合优于单传感器配置，三级火烈度（Low/Moderate/High）经Elbow Method与火后植被状态物理意义验证为最优k值。

研究结论翻译：本研究通过在Google Earth Engine框架中融合Sentinel-1 SAR与Sentinel-2光学数据，证明无监督多传感器方法可在不依赖训练数据情况下提供操作上可靠的火烈度制图。结果发现物理意义明确的SAR和多光谱指数在多维特征空间中包含充足信息以区分火烈度模式，挑战了复杂深度学习架构在大尺度野火评估中必不可缺的普遍假设。SAR观测作为光学数据的结构互补而非替代，其捕捉到的火致植被结构与地表粗糙度变化是光谱指数无法感知的，凸显了业务化火灾监测系统中多传感器策略的必要性。多传感器数据融合带来显著精度提升——光学单传感器整体精度（OA）最高约0.62，融合SAR（RVI+RVI类指数+NBR）后OA达约0.72，证实Sentinel-2对叶绿素丧失与炭化的频谱敏感性与Sentinel-1对木质生物量损失的穿透结构性信息具协同增益。局限性含地形引发SAR后向散射畸变及缺乏大规模野外实测校验；未来应纳入地形、气象与热红外辅助数据，并扩展至多时相轨迹分析以监测火后恢复与生态系统韧性，实现从静态损害快照迈向动态火生态评估。