Наблюдаемые в последнее время глобальные климатические изменения являются серьезным вызовом для устойчивого развития Российской Федерации и человечества в целом (Третий оценочный доклад, 2022; IPCC, 2022 г.). Природные пожары являются мощными источниками эмиссии климатически активных газов, а также влияют на запас углерода в лесных экосистемах и, следовательно, на углеродный баланс, таким образом оказывая значительное влияние на климат (Бондур и др., 2021).
Интенсивность природных пожаров и объемы эмиссий климатически активных газов в атмосферу взаимосвязаны. Спутниковые оценки мгновенной мощности излучения пожара (FRP) позволяют получать такие характеристики пожаров, как интенсивность, расход биомассы в пожаре, а также оценки выбросов климатически активных газов и аэрозолей (Li et al., 2018). Эти показатели зависят от типов растительности и климатических особенностей, характерных для различных регионов (Вивчар и др., 2010) и могут быть получены с помощью спутниковых систем мониторинга и современных методов обработки больших объемов спутниковых данных (Бондур, Гордо, 2018; Bondur et al., 2023; Барталев и др., 2012). Регистрация природных пожаров осуществляется с помощью тепловой спутниковой съемки путем фиксации аномально высоких температурных показателей, которые излучают горящие объекты. Этот метод основан на определении соотношения между значениями радиационной температуры участка поверхности (пикселя), измеренной спутниковым радиометром, и заданного порогового значения (Anejionu et.al., 2015).
Газовые факелы, также являются источниками интенсивного выделения тепла, и могут быть с высокой степенью достоверности обнаружены путем регистрации из космоса тепловых аномалий в инфракрасном диапазоне спектра (Li R., 2021, Zhizhin M., 2021). В спутниковых информационных продуктах (например MODIS, VIIRS) эти объекты часто идентифицируются как природные пожары, что может приводить к неверной оценке пожарной активности и необходимости привлечения дополнительной информации при расчете пожарных эмиссий климатически активных газов. Таким образом, возникает необходимость дополнительного анализа спутниковых данных о тепловых аномалиях и более точного разделения их по типам источников.
В данной работе проведена классификация тепловых источников: газовых факелов и природных пожаров на территории Сибирского федерального округа по атрибутивным данным спутниковых информационных продуктов с применением модели машинного обучения Случайный лес (Random Forest) и Категориальный бустинг (CatBoost).
Для улучшения результатов классификации и выделения класса лесных пожаров были дополнительно привлечены метеопараметры на момент съемки, полученные из глобальной системы ассимиляции данных о Земле GLDAS (Rodell et al., 2024), а также из наборов данных реанализа ERA5 (Muñoz, 2019) и CFSR (Saha S., et al.): скорость ветра, температура воздуха, влажность и осадки. Итоговые модели были протестированы на новых данных, в результате чего получены метрики для данных MODIS: F1-score (0.858), ROC-AUC (0.937), а также для данных VIIRS: F1-score (0.947), ROC-AUC (0.991).
Полученные результаты позволят исключить антропогенные объекты, такие как газовые факелы, ложно определяемые как природные пожары, при анализе пожарной активности и расчетах пожарных эмиссий климатически активных газов и аэрозолей на основе спутниковой информации.

Ключевые слова: природные пожары, спутниковые данные, космический мониторинг, пожарные эмиссии, газовые факелы, машинное обучение

Литература:

Бондур В.Г., Гордо К.А. Космический мониторинг площадей, пройденных огнем, и объемов эмиссий вредных примесей при лесных и других природных пожарах на территории Российской Федерации // Исследование Земли из космоса. 2018. № 3. С. 41-55. https://doi.org/10.7868/S020596141803003X
Бондур В.Г., Зима А.Л., Феоктистова Н.В. Долговременный спутниковый мониторинг различных типов природных пожаров и эмиссий климатически - активных газов и аэрозолей от них на территории России и ее крупных регионов / Исследование Земли из космоса. 2024. № 5. C. 19–34. https://doi.org/10.31857/S0205961424050021
Протопопова В. В., Габышева Л. П. Пирологическая характеристика растительности в лесах Центральной Якутии и ее динамика в постпожарный период. Природные ресурсы Арктики и Субарктики, 25, 3, 2018, pp. 80-86. https://doi.org/10.31242/2618-9712-2018-25-3-80-86
Слепцова М. И. Роль углеводородов в Якутии // Физико-технические проблемы добычи, транспорта и переработки органического сырья в условиях холодного климата. 2024, (1), 103-107, https://doi.org/10.24412/cl-37255-2024-1-103-107
Третий оценочный доклад об изменениях климата и их последствиях на территории Российской Федерации // Под ред. В.М. Катцова (Росгидромет). СПб.: Наукоемкие технологии, 2022. 676 с.
Anejionu Obinna C.D., Blackburn G. Alan, Whyatt J. Duncan. Detecting gas flares and estimating flaring volumes at individual flow stations using MODIS data // Remote Sensing of Environment Volume 158, 1 March 2015, Pages 81-94. https://doi.org/10.1016/j.rse.2014.11.018
Bondur V.G., Gordo K.A., Voronova O.S., Zima A.L., Feoktistova N.V. IntenseWildfires in Russia over a 22-Year Period According to Satellite Data. Fire 2023, 6, 99. https://doi.org/10.3390/fire6030099.
IPCC, 2022: Climate Change 2022: Impacts, Adaptation, and Vulnerability. Contribution of Working Group II to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change [H.-O. Pörtner, D.C. Roberts, M. Tignor, E.S. Poloczanska, K. Mintenbeck, A. Alegría, M. Craig, S. Langsdorf, S. Löschke, V. Möller, A. Okem, B. Rama (eds.)]. Cambridge University Press. Cambridge University Press, Cambridge, UK and New York, NY, USA. 3056 pp. https://doi.org/10.1017/9781009325844
Giglio L., Schroeder W., Justice C. O. The Collection 6 MODIS active fire detection algorithm and fire products. Remote Sensing of Environment, 2016, Pp 31-41, ISSN 0034-4257, https://doi.org/10.1016/j.rse.2016.02.054.
Giglio L. VIIRS/JPSS1 Active Fires 6-Min L2 Swath 375m V002. 2024, distributed by NASA EOSDIS Land Processes Distributed Active Center, https://doi.org/10.5067/VIIRS/VJ114IMG.002
Li F., Zhang X., Kondragunta S., Csiszar I. Comparison of fire radiative power estimates from VIIRS and MODIS observations. Journal of Geophysical Research: Atmospheres, 2018, 123, 4545–4563. https://doi.org/10.1029/2017JD027823
Li R., Tao, M., Zhang, M., Chen, L., Wang, L., Wang, Y., et al. Application potential of satellite thermal anomaly products in updating industrial emission inventory of China. Geophysical Research Letters, 2021, 48, e2021GL092997. https://doi.org/10.1029/2021GL092997
Ponomarev E.I., Zabrodin A.N., Shvetsov E.G., Ponomareva T.V. Wildfire Intensity and Fire Emissions in Siberia. Fire 2023, 6, 246. https://doi.org/10.3390/fire6070246
Prokhorenkova L., Gusev G., Vorobev A., Dorogush A. V., Gulin A. CatBoost: unbiased boosting with categorical features // Computer Science. 2019. Pp.23 https://doi.org/10.48550/arXiv.1706.09516
Rodell M., Houser, P. R., Jambor, U., Gottschalck, J., Mitchell, K., Meng, C.-J., Arsenault, K., Cosgrove, B., Radakovich, J., Bosilovich, M., Entin, J. K., Walker, J. P., Lohmann, D., Toll, D. The Global Land Data Assimilation System. Bulletin of the American Meteorological Society. 2004. Vol. 85, No. 3, pp. 381-394. DOI: 10.1175/BAMS-85-3-381
Muñoz S. J. ERA5-Land monthly averaged data from 1950 to present. Copernicus Climate Change Service (C3S) Climate Data Store (CDS). 2019. DOI: 10.24381/cds.68d2bb30
Saha S., and Coauthors, 2010: The NCEP Climate Forecast System Reanalysis. Bull. Amer. Meteor. Soc., 91, 1015–1058, https://doi.org/10.1175/2010BAMS3001.1.
Zhizhin M, Matveev A, Ghosh T, Hsu F-C, Howells M, Elvidge C. Measuring Gas Flaring in Russia with Multispectral VIIRS Nightfire. Remote Sensing. 2021; 13(16):3078. https://doi.org/10.3390/rs13163078

Презентация доклада

Двадцать третья международная конференция "СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"

XXIII.A.234

Применение машинного обучения для разделения природных пожаров и газовых факелов по атрибутивным данным спутниковых информационных продуктов

Методы и алгоритмы обработки спутниковых данных