Gaisro žalos nustatymo miškui metodologija pagal „Sentinel“ nuotolinių tyrimų duomenis

Abstract

Vis dažniau kyla poreikis nagrinėjamoje teritorijoje operatyviai atlikti analizę, leidžiančią spręsti įvairius aplinkosaugos, kraštotvarkos, rizikos valdymo uždavinius. Norint atlikti tokią analizę, reikia turėti priėjimą prie nuolat atsinaujinančių ir aukštos skiriamosios gebos nuotolinių tyrimų duomenų. Tokius duomenis teikia ESO (European Space Agency) pagal „Copernicus“ programą. Straipsnyje nagrinėjamas atvirų „Sentinel-2A“ palydovų nuotolinių tyrimų duomenų taikymas rizikos valdymo uždaviniui spręsti – gaisro žalai nustatyti. Aptariama metodologija, kuri gali būti pritaikyta miško gaisro žali nustatyti. Pateikiamos formulės ir darbo eiga, leidžianti nustatyti miško gaisro nudegimo laipsnį. Bandomieji darbai atlikti su SNAP programine įranga, leidžianti greitai ir efektyviai apdoroti „Sentinel-2A“ palydovo nuotraukas. Miško gaisro žala nustatyta taikant reliatyvų normalizuotą diegimo indeksą išskiriant iš bendro duomenų masyvo debesuotumą ir hidrologiją. Pagal gautus tyrimų rezultatus pateiktas duomenų modelis, išskiriantis vietas, kuriose miškas labiausiai nukentėjo.

There is always a need for analysis in the area under study to address various environmental, land management and risk management challenges. To do this, you need to have access to constantly updated and high resolution remote sensing data. Such data is provided by the ESO (European Space Agency) under the Copernicus program. The article examines the use of open Sentinel-2A satellite remote sensing data to address the risk management challenge – fire damage detection. The methodology that can be applied to forest fire damage determination is discussed. The formulas and workflows are presented in order to determine the degree of burning of the forest fire. Pilot works are done with SNAP software allowing fast and efficient processing of Sentinel-2A satellite images. Determination of forest fire damage was determined by applying a relative normalized burn index, separating atmospheric (cloud) correction and hydrology from the general data array. According to the results of the research, the data model was provided where the forest suffered the most.