بررسی و تحلیل طیفی آتش‌سوزی جنگل با استفاده از شاخص +NBR و مقایسه آن با شاخص‌های طیفی ماهواره سنتینل-2 (مطالعه موردی: منطقه حفاظت‌شده کوه دیل)

فیض اله پور, مهدی; محمدی, امیرحسین

doi:10.22034/gahr.2025.516910.2450

بررسی و تحلیل طیفی آتش‌سوزی جنگل با استفاده از شاخص +NBR و مقایسه آن با شاخص‌های طیفی ماهواره سنتینل-2 (مطالعه موردی: منطقه حفاظت‌شده کوه دیل)

نوع مقاله : مقاله پژوهشی

نویسندگان

مهدی فیض اله پور ¹

امیرحسین محمدی ²

¹ استادیار گروه جغرافیا، دانشگاه زنجان، زنجان، ایران

² دانشگاه زنجان، گروه جغرافیا

10.22034/gahr.2025.516910.2450

چکیده

پایش مناطق سوخته با بهره‌گیری از تصاویر چند طیفی ماهواره‌ای به‌سادگی قابل‌انجام است. به‌منظور تفکیک پوشش گیاهی سالم از نواحی آسیب‌دیده، شاخص‌هایی طراحی و ارائه شده‌اند. در راستای کاهش خطا و بهبود دقت نتایج، با درنظرگرفتن ویژگی‌های بازتابی باندهای سنجنده سنتینل-۲، شاخص سوختگی نرمال‌شده +NBR معرفی گردید. کارایی این شاخص از طریق مقایسه با چهار شاخص دیگر، در منطقه‌ای به وسعت ۵۵ کیلومترمربع در منطقه حفاظت‌شده کوه دیل، واقع در شمال شهرستان گچساران در استان کهگیلویه و بویراحمد، مورد تأیید قرار گرفت. برای دستیابی به این هدف، دو رویکرد تک‌زمانه و دوزمانه مورد استفاده قرار گرفت. به‌منظور تفکیک پیکسل‌های مربوط به نواحی سوخته از نواحی فاقد سوختگی، از روش تفاضل‌گیری میان تصاویر مربوط به پیش و پس از آتش‌سوزی در تاریخ‌های ۱۲ مه ۲۰۲0 و 11 ژوئن ۲۰۲۰ استفاده شد. همچنین، جهت ارزیابی عملکرد شاخص‌ها، ماتریس‌های سردرگمی تهیه شده و با یکدیگر مقایسه گردیدند. شاخص +NBR به دلیل حذف توده‌های ابری و پهنه‌های آبی که در سایر شاخص‌ها به طور نادرست طبقه‌بندی شده بودند، به نتایج مطلوب‌تری دست‌یافته است. مقادیر ضریب همبستگی پیرسون نیز نشان داد که شاخص‌های NBR و NDSWIR با مقدار ۹۲/۰ بالاترین همبستگی را با شاخص +NBR دارند، درحالی‌که شاخص MIRBI با مقدار ۳۷/۰ کمترین میزان همبستگی را نشان داده است. در همین حال، شاخص +NBR با دستیابی به بالاترین ضریب کاپا معادل ۹۰/۰، توانمندی بالایی در شناسایی نواحی تحت‌تأثیر آتش‌سوزی از خود نشان داده است.

کلیدواژه‌ها

شاخص‌های نرمال‌شدة سوختگی

شاخص‌های طیفی

آتش‌سوزی جنگل

سنتینل-۲

موضوعات

جغرافیای طبیعی

عنوان مقاله English

Spectral Analysis and Assessment of Forest Fire Using the +NBR Index and Its Comparison with Sentinel-2 Spectral Indices (Case Study: Kuh-e-Dil Protected Area)

نویسندگان English

Mehdi Feizollah Poor ¹

Amirhossein Mohammadi ²

¹ Assistant Professor, Department of Geography, University of Zanjan, Zanjan, Iran

² University of Zanjan, Department of Geography

چکیده English

Monitoring burned areas using multispectral satellite imagery is easily achievable. To distinguish healthy vegetation from damaged areas, several indices have been designed and proposed. To reduce errors and improve the accuracy of results, the normalized burn ratio +NBR index was introduced, considering the reflective properties of Sentinel-2 sensor bands. The effectiveness of this index was validated by comparison with four other indices in an area of 55 square kilometers in the Kuh-e-Dil Protected Area, located in the northern part of Gachsaran County, Kohgiluyeh and Boyer-Ahmad Province. To achieve this, both single-date and multi-date approaches were employed. For distinguishing pixels corresponding to burned areas from non-burned areas, the difference method was used between images taken before and after the fire, on May 12, 2020, and June 11, 2020. Additionally, confusion matrices were prepared to assess the performance of the indices and were compared. The +NBR index provided more accurate results by eliminating cloud masses and water bodies, which were incorrectly classified in other indices. Pearson correlation values showed that the NBR and NDSWIR indices, with a correlation of 0.92, had the highest correlation with the +NBR index, while the MIRBI index had the lowest correlation with a value of 0.37. Furthermore, the +NBR index demonstrated high effectiveness in identifying fire-impacted areas, achieving the highest Kappa coefficient of 0.90.

کلیدواژه‌ها English

Normalized Burn Ratio Indices

Spectral Indices

Forest Fire

Sentinel-2

· صالحی، سعدی و زارعی، زانکو . (1397). پهنه‌بندی مناطق دارای ریسک بالای آتش‌سوزی در جنگل‌ها با استفاده از GIS (مطالعه موردی جنگل‌های استان کرمانشاه). جغرافیا و روابط انسانی، 1(1), 304-319.

· Bretreger, D., Hancock, G.R., Lowry, J., Senanayake, I.P., Yeo, I.Y., (2024). The impacts of burn severity and frequency on erosion in Western Arnhem Land, Australia. Sensors, 24, 2282.

· Farajzadeh, M., Ghavidel Rahimi, Y., & Mokri, S. (2015). The Analysis of Forest Fires with Climatic Approach Using Satellite Data in Alborz Area_ Iran. Jsaeh, 2 (3), 83-104.

· Gerard, F., Plummer, S., Wadsworth, R., Sanfeliu, A.F., Iliffe, L., Balzter, H., Wyatt, B. (2003). Forest fire scar detection in the boreal forest with multitemporal spot-vegetation data. IEEE Trans. Geoscience. Remote Sensing, 41, 2575–2585.

· Huang, H., Chen, Y., Clinton, N., Wang, J., Wang, X., Liu, C., Zhu, Z. (2017). Mapping major land cover dynamics in Beijing using all Landsat images in Google Earth Engine. Remote Sensing Environmention, 202, 166–176.

· Ip, F., Dohm, J.M., Baker, V.R., Doggett, T., Davies, A.G., Castano, B., Cichy, B. (2004). ASE floodwater classifier development for EO-1 hyperion imagery. Lunar Planet. Sci, 35, 1–2.

· Jensen, J.R. (2000). Remote sensing of environment: an earth resource perspective, 1st ed. Prentice Hall, Upper Saddle River, N.

· Kaufman, Y. J., Ichoku, C., Giglio, L., Korontzi, S., Chu, D. A., Hao, W. M.,... & Justice, C. O. (2003). Fire and smoke observed from the Earth Observing System MODIS instrument--products, validation, and operational use. International Journal of Remote Sensing, 24(8), 1765-1781.

· Key, C.H., Benson, N.C. (2006). Landscape Assessment: Ground measure of severity, the Composite Burn Index; and Remote sensing of severity, the Normalized Burn Ratio, in: FIREMON: Fire Effects Monitoring and Inventory System. USDA Forest Service, Rocky Mountain Research Station, Ogden, UT., p. LA 1-51.

· Khosravi, H., Esfahani, S., & Asgari, M. (2016). Application of remote sensing data for fire risk monitoring in the Zagros forests. Geospatial Science Journal. Retrieved from https://www.researchgate.net/publication/301217813.

· Lentile, L.B., Holden, Z.A., Smith, A.M., Falkowski, M.J., Hudak, A.T., Morgan, P., Lewis, S.A., Gessler, P.E., & Benson, N.C. (2006). Remote Sensing Techniques to Assess Active Fire Characteristics and Post-Fire Effects. International Journal of Wildland Fire, 15, 319-345.

· Lentile, L.B., et al. (2006). Remote sensing techniques to assess active fire characteristics and post-fire effects. International Journal of Wildland Fire, 15(3), 295-314.

· Liu, C., Frazier, P., Kumar, L. (2007). Comparative assessment of the measures of thematic classification accuracy. Remote Sensing Environment, 107, 606–616.

· McFeeters, S.K. (1996). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal Remote Sensing, 17, 1425–1432.

· Miller, J.D., Yool, S.R. (2002). Mapping forest post-fire canopy consumption in several overstory types using multi-temporal Landsat TM and ETM data. Remote Sens. Environ., 82, 481–496. https://doi.org/10.1016/S0034-4257(02)00071-8.

· Nasery, S., Kalkan, K. (2020). Burn area detection and burn severity assessment using sentinel 2 MSI data: the case of Karaba˘ glar district. Turkish J. Geosciences, 1, 72–77.

· Nolde, M., Plank, S., Riedlinger, T. (2020). An adaptive and extensible system for satellite-based, large scale burnt area monitoring in near-real time. Remote Sensing, 12, 2162-2189.

· Oliveira, E.R., Disperati, L., Alves, F.L. (2021). A new method (MINDED-BA) for automatic detection of burned areas using remote sensing. Remote Sensing, 13, 5164-5191.

· Pulvirenti, L., Squicciarino, G., Fiori, E., Fiorucci, P., Ferraris, L., Negro, D., Puca, S. (2020). An automatic processing chain for near real-time mapping of burned forest areas using sentinel-2 data. Remote Sensing, 12, 674-691.

· Roy, D.P., Zhang, H.K., Ju, J., Gomez-Dans, J.L., Lewis, P.E., Schaaf, C.B., Kovalskyy, V. (2016). A general method to normalize Landsat reflectance data to nadir BRDF adjusted reflectance. Remote Sensing Environment, 176, 255–271.

· Roy, D. P., et al. (2008). The MODIS active fire detection algorithm and the fire product. Remote Sensing of Environment, 102(3), 250-273.

· Schepers, L., Haest, B., Veraverbeke, S., Spanhove, T., Vanden Borre, J., Goossens, R. (2014). Burned area detection and burn severity assessment of a heathland fire in Belgium using airborne imaging spectroscopy (APEX). Remote Sensing, 6, 1803–1826.

· Silva, J.M.N., Pereira, J.M.C., Cabral, A.I., Sa’, A.C.L., Vasconcelos, M.J.P., Mota, B., Gre’Goire, J.-M. (2003). An estimate of the area burned in southern Africa during the 2000 dry season using SPOT-VEGETATION satellite data. Journal of Geophysical Research, 108, 8498-8522.

· Story, M., Congalton, R.G. (1986). Accuracy assessment: A user’s perspective. Photogrammetric Engineering Remote Sensing, 52, 397–399.

· Wang, L., Qu, J.J., Hao, X. (2008). Forest fire detection using the normalized multi-band drought index (NMDI) with satellite measurements. Agricultural and forest Meteorological, 148, 1767–1776.

· Zhang, X., Liu, H., Li, M., Yan, W., & Yin, X. (2021). A novel method for fire severity monitoring in boreal forests. Remote Sensing Letters, 12(9), 878-889.