Detección de incendios usando satélites de Orbita Polar y Geoestacionario

Dr. Bernadette ConnellCIRA/CSU/RAMMT

Dr. Vilma CastroUCR/RMTC

Marzo 2005

Objetivos

• Revisión / antecendentes

• Environmental and weather conditions conducive to fires

• Satellite fire detection techniques for hot spots

• Ejemplos

• Ejercicio de Laboratorio

Monitoreando la actividad de incendiosPor qué?• Para detectar y monitorear incendios en zonas vírgenes en

tiempo real para respuesta y mitigación.– Son los incendios un peligro para centros de población o

recursos económicos?• Para determinar tendencias en la actividad de incendios año

a año. – Son ellos el resultado de quemas agrícolas y

deforestación? – Son el resultado de un almacenamiento de combustibles? – Están afectados por sequía?

• Para determinar la extensión del transporte de humo.• Para determinar el efecto de las quemas en el ambiente.

United States - Fire Weather Activities

• Various FIRE DANGER RATING systems have been developed to express fire hazard.

They incorporate some of these basic questions:• Are the “fuels” dry enough to burn?• Is the current or forecast weather conducive to

starting fires and sustaining them?– Is it dry, windy?– Is the atmosphere stable or unstable? – Will there be lightning with very little rain?

United States - Fire Weather Activities

• To address the condition of fuels:– Long term monitoring for drought (satellite)– Monitoring of vegetation health and accumulation of

dead vegetation (fuels) (satellite and ground)• To address weather conditions:

– Outlooks for precipitation and temperature (climatology/model prognosis)

• Information Sources:– Climate Prediction Center (CPC)– USDA Forest Service– NOAA/NESDIS/ORA

Real-time NWS Fire Weather Services

• Storm Prediction Center – issues 1 and 2 day fire outlookshttp://www.spc.noaa.gov/products/fire_wx – maps– text discussion– hazard categores:

• critical areas – outlines• extremely critical – hatched• dry thunderstorm risk - scalloped

Real-time NWS Fire Weather Services

• Weather Forecast Offices – issues fire weather forecasts/watches, smoke forecasts, red flag warnings, spot forecasts

• IMET – Incident METeorological information for fire behavior forecasts, spot forecasts, nowcasts

Real-time (non-routine) Products

• Fire Weather Watch; valid 24-48 hr– 1-min sustained winds at 20 ft. > 15-25 kts– Relative humidity < threshold (see following slide –

varies by region)– Temperature >65-75°F– Vegetation moisture <8-12%

• Red Flag Warning: valid 0-24 hr– Same criteria as Fire Weather Watch (above)

• “Spot” Forecasts– Forecasts for prescribed burns, rescues, wildfires in

progress

Threshold Relative Humidities for Red Flag Watches/Warnings

Haines Index

• This index is correlated with fire growth in plume dominated fires

• Composed of two parts:– stability: temperature difference between two atmospheric layers

near the surface– moisture: temperature/dew point difference for that layer

• The index is adaptable for varying elevation regimes• Index value estimates rate of spread:

2-3: Very Low Potential (Moist Stable Lower Atmosphere)4: Low Potential5: Moderate Potential6: High Potential ( Dry Unstable Lower Atmosphere)

Calculating Haines Index

LOW ELEVATION <2,000 FT

Stability Term (T950-T850)

1… 3 C or less

2… 4 to 7 C

3… >= 8 C

Moisture Term (T850-Td 850)

1… 5 C or less

2… 6 to 9 C

3… >= 10 C

MID ELEVATION

2,000-6,000 FT

Stability Term (T850-T700)

1… 5 C or less

2… 6 to 10 C

3… >= 11 C

Moisture Term (T850-Td 850)

1… 5 C or less

2… 6 to 12 C

3… >= 13 C

HIGH ELEVATION

>6,000 FT

Stability Term (T700-T500)

1… 17 C or less

2… 18 to 21 C

3… >= 22 C

Moisture Term (T700-Td 700)

1… 14 C or less

2… 15 to 20 C

3… >= 21 C

Sum of two terms = Haines IndexGOES Fire Detection - VISITview

2-very low3-very low4-low

5-moderate6-highwater

U.S. Drought Monitor – Severity Classification

Category Description Fire RiskPalmer Drought Index

CPC Soil Moisure (percentiles)

Weekly Streamflow (percentiles)

% of

Normal Precip

Standardized Precipitation Index

Satellite Vegetation Health Index

D0Abnormally Dry

Above average

-1.0 to

-1.921-30 21-30

<75%

for 3

months

-0.5 to -0.7 36-45

D1Moderate Drought

High-2.0 to

-2.911-20 11-20

<70%

for 3

months

-0.8 to -1.2 26-35

D2Severe Drought

Very high-3.0 to

-3.96-10 6-10

<65%

for 6

months

-1.3 to -1.5 16-25

D3Extreme Drought

Extreme-4.0 to

-4.93.5 3-5

<60%

for 6

months

-1.6 to -1.9 6-15

D4Exceptional Drought

Exceptional and Widespread

< -5.0 0-2 0-2<65%

for 12 months

< -2.0 1-5

GOES Fire Detection - VISITview

Vegetation Health

• Showing vegetation health for this year compared with last year.• Fire becomes a concern when the vegetation is stressed (values less than 50) and when drought and other weather is of concern.

Loop of plume dominated fire

VIS 03246

IR2 03246

WashingtonOregon

Idaho

Montana

British Columbia Alberta

Loop of wind driven fire

VIS

Mexico

California

IR2

IR2 24hr

Monitoreo de incendios por satéliteGeoestacionario o de órbita polar?

• El monitoreo con ambos tipos de satélite utiliza observaciones del canal visible, de onda corta y de onda larga infrarrojo.

• Satélites Geoestacionarios (GOES)– Resolución mas gruesa (~4km)– Buena resolución temporal (cada media hora), la cual da

información de la distribución temporal y espacial de los incendios durante el día.

– Temperatura de brillo de saturación: 338K (para GOES-8, 12)

• Satélites de órbita polar (AVHRR)– Resolución mas fina (~1km)– Solo dos pasadas por día– Temperatura de brillo de saturación: 320 K

Productos “rápidos” de RAMSDIS para la detección de

incendios

Estos productos están hechos con imágenes de los canales

3.9 y 10.7 µm

NOCHE: producto Niebla-EstratosDIA: producto Reflectividad

Characteristics of 3.9 micrometer channel that make it suitable for “hot” spot detection

Radiance is not linear with temperatureA small change in radiance at 300 K at 3.9 um creates a larger change in temperature than at 10.7 umnote the different scales: 3.9 um from 0-410.7 um from 0-200

180 220 260 300 340Temperature (K)

0

1

2

3

4

Rad

ianc

e (m

W/(m

2.sr

.cm

-1)

180 220 260 300 340Temperature (K)

0

50

100

150

200

Rad

ianc

e (m

W/(m

2.sr

.cm

-1) wavelength = 10.7 um

wavelength = 3.9 um

Characteristics of 3.9 micrometer channel that make it suitable for “hot” spot detection

Radiance is not linear with temperature

• A small change in radiance at 300 K at 3.9 um creates a larger change in temperature than at 10.7 umnote the different scales: 3.9 um from 0-410.7 um from 0-200

180 220 260 300 340Temperature (K)

0

1

2

3

4

Rad

ianc

e (m

W/(m

2.sr

.cm

-1)

180 220 260 300 340Temperature (K)

0

50

100

150

200

Rad

ianc

e (m

W/(m

2.sr

.cm

-1) wavelength = 10.7 um

wavelength = 3.9 um

Sub pixel response• Rλ = Rλ cloud * % area cloud + Rλ ground * % area ground

• Similarly for fires:

Rλ = Rλ fire * % area fire + Rλ ground * % area ground

GO

ES

3.9 um C

hannel Tutorial

REVISION:NOCHE: Producto Niebla-Estratos

Sustrae la temperatura, pixel por pixel, de las imágenes de: 10.7m - 3.9 m

El resultado es un número negativo

Cuando la temperatura de 3.9 um es más alta

NOCHE: Producto Niebla-Estratos

• El resultado se normaliza sumándole 150 al valor de cada pixel

• Los valores corresponden a una escala de 0.1K por unidad de brillo

En una tabla de color de blanco y negro, los pixeles con incendios se ven más oscuros que el fondo

NOCHE: Producto Niebla-Estrato

Los pixeles con incendios son más oscuros que el fondo en 80 unidades de brillo

Observaciones:

1 unidad de brillo = 0.1 Kelvin

80 unidades de brillo = 8 K

La diferencia de temperatura entre La diferencia de temperatura entre pixeles sin incendiospixeles sin incendios: : 3 K

Cuando la diferencia entre pixeles es de Cuando la diferencia entre pixeles es de 4-6 K4-6 K: : los incendios no pueden ser los incendios no pueden ser detectados con certeza.detectados con certeza.

DIA: Producto Reflectividad

• Canales involucrados: 3.9 y 10.7 micrones• Componente de reflectividad se sustrae de la

señal de 3.9 micrones

La temperatura de 10.7 micrones se usa para estimar el componente de reflectividad de 3.9 micrones

• Los incendios aparecen como puntos blancos

Producto Reflectividad

Observaciones

• Los productos permiten la identificación de incendios mas pequeños que un pixel

• Weaver y colaboradores muestran que es posible detectar:– incendios a 500K en contraposición con un

entorno a 300K – que cubren solo el 5 % de un pixel de 2.3 x

4 kmWeaver, J.F., Purdom, J.F.W, and Schneider, T.L. 1995. Observing forest fires with the GOES-8, 3.9 µm imaging channel. Weather and Forecasting, 10, 803-808

Observaciones

• Puede usarse el canal visible para detectar incendios?

Si. La pluma de humo puede verse en el visible.

Sin embargo: El incendio debe estar muy bien desarrollado para crear una pluma que pueda detectarse en el visible.

Tipos de algoritmos

• Técnicas de umbral fijo– Cuenta con umbrales prefijados y considera

un solo pixel a la vez.

• Técnicas de análisis espacial o contextual.– Calcula umbrales relativos basados en

estadísticas calculadas a partir de los pixeles vecinos.

Real-time products for Central America:

http://www.cira.colostate.edu/ramm/sica/main.html

Ejemplo de un Algoritmo de Umbral Fijo por Arino y colab.

(1993)

1. BT3.9 > 320 K (para identificar incendios probables)

2. BT3.9 – BT10.7 > 15 K

3. BT10.7 > 245 K (para prevenir falsas alarmas debido a nubes reflectivas)

GOES-8 3.9 micrones

GOES-8 3.9 micrones

Las áreas azules representan pixeles:T3.9 >320K

Producto GOES-8 : T3.9 – T10.7

Las regiones azules representan pixeles con:T3.9 – T10.7 > 15 K

Producto resultante de umbral de incendiosAzul representa pixeles con incendios

Problemas

• Muy caliente, el terreno seco se detecta como incendio.

• No detecta incendios nocturnos que están mas fríos que 320 K

Ejemplo de un Algoritmo Contextual por Justice y colab. (1996)

1. BT3.9 > 316 K (para identificar probables incendios)2. Estima una temperatura de fondo con pixeles ‘válidos’ de

los alrededores:Un pixel válido * no es una nube

* no es un pixel de un potencial incendio

3. La ventana empieza como un área de 3x3 pixeles y se expande a una grilla de 21x21 pixeles hasta que al menos el 25% de los pixeles de fondo (o al menos 3) son válidos.

4. Se calcula DT=MAX(2 std dev of BT3.9-BT10.7, 5 K)Pixel con incendio:

if BT3.9-BT10.7 > mean BT3.9-BT10.7 + DT

and BT10.7 > mean BT10.7

Producto de Incendio de JusticeLos puntos azules representan incendios detectados

Problemas

• No detecta pixeles con incendios en regiones de terreno muy caliente y seco.

• También puede ser necesario implementar una corrección para cambios de temperatura en regiones montañosas

• No detecta pixeles con incendios en la noche cuando la temperatura es más frio de 316 K

GOES- 8 Producto Reflectividad

Filtro Pasa Alto (Shot-noise) aplicado al Producto ReflectividadLos pixeles rojos denotan incendios potenciales

Experimental ABBA• Automated Biomass Burning Algorithm

(Algoritmo Automatizado de Biomasa Quemada)

• Desarrollado en el Instituto Cooperativo para Estudios de Satélites Meteorológicos (CIMSS) en la Universidad de Wisconsin en Madison.

• Afinado con incendios de Brazil

http://cimss.ssec.wisc.edu/goes/burn/wfabba.html

Satélites de Orbita Polar

• Los mismos algoritmos de detección presentados aquí pueden aplicarse a imágenes de satélites de órbita polar.

• Para el AVHRR, el sensor de 3.9 um se satura a 323 K

(el del GOES-8 se satura a 338 K)

• En el laboratorio se verá un ejemplo de datos del AVHRR

References/links

GOES Fire Detection – VISITview sessionhttp://www.cira.colostate.edu/ramm/visit/detection.html

see reference/links at the bottom of their page

Fire Products for Central Americahttp://www.cira.colostate.edu/ramm/sica/main.html

Wildfire ABBAhttp://cimss.ssec.wisc.edu/goes/burn/wfabba.html

CIRA GOES 3.9 um Channel Tutorialhttp://www.cira.colostate.edu/ramm/goes39/cover.htm

Storm Prediction Center – 1 and 2 day fire outlookshttp://www.spc.noaa.gov/products/fire_wx

Drought Monitor - long term drought indicators for the US:Drought Index, Crop Moisture Index, Standardized Precipitation Index, Percent of

Normal Rainfall, Daily Streamflow, Snowpack, Soil Moisture, Vegetation Health

http://drought.unl.edu/dm