Burned Area Detector Development of a QGIS plugin for mapping burned areas from Sentinel-2 images

The purpose of the work was the development of a plugin for Burned Area (BA) Detection from satellite multi-spectral images (Sentinel-2 [1]). The plugin implements a burned area [2] and a burn severity [3] mapping algorithms to produce output geo-products depicting the fire affected areas and the level of damage induced to the vegetation. The approach for burned area identification was based on soft computing techniques and on the integration of features (spectral bands and indices) derived from Sentinel-2 multispectral satellite images; integration is done by implementing ordered weighted average operators (OWAs) from the fuzzy set theory. A Region Growing (RG) contextual algorithm is implemented as the final step to balance omission and commission errors. Instead, the severity computation exploits the spectral bands (NIR and SWIR) of the S-2 multispectral satellite images and, in particular, the difference of the Normalized Burn Ratio (dNBR) index. The dNBR between pre-fire and post-fire S-2 images was computed and exploited for pixel level classification into degrees of burn severity. The plugin (BAD: Burned Area Detector) was developed within a GIS environment and can be downloaded for free from the public repository in GitHub (BAD_QGISplugin [4] ) and installed in QGIS. The choice was intended to make the tool more usable by users with different programming backgrounds and knowledge. The plugin was designed and developed to be a flexible tool that leaves each user free to choose and use her/his inputs, to set the parameters and to choose the features to be integrated to map burned areas. Moreover, it was designed with modular tabs to run single steps of the algorithm and/or the entire process through its intuitive user interface (UI). The output products are: Burned Area Map and the Severity Map but also a combination of the two: Severity Map for identified burned pixels. The BAD plugin was tested on real scenarios with S-2 images for mapping burned areas affected by a wildfire event: Portugal (2017), Spain (2022), Chile (2023). The BA and burn severity maps produced by BAD were validated by comparison with reference datasets produced by the Copernicus Emergency Management Service (EMS). The validation showed that the output BA maps are very accurate with ranges for the accuracy metrics of [2.4% : 9.24%] for omission error, [1.84% : 15.66%] for commission error, [88.81% : 96.57%] for Dice Coefficient and [-6.78% : 8.04%] for Relative bias. The performance of the BAD plugin was also tested by measuring processing time as a function of the input image size and the number of seed pixels. IV These results showed how the computational time depended on the selected parameters; the step requiring more processing time was the RG algorithm. The BAD plugin proved to be a valuable tool for mapping burned areas and burn severity through a flexible and userfriendly interface; the availability within a GIS environment allows the user to exploit it synergically with QGIS functionalities for the analysis and the process of geospatial data and products.

Lo scopo del lavoro è stato lo sviluppo di un plugin per il rilevamento di aree bruciate (“Burned Area”, BA) da immagini satellitari multispettrali (Sentinel-2 [1]). Il plugin implementa un algoritmo di mappatura delle aree bruciate [2] e un algoritmo di mappatura della gravità (“Severity”) delle aree soggette a incendio [3] per produrre geoprodotti che descrivono le aree colpite dall’evento e il livello di danno prodotto dal fuoco alla vegetazione. L'approccio per l'identificazione delle aree bruciate si è basato su tecniche di soft computing e sull'integrazione di “Features” (bande spettrali e indici) derivate da immagini satellitari multispettrali Sentinel-2; l'integrazione viene effettuata utilizzando operatori di aggregazione “Ordered Weight Avarage” (OWA) dalla teoria degli insiemi fuzzy. Un algoritmo contestuale di Region Growing (RG), che sfrutta come layer di semi e di growing diversi OWA, viene implementato come fase finale per bilanciare gli errori di omissione e commissione. Il calcolo della gravità sfrutta invece le bande spettrali (NIR e SWIR) delle immagini satellitari multispettrali S-2 e, in particolare, la differenza multi-temporale dell'indice Normalized Burn Ratio (dNBR). Il dNBR, calcolato tra le immagini S-2 pre-incendio e post-incendio, è stato utilizzato per la classificazione dei gradi di gravità dei danni per ciascun pixel. Il plugin (BAD: Burned Area Detector) è stato sviluppato all'interno di un ambiente GIS e può essere scaricato gratuitamente dalla cartella pubblica su GitHub (BAD_QGISplugin [4]) e installato in QGIS. La scelta è stata fatta per rendere lo strumento più fruibile da utenti con conoscenze e background di programmazione diversi. Il plugin è stato progettato e sviluppato per essere uno strumento flessibile che lascia ogni utente libero di scegliere e utilizzare diversi input, di impostare i parametri e di scegliere le “Features” da integrare per mappare le aree bruciate. Inoltre, è stato progettato con schede modulari (“TAB”) per eseguire i singoli passaggi dell'algoritmo e/o l'intero processo attraverso la sua intuitiva interfaccia (“User Interface”). I prodotti di output sono: Mappa dell'area bruciata e Mappa della gravità, ma anche una combinazione delle due: Mappa della gravità per i pixel identificati come bruciati. Il plugin BAD è stato testato su scenari reali di eventi di incendio per la mappatura delle aree bruciate da immagini S-2 selezionate per ogni evento prima e dopo il passaggio del fuoco: Portogallo (2017), Spagna (2022), Cile (2023). Le mappe di BA e di “severity” delle aree colpite da incendio prodotte da BAD sono state validate mediante confronto con i dati di riferimento forniti dal Servizio di gestione delle emergenze (EMS) di Copernicus. La validazione ha mostrato che le mappe di BA prodotte sono molto accurate, con intervalli per le metriche di VI accuratezza di [2,4% : 9,24%] per l'errore di omissione, [1.84% : 15.66%] per l'errore di commissione, [88.81% : 96.57%] per il coefficiente Dice e [-6.78% : 8.04%] per il bias relativo. Oltre alla stima dell'accuratezza dei prodotti del plugin BAD, è stato stimato anche il tempo di calcolo fattore particolarmente rilevante nel caso di applicazioni di monitoraggio in tempo (quasi) reale. I risultati hanno mostrato come il tempo di processing dipenda dalle dimensioni dell'immagine di input e dal numero di semi iniziali nell'algoritmo di Region Growing. Il RG è risultato essere la fase che richiede più tempo di elaborazione e di produzione delle mappe di area bruciata. Il plugin BAD si è rivelato un valido strumento per la mappatura delle aree bruciate e della gravità provocata dall’incendio attraverso un'interfaccia flessibile e di facile utilizzo; la disponibilità all'interno di un ambiente GIS consente all'utente di sfruttarlo sinergicamente con le funzionalità di QGIS per l'analisi e l'elaborazione di dati e prodotti geospaziali.