Development and integration of advanced features in burned area detector plugin

The main objective of the work is the development and integration of new advanced features into the Burned Area Detector (BAD) plugin. BAD is a free plugin available for QGIS that can detect areas affected by wildfire events multispectral satellite images, particularly Sentinel-2. The updated version of BAD introduces key features to improve the workflow for Burned Area Analysis: pre-processing of Sentinel-2 images, validation of geo-products generated by the plugin, i.e. the Burned Area Map and the Burn Severity Map along with the generation of Agreement Map. The pre-processing tool enables the user to mask specific classes from the Scene Classification Layer (SCL) band of the Sentinel-2 imagery, allowing more targeted analysis by removing non-fire-prone areas as well unreliable data. The masking version improves the localization of the burned areas with the possibility to reduce errors. The validation feature allows user to upload local reference polygons to validate the Region Growing (RG) algorithm, which balances commission and omission errors in detected burned area. These enhancements significantly improve the accuracy and the usability of the plugin, providing user with a more flexible and reliable tool for mapping burned area and evaluating burned severity. The plugin was developed within the GIS environment and can be downloaded for free from the public repository on GitHub (https://github.com/BAD-QGIS-Plugin/BAD_V.2.0) and can be installed in QGIS. The updated plugin was tested on real case scenarios to map and assess the burn severity of burned areas affected by wildfire event in Spain (2022). The masking was performed on pre and post fire images, the burned area and burn severity were validated by comparison with reference datasets from Copernicus Emergency Management Service (CEMS). The validation showed that the output of BA maps was satisfactory with ranges for the accuracy metrics of [1.06%: 3.44%] for omission error, [2.75%: 41.20%] for commission error, [73.76%:96.91%] for Dice Coefficient and [-0.13%: 18.93%] for Relative bias. Performance evaluation of the updated plugin demonstrated that computational time varies based on user defined parameters, with the RG algorithm remaining the most computationally intensive step. Despite this, BAD 2.0 maintains an efficient workflow. Its integration within the QGIS environment allows user to leverage native geospatial functionalities, enhancing the overall process of burned area detection. By combining enhanced pre-processing, validation and modular design, BAD 2.0 advances the capabilities of burned area mapping from satellite imagery, offering a scientifically robust and operationally effective tool for remote sensing practitioners and researchers engaged in post fire assessment.

L'obiettivo principale del lavoro è lo sviluppo e l'integrazione di nuove funzionalità avanzate nel plugin Burned Area Detector (BAD). BAD è un plugin gratuito disponibile per QGIS in grado di rilevare le aree colpite da incendi boschivi tramite immagini satellitari multispettrali, in particolare Sentinel-2. La versione aggiornata di BAD introduce funzionalità chiave per migliorare il flusso di lavoro per l'analisi delle aree bruciate: pre-elaborazione delle immagini Sentinel-2, validazione dei geo-prodotti generati dal plugin, ovvero la mappa delle aree bruciate e la mappa della severità degli incendi. L’accuratezza dei prodotti è quantificata tramite la matrice di confusione, le metriche di accuratezza (overall accuracy, errori di omissione e commissione, coefficient Dice e relative bias) e la mappa di accordo che mostra la variabilità spaziale dell’accuratezza. Lo strumento di pre-elaborazione consente all'utente di mascherare delle classi specifiche di copertura del suolo (aree non vegetate) a partire dalla banda SCL (scene classification layer) dei prodotti Sentinel-2. La mascheratura consente di rimuovere le aree non soggette a incendi per migliorare la localizzazione delle aree bruciate e ridurre gli errori. La funzionalità di validazione consente all'utente di caricare poligoni di riferimento per stimare accuratezza del risultato dell'algoritmo di Region Growing (RG), che bilancia errori di commissione e omissione nell'area bruciata rilevata. Le nuove funzionalità introdotte con questo lavoro di tesi, migliorano significativamente l'accuratezza e la fruibilità del plugin, fornendo all'utente uno strumento più flessibile e affidabile per la mappatura delle aree bruciate e la valutazione della severità dell'incendio (livello di danno). Il plugin è stato sviluppato in ambiente GIS e può essere scaricato gratuitamente dal repository pubblico su GitHub (https://github.com/BAD-QGIS-Plugin/BAD_V.2.0), oltre ed essere installato in QGIS. Il plugin aggiornato è stato testato su scenari reali per mappare e valutare la severità dell'incendio per alcuni siti colpiti da incendi boschivi in Spagna durante l’estate del 2022. Per questi siti test, il mascheramento è stato eseguito su immagini pre e post incendio, l'area bruciata e la severità dell'incendio sono state validate mediante confronto con set di dati di riferimento messi a disposizione dal Copernicus Emergency Management Service (CEMS). La validazione ha mostrato che le mappe di BA prodotte sono soddisfacente, con intervalli per le metriche di accurateza di [1.06%:3.44%] per l’errore di omissione, [2.75%:41.20%] per l’errore di commissione, [73.76%:96.91%] per il coefficiente Dice e [-0.13%:18.93%] per il bias relativo. La valutazione delle prestazioni del plugin aggiornato ha dimostrato che il tempo di calcolo varia in base ai parametri definiti dall'utente, con l'algoritmo RG che rimane la fase più impegnativa dal punto di vista computazionale. Ciononostante, BAD 2.0 mantiene un flusso di lavoro efficiente. La sua integrazione nell'ambiente QGIS consente all'utente di sfruttare le funzionalità geospaziali native, migliorando il processo complessivo di rilevamento delle aree bruciate. Combinando pre-elaborazione avanzata, validazione e design modulare, BAD 2.0 migliora le capacità di mappatura delle aree bruciate a partire da immagini satellitari, offrendo uno strumento scientificamente solido e operativamente efficace per professionisti e ricercatori del telerilevamento impegnati nella valutazione dei danni post-incendio.