The Automatic Detection of Fire Scar in Alaska using Multi-Temporal PALSAR Polarimetric SAR Data

Abstract

The existing fire scar detection methods based on multi-temporal analysis only used the difference in either backscattering intensity or polarimetric characteristics between the pre- and post-fire PolSAR data to calculate the difference image (DI), and then applied an object-based image analysis approach (OBIA) to generate the fire scar binary map. These methods all ignored the polarimetric correlation between both the pre- and post-fire PolSAR data. And many parameters of the OBIA method were determined empirically. Therefore, this study proposes a new detection method, which integrates the Hotelling–Lawley trace (HLT) statistic with a hierarchical automatic image segmentation method (GGKI-MRF). The HLT can simultaneously capture changes in both polarimetry and intensity, which helps to distinguish between burned and unburned areas. And the GGKI-MRF method is developed by combining the generalized Gaussian-based Kittler–Illingworth (GG-KI) thresholding with Markov Random Field (MRF) model, which has a good performance in reducing the isolate points (false alarms) and the omission errors. The experimental results from multi-temporal and polarimetric PALSAR PolSAR data show that the proposed method can achieve high detection accuracy (i.e., the kappa coefficient of 0.81 and the overall accuracy up to 0.92).

RÉsumÉ

Les méthodes habituelles de détection de cicatrices de feux sont basées sur une analyse multi-temporelle utilisant la différence d’intensité des données PolSAR ou la différence des caractéristiques polarimétriques, avant et après l’incendie, pour calculer une image de différence (DI), puis appliquent une démarche d’analyse orientée objet pour générer la carte binaire des cicatrices de feux. Ces méthodes ignorent la corrélation polarimétrique entre les données acquises avant et celles acquises après le feu. De plus, de nombreux paramètres de la méthode orientée objet sont déterminés de manière empirique. Ainsi, cette étude propose une nouvelle méthode de détection, qui intègre la statistique trace de Hotelling – Lawley (HLT) avec une méthode de segmentation automatique et hiérarchique (GGKI-MRF) des images. L’approche HLT peut capturer simultanément les modifications en polarimétrie et en intensité, ce qui aide à établir une distinction entre les zones brûlées ou intactes. La méthode GGKI-MRF combine les seuillages axées sur la gaussienne Kittler – Illingworth (GG-KI) avec le modèle de Markov Random Field (MRF), qui performe bien dans la réduction des points isolés (fausses alarmes) et des erreurs d’omission. Les résultats expérimentaux à partir de données multi-temporelles et polarimétriques PALSAR montrent que la méthode proposée peut atteindre une précision de détection élevée (un coefficient kappa de 0.81 et une précision globale jusqu'à 0.92).

Keywords:

• forest fire
• fire scar detection
• polarimetric SAR (PolSAR)
• multi-temporal
• the Hotelling–Lawley trace (HLT)
• PALSAR
• automatic image segmentation
• the generalized Gaussian-based Kittler–Illingworth (GG-KI)
• Markov random field (MRF)

Acknowledgements

This research was supported by the National Natural Science Foundation of China under Grant (number 41271430); the Chinese Academy of Surveying and Mapping Fundamental Research Project under Grant (number 7771624); the National Natural Science Foundation of China under Grant (number 41801284); the Beijing Key Laboratory of Urban Spatial Information Engineering under Grant (number 2017201). And the authors are also grateful for the website https://www.mtbs.gov/ for providing the burn severity map, the DEM, and the water bodies distribution map for free download.