Detección de incendios usando satélites de Orbita Polar y Geoestacionario Dr. Bernadette Connell CIRA/CSU/RAMMT Dr. Vilma Castro UCR/RMTC Marzo 2005.

Presentación del tema: "Detección de incendios usando satélites de Orbita Polar y Geoestacionario Dr. Bernadette Connell CIRA/CSU/RAMMT Dr. Vilma Castro UCR/RMTC Marzo 2005."— Transcripción de la presentación:

1 Detección de incendios usando satélites de Orbita Polar y Geoestacionario Dr. Bernadette Connell CIRA/CSU/RAMMT Dr. Vilma Castro UCR/RMTC Marzo 2005

2 Objetivos Revisión / antecendentes Environmental and weather conditions conducive to fires Satellite fire detection techniques for hot spots Ejemplos Ejercicio de Laboratorio

3 Monitoreando la actividad de incendios Por 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.

4 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?

5 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

6 Real-time NWS Fire Weather Services Storm Prediction Center – issues 1 and 2 day fire outlooks http://www.spc.noaa.gov/products/fire_wx –maps –text discussion –hazard categores: critical areas – outlines extremely critical – hatched dry thunderstorm risk - scalloped

7 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

8 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

9 Threshold Relative Humidities for Red Flag Watches/Warnings

10 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 Potential 5: Moderate Potential 6: High Potential ( Dry Unstable Lower Atmosphere)

11 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 Index GOES Fire Detection - VISITview

12 2-very low 3-very low 4-low 5-moderate 6-high water

13 U.S. Drought Monitor – Severity Classification CategoryDescriptionFire Risk Palmer Drought Index CPC Soil Moisure (percentiles) Weekly Streamflow (percentiles) % of Normal Precip Standardized Precipitation Index Satellite Vegetation Health Index D0 Abnormally Dry Above average -1.0 to -1.9 21-30 <75% for 3 months -0.5 to -0.736-45 D1 Moderate Drought High -2.0 to -2.9 11-20 <70% for 3 months -0.8 to -1.226-35 D2 Severe Drought Very high -3.0 to -3.9 6-10 <65% for 6 months -1.3 to -1.516-25 D3 Extreme Drought Extreme -4.0 to -4.9 3.53-5 <60% for 6 months -1.6 to -1.96-15 D4 Exceptional Drought Exceptional and Widespread < -5.00-2 <65% for 12 months < -2.01-5 GOES Fire Detection - VISITview

14

15 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.

16 Loop of plume dominated fire VIS 03246 IR2 03246 Washington Oregon Idaho Montana British Columbia Alberta

17 Loop of wind driven fire VIS Mexico California IR2 IR2 24hr

18 Monitoreo de incendios por satélite Geoestacionario 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

19 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-Estratos DIA: producto Reflectividad

20 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 um note the different scales: 3.9 um from 0-4 10.7 um from 0-200

21 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 um note the different scales: 3.9 um from 0-4 10.7 um from 0-200

22 Sub pixel response R λ = R λ cloud * % area cloud + R λ ground * % area ground Similarly for fires: R λ = R λ fire * % area fire + R λ ground * % area ground GOES 3.9 um Channel Tutorial

23 REVISION: NOCHE: Producto Niebla-Estratos Sustrae la temperatura, pixel por pixel, de las imágenes de: 10.7  m - 3.9  m El resultado es un número negativo Cuando la temperatura de 3.9 um es más alta

24 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

25 NOCHE: Producto Niebla-Estrato Los pixeles con incendios son más oscuros que el fondo en 80 unidades de brillo

26 Observaciones: 1 unidad de brillo = 0.1 Kelvin 80 unidades de brillo = 8 K La diferencia de temperatura entre pixeles sin incendios: La diferencia de temperatura entre pixeles sin incendios: 3 K Cuando la diferencia entre pixeles es de 4-6 K: los incendios no pueden ser detectados con certeza.

27 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

28 Producto Reflectividad

29 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 km Weaver, 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

30 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.

31 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

32 Ejemplo de un Algoritmo de Umbral Fijo por Arino y colab. (1993) 1.BT 3.9 > 320 K (para identificar incendios probables) 2.BT 3.9 – BT 10.7 > 15 K 3.BT 10.7 > 245 K (para prevenir falsas alarmas debido a nubes reflectivas)

33 GOES-8 3.9 micrones

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

35 Producto GOES-8 : T3.9 – T10.7 Las regiones azules representan pixeles con: T3.9 – T10.7 > 15 K

36 Producto resultante de umbral de incendios Azul representa pixeles con incendios

37 Problemas Muy caliente, el terreno seco se detecta como incendio. No detecta incendios nocturnos que están mas fríos que 320 K

38 Ejemplo de un Algoritmo Contextual por Justice y colab. (1996) 1.BT 3.9 > 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 BT 3.9 -BT 10.7, 5 K) Pixel con incendio: if BT 3.9 -BT 10.7 > mean BT 3.9 -BT 10.7 + DT and BT 10.7 > mean BT 10.7

39 Producto de Incendio de Justice Los puntos azules representan incendios detectados

40 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 m á s frio de 316 K

41 GOES- 8 Producto Reflectividad

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

43 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

44

45 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

46 References/links GOES Fire Detection – VISITview session http://www.cira.colostate.edu/ramm/visit/detection.html see reference/links at the bottom of their page Fire Products for Central America http://www.cira.colostate.edu/ramm/sica/main.html Wildfire ABBA http://cimss.ssec.wisc.edu/goes/burn/wfabba.html CIRA GOES 3.9 um Channel Tutorial http://www.cira.colostate.edu/ramm/goes39/cover.htm Storm Prediction Center – 1 and 2 day fire outlooks http://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