Google Earth Engine（GEE）——美国西部的植被干燥度5天的时间分辨率和250米的空间分辨率

美国西部的植被干燥度

该数据集显示了美国西部植被的干燥或潮湿程度。该数据集以15天的时间分辨率和250米的空间分辨率提供。它跨越了2016年4月至今。

地图中包含的变量是活体燃料水分含量。它被定义为每单位质量的活体生物量中的水的质量（以百分比数量表示）。例如，如果一个像素值=150，这意味着该像素中的植被每1公斤活生物质就有1.5公斤的水。活体燃料的含水量是通过使用Sentinel-1 C波段后向散射、Landsat-8光学反射率和其他各种地表特征（如树冠高度、土壤质地等）训练的深度学习模型来估计的。

由于燃料可燃性和点火潜力的不确定性，评估野火风险存在若干挑战。活体燃料含水量（LFMC）--植被中每单位干生物量的水的质量--对燃料的可燃性、燃料的可用性和火灾的蔓延产生直接控制，因此是评估野火风险的一个重要参数。目前从光学遥感或气象指数对LFMC的估计不足以在景观尺度上准确地绘制LFMC。在这项研究中，我们提出了一个物理学辅助的循环神经网络模型，该模型利用微波后向散射（来自Sentinel-1）和光学反射（来自Landsat-8）在美国西部每15天以250米的分辨率绘制LFMC。该模型是通过添加代表辐射传输过程和相关参数的手工输入来进行物理辅助的。来自国家燃料水分数据库的现场数据被用来训练深度学习模型。在125个地点进行交叉验证时，该模型的总体预测能力令人满意，R2=0.63，RMSE=25.0%，偏差=1.9%。与站点异常值（R2=0.55，RMSE=21.3%）相比，该模型在预测站点平均值（R2=0.71，RMSE=14.3%）方面有很大优势。在测试的6种土地覆盖类型中，该模型在预测灌木丛中的LFMC时最为准确（R2=0.69），而封闭的落叶阔叶场地的准确性最低（R2=0.49）。将微波背向散射作为模型的输入，明显提高了性能（R2从0.44增加到0.63，RMSE从31.8%减少到25.0%）。因此，微波后向散射为LFMC制图提供了光学遥感指标的补充信息来源。这里介绍的高分辨率动态LFMC地图可能有助于改善野火风险的特征，也有可能应用于大尺度的植物干旱压力的量化。

文章引用：

Rao, K., Williams, A.P., Flefil, J.F. & Konings, A.G. (2020). SAR-enhanced mapping
of live fuel moisture content. Remote Sensing of Environment, 245, 111797.
DOI: 10.1016/j.rse.2020.111797

Read the paper here

Earth Engine Snippet¶

Asset Link

var asset_name = ee.ImageCollection("users/kkraoj/lfm-mapper/lfmc_col_25_may_2021")

Sample Code

This script imports and visualizes average vegetation dryness for 2019, go to script

var start_date = '2019-01-01';
var end_date =  '2019-12-31';
// Import LFMC collection
var collection = ee.ImageCollection('users/kkraoj/lfm-mapper/lfmc_col_25_may_2021')
  .filterDate(start_date,end_date)
var image = collection.mean(); //calculate mean for the selected date range
var palette_lfmc = ['#703103','#945629','#ce7e45', '#df923d', '#f1b555', '#fcd163', '#99b718',
          '#74a901', '#66a000', '#529400', '#3e8601', '#207401', '#056201',
          '#004c00', '#023b01', '#012e01'
          , '#011d01', '#011301'];
Map.addLayer(image, {min: [50], max: [200], palette: palette_lfmc, opacity: 0.95}, 'LFMC mean');
Map.setCenter(-113.03, 38, 5);

Earth Engine App Live Fuel Moisture

Earth Engine App Code https://code.earthengine.google.com/e6b336fa58124f4f8cda2b3be76d156f

The scripts supporting the analysis can be found at GitHub - kkraoj/lfmc_from_sar: Map live fuel moisture using remote sensing and deep learning

License Information¶

CC BY-NC-ND 4.0 Under which you can copy and redistribute the material in any medium or format.

Created and Curated by: KrishnaRao, A. ParkWilliams, Jacqueline Fortin Flefil, Alexandra G.Konings

Keywords: vegetation, dryness, drought, wildfire, USA, live fuel moisture content

Last updated: 2021-06-29