Fusion of multi-scale and multi-sensor remote sensing for fuel type classification
Natuurbranden hebben aanzienlijke sociaaleconomische en ecologische gevolgen en vormen een risico voor mensenlevens, gebouwen, ecosysteemdiensten en biodiversiteitswaarden. Gebieden met een verhoogd risico worden door klimaatverandering naar het noorden geduwd, hetgeen leidt tot een bijkomende blootstelling van maximaal 15 miljoen Europeanen. Geïntegreerde risicobeoordelingssystemen voor natuurbranden ontbreken echter nog steeds in veel geïndustrialiseerde landen. Dit project beoogt om deze kloof te dichten door zich te richten op het nauwkeurig in kaart brengen van soorten natuurbrandstoffen (wildland fuel types) in België met behulp van diverse remote sensing-technieken, waarbij gebruik wordt gemaakt van de lange ervaring die is opgedaan met vergelijkbare ecosystemen in Griekenland. Brandstoffen en hun status (in termen van structuur, vegetatiesamenstelling, veroudering en watergehalte) zijn een vereiste voor elk natuurbrandrisicobeoordelingskader, aangezien ze de biomassa vertegenwoordigen die beschikbaar is voor verbranding onder bepaalde meteorologische omstandigheden. Traditioneel worden brandstofsoorten geschat door middel van tijdrovende veldobservaties, maar recente ontwikkelingen in satelliet-remote sensing en dronetechnologie in combinatie met multi-scale deep learning bieden nieuwe kansen. Met name het ontwerp en de implementatie van nieuwe methodologieën voor het in kaart brengen van brandstoftypen op basis van de fusie van 3D-puntenwolken en spectrale gegevens afkomstig van drones - een relatief onontgonnen onderzoeksgebied - biedt een groot potentieel.
Dit project is specifiek gericht op het benutten van de fusie en harmonisatie van multi-schaal remote sensing (inclusief satelliet, lucht, mobiel en drones), samen met een multi-sensor (LiDAR, multispectraal en RGB) benadering. De hypothese is dat deze fusie in combinatie met nieuwe, multi-schaal deep learning algoritmen de nauwkeurige kartering van brandstoffen kan ondersteunen. Hoewel UAV- en mobiele platforms gegevens kunnen verzamelen met een zeer hoge ruimtelijke resolutie, zijn ze beperkt in ruimtelijke dekking. De multi-schaal analyse die zal worden uitgevoerd, zal informatie verschaffen over de capaciteit van het extrapoleren van regio- en tijdsspecifieke gegevens naar uitgebreide gebieden. In deze context zullen we satelliet multispectrale sensoren (Sentinel-2), synthetische apertuurradar (SAR) data (Sentinel-1) en satelliet LiDAR sensoren (GEDI) beschouwen als medium-resolutie databronnen. Als intermediair tussen satelliet- en korte-afstand remote sensing data, kan dit project gebruik maken van een recent verzamelde airborne LiDAR en multispectrale database die de provincie Limburg, België, bestrijkt. Drie pilotstudielocaties gelegen in wildland-urban-interface (WUI) gebieden zullen worden geïdentificeerd als geschikte gronden voor de methodologieën, gelegen in België en Griekenland. In deze gebieden zullen veldcampagnes worden uitgevoerd, waaronder (multispectrale, LiDAR en RGB) UAV-vluchten en mobiele LiDAR-missies.
De resultaten zullen worden verspreid onder de wetenschappelijke gemeenschap, beleidsmakers en landbeheerders, zodat brandstofbehandelingen en beheerpraktijken ingezet kunnen worden om blootstelling aan en de impact van natuurbranden te verminderen. Dergelijke informatie is cruciaal voor belanghebbenden om middelen effectief en efficiënt toe te wijzen en preventieve maatregelen te implementeren in gebieden met een hoog risico.
