Assessment of pre and post fire remotely sensed data products across spatial and temporal scales for prescribed fire operations in rangelands

Abstract

Prescribed fire is an effective method to control woody encroachment into sagebrush steppe, which covers 40 million hectares of the Western United States. Medium resolution remote sensing products (e.g., Landfire) are widely available but do not adequately meet the needs of rangeland prescribed fire planners and fuels managers who require fine-scale, spatial depictions of fuel type (vegetation) composition and burn severity outcomes to ensure resource conservation and effective fire treatments. We compared the accuracy of pre-fire and post-fire datasets at different spatial resolutions and assessed the tradeoffs of using the data for machine learning modeling of burn severity. Our study focused on a prescribed fire that took place in a sagebrush (Artemisia spp.) dominated watershed in Southwestern Idaho for juniper control on 6 October 2023. We found that high resolution 0.5 m WorldView-2 pre-fire fuel maps were 83.0% accurate compared to 45.1% with the 30-m Landfire product. We also found that a post-fire 0.5 m WorldView-3 modeled ash map more accurately mapped burned area (90.4% accuracy) than two Sentinel-2 derived relative differenced normalized burn ratio (76.0% accuracy) and differenced normalized burn ratio (68.7% accuracy). Finally, we predicted burn severity with machine learning models to determine the tradeoffs of each combination of pre-fire and post-fire datasets. We used datasets of fuel type, topographic variables, and derivatives of both to predict severity. Our models demonstrate that high resolution fuel maps and burn severity maps are needed to develop predictive models of burn severity, especially for differentiating low and moderate severities (73.7–75.2% accurate). When coarse resolution burn severity products were used, the models collapsed and failed to converge. High resolution burn severity and fuels datasets are required by rangeland prescribed fire planners, fuels managers, and wildland firefighters of the mountainous Western United States to better predict burn severity. High-resolution satellite imagery like WorldView-2 and WorldView-3 are well suited to this task, and when paired with topographic datasets, can accurately predict burn severity across diverse topography. Las quemas prescriptas representan un método efectivo para controlar la invasión de leñosas en la estepa de Artemisia, la cual cubre 40 millones de ha en el oeste de los EEUU. Los productos de sensores remotos de resolución media (i. e. Landfire) están ampliamente disponibles, aunque no cumplen adecuadamente con las necesidades de los gestores/planificadores de quemas prescriptas en pastizales y de los manejadores de combustibles vegetales que requieren de caracterizaciones de los tipos de combustibles (vegetación) a escala fina, y conocer los resultados de la severidad de las quemas para asegurar la conservación de los recursos y que el tratamiento de quemas sea efectivo. Comparamos la exactitud de conjunto de datos previos y posteriores a quemas prescriptas a diferentes resoluciones espaciales y determinamos las compensaciones relativas en cuanto al uso de datos usando el modelado del aprendizaje automático, sobre la severidad de las quemas. Nuestro estudio se enfocó en una quema prescripta para el control de junípero, que tuvo lugar el 6 de octubre de 2023 en una planicie baja dominada por artemisia (Artemisia spp.), en el sudoeste de Idaho. Encontramos que una resolución alta (de 0,5 m tomada de un mapa de combustibles en el pre-fuego WorldView-2 WS) tuvo un 83,0% de precisión comparada con un 45,1% del obtenido mediante una resolución de 30 m producida por el Landfire. Encontramos también que el mapa WorldView-3 que modelaba las cenizas en el post fuego tuvo un 90,4% de exactitud, comparado con 2 mediciones basadas en el índice de quema relativa normalizado, mediante Sentinel-2 (76,0% de exactitud) y mediante la diferencia de la relación de quemas (68,7% de exactitud). Finalmente, predijimos la severidad de la quema con modelos de aprendizaje automático para determinar las interrelaciones entre cada combinación entre conjuntos de datos previos y posteriores a los tratamientos de quemas. Usamos conjuntos de datos de tipos de combustibles, variables topográficas, y derivados de ambos para predecir la severidad de la quema. Nuestros modelos demostraron que los mapas de combustibles de alta resolución y mapas de severidad son necesarios para desarrollar modelos predictivos de la severidad de las quemas, especialmente para diferenciar severidades bajas y moderadas (73,7 y 75,2% de exactitud). Cuando se usan productos que determinan severidades de quemas a resoluciones más amplias, esos modelos colapsan y fallan en su convergencia con los más precisos. Las bases de datos de alta resolución sobre severidad de las quemas y de combustibles son altamente requeridos por quienes planean quemas prescriptas, por manejadores de combustibles, y por brigadistas contra incendios en la región montañosa del oeste de los EEUU, para poder predecir mejor la severidad de las quemas prescriptas. Las imágenes provistas por satélites de alta resolución como los WorldView-2 y -3 están bien preparados para esta tarea, y cuando están apareados con bases de datos topográficas, pueden predecir de manera precisa la severidad de una quema a través de diversas topografías.