The California Interagency Wildfire Severity (CaliWiSe) Database
收藏资源简介：
OVERVIEW This dataset contains multi-band raster images representing burn severity and spectral response across wildfire perimeters in California. Each image corresponds to a unique fire event and includes several bands including burn severity, moisture, and vegetation indices. The data were generated using Google Earth Engine, primarily from Landsat 4–8 Surface Reflectance Tier 1 collections data. All images are scaled and exported as float-encoded multi-band GeoTIFFs. AUTHORSMitchell J. Hung & A. Park Williams For questions or issues, please contact:Mitchell J. Hung (mjhung@stanford.edu) SOURCE WILDFIRE POLYGONSMTBS and CALFIRE FRAP perimeters, 1985–2024. FILE STRUCTURE / DIRECTORY GUIDE Each year’s data are organized into compressed archives corresponding to the source fire perimeter database: ├── calfire_YYYY.zip → CAL FIRE FRAP wildfire perimeters for year YYYY├── mtbs_YYYY.zip → California MTBS wildfire perimeters for year YYYY├── band_info.csv → Band names and scale factors for all exported layers├── README.md → Dataset documentation Each .zip archive contains one GeoTIFF per fire event within that year’s source dataset: DATASET CONTENTSEach exported .tif file contains the following bands: CBI - Composite Burn Index (bias-corrected model output) [scale: 100]dnbr - Delta Normalized Burn Ratio [scale: 1000]rbr - Relativized Burn Ratio [scale: 1000]rdnbr - Relativized Delta Normalized Burn Ratio [scale: 1000]dndvi - Delta Normalized Difference Vegetation Index [scale: 1000]devi - Delta Enhanced Vegetation Index [scale: 1000]dndmi - Delta Normalized Difference Moisture Index [scale: 1000]dmirbi - Delta Mid-Infrared Bi-Spectral Index [scale: 1000]post_nbr - Post-fire Normalized Burn Ratio [scale: 1]post_mirbi - Post-fire Mid-Infrared Bi-Spectral Index [scale: 1000] Note: To retrieve original float values, divide by the appropriate scale factor. DATA DESCRIPTION Composite Burn Index (CBI)Estimated using a Random Forest regression model (Parks et al. 2019). Pixel MaskingThe Landsat QA_PIXEL band and Hansen Global Forest Change water mask were used to remove pixels obscured by:- Cloud- Cloud shadow- Water- Snow Spectral IndicesCollections: Landsat 4, 5, 7, and 8 (Surface Reflectance Tier 1) Formulas:NDVI = (NIR - RED) / (NIR + RED)NBR = (NIR - SWIR2) / (NIR + SWIR2)RBR = (SWIR1 - RED) / (SWIR1 + RED)NDMI = (NIR - SWIR1) / (NIR + SWIR1)EVI = 2.5 * ((NIR - RED) / (NIR + 6RED - 7.5BLUE + 1))MIRBI = (SWIR1 - SWIR2) / (SWIR1 + SWIR2) Temporal definitions:Pre-fire = Mean fire season value for the year prior to the fire.If flagged (cloud/shadow/water), the second year prior was used.Post-fire = Mean fire season value for the year following the fire.If flagged, the second year following was used.Delta = Post-fire minus Pre-fire. EXPORT DETAILS Projection : EPSG:4326Pixel resolution : 30 metersRegion : Fire perimeter bounding boxesFormat : GeoTIFFData type : Float32Date range : 1985–2024 REFERENCESParks, S.A.; Holsinger, L.M.; Koontz, M.J.; Collins, L.; Whitman, E.; Parisien, M.-A.; Loehman, R.A.; Barnes, J.L.;Bourdon, J.-F.; Boucher, J.; et al. (2019)."Giving Ecological Meaning to Satellite-Derived Fire Severity Metrics across North American Forests."Remote Sens. 11, 1735. https://doi.org/10.3390/rs11141735
概览 本数据集包含多波段栅格图像，用以表征美国加利福尼亚州野火周边区域的火烧烈度与光谱响应特征。每幅图像对应一次独立的野火事件，涵盖火烧烈度、湿度及植被指数等多个波段数据。 本数据集基于谷歌地球引擎（Google Earth Engine）生成，主要数据源为Landsat 4–8 地表反射率一级（Surface Reflectance Tier 1）数据集。所有图像均经过尺度转换，并以浮点编码的多波段GeoTIFF格式导出。 作者：Mitchell J. Hung 与 A. Park Williams 如有疑问或问题，请联系：Mitchell J. Hung（邮箱：mjhung@stanford.edu） 野火多边形数据源：MTBS与CALFIRE FRAP边界数据，时间范围为1985–2024年。 文件结构与目录指南 各年度数据按野火边界源数据库整理为压缩归档文件： ├── calfire_YYYY.zip → 对应YYYY年加利福尼亚州消防局FRAP野火边界数据 ├── mtbs_YYYY.zip → 对应YYYY年加利福尼亚州MTBS野火边界数据 ├── band_info.csv → 包含所有导出图层的波段名称与尺度因子 ├── README.md → 数据集说明文档 每个压缩归档文件包含该年度源数据中每一次野火事件对应的一幅GeoTIFF图像。 数据集内容 每个导出的.tif文件包含以下波段： - CBI - 复合火烧指数（Composite Burn Index，CBI）（经偏差校正的模型输出）[尺度因子：100] - dnbr - 归一化燃烧比差值（Delta Normalized Burn Ratio，dnbr）[尺度因子：1000] - rbr - 相对燃烧比（Relativized Burn Ratio，rbr）[尺度因子：1000] - rdnbr - 相对归一化燃烧比差值（Relativized Delta Normalized Burn Ratio，rdnbr）[尺度因子：1000] - dndvi - 归一化差值植被指数差值（Delta Normalized Difference Vegetation Index，dndvi）[尺度因子：1000] - devi - 增强型植被指数差值（Delta Enhanced Vegetation Index，devi）[尺度因子：1000] - dndmi - 归一化差值湿度指数差值（Delta Normalized Difference Moisture Index，dndmi）[尺度因子：1000] - dmirbi - 中红外双谱指数差值（Delta Mid-Infrared Bi-Spectral Index，dmirbi）[尺度因子：1000] - post_nbr - 火烧后归一化燃烧比（Post-fire Normalized Burn Ratio，post_nbr）[尺度因子：1] - post_mirbi - 火烧后中红外双谱指数（Post-fire Mid-Infrared Bi-Spectral Index，post_mirbi）[尺度因子：1000] 注意：如需恢复原始浮点数值，请将对应波段数值除以其尺度因子。 数据说明 ### 复合火烧指数（CBI） 基于随机森林回归模型估算（Parks等人，2019年）。 ### 像素掩膜 使用Landsat QA_PIXEL波段与Hansen全球森林变化水体掩膜，去除受以下因素影响的像素：云、云阴影、水体、积雪。 ### 光谱指数 数据源：Landsat 4、5、7、8号卫星（地表反射率一级数据集） 指数计算公式： NDVI = (近红外波段 - 红光波段) / (近红外波段 + 红光波段) NBR = (近红外波段 - 短波红外2波段) / (近红外波段 + 短波红外2波段) RBR = (短波红外1波段 - 红光波段) / (短波红外1波段 + 红光波段) NDMI = (近红外波段 - 短波红外1波段) / (近红外波段 + 短波红外1波段) EVI = 2.5 × [(近红外波段 - 红光波段) / (近红外波段 + 6×红光波段 - 7.5×蓝光波段 + 1)] MIRBI = (短波红外1波段 - 短波红外2波段) / (短波红外1波段 + 短波红外2波段) ### 时间定义 - 火烧前：火灾发生前一年的火季平均值。若该时段存在云/阴影/水体标记，则使用火灾发生前两年的火季平均值。 - 火烧后：火灾发生后一年的火季平均值。若该时段存在标记，则使用火灾发生后两年的火季平均值。 - 差值：火烧后数值减去火烧前数值。 导出细节 - 投影：EPSG:4326 - 像素分辨率：30米 - 覆盖范围：野火周边区域的边界框 - 导出格式：GeoTIFF - 数据类型：Float32 - 时间范围：1985–2024年 参考文献 Parks, S.A.等人（2019年）：《赋予北美森林卫星反演火烧烈度指标生态学意义》，《Remote Sens.》11卷，第1735页，https://doi.org/10.3390/rs11141735
