CN105740642B - 基于多源遥感数据的modis卫星火点准确性判别方法 - Google Patents

基于多源遥感数据的modis卫星火点准确性判别方法 Download PDF

Info

Publication number
CN105740642B
CN105740642B CN201610144179.7A CN201610144179A CN105740642B CN 105740642 B CN105740642 B CN 105740642B CN 201610144179 A CN201610144179 A CN 201610144179A CN 105740642 B CN105740642 B CN 105740642B
Authority
CN
China
Prior art keywords
fire
factor
data
modis
fire point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610144179.7A
Other languages
English (en)
Other versions
CN105740642A (zh
Inventor
陈孝明
李陶
阮羚
张校志
黄俊杰
陈志国
方圆
吴文豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Wuhan University WHU
Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Wuhan University WHU
Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Wuhan University WHU, Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201610144179.7A priority Critical patent/CN105740642B/zh
Publication of CN105740642A publication Critical patent/CN105740642A/zh
Application granted granted Critical
Publication of CN105740642B publication Critical patent/CN105740642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于多源遥感数据的MODIS卫星火点准确性判别方法，综合MODIS遥感数据、气象数据、地表覆盖分类数据、高程数据、坡度数据、历史火点分布数据等数据对识别出的火点加以进一步的可信度验证，提高了遥感火点识别的准确性。经验证后可信度较高的火点将加入历史火点分布数据，从而不断更新历史火点分布数据，更新影响因子的客观权重，提高验证结果的准确性。

Description

基于多源遥感数据的MODIS卫星火点准确性判别方法
技术领域
本发明属于卫星遥感应用领域，具体涉及多源遥感数据在 MODIS卫星火点识别分析的应用。
背景技术
火点在红外光谱波段会引起异常高温，导致在影像上火点区域与周围像素有明显反差，遥感技术利用这个特点进行火点识别。早期用于火点识别的卫星平台如GOES和NOAA空间分辨率较低，美国的陆地卫星、法国的SPOT卫星等中分辨率数据动态监测能力低成本高，中分辨率成像光谱仪(MODIS)具有36个波段，电磁波谱范围为0.4-14μm，空间分辨率为250m，覆盖了从可见光到远红外波段的范围，对地表高温灵敏度高，对火点识别效果较好。
传统的MODIS火点识别采用固定阈值法，即对校正影像的部分波段信息进行地面温度反演，然后结合背景像元的平均值、方差等信息设定阈值，通过固定阈值识别火点。有时为了避免误判，阈值设置较大，但是会遗漏部分小火点。传统火点识别方法并未考虑背景环境信息，同一温度火点在背景温度较低的影像中表现明显，在背景温度较高的影像中难以识别，在植被、水体覆盖较多的区域火点识别也易受背景环境影响。因此，传统MODIS火点识别算法很容易造成误判、漏判。
发明内容
针对现有MODIS火点识别方法中存在较多的误判概率，本发明提出一种基于多源遥感数据的MODIS卫星火点准确性判别方法，通过在MOIDS火点识别中引入MODIS干旱指数、土地覆盖分类信息、气象数据、历史火点数据等数据，评估识别火点的准确性并筛选识别结果，提高识别准确性。
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于多源遥感数据的MODIS卫星火点准确性判别方法，其特征在于，包括以下步骤：
步骤1：利用经典MODISV4火点识别算法，通过MODIS数据识别出实时火点；
步骤2：获取火点识别区域该时段内MODIS数据，计算出火点覆盖范围的MODIS干旱影响因子；
步骤3：获取火点识别区域该时间段内降水量数据，插值出火点覆盖范围的降水影响因子；
步骤4：通过全球30米地表覆盖(GlobeLand30)分类数据，提取出火点覆盖范围的地表覆盖分类结果，计算火点位置的地表植被影响因子；
步骤5：获取火点识别区域的高程(DEM)、坡度数据山火影响因子；
步骤6：通过火点识别区域的历史火点分布，利用主观赋权法—熵值法求出步骤2得到的MODIS干旱影响因子、步骤3得到的降水影响因子、步骤4得到的地表植被影响因子以及步骤5得到的山火影响因子对应的权重；
步骤7：综合火点覆盖范围的各影响因子与相对应的权重，加权计算出该范围内山火风险分布图，对火点位置区域进行山火风险评估，并以此为基础验证步骤1识别出的实时火点的准确性。
如上所述的方法，所述步骤2包括以下步骤：
步骤2.1：根据火点识别区域该时段内MODIS数据，计算归一化植被指数NDVI；
步骤2.2：根据火点识别区域该时段内MODIS数据，计算陆地表面温度LST；
步骤2.3：利用归一化植被指数NDVI和陆地表面温度LST构建 NDVI-TS特征空间，得到温度植被旱情指数(TVDI)模型，计算不同时间不同气候区各像元的TVDI；
步骤2.4：依据专家打分法，将TVDI重新分为5级，得出MODIS 干旱影响因子。
如上所述的方法，所述步骤4包括以下步骤：
步骤4.1：提取火点周围1公里内区域的地表覆盖分类数据；
步骤4.2：将地表覆盖分类数据重新分类为植被和非植被两类；
步骤4.3：计算所述步骤4.1中区域的植被覆盖面积百分比，即为地表植被影响因子，计算公式如下：
其中，P为所述区域的植被覆盖面积百分比，PF为所述区域的植被覆盖面积，PL为所述区域总面积。
如上所述的方法，所述步骤6进一步包括下述步骤：
步骤6.1：计算在某一个影响因子各范围值区域内的历史火点个数ai，其中i＝1，2，…，m，m表示影响因子二级因子的个数。
步骤6.2：通过统计各因素每段的历史火点个数并进行归一化后，将归一化的值作为求各因素信息熵的指标；
步骤6.3：按照熵值法求出每个影响因子权重熵值，并计算每个影响因子的客观权重，权重熵值Ei计算公式为：
其中，Ii为所述影响因子第i个二级因子的归一化值，n是影响因子的个数，对于第i个因子来说，e是一个常数，取值为1/lnm，m 为该因子的二级因子的个数；
每个影响因子的客观权重由下式计算得出：
其中，n是影响因子的个数；
步骤6.4：通过主观定权重的方法来确定地表植被影响因子的权重。
本发明在MODIS火点检测算法识别火点的基础上，综合MODIS 遥感数据、气象数据、地表覆盖分类数据、高程数据、坡度数据、历史火点分布数据等数据对识别出的火点加以进一步的可信度验证，提高了遥感火点识别的准确性。经验证后可信度较高的火点将加入历史火点分布数据，从而不断更新历史火点分布数据，更新影响因子的客观权重，提高验证结果的可靠性。
附图说明
图1为本发明所涉及的山火风险评估的流程图；
图2为本发明所涉及的MODIS干旱指数计算流程图；
图3为本发明所涉及的地表温度反演流程图；
图4为本发明所涉及的熵值法求权重流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种基于多源遥感数据的MODIS卫星火点准确性判别方法，对中国湖北火点识别结果进行准确性验证。参见图1，本发明实施例具体包括以下步骤：
步骤1：利用经典V4火点识别算法，通过MODIS数据识别出实时火点。
基于亮温阈值法识别火点像素并计算其空间位置。选择MODIS 数据21通道和31通道作为主要数据，T4为21通道亮温值，T41为 21和31通道亮温值，结合背景像元平均值、方差等信息检测火点，识别的阈值和逻辑条件为：
T4＞360k(夜间为330k) (1)
T4＞320k(夜间为315k) (2)
T41＞20k(夜间为20k) (3)
T4＞T4b+4×ΔT4b (4)
T41＞T41b+4×ΔT41b (5)
上式中T4b和ΔT4b是T4的均值和方差，T41b和ΔT41b是T41的均值和方差，其中若式(1)为真或者式(2)、(3)为真或者式(4)、(5) 为真则可初步判定为火点。
步骤2：通过步骤1识别出的火点识别区域时间段内MODIS数据计算出MODIS干旱影响因子。
如图2所示，所述步骤2进一步包括下述步骤：
步骤2.1：根据火点识别区域该时段内MODIS数据，计算归一化植被指数NDVI：
植被指数作为一种遥感手段广泛应用于土地利用覆盖探测、植被覆盖密度评价、作物识别和作物预报等方面。归一化植被指数NDVI 是迄今为止应用最广的一个植被指数。很多卫星遥感数据都提供了计算这个指数所需的通道信息，以MODIS为例，计算公式为：
NDVI＝(p2-p1)/(p2+ρ1) (6)
其中，ρ1为第一波段(红波段)的反射率，ρ2是第二波段(近红外波段)的反射率。
步骤2.2：根据火点识别区域该时段内MODIS数据，计算陆地表面温度LST：
地表温度(LST)采用覃志豪等人提出的适用于MODIS数据的地表温度反演算法，计算过程需要三个主要参数：热红外波段的亮度温度，大气透过率和地表的发射率，三个基本参数都可以从MODIS数据中反演得到，该算法具体地表温度反演流程如图3所示：
步骤2.3：根据火点识别区域该时段内MODIS数据，计算TVDI
利用归一化植被指数NDVI和陆地表面温度LST构建NDVI-TS 特征空间，得到温度植被旱情指数(TVDI)模型，计算不同时间不同气候区各像元的TVDI，其公式如下：
其中，TVDI为某像元的植被旱情指数，LST为该像元的地表面温度，为该像元的NDVI值对应的最大的LST值，
为该像元的NDVI值对应的最小LST值。
步骤2.4：依据专家打分法将TVDI重新分为5级，如表1所示：
表1
重新分级后得出MODIS干旱影响因子。
步骤3：根据湖北省气象监测站气象监测数据，获取火点识别区域该时间段内降水量数据，并插值出该区域内降水分布作为降水影响因子。
步骤4：通过全球30米地表覆盖(GlobeLand30)分类数据，提取出火点覆盖范围的地表覆盖分类结果，计算火点位置的地表植被影响因子。所述步骤4进一步包括下述步骤：
步骤4.1：提取火点周围1公里内区域的地表覆盖分类数据；
步骤4.2：将地表覆盖分类数据重新分类为林地和非林地两类；
需要说明的是，所述步骤4.2中全球30米地表覆盖(GlobeLand30) 分类数据由国家基础地理信息中心提供，将地表覆盖分为耕地、森林、草地、灌木、湿地、水体、苔原、人造地表、裸地、冰川和永久积雪等10种类型。所述步骤4.2重分类时将森林、灌木、草地重新分类为植被，将其余类型重新分类为非植被。
步骤4.3：计算所述步骤4.1中区域的植被覆盖面积百分比，计算公式如下：
其中，P为所述区域的植被覆盖面积百分比，PF为所述区域的植被覆盖面积，PL为所述区域总面积。
计算出的植被覆盖面积百分比即为地表植被影响因子。
步骤5：获取火点识别区域的高程(DEM)、坡度数据等山火影响因子：将DEM和坡度分段以后即得到DEM、坡度的山火影响因子。
步骤6：通过火点识别区域的历史火点分布，使用客观赋权法——熵值法来确定一级因子的权重，由各因素的权重所组成的集合 A＝{a1，a2，…，a10}，A称为权重集，流程图如图4所示，求出各影响因子对应的权重。所述步骤6进一步包括下述步骤：
步骤6.1计算在某一个影响因子各范围值区域内的历史火点个数ai，其中i＝1，2，…，m，m表示影响因子二级因子的个数。
需要说明的是，所述步骤6.1中影响因子二级因子为该影响因子的分级因子，如将降水量分为≤24.5、24.6～52.9、≥53.0三级，降水量因子的二级因子个数为3。
步骤6.2通过统计各因素每段的历史火点个数并进行归一化后，能将归一化的值作为求各因素信息熵的指标。
需要说明的是，对某一影响因子进行归一化计算公式为：
其中，Ii为所述影响因子第i个二级因子的归一化值。
表2为本实例中山火影响因子归一化值统计表。
步骤6.3按照熵值法求出每个影响因子权重熵值，并计算每个影响因子的客观权重。
需要说明的是，权重熵值计算公式为：
其中，n是影响因子的个数，对于第i个因子来说，e是一个常数，取值为1/lnm，m为该因子的二级因子的个数。
需要说明的是，每个影响因子的客观权重可以由下式计算得出：
其中，n是影响因子的个数。
表3为本实例中根据熵值法所得的山火影响因子客观权重
步骤6.4通过主观定权重的方法来确定地表植被影响因子的权重。主观定权对植被影响因子定权，客观赋权法将其余因子的权分配到坡度、DEM、遥感干旱因子、降雨量等山火风险因子上。
由于植被分布的数据只在火点周围1公里的范围内，无法采用上述方法来求权重，因此考虑通过主观定权重的方式来确定，根据专家意见最终将植被分布因子的权重a定为0.4～0.6，其余因子1-a权重按照上表的比例来进行分配。不同a值及对应的其他因子的权重如表 4所示。
表4
经过实验表明，本实例中按照植被因子权重0.6，坡度因子权重 0.06，DEM高程因子权重0.19，遥感干旱因子0.07，降雨量因子0.08 分配权重时与历史火点相关度最高，因此采用上述结果分配权重。
步骤7：对影响因子各分段进行赋值，1表示该因子对山火风险性影响最低，4表示对山火风险性影响最高。对以上的山火各影响因素赋值进行汇总然后对各个影响因子进行平均加权(分值×权重)，公式如下：
其中ki和ai分别表示第i个影响因子在该位置被赋予的风险值与该影响因子的权重。火险评估综合得分X的取值范围为[1,4]，如表5 所示，1代表低火险等级，4代表可能山火概率较高。根据X的大小，结合获得该输电线路走廊区域的火险等级以及火险等级因子a的数值，即得到了该输电线路走廊未来一段时间内的火险等级。
表5
综合得分X范围 风险等级 火险等级因子a
1≤X≤1.5 低风险I 1
1.5＜X≤2.5 中等风险II 2
2.5＜X≤3.5 较高风险III 3
3.5≤X≤4 高风险IV 4
以此来验证MODIS识别火点的准确性，根据火点落在不同山火风险的区域，来提高或降低其可信度，并将低可信度的火点作为假火点剔除，进而提高火点识别结果的准确性。

Claims (2)

1.一种基于多源遥感数据的MODIS卫星火点准确性判别方法，其特征在于，包括以下步骤：
步骤1：利用经典MODISV4火点识别算法，通过MODIS数据识别出实时火点；
步骤2：获取火点识别区域该时段内MODIS数据，计算出火点覆盖范围的MODIS干旱影响因子；
步骤3：获取火点识别区域该时间段内降水量数据，插值出火点覆盖范围的降水影响因子；
步骤4：通过全球30米地表覆盖GlobeLand30分类数据，提取出火点覆盖范围的地表覆盖分类数据，计算火点位置的地表植被影响因子；
步骤5：获取火点识别区域的高程DEM、坡度数据山火影响因子；
步骤6：通过火点识别区域的历史火点分布，利用熵值法求出步骤2得到的MODIS干旱影响因子、步骤3得到的降水影响因子以及步骤5得到的山火影响因子对应的权重，利用主观赋权法求出步骤4得到的地表植被影响因子的权重；
步骤7：综合火点覆盖范围的各影响因子与相对应的权重，加权计算出该范围内山火风险分布图，对火点位置区域进行山火风险评估，并以此为基础验证步骤1识别出的实时火点的准确性，根据火点落在不同山火风险的区域，来提高或降低其可信度，并将低可信度的火点作为假火点剔除；
所述步骤2包括以下步骤：
步骤2.1：根据火点识别区域该时段内MODIS数据，计算归一化植被指数NDVI；
步骤2.2：根据火点识别区域该时段内MODIS数据，计算陆地表面温度LST；
步骤2.3：利用归一化植被指数NDVI和陆地表面温度LST构建NDVI-TS特征空间，得到温度植被旱情指数TVDI模型，计算不同时间不同气候区各像元的TVDI，其公式如下：
其中，TVDI为某像元的温度植被旱情指数，LST为该像元的陆地表面温度，为该像元的NDVI值对应的最大的LST值，为该像元的NDVI值对应的最小LST值；
步骤2.4：依据专家打分法，将TVDI重新分为5级，得出MODIS干旱影响因子；
所述步骤4包括以下步骤：
步骤4.1：提取火点周围1公里内区域的地表覆盖分类数据；
步骤4.2：将地表覆盖分类数据重新分类为植被和非植被两类；
步骤4.3：计算所述步骤4.1中区域的植被覆盖面积百分比，即为地表植被影响因子，计算公式如下：
其中，P为所述区域的植被覆盖面积百分比，PF为所述区域的植被覆盖面积，PL为所述区域总面积。
2.根据权利要求1所述的多源遥感数据的MODIS卫星火点准确性判别方法，其特征在于，所述步骤6进一步包括下述步骤：
步骤6.1：计算在某一个影响因子各范围值区域内的历史火点个数aj，其中j＝1，2，…，m，m表示影响因子的二级因子的个数；
步骤6.2：通过统计各因素每段的历史火点个数并进行归一化后，将归一化的值作为求各因素信息熵的指标；
步骤6.3：按照熵值法求出MODIS干旱影响因子、降水影响因子、山火影响因子的权重熵值，并计算MODIS干旱影响因子、降水影响因子、山火影响因子的客观权重，权重熵值Eh计算公式为：
其中，Ihj为所述影响因子第j个二级因子的归一化值，n是影响因子的个数，对于第h个因子来说，e是一个常数，取值为1/lnm，m为该因子的二级因子的个数；
MODIS干旱影响因子、降水影响因子、山火影响因子的客观权重由下式计算得出：
其中，n是影响因子的个数；
步骤6.4：通过主观赋权法来确定地表植被影响因子的权重。
CN201610144179.7A 2016-03-14 2016-03-14 基于多源遥感数据的modis卫星火点准确性判别方法 Active CN105740642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610144179.7A CN105740642B (zh) 2016-03-14 2016-03-14 基于多源遥感数据的modis卫星火点准确性判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610144179.7A CN105740642B (zh) 2016-03-14 2016-03-14 基于多源遥感数据的modis卫星火点准确性判别方法

Publications (2)

Publication Number Publication Date
CN105740642A CN105740642A (zh) 2016-07-06
CN105740642B true CN105740642B (zh) 2018-11-13

Family

ID=56250483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610144179.7A Active CN105740642B (zh) 2016-03-14 2016-03-14 基于多源遥感数据的modis卫星火点准确性判别方法

Country Status (1)

Country Link
CN (1) CN105740642B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106840409A (zh) * 2017-01-23 2017-06-13 北京师范大学 一种基于modis的森林火灾火点检测方法
CN109325522B (zh) * 2018-08-24 2022-06-03 中国科学院遥感与数字地球研究所 基于改进kmeans的重工业时序热源区域识别算法
CN109214341B (zh) * 2018-09-13 2022-05-10 青岛浩海网络科技股份有限公司 一种基于Himawari8的火点监测算法
CN109712237B (zh) * 2018-12-21 2023-03-31 西安恒歌数码科技有限责任公司 一种基于高程数据与气象数据的混合设色方法
CN109753936B (zh) * 2019-01-09 2020-11-24 太原师范学院 一种基于多源遥感数据的森林火灾火烧迹地提取方法
CN110414861A (zh) * 2019-08-05 2019-11-05 黄宝华 一种基于能量平衡原理的草地火险评估方法
CN111696074B (zh) * 2020-04-30 2024-04-05 中国资源卫星应用中心 一种基于高分四号的火点监测系统及应用
CN111783560A (zh) * 2020-06-12 2020-10-16 云南电网有限责任公司电力科学研究院 一种多参量融合的电网山火二次判别方法及装置
CN112102578B (zh) * 2020-09-16 2022-05-06 成都信息工程大学 森林火灾监测与预警系统、方法、存储介质、计算机设备
CN112613347B (zh) * 2020-12-03 2021-07-27 应急管理部国家自然灾害防治研究院 一种森林火灾过火范围和烧毁程度的自动识别方法
CN112837489A (zh) * 2021-01-07 2021-05-25 云南电网有限责任公司电力科学研究院 基于卫星和气象数据的浮动阈值输电线路山火监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101592524A (zh) * 2009-07-07 2009-12-02 中国科学技术大学 基于类间方差的modis森林火灾火点检测方法
CN101719298A (zh) * 2009-11-23 2010-06-02 中国科学院遥感应用研究所 森林草原火灾遥感监测预警方法
CN103455804A (zh) * 2013-09-16 2013-12-18 国家电网公司 一种基于动态阈值的输电线路山火卫星火点辨识方法
CN103994976A (zh) * 2013-11-28 2014-08-20 江苏省水利科学研究院 基于modis数据的农业旱情遥感监测方法
CN104269012A (zh) * 2014-09-28 2015-01-07 浙江大学 基于modis数据的输电线路附近山火监测方法
CN104376510A (zh) * 2014-12-05 2015-02-25 国家电网公司 一种输电线路因山火跳闸的风险等级预测评估方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101592524A (zh) * 2009-07-07 2009-12-02 中国科学技术大学 基于类间方差的modis森林火灾火点检测方法
CN101719298A (zh) * 2009-11-23 2010-06-02 中国科学院遥感应用研究所 森林草原火灾遥感监测预警方法
CN103455804A (zh) * 2013-09-16 2013-12-18 国家电网公司 一种基于动态阈值的输电线路山火卫星火点辨识方法
CN103994976A (zh) * 2013-11-28 2014-08-20 江苏省水利科学研究院 基于modis数据的农业旱情遥感监测方法
CN104269012A (zh) * 2014-09-28 2015-01-07 浙江大学 基于modis数据的输电线路附近山火监测方法
CN104376510A (zh) * 2014-12-05 2015-02-25 国家电网公司 一种输电线路因山火跳闸的风险等级预测评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多源遥感数据估测林火参数的研究;王强;《中国博士学位论文全文数据库 农业科技辑》;20121115(第11期);第D049-28页 *

Also Published As

Publication number Publication date
CN105740642A (zh) 2016-07-06

Similar Documents

Publication Publication Date Title
CN105740642B (zh) 基于多源遥感数据的modis卫星火点准确性判别方法
Skripniková et al. Radar-based hail detection
Berhan et al. Using satellite images for drought monitoring: a knowledge discovery approach
CN114004466A (zh) 一种融合多源数据的精细化森林火险评估方法
CN114325874B (zh) 一种强对流天气个例库系统的建立方法
Ezimand et al. Analyzing the effects of 2D and 3D urban structures on LST changes using remotely sensed data
CN115222296A (zh) 一种山地绿色覆盖指数动态变化遥感监测方法和系统
Jalayer et al. Assessment of spatiotemporal characteristic of droughts using in situ and remote sensing-based drought indices
CN109407177A (zh) 基于机器学习与常规气象观测的大雾识别系统和应用方法
Casellas et al. Surface precipitation phase discrimination in complex terrain
Terzago et al. Analysis of snow precipitation in 2000-09 and evaluation of a MSG/SEVIRI snow cover algorithm in SW Italian Alps
CN113866770A (zh) 一种冰雹云早期识别方法及存储介质
CN107403004B (zh) 一种基于地形数据的遥测雨量站点可疑数值检验方法
CN116882625A (zh) 一种岩溶山地乡村聚落用地空间脆弱性识别方法
Othman et al. Assessment of drought impacts on vegetation health: a case study in Kedah
Ahmed et al. Evaluate the Effect of Relative Humidity in the Atmosphere of Baghdad City urban expansion Using Remote Sensing Data
Isioye et al. Urban heat island effects and thermal comfort in Abuja Municipal Area Council of Nigeria
Miller et al. A preliminary assessment of using spatiotemporal lightning patterns for a binary classification of thunderstorm mode
Žibert et al. Monitoring and automatic detection of the cold-ring patterns atop deep convective clouds using Meteosat data
Nguyen et al. Particulate matter concentration mapping from satellite imagery
Pohl et al. A new fog and low stratus retrieval for tropical South America reveals widespread fog in lowland forests
Ibrahim et al. Climate Variability in Relation To Land Use And Land Cover (LULC) Changes In Kota Bharu, Kelantan, Malaysia
Albaqami Spatial and temporal analysis of dust storms in Saudi Arabia and associated impacts, using Geographic Information Systems and remote sensing
Kim et al. A comparative study of rain/no-rain classification results using PCT from GPM/GMI data by precipitation type
Johnston et al. Cloud trails past Bermuda: A five-year climatology from 2012 to 2016

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant