CN107067334B - 基于多源遥感数据的农田火灾和秸秆焚烧监测方法及系统 - Google Patents
基于多源遥感数据的农田火灾和秸秆焚烧监测方法及系统 Download PDFInfo
- Publication number
- CN107067334B CN107067334B CN201710265625.4A CN201710265625A CN107067334B CN 107067334 B CN107067334 B CN 107067334B CN 201710265625 A CN201710265625 A CN 201710265625A CN 107067334 B CN107067334 B CN 107067334B
- Authority
- CN
- China
- Prior art keywords
- area
- fire
- remote sensing
- data
- crop
- 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.)
- Expired - Fee Related
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 97
- 239000010902 straw Substances 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000002485 combustion reaction Methods 0.000 claims abstract description 77
- 238000009826 distribution Methods 0.000 claims abstract description 32
- 238000002310 reflectometry Methods 0.000 claims description 34
- 238000001556 precipitation Methods 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 230000007505 plaque formation Effects 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 238000007605 air drying Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于多源遥感数据的农田火灾和秸秆焚烧监测的方法及系统，其中的方法包括：根据目标区域中的作物种植区域的物候特征及气象、历史数据，分析、判断作物种植区域火灾的风险概率值；获取多个遥感传感器的遥感数据对达到风险概率值的作物种植区域进行监测；监测火点或燃烧痕迹，根据遥感传感器之间观测的时间差，综合判断火点或燃烧痕迹的斑块发生的时间、空间分布与面积信息。本发明能够对农田火灾和秸秆焚烧进行准确且可靠的监测，其获取监测结果的效率高且监测的结果精度高，同时克服了单一遥感传感器和单一监测方法的实效性和精度的局限，为控制农田火灾和秸秆焚烧提供了更加精准的数据支撑，进而为火灾精准监控提供支撑。
Description
技术领域
本发明涉及遥感技术领域，具体涉及一种基于多源遥感数据的农田火灾和秸秆焚烧监测方法及系统。
背景技术
每年的夏收和秋收季节，往往也是农田火灾和秸秆焚烧的高发季节。农田火灾往往由于气候干燥或人为意外造成的火灾，其后果是造成大量的粮食、人口与财产损失；农田火灾秸秆焚烧是造成季节性严重的大气污染的原因之一，除对大气环境造成的严重的污染，对土壤环境造成土壤板结、生物多样性下降等破坏外，秸秆焚烧也会造成严重的交通、民航、保险索赔、粮食管理等问题。为此，亟需要对农田火灾和秸秆焚烧进行有效的监管。
目前，农田火灾和秸秆焚烧监管的主要方法为成立专门的队伍进行人工、直升机或专用车等巡逻的方法，其问题是耗时、耗人力、耗财力，而且效率不高，客观性不够。多源遥感监测方法虽然具有很大的潜力，由于相关的技术方法主要集中在热红外监测方面，所以只能进行瞬时监控，并且受干扰比较大(如电焊、烧锅炉等)，所以作用有限。采用MODIS、Landsat TM等数据的多光谱的技术方法，也主要集中在森林草原火灾研究上，相关的模型与方法如果移植到农田下垫面上，受到水体、沟壑、道路等影响，提取的精度效果难以满足要求，同时Landsat TM时间分辨率比较小也是导致应用不够的主要原因之一。
因此，如何设计一种高效且可靠的农田火灾和秸秆焚烧监测方法，是亟待解决的问题。
发明内容
针对现有技术中的缺陷，本发明提供一种基于多源遥感数据的农田火灾和秸秆焚烧监测方法及系统，该方法及系统能够对农田火灾和秸秆焚烧进行准确且可靠的监测，其获取监测结果的效率高且监测的结果精度高，同时克服了单一遥感传感器和单一监测方法的实效性和精度的局限，为控制农田火灾和秸秆焚烧提供了更加精准的数据支撑，进而为火灾精准监控提供支撑。
为解决上述技术问题，本发明提供以下技术方案：
一方面，本发明提供了一种基于多源遥感数据的农田火灾和秸秆焚烧监测方法，所述方法包括：
根据目标区域中的作物种植区域的物候特征及气象、历史数据，分析、判断作物种植区域火灾的风险概率值；
获取多个遥感传感器的遥感数据对达到风险概率值的作物种植区域进行监测；
监测火点或燃烧痕迹，根据所述遥感传感器之间观测的时间差，综合判断火点或燃烧痕迹的斑块发生的时间、空间分布与面积信息。
进一步的，所述根据目标区域中的作物种植区域的物候特征及气象、历史数据，分析、判断作物种植区域火灾的风险概率值，之前还包括：
根据中分辨率成像光谱仪MODIS数据或多源遥感数据时空融合模型，以及利用S-G滤波器获取目标区域内的作物的物候信息，并根据土地利用图及多时相的遥感影像获取目标区域内的作物的分布信息；
根据所述作物的物候信息及分布信息建立目标区域的物候信息查找表，并建立作物成熟区判定模型ECROP；
以及，根据所述作物成熟区判定模型ECROP在目标区域中确定成熟期作物区域。
进一步的，所述根据目标区域中的作物种植区域的物候及气象、历史数据，获取用于判断对所述成熟期作物区域火灾的风险概率值，包括：
获取所述成熟期作物区域的历史秸秆焚烧次数、区域降水及作物种植区域的面积数据；
以及，根据所述历史秸秆焚烧次数、区域降水及面积数据，基于公式一确定成熟期作物区域发生农田火灾和秸秆焚烧的风险概率值FR：
在公式一中，Fri为当前年份的前一年的所述成熟期作物区域中农田火灾发生的次数；Frmax为所述成熟期作物区域中单年发生农田火灾的最高次数值；Vi为所述成熟期作物区域的秸秆造纸及饲料的有效利用量，单位为吨；Fi为单位面积秸秆产量，单位为吨；Si为产生秸秆的面积，单位为公顷；t0为秸秆成熟后降水停止的时间点；t为降水停止后的某时间点；m为秸秆风干的时长。
进一步的，所述获取多个遥感传感器的遥感数据对达到风险概率值的作物种植区域进行监测，包括：
若经判断获知所述风险概率值FR大于预设的风险阈值，则根据热红外反演或异常探测方法应用多个遥感传感器的数据对成熟期作物区域进行火点监测，以及，应用多个具有短波红外的遥感数据对所述成熟期作物区域进行燃烧痕迹监测；
以及，根据所述的遥感数据进行时间序列的水体信息提取，排除水体信息后，然后进行所述成熟期作物区域中存在火点或燃烧痕迹信息提取。
进一步的，所述应用多个具有短波红外的遥感数据对所述成熟期作物区域进行燃烧痕迹监测，包括：
根据公式二确定所述成熟期作物区域的第一增强燃烧痕迹指数eVBMI：
eVBMI＝[(bswir-bgreen)/(bswir+bgreen)]/(bgreen m1+bred m1+bswir m1) 公式二
在公式二中，bgreen、bred、bswir分别为绿波段反射率、红波段反射率和短波红外波段反射率；m1为经验系数；
或者，若遥感数据的波段包括可见光和近红外波段，则根据公式三确定所述成熟期作物区域的第二增强燃烧痕迹指数eBMI：
eBMI＝(bnir-bgreen)/(bnir+bgreen)+NDVI×(bgreen+bnir) 公式三
在公式三中，bnir为近红外波段反射率；bgreen为绿波段反射率；其中的NDVI＝(bnir-bred)/(bnir+bred)且bred为红波段反射率。
进一步的，所述监测火点或燃烧痕迹，根据所述遥感传感器之间观测的时间差，综合判断火点或燃烧痕迹的斑块发生的时间、空间分布与面积信息，包括：
在监测到火点或燃烧痕迹时，根据所述的多源遥感影像数据获取与火点或燃烧痕迹对应的燃烧的斑块的中心坐标；
以及，确定所述火点或燃烧痕迹的时间点。
进一步的，所述根据所述的多源遥感影像数据获取与火点或燃烧痕迹对应的燃烧的斑块的中心坐标，包括：
根据公式四获取所述多源遥感数据中的斑块的中心点的位置坐标(x,y)f：
在公式四中，xmax为斑点横坐标的最大值；xmin为斑点横坐标的最小值；ymax为斑点纵坐标的最大值；ymin为斑点纵坐标的最小值；
统计预设的阈值范围内的像元的个数。
进一步的，所述确定所述火点或燃烧痕迹的时间点，包括：
比较热红外遥感数据获取的温度热异常信息，卫星过境的时间点为tsat，则确定所述温度热异常点为火点燃烧的时间点；
以及，卫星获取当前卫星过境的时间点为th2，前一次卫星过境的时间点为th1，若从当前卫星过境的数据中提到燃烧痕迹斑块，设该斑块形成的时间点为th，则确定该斑块形成的时间点为th1＜th＜th2。
进一步的，所述监测火点或燃烧痕迹，根据所述遥感传感器之间观测的时间差，综合判断火点或燃烧痕迹的斑块发生的时间、空间分布与面积信息，还包括：
根据公式五确定所述火点或燃烧痕迹的斑块的空间分布：
A＝(A1∪A2∪A3∪...∪An) 公式五
在公式五中，选择多源遥感影像最高分辨率的数据为基准，将其它分辨率的遥感影像进行重采样，A多源遥感数据中提取的秸秆焚烧斑块信息中所包括的像素集合，A1、A2、A3….An分别为同一所述达到风险阈值的作物种植区域中秸秆焚烧留下的斑块包含像素的集合；
根据公式六确定所述火点或燃烧痕迹的斑块的面积S：
在公式六中，Si为斑块i的面积；Ni为斑块i的像元数；P为像素面积。
另一方面，本发明还提供了一种基于多源遥感数据的农田火灾和秸秆焚烧监测系统，所述系统包括：
风险概率值获取单元，用于根据目标区域中的作物种植区域的物候特征及气象、历史数据，分析、判断作物种植区域火灾的风险概率值；
多源遥感监测单元，用于获取多个遥感传感器的遥感数据对达到风险概率值的作物种植区域进行监测；
时间、空间分布与面积信息获取单元，用于监测火点或燃烧痕迹，根据所述遥感传感器之间观测的时间差，综合判断火点或燃烧痕迹的斑块发生的时间、空间分布与面积信息。
由上述技术方案可知，本发明所述的一种基于多源遥感数据的农田火灾和秸秆焚烧监测方法及系统，其中的方法包括：根据目标区域中的作物种植区域的物候特征及气象、历史数据，分析、判断作物种植区域火灾的风险概率值，获取多个遥感传感器的遥感数据对达到风险概率值的作物种植区域进行监测；监测火点或燃烧痕迹，根据遥感传感器之间观测的时间差，综合判断火点或燃烧痕迹的斑块发生的时间、空间分布与面积信息；能够对农田火灾和秸秆焚烧进行准确且可靠的监测，其获取监测结果的效率高且监测的结果精度高，同时克服了单一遥感传感器和单一监测方法的实效性和精度的局限，为控制农田火灾和秸秆焚烧提供了更加精准的数据支撑，进而为火灾精准监控提供支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种基于多源遥感数据的农田火灾和秸秆焚烧监测方法的流程示意图。
图2是本发明的监测方法中步骤100之前步骤的流程示意图。
图3是本发明的监测方法中步骤100的流程示意图。
图4是本发明的监测方法中步骤200的流程示意图。
图5是本发明的监测方法中步骤300的流程示意图。
图6是本发明的监测方法中步骤301的流程示意图。
图7是本发明的监测方法中步骤302的流程示意图。
图8是本发明的监测方法中步骤400的流程示意图。
图9是本发明的基于多源遥感数据的农田火灾和秸秆焚烧监测方法的应用实例的流程示意图。
图10是本发明的一种基于多源遥感数据的农田火灾和秸秆焚烧监测系统的流程示意图。
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、完整的描述，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作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。
本发明的实施例一公开了一种基于多源遥感数据的农田火灾和秸秆焚烧监测方法的一种具体实施方式，参见图1，所述监测方法具体包括如下内容：
步骤100：根据目标区域中的作物种植区域的物候特征及气象、历史数据，分析、判断作物种植区域火灾的风险概率值。
在步骤100中，首先确定要进行监测的农田区域为目标区域，然后在目标区域中确定成熟期作物区域，再根据目标区域中的成熟期作物区域的环境及历史数据，其中的环境及历史数据包括但不限于历史秸秆焚烧次数、区域降水及面积数据，并根据历史秸秆焚烧次数、区域降水及面积数据等数据确定用于判断是否对所述成熟期作物区域进行监测的风险概率值。
步骤200：获取多个遥感传感器的遥感数据对达到风险概率值的作物种植区域进行监测。
在步骤200中，若经判断获知所述风险概率值大于预设的风险阈值，则根据热红外反演或异常探测方法控制多个传感器对所述成熟期作物区域进行火点监测，并控制多个设有短波红外器件的传感器对所述成熟期作物区域进行燃烧痕迹监测。
步骤300：监测火点或燃烧痕迹，根据所述遥感传感器之间观测的时间差，综合判断火点或燃烧痕迹的斑块发生的时间、空间分布与面积信息。
在步骤300中，在监测到火点或燃烧痕迹时，根据所述传感器采集的多源遥感影响数据获取与火点或燃烧痕迹对应的燃烧的斑块的中心坐标并确定所述火点或燃烧痕迹的时间点；以及，根据同一所述成熟期作物区域中应用不同分辨率得到的秸秆焚烧留下的斑块确定所述火点或燃烧痕迹的斑块的空间分布，并根据斑块的面积、像元数和像素面积等确定所述火点或燃烧痕迹的斑块的面积。
从上述描述可知，本发明的实施例通过多源遥感数据对农田火灾和秸秆焚烧进行准确且可靠的监测，其监测过程完整性高且适用性强，且获取监测结果的效率高且监测的结果精度高。
本发明的实施例二公开了上述监测方法的另一种具体实施方式，参见图2，所述监测方法中的步骤100之前还具体包括如下内容：
步骤001：根据中分辨率成像光谱仪MODIS数据或多源遥感数据时空融合模型，以及利用S-G滤波器获取目标区域内的作物的物候信息，并根据土地利用图及多时相的遥感影像获取目标区域内的作物的分布信息。
步骤002：根据所述作物的物候信息及分布信息建立目标区域的物候信息查找表，并建立作物成熟区判定模型ECROP。
步骤003：根据所述作物成熟区判定模型ECROP在目标区域中确定成熟期作物区域。
在上述描述中，中分辨率成像光谱仪MODIS是搭载在terra和aqua卫星上的一个重要的传感器，是卫星上唯一将实时观测数据通过x波段向全世界直接广播，并可以免费接收数据并无偿使用的星载仪器；多源遥感数据时空融合模型为ESTARFM融合模型，S-G滤波器(savitzky-golay filter)对由于传感器及云层大气等因素影响而产生的噪声有较好的去除作用，并且其重构的时序数据能够清晰描述序列的长期变化趋势以及局部的突变信息，对植被指数时序数据的重构有较好的适用性。
从上述描述可知，本发明的实施例提供了一种能够准确获取成熟期作物区域的具体实现方式，其获取结果准确度高且适用性强，为后续的农田火灾和秸秆焚烧的监测提供了准确的数据基础。
本发明的实施例三公开了上述监测方法中步骤100的一种具体实施方式，参见图3，所述步骤100具体包括如下内容：
步骤101：获取所述成熟期作物区域的历史秸秆焚烧次数、区域降水及作物种植区域的面积数据。
步骤102：根据所述历史秸秆焚烧次数、区域降水及面积数据，基于公式一确定所述成熟期作物区域发生农田火灾和秸秆焚烧的风险概率值FR：
在公式一中，Fri为当前年份的前一年的所述成熟期作物区域中农田火灾发生的次数；Frmax为所述成熟期作物区域中单年发生农田火灾的最高次数值；Vi为所述成熟期作物区域的秸秆造纸及饲料的有效利用量，单位为吨；Fi为单位面积秸秆产量，单位为吨；Si为产生秸秆的面积，单位为公顷；t0为秸秆成熟后降水停止的时间点；t为降水停止后的某时间点；m为秸秆风干的时长。
从上述描述可知，本发明的实施例能够根据目标区域中的成熟期作物区域的环境及历史数据，准确且快速的获取用于判断是否对所述成熟期作物区域进行监测的风险概率值，保证了进行多源遥感监测的准确性，避免了无效资源的浪费，节省了监测成本。
本发明的实施例四公开了上述监测方法中步骤200的一种具体实施方式，参见图4，所述步骤200具体包括如下内容：
步骤201：若经判断获知所述风险概率值FR大于预设的风险阈值，则根据热红外反演或异常探测方法应用多个遥感传感器的数据对所述成熟期作物区域进行火点监测，以及，应用多个具有短波红外的遥感数据对所述成熟期作物区域进行燃烧痕迹监测。
在步骤201中，所述控制多个设有短波红外器件的传感器对所述成熟期作物区域进行燃烧痕迹监测具体包括：
根据公式二确定所述成熟期作物区域的第一增强燃烧痕迹指数eVBMI：
eVBMI＝[(bswir-bgreen)/(bswir+bgreen)]/(bgreen m1+bred m1+bswir m1) 公式二
在公式二中，bgreen、bred、bswir分别为绿波段反射率、红波段反射率和短波红外波段反射率；m1为经验系数。
或者，若遥感数据的波段包括可见光和近红外波段，则根据公式三确定所述成熟期作物区域的第二增强燃烧痕迹指数eBMI：
eBMI＝(bnir-bgreen)/(bnir+bgreen)+NDVI×(bgreen+bnir) 公式三
在公式三中，bnir为近红外波段反射率；bgreen为绿波段反射率；其中的NDVI＝(bnir-bred)/(bnir+bred)且bred为红波段反射率。
步骤202：根据所述的遥感数据进行时间序列的水体信息提取，排除水体信息后，然后进行所述成熟期作物区域中存在火点或燃烧痕迹信息提取。
从上述描述可知，本发明的实施例能够对所述成熟期作物区域进行火点监测及燃烧痕迹监测，克服了单一传感器和单一监测方法对监测范围和精度的局限，为控制农田火灾和秸秆焚烧提供了更加精准的数据支撑。
本发明的实施例五公开了上述监测方法中步骤300的一种具体实施方式，参见图5，所述步骤300具体包括如下内容：
步骤301：在监测到火点或燃烧痕迹时，根据所述多源遥感影像数据获取与火点或燃烧痕迹对应的燃烧的斑块的中心坐标。
步骤302：确定所述火点或燃烧痕迹的时间点。
从上述描述可知，本发明的实施例能够在监测到火点或燃烧痕迹时，快速且准确地根据所述传感器采集的多源遥感影响数据获取火点或燃烧痕迹的位置及时间信息。
在一种具体实施方式中，参见图6，上述步骤301具体包括如下内容：
步骤301a：根据公式四获取所述多源遥感影像数据中的斑块的中心点的位置坐标(x,y)f：
在公式四中，xmax为斑点横坐标的最大值；xmin为斑点横坐标的最小值；ymax为斑点纵坐标的最大值；ymin为斑点纵坐标的最小值。
步骤301b：统计预设的阈值范围内的像元的个数。
在一种具体实施方式中，参见图7，上述步骤302具体包括如下内容：
步骤302a：比较热红外遥感数据获取的温度热异常信息，卫星过境的时间点为tsat，则确定所述温度热异常点为火点燃烧的时间点。
步骤302b：卫星获取当前卫星过境的时间点为th2，前一次卫星过境的时间点为th1，若从当前卫星过境的数据中提到燃烧痕迹斑块，设该斑块形成的时间点为th，则确定该斑块形成的时间点为th1＜th＜th2。
本发明的实施例六公开了上述监测方法中步骤400的一种具体实施方式，参见图8，所述步骤400具体包括如下内容：
步骤401：根据公式五确定所述火点或燃烧痕迹的斑块的空间分布：
A＝(A1∪A2∪A3∪...∪An) 公式五
在公式五中，选择多源遥感影像最高分辨率的数据为基准，将其它分辨率的遥感影像进行重采样，A多源遥感数据中提取的秸秆焚烧斑块信息中所包括的像素集合，A1、A2、A3….An分别为同一所述达到风险阈值的作物种植区域中秸秆焚烧留下的斑块包含像素的集合；
步骤402：根据公式六确定所述火点或燃烧痕迹的斑块的面积S：
在公式六中，Si为斑块i的面积；Ni为斑块i的像元数；P为像素面积。
从上述描述可知，本发明的实施例能够准确且高效地获取火点或燃烧痕迹的斑块的空间分布与面积信息，为控制农田火灾和秸秆焚烧提供了更加精准的数据支撑，进而保证了农田财产的安全。
为进一步的说明本方案，本发明还提供了一种基于多源遥感数据的农田火灾和秸秆焚烧监测方法的应用实例，参见图9，所述监测方法具体包括如下内容：
1、作物分布及成熟期的信息提取
作物类型确定方法(物候特征)、成熟期的确定等，明确火灾或秸秆焚烧可能发生的时间和发生的空间范围。
1-1、作物物候信息提取
时间序列的作物信息，采用高时间分辨率的数据集，如MODIS或时空融合的方法，如MODIS和Landsat TM数据融合得到高空间高时间分辨率的时间序列的NDVI数据集；作物成熟期-通过区域物候特征-物候信息提取方法S-G滤波方法，确定不同作物的物候特征。
在上述描述中，S-G滤波：由于传感器，云层大气等因素影响，不可避免的会产生一些噪声，S-G滤波器对这些噪声有较好的去除作用，并且其重构的时序数据能够清晰描述序列的长期变化趋势以及局部的突变信息，对植被指数时序数据的重构有较好的适用性。利用Savitzky和Golay提出的S-G滤波算法，通过TIMESAT软件对EVI时序数据进行重构。
S-G滤波重构算法如下：
其中，
重构时序数据，Tj+1为原始时序数据，Ci为滤波系数，N为滑动窗口内的时序数据数量。
在上述描述中，时空融合：ESTARFM融合模型由STARFM模型的基础上发展而来的，其考虑到了模拟数据与基准数据之间的时间差异，并引入混合像元分解理论，一定程度上克服了STARFM在地物类型复杂情况下适用性较差的缺点(gao，2006；zhu，2010)。ESTARFM(Enhanced Spatial and Temporal A daptive Reflectance Fusion Model)，利用landsat和MODIS反射率数据在像元距离，光谱，获取时间等信息的差异，模拟出MODIS数据对应时相的landsat反射率数据。
纯像元时，t0时间的landsat和MODIS反射率数据存在如下关系：
则有模拟tk时间的landsat数据为：
L和M分别为landsat和MODIS地表反射率，(xi,yj)为像元位置，a,b为两传感器反射率数据存在线性关系的系数(由波段宽度，几何误差等引起的)。
考虑到①实际中像元多为混合像元②地物覆盖情况可能随着时间的变化③传感器位置会随着时间变化。
因此，融合模型建立了局部滑动窗口，寻找中心像元的光谱相似邻近像元，根据landsat和MODIS的光谱差异，基准时间和模拟时间的MODIS的时间差异，以及中心像元和邻近像元的空间欧式几何距离，对邻近像元赋予不同的权重，得到模拟中心像元反射率。
选择邻近像元时，满足：
其中，L为landsat反射率，(xi,yj)为像元位置，w为局部滑动窗口尺寸，t0为时间，σ(Bn)为第n波段反射率数据的标准差。
则有模拟的中心反射率为：
其中
为中心像元(xw/2,yw/2)在模拟时间tp的landsat的地表反射率，
为中心像元(xw/2,yw/2)在基准时间t0的landsat的地表反射率，
分别为像元(xi,yj)在t0，tp时间的MODIS地表反射率，Vi是通过混合像元分解得到的线性系数，Wijk为权重。
Cijk＝Sijk*Tijk*Dijk
Sijk＝|L(xi,yj,tk)-M(xi,yj,tk)|
Tijk＝|M(xi,yj,tk)-M(xi,yj,t0)|
Sijk为给定位于(xi,yj)MODIS和Landsat的地表反射率差异，该参数可以衡量两者光谱差异，值越小，表示给定位置邻近像元的相似高，则赋予更高权重；Tijk表示MODIS数据两段时间之间的反射率差异，该值越小表明该时间段内光谱变化越小，在计算中赋予更高的权重；Dijk为中心像元点与参与计算的像元点的几何距离，该值越小赋予的权重越高。
再根据时相加权可得：
其中
m,n为两个时相，p模拟时相，B为波段。
本研究利用公式(8)模拟出landsat数据，即输入Tm,Tn时间的landsat和MODIS基准影像和Tk时间的MODIS，得到Tk时间的模拟landsat数据。通过融合模型可以获取由于云污染或者重访周期限制而缺失的landsat数据，最终获得2013和2014一共92景landsat数据，数据的空间分辨率为30m，时间分辨率为8天。高时间和高空间的数据能够一定程度上克服混合像元的情况，同时对较短时间发生的旱灾的具有监测其变化的潜力。
1-2、作物分布信息的获取
通过土地利用图获取,通过多时相的遥感影像提取农田,应用决策树的方法进行提取，得到不同作物类型的空间分布信息；通过时间序列的监测方法，得到不同作物的物候信息。
1-3、建立物候信息查找表
建立数据库系统，存储不同作物空间分布、类型、生长周期等信息，建立查找表，以备成熟作物信息提取。
1-4、成熟作物成熟期判断
通过时间判断和上述查找表，确定某类农作物是否到成熟期，根据物候查找表，确定某类作物开始进入成熟期到收割期的时间点分辨为ts，tm，可以构建成熟的作物信息模型，作物成熟判定模型ECROP为：
ECROP＝(NDVIt-NDVItm)/(NDVItmax-NDVItm)
NDVI＝(Bnir-Bred)/(Bnir+Bred)
如果ECROP≥a，a>0,为预设值，则判定为进入成熟期，并且可能发生火灾或秸秆焚烧的区域。式中，NDVItmax为作物成熟期的起始期，NDVItm为作物进入成熟期后某时间点的NDVI值。Bnir为近红外波段反射率或DN值，Bred红光波段的反射率或DN值。
2、秸秆焚烧风险预判
进入作物成熟期后，通过降水、历史秸秆焚烧次数、面积等数据，进行风险预判，并在此基础上，确定是否开始遥感监测，农田火灾(FR)具体如下：
式中，FR为农田火灾发生概率；Fri为前一年监测区农田火灾发生的次数；Frmax为通过历史数据统计出近10年的农田火灾频率最高年火灾发生的次数；Vi为监测区秸秆造纸、饲料等有效利用量；Fi为单位面积秸秆产量；Si为产生秸秆的面积；t0为秸秆成熟后降水停止的时间点；t为降水后的时长，以天为单位；m为秸秆风干的时长，为常数，建议取2。
3、火点或燃烧痕迹提取
3-1、热红外法-卫星过境时在燃烧的火点监测方法
常规的热红外反演方法(单窗或劈窗算法)；
异常探测像元-温度高的异常探测(环保部),通过阈值确定。
相关的文献均已经公布(环境保护部卫星环境应用中心)。
3-2、燃烧痕迹提取的方法
可见光-近红外-短波红外的方法(如OLI)
对于有短波红外的传感器，如Landsat TM，可采用增强的燃烧痕迹指数eVBMI：
eVBMI＝[(bswir-bgreen)/(bswir+bgreen)]/(bgreen m+bred m+bswir m)
式中，eVBMI为增强的植被燃烧痕迹指数；
bgreen、bred、bswir分别为绿波段反射率、红波段反射率和短波红外波段反射率，m为经验系数。
可见光-近红外波段卫星方法-增强烧痕指数eBMI：
eBMI＝(bnir-bgreen)/(bnir+bgreen)+NDVI×(bgreen+bnir)
式中，eBMI为增强的烧痕指数，bnir为近红外波段反射率。
NDVI＝(bnir-bred)/(bnir+bred)
3-3、燃烧季节时间序列的水体提取方法(引水渠，或降水的集水)
对于只有近红外以内的光谱范围的传感器，如GF-1，可采用归一化水体指数：
NDWI＝(bgreen-Bnir)/(bgreen+bnir)-NDVI
对于有短波红外波段的数据，可采用改进的归一化水体指数：
MNDWI＝(bgreen-Bswir)/(bgreen+bswir)
4、燃烧位置、面积和燃烧时间多传感器数据的综合判定
4-1、燃烧位置快速确定的方法
取斑块的中心点坐标位置：
统计阈值范围内像元的个数
按照最高阈值(大气影响最大的情况下)统计，统计燃烧的斑块的中心坐标。
4-2、燃烧时间点的确定
通过获取热红外的温度异常点：可以确定燃烧的时间点与卫星过境的时间点吻合；即：th＝tsat，式中，th和tsat分别为火灾发生的时间点和卫星过境时的时间点。
通过多波段获取的燃烧痕迹发生点th：燃烧痕迹上次发生火灾后卫星过境的时间点th1，下一次卫星过境点th2，则th1点后，新发生火点的时间点：如果th1<th<th2或ts<th<th2
发生的时间点为t∈[th1,th2]∩[ths,th2]区间内。
5、多传感器多空间分辨率的秸秆焚烧统计
为避免斑块重叠区的斑块重复统计的问题，农田火灾斑块所在图像可以表示为：
A＝(A1∪A2∪A3∪...∪An)
A为同一景中秸秆焚烧的斑块，A1、A2、A3….An分别为同一区域作物进入成熟季节后，不同分辨率得到的秸秆焚烧留下的斑块，应用不同分辨率得到的斑块。
6、斑块的面积统计
在多传感器多空间分辨率的秸秆焚烧统计的基础上，进行斑块的面积统计，燃烧痕迹斑块面积S为：
式中，Si为斑块i的面积，Ni为斑块i的像元数，P为像素面积。
从上述描述可知，本发明的应用实例能够对农田火灾和秸秆焚烧进行准确且可靠的监测，其获取监测结果的效率高且监测的结果精度高，同时克服了单一传感器和单一监测方法对监测范围和精度的局限，为控制农田火灾和秸秆焚烧提供了更加精准的数据支撑，进而保证了农田财产的安全。
本发明的实施例七公开了能够实现上述监测方法的全部过程的一种基于多源遥感数据的农田火灾和秸秆焚烧监测系统的一种具体实施方式，参见图10，所述监测系统具体包括如下内容：
风险概率值获取单元10，用于根据目标区域中的作物种植区域的物候特征及气象、历史数据，分析、判断作物种植区域火灾的风险概率值。
多源遥感监测单元20，用于获取多个遥感传感器的遥感数据对达到风险概率值的作物种植区域进行监测。
时间、空间分布与面积信息获取单元30，用于监测火点或燃烧痕迹，根据所述遥感传感器之间观测的时间差，综合判断火点或燃烧痕迹的斑块发生的时间、空间分布与面积信息。
从上述描述可知，本发明的实施例通过多源遥感数据对农田火灾和秸秆焚烧进行准确且可靠的监测，其监测过程完整性高且适用性强，且获取监测结果的效率高且监测的结果精度高。
以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于多源遥感数据的农田火灾和秸秆焚烧监测方法，其特征在于，所述方法包括：
根据目标区域中的作物种植区域的物候特征及气象、历史数据，分析、判断作物种植区域火灾的风险概率值；
获取多个遥感传感器的遥感数据对达到风险概率值的作物种植区域进行监测；
监测火点或燃烧痕迹，根据所述遥感传感器之间观测的时间差，综合判断火点或燃烧痕迹的斑块发生的时间、空间分布与面积信息；
其中，所述根据目标区域中的作物种植区域的物候特征及气象、历史数据，分析、判断作物种植区域火灾的风险概率值，之前还包括：
根据中分辨率成像光谱仪MODIS数据或多源遥感数据时空融合模型，以及利用S-G滤波器获取目标区域内的作物的物候信息，并根据土地利用图及多时相的遥感影像获取目标区域内的作物的分布信息；
根据所述作物的物候信息及分布信息建立目标区域的物候信息查找表，并建立作物成熟区判定模型ECROP；
以及，根据所述作物成熟区判定模型ECROP在目标区域中确定成熟期作物区域。
2.根据权利要求1所述的方法，其特征在于，所述根据目标区域中的作物种植区域的物候及气象、历史数据，获取用于判断成熟期作物区域火灾的风险概率值，包括：
获取所述成熟期作物区域的历史秸秆焚烧次数、区域降水及作物种植区域的面积数据；
以及，根据所述历史秸秆焚烧次数、区域降水及面积数据，基于公式一确定成熟期作物区域发生农田火灾和秸秆焚烧的风险概率值FR：
在公式一中，Fri为当前年份的前一年的所述成熟期作物区域中农田火灾发生的次数；Frmax为所述成熟期作物区域中单年发生农田火灾的最高次数值；Vi为所述成熟期作物区域的秸秆造纸及饲料的有效利用量，单位为吨；Fi为单位面积秸秆产量，单位为吨；Si为产生秸秆的面积，单位为公顷；t0为秸秆成熟后降水停止的时间点；t为降水停止后的某时间点；m为秸秆风干的时长。
3.根据权利要求1所述的方法，其特征在于，所述获取多个遥感传感器的遥感数据对达到风险概率值的作物种植区域进行监测，包括：
若经判断获知所述风险概率值FR大于预设的风险阈值，则根据热红外反演或异常探测方法应用多个遥感传感器的数据对成熟期作物区域进行火点监测，以及，应用多个具有短波红外的遥感数据对所述成熟期作物区域进行燃烧痕迹监测；
以及，根据所述的遥感数据进行时间序列的水体信息提取，排除水体信息后，然后进行所述成熟期作物区域中存在火点或燃烧痕迹信息提取。
4.根据权利要求3所述的方法，其特征在于，所述应用多个具有短波红外的遥感数据对所述成熟期作物区域进行燃烧痕迹监测，包括：
根据公式二确定所述成熟期作物区域的第一增强燃烧痕迹指数eVBMI：
eVBMI＝[(bswir-bgreen)/(bswir+bgreen)]/(bgreen m1+bred m1+bswir m1) 公式二
在公式二中，bgreen、bred、bswir分别为绿波段反射率、红波段反射率和短波红外波段反射率；m1为经验系数；
或者，若遥感数据的波段包括可见光和近红外波段，则根据公式三确定所述成熟期作物区域的第二增强燃烧痕迹指数eBMI：
eBMI＝(bnir-bgreen)/(bnir+bgreen)+NDVI×(bgreen+bnir) 公式三
在公式三中，bnir为近红外波段反射率；bgreen为绿波段反射率；其中的NDVI＝(bnir-bred)/(bnir+bred)且bred为红波段反射率。
5.根据权利要求1所述的方法，其特征在于，所述监测火点或燃烧痕迹，根据所述遥感传感器之间观测的时间差，综合判断火点或燃烧痕迹的斑块发生的时间、空间分布与面积信息，包括：
在监测到火点或燃烧痕迹时，根据所述多源遥感影像数据获取与火点或燃烧痕迹对应的燃烧的斑块的中心坐标；
以及，确定所述火点或燃烧痕迹的时间点。
6.根据权利要求5所述的方法，其特征在于，所述根据所述的多源遥感影像数据获取与火点或燃烧痕迹对应的燃烧的斑块的中心坐标，包括：
根据公式四获取所述多源遥感数据中的斑块的中心点的位置坐标(x,y)f：
在公式四中，xmax为斑点横坐标的最大值；xmin为斑点横坐标的最小值；ymax为斑点纵坐标的最大值；ymin为斑点纵坐标的最小值；
统计预设的阈值范围内的像元的个数。
7.根据权利要求5所述的方法，其特征在于，所述确定所述火点或燃烧痕迹的时间点，包括：
比较热红外遥感数据获取的温度热异常信息，卫星过境的时间点为tsat，则确定所述温度热异常点为火点燃烧的时间点tsat；
以及，卫星获取当前卫星过境的时间点为th2，前一次卫星过境的时间点为th1，若从当前卫星过境的数据中提到燃烧痕迹斑块，设该斑块形成的时间点为th，则确定该斑块形成的时间点为th1＜th＜th2。
8.根据权利要求5所述的方法，其特征在于，所述监测火点或燃烧痕迹，根据所述遥感传感器之间观测的时间差，综合判断火点或燃烧痕迹的斑块发生的时间、空间分布与面积信息，还包括：
根据公式五确定所述火点或燃烧痕迹的斑块的空间分布：
A＝(A1∪A2∪A3∪...∪An) 公式五
在公式五中，选择多源遥感影像最高分辨率的数据为基准，将其它分辨率的遥感影像进行重采样，A多源遥感数据中提取的秸秆焚烧斑块信息中所包括的像素集合，A1、A2、A3….An分别为同一所述达到风险阈值的作物种植区域中秸秆焚烧留下的斑块包含像素的集合；
根据公式六确定所述火点或燃烧痕迹的斑块的面积S：
在公式六中，Si为斑块i的面积；Ni为斑块i的像元数；P为像素面积。
9.一种基于多源遥感数据的农田火灾和秸秆焚烧监测系统，其特征在于，所述系统包括：
风险概率值获取单元，用于根据目标区域中的作物种植区域的物候特征及气象、历史数据，分析、判断作物种植区域火灾的风险概率值；
多源遥感监测单元，用于获取多个遥感传感器的遥感数据对达到风险概率值的作物种植区域进行监测；
时间、空间分布与面积信息获取单元，用于监测火点或燃烧痕迹，根据所述遥感传感器之间观测的时间差，综合判断火点或燃烧痕迹的斑块发生的时间、空间分布与面积信息；
其中，所述系统还包括成熟期作物确定单元，用于根据中分辨率成像光谱仪MODIS数据或多源遥感数据时空融合模型，以及利用S-G滤波器获取目标区域内的作物的物候信息，并根据土地利用图及多时相的遥感影像获取目标区域内的作物的分布信息；
根据所述作物的物候信息及分布信息建立目标区域的物候信息查找表，并建立作物成熟区判定模型ECROP；
以及，根据所述作物成熟区判定模型ECROP在目标区域中确定成熟期作物区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710265625.4A CN107067334B (zh) | 2017-04-21 | 2017-04-21 | 基于多源遥感数据的农田火灾和秸秆焚烧监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710265625.4A CN107067334B (zh) | 2017-04-21 | 2017-04-21 | 基于多源遥感数据的农田火灾和秸秆焚烧监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107067334A CN107067334A (zh) | 2017-08-18 |
| CN107067334B true CN107067334B (zh) | 2020-06-30 |
Family
ID=59601218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710265625.4A Expired - Fee Related CN107067334B (zh) | 2017-04-21 | 2017-04-21 | 基于多源遥感数据的农田火灾和秸秆焚烧监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107067334B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647704B (zh) * | 2018-04-20 | 2019-11-22 | 北京英视睿达科技有限公司 | 一种信息获取方法、装置、计算机设备和可读存储介质 |
| CN108961199A (zh) * | 2018-07-19 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 多源遥感数据时空融合方法及装置 |
| 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 |
| CN109916839B (zh) * | 2019-04-03 | 2021-03-02 | 中国矿业大学 | 一种基于高分遥感影像的露头残煤燃烧中心精准探测方法 |
| CN110399860B (zh) * | 2019-08-02 | 2021-04-09 | 吉林高分遥感应用研究院有限公司 | 一种玉米涝灾监测方法及系统 |
| CN112395924B (zh) * | 2019-08-16 | 2024-02-20 | 阿里巴巴集团控股有限公司 | 一种遥感监测方法及装置 |
| CN110544357B (zh) * | 2019-08-28 | 2021-03-02 | 中科海慧（天津）科技有限公司 | 农林草复合区分区火灾预测预警方法、装置与电子设备 |
| 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 |
| CN112861766B (zh) * | 2021-02-26 | 2024-02-02 | 北京农业信息技术研究中心 | 农田玉米秸秆卫星遥感提取方法及装置 |
| CN113469979A (zh) * | 2021-07-08 | 2021-10-01 | 厦门理工学院 | 一种森林火灾遥感动态监测方法 |
| CN115615559B (zh) * | 2022-12-19 | 2023-03-10 | 南京信大卫星应用研究院有限公司 | 一种基于图像信息采集的火灾状态监测系统 |
| CN116795163B (zh) * | 2023-08-17 | 2023-11-14 | 四川长虹云数信息技术有限公司 | 基于物联网的农作物无胁迫生长自动化控制系统及方法 |
| CN117689120B (zh) * | 2024-02-04 | 2024-04-26 | 北京工业大学 | 一种农业火灾的火辐射功率作物精细化分配方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105551168A (zh) * | 2015-12-03 | 2016-05-04 | 中国科学院遥感与数字地球研究所 | 一种农田火灾遥感监测预警的方法及系统 |
| CN106023203A (zh) * | 2016-05-19 | 2016-10-12 | 中国科学院遥感与数字地球研究所 | 基于Landsat-8陆地卫星数据的火点检测方法 |
-
2017
- 2017-04-21 CN CN201710265625.4A patent/CN107067334B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105551168A (zh) * | 2015-12-03 | 2016-05-04 | 中国科学院遥感与数字地球研究所 | 一种农田火灾遥感监测预警的方法及系统 |
| CN106023203A (zh) * | 2016-05-19 | 2016-10-12 | 中国科学院遥感与数字地球研究所 | 基于Landsat-8陆地卫星数据的火点检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| Dynamic Monitoring of Agricultural Fires in China from 2010 to 2014 Using MODIS and GlobeLand30 Data;Huan Xie等;《ISPRS International Journal of Geo-Information》;20161231;第5卷;第1-14页：摘要，正文第2.2-2.4小节、第3小节 * |
| 利用HJ-IRS影像提取林火火点和火烧迹地算法研究;詹剑锋;《中国优秀硕士学位论文全文数据库-农业科技辑》;20130215(第02期);第D049-26页：摘要，正文第4章、第5.2小节 * |
| 利用卫星遥感技术监测长白山天池火山活动性;季灵运;《中国博士学位论文全文数据库-基础科学辑》;20140515(第05期);第A012-1页 * |
| 基于Landsat-8陆地卫星数据的火点检测方法;何阳等;《红外与毫米波学报》;20161031;第35卷(第5期);第600-608页 * |
| 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 |
|---|---|
| CN107067334A (zh) | 2017-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107067334B (zh) | 基于多源遥感数据的农田火灾和秸秆焚烧监测方法及系统 | |
| Gao et al. | A within-season approach for detecting early growth stages in corn and soybean using high temporal and spatial resolution imagery | |
| Gao et al. | Mapping crop phenology in near real-time using satellite remote sensing: Challenges and opportunities | |
| Pan et al. | Mapping cropping intensity in Huaihe basin using phenology algorithm, all Sentinel-2 and Landsat images in Google Earth Engine | |
| CN104266982B (zh) | 一种大面积虫害量化监测系统 | |
| Han et al. | Land surface phenology and land surface temperature changes along an urban–rural gradient in Yangtze River Delta, China | |
| Li et al. | Characterizing spatiotemporal dynamics in phenology of urban ecosystems based on Landsat data | |
| Huang et al. | An automated approach for reconstructing recent forest disturbance history using dense Landsat time series stacks | |
| Xiao et al. | Mapping paddy rice agriculture in southern China using multi-temporal MODIS images | |
| Pisek et al. | Comparison and validation of MODIS and VEGETATION global LAI products over four BigFoot sites in North America | |
| Sakamoto et al. | A crop phenology detection method using time-series MODIS data | |
| Heiskanen et al. | Seasonal variation in MODIS LAI for a boreal forest area in Finland | |
| CN109685081B (zh) | 一种遥感提取撂荒地的联合变化检测方法 | |
| Dadhwal et al. | Crop assessment using remote sensing-Part II: Crop condition and yield assessment | |
| Lück et al. | Evaluation of a rule-based compositing technique for Landsat-5 TM and Landsat-7 ETM+ images | |
| CN110927120B (zh) | 一种植被覆盖度预警方法 | |
| US20220392215A1 (en) | System and Method for Mapping Land Cover Types with Landsat, Sentinel-1, and Sentinel-2 Images | |
| King et al. | Modelling and mapping damage to forests from an ice storm using remote sensing and environmental data | |
| Wang et al. | Estimating the area burned by agricultural fires from Landsat 8 Data using the Vegetation Difference Index and Burn Scar Index | |
| Wang et al. | Remote sensing-based assessment of vegetation damage by a strong typhoon (Meranti) in Xiamen Island, China | |
| Polinova et al. | Reconstructing pre-fire vegetation condition in the wildland urban interface (WUI) using artificial neural network | |
| CN114881620B (zh) | 一种基于卫星遥感的国土空间监测方法与系统 | |
| Bolun et al. | Estimating rice paddy areas in China using multi-temporal cloud-free normalized difference vegetation index (NDVI) imagery based on change detection | |
| Ouyang et al. | UAV and ground-based imagery analysis detects canopy structure changes after canopy management applications | |
| Mashonganyika et al. | Mapping of winter wheat using sentinel-2 NDVI data. a case of Mashonaland central province in Zimbabwe |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200630 |