CN107576399B - 面向modis林火探测的亮温预测方法和系统 - Google Patents
面向modis林火探测的亮温预测方法和系统 Download PDFInfo
- Publication number
- CN107576399B CN107576399B CN201710815724.5A CN201710815724A CN107576399B CN 107576399 B CN107576399 B CN 107576399B CN 201710815724 A CN201710815724 A CN 201710815724A CN 107576399 B CN107576399 B CN 107576399B
- Authority
- CN
- China
- Prior art keywords
- brightness
- temperature
- pixel
- data
- modis
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明涉及一种面向MODIS林火探测的亮温预测方法,包括步骤A:接收设定区域和时间的MODIS数据;步骤B:处理MODIS数据;步骤C:计算亮温。通过本发明的方法,能有效提高像元亮温的预测精度,能进一步提高相对火点的判别精度,提高火点判对率。
Description
技术领域
本发明涉及利用遥感信息监测火灾领域,尤其涉及一种面向MODIS林火探测的亮温预测方法和系统。
背景技术
森林火灾突发性强、破坏性大,易对环境、生态健康、人身财产造成巨大的影响。全世界每年发生林火灾害数十万次,受灾面积达数百万公顷,约占森林总面积的0.1%。卫星遥感技术可以提供大尺度、连续、低成本的信息,在林火监测方面具有广泛应用。快速、准确地获取林火信息的空间、时间信息可有效降低火灾影响,中等分辨率成像光谱辐射计(MODIS:Moderate resolution imaging spectroradiometer)具有高辐射分辨率、中等空间分辨率及高饱和度,覆盖范围广、时间分辨率为每天1-2次,具有很高的火灾监测精度,MODIS产品已成为火灾监测应用最为广泛的数据。基于空间上下文生产的MOD14是目前应用最为广泛的全球火产品,其原理是基于背景像元的亮温预测中心像元的亮温,通过判断中心像元亮温的预测值与观测值间的差异来判定火点。因此,构建亮温预测模型是火点检测中至关重要的一步。
目前亮温预测模型的构建主要分为:空间上下文、时间序列法、时空结合法。空间上下文依据背景像元的均值作为中心像元的亮温预测值;时间序列法依据中心像元的历史亮温时间序列数据预测中心像元的亮温。Roberts等人通过模拟有效像元的亮温昼夜变化周期(DTC)来构建亮温预测模型,并设定误差阈值来识别含火像元;苏永荣等人利用BFAST算法进行潜在火点提取,即首先利用亮温最优拟合模型预测中心像元的亮温,再结合亮温观测值识别潜在火点,可以提高潜在火点的提取精度。
综上所述,目前应用在火点检测中的亮温预测模型考虑到了中心像元亮温的时间属性、背景像元与中心像元间亮温间的空间关系以及时间属性,但忽略了背景像元与中心像元的空间距离属性,精度不够高。
发明内容
为了克服现有的缺陷,本发明提出一种面向MODIS林火探测的亮温预测方法和系统。
根据本发明的一个方面,提出一种该方法包括:步骤A:接收设定区域和时间的MODIS数据;步骤B:处理MODIS数据;步骤C:计算像元亮温。
进一步的,MODIS数据包括MOD02 1km数据、MOD03 1km地理校正数据以及MODIS 3级土地覆盖类型数据MCD12Q1 500m数据。
进一步的,步骤B包括:步骤B01:数据预处理,包括对MODIS数据的几何校正、格式转换、投影转换以及去除蝴蝶结效应;步骤B02:对预处理后的数据,进行数据拼接、剔除无效数据以及筛选每日时间接近的影像;步骤B03:通过辐射定标以及亮温计算获得像元在每一时刻的反射率和亮温数据;步骤B04:删除云体/水体,识别潜在火点像元,提取有效背景像元,得到潜在火点像元的亮温时间序列数据、潜在火点像元的有效背景像元的亮温时间序列数据。
优选的,基于空间上下文中设定的反射率、亮温阈值来识别潜在火点像元。
进一步的,步骤C包括:步骤C01:MODIS数据中tk+1时刻中心像元o的亮温比值关系矩阵由t1到tk时刻的亮温比值关系矩阵加权计算得到:
式中,wi为背景像元i的距离权重,由公式(3)计算得到;
式中,p是一个正实数;hi为背景像元i与中心像元o的距离;
步骤C03:计算第tk期中心像元o的亮温:
优选的,ρ1为0.25。p的取值范围为[0.5,3],优选的,p等于2。
进一步的,背景邻域像元与中心像元的空间距离为几何距离。
根据本发明的另一方面,提出一种面向MODIS林火探测的亮温预测系统,包括接收模块、数据处理模块和计算模块;接收模块,用于接收设定区域和时间的MODIS数据;数据处理模块:用于处理MODIS数据;计算模块,用于计算像元亮温。
利用本发明提供的面向MODIS林火探测的亮温预测方法和系统能有效提高像元亮温的预测精度,能进一步提高相对火点的判别精度,提高火点判对率。
附图说明
图1是根据本发明一个实施例的面向MODIS林火探测的亮温预测方法的流程图;
图2是根据本发明一个实施例的选定区域的概况示意图;
图3是根据本发明一个实施例的潜在火点提取结果示意图;
图4是根据本发明一个实施例的RMSE结果比较图;
图5是根据本发明一个实施例的偏差结果比较图;
图6是根据本发明一个实施例的STM的预测精度变化情况;
图7是根据本发明一个实施例的亮温预测误差变化曲线图。
具体实施方式
下面结合附图和具体实施例对本发明提供的面向MODIS林火探测的亮温预测方法进行详细描述。
根据本发明的一个方面,提出一种面向MODIS林火探测的亮温预测方法,如图1所示,下面具体说明。
1数据源与处理
1.1获取MODIS数据
本发明获取的MODIS数据有3种:中等分辨率成像光谱仪MODIS搭载在EOSTerra卫星上的L1B产品:MOD021km数据、MOD031km地理校正数据以及MODIS3级土地覆盖类型数据MCD12Q1500米数据。MOD02数据格式为Swath共有36个通道,分为3种类型:反射率数据、发射率数据、辐亮度值数据。本发明所用MOD021km数据波段及其对应用途见表1所示。
表1 MOD02数据所用波段及其功能
选定区域和时间段,在NASA官网上下载该地区时间段内每天日间的MODIS L1B的MOD02和MOD03数据。每一时刻的数据也称为一期影像。
MOD03:即MODIS数据地理定位文件。
MODIS Geolocation(MOD03)数据产品包含有:MODIS每个1km EV(Earth View)中心的经纬度,每个1km EV太阳/卫星的方位,每个1km EV EOS陆地/海洋的阈值,每条扫描太阳和月亮相对于MODIS的位置,充分的仪器参数信息以支持特定波段和亚像元级定位。格式描述分为4个部分:全局元数据、处理和几何参数、扫描数据、组(Vgroups)
1.2数据处理
数据处理包括:数据预处理与模型输入数据提取。
(1)数据预处理
MODIS02 1km数据中每个1kmx1km的区域为一个像元。数据预处理包括:影像的几何校正、数据质量检查与物理量计算。
1)影像的几何校正。在基于MRTSwatch(MODIS Reprojection Tool Swach)工具的批处理功能,结合MOD03 1km实现对MODIS02 1km数据的几何校正、格式转换、投影转换以及去除“蝴蝶结效应”。
2)数据质量检查与物理量计算。数据质量检查主要包括选定区域内数据拼接、剔除无效数据以及筛选每日时间接近的影像作为本实施例的预测数据。通过辐射定标以及亮温计算两部分分别计算MOD2 1km数据中每个时刻每个像元的反射率、亮温。辐射定标是将传感器记录的无量纲的DN值转换成具有实际物理意义的大气顶层辐射亮度或反射率。辐射定标的原理是建立数字量化值与对应视场中辐射亮度值之间的定量关系,以消除传感器本身产生的误差。辐射定标参数为增益和偏移量,亮温通过反解Planck函数来求解(根据波长、辐射定标后得到的辐射出射度来计算)
至此,得到基础数据,即像元在每一时刻的反射率和亮温。
(2)数据提取
在基础数据中,进行去云体/水体;识别潜在火点像元;提取有效背景像元三项操作。
1)MODIS云体掩膜借鉴IGBP(International Geosphere Biosphere Program)利用AVHRR数据监测全球火灾的云监测技术、MODIS水体掩膜使用MOD03数据中的1km陆地/海洋掩膜数据,通过设定反射率阈值来剔出云/水体像元,至此得到有效的基础数据,可以将其整理为矩阵形式,以方便计算。
2)在1)的结果中,依据空间上下文中的潜在火点判别条件(基于预设的反射率、亮温阈值)识别潜在火点像元,即判断某个像元是否为潜在火点。
3)搜索有效背景像元(非云,非水体,不是绝对火点的像元)。基于火灾发生时影像中潜在火灾像元位置,提取时间序列的中心像元(火灾发生时着火的像元称为潜在火点像元,但是此像元在未发生火灾的时候称为中心像元,时间序列即包括时间范围内的每个时刻),并以中心像元为中心开窗口搜索,直到有效背景像元>25%或窗口大小到达21x21。遍历选定区域和时间内的数据,得到每个时刻每个中心像元的有效背景像元矩阵。
至此,得到潜在火点像元的亮温时间序列数据、其有效背景像元的亮温时间序列数据。
2计算方法
如图1所示,预测方法包括通过构建基于时间序列的亮温比值关系矩阵的和构建基于空间距离的权重矩阵来构建基于时空权重的亮温预测模型,从而预测亮温。
2.1权重矩阵
(1)构建基于时间序列的亮温比值关系矩阵。
由于森林地区温度的随时间不变的空间异质性,基于选定区域和时间的中心像元亮温与其邻域有效背景像元间的比值关系来预测下一时刻中心像元的亮温,tk+1时刻中心像元o的亮温比值关系矩阵由t1到tk时刻的亮温比值关系矩阵加权计算得到:
(2)基于空间距离的权重矩阵构建。
式中,wi为背景像元i点的距离权重,由加权函数公式(3)计算得到;
p是一个正实数,用来控制它在预测中心像元o时各背景像元i的权重,一般取值在0.5-3之间可获得合理结果,默认为2;hi为背景像元i与中心像元o的距离。有效背景邻域像元与中心像元的空间距离规则可以按几何距离设定,如下表所示,o为中心像元:
2.2基于时空权重的亮温预测模型构建(STM)
利用公式(4)来计算第tk时刻影像的中心像元o的预测亮温:
示例:
下面以一个潜在火点o及其3x3背景窗口为例,说明基于时空权重的亮温预测方法的计算过程。表2为像元标号,表3为每一时刻中心像元及其有效背景像元的亮温矩阵。表4为基于公式(3)及中心像元与其有效背景像元间的几何距离规则,得到的中心像元o的空间距离权重矩阵不同时刻背景像元分布不同,空间距离权重矩阵则不同。
1 | 2 | 3 |
4 | O | 5 |
6 | 7 | 8 |
表2像元标号
表3各个时刻中心像元及有效背景像元亮温矩阵
表4各个时刻空间距离权重矩阵
(2)根据公式(2)可知t1时刻中心像元与有效背景像元2的比值为:则t1时刻中心像元o的亮温比值关系矩阵为:据公式(1)可知t2时刻亮温比值关系矩阵为:(由于t1、t2时刻有效背景像元位置不一,用上一时刻对应位置值代表t2时刻空缺位置值,后面时刻同理)
根据公式(4),第t2时刻影像中心像元o的预测亮温:
根据本发明的另一方面,提出一种面向MODIS林火探测的亮温预测系统,包括:接收模块、数据处理模块和计算模块;接收模块,用于接收设定区域和时间的MODIS数据,具体方法如上述“1.1获取MODIS数据”;数据处理模块,用于处理所述MODIS数据,具体方法如上述“1.2数据处理”;计算模块,计算像元亮温,具体方法如“2计算亮温”。
根据本发明的亮温预测方法和系统,可以计算某一个区域各像元的亮温,从而可以在火灾时判断火点的位置,也可以预测出可能发生火灾的位置和时间,具有重大的意义。
实施例1:
下面以美国加州南部的圣迭戈为研究区域,基于其遥感数据的时间、空间属性,在基于时间权重的空间上下文方法(TM,Temporal Model),构建了一个面向火点检测的基于时空权重亮温预测模型(STM,Spatio-Temporal Model),并通过对比TM、空间上下文(CM,Contex Model)两种亮温预测模型来说明本发明的优点。
1研究区及数据处理概况
美国加利福尼亚州南部的圣迭戈(San Diego)属于林火灾害多发区。根据EM-DAT(国际灾害数据库)记录的1900年至2016年的森林火灾数据中:美国共发生78起森林火灾,其中,加州共发生41起,圣迭戈发生8起,共造成死亡人数17人以上,影响面积为65万km2,经济损失达37亿美元。圣迭戈是美国的一个太平洋沿岸城市,位于美国本土的西南角,南距墨西哥边境20km,西经117.6°-116.0°,北纬32.5°-33.6°,面积963km2。圣迭戈内陆冬冷夏热,属热带沙漠气候,阳光充足,降雨较少,年均降水量约为240mm。2007年10月21日,圣迭戈遭受史上最为严重的森林火灾,图2为研究区地理位置分布、林区分布情况及10月22日MODIS数据彩色合成效果图(R:20,G:21,B:31,图中紫色区域即为高温异常点)。
2结果分析
图3为研究区2007年10月22日提取的潜在火点,剔除无法搜索背景像元的边界潜在火点,共有224个有效潜在火点。潜在火点主要分布在研究区的左中部、左下部,左上部有少量潜在火点。
模型精度验证
空间上下文依据4μm波段的亮温、11μm波段的亮温及4μm和11μm波段亮温差的预测值与观测值组合来判别真实火点。针对224个潜在火点的位置及有效背景像元的提取条件构建224组中心像元22波段亮温、31波段亮温及22波段31波段的亮温差的时间序列数据及其有效背景像元亮温时间序列数据(8月22日至10月21日,共61期)。模型精度验证指标包含:预测值与观测值间的均方根误差(RMSE)、偏差(Bias)。RMSE越小,代表亮温预测结果越准确;偏差的大小、正负可以反映预测结果与观测值间的相对大小。
(1)RMSE结果比较。分别计算每一个潜在火点像元61组预测值与观测值间的RMSE来比较STM、TM、CM、3种亮温预测模型的亮温预测精度。
图4展示了22波段亮温、31波段亮温、22波段与31波段亮温差分别由STM、TM、CM3种亮温预测模型预测的RMSE箱图统计结果图,分别包括:最大值、最小值、4分位数、中位数以及相对异常值。可以看出,3个物理量在3种模型中的预测结果的RMSE规律相似。即CM的RMSE最大值、最小值、4分位数、中位数最大,RMSE值跨度较大,即波动范围较大;TM次之,STM的RMSE则波动范围最小,最大值、最小值、4分位数、中位数都较小。说明STM模型的精度相对更高,且更加稳定,TM次之,CM则精度最低,亮温预测精度波动性大。
为了定量描述3种模型的精度差异,表5列出了3个物理量分别由STM、TM、CM计算得到的RMSE的均值、最大值、最小值、标准差以及相对变化幅度。由表5可以看出,STM的22波段亮温、31波段亮温、22波段与31波段亮温差的RMSE相比CM、TM整体有很大的降低,即精度上升明显。总体上,STM的RMSE均值相比CM降低16%,相比TM降低9%;最大值分别降低21%,11%;最小值分别降低14%,13%;标准差分别降低22%,11%。STM相比CM、TM的RMSE降幅不一致,说明TM较CM的优越性。其中,STM相较TM的RMSE均值、最大值、标准差3个统计值降幅差距基本为CM的1/2,但最小值变化不大,主要原因是31波段TM的RMSE最小值大于CM,说明TM模型在31波段未获得比CM更高的的精度最大值。总体来看,各个波段物理量有相同的降幅规律,即相比CM、TM,STM的亮温预测精度有很大幅度的提升,而TM在个别波段的精度低于CM,如22波段与31波段亮温差的RMSE最大值、标准差以及31波段的RMSE最小值。
表5模型预测RMSE统计量比较
(1)偏差结果比较
基于224个潜在火点的观测值与预测值的偏差结果进行正态分布拟合,得到如图6的结果。由图6可知,3个模型在不同波段的偏差结果有相似的规律:22波段的偏差范围最大,31波段次之,22波段与31波段差的偏差最小;CM模型中3个物理量的偏差都明显右偏,说明CM模型的预测值整体偏大,STM、TM模型中两波段差的预测结果整体偏大,22波段整体结果较好,而31波段整体结果偏小;3个物理量基于不同模型的偏差结果相似:CM偏差范围最大,TM次之,STM最小;由正态分布拟合方程来看(N(μ,δ2),μ表示均值,δ2表示方差。分别决定曲线分布的位置以及平缓程度),3个物理量中,STM拟合的正态分布均值更接近0,方差更小,TM次之,说明STM的预测偏差更接近0,图像更加陡峭,即接近于0的偏差比例更高,说明STM结果精度最高。
为了定量描述3种模型的偏差结果差异,表6列出了3个物理量分别由STM、TM、CM计算得到的偏差的均值、最大值、最小值、标准差以及相对变化幅度。
表6模型预测偏差统计量比较
由表6可以看出,STM的22波段亮温、31波段亮温、22波段与31波段亮温差的偏差相比CM、TM整体有很大的降低,即精度上升明显。总体上,STM的偏差均值相比CM降低88%,相比TM升高33%,说明STM的偏差均值整体大于TM;最大值分别降低89%,22%;最小值分别降低89%,27%;标准差分别降低93%,22%。STM相比TM的偏差降幅相对CM较小,说明TM较CM的优越性。STM的偏差均值较CM大,但其余统计量STM结果优于CM。
2.2亮温预测模型精度的时间变化分析
分别计算每一幅影像内所有潜在火点像元预测值与观测值间的RMSE来分析3种模型随时间的精度变化情况,则3个物理量依据不同亮温预测模型分别有61个误差计算结果。图6为STM模型在22波段、31波段及两波段差的亮温预测精度变化情况。3个物理量的变化规律相似,即预测前期较稳定,后期波动较大;31波段的波动最大,两波段差波动最小。
为了探究STM模型精度随时间变化的原因,分别与CM、TM的RMSE进行比较。图7分别为3个物理量的CM与STM的RMSE差值、CM与TM的RMSE差值变化图。由图可以看出,3个物理量的变化规律相似,CM分别与STM、TM的RMSE差值基本大于0,说明STM、TM模型精度更高。以22波段为例,TM模型精度优于CM的影像比例为74%,STM模型精度优于CM的影像比例为90%,STM模型相比TM模型使亮温预测精度低于CM的比例降低了16%,且CM与STM的RMSE差值相较CM与TM的RMSE差值更大,说明STM相比TM可以获得更高的亮温预测精度。22波段、31波段中,CM与STM的RMSE差值稳定,波段差的RMSE差值绝对值有减小的趋势,说明STM模型具有稳定性,后期稳定性有增加的趋势。
3结论与讨论
本发明构建的基于空间上下文的时空结合的亮温预测模型(STM),分别对比TM与基于空间上下文的亮温预测模型(CM),通过RMSE、偏差等定量指标来衡量STM、TM、CM3种模型的精度,并分析探讨模型亮温预测精度随时间的变化规律,结论如下。
(1)通过比较所有潜在火点像元的亮温预测结果:RMSE以及偏差,可以看出:STM可以获得更高的精度、TM模型次之、CM精度最低。STM的RMSE均值相比CM降低16%,相比TM降低9%;最大值分别降低21%,11%;最小值分别降低14%,13%;标准差分别降低22%,11%,即STM的RMSE整体下降,波动减小;且TM在31波段的精度最大值低于CM,说明TM模型的不稳定性,而STM模型可以更加准确、稳定的预测亮温。从正态分布拟合图中看出,STM的偏差相比TM、CM更接近0,且偏差波动范围更小;从统计结果中可以得到,22波段与31波段的亮温差的偏差均值结果较TM更大,整体偏差较大。但STM模型的偏差最大值相比CM、TM分别降低89%,22%;最小值分别降低89%,27%;标准差分别降低93%,22%,整体偏差较小,且波动范围更小。
(2)通过分析模型亮温精度随时间的变化情况可看出:STM模型的亮温预测结果前期精度较高,后期精度波动范围大。通过分析CM与TM分别与STM的精度差异,STM相比TM,提升了精度低于CM的影像比例(16%),相比TM模型,STM整体降低了RMSE,且RMSE差值稳定,绝对值整体逐渐减小,说明STM模型具有稳定性,且随时间的变化更加趋于稳定。
Claims (6)
1.一种面向MODIS林火探测的亮温预测方法,包括:
步骤A:接收设定区域和时间的MODIS数据;
步骤B:处理所述MODIS数据;
所述步骤B包括:
步骤B01:数据预处理,包括对所述MODIS数据的几何校正、格式转换、投影转换以及去除蝴蝶结效应;
步骤B02:对所述预处理后的数据,进行数据拼接、剔除无效数据以及筛选每日时间接近的影像;
步骤B03:通过辐射定标以及亮温计算获得影像像元在每一时刻的反射率和亮温数据;
步骤B04:删除云体和水体,识别潜在火点像元,提取有效背景像元,得到潜在火点像元的亮温时间序列数据、所述潜在火点像元的有效背景像元的亮温时间序列数据;
步骤C:计算像元亮温,其中,所述步骤C包括:
式中,wi为背景像元i的距离权重,由公式(3)计算得到;
式中,p是一个正实数,p的取值范围为[0.5,3];hi为背景像元i与中心像元o的距离;
步骤C03:计算第tk时刻中心像元o的亮温:
2.根据权利要求1所述的方法,其中,所述步骤A中,所述MODIS数据包括MOD02 1km数据、MOD03 1km地理校正数据以及MODIS 3级土地覆盖类型数据MCD12Q1 500m数据。
3.根据权利要求1所述的方法,其中,在所述步骤B04中,基于空间上下文中设定的反射率、亮温阈值来识别潜在火点像元。
4.根据权利要求1所述的方法,其中,所述步骤C01中,ρ1为0.25。
5.根据权利要求1所述的方法,其中,p等于2。
6.根据权利要求1所述的方法,其中,背景邻域像元与中心像元的空间距离为几何距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710815724.5A CN107576399B (zh) | 2017-09-12 | 2017-09-12 | 面向modis林火探测的亮温预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710815724.5A CN107576399B (zh) | 2017-09-12 | 2017-09-12 | 面向modis林火探测的亮温预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107576399A CN107576399A (zh) | 2018-01-12 |
CN107576399B true CN107576399B (zh) | 2020-11-24 |
Family
ID=61032898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710815724.5A Active CN107576399B (zh) | 2017-09-12 | 2017-09-12 | 面向modis林火探测的亮温预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107576399B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348421A (zh) * | 2019-07-18 | 2019-10-18 | 北华航天工业学院 | 基于modis数据的温带地区森林火灾检测方法 |
CN112697279B (zh) * | 2020-12-14 | 2022-07-29 | 电子科技大学 | 一种基于空间上下文特征的森林火点大范围检测方法 |
CN112665728B (zh) * | 2020-12-15 | 2022-04-15 | 中国科学院空天信息创新研究院 | 一种基于双时相影像的亮温差校正火点检测的方法 |
CN117911887B (zh) * | 2023-12-20 | 2024-07-19 | 西南交通大学 | 基于Sentinel-2的森林火灾烟雾识别及火点检测方法及系统 |
Citations (5)
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 |
CN102193093A (zh) * | 2010-03-15 | 2011-09-21 | 北京师范大学 | 环境小卫星hj森林或草原火灾小火点探测系统及其方法 |
CN104615848A (zh) * | 2014-12-26 | 2015-05-13 | 中国南方电网有限责任公司 | 一种集森林火险预报和地面火点监测于一体的综合应用方法 |
CN105678237A (zh) * | 2015-12-31 | 2016-06-15 | 张弓 | 一种火点确定方法及系统 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104269012B (zh) * | 2014-09-28 | 2017-01-25 | 浙江大学 | 基于modis数据的输电线路附近山火监测方法 |
-
2017
- 2017-09-12 CN CN201710815724.5A patent/CN107576399B/zh active Active
Patent Citations (5)
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 |
CN102193093A (zh) * | 2010-03-15 | 2011-09-21 | 北京师范大学 | 环境小卫星hj森林或草原火灾小火点探测系统及其方法 |
CN104615848A (zh) * | 2014-12-26 | 2015-05-13 | 中国南方电网有限责任公司 | 一种集森林火险预报和地面火点监测于一体的综合应用方法 |
CN105678237A (zh) * | 2015-12-31 | 2016-06-15 | 张弓 | 一种火点确定方法及系统 |
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 |
Non-Patent Citations (1)
Title |
---|
A Spatio-Temporal Model for Forest Fire Detection Using MODIS Data;Jing Li et al.;《Geophysical Research Abstracts》;20170430;第19卷;第1-2页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107576399A (zh) | 2018-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Monitoring hourly night-time light by an unmanned aerial vehicle and its implications to satellite remote sensing | |
CN112435207B (zh) | 一种基于天空地一体化的森林火灾监测预警方法 | |
Kuc et al. | Sentinel-2 imagery for mapping and monitoring imperviousness in urban areas | |
CN107576399B (zh) | 面向modis林火探测的亮温预测方法和系统 | |
Long et al. | Retrieving cloud characteristics from ground-based daytime color all-sky images | |
Duveiller et al. | Crop specific green area index retrieval from MODIS data at regional scale by controlling pixel-target adequacy | |
Roy et al. | Monitoring and prediction of land use/land cover change using the integration of Markov chain model and cellular automation in the Southeastern Tertiary Hilly Area of Bangladesh | |
Fu et al. | Estimating landscape net ecosystem exchange at high spatial–temporal resolution based on Landsat data, an improved upscaling model framework, and eddy covariance flux measurements | |
CN110569797B (zh) | 地球静止轨道卫星影像山火检测方法、系统及其存储介质 | |
CN109523510B (zh) | 基于多光谱遥感影像的河道水质空间异常区域检测方法 | |
Deka et al. | Implementation of forest canopy density model to monitor tropical deforestation | |
CN110927120B (zh) | 一种植被覆盖度预警方法 | |
Alonso et al. | Sky camera imagery processing based on a sky classification using radiometric data | |
CN116519557B (zh) | 一种气溶胶光学厚度反演方法 | |
CN114005040B (zh) | 一种基于di的森林扰动变化遥感监测方法及装置 | |
Wang et al. | Fractional vegetation cover estimation method through dynamic Bayesian network combining radiative transfer model and crop growth model | |
Yoo et al. | Spatial downscaling of MODIS land surface temperature: Recent research trends, challenges, and future directions | |
Werkmeister et al. | Comparing satellite-to ground-based automated and manual cloud coverage observations–a case study | |
Jia et al. | Land use and land cover classification using Chinese GF-2 multispectral data in a region of the North China Plain | |
Marsouin et al. | Six years of OSI-SAF METOP-A AVHRR sea surface temperature | |
KR20140115777A (ko) | 해수면 온도를 이용한 적외 영역 기후 피드백 산출 방법 | |
CN114443627A (zh) | 一种陆地和海洋温度的修复方法、系统、计算机设备 | |
Danaher et al. | Remote sensing of tree-grass systems: The Eastern Australian Woodlands | |
Li et al. | Mapping daily leaf area index at 30 m resolution over a meadow steppe area by fusing Landsat, Sentinel-2A and MODIS data | |
Solaimani et al. | Land use/cover change detection based on remote sensing data (A case study; Neka Basin) |
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 |