CN110379113A - 一种基于卫星遥感数据森林火灾预警的方法 - Google Patents
一种基于卫星遥感数据森林火灾预警的方法 Download PDFInfo
- Publication number
- CN110379113A CN110379113A CN201910573933.2A CN201910573933A CN110379113A CN 110379113 A CN110379113 A CN 110379113A CN 201910573933 A CN201910573933 A CN 201910573933A CN 110379113 A CN110379113 A CN 110379113A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- forest fire
- remote sensing
- fire alarm
- satellite remote
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012937 correction Methods 0.000 claims abstract description 20
- 239000000446 fuel Substances 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 5
- 230000002265 prevention Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000002834 transmittance Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000019733 Fish meal Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000004467 fishmeal Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/005—Fire alarms; Alarms responsive to explosion for forest fires, e.g. detecting fires spread over a large or outdoors area
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Emergency Management (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种基于卫星遥感数据森林火灾预警的方法,解决了现有的森林火险预报精度不够的问题,包含以下步骤;获取影像数据,进行辐射校正、几何校正和投影变换;用处理过的影像数据计算地表温度;用处理过的影像数据计算归一化植被指数从而计算植被覆盖率;获取全色影像和多光谱影像并对其进行几何校正,将全色影像和多光谱影像融合用于进行植被分类,结合气象因素构建不同植被类型的可燃物含水率模型,计算出不同类型植被的含水率;通过地表温度、植被覆盖率和不同类型植被的含水率计算出森林火险动态危险指数,根据森林火险动态危险指数对火险等级进行分类。采用本方法比直接通过遥感卫星参数所确定的可燃物含水率模型精度要高的多。
Description
技术领域
本申请涉及遥感领域,尤其涉及一种基于卫星遥感数据森林火灾预警的方法。
背景技术
现有的森林火险预警方案主要是利用卫星遥感数据进行地表温度反演、植被覆盖度计算、可燃物含水率计算,最后通过公式计算森林火险指数。现有技术缺点是卫星遥感数据反演的可燃物含水率没有考虑植被类型的因素。
森林火灾的发生很大程度上取决于可燃物含水率的高低,而植被类型对可燃物含水率的影响很大,不考虑植被类型计算的森林火险指数,精度较低。
发明内容
本申请提供一种基于卫星遥感数据森林火灾预警的方法,解决了现有的森林火险预报精度不够的问题。
本申请实施例提出一种基于卫星遥感数据森林火灾预警的方法包含以下步骤:
获取初始影像数据,进行辐射校正、几何校正和投影变换;
用处理过的初始影像数据计算地表温度;
用处理过的初始影像数据计算归一化植被指数,计算植被覆盖率;
获取全色影像和多光谱影像,对两种影像进行几何校正后进行融合,用融合的影像进行植被分类,结合气象因素构建植被的可燃物含水率模型,计算出植被的含水率;
通过地表温度、植被覆盖率和植被的含水率计算出森林火险动态危险指数,根据森林火险动态危险指数对火险等级进行分类。
进一步地,所述植被的含水率根据公式计算。
进一步地,所述森林火险动态危险指数根据公式计算。
优选地,所述初始影像数据采用Modis L1B数据。
优选地,所述地表温度通过分裂窗算法计算。
优选地,采用高分2号卫星数据GF-2获取所述全色影像和多光谱影像。
优选地,采用Pan sharpening方法融合所述全色影像和多光谱影像。
优选地,通过深度学习U-net的方法进行植被分类。
进一步地,所述可燃物含水率模型,可燃物含水率由植被类型参数、相对湿度、温度、风速和降水量信息确定;用测量仪器测出多个时间点相对湿度、温度、风速和降水量数值和每个时间点的可燃物含水率,拟合出植被类型参数具体数值,构建出相应的可燃物含水率模型。
进一步地,所述高分2号卫星数据GF-2的全色影像分辨率为1m,多光谱影像分辨率为4m。
进一步地,所述Pan sharpening方法,将1m分辨率的全色影像和4m的多光谱影像进行融合,生成1m的新影像。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
利用高分辨率遥感影像结合深度学习的方法进行森林植被类型分类可以很好的解决森林植被类型复杂,获取森林中各植被分布困难的问题,通过植被信息与气象因素结合构建的不同类型植被可燃物含水率模型,比直接通过遥感卫星参数所确定的可燃物含水率模型精度要高得多。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为一种基于卫星遥感数据森林火灾预警的方法示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为一种基于卫星遥感数据森林火灾预警的方法示意图。
本申请实施例提出一种基于卫星遥感数据森林火灾预警的方法包含以下步骤:
步骤101、获取影像数据,进行辐射校正、几何校正和投影变换。
在步骤101中,所述影像数据需要进行辐射校正、几何校正和投影变换。所述影像数据为中等分辨率影像。
所述辐射校正,是指对由于外界因素,数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正,消除或改正因辐射误差而引起影像畸变的过程。
所述几何校正,用于校正由几何畸变给基于遥感图像的定量分析、变化检测、图像融合、地图测量或更新等处理带来的误差。
所述投影变换(projection transformation)是将一种地图投影点的坐标换为另一种地图投影点的坐标的过程。
例如,所述影像可以采用Modis L1B数据也可以采用哨兵系列卫星数据或Landsat系列卫星数据。
所述Modis L1B数据是从网站直接下载的,它的空间分辨率是1km,每天过境我国4次,因此每天都能获得数据。而哨兵系列卫星数据或Landsat系列卫星数据需要短则10天,长则半个月才能获取一次数据。因此优选地,所述影像采用Modis L1B数据。
步骤102、用处理过的影像数据计算地表温度。
所述地表温度通过分裂窗算法计算。
在步骤102中,用经过数据处理的影像通过分裂窗算法计算出地表温度。
例如,Modis L1B数据经过辐射校正、几何校正和投影变换后通过公式(1)计算:
Ts=A0+A1T31-A2T32 (1)
式中:Ts为地表温度(K);T31和T32分别是Modis L1B第31和32波段的亮度温度,由第31、32波段的DN值转换为辐射强度后,根据Plank方程计算得出。A0、A1和A2是分裂窗算法的参数,分别定义如下:
A0=a31D32(1-C31-D31)/(D32C31-D31C32)-a32D31(1-C32-D32)/(D32C31-D31C32)
A1=1+D31/(D32C31-D31C32)+b31D32(1-C31-D31)/(D32C31-D31C32)
A2=D31/(D32C31-D31C32)+b32D31(1-C32-D32)/(D32C31-D31C32)
其中:Ci=εiτi,Di=(1-τi)[1+(1-εi)τi],a31=-64.6036,b31=0.44081;a32=-68.7258,b32=0.4735;τi是i(i=31,32)波段的大气透过率;εi是i波段的地表比辐射率。
所述大气透过率,采用两通道比值法从遥感影像上反演大气的水汽含量。再利用大气水汽含量与大气透过率的关系推算出大气透过率。
所述地表比辐射率,通过比辐射率反演来确定,物体与黑体在同温度、同波长下的辐射出射度的比值,它受物体的表面状态、介电常数、含水量、温度、物体辐射能的波长、观测角度等多种因素的影响。目前求地表比辐射率的方法主要有差值法、独立温度光谱指数法和NDVI门槛值法等方法。由于Modis影像图像分辨率较低,Modis像元主要由水面、植被和裸土3种地物类型构成,故利用NDV I门槛值法来确定比辐射率。
所述亮度温度因子,通过Planck方程确定亮度温度因子。
步骤103、用处理过的初始影像数据计算归一化植被指数,计算植被覆盖率。
在步骤103中根据公式计算归一化植被指数,计算公式为:
NDVI=(NIR-R)/(NIR+R) (2)
式中NDVI为归一化植被指数,NIR为近红外波段的反射率(对应Modis L1B数据的2波段)、R为红光波段的反射率(对应Modis L1B数据的1波段)。
根据公式计算植被覆盖率,计算公式为:
式中NDVIi是制定像元点的植被指数,NDVImin是一段历史时期内该像元点植被指数的最小值,NDVImax是该像元点对应时期内植被指数最大值。
需要说明的是,NDVIi是即时的数据,而NDVImin和NDVImax是一段时期的历史数据。
所述一段时期的历史数据,指的是此次火灾之前一整段森林防火期。
步骤104、获取全色影像和多光谱影像,对两种影像进行几何校正后进行融合,用融合的影像进行植被分类,结合气象因素构建植被的可燃物含水率模型,计算出植被的含水率。
例如,所述全色影像和多光谱影像可以采用高分2号卫星数据GF-2,也可以采用Quickbird或Worldview数据。
所述高分2号卫星数据GF-2是完全免费的数据,但是相较Quickbird或worldview数据,分辨率低。高分2号卫星数据的全色影像分辨率为1m,多光谱影像分辨率为4m。Quickbird或Worldview数据的全色影像分辨率为0.61m/0.31m,多光谱影像分辨率为2.44m/1.24m。
需要说明的是,遥感图像在采集过程中,遥感器高度和姿态角的变化、大气折光、地球曲率、地形起伏、地球旋转和遥感器本身结构性能等都会引起图像几何变形。几何变形使图像中的几何图形与该物体在所选定的地图投影中的几何图形产生差异,使图像产生了几何形状或位置的失真,主要表现为位移、旋转、缩放、仿射、弯曲和更高阶的弯曲,或表现为象元相对地面实际位置产生挤压、伸展、扭曲或偏移。因此需要对全色影像和多光谱影像进行几何校正。
采用Pan sharpening方法将全色影像和多光谱影像进行融合。
例如,高分2号卫星数据GF-2采用所述Pan sharpening方法,将1m分辨率的全色影像和4m的多光谱影像进行融合,生成1m的新影像。
Quickbird或Worldview数据采用Pan sharpening方法,将0.61m/0.31m分辨率的全色影像和2.44m/1.24m的多光谱影像进行融合,生成0.61m/0.31m的新影像。
采用深度学习U-Net的方法进行植被分类,将分类的植被信息结合气象因素构建植被的可燃物含水率模型,计算出植被的含水率。
例如,采用了深度学习U-Net的方法进行植被分类,分类后得出的植被信息通过公式与气象因素构建植被的可燃物含水率模型,该公式为:
M=ax+by+cz+dq+n(4)
式中M是可燃物含水率;a,b,c,d为植被类型的参数;n是常数;x,y,z,q分别是相对湿度、温度、风速和降水量信息。
所述相对湿度为采样期间1小时的平均相对湿度;所述温度为采样期间1小时的平均温度;所述风速为采样期间的1小时的平均风速;所述降水量为连续无雨日数。
需要说明的是M的计算方法为:
计算出的M和x,y,z,q带入公式(4),大量的数据带入公式(4)中计算得出a,b,c,d,n。
用测量仪器测出五个不同时间点x,y,z,q的数值和每个时间点的M值,带入公式中,推导出a,b,c,d,n的具体数值,从而构建出相应的可燃物含水率模型。
需要说明的是,至少取五组数据推导a,b,c,d,n的具体数值,取的M和x,y,z,q组数越多,推导出的a,b,c,d,n越精确,优选的,取1000组M和x,y,z,q数据推导a,b,c,d,n。
步骤105、地表温度、植被覆盖率和不同类型植被的含水率计算出森林火险动态危险指数,根据森林火险动态危险指数对火险等级进行分类。
在步骤105中,通过将地表温度、植被覆盖率和不同类型制备的含水率带入公式计算出森林火险动态危险指数。该公式为:
式中:FDDI为森林火险动态危险指数,M为森林中各植被类型可燃物含水率、RG为植被覆盖度、T为像元的地表温度,Tmin是一段历史时期内该像元点地表温度的最小值,Tmax是一段历史时期内该像元点地表温度的最大值(防火期)。
需要说明的是,本申请的方法的步骤102、103、104没有先后顺序。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于卫星遥感数据森林火灾预警的方法,其特征在于,包含以下步骤:
获取初始影像数据,进行辐射校正、几何校正和投影变换;
用处理过的初始影像数据计算地表温度;
用处理过的初始影像数据计算归一化植被指数,计算植被覆盖率;
获取全色影像和多光谱影像,对两种影像进行几何校正后进行融合,用融合的影像进行植被分类,结合气象因素构建植被的可燃物含水率模型,计算出植被的含水率;
通过地表温度、植被覆盖率和植被的含水率计算出森林火险动态危险指数,根据森林火险动态危险指数对火险等级进行分类。
2.根据权利要求1所述基于卫星遥感数据森林火灾预警的方法,其特征在于,所述可燃物含水率模型公式为:
M=ax+by+cz+dq+n
式中:M是可燃物含水率;a,b,c,d为植被类型的参数;n是常数;x,y,z,q分别是相对湿度、温度、风速和降水量信息;
用测量仪器测出不同时间点x,y,z,q的数值和每个时间点的M值,带入公式中,推导出a,b,c,d,n的具体数值,构建出相应的可燃物含水率模型。
3.根据权利要求1所述基于卫星遥感数据森林火灾预警的方法,其特征在于,所述植被的含水率根据公式:
计算。
4.根据权利要求1所述基于卫星遥感数据森林火灾预警的方法,其特征在于,所述森林火险动态危险指数为:
式中:FDDI为森林火险动态危险指数,M为森林中各植被类型可燃物含水率、RG为植被覆盖度、T为像元的地表温度,Tmin是防火期内该像元点地表温度的最小值,Tmax是防火期内该像元点地表温度的最大值。
5.根据权利要求1~4任意一项所述基于卫星遥感数据森林火灾预警的方法,其特征在于,所述初始影像数据采用Modis L1B数据。
6.根据权利要求1~4任意一项所述基于卫星遥感数据森林火灾预警的方法,其特征在于,所述地表温度通过分裂窗算法计算。
7.根据权利要求1~4任意一项所述基于卫星遥感数据森林火灾预警的方法,其特征在于,采用高分2号卫星数据GF-2获取所述全色影像和多光谱影像。
8.根据权利要求1~4任意一项所述基于卫星遥感数据森林火灾预警的方法,其特征在于,采用Pan sharpening方法融合所述全色影像和多光谱影像。
9.根据权利要求1~4任意一项所述基于卫星遥感数据森林火灾预警的方法,其特征在于,通过深度学习U-net的方法进行植被分类。
10.根据权利要求7所述基于卫星遥感数据森林火灾预警的方法,其特征在于,所述高分2号卫星数据GF-2的全色影像分辨率为1m,多光谱影像分辨率为4m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910573933.2A CN110379113A (zh) | 2019-06-28 | 2019-06-28 | 一种基于卫星遥感数据森林火灾预警的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910573933.2A CN110379113A (zh) | 2019-06-28 | 2019-06-28 | 一种基于卫星遥感数据森林火灾预警的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110379113A true CN110379113A (zh) | 2019-10-25 |
Family
ID=68251274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910573933.2A Pending CN110379113A (zh) | 2019-06-28 | 2019-06-28 | 一种基于卫星遥感数据森林火灾预警的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110379113A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111650666A (zh) * | 2020-05-28 | 2020-09-11 | 北京中科锐景科技有限公司 | 一种低温秸秆焚烧点监测方法、装置 |
CN112102578A (zh) * | 2020-09-16 | 2020-12-18 | 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 |
CN112183319A (zh) * | 2020-09-27 | 2021-01-05 | 中国林业科学研究院资源信息研究所 | 基于遥感图像和植被类型图的森林草原火灾火势判别方法 |
CN112216052A (zh) * | 2020-11-18 | 2021-01-12 | 北京航天泰坦科技股份有限公司 | 森林防火监测预警方法和装置及设备、存储介质 |
CN112543426A (zh) * | 2020-11-30 | 2021-03-23 | 超越科技股份有限公司 | 一种环境可燃物含水率实时监控方法、设备及系统 |
CN112633588A (zh) * | 2020-12-30 | 2021-04-09 | 中国林业科学研究院资源信息研究所 | 一种基于多源数据融合的林火行为潜势预测方法 |
CN113139296A (zh) * | 2021-05-10 | 2021-07-20 | 中南林业科技大学 | 一种基于卫星遥感的森林火灾风险预警方法 |
CN113223262A (zh) * | 2021-05-06 | 2021-08-06 | 四川大熊猫数字科技发展有限公司 | 一种多源火情数据综合汇聚处理系统及方法 |
CN113362553A (zh) * | 2021-06-08 | 2021-09-07 | 内蒙古工业大学 | 基于多源异构数据的草原火灾监测预警方法及装置 |
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 |
CN113469525A (zh) * | 2021-06-30 | 2021-10-01 | 南京森林警察学院 | 基于主导因子评估的森林草原火险天气等级评估方法 |
CN113486814A (zh) * | 2021-07-08 | 2021-10-08 | 厦门理工学院 | 一种基于时空融合算法的森林火灾遥感动态监测方法 |
CN113506431A (zh) * | 2021-06-30 | 2021-10-15 | 南京森林警察学院 | 一种基于多平台的森林草原火险监测预警方法和装置 |
CN113514402A (zh) * | 2021-04-12 | 2021-10-19 | 新疆农业大学 | 一种冬小麦叶绿素含量的预测系统及方法 |
CN114333207A (zh) * | 2021-12-30 | 2022-04-12 | 北京航天泰坦科技股份有限公司 | 基于遥感数据的火灾全过程监测方法和装置 |
CN114548812A (zh) * | 2022-03-01 | 2022-05-27 | 武汉鸟瞰天下科技有限公司 | 一种森林草原火灾风险预报决策方法、装置及计算机设备 |
CN115331116A (zh) * | 2022-10-13 | 2022-11-11 | 潍坊绘圆地理信息有限公司 | 基于多模态数据的地面目标精准识别星上模糊推理方法 |
CN116842343A (zh) * | 2023-07-04 | 2023-10-03 | 南京林业大学 | 基于卫星观测与空间换算量化城市森林对温度影响的方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103065045A (zh) * | 2012-12-21 | 2013-04-24 | 浙江农林大学 | 耦合气象与植被的森林火险预报方法 |
CN103593584A (zh) * | 2013-11-29 | 2014-02-19 | 民政部国家减灾中心 | 一种区域火灾风险估计方法 |
CN103854413A (zh) * | 2014-03-10 | 2014-06-11 | 南京林业大学 | 一种森林火灾天气指数预警系统及应用 |
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 |
US20160132714A1 (en) * | 2013-04-30 | 2016-05-12 | The Regents Of The University Of California | Fire urgency estimator in geosynchronous orbit (fuego) |
CN105787457A (zh) * | 2016-03-08 | 2016-07-20 | 浙江工商大学 | 一种modis卫星集成dem提高植被分类遥感精度的估算方法 |
CN106886841A (zh) * | 2017-02-24 | 2017-06-23 | 湖南省湘电试研技术有限公司 | 无需实时采集现场信息的线路山火灾害评估方法及系统 |
CN107784277A (zh) * | 2017-10-17 | 2018-03-09 | 国网湖南省电力公司 | 一种山火判识方法和系统 |
CN107945446A (zh) * | 2017-11-20 | 2018-04-20 | 北京中科锐景科技有限公司 | 基于多源卫星的监测对森林热点进行识别的方法及设备 |
-
2019
- 2019-06-28 CN CN201910573933.2A patent/CN110379113A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103065045A (zh) * | 2012-12-21 | 2013-04-24 | 浙江农林大学 | 耦合气象与植被的森林火险预报方法 |
US20160132714A1 (en) * | 2013-04-30 | 2016-05-12 | The Regents Of The University Of California | Fire urgency estimator in geosynchronous orbit (fuego) |
CN103593584A (zh) * | 2013-11-29 | 2014-02-19 | 民政部国家减灾中心 | 一种区域火灾风险估计方法 |
CN103854413A (zh) * | 2014-03-10 | 2014-06-11 | 南京林业大学 | 一种森林火灾天气指数预警系统及应用 |
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 |
CN105787457A (zh) * | 2016-03-08 | 2016-07-20 | 浙江工商大学 | 一种modis卫星集成dem提高植被分类遥感精度的估算方法 |
CN106886841A (zh) * | 2017-02-24 | 2017-06-23 | 湖南省湘电试研技术有限公司 | 无需实时采集现场信息的线路山火灾害评估方法及系统 |
CN107784277A (zh) * | 2017-10-17 | 2018-03-09 | 国网湖南省电力公司 | 一种山火判识方法和系统 |
CN107945446A (zh) * | 2017-11-20 | 2018-04-20 | 北京中科锐景科技有限公司 | 基于多源卫星的监测对森林热点进行识别的方法及设备 |
Non-Patent Citations (3)
Title |
---|
THOMAS W. GILLESPIE等: "Monitoring changes of NDVI in protected areas of southern California", 《ECOLOGICAL INDICATORS》 * |
卢欣艳等: "北京西山林场可燃物含水率与气象要素关系", 《林业资源管理》 * |
李晓恋: "基于MODIS数据的多因子协同作用下森林火灾预测监测研究", 《中国博士学位论文全文数据库农业科技辑》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111650666A (zh) * | 2020-05-28 | 2020-09-11 | 北京中科锐景科技有限公司 | 一种低温秸秆焚烧点监测方法、装置 |
CN111650666B (zh) * | 2020-05-28 | 2023-08-18 | 北京中科锐景科技有限公司 | 一种低温秸秆焚烧点监测方法、装置 |
CN112102578A (zh) * | 2020-09-16 | 2020-12-18 | 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 |
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 |
CN112183319A (zh) * | 2020-09-27 | 2021-01-05 | 中国林业科学研究院资源信息研究所 | 基于遥感图像和植被类型图的森林草原火灾火势判别方法 |
CN112183319B (zh) * | 2020-09-27 | 2023-09-29 | 中国林业科学研究院资源信息研究所 | 基于遥感图像和植被类型图的森林草原火灾火势判别方法 |
CN112216052A (zh) * | 2020-11-18 | 2021-01-12 | 北京航天泰坦科技股份有限公司 | 森林防火监测预警方法和装置及设备、存储介质 |
CN112543426A (zh) * | 2020-11-30 | 2021-03-23 | 超越科技股份有限公司 | 一种环境可燃物含水率实时监控方法、设备及系统 |
CN112633588A (zh) * | 2020-12-30 | 2021-04-09 | 中国林业科学研究院资源信息研究所 | 一种基于多源数据融合的林火行为潜势预测方法 |
CN112633588B (zh) * | 2020-12-30 | 2021-08-06 | 中国林业科学研究院资源信息研究所 | 一种基于多源数据融合的林火行为潜势预测方法 |
CN113514402A (zh) * | 2021-04-12 | 2021-10-19 | 新疆农业大学 | 一种冬小麦叶绿素含量的预测系统及方法 |
CN113223262A (zh) * | 2021-05-06 | 2021-08-06 | 四川大熊猫数字科技发展有限公司 | 一种多源火情数据综合汇聚处理系统及方法 |
CN113139296A (zh) * | 2021-05-10 | 2021-07-20 | 中南林业科技大学 | 一种基于卫星遥感的森林火灾风险预警方法 |
CN113362553A (zh) * | 2021-06-08 | 2021-09-07 | 内蒙古工业大学 | 基于多源异构数据的草原火灾监测预警方法及装置 |
CN113506431B (zh) * | 2021-06-30 | 2022-09-23 | 南京森林警察学院 | 一种基于多平台的森林草原火险监测预警方法和装置 |
CN113506431A (zh) * | 2021-06-30 | 2021-10-15 | 南京森林警察学院 | 一种基于多平台的森林草原火险监测预警方法和装置 |
CN113469525B (zh) * | 2021-06-30 | 2023-07-21 | 南京森林警察学院 | 基于主导因子评估的森林草原火险天气等级评估方法 |
CN113469525A (zh) * | 2021-06-30 | 2021-10-01 | 南京森林警察学院 | 基于主导因子评估的森林草原火险天气等级评估方法 |
CN113486814A (zh) * | 2021-07-08 | 2021-10-08 | 厦门理工学院 | 一种基于时空融合算法的森林火灾遥感动态监测方法 |
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 |
CN114333207A (zh) * | 2021-12-30 | 2022-04-12 | 北京航天泰坦科技股份有限公司 | 基于遥感数据的火灾全过程监测方法和装置 |
CN114548812A (zh) * | 2022-03-01 | 2022-05-27 | 武汉鸟瞰天下科技有限公司 | 一种森林草原火灾风险预报决策方法、装置及计算机设备 |
CN115331116A (zh) * | 2022-10-13 | 2022-11-11 | 潍坊绘圆地理信息有限公司 | 基于多模态数据的地面目标精准识别星上模糊推理方法 |
CN116842343A (zh) * | 2023-07-04 | 2023-10-03 | 南京林业大学 | 基于卫星观测与空间换算量化城市森林对温度影响的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110379113A (zh) | 一种基于卫星遥感数据森林火灾预警的方法 | |
CN108764255B (zh) | 一种冬小麦种植信息的提取方法 | |
CN102565778B (zh) | 一种自动提取伪不变特征的遥感图像相对辐射校正方法 | |
CN113537018B (zh) | 基于多时相卫星遥感和无人机技术的水土保持监测方法 | |
CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
CN105404753A (zh) | 基于面向对象-随机森林分类法和中等分辨率遥感影像的沼泽湿地制图的方法 | |
CN113324656B (zh) | 无人机搭载红外遥感的地表热异常探测方法及系统 | |
CN107219497A (zh) | 用于大观测角传感器的交叉辐射定标方法及系统 | |
Tian et al. | Improving the accuracy of spring phenology detection by optimally smoothing satellite vegetation index time series based on local cloud frequency | |
CN106017678B (zh) | 一种热红外高光谱遥感数据在轨光谱定标方法 | |
CN112418133A (zh) | 一种基于多源遥感影像的秸秆焚烧监测方法 | |
CN113447137B (zh) | 一种面向无人机宽波段热像仪的地表温度反演方法 | |
CN104951754A (zh) | 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法 | |
Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
Sepulcre-Canto et al. | Discriminating irrigated and rainfed olive orchards with thermal ASTER imagery and DART 3D simulation | |
CN113776671B (zh) | 昼夜遥感影像短波红外火山温度-发射率联合反演方法 | |
CN115659796A (zh) | 地热高温异常区域预测方法、装置、设备及可读存储介质 | |
CN113076796B (zh) | 喀斯特石漠化的遥感制图方法及装置 | |
Wu et al. | Scaling correction of remotely sensed leaf area index for farmland landscape pattern with multitype spatial heterogeneities using fractal dimension and contextural parameters | |
CN107576399B (zh) | 面向modis林火探测的亮温预测方法和系统 | |
Meng et al. | SOC content of global Mollisols at a 30 m spatial resolution from 1984 to 2021 generated by the novel ML-CNN prediction model | |
Sattari et al. | Assessment of the TsHARP method for spatial downscaling of land surface temperature over urban regions | |
CN108827880A (zh) | 基于多光谱影像和ndvi时间序列的地表覆盖变化检测方法 | |
Wang et al. | Removing temperature drift and temporal variation in thermal infrared images of a UAV uncooled thermal infrared imager | |
CN114782324B (zh) | 一种基于地块形态特征的农田作物行向遥感识别方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 2nd floor, 15 building, community supporting commercial building, maker Town, Wenquan Town, Haidian District, Beijing 100095 Applicant after: BEIJING ZHONGKE RUIJING TECHNOLOGY Co.,Ltd. Address before: Room 1108, 11th floor, Haitai Building, 229 North Fourth Ring Road, Haidian District, Beijing Applicant before: BEIJING ZHONGKE RUIJING TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |