CN112613347A - 一种森林火灾过火范围和烧毁程度的自动识别方法 - Google Patents

一种森林火灾过火范围和烧毁程度的自动识别方法 Download PDF

Info

Publication number
CN112613347A
CN112613347A CN202011395730.8A CN202011395730A CN112613347A CN 112613347 A CN112613347 A CN 112613347A CN 202011395730 A CN202011395730 A CN 202011395730A CN 112613347 A CN112613347 A CN 112613347A
Authority
CN
China
Prior art keywords
remote sensing
sensing image
forest fire
vegetation index
fire
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.)
Granted
Application number
CN202011395730.8A
Other languages
English (en)
Other versions
CN112613347B (zh
Inventor
齐文文
许冲
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.)
National Institute of Natural Hazards
Original Assignee
National Institute of Natural Hazards
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 National Institute of Natural Hazards filed Critical National Institute of Natural Hazards
Priority to CN202011395730.8A priority Critical patent/CN112613347B/zh
Publication of CN112613347A publication Critical patent/CN112613347A/zh
Application granted granted Critical
Publication of CN112613347B publication Critical patent/CN112613347B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种森林火灾过火范围和烧毁程度的自动识别方法，包括：获取灾前云量覆盖率低的长时间序列遥感影像，记为灾前遥感影像序列，计算其中的每幅遥感影像的归一化植被指数；采用最小二乘回归方法对灾前遥感影像序列中每幅遥感影像的归一化植被指数NDVI进行逐像元回归，得到无火灾扰动情况下每个像元的年尺度的植被指数初始曲线；获取灾后云量覆盖率低的遥感影像，记为灾后遥感影像，计算其归一化植被指数NDVIreal；基于植被指数初始曲线，模拟出无扰动归一化植被指数NDVIfit；根据NDVIfit和NDVIreal，计算森林火灾严重程度指数BSI；基于森林火灾的点位验证数据和BSI，确定森林火灾严重程度指数图像的分割阈值，以识别森林火灾过火范围，并分级划分森林火灾烧毁程度。

Description

一种森林火灾过火范围和烧毁程度的自动识别方法
技术领域
本发明涉及遥感技术、应急管理和防灾减灾领域，尤其涉及一种森林火灾过火范围和烧毁程度的自动识别方法。
背景技术
森林火灾突发性强、蔓延速度快、破坏性大、危险性高，是全球发生最频繁、处置最困难、危害最严重的自然灾害之一。全球气候变化背景下，森林火灾次数、面积及强度显著增加。2019年春季以来，我国山西、四川、内蒙古、河北多地频发森林火灾，山西、四川、陕西、云南、辽宁等地先后发生重大森林火灾，导致了森林资源及生态环境的严重损失，造成严重人员伤亡。
由于森林火灾的突发性强、蔓延速度快、破坏性大、危险性高等特点，加之森林面积普遍较大，发生森林火灾时难以采取有效的扑救手段。快速、准确获取森林火灾的过火范围和烧毁程度信息，对于确定森林火灾影响范围、灾后损失评估，以及火灾原因分析等具有非常重要的意义，有助于提高后续森林火灾的防控能力。
传统的森林火灾数据主要为统计数据，收集费时费力，且数据的数字化程度低，难以全面、完整描述森林火灾的位置、面积、空间范围和烧毁程度等信息。随着遥感数据的时间和空间分辨率逐步提高，其时效性和精确度能够较好的满足森林火灾的监测和防控需求，因此亟需一种基于遥感数据的森林火灾的过火范围和烧毁程度的识别方法。
发明内容
针对传统的森林火灾数据难以全面、完整描述森林火灾的空间范围和烧毁程度等信息的问题，本发明提供一种森林火灾过火范围和烧毁程度的自动识别方法。
本发明提供一种森林火灾过火范围和烧毁程度的自动识别方法，该方法包括：
步骤1：获取森林火灾发生前云量覆盖率低于预设覆盖率值的长时间序列遥感影像，记为灾前遥感影像序列；
步骤2：计算所述灾前遥感影像序列中每幅遥感影像的归一化植被指数NDVI；
步骤3：采用最小二乘回归方法对所述灾前遥感影像序列中每幅遥感影像的归一化植被指数NDVI进行逐像元回归，拟合无火灾扰动情况下每个像元的归一化植被指数回归模型，得到无火灾扰动情况下每个像元的年尺度的植被指数初始曲线；
步骤4：获取森林火灾发生后云量覆盖率低于预设覆盖率值的遥感影像，记为灾后遥感影像，计算所述灾后遥感影像的归一化植被指数NDVIreal；
步骤5：基于无火灾扰动情况下每个像元的年尺度的植被指数初始曲线，模拟出与所述灾后遥感影像在相同时间段内的无扰动归一化植被指数NDVIfit；
步骤6：根据所述无扰动归一化植被指数NDVIfit和所述灾后遥感影像中每个像元的归一化植被指数NDVIreal，计算森林火灾严重程度指数BSI；
步骤7：基于森林火灾的点位验证数据和所述森林火灾严重程度指数BSI，确定森林火灾严重程度指数图像的分割阈值，以识别森林火灾过火范围，并根据所述森林火灾严重程度指数BSI分级划分森林火灾烧毁程度。
进一步地，所述灾前遥感影像为云量覆盖率低于10％且没有大片薄云覆盖的遥感影像；并且，所述灾前遥感影像应满足每月至少1幅的数量要求。
进一步地，按照公式(1)计算归一化植被指数NDVI：
Figure BDA0002815013150000021
其中，NIR为遥感影像的近红外波段，R为遥感影像的红波段。
进一步地，所述最小二乘回归方法采用公式(2)所示的迭代加权最小二乘方法：
Figure BDA0002815013150000022
其中，x为儒略日；i为遥感影像的波段序号；T为一年内的天数；N为遥感影像选用的跨年数目；a0,i为第i个遥感影像波段拟合的常数项；a1,i，b1,i为第i个遥感影像波段的年内变化系数；a2,i，b2,i为第i个遥感影像波段的年际变化系数；
Figure BDA0002815013150000023
为第i个遥感影像波段在儒略日x的拟合预测值。
进一步地，按照公式(3)计算所述森林火灾严重程度指数BSI：
Figure BDA0002815013150000031
进一步地，所述森林火灾的点位验证数据包括森林火灾发生过程中局部区域的高分辨率遥感影像、火灾救灾过程中的现场照片和点位信息。
进一步地，所述森林火灾烧毁程度分为5级：未燃烧、极低烧毁程度、低烧毁程度、中度烧毁程度和高烧毁程度。
本发明的有益效果：
本发明采用重访周期短的卫星遥感数据，充分发挥遥感数据空间覆盖范围大、更新周期短的优势，能够自动提取森林火灾过火范围，并快速识别、评估火灾区域内的烧毁程度，为森林火灾的灾后评估和恢复提供有效的决策信息。
附图说明
图1为本发明实施例提供的一种森林火灾过火范围和烧毁程度的自动识别方法的流程示意图。
具体实施方式
为使本发明的目的、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。
实施例1
如图1所示，本发明实施例提供一种森林火灾过火范围和烧毁程度的自动识别方法，包括以下步骤：
S101：获取森林火灾发生前云量覆盖率低于预设覆盖率值的长时间序列遥感影像，记为灾前遥感影像序列；
S102：计算所述灾前遥感影像序列中每幅遥感影像的归一化植被指数NDVI；
S103：采用最小二乘回归方法对所述灾前遥感影像序列中每幅遥感影像的归一化植被指数NDVI进行逐像元回归，拟合无火灾扰动情况下每个像元的归一化植被指数回归模型，得到无火灾扰动情况下每个像元的年尺度的植被指数初始曲线；
S104：获取森林火灾发生后云量覆盖率低于预设覆盖率值的遥感影像，记为灾后遥感影像，计算所述灾后遥感影像的归一化植被指数NDVIreal；
S105：基于无火灾扰动情况下每个像元的年尺度的植被指数初始曲线，模拟出与所述灾后遥感影像在相同时间段内的无扰动归一化植被指数NDVIfit；
S106：根据所述无扰动归一化植被指数NDVIfit和所述灾后遥感影像中每个像元的归一化植被指数NDVIreal，计算森林火灾严重程度指数BSI；
S107：基于森林火灾的点位验证数据和所述森林火灾严重程度指数BSI，确定森林火灾严重程度指数图像的分割阈值，以识别森林火灾过火范围，并根据所述森林火灾严重程度指数BSI分级划分森林火灾烧毁程度。
实施例2
在上述实施例1的基础上，本发明实施例提供另一种森林火灾过火范围和烧毁程度的自动识别方法，包括以下步骤：
(1)以Sentinel-2卫星遥感影像为例，选取云量覆盖率低于10％，且没有大片薄云覆盖的Sentinel-2影像数据，时间序列影像数据保证每个月至少1幅，获取森林火灾发生前年份从1月1日至12月31日的高质量Sentinel-2时间序列遥感影像数据。
(2)基于Sentinel-2时间序列遥感影像数据，计算所有灾前遥感影像的归一化植被指数NDVI，归一化植被指数NDVI的计算公式为：
Figure BDA0002815013150000041
NDVI计算公式中，NIR为遥感影像的近红外波段，R为遥感影像的红波段，分别对应Sentinel-2遥感影像的第8波段和第4波段数据。
(3)采用迭代加权最小二乘方法对Sentinel-2时间序列遥感影像中每个像元的归一化植被指数NDVI进行回归，迭代加权最小二乘方法的计算公式为：
Figure BDA0002815013150000042
其中，x为儒略日；i为遥感影像的波段序号；T为一年内的天数(T＝365)；N为遥感影像选用的跨年数目；a0,i为第i个遥感影像波段拟合的常数项；a1,i，b1,i为第i个遥感影像波段的年内变化系数；a2,i，b2,i为第i个遥感影像波段的年际变化系数；
Figure BDA0002815013150000043
为第i个遥感影像波段在儒略日x的拟合预测值。
拟合无火灾扰动情况下每个像元的归一化植被指数回归模型，获取无火灾扰动情况下每个像元的年尺度的植被指数初始曲线；
通过对每个像元位置进行归一化植被指数的拟合回归，得到每个像元上的迭代加权最小二乘回归方程，那么针对每个像元都可绘制无火灾扰动情况下的年尺度的植被指数初始曲线，该曲线以儒略日为横坐标，归一化植被指数数值为纵坐标。
(4)针对特定森林火灾事件，获取灾后某一日期的云量覆盖率低的遥感影像，计算其真实的归一化植被指数NDVIreal，获得灾后某一日期的真实归一化植被指数图像。
(5)基于无火灾扰动情况下每个像元的年尺度的植被指数初始曲线，模拟出与灾后遥感影像相同日期的无扰动归一化植被指数NDVIfit，获得模拟的无扰动归一化植被指数图像。
(6)利用模拟的无扰动归一化植被指数NDVIfit与灾后遥感影像的真实的归一化植被指数NDVIreal，计算森林火灾严重程度指数BSI(Burn Severity index)，其计算公式为：
Figure BDA0002815013150000051
并获得森林火灾严重程度指数图像。
(7)基于森林火灾的点位验证数据和森林火灾严重程度指数BSI，确定森林火灾严重程度指数图像的分割阈值；其中，森林火灾的点位验证数据包括森林火灾发生过程中局部区域的高分辨率遥感影像、火灾救灾过程中的现场照片和点位信息。其中，该点位信息是指该现场照片的拍摄点的地理位置信息。
依据该分割阈值，提取森林火灾过火范围的边界，以识别森林火灾过火范围；
根据森林火灾严重程度指数BSI的数值分级，进行森林火灾烧毁程度的分级与判别；其中，森林火灾烧毁程度分为5级，分别为：1-未燃烧、2-极低烧毁程度、3-低烧毁程度、4-中度烧毁程度、5-高烧毁程度，其中数字1-5分别烧毁程度的数字代码。
作为一种可实施方式，通过参考实际应用案例，按照表1确定森林火灾严重程度指数(BSI)的分级体系。
表1森林火灾严重程度指数(BSI)的分级体系表
BSI指数 烧毁程度
≤0.1 未燃烧
0.1-0.25 极低烧毁程度
0.25-0.40 低烧毁程度
0.40-0.60 中度烧毁程度
≥0.60 高烧毁程度
最后应说明的是：以上实施例仅用以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；而这些修改或者替换，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 (7)

1.一种森林火灾过火范围和烧毁程度的自动识别方法，其特征在于，包括：
步骤1：获取森林火灾发生前云量覆盖率低于预设覆盖率值的长时间序列遥感影像，记为灾前遥感影像序列；
步骤2：计算所述灾前遥感影像序列中每幅遥感影像的归一化植被指数NDVI；
步骤3：采用最小二乘回归方法对所述灾前遥感影像序列中每幅遥感影像的归一化植被指数NDVI进行逐像元回归，拟合无火灾扰动情况下每个像元的归一化植被指数回归模型，得到无火灾扰动情况下每个像元的年尺度的植被指数初始曲线；
步骤4：获取森林火灾发生后云量覆盖率低于预设覆盖率值的遥感影像，记为灾后遥感影像，计算所述灾后遥感影像的归一化植被指数NDVIreal；
步骤5：基于无火灾扰动情况下每个像元的年尺度的植被指数初始曲线，模拟出与所述灾后遥感影像在相同时间段内的无扰动归一化植被指数NDVIfit；
步骤6：根据所述无扰动归一化植被指数NDVIfit和所述灾后遥感影像中每个像元的归一化植被指数NDVIreal，计算森林火灾严重程度指数BSI；
步骤7：基于森林火灾的点位验证数据和所述森林火灾严重程度指数BSI，确定森林火灾严重程度指数图像的分割阈值，以识别森林火灾过火范围，并根据所述森林火灾严重程度指数BSI分级划分森林火灾烧毁程度。
2.根据权利要求1所述的方法，其特征在于，所述灾前遥感影像为云量覆盖率低于10％且没有大片薄云覆盖的遥感影像；并且，所述灾前遥感影像应满足每月至少1幅的数量要求。
3.根据权利要求2所述的方法，其特征在于，按照公式(1)计算归一化植被指数NDVI：
Figure FDA0002815013140000011
其中，NIR为遥感影像的近红外波段，R为遥感影像的红波段。
4.根据权利要求1所述的方法，其特征在于，所述最小二乘回归方法采用公式(2)所示的迭代加权最小二乘方法：
Figure FDA0002815013140000012
其中，x为儒略日；i为遥感影像的波段序号；T为一年内的天数；N为遥感影像选用的跨年数目；a0,i为第i个遥感影像波段拟合的常数项；a1,i，b1,i为第i个遥感影像波段的年内变化系数；a2,i，b2,i为第i个遥感影像波段的年际变化系数；
Figure FDA0002815013140000021
为第i个遥感影像波段在儒略日x的拟合预测值。
5.根据权利要求1所述的方法，其特征在于，按照公式(3)计算所述森林火灾严重程度指数BSI：
Figure FDA0002815013140000022
6.根据权利要求1所述的方法，其特征在于，所述森林火灾的点位验证数据包括森林火灾发生过程中局部区域的高分辨率遥感影像、火灾救灾过程中的现场照片和点位信息。
7.根据权利要求1所述的方法，其特征在于，所述森林火灾烧毁程度分为5级：未燃烧、极低烧毁程度、低烧毁程度、中度烧毁程度和高烧毁程度。
CN202011395730.8A 2020-12-03 2020-12-03 一种森林火灾过火范围和烧毁程度的自动识别方法 Active CN112613347B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011395730.8A CN112613347B (zh) 2020-12-03 2020-12-03 一种森林火灾过火范围和烧毁程度的自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011395730.8A CN112613347B (zh) 2020-12-03 2020-12-03 一种森林火灾过火范围和烧毁程度的自动识别方法

Publications (2)

Publication Number Publication Date
CN112613347A true CN112613347A (zh) 2021-04-06
CN112613347B CN112613347B (zh) 2021-07-27

Family

ID=75229292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011395730.8A Active CN112613347B (zh) 2020-12-03 2020-12-03 一种森林火灾过火范围和烧毁程度的自动识别方法

Country Status (1)

Country Link
CN (1) CN112613347B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113947863A (zh) * 2021-10-13 2022-01-18 上海翼枭航空科技有限公司 一种无人航空器的远程控制方法及其系统
CN115601596A (zh) * 2022-10-21 2023-01-13 中国科学院地理科学与资源研究所（Cn） 一种火后森林砍伐分布识别的制图方法及装置

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065413A (zh) * 2012-12-13 2013-04-24 中国电子科技集团公司第十五研究所 获取火灾等级信息的方法及装置
CN103700092A (zh) * 2013-12-04 2014-04-02 中国科学院遥感与数字地球研究所 一种基于时序遥感影像的森林火烧迹地自动提取方法
CN105740642A (zh) * 2016-03-14 2016-07-06 国家电网公司 基于多源遥感数据的modis卫星火点准确性判别方法
WO2016132161A1 (en) * 2015-02-16 2016-08-25 Kontoes Charalampos Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data.
US20160292626A1 (en) * 2013-11-25 2016-10-06 First Resource Management Group Inc. Apparatus for and method of forest-inventory management
CN106780091A (zh) * 2016-12-30 2017-05-31 黑龙江禾禾遥感科技有限公司 基于植被指数时空间统计特征的农业灾害信息遥感提取方法
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
CN107067334A (zh) * 2017-04-21 2017-08-18 中国科学院遥感与数字地球研究所 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
CN107480818A (zh) * 2017-08-09 2017-12-15 中国热带农业科学院科技信息研究所 一种快速评估人类活动对植被覆盖变化影响的方法
CN107843939A (zh) * 2017-10-24 2018-03-27 防灾科技学院 基于无人机热红外影像的煤火识别方法
CN108520363A (zh) * 2018-04-18 2018-09-11 电子科技大学 一种用于预测未来时相森林火灾发生风险的评估方法
CN108664926A (zh) * 2018-05-10 2018-10-16 中南林业科技大学 森林火灾卫星监测云层反射虚假热点的识别方法
CN108734150A (zh) * 2018-05-31 2018-11-02 中南林业科技大学 应用于林火热点判别的avhrr传感器多时相红外辐射归一方法
CN108764212A (zh) * 2018-06-14 2018-11-06 内蒙古蒙草生态环境（集团）股份有限公司 一种用于调查打草场地的遥感自动识别方法
CN109583300A (zh) * 2018-10-29 2019-04-05 同济大学 一种基于多时相Landsat-8 OLI影像短波红外的火灾检测方法
CN109612587A (zh) * 2018-12-18 2019-04-12 广州大学 一种城市热环境成因诊断方法及系统
CN111008565A (zh) * 2019-11-04 2020-04-14 同济大学 基于短波红外和热红外数据特征融合的火烧迹地检测方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065413A (zh) * 2012-12-13 2013-04-24 中国电子科技集团公司第十五研究所 获取火灾等级信息的方法及装置
US20160292626A1 (en) * 2013-11-25 2016-10-06 First Resource Management Group Inc. Apparatus for and method of forest-inventory management
CN103700092A (zh) * 2013-12-04 2014-04-02 中国科学院遥感与数字地球研究所 一种基于时序遥感影像的森林火烧迹地自动提取方法
WO2016132161A1 (en) * 2015-02-16 2016-08-25 Kontoes Charalampos Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data.
CN105740642A (zh) * 2016-03-14 2016-07-06 国家电网公司 基于多源遥感数据的modis卫星火点准确性判别方法
CN106780091A (zh) * 2016-12-30 2017-05-31 黑龙江禾禾遥感科技有限公司 基于植被指数时空间统计特征的农业灾害信息遥感提取方法
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
CN107067334A (zh) * 2017-04-21 2017-08-18 中国科学院遥感与数字地球研究所 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
CN107480818A (zh) * 2017-08-09 2017-12-15 中国热带农业科学院科技信息研究所 一种快速评估人类活动对植被覆盖变化影响的方法
CN107843939A (zh) * 2017-10-24 2018-03-27 防灾科技学院 基于无人机热红外影像的煤火识别方法
CN108520363A (zh) * 2018-04-18 2018-09-11 电子科技大学 一种用于预测未来时相森林火灾发生风险的评估方法
CN108664926A (zh) * 2018-05-10 2018-10-16 中南林业科技大学 森林火灾卫星监测云层反射虚假热点的识别方法
CN108734150A (zh) * 2018-05-31 2018-11-02 中南林业科技大学 应用于林火热点判别的avhrr传感器多时相红外辐射归一方法
CN108764212A (zh) * 2018-06-14 2018-11-06 内蒙古蒙草生态环境（集团）股份有限公司 一种用于调查打草场地的遥感自动识别方法
CN109583300A (zh) * 2018-10-29 2019-04-05 同济大学 一种基于多时相Landsat-8 OLI影像短波红外的火灾检测方法
CN109612587A (zh) * 2018-12-18 2019-04-12 广州大学 一种城市热环境成因诊断方法及系统
CN111008565A (zh) * 2019-11-04 2020-04-14 同济大学 基于短波红外和热红外数据特征融合的火烧迹地检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JOSE RAUL ROMO LEON等: "Using MODIS-NDVI for the Modeling of Post-Wildfire Vegetation Response as a Function of Environmental Conditions and Pre-Fire Restoration Treatments", 《REMOTE SENSING》 *
王强: "基于多源遥感数据估测林火参数的研究", 《中国博士学位论文全文数据库 农业科技辑》 *
谭柳霞等: "林火烈度遥感评估指数适应性分析", 《国土资源遥感》 *
黄轩: "基于多遥感数据的高时空分辨率火点监测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113947863A (zh) * 2021-10-13 2022-01-18 上海翼枭航空科技有限公司 一种无人航空器的远程控制方法及其系统
CN115601596A (zh) * 2022-10-21 2023-01-13 中国科学院地理科学与资源研究所（Cn） 一种火后森林砍伐分布识别的制图方法及装置
CN115601596B (zh) * 2022-10-21 2023-04-07 中国科学院地理科学与资源研究所 一种火后森林砍伐分布识别的制图方法及装置

Also Published As

Publication number Publication date
CN112613347B (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
CN113607284B (zh) 一种利用bfast算法判别潜在火点的方法
Munasinghe et al. Intercomparison of satellite remote sensing‐based flood inundation mapping techniques
CN112613347B (zh) 一种森林火灾过火范围和烧毁程度的自动识别方法
Richardson et al. Uncertainty in urban forest canopy assessment: Lessons from Seattle, WA, USA
Shimabukuro et al. The Brazilian Amazon monitoring program: PRODES and DETER projects
Leigh et al. Identifying and mapping very small (< 0.5 km2) mountain glaciers on coarse to high-resolution imagery
CN103778418A (zh) 一种输电线路杆塔图像监测系统的山火图像识别方法
Juarez et al. An improved estimate of leaf area index based on the histogram analysis of hemispherical photographs
Chianucci et al. Continuous observations of forest canopy structure using low-cost digital camera traps
Hossain et al. Spatiotemporal change detection of land use land cover (LULC) in Fashiakhali wildlife sanctuary (FKWS) impact area, Bangladesh, employing multispectral images and GIS
JP2007065878A (ja) 水面または水中における移動体計数方法、計数装置および計数プログラム
Bassiouni et al. A method for quantifying cloud immersion in a tropical mountain forest using time-lapse photography
CN107576399B (zh) 面向modis林火探测的亮温预测方法和系统
Rimba et al. Evaluating the extraction approaches of flood extended area by using ALOS-2/PALSAR-2 images as a rapid response to flood disaster
Oumar Fire scar mapping for disaster response in KwaZulu-Natal South Africa using Landsat 8 imagery
CN106709922B (zh) 基于图像的牧草覆盖度和生物量自动检测方法
Erfanifard et al. A robust approach to generate canopy cover maps using UltraCam-D derived orthoimagery classified by support vector machines in Zagros woodlands, West Iran
CN115797775A (zh) 基于近地视频图像的违章建筑智能识别方法及系统
CN113361622B (zh) 一种基于静止卫星的过火区提取方法及系统
CN109033984A (zh) 一种夜间雾快速自动检测方法
KR102373278B1 (ko) 지상기반 전천 영상자료를 이용한 야간 전운량 산출방법
CN111785094B (zh) 平流雾检测方法、装置、计算机设备和可读存储介质
KR102209866B1 (ko) 지상기반 전운량 자동 산출을 위한 왜곡 영상 전처리 방법
Whiteside et al. Vegetation map for Magela Creek floodplain using WorldView-2 multispectral image data
Ngcofe et al. The South African land cover change detection derived from 2013_2014 and 2017_2018 land cover products

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