CN113886763B - 基于卫星微波指数和气象指数估算林火频次和强度的方法 - Google Patents

基于卫星微波指数和气象指数估算林火频次和强度的方法 Download PDF

Info

Publication number
CN113886763B
CN113886763B CN202111202411.5A CN202111202411A CN113886763B CN 113886763 B CN113886763 B CN 113886763B CN 202111202411 A CN202111202411 A CN 202111202411A CN 113886763 B CN113886763 B CN 113886763B
Authority
CN
China
Prior art keywords
fire
forest
data
satellite
microwave
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
CN202111202411.5A
Other languages
English (en)
Other versions
CN113886763A (zh
Inventor
李锐
符玉云
胡继恒
段嘉伟
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202111202411.5A priority Critical patent/CN113886763B/zh
Publication of CN113886763A publication Critical patent/CN113886763A/zh
Application granted granted Critical
Publication of CN113886763B publication Critical patent/CN113886763B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明涉及一种基于卫星微波指数和气象指数估算林火频次和强度的方法，包括：收集卫星探测火数据、卫星反演的微波植被含水量指数数据、卫星反演的土地覆盖类型数据和气象指数FWI数据；对所收集的数据进行质量控制；将卫星探测火数据、微波植被含水量指数数据和FWI，统一到卫星微波像元大小的经纬度网格上；筛选出以森林覆盖为主且林火数目占优的格点数据；建立多元对数线性模型；对林火频次和强度进行估算，获得研究区域林火频次和燃烧强度日变化和月变化的估算值。本发明基于卫星微波遥感技术更充分地考虑了植被含水量对火灾动态的影响，能够有效地估算区域尺度的林火频次和燃烧强度，为森林火险预警、防控、及其环境影响评估提供有力的支持。

Description

基于卫星微波指数和气象指数估算林火频次和强度的方法
技术领域
本发明涉及卫星微波遥感和森林火灾防控技术领域，尤其是一种基于卫星微波指数和气象指数估算林火频次和强度的方法。
背景技术
森林火灾(林火)是地-气系统物质和能量交换的重要过程，对区域和全球的碳循环和碳平衡产生重要影响，同时也显著影响着地表生态和地球大气，威胁着人民的生命健康和财产安全。有效地预报林火动态是预防灾害、减少损失、降低其环境影响的关键。但由于林火的发生发展具有复杂性和随机性等特点，要准确地预报一个区域的林火动态依然十分具有挑战，其中包含了对区域尺度上植被含水量在驱动林火频次和燃烧强度变化方面认识的不足。为此，探究植被含水量与林火频次和燃烧强度的关系，并应用于估算区域尺度的林火频次和燃烧强度，对于提高火灾动态预报和评估火灾风险具有重要的科学和应用价值，能够为林火管理、空气污染预警、环境影响评估和防灾减灾等提供有力支持，这在当前全球气候持续变暖、极端灾害频发的背景下显得尤为重要。
在区域尺度上，目前的现有技术通常利用气象数据和卫星光学及红外遥感观测建立相关的模型进行。其中，基于气象数据的模型难以充分考虑植被含水量对火灾的影响，而利用卫星光学及红外遥感观测的方法受天气条件的影响无法实现全天候观测，也难以获取深层植被的含水量信息，在林火中的应用中同样受到限制。相比之下，微波不依赖太阳光照，对云和植被的穿透能力更强，能够实现对地表的全天候观测，且在获取植被垂直结构、含水量信息方面具有很大优势，这使得微波在林火监测中具有重要的潜在应用价值。然而，目前有关卫星微波遥感林火应用的研究还十分有限，在林火频次和燃烧强度等关键林火动态参数中的应用还有待探索，急需发展一种融合卫星被动微波遥感技术和气象要素的林火频次和燃烧强度估算方法，为更好的模拟区域尺度的林火动态提供有力技术和方法支持。
发明内容
本发明的目的在于提供一种基于卫星被动微波植被含水量指数和气象指数，分别建立微波植被含水量指数和气象指数与林火频次和燃烧强度的关系模型，能够有效地估算区域尺度的林火频次和燃烧强度，为森林火险预警、防控、及其环境影响评估提供有力支持。
为实现上述目的，本发明采用了以下技术方案：一种基于卫星微波指数和气象指数估算林火频次和强度的方法，该方法包括下列顺序的步骤：
(1)从全球开放数据中心收集研究区域多年的卫星探测火数据、卫星反演的微波植被含水量指数数据、卫星反演的土地覆盖类型数据和气象指数数据FWI；所述卫星探测火数据包括地面火点的经纬度，以及火点的燃烧强度参数火辐射功率数据FRP；微波植被含水量指数数据包括地表微波比辐射率差分植被指数数据EDVI和地表温度数据LST；
(2)对步骤(1)所收集的数据进行质量控制，过滤掉原数据矩阵中的缺省值和填充值，并滤除掉地表微波比辐射率差分植被指数数据EDVI、火点的燃烧强度参数火辐射功率数据FRP和气象指数数据FWI的异常值；
(3)将空间分辨率各异的卫星探测火数据、微波植被含水量指数数据和气象指数数据FWI，统一到卫星微波像元大小的经纬度网格上；
(4)筛选出以森林覆盖为主且林火数目占优的格点数据；
(5)由步骤(4)所筛选得到的格点数据，计算研究区域地表微波比辐射率差分植被指数数据EDVI的日平均和月平均值、气象指数数据FWI的日平均和月平均值，以及每日和每月观测到的林火频次和总的燃烧强度，建立多元对数线性模型；
(6)利用步骤(5)中所建立的多元对数线性模型，基于研究区域日平均和月平均的地表微波比辐射率差分植被指数数据EDVI和气象指数数据FWI，对区域内总的火点数目和总的火辐射功率进行估算，获得研究区域火点数目和火辐射功率日变化和月变化的估算值。
在步骤(2)中，所述滤除掉地表微波比辐射率差分植被指数数据EDVI、火点的燃烧强度参数火辐射功率数据FRP和气象指数数据FWI的异常值所采用的公式如下：
FRP>0.0WM (2)
FWI>0.0 (3)
将不满足公式(1)至公式(3)条件的数据进行滤除。
所述步骤(3)具体包括以下步骤：
(3a)根据火点的经纬度，检索位于同一格点范围内的所有火点，统计该格点内的火点数目与总的火辐射功率，得到该格点的火点数目和总的火辐射功率；
(3b)根据卫星微波像元中心的经纬度数据，检索位于同一格点范围的所有卫星微波像元，计算这些微波像元的EDVI均值，得到格点的EDVI；
(3c)采用空间最邻近匹配方法，将空间上距离格点中心最近的气象指数数据FWI与格点匹配，得到该格点的气象指数数据FWI。
所述步骤(4)具体包括以下步骤：
(4a)根据公式(4)，利用卫星反演的地表覆盖类型数据计算每一个格点的森林覆盖百分比Pforest：
式中，LCforest为格点内卫星识别为森林的地表覆盖类型像元数目，LCall为格点内全部的地表覆盖类型卫星像元数目；
(4b)利用卫星探测火点的时间和经纬度数据，采用空间最邻近方法抽取相应年份、距离火点最近的地表覆盖类型，得到火点处的燃烧植被类型；根据公式(5)，利用火点处的燃烧植被类型计算格点内森林火点数目与全部火点数目的百分比Pforest_fire：
式中，NOFforest为格点内卫星探测的森林火点数目，NOFall为格点内卫星探测到的全部火点数目；
(4c)设定阈值，根据公式(6)筛选出以森林覆盖为主且林火数目占优的格点：
Pforest>THRforest&Pforest_fire>THRforest_fire (6)
式中，THRforest为设定的格点森林覆盖百分比最小阈值，THRforest_fire设定的格点林火数目百分比最小阈值。
在步骤(5)中，所述多元对数线性模型的建立公式如下：
logA(dayFC)＝k1*dayEDVI+k2*dayFWI+k3 (7)
logA(dayFRP)＝k4*dayEDVI+k5*dayFWI+k6 (8)logA(monFC)＝λ1*
monEDVI+λ2*monFWI+λ3 (9)
logA(monFRP)＝λ4*monEDVI+λ5*monFWI+λ6 (10)
式中，A为对数的底数；dayFC和dayFRP为每日观测的林火频次和总的燃烧强度，k1至k6分别为日平均EDVI和FWI与dayFC、dayFRP的多元线性拟合系数；monFC和monFRP为每月观测的林火频次和总的燃烧强度，λ1至λ6分别为月平均EDVI和FWI与monFC、monFRP的多元线性拟合系数。
所述THRforest设定为50％，所述THRforest_fire设定为50％。
由上述技术方案可知，本发明的有益效果为：第一，本发明基于卫星微波遥感技术更充分地考虑了植被含水量对火灾动态的影响，能够有效地估算区域尺度的林火频次和燃烧强度，为森林火险预警、防控、及其环境影响评估提供有力的支持；第二，本发明通过建立卫星微波反演的EDVI和FWI与林火频次和燃烧强度的多元对数-线性模型，进而利用EDVI和FWI估算区域尺度的林火频率和燃烧强度，所构建的模型其输入参数仅为EDVI和FWI，避免了复杂模型中各类参数难以获取的问题，在观测数据匮乏的区域，模型具有一定的应用潜力和优势，也为进一步推动卫星微波遥感的林火应用提供技术基础。
附图说明
图1为本发明的方法流程图；
图2为本发明在估算林火频次和燃烧强度日变化方面的实施例效果图；
图3为本发明在估算林火频次和燃烧强度月变化方面的实施例效果图；
图4为仅仅利用气象指数在估算林火频次和燃烧强度日变化方面的实施例效果图；
图5为仅仅利用气象指数在估算林火频次和燃烧强度月变化方面的实施例效果图；
具体实施方式
在下面的实施例中，本发明利用2002-2007年的数据，建立起中国南方区域(108-102°E，22-31°N)EDVI和FWI与林火频次和燃烧强度参数火辐射功率日变化和月变化的关系模型；接着以2008-2011的EDVI和FWI数据作为输入量，基于所建立的模型估算2008-2011年间林火频次和燃烧强度日变化和月变化的估算值，并与实际观测结果进行对比以评估其准确性。针对估算结果的统计分析(见图2和图3)表明，本发明能够有效提高对林火频次和燃烧强度的估算精度，为森林火灾风险评估和林火管理提供有利的技术支持。
实施例一
如图1所示，一种基于卫星微波指数和气象指数估算林火频次和强度的方法，该方法包括下列顺序的步骤：
(1)从全球开放数据中心收集中国南方地区2002-2007年间卫星探测火数据、卫星反演的微波植被含水量指数数据、卫星反演的土地覆盖类型数据和气象指数数据FWI；所述卫星探测火数据包括地面火点的经纬度，以及火点的燃烧强度参数火辐射功率数据FRP；微波植被含水量指数数据包括地表微波比辐射率差分植被指数数据EDVI和地表温度数据LST；
(2)对步骤(1)所收集的数据进行质量控制，过滤掉原数据矩阵中的缺省值和填充值，并滤除掉地表微波比辐射率差分植被指数数据EDVI、火点的燃烧强度参数火辐射功率数据FRP和气象指数数据FWI的异常值；
(3)将空间分辨率各异的卫星探测火数据、微波植被含水量指数数据和气象指数数据FWI，统一到卫星微波像元大小的经纬度网格上；
(4)筛选出以森林覆盖为主且林火数目占优的格点数据；
(5)由步骤(4)所筛选得到的格点数据，计算研究区域地表微波比辐射率差分植被指数数据EDVI的日平均和月平均值、气象指数数据FWI的日平均和月平均值，以及每日和每月观测到的林火频次和总的燃烧强度，建立多元对数线性模型；
(6)利用步骤(5)中所建立的多元对数线性模型，基于研究区域日平均和月平均的地表微波比辐射率差分植被指数数据EDVI和气象指数数据FWI，对区域内总的火点数目和总的火辐射功率进行估算，获得研究区域火点数目和火辐射功率日变化和月变化的估算值。
在步骤(2)中，所述滤除掉地表微波比辐射率差分植被指数数据EDVI、火点的燃烧强度参数火辐射功率数据FRP和气象指数数据FWI的异常值所采用的公式如下：
FRP>0.0WM (2)
FWI>0.0 (3)
将不满足公式(1)至公式(3)条件的数据进行滤除。
所述步骤(3)具体包括以下步骤：
(3a)根据火点的经纬度，检索位于同一格点范围内的所有火点，统计该格点内的火点数目与总的火辐射功率，得到该格点的火点数目和总的火辐射功率；
(3b)根据卫星微波像元中心的经纬度数据，检索位于同一格点范围的所有卫星微波像元，计算这些微波像元的EDVI均值，得到格点的EDVI；
(3c)采用空间最邻近匹配方法，将空间上距离格点中心最近的气象指数数据FWI与格点匹配，得到该格点的气象指数数据FWI。
所述步骤(4)具体包括以下步骤：
(4a)根据公式(4)，利用卫星反演的地表覆盖类型数据计算每一个格点的森林覆盖百分比Pforest：
式中，LCforest为格点内卫星识别为森林的地表覆盖类型像元数目，LCall为格点内全部的地表覆盖类型卫星像元数目；
(4b)利用卫星探测火点的时间和经纬度数据，采用空间最邻近方法抽取相应年份、距离火点最近的地表覆盖类型，得到火点处的燃烧植被类型；根据公式(5)，利用火点处的燃烧植被类型计算格点内森林火点数目与全部火点数目的百分比Pforest_fire：
式中，NOFforest为格点内卫星探测的森林火点数目，NOFall为格点内卫星探测到的全部火点数目；
(4c)设定阈值，根据公式(6)筛选出以森林覆盖为主且林火数目占优的格点：
Pforest>THRforest&Pforest_fire>THRforest_fire (6)
式中，THRforest为设定的格点森林覆盖百分比最小阈值，THRforest_fire设定的格点林火数目百分比最小阈值。
在步骤(5)中，由步骤(4)所筛选得到的格点数据，计算中国南方区域EDVI的日平均和月平均值、FWI的日平均和月平均值、以及每日和每月观测到的林火频次和总的燃烧强度；以自然常数为底数，分别建立与林火频次和燃烧强度日变化和月际变化的多元对数-线性模型，如表1所示：
表1中国南方地区基于EDVI和FWI的林火频次和火辐射功率的多元对数-线性回归模型
步骤(6)，利用表1中所建立的中国南方地区林火频次和火辐射功率与日平均和月平均EDVI和FWI的多元对数线性模型，基于2008-2011年的EDVI和FWI日平均和月平均值，计算得到2008-2011年间林火频次和火辐射功率日变化和月变化的估算值。估算值与卫星实际观测值的对比结果如图2和图3所示。其中，图2为中国南方地区林火频次和火辐射功率日变化的卫星实际观测值(纵坐标)与模型估算值(横坐标)在经过自然对数转换后的对比结果，图3为频次和火辐射功率月变化的对比结果；图中虚线为1:1线，实线为最小二乘拟合线性回归线，K为线性拟合斜率，R为皮尔森相关性。图2和图3均直观地表明了本发明在估算林火日变化和月变化方面的良好效果。作为对比，仅仅利用气象指数进行估算的结果展示在图4和图5中。可以看出，在本实施例中，以R作为模型评价指标时，本发明方法对日尺度林火频次、燃烧强度的估算精度分别提高了83％和62％，对月尺度林火频次、燃烧强度的估算精度分别提高了58％和47％。
本发明中采用的数据可从全球开放数据中心网站下载得到：卫星探测火数据和卫星反演的土地覆盖类型数据下载自https://e4ftl01.cr.usgs.gov/MOLA/，卫星微波遥感差分植被指数数据EDVI下载自http://rse.ustc.edu.cn/，气象指数数据下载自https:// zenodo.org/。
综上所述，本发明基于卫星微波遥感技术更充分地考虑了植被含水量对火灾动态的影响，能够有效地估算区域尺度的林火频次和燃烧强度，为森林火险预警、防控、及其环境影响评估提供有力的支持；本发明通过建立卫星微波反演的EDVI和FWI与林火频次和燃烧强度的多元对数-线性模型，进而利用EDVI和FWI估算区域尺度的林火频率和燃烧强度，所构建的模型其输入参数仅为EDVI和FWI，避免了复杂模型中各类参数难以获取的问题，在观测数据匮乏的区域，模型具有一定的应用潜力和优势，也为进一步推动卫星微波遥感的林火应用提供技术基础。

Claims (6)

1.一种基于卫星微波指数和气象指数估算林火频次和强度的方法，其特征在于：该方法包括下列顺序的步骤：
(1)从全球开放数据中心收集研究区域多年的卫星探测火数据、卫星反演的微波植被含水量指数数据、卫星反演的土地覆盖类型数据和气象指数数据FWI；所述卫星探测火数据包括地面火点的经纬度，以及火点的燃烧强度参数火辐射功率数据FRP；微波植被含水量指数数据包括地表微波比辐射率差分植被指数数据EDVI和地表温度数据LST；
(2)对步骤(1)所收集的数据进行质量控制，过滤掉原数据矩阵中的缺省值和填充值，并滤除掉地表微波比辐射率差分植被指数数据EDVI、火点的燃烧强度参数火辐射功率数据FRP和气象指数数据FWI的异常值；
(3)将空间分辨率各异的卫星探测火数据、微波植被含水量指数数据和气象指数数据FWI，统一到卫星微波像元大小的经纬度网格上；
(4)筛选出以森林覆盖为主且林火数目占优的格点数据；
(5)由步骤(4)所筛选得到的格点数据，计算研究区域地表微波比辐射率差分植被指数数据EDVI的日平均和月平均值、气象指数数据FWI的日平均和月平均值，以及每日和每月观测到的林火频次和总的燃烧强度，建立多元对数线性模型；
(6)利用步骤(5)中所建立的多元对数线性模型，基于研究区域日平均和月平均的地表微波比辐射率差分植被指数数据EDVI和气象指数数据FWI，对区域内总的火点数目和总的火辐射功率进行估算，获得研究区域火点数目和火辐射功率日变化和月变化的估算值。
2.根据权利要求1所述的基于卫星微波指数和气象指数估算林火频次和强度的方法，其特征在于：在步骤(2)中，所述滤除掉地表微波比辐射率差分植被指数数据EDVI、火点的燃烧强度参数火辐射功率数据FRP和气象指数数据FWI的异常值所采用的公式如下：
FRP>0.0WM (2)
FWI>0.0 (3)
将不满足公式(1)至公式(3)条件的数据进行滤除。
3.根据权利要求1所述的基于卫星微波指数和气象指数估算林火频次和强度的方法，其特征在于：所述步骤(3)具体包括以下步骤：
(3a)根据火点的经纬度，检索位于同一格点范围内的所有火点，统计该格点内的火点数目与总的火辐射功率，得到该格点的火点数目和总的火辐射功率；
(3b)根据卫星微波像元中心的经纬度数据，检索位于同一格点范围的所有卫星微波像元，计算这些微波像元的EDVI均值，得到格点的EDVI；
(3c)采用空间最邻近匹配方法，将空间上距离格点中心最近的气象指数数据FWI与格点匹配，得到该格点的气象指数数据FWI。
4.根据权利要求1所述的基于卫星微波指数和气象指数估算林火频次和强度的方法，其特征在于：所述步骤(4)具体包括以下步骤：
(4a)根据公式(4)，利用卫星反演的地表覆盖类型数据计算每一个格点的森林覆盖百分比Pforest：
式中，LCforest为格点内卫星识别为森林的地表覆盖类型像元数目，LCall为格点内全部的地表覆盖类型卫星像元数目；
(4b)利用卫星探测火点的时间和经纬度数据，采用空间最邻近方法抽取相应年份、距离火点最近的地表覆盖类型，得到火点处的燃烧植被类型；根据公式(5)，利用火点处的燃烧植被类型计算格点内森林火点数目与全部火点数目的百分比Pforest_fire：
式中，NOFforest为格点内卫星探测的森林火点数目，NOFall为格点内卫星探测到的全部火点数目；
(4c)设定阈值，根据公式(6)筛选出以森林覆盖为主且林火数目占优的格点：
Pforest>THRforest&Pforest_fire>THRforest_fire (6)
式中，THRforest为设定的格点森林覆盖百分比最小阈值，THRforest_fire设定的格点林火数目百分比最小阈值。
5.根据权利要求1所述的基于卫星微波指数和气象指数估算林火频次和强度的方法，其特征在于：在步骤(5)中，所述多元对数线性模型的建立公式如下：
logA(dayFC)＝k1*dayEDVI+k2*dayFWI+k3 (7)
logA(dayFRP)＝k4*dayEDVI+k5*dayFWI+k6 (8)
logA(monFC)＝λ1*monEDVI+λ2*monFWI+λ3 (9)
logA(monFRP)＝λ4*monEDVI+λ5*monFWI+λ6 (10)
式中，A为对数的底数；dayFC和dayFRP为每日观测的林火频次和总的燃烧强度，k1至k6分别为日平均EDVI和FWI与dayFC、dayFRP的多元线性拟合系数；monFC和monFRP为每月观测的林火频次和总的燃烧强度，λ1至λ6分别为月平均EDVI和FWI与monFC、monFRP的多元线性拟合系数。
6.根据权利要求4所述的基于卫星微波指数和气象指数估算林火频次和强度的方法，其特征在于：所述THRforest设定为50％，所述THRforest_fire设定为50％。
CN202111202411.5A 2021-10-15 2021-10-15 基于卫星微波指数和气象指数估算林火频次和强度的方法 Active CN113886763B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111202411.5A CN113886763B (zh) 2021-10-15 2021-10-15 基于卫星微波指数和气象指数估算林火频次和强度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111202411.5A CN113886763B (zh) 2021-10-15 2021-10-15 基于卫星微波指数和气象指数估算林火频次和强度的方法

Publications (2)

Publication Number Publication Date
CN113886763A CN113886763A (zh) 2022-01-04
CN113886763B true CN113886763B (zh) 2023-08-29

Family

ID=79003037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111202411.5A Active CN113886763B (zh) 2021-10-15 2021-10-15 基于卫星微波指数和气象指数估算林火频次和强度的方法

Country Status (1)

Country Link
CN (1) CN113886763B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117333779B (zh) * 2023-10-26 2024-04-30 中南林业科技大学 基于角度斜率指数的林火判别方法、系统、设备以及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886130A (zh) * 2014-02-24 2014-06-25 中国林业科学研究院森林生态环境与保护研究所 森林火灾可燃物燃烧效率的估算方法
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.
KR20190129470A (ko) * 2018-05-11 2019-11-20 대한민국(산림청 국립산림과학원장) 접근불능지역 실시간 산불위험예보시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886130A (zh) * 2014-02-24 2014-06-25 中国林业科学研究院森林生态环境与保护研究所 森林火灾可燃物燃烧效率的估算方法
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.
KR20190129470A (ko) * 2018-05-11 2019-11-20 대한민국(산림청 국립산림과학원장) 접근불능지역 실시간 산불위험예보시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
西南林区卫星监测热点及森林火险天气指数分析;田晓瑞;赵凤君;舒立福;王明玉;;林业科学研究(第04期);第523-529页 *

Also Published As

Publication number Publication date
CN113886763A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
Xian et al. Characterization of shrubland ecosystem components as continuous fields in the northwest United States
Zhang et al. Studying drought phenomena in the Continental United States in 2011 and 2012 using various drought indices
Liang et al. A long-term Global LAnd Surface Satellite (GLASS) data-set for environmental studies
Gong et al. MODIS normalized difference vegetation index (NDVI) and vegetation phenology dynamics in the Inner Mongolia grassland
Jia et al. Long-term global land surface satellite (GLASS) fractional vegetation cover product derived from MODIS and AVHRR data
Hutley et al. A sub-continental scale living laboratory: Spatial patterns of savanna vegetation over a rainfall gradient in northern Australia
WO2019200743A1 (zh) 森林火灾预测方法、装置、计算机设备和存储介质
CN110751094A (zh) 一种基于gee综合遥感影像和深度学习方法的作物估产技术
Liu et al. Enhanced drought detection and monitoring using sun-induced chlorophyll fluorescence over Hulun Buir Grassland, China
Xie et al. IMPACT OF URBANIZATION ON URBAN HEAT ISLAND EFFECT BASED ON TM IMAGERY IN WUHAN, CHINA.
Kang et al. Modeling carbon fluxes using multi-temporal MODIS imagery and CO 2 eddy flux tower data in Zoige alpine wetland, south-west China
Kolden et al. Mapping wildfire burn severity in the Arctic tundra from downsampled MODIS data
Jiang et al. Validation of the surface daytime net radiation product from version 4.0 GLASS product suite
Song et al. Mapping paddy rice agriculture over China using AMSR-E time series data
CN113886763B (zh) 基于卫星微波指数和气象指数估算林火频次和强度的方法
Angerer 12. gobi forage livestock Early warning System
CN115330159A (zh) 沙漠生态修复效果评价方法、装置、终端设备及存储介质
FR Spatial and temporal changes of vegetation cover in China based on modis NDVI.
Zhu et al. Predicting plant diversity in beach wetland downstream of Xiaolangdi reservoir with UAV and satellite multispectral images
Wang et al. A modification of CIM for prediction of net primary productivity of the three-river Headwaters, China
Chu Aboveground biomass estimates of grassland in the North Tibet using MODIS remote sensing approaches.
Anoruo Space and ground-based remote sensing comparison of seasonal interaction of aerosol-cloud-precipitable water
CN111879915A (zh) 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统
CN112200619A (zh) 遥感数据与社会调查结合的区域经济发展估算方法及系统
Tang et al. Sensitivity of near real-time MODIS gross primary productivity in terrestrial forest based on eddy covariance measurements

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