CN115861262A - 一种火后植被恢复动态监测方法及系统 - Google Patents
一种火后植被恢复动态监测方法及系统 Download PDFInfo
- Publication number
- CN115861262A CN115861262A CN202211632382.0A CN202211632382A CN115861262A CN 115861262 A CN115861262 A CN 115861262A CN 202211632382 A CN202211632382 A CN 202211632382A CN 115861262 A CN115861262 A CN 115861262A
- Authority
- CN
- China
- Prior art keywords
- fire
- vegetation
- time
- index
- area
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000011084 recovery Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 230000008859 change Effects 0.000 claims abstract description 145
- 239000002028 Biomass Substances 0.000 claims abstract description 91
- 238000009499 grossing Methods 0.000 claims description 12
- KRTSDMXIXPKRQR-AATRIKPKSA-N monocrotophos Chemical compound CNC(=O)\C=C(/C)OP(=O)(OC)OC KRTSDMXIXPKRQR-AATRIKPKSA-N 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000002310 reflectometry Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000002485 combustion reaction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 238000011160 research Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 8
- 238000010304 firing Methods 0.000 description 7
- 230000007423 decrease Effects 0.000 description 6
- 238000011835 investigation Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000003309 forest litter Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种火后植被恢复动态监测方法及系统，涉及生态环境监测技术领域，包括以下步骤：基于遥感云平台GEE，获取待监测过火区的植被区域及其邻近植被区域在被火烧前后的一段时间内的生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，并确定过火区的起火时间；分别计算火灾后的一段时间内的每年增强型植被指数EVI的均值与过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值之间的差值，并形成差值的年际动态变化曲线；根据差值的年际动态变化曲线，分析待监测过火区在火灾后的植被恢复情况。本发明提高了火灾后植被恢复情况监测的工作效率，有利于解决高植被区域出现的植被指数饱和问题。
Description
技术领域
本发明涉及生态环境监测技术领域，具体为一种火后植被恢复动态监测方法及系统。
背景技术
森林作为功能最强大、物种最多样、结构最复杂的生态系统，对改善全球生态环境起着决定性作用。近年受到全球气候变化与人类活动的影响，森林火灾发生的频率和过火面积仍然呈现出逐年上升的趋势。森林火灾是森林生态系统的重要干扰因子，影响着森林的形成与演替。在时间尺度上，火灾会影响生态系统中土壤微生物的地球化学循环速率，干扰植被群落及生物量的变化进程。在空间尺度上，火灾对生态系统的景观格局以及生产力的空间分布具有重要的影响。已有研究表明，合理、适度的火烧有利于改善生态系统的内部结构、维持生物多样性。高强度、频繁的火烧则会导致生态系统的物质循环及能量流动出现紊乱甚至退化的情况。在森林生态系统中，火灾能引起生态因子的再分配，推进待淘汰与待更新树种的演替进程。实施有计划的火烧能够减少森林枯落物和灌草，促进树种的发育及更新，降低森林火灾的隐患。而森林大火在短期内释放的大量能量会烧毁大量植被，导致地表生物量的急剧下降，造成林内环境的变化，破坏生态平衡。随着相关研究的开展，人们已经逐渐意识到森林火灾并不只会给森林带来破坏，在一定的程度上可以引导森林生态系统的良性发展。明确对火灾的认识，掌握火灾的发生规律及作用方式，才能充分利用其有益面，遏制其有害面，使其作为一种有益的工具和手段，更好的服务于人类社会。
目前，频繁的森林火灾已经成为森林生态系统生态安全保障过程中不可忽视的问题，针对森林防火工作对于促进森林资源保护和生态环境可持续发展具有举足轻重的意义。所以，如何实时、准确的监测森林火灾以及探索火后植被恢复动态，进而为林火预防及火后森林经营管理提供数据支持与理论决策是当前亟待解决的问题。
长期以来，科研工作者针对森林火灾的特性进行了大量研究，尤其在识别林火以及分析火后植被恢复方面的研究越来越多。综合国内外有关火后植被恢复方面研究工作发现，从最早的人工实地调查到历史记录与实地调查相结合的方法都需要耗费大量人力物力。卫星遥感是通过对不直接接触地物目标所获取的地物电磁辐射信号进行处理与解译，来定性、定量提取地物特征的技术系统，具有综合、宏观以及近实时性的特点，用以完成估测地区、国家甚至全球尺度的森林资源，可大量节省人力物力和时间，极大的提高工作效率。与传统调查方法相比，在遥感影像中识别过火区更为简单、快捷，基于遥感的方法为森林火灾的相关研究提供了更为有效的手段。目前，卫星遥感手段已逐渐取代人工设置样地的调查方法，是监测与获取火灾信息的重要数据来源，已广泛应用于林火生态和管理的工作中，主要集中在火发生前估测林内可燃物的堆积量、含水率等信息和火险预报、火发生期间探测火点以及火发生后计算过火面积与监测植被恢复等。目前在林火研究中应用较为普遍的遥感影像有Landsat、MODIS、Quickbird、Sentinel及我国的高分系列等，另外，近年星载SAR、SPOT、AVIRIS、CBERS等影像也有较多的研究应用。
遥感技术的出现使研究人员能够从更为宏观的角度出发，对火后植被恢复做出更多分析和研究。现阶段，利用遥感手段进行火后植被恢复的研究主要集中于：(1)通过不同时相遥感影像的差异分析火烧前后的森林景观变化情况；(2)构建不同的植被生理生态模型，利用遥感影像提取相关参数，估测森林的生物量和生产力，反演植被的生长情况；(3)基于遥感影像不同波段的特征构建遥感指数，通过分析指数的变化研究火后植被恢复；(4)结合不同条件分析火后植被的恢复情况及其影响因素。
另外，有关火后植被恢复的研究尺度也愈加侧重于时间尺度和空间尺度相结合，使用遥感影像数据的时空间分辨率也越来越高，然而传统的利用遥感影像在本地设备(计算机或工作站)监测森林火灾的方法大多基于主动探测或密集的时序数据来完成，这对于数据的时间分辨率和本地设备的存储、计算能力要求较高，数据的时间分辨率直接关系到时间尺度的连续性，而本地设备的存储计算能力决定了数据处理效率的长短，同时也限制了当前对于大尺度区域火烧迹地的深入研究。由于传统监测方法在软件、硬件等各种方面的限制，火后植被恢复方面研究的时间和空间尺度已经逐渐无法满足不断提高的科研需求。现阶段，随着大数据时代的到来，利用多源高时空分辨率的遥感数据已成为国内外学者进行科学研究的主流，如何在更大的尺度范围对火后的植被恢复做出研究是当前面临的重点问题。
发明内容
本发明提出了一种火后植被恢复动态监测方法及系统，用于实现在大尺度、长时序评估火后植被动态，以期总结火后植被恢复规律。
本发明提供一种火后植被恢复动态监测方法，包括以下步骤：
根据待监测过火区的植被区域及过火区的邻近植被区域在被火烧前的一段时间及被火烧后的一段时间内的的遥感数据，分别确定其生物量变化指标NDVI、归一化燃烧指数NBR的时序数据；
根据生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定过火区的起火时间；
提取过火区在起火时间之前的一段时间以及火灾后的一段时间的遥感影像数据，并计算过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值，以及火灾后的一段时间内的每年增强型植被指数EVI的均值；
分别计算火灾后的一段时间内的每年增强型植被指数EVI的均值与过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值之间的差值，并形成差值的年际动态变化曲线；
根据差值的年际动态变化曲线，分析待监测过火区在火灾后的植被恢复情况。
进一步地，所述根据待监测过火区的植被区域及过火区的邻近植被区域在被火烧前的一段时间及被火烧后的一段时间内的的遥感数据，分别确定其生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，包括以下步骤：
基于遥感云平台GEE，在待监测过火区的植被区域及过火区的邻近植被区域中随机生成多个像元斑块，得到待监测过火区的植被区域及过火区的邻近植被区域在被火烧前的一段时间及被火烧后的一段时间内的的遥感数据；
提取各个像元斑块在被火烧前的一段时间及被火烧后的一段时间内的生物量变化指标NDVI的时序数据、归一化燃烧指数NBR的时序数据；
其中，所述生物量变化指标NDVI的计算公式为：
NDVI＝(NIR–R)/(NIR+R) (1)
所述归一化燃烧指数NBR的计算公式为：
NBR＝(NIR–SWIR)/(NIR+SWIR) (2)
其中，NIR为近红外波段反射率；R为红光波段反射率；
SWIR为短波红外。
进一步地，在根据所述生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定过火区的起火时间之前，还包括：
利用S-G滤波对所述生物量变化指标NDVI、归一化燃烧指数NBR的时序数据分别进行平滑、去噪处理，包括以下步骤：
利用m*m窗口分别对所述生物量变化指标NDVI、归一化燃烧指数NBR的时序数据的影像Y中的每一个子集Yj进行加权平均，并拟合其权重Ci，最终确定平滑后的指数结果Y*，如下：
其中，Ci为第i个指数值的滤波系数；
m为窗口宽度，j为指数原始数组的系数；
Yj+1为生物量变化指标NDVI或归一化燃烧指数NBR的原始数据；
Y*为生物量变化指标NDVI或归一化燃烧指数NBR经过平滑处理的指数结果。
进一步地，所述根据生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定过火区的起火时间，包括以下步骤：
根据生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定过火区的植被区域及过火区的邻近植被区域的生物量变化指标NDVI的年际最大值以及归一化燃烧指数NBR的年际最小指，分别得到火烧迹地的植被的生物量变化指标NDVI的年变化曲线，以及火烧迹地的植被的归一化燃烧指数NBR的年变化曲线；根据两个年变化曲线确定过火区的起火年份；
根据过火区的起火年份，以及在起火年份中的火烧迹地的植被的生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定在起火年份中的火烧迹地的植被的生物量变化指标NDVI、归一化燃烧指数NBR的月内均值，得到火烧迹地的植被的生物量变化指标NDVI、归一化燃烧指数NBR的月变化曲线；根据两个月变化曲线确定过火区的起火月份；
根据过火区的起火月份，以及在起火月份中的火烧迹地的植被的生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定在起火月份中的火烧迹地的植被的生物量变化指标NDVI、归一化燃烧指数NBR的月内数据，得到火烧迹地的植被的生物量变化指标NDVI、归一化燃烧指数NBR的日变化曲线；根据两个日变化曲线确定过火区的起火时间。
进一步地，所述获取过火区在起火时间之前的一段时间以及火灾后的一段时间的遥感影像数据，包括以下步骤：
利用遥感云平台GEE获取覆盖待监测过火区的Landsat5-8系列遥感影像数据，并筛选过火区在起火时间之前的一段时间以及火灾后的一段时间的遥感影像数据，分别对其进行云掩膜处理；
将过火区在起火时间之前的一段时间的遥感影像数据，以及火灾后的一段时间的遥感影像数据分别进行合成。
进一步地，在计算得到所述过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值，以及火灾后的一段时间内的每年增强型植被指数EVI的均值后，还包括：
利用S-G滤波对所述过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值，以及火灾后的一段时间内的每年增强型植被指数EVI的均值分别进行平滑、去噪处理。
进一步地，所述增强型植被指数EVI的计算公式为：
所述火灾后的一段时间内的每年增强型植被指数EVI的均值与过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值之间的差值为：
dEVI＝EVIpost-EVIpre (5)
其中，ρnir、ρr、ρb分别是近红外、红光、蓝光波段的反射率；
G为增益系数；
C1和C2为大气修正红光和蓝光的校正参数；
L为树冠背景调节参数；
EVIpost为火灾后的一段时间内的每年增强型植被指数EVI的均值；
EVIpre为起火时间之前的一段时间内的增强型植被指数EVI的均值。
本发明还提供一种火后植被恢复动态监测系统，包括：
第一数据获取模块，根据待监测过火区的植被区域及过火区的邻近植被区域在被火烧前的一段时间及被火烧后的一段时间内的的遥感数据，分别确定其生物量变化指标NDVI、归一化燃烧指数NBR的时序数据；
起火时间确定模块，用于根据生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定过火区的起火时间；
第二数据获取模块，用于提取过火区在起火时间之前的一段时间以及火灾后的一段时间的遥感影像数据，并计算过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值，以及火灾后的一段时间内的每年增强型植被指数EVI的均值；
数据计算模块，用于分别计算火灾后的一段时间内的每年增强型植被指数EVI的均值与过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值之间的差值，并形成差值的年际动态变化曲线；
结果分析模块，用于根据差值的年际动态变化曲线，分析待监测过火区在火灾后的植被恢复情况。
与现有技术相比，本发明的有益效果：
本发明利用GEE云平台准确快速判别过火区起火时间，能够避免数据噪声和天气变化影响，判别精度可达到月内时间段。
本发明利用增强型植被指数EVI对高生物量区域植被的空间差异优势，基于GEE云平台计算长时序的增强型植被指数EVI并计算dEVI，可以在大区域尺度和长时序范围内对过火区的植被恢复的情况进行定量化分析，极大提高火灾后植被恢复情况监测的工作效率，节省成本。还可以避免高植被区域出现的植被指数饱和问题，有效减少大气和土壤等因素的影响。发挥了大数据云平台的优势，为未来探索火烧植被恢复动态监测提供了新的途径，进而对火灾后森林经营管理提供数据支持和理论决策。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明一种火后植被恢复动态监测方法的流程图；
图2为本发明一种火后植被恢复动态监测方法的技术线路图；
图3为本发明的实施例中的待监测区域4的火烧迹地—植被NDVI、NBR指数年变化折线图；
图4为本发明的实施例中的待监测区域4的火烧迹地—植被NDVI、NBR指数月变化折线图；
图5为本发明的实施例中的待监测区域4的火烧迹地—植被NDVI、NBR指数日变化折线图；
图6为本发明的实施例中的待监测区域7的火烧迹地—植被NDVI、NBR指数年变化折线图；
图7为本发明的实施例中的待监测区域7的火烧迹地—植被NDVI、NBR指数月变化折线图；
图8为本发明的实施例中的待监测区域7的火烧迹地—植被NDVI、NBR指数日变化折线图；
图9为本发明的实施例中的过火区域1、2的dEVI指数年际动态变化曲线；
图10为本发明的实施例中的过火区域3、4的dEVI指数年际动态变化曲线；
图11为本发明的实施例中的过火区域5、6的dEVI指数年际动态变化曲线；
图12为本发明的实施例中的过火区域7、8的dEVI指数年际动态变化曲线；
图13为本发明的实施例中的过火区域9、10的dEVI指数年际动态变化曲线。
具体实施方式
下面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，但应当理解本发明的保护范围并不受具体实施方式的限制。
实施例1
如图1所示，本发明提供了一种火后植被恢复动态监测方法，包括以下步骤：
步骤S1：根据待监测过火区的植被区域及过火区的邻近植被区域在被火烧前的一段时间及被火烧后的一段时间内的的遥感数据，分别确定其生物量变化指标NDVI、归一化燃烧指数NBR的时序数据；
步骤S2：根据生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定过火区的起火时间；
步骤S3：获取过火区在起火时间之前的一段时间以及火灾后的一段时间的遥感影像数据，并计算过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值，以及火灾后的一段时间内的每年增强型植被指数EVI的均值；
步骤S4：分别计算火灾后的一段时间内的每年增强型植被指数EVI的均值与过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值之间的差值，并形成差值的年际动态变化曲线；
步骤S5：根据差值的年际动态变化曲线，分析待监测过火区在火灾后的植被恢复情况。
在步骤S1中，根据待监测过火区的植被区域及过火区的邻近植被区域在被火烧前的一段时间及被火烧后的一段时间内的的遥感数据，分别确定其生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，包括以下步骤：
基于遥感云平台GEE，在待监测过火区的植被区域及过火区的邻近植被区域中随机生成多个像元斑块，得到待监测过火区的植被区域及过火区的邻近植被区域在被火烧前的一段时间及被火烧后的一段时间内的的遥感数据；
提取各个像元斑块在被火烧前的一段时间及被火烧后的一段时间内的生物量变化指标NDVI的时序数据、归一化燃烧指数NBR的时序数据；
其中，生物量变化指标NDVI的计算公式为：
NDVI＝(NIR–R)/(NIR+R) (1)
归一化燃烧指数NBR的计算公式为：
NBR＝(NIR–SWIR)/(NIR+SWIR) (2)
其中，NIR为近红外波段反射率；R为红光波段反射率；
SWIR为短波红外。
受到研究区合成影像的影响，火烧迹地的提取时间与起火时间会存在一定偏差，导致在分析、评价火后植被恢复情况的过程中存在一定的不确定性。并且，为了实现在没有其它数据支持的情况下判别火烧迹地的起火时间，本发明基于GEE提取相关遥感指数的时序变化，对火烧迹地的起火时间进行判别与分析。
生物量变化指标NDVI常用来检测植被的生长状况，是植被覆盖度等指标的最佳指示因子。此外根据过火区敏感特征分析可知，归一化燃烧指数NBR是近红外与短波红外2个波段进行归一化得出的结果，与林火烈度呈负相关，在森林火灾发生后表现为降低。同时，为了避免气候、植被以及数据噪声等因素的影响，本发明主要根据生物量变化指标NDVI、归一化燃烧指数NBR，这个两个指数在时序上的变化，通过对比分析最终确定火烧迹地的起火时间。
在步骤S2中，在根据生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定过火区的起火时间之前，还包括：
利用S-G滤波对生物量变化指标NDVI、归一化燃烧指数NBR的时序数据分别进行平滑、去噪处理，包括以下步骤：
利用m*m窗口分别对生物量变化指标NDVI、归一化燃烧指数NBR的时序数据的影像Y中的每一个子集Yj进行加权平均，并拟合其权重Ci，最终确定平滑后的指数结果Y*，如下：
其中，Ci为第i个指数值的滤波系数；
m为窗口宽度，j为指数原始数组的系数；
Yj+1为生物量变化指标NDVI或归一化燃烧指数NBR的原始数据；
Y*为生物量变化指标NDVI或归一化燃烧指数NBR经过平滑处理的指数结果。
尽管MODIS数据的产品力求从源头开始减少误差，且已经过去云、大气校正以及残留气溶胶等步骤的校正，但仍不能完全消除云污染及其它噪声的干扰，并且由于这些因素在时间上出现的随机性，时序数据的变化也可能呈现出不规则的状态，具有较大波动，导致相邻遥感指数值的高低变化没有规律，季节变化趋势也不明显，从而不利于进行各种趋势分析和信息提取。因此，需要对获取的生物量变化指标NDVI、归一化燃烧指数NBR数据做出进一步的平滑处理，重建质量更高的指数时序数据以满足本发明判别火烧迹地起火时间的需求。
S-G滤波是一种多项式平滑滤波算法(低通数字滤波器)，该算法主要通过一个滑动窗口对数据进行加权平均，并根据窗口内部给定的多项式拟合其权重。具体来讲，就是在卷积过程中，通过利用线性最小二乘法，以低次多项式的形式拟合一组数据中相邻数据点的连续子集，当数据点之间的间隔相等时，就可以得到能够应用于所有数据子集的单组“卷积系数”形式的最小二乘解析结果，在数据趋势不失真的情况下，得到平滑的数据。
目前，已有相关学者指出S-G滤波算法能够有效提高数据的精度，消除噪声影响，凸显地物之间的差异，并在更大程度上保留地物本身的信息，还原真实的地表状态，是一种较为优秀且应用广泛的重建数据的算法。因此，本文基于GEE利用S-G滤波算法对获取的生物量变化指标NDVI、归一化燃烧指数NBR的时序数据进行平滑处理，以提高火烧迹地起火时间的判别精度。
在步骤S2中，根据生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定过火区的起火时间，包括以下步骤：
根据生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定过火区的植被区域及过火区的邻近植被区域的生物量变化指标NDVI的年际最大值以及归一化燃烧指数NBR的年际最小指，分别得到火烧迹地的植被的生物量变化指标NDVI的年变化曲线，以及火烧迹地的植被的归一化燃烧指数NBR的年变化曲线；根据两个年变化曲线确定过火区的起火年份；
根据过火区的起火年份，以及在起火年份中的火烧迹地的植被的生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定在起火年份中的火烧迹地的植被的生物量变化指标NDVI、归一化燃烧指数NBR的月内均值，得到火烧迹地的植被的生物量变化指标NDVI、归一化燃烧指数NBR的月变化曲线；根据两个月变化曲线确定过火区的起火月份；
根据过火区的起火月份，以及在起火月份中的火烧迹地的植被的生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定在起火月份中的火烧迹地的植被的生物量变化指标NDVI、归一化燃烧指数NBR的月内数据，得到火烧迹地的植被的生物量变化指标NDVI、归一化燃烧指数NBR的日变化曲线；根据两个日变化曲线确定过火区的起火时间。
在本发明中利用植被遥感参数法研究森林火灾对植被的扰动及恢复，不仅能够快速分析火后初期植被的受损情况，还能在时序上对植被的恢复演替情况进行监测。其中生物量变化指标NDVI是用于评价植被生长状况的重要的遥感指数，具有良好的稳定性并且积累了大量的经验和研究成果，已广泛应用于植被遥感监测、土地覆盖制图、作物识别等诸多领域。但生物量变化指标NDVI所具有的局限性也较为明显，主要包括：
生物量变化指标NDVI没有考虑地表覆盖雪、枯枝落叶、潮湿地面以及土壤等树冠背景部分的影响；
生物量变化指标NDVI的比值算法会造成红光波段与近红外波段受到非线性拉伸，从而导致NDVI指数对于高生物量区域的敏感性降低，易饱和；
生物量变化指标NDVI的算法是以饱和为代价来减少大气的影响，对大气干扰的处理相当有限。
其中增强型植被指数EVI(Enhanced Vegetation Index)是基于MODIS数据开发的植被指数产品，是对AVHRR-NDVI的继承与改进。增强型植被指数EVI的非比值算法从根本上改变了消除大气噪声的方法，避免了植被指数出现饱和的问题，并通过综合抗大气植被指数ARVI与土壤调节植被指数SAVI的理论基础，减少了来自大气和土壤的影响，提高了植被指数对高生物量区域的敏感性可以更好的反映植被的空间差异，因此，本发明中获取过火区在起火时间之前的一段时间以及火灾后的一段时间的遥感影像数据，并计算过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值，以及火灾后的一段时间内的每年增强型植被指数EVI的均值；并分别计算火灾后的一段时间内的每年增强型植被指数EVI的均值与过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值之间的差值，并形成差值的年际动态变化曲线，来实现对待监测的过火区的植被恢复情况进行分析。
在步骤S3中，为准确分析不同林火烈度区域下的植被恢复情况，同时，根据植被指数分析结果，本发明基于GEE调用了时空间分辨率更高的Landsat系列影像合成的8天EVI产品数据集，以获取精度更高、连续性更好的指数时序数据，共包括Landsat 5、7、8共三个数据源。另外，GEE官方已于2017年5月停止对于Landsat 8的EVI指数产品的更新，但并未影响本发明对火后植被恢复情况的总体分析和评价。
获取过火区在起火时间之前的一段时间以及火灾后的一段时间的遥感影像数据，包括以下步骤：
利用遥感云平台GEE获取覆盖待监测过火区的Landsat5-8系列遥感影像数据，并筛选过火区在起火时间之前的一段时间以及火灾后的一段时间的遥感影像数据，分别对其进行云掩膜处理；
将过火区在起火时间之前的一段时间的遥感影像数据，以及火灾后的一段时间的遥感影像数据分别进行合成。
在步骤S4中，在计算得到过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值，以及火灾后的一段时间内的每年增强型植被指数EVI的均值后，还包括：
利用S-G滤波对过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值，以及火灾后的一段时间内的每年增强型植被指数EVI的均值分别进行平滑、去噪处理。
在步骤S4中，增强型植被指数EVI的计算公式为：
火灾后的一段时间内的每年增强型植被指数EVI的均值与过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值之间的差值为：
dEVI＝EVIpost-EVIpre (5)
其中，ρnir、ρr、ρb分别是近红外、红光、蓝光波段的反射率；
G为增益系数；
C1和C2为大气修正红光和蓝光的校正参数；
L为树冠背景调节参数；
EVIpost为火灾后的一段时间内的每年增强型植被指数EVI的均值；
EVIpre为起火时间之前的一段时间内的增强型植被指数EVI的均值。
实施例2
本发明还提供一种火后植被恢复动态监测系统，包括：
第一数据获取模块，根据待监测过火区的植被区域及过火区的邻近植被区域在被火烧前的一段时间及被火烧后的一段时间内的的遥感数据，分别确定其生物量变化指标NDVI、归一化燃烧指数NBR的时序数据；
起火时间确定模块，用于根据生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定过火区的起火时间；
第二数据获取模块，用于提取过火区在起火时间之前的一段时间以及火灾后的一段时间的遥感影像数据，并计算过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值，以及火灾后的一段时间内的每年增强型植被指数EVI的均值；
数据计算模块，用于分别计算火灾后的一段时间内的每年增强型植被指数EVI的均值与过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值之间的差值，并形成差值的年际动态变化曲线；
结果分析模块，用于根据差值的年际动态变化曲线，分析待监测过火区在火灾后的植被恢复情况。
下面结合具体的实施例对本发明中的技术方案做具体实施方式的说明。
本实施例基于GEE提取根河市的年际火烧迹地，共包含10个过火区域，分别将其命名为过火区1-过火区10，利用这10个过火区域研究森林火灾的时空分布，并结合实地调查与现有记录数据进行精度验证，如图2所示。
基于GEE获取过火区及其邻近植被区的像元斑块的生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，探讨基于GEE判别火烧迹地起火时间的可靠性及可行性；
基于GEE获取过火区域的dEVI年际动态变化曲线，根据已有调查数据对过火区域进行火烈度分级，并总结分析不同林火烈度区域的恢复年限，评价火后植被恢复情况。具体流程如下：
1、基于GEE通过编写代码获取不同过火区及其邻近植被区像元的生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，并进行平滑处理后生成指数的时序变化曲线，通过对比分析判别火烧迹地的起火时间。具体工作步骤为：
a.基于GEE获取过火区及其邻近植被区的生物量变化指标NDVI年际最大值与归一化燃烧指数NBR年际最小值，生成：火烧迹地—植被年际变化曲线，确定起火年份。
b.基于GEE获取过火区及其邻近植被区在起火年份的生物量变化指标NDVI、归一化燃烧指数NBR的月内均值，生成：火烧迹地—植被月变化曲线，确定起火月份。
c.基于GEE获取过火区及其邻近植被区在起火月份NDVI、NBR指数的月内数据，生成：火烧迹地—植被日变化曲线，确定起火时间。
火烧迹地——植被NDVI、NBR指数动态变化曲线及判别结果如下所示：
(1)对待监测的过火区4的判别过程如下：
如图3所示，2003年，生物量变化指标NDVI表现出下降趋势，归一化燃烧指数NBR的变化量则在2002年就已呈下降趋势。通常当林火发生在生长期内时，NDVI指数通常在火后第1年出现下降的趋势，而NBR指数在起火当年即表现出下降的趋势；而当林火发生在生长期前时，NDVI、NBR指数均在当年出现下降的趋势，因此确定起火年份在2002年；
如图4所示，在2002年的6月份，生物量变化指标NDVI呈现下降趋势，而归一化燃烧指数NBR的变化量在7月份才呈下降趋势其下降趋势明显，因此确定起火月份为2002年的7月份；
如图5所示，NDVI指数在2002年7月20日后出现了短暂的下降，但无法确定是由于数据波动引起的还是由于火烧后植被叶绿素下降导致的，而NBR指数在7月20日～7月28日并未出现明显变化，且高于健康植被区域，所以最终确定过火区4的起火时间为2002年7月28日～8月5日。
(1)对待监测的过火区7的判别过程如下：
如图6所示，在2006年，生物量变化指标NDVI、归一化燃烧指数NBR的变化量均呈下降趋势，因此确定起火年份在2006年；
如图7所示，在2006年的5月份到6月份，生物量变化指标NDVI、归一化燃烧指数NBR的变化量均呈下降趋势，因此确定起火月份为2002年的5月份到6月份之间；
如图8所示，在2006年的5月25之后，归一化燃烧指数NBR出现下降趋势，而生物量变化指标NDVI的变化量在2006年5月17日后就已经出现了下降的趋势，因此确定过火区7的起火时间为2006年5月17日～5月25日。
本实施例为了对火后植被恢复的情况进行更为直观的定量化评价，以火前3年的生长期的增强型植被指数EVI均值作为对照，计算火后每年生长期的增强型植被指数EVI与火前增强型植被指数EVI的差值。提取不同火烧迹地内火烧前3年与火后10年，共13年的生长期EVI指数时序数据，并利用S-G滤波算法对数据进行平滑、去噪。导出并计算火后dEVI指数时序数据，根据已有调查资料对火烧迹地进行林火烈度等级划分，然后生成不同火烧迹地各级林火烈度区域dEVI指数年际动态变化曲线，如图9-图13是根河市不同的过火区域的dEVI指数年际动态变化曲线。
如图9所示，过火区1的轻度、中度火烧区域在火后第7年基本恢复至火前水平，重度火烧区域在火后第8年也基本完成恢复，恢复年限相差不大；过火区2的轻度和中度火烧区域在火后第8年基本恢复，重度火烧区域直至火后第10年才恢复，总体恢复较慢；
如图10所示，过火区3的轻度、中度火烧区域恢复时间很短，其中，轻度火烧区域仅用时1年即恢复，中度火烧区域在火后第2年也恢复至火前水平，而重度火烧区域较慢，火后第8年才恢复至火前水平；过火区4的轻度、中度火烧区域在火后第7年基本恢复，重度火烧区域时间长，直至火后第10年才恢复至火前水平；
如图11所示，过火区5的轻度火烧区域在火后第6年基本完成恢复，中度、重度火烧区域在火后第8年基本恢复；过火区6未发生重度火烧，轻度、中度火烧区域在火后第8年基本恢复至火前水平；
如图12所示，过火区7的轻度、中度火烧区域恢复较快，用时3年，而重度火烧区域恢复至火前水平仅用时4年；过火区8无重度火烧区域，轻度火烧区域在火后第2年基本恢复至火前水平，中度火烧区域在火后第4年基本恢复，总体恢复时间短；
如图13所示，过火区9的轻度、中度火烧区域恢复至火前水平用时3年，重度火烧区域在火后第6年基本恢复；过火区10的轻度火烧区域在火后第6年基本恢复至火前水平，而受到Landsat 8EVI产品数据可用时间的限制，该区域的中度、重度火烧直至2016年仍未恢复。
最后说明的是：以上公开的仅为本发明的一个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (8)
1.一种火后植被恢复动态监测方法，其特征在于，包括以下步骤：
根据待监测过火区的植被区域及过火区的邻近植被区域在被火烧前的一段时间及被火烧后的一段时间内的的遥感数据，分别确定其生物量变化指标NDVI、归一化燃烧指数NBR的时序数据；
根据生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定过火区的起火时间；
提取过火区在起火时间之前的一段时间以及火灾后的一段时间的遥感影像数据，并计算过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值，以及火灾后的一段时间内的每年增强型植被指数EVI的均值；
分别计算火灾后的一段时间内的每年增强型植被指数EVI的均值与过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值之间的差值，并形成差值的年际动态变化曲线；
根据差值的年际动态变化曲线，分析待监测过火区在火灾后的植被恢复情况。
2.根据权利要求1所述的一种火后植被恢复动态监测方法，其特征在于：所述根据待监测过火区的植被区域及过火区的邻近植被区域在被火烧前的一段时间及被火烧后的一段时间内的的遥感数据，并分别确定其生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，包括以下步骤：
基于遥感云平台GEE，在待监测过火区的植被区域及过火区的邻近植被区域中随机生成多个像元斑块，得到待监测过火区的植被区域及过火区的邻近植被区域在被火烧前的一段时间及被火烧后的一段时间内的的遥感数据；
提取各个像元斑块在被火烧前的一段时间及被火烧后的一段时间内的生物量变化指标NDVI的时序数据、归一化燃烧指数NBR的时序数据；
其中，所述生物量变化指标NDVI的计算公式为：
NDVI＝(NIR–R)/(NIR+R) (1)
所述归一化燃烧指数NBR的计算公式为：
NBR＝(NIR–SWIR)/(NIR+SWIR) (2)
其中，NIR为近红外波段反射率；R为红光波段反射率；
SWIR为短波红外。
3.根据权利要求1所述的一种火后植被恢复动态监测方法，其特征在于：在根据所述生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定过火区的起火时间之前，还包括：
利用S-G滤波对所述生物量变化指标NDVI、归一化燃烧指数NBR的时序数据分别进行平滑、去噪处理，包括以下步骤：
利用m*m窗口分别对所述生物量变化指标NDVI、归一化燃烧指数NBR的时序数据的影像Y中的每一个子集Yj进行加权平均，并拟合其权重Ci，最终确定平滑后的指数结果Y*，如下：
其中，Ci为第i个指数值的滤波系数；
m为窗口宽度，j为指数原始数组的系数；
Yj+1为生物量变化指标NDVI或归一化燃烧指数NBR的原始数据；
Y*为生物量变化指标NDVI或归一化燃烧指数NBR经过平滑处理的指数结果。
4.根据权利要求1所述的一种火后植被恢复动态监测方法，其特征在于：所述根据生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定过火区的起火时间，包括以下步骤：
根据生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定过火区的植被区域及过火区的邻近植被区域的生物量变化指标NDVI的年际最大值以及归一化燃烧指数NBR的年际最小指，分别得到火烧迹地的植被的生物量变化指标NDVI的年变化曲线，以及火烧迹地的植被的归一化燃烧指数NBR的年变化曲线；根据两个年变化曲线确定过火区的起火年份；
根据过火区的起火年份，以及在起火年份中的火烧迹地的植被的生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定在起火年份中的火烧迹地的植被的生物量变化指标NDVI、归一化燃烧指数NBR的月内均值，得到火烧迹地的植被的生物量变化指标NDVI、归一化燃烧指数NBR的月变化曲线；根据两个月变化曲线确定过火区的起火月份；
根据过火区的起火月份，以及在起火月份中的火烧迹地的植被的生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定在起火月份中的火烧迹地的植被的生物量变化指标NDVI、归一化燃烧指数NBR的月内数据，得到火烧迹地的植被的生物量变化指标NDVI、归一化燃烧指数NBR的日变化曲线；根据两个日变化曲线确定过火区的起火时间。
5.根据权利要求1所述的一种火后植被恢复动态监测方法，其特征在于：所述获取过火区在起火时间之前的一段时间以及火灾后的一段时间的遥感影像数据，包括以下步骤：
利用遥感云平台GEE获取覆盖待监测过火区的Landsat5-8系列遥感影像数据，并筛选过火区在起火时间之前的一段时间以及火灾后的一段时间的遥感影像数据，分别对其进行云掩膜处理；
将过火区在起火时间之前的一段时间的遥感影像数据，以及火灾后的一段时间的遥感影像数据分别进行合成。
6.根据权利要求1所述的一种火后植被恢复动态监测方法，其特征在于：在计算得到所述过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值，以及火灾后的一段时间内的每年增强型植被指数EVI的均值后，还包括：
利用S-G滤波对所述过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值，以及火灾后的一段时间内的每年增强型植被指数EVI的均值分别进行平滑、去噪处理。
7.根据权利要求1所述的一种火后植被恢复动态监测方法，其特征在于：所述增强型植被指数EVI的计算公式为：
所述火灾后的一段时间内的每年增强型植被指数EVI的均值与过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值之间的差值为：
dEVI＝EVIpost-EVIpre (5)
其中，ρnir、ρr、ρb分别是近红外、红光、蓝光波段的反射率；
G为增益系数；
C1和C2为大气修正红光和蓝光的校正参数；
L为树冠背景调节参数；
EVIpost为火灾后的一段时间内的每年增强型植被指数EVI的均值；
EVIpre为起火时间之前的一段时间内的增强型植被指数EVI的均值。
8.一种火后植被恢复动态监测系统，其特征在于：包括：
第一数据获取模块，根据待监测过火区的植被区域及过火区的邻近植被区域在被火烧前的一段时间及被火烧后的一段时间内的的遥感数据，分别确定其生物量变化指标NDVI、归一化燃烧指数NBR的时序数据；
起火时间确定模块，用于根据生物量变化指标NDVI、归一化燃烧指数NBR的时序数据，确定过火区的起火时间；
第二数据获取模块，用于提取过火区在起火时间之前的一段时间以及火灾后的一段时间的遥感影像数据，并计算过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值，以及火灾后的一段时间内的每年增强型植被指数EVI的均值；
数据计算模块，用于分别计算火灾后的一段时间内的每年增强型植被指数EVI的均值与过火区在起火时间之前的一段时间内的增强型植被指数EVI的均值之间的差值，并形成差值的年际动态变化曲线；
结果分析模块，用于根据差值的年际动态变化曲线，分析待监测过火区在火灾后的植被恢复情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211632382.0A CN115861262A (zh) | 2022-12-19 | 2022-12-19 | 一种火后植被恢复动态监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211632382.0A CN115861262A (zh) | 2022-12-19 | 2022-12-19 | 一种火后植被恢复动态监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115861262A true CN115861262A (zh) | 2023-03-28 |
Family
ID=85674106
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211632382.0A Withdrawn CN115861262A (zh) | 2022-12-19 | 2022-12-19 | 一种火后植被恢复动态监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115861262A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116127787A (zh) * | 2023-04-07 | 2023-05-16 | 中国科学院、水利部成都山地灾害与环境研究所 | 火烧烈度-高程积分算法及火后泥石流易发性评估方法 |
-
2022
- 2022-12-19 CN CN202211632382.0A patent/CN115861262A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116127787A (zh) * | 2023-04-07 | 2023-05-16 | 中国科学院、水利部成都山地灾害与环境研究所 | 火烧烈度-高程积分算法及火后泥石流易发性评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hawbaker et al. | The Landsat Burned Area algorithm and products for the conterminous United States | |
| Luo et al. | ChinaCropPhen1km: a high-resolution crop phenological dataset for three staple crops in China during 2000–2015 based on leaf area index (LAI) products | |
| Williams et al. | Impacts of disturbance history on forest carbon stocks and fluxes: Merging satellite disturbance mapping with forest inventory data in a carbon cycle model framework | |
| Masek et al. | North American forest disturbance mapped from a decadal Landsat record | |
| Yang et al. | Landsat remote sensing approaches for monitoring long-term tree cover dynamics in semi-arid woodlands: Comparison of vegetation indices and spectral mixture analysis | |
| Mayes et al. | Forest cover change in Miombo Woodlands: modeling land cover of African dry tropical forests with linear spectral mixture analysis | |
| Yang et al. | Continental-scale quantification of post-fire vegetation greenness recovery in temperate and boreal North America | |
| Chen et al. | Monitoring of rice cropping intensity in the upper Mekong Delta, Vietnam using time-series MODIS data | |
| Liu et al. | Enhanced drought detection and monitoring using sun-induced chlorophyll fluorescence over Hulun Buir Grassland, China | |
| Liu et al. | Mapping tree species diversity in temperate montane forests using Sentinel-1 and Sentinel-2 imagery and topography data | |
| Lavanya et al. | Terrain mapping of LandSat8 images using MNF and classifying soil properties using ensemble modelling | |
| Greig et al. | Spectral-temporal modelling of bamboo-dominated forest succession in the Atlantic Forest of Southern Brazil | |
| Martínez et al. | Characterizing land condition variability in Ferlo, Senegal (2001–2009) using multi-temporal 1-km Apparent Green Cover (AGC) SPOT Vegetation data | |
| Zhang et al. | Deriving stand age distribution in boreal forests using SPOT VEGETATION and NOAA AVHRR imagery | |
| CN115861262A (zh) | 一种火后植被恢复动态监测方法及系统 | |
| 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 | |
| Pimple et al. | A history of the rehabilitation of mangroves and an assessment of their diversity and structure using Landsat annual composites (1987–2019) and transect plot inventories | |
| CN108387525B (zh) | 一种基于evi2季节变化曲线的年gpp估算方法及系统 | |
| Zhou et al. | Long-term effects of rewetting and drought on GPP in a temperate peatland based on satellite remote sensing data | |
| Wu et al. | Improving Aboveground Biomass Estimation in Lowland Tropical Forests across Aspect and Age Stratification: A Case Study in Xishuangbanna | |
| Zhang et al. | Abandoned cropland mapping and its influencing factors analysis: A case study in the Beijing-Tianjin-Hebei region | |
| Li et al. | Mapping bamboo forest and expansion intensity in China by coupling vegetation phenology and C-band SAR with Sentinel-1 and Sentinel-2 images | |
| Lusiana et al. | Carbon stocks in Nunukan, East Kalimantan: a spatial monitoring and modelling approach: report from the carbon monitoring team of the Forest Resources Management for Carbon Sequestration (FORMACS) project | |
| CN118521916B (zh) | 一种森林扰动检测方法与系统 | |
| Rodrigues et al. | PhenoSat–a tool for remote sensing based analysis of vegetation dynamics |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230328 |
|
| WW01 | Invention patent application withdrawn after publication |