CN114216563A - 一种阈值自动生成的火灾遥感监测方法 - Google Patents
一种阈值自动生成的火灾遥感监测方法 Download PDFInfo
- Publication number
- CN114216563A CN114216563A CN202111358010.9A CN202111358010A CN114216563A CN 114216563 A CN114216563 A CN 114216563A CN 202111358010 A CN202111358010 A CN 202111358010A CN 114216563 A CN114216563 A CN 114216563A
- Authority
- CN
- China
- Prior art keywords
- fire
- pixel
- threshold value
- threshold
- fire point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 230000005855 radiation Effects 0.000 claims abstract description 9
- 230000001932 seasonal effect Effects 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 4
- 238000002329 infrared spectrum Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 abstract description 2
- 238000002310 reflectometry Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0014—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation from gases, flames
- G01J5/0018—Flames, plasma or welding
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Plasma & Fusion (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明提供了一种阈值自动生成的火灾遥感监测方法，以VIIRS 375m数据为基础开展火灾检测相关算法研究，VIIRS 375m数据由从可见光到热红外光谱区延伸的五个不同的单增益通道组成，根据火灾发生时的温度及辐射波长，中红外波段I4、远红外波段I5能够较容易区分高温火点信息和常温无火点信息，便于将活跃的火灾与其无火灾背景分开，为火灾检测的常用波段。本发明充分考虑了季节变化对地表温度的影响，以两夏冬两个季节样本库数据作为研究对象，有效选取火灾的自适应阈值，改进了传统算法中以经验阈值为判断依据，提高了火点监测的精度。同时在大面积范围内采样，提高算法对发生在较冷的高纬度地区的火灾的灵敏度，降低由较暖背景组成的低纬度地区的误报率。
Description
技术领域
本发明涉及火灾灾害遥感监测识别领域，具体指应用于森林火灾、秸秆焚烧火灾的监测，具体地说，是涉及一种阈值自动生成的火灾遥感监测方法。
背景技术
火灾是一种发生频率较高、破坏性较强的灾害，火灾燃烧中释放的有害气体和烟雾，严重影响气候和空气质量。卫星遥感的全天候、大范围的监测优势，能够有效监测火灾发展，估算受灾程度和生态环境影响，已经逐步成为火灾监测及评价的重要支撑手段。
火灾具有高动态和分散性特点，通过卫星观测技术对其量化分析成为监测的主要手段。NOAA高分辨率辐射计(AVHRR)数据和美国宇航局的中分辨率成像光谱仪(MODIS)数据被广泛应用于主动活跃火灾监测。经过多年来的实例验证和算法改进，火灾产品达到了可应用的成熟水平，其中以MODIS火灾和热异常算法为基础的火灾产品(MOD14和MYD14)在过去十年使用最广泛。但受到空间分辨率的限制，MODIS数据对小面积火点检测的结果并不理想。VIIRS主动火灾产品以MODIS火点算法为基础，生成了750m火灾产品(ARP)和375m主动火灾产品，其中VIIRS 375m分辨率数据对小面积、小幅度热异常变化更敏感，提供更精细的空间信息，可探测和描述亚像素主动火灾的特征，在火灾检测方面更有优势。
目前使用较多的火灾探测算法为多波段阈值法和上下文法。阈值法火灾监测主要利用发生火灾时引起的温度变化和反射率变化，利用有、无火灾的温度差异和反射率差异来识别。上下文法是利用火点像元的中红外与热红外波段的亮度温度值明显高于该像元周围非火点像元值的特点，利用火点像元与邻近像元之间的温度差异检测火灾像元。通常火灾检测算法只考虑了火灾的光谱特征，依据经验阈值划分像素类型，并对部分条件取并集，为了降低火点错分误差一般会选择较大的阈值，对于小面积且低温的火点漏检较为严重，且依据经验获取的阈值不一定是最佳阈值。太阳加热的裸露地表、工业用地等特殊地物的地表温度特征接近火灾，具有与火灾相近的光谱特征，使得在光谱范围内分离这些像素比较困难，很容易与火灾混淆。此外，地表温度随着季节发生变化，在不同季节，单一的阈值条件无法满足季节性地表温度变化，容易出现大量的伪火点。
发明内容
本发明的目的在于克服上述传统技术的不足之处，提供一种阈值自动生成的火灾遥感监测方法，可有效解决上述技术问题。
本发明的目的是通过以下技术措施来达到的：一种阈值自动生成的火灾遥感监测方法，以VIIRS 375m数据为基础开展火灾检测相关算法研究，VIIRS 375m数据由从可见光到热红外光谱区延伸的五个不同的单增益通道组成，分别为：可见光波段(I1：0.6～0.68μm)，近红外波段(I2：0.85～0.88μm)、短波红外波段(I3：1.58～1.64μm)、中红外波段(I4：3.53～3.93μm)、远红外波段(I5：10.5～12.4μm)，根据火灾发生时的温度及辐射波长，中红外波段I4、远红外波段I5能够较容易区分高温火点信息和常温无火点信息，便于将活跃的火灾与其无火灾背景分开，为火灾检测的常用波段。
具体的，包括以下步骤：
S1、获取VIIRS影像数据并对其进行辐射校正、几何校正等预处理；
S2、构建火点与非火点样本库；
S3、火点检测算法自动生成
S4、根据阈值与火点像元的正确率设置权重，提取火点像元。
作为一种优选方案，步骤S2中，根据季节变化建立夏季(6月～8月)和冬季(12月～下年2月)两个季节的样本库，样本库的建立如下：
(1)利用多时相VIIRS数据人工获取不同区域的火点像元构建火点样本库；
(2)从多时相VIIRS数据人工选取各种地表覆盖类型构建非火点样本库，包括水体(河流、湖泊)、云(厚云、薄云)、植被(农田、草地、林地)、人工地表(道路、工业用地、居民地)。
作为一种优选方案，步骤S3中，
(1)参数选取；
综合考虑火点像元与非火点像元的光谱特征，将阈值法与上下文方法结合，选择参数进行火点监测算法的测试生成。参数主要有：T4、T5、T45、ΔT4、ΔT5、ΔT45。
其中，T4为像元在中红外波段I4的亮度温度值，T5为像元在远红外波段I5的亮度温度值，T45为T4与T5亮度温度差值，ΔT4为I4波段中心像元与背景像元的亮度温度差值，ΔT5为I5波段中心像元与背景像元的亮度温度差值，ΔT45为ΔT4与ΔT5的亮度温度差值。
(2)计算样本库中各参数的自适应阈值与其线性关系，自动获取阈值；
①根据火灾样本库，确定火灾像元在I4、I5波段的亮度温度值范围，作为选取的参数变化的值域范围；
②阈值在值域范围内逐步变化，统计火点像元的正确率和非火点像元的误判率，其中阈值变化的步长根据参数的不同进行设计，火点像元的正确率和非火点误判率随阈值而变化；计算公式如下：
③当火点像元的正确率达到最高值并且几乎不受阈值变化的影响，对应的阈值是最佳阈值；
(3)分别获得夏季、冬季火点像元在各个参数中的最佳阈值。
作为一种优选方案，步骤S4中，云和水体以及太阳耀斑的识别，
利用可见光波段I1、近红外波段I2、短波红外波段I3，基于VIIRS火点算法中云、水体及太阳耀斑的提取方法，识别影像中的云和水体以及太阳耀斑，剔除云、水体、太阳耀斑对火点像元检测的影响；
作为一种优选方案，步骤S4中，根据冬季、夏季火点像元各个参数阈值对应的火点正确率分别赋予不同的权重，利用不同权重计算火点概率，认为概率值大于某个值时该像元为火点像元。
由于采用了上述技术方案，与现有技术相比，本发明的优点是：本发明充分考虑了季节变化对地表温度的影响，分别在夏季和冬季提出了不同的概率。以两个季节样本库数据作为研究对象，有效选取火灾的自适应阈值，改进了传统算法中以经验阈值为判断依据，提高了火点监测的精度。同时在大面积范围内采样，提高算法对发生在较冷的高纬度地区的火灾的灵敏度，同时降低由较暖背景组成的低纬度地区的误报率。
下面结合附图和具体实施方式对本发明作进一步说明。
附图说明
附图1是阈值自动生成火灾遥感监测技术流程图
具体实施方式
实施例：如附图1所示，
1、获取VIIRS影像数据并对其进行辐射校正、几何校正等预处理。
利用VIIRS数据提供的辐射定标系数对数据进行辐射校正；利用VNP03IMG产品提供的地理坐标信息，对VNP02IMG数据进行几何校正；使用普朗克函数计算亮温。
VIIRS数据的辐射定标具体公式如下：
L＝scale_factor*DN+add_offset
在上式中，scale_factor和add_offset分别表示辐射定标参数的增益值和偏置值。
普朗克函数公式如下：
T为亮度温度(K)；h＝6.63×10-34Js，是普朗克常数；c是真空中的光速；λ是中心波长；R是辐射亮度值。根据亮度温度计算公式计算I4、I5通道的亮度温度。
2、云和水体以及太阳耀斑的识别
利用可见光波段I1、近红外波段I2、短波红外波段I3，基于VIIRS火点产品算法中云、水体及太阳耀斑的提取方法，识别影像中的云和水体以及太阳耀斑，剔除云、水体、太阳耀斑对火点像元检测的影响。
VIIRS火点产品中云识别条件如下：
VIIRS水体识别利用多通道结合的光谱分析法：ρ1＞ρ2＞ρ3
VIIRS产品太阳耀斑的识别条件：
ρ1+ρ2＞0.6&T5＜285K&ρ3＞0.3&ρ3＞ρ2&ρ2＞0.25&T4＜335K
上式中，T4为I4波段的亮度温度值，T5为I5波段的亮度温度值，ρ1为I1波段的反射率，ρ2为I2波段的反射率，ρ3为I3波段的反射率，逻辑运算符“&”表示“与”，运算符“|”表示“或”，运算符“&”优先级高于“|”。
3、构建火点与非火点样本库。
由于地表温度随着季节发生变化，地表亮度温度值在夏季呈现出较高的态势，到冬季地温下降明显。考虑到这些局限性，本发明根据季节性地表温度的情况建立了两个样本数据集来确定自适应阈值。
利用2020年冬季和2021年夏季实地核实火灾信息，利用对应时间经纬度的VNP02、VNP03数据，提取火点位置的像元本身及背景像元数据，建立夏季(6月～8月)和冬季(12月～下年2月)两个季节的样本库。样本库的建立如下：
(1)利用多时相VIIRS数据人工获取不同区域的火点像元构建火点样本库。
(2)从多时相VIIRS数据人工选取各种地表覆盖类型构建非火点样本库，包括水体(河流、湖泊)、云(厚云、薄云)、植被(农田、草地、林地)、人工地表(道路、工业用地、居民地)。
4、火点检测算法自动生成
(1)参数选取。
综合考虑火点像元与非火点像元的光谱特征，将阈值法与上下文方法结合，选择参数进行火点监测算法的测试生成。参数为：T4、T5、T45、ΔT4、ΔT5、ΔT45。
其中，T4为像元在中红外波段I4的亮度温度值，T5为像元在远红外波段I5的亮度温度值，T45为T4与T5亮度温度差值，ΔT4为I4波段中心像元与背景像元的亮度温度平均值差值，ΔT5为I5波段中心像元与背景像元的亮度温度平均值差值，ΔT45为ΔT4与ΔT5的亮度温度差值。
(2)计算样本库中各参数的自适应阈值与其线性关系，自动获取阈值。
①根据火灾样本参数，确定火点像元在I4、I5波段的亮度温度值范围，作为选取的参数变化的值域范围。
②阈值在值域范围按照一定步长逐次变化，统计每次阈值对应结果的火点像元的正确率和非火点像元的误判率，其中阈值变化的步长根据参数的不同进行设计，火点像元的正确率和非火点误判率随阈值而变化。计算公式如下：
亮度温度值参数I4、I5其范围设置应考虑其亮温值的特殊性，通常设置范围为200-400K，其阈值变化的步长为1。
③当火点像元的正确率达到最高值并且几乎不受阈值变化的影响，对应的阈值是最佳阈值。
(3)分别获得夏季、冬季火点像元在各个参数中的最佳阈值。
夏季整体地表温度高于冬季，火灾燃烧区的温度也高于冬季，因此，夏季火灾像素的亮度温度值阈值选取高于秋季是符合现实情况，夏季火灾像元与周围有效像元对比值小于冬季，与实际地表情况符合，生成阈值具有合理性。
5、根据阈值与火点的正确率设置权重，提取火点像元。
不同的火灾检测算法对最终检测结果的贡献不同，主要取决于火点像元的正确率。将各个检测结果取交集将丢失部分火灾信息，检测结果合并会增加火灾检测的误差，两种情况均会对火灾检测结果产生影响。考虑到上述因素，本发明根据火灾检测算法的正确率对不同测试的结果进行加权计算，提取火点像元。
根据样本火点正确率确定对应参数阈值的权重，认为大于0.99时，权重为3；大于0.95且小于等于0.99时，权重为2；小于等于0.95时，权重为1。利用以下公式计算的到像元的火点概率值，该值大于0.8时，认为该像元为火点像元。
式中，P为火点概率值；wi为第i个检测阈值对应的权重；ti为第i个检测阈值是否满足，满足为1，不满足为0；n为阈值总数量。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种阈值自动生成的火灾遥感监测方法，其特征在于：包括以下步骤：
S1、获取VIIRS数据并对其进行辐射校正、几何校正等预处理；
S2、构建火点与非火点样本库；
S3、火点检测算法自动生成
S4、根据阈值与火点像元的正确率设置权重，提取火点像元。
2.根据权利要求1所述的一种阈值自动生成的火灾遥感监测方法，其特征在于；所述VIIRS数据由从可见光到热红外光谱区延伸的五个不同的单增益通道组成，分别为：可见光波段，近红外波段、短波红外波段、中红外波段、远红外波段，根据火灾发生时的温度及辐射波长，中红外波段、远红外波段能够较容易区分高温火点信息和常温无火点信息，便于将活跃的火灾与其无火灾背景分开，为火灾检测的常用波段。
3.根据权利要求1所述的一种阈值自动生成的火灾遥感监测方法，其特征在于：步骤S2中，根据季节变化建立夏季和冬季两个季节的样本库，样本库的建立如下：
Ⅰ、利用多时相VIIRS数据人工获取不同区域的火点像元构建火点样本库；
Ⅱ、从多时相VIIRS数据人工选取地表覆盖类型构建非火点样本库，包括水体、云、植被、人工地表。
4.根据权利要求1所述的一种阈值自动生成的火灾遥感监测方法，其特征在于：步骤S3中，
Ⅰ、参数选取；
综合考虑火点像元与非火点像元的光谱特征，将阈值法与上下文方法结合，选择参数进行火点监测算法的测试生成，参数主要有：T4、T5、T45、ΔT4、ΔT5、ΔT45；
其中，T4为像元在中红外波段I4的亮度温度值，T5为像元在远红外波段I5的亮度温度值，T45为T4与T5亮度温度差值，ΔT4为I4波段中心像元与背景像元的亮度温度差值，ΔT5为I5波段中心像元与背景像元的亮度温度差值，ΔT45为ΔT4与ΔT5的亮度温度差值；
Ⅱ、计算样本库中各参数的自适应阈值与其线性关系，自动获取阈值；
①根据火灾样本库，确定火灾像元在I4、I5波段的亮度温度值范围，作为选取的参数变化的值域范围；
②阈值在值域范围内逐步变化，统计火点像元的正确率和非火点像元的误判率，其中阈值变化的步长根据参数的不同进行设计，火点像元的正确率和非火点误判率随阈值而变化；计算公式如下：
③当火点像元的正确率达到最高值并且几乎不受阈值变化的影响，对应的阈值是最佳阈值；
Ⅲ、分别获得夏季、冬季火点像元在各个参数中的最佳阈值。
5.根据权利要求1所述的一种阈值自动生成的火灾遥感监测方法，其特征在于：步骤S4中，云和水体以及太阳耀斑的识别，利用可见光波段I1、近红外波段I2、短波红外波段I3，基于VIIRS火点算法中云、水体及太阳耀斑的提取方法，识别影像中的云和水体以及太阳耀斑，剔除云、水体、太阳耀斑对火点像元检测的影响。
6.根据权利要求1所述的一种阈值自动生成的火灾遥感监测方法，其特征在于：步骤S4中，根据冬季、夏季火点像元各个参数阈值对应的火点正确率分别赋予不同的权重，利用不同权重计算火点概率，认为概率值大于某个值时该像元为火点像元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111358010.9A CN114216563B (zh) | 2021-11-16 | 2021-11-16 | 一种阈值自动生成的火灾遥感监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111358010.9A CN114216563B (zh) | 2021-11-16 | 2021-11-16 | 一种阈值自动生成的火灾遥感监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114216563A true CN114216563A (zh) | 2022-03-22 |
| CN114216563B CN114216563B (zh) | 2024-05-28 |
Family
ID=80697329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111358010.9A Active CN114216563B (zh) | 2021-11-16 | 2021-11-16 | 一种阈值自动生成的火灾遥感监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114216563B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115615559A (zh) * | 2022-12-19 | 2023-01-17 | 南京信大卫星应用研究院有限公司 | 一种基于图像信息采集的火灾状态监测系统 |
Citations (8)
| 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 |
| CN103106766A (zh) * | 2013-01-14 | 2013-05-15 | 广东赛能科技有限公司 | 林火识别方法与系统 |
| CN105761408A (zh) * | 2016-04-25 | 2016-07-13 | 国网湖南省电力公司 | 输电线路山火卫星的动态阈值监测方法及系统 |
| 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 |
| CN106855943A (zh) * | 2016-12-14 | 2017-06-16 | 中国科学院遥感与数字地球研究所 | 一种火点遥感监测方法 |
| CN109509319A (zh) * | 2018-12-29 | 2019-03-22 | 北京恒泰实达科技股份有限公司 | 基于静止卫星监测资料的输电线路山火监测预警方法 |
| CN110853280A (zh) * | 2019-10-24 | 2020-02-28 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 结合卫星遥感和地表要素的山火识别方法及装置 |
| WO2020132031A1 (en) * | 2018-12-21 | 2020-06-25 | University Of Hawaii | Automated wildfire detection |
-
2021
- 2021-11-16 CN CN202111358010.9A patent/CN114216563B/zh active Active
Patent Citations (8)
| 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 |
| CN103106766A (zh) * | 2013-01-14 | 2013-05-15 | 广东赛能科技有限公司 | 林火识别方法与系统 |
| CN105761408A (zh) * | 2016-04-25 | 2016-07-13 | 国网湖南省电力公司 | 输电线路山火卫星的动态阈值监测方法及系统 |
| CN106855943A (zh) * | 2016-12-14 | 2017-06-16 | 中国科学院遥感与数字地球研究所 | 一种火点遥感监测方法 |
| 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 |
| WO2020132031A1 (en) * | 2018-12-21 | 2020-06-25 | University Of Hawaii | Automated wildfire detection |
| CN109509319A (zh) * | 2018-12-29 | 2019-03-22 | 北京恒泰实达科技股份有限公司 | 基于静止卫星监测资料的输电线路山火监测预警方法 |
| CN110853280A (zh) * | 2019-10-24 | 2020-02-28 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 结合卫星遥感和地表要素的山火识别方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| YANG LIU.ET.AL: "Use of VIIRS DNA Satellite Images to Detect Nighttime Fishing Vessel Lights in Yellow Sea", CSAE 2019, 24 October 2019 (2019-10-24) * |
| 刘良明.ET.AL: "利用动态阈值的森林草原火灾 火点检测算法", 武汉大学学报· 信息科学版, vol. 36, no. 12, 31 December 2011 (2011-12-31) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115615559A (zh) * | 2022-12-19 | 2023-01-17 | 南京信大卫星应用研究院有限公司 | 一种基于图像信息采集的火灾状态监测系统 |
| CN115615559B (zh) * | 2022-12-19 | 2023-03-10 | 南京信大卫星应用研究院有限公司 | 一种基于图像信息采集的火灾状态监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114216563B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Long et al. | Retrieving cloud characteristics from ground-based daytime color all-sky images | |
| CN109581372B (zh) | 一种生态环境遥感监测方法 | |
| Wooster et al. | Sentinel-3 SLSTR active fire detection and FRP product: Pre-launch algorithm development and performance evaluation using MODIS and ASTER datasets | |
| Goerner et al. | Tracking seasonal drought effects on ecosystem light use efficiency with satellite-based PRI in a Mediterranean forest | |
| Kulkarni et al. | Algorithm to monitor snow cover using AWiFS data of RESOURCESAT‐1 for the Himalayan region | |
| CN111753900B (zh) | 一种森林火灾的监测方法 | |
| Bechtel | Robustness of annual cycle parameters to characterize the urban thermal landscapes | |
| Vrieling et al. | Spatially detailed retrievals of spring phenology from single-season high-resolution image time series | |
| CN106646651A (zh) | 一种火灾火点检测方法 | |
| CN106023203A (zh) | 基于Landsat-8陆地卫星数据的火点检测方法 | |
| Mitra et al. | Evaluation of INSAT-3D satellite derived precipitation estimates for heavy rainfall events and its validation with gridded GPM (IMERG) rainfall dataset over the Indian region | |
| Susaki et al. | Validation of MODIS albedo products of paddy fields in Japan | |
| Kuhnell et al. | Mapping woody vegetation cover over the state of Queensland using Landsat TM imagery | |
| Kusnierek et al. | Challenges in using an analog uncooled microbolometer thermal camera to measure crop temperature | |
| Lavanant et al. | Comparison of cloud products within IASI footprints for the assimilation of cloudy radiances | |
| CN114216563A (zh) | 一种阈值自动生成的火灾遥感监测方法 | |
| CN107576399A (zh) | 面向modis 林火探测的亮温预测方法和系统 | |
| CN113486814A (zh) | 一种基于时空融合算法的森林火灾遥感动态监测方法 | |
| CN117708548A (zh) | 一种遥感卫星应用效能评估方法 | |
| Fitriana et al. | Spectral analysis of the himawari-8 data for hotspot detection from land/forest fires in sumatra | |
| Ibrahim et al. | Climate Variability in Relation To Land Use And Land Cover (LULC) Changes In Kota Bharu, Kelantan, Malaysia | |
| CN113125015B (zh) | 用于卫星传感器的长时间序列跟踪方法及系统 | |
| CN113657275A (zh) | 一种林草火点自动检测方法 | |
| Asakuma et al. | Detection of biomass burning smoke in satellite images using texture analysis | |
| CN117333779B (zh) | 基于角度斜率指数的林火判别方法、系统、设备以及介质 |
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 |