CN113139296A - 一种基于卫星遥感的森林火灾风险预警方法 - Google Patents
一种基于卫星遥感的森林火灾风险预警方法 Download PDFInfo
- Publication number
- CN113139296A CN113139296A CN202110508053.4A CN202110508053A CN113139296A CN 113139296 A CN113139296 A CN 113139296A CN 202110508053 A CN202110508053 A CN 202110508053A CN 113139296 A CN113139296 A CN 113139296A
- Authority
- CN
- China
- Prior art keywords
- forest fire
- early warning
- risk early
- data
- fire risk
- 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 17
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000002310 reflectometry Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 4
- 238000013468 resource allocation Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 15
- 239000002689 soil Substances 0.000 description 11
- 238000002834 transmittance Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 206010067623 Radiation interaction Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000405965 Scomberomorus brasiliensis Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及森林火灾的风险预警,具体涉及一种基于卫星遥感的森林火灾风险预警方法。其方案包括以下步骤:(1)数据的筛选;(2)森林火灾风险预警指标体系的构建;(3)森林火灾风险预警模型的构建;(4)地表温度反演。本发明通过对火灾的风险预警精确。为森林灭火资源配置和林业规划提供重要依据。
Description
技术领域
本发明涉及森林火灾的风险预警,具体涉及一种基于卫星遥感的森林火灾风险预警方法。
背景技术
卫星遥感技术提供了地球表面的全球观测信息,使森林火灾风险预警不再受地面气象站数据的限制,能够更快速的获得森林火灾风险因子信息,
Cipriani等“Fire risk map for the Serra deDomingos Municipal Park”将高程、坡向、坡度、土地利用类型、道路和建筑物等因子进行危险等级划分,通过火灾结构指数(SFI)进行叠加,生成研究区的森林火灾风险图,进而确定森林火灾发生概率最高的区域;刘琳“基于MODIS数据的重庆市森林火灾监测与预警研究”使用了NDVI、TVDI、植被覆盖类型三个因子建立了火险综合预报指数模型对重庆市进行森林火灾监测预警;王双“基于空间logistic的湖南省森林火灾风险评价”采用Logistic回归分析方法,地表温度数据、植被指数数据、气象数据、人文数据、植被类型数据、森林火灾监测数据等,构建森林火灾风险概率模型,并对湖南省森林火灾风险等级进行划分;贾旭“基于遥感数据的内蒙古火灾时空分异特征与风险评估研究”将各个火险因子依据是否在短时间内发生变化,分为可变因子与稳定因子两大类,并使用层次分析法来分开计算因子的权重,后根据权重进行计算生成内蒙古的火险区划。但是,目前大部分国内外学者将气象因子、地形因子、植被状况划分为若干等级,对应不同等级的森林火灾风险区划,依次建立了森林火险预警模型,但由此得到的预警结果都是一个静态的结果,无法实现动态预警。
发明内容
本发明为克服现有技术的上述缺陷,研究了如何使用遥感数据可对区域森林火灾风险实现动态预警,可为森林防火工作提供科学依据。
本发明的一种基于卫星遥感的森林火灾风险预警方法,其步骤包括:
(1)数据的筛选;
(2)森林火灾风险预警指标体系的构建;
(3)森林火灾风险预警模型的构建;
(4)地表温度反演。
本发明的优选方案是,所述数据的筛选,是筛选后使用数据为MOD02数据、DEM数字高程数据、过往10年以上的森林火灾卫星热点数据。
本发明的优选方案是MOD02是MODIS经校正后的原始数据,分为3种类型:MOD02QKM分辨率为250m,包含了1、2波段的数据;MOD02HKM分辨率为500m,包含了1~7波段的数据,其中1、2波段的数据被重采样至500m的分辨率;MOD021KM分辨率为1km,包含了MODIS36个波段的信息,其中1~7波段的数据都被重采样至1km分辨率。
DEM数据包含了高程在内的各种地形因子如坡度、坡向、坡度变化率等因子在内的线性和非线性组合的空间分布。
本发明的优选方案是,森林火灾风险预警指标体系的构建,是选择NDVI、NDII7、TVDI、高程、坡度、坡向、森林火灾历史数据作为森林火灾风险预警指标构建指标体系。
本发明的优选方案是,NDVI值的计算通过近红外波段(841~876nm)与红光波段(620~670nm)两个通道反射率之差除以它们的和,计算公式如下:
式中:Rnir和Rred是指经过大气校正的MODIS影像数据中的近红外波段和红光波段的地物反射率。
本发明的优选方案是,湿度,即可燃物含水率。将NDII7作为可燃物含水率的指标之一,该指数由MODIS的两个波段计算,其公式如下:
式中,ρi为第i波段的反射率。
本发明的优选方案是,TVDI是以地表温度(Ts)和植被指数(NDVI)构建的二维空间的Ts-NDVI得到的,经研究其可用于旱情的监测、土壤湿度的反演和反应植被缺水状况。本发明用于表示温度与森林火灾之间的关系,本发明的TVDI值越高,表示区域内温度与植被指数之比越大,越容易发生森林火灾,其计算公式如下:
Tmax=a+b×NDVI (4)
Tmin=c+d*NDVI (5)
式中:Ts为地表温度(℃);Tmin为相应NDVI下最低陆地表面温度(℃);Tmax为相应NDVI下最高陆地表面温度(℃),即所对应的湿边和干边方程;a、c、b、d为干湿边方程的回归系数,分别为干湿边方程的截距和斜率。
高程、坡度、坡向可基于DEM数据进行提取;历史森林火灾因子则通过相应年度森林火灾卫星热点数据计算获得。
本发明的森林火灾风险预警模型的构建,是根据森林火灾动态危险性指数,建立森林火灾动态危险性评估模型。其公式如下:
式中FDDI为森林火灾动态危险性指数,NDII7为MODIS第7波段归一化红外指数,用于表示可燃物含水率,T为地表温度,P为植被覆盖率。
本发明的地表温度反演,是研究利用大气水汽含量来测算地表温度反演中所需的大气透过率。通过MODIS影像的第2与19波段的反射率来估算得到大气水汽含量,公式如下:
式中,W为大气水汽含量,ρi为第i波段的反射率,α、β为常量,依据地物类型来取值α=0.020,β=0.651。
将W代入公式分别计算第31与32波段的大气透过率。
τ31=5.72-4.69e(W/42.05) (15)
τ32=-1.25+2.28e(-W/12.44) (16)
地表比辐射率是进行地表温度遥感反演的基本参数,主要取决于地表覆盖物质的结构。计算公式如下:
εi=PvRvεiv+(1-Pv)Rsεis+dε (17)
式中εi为第i波段的地表比辐射率,Pv为植被覆盖度,可通过NDVI来计算,Rv、Rs为植被与裸土的辐射比率。εiv、εis为植被和裸土在第i波段的地表比辐射率,赋值为常数ε31v=0.98672、ε32v=0.98990、ε31s=0.96767、ε32s=0.97790。
Rv与Rs不仅取决于温度变化,而且取决于植被覆盖度,且后者的影响更大。因此,可建立它们与植被覆盖度之间的关系来进行估计。计算公式如下:
Rv=0.92762+0.07033Pv (18)
Rs=0.99782+0.08362Pv (19)
植被覆盖度Pv主要是通过NDVI来估计:
式中NDVIv、NDVIs为高植被覆盖像元与裸土像元的NDVI值,通常取常数NDVIv=0.9,NDVIs=0.15。
dε为估计相互作用校正项,由于热辐射相互作用在植被与裸土各占一半时达到最大,根据下列公式来计算,公式为:
当0≤Pv≤0.5时,dε=0.003796Pv (21)
当0.5<Pv≤1时,dε=0.0037961(1-Pv) (22)
附图说明
图1是不同地物类型在不同波段和不同含水率指数的变化曲线图
图2A是广东省第31波段的大气透过率图
图2B是广东省第32波段的大气透过率图(2021年2月14日MODIS数据)
图3A是广东省第31波段的地表比辐射率图(2021年2月14日MODIS数据)
图3B是广东省第32波段的地表比辐射率图(2021年2月14日MODIS数据)
图4是2021年2月14日广东省地表温度反演结果图
图5是2021年2月14日广东省NDVI值分布图
图6是2021年2月14日广东省NDII7值分布图
图7是2021年2月14日广东省TVDI值分布图
图8是广东省2009~2019年森林火灾发生区域图
图9是2021年2月15日广东省森林火灾风险预警图(基于2021年2月14日MODIS数据)
图10是ROC曲线图。
具体实施方式
以下结合附图对本发明的优选实施例进行更具体的说明,以对助于进一步理解本发明,但本发明的保护范围并不仅限于这些实施例。本实施例是更详细介绍本发明并将本发明应用于对广东省进行森林火灾风险预警分析。
1材料与方法
1.1数据源
研究中使用的数据为MOD02数据、DEM数字高程数据、2009年~2019年广东省森林火灾卫星热点数据。
MOD02是MODIS经校正后的原始数据,分为3种类型:MOD02QKM分辨率为250m,包含了1、2波段的数据;MOD02HKM分辨率为500m,包含了1~7波段的数据,其中1、2波段的数据被重采样至500m的分辨率;MOD021KM分辨率为1km,包含了MODIS36个波段的信息,其中1~7波段的数据都被重采样至1km分辨率。
DEM数据包含了高程在内的各种地形因子如坡度、坡向、坡度变化率等因子在内的线性和非线性组合的空间分布。
1.2方法
1.2.1森林火灾风险预警指标体系的构建
本发明采用NDVI表征地面可燃物状态;TVDI表征地表温度与土壤湿度两个森林火灾风险因子;NDII7反映可燃物含水率;同时将高程、坡度、坡向等地形因子关联森林火灾的发生;发生森林火灾的历史状况也与森林火灾风险存在密切关系。选择NDVI、NDII7、TVDI、高程、坡度、坡向、森林火灾历史数据等作为森林火灾风险预警因子,构建森林火灾风险预警模型,实现森林火灾的实时预警。
NDVI是反映地表植被覆盖信息的一种植被指数,能够反映植被的绿度、光合作用强度,现主要被用于植被的动态监测。其值的计算通过近红外波段(841~876nm)与红光波段(620~670nm)两个通道反射率之差除以它们的和,计算公式如下:
式中:Rnir和Rred是指经过大气校正的MODIS影像数据中的近红外波段和红光波段的地物反射率。
湿度,即可燃物含水率。研究表明,第7波段的归一化红外指数(NormalizedDifference Infrared Index7,NDII7)对可燃物含水率更为敏感(见图1),从图1可看出植被的NDVI、NDII7值和NDWI均大于裸地,且植被和裸地的NDII7值相差大于两者的NDVI值之差。因此,将NDII7作为可燃物含水率的指标之一,该指数由MODIS的两个波段计算,其公式如下:
式中,ρi为第i波段的反射率。
TVDI是以地表温度(Ts)和植被指数(NDVI)构建的二维空间的Ts-NDVI到的,它主要用于旱情的监测、土壤湿度的反演和反应植被缺水状况。在本实施例用于表示温度与森林火灾之间的关系,因为TVDI值越高,表示区域内温度与植被指数之比越大,越容易发生森林火灾,其计算公式如下:
Tmax=a+b×NDVI (4)
Tmin=c+d*NDVI (5)
式中:Ts为地表温度(℃);Tmin为相应NDVI下最低陆地表面温度(℃);Tmax为相应NDVI下最高陆地表面温度(℃),即所对应的湿边和干边方程;a、c、b、d为干湿边方程的回归系数,分别为干湿边方程的截距和斜率[9,10]。
高程、坡度、坡向可基于DEM数据进行提取;历史森林火灾因子则通过2009~2019年森林火灾卫星热点数据计算获得。
1.2.2森林火灾风险预警模型
自然灾害风险指数。根据自然灾害的形成与发展机理,自然灾害风险是由致灾因子的危险性与受灾体的暴露性和脆弱性综合作用形成的,可通过自然灾害风险指数来表现风险程度。
自然灾害风险指数的计算公式如下:
R=x1×w1+x2×w2+…+xi×wi (6)
式中:xi为第i风险项的取值;wi为第i风险项的权重值。
森林火灾动态危险性指数。为了建立一种简单易操作的森林火灾动态危险性评估模型,可提出如下假设:1)可燃物含水率可预测森林火灾发生的可能性;2)植被覆盖率可作用一个辅助指标提供相应的参考;3)地表温度会影响可燃物含水率的大小,因此地表温度可作为其中的一个动态因素来预测森林火灾的发生;4)本模型不考虑风所带来的影响。使用公式如下:
式中FDDI为森林火灾动态危险性指数,NDII7为MODIS第7波段归一化红外指数,用于表示可燃物含水率,T为地表温度,P为植被覆盖率。
1.2.3地表温度反演
劈窗算法。使用MODIS原始数据来进行地表温度反演。利用MODIS数据反演地表温度所需2个基本参数(大气透过率和地表比辐射率),由MODIS的可见光近红外波段计算可得到大气水汽含量,根据大气透过率与大气水汽含量的关系,可模拟公式得到大气透过率,后代入公式计算地表温度。地表温度计算公式如下:
TsA0+A1T31-A2T32 (8)
式中,Ts为地表温度,T31、T32为MODIS第31、32波段的亮温值;A0、A1、A2为劈窗算法的参数,定义如下:
式中,a31、a32、b31、b32为常数,根据MODIS的波段特征确定,在地表温度0~5℃范围内,这些常量分别可取a31=-64.60363,a32=-68.72575,b31=0.440817,b32=0.473453。中间参数Ci、Di的计算公式如下:
Ci=εiτi (12)
Di=(1-εi)[1+(1-εi)τi] (13)
式中εi、τi为第i波段的大气辐射率与地表比辐射率。
2结果与分析
2.1地表温度反演
本研究利用大气水汽含量来估算地表温度反演中所需的大气透过率。通过MODIS影像的第2与19波段的反射率来估算得到大气水汽含量,公式如下:
式中,W为大气水汽含量,ρi为第i波段的反射率,α、β为常量,依据地物类型来取值α=0.020,β=0.651。
将W带入公式分别计算第31与32波段的大气透过率。
τ31=5.72-4.69e(W/42.05) (15)
τ32=-1.25+2.28e(-W/12.44) (16)
依据上述关系,对大气透过率进行估算,结果如图2A和图2B所示。
地表比辐射率是进行地表温度遥感反演的基本参数,主要取决于地表覆盖物质的结构。计算公式如下:
εi=PvRvεiv+(1-Pv)Rsεis+dε (17)
式中εi为第i波段的地表比辐射率,Pv为植被覆盖度,可通过NDVI来计算,Rv、Rs为植被与裸土的辐射比率。εiv、εis为植被和裸土在第i波段的地表比辐射率,赋值为常数ε31v=0.98672、ε32v=0.98990、ε31s=0.96767、ε32s=0.97790。
Rv与Rs不仅取决于温度变化,而且取决于植被覆盖度,且后者的影响更大。因此,可建立它们与植被覆盖度之间的关系来进行估计。计算公式如下:
Rv=0.92762+0.07033Pv (18)
Rs=0.99782+0.08362Pv (19)
植被覆盖度Pv主要是通过NDVI来估计:
式中NDVIv、NDVIs为高植被覆盖像元与裸土像元的NDVI值,通常取常数NDVIv=0.9,NDVIa=0.15。
依据上述关系,对地表比辐射率进行估算,结果如图3A和图3B显示。
dε为估计相互作用校正项,由于热辐射相互作用在植被与裸土各占一半时达到最大,计算公式为:
当0≤Pv≤0.5时,dε=0.003796Pv (21)
当0.5<Pv≤1时,dε=0.0037961(1-Pv) (22)
依据劈窗算法得到广东省的地表温度反演,见图4。
2.2森林火灾风险预警指标计算
归一化植被指数。基于式(1),提取MOD02中对应波段,计算得到区域NDVI值,分布如图5所示。归一化红外指数。基于式(2),提取MOD02中对应波段,计算得到区域NDII7值,分布如图6所示。
温度植被干旱指数。基于式(3)~式(5),使用反演的地表温度与NDVI计算得到区域TVDI值。分布如图7所示。
高程。高程与森林火灾的发生和发展有明显的关系。对于高程的划分,在中科院1987年规范了基于全国区域的高程划分,其范围为<1000m,1000~3500m,3500~5000m,>5000m,该划分对于广东省间距过大,不能很好的反应广东省的地形特征。经统计,广东省实际的高程分布区间在[-57~1874m]间,以200m为一级进行划分,将广东省的高程分为[-57~200m),[200~400m),[400~600m),[600~800m),[800~1000m),[1000~1200m),[1200~1400m),[1400m~1874m]八个划分区,并依据分区对广东省的森林火灾热点数量进行划分统计。表1为基于高程的森林火灾热点数分布表。
表1基于高程的森林火灾热点数分布表
坡度。坡度使用DEM数据在ArcMap生成坡度图,并根据中国科学院地理研究所编制的中国1:1000000地貌图制图规范,将研究区坡度划分为[0°~5°)、[5°~10°)、[10°~15°)、[15°~20°)、[20°~25°)、[25°~30°)、[30°~35°)、[35°~40°)、[40°~90°)9个类别,再根据2009年至2019年的森林火灾热点数据进行统计分析,得出不同坡度的森林火灾热点分布频率。经统计得,坡度在[0°~25°]之间,广东省森林火灾热点数量很高,这是由于坡度小的地方人类的活动越多,失火的概率越大,反之亦然。但是当森林火灾发生时,火势会向坡度高的地方蔓延。表2为基于坡度的森林火灾热点数分布表。
表2基于坡度的森林火灾热点数分布表
坡向。在森林火灾预警研究中,坡向可作为日照时长的指标。表3为基于坡向的森林火灾热点数分布表。
表3基于坡向的森林火灾热点数分布表
历史森林火灾因子。基于2009~2019森林火灾卫星热点数据,生成区域的历史森林火灾发生区域图,将发生过森林火灾的区域赋值为1,未发生森林火灾的区域赋值为0,见图8。
2.3森林火灾风险预警
本文选择TVDI、NDVI、NDII7、高程、坡度、坡向与森林火灾历史数据作为预警因子,将森林火灾动态危险性指数公式进行适宜于本文预警方法的改进(式23),公式如下:
利用SPSS软件对高程、坡度、坡向进行显著性检验,得到高程、坡度、坡向的权重。详见表4。
表4地形因子权重表
最终构建出森林火灾风险预警模型。公式如下:
基于改进后的森林火灾动态危险性指数模型(见式24),叠加预警因子的栅格图层,在ArcGIS软件中进行栅格计算,得到森林火灾风险预警图。由预警图(图9)可知,在2021年2月15日当天,广东省各市均存在高森林火灾风险区,其中广州市、佛山市、中山市、东莞市、汕头市、深圳市的高森林火灾风险区面积较大。
对改进后的森林火灾动态危险性指数进行ROC检验。利用模型计算得出的预测概率,在软件SPSS中绘制ROC曲线并对AUC值进行计算,得到AUC值为1.0,大于0.7,证明该模型能够有效区分森林火灾高风险区与低风险区,模型拟合效果较好(图10)。对火灾的风险预警精确。为森林灭火资源配置和林业规划提供重要依据。
3结果
1)从森林火灾热点数量与地形因子之间关系看出,2009~2019年广东省森林火灾热点多集中于坡度低于25°,海拔低于300m的区域;坡向因子对区域内森林火灾热点个数影响较弱,在各坡向上,森林火灾热点分布较均匀。
2)使用TVDI、NDVI、NDII7、高程、坡度、坡向与森林火灾历史数据因子拟合的森林火灾动态危险性指数FDDI来反映森林火灾发生的风险概率,结果值越大,表明NDVI值越小、TVDI值越小、NDII7值越小,森林火灾风险程度大;结果值越小,表明NDVI值越大、TVDI值越大、NDII7值越大,森林火灾风险程度越小。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种基于卫星遥感的森林火灾风险预警方法,其特征在于,包括如下步骤:
(1)数据的筛选;
(2)森林火灾风险预警指标体系的构建;
(3)森林火灾风险预警模型的构建;
(4)地表温度反演。
2.根据权利要求1所述基于卫星遥感的森林火灾风险预警方法,其特征在于,所述步骤(1)数据的筛选,是筛选后使用数据为MOD02数据、DEM数字高程数据、过往10年以上的森林火灾卫星热点数据。
3.根据权利要求2所述基于卫星遥感的森林火灾风险预警方法,其特征在于,所述DEM数据包含了高程在内的各种地形因子如坡度、坡向、坡度变化率因子在内的线性和非线性组合的空间分布。
4.根据权利要求1所述基于卫星遥感的森林火灾风险预警方法,其特征在于,所述步骤(2)森林火灾风险预警指标体系的构建,是选择NDVI、NDII7、TVDI、高程、坡度、坡向、森林火灾历史数据作为森林火灾风险预警指标构建指标体系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110508053.4A CN113139296A (zh) | 2021-05-10 | 2021-05-10 | 一种基于卫星遥感的森林火灾风险预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110508053.4A CN113139296A (zh) | 2021-05-10 | 2021-05-10 | 一种基于卫星遥感的森林火灾风险预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113139296A true CN113139296A (zh) | 2021-07-20 |
Family
ID=76817953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110508053.4A Pending CN113139296A (zh) | 2021-05-10 | 2021-05-10 | 一种基于卫星遥感的森林火灾风险预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139296A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067545A (zh) * | 2021-11-15 | 2022-02-18 | 浙江时空智子大数据有限公司 | 一种基于遥感大数据的森林火灾监测方法及*** |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108760643A (zh) * | 2018-04-04 | 2018-11-06 | 西南石油大学 | 一种适宜于高海拔地区的干旱遥感监测方法 |
CN110379113A (zh) * | 2019-06-28 | 2019-10-25 | 北京中科锐景科技有限公司 | 一种基于卫星遥感数据森林火灾预警的方法 |
CN111768105A (zh) * | 2020-06-29 | 2020-10-13 | 中南林业科技大学 | 基于空间Logistic的森林火灾风险评估方法 |
-
2021
- 2021-05-10 CN CN202110508053.4A patent/CN113139296A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108760643A (zh) * | 2018-04-04 | 2018-11-06 | 西南石油大学 | 一种适宜于高海拔地区的干旱遥感监测方法 |
CN110379113A (zh) * | 2019-06-28 | 2019-10-25 | 北京中科锐景科技有限公司 | 一种基于卫星遥感数据森林火灾预警的方法 |
CN111768105A (zh) * | 2020-06-29 | 2020-10-13 | 中南林业科技大学 | 基于空间Logistic的森林火灾风险评估方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067545A (zh) * | 2021-11-15 | 2022-02-18 | 浙江时空智子大数据有限公司 | 一种基于遥感大数据的森林火灾监测方法及*** |
CN114067545B (zh) * | 2021-11-15 | 2023-05-12 | 浙江时空智子大数据有限公司 | 一种基于遥感大数据的森林火灾监测方法及*** |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kafy et al. | Prediction of seasonal urban thermal field variance index using machine learning algorithms in Cumilla, Bangladesh | |
Soydan | Effects of landscape composition and patterns on land surface temperature: Urban heat island case study for Nigde, Turkey | |
Tan et al. | Landsat data to evaluate urban expansion and determine land use/land cover changes in Penang Island, Malaysia | |
Pongrácz et al. | Application of remotely sensed thermal information to urban climatology of Central European cities | |
Tariq et al. | Spatio-temporal assessment of land use land cover based on trajectories and cellular automata Markov modelling and its impact on land surface temperature of Lahore district Pakistan | |
Mijani et al. | Modeling thermal comfort in different condition of mind using satellite images: An Ordered Weighted Averaging approach and a case study | |
Sabrin et al. | Quantifying environmental and social vulnerability: Role of urban Heat Island and air quality, a case study of Camden, NJ | |
KR101914061B1 (ko) | 인공위성에 의한 열섬특성 분석방법 | |
Tian et al. | Risk assessment of water soil erosion in upper basin of Miyun Reservoir, Beijing, China | |
Lee et al. | The neural network predictive model for heat island intensity in Seoul | |
Aslam et al. | The spatiotemporal dynamics of urbanisation and local climate: A case study of Islamabad, Pakistan | |
Chowdhury et al. | Use of remote sensing-derived variables in developing a forest fire danger forecasting system | |
Moreira et al. | Modeling the radiative effects of biomass burning aerosols on carbon fluxes in the Amazon region | |
CN113139296A (zh) | 一种基于卫星遥感的森林火灾风险预警方法 | |
Kiavarz et al. | Predicting spatial and temporal changes in surface urban heat islands using multi-temporal satellite imagery: A case study of Tehran metropolis | |
Cuo et al. | Decadal change and inter-annual variability of net primary productivity on the Tibetan Plateau | |
Meyer et al. | Biomass burning emissions over northern Australia constrained by aerosol measurements: I—Modelling the distribution of hourly emissions | |
Cilek et al. | The use of regression tree method for Sentinel-2 satellite data to mapping percent tree cover in different forest types | |
Xiang et al. | Surface urban heat island mitigation network construction utilizing source-sink theory and local climate zones | |
Gao et al. | Assessing ecological quality based on remote sensing images in Wugong Mountain | |
Rahaman et al. | Effect of vegetation and land surface temperature on NO2 concentration: A Google Earth Engine-based remote sensing approach | |
Mokhtari et al. | Spatial prediction of the urban inter-annual land surface temperature variability: An integrated modeling approach in a rapidly urbanizing semi-arid region | |
Sasmito et al. | Model Kekritisan Indeks Lingkungan Dengan Algoritma Urban Heat Island Di Kota Semarang | |
Koç et al. | Examining the temporal and spatial distribution of potential urban heat island formations | |
Al-Aarajy et al. | Land Surface Temperature investigation of Babylon city between (2002-2022) using Remote Sensing and GIS Technique |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210720 |
|
RJ01 | Rejection of invention patent application after publication |