img

官方微信

遥感技术与应用, 2020, 35(5): 1099-1108 doi: 10.11873/j.issn.1004-0323.2020.5.1099

遥感应用

基于FY-3D MERSI数据的火点识别方法研究

殷针针,1,2, 陈方,1,2,3, 林政阳1,2, 杨阿强1, 李斌1

1.中国科学院遥感与数字地球研究所 中国科学院数字地球重点实验室,北京 100094

2.中国科学院大学,北京 100049

3.海南省地球观测重点实验室,海南 三亚 572029

Active Fire Monitoring based on FY-3D MERSI Satellite Data

Yin Zhenzhen,1,2, Chen Fang,1,2,3, Lin Zhengyang1,2, Yang Aqaing1, Li Bin1

1.Key Laboratory of Digital Earth Science,Institute of Remote Sensing and Digital Earth,Chinese Academy of Sciences,Beijing 100094,China

2.University of Chinese Academy of Sciences,Beijing 100049,China

3.Hainan Key Laboratory of Earth Observation,Institute of Remote Sensing and Digital Earth,Chinese Academy of Sciences,Sanya 572029,China

通讯作者: 陈方(1981-),男,陕西西安人,博士,研究员,主要从事灾害特征的遥感反演方法研究。E⁃mail: chenfang_group@radi.ac.cn

收稿日期: 2019-04-08   修回日期: 2020-05-18   网络出版日期: 2020-11-26

基金资助: 国家自然科学基金项目.  41871345.  4187011180

Received: 2019-04-08   Revised: 2020-05-18   Online: 2020-11-26

作者简介 About authors

殷针针(1994-),女,河南周口人,硕士研究生,主要从事火灾遥感监测研究E⁃mail:yinzz@radi.ac.cn , E-mail:yinzz@radi.ac.cn

摘要

火灾是一种全球性的自然灾害,及时准确地识别火点信息对防灾减灾及开展气候变化研究具有重要意义。基于我国新一代极轨卫星FY-3D MERSI影像数据,提出了改进的潜在火点识别算法,结合动态阈值法和上下文检测方法进行火点识别实验,并采用FY-3C VIRR数据、MOD14A1火点产品和Landsat8 OLI数据对火点识别结果进行验证分析。实验结果表明:改进后的算法能够快速有效地提取出火点信息,且对小型火点有较好的提取效果,为实现有效的灾情监测提供了方法手段。

关键词: FY-3D MERSI ; 火点识别 ; 动态阈值 ; 上下文算法 ; 对比验证

Abstract

Fire is a global natural hazard. Effective methods of active fire monitoring would significantly contribute to disaster risk reduction as well as the studies on climate change. Based on the MERSI data from a new generation polar-orbiting FY-3D satellite in China, we proposed an improved algorithm for potential fire pixels identification. Then, dynamic threshold and a contextual fire detection algorithm are combined to carry out the fire monitoring experiment. FY-3C VIRR data, MOD14A1 fire products, and Landsat8 OLI data are used to validate and analyze the detection results. The results show that the improved algorithm can effectively detect fire spots including small fires, which provides a method for the effective hazard monitoring.

Keywords: FY-3D MERSI ; Active fire monitoring ; Dynamic threshold ; Contextual fire detection ; Validation

PDF (5005KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

殷针针, 陈方, 林政阳, 杨阿强, 李斌. 基于FY-3D MERSI数据的火点识别方法研究. 遥感技术与应用[J], 2020, 35(5): 1099-1108 doi:10.11873/j.issn.1004-0323.2020.5.1099

Yin Zhenzhen, Chen Fang, Lin Zhengyang, Yang Aqaing, Li Bin. Active Fire Monitoring based on FY-3D MERSI Satellite Data. Remote Sensing Technology and Application[J], 2020, 35(5): 1099-1108 doi:10.11873/j.issn.1004-0323.2020.5.1099

1 引 言

火灾是一种常见的、极具破坏性的全球性灾害。研究表明,全球年均过火面积在3 000万hm2以上1-4,年均发生森林火灾的次数超过20余万次5,因燃火造成的森林损失约占全球森林损失的15%6。生物质燃烧,一方面在空气中产生有害物质严重威胁人类的生命安全,另一方面破坏碳循环进程,影响生态系统的平衡,导致全球气候变暖。快速准确地识别火点信息,对提高防灾减灾能力,保障人类生产生活安全至关重要。

人工测量和航空摄影测量等传统手段进行火情监测,需大量人力物力财力等支撑,在应用中具有一定的局限性。卫星遥感技术因其具有影像成像周期短、覆盖范围广等技术优势,在火情监测中得到广泛应用7-14,基于遥感技术的火点识别方法研究也在不断地发展和改进15-28。NOAA/AVHRR(Advanced Very High Resolution Radiometer,甚高分辨率扫描辐射计)卫星数据的应用为火灾监测方法的发展奠定了重要基础,基于该数据已发展出了图像增强方法、阈值法(单阈值法、多阈值法和动态阈值法)、NDVI指数法等火点识别方法151729。随着EOS/MODIS(Moderate-Resolution Imaging Spectroradiometer,中分辨率成像光谱仪)卫星的发射,目前形成了完整的MODIS火点识别算法体系和火灾产品,发展出了绝对阈值法、上下文算法和多通道合成法等MODIS火点识别方法161930-34。 考虑到不同传感器间的参数特征差异、不同观测条件对火点识别的影响,在AVHRR和MODIS火点识别方法基础上,又有系列的修正改进算法被提出,如Schroeder等24基于MODIS的火点识别算法,提出适用于VIIRS(Visible Infrared Imaging Radiometer,可见光红外成像辐射仪)数据的火点监测方法。覃先林等32通过分析MODIS数据各波段特性,提出亮温—植被指数法建立林火识别模型,提高了火点识别精度。Xie等35在MODIS上下文识别算法中引入蓝光波段和近红外波段数据,通过设定阈值去除烟雾和云的干扰。为了增加上下文算法的有效性,Lin等36采用FY-3C VIRR数据,引入新的特征“红外通道斜率”。

风云3号D卫星(FY-3D)是我国自主研发的第二代极轨气象卫星,于2017年11月25日发射。 FY-3D 中分辨率成像光谱仪(MERSI)是在FY-3A/3B/3C卫星在轨运行和观测应用经验积累基础上,提出的改进型传感器,显著提高了传感器的探测性能和定标精度质量,提升了在天气预报、气候变化研究和地球环境监测的应用能力37

在采用FY-3D MERSI数据进行火点识别时,发现由于数据参数特征、观测环境条件等差异,FY-3C VIRR火点识别算法难以直接用于FY-3D MERSI数据,对潜在火点的识别会出现大量误判的现象。本文基于FY-3D MERSI数据,提出了改进的潜在火点识别算法,并结合动态阈值检测和上下文火点检测,进行火点识别实验和算法验证,以获得基于FY-3D MERSI数据的适应性火点识别算法。

2 研究区与数据源

2.1 研究区概况

研究区在美国加利福尼亚州北部,范围处于118°16′37″~122°56′46″W和35°50′10″~39°58′53″N间。加利福尼亚州植被茂密,森林和草原覆盖了其约40万km2土地的三分之一,同时该地区天气炎热、干燥,火灾频繁发生36。本文选取了2018年11月8日21时的火灾区作为实验研究区进行火点识别实验。图1即是研究区FY-3D MERSI 数据3-2-1波段合成的250 m空间分辨率的真彩色图像。

图1

图1   研究区FY-3D MERSI图像

Fig.1   FY-3D MERSI image of experimental area


2.2 数据源

研究区火灾信息来自NASA网站的火灾报道(https://earthobservatory.nasa.gov/topic/Fires),影像为国家卫星气象中心提供的FY-3D MERSI数据(http://satellite.nsmc.org.cn/portalsite/default.aspx)。MERSI数据包含250 m和1 000 m空间分辨率,共25个光谱通道。类比FY-3C VIRR和MODIS数据火点识别时所采用的主要光谱通道,选取了FY-3D MERSI数据应用于火点监测的光谱通道,如表1所示。其中,250 m分辨率的可见光通道(3-2-1通道)合成后可用于地面背景信息判别。红外波段相较于其他波段对火点温度变化更为敏感,本文中主要采用中红外波段第20通道,以及热红外波段第24通道用于提取高温热异常点,同时利用可见光波段第6、12、15通道的反射率信息和热红外波段第25通道,可识别云体、滤除耀斑、消除虚警等。

表 1   FY-3D MERSI数据应用火点监测的光谱通道特性

Table 1  FY-3D MERSI spectral channel characteristics of fire monitoring

通道序号中心波长/μm光谱带宽/nm空间分辨率/m主要用途代码
10.4750250真彩色(蓝),识别地面信息r1
20.5550250真彩色(绿),识别地面信息r2
30.6550250真彩色(红),识别地面信息r2
61.64501 000消除虚警r6
120.67201 000云和陆地识别,滤除耀斑r12
150.865201 000云和陆地识别,滤除耀斑r15
203.7961801 000火点识别T20
2410.7141 000250火点识别T24
2511.9481 000250云和陆地识别T25

新窗口打开| 下载CSV


3 研究方法

本文提出的针对FY-3D MERSI数据的改进火点识别算法具体实验流程如图2

图2

图2   实验流程图

Fig.2   Flow chart of the experiment


3.1 数据预处理

MERSI传感器是多探元交轨并扫成像系统,250 m和1 000 m分辨率通道分别是40和10元并扫方式。FY-3D MERSI L1数据存放的是经过辐射定标预处理后的数据,该预处理过程是多探元均一化订正,初步消除了因原始多探元扫描引起的图像条纹现象。由传感器直接获取的数据需要做一系列的预处理操作以满足后续实验所需要的数据要求。数据预处理过程包括辐射定标、太阳高度角订正、亮温转换和几何校正。

FY-3D MERSI L1数据图像上的像元值是对原始DN(Digital Number,数字计数值)值经过多探元均一化处理后的计数值,全部通道辐射定标之前都需要将图像上每个像元的计数值恢复成DN值,即:

DN = slopeDN* + intercept

其中:slopeintercept分别表示L1数据科学数据集中对应每个通道的斜率和截距,DN*表示L1图像上的像元计数值。

对MERSI数据辐射定标采用多项式定标的方式。可见光通道和红外通道辐射定标方式不同,可见光通道采用两次项定标(3个定标系数),定标系数如表2所示。

表 2   MERSI L1数据可见光通道定标系数

Table 2  MERSI L1 visible channels radiometric calibration coefficient

类型维数通道号系数项定标后量纲
定标系数Float32[19,3]1-19k0,k1,k2反射率—无量纲

新窗口打开| 下载CSV


可见光通道定标公式为:

L=k0+k1DN+k2(DN2)

其中:k0k1k2分别为定标系数中对应通道的3个系数,L表示各光谱通道经过辐射定标后的反射率值。MERSI数据红外通道存储的数据是辐亮度值,无需做定标处理,但需通过公式(1)进行计算处理。

在辐射定标完成后,需做太阳高度角订正,纠正图像不同像元位置上因太阳入射角不同而产生的太阳高度角误差,从而获得图像上像元的真实反射情况。

太阳高度角的订正公式为:

R1 = R0cosθ

其中:R0为图像上像元的原始反射率,R1为经太阳高度角订正后的反射率,θ为太阳天顶角。

同时在实际应用中,需要将红外通道数据存储的亮度值转换成有实际意义的地表亮温值。徐拥军38根据普朗克公式推导出黑体单色辐射强度分布公式,获得有效黑体温度,结合所采用数据科学数据集中的属性参数获得红外波段的亮度温度。详细公式如下所示。

将普朗克公式变换形式得到等效黑体温度公式:

TBB* = c2νcln 1+c1vc3S

其中:TBB*为等效黑体温度,c1=1.1910427×10-5 mW/(m2·sr·cm-4),C2=1.4387752 cm·K,νc为红外通道中心波数,S为定标后的辐射率。

亮温转换公式:

Tλ=TBB*-BA

其中:Tλ为波长为λ对应波段的亮度温度,AB分别为温度订正的斜率和截距。

在几何校正时,由于FY-3D MERSI L1数据中提供了大量的地理定位数据,因此本文采用GLT(Geographic Lookup Table,地理查找表)几何校正法对影像数据校正。

3.2 火点识别算法

3.2.1 云和水体的去除

利用MERSI数据的可见光波段12通道、近红外波段15通道和热红外波段25通道做去云处理。如果像元满足以下条件组合,则将其定义为云。

白天:

r12+r15>1.2 or T25<265 K or
r12+r15>0.7 or T25<285 K or
(water pixel and r15>0.25 and T25<300 K)

夜间:

T25<265 K

MERSI L1数据中提供的海陆掩码数据集可直接用于识别水体像元。通过该步骤处理后可将云和水体像元排除在后续的算法处理过程。

3.2.2 潜在火点识别算法

潜在火点识别过程可以排除明显的非火点像元,同时如果像元具有类似于火点像元的特征,则将其标记为潜在的火点像元。首先需要计算整个图像中20通道和24通道的平均亮度温度T20T24以及ΔT(ΔT=T20-T24)和T20的标准差,分别表示为T20¯T24¯ΔT¯δT20。将去除云和水体后的像元作为有效像元,计算有效像元中T20的最小值和ΔT的平均值,分别表示为T΄20,minT'¯。中红外通道比热红外通道对高温点的发射强度更敏感,因此ΔT是作为火点识别中一个重要的指标。满足条件(8)和(9)的像元归类为潜在火点像元。

T20-T20,min'>10K
T>[T¯, T'¯]min

直接利用以上算法,将潜在火点识别结果叠置在研究区彩色图像上(图3(a)),可以看出潜在火点的误判火点较多,识别结果较差。

图3

图3   潜在火点识别结果对比图

Fig.3   Comparison of potential fire pixels identification results


由于中红外波段图像中高温点与其他地物有明显的差异(图4(a)),本文考虑利用中红外波段图像,改进分析明显识别错误的潜在火点像元。以改进前的潜在火点识别结果为掩膜,定位中红外波段图像上对应区域(图4(b)),进行火点像元中红外波段亮温值统计(图4(c))发现,其亮温值主要集中在290 K~310 K之间。因此,本文考虑利用310 K作为判断条件,对像元进行潜在火点的第一步检测,即在原算法的基础上增加以下考虑条件:

T20>310  K

图4

图4   改进前潜在火点识别结果的分析图

Fig.4   Analysis of potential fire pixels identification results before improvement


综合采用以上条件重新进行实验,改进后的潜在火点识别实验结果(图3(b))显示误判火点显著降低,火点像元基本存在于有烟羽出现的位置,实验结果良好。

3.2.3 动态阈值火点检测

动态阈值火点检测算法可更好地进行不同环境背景下的火点检测,其过程主要包括:①统计中红外波段图像直方图;②计算T20值的前0.01%的值,并将其表示为T20,threshold;③如果T20,threshold小于320 K,设置T20,threshold为320 K,否则保留原始值;(4)标记¯T20 >T20,threshold的像元为火点像元,且标记为火点的像元不需要再进行后续步骤的检测36

3.2.4 上下文火点检测

本研究中考虑综合FY-3C VIRR及MODIS上下文火点识别算法中的相关内容实现上下文火点检测。主要原理是计算中红外波段与热红外波段像元值的比值,从而引入红外通道斜率的概念,并将经过动态阈值检测之后的非火点像元(排除云、水体和火点像元)作为有效背景像元。通过9×9的移动窗口分别计算在有效背景像元和整个图像所有像元中红外波段与热红外波段像元值的比值,表示为红外通道斜率ρbase和ρpixel,最后根据两种斜率值之间差异识别火点像元36

ρbase=T20,valid ¯-T20,valid,minT24,valid ¯-T24,min20
ρpixel=T20 -T20,valid,minT24 -T24,min20
ρpixel - ρbase>0.10

其中:T20,valid¯T24,valid¯T20,valid,min分别表示有效背景像元中T20的均值、T24的均值和T20的最小值,T24,min20表示在有效背景中具有最小T20的像素的T24值。

3.2.5 误判火点的去除

(1)滤除太阳耀斑。对图像上所有像元归类后,仍会存在一定误差,其中一些误差是陆地表面对太阳光的高反射率引起的,因此还需消除由太阳耀斑引起的高反射率像元错分误差。具体条件为:如像元满足以下两个条件,则被标记为非火点像元。

cos θg=cos θvcos θs-sin θνsin θscos ϕ
θg<10°
r12+r15>0.2

其中:θvθs分别为观测天顶角和太阳天顶角。ϕ为相对方位角,θg为指向地面到卫星和镜面反射方向的矢量之间的角度。

(2)消除虚警。某些陆地像元具有与火点像元相似的光谱特征,因此易被错归为火点,导致出现虚警。为了消除此类错误,需将标记为火点的所有像元进行消除虚警处理:

ΔT<ΔT¯
T20<Tlimitday or night
T20<330 K and r12>0.09 or r6>0.15
T20<340 K and r12+ r15>0.26

在上述条件中,日间像元必须满足上述所有条件,而夜间像元只需满足前两个条件。条件(18)设置动态阈值Tlimit(白天或夜晚均适用),该阈值为整个图像中红外波段亮温值的直方图中前10%。条件(19)和(20)为反射率及亮温值阈值的设定,旨在排除同时具有高反射和高亮度温度的像元。满足以上条件的火点像元将被划分为非火点;反之则可以保证原火点识别结果不变。

4 结果与讨论

4.1 火点识别结果

本文基于FY-3D MERSI数据采用改进后的火点识别算法对加利福尼亚州火灾区进行火点提取实验。同时,将FY-3C VIRR数据、MODIS火灾产品MOD14A1和Landsat8 OLI数据的火点提取结果作为验证数据对MERSI的火点提取结果进行精度评价。其中,图5为基于不同影像数据的火点提取结果,其中叠置底图为FY-3D MERSI的250 m空间分辨率图像。图6为MERSI火点提取结果与验证数据火点的对比结果。通过图6图7可以看出,MERSI的火点提取结果与底图中出现烟羽的位置相一致,且与验证数据中火点提取结果重合度较高。因此,改进后的火点识别方法能较为准确地提取出火点信息。

图5

图5   不同影像数据的火点识别结果图

(Ⅰ、Ⅱ、Ⅲ、Ⅳ:不同影像数据的火点提取结果在MERSI图像上的显示;Ⅰ/Ⅱ/Ⅲ/Ⅳ-A/B/C/D:不同影像数据的子区域的火点提取结果)

Fig.5   Fire pixels identification results of different images


图6

图6   火点提取结果的对比验证图

(A Ⅰ⁃Ⅱ、B Ⅰ⁃Ⅱ、C Ⅰ⁃Ⅱ、D Ⅰ⁃Ⅱ:四块子区域上FY⁃3D MERSI数据与FY⁃3C VIRR数据火点信息的对比验证结果;A Ⅰ⁃Ⅲ、B Ⅰ⁃Ⅲ、C Ⅰ⁃Ⅲ、D Ⅰ⁃Ⅲ:四块子区域上FY⁃3D MERSI数据与MOD14A1数据火点信息的对比验证结果;A Ⅰ⁃Ⅳ、B Ⅰ⁃Ⅳ、C Ⅰ⁃Ⅳ、D Ⅰ⁃Ⅳ:四块子区域上FY-3D MERSI数据与Landsat8 OLI数据火点信息的对比验证结果。)

Fig.6   Comparative verification of fire pixels identification results


图7

图7   火点信息分布区域

Fig.7   Distribution of fire pixels information


4.2 精度评价

本文验证数据包括FY-3D的250 m空间分辨率图像数据、FY-3C VIRR数据、MODIS火灾产品MOD14A1和Landsat8 OLI数据。精度评价时将验证数据的火点提取结果作为参考真值,通过计算MERSI的火点识别结果与验证数据之间的匹配度、漏分率和错分率评估本文方法得到火点结果的精度。

由于火灾具有很强的蔓延性,不同观测时间的影像提取的火点位置信息会有差异,因此观测时刻是结果验证时一个重要的影响因素,需尽量选择与FY-3D MERSI影像具有相近时间的影像作为验证数据,故FY-3C VIRR数据获取时间为2018年11月8日18时,MOD14A1数据为2018年11月8日19时50分,Landsat8 OLI为2018年11月8日18时45分。

验证过程包括四类火点结果比对:①将FY-3D MERSI数据的火点识别结果与250 m分辨率图像叠置显示,通过目视解译大致获取火点的位置、范围等信息;②考虑到本文在FY-3C VIRR数据火点识别方法的基础上进行的改进和发展,验证中也将FY-3D MERSI数据的火点识别结果与FY-3C数据的火点识别结果进行了对比分析,以验证该方法在MERSI数据中应用时的有效性;③同被广泛应用的火灾产品MOD14A1进行火点对比验证;④与分辨率较高的Landsat8图像数据得到的火点识别结果对比分析。

上述4种影像数据提取的火点信息共分布在影像的四块子区域:区域A、区域B、区域C和区域D(图7)。图6提供了各区域FY-3D MERSI数据、FY-3C VIRR数据、MOD14A1数据和Landsat8 OLI数据的火点信息。由于Landsat8卫星的重访周期是16 d,受不同观测时刻影像中云像元等干扰,其仅在区域A具有较好的数据成像质量,故基于Landsat8影像的验证仅在区域A内开展。

5 讨论

(1)火点识别研究主要利用红外波段对高温点的敏感性,即地物温度越高,地物的红外辐射强度越强,从而区分出高温点和背景地物。根据维恩位移定律,火点燃烧时的最大辐射波长在中红外通道范围内,因此可从中红外通道的角度考虑,基于经验条件及统计结果情况改进潜在火点识别算法。从图3的实验结果可以看出,改进后的潜在火点识别算法,其判识结果减少了大量误判火点像元,有效地提高了火点识别精度。

(2)FY-3D MERSI数据与FY-3C VIRR数据、MOD14A1数据的火点识别结果匹配度分别是66.78%和74.01%(表3)。FY-3C VIRR数据和MOD14A1数据的火点提取结果显示,火点存于区域A、区域B和区域D,与实验获取的MERSI火点信息位置出现差异,其主要原因来自影像观测时间差异,即燃火范围和位置随时间发生了变化,如在图7中的区域A,不同数据的火点重叠部分基本出现在火场中央,误判的火点主要存在于火场的边缘,这也是造成火点误判和漏判的主要原因。

表3   火点识别结果精度评价表

Table 3  Accuracy evaluation of fire monitoring results

验证数据FY3C VIRRMOD14A1Landsat8 OLI
验证数据的火点像元数目27032170
FY-3D MERSI数据的火点像元数目304304289
匹配度/%66.7874.0122.84
错分率/%33.2225.9977.16
漏分率/%24.8129.915.71

注:①匹配度= FY-3D数据的火点像元数目/验证数据的火点像元数目;②错分率=错分像元数目/ FY-3D数据的火点像元数目;③漏分率=漏分像元数目/验证数据的火点像元数目

新窗口打开| 下载CSV


(3)对比Landsat8的火点识别结果,火点像元匹配度为22.84%。匹配度较低的主要原因是Landsat8影像观测时间早于FY-3D影像的观测时间两小时,同时受影像分辨率差异的影响,对比验证时重采样过程会对火点识别结果产生干扰,导致精度评价中出现误差较大的情况。但Landsat8图像上识别火点像元的94.29%都包含在基于FY-3D MERSI图像识别的火点区域内。

(4)区域B、区域C和区域D中存在许多小型火点,而本文提出的改进火点识别算法可对上述小型火点进行有效识别,相关方法对小火点的识别能力上具有一定提升。

6 结 语

本文提出了基于FY-3D MERSI数据的改进潜在火点识别算法,得到以下主要结论:

(1)通过MERSI数据的9个可见光和红外光谱通道的组合成功实现火点信息的识别。较之前潜在火点识别算法中出现的误判现象,通过引入中红外波段的亮温值阈值经验条件:T20 >310 K,可实现算法优化,提高潜在火点信息的识别精度。

(2)采用4种验证数据对火点识别结果开展了精度评价。实验结果表明,本文提出方法具有较高的火点识别精度,在对大型火点进行有效提取的同时,对小火点的识别结果也较好。

(3)各火点验证数据与MERSI实验数据之间存在观测时间差异,由于火灾的蔓延性强,不同时刻的火点燃烧位置和范围都有所不同,也因此增加了结果验证评价的难度,也在一定程度上增加了结果准确性评价的不确定性。未来研究中,将进一步考虑增加实验区,比对本文算法在不同地表环境下对火点的判识能力。

综合而言,FY-3D MERSI数据是进行火点监测的优秀数据源,本文提出的改进性算法为基于FY-3D MERSI数据的火点识别提供了方法基础。

参考文献

Preece N.

Traditional and Ecological Fires and Effects of Bushfire Laws in North Australian Savannas

[J]. International Journal of Wildland Fire, 2007164): 378-389. doi:10.1071/WF05079.

[本文引用: 1]

Keane R EAgee J KFule Pet al.

Ecological Effects of Large Fires on US Landscapes: Benefit or Catastrophe?

[J]. International Journal of Wildland Fire, 2008176): 696-712. doi: 10.1071/WF07148.

Doerr Stefan HCristina Santín.

Global Trends in Wildfire and its Impacts: Perceptions Versus Realities in a Changing World

[J]. Philosophical Transactions of the Royal Society of London, 20163711696): 20150345. doi:10.1098/rstb.2015.0345.

Sun FuyangLi XiaosongLi Zengyuanet al.

Near-real-time Forest Fire Monitoring System with Medium and High Spatial Resolutions

[J]. Journal of Remote Sensing, 2020245):543-549.

[本文引用: 1]

孙福洋李晓松李增元.

近实时中高空间分辨率森林火灾监测系统展望

[J]. 遥感学报, 2020245):543-549.

[本文引用: 1]

Liu XiaodongWang Bo.

Review on the Main Emission Products Released by Forest Combustion

[J]. Journal of Beijing Forestry University, 2017, 39(12118-124.

刘晓东, 王博

森林燃烧主要排放物研究进展

[J]. 北京林业大学学报, 20173912): 118-124.

[本文引用: 1]

Liu Z HBallantyne A PCooper L A.

Biophysical Feedback of Global Forest Fires on Surface Temperature

[J]. Nature Communications, 2019109. doi:10.1038/s41467-018-08237-z.

[本文引用: 1]

Shan HaibinLiu YujieFan Changyaoet al.

Real-time Monitoring System of Forest Fires by Polar Orbiting Meteorological Satellites

[J]. Meteorological Science And Technology, 2008363): 335-340.

[本文引用: 1]

单海滨刘玉洁樊昌尧.

极轨气象卫星森林火灾实时监测系统

[J]. 气象科技, 2008363): 335-340.

[本文引用: 1]

Li JiaguoGu HangfaYu Taoet al.

Detection of Australian Southeast Forest Fire Using HJ Satellite

[J]. Journal of Beijing University of Aeronautics and Astronautics, 20103610): 1221-1224.

李家国顾行发余涛.

澳大利亚东南部森林山火HJ卫星遥感监测

[J]. 北京航空航天大学学报, 20103610): 1221-1224.

Li YuhongHe Li.

Design of Forest Fire Monitoring Model in Guangxi

[J]. Journal of Meteorological Research and Application, 2013341): 44-47.

李玉红何立.

广西林火监测模型设计

[J]. 气象研究与应用, 2013341): 44-47.

Duan WeihuHuang ChengWang Haoet al.

Study on Application of MODIS Data in Forest Fire Recognition

[J]. Journal of Anhui Agricultural Sciences, 20144228): 98009803.

段卫虎黄诚王皓.

MODIS数据在森林火点识别中的应用研究

[J]. 安徽农业科学, 20144228): 9800-9803.

Li Xiaolian.

Synergy of Multi-factors for Forest Fire Prediction and Detection based on MODIS Data

[D]. HefeiUniversity of Science and Tecnology of China2016.

李晓恋.

基于MODIS数据的多因子协同作用下森林火灾预测监测研究

[D]. 合肥中国科学技术大学2016.

Yang JinHe YangLi Xinpenget al.

A Method for Fire Detection Using Landsat 8 Data

[J]. Journal of Infrared and Millimeter Waves, 2016355): 600-608624.

杨进何阳李信鹏.

基于Landsat 8陆地卫星数据的火点检测方法

[J]. 红 外 与 毫 米 波 学 报, 2016355): 600-608624.

Shan TianchanWang ChanglinChen Fanget al.

A Burned Area Mapping Algorithm for Chinese FengYun-3 MERSI Satellite Data

[J]. Remote Sensing, 201797): 736. doi:10.3390/rs9070736.

Rao YuemingWang ChuanHuang Huaguo. Forest Fire Monitoring based on Multisensor Remote Sensing Techniques in Muli Country

Sichuan Province

[J]. Journal of Remote Sensing, 2020245): 559-570.

[本文引用: 1]

饶月明王川黄华国.

联合多源遥感数据监测四川木里县森林火灾

[J]. 遥感学报, 2020245): 559-570.

[本文引用: 1]

Flannigan M D.

Forest Fire Monitoring Using NOAA Satellite AVHRR

[J]. Canadian Journal of Forest Research, 1986165): 975-982. doi:10.1139/x86-171.

[本文引用: 2]

Kaufman Y JJustice C OFlynn L Pet al.

Potential Global Fire Monitoring from EOS-MODIS

[J]. Journal of Geophysical Research: Atmospheres, 1998103D24): 32215-32238. doi: 10.1029/98jd01644.

[本文引用: 1]

Nakayama MMaki MElvidge C Det al.

Contextual Algorithm Adapted for NOAA-AVHRR Fire Detection in Indonesia

[J]. International Journal of Remote Sensing, 19992017): 3415-3421. doi:10.1080/014311699211444.

[本文引用: 1]

Liang Yun.

Monitoring the Forest Fire by Using EOS/MODIS Data

[J]. Remote Sensing Technology and Application, 2002176): 310-312.

梁芸.

利用EOS/MODIS资料监测森林火情

[J]. 遥感技术与应用, 2002176): 310-312.

Justice C OGiglio LKorontzi Set al.

The MODIS fire products

[J]. Remote Sensing of Environment, 2002831): 244-262. doi: 10.1016/S0034-4257(02)00076-7.

[本文引用: 1]

Louis GIvan CAgoston Ret al.

Active Fire Detection and Characterization with the Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER)

[J]. Remote Sensing of Environment, 20081126): 3055-3063. doi: 10.1016/j.rse.2008.03.003.

Roberts Gareth JWooster Martin J.

Fire Detection and Fire Characterization over Africa Using Meteosat SEVIRI

[J]. IEEE Transactions on Geoscience & Remote Sensing, 2008464): 1200-1218. doi:10.1109/tgrs.2008.915751.

Bao H EChen L FTao J Het al.

A Contextual Fire Detection Algorithm based on Observation Geometry for HJ-1B-IRS

[J]. Journal of Infrared & Millimeter Waves, 2011302): 104-108. doi:10.3724/SP.J.1010.2011.00104.

Calle ASalvador P.

The Active Fire FRP Estimation: Study on Sentinel-3/SLSTR

[J]. IEEE Geoscience & Remote Sensing Letters, 2013105): 1046-1049. doi:10.1109/LGRS.2012.2228163.

Wilfrid SPatricia OLouis Get al.

The New VIIRS 375m Active Fire Detection Data Product: Algorithm Description and Initial Assessment

[J]. Remote Sensing of Environment, 20141436): 85-96. doi:10.1016/j.rse.2013.12.008.

[本文引用: 1]

Wilfrid SPatricia OLouis Get al.

Active Fire Detection Using Landsat-8/OLI Data

[J]. Remote Sensing of Environment, 2016185210-220. doi:10.1016/j.rse.2015.08.032.

Lin Z YChen FNiu Zet al.

An Active Fire Detection Algorithm based on Multi-Temporal Fengyun-3C VIRR Data

[J]. Remote Sensing of Environment, 2018211376-387. doi: 10.1016/j.rse.2018.04.027.

Xu QingyunGu WeiweiXie Taoet al.

CropStraw Fire Remote Sensing Monitoring and Its Algorithm Implementation

[J]. Remote Sensing Technology and Application, 2017324):728-733.

许青云顾伟伟谢涛.

秸秆焚烧火点遥感监测算法实现

[J].遥感技术与应用,2017324):728-733.

Qin XianlinZhang ZihuiLi Zengyuan. An Automatic Forest Fires Identification Method Using HI-1

B IRS Data

[J]. Remote Sensing Technology and Application, 2010255): 700-706.

[本文引用: 1]

覃先林张子辉李增元.

一种利用HJ-1B 红外相机数据自动识别林火的方法

[J]. 遥感技术与应用, 2010255): 700-706.

[本文引用: 1]

Abuelgasim AFraser R.

Day and Night-time Active Fire Dete-ction over North America Using NOAA-16 AVHRR Data

[C]∥ IEEE International Geoscience and Remote Sensing Symposium20021489-1491.doi:10.1109/IGARSS.2002.1026158.

[本文引用: 1]

Louis GJacques DJustice Christopher Oet al.

An Enhanced Contextual Fire Detection Algorithm for MODIS

[J]. Remote Sensing of Environment, 2003872): 273-282. doi: 10.1016/s0034-4257(03)00184-6.

[本文引用: 1]

Louis GWilfrid SJustice Christopher O.

The Collection 6 MODIS Active Fire Detection Algorithm and Fire Products

[J]. Remote Sensing of Environment, 201617831-41. doi: 10.1016/j.rse.2016.02.054.

Qin XianlinYi Haoruo.

A Method to Identify Forest Fire based on MODIS Data

[J]. Fire Safety Science, 2004132): 83-89.

[本文引用: 1]

覃先林易浩若.

基于MODIS数据的林火识别方法研究

[J]. 火灾科学, 2004132): 83-89.

[本文引用: 1]

Qin Xianlin.

Study on Forest Fire Early Warning and Monitoring Methodology Using Remote Sensing and Geography Inofrmation System Techniques

[D]. BeijingChinese Academy of Forestry2005.

覃先林.

遥感与地理信息系统技术相结合的林火预警方法的研究

[D].北京中国林业科学研究院2005.

Alonso-Canas IChuvieco E.

Global Burned Area Mapping from ENVISAT-MERIS and MODIS Active Fire Data

[J]. Remote Sensing of Environment, 2015163140-152. doi:10.1016/j.rse.2015.03.011

[本文引用: 1]

Xiong X.

Smoke Plume Detection in The Eastern United States Using MODIS

[J]. International Journal of Remote Sensing, 20072810): 2367-2374. doi:10.1080/01431160701236795.

[本文引用: 1]

Lin Z YChen FLi Bet al.

FY-3C VIRR Active Fire Monitoring: Algorithm Description and Initial Assessment Using MODIS and Landsat Data

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017,(99):1-11. doi: 10.1109/tgrs.2017.2728103.

[本文引用: 4]

Wang Xianghua.

On-board Remote Sensing Information Processing System and Output Format of FY-3D Medium Resolution Spectral Imager

[C]∥ Kunming: Chinese Society of Space Research2004.

王向华. 风云三号中分辨率成像光谱仪星上遥感信息处理系统和输出格式设想

[C]∥ 昆明: 中国空间科学学会2004.

[本文引用: 1]

Xu Yongjun. Forest Monitoring System Design and Implementation based on the FY3

A Data

[D]. BeijingChina University of Geosciences2012.

徐拥军

基于FY3

A/VIRR数据火情监测系统的设计与实现

[D]. 北京中国地质大学2012.

[本文引用: 1]

/