澳大利亚 2019-2020 年发生了大规模的森林火灾, 本次火灾在六个月的时间内烧毁了超过 800 万公顷的桉树林。利用大气痕量气体差分吸收光谱仪 (EMI) 对澳大利亚火灾期间的 NO2 变化情况进行了分析。研究发现, 2019 年 11 月, 澳大利亚东南区域的 NO2 浓度及分布相比往年同期, 出现明显的增长趋势。同时具体针对澳大利亚两大国家公园的火灾, 研究了 NO2 相对浓度的频率分布与火灾程度和频次的关系, 发现这两个地点 2019 年 11 月 NO2 的相对浓度频率也出现了明显的增高, 表明森林火灾是导致部分区域 NO2 浓度升高的主要原因。本工作的开展也证明了 EMI 在重大污染事件监测上的可行性。

传统的卷积神经网络目标检测算法需要使用大量的数据来对网络参数进行训练,会花费大量的时间,并且森林火灾数据属于小样本数据。基于此,提出一种基于迁移学习的卷积神经网络森林火灾检测算法,该算法采用迁移学习的方法训练森林火灾检测网络模型。在建立的森林火灾数据集上进行实验,结果表明使用该算法进行森林火灾检测,准确率可达97%,具有准确率高、误报率低、检测时间短等优点,将其应用在森林火灾检测上具有一定的可行性。

针对森林火灾监测的迫切性及现实意义, 对火焰红外辐射特性进行分析, 根据火焰的光谱曲线, 得出观测火焰的适宜波段。基于以上分析结果, 设计了一套应用于森林火灾监测的中波红外相机, 并在外场模拟森林火灾现场, 进行成像实验, 得到了红外图像数据, 实验结果表明监测效果良好。

对Landsat TM/ETM+数据进行抽样统计分析基础上, 把Landsat TM/ETM+的红外、短波红外和近红外等波段数据相结合, 采用窗口动态阈值算法构建燃烧区识别模型；在此基础上, 为定量生成火线轮廓参数, 通过连通性判断、孔洞填充、小斑块去除和边缘细化等图像处理方法对识别的燃烧区进行处理；并在ENVI 4.8+IDL语言环境下, 实现了基于Landsat TM/ETM+数据自动生成火线轮廓参数算法处理过程的程序化.结果表明, 总体判对率为86.44%, 总体误判率为13.56%(其中漏判率为1.77%, 错判率为11.79%)；该方法可满足林火扑救中对火线轮廓参数定量宏观监测的应用需求.

森林火灾严重危害生态环境, 引起了全球的高度重视。 将从MODIS(MODerate-resolution imaging spectroradiometer)中提取的活动火点与历史火烧痕迹进行比较研究, 发现MOD14A1(火掩膜数据产品a daily Level 3 1-km fire hot spot product)中提取的8+9波段适合消防监测, 与现场勘察数据相比较吻合度高达0.83。 使用MOD14A1中8+9波段结合相关数据对这个区域的长达11年(2000—2010年)的森林火灾发生的时间和空间分析, 结果表明: 火灾发生频率最多的是春季, 秋季次之, 夏天概率最低, 除非干旱。 通过对研究区域黑龙江省分析, 针叶林和温带针阔混交林过火面积所占比例分别为53.68%, 44%, 草原区过火面积较小为2.32%。 大兴安岭是主要的燃烧区域, 面积达到64.74%, 小兴安岭约为23.49%, 而其他区域面积不超过5%。 且火灾发生的较大部分森林有个平缓的斜坡(≤5°), 大部分处于中海拔(200 m≤H≤500 m)。 因此, 通过卫星遥感对森林火区区域的时间序列分析, 阐明火灾活动规律和气候、 地形、 植被类型的相互关系, 有助于预测火灾区域危险性等级。

针对MODIS的林火探测算法第四版区域适应性差的不足,利用基于热带雨林特性的潜在火点判定阈值和基于烟羽掩膜的自适应窗口调节技术,对第四版算法进行了改进.烟羽掩膜有利于辅助火点探测,而调整阈值则能改善火点探测的敏感性.根据热带雨林地区森林火灾的特点,潜在火点判定阈值在无烟羽区设为306K,在烟羽掩膜区设为295K.烟羽掩膜可以有效圈定背景像元的范围,增加自适应窗口空间统计分析的约束条件,减少由于降低烟羽掩膜区潜在火点判定阈值而引起的噪声.应用实际火点数据对两种算法进行了比较验证分析.结果表明改进算法后提高了对低温小火点和大扫描角火点探测的敏感性,增强了热带雨林地区的火点探测能力和探测精度.