高分二号异轨立体数据的森林高度提取

森林植被碳储量的空间分布格局及其动态变化是陆地生态系统碳收支核算的基础。作为森林地上生物量的重要指示因子,森林高度的精确估算是提高森林植被碳储量估算精度的关键。现有研究已证明,由专业星载摄影测量系统获取的立体观测数据可用于森林高度提取,但光学遥感数据最大的问题是受云雨等天气因素的影响严重。区域森林地上生物量产品的生产需要充分挖掘潜在数据源。国产高分二号卫星(GF-2)虽然不是为获取立体观测数据而设计的专业星载摄影测量系统,但其获取的图像空间分辨率可达0.8 m,且具备±35°的的侧摆能力,在重复观测区域可构成异轨立体观测。本文以分别获取于2015年6月20日和2016年7月19的GF-2数据作为立体像对,其标称轨道侧摆角分别为0.00118°和20.4984°,以激光雷达数据获取的林下地形(DEM)和森林高度(CHM)为参考,对利用GF-2立体观测数据进行森林高度提取进行了研究。通过对立体处理得到的摄影测量点云的栅格化得到DSM,以激光雷达数据提供的DEM作为林下地形,得到了GF-2的CHM。结果表明GF-2提取的CHM与激光雷达CHM空间分布格局较为一致,两者之间存在明显的相关性,像素对像素的线性相关性(R2)达到0.51,均方根误差(RMSE)为3.6 m。研究结果表明,在林下地形已知的情况下,GF-2立体观测数据可用于森林高度估算。     

Landsat-8 vs. Sentinel-2: examining the added value of sentinel-2’s red-edge bands to land-use and land-cover mapping in Burkina Faso

The availability of freely available moderate-to-high spatial resolution (10–30 m) satellite imagery received a major boost with the recent launch of the Sentinel-2 sensor by the European Space Agency. Together with Landsat, these sensors provide the scientific community with a wide range of spatial, spectral, and temporal properties. This study compared and explored the synergistic use of Landsat-8 and Sentinel-2 data in mapping land use and land cover (LULC) in rural Burkina Faso. Specifically, contribution of the red-edge bands of Sentinel-2 in improving LULC mapping was examined. Three machine-learning algorithms – random forest, stochastic gradient boosting, and support vector machines – were employed to classify different data configurations. Classification of all Sentinel-2 bands as well as Sentinel-2 bands common to Landsat-8 produced an overall accuracy, that is 5% and 4% better than Landsat-8. The combination of Landsat-8 and Sentinel-2 red-edge bands resulted in a 4% accuracy improvement over that of Landsat-8. It was found that classification of the Sentinel-2 red-edge bands alone produced better and comparable results to Landsat-8 and the other Sentinel-2 bands, respectively. Results of this study demonstrate the added value of the Sentinel-2 red-edge bands and encourage multi-sensoral approaches to LULC mapping in West Africa.     

Fighting Fire with Fire: Does a Policy of Broad-Scale Prescribed Burning Improve Community Safety?

Wildfires cause enormous damage worldwide, particularly in Victoria, Australia, with growing populations in fire-prone ecosystems. Broad-scale prescribed burning is an established, yet controversial, wildfire management policy in Victoria and Australia. But does broad-scale prescribed burning reduce fire damage? The answer depends on how damage is measured. We propose that different perceptions about the efficacy of broad-scale prescribed burning derive from different disciplinary measures of damage (e.g., biodiversity, area burned, or fatalities). Although broad-scale prescribed burning reduces subsequent wildfire size, there is little evidence that it saves human lives and homes. Evidence suggests that small-scale fuel reduction may be more effective at saving lives. The prescribed burning debate might be better focused on what damage we wish to limit, and which measures are most effective at limiting this damage. In this context, the current policy focus on broad-scale prescribed burning targets may distract efforts from more effective lifesaving strategies.     

三维绿色生物量的遥感模式研究与绿化环境效益估算

本文从理论和技术上叙述了绿量的遥感模式研究和绿化环境效益估算，并取得了以下几个方面的进展：（１）提出了绿量的概念，进一步完善了城市绿化的量化指标体系；（２）成功地修正了“逻辑斯蒂曲线”方程，并以平面量模拟立体量的方法测算了上海市全市的绿量，不仅节省了人力物力，而且提高了精度；（３）提出了模式林的概念及测定了以绿量估算绿化环境效益中所必须的标准换算量；（４）首次用绿量在全市范围估算了绿化群落的吸碳产氧、吸收二氧化硫、滞尘及夏季降温等环境效益。为分析现有绿化群落布局与结构的合理性，及为绿化规划乃至整个城市的总体规划提供了很有价值的技术参数。     

基于机器学习的降雨量雷达回波数据建模与预测

以浙江省2016年1-10月的雷达回波强度数据为基础,分别应用随机森林模型、BP神经网络模型、卷积神经网络模型来预测降雨量并进行对比.建模分析结果表明,随机森林模型预测效果精确度较低,容易低估较大的降雨强度,而BP神经网络和卷积神经网络预测的效果都比随机森林好,特别是卷积神经网络,其预测值与真实值更加接近,且对较大的降雨强度拟合较好.     

基于随机森林的暴雨灾害人口损失预估模型及应用

基于2009—2017年的广西县级暴雨灾情记录,综合考虑致灾因子、孕灾环境和承灾体因素选取7个解释变量,运用随机森林算法,构建暴雨灾害人口损失预估模型;并以精细化网格降水实况分析和预报产品驱动模型,预估是否发生人口损失。研究结果表明:模型训练样本及测试样本的分类准确率均在90%以上,致灾因子(降水情况)是最主要的解释变量,重要性从大到小依次是前10 d降水距平百分率、过程最大日雨量、最大小时雨量和短时强降水频次。应用智能网格降水产品对广西地区近两年的暴雨灾害过程进行回报试验,准确率超过70%。     

基于GIS和RS的西藏森林火险等级计算方法

基于遥感技术(RS)和地理信息系统(GIS),利用由基于DEM演算的地面最高温度、最小相对湿度和最大风速等格点化气象要素,FY2静止气象卫星逐日降水反演产品和AVHRR积雪监测产品计算网格森林火险天气等级,结合由植被类型、NDVI、地形要素和公路、人口聚居地等要素评估的森林火险风险等级,综合计算得到网格化的西藏森林火险等级。该项业务程序基于MeteoInfo组件建立,能够实现全自动化业务运行。对于森林火灾事件,通过与基于气象站的森林火险天气等级相比,该方法的准确性更高,能为西藏林区森林防火工作提供有效参考。     

森林火灾监测和森林火险天气等级

介绍了利用极轨气象卫星监测森林火灾的原理 ,分析了森林火险天气等级与森林火灾的对应关系     

山西运城市森林火险等级预报系统

利用有关气象及森林火灾资料，分析了林林火灾的发生与气象条件、火条件及森林含水率的关系，计算了森林火险综合预报指标，建立了以预报方程，经试用效果良好。     

基于数值预报和随机森林算法的强对流天气分类预报技术

随机森林算法是当前得到较为广泛应用的机器学习方法之一,有着很高的预测精度,训练结果稳定,泛化能力强,解决多分类问题有明显优势。本文将随机森林算法应用于强对流的潜势预测和分类,分短时强降水、雷暴大风、冰雹和无强对流四种类别,基于2005—2016年NCEP 1°×1°再分析资料计算的对流指数和物理量,开展强对流天气的分类训练、0～12 h预报和检验,经2015—2016年独立测试样本检验表明,针对强对流发生站点的点对点检验,整体误判率为21. 9%,85次强对流过程基本无漏报,模型尤其适用于较大范围强对流天气。随机森林算法筛选的因子物理意义较为明确,和主观预报经验基本相符,模型准确率高,可用于日常业务。