Valerii Shvaiko
valshvaiko57@gmail.com
The National Technical University of Ukraine ”Igor Sikorsky Kyiv Polytechnic Institute”, Heat Power Engineer Department, Automation of Projection of Power Processes and Systems
Ukraina
Olena Bandurka
o.i.bandurka@ukr.net
The National Technical University of Ukraine ”Igor Sikorsky Kyiv Polytechnic Institute”, Heat Power Engineer Department, Automation of Projection of Power Processes and Systems
Ukraina
Vadym Shpuryk
wadimoff@gmail.com
The National Technical University of Ukraine ”Igor Sikorsky Kyiv Polytechnic Institute”, Heat Power Engineer Department, Automation of Projection of Power Processes and Systems
Ukraina
Yevhen V. Havrylko
gev.1964@ukr.net
The National Technical University of Ukraine ”Igor Sikorsky Kyiv Polytechnic Institute”, Heat Power Engineer Department, Automation of Projection of Power Processes and Systems
Ukraina
W artykule przedstawiono metody identyfikacji pożarów przy wykorzystaniu niskorozdzielczych zdjęć satelitarnych uzyskanych z satelitów Terra Modis i NOAA. Istnieje wiele algorytmów służących do identyfikacji potencjalnych "pikseli pożaru". Opierają się one na ocenie temperatury w zakresach spektralnych od 3,5–4 do 10,5–11,5 mikronów. Jednym z problematycznych aspektów metody detekcji pożarów z wykorzystaniem zdjęć satelitarnych o niskiej rozdzielczości jest "maskowanie przez chmury i wodę". Aby zidentyfikować „piksele pożaru” należy wykluczyć z analizy fragmenty zdjęć pokryte chmurami oraz zajęte przez obiekty wodne. Podstawą algorytmu do wykrywania potencjalnych „pikseli pożaru” jest identyfikacja pikseli, w których, w momencie przelotu nad Ziemią, aktywny jest jeden lub większa liczba pożarów. Do prawidłowej pracy, algorytm wymaga znacznego wzrostu poziomu promieniowania w zakresie 4 oraz 11 mikrometrów. Algorytm analizuje każdy piksel zdjęcia i w rezultacie przypisuje mu jedną z następujących klas: brak danych, chmura, woda, potencjalny pożar lub niepewny. Piksele, którym nie są przypisane rzeczywiste dane, są natychmiast klasyfikowane jako "brakujące dane (NULL)" i wyłączane z dalszej analizy. Piksele należące do chmur i wody, określone dzięki technice maskowania chmur i obiektów wodnych, zaliczane są odpowiednio do klas chmur i wody. Algorytm detekcji pożaru bada tylko te piksele powierzchni Ziemi, które zostały zaklasyfikowane jako potencjalny pożar lub niepewne. Metoda została zaimplementowana przy użyciu Visual Programming Tool PowerBuilder w systemie przetwarzania danych firmy Erdas Imaging. W wyniku zastosowania metody, wykryto pożary w czarnobylskiej strefie zamkniętej, pożary stepów oraz pożary przy odwiertach gazowych. Zastosowanie metody satelitarnej identyfikacji pożarów jest niezbędne do szybkiego wykrywania pożarów w odległych lasach lub stepach, które są słabo kontrolowane przez naziemne metody monitoringu.
Bibliografia
Chandra А. М., Gosh S. K.: Remote sensing and geographic information systems. Tecnosfera, Moscow 2008.
Griffiths P. et al.: Forest disturbances, forest recovery, and changes in forest types across the Carpathian ecoregion from 1985 to 2010 based on Landsat image composites. Remote Sensing of Environment 151/2014, 72–88.
Justice C. O. et al.: Robust statistics. Wiley, New York 2002.
Kaufman Y. J., Justice C. O., Flynn L. P., Kendall J. D., Prins E. M., Giglio L., Ward D. E., Menzel W. P., Setzer A. W.: Potential global fire monitoring from EOS-MODIS. Journal of Geophysical Research 103(D24)/1998, 32215–32238.
Kashkin V. B., Suchinin А. I.: Remote sensing of the Earth from space. Digital imaging. Logos, Moscow 2001.
Krycuk S. G.: Mapping boreal forests using satellite data. Modern problems of remote sensing of the Earth from space 9(4)/2012, 255–264.
Morisette J. T. et al.: Identification of subresolution high temperature sources using a thermal IR sensor. Photogrammetric Engineering and Remote Sensing 47/2003, 1311–1318.
Morissette, J. T. et al.: Validation of the MODIS active fire product over Southern Africa with ASTER data. International Journal of Remote Sensing 26(19)/2002, 4239–4264.
Seielstad C. A. et al.: MODIS level 1A Earth location: Algorithm theoretical basis document version 3.0. SDST-092, MODIS Science Data Support Team 2002.
Stroppiana D. et al.: Testing the sensitivity of a MODIS-like daytime active fire detection model in Alaska using NOAA/AVHRR infrared data. Photogrammetric Engineering and Remote Sensing 68/2000, 831–838.
Strugailo V. V.: Review of methods of filtering and segmentation of digital images. Science and education 5/2012, 270–281.
Vyshnjakov V. J., Tkachuk P. A.: Features of methods for determining temperature anomalies according to remote sensing MODIS (TERRA) and AVHRR (NOAA). Estimates of their quality. Ecological safety and nature management 10/2012, 81–90.
Zibcev S. V., Myronjuk V. V.: Methodical recommendations from MODIS and Landsat for monitoring of forest fires: Recommendations for forestry enterprises. NUBandN, Kiev 2015.