GEE案例——一个完整的火灾监测案例dNBR差异化归一化烧毁指数

最新推荐文章于 2025-03-03 10:09:19 发布
最新推荐文章于 2025-03-03 10:09:19 发布
阅读量2.3k 收藏 8
点赞数 16
分类专栏： GEE案例分析 文章标签： 计算机视觉 人工智能 javascript gee nbr 火灾 指数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_31988139/article/details/134040684
版权
本文介绍了dNBR（差异化归一化烧毁指数），一种用于评估火灾后地表烧毁程度的遥感指标。dNBR通过比较火灾前后NBR来计算，用于野火监测和恢复评估。文章展示了如何利用GEE（地球引擎）生成dNBR图表，并解释了相关函数的用法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

差异化归一化烧毁指数

dNBR是"差异化归一化烧毁指数"的缩写。它是一种用于评估卫星图像中烧毁区域严重程度的遥感指数。dNBR值通过将火灾前的归一化烧毁指数（NBR）减去火灾后的NBR来计算得出。该指数常用于野火监测和评估。

dNBR（差异化归一化烧毁指数）是一种用于评估火灾后地表烧毁程度的遥感指标。它通过比较火灾前后的归一化烧毁指数（NBR）来计算得出。NBR是利用遥感数据中红外波段和近红外波段的反射率之差来衡量植被健康状况的指标。dNBR的计算公式为：dNBR = NBR(post-fire) - NBR(pre-fire)。dNBR的数值范围通常从负数到正数，负数表示火灾后植被恢复，正数表示火灾造成的烧毁程度。该指数在野火监测、火灾后恢复评估以及制定防火策略等方面具有重要应用价值。

结果：

 

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Google Earth Engine（GEE）——使用归一化燃烧指数 (NBR) 绘制地表烧伤严重程度图
此星光明博客
06-26 2820
归一化燃烧指数（Normalized Burn Ratio, NBR）是一种遥感指标，用于评估野火或烧伤地面后的植被恢复情况。NBR能增强较大范围的火灾区域，如大于200公顷。它是通过比较远红外波段 (SWIR) 和近红外波段 (NIR) 的反射率来计算的。SWIR波段测量烧伤地面的反射率，NIR波段测量没有受到烧伤影响的植被的反射率。NBR的计算公式为：NBR =（NIR-SWIR）/（NIR + SWIR）。其中，NIR为近红外波段，SWIR为短波红外波段。
GEE案例——美国夏威夷火灾森林面积损毁程度分析
此星光明博客
04-25 345
本次案例的主要目的是通过查看两期影像间的差异来识别火灾的影像范围，所以这里用到了高清的sentinel-2影像，同时应用到了sentinel-2的QA高质量的去云后的影像进行分析。
GEE | 基于Landsat的1984-2024年归一化燃烧指数NBR分析
qq_48539301的博客
03-03 398
归一化燃烧指数（Normalized Burn Ratio, NBR）是通过近红外（NIR）和短波红外（SWIR）波段的反射率计算得出的。NBR的值范围在-1到1之间，通常用于评估火灾前后的植被变化。火灾后，NBR值会显著下降，随着时间的推移，植被恢复，NBR值会逐渐回升。今天和大家分享的是1984-2024年归一化燃烧指数NBR，需要的同学仅需要更改研究区即可。基于Landsat NBR年数据，print每年的NBR均值并导出栅格数据。
Google Earth Engine ——LANDSAT 4系列归一化燃烧比热（NBRT）指数8天/32天/年际合成数据集
此星光明博客
09-27 599
These Landsat 4 TM composites are made from Level L1T orthorectified scenes, using the computed top-of-atmosphere (TOA) reflectance. SeeChander et al. (2009)for details on the TOA computation. As of May 1, 2017, the USGS is no longer producing Pre-Colle..
NBR:归一化燃烧率
03-06
丁腈橡胶 归一化燃烧率 光栅 matplotlib 麻木 该脚本根据卫星图像计算NBR并返回发射区域。
Google Earth Engine（GEE）——基于 MCD64A1 的 GlobFire 日常火灾数据集
此星光明博客
07-04 1600
基于 MODIS 数据集 MCD64A1 的火灾边界。数据是基于一种算法计算的，该算法依赖于在图形结构中编码烧毁区域补丁之间的时空关系。每场火灾都有一个唯一的编号来标识事件。Dataset Availability2001-01-01T00:00:00Z–2021-01-01T00:00:00Dataset ProviderEuropean Commission, Joint Research Centre, Global Wildfire Information System数据调用： 'JRC/
GEE：基于MCD64A1的GlobFire火灾斑块数据集
养乐多的博客
12-21 3176
本文将介绍 Google Earth Engine（GEE）上存档的 JRC/GWIS/GlobFire/v2/FinalPerimeters 数据集。
GEE案例分析——2019年3月30日，四川省凉山州木里县雅砻江镇立尔村火灾面积分析（Sentinel-2和NBR）
此星光明博客
05-06 896
2019年3月30日18时许，四川省凉山州木里县雅砻江镇立尔村发生森林火灾，着火点在海拔3800米左右，地形复杂、坡陡谷深，交通、通讯不便。1212据凉山州人民政府新闻办公室消息，火场在雅砻江边上，距木里县车程6到7个小时，火场平均海拔4000米，多个火点均位于悬崖上。森林过火面积约为20公顷（0.2平方公里）。
森林火灾遥感评估区划方法
Mu的博客
12-30 7613
2020年3月28日19时30分，四川省凉山州木里县乔瓦镇锄头湾村与项脚蒙古族乡项脚村交界处发生森林火灾。火灾发生后，我们需要努力测量火灾后迹地，为森林重建和植被演替创造基线。借助火灾前后的Landsat8影像，利用归一化燃烧指数计算损失，然后将数据作为要素类发布以与其他人共享。 比较波段组合 首先，通过usgs获取 Landsat 8 影像初步查看火灾后迹地。了解研究区域后，可以更改影像的波段组合以便更好地查看燃烧区域。然后，可创建自定义组合来突出火灾后迹地。 打开工程 在开始分析之前，可下载含有任务原始
中科星图（GVE）——过火面积识别（dNBR）和CART方法进行火灾识别
此星光明博客
10-19 999
过火面积识别（dNBR）和CART方法是一种常用的火灾识别技术。下面分别介绍这两种方法的基本原理和应用。过火面积识别（dNBR）： 过火面积识别（dNBR）是一种基于遥感数据的火灾识别方法。该方法计算了火灾前后的归一化差异植被指数（dNBR），通过对比这两个指数的差异，可以确定火灾过火面积。dNBR的计算公式如下：其中，NBRpre表示火灾前的归一化植被指数，NBRpost表示火灾后的归一化植被指数。通过计算dNBR，可以得到火灾过火面积的烧伤程度。
GEE代码编程gee案例-进行NDVI的计算和显示.txt
08-23
GEE代码编程gee案例-进行NDVI的计算和显示.txt
Google Earth Engine——WRI/GFW/FORMA/raw_output_ndvi数据集
此星光明博客
10-17 557
NOTE from WRI: WRI decided to stop updating FORMA alerts. The goal was to simplify theGlobal Forest Watchuser experience and reduce redundancy. We found thatTerra-iandGLADwere more frequently used. Moreover, using GLAD as a standard, found that Terra...
GEE：基于GEE的单个湖泊的实时水体提取（以武汉东湖为例）
qq_45930287的博客
03-03 4356
利用GEE实现Landsat 8和Sentinel 2的单个湖泊实时水体提取
Google Earth Engine ——Landsat 8 Collection 1 Tier 1数据集
此星光明博客
09-13 913
Landsat 8 Collection 1 Tier 1 DN values, representing scaled, calibrated at-sensor radiance. Landsat scenes with the highest available data quality are placed into Tier 1 and are considered suitable for time-series processing analysis. Tier 1 includes Lev
GEE必须会教程——一文教会你下载火灾信息数据
Promising_GEO的博客
12-04 782
这几年频频登上热搜的澳洲山火，加州山火以及国内四川地区的山火等等，造成的较大生态系统损失和生命健康安全，令人惋惜。今天我们要用到的火灾信息数据是NASA提供的“FIRMS: Fire Information for Resource Management System——资源管理系统中的火灾信息”，该数据集包含栅格化形式的LANCE火灾探测产品。2019年，澳大利亚发生震惊世界的山火，据报道，自9月6起，该山火燃烧时间长达7个月之久，给当地的景观生态造成了巨大的破坏。如果出现平局，则保留较亮的那一个。
GEE 案例——如何计算sentinel-2中每一个单景影像的波段的DN值并绘制直方图
此星光明博客
02-06 1266
直方图基本上是一个配对值列表。因此，您可以用函数映射它，而无需 for/ 循环。以下代码片段包含了为整个图像集生成直方图的算法的重要部分。
GEE案例：根据点位提取栅格值（acrgis的多值提取到点）
a_aharon的博客
07-29 7066
GEE中的acigis多值提取到点。以及简单的数据集合构建，FVC的像元二分模型的计算方法。
GEE-Scholars 水体动态监测-河南水灾案例
生态环境，遥感监测，深度学习，云计算
12-10 3417
沐风-GEE系列专栏 涵盖生态环境，卫星遥感，气候变化，云计算。 Google Earth Engine 系列学习笔记(一) Google Earth Engine 系列学习笔记(二) GEE-Scholars 可视化时间序列农业景观 GEE-Scholars 机器学习之卫星图像监督分类 本章目录沐风-GEE系列专栏前言一、Sentinel-2 光学数据动态监测水体变化1、定义监测区域2、定义监测时间3、哨兵数据去云4、NDWI指数提取水体二、Sentinel-1 雷达数据动态监测统计水体变化1、定义
Google Earth Engine（GEE）——作物分类的影像合成案例分析（四川省为例）
此星光明博客
03-20 2846
作物分类是一个困难的问题。有助于明确区分作物的一个有用技术是考虑作物物候学。这种技术可用于检测特定类型的作物或将作物与其他形式的植被区分开来。可以为作物周期的不同时期创建合成图像，并创建一个合成的影像，用于分类。这使得分类器可以学习时间模式，并检测出表现出类似模式的像素。本文以list作为划分月份，来确定不同季节的影像，以此来查看不同时间点作物的区别： 代码: var s2 = ee.ImageCollection("COPERNICUS/S2_SR") var table = ee.FeatureC
指数归一化 gee
最新发布
03-19
### GEE中的指数归一化实现方法 在Google Earth Engine (GEE) 中，可以通过内置函数 `normalizedDifference` 来快速实现各种归一化指数的计算。该函数接受两个波段作为输入参数，并返回它们之间的标准化差值。以下...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

此星光明

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值