森林火災の監視とセンチネル-2を発射し、抽出に基づいています
まず、森林火災監視
1.1センチネル-2衛星のプロフィール
クールー、「ベガ」（ベガ）ロケット打ち上げからフランス領ギアナの発射場から2015年6月23日、上のセンチネル-2A衛星。以下の2年後、センチネル-2Bの衛星は、同じ場所で2017年3月7日に開始しました。この二つの衛星が共同で欧州委員会（EC）と欧州宇宙機関（ESA）によって実装され、世界的な高解像度と地上観測の高い再訪機能のためのマルチスペクトルイメージングサテライトの下に「コペルニクス」プログラム、生物学的です物理的変化のマッピング、沿岸と内陸水域の監視だけでなく、リスクとハザードマップのように。
センチネル-2衛星ペイロードは、マルチスペクトルイメージャー（MSI）を装備しました。MSI作業可視光スペクトル、13本のスペクトルバンドの合計（VNIR）、近赤外および短波赤外線（SWIR）、及び積層型撮像スキャンモードを使用。時間分解能は、10日ごとに画像データのグローバルな土地の表面を更新し、最大5日間が更新バイナリ。
センチネル-2Aと同じトラック上で実行されているセンチネル-2B衛星、180の位相差°。二つの衛星の共同作業は完全に5日間で、赤道付近でカバーするために行うことができます。太陽同期軌道衛星、786キロの軌道高度、98.5°の軌道傾斜10:30現地時間にノード降順の使用は時間を選択雲量を最小化するために最適な解決策と考えられ、太陽が条件を点灯しました。
B11とB12：図から分かる、センチネル-2は、赤外線センサーは、2つのスペクトルを含んでいる短波。短波長赤外線波、小さな散乱雰囲気の短波赤外線撮像による1000~3000ナノメートルの波長範囲の一部として、霧、ミスト、ダスト能力、効果的な検出距離、環境気候条件及び戦場に適応スルー可視光イメージングよりも有意に良好。こうして燃焼SWIRの浸透によって発生する煙の多くの特性を使用することは、火はすぐに発火点を識別する領域をロックすることができます。
1.2 3.29 Qinyuan森林火災監視
月29日午後01時30分、風速、火はすぐに広がるため、少ない日より2019徐、Qinyuan王Taoxiang郭の故郷の村の近くに突然の森林火災、で、火災は、シーン全体を360ヘクタールの面積を燃やしました25の村や石炭火災約10キロ、約可視火災が脅かされています。
2019年4月1日，哨兵2A正好过境，下面我们一起看看哨兵2A卫星拍摄的林火区域的卫星影像，下图是哨兵2A卫星2019年4月1日T49SFA图幅的B4B3B2组合真彩色图像，从图像上可以看出沁源县的北方有大片的浓烟分布：
下面我们放大到此处进行查看，由于B4B3B2是RGB通道，红绿蓝波长较短，受云雾影响比较大，无法观察到地面的火点分布：
下面我们采用B12B8B3即短波-近红-绿的组合方式，可以看到两条红色带状的火点分布，另外森林呈现绿色，燃烧过的火烧迹地呈现粉红色：
下面我们可以将两个短波SWIR都用上，进一步减轻烟雾的影响，采用B12B11B8A的组合方式，火点更加明亮，健康植被呈现蓝色，火烧迹地呈现红褐色：
1.3 短波红外监测人工火源
短波红外波段不仅可以监测林火，同样还可以监测人工火源，下面我们来看看几个典型的火源点。
典型A地
下图是一个工厂，从B4B3B2真彩色图像上看不出哪里有火源点的踪迹：
然后我们切换B12B11B8A进行组合，发现工厂的南部有一个异常红亮的火源：
我们透过谷歌地球的高分辨率影像来看看这个工厂的火源：
放大之后我们明显可以看到一个正在燃烧的火炬塔架：
典型B地
下面我们再看一个工厂，从B4B3B2真彩色影像上仍然看不出有火源的踪迹：
然后我们切换B12B11B8A进行组合，发现工厂的北部有一个异常红亮的火源：
在谷歌地球上这个火源长这个样子：
注意彩钢房混淆
图中粉色圈出为真实火点，另外部分彩钢厂房（青色框中地物）的短波红外反射率也较高，因此容易对火点的判读产生影响：
二、火烧迹地提取
2.1 预处理
从欧空局下载L1C级别的哨兵2A和2B数据，灾前时相为2018年6月10日，灾后时相为2019年6月10日，经过Sen2Cor软件大气校正后得到L2A级别的数据，然后在SNAP软件中进行采样输出：
ENVI中进行波段组合和裁剪得到火灾现场灾前灾后的图像：
2.2 基于IR-MAD变化检测提取火烧迹地
IR-MAD变化检测
ESRI 提供了IR-MAD工具，其安装方法可参考APP STORE，下载ENVIIRMAD.zip，将解压后的custom_code和extensions文件夹拷贝到…\ENVI5X\下，覆盖并替换；将bin文件拷贝到…\ENVI5X\IDL8X下，覆盖并替换。重启ENVI。
打开IR-MAD变化检测工具输入前后时相的图像，参数可默认，直接输出即可：
输出的结果，亮度越大的地方表明变化越剧烈：
我们可以自定义一个分割区间，测试合适的阈值将火烧迹地提取出来：
本次测试的阈值是大于4500的区域：
但是，变化检测提取出来的区域除了火烧迹地外，还有一些耕地：
面向对象提取林地
由于直接将两幅图进行变化检测会有一些额外的不是火烧迹地的变化区域被检出，比如耕地，因此我们需要做一个林区的掩膜文件将森林提取出来，然后生成掩膜图像对变化检测的结果进行掩膜，可消除林区外变化地区的影响。
可以采用面向对象的方法，输入2018年的灾前卫星影像：
选择NDVI波段计算（由于预处理剔除了60米波段，所以Band3和7对应B4和B8）：
填写分割尺度：
建立林地规则，经过反复预览，本次选择NDVI大于0.65的为林地：
提取出来的林地结果：
构建林地掩膜：
对IR-MAD变化检测结果进行林地掩膜
我们对先前提取的IR-MAD变化检测结果进行林地掩膜，剔除非林地变化的影响：
得到的掩膜后的变化区域：
这样耕地等非林区变化的地区就被剔除了：
2.3 变化检测流程工具提取火烧迹地
我们可以采用ENVI下的另外一个变化检测工具进行提取试验：
首先分别计算两个图像的NDVI：
输入灾前灾后NDVI图像后，可以直接输入掩膜文件，这样就只对掩膜文件的区域进行变化检测处理：
由于本次两个哨兵数据本身配准的很好，因此不需要进行额外的配准，我们直接跳过配准：
选择差值选项：
得到的结果如下：
三、受灾等级划分
我们任选一个变化检测的结果，生成一个火烧迹地的掩膜图像：
使用2019年的NDVI减去2018年的NDVI：
得到NDVI差值图像：
然后对NDVI差值图像进行掩膜，得出火烧迹地区域的NDVI差值图像：
然后对输入火烧迹地的NDVI差值图像进行统计，统计的时候选择火烧迹地掩膜：
这样就得到了火烧迹地区域的NDVI统计直方图曲线：
我们分别选取 -0.6365 、-0.4832、-0.2825，三个曲线拐点进行分割，为了方便制图，我们将ENVI格式另存为TIF，在ArcMap中进行操作，
选用重分类工具：
插入指北针，图例等要素：
这样，所有的工作都做完了，星星之火，可以燎原；森林防火，重在堵源。希望大家平常注意不要将火源带入山林或杂草等易燃区域，爱护森林，人人有责。
