Monitoreo dinámico y análisis por teledetección infrarroja térmica de áreas típicas de incendios en campos carboníferos de Xinjiang entre 1998 y 2023

  • role: First author第一作者
  • Affiliation:

    School of Safety Science and Engineering, Xi'an University of Science and Technology, Xi'an 710054, China

  • Email:junhui_l@stu.xust.edu.cn
  • Introduction:卢俊辉,研究方向为煤火灾害防治研究。E-mail: junhui_l@stu.xust.edu.cn
LU Junhui1,  
  • role: Corresponding author通信作者
  • Affiliation:

    School of Safety Science and Engineering, Xi'an University of Science and Technology, Xi'an 710054, China

    Shaanxi Key Laboratory of Prevention and Control of Coal Fire, Xi'an 710054, China

  • Email:dengj518@xust.edu.cn
  • Introduction:邓军,研究方向为煤火灾害防治理论与技术的研究与应用。E-mail: dengj518@xust.edu.cn
DENG Jun12*,  
  • Affiliation:

    National Institute of Natural Hazards, Beijing 100085, China

CHEN Xue3,  
  • Affiliation:

    School of Safety Science and Engineering, Xi'an University of Science and Technology, Xi'an 710054, China

    Shaanxi Key Laboratory of Prevention and Control of Coal Fire, Xi'an 710054, China

SONG Zeyang12,  
  • Affiliation:

    School of Safety Science and Engineering, Xi'an University of Science and Technology, Xi'an 710054, China

    Shaanxi Key Laboratory of Prevention and Control of Coal Fire, Xi'an 710054, China

WANG Caiping12,  
  • Affiliation:

    College of Geomatics, Xi'an University of Science and Technology, Xi'an 710054, China

LI Pengfei4,  
  • Affiliation:

    Xinjiang Mine Safety Service Guarantee Center, Urumqi 830011, China

CAO Fei5,  
  • Affiliation:

    College of Geomatics, Xi'an University of Science and Technology, Xi'an 710054, China

HU Liuru4,  
  • Affiliation:

    School of Safety Science and Engineering, Xi'an University of Science and Technology, Xi'an 710054, China

XI Shuang1

resumen

Los incendios de carbón, como una catástrofe ambiental global, se caracterizan por una larga duración y una alta dificultad para su control, lo que representa una gran amenaza para el medio ambiente ecológico, la salud biológica y la seguridad energética. La evolución de los incendios de carbón es un proceso continuo espacio-temporal, y la temperatura de la superficie terrestre (LST) es un indicador clave que refleja esta evolución. Con la acumulación creciente de datos multisensoriales de teledetección, los métodos de series temporales se han convertido gradualmente en una herramienta importante para detectar incendios de carbón. La determinación de la ubicación de incendios mediante anomalías térmicas superficiales tiene un gran significado práctico para la ingeniería de extinción de incendios en campos de carbón. Los datos de temperatura de la superficie terrestre son series temporales complejas y aleatorias, lo que representa un desafío para el monitoreo a largo plazo de los incendios de carbón. Por ello, este estudio toma como objeto el área de incendios del campo carbonífero de Sandao Ba en Xinjiang, construyendo un método de monitoreo basado en la descomposición temporal STL (procedimiento de descomposición estacional-tendencia basado en Loess). Primero, con imágenes de satélite Landsat y la plataforma en la nube Google Earth Engine (GEE), se construyó una serie temporal larga de temperatura de la superficie terrestre en el área de estudio desde 1998 hasta 2023, se realizó la descomposición STL de la serie temporal de temperatura de superficie, se analizaron las tendencias espaciales y temporales, y se usaron los componentes de tendencia y el algoritmo RANSAC (Consenso de Muestra Aleatoria) para determinar las zonas de incendios y sus ciclos evolutivos. Los resultados muestran que la descomposición STL puede separar eficazmente los efectos estacionales y las fluctuaciones aleatorias en las series temporales largas de temperatura de superficie, y que el componente de tendencia refleja con mayor precisión la evolución de la temperatura en escalas temporales largas; de los 20 puntos de fuego medidos in situ en 2016, 16 estaban ubicados en las áreas de alto valor medio y rango del componente de tendencia; el análisis con el algoritmo RANSAC del proceso evolutivo de los incendios de carbón entre 1998 y 2023 concuerda básicamente con la investigación de campo, lo que valida la eficacia y fiabilidad del método STL construido en este estudio. En resumen, el método construido mejora la precisión de monitoreo de los incendios de carbón, fortalece la adaptabilidad a cambios espaciales y temporales complejos, y puede servir como referencia para futuros monitoreos y control de incendios.

palabra clave

identificación de incendios de carbón; descomposición STL; Landsat; serie temporal LST; teledetección infrarroja térmica

1 Introducción

Los incendios en los yacimientos de carbón se refieren a los desastres de incendios de carbón que se producen gradualmente en grandes áreas después de que el carbón entra en contacto con el oxígeno en el afloramiento de la capa de carbón o en áreas poco profundas bajo el entorno natural o los factores humanos, y el carbón se oxida y se acumula calor a baja temperatura, lo que tiene una serie de efectos en el medio ambiente ecológico.Liu和Zhou,2010). Está ampliamente distribuido en china, Estados unidos, india, rusia, indonesia, Sudáfrica y australia, y se caracteriza por una alta tendencia a la combustión espontánea, una larga duración de la combustión, una fuente de fuego oculta y fácil reavivamiento.汪云甲 等,2022V;邓军 等,2016). El proceso de combustión libera grandes cantidades de gases nocivos (como Co 2 so 2 no x y partículas), contamina la atmósfera, destruye la vegetación, provoca enfermedades respiratorias, quema de recursos de carbón, destruye las condiciones de explotación, aumenta el riesgo de desastres geológicos y amenaza La producción segura de minas de carbón..邓军 等,2020V;Syed等,2018). Por lo tanto, la identificación y el monitoreo oportunos y precisos del alcance de las zonas de incendio de los campos de carbón son esenciales para prevenir la propagación de incendios, proteger el medio ambiente ecológico, garantizar la salud humana y garantizar la seguridad de la producción de las minas de carbón.
La fuente de fuego subterránea cambia dinámicamente durante el incendio de carbón, y su trayectoria de movimiento es compleja y cambiante. aunque los métodos tradicionales de monitoreo (como el método de investigación directa, el método de exploración geofísica, el método de exploración química, el método de perforación, etc.) tienen una alta precisión en ciertas condiciones, el alcance del monitoreo es pequeño, consume mucha mano de obra y tiene cierto peligro al medir la zona de incendio, por lo que no se aplica a aplicaciones a gran escala.武建军 等,2009V;邓军 等,2024). La tecnología de teleobservación se ha utilizado ampliamente en la detección de anomalías superficiales a gran escala debido a sus ventajas de amplia cobertura, continuidad espacial y capacidad de observación repetida a largo plazo.张志敏 等,2018). Los datos de la serie de satélites terrestres (landsat) tienen una alta resolución espacio - temporal y una resolución espectral, y son una de las fuentes de datos importantes para la inversión de la temperatura superficial. sus datos TIR de infrarrojo térmico de alta resolución proporcionan un fuerte apoyo para el estudio de la evolución espacio - temporal de incendios de campos de carbón a gran escala y a largo plazo.
Hay dos tipos principales de algoritmos para la identificación de incendios de carbón y el monitoreo dinámico utilizando la teledetección tir: (1) algoritmos de fase única, incluido el método de ventana única para procesar datos infrarrojos térmicos de un solo punto de tiempo..Prakash等,1997V;胡德勇 等,2015), método basado en ventanas móviles..Kuenzer等,2007) y el método de división del umbral basado en el umbral de temperatura de la superficie..于灏 等,2024); (2) algoritmos multitemporales, incluida la extracción automática de datos de satélites multiespectrales..Kuenzer等,2007), método de acoplamiento espacio - temporal que combina la temperatura de la superficie con la deformación..于灏 等,2024) y análisis de series temporales largas, etc.Chen等,2022).
Debido a la persistencia a largo plazo de los incendios de carbón, las observaciones a corto plazo son difíciles de comprender completamente su evolución espacio - temporal, y el monitoreo a largo plazo es crucial para caracterizar la etapa de combustión de los incendios de carbón y predecir la tendencia de propagación. Se han iniciado estudios para construir series temporales para el monitoreo de teledetección de incendios de carbón:李园园等(2021)Se construyó una serie temporal de temperatura superficial con 867 datos de temperatura superficial MODIS de 2000 a 2018, y se utilizaron algoritmos de detección de puntos de interrupción estacionales y de tendencia bfast (breaks for Additive Seasonal and trend) para extraer las características de distribución espacio - temporal, el tiempo máximo de mutación y la magnitud de la mutación de la temperatura superficial.顾皓天(2023)El algoritmo STL se utiliza para descomponer los datos cronológicos multiexponenciales de la zona de fuego del Gobi general de 2016 a 2020, identificando efectivamente las diferencias entre la zona de fuego del carbón y la zona normal en la temperatura de la superficie, el índice de vegetación normalizado y el índice de nieve normalizado;Mujawdiya等(2024)Se propone un método de descomposición de series temporales basado en el algoritmo stl, que utiliza datos satelitales viirs para detectar la combustión espontánea de carbón en el campo de carbón de gondwana, India. al extraer componentes de tendencia y combinar mapas de desviación diurna y nocturna, se reduce efectivamente la tasa de falsos positivos y se mejora la automatización y precisión de la detección.姬洪亮(2012)Utilizando datos de teledetección multitemporal de cuatro escenas cada 10 años de 1990 a 2011, se extrajo información sobre anomalías térmicas superficiales en la zona de incendio del yacimiento de carbón;邓进昌(2023)Un total de 32 imágenes Landsat 8 de la zona de fuego de sandaoba en el cuarto trimestre de 2013 a 2020 fueron invertidas cualitativamente y cuantitativamente por imágenes térmicas infrarrojas a largo plazo, y se analizaron los cambios dinámicos en la intensidad térmica, la escala y la posición espacial del fuego de carbón.Fischler和Bolles(1981)El algoritmo ransac propuesto es un algoritmo de ajuste iterativo basado en muestreo aleatorio y prueba de consistencia, que todavía puede procesar datos con una tasa de error superior al 50%, y es uno de los algoritmos de estimación robustos más efectivos.Chen等(2022)El algoritmo ransac se utiliza para determinar la temperatura de fondo cuando no hay incendios de carbón en el área de investigación y juzgar el ciclo de combustión de los incendios de carbón; En comparación con el método de umbral tradicional, el algoritmo ransac tiene ventajas significativas, puede adaptarse automáticamente a los valores anormales y el ruido en los datos, incluso si hay un gran número de valores anormales en los datos, puede ajustar constantemente la temperatura de fondo y mostrar una mayor robustez. Además, la flexibilidad del algoritmo ransac le permite ajustar los parámetros de acuerdo con las diferentes características y necesidades de datos, identificando así con mayor precisión el período de combustión de la combustión espontánea del carbón, mejorando efectivamente la precisión de la detección de anomalías de temperatura.
Sobre la base de la investigación anterior, con el fin de explorar la aplicabilidad y estabilidad del algoritmo de descomposición temporal STL en el monitoreo de los cambios dinámicos a largo plazo de los incendios de carbón, este estudio recopiló imágenes de la serie Landsat de la zona de incendios de carbón de sandaoba en la región autónoma uygur de Xinjiang (conocida como "xinjiang") de 1998 a 2023, con la ayuda del algoritmo de inversión de temperatura superficial de la plataforma Gee Cloud y el Código de código abierto, construyó series temporales de largo período para mejorar la eficiencia del procesamiento de datos de imágenes de teleobservación; A través de los datos de máscara de nube, se detecta la información efectiva sin cobertura de nube en cada imagen por píxeles, se descompone la secuencia de temperatura de la superficie por tiempo STL para eliminar el impacto de la estacionalidad y las fluctuaciones aleatorias, y se utiliza la estimación de pendiente Theil - sen..Aditya等,2021) prueba de significación Mann - KendallKendall,1975) y el algoritmo ransac..Fischler和Bolles,1981), revelando las características de la evolución espacio - temporal de la temperatura superficial, con el fin de servir al monitoreo dinámico a largo plazo y a gran escala de los incendios en los campos de carbón.

2 Áreas de investigación y fuentes de datos

2.1 Área de investigación

El área de investigación se encuentra en el sureste del distrito de midong, ciudad de urumqi, xinjiang, china, con coordenadas geodésicas de 87 ° 44 'e - 87 ° 51' e, 43 ° 53 'n - 43 ° 57' n, unos 10 km de ancho de este a oeste y unos 8 km de largo de Norte a Sur. los incendios de carbón en su conjunto se distribuyen en bandas a lo largo de la dirección suroeste - noreste, comoFig. 1Se muestra. El área de investigación se divide en siete áreas funcionales de acuerdo con los atributos geológicos, los límites de los derechos mineros, las condiciones de incendio y las actividades de producción, incluyendo el área de control de incendios de los campos de carbón: el área de fuego de sandaoba (área a); Zona de producción de minas de carbón: mina de carbón Sanyuan (zona b), depósito de carbón (zona C y zona d), mina de carbón zhiqiang (zona e y zona f) y planta de lavado de carbón Zhongxing (zona g); El resto son zonas no incendiarias de carbón..邓进昌,2023). La temperatura media mensual más alta a lo largo de los años ha sido de unos 27 ° c (julio), la más baja de unos - 15,4 ° c (enero), y la temperatura máxima extrema ha alcanzado los 41,9 ° c.
figure

Fig. 1 Overview of the regions(Deng, 2023)

La zona de incendio de sandaoba se incendió por primera vez bajo tierra en 1998 y se extendió a la superficie en 2003. Los resultados del censo de la zona de incendios de Xinjiang en 2007, 2013 y 2016 muestran que el período de combustión en la zona de investigación es más corto (3 - 5 meses), y las capas de carbón están enterradas poco profundas (100 - 170 m), en su mayoría capas de carbón más gruesas de más de 10 m. El área de combustión ha pasado de 143.500 m 2 en 2007 a 328.100 m 2 en 2013, hasta 482.200 m 2 en 2016, y la velocidad de combustión se ha acelerado año tras año.郭跃成,2021V;Liu等,2019). El control de incendios de carbón de sandaoba comenzó en 2016, el proyecto de extinción de incendios comenzó en 2017 y se completó en 2021.

2.2 Fuentes de datos

Basado en el gee..) [2025 - 04 - 15] la plataforma en la nube llama en línea a las imágenes de Landsat del área de investigación de 1998 a 26 años de 2023, incluidos los productos Landsat tm, ETM y Oli Surface reflective (sr). Se seleccionaron un total de 776 imágenes infrarrojas térmicas sin nubes de alta calidad de Landsat 5 Tm (enero de 1998 - noviembre de 2011), Landsat 7 ETM + (julio de 1999 - junio de 2022) y Landsat 8 tirs (abril de 2013 - diciembre de 2023). Las bandas infrarrojas térmicas de los sensores involucrados incluyen Tm (b6), ETM + (b6), tirs (b10) para invertir la temperatura de la superficie en la zona de investigación, y los números orbitales de las imágenes de teledetección en esta ocasión son 142 / 29, 142 / 30 y 143 / 29.
Los datos in situ incluyen los datos de anomalías térmicas recogidos en el campo por la Oficina de ingeniería de extinción de incendios del yacimiento de carbón de Xinjiang en junio de 2016 (incluidas las temperaturas superficiales de la zona de incendio medidas por pistolas de medición de temperatura, termómetros infrarrojos e información geográfica registrada por GPS portátil), y los datos de temperatura dinámica recogidos por 157 agujeros de observación enterrados en el proyecto de extinción de incendios de la zona de incendio de sandaoba entre 2017 y 2021.

3 métodos de investigación

Con el fin de explorar los cambios a largo plazo de los incendios de carbón en el área de investigación, este estudio construyó un método de monitoreo de incendios de carbón basado en la descomposición temporal stl. El método incluye tres partes: adquisición de temperatura superficial, descomposición temporal STL y análisis de tendencias de evolución de incendios de carbón, comoFig. 2Se muestra. En primer lugar, los datos de imagen de teledetección correspondientes se seleccionan en la plataforma Gee y las operaciones de eliminación de sombras y máscara de nube se llevan a cabo a través de la máscara de nube para garantizar la precisión y fiabilidad de los datos. Utilizar código abierto para invertir datos de temperatura superficial multitemporal de imágenes Landsat y generar imágenes de series temporales pixel por pixel..Mateo-García等,2018V;Ermida等,2020), proporcionar datos básicos para el análisis posterior. En segundo lugar, la secuencia de temperatura superficial se descompone utilizando la tecnología de descomposición temporal STL basada en el método de suavización Loess (localy Weighted scatterplot smothing) para extraer el componente de tendencia de la temperatura superficial y revelar la tendencia de cambio a largo plazo de la temperatura superficial; La estimación de la pendiente Theil - sen y la prueba Mann - Kendall se aplican a la secuencia original de temperatura superficial y el componente del elemento de tendencia para probar la tendencia de cambio dinámico de los incendios de carbón y su importancia, respectivamente; Calcular el promedio, la desviación estándar y la diferencia extrema del componente de tendencia por píxeles, y tomar el promedio y la diferencia extrema como factores clave para determinar la zona potencial de incendios de carbón. Finalmente, se aplica el algoritmo ransac para procesar el componente de tendencia, que estima los parámetros de ajuste óptimo con datos anormales, eliminando efectivamente la interferencia de los valores anormales y se utiliza para detectar la temperatura de fondo; Comparando el valor de tendencia y la línea de ajuste (temperatura de fondo), cuando el valor de tendencia es mayor que la línea de ajuste, se puede juzgar preliminarmente que puede ocurrir una actividad de fuego de carbón, y se combina con los datos de campo para calibrar y verificar para analizar el ciclo de evolución del fuego de carbón.
figure

Fig.2 Technique flow chart

3.1 adquisición de la temperatura de la superficie

La calibración de radiación se realiza a través de la plataforma Gee Cloud para convertir el valor de brillo original DN (número digital) de la imagen en el brillo de radiación de la atmósfera superior Toa (top of Atmosphere radio), utilizando el modelo de corrección atmosférica para calcular el brillo de radiación Toa y calcular la temperatura atmosférica y la transmisión de radiación, de acuerdo con la Ley del Cuerpo negro de planck, combinada con los datos de banda infrarroja térmica de Landsat para invertir la temperatura superficial.Ermida等(2020)El Código de código abierto proporcionado proporciona un importante soporte técnico para invertir la temperatura de la superficie terrestre utilizando imágenes de la serie landsat. El Código es adecuado para el monitoreo dinámico a largo plazo de incendios de carbón, asegurando la consistencia y precisión de los datos llamando al método de interposición de doble triple de resampleo ('bicubic') en la plataforma Gee Cloud para obtener datos de la serie landsat.
Este método se basa en la relación empírica entre el brillo de radiación Toa y lst, y construye el siguiente modelo de regresión lineal simple:
En la fórmula, " T sub > B es la temperatura de brillo Toa del Canal tir, y Epsilon es la tasa de emisión superficial del mismo canal; Los coeficientes a i i B i i y C i i i > se determinan por una regresión lineal simulada por transferencia de radiación y se han obtenido a través de conjuntos de datos de temperaturas, vapor de agua y perfiles de ozono. segúnErmida等(2020)A partir de 12 estaciones obtenidas de las redes surfrad, BSRN y kit, el LST in situ evalúa la calidad del LST invertido por landsat. Landsat 5、 La precisión general de 7 y 8 es de 0,5 k, - 0,1 K y 0,2 k, respectivamente, y la rmse general es de 2,0 k, 2,1 K y 2,1 k, respectivamente.

3.2 descomposición temporal STL

Los datos de temperatura de la superficie suelen ser series temporales aleatorias, compuestas por tendencias a largo plazo, cambios estacionales y fluctuaciones aleatorias, que descomponen los datos de temperatura de la superficie en series STL para extraer componentes de tendencia y revelar tendencias no lineales en los datos.He等,2022). El núcleo de la descomposición STL es un proceso de suavización iterativa de ciclos internos y externos basado en loess, que procesa datos de series temporales con patrones estacionales irregulares y valores faltantes, es robusto al procesamiento de puntos anormales y no produce aliasing modal ni efectos de frontera. Al ajustar parámetros como el ciclo, la longitud del Suavizador de tendencias y la longitud del suavizador estacional, se adapta con flexibilidad a las características de los datos de temperatura de la superficie, especialmente en el monitoreo de incendios de carbón a largo plazo y a gran escala.Chen等,2022V;Mujawdiya等,2024).
Cleveland等(1990)El año pasado se propuso un algoritmo de descomposición stl, basado en la Biblioteca de descomposición de tendencias estacionales "stldecompose" desarrollada por python, que proporciona una forma flexible y poderosa para desmontar los componentes de tendencia, temporada y residuos en los datos en grandes cantidades de datos complejos.Chen等,2022). Este estudio utiliza el lenguaje python para analizar los datos originales de la temperatura de la superficie en el área de investigación y establecer la longitud del ciclo estacional en 46; Para suavizar los términos de tendencia, temporada y residuos sin temblores en zigzag, la proporción de ventanas lisas de regresión local se establece en 0,12, lo que indica que las ventanas lisas son de unos tres años; El tamaño de la ventana del filtro de paso bajo se establece por defecto en 0,01.

3.3 análisis de la tendencia de la evolución de los incendios de carbón

3.3.1 estimación de la pendiente de Theil - sen

La estimación de la pendiente de Theil - Sen es un método de regresión lineal sólido propuesto por Henri Theil y Pranab sen..Aditya等,2021), adecuado para el ajuste lineal con valores anormales, ampliamente utilizado en geología, meteorología y otros campos. Este método es adecuado para el análisis de tendencias de datos de series temporales de largo período calculando la pendiente entre todos los pares de puntos de datos en las series temporales y tomando la mediana como la tendencia general de los cambios en las series temporales, y puede manejar eficazmente el ruido de valores atípicos y ausentes. Su fórmula de cálculo es la siguiente:
En la fórmula, median () es una función mediana, 1 J i n, J i y es una secuencia temporal, y x J i y x i i es una secuencia temporal J y es una secuencia temporal. beta es la pendiente de tendencia de todos los datos, y beta 0 muestra una tendencia al alza en las series temporales, y beta 0 indica una tendencia a la baja en las series temporales.

3.3.2 inspección Mann - Kendall

La prueba de tendencias Mann - Kendall es un método estadístico no paramétrico recomendado por la Organización Meteorológica Mundial en estudios meteorológicos..Kendall,1975V;赵轶琳 等,2025) se utiliza para probar la tendencia y la significación de las series temporales de largo período. En comparación con otros métodos de prueba de parámetros, la prueba Mann - Kendall no depende de la hipótesis de distribución normal de los datos, tiene una fuerte robustez a los valores anormales y es adecuada para la prueba de visibilidad de tendencia de series temporales largas. Entre ellos, las variables estadísticas de prueba s la variación VAR ( s y las estadísticas estandarizadas Z se calculan de la siguiente manera:
En la fórmula, los datos de x sub > J < B > i > Xi series temporales J i y k & lt; j。 En la prueba de tendencia bilateral, se selecciona el nivel de significación alfa como 0,05, si la estadística, por su parte, rechaza la hipótesis original de que hay una tendencia significativa al alza o a la baja en la secuencia de temperatura superficial en el nivel de confianza alfa o; Si Z & gt; 0, entonces la secuencia aumentó significativamente; Si Z & lt; 0, entonces la secuencia disminuyó significativamente; De lo contrario, la secuencia de inferencia no tiene cambios significativos en la tendencia.

3.3.3 algoritmos ransac

El algoritmo ransac define el número máximo de soportes para buscar la mejor coincidencia, puede detectar y eliminar la interferencia de datos anormales, obtener los mejores parámetros del modelo y compensar las deficiencias de algoritmos de estimación clásicos como los mínimos cuadrados.Cheng和Lai,2009V;宋卫艳,2011); Este estudio considera que la temperatura de la superficie cambia menos en una región durante mucho tiempo, y la ocurrencia de incendios de carbón es Anormal. el ajuste de la temperatura de fondo inicial con el algoritmo ransac puede manejar eficazmente una gran cantidad de ruido y valores anormales en el conjunto de datos, ajustar una temperatura de fondo inicial más real, comparar los valores de ajuste con el componente de tendencia de la temperatura de la superficie y la actividad de incendios de carbón puede ocurrir cuando se supera el umbral.
Sus pasos específicos se pueden consultar en la literatura relevante..戴卫华 等,2021V;Chen等,2022). Para las características de los datos de temperatura superficial del área de investigación, el tamaño de la muestra del algoritmo ransac se establece en 2 y la distancia máxima permitida del punto interior se establece en 1. Al mismo tiempo, el algoritmo ransac de este estudio asume que la temperatura de fondo sin incendio es constante y constante, y impone ciertas restricciones a la línea de ajuste para adaptarse a las características cambiantes de la temperatura superficial.

4 resultados y análisis

4.1 análisis de tendencias antes y después de la descomposición STL de la secuencia de temperatura superficial

Después de la investigación de campo preliminar y los resultados de la investigación existente..邓进昌,2023V;Liu等,2019), los atributos de la categoría de características de la imagen se definen como cinco tipos: suelo, mina de carbón, vegetación, edificios y roca desnuda. Basado en la plataforma Gee cloud, se utiliza un algoritmo forestal aleatorio para clasificar las características de la tierra, y se utilizan diferentes valoraciones para exportar los resultados de la clasificación de imágenes, con una precisión general del 81% y una precisión de Kappa del 0,73%. la precisión de clasificación en este estudio satisface las necesidades para evaluar el patrón de cobertura de la Tierra en el área de investigación y analizar los cambios en la temperatura de la superficie. comoFig. 3Se muestra que, de acuerdo con la comparación manual de todas las imágenes LST invertidas en un año de clasificación de tierras, se encontró que las áreas de alta temperatura en el área de investigación no solo se concentran en las áreas de fuego de los campos de carbón, sino que también se distribuyen ampliamente en gobi, arena, zonas residenciales e industriales en las áreas no incendiarias; comoFig. 3Se ha visto que las zonas de baja temperatura en abril de 2021 se encuentran principalmente cerca de tierras agrícolas y ríos, y la temperatura de la superficie de las zonas no incendiarias en las zonas de incendios de carbón es básicamente la misma que las características de las zonas no incendiarias. Por lo tanto, la temperatura de la superficie de la zona de fuego no de carbón se puede utilizar como representante de la zona de fuego no de carbón, calcular la temperatura media de la superficie de la zona de fuego no de carbón en 776 imágenes, construir una serie temporal de temperatura de la superficie de la zona de fuego no de carbón y descomponer la secuencia temporal stl. los resultados se muestran enFig. 4Se puede ver que la secuencia de temperatura superficial a escala anual en las zonas no incendiarias del área de investigación tiene fluctuaciones estacionales significativas, la regularidad de los cambios estacionales es fuerte y el modo de fluctuación anual es similar; El conjunto de los elementos de tendencia muestra una ligera tendencia al alza, y el período intermedio es relativamente estable, en comparación con康紫薇等(2022)El estudio encontró que las características de los cambios espacio - temporales de la temperatura superficial en Xinjiang son consistentes, y la mayoría de las áreas de Xinjiang han mostrado una tendencia de calentamiento en los últimos 20 años. Las fluctuaciones de los residuos son pequeñas y no hay leyes obvias, lo que indica que el modelo capta efectivamente las tendencias y los componentes estacionales de los datos..Fig. 4).
figure
figure
figure

Fig. 3 Land classification characteristics and surface temperature distribution in the study area in 2021

figure
figure
figure
figure

Fig. 4 Referring to the STL decomposition results of LST time series from 1998 to 2023 in non-coal fire area

La secuencia original y la secuencia de elementos de tendencia se calcularon utilizando el cálculo de la pendiente Theil - sen y la prueba de significación Mann - kendall, respectivamente, para analizar exhaustivamente los cambios de tendencia en cada región. los resultados se muestran enFig. 5. Se puede ver que los valores positivos y negativos de la pendiente de tendencia indican el crecimiento o la disminución de la tendencia, cuanto mayor sea el valor de la pendiente, más rápido cambiará la tendencia, marcando las áreas que han pasado la prueba de visibilidad con líneas oblicuas de sombra ( alfa i > & lt; 0,05); La mayoría de las pendientes de Theil - sen de las dos secuencias son positivas y pequeñas, lo que indica que la temperatura de la superficie aumenta lentamente con el tiempo; La secuencia original del rango regional no significativo es mayor que la secuencia del elemento de tendencia, pero el rango regional no significativo en la secuencia del elemento de tendencia está más en línea con las áreas residenciales, industriales y otras áreas. Además, la tendencia de la secuencia original aumenta (o no hay tendencia) en algunas regiones, pero la tendencia de la secuencia del término de tendencia disminuye (o crece), lo que indica que la secuencia original está más perturbada por una combinación de estacionalidad y aleatoriedad..Fig. 5).
figure
figure
figure

Fig.5 The trend distribution map of LST before and after STL decomposition in the study area from 1998 to 2023

4.2 identificación de la zona de incendios de carbón

Se realiza un muestreo escaso en el área de investigación y se obtiene el componente de tendencia de 200 puntos.Fig. 6) La mayoría de ellos muestran una tendencia de crecimiento oscilante o lento, similar a los términos de tendencia de las zonas no incendiarias de carbón, que pueden verse afectados por factores climáticos o valores anormales. Restar el peso de 200 tendencias de las zonas no incendiarias de carbón..Fig. 6Después de eso, la tendencia común obtenida se ha ralentizado significativamente.Fig. 6), la mayoría de las secuencias se mantienen estables durante mucho tiempo, lo que indica que estas posiciones pueden estar en áreas no incendiarias; Si la tendencia cambia significativamente, el píxel puede estar en la zona de fuego de carbón.
figure
figure
figure

Fig. 6 Analysis chart of LST trend term in the study area from 1998 to 2023

Después de restar el peso del elemento de tendencia en la zona de fuego no de carbón, se calculan el promedio, la desviación estándar y el valor de diferencia extrema del peso del elemento de tendencia por píxel.Fig. 7). ComparaciónFig. 3Los resultados de los tipos de tierras en el Medio muestran que, además de los valores medios más bajos de las zonas agrícolas, los valores medios de las zonas productoras de carbón y las zonas de tratamiento de los yacimientos de carbón son más altos, lo que indica que estas zonas pueden haber experimentado incendios de carbón, en lugar de la producción autoindustrial energética de alto valor de las zonas de incendios de carbón, factores climáticos, etc.Fig. 7). Desviación estándar..Fig. 7) y extremadamente pobre..Fig. 7Los valores altos se concentran principalmente en las zonas de producción de minas de carbón, las zonas de tratamiento de yacimientos de carbón y las zonas industriales, con una distribución espacial similar y básicamente coincidentes con las zonas de alto valor. Los cambios en la desviación estándar pueden estar relacionados con el tipo de cubierta terrestre y las oscilaciones de temperatura superficial, mientras que los diferenciales extremos se ven más afectados por los cambios dinámicos de los incendios de carbón. Por lo tanto, este estudio toma el promedio y el rango como los principales indicadores para determinar la ocurrencia de incendios de carbón.
figure
figure
figure
figure

Fig.7 The trend distribution of LST in the study area from 1998 to 2023

Fig. 7Se identificó el rango de incendios de carbón en el área de investigación de 1998 a 2023. en comparación con los 20 puntos de combustión encontrados en el sitio en 2016, 16 puntos cayeron en áreas con valores altos y extremos superiores a 5 grados Celsius de la media, lo que indica que la temperatura de la superficie en esta área ha cambiado significativamente Durante un cierto período de tiempo. Los incendios de carbón se distribuyen principalmente en las zonas de incendio de sandaoba (zona a), los depósitos de carbón (zona d) y las minas de carbón de zhiqiang (zona e y zona f). Entre ellos, la actividad de incendios de carbón en la mina de carbón de zhiqiang es más grave, distribuida en bandas, y algunas áreas están conectadas; El rango de valores extremos de la zona de incendio de sandaoba es pequeño, lo que indica que el efecto de las obras de extinción de incendios iniciadas en 2017 es significativo, los incendios de carbón poco profundos están cerca de extinguirse y las anomalías de temperatura superficial ya no son significativas. Al mismo tiempo, los píxeles de la región de alto valor coinciden en su mayoría con la región de disminución significativa de los términos de tendencia después de la descomposición temporal stl, lo que indica que los incendios de carbón ocurren en etapas tempranas o tardías. En consecuencia, se seleccionaron 16 puntos de alta temperatura en el suelo (y1 - y16) para probar este método de investigación y verificar el ciclo de combustión de incendios de carbón.
comoFig. 8Se muestra que el período de evolución de la combustión de carbón se juzga ajustando el componente del término de tendencia de 16 puntos de alta temperatura en el suelo a través del algoritmo ransac. Valor extremo del componente de tendencia de la zona no incendiaria con referencia menos el valor de fondo..Fig. 7) su temperatura media es de 3,05 ° c, y se puede considerar que el error de temperatura es de unos 3 ° c, por lo que el rango umbral de la temperatura de la superficie de fondo se establece en ± 1,5 ° c. El peso del término de tendencia y la línea de ajuste calculada por el algoritmo ransac muestran que cuando el valor de tendencia supera el umbral de ± 1,5 ° c, el rojo indica una posible actividad de fuego de carbón, mientras que el azul indica que no hay actividad obvia de fuego de carbón.
figure

Fig.8 The trend component diagram of time series of 16 ground high temperature points (Y1—Y16) in the study area

4.3 análisis de la evolución de los incendios de carbón

Para verificar la fiabilidad del método propuesto, se utilizan los datos de los puntos de ocurrencia de incendios de carbón investigados in situ en 2016 y los datos de los agujeros de observación instalados en las obras de extinción de incendios de 2017 a 2021, comoFig. 9Cada línea rota en él representa el proceso de cambio de temperatura del agujero de observación desde el principio hasta septiembre de 2021. CombinarFig. 8Análisis del ciclo de combustión de incendios de carbón, resultados comoTable 1Se muestra que Y1 - y6 se encuentra en la zona de incendio de sandaoba (zona a), y el ciclo de combustión de incendios de carbón detectado es básicamente consistente con los resultados de la investigación in situ, y el fuego se ha debilitado gradualmente desde 2021, lo que coincide con el tiempo de tratamiento; Y6 fue la primera zona de combustión, con una tendencia al alza de la temperatura desde 1998, alcanzando su punto máximo en 2005 y apagando gradualmente el fuego después de 2010. actualmente, la temperatura en esta zona es anormalmente alta debido a los pozos profundos formados después de la minería a cielo abierto.
figure

Fig. 9 Temperature variations of 152 monitoring boreholes in the Sandaoba coal fire area from 2017 to 2021

Table1 Statistical table of coal fire evolution analysis in the study area

功能分区高温点RANSAC算法检测煤火燃烧周期调研结果变化原因分析
A(三道坝火区)Y12007年—2010年、2013年—2018年1998年井下发火,2003年蔓延至地表,2017年开始治理,温度整体呈下降趋势,2021年治理完毕Y6是最早的发火位置,2005年到达峰值,2010年火势熄灭,时间的推移煤火开始沿着煤层向东北方向发展,整体自2021年后火势逐步减弱
Y22016年—2020年
Y32016年—2020年
Y42016年—2020年
Y52011年—2012年
Y61998年—2010年
B(三源煤矿)Y72008年—2020年2016年后开始治理2016年以前趋势值为正值且接近初始值,表明煤火反复,这与煤场开采和煤火治理密切相关
C和D(储煤场)Y82011年—2013年2016年—2018年2016年全区停产,后续又继续投产储煤场煤火零星分布,跟煤矿开采密切相关,可以发现继续投产后Y8、Y10趋势明显上升
Y92011年—2013年
Y102011年—2023年
E与F(志强煤矿)Y112012年—2023年目前属于无人治理状态该部分煤火整体呈西南—东北走向、条带状分布,部分连成片,E区最为严重,高温点持续时间长,2022年以后呈下降趋势
Y122015年—2023年
Y132011年—2023年
Y142000年—2005年
Y152018年、2020年
Y162015年—2022年
Y7 pertenece a la mina de carbón de Sanyuan (zona b). el valor de tendencia antes de 2016 es positivo y está cerca del valor de fondo inicial, lo que indica que los incendios se repiten, lo que está estrechamente relacionado con la minería de carbón y el control de incendios de carbón. con el aumento del control después de 2016, los incendios de carbón desaparecerán gradualmente en 2020. Y8 - Y10 se encuentra en los depósitos de carbón (zonas C y d). los incendios de carbón se distribuyen esporádicamente. después de la suspensión de la producción en toda la región en 2016, el valor de tendencia mostró una tendencia a la baja y el fuego se debilitó, pero después de la reanudación posterior de la producción, el valor de tendencia aumentó y apareció un incendio.
Y11 - y16 pertenece a la mina de carbón de zhiqiang (zonas e y f), que es una zona de extracción de carbón a cielo abierto. actualmente se encuentra en un Estado no controlado. el conjunto de incendios de carbón se distribuye en bandas de suroeste a noreste, y algunos están conectados. entre ellos, el fuego de carbón en la zona e es el más grave, el fuego de carbón dura más tiempo y la ubicación central de alta temperatura es relativamente estable. en la actualidad, el conjunto muestra una tendencia a la baja.
Los algoritmos STL y ransac pueden separar eficazmente las características de los incendios de carbón en diferentes escalas temporales, identificar las leyes cíclicas y los cambios de tendencia en la evolución de los incendios de carbón, y aliviar el impacto de las condiciones geológicas, la cubierta terrestre y los efectos atmosféricos en las imágenes de satélites terrestres, proporcionando una capacidad de identificación más precisa para el monitoreo dinámico de los incendios de carbón. El algoritmo ransac identifica y elimina eficazmente los valores anormales en los datos a través del método de consistencia de muestreo aleatorio, mejora aún más la robustez y precisión de ajuste del modelo, hace que los resultados de predicción sean básicamente consistentes con los datos medidos y proporciona un soporte técnico más confiable para el monitoreo y alerta temprana de incendios de carbón.

5 discusión

La formación de incendios de carbón está estrechamente relacionada con la estructura geológica, las condiciones de almacenamiento de carbón y otros factores. La serie temporal de largo período de temperatura superficial puede reflejar las diferentes etapas del fuego de carbón, en comparación con los datos discretos de temperatura superficial, puede reflejar con mayor precisión las diferentes etapas del fuego de carbón y proporcionar un tiempo más detallado de ocurrencia del fuego de carbón y la tendencia del fuego. El monitoreo y análisis a largo plazo de la temperatura de la superficie puede detectar oportunamente las áreas de aumento anormal de la temperatura de la superficie y realizar la alerta temprana de incendios de carbón. Predecir el valor de la temperatura de la superficie de fondo de cada píxel puede agregar el componente estacional descompuesto a la línea de ajuste para la predicción. Al obtener nuevas imágenes de teledetección, se compara el valor real de la temperatura de la superficie con el valor de predicción. si el valor real de la temperatura de la superficie es mucho mayor que el valor de predicción, es probable que el píxel sea un píxel de fuego de carbón. Este método también se puede aplicar a otros datos estacionales de teleobservación, como el índice de vegetación normalizado, para mejorar aún más la precisión de la identificación de incendios de carbón.
En la fuente de datos y el enlace de preprocesamiento, este estudio solo se basa en los datos de Landsat tir, la falta parcial de datos de Landsat 7 y el problema de la banda de imagen en los datos de Landsat 8 tirs pueden afectar la precisión y fiabilidad de los resultados. En una determinada zona, la ocurrencia de un incendio de carbón solo dura un período de tiempo o se vuelve a encender espontáneamente después de un período de ocurrencia. en la mayoría de los casos, se considera que no se quema y es básicamente consistente con el valor de fondo. cuando se ajusta el valor de fondo inicial con el algoritmo ransac, la ocurrencia de un incendio de carbón es un valor anormal, eliminando el valor anormal, para que el valor adecuado esté más cerca de la temperatura real de la superficie. En comparación con el valor de fondo inicial ajustado y el valor del componente del elemento de tendencia, puede ocurrir actividad de incendios de carbón por encima del rango umbral. Cuando el rango de actividad del fuego de carbón es grande, el ajuste del valor de fondo puede verse afectado, y el algoritmo Se optimizará aún más en el futuro para mejorar la precisión del ajuste en combinación con otros tipos de topografía y vegetación. Además, los datos de campo deben estar lo más cerca posible de la posición del píxel, de lo contrario afectará la precisión de la verificación. En la actualidad, el establecimiento del umbral de fondo solo se refiere a la temperatura media de la zona de fuego no de carbón circundante, sin tener plenamente en cuenta el impacto potencial del hundimiento del suelo y otros factores en la distribución de la temperatura, lo que puede conducir a un juicio erróneo o omitido de la zona de fuego de carbón.
Cuando la serie temporal de temperatura de la superficie se descompone en la secuencia temporal stl, se establece la longitud estacional adecuada de acuerdo con el período en la secuencia de observación para descomponer la Ley de cambio estacional de la serie temporal original; Solo depurando de acuerdo con las diferentes cantidades de datos de imagen originales, controlando la proporción de datos al ajustar la regresión de loess, haciendo que los términos de tendencia, los términos estacionales y los términos residuales sean más suaves, sin temblores en zigzag, y los términos residuales fluctúen poco y sin leyes cíclicas obvias, podemos capturar eficazmente la tendencia y la composición estacional de los datos.
En el futuro, se puede combinar la fusión de datos de múltiples fuentes, como landsat, MODIS y sentinel, para mejorar la resolución espacio - temporal y la fiabilidad de los datos; Se utilizan algoritmos de reparación de imágenes, fusión de imágenes y otras tecnologías para reducir el impacto de la falta de datos y los problemas de banda. A través de estas mejoras, se mejora aún más la precisión y fiabilidad de la identificación y monitoreo de incendios de carbón y se proporciona un apoyo más fuerte para la alerta temprana y el control de incendios en los campos de carbón.

6 Conclusiones

Tomando como ejemplo la zona de incendio de sandaoba en miquan, xinjiang, este estudio construyó un método para identificar y monitorear incendios de carbón continuos a largo plazo. basado en imágenes satelitales de la serie Landsat y la plataforma en la nube gee, se obtuvieron 776 imágenes sin nubes de alta calidad durante un total de 26 años de 1998 a 2023. se construyó una serie temporal de largo período de temperatura superficial de las imágenes landsat. después de la descomposición de la secuencia temporal STL y el análisis de tendencias como la estimación de la pendiente Theil - sen y la prueba Mann - kendall, se verificó la tendencia de cambio dinámico a largo plazo y la visibilidad de los incendios de carbón. Las principales conclusiones son las siguientes: calcular el peso del elemento de tendencia de la temperatura superficial para determinar el alcance de los incendios de carbón en la zona de investigación de 1998 a 2023, principalmente en la zona de incendios de sandaoba, el campo de almacenamiento de carbón y la mina de carbón de zhiqiang, la actividad de incendios de carbón en la mina de carbón de zhiqiang es más grave; Después de que el tratamiento de la zona de fuego de sandaoba comenzó en 2017, el fuego se debilitó gradualmente después de 2021, los incendios de carbón poco profundos se acercaron a extinguirse y la temperatura superficial anormal ya no fue significativa. El proceso de evolución de los incendios de carbón de 1998 a 2023 se juzgó con el algoritmo ransac, que es básicamente consistente con los resultados de la investigación in situ. Este método tiene ventajas obvias para identificar el proceso de evolución dinámica de los incendios de carbón y proporciona una referencia importante para resumir las leyes cíclicas de la combustión de incendios de carbón y guiar el monitoreo y control de incendios de carbón en el futuro. En la investigación de seguimiento, se puede integrar la tecnología de teleobservación infrarroja térmica y monitoreo de deformación superficial, combinada con múltiples tipos de información característica, como los resultados de anomalías térmicas regionales, para mejorar aún más la fiabilidad del monitoreo de incendios de carbón.

References

  1. 1.
    Aditya F, Gusmayanti E and Sudrajat J. 2021. Rainfall trend analysis using Mann-Kendall and Sen's slope estimator test in West Kalimantan. IOP Conference Series: Earth and Environmental Science, 893(1): 012006
  2. 2.
    Chen X, Peng J H, Song Z Y, Zheng Y Z and Zhang B Y. 2022. Monitoring persistent coal fire using Landsat time series data from 1986 to 2020. IEEE Transactions on Geoscience and Remote Sensing, 60: 5001616
  3. 3.
    Cheng C M and Lai S H. 2009. A consensus sampling technique for fast and robust model fitting. Pattern Recognition, 42(7): 1318-1329
  4. 4.
    Cleveland R B, Cleveland W S, McRae J E and Terpernning I. 1990. STL: a seasonal-trend decomposition procedure based on loess. Journal of Official Statistics, 6(1): 3-73
  5. 5.
    Dai W H, Liu S C, Zhao S, Peng H, Zhang H, Huang Z G and Li X L. 2021. Improved random sampling consensus algorithm using local pixel matching. Journal of National University of Defense Technology, 43(4): 38-43
  6. 6.
    Deng J, Bai Z J, Xiao Y and Song Z Y. 2020. Present situation and challenge of coal spontaneous combustion disasters prevention and control technology. Safety in Coal Mines, 51(10): 118-125
  7. 7.
    Deng J, Li B, Wang K and Wang C P. 2016. Research status and outlook on prevention and control technology of coal fire disaster in China. Coal Science and Technology, 44(10): 1-7, 101
  8. 8.
    Deng J, Wang J R, Ren S J, Wang C P, Qu G Y and Ma L. 2024. Identification and detection technology for high-temperature spontaneous combustion points in goaf areas. Journal of China Coal Society, 49(2): 885-901
  9. 9.
    Deng J C. 2023. Thermal Infrared Remote Sensing Inversion and the Characteristics of Typical Pollutant Emissions from Coalfield Fires. Xuzhou: China University of Mining and Technology: 32-40
  10. 10.
    Ermida S L, Soares P, Mantas V, Göttsche F M and Trigo I F. 2020. Google earth engine open-source code for land surface temperature estimation from the Landsat series. Remote Sensing, 12(9): 1471
  11. 11.
    Fischler M A and Bolles R C. 1981. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM, 24(6): 381-395
  12. 12.
    Gu H T. 2023. Detection Method of Spatio-temporal Temperature Anomalies and Application in Coal Fire Area. Xuzhou: China University of Mining and Technology: 68-80
  13. 13.
    Guo Y C. 2021. Research and Application of Detection and Comprehensive Control Methodology of Sandaoba Coal Fire Area in Miquan, Xinjiang. Xuzhou: China University of Mining and Technology: 5-9
  14. 14.
    He R F, Zhang L M and Chew A W Z. 2022. Modeling and predicting rainfall time series using seasonal-trend decomposition and machine learning. Knowledge-Based Systems, 251: 109125
  15. 15.
    Hu D Y, Qiao K, Wang X L, Zhao L M and Ji G H. 2015. Land surface temperature retrieval from Landsat 8 thermal infrared data using mono-window algorithm. Journal of Remote Sensing (in Chinese), 19(6): 964-976
  16. 16.
    Ji H L. 2012. Application of Multi-Scale Thermal Infrared Remote Sensing Data in Coalfield Fire Area Information Extraction. Urumqi: Xinjiang University: 23-36
  17. 17.
    Kang Z W, Zhang Z Y, Liu L, Wang T X, Tian H, Chen H J and Zhang X Y. 2022. Spatio-temporal variation characteristics of land surface temperature in Xinjiang based on MODIS. Geographical Research, 41(4): 997-1017
  18. 18.
    Kendall M G. 1975. Rank Correlation Methods. 4th ed. London: Griffin.
  19. 19.
    Kuenzer C, Zhang J, Li J, Voigt S, Mehl H and Wagner W. 2007. Detecting unknown coal fires: synergy of automated coal fire risk area delineation and improved thermal anomaly extraction. International Journal of Remote Sensing, 28(20): 4561-4585
  20. 20.
    Li Y Y, Wang C J, Lei S G and Guo Y N. 2021. Detection and impact analysis of land surface temperature abrupt change in Shendong mining area based on BFAST algorithm. Journal of Henan Polytechnic University (Natural Science), 40(6): 92-100
  21. 21.
    Liu J L, Wang Y J, Li Y, Dang L B, Liu X X, Zhao H F and Yan S Y. 2019. Underground coal fires identification and monitoring using time-series InSAR with persistent and distributed scatterers: a case study of Miquan coal fire zone in Xinjiang, China. IEEE Access, 7: 164492-164506
  22. 22.
    Liu L and Zhou F B. 2010. A comprehensive hazard evaluation system for spontaneous combustion of coal in underground mining. International Journal of Coal Geology, 82(1/2): 27-36
  23. 23.
    Mateo-García G, Gómez-Chova L, Amorós-López J, Muñoz-Marí J and Camps-Valls G. 2018. Multitemporal cloud masking in the Google earth engine. Remote Sensing, 10(7): 1079
  24. 24.
    Mujawdiya R, Chatterjee R S and Kumar D. 2024. A time series decomposition approach to detect coal fires in parts of the Gondwana coalfields of India from VIIRS data. Journal of Spatial Science, 69(1): 121-136
  25. 25.
    Prakash A, Gupta R P and Saraf A K. 1997. A Landsat TM based comparative study of surface and subsurface fires in the Jharia coalfield, India. International Journal of Remote Sensing, 18(11): 2463-2469
  26. 26.
    Song W Y. 2011. Algorithm of RANSAC and its Application in Remote Sensing Image Processing. Beijing: North China Electric Power University: 37-38
  27. 27.
    Syed T H, Riyas M J and Kuenzer C. 2018. Remote sensing of coal fires in India: a review. Earth-Science Reviews, 187: 338-355
  28. 28.
    Wang Y J, Yuan G, Wang T, Liu J L, Zhao F, Feng H, Dang L B, Peng K and Zhang L X. 2022. Research on multi-source remote sensing detection of concealed fire sources in coalfields. Geomatics and Information Science of Wuhan University, 47(10): 1651-1661
  29. 29.
    Wu J J, Jiang W G, Liu X C, Gu L and Li J H. 2009. Innovative technologies for exploration, monitoring and extinction of underground coal fires. Journal of China Coal Society, 34(12): 1669-1674
  30. 30.
    Yu H, Zhang H L, Zhang Z Y, Shao Z L, Zhao H F and Yan S Y. 2024. Multi-source remote sensing identification of underground coal fires based on the fusion of surface temperature and deformation. Coal Science and Technology, 52(7): 139-147
  31. 31.
    Zhang Z M, Jiang L M, Liu L and Wang H S. 2018. Detecting the underground coal fire by using Landsat thermal infrared imagery—taking Wuda coalfield as an example. Bulletin of Surveying and Mapping, (3): 93-97
  32. 32.
    Zhao Y L, Liu W F, Li Z, Xu Z X, Yang K and Wu D F. 2025. Analyses of the evolution and influencing factors of natural runoff in China based on STL decomposition. Journal of Hydraulic Engineering, 56(2): 216-226, 239

Leer el texto completo

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website