通过卫星系统自动探测地球表面的火点和例如云、薄雾、尘雾或类似的大气现象

摘要

本发明公开了一种通过卫星系统自动探测地球表面上火点的方法，包括：通过多光谱卫星传感器的方式在不同时间获取地球的多光谱图像，每个多光谱图像是各个与各自波长(λ)相关的单光谱图像的集合，并且每个单光谱图像由各个指示来自地球各个区域的光谱辐射亮度(R

说明书

本申请是申请日为2007年7月27日、申请号为200780034841.2、发明名称为“通过卫星系统自动探测地球表面上火点的方法”的专利申请的分案申请。 

技术领域

本发明涉及通过卫星系统自动探测地球表面的火点和例如云、薄雾、尘雾或类似的大气现象，更特别地通过利用地球同步卫星或极轨卫星系统的多光谱传感器获得的多光谱数据自动探测地球表面的火点和例如云、薄雾、尘雾或类似的大气现象。 

背景技术

公知，多光谱图像为通过遥感辐射计获得的图像，每个辐射计获得可视光谱的小波段区域的数字图像(称为场景，以遥感的方式)，从0.4μm到0.7μm称为红-绿-蓝(RGB)区域，从0.7μm到10μm或者更大的称为红外波长，分类为NIR(近红外)、MIR(中红外)、FIR(远红外)或TIR(热红外)。因此，多光谱图像为相同场景的几个单光谱(单波段或单色)图像的集合，通过对不同波长敏感的传感器获得每个单光谱图像。 

基于阈值标准和上下文算法的不同的火点探测技术已经被开发并用于多光谱极轨传感器，并且在最近几年中被用于地球同步传感器。对于这些技术的详细讨论，例如可以参考Kaufman，Y.J.，Justice，C.O.，Flynn，L.P.Kendal，J.D.，Prins，E.M.，Giglio，L.Ward，D.E.Menzel，W.P.和Setzer，A.W.，1998，从EOS-MODIS监测潜在的全球火点，地球物理学研究杂志，103，32215-32238，和Giglio，L.，Descloitre， J.，Justice，C.O.&Kaufman，Y.J.(2003)，一种对MODIS的改进上下文火点探测算法，Rem.Sen.环境，87：273-282。 

极轨卫星上的多光谱传感器具有相对较高的空间分辨率，但是由于极轨卫星的重访时间很长，即使联合所有现存的多光谱极轨传感器，也不能达到有效的火点探测目的所需要的及时性。相反，多光谱地球同步传感器提供非常频繁的获取，例如，MSG SEVIRI(旋转增强可见光和红外成像仪)传感器每15分钟采集一次，然而多光谱地球同步传感器具有较低的空间分辨率(对于红外通道为3×3km²及以上)，这样会导致小的火点无法被探测到。 

为了克服空间分辨率的限制，E.Cisbani，A.Bartoloni，M.Marchese，G.Elisei，A.Salvati，基于地球同步和极轨卫星的多瞬间图像的早期火点探测系统，IGARSS 2002，Toronto，2002，和Calle，A.，Casanova，J.L.，Moclan，C.，Romo，A.J.，Costantini，M.，Cisbani，E.，Zavagli，M.，Greco，B.，利用MSG/SEVIRI和MODIS传感器进行森林火探测和监测的最新算法和科学发展，IEEE，2005，118-123，最近提出了一种利用地球同步传感器数据进行子像素火点探测的基于物理模型的方法。 

特别地，提出了一种对辐射现象特征化的解析的辐射传输模型(RTM)，确定传感器探测到的能量，用对于在近红外线(NIR)、中红外线(MIR)和热红外线(TIR)光谱范围内的大气透明窗口中的每个波段λ的辐射亮度R_λ(W/m²/sr/μm)来表示。如图1(a)所示，由远程卫星传感器收集的辐射亮度R_λ是由地面反射的太阳辐射亮度R_S，λ、大气热辐射亮度R_A，λ(上升流和下降流部分)和最后的地面热发射的总和。给定背景温度T_B、地球表面发射率ε_λ以及地球表面和传感器之间的大气透射率τ_λ，RTM能够表达为： 

R_λ＝ε_λτ_λB_λ(T_B)+R_A；λ+R_S；λ         (1) 

其中，B_λ(T)为在温度T和波长λ时的普朗克黑体辐射。也可以利用其他RTM模型。 

根据C.C.Borel，W.B.Clodius，J.J.Szymanski和J.P.Theiler，利用一次或多次观测为高分辨率、多光谱热传感器比较强健的(robust)和基于物理的海平面温度反演，SPIE′99会议，3717-09，对于在NIR和TIR区域的大气窗口中的透射率τ_λ的主要贡献来自大气水蒸汽成分，并且透射率和水蒸汽之间的关系能够通过下面的表达式非常适当地参数化： 

${\tau }_{\lambda }=(W,\theta )=\exp (-[\frac{A_{\lambda }}{\cos \theta }+B_{\lambda }{\left(\frac{W}{\cos \theta }\right)}^{C_{\lambda }}\left]\right)---\left(2\right)$

其中，W为沿着到/从所检查的像素结束/开始的并具有天顶角θ的路径上的总体水蒸汽。参数A_λ、B_λ和C_λ取决于(至少)波长λ并且可以通过几次MODTRAN(中分辨率大气传输)仿真(设计为对范围在100-50000cm-1的电磁辐射的大气传播进行建模的计算机程序，光谱分辨率为1cm^-1)和回归方法进行估计。也可以考虑其他模型/方法来估计τ_λ。 

水蒸汽W的量可以按照在欧洲气象卫星组织(Eumetsat)卫星应用设施，SAFNWC/MSG软件用户指南：PGE06科学部分，SAF/NWC/INM/SCI/SUM/06，刊号1.0，2002年1月，所描述的进行估计，但可以考虑其他方法。 

太阳辐射亮度R_S，λ可以按照前面提到的从EOS-MODIS监测潜在的全球火点中所描述的方法进行计算： 

$R_{S,\lambda }=E_{S,\lambda }\cos \left({\theta }_S\right){\tau }_{\lambda }\left(z_{\mathrm{SE}}\right)\frac{1-{ϵ}_{\lambda }}{\pi }{\tau }_{\lambda }\left(z_{\mathrm{ED}}\right)---\left(3\right)$

其中，E_S，λ为在大气顶层的太阳辐射亮度，τ_λ(z_SE)为沿着太阳和地球表面之间路径的透射率，τ_λ(z_ED)为沿着地球表面和卫星传感器之间路径的透射率，和ε_λ为地球表面的发射率。可以利用其他模型/方法以计算R_S，λ。 

大气辐射亮度贡献R_A，λ描述了具有难以建模的烟雾、灰尘和当地大气温度的复杂现象。下面是一种可能的模型： 

其中，参考图1(b)，τ_λ(z_TOA)为沿着地球表面和大气顶层之间垂直路径的透射率，τ_λ(z_ED)为沿着地球表面和卫星传感器之间路径的透射率，和ε_λ为前述的地面发射率。 

J.Dozier，一种用于子像素分辨率的表面温度区域的卫星识别的方法，遥感环境，11(1981)221-229中描述的Dozier公式，应用到方程(1)中(或者应用到其他RTM模型)，使得对辐射过程的子像素描述成为可能，考虑到火点的延伸(由卫星传感器获得的辐射像素的像素分数f)和火点的温度T_F： 

R_λ＝ε_F；λ·τ_λ·B_λ(T_F)·f+ε_B；λ·τ_λ·B_λ(T_B)·(1-f)+R_A；λ+R_S；λ(5) 

其中，ε_F，λ和ε_B，λ分别为在波长λ处的火点和地面发射率。 

根据前面提到的基于地球同步和极轨卫星的多瞬间图像的早期火点探测系统，如果考虑两个连续的获取，Dozier公式(5)可以写为如下方式： 

ΔR_λ，t≡R_λ，t-R_λ，t-Δt＝ε_λ·τ_λ，t·[B_λ(T_F)-B_λ(T_B)]·Δf    (6) 

其中，t和t-Δt表示两个相近的获取时间，并且Δf＝f_t-f_t-Δt，并且做下面的假定： 

·背景温度T_B在两个连续的获取之间保持不变(对于MSG SEVIRI数据在15分钟内)； 

·火点的发射率与未燃烧表面发射率相同；和 

·太阳辐射亮度和大气辐射亮度(R_S，λ，R_A，λ)被认为在两个连续的获取之间保持不变(对于MSG SEVIRI数据15分钟内)。 

引入的RTM(1)和方程(2)、(3)、(4)、(5)、(6)只有在被分析的场景内没有云的情况下是可靠的。因此，可靠的云遮蔽程序对于识别与所述物理模型的假设一致的获取是必要的。通过利用极轨或地球同步传感器已经开发出多种云遮蔽技术。基本上，所有这些技术基于把阈值标准应用到单个获取的不同波段之间的解析关系。重获光谱波段之间的这些 关系的方法可以是基于物理模型或者基于学习方法，所述学习方法基于神经网络、贝叶斯网络、支持向量机，所有这些方法都要求有进行系统训练的预处理阶段。利用空间信息的上下文技术在文献中也公知。 

申请人已经注意到，前面提到的基于地球同步和极轨卫星的多瞬间图像的早期火点探测系统中公开的和方程(6)代表的分析，采用两个连续的获取，需要进行粗略的近似并且受到很强的限制，这导致对于可靠应用的不能令人满意的结果。特别地，由于RTM中的大气贡献被认为随着时间慢慢变化，结合RTM中的方程(2)和方程(4)所给定的大气贡献R_A，λ的估计将受到由于噪声和模型不准确性导致的巨大不确定性的影响，并且方程(5)给定的模型的非线性形式放大了不确定性，因此使得对火点参数的估计不可靠。 

而且，申请人还注意到，在每个新获取中，方程(6)被求解并且Δf、T_F和T_B被估计而不利用先前计算得到的结果，即为先前的获取计算得到的Δf、T_F和T_B。 

发明内容

本发明的目的是提供一种改进的克服公知技术限制的利用地球同步卫星多光谱数据进行自动火点探测的技术。 

该目的是通过本发明实现的，其涉及一种由所附的权利要求定义的用于通过卫星系统自动探测地球表面上火点和例如云、薄雾、尘雾或类似的大气现象的方法。 

本发明起源于申请人的观察，也就是方程(1)中的多种物理量，例如大气贡献R_A，λ、太阳贡献R_S，λ、透射系数τ_λ和发射率ε_λ在时间上高度相关。由于这个原因，与仅考虑一个或两个采集相比，认识和利用相同场景的多个获取允许以更高准确性和稳健性重新获得重要信息，例如火、云和物理参数估计。 

特别地，通过除利用光谱和空间信息之外还利用包含在由地球同步卫星传感器所做的非常频繁的获取中的时间信息，本发明实现了前述目的，以稳健性和精确性探测甚至很小的火点(比传感器空间分辨率小得 多)、以及云。优选地，本发明基于辐射传输过程的物理模型和纯数学自适应预测算法的结合使用以利用大量的，比两个多得多的获取，反演(求解)由方程(1)和(5)描述的RTM。关于基于方程(6)的技术，这种基于多个获取和光谱及空间信息的反演技术允许重要物理参数被较准确和稳健地估计。 

附图说明

为了更好的理解本发明，现在参考附图(所有附图没有以比例确定)描述优选实施例，所述优选实施例仅通过示例的方式并且不认为起限制作用，其中： 

图1(a)示意性地示出了对卫星传感器获得的辐射的不同贡献； 

图1(b)示出了由大气发出的下降流热辐射的几何形状； 

图2(a)示出了在一天中由MSG/SEVIRI获得的具有连续火点活动的地球区域的辐射； 

图2(b)和2(c)分别示出了根据本发明的第二方面的在图2(a)的地球区域中的估计的地面温度和火点延伸； 

图3(a)和3(b)示出了根据本发明的主要方面的测量和预测的地球区域的辐射图； 

图4示出了列出本发明的优选实施例的对应整个燃烧区域的火点探测概率的表；和 

图5示出了列出本发明的所述第二方面的对应估计的火点延伸的错误探测率的表。 

具体实施方式

下面的描述目的在于使得本领域技术人员能够获得和使用本发明。对实施例的各种修改对本领域技术人员将是显而易见的，而不偏离本发明所要求保护的范围。因此，本申请不限制示出的实施例，但是本申请符合与在此公开和由附加的权利要求定义的原理和特征一致的最宽范围。 

为了改善火点参数估计的可靠性，根据本发明的第二方面，便利地使用Dozier RTM的差分或者更精确地有限差分形式，其中靠近时间处的两次获取之间的辐射差为： 

ΔR_λ，t≡R_λ，t-R_λ，t-Δt＝ε_F，λ·τ_λ，t·B_λ(T_F)·[f_t-f_t-Δt]+

ε_B，λ·τ_λ，t·[B_λ(T_B，t)·(1-f_t)-B_λ(T_B，t-Δt)·(1-f_t-Δt)]       (7) 

+R_S，λ，t-R_{S，λ，t-Δt}

在方程(7)中，忽略了大气辐射亮度R_A，λ，因为假定在少数获取(数十分钟的量级中)中不变。而且，由于考虑不同的波段，在(7)的解中光谱上不相关的干扰部分被滤除。该方程能够被认作大气窗口中的SEVIRI通道以形成可解方程系统。 

为了消除影响方程(6)的粗略近似和方程(6)所基于的假定，引入了几个参数。实际上，在不同时间的地面温度T_B，t和T_B，t-Δt被认为不同，太阳辐射亮度R_S，λ，t和R_{S，λ，t-Δt}不被忽略，并且火点和地面发射率ε_F，λ和ε_B，λ被认为不同。 

方程(7)比方程(6)有更多未知量，并且方程(7)能够通过动态系统方法来求解。实际上，差分(或有限差分)Dozier RTM方程(7)能够被认为是具有状态变量f_t和T_B，t的动态系统： 

$\left(\begin{array}{c}{f}_t\\ T_{B,t}\end{array}\right)=F(\left(\begin{array}{c}{f}_{t-\mathrm{\Delta t}}\\ T_{B,t-\mathrm{\Delta t}}\end{array}\right),T_F,\Delta R_{\lambda ,t},\Delta R_{S,\lambda ,t},{ϵ}_{F,\lambda },{ϵ}_{B,\lambda },{\tau }_{\lambda ,t};^),---\left(8\right)$

其中，t和t-Δt表示两个靠近的获取时间，ΔR_λ，t＝R_λ，t-R_λ，t-Δt、ΔR_S，λ，t＝R_S，λ，t-R_{S，λ，t-Δt}，并且∧是对应于在大气窗口中可用通道的波长集合。 

动态方程(8)描述了Dozier RTM的时间动态行为，其中在时间t的量(f_t和T_B，t)能够根据在先前时间t-Δt处计算得到的量估计得到。特别地，例如，太阳辐射亮度能够通过方程(3)和前面提到的基于地球同步和极轨卫星的多瞬间图像的早期火点探测系统中描述的发射率计算得到，但是也可以考虑其他方法/模型。例如，透射率能够通过类似方程(2)中的参数化方式估计出来。方程(8)的敏感度分析和在实际数据上的测试已经表明了火点温度T_F能够被认为是固定的(例如大约700°K) 以增加像素分数估计的准确性。然而，火点温度T_F能够被认为是未知量，从而进一步概括动态方程(8)。 

方程(8)中描述的动态系统方法代表辐射传输过程的物理模型。 

如方程(7)所示，进一步未知量的引入和方程(8)中示出的动态系统方法的使用允许相对于基于方程(6)的方法以较高准确度和稳健性估计像素分数和背景温度。 

对于每个获取，需要至少两个波段来求解方程(8)和估计状态变量f_t和T_B，t。如果进一步通道是可用的，其利用使得求解更准确。MI R通道(3.9μm波长)对于火点的存在特别地敏感并且其还被用在从远程传感器进行火点探测的每个算法中。不幸的是，在SEVIRI传感器中，MIR通道具有低饱和等级，所述低饱和等级不允许其用于检测大火点。由于饱和，即使MI R通道不能被使用，方程(8)也能够被求解。而且，方程(8)的解对于数据间断特别地稳健，所述数据间断发生在当一些获取丢失或者由于云的遮盖不能被使用时。实际上，仍然能够通过使用充分接近的获取而不是连续的两个采集估计火点参数。 

如果随着时间的振荡被高通滤波器抑制，像素分数f_t的估计准确性能够被显著地改善。通过从由方程(8)估计的最近像素分数中去除先前连续的N个可用像素分数的平均值(例如5个像素分数就足够了)执行所述滤波： 

${\hat{f}}_t=f_t-\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{f}_{t-\Delta t_i}---\left(9\right)$

过滤后的像素分数 有效地被用于火点探测。实际上，通过在大气窗口中使用SEVIRI/MSG传感器的4个波段(1个MIR和3个TIR通道)获得的被过滤的像素分数的估值的精度大约为10^-5。 

图2(a)示出了在大约一天中在具有连续火点活动的像素中获得的SEVIRI辐射亮度(中波红外和热红外波段3.9μm、8.7μm、10.8μm、12μm的亮度温度)，同时图2(b)和2(c)分别示出了对应的估计的背景温度和估计的像素分数。 

 当过滤后的像素分数 高于给定阈值时，火点被探测到。通过对应于大约2000m²活动火点尺寸的阈值利用MSG/SEVIRI数据在探测的概率和错误报警之间获得好的权衡。 

如前面所述，当出现云、云界、薄云、薄雾、尘雾(或类似现象)和低透射率大气状况时，火点参数估计和探测以及错误报警的准确性显著地降低。可靠的云遮蔽程序对于识别与物理模型的假定一致的获取是必要的。 

为了识别出这些不利的大气状况，根据本发明的主要方面，提出了自适应的预测算法，所述算法利用包含在大量获取中的时间信息和相互关系以探测云和火。 

该思想是，辐射亮度在一天中慢慢变化并且具有大约为一天的固有周期性，同时云和/或火的出现增加了高频率振荡，也带来了数据间断。在没有火点的晴朗白天中观察到的辐射亮度的类似周期性能够被通过利用少数调和函数建模，并且所述模型需要是自适应的以随从季节性和其他慢性变化。 

特别地，自适应预测算法允许实现自适应预测模型，其中考虑了利用SEVIRI/MSG数据、由在96个获取时间(每15分钟)获得的多个获取组成的24小时光谱辐射亮度序列。这些模型基于24小时光谱辐射亮度序列的频谱的估计和过滤。通过离散傅里叶变换估计频谱；然后低通滤波器选择谐波增益，并且最后该低通滤波信号被变换回去。自适应预测模型是变换回去的、低通滤波的信号，所述信号能够提供辐射预测值。 

下面将分步描述自适应预测算法。 

所述第一步包括形成每个像素的向量h_λ(h_λ(n)，n＝0，...，95)，所述向量包括对应于24小时的96个时间连续的光谱辐射亮度R_λ的序列，并且不必需在相同的一天中获得。如果一些获取是不可用的，相关光谱辐射亮度可以被通过基于相邻获取的插值被计算。 

实际上，对于每个像素，需要由卫星传感器在不同时间获得的几个辐射，并且不受云或火的影响。 

特别地，向量h_λ可以便利地通过考虑几个邻近日形成。对于每个向量元素的无云获取能够被认为是在所考虑的日子中对应于同一向量元素的所有获取之中对于TIR波段呈最大光谱辐射亮度值的获取。采用类似标准以识别在MIR波段中的不受火点影响的获取。对于已经选择的每个无云向量元素的不受火点影响的获取，能够被识别为在所考虑的日子中对应于相同向量元素的所有获取之中对于MIR波段呈最小的光谱辐射亮度值的获取。 

自适应预测算法的第二步骤包括计算向量h_λ的离散傅里叶变换(DFT)，从而获得具有96个元素的向量H_λ，所述向量定义为： 

$H_{\lambda }\left(k\right)=\underset{n=0}{\overset{N-1}{\Sigma }}{h}_{\lambda }\left(n\right)e^{-j\frac{2\pi }{N}\mathrm{nk}},k=0,...,95---\left(10\right)$

第三步骤包括计算与λμm波段相关的自适应预测模型。所述自适应预测模型为由96个元素组成的向量m_λ并且被定义为： 

$m_{\lambda }\left(n\right)=\frac{1}{N}{H}_{\lambda }\left(k\right)+\frac{1}{N}\underset{k=1}{\overset{A}{\Sigma }}[H_{\lambda }\left(k\right)e^{j\frac{2\pi }{N}\mathrm{nk}}+H_{\lambda }(N-k)e^{j\frac{2\pi }{N}n(N-k)}],---\left(11\right)$

特别地，m_λ为向量h_λ的低通滤波离散傅里叶变换的反离散傅里叶变换。低通滤波器选择连续的部分(谐波0)和向量h_λ的离散傅里叶变换的前A个谐波(谐波1、2...A)。例如，当A＝2，所述模型适应24小时中的无云辐射趋势足够可靠。 

模型m_λ的每个第n抽样包含对于在一天给定时间获得的光谱辐射亮度的预测值。由于这个原因，有必要存储指向关于最近获取的m_λ元素的指数 特别地，假定在时间t的当前获取与指数 相关，在时间t预测的辐射亮度由值 给定： 

$R_{\mathrm{PRD},\lambda }=m_{\lambda }\left(\bar{n}\right)=\frac{H_{\lambda }\left(0\right)}{N}+\frac{1}{N}\underset{k=1}{\overset{A}{\Sigma }}[H_{\lambda }\left(k\right)e^{j\frac{2\pi }{N}\bar{n}k}+H_{\lambda }(N-k)e^{j\frac{2\pi }{N}\bar{n}(N-k)}]---\left(12\right)$

自适应预测算法的第四步为云/火探测，所述探测包括利用一些阈值检查预测的光谱辐射亮度R_PRD，λ是否不同于对应的获得的光谱辐射亮度 R_λ。云探测考虑在10.8μm或在12.0μm获得的数据，而火探测考虑在3.9μm获得的数据。 

特别地，在这些探测程序中采用的阈值为3个。第一阈值th_DET，10.8和第二阈值th_DET，12被用于允许10.8μm或12μm处的预测值和在这些波段获得的光谱辐射亮度之间的比较的云探测。第三阈值th_DET，3.9被用于在波段3.9μm以类似方式的火探测。 

更具体地，把预测值R_PRD，λ与获得的光谱辐射亮度R_λ比较， 

·如果R_PRD，108-R_10.8＞th_DET，10.8，或 

·如果R_PRD，12-R₁₂＞th_DET，12， 

则云被探测到；并且如果云已被探测到， 

·如果R_3.9-R_PRD，3.9＞th_DET，3.9， 

则火被探测到。 

自适应预测算法能够正确地探测两种不同类型的云：厚云和薄云。 

图3(a)和3(b)示出了在多云天气中根据自适应预测算法测得和预测的辐射图。特别地，在图3(a)中示出了不存在火时探测到云，同时在图3(b)中示出了探测到云和火两者。 

自适应预测算法的第五步包括更新向量h_λ，以跟随季节性和其他辐射的慢性变换。如果获取是有效的并且不被识别为火或云，所述获取被用于更新向量h_λ。而且在该步骤中三个阈值th_UPD，10.8、th_UPD，12和th_UPD，3.9被用于识别有效数据以用于更新向量h_λ。 

特别地，如果没有异常被探测到，获得的辐射亮度R_10.8、R₁₂和R_3.9被认为有效： 

·如果R_PRD，10.8-R_10.8＞th_UPD，10.8，则在10.8μm处的异常被探测到； 

·如果R_PRD，12-R₁₂＞th_UPD，12，则在12μm处的异常被探测到；和 

·如果R_3.9＜R_PRD，3.9-th_UPD，3.9，或如果R_3.9＞R_PRD，3.9+th_UPD，3.9，则在3.9μm处的异常被探测到。 

如果当前辐射亮度R_λ是有效的，其替代向量h_λ中包含在位置 (关于当前获取R_λ的指数)处的辐射亮度；否则预测的辐射亮度R_PRD，λ取代向量h_λ中的包含在位置 处的辐射亮度值。 

在每个新获取中，指数 以模96增加，并且上面描述的步骤从自适应预测算法的第二步开始重复。 

需要注意的是，该算法能够被推广并且关于辐射亮度有效性和关于火或云存在性的测试也能够被应用到最后一次之前的获取，以当新数据变得有用时也以新数据为基础完善先前获得的结果。 

自适应预测模型具有高度的跟踪能力，甚至对于受云遮盖或丢失数据影响的长时间获取系列。 

自适应预测算法被用作预处理步骤，以确定何时物理模型能够被应用。如果通过自适应预测算法在解析像素中探测到无云，与该自适应预测模型一起的物理模型也能够被利用，以探测火并且估计火的尺寸(像素分数f_t)和背景温度T_B；否则，当云遮盖解析像素时，仅自适应预测算法仍能够探测强烈的火点。图3(b)示出了第二种情形的一个例子，其中在薄云的情况下探测到火点。10.8μm波段的分析突出了云的存在，所述云的存在由自适应预测算法正确地探测到。振荡的结果是因为小块云和晴朗天空的交替出现。尽管存在云并且不能使用物理模型，通过自适应预测算法能够探测到大火。 

在此公开的自动火点探测方法的有效性检验已经通过利用由意大利国家保护部门提供的关于意大利Sardinia，Lazio和Calabria区域的地面真实数据进行。考虑2004年7月连续15天和2005年8月连续15天的两个时期。这些时期内没有太多云并且有很多火点发生，特别地286起火点发生在大于一公顷的区域上。 

通过比较由自动火点探测方法获得的结果和地面真实数据进行有效性验证。特别地，根据由地面真实数据报告的燃烧区域的尺寸，火点被分为5组。对于此，需要非常注意的是，自动火点探测方法探测火焰前线的尺寸，所述尺寸是真实活动的火尺寸并且比整个燃烧区域小得多，然而地面真实数据仅报告整个燃烧区域尺寸。 

对于每个燃烧区域的尺寸类别，探测到的概率已经被估计为探测率：P_d＝N_TP/(N_TP+N_FN)，其中N_TP为正确探测为有火点的案例数量，N_FN为错误 探测为无火点的案例数量。在图4示出的表中报告了结果。如图4所示，探测到火点的概率随着整个燃烧区域的增加而增加。 

错误报警的概率通过错误报警率估计：P_fa＝N_FP/(N_FP+N_TN)，其中，N_FP是错误探测为有火点的案例数量和N_TN是正确探测为无火点的案例数量。错误报警的可能性不依赖于火的尺寸，实际上在被执行的有效性检验中发现P_fa估计为P_fa＝5.36·10^-6，这意味着每一百万个中仅5个像素被错误地探测为火点。 

自动火点探测方法可靠性的另一个重要指标为错误探测率，定义为P_fd＝N_FP/(N_FP+N_TP)。该数量取决于估计的火点尺寸，也就是取决于估计的像素分数(f_t)。在图5中示出了报告对于不同估计的火点尺寸的错误探测率的表。如图5所示，错误探测率随着估计的火点尺寸的增加而减小。 

从前面所述，可以很快理解，在此公开的自动火点探测方法允许在云存在和不存在的情况下执行可靠的和稳健的火点探测。特别地，在遮盖解析像素的云不存在的情况下，该方法能够可靠地探测火点并且估计火点的尺寸和背景温度，同时在薄云存在的情况下，该方法仍能够探测火点。而且，这种自适应预测算法能够正确地探测在解析像素中薄云和厚云的存在。 

最后，清楚地是，能够对本发明做多种修改和改变，所有这些修改和改变都落在如所附权利要求定义的本发明的范围内。