卫星红外遥感技术及其在防灾救灾中的应用研究

黄宇飞 徐嘉 白绍竣 高冀 李昂 高洪涛

卫星红外遥感技术及其在防灾救灾中的应用研究

黄宇飞1徐嘉2白绍竣3高冀4李昂1高洪涛1

（1 中国空间技术研究院遥感卫星总体部，北京 100094）（2 中国空间技术研究院钱学森空间技术实验室，北京 100094）（3 北京空间机电研究所，北京 100094）（4 中国空间技术研究院卫星应用总体部，北京 100094）

红外遥感在防灾救灾应用上相对于传统方法有着省时省力的优势。文章对卫星红外遥感在防灾救灾中的应用研究情况进行了深入调研，对红外遥感在大气、水环境、土壤以及地质异常等各类灾害监测的应用与发展进行介绍和分析，涵盖温室效应、森林火灾、旱灾、水质、温排水、泥石流和地震等多种典型灾害，最后分析国内外主要差距并提出相关发展建议。

防灾救灾 应用研究 发展建议 红外遥感

0 引言

传统灾害监测方法通常采取定点监测和随机调查等方法，需要耗费大量时间精力，且有些灾害早期仅凭人眼难以识别。红外遥感在防灾救灾方面有着独特优势，例如：森林火灾等灾害在发生前或发生时会释放大量能量，引起地表和大气的大面积辐射异常。即使目标的热传导、热惯量和热容量有差异，但通过分析处理结合现场勘查，可实现红外遥感在防灾救灾领域的应用[1]。本文对红外遥感在防灾救灾方面的应用研究情况进行了深入调研，并对红外遥感在各类灾害监测的应用与发展进行了介绍和分析，并提出红外遥感在防灾救灾方面应用的发展建议。

1 红外遥感在大气灾害监测中的应用与发展

1.1 温室效应监测

大气散射辐射与大气温度和大气构成有关。对于温室效应，主要因素是二氧化碳（CO2）、甲烷（CH4）和氧化亚氮（N2O）。热红外遥感技术可解决更大的区域范围内CO2的气体浓度探测[2]。对于一个特定波长来说，吸收系数与大气组成、温度和压力有关。如果已知吸收气体的浓度，用辐射测量可估算大气温度廓线，从而可推算吸收气体浓度及吸收系数。一般来说，随着气体浓度的增大，相应波段可探测到的大气层也越高。对于对流层最高层，辐射测量的结果对应于较低的温度。利用已知的温度廓线调整测量和模拟的辐射值，可估算吸收气体浓度。主要的不确定性来自于温度廓线信息。

泰罗斯垂直分布探测仪（The TIROS Operational Vertical Sounder，TOVS）装载有一个波长为4~15μm、19个波段的热红外辐射仪，以及一个微波辐射仪。其中部分波段受CO2吸收的影响，其他波段受水蒸气吸收的影响，主要用于天气预测[3]。法国气象研究机构通过对TOVS波段数据的CO2混合比的研究，得出更易在热带或高纬度地区获取CO2浓度数据的结论，这主要是因为热带地区较少变化的温度廓线和较厚的对流层所致[4]。

另外两个具有代表性的典型应用就是大气红外探测器（Atmospheric Infrared Sounder，AIRS）和红外大气探测仪（Infrared Atmospheric Sounder Interferometer，IASI）。

AIRS传感器是由NASA设计的第一个高光谱分辨率红外探测器，主要用于天气预测，其波长范围3.7~15.4μm，光谱分辨力为1 200，主要设计用途是获取气象上温度和水蒸气廓线。所获取温度廓线的垂直分辨率为1km，水蒸气廓线的分辨率为3%~5%。Strow等[5]已证实大气中CO2混合比的增加对AIRS观侧的全球平均温度有影响。最初从AIRS数据获取月度的CO2产品，并尝试沿用了TOVS的估算方法，如：应用神经网络算法选取波段。估算方法只限于热带地区。尽管所获取的全球CO2浓度分布显得较为合理，但又很快认识到其空间分布特征不仅由CO2决定，估算方法受到了波段选取、观测方式等因素的影响。

由欧洲航天局（ESA）发射的Metop卫星搭载的IASI传感器，能提供热红外波段高光谱数据，主要用于获取天气预测的温度和水蒸气廓线，还可以用于气候研究和大气组成评估，与AIRS相类似。但还未从IASI的观测数据中估算出CO2或CH4的浓度。

AIRS传感器已运行了8年多时间，欧洲和美国的研究人员在不断尝试基于AIRS观测数据的多种CO2浓度的估算方法。尽管已经证实在AIRS观测数据中包含CO2信息，但误差仍然太大而不能提供地表CO2通量的信息。原因是由于观测数据相对高的加权函数所导致。在对流层的上部，与CO2相关的信号由季节循环所控制，这种循环的上下偏移为1个或几个百万分之一。为了提供有用的信息，精度要求甚至比对低大气层灵敏的仪器要求还要高。这些要求到目前为止仍未得到满足，另外，观测呈现受区域性偏差的影响，这对地表通量的估算产生了破坏性的影响。从AIRS或IASI等热红外传感器获取的CO2浓度信息，大部分被用于确定传输模型中的误差。

目前已构建的地面监测站点网络，提供了在大陆尺度进行通量评估的条件，但是不足以解决更高的区域尺度的问题。正在运行的几个传感器并没有被特定设计为监测CO2和CH4浓度。国内外研究团队采用观测数据来获取碳排放气体的浓度，并已取得了相当大的进展。监测中的精度和误差问题始终是一个挑战，但所获取的气体浓度的时空分布确实展现出一些预期的特征，例如：年增长率、季节性循环、纬度方向的梯度等。有关碳循环的附加知识要求对更小数量级的梯度进行识别，但目前卫星产品的误差和噪音仍然比这些梯度波动范围要大。

1.2 森林火灾、秸秆焚烧等火点监测

遥感火点监测是利用秸秆燃烧时内部含有火焰的高温像元与背景常温像元，在中红外和热红外波段辐射能量的差异，来识别地面火点[6-8]。国内已开展大量研究和应用，通常是利用光谱信息判断农作物是否进入收割期，使用地理信息系统（Geographic Information System，GIS）技术辅助分析判断探测的焚烧火点下垫面性质，提取秸秆焚烧点，并对焚烧点的空间分布及发生频率进行统计、分析、制图，以及对探测到的秸秆焚烧点验证和精度分析。或者通过比较中红外通道及热红外通道在同一像元亮度温度的地区差异，提取潜在的热异常点，并根据背景环境温度及土地分类信息，判断耕地范围内秸秆焚烧点。

目前，用于火点监测的卫星主要有“风云三号”（FY3）系列实验星（A星、B星）[1]、美国NOAA系列和EOS-MODIS系列，由于NOAA-16、FY3A等卫星相继出现故障退役，多颗在轨卫星超期服役，随时可能出现故障而停止服务，使得每天覆盖的次数明显减少且时间分布不均匀，造成了很多空白时段[9]。

算法方面，主要有单窗算法、分裂窗算法和多通道算法三种。热红外遥感技术本身较为复杂，主要表现为地表发射率的测定、温度与发射率的分离、大气效应校正、非同温像元混合问题等。因此如何在气象条件、地物条件等复杂条件下，获取更加准确的地表温度反演数据是重点和难点。在地表温度反演工作中，高温像元点一般由道路、建筑物、裸地、荒山等构成，由于上述卫星热红外波段数据源的分辨率一般较低，而航拍数据成本较高，且无法保证数据的长期性，而城市内部常见火灾覆盖面积一般较小，因此热红外遥感技术应用主要涉及森林火灾监控这一领域。由于森林火灾的起火点面积一般较小（几米至几十米），因此星载遥感传感器往往不能第一时间发现起火点。目前国内的热红外遥感技术在森林火灾监控中的应用主要为对已发生的林火的管控。基于相关气象数据（风向、风速、气温、湿度）和地形数据（坡度、坡向），利用热红外遥感图像可以准确定位森林火灾的火头位置，并对火势发展趋势进行预测，以便消防部门对火灾扑救进行合理的判断和决策。

1.3 气溶胶、颗粒物的监测

在气溶胶、颗粒物的监测方面，目前主要是通过中分辨率成像光谱仪（MODIS）的数据信息，利用线性回归和相关分析方法，推演出目标地区气溶胶光学厚度时空分布的特征和变化趋势。代表方法是暗像元法，该算法能较好地监测气溶胶，并反映其区域变化，但冬季检测结果远不如夏季的。虽然气溶胶光学厚度和颗粒物的直接关系较低，但经湿度修正和垂直修正后，二者相关性可显著提高，可作为监测城市颗粒物污染物地面分布的有效手段[10-11]。

然而，MODIS等常规卫星载荷的谱段设置、信噪比等载荷特点均非针对颗粒物特性而设置，其对颗粒物监测的精度有限。实现颗粒物的高精度监测还需偏振技术，如利用可见光、近红外的偏振通道等[11]。针对目前我国严峻的大气污染环境形势，后续大气环境监测卫星载荷的发展需考虑利用可见光、近红外和短波红外波段的偏振特性，高精度地监测颗粒物。

2 红外遥感在水环境灾害监测中的应用与发展

2.1 水污染的监测

水污染监测主要是以清洁水与污染水的反射光谱作为监测依据[12]。正常情况下，水体反射率较低，从而使得其在遥感影像中呈暗色调，尤其在红外谱段上更明显。在进行水体监测时，可将水色指标及光谱特征作为主要依据。由于遥感技术监测的范围较广，从而使其在水体扩散时能够及时发现污染物的扩散方向、排放源、影响范围及程度，以便尽快找到污染源。由于水体中污染物种类较多且过于繁杂，通常将水污染分为石油污染、废水污染等类型。

石油污染属于较为常见的水污染。利用遥感技术进行石油污染监测，不但可以确定污染区的实际范围和石油含量，同时还能追踪到污染源[13]。由于石油与海水的光谱特征差异较大，所以在很多谱段上均可将石油与海水分开。在废水污染监测方面，由于废水中所含悬浮物种类较多且水色差异较大，加之特征曲线上的强度也不同，所以可采用多光谱合成图像对废水进行监测。此外，根据废水中水温的差异情况，也可采用热红外进行监测。

2.2 水表温度、温排水的监测

在水表温度、温排水的监测方面，主要是利用HJ-1B-IRS、LANDSAT-TM和TERRA/AQUA-MODIS等数据反演水表温度，分析出陆地与水体温度空间差异。湿地在水体温度中较低，上游河流注入区水体温度较高。研究表明普适性单通道算法精度较高（例如：MODIS温度产品精度为1.23K）。环保部利用长时间序列HJ-1B-1RS、LANDSAT-TM和MODIS的数据，对太湖、巢湖、滇池的水表温度开展了水温及生态环境之间关系的研究和业务应用。

利用热红外遥感技术进行温排水监测的方法主要有单通道、多通道、多角度反演等[14]。主要是对核电站周围的海水温度进行反演，然后根据同一地点的长期数据，分析核电站出水口及周边海域水温的空间分布特点和不同季节、不同条件（例如潮汐等）下温排水的分布特点，并利用MODIS的海表温度产品进行验证。

3 红外遥感在干旱、城市热岛效应监测应用与发展

3.1 土壤含水量、干旱的监测

由于近红外、短波红外、热红外波段对土壤含水量比较敏感，由其构建的相关模型可有效监测土壤湿度、干旱程度等[15-17]。目前方法主要是利用短波红外光谱特征进行土壤含水量反演，根据土壤水分在光谱特征空间中的变化规律，给出短波红外土壤湿度指数，从而实现目标区域干旱情况的监测。1981年Idso等[18]根据能量平衡原理提出了作物缺水指数（Crop Water Stress Index，CWSI）。CWSI与日蒸散量有简单的线性关系，它是由植被冠层温度转换而来的。用NOAA/AVHRR得到热红外温度，再由热红外温度计算出日平均温度，进而计算出蒸发散能力，从而对旱情做出分级。

经长期研究得出：CWSI与作物长势、供水状态有较好的相关性。后续的学者陆续提出了类似于CWSI的土壤干旱指数（Soil Water Stress Index，SWSI）的概念，并用于地理干湿分异的研究。最后得出结论：土壤相对含水量与CWSI和SWSI有密切的关系。在大面积旱情监测中，CWSI和SWSI适用范围广。CWSI虽然有可靠性强、精度高的优点，但是由于涉及到许多气象与农业的参数因子，故而不易实现，因此造成难以及时获得旱情信息的后果。1995年Kogan使用NOAA/AVHRR的数据，利用蒸腾原理以及能量平衡原理提出了温度条件指数（Temperature Condition Index，TCI）[19]。TCI使用植被冠层温度作为衡量干旱的指标，该指标的核心参数是最大地表亮温和最小地表亮温，其精度直接影响了TCI的计算精度。TCI不受作物生长季的影响，可以应用于作物播种期和收割期，适用于长周期大范围的干旱监测，但由于季节性地温差异、空气湿度等因素的影响，会导致监测精度降低。改进后的植被温度条件指数法降低了对地面气象要素的依赖程度，计算更简便，同时具有良好的实时性，可用于监测作物生长旺盛期的土壤墒情。但是数据必须选择晴空星下点，并且需要时相相近的多年遥感资料。

另一种方法是热红外/可见光反演法。该方法主要是利用遥感传感器的热红外温度数据通过反演地表温度或者植被冠层温度来对干旱进行衡量。其中，植被指数就是可见光/近红外反演法的核心要素。植被指数是监测地面植被生长状况的指数，常见的植被指数有归一化植被指数（NDVI）、归一化干旱指数（NDDI）、距平植被指数（AVI）、水分亏缺指数（WDI）、条件植被指数（VCI）、温度干旱植被指数（TVDI）等。

3.2 地表温度的监测

地表温度监测方面，目前地表温度反演常用算法有：辐射传导方程算法、基于影像的反演算法、单窗算法、单通道算法和多角度算法[20-23]。辐射传导方程算法是基于大气辐射传输模型，根据实时大气剖面数据进行大气模拟，该算法计算过程较为复杂，且实时大气剖面参数较难获取，因而实际应用起来较为困难。基于影像的反演算法是依据影像的灰度值得到地表亮温，继而经过辐射率校正后得到地表温度。该算法反演过程简单易行，但忽略了大气辐射因素对地表温度反演的影响。单窗算法和单通道算法都考虑了大气辐射的影响，所需的大气参数较辐射传输算法少。其中，单窗算法的地表温度演算精度较高且应用较多。多角度算法是利用同一地物在不同观测角度的热红外遥感数据进行地表温度的反演。其前提是不同角度观测时所经过的大气路径不同，大气的吸收作用不同。由于通道间信息高度相关性及不能直接反演混合像元组分温度，在建立非同温混合像元热辐射方向性模型基础上，热红外多角度遥感数据可以用于反演组分温度。但大气校正和数据获取困难制约了多角度遥感数据的应用，而角度效应的未知性使多角度数据仅适用于理想大气条件下的均质区域（如海洋表面或浓密森林植被），而不适用于非均质地表。

另外，高光谱能够提供地物数十到上百的很窄的电磁波波段，进而生成连续的地物光谱曲线。热红外高光谱数据光谱精细程度的增加有助于提炼具有物理意义的方程约束条件，提高温度和发射率分离的精度。目前，基于地物地表发射率光谱特性的高光谱热红外地表温度反演方法中，最具有代表性的是光谱平滑迭代温度发射率分离法（ISSTES）和线性发射率约束法。ISSTES用高光谱测量结果基于平滑度指数通过迭代方法实现温度与发射率的分离，发射率奇异值的存在会导致结果不收敛，影响分离结果。线性发射率约束法是由经过大气校正的高光谱热红外数据进行温度反演。

4 红外遥感在地质灾害监测中的应用与发展

4.1 滑坡、泥石流监测

遥感技术应用于地质灾害调查，可追溯到上世纪70年代末期。日本利用遥感图像编制了全国1/50 000地质灾害分布图；欧盟各国在大量滑坡、泥石流遥感调查基础上，进行了系统总结，提出了遥感技术结合地面调查的分类方法，运用GPS测量及雷达数据监测滑坡的程度。

滑坡和泥石流主要成因是强降雨，中国气象科学研究院运用日本MTSAT卫星红外数据以及其他卫星遥感数据，分析了2010年8月甘肃舟曲强降雨实况与灾情、大尺度环流背景、对流云团演变，以及对流形成与发展的大气不稳定条件、触发机制和水汽输送情况，建立了引发舟曲特大泥石流灾害的强降雨演化过程产生的模型[24]。

目前地质灾害遥感调查已基本完成了示范性实验阶段，正走向全面推广的实用性阶段，尤其是在山区大型工程建设及江河湖库的防灾减灾工作中，具有广阔的应用前景。遥感技术地质灾害调查应用，已取得了许多成功的经验。但是在地质灾害预测、监测、救灾方面不是很成功。充分利用航天遥感、差分干涉雷达和全球定位系统技术及其集成技术进行地质灾害监测，是未来遥感对地观测技术体系在地质灾害应用中的必然发展趋势。

4.2 地震监测

20世纪80年代，前苏联科学家经研究发现地震前6~24天热红外遥感会出现异常，并持续到震后一周，温度异常与断层分布有关，因此地震活动性与红外遥感异常、断裂构造的活动有关[25]。自从地震热红外异常被前苏联学者发现后，类似研究也在世界各国相继展开。美国地震学家对世界多个地震的热红外图像以及长波辐射等进行分析，证明了地震前震中目标点周边经纬度2.5°范围内存在温度异常。我国学者也进行了大量的探索研究，对前震下大陆板块之间挤压产生的红外异常信息与地震时、空、强度三要素的关系进行了分析，结果表明：1）地震前在远离震中区出现一大片孤立增温区，比其周围高出2~6℃。2）震级愈大，亮温增温面积也愈大。3）一般在亮温增温异常发展到鼎盛时期后，在几天至60天内发震，即进入短期和临震时期。

地震常常伴随有地表和底层大气增温、地下热水上涌等现象，大量试验表明，卫星热红外遥感对地震及断裂活动有一定指示作用。但由于热红外遥感受云层等影响，识别异常困难，因此该方法尚不能完全作为地震预报的有效手段。主要原因如下：1）热红外温度受地形地貌、地物类型、气象和断裂活动及地震等诸多因素的影响，地震红外异常的提取有相当的难度。因此能有效地将深部断裂活动及地震引起的热信息从复杂的红外遥感数据中检测出来，地震学者仍需要在去除大气、地形地貌等干扰信息校正方面作更深入的研究。2）由于多数大陆地震的孕震区以及发生破裂的深度都在5km以下，而且大多数在10km左右，而多数小于5级的地震破裂尺度不超过2km，其孕震区最多达到100m，在如此深的地层、如此小的震源区域，发生的前兆物理过程被地表观测到是有一定困难的。

5 与国外的主要差距及发展建议

5.1 国内研究工作的主要差距

目前，NASA、ESA、CEOS等主要航天机构已对红外遥感技术在防灾救灾中的应用开展了大量的研究，并在以Terra、Aqua、EOS等为代表的卫星中进行了实际应用，具备了成熟技术条件，验证了应用价值。我国红外遥感技术在防灾救灾中的应用也取得了一些成果。但仍存在以下问题：

（1）国产卫星数据源不足，业务化不足，缺乏多星协同能力

国内遥感载荷缺乏全天候、全天时的工程化能力，信息获取能力和手段不足。现有卫星遥感数据品质和国外高分辨率卫星相比差距较大，空间分辨率明显偏低，而且在恶劣天气情况下无法全天候获取载荷数据。对特定地区进行高精度观测的能力不足，难以应对大范围严重突发灾害迫切需要的高动态观测需求。国内搭载短波红外、中红外和热红外载荷的民用卫星较少，空间分辨率、时间分辨率、信噪比等也相对不高，造成过度依赖国外卫星数据，但红外遥感数据涉及国防安全，无法从国外进口高品质图像数据，即使使用国外卫星数据仍需提前进行加急订购。因此，要实现实时或准实时监测，必须解决遥感数据源问题。我国在轨卫星虽然很多，但一定程度上仍是“各自为战”，此外由于多颗卫星过境时间接近，冲突较多，常常顾此失彼，限制了其业务化的规模应用和定量化、精细化水平的提高。

（2）地面软件和算法设计缺乏创新性

1）建立使用的识别模型单一，不能满足不同卫星的应用，准确率有待提高；卫星图像的定位方法单一，定位精度低，严重影响了关键要素核查的效率；使用的背景图陈旧不能很好地反映情况，影响是否受灾的判定；使用的预处理和图像处理软件效率低下、速度慢，处理大数据时常溢出。这些问题都严重影响了卫星防灾救灾监测工作的正常开展。

2）红外遥感对灾害要素监测的指标算法主要针对国外卫星数据设计，国内卫星载荷监测指标算法缺乏原创性和创新性。红外载荷的比辐射率校正、大气校正依赖于地面数据，载荷自身波段不能进行校正，导致算法没有普适性。

3）现有灾害信息自动提取方法多是基于灾害前后多时相同源传感器影像进行变化监测，而灾后处理的数据多为异源多期影像、灾后单景影像等。灾情信息自动提取的精度远远没有达到实用化的程度，需要大力发展异源影像匹配、目标检测识别等影像处理技术。

4）数据实时传输问题。例如：对于夜间搜救及林火监测等应急任务，决策者需要根据卫星传回来的实时画面做决策。卫星获取的影像目标像素小、数量多且是满屏运动，帧内、帧间相关性差，在传输过程中，易受环境干扰，码率跳动变化大。要实现低比特率下的高品质数据传输，必须解决无线信道纠错编码、信号扩频调制、数据包调度、拥塞控制等关键技术。

5）多源影像融合问题。不同种类载荷影像所反映的信息有很大差异，影像之间互补性明显。但由于载荷的成像机理、成像条件不同，影像之间存在较大差别。对于不同种类载荷影像间的融合需要解决统一空间坐标、像元序列匹配、融合目标检测、融合效果评估等问题。进一步分析不同成像传感器的工作机制和影像特点，寻找多源载荷间具有较好鲁棒性的特征描述算子，显著提高影像融合的稳定性和精确性。

（3）缺乏有效地防灾救灾应急机制

目前我国面对突发事件的业务化应急响应机制还不够完善。普遍存在平台技术相对单一、多种高端装备不足的问题，无法及时开展工作。从灾害发生后到遥感卫星过境、下传遥感数据和数据分析，整个过程所需时间较长，尚未形成一体化的灾害应急响应指挥系统。因此，提高遥感对于重大自然灾害的快速反应能力非常必要，应提高遥感在重大自然灾害监测中的时效性。

此外我国现有的共享模式还没有相关的制度保障，缺乏经常性的共享服务机制和支持跨部门遥感应用信息共享的技术标准，无法形成遥感信息、地理空间信息、资源环境信息、社会经济信息的汇集和共享平台，影响了数据共享的有序性和有效性。

5.2 发展建议

根据本文前述的主要差距，建议卫星红外遥感技术在防灾救灾中应用研究的重点集中在如下几个方面：

1）建立信号模型、数据变换模型以及多载荷影像融合模型，进行影像实时融合分析、受灾目标探测及灾情评估；将多源数据融合与影像序列处理相结合，构建目标影像检测模型，自动检测目标，提取灾情信息，并建立多源数据应急决策服务模型；利用卫星红外载荷获取的实时灾情数据，结合地理空间数据、统计数据等；构建基于先验知识的多源数据应急决策服务模型，及时掌握灾情的发生发展状况，实现应急灾情信息获取到应急决策服务的转变。

2）针对已有卫星红外载荷开展我国自主的高分辨率、高精度的水体、地表温度、火点等反演和应用，同时大力发展国产民用的红外卫星、载荷，针对载荷特点和环保需求开展相关算法研究和业务应用。大力拓展应用领域，同时加强与用户单位的沟通，深入调研并了解用户需要什么，以用户单位需求为牵引，加快相关型号立项，从而推动防灾救灾事业的发展。

3）有效载荷的空间分辨率大幅度提高也带动了对数据传输、存储的需求。我国应研制地面大容量数据接收天线，并且抓紧建设红外遥感大型试验验证场，同时更新老旧设备，以满足现有卫星接收处理系统能力的需求。

4）建立相关防灾救灾机制，整合已有卫星资源，加快多星协同，以多星组成星座的模式提高时间分辨率，并且优化行政审批流程，以效率为先，避免流程冗余造成耽误应急处置部门决策以及灾情的扩大化，另外应尽快制定遥感数据产品标准以及共享机制，同时结合不同领域的应用，组织生产不同级别的标准产品，促进遥感数据和信息的共享。

6 结束语

国外的研究现状来看，红外遥感技术作为具有多尺度、时效性、综合型的探测技术，在大面积的灾害监测中的作用不可低估，其快速发展更是为这些灾害监测奠定了充分的基础。热红外遥感对于地震、火山的研究，必将成为两大自然灾害的有效预报支撑；对于煤田火区监测的独特优势，会随着技术逐步成熟得到广泛的应用并科学地督导灭火的实施；在森林火灾监测、大面积的城市火灾监测以及各种冰冻灾害监测等方面，都将会发展为重要的手段。然而，对于这些灾害的准确监测、预报和预警，还需要大量地表和地下的信息以及其他学科、技术的结合，最终实现逐步降低各种灾害损失。

[1] 杨忠东, 张鹏, 谷松岩, 等. FY-3卫星应用和发展[J]. 上海航天, 2017, 34(4): 1-7. YANG Zhongdong, ZHANG Peng, GU Songyan, et al. Application and Development of FY-3 Meteorological Satellite[J]. Aerospace Shanghai, 2017, 34(4): 1-7. (in Chinese)

[2] FUCHS E M. Fire Monitoring the Use of Medium Resolution Satellites (AVHRR, MODIS, TET) for Long Time Series Processing and the Implementation in User Driven Application and Services[C]//Proceedings of International Symposium on Remote Sensing of Environment (ISRSE) . Berlin, Germany: Copernicus Publications, 2015: 797-804.

[3] CHEN D, ZHANG C. Research Progress on Drought Remote Sensing Inversion Models[J]. Forest Inventory and Planning, 2016, 41(3): 18-24.

[4] JOHANSSON J, MELLQVIST J, LI L, et al. Quantification of Industrial VOC Emissions in China using Solar Occultation Flux (SOF) [J]. Geophysical Research Abstracts, 2017, 19: 19062.

[5] STROW L L, HANNON S E. A 4-year Zonal Climatology of Lower Tropospheric CO2Derived from Ocean-only Atmospheric Infrared Sounder Observations[J]. Journal of Geophysical Research, 2008, 113(D18): D18302.

[6] 马芮, 孙林, 袁广辉, 等. 可见光红外成像辐射仪数据林火识别算法研究[J]. 遥感信息, 2015, 30(4): 37-43. MA Rui, SUN Lin, YUAN Guanghui, et al. Technology and Method of Forest Fire Monitoring Using NPP VIIRIS Data[J]. Remote Sensing Information, 2015, 30(4): 37-43. (in Chinese)

[7] FAN Hongjie, HUANG Yipeng, LI Wanbiao. Overview of Retrieval Algorithm of Cloud-top Height Based on Satellite Infrared Remote Sensing[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2017, 53(4): 783-792.

[8] 王桥, 厉青, 陈良富, 等. 大气环境卫星遥感技术及其应用[M]. 北京: 科学出版社, 2011. WANG Qiao, LI Qing, CHEN Liangfu, et al. Satellite Remote Sensing Technology of Atmospheric Environment and Its Application[M]. Beijing: Science Press, 2011. (in Chinese)

[9] 刘兆军, 周峰, 李瑜. 航天光学遥感器对红外探测器的需求分析[J]. 红外与激光工程, 2008, 37(1): 25-29. LIU Zhaojun, ZHOU Feng, LI Yu. Demands Analysis of IR Detectors for Space Remote Sensor[J]. Infrared and Laser Engineering, 2008, 37(1): 25-29. (in Chinese)

[10] 陈良富, 李萃萃, 陶金花, 等. 气溶胶遥感定量反演研究与应用[M]. 北京: 科学出版社, 2011. CHEN Liangfu, LI Cuicui, TAO Jinhua, et al. Research and Application of Aerosol Remote Sensing Quantitative Retrieval[M]. Beijing: Science Press, 2011. (in Chinese)

[11] 赵少华, 张峰, 王桥, 等. 高光谱遥感技术在国家环保领域中的应用[J]. 光谱学与光谱分析, 2013, 33(12): 3343-3348. ZHAO Shaohua, ZHANG Feng, WANG Qiao, et al. Application of Hyper-spectral Remote Sensing Technology in Environmental Protection[J]. Spectroscopy and Spectral Analysis, 2013, 33(12): 3343-3348. (in Chinese)

[12] ZHAO S, WANG Q, ZHANG F, et al. Drought Mapping Using Two Shortwave Infrared Water Indexes with MODIS Data Under Vegetated Season[J]. Journal of Environmental Informatics, 2013, 21(2): 102-111.

[13] 徐平. 海面溢油数值模拟及其遥感图像处理的研究[D]. 镇江: 江苏科技大学, 2014. XU Ping. Research of Numerical Simulation and Remote Sensing Image Processing of Spilled Oil[D]. Zhenjiang: Jiangsu University of Science and Technology, 2014. (in Chinese)

[14] 朱利, 赵利民, 王桥, 等. 核电站温排水分布卫星遥感监测及验证[J]. 光谱学与光谱分析, 2014(11): 3079-3084. ZHU Li, ZHAO Limin, WANG Qiao, et al. Monitoring the Thermal Plume from Coastal Nuclear Power Plant Using Satellite Remote Sensing Data: Modeling and Validation[J]. Spectroscopy and Spectral Analysis, 2014(11): 3079-3084. (in Chinese)

[15] 程晋听. 简化型蒸散胁迫指数的构建及其在农业干旱监测中的应用[D]. 南京: 南京信息工程大学, 2013. CHENG Jinting. Construction of Simplified Evapotranspiration Stress Index and Its Application in Agricultural Drought Monitoring[D]. Nanjing: Nanjing University of Information Engineering, 2013. (in Chinese)

[16] 闻建光, 刘强, 柳钦火, 等. 陆表二向反射特性遥感建模及反照率反演[M]. 北京：科学出版社, 2015: 168-192. WEN Jianguang, LIU Qiang, LIU Qinhuo, et al. Remote Sensing Modeling for Land Bidirectional Reflectance Characteristics and the Retrieval of Albedo[M]. Beijing: Science Press, 2015: 168-192. (in Chinese)

[17] 王慧慧, 周廷刚, 杜嘉, 等. 温度植被旱情指数在吉林省干旱监测中的应用[J].遥感技术与应用, 2013, 28(2): 324-329. WANG Huihui, ZHOU Tinggang, DU Jia, et al. Application of Temperature Vegetation Dryness Index in Monitoring Drought in the Jilin Province[J]. Remote Sensing Technology and Application, 2013, 28(2): 324-329. (in Chinese)

[18] 张振华, 蔡焕杰, 柴红敏. 不同生育时期对作物缺水指标的影响[J]. 干旱地区农业研究, 2002, 20(1): 77-80. ZHANG Zhenhua, CAI Huanjie, CHAI Hongmin. The Influence of Growth Stages on CWSI[J]. Agricultural Research in the Arid Areas, 2002, 20(1): 77-80. (in Chinese)

[19] KOGAN F N. Application of Vegetation Index and Brightness Temperature for Drought Detection[J]. Advances in Space Research, 1995, 15(11): 91-100.

[20] 周义, 覃志豪, 包刚. 热红外遥感图像中云覆盖像元地表温度估算初论[J]. 地理科学, 2013, 33(3): 329-334. ZHOU Yi, QIN Zhihao, BAO Gang. A Preliminary View on the Estimation of Land Surface Temperature under Cloud Cover from Thermal Remote Sensing Data[J]. Scientia Geographica Sinica, 2013, 33(3): 329-334. (in Chinese)

[21] 王敏, 孟浩, 白杨. 上海市土地利用空间格局与地表温度关系研究[J]. 生态环境学报, 2013, 22(2): 343-350. WANG Min, Meng Hao, BAI Yang. Relationships Between Landscapes Spatial Pattern and Land Surface Temperature in Shanghai[J]. Ecology and Environment Sciences, 2013, 22(2): 343-350. (in Chinese)

[22] 杨佩国, 胡俊峰, 刘睿. HJ-1B卫星热红外遥感影像农田地表温度反演[J]. 测绘科学, 2013, 38(1): 61-62. YANG Peiguo, HU Junfeng, LIU Rui. Land Surface Temperature Retrieval Method in Farmland Area for HJ-1B IRS4[J]. Science of Surveying and Mapping, 2013, 38(1): 61-62. (in Chinese)

[23] 李召良, 段四波, 唐伯惠, 等. 热红外地表温度遥感反演方法研究进展[J]. 遥感学报, 2016, 20(5): 899-920. LI Shaoliang, DUAN Sibo, TANG Bohui, et al. Review of Methods for Land Surface Temperature Derived from Thermal Infrared Remotely Sensed Data[J]. Journal of Remote Sensing, 2016, 20(5): 899-920. (in Chinese)

[24] 钤伟妙, 罗亚丽, 张人禾. 引发舟曲特大泥石流灾害强降雨过程成因[J]. 应用气象学报, 2011, 22(4): 385-397. QIAN Weimiao, LUO Yali, ZHANG Renhe. The Heavy Rainfall Event Leading to the Large Debris Flow at Zhouqu[J]. Journal of Applied Meteorological Science, 2011, 22(4): 385-397. (in Chinese)

[25] 周波. 地震分析预测模型及平台研究与实践[D]. 金华: 浙江师范大学, 2009. ZHOU Bo. The Method and Research on the Model and Platform Construct about the Earthquake Forecast[D]. Jinhua: Zhejiang Normal University, 2009. (in Chinese)

Satellite Infrared Remote Sensing Technology and Its Application in Disaster Prevention and Relief

HUANG Yufei1XU Jia1BAI Shaojun2GAO Ji1LI Ang1GAO Hongtao1

（1 Institute of Remote Sensing Satelite, CAST, Beijing 100094, China）（2 Qian Xuesen Laboratory of Space Technology, CAST, Beijing 100094, China）（3 Beijing Institute of Space Mechanics & Electricity, Beijing 100094, China）（4 Institute of Spacecraft Application System Engineering, CAST, Beijing 100094, China）

Infrared remote sensing has the advantage of saving time and effort compared with traditional methods in the application of disaster prevention and relief. In this paper, the satellite infrared remote sensing application in disaster relief is investigated in depth, and the application and development of the infrared remote sensing in the atmosphere, water environment, soil and geological anomaly are introduced and analyzed, including greenhouse effect, forest fire, drought, temperature, water quality, water drainage, landslides, earthquakes and other typical disasters. Finally, the main gap at home and abroad and proposals for development are put forward.

disaster prevention and relief; application research; development suggestions; infrared remote sensing

V443+.5

A

1009-8518(2020)05-0118-09

10.3969/j.issn.1009-8518.2020.05.014

2019-11-30

黄宇飞, 徐嘉, 白绍竣, 等. 卫星红外遥感技术及其在防灾救灾中的应用研究[J]. 航天返回与遥感, 2020, 41(5): 118-126.

HUANG Yufei, XU Jia, BAI Shaojun, et al. Satellite Infrared Remote Sensing Technology and Its Application in Disaster Prevention and Relief[J]. Spacecraft Recovery & Remote Sensing, 2020, 41(5): 118-126. (in Chinese)

黄宇飞，男，1987年生，2013年获哈尔滨工业大学飞行器设计专业硕士学位，工程师。主要研究方向为遥感卫星总体设计及应用研究。E-mail：billyyufei@sina.com。

（编辑：庞冰）