Geoskill: 森林火灾燃烧严重度
利用卫星影像计算森林火灾燃烧严重度，评估火灾损失。
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：Geoskill: 森林火灾燃烧严重度。 它的用途是：利用卫星影像计算森林火灾燃烧严重度，评估火灾损失。 完整的 Skill 内容见：https://321skill.com/skills/geoskill-森林火灾燃烧严重度/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
‘请分析附件中提供的2022年夏季山火发生前后的Landsat 9影像，计算并输出这次森林火灾的燃烧严重度分布图。’，它会自动读取影像、计算dNBR值、进行分类，并生成一张标有不同燃烧等级（如未燃烧、低、中、高）的专题地图和一份简要的统计报告。
介绍
该技能旨在解决森林火灾后，如何科学、快速、大范围地评估火灾对森林生态系统造成的破坏程度的问题。传统的地面调查方法耗时费力且难以覆盖大面积区域，而该技能通过处理灾前和灾后的卫星遥感影像，能够自动化地生成燃烧严重度地图和报告。
用户只需提供灾前和灾后的近红外（NIR）与短波红外（SWIR）波段卫星影像数据，技能将自动计算差异归一化燃烧比（dNBR），并根据预设阈值将燃烧严重度划分为未燃烧、低度、中度和高度四个等级。整个过程无需用户具备专业的遥感图像处理知识。
该技能非常适合林业管理者、生态研究人员、环境监测机构以及应急管理部门的工作人员使用。他们可以利用该技能快速获取火灾影响范围的客观数据，为灾后生态恢复规划、损失评估和决策支持提供关键依据。
使用建议：为确保计算结果的准确性，建议使用同一卫星传感器、相同季节（以减少植被物候差异）且云量覆盖少的灾前灾后影像。同时，dNBR的分类阈值可能需要根据具体的地理区域和植被类型进行微调，以获得更符合当地实际情况的评估结果。
核心特点
该技能专注于利用差异归一化燃烧比（dNBR）这一经过学术界和业界验证的成熟遥感指数，提供标准化的森林火灾燃烧严重度评估流程，而非通用的图像分析工具。它直接输出分类明确的严重度等级地图，降低了遥感技术应用门槛。
注意事项
该技能不适用于评估城市火灾、工业火灾等其他类型的火灾损失，且其精度受卫星影像质量、时相选择和区域特定阈值的影响。
常见问题
计算森林火灾燃烧严重度需要什么数据？
需要灾前和灾后两期包含近红外（NIR）和短波红外（SWIR）波段的卫星遥感影像，例如Landsat、Sentinel-2等数据。
dNBR计算的燃烧严重度分为哪几类？
通常分为四类：未燃烧、低度燃烧、中度燃烧和高度燃烧，具体阈值可根据研究区调整。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/geoskill-森林火灾燃烧严重度/raw/index.md 读取 Geoskill: 森林火灾燃烧严重度 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/geoskill-森林火灾燃烧严重度/raw/index.md（查看排版版本）