CN108520363A - 一种用于预测未来时相森林火灾发生风险的评估方法 - Google Patents
一种用于预测未来时相森林火灾发生风险的评估方法 Download PDFInfo
- Publication number
- CN108520363A CN108520363A CN201810347521.2A CN201810347521A CN108520363A CN 108520363 A CN108520363 A CN 108520363A CN 201810347521 A CN201810347521 A CN 201810347521A CN 108520363 A CN108520363 A CN 108520363A
- Authority
- CN
- China
- Prior art keywords
- data
- phase
- fire
- forest fire
- occurrence risk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用于预测未来时相森林火灾发生风险的评估方法,涉及火灾发生风险评估方法。本发明通过选择森林火灾发生时相前第N个时相的植被数据、地形数据和森林火灾发生时相所在时相的气象数据进行模型训练,得到上述数据与森林火灾发生风险之间的关系,并将实时植被数据和地形数据和实时时相后第N个时相的气象预报数据代入上述关系中进行评估。本发明评估方法综合考虑多种对森林火灾发生有诱导作用的因子,消除了仅考虑气象因子获得评估结果的偏颇性;而且由于数据选择的创新从而实现了大范围、高空间分辨率的火灾风险评估,并且评估结果具有预测性,能够为预防森林火灾、完善防治减灾体系建设提供科学依据,有利于指导森林火灾的预防和控制工作。
Description
技术领域
本发明属于火灾发生风险评估方法技术领域,具体涉及一种用于预测未来时相森林火灾发生风险的评估方法。
背景技术
森林火灾是一种十分常见且极具破坏力的自然灾害,全世界每年平均发生森林火灾二十多万次,烧毁森林面积约占全世界森林总面积的1‰以上。中国每年平均发生森林火灾约一万多次,烧毁森林几十万至上百万公顷,约占全国森林面积的5~8‰。森林火灾不仅烧死、烧伤林木,直接减少森林面积,而且严重破坏森林结构和森林环境,导致森林生态系统失去平衡,森林生物量下降,甚至造成人畜伤亡。
虽然森林火灾不可彻底消除,但是通过规律分析和人为干预可降低森林火灾发生的风险。现目前而言,研究人员对森林火灾发生风险的评估主要是基于实时的气象数据,即根据森林区域的实时气象特点,利用现有的森林火灾数据,建立森林火灾天气等级来实现对森林火灾风险的实时评估。基于实时的气象数据进行森林火灾发生风险的评估包括如下基本步骤:(1)下载相关火灾产品或根据火点提取算法进行火灾燃烧面积制图;(2)建立森林火灾发生风险和气象数据之间的定性关系;(3)采用数值模拟等技术手段进行气象数据预测;(4)根据前述所得的定性关系和气象预报数据来对森林火灾发生风险进行评估。由上可以看出,虽然此种森林火灾发生风险评估方法步骤简单,易于实现,但是亦存在诸多问题。主要问题如下:其一在于森林火灾发生风险与气象数据的定性关系在评估精度上过于粗糙,缺乏定量的判别;其二在于气象数据的获取通常是以区域为基本单位,空间分辨率很低,仅仅适用于小尺度研究范围内的森林火灾发生风险评估;其三在于森林火灾发生风险本身受到多种因子的综合作用,根据气象数据得到的结果不够全面、准确。
现有技术中,对于森林火灾发生风险训练模型的研究已经比较深入,比如:逻辑斯蒂回归、神经网络、支持向量机等。训练模型的输入数据包括发生火灾区域的相关因子数据(简称为火灾数据)和未发生火灾区域的相关因子数据(简称为非火灾数据)。现有训练模型的输出数据通常是与输入数据同时相的,输出数据得到的是当下时刻的火灾发生风险,发挥一种实时监测的功能,难以预测未来时相的火灾发生风险。而预测森林火灾发生风险是一项十分必要的工作,对于科学预防森林火灾、完善防治减灾体系的建设有着十分重要的现实意义。因此如何预测得到未来时相森林火灾发生风险的概率成为了本领域技术人员亟待解决的技术问题。
发明内容
鉴于上文所述,本发明的目的在于:针对现有森林火灾风险评估方法存在考虑因子单一、空间分辨率低、无法预测未来时相森林火灾发生风险以及评估精度低等问题,提供一种基于多源遥感数据,能够实现大范围、高空间分辨率、具有预测性质的森林火灾发生风险的评估方法。
为了实现上述目的,本发明提供如下技术方案:
一种用于预测未来时相森林火灾发生风险的评估方法,其特征在于,包括如下步骤:
步骤A:
A1提取数据:
提取火灾像元数据和非火灾像元数据分别作为火灾数据和非火灾数据,所述火灾数据和非火灾数据均至少包括植被数据、地形数据和气象再分析数据,其中:植被数据和地形数据为火灾像元所在时相前的第N个时相的历史数据,气象再分析数据为火灾像元所在时相的实时数据;
A2构建模型:
将所述火灾数据和所述非火灾数据输入至训练模型,得到至少包含有植被要素、地形要素和气象要素的多源要素与森林火灾发生风险之间的定量关系;
步骤B:
提取实时时相的植被数据和地形数据以及实时时相后的第N个时相的气象预报数据代入至步骤A获得的定量关系中,即得到实时时相后的第N个时相的森林火灾发生风险评估结果。
进一步地,在提取数据前还包括将像元分为不同植被类型,然后分别针对不同植被类型进行数据提取。
进一步地,所述时相的长度是遥感产品而定,时相的长度为1~16天。
进一步地,前第N个时相的数据用以建模来预测后第N个时相的数据,因此,步骤A和步骤B中的N取值相同;N的取值范围与时相的长度相关,时相的长度为16天时,N为1,时相的长度为8天时,N为1~2,时相的长度为1天时,N为1~13,通常为保证评估结果的精确度,尽可能选择最小的N值。
进一步地,所述训练模型包括逻辑斯蒂回归、神经网络或者支持向量机。
进一步地,所述植被数据包括但不限于植被类型、可燃物含水量和归一化差值植被指数。
下面详细阐述本发明构思:
目前传统的森林火灾风险评估方法,致灾因素考虑单一,大多单纯基于气象要素来进行评估。现目前使用的气象数据实际上就是网络爬虫数据,本质上是通过利用实时数据来发挥同步监测的作用,评估得到森林火灾实时(即所提取数据当下时刻)的风险大小;而且实时气象观测站就大区域来看数量少且覆盖度低,致使现目前使用的气象数据存在长时间序列获取的成本高、空间分辨率低的问题,造成该方法很难实现大范围的应用且评估结果不够全面。
而本发明基于多源遥感数据,能够实现大范围、高空间分辨率的火灾风险评估。综合考虑了多方面对森林火灾发生有诱导作用的因子,消除了因仅考虑气象数据带来评估结果的偏颇性。除此之外,更为重要的一点是:在本发明训练模型的数据中,植被要素、地形要素数据选择的时相为火灾发生时相所在时相前的第N个时相,并不是火灾发生所在的时相,气象要素数据选择的时相为火灾发生时相所在时相。这一选择与常规评估森林火灾发生风险具有本质上的区别。正是由于这一区别,使得我们能够通过模型训练来建立火灾发生时相所在时相前的第N个时相的植被要素、地形要素和火灾发生时相所在时相的气象要素与火灾发生时相森林火灾发生风险之间的关系。如上建立得到训练模型后,结合实时时相的植被数据、地形数据和实时时相后第N个时相的气象预报数据,就能够实现对未来时相森林火灾发生风险的评估。
相比现有技术本发明的有益效果在于:
(1)、本发明通过选择森林火灾发生时相所在时相前的第N个时相的植被数据、地形数据和森林火灾发生时相所在时相的气象数据进行模型训练,得到上述数据与森林火灾发生时相森林火灾发生风险之间的关系,并将实时植被数据和地形数据和实时时相后第N个时相的气象预报数据代入上述关系中实现对实时时相后第N个时相的森林火灾发生风险的评估。本发明提供的评估方法能够实现大范围、高空间分辨率的火灾风险评估,并且评估结果具有预测性,能够为预防森林火灾、完善防治减灾体系建设提供科学依据,有利于指导森林火灾的预防和控制工作。
(2)、本发明提供的森林火灾发生风险评估方法综合考虑多种对森林火灾发生有诱导作用的因子,消除了仅考虑气象因子获得评估结果的偏颇性。
(3)、本发明选择的数据都能够脱离实地测量,能够实现任何地区森林火险评估时无需实地测量数据,节省了人力、物力、财力等资源的投入。
附图说明
图1为2006年1月云南省弥勒县森林火灾分布图像。
图2为2006年云南省弥勒县土地覆盖分类图像。
图3为数据提取时间轴示意图。
图4为风险评估时间轴示意图。
图5为2006.01.01云南省弥勒县森林火灾发生风险评估图像。
具体实施方式
下面将参照说明书附图对本发明的具体实施例进行详细阐述,以便于本领域的其他技术人员能够理解本发明的各种实施例以及知晓适用于特定预期应用的各种修改。
实施例:
森林火险是受到多种自然条件共同作用、相互影响下引发森林火灾概率或可能性的大小,本实施例综合兼顾森林可燃物、地形地貌、气候气象、植被条件等各种可能诱发火灾因子的各种影响,选择植被要素、地形要素和气象要素作为主要考虑的致灾因素,以此来研究其与森林火灾发生风险的关系。需要特别说明的是,除了上述致灾因素本领域技术人员还可选择其他合适的致灾因素,本发明未必对此作出限定。
本实施例在植被要素中主要考虑植被类型、可燃物含水量(Fuel MoistureContent,FMC)、归一化差值植被指数(Normalized Difference Vegetation Index,NDVI)变量。本发明提出植被要素主要通过基于遥感技术反演获取重要的植被状态信息。其目的在于利用遥感技术的特性,以实现脱离实地测量的方式获取植被的状态信息。其中:植被类型主要是分林地和草地两个部分,以此来消除不同植被类型带来的差异性。FMC是指在采样单元内的植物的湿重与干重之差除以干重得到的比值,反映了单位植被叶片的含水程度,其高低直接影响到火险等级的高低,是一种十分重要的火灾指标因子,可利用遥感技术并结合植被辐射传输模型反演获取。NDVI是一种常见植被指数,能反映出植被的生长状况和植被覆盖度,可通过遥感卫星反射率产品(MOD09A1)的第一、第二波段计算获取。
本实施例在地形要素中主要考虑高程,坡度和坡向等变量,使用数据由航天飞机雷达地形测绘使命(Shuttle Radar Topography Mission,SRTM)提供。
本实施例在气象要素中主要是选择气象再分析数据和气象预报数据,上述两类气象数据都是采用数值模拟技术而形成的栅格数据,使用该数据同样也能脱离实地的气象站台的测量数据。其中:气象再分析数据使用REA-Interim数据,ERA-Interim数据是气象历史数据,该数据是用来训练模型的时候使用;气象预报数据使用GFS(Global ForecastingSystem)数据,GFS数据是气象预报数据,该数据是在模型应用的时候使用。
一种用于预测未来时相森林火灾发生风险的评估方法,具体包括如下步骤:
步骤A:
数据准备:
本实施例采用云南省弥勒县2006年1月发生的森林火灾,本实施例使用遥感卫星过火面积产品(MCD64A1)来提供火灾分布图像,该产品记录了每月火灾发生的时间和地点,如图1所示为云南省弥勒县2006年1月的森林火灾分布图像,浅色调像元代表未发生火灾,深色调像元代表发生了火灾;由于植被类型存在差异性,不同的植被类型应当分开处理,本实施例利用遥感卫星提供的土地覆盖产品(MCD12Q1)来判断各个火灾像元的植被类型。如图2所示,土地覆盖分类遥感图像中浅色像元代表草地,深色像元代表林地,黑色像元代表非植被区域。气象再分析数据使用REA-Interim数据中2005.12~2006.01的气象数据;气象预报数据使用的是GFS数据中2007.01的数据,地形数据使用SRTM数据;
数据提取:
根据MCD12Q1数据把像元分为草地和林地两个部分,然后分别针对草地和林地两种植被类型进行数据提取;
(1)火灾数据的提取:根据火灾分布图像提供发生火灾的像元所在的时间和位置,提取所有火灾像元所在时相的气象数据和所有火灾像元所在时相的前一个时相的植被数据作为火灾数据;时相长短具体视遥感产品而定,本实施例时相长度为8天;如图3所示,如若某一像元在Tn时相内发生了火灾,则提取发生火灾区域内Tn时相的气象数据和Tn-1时相的植被数据和地形数据作为火灾数据;
(2)非火灾数据的提取:根据火灾分布图像随机提取所有火灾像元所在时相未发生火灾区域前一个时相的数据点作为非火灾数据,非火灾数据点的数目应与火灾数据点的数目相等;如图3所示,如若某一像元在Tn时相内发生了火灾,就是随机提取未发生火灾区域内Tn时相的气象数据和Tn-1时相的植被数据和地形数据作为非火灾数据;
构建模型:
本实施例基于上述多源数据集和逻辑斯蒂回归(Logistic)模型来构建森林火灾发生风险评估模型。同时需要说明的是,本发明提出的森林火灾发生风险评估方法中训练模型不局限于实施例涉及的逻辑斯蒂回归(Logistic)模型,本领域技术人员在知晓本发明构思的基础上可采用神经网络或者支持向量机等任何合适的模型进行建模、处理并达到实施例所期望达到的目的。
逻辑斯蒂回归(Logistic)模型的基本公式如下:
式中,P为森林火灾发生概率,b0,b1…bn为模型参数,X1,X2…Xn为多源变量。将提取得到每种植被类型(草地和林地)的火灾数据和非火灾数据分别带入模型进行训练,获得两种植被类型的火灾风险评估模型(下面分别称之为林地火灾风险评估模型、草地火灾风险评估模型)。
步骤B:
通过上述模型可以实现森林火灾发生风险评估的预测;如图4所示,如果Tm时相为现在时刻所在的时相(即实时时相),待预测时相为Tm+x时相,那么把Tm时相的实时的植被要素数据、地形数据和Tm+x时相的气象预报数据输入到训练后的模型中,则可以到的Tm+x时相的森林火灾发生风险评估图像,本实施例中x=1,预测的是实时时相后一个时相的森林火灾发生风险;
本实施例中根据MCD12Q1数据,针对云南省弥勒县每个像元,选择林地火灾风险评估模型或者草地火灾风险评估模型对该像元的森林火灾发生风险进行评估,进而得到如图5所示的森林火灾发生风险评估图。假设现在时刻所在的时相是2006年最后一个时相,则评估2007.01.01所在时相(即2017年的第一个时相)的森林火灾发生风险使用的是2006年最后一个时相(即2007.01.01的前一个时相)的植被数据、地形数据和2007.01.01所在时相的气象预报数据计算得到的2007.01.01所在时相的森林火灾发生风险评估分布图像,色调越浅,森林火灾发生的概率越大,即风险越高。
上述实施方式仅仅是示意性的,而非限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可以进行修饰或改变,这些均属于本发明的保护之内。
Claims (6)
1.一种用于预测未来时相森林火灾发生风险的评估方法,其特征在于,包括如下步骤:
步骤A:
A1、提取数据:
提取火灾像元数据和非火灾像元数据分别作为火灾数据和非火灾数据,所述火灾数据和非火灾数据均至少包括植被数据、地形数据和气象再分析数据,其中:植被数据和地形数据为火灾像元所在时相前的第N个时相的历史数据,气象再分析数据为火灾像元所在时相的实时数据;
A2、构建模型:
将所述火灾数据和所述非火灾数据输入至训练模型,得到至少包含有植被要素、地形要素和气象要素的多源要素与森林火灾发生风险之间的定量关系;
步骤B:
提取实时时相的植被数据和地形数据以及实时时相后的第N个时相的气象预报数据代入至步骤A获得的定量关系中,即得到实时时相后的第N个时相的森林火灾发生风险评估结果。
2.根据权利要求1所述的一种用于预测未来时相森林火灾发生风险的评估方法,其特征在于:在提取数据前还包括将像元分为不同植被类型,然后分别针对不同植被类型进行数据提取。
3.根据权利要求1或2所述的一种用于预测未来时相森林火灾发生风险的评估方法,其特征在于:所述时相的长度为1~16天。
4.根据权利要求3所述的一种用于预测未来时相森林火灾发生风险的评估方法,其特征在于:时相的长度为16天时,N为1;时相的长度为8天时,N为1~2;时相的长度为1天时,N为1~13。
5.根据权利要求1所述的一种用于预测未来时相森林火灾发生风险的评估方法,其特征在于:所述训练模型包括逻辑斯蒂回归、神经网络或者支持向量机。
6.根据权利要求1所述的一种用于预测未来时相森林火灾发生风险的评估方法,其特征在于:所述植被数据包括植被类型、可燃物含水量和归一化差值植被指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810347521.2A CN108520363A (zh) | 2018-04-18 | 2018-04-18 | 一种用于预测未来时相森林火灾发生风险的评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810347521.2A CN108520363A (zh) | 2018-04-18 | 2018-04-18 | 一种用于预测未来时相森林火灾发生风险的评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108520363A true CN108520363A (zh) | 2018-09-11 |
Family
ID=63428847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810347521.2A Pending CN108520363A (zh) | 2018-04-18 | 2018-04-18 | 一种用于预测未来时相森林火灾发生风险的评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108520363A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109211793A (zh) * | 2018-09-12 | 2019-01-15 | 中国科学技术大学 | 结合光谱指数和神经网络的火灾过火迹地识别方法 |
CN109472396A (zh) * | 2018-10-17 | 2019-03-15 | 四川佳联众合企业管理咨询有限公司 | 基于深度网络学习的山火预测方法 |
CN109871515A (zh) * | 2018-11-22 | 2019-06-11 | 常州天正工业发展股份有限公司 | 一种根据设备数据评估危险发生概率的系统和算法 |
CN110046738A (zh) * | 2019-01-28 | 2019-07-23 | 南京林业大学 | 一种基于人工智能感知机模型的森林火灾预测方法 |
CN110057997A (zh) * | 2019-05-06 | 2019-07-26 | 电子科技大学 | 一种基于双极化sar数据的森林可燃物含水率时间序列反演方法 |
CN111178756A (zh) * | 2019-12-29 | 2020-05-19 | 杭州拓深科技有限公司 | 一种基于环境大数据的多元线性回归火灾风险评估方法 |
CN111583567A (zh) * | 2020-06-01 | 2020-08-25 | 江西憶源多媒体科技有限公司 | 一种森林防火预警方法及装置 |
CN112016744A (zh) * | 2020-08-24 | 2020-12-01 | 中山大学 | 一种基于土壤水分的森林火灾预测方法、装置及存储介质 |
CN112462028A (zh) * | 2020-12-15 | 2021-03-09 | 电子科技大学 | 一种估测森林地表10-h死可燃物含水率的方法 |
CN112613347A (zh) * | 2020-12-03 | 2021-04-06 | 应急管理部国家自然灾害防治研究院 | 一种森林火灾过火范围和烧毁程度的自动识别方法 |
CN112683811A (zh) * | 2020-11-27 | 2021-04-20 | 南京观微空间科技有限公司 | 基于中分辨率影像的森林冠层光谱季相变化监测方法 |
CN112697279A (zh) * | 2020-12-14 | 2021-04-23 | 电子科技大学 | 一种基于空间上下文特征的森林火点大范围检测方法 |
CN113033391A (zh) * | 2021-03-24 | 2021-06-25 | 浙江中辰城市应急服务管理有限公司 | 一种火灾风险预警研判方法及系统 |
CN113159362A (zh) * | 2020-12-10 | 2021-07-23 | 西安天和防务技术股份有限公司 | 一种森林火灾等级的预测方法及装置 |
CN113298311A (zh) * | 2021-06-08 | 2021-08-24 | 平安国际智慧城市科技股份有限公司 | 森林火灾危险等级预测方法、装置、设备及可读存储介质 |
CN113408776A (zh) * | 2020-12-21 | 2021-09-17 | 电子科技大学 | 一种基于时间维特征增强的川西野火风险预警方法 |
CN113495252A (zh) * | 2021-06-22 | 2021-10-12 | 电子科技大学 | 一种基于极化分解的森林冠层活跃可燃物载荷量估算方法 |
CN113553764A (zh) * | 2021-07-13 | 2021-10-26 | 广东工业大学 | 一种基于深度学习网络的山火预测方法 |
US11244161B2 (en) | 2019-07-29 | 2022-02-08 | International Business Machines Corporation | Managing tree risk |
CN117575320A (zh) * | 2023-11-29 | 2024-02-20 | 中国科学院空天信息创新研究院 | 一种基于图卷积神经网络的森林火灾风险预测方法 |
CN117783453A (zh) * | 2024-02-27 | 2024-03-29 | 杨凌职业技术学院 | 一种林业防火用实时监测系统 |
CN117783453B (zh) * | 2024-02-27 | 2024-05-10 | 杨凌职业技术学院 | 一种林业防火用实时监测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663082A (zh) * | 2012-04-06 | 2012-09-12 | 昆明理工大学 | 基于数据挖掘的森林火灾预测方法 |
CN103020369A (zh) * | 2012-12-21 | 2013-04-03 | 浙江农林大学 | 高分辨率森林火灾预报方法 |
CN103065045A (zh) * | 2012-12-21 | 2013-04-24 | 浙江农林大学 | 耦合气象与植被的森林火险预报方法 |
US20170059343A1 (en) * | 2015-08-28 | 2017-03-02 | The Boeing Company | System and methods for real-time escape route planning for fire fighting and natural disasters |
-
2018
- 2018-04-18 CN CN201810347521.2A patent/CN108520363A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663082A (zh) * | 2012-04-06 | 2012-09-12 | 昆明理工大学 | 基于数据挖掘的森林火灾预测方法 |
CN103020369A (zh) * | 2012-12-21 | 2013-04-03 | 浙江农林大学 | 高分辨率森林火灾预报方法 |
CN103065045A (zh) * | 2012-12-21 | 2013-04-24 | 浙江农林大学 | 耦合气象与植被的森林火险预报方法 |
US20170059343A1 (en) * | 2015-08-28 | 2017-03-02 | The Boeing Company | System and methods for real-time escape route planning for fire fighting and natural disasters |
Non-Patent Citations (1)
Title |
---|
徐爱俊 等: "基于GIS的森林火灾预报预测模型的研究与探讨", 《浙江林学院学报》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109211793A (zh) * | 2018-09-12 | 2019-01-15 | 中国科学技术大学 | 结合光谱指数和神经网络的火灾过火迹地识别方法 |
CN109211793B (zh) * | 2018-09-12 | 2020-10-27 | 中国科学技术大学 | 结合光谱指数和神经网络的火灾过火迹地识别方法 |
CN109472396A (zh) * | 2018-10-17 | 2019-03-15 | 四川佳联众合企业管理咨询有限公司 | 基于深度网络学习的山火预测方法 |
CN109472396B (zh) * | 2018-10-17 | 2023-06-20 | 成都卡普数据服务有限责任公司 | 基于深度网络学习的山火预测方法 |
CN109871515A (zh) * | 2018-11-22 | 2019-06-11 | 常州天正工业发展股份有限公司 | 一种根据设备数据评估危险发生概率的系统和算法 |
CN109871515B (zh) * | 2018-11-22 | 2023-07-07 | 常州天正工业发展股份有限公司 | 一种根据设备数据评估危险发生概率的系统和算法 |
CN110046738A (zh) * | 2019-01-28 | 2019-07-23 | 南京林业大学 | 一种基于人工智能感知机模型的森林火灾预测方法 |
CN110057997A (zh) * | 2019-05-06 | 2019-07-26 | 电子科技大学 | 一种基于双极化sar数据的森林可燃物含水率时间序列反演方法 |
US11244161B2 (en) | 2019-07-29 | 2022-02-08 | International Business Machines Corporation | Managing tree risk |
CN111178756B (zh) * | 2019-12-29 | 2024-02-27 | 杭州拓深科技有限公司 | 一种基于环境大数据的多元线性回归火灾风险评估方法 |
CN111178756A (zh) * | 2019-12-29 | 2020-05-19 | 杭州拓深科技有限公司 | 一种基于环境大数据的多元线性回归火灾风险评估方法 |
CN111583567A (zh) * | 2020-06-01 | 2020-08-25 | 江西憶源多媒体科技有限公司 | 一种森林防火预警方法及装置 |
CN112016744A (zh) * | 2020-08-24 | 2020-12-01 | 中山大学 | 一种基于土壤水分的森林火灾预测方法、装置及存储介质 |
CN112683811B (zh) * | 2020-11-27 | 2023-01-10 | 南京观微空间科技有限公司 | 基于中分辨率影像的森林冠层光谱季相变化监测方法 |
CN112683811A (zh) * | 2020-11-27 | 2021-04-20 | 南京观微空间科技有限公司 | 基于中分辨率影像的森林冠层光谱季相变化监测方法 |
CN112613347B (zh) * | 2020-12-03 | 2021-07-27 | 应急管理部国家自然灾害防治研究院 | 一种森林火灾过火范围和烧毁程度的自动识别方法 |
CN112613347A (zh) * | 2020-12-03 | 2021-04-06 | 应急管理部国家自然灾害防治研究院 | 一种森林火灾过火范围和烧毁程度的自动识别方法 |
CN113159362A (zh) * | 2020-12-10 | 2021-07-23 | 西安天和防务技术股份有限公司 | 一种森林火灾等级的预测方法及装置 |
CN112697279B (zh) * | 2020-12-14 | 2022-07-29 | 电子科技大学 | 一种基于空间上下文特征的森林火点大范围检测方法 |
CN112697279A (zh) * | 2020-12-14 | 2021-04-23 | 电子科技大学 | 一种基于空间上下文特征的森林火点大范围检测方法 |
CN112462028B (zh) * | 2020-12-15 | 2021-07-06 | 电子科技大学 | 一种估测森林地表10-h死可燃物含水率的方法 |
CN112462028A (zh) * | 2020-12-15 | 2021-03-09 | 电子科技大学 | 一种估测森林地表10-h死可燃物含水率的方法 |
CN113408776A (zh) * | 2020-12-21 | 2021-09-17 | 电子科技大学 | 一种基于时间维特征增强的川西野火风险预警方法 |
CN113033391A (zh) * | 2021-03-24 | 2021-06-25 | 浙江中辰城市应急服务管理有限公司 | 一种火灾风险预警研判方法及系统 |
CN113033391B (zh) * | 2021-03-24 | 2022-03-08 | 浙江中辰城市应急服务管理有限公司 | 一种火灾风险预警研判方法及系统 |
CN113298311A (zh) * | 2021-06-08 | 2021-08-24 | 平安国际智慧城市科技股份有限公司 | 森林火灾危险等级预测方法、装置、设备及可读存储介质 |
CN113495252A (zh) * | 2021-06-22 | 2021-10-12 | 电子科技大学 | 一种基于极化分解的森林冠层活跃可燃物载荷量估算方法 |
CN113495252B (zh) * | 2021-06-22 | 2023-04-21 | 电子科技大学 | 一种基于极化分解的森林冠层活跃可燃物载量估算方法 |
CN113553764B (zh) * | 2021-07-13 | 2023-08-04 | 广东工业大学 | 一种基于深度学习网络的山火预测方法 |
CN113553764A (zh) * | 2021-07-13 | 2021-10-26 | 广东工业大学 | 一种基于深度学习网络的山火预测方法 |
CN117575320A (zh) * | 2023-11-29 | 2024-02-20 | 中国科学院空天信息创新研究院 | 一种基于图卷积神经网络的森林火灾风险预测方法 |
CN117575320B (zh) * | 2023-11-29 | 2024-04-30 | 中国科学院空天信息创新研究院 | 一种基于图卷积神经网络的森林火灾风险预测方法 |
CN117783453A (zh) * | 2024-02-27 | 2024-03-29 | 杨凌职业技术学院 | 一种林业防火用实时监测系统 |
CN117783453B (zh) * | 2024-02-27 | 2024-05-10 | 杨凌职业技术学院 | 一种林业防火用实时监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520363A (zh) | 一种用于预测未来时相森林火灾发生风险的评估方法 | |
US11660480B2 (en) | Fire forecasting | |
US11202926B2 (en) | Fire monitoring | |
US11169678B2 (en) | Fire management tool with versatile user interface | |
Chirici et al. | Assessing forest windthrow damage using single-date, post-event airborne laser scanning data | |
Roy | Forest fire and degradation assessment using satellite remote sensing and geographic information system | |
US20220016455A1 (en) | Fire monitoring | |
Fernández-Guisuraga et al. | Vegetation structure parameters determine high burn severity likelihood in different ecosystem types: A case study in a burned Mediterranean landscape | |
Mansor et al. | Spatial technology for natural risk management | |
Naveen et al. | Atmospheric weather prediction using various machine learning techniques: a survey | |
Adab | Landfire hazard assessment in the Caspian Hyrcanian forest ecoregion with the long-term MODIS active fire data | |
Mell et al. | Computer modelling of wildland-urban interface fires | |
Tatishvili et al. | The Use of Structured Data for Drought Evaluation in Georgia | |
Allgöwer et al. | Introduction to fire danger rating and remote sensing—will remote sensing enhance wildland fire danger rating? | |
de Leeuw et al. | Application of remote sensing and geographic information systems in wildlife mapping and modelling | |
Meyer et al. | Assessing habitat suitability for the translocation of Ochrosia tahitensis (Apocynaceae), a critically endangered endemic plant from the island of Tahiti (South Pacific) | |
Dalezios et al. | Wildfires and remote sensing: An overview | |
Lucas et al. | Assessing human impacts on Australian forests through integration of remote sensing data | |
Parihar | FASAL concept in meeting the requirements of assessment and forecasting crop production affected by extreme weather events | |
Idrees et al. | Planted Forest Fire Burn Area and Impact Assessment Using Sentinel-2: Case Study of the University of Ilorin Teak Plantation | |
Sharma et al. | Boots on the Ground and Eyes in the Sky: A Perspective on Es-Timating Fire Danger from Soil Moisture Content. Fire 2021, 4, 45 | |
Palumbo et al. | 5 Wildfire Monitoring with Satellite Remote Sensing in Support of Conservation | |
Amin et al. | Wildfire Potential Mapping Using Remotely-sensed Vegetation Index: Case Study: Kurdistan Region, Iraq | |
NGUYEN | Extrapolating forest biomass dynamics over large areas using time-series remote sensing | |
Mikwa et al. | Forest degradation, a methodological approach using remote sensing techniques: A review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180911 |
|
RJ01 | Rejection of invention patent application after publication |