CN109840617A - 火灾指标预测方法、装置、可读存储介质和电子设备 - Google Patents
火灾指标预测方法、装置、可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN109840617A CN109840617A CN201811615305.8A CN201811615305A CN109840617A CN 109840617 A CN109840617 A CN 109840617A CN 201811615305 A CN201811615305 A CN 201811615305A CN 109840617 A CN109840617 A CN 109840617A
- Authority
- CN
- China
- Prior art keywords
- fire
- variety
- inducing factors
- under
- current time
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本公开涉及一种火灾指标预测方法、装置、可读存储介质和电子设备。方法包括:获取当前时刻下多种火灾致灾因子的数据;根据当前时刻下多种火灾致灾因子的数据,生成当前时刻下多种火灾致灾因子对应的第一特征图;对当前时刻下多种火灾致灾因子的数据进行傅里叶变换;根据当前时刻下变换后所得数据,生成当前时刻下多种火灾致灾因子对应的第二特征图;根据第一特征图和第二特征图,生成当前时刻下多种火灾致灾因子对应的目标特征图;将目标特征图输入至与火灾指标对应的预测模型,获得火灾指标的预测值。由此,更有助于与火灾指标对应的预测模型对图像特征的识别,从而提升火灾指标预测的准确度,以最大程度地降低火灾发生的概率及火灾造成的损失。
Description
技术领域
本公开涉及火灾监测领域,具体地,涉及一种火灾指标预测方法、装置、可读存储介质和电子设备。
背景技术
森林火灾已经成为备受关注的环境问题,不仅会造成的巨大经济损失和严重的生态破坏,同时给人类的生活带来灾难性影响。森林火灾的发生源于多种原因(如人为疏忽和闪电),尽管越来越多的国家斥巨资来控制灾难,全世界每年仍有数百万公顷的森林葬身火海。
近几年,快速检测已慢慢成为预测火灾的关键要素,但由于传统的监视费用昂贵且受主观因素的影响较大,人们逐渐重视并发展自动化的解决方案。因此,如何运用各种技术手段对火灾指标进行准确预测,成为当今国内外学者研究的热点内容。
发明内容
本公开的目的是提供一种火灾指标预测方法、装置、可读存储介质和电子设备,以实现火灾指标的准确预测。
为了实现上述目的,根据本公开实施例的第一方面,提供一种火灾指标预测方法,包括:
获取当前时刻下多种火灾致灾因子的数据;
根据所述当前时刻下所述多种火灾致灾因子的数据,生成所述当前时刻下所述多种火灾致灾因子对应的第一特征图;
对所述当前时刻下所述多种火灾致灾因子的数据进行傅里叶变换;
根据所述当前时刻下变换后所得数据,生成所述当前时刻下所述多种火灾致灾因子对应的第二特征图;
根据所述当前时刻下所述多种火灾致灾因子对应的第一特征图和所述当前时刻下所述多种火灾致灾因子对应的第二特征图,生成所述当前时刻下所述多种火灾致灾因子对应的目标特征图;
将所述当前时刻下所述多种火灾致灾因子对应的目标特征图输入至与火灾指标对应的预测模型,获得所述火灾指标的预测值。
可选地,所述火灾指标为用于表示是否发生火灾的火灾预警指标;
所述多种火灾致灾因子包括以下因子中的多种:
地理位置,所述当前时刻对应的日期,细小可燃物湿度码FFMC,粗腐殖质湿度码DMC,干旱码DC,初始蔓延指数ISI,大气温度,大气相对湿度,风速,降水量,偶然因子,其中,所述偶然因子与当前天气和日期有关。
可选地,所述火灾指标为用于表示火灾在预设方向上的蔓延速度的火灾蔓延指标;
所述多种火灾致灾因子包括以下因子中的多种:
地理位置,所述当前时刻对应的日期,细小可燃物湿度码FFMC,粗腐殖质湿度码DMC,干旱码DC,初始蔓延指数ISI,大气温度,大气相对湿度,风速,降水量,风向,森林密度。
可选地,与所述火灾指标对应的所述预测模型通过以下方式构建:
获取多个历史时刻下所述多种火灾致灾因子的数据以及每个所述历史时刻下所述火灾指标的实际值;
根据每个所述历史时刻下所述多种火灾致灾因子的数据,生成每个所述历史时刻下所述多种火灾致灾因子对应的第一特征图;
对每个所述历史时刻下所述多种火灾致灾因子的数据进行傅里叶变换;
根据每个所述历史时刻下变换后所得数据,生成每个所述历史时刻下所述多种火灾致灾因子对应的第二特征图;
根据每个所述历史时刻下所述多种火灾致灾因子对应的第一特征图,和每个所述历史时刻下所述多种火灾致灾因子对应的第二特征图,生成每个所述历史时刻下所述多种火灾致灾因子对应的目标特征图;
将每个所述历史时刻下所述多种火灾致灾因子对应的目标特征图作为输入数据、并将每个所述历史时刻下所述火灾指标的实际值作为输出数据,对卷积神经网络模型进行训练,以获得与所述火灾指标对应的所述预测模型。
可选地,该方法还包括:
根据所述火灾指标的预测值,进行火灾警情显示。
可选地,所述多种火灾致灾因子对应的第一特征图为由所述多种火灾致灾因子的数据按照预设顺序组成的数据向量所对应的第一柱状图;
所述多种火灾致灾因子对应的第二特征图为由所述变换后所得数据按照所述预设顺序组成的数据向量所对应的第二柱状图;
所述多种火灾致灾因子对应的目标特征图为由所述第一柱状图和所述第二柱状图合并后所得的堆积柱状图。
根据本公开实施例的第二方面,提供一种火灾指标预测装置,包括:
数据获取模块,用于获取当前时刻下多种火灾致灾因子的数据;
第一图像生成模块,用于根据所述当前时刻下所述多种火灾致灾因子的数据,生成所述当前时刻下所述多种火灾致灾因子对应的第一特征图;
数据转换模块,用于对所述当前时刻下所述多种火灾致灾因子的数据进行傅里叶变换;
第二图像生成模块,用于根据所述当前时刻下变换后所得数据,生成所述当前时刻下所述多种火灾致灾因子对应的第二特征图;
第三图像生成模块,用于根据所述当前时刻下所述多种火灾致灾因子对应的第一特征图和所述当前时刻下所述多种火灾致灾因子对应的第二特征图,生成所述当前时刻下所述多种火灾致灾因子对应的目标特征图;
预测模块,用于将所述当前时刻下所述多种火灾致灾因子对应的目标特征图输入至与火灾指标对应的预测模型,获得所述火灾指标的预测值。
可选地,所述火灾指标为用于表示是否发生火灾的火灾预警指标;
所述多种火灾致灾因子包括以下因子中的多种:
地理位置,所述当前时刻对应的日期,细小可燃物湿度码FFMC,粗腐殖质湿度码DMC,干旱码DC,初始蔓延指数ISI,大气温度,大气相对湿度,风速,降水量,偶然因子,其中,所述偶然因子与当前天气和日期有关。
可选地,所述火灾指标为用于表示火灾在预设方向上的蔓延速度的火灾蔓延指标;
所述多种火灾致灾因子包括以下因子中的多种:
地理位置,所述当前时刻对应的日期,细小可燃物湿度码FFMC,粗腐殖质湿度码DMC,干旱码DC,初始蔓延指数ISI,大气温度,大气相对湿度,风速,降水量,风向,森林密度。
可选地,与所述火灾指标对应的所述预测模型通过模型构建模块构建,所述模型构建模块包括:
历史数据获取子模块,用于获取多个历史时刻下所述多种火灾致灾因子的数据以及每个所述历史时刻下所述火灾指标的实际值;
第一图像生成子模块,用于根据每个所述历史时刻下所述多种火灾致灾因子的数据,生成每个所述历史时刻下所述多种火灾致灾因子对应的第一特征图;
数据转换子模块,用于对每个所述历史时刻下所述多种火灾致灾因子的数据进行傅里叶变换;
第二图像生成子模块,用于根据每个所述历史时刻下变换后所得数据,生成每个所述历史时刻下所述多种火灾致灾因子对应的第二特征图;
第三图像生成子模块,用于根据每个所述历史时刻下所述多种火灾致灾因子对应的第一特征图,和每个所述历史时刻下所述多种火灾致灾因子对应的第二特征图,生成每个所述历史时刻下所述多种火灾致灾因子对应的目标特征图;
训练子模块,用于将每个所述历史时刻下所述多种火灾致灾因子对应的目标特征图作为输入数据、并将每个所述历史时刻下所述火灾指标的实际值作为输出数据,对卷积神经网络模型进行训练,以获得与所述火灾指标对应的所述预测模型。
可选地,该装置还包括:
显示模块,用于根据所述火灾指标的预测值,进行火灾警情显示。
可选地,所述多种火灾致灾因子对应的第一特征图为由所述多种火灾致灾因子的数据按照预设顺序组成的数据向量所对应的第一柱状图;
所述多种火灾致灾因子对应的第二特征图为由所述变换后所得数据按照所述预设顺序组成的数据向量所对应的第二柱状图;
所述多种火灾致灾因子对应的目标特征图为由所述第一柱状图和所述第二柱状图合并后所得的堆积柱状图。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开第一方面提供的所述火灾指标预测方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开第一方面提供的所述火灾指标预测方法的步骤。
在上述技术方案中,首先,在获取到当前时刻下多种火灾致灾因子的数据的后,生成相应的第一特征图,并根据通过傅里叶变换后的多种火灾致灾因子的数据,生成相应的第二特征图;之后,根据第一特征图和第二特征图生成目标特征图;最后,将该目标特征图输入至与火灾指标对应的预测模型中,以获得火灾指标的预测值。其中,第一特征图中包含有图像的时域特征信息,第二特征图中包含有图像的频域特征信息,这样,根据第一特征图的特征和第二特征图生成的目标特征图就同时融合有图像在频域和时域的特征信息,由此,更有助于与火灾指标对应的预测模型对图像特征的识别,从而提升火灾指标预测的准确度,以最大程度地降低火灾发生的概率以及火灾造成的损失。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据本公开一实施例示出的实施环境的示意图。
图2是根据本公开一实施例示出的火灾指标预测方法的流程图。
图3A是根据本公开一实施例示出的第一特征图的示意图。
图3B是根据本公开一实施例示出的第二特征图的示意图。
图3C是根据本公开一实施例示出的目标特征图的示意图。
图4是根据本公开一实施例示出的火灾指标对应的预测模型的建立方法的流程图。
图5是根据本公开另一实施例示出的火灾指标预测方法的流程图。
图6是根据本公开一实施例示出的火灾指标预测装置的框图。
图7是根据本公开一实施例示出的模型构建模块的框图。
图8是根据本公开另一实施例示出的火灾指标预测装置的框图。
图9是根据本公开一实施例示出的一种电子设备的框图。
图10是根据本公开一实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
图1是根据本公开一实施例示出的实施环境的示意图。如图1所示,该实施环境可以包括:云平台和多个监测点,例如,监测点1、监测点2、……、监测点N。其中,在每个监测点中,都可以设置传感器组,该传感器组可以包括一个或多个用于采集火灾致灾因子的数据的传感器,例如,用于采集土壤表层可燃物湿度的传感器、用于采集土壤表层可燃物温度的传感器,等等。此外,在每个监测点处均可以布设气象站,用于检测该监测点处的大气温度、大气相对湿度、风速、降水量等等。云平台可以从各监测点获取传感器组和气象站采集的数据,并基于该数据进行火灾指标的预测。
图2是根据本公开一实施例示出的火灾指标预测方法的流程图。该方法可以应用于火灾监控系统的云平台,如图1所示的云平台。如图2所示,该方法可以包括步骤201~步骤206。
在步骤201中,获取当前时刻下多种火灾致灾因子的数据。
在一种实施方式中,上述云平台可以用于预测是否发生火灾,即相应的火灾指标可以为用于表示是否发生火灾的火灾预警指标,相应地,上述多种火灾致灾因子可以包括以下因子中的多种:地理位置,当前时刻对应的日期,细小可燃物湿度码(Fine FuelMoisture Code,FFMC),粗腐殖质湿度码(Duff Moisture Code,DMC),干旱码(DroughtCode,DC),初始蔓延指数(Initial Spread Index,ISI),大气温度,大气相对湿度,风速,降水量,偶然因子。
其中,FFMC为森林中地被物干质量为0.25kg·m-2、厚度为1.2cm的枯枝落叶和其他的已经固化的细小燃料的含水率;FFMC是表征细小可燃物的可燃性和易燃性的指标,它受大气温度、降水、大气相对湿度和风速的影响,FFMC的值随着燃料含水率的变化而改变。DMC为森林地被物最上层厚度约为7cm、干质量为5.00kg·m-2的有机物质的含水率;DMC可以用来表征中等下层落叶层和中型木质物质的燃料消耗。DC为森林地被物中干质量为25.00kg·m-2、厚度为18cm的深层可燃物和粗死木残体的含水率;DC可以用于衡量季节性干旱对森林燃料以及深层下层落叶层、大型段木的影响。ISI可以用于表征火灾蔓延的潜在等级,由FFMC和风速决定。
偶然因子是指特殊情况下增加火险权重的因子,如雷击雷暴天气、清明时节人为造成森林火灾的概率等,即该偶然因子与当前天气和日期有关。示例地,可以预先设定一些容易引起火灾的天气(例如,雷击雷暴天气)和日期(例如,清明节)对应的偶然因子的数值,例如可以为0-1之间的数值,然后,基于当前天气和当前时刻对应的日期进行查找,如果没有相关记录,偶然因子的值就是0。
示例地,通过上述步骤201获取到的当前时刻下的地理位置、当前时刻对应的日期、FFMC、DMC、DC、ISI、大气温度、大气相对湿度、风速、降水量、偶然因子的值分别如表1中所示:
表1多种火灾致灾因子的数据(预测是否发生火灾)
X | Y | 月 | 日 | FFMC | DMC | DC |
7 | 5 | 3 | 15 | 85.2 | 27.2 | 94.3 |
ISI | 大气温度 | 大气相对湿度 | 风速 | 降水量 | 偶然因子 | |
5.1 | 8.3 | 51 | 6.7 | 0 | 0 |
其中,(X,Y)为地理位置,示例地,X为经度,Y为纬度;月和日用于表示当前时刻对应的日期。
在另一种实施方式中,上述云平台可以用于预测火灾在预设方向上的蔓延速度,即相应的火灾指标可以为用于表示火灾在预设方向上的蔓延速度的火灾蔓延指标,相应地,上述多种火灾致灾因子的可以包括以下因子中的多种:地理位置,当前时刻对应的日期,FFMC,DMC,DC,ISI,大气温度,大气相对湿度,风速,降水量,风向,森林密度。其中,上述预设方向可以为东、南、西、北、东南、东北、西南、西北中的一者或多者。
示例地,通过上述步骤201获取到的当前时刻下的地理位置、当前时刻对应的日期、FFMC、DMC、DC、ISI、大气温度、大气相对湿度、风速、降水量、风向、森林密度的值分别如表2中所示:
表2多种火灾致灾因子的数据(预测火灾在预设方向上的蔓延速度)
X | Y | 月 | 日 | FFMC | DMC | DC |
7 | 5 | 7 | 15 | 66.6 | 7.7 | 64.3 |
ISI | 大气温度 | 大气相对湿度 | 风速 | 降水量 | 风向 | 森林密度 |
25.1 | 28.8 | 5 | 6.7 | 0 | 0 | 3 |
另外,云平台可以通过上述监测点中的传感器组来获取到上述地理位置,通过上述监测点中的气象站获取到FFMC、DMC、DC、ISI、大气温度,大气相对湿度、风速、降水量、风向等火灾致灾因子的数据。
返回图2,在步骤202中,根据当前时刻下多种火灾致灾因子的数据,生成当前时刻下多种火灾致灾因子对应的第一特征图。
在本公开中,该多种火灾致灾因子对应的第一特征图可以为由多种火灾致灾因子的数据按照预设顺序组成的数据向量所对应的第一柱状图。
示例地,上述表1中所示的多种火灾致灾因子的数据按照预设顺序组成的数据向量所对应的第一柱状图如图3A中所示。
在步骤203中,对当前时刻下多种火灾致灾因子的数据进行傅里叶变换。
在步骤204中,根据当前时刻下变换后所得数据,生成当前时刻下多种火灾致灾因子对应的第二特征图。
在本公开中,在通过上述步骤201获取到当前时刻下多种火灾致灾因子的数据后,可以对其进行傅里叶变换,以完成频域滤波,之后,根据变换后的数据,生成当前时刻下多种火灾致灾因子对应的第二特征图。其中,该第二特征图可以为由傅里叶变换后所得数据按照预设顺序组成的数据向量所对应的第二柱状图。
示例地,上述表1中所示的多种火灾致灾因子的数据通过傅里叶变换后所得数据按照预设顺序组成的数据向量所对应的第二柱状图如图3B中所示。
另外,需要说明的是,上述预设顺序可以是用户设定的,也可以是默认的,在本公开中不作具体限定。并且,上述对当前时刻下多种火灾致灾因子的数据进行傅里叶变换的具体方式属于本领域技术人员公知的,在本公开中不再赘述。
在步骤205中,根据当前时刻下多种火灾致灾因子对应的第一特征图和当前时刻下多种火灾致灾因子对应的第二特征图,生成当前时刻下多种火灾致灾因子对应的目标特征图。
在本公开中,上述多种火灾致灾因子对应的目标特征图可以为由上述第一柱状图和上述第二柱状图合并后所得的堆积柱状图。
示例地,将图3A所示的第一柱状图和图3B所示的第二柱状图合并后所得到堆积柱状图如图3C中所示,即当前时刻下多种火灾致灾因子对应的目标特征图如图3C中所示。
另外,需要说明的是,上述第一特征图、第二特征图、目标特征图除了可以为柱状图外,还可以为散点图、折线图等,在本公开中不作具体限定。
在步骤206中,将当前时刻下多种火灾致灾因子对应的目标特征图输入至与火灾指标对应的预测模型,获得火灾指标的预测值。
在本公开中,在通过上述步骤205获取到当前时刻下多种火灾致灾因子对应的目标特征图后,可以将其输入到与火灾指标对应的预测模型,从而获得火灾指标的预测值。具体来说,当该火灾指标为用于表示是否发生火灾的火灾预警指标时,可以将当前时刻下,地理位置、当前时刻对应的日期、FFMC、DMC、DC、ISI、大气温度、大气相对湿度、风速、降水量、偶然因子这些火灾致灾因子对应的目标特征图输入至与火灾预警指标对应的预测模型中,以获得火灾指标的预测值,其中,该火灾指标的预测值可以为当前时刻发生火灾的概率值,其取值在0~1范围内。这样,相关人员(例如,救火人员、指挥人员)可以通过该火灾指标的预测值及时获知当前时刻发生火灾的可能性,以便于其及时采取相应措施,以降低火灾损失。
而当火灾指标为用于表示火灾在预设方向上的蔓延速度的火灾蔓延指标时,可以将当前时刻下,地理位置、当前时刻对应的日期、FFMC、DMC、DC、ISI、大气温度、大气相对湿度、风速、降水量、风向、森林密度这些火灾致灾因子对应的目标特征图输入至与火灾蔓延指标对应的预测模型中,以获得火灾指标的预测值,其中,该火灾指标的预测值可以为当前时刻下火灾在预设方向上的蔓延速度的预测值。火灾在预设方向上的蔓延速度的预测值能够辅助指挥调度人员及时作出精准决策、高效调度,从而尽可能降低火损失。
在本公开中,上述火灾指标可以为用于表示是否发生火灾的火灾预警指标,也可以为用于表示火灾在预设方向上的蔓延速度的火灾蔓延指标,即,不同的火灾指标对应于不同的预测模型,因此,可以针对不同的火灾指标,分别构建与该火灾指标对应的预测模型。其中,上述与火灾指标对应的预测模型可以是预先构建好,并且,不同火灾指标的构建方式类似,不同点仅在于其对应的多种火灾致灾因子不同,即获取的多种火灾致灾因子的数据不同,因此,下面针对与火灾指标对应的预测模型的构建方式进行统一说明。
在一种实施方式中,可以通过图4中所示的步骤401~步骤406来构建与相应火灾指标对应的预测模型。
在步骤401中,获取多个历史时刻下多种火灾致灾因子的数据以及每个历史时刻下火灾指标的实际值。
在本公开中,上述多个历史时刻可以为过去的任一时刻。
在一种实施方式中,上述火灾指标可以为用于表示是否发生火灾的火灾预警指标,相应地,上述多种火灾致灾因子可以包括地理位置、相应历史时刻对应的日期、FFMC、DMC、DC、ISI、大气温度、大气相对湿度、风速、降水量、偶然因子。
在另一种实施方式中,上述火灾指标可以为用于表示火灾在预设方向上的蔓延速度的火灾蔓延指标,相应地,上述多种火灾致灾因子可以包括地理位置、相应历史时刻对应的日期、FFMC、DMC、DC、ISI、大气温度、大气相对湿度、风速、降水量、风向、森林密度。
在步骤402中,根据每个历史时刻下多种火灾致灾因子的数据,生成每个历史时刻下多种火灾致灾因子对应的第一特征图。
在步骤403中,对每个历史时刻下多种火灾致灾因子的数据进行傅里叶变换。
在步骤404中,根据每个历史时刻下变换后所得数据,生成每个历史时刻下多种火灾致灾因子对应的第二特征图。
在步骤405中,根据每个历史时刻下多种火灾致灾因子对应的第一特征图,和每个历史时刻下多种火灾致灾因子对应的第二特征图,生成每个历史时刻下多种火灾致灾因子对应的目标特征图。
在步骤406中,将每个历史时刻下多种火灾致灾因子对应的目标特征图作为输入数据、并将每个历史时刻下火灾指标的实际值作为输出数据,对卷积神经网络模型进行训练,以获得与火灾指标对应的预测模型。
示例地,该卷积神经网络可以依次包括卷积层1(其中,卷积核为11×11×3,步长为4)、局部响应归一化层1、卷积层2、局部响应归一化层2、卷积层3、卷积层4、全连接层5、Dropout层5、全连接层6、Dropout层6以及线性层7。
当上述火灾指标为用于表示是否发生火灾的火灾预警指标时,该步骤406获取到的与火灾指标对应的预测模型可以对任一时刻是否发生火灾进行预测;而当上述火灾指标为用于表示火灾在预设方向上的蔓延速度的火灾蔓延指标时,该步骤406获取到的与火灾指标对应的预测模型可以对任一时刻时,火灾在预设方向上的蔓延速度进行预测。
另外,需要说明的是,上述步骤203可以在上述步骤202之前执行,也可以在上述步骤202之后执行,还可以与上述步骤202同时执行,并且,上述步骤403可以在上述步骤402之前执行,也可以在上述步骤402之后执行,还可以与上述步骤402同时执行,在本公开中均不作具体限定。
在上述技术方案中,首先,在获取到当前时刻下多种火灾致灾因子的数据的后,生成相应的第一特征图,并根据通过傅里叶变换后的多种火灾致灾因子的数据,生成相应的第二特征图;之后,根据第一特征图和第二特征图生成目标特征图;最后,将该目标特征图输入至与火灾指标对应的预测模型中,以获得火灾指标的预测值。其中,第一特征图中包含有图像的时域特征信息,第二特征图中包含有图像的频域特征信息,这样,根据第一特征图的特征和第二特征图生成的目标特征图就同时融合有图像在频域和时域的特征信息,由此,更有助于与火灾指标对应的预测模型对图像特征的识别,从而提升火灾指标预测的准确度,以最大程度地降低火灾发生的概率以及火灾造成的损失。
另外,在获得火灾指标的预测值后,为了便于相关人员及时获知火灾警情信息,可以根据该火灾指标的预测值,进行火灾警情显示,以为指挥调度提供高效的实时可视化信息。具体来说,如图5所示,上述方法还可以包括以下步骤207。
在步骤207中,根据火灾指标的预测值,进行火灾警情显示。
在本公开中,可以通过森林三维实时数字镜像显示系统进行火灾警情显示,例如,显示火灾在预设方向上的蔓延速度的预测值、是否发生火灾等,并且,为了便于相关人员清晰、直观地了解获知火灾警情,该显示系统可以根据不同的火灾指标预测值,通过不同颜色在显示端进行区域显示。
其中,上述显示系统可以由本地端、指挥调度中心、移动端三部分组成。显示设备可以包括显示器、移动端设备(例如,AR眼镜、智能手机类终端等)、VR/AR投影等。并且,它除了可以显示上述火灾指标的预测值外,还可以包括以下功能:
(1)数字仿真显示:通过GPS/GIS/RS及传感器信息融合,在显示端、行森林实时状态仿真,如树木种类、森林密度、地形、地表物质,构造森林的三维数字镜像场景,该场景能够导航,平移,缩放,折叠等;
(2)实时状态显示:综合气象站信息、传感器组信息,显示实时的动态信息,例如,天气、火灾实时燃烧情况等;
(3)服务支撑系统信息显示:包括火灾强度、可调度消防系统的全局数据(例如,车辆、设备数量、可用状态、进入火场的灭火车辆、飞机位置信息等)、附近实时交通路况信息、应急指挥调度预案信息布置等。
由此,能够有效的进行火灾预警,及时进行火灾分析,第一时间执行本地扑救预案,同时有助于指挥控制中心第一时间制定更加精准的火灾指挥调度应急预案。
图6是根据本公开一实施例示出的火灾指标预测装置的框图。参照图6,该装置600可以包括:数据获取模块601,用于获取当前时刻下多种火灾致灾因子的数据;第一图像生成模块602,用于根据所述当前时刻下所述多种火灾致灾因子的数据,生成所述当前时刻下所述多种火灾致灾因子对应的第一特征图;数据转换模块603,用于对所述当前时刻下所述多种火灾致灾因子的数据进行傅里叶变换;第二图像生成模块604,用于根据所述当前时刻下变换后所得数据,生成所述当前时刻下所述多种火灾致灾因子对应的第二特征图;第三图像生成模块605,用于根据所述当前时刻下所述多种火灾致灾因子对应的第一特征图和所述当前时刻下所述多种火灾致灾因子对应的第二特征图,生成所述当前时刻下所述多种火灾致灾因子对应的目标特征图;预测模块606,用于将所述当前时刻下所述多种火灾致灾因子对应的目标特征图输入至与火灾指标对应的预测模型,获得所述火灾指标的预测值。
可选地,所述火灾指标为用于表示是否发生火灾的火灾预警指标;所述多种火灾致灾因子包括以下因子中的多种:地理位置,所述当前时刻对应的日期,细小可燃物湿度码FFMC,粗腐殖质湿度码DMC,干旱码DC,初始蔓延指数ISI,大气温度,大气相对湿度,风速,降水量,偶然因子,其中,所述偶然因子与当前天气和日期有关。
可选地,所述火灾指标为用于表示火灾在预设方向上的蔓延速度的火灾蔓延指标;所述多种火灾致灾因子包括以下因子中的多种:地理位置,所述当前时刻对应的日期,细小可燃物湿度码FFMC,粗腐殖质湿度码DMC,干旱码DC,初始蔓延指数ISI,大气温度,大气相对湿度,风速,降水量,风向,森林密度。
图7是根据本公开一实施例示出的模型构建模块的框图,其中,该模型构建模700可以用于构建与所述火灾指标对应的所述预测模型。参照图7,该模型构建模块700可以包括:历史数据获取子模块701,用于获取多个历史时刻下所述多种火灾致灾因子的数据以及每个所述历史时刻下所述火灾指标的实际值;第一图像生成子模块702,用于根据每个所述历史时刻下所述多种火灾致灾因子的数据,生成每个所述历史时刻下所述多种火灾致灾因子对应的第一特征图;数据转换子模块703,用于对每个所述历史时刻下所述多种火灾致灾因子的数据进行傅里叶变换;第二图像生成子模块704,用于根据每个所述历史时刻下变换后所得数据,生成每个所述历史时刻下所述多种火灾致灾因子对应的第二特征图;第三图像生成子模块705,用于根据每个所述历史时刻下所述多种火灾致灾因子对应的第一特征图,和每个所述历史时刻下所述多种火灾致灾因子对应的第二特征图,生成每个所述历史时刻下所述多种火灾致灾因子对应的目标特征图;训练子模块706,用于将每个所述历史时刻下所述多种火灾致灾因子对应的目标特征图作为输入数据、并将每个所述历史时刻下所述火灾指标的实际值作为输出数据,对卷积神经网络模型进行训练,以获得与所述火灾指标对应的所述预测模型。
可选地,如图8所示,上述装置600还可以包括:显示模块607,用于根据所述火灾指标的预测值,进行火灾警情显示。
可选地,所述多种火灾致灾因子对应的第一特征图为由所述多种火灾致灾因子的数据按照预设顺序组成的数据向量所对应的第一柱状图;所述多种火灾致灾因子对应的第二特征图为由所述变换后所得数据按照所述预设顺序组成的数据向量所对应的第二柱状图;所述多种火灾致灾因子对应的目标特征图为由所述第一柱状图和所述第二柱状图合并后所得的堆积柱状图。
另外,需要说明的是,上述模型构建模块700可以与上述火灾指标预测装置600相互独立,也可以集成于上述火灾指标预测装置600内,在本公开中不作具体限定。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开提供的上述火灾指标预测方法的步骤。
图9是根据本公开一实施例示出的一种电子设备900的框图。如图9所示,该电子设备900可以包括:处理器901,存储器902。该电子设备900还可以包括多媒体组件903,输入/输出(I/O)接口904,以及通信组件905中的一者或多者。
其中,处理器901用于控制该电子设备900的整体操作,以完成上述的火灾指标预测方法中的全部或部分步骤。存储器902用于存储各种类型的数据以支持在该电子设备900的操作,这些数据例如可以包括用于在该电子设备900上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器902可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件903可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器902或通过通信组件905发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口904为处理器901和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件905用于该电子设备900与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件905可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备900可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的火灾指标预测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的火灾指标预测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器902,上述程序指令可由电子设备900的处理器901执行以完成上述的火灾指标预测方法。
图10是根据本公开一实施例示出的一种电子设备1000的框图。例如,电子设备1000可以被提供为一服务器。参照图10,电子设备1000包括处理器1022,其数量可以为一个或多个,以及存储器1032,用于存储可由处理器1022执行的计算机程序。存储器1032中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器1022可以被配置为执行该计算机程序,以执行上述的火灾指标预测方法。
另外,电子设备1000还可以包括电源组件1026和通信组件1050,该电源组件1026可以被配置为执行电子设备1000的电源管理,该通信组件1050可以被配置为实现电子设备1000的通信,例如,有线或无线通信。此外,该电子设备1000还可以包括输入/输出(I/O)接口1058。电子设备1000可以操作基于存储在存储器1032的操作系统,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的火灾指标预测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器1032,上述程序指令可由电子设备1000的处理器1022执行以完成上述的火灾指标预测方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种火灾指标预测方法,其特征在于,包括:
获取当前时刻下多种火灾致灾因子的数据;
根据所述当前时刻下所述多种火灾致灾因子的数据,生成所述当前时刻下所述多种火灾致灾因子对应的第一特征图;
对所述当前时刻下所述多种火灾致灾因子的数据进行傅里叶变换;
根据所述当前时刻下变换后所得数据,生成所述当前时刻下所述多种火灾致灾因子对应的第二特征图;
根据所述当前时刻下所述多种火灾致灾因子对应的第一特征图和所述当前时刻下所述多种火灾致灾因子对应的第二特征图,生成所述当前时刻下所述多种火灾致灾因子对应的目标特征图;
将所述当前时刻下所述多种火灾致灾因子对应的目标特征图输入至与火灾指标对应的预测模型,获得所述火灾指标的预测值。
2.根据权利要求1所述的方法,其特征在于,所述火灾指标为用于表示是否发生火灾的火灾预警指标;
所述多种火灾致灾因子包括以下因子中的多种:
地理位置,所述当前时刻对应的日期,细小可燃物湿度码FFMC,粗腐殖质湿度码DMC,干旱码DC,初始蔓延指数ISI,大气温度,大气相对湿度,风速,降水量,偶然因子,其中,所述偶然因子与当前天气和日期有关。
3.根据权利要求1所述的方法,其特征在于,所述火灾指标为用于表示火灾在预设方向上的蔓延速度的火灾蔓延指标;
所述多种火灾致灾因子包括以下因子中的多种:
地理位置,所述当前时刻对应的日期,细小可燃物湿度码FFMC,粗腐殖质湿度码DMC,干旱码DC,初始蔓延指数ISI,大气温度,大气相对湿度,风速,降水量,风向,森林密度。
4.根据权利要求1所述的方法,其特征在于,与所述火灾指标对应的所述预测模型通过以下方式构建:
获取多个历史时刻下所述多种火灾致灾因子的数据以及每个所述历史时刻下所述火灾指标的实际值;
根据每个所述历史时刻下所述多种火灾致灾因子的数据,生成每个所述历史时刻下所述多种火灾致灾因子对应的第一特征图;
对每个所述历史时刻下所述多种火灾致灾因子的数据进行傅里叶变换;
根据每个所述历史时刻下变换后所得数据,生成每个所述历史时刻下所述多种火灾致灾因子对应的第二特征图;
根据每个所述历史时刻下所述多种火灾致灾因子对应的第一特征图,和每个所述历史时刻下所述多种火灾致灾因子对应的第二特征图,生成每个所述历史时刻下所述多种火灾致灾因子对应的目标特征图;
将每个所述历史时刻下所述多种火灾致灾因子对应的目标特征图作为输入数据、并将每个所述历史时刻下所述火灾指标的实际值作为输出数据,对卷积神经网络模型进行训练,以获得与所述火灾指标对应的所述预测模型。
5.根据权利要求1所述的方法,其特征在于,该方法还包括:
根据所述火灾指标的预测值,进行火灾警情显示。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述多种火灾致灾因子对应的第一特征图为由所述多种火灾致灾因子的数据按照预设顺序组成的数据向量所对应的第一柱状图;
所述多种火灾致灾因子对应的第二特征图为由所述变换后所得数据按照所述预设顺序组成的数据向量所对应的第二柱状图;
所述多种火灾致灾因子对应的目标特征图为由所述第一柱状图和所述第二柱状图合并后所得的堆积柱状图。
7.一种火灾指标预测装置,其特征在于,包括:
数据获取模块,用于获取当前时刻下多种火灾致灾因子的数据;
第一图像生成模块,用于根据所述当前时刻下所述多种火灾致灾因子的数据,生成所述当前时刻下所述多种火灾致灾因子对应的第一特征图;
数据转换模块,用于对所述当前时刻下所述多种火灾致灾因子的数据进行傅里叶变换;
第二图像生成模块,用于根据所述当前时刻下变换后所得数据,生成所述当前时刻下所述多种火灾致灾因子对应的第二特征图;
第三图像生成模块,用于根据所述当前时刻下所述多种火灾致灾因子对应的第一特征图和所述当前时刻下所述多种火灾致灾因子对应的第二特征图,生成所述当前时刻下所述多种火灾致灾因子对应的目标特征图;
预测模块,用于将所述当前时刻下所述多种火灾致灾因子对应的目标特征图输入至与火灾指标对应的预测模型,获得所述火灾指标的预测值。
8.根据权利要求7所述的装置,其特征在于,与所述火灾指标对应的所述预测模型通过模型构建模块构建,所述模型构建模块包括:
历史数据获取子模块,用于获取多个历史时刻下所述多种火灾致灾因子的数据以及每个所述历史时刻下所述火灾指标的实际值;
第一图像生成子模块,用于根据每个所述历史时刻下所述多种火灾致灾因子的数据,生成每个所述历史时刻下所述多种火灾致灾因子对应的第一特征图;
数据转换子模块,用于对每个所述历史时刻下所述多种火灾致灾因子的数据进行傅里叶变换;
第二图像生成子模块,用于根据每个所述历史时刻下变换后所得数据,生成每个所述历史时刻下所述多种火灾致灾因子对应的第二特征图;
第三图像生成子模块,用于根据每个所述历史时刻下所述多种火灾致灾因子对应的第一特征图,和每个所述历史时刻下所述多种火灾致灾因子对应的第二特征图,生成每个所述历史时刻下所述多种火灾致灾因子对应的目标特征图;
训练子模块,用于将每个所述历史时刻下所述多种火灾致灾因子对应的目标特征图作为输入数据、并将每个所述历史时刻下所述火灾指标的实际值作为输出数据,对卷积神经网络模型进行训练,以获得与所述火灾指标对应的所述预测模型。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811615305.8A CN109840617B (zh) | 2018-12-27 | 2018-12-27 | 火灾指标预测方法、装置、可读存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811615305.8A CN109840617B (zh) | 2018-12-27 | 2018-12-27 | 火灾指标预测方法、装置、可读存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840617A true CN109840617A (zh) | 2019-06-04 |
CN109840617B CN109840617B (zh) | 2021-06-25 |
Family
ID=66883423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811615305.8A Active CN109840617B (zh) | 2018-12-27 | 2018-12-27 | 火灾指标预测方法、装置、可读存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109840617B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738536A (zh) * | 2020-08-28 | 2020-10-02 | 北京每日优鲜电子商务有限公司 | 设备操作方法、装置、电子设备和计算机可读介质 |
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 |
CN113139272A (zh) * | 2020-12-11 | 2021-07-20 | 西安天和防务技术股份有限公司 | 林火蔓延预测方法、装置、设备和存储介质 |
CN113658397A (zh) * | 2021-08-27 | 2021-11-16 | 安徽建筑大学城市建设学院 | 基于北斗卫星和图像识别的森林火灾监测预警系统及装置 |
CN117690249A (zh) * | 2024-02-02 | 2024-03-12 | 江苏航运职业技术学院 | 一种邮轮火灾监测系统及其监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8369563B2 (en) * | 2006-07-28 | 2013-02-05 | Telespazio S.P.A. | Automatic detection of fires on earth's surface and of atmospheric phenomena such as clouds, veils, fog or the like, using a satellite system |
CN103854413A (zh) * | 2014-03-10 | 2014-06-11 | 南京林业大学 | 一种森林火灾天气指数预警系统及应用 |
CN109003422A (zh) * | 2018-08-02 | 2018-12-14 | 北京大学深圳研究生院 | 用于山体滑坡的监测数据处理方法和山体滑坡预报方法 |
-
2018
- 2018-12-27 CN CN201811615305.8A patent/CN109840617B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8369563B2 (en) * | 2006-07-28 | 2013-02-05 | Telespazio S.P.A. | Automatic detection of fires on earth's surface and of atmospheric phenomena such as clouds, veils, fog or the like, using a satellite system |
CN103854413A (zh) * | 2014-03-10 | 2014-06-11 | 南京林业大学 | 一种森林火灾天气指数预警系统及应用 |
CN109003422A (zh) * | 2018-08-02 | 2018-12-14 | 北京大学深圳研究生院 | 用于山体滑坡的监测数据处理方法和山体滑坡预报方法 |
Non-Patent Citations (4)
Title |
---|
GIUSEPPE AMATULLI: "Estimating Future Burned Areas Under Changing Climate in the EU-Mediterranean Countries", 《SCI TOTAL ENVIRON》 * |
于建龙 等: "我国大兴安岭地区森林雷击火发生的火险天气等级研究", 《火灾科学》 * |
吕灿: "基于连续贝叶斯网络的火灾预警研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
安颖: "《趋势局部均值分解方法及应用》", 30 June 2017, 北京邮电大学出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738536A (zh) * | 2020-08-28 | 2020-10-02 | 北京每日优鲜电子商务有限公司 | 设备操作方法、装置、电子设备和计算机可读介质 |
CN113139272A (zh) * | 2020-12-11 | 2021-07-20 | 西安天和防务技术股份有限公司 | 林火蔓延预测方法、装置、设备和存储介质 |
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 |
CN113658397A (zh) * | 2021-08-27 | 2021-11-16 | 安徽建筑大学城市建设学院 | 基于北斗卫星和图像识别的森林火灾监测预警系统及装置 |
CN117690249A (zh) * | 2024-02-02 | 2024-03-12 | 江苏航运职业技术学院 | 一种邮轮火灾监测系统及其监测方法 |
CN117690249B (zh) * | 2024-02-02 | 2024-04-16 | 江苏航运职业技术学院 | 一种邮轮火灾监测系统及其监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109840617B (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840617A (zh) | 火灾指标预测方法、装置、可读存储介质和电子设备 | |
Yin et al. | Community-based scenario modelling and disaster risk assessment of urban rainstorm waterlogging | |
Coleman et al. | A real-time computer application for the prediction of fire spread across the Australian landscape | |
CN102567808B (zh) | 结合实时气象信息的重大危险源事故后果预测预警方法 | |
KR20160097933A (ko) | 환경 재난, 재해 조기감지를 위한 대기질 예측 및 관리 시스템 | |
Dong et al. | Vulnerability of urban water infrastructures to climate change at city level | |
CN103870891A (zh) | 基于网格流的输电线路火灾蔓延预测方法及系统 | |
CN106297183A (zh) | 一种安全监控方法及设备 | |
Zhang et al. | Aerosol forcing of extreme summer drought over North China | |
WO2015175304A1 (en) | A system and methods thereof for generation of an air quality score | |
CN101893726A (zh) | 一种风沙灾害模拟装置及模拟方法 | |
Cao et al. | Explicit Spatializing Heat-Exposure Risk and Local Associated Factors by coupling social media data and automatic meteorological station data | |
KR20160117765A (ko) | 지진 해일의 예측 및 대응 시스템 | |
CN109300174A (zh) | 一种强对流天气预报分析系统 | |
Wang et al. | The architecture and application of an automatic operational model system for basin scale water environment management and design making supporting | |
CN110068663A (zh) | 一种海洋核污染程度的评估方法 | |
Kubíček et al. | Flood management and geoinformation support within the emergency cycle (EU example) | |
Haris et al. | Design and Development of IoT Based Weather and Air Quality Monitoring Station | |
Giorgetta et al. | Preface to special section on climate models at the Max Planck Institute for Meteorology | |
Biswal et al. | Mobile-Based Weather Forecasting and Visualization Using Augmented Reality | |
Li et al. | Validating the usefulness and calibration of a two-dimensional situation model of urgency-adaptability for cities responding to climate change—Taking Shenzhen as case study | |
Nghiem et al. | Evaluation of the mesoscale meteorological model (MM5)-community multi-scale air quality model (CMAQ) performance in hindcast and forecast of ground-level ozone | |
Majlingová et al. | Evaluation of dynamic modelling applications to support the disaster risk management at local level | |
KR102596744B1 (ko) | 화학사고 오염지역 내 복수의 모바일 측위정보를 이용한 개인 노출평가시스템 및 평가방법 | |
Xing et al. | Development of typhoon disaster risk evaluation and early warning system integrating real-time rainfall data from the satellite |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |