CN110046738A - 一种基于人工智能感知机模型的森林火灾预测方法 - Google Patents
一种基于人工智能感知机模型的森林火灾预测方法 Download PDFInfo
- Publication number
- CN110046738A CN110046738A CN201910078322.0A CN201910078322A CN110046738A CN 110046738 A CN110046738 A CN 110046738A CN 201910078322 A CN201910078322 A CN 201910078322A CN 110046738 A CN110046738 A CN 110046738A
- Authority
- CN
- China
- Prior art keywords
- fire
- prediction
- wood land
- value
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 239000002023 wood Substances 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 24
- 239000000203 mixture Substances 0.000 claims description 11
- 230000004807 localization Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 8
- 238000007796 conventional method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 241000721662 Juniperus Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于人工智能感知机模型的森林火灾预测方法，采用全新逻辑设计，基于历史数据进行训练，不断优化目标森林区域火灾模型，使之适应于目标森林区域的火灾预测，再结合传感网络所获得的实时检测数据，实现目标森林区域火灾等级的预测，如此有针对目标森林区域实现了高效率的火灾等级预测，并且预测准确性大大提高。此方法具有较强的的可扩展性，当迁移目标区域后，只需要重新提供数据集即可建立一个较为完备的预测模型，简化了传统方法的参数初始化操作，当预测结果和事实出现偏差时，可以动态的根据结果反馈并修正预测模型。
Description
技术领域
本发明涉及一种基于人工智能感知机模型的森林火灾预测方法，属于森林火灾预测技 术领域。
背景技术
凡是失去人为控制,在森林内自然蔓延和扩展,对生态系统和人类带来一定危害和损 失的森林起火,都称森林火灾。目前,世界每年发生林火22万次以上,烧毁各种森林达640 多万hm2,占世界森林覆盖率的0.23％以上。森林火灾排放会排放大量的温室气体，森林火 灾碳排放与含碳气体排放是大气和环境污染的主要来源之一。大兴安岭2010年森林火灾 碳排放量为117870.62t，加剧了全球性温室效应。除此之外，严重的森林火灾还会对人 类的安全构成威胁，消耗大量人力财力物力。仅在2015年，全国共发生森林火灾3703起，其中特别重大火灾1起，伤亡人数112人，造成损失约4亿元。
林火预测预报距今已有近百年的历史。早期林火监测方式主要依靠人工监测，虽然效 果明显，但极大地耗费人力物力财力，并且人员的安全无法得到保障。红外线图像主要用 于监测明火，但由于早期火灾烟雾大于明火，使用红外视频监测无法及时获得火场信息， 易耽误最佳灭火时机。通过卫星和无人机的方法虽然减少了人力物力的消耗，但是其昂的 成本仍然导致其无法大规模使用。而且视频监控获得信息较为单一，可能无法准确的对森 林状态进行监测。近10年来,随着人为活动的影响和全球气候的变化,全球森林火灾有加 剧的趋势，如何有效地预测森林火灾已成为林火研究中的当务之急。
中国林业大数据发展战略研究报告随着物联网技术、数据科学和人工智能的发展，如 何将传统的林火预测手段向数据驱动，人工智能和物联网等现代技术手段转变已是林火预 测的重要难题。引领林业现代化为出发点，以人工智能技术为核心，以跨业务融合为主线， 坚持应用导向、创新驱动、聚焦突破、融合发展的理念，来推动人工智能技术在林业及生 态文明建设中的应用。大数据技术浪潮将数据提升到战略高度重视的同时，也为森林防火 行业低成本优化策略提供更好地解决方案。
林火预测预报是综合气象要素、地形、可燃物的干湿程度、可燃物类型特点和火源等, 对森林可燃物的燃烧危险性进行分析预测。1914年美国就开始研究火险等级；俄国在沙俄 时期曾采用桧柏枝条和木柱体的方法来预估林火的发生；1928年加拿大利用空气相对湿度 来进行火险预报；1936年美国提出多因子预报方法；二十世纪40年代日本向提出实效湿 度法；1944年苏联聂斯切洛夫提出综合指标法；二十世纪70年代，加拿大和美国首先形 成了国家级火险预报系统。我国在林火预测方面的研究起步较晚，1978年后，我国的林火 预报研究由火险天气预报向林火发生预报和林火行为发生预报发展,并开始研制全国性的 林火预报系统。目前，我国主要采用经验法、数学方法、物理方法、野外实验法和室内测 定法进行林火预测预报，实际效果不理想。
发明内容
本发明所要解决的技术问题是提供一种基于人工智能感知机模型的森林火灾预测方 法，采用全新逻辑设计，基于历史数据进行训练，获得满足目标森林区域的预测方法，有 效提高目标森林区域火灾等级预测的效率。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于人工智能感 知机模型的森林火灾预测方法，用于实现对目标森林区域的火灾预测，包括如下步骤：
步骤A.基于目标森林区域的火灾历史数据，提取预设数目N组、分别由目标森林区域各指定属性数据值组成的属性向量，并结合N组向量分别所对应的火灾标记实际值，构成N组样本训练数据，然后进入步骤B；其中，火灾标记值为1，表示高等级火险级别； 火灾标记值为-1，表示中等级火险级别或低等级火险级别，且高等级火险级别与中等级火 险级别之间的临界位置，表示高等级火险级别；
步骤B.构建目标森林区域火灾模型如下：
其中，表示预设目标森林区域火灾所对应各指定属性权重组成的权重向量，b表示 预设目标森林区域火灾数据偏移值，1≤n≤N，表示N组样本训练数据中、第n组样本训练数据的属性向量，表示第n组样本训练数据的属性向量所对应的火灾标记预测值，若则若则若则表示 高等级火险级别与中等级火险级别之间临界位置、目标森林区域各指定属性数据值组成的 属性向量；然后初始化i＝1，并进入步骤C；
步骤C.初始化n＝1，并进入步骤D；
步骤D.判断n是否大于N，是则进入步骤H；否则进入步骤E；
步骤E.将第n组样本训练数据的属性向量带入目标森林区域火灾模型中，获得第n组 样本训练数据的属性向量所对应的火灾标记预测值，并判断该火灾标记预测值是否与第n 组样本训练数据的属性向量所对应火灾标记实际值相等，是则进入步骤G；否则进入步骤 F；
步骤F.根据第n组样本训练数据中的属性向量以及对应的火灾标记实际值yn，用的值针对进行更新，以及用b+ηyn的值针对b进行更新，进而更新目标森林 区域火灾模型，然后进入步骤G；其中，η表示预设步长，0＜η≤1；
步骤G.针对n的值进行加1更新，然后返回步骤D；
步骤H.判断i是否等于I，是则进入步骤I，否则针对i的值进行加1更新，并返回 步骤C；其中，I表述预设最大训练次数；
步骤I.目标森林区域火灾模型即为目标森林区域火灾等级预测模型，根据目标森林 区域各指定属性的待处理数据值，即可实现目标森林区域火灾等级的预测。
作为本发明的一种优选技术方案：所述各指定属性包括温度、湿度、降雨量、风速。
本发明所述一种基于人工智能感知机模型的森林火灾预测方法，采用以上技术方案与 现有技术相比，具有以下技术效果：
本发明所设计基于人工智能感知机模型的森林火灾预测方法，采用全新逻辑设计，基 于历史数据进行训练，不断优化目标森林区域火灾模型，使之适应于目标森林区域的火灾 预测，再结合传感网络所获得的实时检测数据，实现目标森林区域火灾等级的预测，如此 有针对目标森林区域实现了高效率的火灾等级预测，并且预测准确性大大提高。此方法具 有较强的的可扩展性，当迁移目标区域后，只需要重新提供数据集即可建立一个较为完备 的预测模型，简化了传统方法的参数初始化操作，当预测结果和事实出现偏差时，可以动 态的根据结果反馈并修正预测模型。
附图说明
图1是本发明设计方案实施例应用中感知机算法学习的错误次数示意图；
图2是本发明设计方案实施例应用中感知机划分降雨量和温度示意图；
图3是本发明设计方案实施例应用中感知机划分空气湿度和温度示意图；
图4是本发明设计方案实施例应用中感知机划分湿度和风速示意图；
图5是本发明设计方案实施例应用中感知机划分温度和风速示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
人工智能(ArtificialIntelligence简称AI)，是研究、开发应用于模拟人的智能理论、方法、技术及应用系统的一门新的技术科学。人工智能的发展经历了最初的人工神经网络、启发式算法知识推理和模糊逻辑阶段以及当今的基于神经网络的深度学习算法、基于生物进化的遗传算法以及辅助学习的模糊逻辑和群体算法阶段。人工智能现今已广泛使用于智能搜索、语音识别、图像识别、生活预测、人机交互等方面。随着大数据时代的 到来，大数据逐渐成为学术界和产业界的热点，已在很多技术和行业广泛应用。物联网技 术的主要功能有信息的标识、感知、处理以及发送四个主要功能。物联网技术通过传感器 对环境进行监测，再将从环境中搜集的信息通过无线网络传递给计算机终端。
将地理信息系统、全球定位系统、数据技术、物联网技术运用到森林火灾监测预测中， 可以有效地建立科学高效的森里防火业务模式。人工智能在火灾的预测检测方面可以发挥 较好的效果。在数据驱动方法的指导下，通过已有的数据训练人工智能已建立数据模型。 再有物联网设备自动获取林业信息，将数据传递至终端，通过由人工智能建立数据模型分 析数据，借此来进行火险预报，提高森林防火管理水平、监测预警能力和宏观决策能力。
基于此，本发明设计了一种基于人工智能感知机模型的森林火灾预测方法，用于实现 对目标森林区域的火灾预测，实际应用当中，具体包括如下步骤。
步骤A.基于目标森林区域的火灾历史数据，提取预设数目N组、分别由目标森林区域各指定属性数据值组成的属性向量，并结合N组向量分别所对应的火灾标记实际值，构成N组样本训练数据，然后进入步骤B；其中，火灾标记值为1，表示高等级火险级别； 火灾标记值为-1，表示中等级火险级别或低等级火险级别，且高等级火险级别与中等级火 险级别之间的临界位置，表示高等级火险级别。
步骤B.构建目标森林区域火灾模型如下：
其中，表示预设目标森林区域火灾所对应各指定属性权重组成的权重向量，b表示 预设目标森林区域火灾数据偏移值，1≤n≤N，表示N组样本训练数据中、第n组样本训练数据的属性向量，表示第n组样本训练数据的属性向量所对应的火灾标记预测值，若则若则若则表示 高等级火险级别与中等级火险级别之间临界位置、目标森林区域各指定属性数据值组成的 属性向量；然后初始化i＝1，并进入步骤C。
对于上述则表示高等级火险级别与中等级火险级别之间临界位置、目 标森林区域各指定属性数据值组成的属性向量，即该临界位置为高等级火险级别与中等级 火险级别之间的分离超平面S(Separatinghyperplane)，针对各组样本训练数据的属性向 量进行划分，即 表示分离超平面S所对应目标森林区域各指定属性数据值 组成的属性向量。
对于N组样本训练数据来说，若存在一个分离超平面S，将各组样本训练数据正确划 分到分离超平面S的两侧，则N组样本训练数据构成线性可分数据集(Linearlyseparable dataset)，否则N组样本训练数据无法构成线性可分数据集。
步骤C.初始化n＝1，并进入步骤D。
步骤D.判断n是否大于N，是则进入步骤H；否则进入步骤E。
步骤E.将第n组样本训练数据的属性向量带入目标森林区域火灾模型中，获得第n组 样本训练数据的属性向量所对应的火灾标记预测值，并判断该火灾标记预测值是否与第n 组样本训练数据的属性向量所对应火灾标记实际值相等，是则进入步骤G；否则进入步骤 F。
步骤F.根据第n组样本训练数据中的属性向量以及对应的火灾标记实际值yn，用的值针对进行更新，以及用b+ηyn的值针对b进行更新，进而更新目标森林 区域火灾模型，然后进入步骤G；其中，η表示预设步长，0＜η≤1，η也称学习率(Learning rate)。步长越长，损失函数减小得越快，如果步长过长，b的值可能会跨过极小点导 致其值无法收敛；如果步长过小，算法运行时间会很长。
对于步骤F中火灾标记预测值与对应火灾标记实际值彼此不相等的样本训练数据的属 性向量，即为误分类点，采用随机梯度下降法，计算误分类点到分离超平面S的距离如下：
其中，表示的L2范数。
步骤G.针对n的值进行加1更新，然后返回步骤D。
步骤H.判断i是否等于I，是则进入步骤I，否则针对i的值进行加1更新，并返回 步骤C；其中，I表述预设最大训练次数。
对于预设最大训练次数I来说，单次训练后，获得了本次训练过程中所有的误分类点 集合M，针对和b，定义目标森林区域火灾模型的损失函数如下：
将问题转化为求损失函数极小值的解，如下：
算法采用随机梯度下降法，对参数对和b的值反复更新迭代。假设误分类点集合M 固定,显然其损失函数的梯度由
步骤I.目标森林区域火灾模型即为目标森林区域火灾等级预测模型，根据目标森林 区域各指定属性的待处理数据值，即可实现目标森林区域火灾等级的预测。
将上述所设计基于人工智能感知机模型的森林火灾预测方法，应用于实际当中，各指 定属性包括温度、湿度、降雨量、风速，即对于每一组样本训练数据的属性向量都可 以写成(温度，湿度，降雨量，风速)的形式。同样的，权重向量的四个分量分别代表 温度、湿度、降雨量、风速对火险的权重。
具体实际应用中，采用2015年南京地区6月到11月的火险以及气象数据作为样本输 入。设定感知机的学习率为0.1，即η＝0.1，最大训练次数I＝30次，由图1可知，感知机的学习错误数量在多轮学习后降至0，即该数据集是近似线性可分的，可以合理推断，目 标森林火险等级和温度、湿度、降雨量、风速四个参数可以在一定条件下是近似地看作是 线性相关的数据集。可以使用感知机算法近似的由给定气象参数划分火险等级，即存在一 个超平面可将样本数据分成火险等级高和火险等级低两类。
火险指数和降雨量成负相关，和空气湿度成正相关，如图2所示，火险等级较高的点 都分布在分割线左侧降雨量较低、且湿度较高的部分。而在分割线右侧的点，其降雨量和 湿度越大，其到分割线的距离就越远。
空气湿度较低，温度较高的情况下火险火险等级通常也会较高。如图3所示，火险火 险等级较高的点的湿度值明显低于其它样本点，并且温度对火险等级的影响显然远远小于 湿度的影响。
如图4所示，感知机算法能够近似的通过风速和湿度划分火险火险等级。当风速越高 而湿度越低湿，火险等级较高。
由火险指数可知，较高的温度和风速可以极大地提高火险发生的概率，由图5可知， 火险等级较高的点集中分布在图形的右上角，并且感知机给出了一道直线正确划分了样本 点。
通过以上数据仿真，可以得出感知机算法可以较为准确地划分火险森林火险等级，因 此对于一个给定的气象数据，感知机算法应该也能够正确的给出其火险火险等级。并且用 于训练感知机的数据越多，其判断也越准确。
上述技术方案所设计基于人工智能感知机模型的森林火灾预测方法，采用全新逻辑设 计，基于历史数据进行训练，不断优化目标森林区域火灾模型，使之适应于目标森林区域 的火灾预测，再结合传感网络所获得的实时检测数据，实现目标森林区域火灾等级的预测， 如此有针对目标森林区域实现了高效率的火灾等级预测，并且预测准确性大大提高。此方 法具有较强的的可扩展性，当迁移目标区域后，只需要重新提供数据集即可建立一个较为 完备的预测模型，简化了传统方法的参数初始化操作，当预测结果和事实出现偏差时，可 以动态的根据结果反馈并修正预测模型。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方 式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做 出各种变化。
Claims (2)
1.一种基于人工智能感知机模型的森林火灾预测方法，用于实现对目标森林区域的火灾预测，其特征在于，包括如下步骤：
步骤A.基于目标森林区域的火灾历史数据，提取预设数目N组、分别由目标森林区域各指定属性数据值组成的属性向量，并结合N组向量分别所对应的火灾标记实际值，构成N组样本训练数据，然后进入步骤B；其中，火灾标记值为1，表示高等级火险级别；火灾标记值为-1，表示中等级火险级别或低等级火险级别，且高等级火险级别与中等级火险级别之间的临界位置，表示高等级火险级别；
步骤B.构建目标森林区域火灾模型如下：
其中，表示预设目标森林区域火灾所对应各指定属性权重组成的权重向量，b表示预设目标森林区域火灾数据偏移值，1≤n≤N，表示N组样本训练数据中、第n组样本训练数据的属性向量，表示第n组样本训练数据的属性向量所对应的火灾标记预测值，若则若则若则表示高等级火险级别与中等级火险级别之间临界位置、目标森林区域各指定属性数据值组成的属性向量；然后初始化i＝1，并进入步骤C；
步骤C.初始化n＝1，并进入步骤D；
步骤D.判断n是否大于N，是则进入步骤H；否则进入步骤E；
步骤E.将第n组样本训练数据的属性向量带入目标森林区域火灾模型中，获得第n组样本训练数据的属性向量所对应的火灾标记预测值，并判断该火灾标记预测值是否与第n组样本训练数据的属性向量所对应火灾标记实际值相等，是则进入步骤G；否则进入步骤F；
步骤F.根据第n组样本训练数据中的属性向量以及对应的火灾标记实际值yn，用的值针对进行更新，以及用b+ηyn的值针对b进行更新，进而更新目标森林区域火灾模型，然后进入步骤G；其中，η表示预设步长，0＜η≤1；
步骤G.针对n的值进行加1更新，然后返回步骤D；
步骤H.判断i是否等于I，是则进入步骤I，否则针对i的值进行加1更新，并返回步骤C；其中，I表述预设最大训练次数；
步骤I.目标森林区域火灾模型即为目标森林区域火灾等级预测模型，根据目标森林区域各指定属性的待处理数据值，即可实现目标森林区域火灾等级的预测。
2.根据权利要求1所述一种基于人工智能感知机模型的森林火灾预测方法，其特征在于：所述各指定属性包括温度、湿度、降雨量、风速。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910078322.0A CN110046738A (zh) | 2019-01-28 | 2019-01-28 | 一种基于人工智能感知机模型的森林火灾预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910078322.0A CN110046738A (zh) | 2019-01-28 | 2019-01-28 | 一种基于人工智能感知机模型的森林火灾预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110046738A true CN110046738A (zh) | 2019-07-23 |
Family
ID=67274151
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910078322.0A Pending CN110046738A (zh) | 2019-01-28 | 2019-01-28 | 一种基于人工智能感知机模型的森林火灾预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110046738A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766313A (zh) * | 2019-10-18 | 2020-02-07 | 山东电工电气集团有限公司 | 一种基于运维检修制度的电缆隧道综合状态评价方法 |
| CN110826601A (zh) * | 2019-10-23 | 2020-02-21 | 上海理工大学 | 基于改进的支持向量机算法的林火预测方法 |
| CN112100419A (zh) * | 2020-09-15 | 2020-12-18 | 贵州迅畅科技有限公司 | 一种基于图像检索的单幅天气图像识别方法及系统 |
| CN112950880A (zh) * | 2021-01-26 | 2021-06-11 | 特斯联科技集团有限公司 | 一种基于大数据的火灾预警方法及系统 |
| CN113762337A (zh) * | 2021-07-29 | 2021-12-07 | 国网河北省电力有限公司经济技术研究院 | 初期火灾确定方法、装置、终端及存储介质 |
| CN114463917A (zh) * | 2022-03-10 | 2022-05-10 | 南京林业大学 | 基于大数据的森林火灾应急调度系统及方法 |
| CN114530025A (zh) * | 2021-12-31 | 2022-05-24 | 武汉烽理光电技术有限公司 | 一种基于阵列光栅的隧道火灾报警方法、装置及电子设备 |
| CN117689520A (zh) * | 2024-02-01 | 2024-03-12 | 青岛山科智汇信息科技有限公司 | 一种草原火灾灭火弹覆盖能力评估方法、介质及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107085904A (zh) * | 2017-03-31 | 2017-08-22 | 上海事凡物联网科技有限公司 | 基于单分类svm的森林火险等级判定方法及系统 |
| CN108520363A (zh) * | 2018-04-18 | 2018-09-11 | 电子科技大学 | 一种用于预测未来时相森林火灾发生风险的评估方法 |
-
2019
- 2019-01-28 CN CN201910078322.0A patent/CN110046738A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107085904A (zh) * | 2017-03-31 | 2017-08-22 | 上海事凡物联网科技有限公司 | 基于单分类svm的森林火险等级判定方法及系统 |
| CN108520363A (zh) * | 2018-04-18 | 2018-09-11 | 电子科技大学 | 一种用于预测未来时相森林火灾发生风险的评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘丹: "基于机器学习对森林火灾的预测分析", 《统计学与应用》 * |
| 黄玉霞等: "SVM方法在森林火险预测中的应用", 《林业科学》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766313A (zh) * | 2019-10-18 | 2020-02-07 | 山东电工电气集团有限公司 | 一种基于运维检修制度的电缆隧道综合状态评价方法 |
| CN110766313B (zh) * | 2019-10-18 | 2024-01-26 | 山东电工电气集团有限公司 | 一种基于运维检修制度的电缆隧道综合状态评价方法 |
| CN110826601B (zh) * | 2019-10-23 | 2023-07-11 | 上海理工大学 | 基于改进的支持向量机算法的林火预测方法 |
| CN110826601A (zh) * | 2019-10-23 | 2020-02-21 | 上海理工大学 | 基于改进的支持向量机算法的林火预测方法 |
| CN112100419A (zh) * | 2020-09-15 | 2020-12-18 | 贵州迅畅科技有限公司 | 一种基于图像检索的单幅天气图像识别方法及系统 |
| CN112100419B (zh) * | 2020-09-15 | 2024-02-06 | 贵州迅畅科技有限公司 | 一种基于图像检索的单幅天气图像识别方法及系统 |
| CN112950880A (zh) * | 2021-01-26 | 2021-06-11 | 特斯联科技集团有限公司 | 一种基于大数据的火灾预警方法及系统 |
| CN113762337A (zh) * | 2021-07-29 | 2021-12-07 | 国网河北省电力有限公司经济技术研究院 | 初期火灾确定方法、装置、终端及存储介质 |
| CN114530025A (zh) * | 2021-12-31 | 2022-05-24 | 武汉烽理光电技术有限公司 | 一种基于阵列光栅的隧道火灾报警方法、装置及电子设备 |
| CN114530025B (zh) * | 2021-12-31 | 2024-03-08 | 武汉烽理光电技术有限公司 | 一种基于阵列光栅的隧道火灾报警方法、装置及电子设备 |
| CN114463917B (zh) * | 2022-03-10 | 2023-10-27 | 南京林业大学 | 基于大数据的森林火灾应急调度系统及方法 |
| CN114463917A (zh) * | 2022-03-10 | 2022-05-10 | 南京林业大学 | 基于大数据的森林火灾应急调度系统及方法 |
| CN117689520A (zh) * | 2024-02-01 | 2024-03-12 | 青岛山科智汇信息科技有限公司 | 一种草原火灾灭火弹覆盖能力评估方法、介质及系统 |
| CN117689520B (zh) * | 2024-02-01 | 2024-05-10 | 青岛山科智汇信息科技有限公司 | 一种草原火灾灭火弹覆盖能力评估方法、介质及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110046738A (zh) | 一种基于人工智能感知机模型的森林火灾预测方法 | |
| CN108701274B (zh) | 一种城市小尺度空气质量指数预测方法与系统 | |
| Han et al. | Joint air quality and weather prediction based on multi-adversarial spatiotemporal networks | |
| Geem et al. | A new heuristic optimization algorithm: harmony search | |
| Ghoneim et al. | Forecasting of ozone concentration in smart city using deep learning | |
| CN112163367B (zh) | 融合萤火虫算法和元胞自动机的城市扩张模拟预测方法 | |
| CN110162475A (zh) | 一种基于深度迁移的软件缺陷预测方法 | |
| Lu et al. | P_SegNet and NP_SegNet: New neural network architectures for cloud recognition of remote sensing images | |
| Parhar et al. | HyperionSolarNet: solar panel detection from aerial images | |
| Yu et al. | Passenger flow prediction for new line using region dividing and fuzzy boundary processing | |
| CN114139719A (zh) | 一种基于机器学习的多源人为热时空量化方法 | |
| Sahraei et al. | Application of machine learning models to predict maximum event water fractions in streamflow | |
| Lim et al. | Air pollution matter prediction using recurrent neural networks with sequential data | |
| Davies et al. | Urban big data and Internet of Things sensing infrastructures in smart and environmentally sustainable cities | |
| Liu et al. | Evaluation of cultivated land quality using attention mechanism-back propagation neural network | |
| Isinkaralar et al. | Projection of bioclimatic patterns via CMIP6 in the Southeast Region of Türkiye: A guidance for adaptation strategies for climate policy | |
| Wang et al. | Review of evaluation on ecological carrying capacity: The progress and trend of methodology | |
| CN117313931A (zh) | 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 | |
| Wang et al. | An interval type-2 fuzzy logic-based map matching algorithm for airport ground movements | |
| Zhao et al. | [Retracted] Fuzzy Neural Network‐Based Evaluation Algorithm for Ice and Snow Tourism Competitiveness | |
| CN109059870A (zh) | 基于无人机航拍影像的锅炉大气污染物排放监管系统和巡检方法 | |
| Al Faied et al. | ML based solutions for greenhouse gas emission and impacts on leading countries a preliminary work | |
| Wei | Tourism Management System Based on GIS | |
| Tian et al. | Md-pred: A multidimensional hybrid prediction model based on machine learning for hotel booking cancellation prediction | |
| Guo et al. | Research on short-term traffic demand of taxi in large cities based on BP neural network algorithm |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190723 |