CN111445011A - 一种基于气象和遥感数据的山火预警方法 - Google Patents

一种基于气象和遥感数据的山火预警方法 Download PDF

Info

Publication number
CN111445011A
CN111445011A CN202010251747.XA CN202010251747A CN111445011A CN 111445011 A CN111445011 A CN 111445011A CN 202010251747 A CN202010251747 A CN 202010251747A CN 111445011 A CN111445011 A CN 111445011A
Authority
CN
China
Prior art keywords
data
neural network
mountain fire
monitoring area
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
Application number
CN202010251747.XA
Other languages
English (en)
Other versions
CN111445011B (zh
Inventor
王丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Sihan Technology Co ltd
Original Assignee
Chengdu Sihan Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Sihan Technology Co ltd filed Critical Chengdu Sihan Technology Co ltd
Priority to CN202010251747.XA priority Critical patent/CN111445011B/zh
Publication of CN111445011A publication Critical patent/CN111445011A/zh
Application granted granted Critical
Publication of CN111445011B publication Critical patent/CN111445011B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Remote Sensing (AREA)
  • Fire Alarms (AREA)
  • Alarm Systems (AREA)

Abstract

本发明属于深度学习技术领域，具体涉及一种基于气象和遥感数据的山火预警方法。本发明的方法主要包括：设定山火监控区域，收集监控区域的气象数据和卫星数据作为样本数据；将观测区域根据经纬度划分为多个大小相同的方格，每个格子里面的数值表示在设定时间间隔内获取的时空特征的均值；对样本数据进行数据增强处理；构建神经网络模型，采用卷积神经网络和循环神经网络构建神经网络模型；采用步骤S3数据增强后的样本数据对神经网络模型进行训练，获得训练好的神经网络模型；将获取的数据输入训练好的神经网络模型，即可获得山火预警结果。本发明的有益效果为，得到了端到端的山火预测模型，有效的避免了大量的人工特征提取及特征筛选工作。

Description

一种基于气象和遥感数据的山火预警方法
技术领域
本发明属于深度学习技术领域，具体涉及一种基于气象和遥感数据的山火预警方法。
背景技术
目前，基于山火的研究主要在物理模型上，基于山火形成的机理通过热力学和流体力学的物理方程来实现山火现象的判断。但是山火发生的机理非常复杂，造成山火的因素众多，很难通过一个方程进行描述，因此这种方式存在很多问题，如准确率的情况，物理方程的复杂性和假设性在应用时存在很多问题，物理模型的各种系数难以确定，物理模型无法对未来时间发生山火进行判断等等。因此，在应用上需要更好方式或模型来实现山火现象的预判。通过传感数据，微气象数据，遥感数据等对未来一段时间是否发生山火进行预测，对未来山火的趋势进行分析，通过深度学习方法建立山火预测模型，实现对山火的预测。这种方式能有效利用历史的累积数据，加入较多的影响因素，对山火的复杂机理进行拟合，较精确的实现山火的预测。
发明内容
本发明所要解决的，就是针对上述问题，采用深度学习技术来有效的简化预处理，实现端到端的预警。
为实现上述目的，本发明采用如下技术方案：
一种基于气象和遥感数据的山火预警方法，其特征在于，包括以下步骤：
S1、确定山火监控区域：在二维平面地图上标记输电线路走向，分别标记经纬度最小值(x1,y1)和经纬度最大值(x2,y2)，设置山火监控区域阈值x，在上述经纬度最小值和最大值上扩展两个点(x1-x,y1-x)和(x2+x,y2+x)，以扩展两个点沿水平方向和垂直方向形成的角作为内角，框定一个矩形区域作为输电线路山火监控区域；
S2、设置阈值y，将山火监控区域经度区间[x1,x2]和纬度区间[y1,y2]根据y值划分，即将山火监控区域离散化，划分为多个大小相同的方格；
S3、收集山火监控区域的气象数据、卫星数据和人类活动数据作为样本数据，针对步骤S2划分的方格，每个格子里面的数值表示在设定时间间隔内获取的时空特征的均值；
S4、对收集到的气象数据和卫星数据进行关联，具体为：对不同数据源的数据通过时间和经纬度进行关联，在关联过程中时间更新粒度不同的采用时间域近邻匹配；
S5、对样本数据进行数据增强处理；
S6、构建神经网络模型，采用卷积神经网络和循环神经网络构建神经网络模型；
S7、采用步骤S5数据增强后的样本数据对神经网络模型进行训练，获得训练好的神经网络模型；
S8、将获取的数据输入训练好的神经网络模型，即可获得山火监控区域的山火预警结果。
进一步的，所述步骤S3的具体方法为：
S31、收集火监控区域的天气和卫星数据，对火监控区域的人类活动进行热编码；所述人类活动进行热编码是根据当地习俗对日期进行是否有祭祀活动热编码；
S32、对收集的数据根据其自身的物理意义进行异常值处理、缺失值处理和归一化处理；
S33、对不同数据源的数据通过时间和经纬度进行关联，在关联过程中时间更新粒度不同的采用时间域近邻匹配；
S34、根据步骤S2划分的方格，对各时刻的特征进行均值计算求出每时刻的栅格化数据矩阵。
进一步的，所述步骤S5的具体方法为：S3收集的样本数据，包括山火与非山火两种类别，通过山火历史记录进行标识后，山火的样本数据量远远小于非山火的样本数据量，对非山火的样本数据进行下采样，对山火的样本数据进行上采样。
进一步的，所述步骤S6的具体方法为，根据步骤S34获得的栅格化数据矩阵，：
S61、对山火监控区域，选择任意一点为观测点，根据该点在任意时刻的取值，选取相邻空间同一时刻的栅格数据矩阵，作为卷积神经网络的输入，提取其空间低维嵌入向量；
S62、对山火监控区域，选择任意一点为观测点，根据该点在任意时刻的取值，选取该时刻前几个时间点同一位置的值，作为卷积神经网络的输入，提取其时间低维嵌入向量。
进一步的，所述步骤S7的具体方法为：
S71、将步骤S5数据增强后的样本数据输入构建的神经网络，根据步骤S6的方法获得每种特征在每个观测点的任意时刻的空间低维嵌入向量和时间低维嵌，分别对每种特征的空间低维嵌入向量和时间低维嵌入向量拼接得到该特征的拼接特征向量；
S72、选择任一观测点在任一时刻获得的所有特征拼接特征向量，将该时刻所有的特征的拼接特征向量进行低阶特征提取得到低阶特征向量；同时将该时刻所有的特征的拼接特征向量进行高阶特征提取得到高阶特征向量；
S73、对低阶特征向量和高阶特征向量进行拼接得到该观测点在该时刻的特征向量；
S74、将特征向量输入到sigmod函数，采用交叉熵损失函数进行学习，遍历所有观测点后，获得训练好的神经网络模型。
本发明的有益效果为：采用深度学习技术从空间和时间两个纬度对特征进行提取，并且对提取的特征进一步的考虑其低阶和高阶的组合特征，得到了端到端的山火预测模型，有效的避免了大量的人工特征提取及特征筛选工作。
附图说明
图1为输电线路在二维平面地图上的标记示意图；
图2为山火监控区域的框定示意图；
图3为离散化后的山火监控区域示意图；
图4为特征的栅格化数据示意图。
具体实施方式
下面结合附图对本发明进行进一步说明。
火会导致输电线路跳闸，在输电线路中检测山火具有重要的意义和必要性。我国的输电电网容易受到自然灾害的影响，山火便是其中之一。现在很多的输电线路架设在高山竣岭，这些地区由于地形较高、气侯条件复杂所以容易引发山火，容易使输电线路跳闸，严重时还会将铁塔烧毁，引起电力事故。山火的发生天气情况以及地形、地表覆盖物、塔基周围人类活动有高度的相关性。所以本发明通过研究电网周边的气象指标，卫星遥感数据，以及对电网周边的人类活动进行特征表达，从而建立一个通过基于各项数据的深度学习模型来预测电网周边山火发生的概率，从而来对输电线路、塔基周围的山火灾害进行3～7日的提前预警。
一种基于气象和遥感数据的山火预警方法，包括以下步骤：
S1、如图1所示，在二维平面地图上标记输电线路走向。找到经纬度的最大最小值。如图所示经纬度最小值(x1,y1),经纬度最大值(x2,y2)；山火的发生往往不是一个单点的情景，所以需选取一个合理的值作为该输电线路山火监控扩展区域阈值x，其中x取值可去5km。具体选择的范围根据计算能力选择。根据在上述经纬度最小值和最大值上扩展的两个点(x1-x,y1-x)和(x2+x,y2+x)框定一个矩形区域为此输电线路山火监控区域，从而能够更好的监控输电线路周边的山火情况，及时的预警，如图2所示。
S2、设置阈值y，将山火监控区域经度区间[x1,x2]和纬度区间[y1,y2]根据y值划分，即将山火监控区域离散化，划分为多个大小相同的方格，如图3所示；
S3、收集山火监控区域的气象数据、卫星数据和人类活动数据作为样本数据，气象数据有温度、湿度、大气压、风速、风向等指标；卫星数据有EVI(增强型植被指数)、LAI(叶面积指数)、LST(陆地表面温度)、NVDI(归一化植被指数)、REFL(地表反射率)、LC(地表覆盖)等指标；人类活动数据有春耕秋收、祭祀活动等指标。由于气象数据和卫星数据均为蕴含实际物理含义的指标数据，都存在相应的合理范围，所以对超出其指标合理区间的数据需进行剔除、或者使用合理的值替换，来保证数据的有效性。为避免指标间量纲的影响需要对数据进行归一化处理，其中归一化的方式为最大最小值归一化，公式如下：
Figure BDA0002435741850000041
气象和卫星和不同数据源的数据通过时间和经纬度关联起来，在关联中存在一个问题卫星数据更新的粒度和气象数据不统一，气象数据采用了天粒度的数据，而卫星数据中有的指标8点或者16天更新一次，而有的指标一天更新一次，对于更新时间粒度超天粒度的数据，采用空间近邻匹配填充的方式来填充特征。本方法实施中采用了ApproximateNearest Neighbor方法进行填充。
在历年的山火火灾调查中，火灾当时的气象条件以及地表覆盖物往往是火灾发生的一部分原因，但往往不是最关键的因素，在输电线路和电网塔基周围的人类活动才是造成山火发生的重大原因。所以对选定区域的人类活动进行特征表达，根据当地习俗对日期进行是否有祭祀活动热编码，如果选定区域中存在耕种区域，同理可对春耕秋收活动进行热编码。如果选定区域塔基周围有摄像头数据回传，亦可加入塔基周围的出现的人类数量。
根据步骤S2划分的的方格，每个格子里面的数值表示在某个时间间隔内某个时空特征的均值，如图4所示；
整个山火监控区域为的经度范围为(x1,x2)，纬度范围为(y1,y2),因为本实施例中山火监控区域经纬度跨度不是很大，所以无妨将其经纬度所圈出的区域认为是一个矩形，选取合适的值，对经纬度进行等分。
如图1所示，某特征的栅格数据表示为
Figure BDA0002435741850000051
其中x11为对应的栅格区域内所有点的该特征的平均值。
S4、对收集到的气象数据和卫星数据进行关联，具体为：对不同数据源的数据通过时间和经纬度进行关联，在关联过程中时间更新粒度不同的采用时间域近邻匹配；
S5、对样本数据进行数据增强处理；
由于收集的山火历史数据中，山火类别和非山火类别数据比例极其悬殊，为了避免样本类别不均衡对模型的准确率造成重大的影响，所以采用对类别较多的非山火类样本数据下采样(如随机抽样等常规下采样手段)，对类别极少的山火类样本数据上采样(如复制等常规上采样手段)。
S6、构建神经网络模型，采用卷积神经网络和循环神经网络构建神经网络模型；
空间低维嵌入：
将每一个时刻的栅格数据矩阵可以看做类图片数据，采用常规卷积神经网络(conv+pooling)的方式来提取空间信息特征,最后将结果展平作为空间的低维嵌入向量特征；以t1为例，观测点22的某各单个为例，考察周围的数据，以取一个邻近空间栅格点为例，其输入栅格数据矩阵如下：
Figure BDA0002435741850000052
将其该点空间低维嵌入特征提取的输入。经过conv+pooling后再展平，则22点t1时刻下某特征的空间低维嵌入的向量结果为
Figure BDA0002435741850000053
时间低维嵌入：
对于某个特征的栅格数据矩阵中同一个位置点的数据，取多个时刻该位置点的数据组成序列，采用常规的循环神经网络的处理方式提取该点的时间信息特征，作为该点的时间低维嵌入向量特征。观察t4以11点位置的序列为例，其输入为：
Figure BDA0002435741850000061
经过循环神经网络提取时间特征后的得到的某特征在11点位置观察时刻t4的时间低维嵌入向量为：
Figure BDA0002435741850000062
低阶特征提取和高阶特征提取，以t4时刻22点某个单个特征为例，其数据输入为22栅格点t4时刻的某特征的空间低维嵌入向量和该特征的时间低维嵌入向量的拼接向量。具体如下：
Figure BDA0002435741850000063
获得其所有时空特征的拼接向量，对其进去低阶和高阶特征提取。其中低阶特征提取可根据数据情况采用常规的LR或者FM，高阶特征提取可采用DNN。低阶特征提取部分和高阶特征提取部分并行，最后将提取的特征拼接输入sigmod函数，从而完成模型的构建。
S7、采用步骤S3数据增强后的样本数据对神经网络模型进行训练，获得训练好的神经网络模型；
训练过程采用反向传播训练，由于我们预测的目标为发生山火/非山火，故而采用交叉熵损失函数；
S8、将获取的数据输入输入训练好的神经网络模型，即可获得山火预警结果。

Claims (5)

1.一种基于气象和遥感数据的山火预警方法，其特征在于，包括以下步骤：
S1、确定山火监控区域：在二维平面地图上标记输电线路走向，分别标记经纬度最小值(x1,y1)和经纬度最大值(x2,y2)，设置山火监控区域阈值x，在上述经纬度最小值和最大值上扩展两个点(x1-x,y1-x)和(x2+x,y2+x)，以扩展两个点沿水平方向和垂直方向形成的角作为内角，框定一个矩形区域作为输电线路山火监控区域；
S2、设置阈值y，将山火监控区域经度区间[x1,x2]和纬度区间[y1,y2]根据y值划分，即将山火监控区域离散化，划分为多个大小相同的方格；
S3、收集山火监控区域的气象数据、卫星数据和人类活动数据作为样本数据，针对步骤S2划分的方格，每个格子里面的数值表示在设定时间间隔内获取的时空特征的均值；
S4、对收集到的气象数据和卫星数据进行关联，具体为：对不同数据源的数据通过时间和经纬度进行关联，在关联过程中时间更新粒度不同的采用时间域近邻匹配；
S5、对样本数据进行数据增强处理；
S6、构建神经网络模型，采用卷积神经网络和循环神经网络构建神经网络模型；
S7、采用步骤S5数据增强后的样本数据对神经网络模型进行训练，获得训练好的神经网络模型；
S8、将获取的数据输入训练好的神经网络模型，即可获得山火监控区域的山火预警结果。
2.根据权利要求1所述的一种基于气象和遥感数据的山火预警方法，其特征在于，所述步骤S3的具体方法为：
S31、收集火监控区域的天气和卫星数据，对火监控区域的人类活动进行热编码；所述人类活动进行热编码是根据当地习俗对日期进行是否有祭祀活动热编码；
S32、对收集的数据根据其自身的物理意义进行异常值处理、缺失值处理和归一化处理；
S33、对不同数据源的数据通过时间和经纬度进行关联，在关联过程中时间更新粒度不同的采用时间域近邻匹配；
S34、根据步骤S2划分的方格，对各时刻的特征进行均值计算求出每时刻的栅格化数据矩阵。
3.根据权利2所述的一种基于气象和遥感数据的山火预警方法，其特征在于，所述步骤S5的具体方法为：S3收集的样本数据，包括山火与非山火两种类别，通过山火历史记录进行标识后，山火的样本数据量远远小于非山火的样本数据量，对非山火的样本数据进行下采样，对山火的样本数据进行上采样。
4.根据权利3所述的一种基于气象和遥感数据的山火预警方法，其特征在于，所述步骤S6的具体方法为，根据步骤S34获得的栅格化数据矩阵，：
S61、对山火监控区域，选择任意一点为观测点，根据该点在任意时刻的取值，选取相邻空间同一时刻的栅格数据矩阵，作为卷积神经网络的输入，提取其空间低维嵌入向量；
S62、对山火监控区域，选择任意一点为观测点，根据该点在任意时刻的取值，选取该时刻前几个时间点同一位置的值，作为卷积神经网络的输入，提取其时间低维嵌入向量。
5.根据权利4所述的一种基于气象和遥感数据的山火预警方法，其特征在于，所述步骤S7的具体方法为：
S71、将步骤S5数据增强后的样本数据输入构建的神经网络，根据步骤S6的方法获得每种特征在每个观测点的任意时刻的空间低维嵌入向量和时间低维嵌，分别对每种特征的空间低维嵌入向量和时间低维嵌入向量拼接得到该特征的拼接特征向量；
S72、选择任一观测点在任一时刻获得的所有特征拼接特征向量，将该时刻所有的特征的拼接特征向量进行低阶特征提取得到低阶特征向量；同时将该时刻所有的特征的拼接特征向量进行高阶特征提取得到高阶特征向量；
S73、对低阶特征向量和高阶特征向量进行拼接得到该观测点在该时刻的特征向量；
S74、将特征向量输入到sigmod函数，采用交叉熵损失函数进行学习，遍历所有观测点后，获得训练好的神经网络模型。
CN202010251747.XA 2020-04-01 2020-04-01 一种基于气象和遥感数据的山火预警方法 Active CN111445011B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010251747.XA CN111445011B (zh) 2020-04-01 2020-04-01 一种基于气象和遥感数据的山火预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010251747.XA CN111445011B (zh) 2020-04-01 2020-04-01 一种基于气象和遥感数据的山火预警方法

Publications (2)

Publication Number Publication Date
CN111445011A true CN111445011A (zh) 2020-07-24
CN111445011B CN111445011B (zh) 2023-07-28

Family

ID=71649433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010251747.XA Active CN111445011B (zh) 2020-04-01 2020-04-01 一种基于气象和遥感数据的山火预警方法

Country Status (1)

Country Link
CN (1) CN111445011B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931645A (zh) * 2020-08-10 2020-11-13 成都思晗科技股份有限公司 一种基于遥感数据的实时山火风险监测方法
CN111931648A (zh) * 2020-08-10 2020-11-13 成都思晗科技股份有限公司 一种基于Himawari8波段数据的山火实时监测方法
CN112434971A (zh) * 2020-12-10 2021-03-02 天津大学 基于神经网络的区域消防风险计算方法
CN112668927A (zh) * 2021-01-07 2021-04-16 云南电网有限责任公司电力科学研究院 一种基于聚类法的考虑人为因素的动态山火风险评估方法
CN112785066A (zh) * 2021-01-27 2021-05-11 北京师范大学 基于卷积-递归神经网络的全球野火次季节时空预测方法
CN113362553A (zh) * 2021-06-08 2021-09-07 内蒙古工业大学 基于多源异构数据的草原火灾监测预警方法及装置
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
CN113567369A (zh) * 2021-07-20 2021-10-29 海南省林业科学研究院(海南省红树林研究院) 一种基于多光谱遥感的森林环境监测方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1900926A (zh) * 2005-07-22 2007-01-24 株式会社日立制作所 空间模拟装置和记录有空间模拟程序的计算机可读媒体
CN103455708A (zh) * 2013-07-24 2013-12-18 安徽省电力科学研究院 基于卫星及气象信息的输电线路灾害监测与风险评估平台
CN109214716A (zh) * 2018-10-17 2019-01-15 四川佳联众合企业管理咨询有限公司 基于stacking算法的山火风险预测建模方法
CN109447331A (zh) * 2018-10-17 2019-03-08 四川佳联众合企业管理咨询有限公司 基于stacking算法的山火风险预测方法
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
CN109509319A (zh) * 2018-12-29 2019-03-22 北京恒泰实达科技股份有限公司 基于静止卫星监测资料的输电线路山火监测预警方法
CN109508476A (zh) * 2018-10-17 2019-03-22 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建模方法
CN109829583A (zh) * 2019-01-31 2019-05-31 成都思晗科技股份有限公司 基于概率编程技术的山火风险预测方法
CN109993938A (zh) * 2017-12-30 2019-07-09 中国移动通信集团辽宁有限公司 火灾监测方法、装置、设备及介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1900926A (zh) * 2005-07-22 2007-01-24 株式会社日立制作所 空间模拟装置和记录有空间模拟程序的计算机可读媒体
CN103455708A (zh) * 2013-07-24 2013-12-18 安徽省电力科学研究院 基于卫星及气象信息的输电线路灾害监测与风险评估平台
CN109993938A (zh) * 2017-12-30 2019-07-09 中国移动通信集团辽宁有限公司 火灾监测方法、装置、设备及介质
CN109214716A (zh) * 2018-10-17 2019-01-15 四川佳联众合企业管理咨询有限公司 基于stacking算法的山火风险预测建模方法
CN109447331A (zh) * 2018-10-17 2019-03-08 四川佳联众合企业管理咨询有限公司 基于stacking算法的山火风险预测方法
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
CN109508476A (zh) * 2018-10-17 2019-03-22 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建模方法
CN109509319A (zh) * 2018-12-29 2019-03-22 北京恒泰实达科技股份有限公司 基于静止卫星监测资料的输电线路山火监测预警方法
CN109829583A (zh) * 2019-01-31 2019-05-31 成都思晗科技股份有限公司 基于概率编程技术的山火风险预测方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931645B (zh) * 2020-08-10 2023-05-23 成都思晗科技股份有限公司 一种基于遥感数据的实时山火风险监测方法
CN111931648A (zh) * 2020-08-10 2020-11-13 成都思晗科技股份有限公司 一种基于Himawari8波段数据的山火实时监测方法
CN111931645A (zh) * 2020-08-10 2020-11-13 成都思晗科技股份有限公司 一种基于遥感数据的实时山火风险监测方法
CN111931648B (zh) * 2020-08-10 2023-08-01 成都思晗科技股份有限公司 一种基于Himawari8波段数据的山火实时监测方法
CN112434971A (zh) * 2020-12-10 2021-03-02 天津大学 基于神经网络的区域消防风险计算方法
CN112668927A (zh) * 2021-01-07 2021-04-16 云南电网有限责任公司电力科学研究院 一种基于聚类法的考虑人为因素的动态山火风险评估方法
CN112668927B (zh) * 2021-01-07 2023-11-24 云南电网有限责任公司电力科学研究院 一种基于聚类法的考虑人为因素的动态山火风险评估方法
CN112785066B (zh) * 2021-01-27 2023-05-02 北京师范大学 基于卷积-递归神经网络的全球野火次季节时空预测方法
CN112785066A (zh) * 2021-01-27 2021-05-11 北京师范大学 基于卷积-递归神经网络的全球野火次季节时空预测方法
CN113362553A (zh) * 2021-06-08 2021-09-07 内蒙古工业大学 基于多源异构数据的草原火灾监测预警方法及装置
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
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
CN113567369A (zh) * 2021-07-20 2021-10-29 海南省林业科学研究院(海南省红树林研究院) 一种基于多光谱遥感的森林环境监测方法及系统

Also Published As

Publication number Publication date
CN111445011B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN111445011B (zh) 一种基于气象和遥感数据的山火预警方法
Sarvestani et al. Three decades of urban growth in the city of Shiraz, Iran: A remote sensing and geographic information systems application
Abd et al. Maximum likelihood for land-use/land-cover mapping and change detection using Landsat satellite images: A case study “South of Johor”
Tadesse et al. Satellite‐based hybrid drought monitoring tool for prediction of vegetation condition in Eastern Africa: A case study for Ethiopia
CN109615118A (zh) 基于大数据地质灾害防治信息化服务集成控制系统及方法
CN110929946A (zh) 基于地表水文过程的农业洪涝灾害监测预报系统及方法
CN113222283A (zh) 一种基于数字孪生的山洪预报预警方法及系统
CN111460733B (zh) 一种基于深度学习的山火预警方法
Yao et al. An improved deep learning model for high-impact weather nowcasting
CN113553764A (zh) 一种基于深度学习网络的山火预测方法
Khalil et al. Time series analysis of land surface temperature and drivers of urban heat island effect based on remotely sensed data to develop a prediction model
CN107403004B (zh) 一种基于地形数据的遥测雨量站点可疑数值检验方法
Shukla et al. Satellite-based nowcasting of extreme rainfall events over Western Himalayan region
Yang et al. Flood detection based on unmanned aerial vehicle system and deep learning
Kidd et al. Digital soil assessment: guiding irrigation expansion in Tasmania, Australia
CN117390555A (zh) 一种实现泥石流灾害风险多维分类预测方法
Niraj et al. Fate of agricultural areas of Kailali District of Nepal: A temporal land use land cover change (LUCC) analysis
Seddiki et al. Using GIS Combined with AHP for Mapping landslide Susceptibility in Mila, in Algeria
CN114612799A (zh) 基于滑坡/非滑坡面积比的空间自适应正负样本生成方法及系统
CN114063063A (zh) 基于合成孔径雷达和点状传感器的地质灾害监测方法
CN112946240A (zh) 滑坡地质灾害基因判识与预测系统
Moran et al. Snowpack estimation in key mountainous water basins from openly-available, multimodal data sources
Chen et al. Evaluation of landslide potential due to land use in the slope
Xu et al. Estimating surface soil moisture from satellite observations using machine learning trained on in situ measurements in the continental US
Kavzoglu et al. Assessment of environmental change and land degradation using time series of remote sensing images

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Mountain Fire Warning Method Based on Meteorological and Remote Sensing Data

Effective date of registration: 20230921

Granted publication date: 20230728

Pledgee: Chengdu Rural Commercial Bank Co.,Ltd. high tech sub branch

Pledgor: CHENGDU SIHAN TECHNOLOGY Co.,Ltd.

Registration number: Y2023510000223