CN111625999A - 一种基于深度学习技术的森林火灾预警模型及系统 - Google Patents
一种基于深度学习技术的森林火灾预警模型及系统 Download PDFInfo
- Publication number
- CN111625999A CN111625999A CN202010478816.0A CN202010478816A CN111625999A CN 111625999 A CN111625999 A CN 111625999A CN 202010478816 A CN202010478816 A CN 202010478816A CN 111625999 A CN111625999 A CN 111625999A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- early warning
- forest fire
- component
- 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
- 238000013135 deep learning Methods 0.000 title claims description 20
- 238000005516 engineering process Methods 0.000 title claims description 18
- 238000000034 method Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000000737 periodic effect Effects 0.000 claims abstract description 16
- 238000001556 precipitation Methods 0.000 claims abstract description 15
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000007726 management method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000013523 data management Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 1
- 230000010354 integration Effects 0.000 abstract description 2
- 239000000306 component Substances 0.000 description 40
- 238000011160 research Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 229910000906 Bronze Inorganic materials 0.000 description 2
- 239000010974 bronze Substances 0.000 description 2
- KUNSUQLRTQLHQQ-UHFFFAOYSA-N copper tin Chemical compound [Cu].[Sn] KUNSUQLRTQLHQQ-UHFFFAOYSA-N 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 241000208818 Helianthus Species 0.000 description 1
- 235000003222 Helianthus annuus Nutrition 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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"
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种森林火灾预警模型，体系结构包括临近组件、周期组件和外部组件三个组件，构建流程包括：S1、将预处理后的气象数据每个时间间隔内的气温、湿度、风速和降水量分别转换为一个四通道的近似图像的矩阵，再将时间轴划分为两个片段，分别表示在时间流中的各位置的邻近和周期相似的关系；S2、将每个时间片段中的图像矩阵分别输入到邻近组件及周期组件进行建模；S3、通过参数矩阵对不同的分量的结果赋予不同的权重，将邻近组件与周期组件的输出结果融合为残差分量XRes；S4、通过Tanh函数将XRes、XExt集成结果映射到[‑1，1]。本发明利用深度残差网络为核心的神经网络结构，构建了森林火灾预警的模型。
Description
技术领域
本发明属于林业信息工程技术领域，具体涉及基于深度学习技术的森林火灾预警模型及系统。
背景技术
森林作为陆地生态系统中的重要组成部分，在调节地球生态平衡中起到了非常重要的作用。森林资源不仅在维护生态系统平衡方面发挥着重要作用，而且为人们带来了经济利益。森林火灾的发生对人们的生产生活产生了重大影响，也给林业发展和保护带来了巨大的冲击。森林防火工作实质上是一种风险管理的过程，以最大努力减少森林火灾事故和森林火灾损失为目标的管理活动。因此，预先判断森林火灾风险程度，提高森林火灾风险意识，是森林防火管理的出发点。森林火灾预警系统是森林防火措施和消防工作的指导性指标。
近年来，互联网与物联网的加速发展以及空天地一体化建设，有关部门在获取森林内的气象数据越来越简便快捷，与此同时气象卫星每时每刻的对地持续观测，积累了庞大的数据。因此，使用这些数据为森林火灾预警提供了强有力的数据支持。随着计算机软硬件技术、大数据技术和人工智能的蓬勃发展，目前还没有出现将地面气象观测数据与遥感卫星数据相互结合，并利用深度学习的相关理论算法来预判森林火灾发生概率的森林火灾预警系统。因此现在亟需研发出一种利用地面气象观测数据与遥感卫星数据结合，基于深度学习技术的森林火灾预测警示模型与系统，以研究森林火灾发生可能性与人为因素以及气象因素之间的关系，为更好地预防森林火灾提供有效的参考。
发明内容：
本发明目的是提供了一种基于深度学习技术的森林火灾预警模型及系统，要解决现有技术中缺乏基于深度学习技术的森林火灾预警模型与系统的技术问题。
为实现以上目的，本发明采用如下技术方案：
一种基于深度学习技术的森林火灾预警模型，所述森林火灾预警模型以深度残差网络为核心，其体系结构包括临近组件、周期组件和外部组件三个组件，其构建流程包括以下步骤：
S1、构建组件，邻近组件与周期组件使用同样的由多层卷积神经网络与残差单元连接构成的组件单元，外部组件通过提取特征属性信息并输入一个两层完全连接的神经网络组成；
S2、模型构建，将邻近组件与周期组件结果进行融合得到残差分量XRes，并将其结果再与外部组件XExt的输出进一步集成，通过Tanh函数将继承结果映射到预测范围，得到预测结果。
S3、数据准备，使用预处理后的气象数据，将每个时间间隔内的气温、湿度、风速和降水量分别转换为一个四通道的近似图像的矩阵。将连续的图像矩阵按照时间顺序构建一组时间序列数据集。将时间序列数据分为两部分，一部分作为训练集用于模型训练，一部分作为验证集用于模型验证。
S4、模型训练，利用训练集，按照特定的时间间隔，将时间片段中的图像矩阵输入到对应的邻近组件与周期组件；将对应时间的外部数据输入外部组件。通过模型求出预测结果
与所预测时间的真实结果比对计算误差，通过迭代反复运行获得模型内部参数，实现模型自动调优。
S5、模型验证，利用验证集进行S4同样的步骤对模型进一步优化，得到效果较好的模型。
优选的，所述邻近组件和周期组件具有相同的网络结构，均由卷积和残差单元两部分组成。
优选的，所述外部组件结构中以历史火情发生的日期以及节假日作为外部隐私的特征向量Et。
优选的，所述网络结构为多层卷积神经网络，邻近组件采用每个时刻的邻近几个时刻[Xt-i、Xt-(i-1)、…、Xt-1]一起建模，并将该轴连接成一个张量
最后再进行卷积，如
上式中*为卷积运算，f表示一个激活函数，
则为第一层学习的参数。
优选的，所述步骤S3中的数据预处理包括：
A1、将实验区域进行网格状分区；
A2、收集试验区内气象站的数据，按照分隔后的网格大小进行克里金插值分析，生成各气象因子的连续分布栅格数据；
A3、将各气象因子进行归一化处理，将数据全部转化为[-1，1]之间，归一化公式如下：y＝2×(x-xmin)/(xmax-xmin)-1，式中x为对应的每个数据，y为归一化后的结果，xmin为该类数据中最小值，xmax为该类数据中的最大值；
A4、计算森林火灾天气指数，采用各气象因子要素梯度打分并求和的过程，再对HTZ值进行梯度等级划分以获得不同的火警等级。
本发明还提供一种基于上述的森林火灾预警模型构件的森林火灾预警系统，所述系统采用分层的结构，各层之间相互独立，包括数据资源层、服务层、业务层和应用层；所述数据资源层包括栅格矢量数据，所述服务层负责对数据的处理以及为预测提供运算环境；所述业务层负责数据管理以及火险预测；所述应用层实现数据的展示、查询及可视化操作。
优选的，所述数据资源层包括基础地理数据模块、气象数据模块、遥感数据模块和元数据模块。
优选的，所述服务层包括深度学习计算框架模块、数据推送模块和数据空间插值模块。
优选的，所述业务层包括火险预测模块、基础地理数据管理模块、气象数据采集和管理模块和遥感数据处理及管理模块；所述应用层包括展示模块和火险查询模块。
本发明的技术方案至少具有以下有益效果：
本发明通过分析研究区域内的气象因子和地面接收站发现的森林火灾自身以及相互之间的关系，探索气象因素与森林火灾之间的内在联系，并利用这些联系、基于深度残差网络为模型的核心组成部分建立了一个适用于森林火灾预警的深度学习模型，并用反向传播和Adam算法对模型的网络深度进行最优求解，经训练与测试其总体预测效果较好。森林火灾预警模型研究是在现有的深度学习环境下的各种算法技术的创新应用。本发明中设计训练好的模型，可通过WebAPI、WebGIS等技术构建森林火灾预警原型的系统，所获得的模型能应用于实际，为林业安全生产提供新的预警手段，提高林业火灾预警的准确度和前瞻性。
附图说明
图1为本发明实施例的研究路线及流程示意图；
图2为本发明实施例中的实验区域的示意图；
图3为本发明中实验区域内2013-2016年的HTZ统计；
图4为本发明实施例中的HTZ处理模型；
图5为本发明实施例中的以深度残差网络为核心的森林火灾预警模型的体系结构示意图；
图6为本发明实施例中多层卷积神经网络的示意图；
图7为本发明实施例中残差网络学习过程的示意图；
图8为本发明实施例中森林火灾预警模型的训练与测试结果的曲线图；
图9为本发明实施例中森林火灾预警模型的预测结果；
图10为本发明实施例中森林火灾预警系统的系统架构图；
图11为本发明实施例中森林火灾预警系统的系统功能图；
图12为本发明实施例中森林火灾预警系统的数据插值流程图；
图13为本发明实施例中森林火灾预警系统的火险预测流程图；
图14为本发明实施例中森林火灾预警系统的火险预警推送流程图；
具体实施方式
以下提供本发明的优选实施例，以助于进一步理解本发明。本领域技术人员应了解到,本发明实施例的说明仅是示例性的，并不是为了限制本发明的方案。
实施例
1、实验区域介绍
实验区位于洞庭湖上游流域，在湖南省西部与贵州东部交界区域(主要由贵州黔东南苗族侗族自治州、铜仁地区少部分、湖南省怀化市少部分)，地处云贵高原向湘桂丘陵盆地过渡地带。如附图2所示，地理位置为东经107°11′至东经109°32′、北纬25°59′至27°28′，面积约3.7万平方千米。地势复杂，以高原、山地为主，有少量丘陵、岩溶与洼地，变化起伏很大，是云贵高原与湘桂丘陵盆地的过渡地带。区域内最低海拔137米，最高海拔2572米，大部分地区在500～1000米之间。属中亚热带季风湿润气候区，季风气候明显，气候的垂直差异显著。年日照时数1068-1296小时，年平均气温13.7℃～17.8℃。全年最冷月平均气温为5℃～8℃，最热月平均气温24℃～28℃。境内年降雨量1000～1500毫米，无霜期270～330天，相对湿度在77％～83％。
2、数据来源
地面气象数据：本研究中的地面气象数据来源于中国气象数据共享网(https://data.cma.cn)，本文选取了2012年至2016年间的洞庭湖流域中的9个站点数据，分别为湖南省的芷江(站点编号57745)、通道(站点编号57845)，贵州省的都匀(站点编号57827)、凯里(站点编号57825)、黎平(站点编号57839)、三穗(站点编号57832)、天柱(站点编号57840)、余庆(站点编号57729)、铜仁(站点编号57741)。
历史火情数据：本实施例使用的2013-2016年的历史火情数据来自于中国森林防火网的卫星林火监测系统以及林科大天立泰环境遥感数据中心的森林火灾监测数据，这两个火灾数据源主要是通过接收NOAA系列气象卫星、MODIS传感器和我国的风云系列气象卫星进行处理、分析、识别得出的森林火灾热点。这些数据包括有监测平台名称、火灾监测发现时间、经纬度信息、所属行政区、地表覆盖类型、火灾的起火原因等信息。
遥感数据来源：风云三号(FY-3)气象卫星，甚高分辨率扫描辐射计(AVHRR)，中分辨率成像光谱仪(MODIS)，可见光红外成像辐射仪(VIIRS)；“风云”气象卫星,葵花八号。
地表植被覆盖度：地表植被覆盖度又叫地表植被覆盖率，是指森林面积占总面积的百分比。一般利用遥感技术监测大面积区域的植被覆盖度，最实用的方法是利用植被指数近似估算植被覆盖度，也就是常用的植被指数NDVI。其次应用较多的是植被覆盖度与光谱指数的相关分析法、回归模型法以及像元二分模型法等。
森林火险等级及预警信号:森林火险等级是于1995年由林业部(现国家林业与草原局)批准的林业行业标准《全国森林火险天气等级》(LY/T1171-95)，给出了森林火灾天气指数HTZ的计算公式：HTZ＝A+B+C+D-E式(1)；
式(1)中A、B、C、D、E分别表示最高空气温度指数、最小相对湿度指数、连续五降雨指数、距地面10m最大风速指数以及物候订正指数。我国的森林火灾天气等级划分为五个级别，对应的HTZ值见表1。根据2016年最新的《森林火险预警信号分级及标识》(LY/T 2578-2016),预警信号共分为4个级别，依次为蓝色、黄色、橙色、红色，其中橙色与红色为高森林火险预警信号，与森林火险天气等级划分对应关系见表1。
表1森林火险等级与预警信号
3.森林火灾识别及相关因素特征分析研究
3.1气象因子特征分析：使用各气象因素资料，计算2013-2016年间每个月的研究区内所有站点的平均值。
(1)最高气温变化趋势：2013-2016年该研究区内年平均气温在21℃左右，月均最高温度整体呈上升的趋势，每年间温度呈规律性变化，冬季温度在10℃徘徊，夏季温度平均最高在33℃左右。而2014年初温度先回升然后出现了快速下降。
(2)最小降雨量变化趋势：2013-2016年该研究区内月均最小降水量的变化趋势，月均最小降水量整体呈上升的趋势，冬季降水普遍偏少，春夏季降水相对较多，值2013年夏季降水相较于其他年份降水格外少。
(3)最大风速变化趋势：2013-2016年该研究区内月均最大风速的变化趋势，月均最大风速整体变化不大，平均风速在4m/s左右。
(4)最小相对湿度变化趋势：2013-2016年该研究区内月均最小相对湿度的变化趋势，月均最小相对湿度整体呈上升的趋势，冬季相对干燥，春夏季由于降水相对较多所以湿度也有所增大。
3.2森林火险及火情特征分析
(1)森林火险等级时间特征分析
通过分析实验区域内样本点在不同时刻的HTZ。按照时间顺序排布，如附图3可以看出数该位置的火险等级随着时间年度的变化存在一定的周期性，而相邻的时间内火险等级大致相同。
在不同的年份中森林火险等级也有不同的变化情况，表2按月份统计各月内不同森林火险等级发生的天数，从表2中可以看出该高森林火险等级相对集中于春季。各年份内二级火险等级天数相对较多，春秋季的森林火险等级相对较高，而冬季则相对较低。
表2火险等级月统计表
注：由于多数气象站点缺失7、8月的数据，所以未统计。
(2)森林火情时间特征分析
通过在历史火情库中筛选出实验区域内在2013-2016年的火灾发生次数，统计结果见下表3，在历史火情中看出，该实验区域内火灾大多发生在冬春季。
表3森林火灾发生次数统计表
统计2013-2016年中所有节假日，这四年间共放假462天，上班时间为999天，节假日中发生火灾的天数占比达4.5％，工作日则占比为3.7％。节假日发生火灾的情况明显高于工作日。在实际建模时，节假日应当作为模型的一部分参考因素。发现实际该实验区域内实际发生火灾通常是在冬春季，在此处与在冬春季森林火险等级相对较低呈现有相对冲突的情况。由于在冬春两季中包含有春节以及清明节，在这两个节假日中该区域内人类野外用火次数明显增多，这可能是导致在冬春季实际发生火灾较多的原因。
4、建立森林火灾预警模型
4.1数据预处理：根据后续处理需求，将附图2所示的实验区以5km×5km的小方格为单位，将整个区域分割46×33的网格。
气象数据空间插值：由于气象站点是分布于实验区域内，各气象因子只反映当前气象站周围的情况是一种空间点状态存在的。为得到整个实验区与内的一个气象因子空间分布情况，在此利用各站点数据在ArcMap中按照分隔后的网格大小进行克里金插值分析，生成各气象因子的连续分布栅格数据。前人研究发现海拔每上升100m气温会下降0.6℃，而实验区域内山地丘陵较多垂直落差较大，所以在气温插值过程中首先将所有气象站所采集到的温度利用所处位置的海拔高度转化到海平面的等势温度，然后在进行克里金插值生成海平面高度的气温分布图，最后再利用重采样为5km的DEM数据对气温进行订正。
数据归一化处理：归一化处理能有效的将不同类型数据间的大小比例以及单位不同所造成的误差减小。在此需要将各气象因子进行归一化处理，为满足后续应用激活函数，在此将数据全部转化为[-1，1]之间。
归一化公式如下：y＝2×(x-xmin)/(xmax-xmin)-1 式(2)；
式中x为对应的每个数据，y为归一化后的结果，xmin为该类数据中最小值，xmax为该类数据中的最大值。
计算森林火灾天气指数：HTZ的计算中是采用各气象因子要素梯度打分并求和的过程，最后再对HTZ值进行梯度等级划分。因此我们将对空间插值得到的最高空气温度、最小相对湿度、降水量以及最大风速栅格数据进行重分类处理。
最高空气温度插值数据按照温度在小于5℃赋值为0、在(5，10]间赋值为4、在(10，15]间赋值为8、在(15，20]间赋值为12、在(20，25]间赋值为16、温度大于25℃时将赋值为20。在这样转换后就可以得到一个只含有0、4、8、12、16、20这6个值得温度指数栅格图。
最小相对湿度插值数据按照湿度在大于70％赋值为0、在(60，70]间赋值为4、在(50，60]间赋值为8、在(40，50]间赋值为12、在(30，40]间赋值为16、湿度小于30％时将赋值为20。在这样转换后就可以得到一个只含有0、4、8、12、16、20这6个值得相对湿度指数栅格图。
降水量插值数据按照降水量在小于0.3mm赋值为15、在(0.3，2.0]间赋值为10、在(2，5]间赋值为5、降水量大于5mm时将赋值为0。在这样转换后就可以得到一个只含有0、5、10、15这4个值得降水量指数栅格图。
风速插值数据则按照以下分段点0.2、1.5、3.3、5.4、7.9、10.7、13.8、17.1、20.7将整幅图像重新赋值只含有0、5、10、15、20、25、30、35、40这8个值得风速指数图。
地表覆盖物数据则按照全部绿草覆盖或者90％以上积雪覆盖赋值为20，75％绿草覆盖或者60％积雪覆盖赋值为15、50％绿草覆盖或者30％积雪覆盖赋值为10、20％绿草覆盖或者10％积雪覆盖赋值为5，没有积雪或绿草则为0。
在将上述栅格结果按照HTZ计算公式利用栅格计算器计算得到了HTZ指数。最后再按照小于25定义一级火险等级、(25，50]为二级火险等级、(50，72]为三级火险等级、(72，91)为四级火险等级、大于等于91则为五级火险等级。
在此，为快速实现大量数据的森林火灾天气指数计算，利用ArcMap工具箱建立了HTZ处理模型，如附图4所示。
4.2构建森林火灾预警模型
通过分析森林火灾指数时间发生规律，以及历史火情发生特征，构建以深度残差网络为核心的森林火灾预警模型，其模型结构图如附图5所示。由于森林火险等级与气温、湿度、风速和降水量等要素有着非常重要的关系，在模型中将直接以气温、湿度、风速和降水量作为输入要素替代森林火险等级。
附图5展示了基于深度学习的森林火灾预警模型的体系结构，在该结构中主要由三个组件组成，分别为临近组件、周期组件和外部组件。
首先使用空间插值后的气象数据，将每个时间间隔内实验区域中的气温、湿度、风速和降水量分别转换为一个四通道的近似图像的矩阵，接着再将时间轴划分为两个片段，分别表示在时间流中的各位置的邻近和周期相似的关系。
然后，将每个时间片段中的图像矩阵分别输入到邻近组件及周期组件进行建模，邻近组件与周期组件都共享同样的卷积神经网络结果以及残差单元，这种结构能够更好地捕获某个区域也相邻区域间的空间依赖关系。在外部组件中，通过手动提取出一些特征属性信息，如历史火情发生次数和节假日，并将它们输入一个两层完全连接的神经网络。
接着通过参数矩阵对不同的分量的结果赋予不同的权重，将邻近组件与周期组件的输出结果融合为残差分量XRes。随后将残差分量XRes与外部组件XExt的输出进一步集成。
最后，通过Tanh函数将XRes、XExt集成结果映射到[-1，1]。而Tanh函数其具有快于标准logistic函数收敛速度。
继续参考附图5，以下详细介绍本火灾预警模型中的各组件。
(1)周期组件、邻近组件结构
邻近性和周期性都具有相同的网络结构，是由卷积和残差单元两部分组成。当前实验区域所覆盖的面积很大，在其中所包含的信息很多。气象因子具有很强的流动性，附近区域气象因子可能会互相有所影响，而卷积神经网络(CNN)则可以有效的处理这种情况，它展现出对空间结构信息有很强的捕获能力。为捕获区域内空间以内关系，在这里设计了多层卷积神经网络如附图6所示。为避免传统卷积过程中的分辨率损失，在该卷积网络中Same模式。经过多次卷积后，在高层特征层里面就能更好地反映距离目标位置更远距离的影响。附图6中邻近组件采用了每个时刻的邻近几个时刻[Xt-i、Xt-(i-1)、…、Xt-1]一起建模，紧接着将该轴连接成一个张量
最后再进行卷积，如下公式(3)所示：
上式中*为卷积运算，f表示一个激活函数，
则为第一层学习的参数。
虽然使用了众所周知的激活函数(ReLU)和正则化技术，但是很难训练非常深的卷积网络。如果想要得到模型的依赖关系，它需要超过15连续卷积层。为了解决这个问题，则在模型中使用了残差学习如附图7所示。
(2)外部组件结构
森林火灾发生受到许多其他的因素影响，通过分析历史火情与节假日的关系，可以发现，节假日发生火情的情况明显高于工作日。为辅助预测更加接近真值，因此将历史火情发生的日期，以及节假日作为外部隐私的特征向量Et。而在形式上，将四全连接层叠加在Et上，这第一层可以看做是每个因子的嵌入层，然后是一个激活层，第二层则用于将Et从低维到高维映射成与Xt相同的形状，最终输出附图5中的外部组件XExt及参数θExt。
4.3模型评价方法
为检测设计的预测模型的可靠性，这里选用了常用的评价指标：均方根误差(RMSE)，该指标常被用于评价时序模型，其计算公式如下：
上式中yi表示真实值，
表示预测值。
而对于预测结果的评价，选用了在目标检测任务中的常用指标：混淆矩阵和Kappa系数。
(1)混淆矩阵也称为误差矩阵，用n*n的矩阵形式来表示。它是将实际结果与分类结果的相应位置的像元进行比较计算，从而得到总体精度，制图精度等指标。其总体精度计算公式如下：
上式中N为总像元个数，xii为每一类正确分类的样本数量。
(2)Kappa系数是一种基于混淆矩阵的衡量分类精度指标，它可以用来反映分类结果与真实结果一致性程度。其公式如下：
上式中N为总像元个数，xii为每一类正确分类的样本数量，xi+·x+i为每一类分类数量与真实数量的积。
Kappa系数计算结果为[-1，1]之间，通常Kappa值是落在[0，1]间，并可分为五组来表示不同级别的一致性：[0.0，0.20]间表示极低的一致性、[0.21，0.40]表示一般的一致性、[0.41，0.60]表示中等的一致性、[0.61，0.80]表示高度的一致性、[0.81，1]表示几乎完全一致。
4、模型训练及结果分析
(1)模型训练
模型训练即确定模型结构中的参数的过程。在训练之前设置好残差网络层数L以及时间间隔参数，然后再通过算法迭代运算，最小化损失函数求最优解。下表4介绍了模型的训练过程。首先从原始数据中提取数据构造训练实例。然后通过反向传播和Adam算法训练模型。
表4算法模型训练过程
(2)模型训练结果和分析
模型训练数据采用2013-2016年每日的气象因子值，所有数据按照时间序列方式组成相应的样本集，因而满足时序数据的特点。由于部分月份数据丢失，总计生成1212条数据，数据将按照4:1的比例进行分配，其中970条数据作为训练样本，242条作为测试样本。
在学习率为0.0002时，将残差网络层数设为12时，附图8中的横轴表示迭代次数，纵轴表示均方根误差，由于设计是根据均方根误差达到最小值时停止训练，所以从附图8上可知本实施例的火灾预警模型在训练迭代到第9次的时候，其均方根误差达到结束训练条件。
在模型中使用不同残差网络层数对模型训练有不同的效果。目前的现有理论研究没有给出一个确定的值，只能通过经验和实验区寻找最佳值。在使用有效数据集上损失最大的模型进行评估，设定模型的学习率为0.0002，迭代次数为30，网络层数分别设置2、4、8、12这个4个水平上依次实验，实验结果如下表5所示。
表5不同层数训练结果对比
通过多次实验可以看出，当层数组件增加时，RMSE逐渐降低，同时训练所需要的时间也会呈爆炸性增长。
(3)模型预测分析
利用网络层数为12的模型，通过选取相关数据，分别预测时间为2016-1-31、2016-3-31、2016-5-30、2016-9-28、2016-11-28这5天的火险等级情况，将结果与当天数据计算的HTZ结果，利用混淆矩阵进行评价，结果如附图9所示，其总体精度在85％左右，总体预测效果较好。
本实施例以洞庭湖上游流域(湖南省与贵州省交界处)为实验区域，以该区域内2013-2016年的最高气温、最小降雨量、最大风速、最小相对湿度以及同时期发生的森林火灾为样本集用于模型的训练和预测。选择12层的网络结构预测模型的预测误差RMSE为0.020。利用2016年中的5天数据进行预测，预测效果拟合度在85％左右，总体预测效果较好。
5、以火灾预警模型为基础搭建火灾预警系统
为将本实施例中第4部分所获得的火灾预警模型研究成果转换成直观并且实用性的应用，申请人设计了一套森林火灾预警原型系统。预警系统的设计遵循以下原则：实用性：系统的运行、维护、高效和易用等式系统设计的关键。友好性：系统界面设计美观、使用方便等。前瞻性：系统设计过程中，不仅要实现对目前业务的满足，同时还要能为以后的需求留有余地。系统设计、软件平台、数据库等都应符合技术发展方向。可拓展性：系统需要满足今后的发展，方便业务需求更改拓展和系统升级。
5.1火灾预警系统的系统架构
如附图10所示，本实施例中该系统主要分为4层，分别包括：数据资源层，服务层，业务层和应用层。数据资源层主要包括了系统中将要使用的一系列的栅格矢量数据；服务层主要是对数据的一些处理，以及为预测提供运算环境；业务层主要是对数据管理以及火险预测；应用层则是实现数据的展示以及查询等操作及结果可视化。
本实施例中火灾预警系统由三大部分组成，如附图11所示。第一部分是数据管理，该部分主要是包含有各种数据管理，如火情管理、气象站点管理、气象因子管理等。第二部分是预测，该部分是整个系统最核心和重要的部分，在这其中涉及到生成预测所需数据的操作——数据插值，预测模型应用过程——火险预测，以为应急服务而诞生的火险预警推送。第三部分则为数据可视化，该部分是为则为用户直观的能查看数据，从而更加直观的了解火险情况，以及已发生的森林火灾分布情况。
数据库是整个系统的基础，在上层应用环节起到尤为重要的作用，数据库中存储了系统中各类的数据表结构以及大量的业务数据。一旦系统开始运行后，数据表就不会再改动了，所以数据表的设计是一件非常重要的工作，也是一个要能总揽全局且复杂的工程。本系统主要的三个表，火情数据表、气象站点表、气象因子表分别见下表6、表7和表8。
表6气象站点表
表7气象因子表
表8火情数据表
5.2系统功能模块设计
数据管理模块：(1)火情管理是对历史火情数据进行管理的入口，火情数据部分来源于地面接收站自动解译火灾数据推送而来，该管理入口可以用于修改该火情的一些基本信息，统计分析火灾发生情况。(2)气象站点管理是用于维护气象站点属性信息的入口，该入口可以对气象站点一些基本信息进行增删改查，如所站点名称，海拔信息等。(3)气象因子管理，主要对历史气象因子的查询以及分析统计的入口，该入口可以让用户方便快捷的查询，不同站点不同时间的气象数据。同时还提供对数据的可视化分析统计等操作。
预测模块：(1)数据插值模块是后端利用Arcpy作为支撑环境的一个数据插值模块，该模块是为了将离散的气象数据进行空间插值，并生成能覆盖研究范围内的面状气象数据，便于直观显示在平面地图上，同时要能够为火险预测提供数据；数据插值模块流程图参考附图12所示。(2)火险预测模块是利用已有训练好的预测模型作为支持，在TensorFlow的运行环境下，输入事先准备好的数据，即可生成预测的火险分布情况；火险预测流程图参考附图13所示。(3)火险预警推送模块是一个将数据插值与火险预测集成的一个模块，该模块用于提供自动的森林火险分析，并推送到前端展示，同时若有高危险等级的火险情况将发出预警提示；火险预警推送流程图参考附图14所示。
数据可视化：(1)火情查询模块是在前端实现的一个方便用户交互的一个模块，该模块可以实现用的按照不同的查询方式(如按时间、按范围)对历史火情进行查询，同时并将历史火情展现在平面地图上，能够让用户更加直观的看到历史火情的分布情况。(2)火险分布查询模块方便用户在前端能够通过不同的查询方式进行火险分布的查询，可以通过查询历史的火险分布情况，也可以通过鼠标在地图上点击查询某点位置的历史火险情况。(3)气象因子查询是便于用户通过交互方式，查询任意位置的气象信息而设计的模块，该模块可以通过限制查询时间，查询地图上任意点的历史气象数据。
本实施例中的森林火灾预警原型系统采用B/S结构，应用了Web API技术实现前后端分离模式。本系统由于是原型系统，所采用的数据均为历史数据。
本实施例中围绕洞庭湖上游流域的森林火险等级预测为研究对象，在深度学习框架深度残差网络模型的研究基础上，结合森林火险等级划分的特点，构建了一个新的用于进行森林火险等级预测的深度学习模型，并用反向传播和Adam算法对模型的网络深度进行最优求解。最后将获得的模型应用于实际，搭建了一套用于森林火灾预警的原型系统。
最后应当说明的是，以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制，尽管参照上述实施例对本申请进行了详细的说明，所述领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或等同替换，但以上变更、修改或等同替换，均在本申请的待授权或待批准之权利要求保护范围之内。
Claims (9)
1.一种基于深度学习技术的森林火灾预警模型，其特征在于，所述森林火灾预警模型以深度残差网络为核心，其体系结构包括临近组件、周期组件和外部组件三个组件，其构建流程包括以下步骤：
S1、构建组件，邻近组件与周期组件使用同样的由多层卷积神经网络与残差单元连接构成的组件单元，外部组件通过提取特征属性信息并输入一个两层完全连接的神经网络组成；
S2、模型构建，将邻近组件与周期组件结果进行融合得到残差分量XRes，并将其结果再与外部组件XExt的输出进一步集成，通过Tanh函数将继承结果映射到预测范围，得到预测结果；
S3、数据准备，使用预处理后的气象数据，将每个时间间隔内的气温、湿度、风速和降水量分别转换为一个四通道的近似图像的矩阵；将连续的图像矩阵按照时间顺序构建一组时间序列数据集；将时间序列数据分为两部分，一部分作为训练集用于模型训练，一部分作为验证集用于模型验证；
S4、模型训练，利用训练集，按照特定的时间间隔，将时间片段中的图像矩阵输入到对应的邻近组件与周期组件；将对应时间的外部数据输入外部组件；通过模型求出预测结果
与所预测时间的真实结果比对计算误差，通过迭代反复运行获得模型内部参数，实现模型自动调优；
S5、模型验证，利用验证集进行S4同样的步骤对模型进一步优化，得到效果较好的模型。
2.根据权利要求1所述的基于深度学习技术的森林火灾预警模型，其特征在于，所述邻近组件和周期组件具有相同的网络结构，均由卷积和残差单元两部分组成。
3.根据权利要求1所述的基于深度学习技术的森林火灾预警模型，其特征在于，所述外部组件结构中以历史火情发生的日期以及节假日作为外部隐私的特征向量Et。
4.根据权利要求2所述的基于深度学习技术的森林火灾预警模型，其特征在于，所述网络结构为多层卷积神经网络，邻近组件采用每个时刻的邻近几个时刻[Xt-i、Xt-(i-1)、…、Xt-1]一起建模，并将该轴连接成一个张量
最后再进行卷积，如
上式中*为卷积运算，f表示一个激活函数，
则为第一层学习的参数。
5.根据权利要求1所述的基于深度学习技术的森林火灾预警模型，其特征在于，所述步骤S3中的数据预处理包括：
A1、将实验区域进行网格状分区；
A2、收集试验区内气象站的数据，按照分隔后的网格大小进行克里金插值分析，生成各气象因子的连续分布栅格数据；
A3、将各气象因子进行归一化处理，将数据全部转化为[-1，1]之间，归一化公式如下：y＝2×(x-xmin)/(xmax-xmin)-1，式中x为对应的每个数据，y为归一化后的结果，xmin为该类数据中最小值，xmax为该类数据中的最大值；
A4、计算森林火灾天气指数，采用各气象因子要素梯度打分并求和的过程，再对HTZ值进行梯度等级划分以获得不同的火警等级。
6.一种基于权利要求1-5任意一项所述的森林火灾预警模型构件的森林火灾预警系统，其特征在于，所述系统采用分层的结构，各层之间相互独立，包括数据资源层、服务层、业务层和应用层；所述数据资源层包括栅格矢量数据，所述服务层负责对数据的处理以及为预测提供运算环境；所述业务层负责数据管理以及火险预测；所述应用层实现数据的展示、查询及可视化操作。
7.根据权利要求6所述的森林火灾预警系统，其特征在于，所述数据资源层包括基础地理数据模块、气象数据模块、遥感数据模块和元数据模块。
8.根据权利要求6所述的森林火灾预警系统，其特征在于，所述服务层包括深度学习计算框架模块、数据推送模块和数据空间插值模块。
9.根据权利要求6所述的森林火灾预警系统，其特征在于，所述业务层包括火险预测模块、基础地理数据管理模块、气象数据采集和管理模块和遥感数据处理及管理模块；所述应用层包括展示模块和火险查询模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010478816.0A CN111625999A (zh) | 2020-05-29 | 2020-05-29 | 一种基于深度学习技术的森林火灾预警模型及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010478816.0A CN111625999A (zh) | 2020-05-29 | 2020-05-29 | 一种基于深度学习技术的森林火灾预警模型及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111625999A true CN111625999A (zh) | 2020-09-04 |
Family
ID=72271324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010478816.0A Pending CN111625999A (zh) | 2020-05-29 | 2020-05-29 | 一种基于深度学习技术的森林火灾预警模型及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111625999A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884324A (zh) * | 2021-02-21 | 2021-06-01 | 深圳数研锦瀚智慧科技有限公司 | 一种森林火险监测方法、装置及存储介质 |
| CN113008494A (zh) * | 2021-02-01 | 2021-06-22 | 上海盛磊信息科技有限公司 | 基于深度学习的天线罩结构健康度监测设备与监测方法 |
| CN113111518A (zh) * | 2021-04-15 | 2021-07-13 | 应急管理部四川消防研究所 | 一种基于物联网的火灾仿真处理方法 |
| CN113222242A (zh) * | 2021-05-08 | 2021-08-06 | 朱江 | 一种森林火险等级预报方法、装置、计算机设备及存储介质 |
| CN113537063A (zh) * | 2021-07-16 | 2021-10-22 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于综合遥感技术的森林环境遥感监测方法及终端 |
| CN114140966A (zh) * | 2022-01-12 | 2022-03-04 | 南京林业大学 | 一种基于图像数据的森林防火监控系统及方法 |
| CN114821289A (zh) * | 2022-01-17 | 2022-07-29 | 电子科技大学 | 一种森林火灾图片实时分割和火灾边缘点监测算法 |
| CN114997498A (zh) * | 2022-06-07 | 2022-09-02 | 上海交通大学 | 基于深度学习与对冲算法的海上风资源在线预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108288109A (zh) * | 2018-01-11 | 2018-07-17 | 安徽优思天成智能科技有限公司 | 基于lstm深度时空残差网络的机动车尾气浓度预测方法 |
| CN108717582A (zh) * | 2018-04-17 | 2018-10-30 | 平安科技（深圳）有限公司 | 森林火灾预测方法、装置、计算机设备和存储介质 |
-
2020
- 2020-05-29 CN CN202010478816.0A patent/CN111625999A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108288109A (zh) * | 2018-01-11 | 2018-07-17 | 安徽优思天成智能科技有限公司 | 基于lstm深度时空残差网络的机动车尾气浓度预测方法 |
| CN108717582A (zh) * | 2018-04-17 | 2018-10-30 | 平安科技（深圳）有限公司 | 森林火灾预测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| JUNBO ZHANG.ET AL.: "Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction" * |
| JUNBO ZHANG.ET AL.: "Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction", PROCEEDINGS OF THE THIRTY-FIRST AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE, pages 1655 - 1611 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113008494A (zh) * | 2021-02-01 | 2021-06-22 | 上海盛磊信息科技有限公司 | 基于深度学习的天线罩结构健康度监测设备与监测方法 |
| CN112884324A (zh) * | 2021-02-21 | 2021-06-01 | 深圳数研锦瀚智慧科技有限公司 | 一种森林火险监测方法、装置及存储介质 |
| CN113111518A (zh) * | 2021-04-15 | 2021-07-13 | 应急管理部四川消防研究所 | 一种基于物联网的火灾仿真处理方法 |
| CN113222242A (zh) * | 2021-05-08 | 2021-08-06 | 朱江 | 一种森林火险等级预报方法、装置、计算机设备及存储介质 |
| CN113537063A (zh) * | 2021-07-16 | 2021-10-22 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于综合遥感技术的森林环境遥感监测方法及终端 |
| CN113537063B (zh) * | 2021-07-16 | 2022-09-13 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于综合遥感技术的森林环境遥感监测方法及终端 |
| CN114140966A (zh) * | 2022-01-12 | 2022-03-04 | 南京林业大学 | 一种基于图像数据的森林防火监控系统及方法 |
| CN114140966B (zh) * | 2022-01-12 | 2023-08-25 | 南京林业大学 | 一种基于图像数据的森林防火监控系统及方法 |
| CN114821289A (zh) * | 2022-01-17 | 2022-07-29 | 电子科技大学 | 一种森林火灾图片实时分割和火灾边缘点监测算法 |
| CN114821289B (zh) * | 2022-01-17 | 2023-10-17 | 电子科技大学 | 一种森林火灾图片实时分割和火灾边缘点监测算法 |
| CN114997498A (zh) * | 2022-06-07 | 2022-09-02 | 上海交通大学 | 基于深度学习与对冲算法的海上风资源在线预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111625999A (zh) | 一种基于深度学习技术的森林火灾预警模型及系统 | |
| Feloni et al. | Flood vulnerability assessment using a GIS‐based multi‐criteria approach—The case of Attica region | |
| KR100982447B1 (ko) | 지공간 상관관계 통합기법을 이용한 산사태 발생 예측시스템 및 이를 이용한 산사태 발생 예측방법 | |
| CN116580532A (zh) | 一种基于雷达遥感技术的地质灾害预警系统 | |
| CN109782373A (zh) | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 | |
| CN111310898A (zh) | 一种基于rnn的滑坡灾害易发性预测方法 | |
| CN114067545B (zh) | 一种基于遥感大数据的森林火灾监测方法及系统 | |
| CN109407177B (zh) | 基于机器学习与常规气象观测的大雾识别系统和应用方法 | |
| CN113487123A (zh) | 高光谱监测与gis耦合山洪灾害动态风险评估方法 | |
| CN111199322A (zh) | 房价预测方法及计算机可读存储介质 | |
| Cova et al. | Exurban change detection in fire-prone areas with nighttime satellite imagery | |
| CN116151610B (zh) | 一种非均质城市下垫面承灾体风险暴露空间模拟方法 | |
| CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
| CN114048944A (zh) | 一种暴雨诱发地质灾害下应撤离人口及损毁房屋的预估方法 | |
| CN118094196B (zh) | 基于数据分析的土地利用规划方法及规划系统 | |
| CN113191670B (zh) | 一种精细化雷电灾害风险评价与区划方法 | |
| CN117934998A (zh) | 隧道火灾数字孪生模型可信度评估方法及系统 | |
| Sunarta et al. | Surface Urban Heat Island (SUHI) Phenomenon in Bali and Lombok Tourism Areas Based on Remote Sensing | |
| Yang et al. | Flood detection based on unmanned aerial vehicle system and deep learning | |
| CN111752990A (zh) | 一种雷电易发性等级划分方法 | |
| KR20120132985A (ko) | 태풍을 포함하는 저기압 접근 시 재해기상의 시공간적 분포 검색 시스템 | |
| Davis et al. | Post-Hurricane Michael damage assessment using ADCIRC storm surge hindcast, image classification, and LiDAR | |
| CN117710508A (zh) | 基于改进条件生成对抗网络的近地表温度反演方法和装置 | |
| CN109885808B (zh) | 一种近地表气象要素计算方法 | |
| WO2024057054A1 (en) | Method for assessment of wildfire risk for a given geographical area |
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: 20200904 |