CN112382043A - 基于卫星监测的灾害预警方法、设备、存储介质及装置 - Google Patents

基于卫星监测的灾害预警方法、设备、存储介质及装置 Download PDF

Info

Publication number
CN112382043A
CN112382043A CN202011152039.7A CN202011152039A CN112382043A CN 112382043 A CN112382043 A CN 112382043A CN 202011152039 A CN202011152039 A CN 202011152039A CN 112382043 A CN112382043 A CN 112382043A
Authority
CN
China
Prior art keywords
disaster
monitoring
area
image
satellite
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
Application number
CN202011152039.7A
Other languages
English (en)
Inventor
曹小伍
曹景溢
雷铭杰
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.)
Hangzhou Xiangyi Technology Co Ltd
Original Assignee
Hangzhou Xiangyi 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 Hangzhou Xiangyi Technology Co Ltd filed Critical Hangzhou Xiangyi Technology Co Ltd
Priority to CN202011152039.7A priority Critical patent/CN112382043A/zh
Publication of CN112382043A publication Critical patent/CN112382043A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B19/00—Alarms responsive to two or more different undesired or abnormal conditions, e.g. burglary and fire, abnormal temperature and abnormal rate of flow
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/005—Fire alarms; Alarms responsive to explosion for forest fires, e.g. detecting fires spread over a large or outdoors area
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
    • G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Emergency Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及深度学习技术领域，尤其涉及一种基于卫星监测的灾害预警方法、设备、存储介质及装置。该方法包括：通过卫星监测获取监测区域的实时监测图像；通过卫星监测获取预设灾害图像集合；根据所述预设灾害图像集合对初始目标监测模型进行深度学习训练，以获取深度学习灾害监测模型；将所述实时监测图像输入所述深度学习灾害监测模型，并根据输出结果进行灾害预警。本申请中通过深度学习获取灾害监测模型，对特定区域的特定灾害进行有效监测，提升灾害预警的效率与准确度。

Description

基于卫星监测的灾害预警方法、设备、存储介质及装置
技术领域
本发明涉及深度学习技术领域，尤其涉及一种基于卫星监测的灾害预警方法、设备、存储介质及装置。
背景技术
森林火灾往往由于人类活动、干旱或雷电天气造成，具有突发性和不确定性。对于热源的红外辐射，通常采用红外监测器，但在自然环境中，灯光、阳光及闪电会对红外监测器造成干扰，引起误报警给护林员造成麻烦。而山体滑坡具有突发性，往往由于人类活动过度开采植被量下降、降雨量过大导致山坡泥土松软植被抓地能力下降等造成。而山林地区较为偏僻，难以在其中架设监测设备。
发明内容
本发明的主要目的在于提供一种基于卫星监测的灾害预警方法、设备、存储介质及装置，旨在实现对山林灾害的预警的技术问题。
为实现上述目的，本发明提供一种基于卫星监测的灾害预警方法，所述基于卫星监测的灾害预警方法包括：
通过卫星监测获取监测区域的实时监测图像；
通过卫星监测获取预设灾害图像集合；
根据所述预设灾害图像集合对初始目标监测模型进行深度学习训练，以获取深度学习灾害监测模型；
将所述实时监测图像输入所述深度学习灾害监测模型，并根据输出结果进行灾害预警。
优选地，所述将所述实时监测图像输入所述深度学习灾害监测模型，并根据输出结果进行灾害预警的步骤，具体包括：
将所述实时监测图像输入所述深度学习灾害监测模型，以获得输出结果；
在所述输出结果为监测区域中存在灾害区域时，通过卫星监测获取实时气象信息，并根据实时气象信息与所述输出结果进行灾害趋势预测。
优选地，所述在所述输出结果为监测区域中存在灾害区域时，通过卫星监测获取实时气象信息，并根据实时气象信息与所述输出结果进行灾害趋势预测的步骤，具体包括：
在所述输出结果为监测区域中存在灾害区域时，根据实时气象信息获取当前湿度信息与当前气体比例；
根据所述输出结果、所述当前湿度信息及所述当前气体比例进行灾害趋势预测；
根据预设灾害程度对趋势预测结果进行评级，根据评级结果进行警报。
优选地，所述将所述历史监测图像集合输入所述深度学习灾害监测模型，以获得输出结果的步骤之后，还包括：
在所述输出结果为监测区域中不存在灾害区域时，通过卫星监测获取监测区域的第一预设时间段内的历史监测图像集合；
通过卫星监测获取监测区域的第一预设时间段内的气象信息；
根据所述气象信息与所述历史监测图像集合对所述监测区域进行灾害预测，获得灾害风险预测结果。
优选地，所述根据所述气象信息与所述历史监测图像集合对所述监测区域进行灾害预测，获得灾害风险预测结果的步骤，具体包括：
根据所述气象信息获取所述监测区域的降雨变化率、湿度变化信息与气体比例变化信息；
根据所述历史监测图像集合获取所述监测区域的地形变化信息；
根据所述降雨变化率、所述湿度变化信息、所述气体比例变化信息与所述地形变化信息对所述监测区域进行灾害预测，获得灾害风险预测结果。
优选地，所述通过卫星监测获取监测区域的实时监测图像的步骤，具体包括：
通过卫星监测实时获取监测区域的待处理监测图像；
对所述待处理监测图像进行图像增强处理，并将处理后的待处理监测图像作为实时监测图像。
优选地，所述通过卫星监测获取预设灾害图像集合的步骤，具体包括：
通过卫星监测获取预设预设数量的灾害图像，并对各灾害图像进行类型标注，以获得灾害图像信息；
根据灾害图像信息对所有灾害图像进行分类，以获得灾害图像子集合；
汇总各灾害图像子集合，以获得预设灾害图像集合。
此外，为实现上述目的，本发明还提出一种基于卫星监测的灾害预警设备，所述基于卫星监测的灾害预警设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于卫星监测的灾害预警程序，所述基于卫星监测的灾害预警程序被所述处理器执行时实现如上文所述的基于卫星监测的灾害预警方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于卫星监测的灾害预警程序，所述基于卫星监测的灾害预警程序被处理器执行时实现如上文所述的基于卫星监测的灾害预警方法的步骤。
此外，为实现上述目的，本发明还提出一种基于卫星监测的灾害预警装置，所述基于卫星监测的灾害预警装置包括：
卫星监测模块，用于通过卫星监测获取监测区域的实时监测图像；
集合获取模块，用于通过卫星监测获取预设灾害图像集合；
模型构建模块，用于根据所述预设灾害图像集合对初始目标监测模型进行深度学习训练，以获取深度学习灾害监测模型；
灾害警报模块，用于将所述实时监测图像输入所述深度学习灾害监测模型，并根据输出结果进行灾害预警。
本发明中，通过卫星监测获取监测区域的实时监测图像；通过卫星监测获取预设灾害图像集合；根据所述预设灾害图像集合对初始目标监测模型进行深度学习训练，以获取深度学习灾害监测模型；将所述实时监测图像输入所述深度学习灾害监测模型，并根据输出结果进行灾害预警。本申请中通过深度学习获取灾害监测模型，对特定区域的特定灾害进行有效监测，存在灾害区域时，对灾害趋势进行预测，为灾害防护人员提供灾害防控信息；不存在灾害区域时，对监测区域的灾害发生概率进行预测，并将所述灾害发生概率根据程度进行报警，避免灾害发生。通过上述方法将气象信息结合卫星监测图像，排除卫星监测图像中的干扰因素，提升灾害预警的效率与准确度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于卫星监测的灾害预警设备的结构示意图；
图2为本发明基于卫星监测的灾害预警方法第一实施例的流程示意图；
图3为本发明基于卫星监测的灾害预警方法第二实施例的流程示意图；
图4为本发明基于卫星监测的灾害预警方法第三实施例的流程示意图；
图5为本发明基于卫星监测的灾害预警装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于卫星监测的灾害预警设备结构示意图。
如图1所示，该基于卫星监测的灾害预警设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对基于卫星监测的灾害预警设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于卫星监测的灾害预警程序。
在图1所示的基于卫星监测的灾害预警设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述基于卫星监测的灾害预警设备通过处理器1001调用存储器1005中存储的基于卫星监测的灾害预警程序，并执行本发明实施例提供的基于卫星监测的灾害预警方法。
所述基于卫星监测的灾害预警设备通过处理器1001调用存储器1005中存储的基于卫星监测的灾害预警程序，并执行以下操作：
通过卫星监测获取监测区域的实时监测图像；
通过卫星监测获取预设灾害图像集合；
根据所述预设灾害图像集合对初始目标监测模型进行深度学习训练，以获取深度学习灾害监测模型；
将所述实时监测图像输入所述深度学习灾害监测模型，并根据输出结果进行灾害预警。
所述基于卫星监测的灾害预警设备通过处理器1001调用存储器1005中存储的基于卫星监测的灾害预警程序，并执行以下操作：
将所述实时监测图像输入所述深度学习灾害监测模型，以获得输出结果；
在所述输出结果为监测区域中存在灾害区域时，通过卫星监测获取实时气象信息，并根据实时气象信息与所述输出结果进行灾害趋势预测。
所述基于卫星监测的灾害预警设备通过处理器1001调用存储器1005中存储的基于卫星监测的灾害预警程序，并执行以下操作：
在所述输出结果为监测区域中存在灾害区域时，根据实时气象信息获取当前湿度信息与当前气体比例；
根据所述输出结果、所述当前湿度信息及所述当前气体比例进行灾害趋势预测；
根据预设灾害程度对趋势预测结果进行评级，根据评级结果进行警报。
所述基于卫星监测的灾害预警设备通过处理器1001调用存储器1005中存储的基于卫星监测的灾害预警程序，并执行以下操作：
在所述输出结果为监测区域中不存在灾害区域时，通过卫星监测获取监测区域的第一预设时间段内的历史监测图像集合；
通过卫星监测获取监测区域的第一预设时间段内的气象信息；
根据所述气象信息与所述历史监测图像集合对所述监测区域进行灾害预测，获得灾害风险预测结果。
所述基于卫星监测的灾害预警设备通过处理器1001调用存储器1005中存储的基于卫星监测的灾害预警程序，并执行以下操作：
根据所述气象信息获取所述监测区域的降雨变化率、湿度变化信息与气体比例变化信息；
根据所述历史监测图像集合获取所述监测区域的地形变化信息；
根据所述降雨变化率、所述湿度变化信息、所述气体比例变化信息与所述地形变化信息对所述监测区域进行灾害预测，获得灾害风险预测结果。
所述基于卫星监测的灾害预警设备通过处理器1001调用存储器1005中存储的基于卫星监测的灾害预警程序，并执行以下操作：
通过卫星监测实时获取监测区域的待处理监测图像；
对所述待处理监测图像进行图像增强处理，并将处理后的待处理监测图像作为实时监测图像。
所述基于卫星监测的灾害预警设备通过处理器1001调用存储器1005中存储的基于卫星监测的灾害预警程序，并执行以下操作：
通过卫星监测获取预设预设数量的灾害图像，并对各灾害图像进行类型标注，以获得灾害图像信息；
根据灾害图像信息对所有灾害图像进行分类，以获得灾害图像子集合；
汇总各灾害图像子集合，以获得预设灾害图像集合。
基于上述硬件结构，提出本发明基于卫星监测的灾害预警方法的实施例。
参照图2，图2为本发明基于卫星监测的灾害预警方法第一实施例的流程示意图，提出本发明基于卫星监测的灾害预警方法第一实施例。
在第一实施例中，所述基于卫星监测的灾害预警方法包括以下步骤：
步骤S10：通过卫星监测获取监测区域的实时监测图像。
需要说明的是，本实施例中执行主体为接收卫星监测图像的服务器或上位机。所述服务器可以为实体服务器或云服务器。所述监测区域可以为森林保护区、具有人类活动迹象的偏远山林区域、高速公路或铁道附近，本实施例中所述监测区域为周围有人类活动迹象的林场区域。本实施例中所述卫星可以为同步卫星，可以为多颗同步卫星或一颗同步卫星。
易于理解的是，在存在多颗同步卫星时，所述监测区域可以为多颗所述同步卫星的监测区域中重合的区域，在一个区域有多颗同步卫星监测时，可以同时获取到多个不同的实时监测图像，根据多个实时监测图像获取到一幅信息了更多的监测图像，可增强对所述监测区域检测的准确性。
易于理解的是，多颗所述同步卫星获取所述监测区域的实时监测图像并将所述实时监测图像传输到所述服务器中，所述服务器存储所述实时监测图像。所述服务器根据所述实时监测图像拍摄的时间生成索引值，并将所述索引值与所述实时监测图像一起保存。
易于理解的是，所述第一预设时间段可设置为当前日期至当前日期之前两周，通过上述索引值调用所述第一预设时间段内的所有监测图像，并将所述监测图像作为所述历史监测图像。
进一步地，所述步骤S10，具体包括：通过卫星监测实时获取监测区域的待处理监测图像；对所述待处理监测图像进行图像增强处理，并将处理后的待处理监测图像作为实时监测图像。
步骤S20：通过卫星监测获取预设灾害图像集合。
进一步地，所述通过卫星监测获取预设灾害图像集合的步骤，具体包括：通过卫星监测获取预设预设数量的灾害图像，并对各灾害图像进行类型标注，以获得灾害图像信息；根据灾害图像信息对所有灾害图像进行分类，以获得灾害图像子集合；汇总各灾害图像子集合，以获得预设灾害图像集合。
需要说明的是，上述预设灾害图像集合中的图像来源本实施不对此加以限制。通过建立预设灾害图像集合，可以根据监测需求建立所述集合，例如：建立以火灾监测为目的的卫星监测火灾图像集合等。所述预设数量设置的越大，能使集合中包含更多的样本，丰富模型的监测范围，本实施例不对此加以限制。
步骤S30：根据所述预设灾害图像集合对初始目标监测模型进行深度学习训练，以获取深度学习灾害监测模型。
易于理解的是，所述气象信息可以通过气象卫星进行采集，并将所述气象信息发送至所述服务器进行存储，所述第二预设时间段大于所述第一预设时间段。所述第二预设时间段为当前日期之前至当前日期之后，例如，所述第二预设时间段为当前日期前一周至当前日期后一周，共计十五天。通过所述气象信息可以获取到近期所述监测区域的降雨量或光照量、气体浓度等。
为了更进一步的解决获取灾害区域的技术问题，获取所述监测区域在第二预设时段内的气象信息，并根据所述气象信息对所述实时监测图像进行补偿修正；根据预设灾害特征确定补偿修正后的所述实时监测图像中是否存在灾害区域。
应当理解的是，在所述监测区域为山林区域时，例如第二预设时间段内风调雨顺，灾害风险低，山林植被生长迅速，根据气象信息中获取的光照量、降雨量等信息生成补偿系数，对所述实时监测图像进行补偿，以排除由于监测区域自然变化造成的影响因素。
进一步地，所述灾害区域包含火灾区域或山体滑坡区域；所述根据预设灾害特征确定补偿修正后的所述实时监测图像中是否存在灾害区域的步骤，具体包括：根据预设火灾特征确定所述补偿修正后的所述实时监测图像中是否存在火灾区域；或，根据预设滑坡特征确定所述补偿修正后的所述实时监测图像中是否存在山体滑坡区域。
需要说明的是，所述预设火灾特征为一个预设火灾特征集合。首先需要获取卫星监测到的火灾图像，建立火灾图像集合，将所述火灾图像集合中的图像输入卷积神经网络模型进行图像分类，生成多个场景下的火灾图像子集合。对每个火灾图像子集合进行聚类分析，以获取各子集合对应的火灾特征，根据所述火灾特征生成预设火灾特征集合。
易于理解的是，所述火灾特征包含火灾时监测图像对应的亮温值、火灾图像与火灾前图像的亮温值变化等。
需要说明的是，预设滑坡特征为一个预设滑坡特征集合。首先获取卫星监测到的山体滑坡图像，建立滑坡图像集合，将所述滑坡图像集合中的图像输入卷积神经网络模型进行图像分类，生成多个场景下的滑坡图像子集合。对每个滑坡图像子集合进行聚类分析，以获取各子集合对应的滑坡特征，根据所述滑坡特征特征生成预设滑坡特征集合。
易于理解的是，引发山体滑坡的因素有山体坡度过高植被较为茂密导致山体承受力不够支撑造成滑坡、过度砍伐导致植被较少土地流失造成滑坡、地震等，滑坡特征为滑坡后山体植被减少、滑坡后导致山脚被掩埋等。
易于理解的是，根据灾害特征对所述实时监测图像进行匹配，以判断所述实时监测图像中是否存在灾害区域。进行匹配时，在所述灾害特征与所述实时监测图像的匹配程度达到预设匹配程度时，则可判断所述监测区域中存在灾害区域。例如将滑坡特征与所述实时监测图像进行匹配，匹配程度达到98％，预设匹配程度为95％，则判断监测区域中存在有滑坡区域。
步骤S40：将所述实时监测图像输入所述深度学习灾害监测模型，并根据输出结果进行灾害预警。
易于理解的是，所述监测区域中不存在灾害区域，则所述监测区域中未发生灾害，根据当前的气象信息对灾害风险进行预测。具体实施中，根据所述气象信息可以获取近期与未来一定时间内的降雨量，在降雨量较高时，所述监测区域中有爆发山洪的可能性；降雨量较低时，所述监测区域中有山林火灾的可能性，或干旱的可能性等。根据所述气象信息结合所述监测区域的人类活动、植被组成、植被密度等因素进行灾害预测。生成一个灾害发生的概率值，可以预设不同概率对应的警报程度，根据所述警报程度发出相应的预警提示信息。
易于理解的是，在所述监测区域中存在灾害区域时，根据实时气象信息进行灾害趋势预测，并根据预测的灾害趋势进行预警。根据实时气象信息获取当前气象进行灾害趋势预测。例如，当前发生了山体滑坡，且实时气象信息显示近期降雨量骤升，则除了山体滑坡外，所述监测区域还存在山洪风险。例如：当前发生了森林火灾，根据所述气象信息可知未来几天内没有降雨，结合所述监测区域的植被覆盖程度等信息，可获取火灾蔓延方向，对防火带进行规划，以便消防人员进行灭火。
在第一实施例中，通过卫星监测获取监测区域的实时监测图像；通过卫星监测获取预设灾害图像集合；根据所述预设灾害图像集合对初始目标监测模型进行深度学习训练，以获取深度学习灾害监测模型；将所述实时监测图像输入所述深度学习灾害监测模型，并根据输出结果进行灾害预警。本申请中通过深度学习获取灾害监测模型，对特定区域的特定灾害进行有效监测，存在灾害区域时，对灾害趋势进行预测，为灾害防护人员提供灾害防控信息；不存在灾害区域时，对监测区域的灾害发生概率进行预测，并将所述灾害发生概率根据程度进行报警，避免灾害发生。通过上述方法将气象信息结合卫星监测图像，提升灾害预警的效率与准确度。
参照图3，图3为本发明基于卫星监测的灾害预警方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明基于卫星监测的灾害预警方法的第二实施例。
在第二实施例中，步骤S40，具体包括：
步骤S41：将所述实时监测图像输入所述深度学习灾害监测模型，以获得输出结果。
步骤S42：在所述输出结果为监测区域中存在灾害区域时，通过卫星监测获取实时气象信息，并根据实时气象信息与所述输出结果进行灾害趋势预测。
进一步地，所述步骤S42具体包括：在所述输出结果为监测区域中存在灾害区域时，根据实时气象信息获取当前湿度信息与当前气体比例；根据所述输出结果、所述当前湿度信息及所述当前气体比例进行灾害趋势预测；根据预设灾害程度对趋势预测结果进行评级，根据评级结果进行警报。
易于理解的是，在所述监测区域中存在灾害区域时，根据实时气象信息获取当前湿度信息与当前气体比例。例如，所述监测区域为森林区域，在所述监测区域中存在火灾区域时，根据实时气象信息获取所述监测区域的当前湿度信息及当前气体比例。根据所述气体比例获取到有害气体的比例及氧气含量，根据所述有害气体比例可以判断所述监测区域的当前燃烧程度，根据所述氧气含量判断所述监测区域的未来燃烧趋势。同时根据所述实时气象信息可以获取当前风向和未来风向。
易于理解的是，根据所述输出结果、所述当前湿度信息及所述当前气体比例进行灾害趋势预测。根据所述当前风向及所述未来风向进行火势蔓延方向的预测，结合所述监测区域的地形信息、空气中的含氧量可使所述火势蔓延方向的预测更为精确。例如：所述监测区域为山林地区，山脚存在村落，根据人类活动分析当前区域存在树木砍伐区域，当前燃烧区域距离所述树木砍伐区域较为接近。当前湿度较低，未来几天没有降水量，难以借助雨势灭火。所述燃烧区域位于山坡坡度较高的地方，风向为由山顶向山坡，山坡的植被覆盖率低于山脚，山顶的植被覆盖率低于山坡。根据预设火势蔓延公式结合风向、风速、氧浓度等参数对火势蔓延方向进行预测，根据火势蔓延方向进行防火带规划，并将所述防火带规划通知到消防人员。
需要说明的是，根据预设灾害程度对趋势预测结果进行评级，根据评级结果进行警报。对于山体滑坡等灾害，所述灾害程度可以为所述山体滑坡的掩埋面积及滑坡面积对应的程度；对于山林火灾，所述灾害程度可以为所述火灾持续时间与所述火灾燃烧面积、火灾生成的有害气体的扩散面积。进一步地还可以和灾害造成的经济损失进行灾害程度评级。
具体实施中，例如，山林火灾持续时间较短，但山林火灾附近区域存在加油站等设施，且已经引燃所述加油设施，根据加油设施助燃等因素对火灾趋势进行进一步的预测。根据预测结果结合预测结果中包含的经济损失结果对所述火灾进行灾害程度评级，根据评级结果进行报警。
在第二实施例中，对灾害趋势进行了预测，并根据所述灾害趋势进行了灾害程度评级，根据评级进行不同的警报，使得相关人员可以更好的了解所述灾害的程度从而对灾害进行防护。同时根据火灾趋势进行防火带规划，提升安全性。
参照图4，图4为本发明基于卫星监测的灾害预警方法第三实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明基于卫星监测的灾害预警方法的第三实施例。
在第三实施例中，步骤S41之后，还包括：
步骤S43：在所述输出结果为监测区域中不存在灾害区域时，通过卫星监测获取监测区域的第一预设时间段内的历史监测图像集合。
步骤S44：通过卫星监测获取监测区域的第一预设时间段内的气象信息。
步骤S45：根据所述气象信息与所述历史监测图像集合对所述监测区域进行灾害预测，获得灾害风险预测结果。
进一步地，步骤S45，具体包括：根据所述气象信息获取所述监测区域的降雨变化率、湿度变化信息与气体比例变化信息；根据所述历史监测图像集合获取所述监测区域的地形变化信息；根据所述降雨变化率、所述湿度变化信息、所述气体比例变化信息与所述地形变化信息对所述监测区域进行灾害预测，获得灾害风险预测结果。
易于理解的是，根据所述历史监测图像集合获取所述监测区域的植被覆盖信息及地形信息。所述植被覆盖信息包含所述监测区域中生长的植被类型、植被覆盖率、植被覆盖率的变化等，所述地形信息包含所述监测区域的海拔、山坡坡度等信息。所述植被类型，包含所述监测区域中适应于生长的树种，及所述树种的特性，例如：所述树种易燃，所述树种分泌的树脂助燃等信息。
应当理解的是，根据所述植被覆盖信息与所述地形信息可以进行人类活动分析，以获取分析结果。
在具体实施中，根据所述植被覆盖信息中的植被覆盖率及植被覆盖变化率，可得知所述监测区域中是否存在人类活动，是否存在砍伐树木、修建设置等。例如：所述监测区域为风景观光区，在此处规划修建一个飞机场以方便游客来访，植被覆盖率下降，可知所述监测区域中存在人类活动且进行了树木砍伐。由于自然环境遭到破坏，因此所述监测区域的灾害发生概率上升。
易于理解的是，在所述监测区域中不存在灾害区域时，根据所述气象信息及所述输出结果对所述监测区域进行灾害预测，获得灾害风险预测结果。所述气象信息为当前日期前及当前时间后第二预设时间段内的气象信息，所述输出结果为人类活动的输出结果。
进一步地，为了实现灾害预测，根据所述气象信息获取所述监测区域的降雨变化率、湿度变化信息与气体比例变化信息；根据所述降雨变化率、所述湿度变化信息、所述气体比例变化信息与所述输出结果对所述监测区域进行灾害预测，获得灾害风险预测结果。
需要说明的是，例如：所述监测区域中不存在灾害区域，所述监测区域为山林区域，获取植被覆盖信息可知当地树木茂密，氧含量较高，部分树种能够分泌易燃的树脂，人类活动输出结果为几乎没有人类活动迹象。根据气象信息可知所述监测区域近期降雨量低，未来降雨量低，湿度低，当前为干旱状态，由于存在易燃树种，所述监测区域的森林火灾概率为80％，向护林员发出提醒。
需要说明的是，例如：所述监测区域中不存在灾害区域，所述监测区域为山林区域，获取植被覆盖信息可知当地树木较为茂密，山坡陡峭。人类活动输出结果为当前建设有盘山公路，公路附近的山坡植被覆盖少。获取气象信息可知近期降雨量较少，但未来存在大量降雨，预测所述监测区域存在一定的山体滑坡风险，预测山体滑坡概率，对护林员、道路管理部门进行提醒。
在第三实施例中，在不存在灾害区域时，根据气象信息、人类活动分析、监测区域内的植被覆盖率获取了灾害发生的概率，进一步地提升了灾害预警的准确性，提升了山林区域的安全性。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于卫星监测的灾害预警程序，所述基于卫星监测的灾害预警程序被处理器执行时实现如下的步骤：
通过卫星监测获取监测区域的实时监测图像；
通过卫星监测获取预设灾害图像集合；
根据所述预设灾害图像集合对初始目标监测模型进行深度学习训练，以获取深度学习灾害监测模型；
将所述实时监测图像输入所述深度学习灾害监测模型，并根据输出结果进行灾害预警。
进一步地，所述将所述实时监测图像输入所述深度学习灾害监测模型，并根据输出结果进行灾害预警的步骤，具体包括：
将所述实时监测图像输入所述深度学习灾害监测模型，以获得输出结果；
在所述输出结果为监测区域中存在灾害区域时，通过卫星监测获取实时气象信息，并根据实时气象信息与所述输出结果进行灾害趋势预测。
进一步地，所述在所述输出结果为监测区域中存在灾害区域时，通过卫星监测获取实时气象信息，并根据实时气象信息与所述输出结果进行灾害趋势预测的步骤，具体包括：
在所述输出结果为监测区域中存在灾害区域时，根据实时气象信息获取当前湿度信息与当前气体比例；
根据所述输出结果、所述当前湿度信息及所述当前气体比例进行灾害趋势预测；
根据预设灾害程度对趋势预测结果进行评级，根据评级结果进行警报。
进一步地，所述将所述历史监测图像集合输入所述深度学习灾害监测模型，以获得输出结果的步骤之后，还包括：
在所述输出结果为监测区域中不存在灾害区域时，通过卫星监测获取监测区域的第一预设时间段内的历史监测图像集合；
通过卫星监测获取监测区域的第一预设时间段内的气象信息；
根据所述气象信息与所述历史监测图像集合对所述监测区域进行灾害预测，获得灾害风险预测结果。
进一步地，所述根据所述气象信息与所述历史监测图像集合对所述监测区域进行灾害预测，获得灾害风险预测结果的步骤，具体包括：
根据所述气象信息获取所述监测区域的降雨变化率、湿度变化信息与气体比例变化信息；
根据所述历史监测图像集合获取所述监测区域的地形变化信息；
根据所述降雨变化率、所述湿度变化信息、所述气体比例变化信息与所述地形变化信息对所述监测区域进行灾害预测，获得灾害风险预测结果。
进一步地，所述通过卫星监测获取监测区域的实时监测图像的步骤，具体包括：
通过卫星监测实时获取监测区域的待处理监测图像；
对所述待处理监测图像进行图像增强处理，并将处理后的待处理监测图像作为实时监测图像。
进一步地，所述通过卫星监测获取预设灾害图像集合的步骤，具体包括：
通过卫星监测获取预设预设数量的灾害图像，并对各灾害图像进行类型标注，以获得灾害图像信息；
根据灾害图像信息对所有灾害图像进行分类，以获得灾害图像子集合；
汇总各灾害图像子集合，以获得预设灾害图像集合。
此外，参照图5，本发明实施例还提出一种基于卫星监测的灾害预警装置，所述基于卫星监测的灾害预警装置包括：
卫星监测模块10，用于获取监测区域的实时监测图像及第一预设时段内的历史监测图像。
需要说明的是，本实施例中执行主体为接收卫星监测图像的服务器或上位机。所述服务器可以为实体服务器或云服务器。所述监测区域可以为森林保护区、具有人类活动迹象的偏远山林区域、高速公路或铁道附近，本实施例中所述监测区域为周围有人类活动迹象的林场区域。本实施例中所述卫星可以为同步卫星，可以为多颗同步卫星或一颗同步卫星。
易于理解的是，在存在多颗同步卫星时，所述监测区域可以为多颗所述同步卫星的监测区域中重合的区域，在一个区域有多颗同步卫星监测时，可以同时获取到多个不同的实时监测图像，根据多个实时监测图像获取到一幅信息了更多的监测图像，可增强对所述监测区域检测的准确性。
易于理解的是，多颗所述同步卫星获取所述监测区域的实时监测图像并将所述实时监测图像传输到所述服务器中，所述服务器存储所述实时监测图像。所述服务器根据所述实时监测图像拍摄的时间生成索引值，并将所述索引值与所述实时监测图像一起保存。
易于理解的是，所述第一预设时间段可设置为当前日期至当前日期之前两周，通过上述索引值调用所述第一预设时间段内的所有监测图像，并将所述监测图像作为所述历史监测图像。
处理模块20，用于对所述实时监测图像与所述历史监测图像进行差分处理，以获取监测区域。
处理模块20还用于获取所述实时监测图像的第一亮温值，并获取所述历史监测图像的第二亮温值；根据所述第一亮温值与所述第二亮温值对所述实时监测图像与所述历史监测图像进行差分处理，以获取监测区域。
应当理解的是，亮温是一个物体辐射亮度的代表名词，具体地，获取所述实时监测图像中各像素点的第一亮温值，同时获取所述第一预设时间段内的历史监测图像的第二亮温值。
需要说明的是，所述第一亮温值和所述第二亮温值是为方便本实施例解释说明的命名，并不代表所述第一亮温值、第二亮温值仅代表一个亮温值，而是指监测图像中各像素点对应的亮温值。根据所述第一亮温值和所述第二亮温值进行差分处理，可以得到第一预设时间段内所述监测区域的亮温值变化区域，得到监测区域。
气象监测模块30，用于获取所述监测区域在第二预设时段内的气象信息，并根据所述气象信息与预设灾害特征确定所述监测区域中是否存在灾害区域。
气象监测模块30，还用于获取所述监测区域在第二预设时段内的气象信息，并根据所述气象信息对所述监测区域进行补偿修正；根据预设灾害特征确定补偿修正后的所述监测区域中是否存在灾害区域。
易于理解的是，所述气象信息可以通过气象卫星进行采集，并将所述气象信息发送至所述服务器进行存储，所述第二预设时间段大于所述第一预设时间段。所述第二预设时间段为当前日期之前至当前日期之后，例如，所述第二预设时间段为当前日期前一周至当前日期后一周，共计十五天。通过所述气象信息可以获取到近期所述监测区域的降雨量或光照量、气体浓度等。
应当理解的是，在所述监测区域为山林区域时，例如第二预设时间段内风调雨顺，灾害风险低，山林植被生长迅速，根据气象信息中获取的光照量、降雨量等信息生成补偿系数，对所述监测区域进行补偿，以排除由于监测区域自然变化造成的监测区域因素。
所述根据预设灾害特征确定补偿修正后的所述监测区域中是否存在灾害区域的步骤，具体包括：根据预设火灾特征确定所述补偿修正后的所述监测区域中是否存在火灾区域；根据预设滑坡特征确定所述补偿修正后的所述监测区域中是否存在山体滑坡区域。
需要说明的是，所述预设火灾特征为一个预设火灾特征集合。首先需要获取卫星监测到的火灾图像，建立火灾图像集合，将所述火灾图像集合中的图像输入卷积神经网络模型进行图像分类，生成多个场景下的火灾图像子集合。对每个火灾图像子集合进行聚类分析，以获取各子集合对应的火灾特征，根据所述火灾特征生成预设火灾特征集合。
易于理解的是，所述火灾特征包含火灾时监测图像对应的亮温值、火灾图像与火灾前图像的亮温值变化等。
需要说明的是，预设滑坡特征为一个预设滑坡特征集合。首先获取卫星监测到的山体滑坡图像，建立滑坡图像集合，将所述滑坡图像集合中的图像输入卷积神经网络模型进行图像分类，生成多个场景下的滑坡图像子集合。对每个滑坡图像子集合进行聚类分析，以获取各子集合对应的滑坡特征，根据所述滑坡特征特征生成预设滑坡特征集合。
易于理解的是，引发山体滑坡的因素有山体坡度过高植被较为茂密导致山体承受力不够支撑造成滑坡、过度砍伐导致植被较少土地流失造成滑坡、地震等，滑坡特征为滑坡后山体植被减少、滑坡后导致山脚被掩埋等。
易于理解的是，根据灾害特征对所述监测区域进行匹配，以判断所述监测区域中是否存在灾害区域。进行匹配时，在所述灾害特征与所述监测区域的匹配程度达到预设匹配程度时，则可判断所述监测区域中存在灾害区域。例如将滑坡特征与所述监测区域进行匹配，匹配程度达到98％，预设匹配程度为95％，则判断监测区域中存在有滑坡区域。
预测模块40，用于在所述监测区域中不存在灾害区域时，根据所述气象信息对所述监测区域进行灾害预测，获得灾害风险预测结果。
易于理解的是，所述监测区域中不存在灾害区域，则所述监测区域中未发生灾害，根据当前的气象信息对灾害风险进行预测。具体实施中，根据所述气象信息可以获取近期与未来一定时间内的降雨量，在降雨量较高时，所述监测区域中有爆发山洪的可能性；降雨量较低时，所述监测区域中有山林火灾的可能性，或干旱的可能性等。根据所述气象信息结合所述监测区域的人类活动、植被组成、植被密度等因素进行灾害预测。生成一个灾害发生的概率值，可以预设不同概率对应的警报程度，根据所述警报程度发出相应的预警提示信息。
警报模块50，用于在所述监测区域中存在灾害区域时，根据实时气象信息进行灾害趋势预测，并根据预测的灾害趋势进行预警。
易于理解的是，根据实时气象信息获取当前气象进行灾害趋势预测。例如，当前发生了山体滑坡，且实时气象信息显示近期降雨量骤升，则除了山体滑坡外，所述监测区域还存在山洪风险。例如：当前发生了森林火灾，根据所述气象信息可知未来几天内没有降雨，结合所述监测区域的植被覆盖程度等信息，可获取火灾蔓延方向，对防火带进行规划，以便消防人员进行灭火。
在第一实施例中，根据卫星监测到的图像获取监测区域及气象信息，根据灾害特征与气象信息对监测区域进行了匹配，存在灾害区域时，获取所述监测区域中的灾害区域对灾害趋势进行预测；不存在灾害区域时，对监测区域的灾害发生概率进行预测，并将所述灾害发生概率根据程度进行报警。气象信息结合卫星监测图像，提升灾害预警的准确度，实时获取，反应速度快响应快。
在一实施例中，所述卫星监测模块10，还用于根据所述当前检测图像及所述历史监测图像获取所述监测区域的植被覆盖信息及地形信息。
易于理解的是，所述植被覆盖信息包含所述监测区域中生长的植被类型、植被覆盖率、植被覆盖率的变化等，所述地形信息包含所述监测区域的海拔、山坡坡度等信息。所述植被类型，包含所述监测区域中适应于生长的树种，及所述树种的特性，例如：所述树种易燃，所述树种分泌的树脂助燃等信息。
所述预测模块40，还用于根据所述植被覆盖信息与所述地形信息进行人类活动分析，以获取输出结果。
在具体实施中，根据所述植被覆盖信息中的植被覆盖率及植被覆盖变化率，可得知所述监测区域中是否存在人类活动，是否存在砍伐树木、修建设置等。例如：所述监测区域为风景观光区，在此处规划修建一个飞机场以方便游客来访，植被覆盖率下降，可知所述监测区域中存在人类活动且进行了树木砍伐。由于自然环境遭到破坏，因此所述监测区域的灾害发生概率上升。
所述预测模块40，还用于在所述监测区域中不存在灾害区域时，根据所述气象信息及所述输出结果对所述监测区域进行灾害预测，获得灾害风险预测结果。
所述预测模块40，还用于根据所述气象信息获取所述监测区域的降雨变化率、湿度变化信息与气体比例变化信息；根据所述降雨变化率、所述湿度变化信息、所述气体比例变化信息与所述输出结果对所述监测区域进行灾害预测，获得灾害风险预测结果。
需要说明的是，例如：所述监测区域中不存在灾害区域，所述监测区域为山林区域，获取植被覆盖信息可知当地树木茂密，氧含量较高，部分树种能够分泌易燃的树脂，人类活动输出结果为几乎没有人类活动迹象。根据气象信息可知所述监测区域近期降雨量低，未来降雨量低，湿度低，当前为干旱状态，由于存在易燃树种，所述监测区域的森林火灾概率为80％，向护林员发出提醒。
需要说明的是，例如：所述监测区域中不存在灾害区域，所述监测区域为山林区域，获取植被覆盖信息可知当地树木较为茂密，山坡陡峭。人类活动输出结果为当前建设有盘山公路，公路附近的山坡植被覆盖少。获取气象信息可知近期降雨量较少，但未来存在大量降雨，预测所述监测区域存在一定的山体滑坡风险，预测山体滑坡概率，对护林员、道路管理部门进行提醒。
在第二实施例中，在不存在灾害区域时，根据气象信息、人类活动分析、监测区域内的植被覆盖率获取了灾害发生的概率，进一步地提升了灾害预警的准确性，提升了山林区域的安全性。
在一实施例中，警报模块50还用于在所述监测区域中存在灾害区域时，根据实时气象信息获取当前湿度信息与当前气体比例。
易于理解的是，例如，所述监测区域为森林区域，在所述监测区域中存在火灾区域时，根据实时气象信息获取所述监测区域的当前湿度信息及当前气体比例。根据所述气体比例获取到有害气体的比例及氧气含量，根据所述有害气体比例可以判断所述监测区域的当前燃烧程度，根据所述氧气含量判断所述监测区域的未来燃烧趋势。同时根据所述实时气象信息可以获取当前风向和未来风向。
警报模块50还用于根据所述输出结果、所述当前湿度信息及所述当前气体比例进行灾害趋势预测。
易于理解的是，根据所述当前风向及所述未来风向进行火势蔓延方向的预测，结合所述监测区域的地形信息、空气中的含氧量可使所述火势蔓延方向的预测更为精确。例如：所述监测区域为山林地区，山脚存在村落，根据人类活动分析当前区域存在树木砍伐区域，当前燃烧区域距离所述树木砍伐区域较为接近。当前湿度较低，未来几天没有降水量，难以借助雨势灭火。所述燃烧区域位于山坡坡度较高的地方，风向为由山顶向山坡，山坡的植被覆盖率低于山脚，山顶的植被覆盖率低于山坡。根据预设火势蔓延公式结合风向、风速、氧浓度等参数对火势蔓延方向进行预测，根据火势蔓延方向进行防火带规划，并将所述防火带规划通知到消防人员。
警报模块50还用于根据预设灾害程度对趋势预测结果进行评级，根据评级结果进行警报。
需要说明的是，对于山体滑坡等灾害，所述灾害程度可以为所述山体滑坡的掩埋面积及滑坡面积对应的程度；对于山林火灾，所述灾害程度可以为所述火灾持续时间与所述火灾燃烧面积、火灾生成的有害气体的扩散面积。进一步地还可以和灾害造成的经济损失进行灾害程度评级。
具体实施中，例如，山林火灾持续时间较短，但山林火灾附近区域存在加油站等设施，且已经引燃所述加油设施，根据加油设施助燃等因素对火灾趋势进行进一步的预测。根据预测结果结合预测结果中包含的经济损失结果对所述火灾进行灾害程度评级，根据评级结果进行报警。
在第三实施例中，对灾害趋势进行了预测，并根据所述灾害趋势进行了灾害程度评级，根据评级进行不同的警报，使得相关人员可以更好的了解所述灾害的程度从而对灾害进行防护。同时根据火灾趋势进行防火带规划，提升安全性。
本发明所述基于卫星监测的灾害预警装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于卫星监测的灾害预警方法，其特征在于，所述基于卫星监测的灾害预警方法包括：
通过卫星监测获取监测区域的实时监测图像；
通过卫星监测获取预设灾害图像集合；
根据所述预设灾害图像集合对初始目标监测模型进行深度学习训练，以获取深度学习灾害监测模型；
将所述实时监测图像输入所述深度学习灾害监测模型，并根据输出结果进行灾害预警。
2.如权利要求1所述的基于卫星监测的灾害预警方法，其特征在于，所述将所述实时监测图像输入所述深度学习灾害监测模型，并根据输出结果进行灾害预警的步骤，具体包括：
将所述实时监测图像输入所述深度学习灾害监测模型，以获得输出结果；
在所述输出结果为监测区域中存在灾害区域时，通过卫星监测获取实时气象信息，并根据实时气象信息与所述输出结果进行灾害趋势预测。
3.如权利要求2所述的基于卫星监测的灾害预警方法，其特征在于，所述在所述输出结果为监测区域中存在灾害区域时，通过卫星监测获取实时气象信息，并根据实时气象信息与所述输出结果进行灾害趋势预测的步骤，具体包括：
在所述输出结果为监测区域中存在灾害区域时，根据实时气象信息获取当前湿度信息与当前气体比例；
根据所述输出结果、所述当前湿度信息及所述当前气体比例进行灾害趋势预测；
根据预设灾害程度对趋势预测结果进行评级，根据评级结果进行警报。
4.如权利要求2所述的基于卫星监测的灾害预警方法，其特征在于，所述将所述历史监测图像集合输入所述深度学习灾害监测模型，以获得输出结果的步骤之后，还包括：
在所述输出结果为监测区域中不存在灾害区域时，通过卫星监测获取监测区域的第一预设时间段内的历史监测图像集合；
通过卫星监测获取监测区域的第一预设时间段内的气象信息；
根据所述气象信息与所述历史监测图像集合对所述监测区域进行灾害预测，获得灾害风险预测结果。
5.如权利要求4所述的基于卫星监测的灾害预警方法，其特征在于，所述根据所述气象信息与所述历史监测图像集合对所述监测区域进行灾害预测，获得灾害风险预测结果的步骤，具体包括：
根据所述气象信息获取所述监测区域的降雨变化率、湿度变化信息与气体比例变化信息；
根据所述历史监测图像集合获取所述监测区域的地形变化信息；
根据所述降雨变化率、所述湿度变化信息、所述气体比例变化信息与所述地形变化信息对所述监测区域进行灾害预测，获得灾害风险预测结果。
6.如权利要求1所述的基于卫星监测的灾害预警方法，其特征在于，所述通过卫星监测获取监测区域的实时监测图像的步骤，具体包括：
通过卫星监测实时获取监测区域的待处理监测图像；
对所述待处理监测图像进行图像增强处理，并将处理后的待处理监测图像作为实时监测图像。
7.如权利要求1至6任一项所述的基于卫星监测的灾害预警方法，其特征在于，所述通过卫星监测获取预设灾害图像集合的步骤，具体包括：
通过卫星监测获取预设预设数量的灾害图像，并对各灾害图像进行类型标注，以获得灾害图像信息；
根据灾害图像信息对所有灾害图像进行分类，以获得灾害图像子集合；
汇总各灾害图像子集合，以获得预设灾害图像集合。
8.一种基于卫星监测的灾害预警设备，其特征在于，所述基于卫星监测的灾害预警设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于卫星监测的灾害预警程序，所述基于卫星监测的灾害预警程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于卫星监测的灾害预警方法的步骤。
9.一种存储介质，其特征在于，所述存储介质上存储有基于卫星监测的灾害预警程序，所述基于卫星监测的灾害预警程序被处理器执行时实现如权利要求1至7中任一项所述的基于卫星监测的灾害预警方法的步骤。
10.一种基于卫星监测的灾害预警装置，其特征在于，所述基于卫星监测的灾害预警装置包括：
卫星监测模块，用于通过卫星监测获取监测区域的实时监测图像；
集合获取模块，用于通过卫星监测获取预设灾害图像集合；
模型构建模块，用于根据所述预设灾害图像集合对初始目标监测模型进行深度学习训练，以获取深度学习灾害监测模型；
灾害警报模块，用于将所述实时监测图像输入所述深度学习灾害监测模型，并根据输出结果进行灾害预警。
CN202011152039.7A 2020-10-23 2020-10-23 基于卫星监测的灾害预警方法、设备、存储介质及装置 Pending CN112382043A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011152039.7A CN112382043A (zh) 2020-10-23 2020-10-23 基于卫星监测的灾害预警方法、设备、存储介质及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011152039.7A CN112382043A (zh) 2020-10-23 2020-10-23 基于卫星监测的灾害预警方法、设备、存储介质及装置

Publications (1)

Publication Number Publication Date
CN112382043A true CN112382043A (zh) 2021-02-19

Family

ID=74575964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011152039.7A Pending CN112382043A (zh) 2020-10-23 2020-10-23 基于卫星监测的灾害预警方法、设备、存储介质及装置

Country Status (1)

Country Link
CN (1) CN112382043A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112863132A (zh) * 2021-04-23 2021-05-28 成都中轨轨道设备有限公司 一种自然灾害预警系统及预警方法
CN115035424A (zh) * 2022-06-07 2022-09-09 北京庚图科技有限公司 一种基于无人机的遥感图像地质识别检测方法、装置、电子设备及存储介质
CN116452984A (zh) * 2023-06-14 2023-07-18 四川三思德科技有限公司 基于氧含量数据的火势识别预测方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016132161A1 (en) * 2015-02-16 2016-08-25 Kontoes Charalampos Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data.
CN108416963A (zh) * 2018-05-04 2018-08-17 湖北民族学院 基于深度学习的森林火灾预警方法及系统
CN108538014A (zh) * 2018-04-24 2018-09-14 国网安徽省电力有限公司 基于卫星检测盲区的输电线路通道山火防治方法及系统
CN108961688A (zh) * 2018-07-13 2018-12-07 福建特力惠信息科技股份有限公司 一种大数据支持下的地质灾害监测与预警方法
CN109086685A (zh) * 2018-07-11 2018-12-25 国家林业局森林病虫害防治总站 基于卫星遥感图像的林业生物灾害监测方法和系统
CN109190572A (zh) * 2018-09-12 2019-01-11 北京英视睿达科技有限公司 基于卫星遥感数据的渗坑识别方法
CN111144656A (zh) * 2019-12-27 2020-05-12 兰州大方电子有限责任公司 一种基于gis的灾害评价分析方法
CN111144651A (zh) * 2019-12-26 2020-05-12 杭州鲁尔物联科技有限公司 一种地质灾害的预测方法、装置及设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016132161A1 (en) * 2015-02-16 2016-08-25 Kontoes Charalampos Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data.
CN108538014A (zh) * 2018-04-24 2018-09-14 国网安徽省电力有限公司 基于卫星检测盲区的输电线路通道山火防治方法及系统
CN108416963A (zh) * 2018-05-04 2018-08-17 湖北民族学院 基于深度学习的森林火灾预警方法及系统
CN109086685A (zh) * 2018-07-11 2018-12-25 国家林业局森林病虫害防治总站 基于卫星遥感图像的林业生物灾害监测方法和系统
CN108961688A (zh) * 2018-07-13 2018-12-07 福建特力惠信息科技股份有限公司 一种大数据支持下的地质灾害监测与预警方法
CN109190572A (zh) * 2018-09-12 2019-01-11 北京英视睿达科技有限公司 基于卫星遥感数据的渗坑识别方法
CN111144651A (zh) * 2019-12-26 2020-05-12 杭州鲁尔物联科技有限公司 一种地质灾害的预测方法、装置及设备
CN111144656A (zh) * 2019-12-27 2020-05-12 兰州大方电子有限责任公司 一种基于gis的灾害评价分析方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112863132A (zh) * 2021-04-23 2021-05-28 成都中轨轨道设备有限公司 一种自然灾害预警系统及预警方法
CN112863132B (zh) * 2021-04-23 2021-07-13 成都中轨轨道设备有限公司 一种自然灾害预警系统及预警方法
CN115035424A (zh) * 2022-06-07 2022-09-09 北京庚图科技有限公司 一种基于无人机的遥感图像地质识别检测方法、装置、电子设备及存储介质
CN115035424B (zh) * 2022-06-07 2024-03-08 北京庚图科技有限公司 一种基于无人机的遥感图像地质识别检测方法、装置、电子设备及存储介质
CN116452984A (zh) * 2023-06-14 2023-07-18 四川三思德科技有限公司 基于氧含量数据的火势识别预测方法和系统
CN116452984B (zh) * 2023-06-14 2023-09-08 四川三思德科技有限公司 基于氧含量数据的火势识别预测方法和系统

Similar Documents

Publication Publication Date Title
Coen et al. Deconstructing the King megafire
Van Doren et al. High-intensity urban light installation dramatically alters nocturnal bird migration
CN112382043A (zh) 基于卫星监测的灾害预警方法、设备、存储介质及装置
Pinto et al. Fire danger rating over Mediterranean Europe based on fire radiative power derived from Meteosat
KR102108754B1 (ko) 접근불능지역 실시간 산불위험예보시스템
DaCamara et al. Calibration of the Fire Weather Index over Mediterranean Europe based on fire activity retrieved from MSG satellite imagery
KR102108752B1 (ko) 접근불능지역 실시간 산불위험예보방법
Kucuk et al. Visibility analysis of fire lookout towers in the Boyabat State Forest Enterprise in Turkey
JP2024505450A (ja) 資産レベルの脆弱性及び軽減
Çolak et al. The importance of ground-truth and crowdsourcing data for the statistical and spatial analyses of the NASA FIRMS active fires in the Mediterranean Turkish forests
CN114333207A (zh) 基于遥感数据的火灾全过程监测方法和装置
Price et al. Local and regional smoke impacts from prescribed fires
Marlier et al. Exposure of agricultural workers in California to wildfire smoke under past and future climate conditions
CN114648848B (zh) 一种森林火灾监测方法、装置、设备及存储介质
Roberto Barbosa et al. Forest Fire Alert System: a Geo Web GIS prioritization model considering land susceptibility and hotspots–a case study in the Carajás National Forest, Brazilian Amazon
Xu et al. Detecting forest fire omission error based on data fusion at subpixel scale
KR102108755B1 (ko) 모바일 네트워크상에서의 접근불능지역 실시간 산불위험예보시스템
Kalabokidis et al. GIS analysis of physical and human impact on wildfire patterns
Chambers et al. Rapid remote sensing assessment of landscape-scale impacts from the California Camp Fire
Viegas Advances in forest fire research
Lynham et al. Requirements for space-based observations in fire management: A report by the wildland fire hazard team, committee on earth observation satellites (CEOS) disaster management support group (DMSG)
Frost Fire environment analysis at Army Garrison Camp Williams in relation to fire behavior potential for gauging fuel modification needs
Shahpurwala Conflict, narratives, and forest fires in eastern Turkey: A quantitative perspective with remote sensing and GIS
Dadzie et al. Modelling the risk of forest to fire for the Bosomkese Forest Reserve, Ahafo Region, Ghana
Pradhan et al. Application of remote sensing and gis for forest fire susceptibility mapping using likelihood ratio model

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: 20210219

RJ01 Rejection of invention patent application after publication