CN112907871A - 基于卫星遥感的雷火预警识别方法 - Google Patents
基于卫星遥感的雷火预警识别方法 Download PDFInfo
- Publication number
- CN112907871A CN112907871A CN202110372224.5A CN202110372224A CN112907871A CN 112907871 A CN112907871 A CN 112907871A CN 202110372224 A CN202110372224 A CN 202110372224A CN 112907871 A CN112907871 A CN 112907871A
- Authority
- CN
- China
- Prior art keywords
- fire
- data
- lightning
- remote sensing
- early warning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000003287 optical effect Effects 0.000 claims description 19
- 230000007480 spreading Effects 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000005855 radiation Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 208000015181 infectious disease Diseases 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- 206010016754 Flashback Diseases 0.000 claims 2
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Emergency Management (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Fire Alarms (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于卫星遥感的雷火预警识别方法,包括获取卫星遥感信号;进行基于时差定位的三维闪电数据解析;进行多源遥感数据融合分析;构建基于深度学习森林火灾监测预报模型;进行卫星遥感雷火预警及火点识别预警。本发明提供的这种基于卫星遥感的雷火预警识别方法,通过基于卫星遥感数据,建立雷火预警及识别方法,实现了基于数据的无人化的雷火的精确预警与识别,而且可靠性高、稳定性好且预警和监测效率高。
Description
技术领域
本发明属于卫星遥感领域,具体涉及一种基于卫星遥感的雷火预警识别方法。
背景技术
随着经济技术的发展,人们对于自然环境的关注越来越高。而随着极端天气的频频发生,人们对于雷电所造成的火灾也越来越关注。雷电火灾虽然是大自然的一种自然现象,但是其对森林等造成了严重威胁。因此,对于雷火的预警和识别,已经成为了研究的重点。
目前,我国对于雷火的预警和监测,依旧处于人工监测的阶段:通过护林工人的巡查以及瞭望塔瞭望等方式进行监测,同时再结合天气预报进行雷电的预警。但是,明显的,目前的人工进行预警和监测的方式,不仅效率极其低下,而且可靠性较差,同时还无法针对人迹罕至的区域进行预警和监测。
发明内容
本发明的目的在于提供一种可靠性高、稳定性好且预警和监测效率高的基于卫星遥感的雷火预警识别方法。
本发明提供的这种基于卫星遥感的雷火预警识别方法,包括如下步骤:
S1.获取卫星遥感信号;
S2.根据步骤S1获取的卫星遥感信号,进行基于时差定位的三维闪电数据解析;
S3.进行多源遥感数据融合分析;
S4.构建基于深度学习森林火灾监测预报模型;
S5.进行卫星遥感雷火预警及火点识别预警。
步骤S2所述的根据步骤S1获取的卫星遥感信号,进行基于时差定位的三维闪电数据解析,具体为采用如下步骤进行解析:
A.获取野外探测器采集的闪电光信号波形和电磁信号波形数据,并进行干扰信号特征匹配,从而得到闪电事件数据信息;
B.根据步骤A获取的闪电事件数据信息,进行闪电类别识别;
C.进行闪电三维数据结算,从而得到精确的闪电位置数据。
所述的干扰信号特征匹配,具体为采用如下步骤进行特征匹配:
A1.对获取的数据进行信号处理,从而去除干扰信号;
A2.针对光信号的特征,通过设定的光阈值确认光信号数据在示波器上的台阶型特征;
A3.针对电磁信号的特征,通过设定的电磁阈值确认电磁信号在示波器上的波峰特征;
A4.将台阶型特征和波峰特征进行比对和匹配,从而确认最终的闪电事件数据信息。
所述的闪电类别识别,具体为闪电分为正地闪回击,负地闪回击和云闪放电过程;通过感染信号特征匹配后获取闪电时的时域波形特征;然后,选取信号开始时间差、到达峰值时间差、脉冲上升沿时间差和脉冲宽度时间差作为指标,建立正地闪、负地闪、云闪的标准模糊子集A1、A2和A3,以及待识别闪电的模糊子集B;基于欧式距离及闵可夫斯基距离法计算相对贴近度:N(Ai,B)=1-μ·d(Ai,B),其中i=1,2,3,d(Ai,B)为向量数组(Ai,B),实际代表一组闪电点位的空间位置向量值;最后对全部待识别闪电的模糊子集B与标准模糊子集A1、A2和A3进行模糊匹配,并将匹配类型最作为闪电类型的判断结果。
所述的闪电三维数据结算,具体为对目标区域各站点的经纬度坐标和闪电到达各站点的时刻进行结算,通过将经纬度坐标转换为二维平面进行定位计算,得到各个站点的三维坐标位置,再通过时差法,得到闪电的精确位置:
闪电击穿产生的辐射脉冲峰到达子站i的时间ti与测站间距离的计算式为:
式中t为辐射源在(x,y,z)位置的时间;(xi,yi,zi)为第i个站点的位置坐标;ti为辐射脉冲到达第i个站点的时间;c为光速;利用6个以上站点测量的到达时间ti得到6个以上的方程,组成非线性方程组求解(x,y,z,t)。
步骤S3所述的进行多源遥感数据融合分析,具体为采用如下步骤进行融合分析:
a.采用静止卫星数据进行火点测算;
b.采用极轨卫星数据进行火点测算;
c.根据步骤a和步骤b得到的测算结果,进行数据融合。
步骤a所述的采用静止卫星数据进行火点测算,具体为采用静止卫星数据元,根据中红外通道对高温热源的敏感特性,根据含有亚像元火点的中红外通道像元辐亮度和亮温比远红外通道的辐亮度和亮温更高,以及含有亚像元火点的中红外通道像元辐亮度和亮温比周边非火点的中红外通道像元辐亮度和亮温高的规则,对火点进行监测识别;火点识别公式为:
满足上式的像元被认定为疑似火点像元;T3.9为卫星在3.9μm波长附近的波段反射值,为探测波段所有像元的亮温平均值,δ3.9为探测波段所有像元的亮温标准差,T3.9bg为窗口背景像元亮温平均值,ΔT3.9bg为探测像元与背景亮温的差异。
步骤b所述的采用极轨卫星数据进行火点测算,具体为采用极轨卫星数据,利用若干可卫星不同的过境时间进行区域性的定时高空间分辨率的扫描,通过与静止卫星数据进行融合,提取火点信息,并结合250~382m的高分辨率热红外通道信息获取精细化火情信息;极轨卫星火点监测公式为:
夜间:BT4>320K且QF4=0
日间:BT4=367K且QF4=9且BT5>290K且QF5=0且ρ1+ρ2>0.7式中BT4为卫星传感器在4波段处的反射值;QF4为I4通道的质量标志;BT5为卫星传感器在5波段处的反射值;QF5为I5通道的质量标志;
分裂窗口:
日间:BT4>335K且ΔBT45>30K
夜间:BT4>300K且ΔBT45>10K
式中ΔBT45为45波段之间反射值差。
步骤c所述的根据步骤a和步骤b得到的测算结果,进行数据融合,具体为采用标准差椭圆分析法,对不同观测源对应时刻火点进行分析,评价准确性;根据火点分布位置构建标准差椭圆,落在标准差椭圆以内的火点认定为可靠性更高,落在标准差椭圆以外的火点认定为可靠性更低。
步骤S4所述的构建基于深度学习森林火灾监测预报模型,具体为采用如下步骤构建模型:
(1)构建置信度网络火险预测分析模型:在深度置信网络的输入数据层添加SMOTE算法,对输入数据进行过采样处理,用于平衡数据集并增加训练数据量;输入的数据先经过SMOTE算法进行过采样处理,然后逐层训练RBM模型,获取可视层和隐含层间的权值和偏置值,最终得到火灾情况发生的预测结果;
(2)构建火险天气等级模型:通过气象因子和森林植被资源调查数据结合,组建预测模型,从而判定目标范围火灾风险水平,预测火险等级。
所述的构建火险天气等级模型:通过气象因子和森林植被资源调查数据结合,组建预测模型,从而判定目标范围火灾风险水平,预测火险等级,具体为对于已监测到的火点像元,对其邻域逐个像元计算火险蔓延风险概率:
式中R为该像元当前时刻发生火情蔓延的概率;为风速因子像元火情蔓延的概率;为坡度因子像元火情蔓延的概率;R0为同时计算风速因子及坡度因子像元的火情蔓延概率;为风速修正系数;为坡度修正系数;Ir为火焰区反应强度;ξ为热通量比系数;ρ为可燃物密度;ε为可燃物有效加热系数;Qig为引燃单位质量可燃物需要的热量。
本发明提供的这种基于卫星遥感的雷火预警识别方法,通过基于卫星遥感数据,建立雷火预警及识别方法,实现了基于数据的无人化的雷火的精确预警与识别,而且可靠性高、稳定性好且预警和监测效率高。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明方法中的光信号与电磁波波形示意图。
图3为本发明方法中的闪电类别示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图:本发明提供的这种基于卫星遥感的雷火预警识别方法,包括如下步骤:
S1.获取卫星遥感信号;
S2.根据步骤S1获取的卫星遥感信号,进行基于时差定位的三维闪电数据解析;具体为采用如下步骤进行解析:
A.获取野外探测器采集的闪电光信号波形和电磁信号波形数据,并进行干扰信号特征匹配,从而得到闪电事件数据信息;
具体为采用如下步骤进行特征匹配:
A1.对获取的数据进行信号处理,从而去除干扰信号;
A2.针对光信号的特征,通过设定的光阈值确认光信号数据在示波器上的台阶型特征;
A3.针对电磁信号的特征,通过设定的电磁阈值确认电磁信号在示波器上的波峰特征;
A4.将台阶型特征和波峰特征进行比对和匹配,从而确认最终的闪电事件数据信息;
观测站闪电监测设备同时监测到光信号和电磁信号:光信号在大气层中漫反射层层传递后被仪器捕捉后,在示波读数上呈现明显的“台阶型”特征;电磁信号在监测体及大气电磁场中的变化被仪器捕捉后,在示波读数上呈现明显的波峰波谷不连续分布;因复杂电磁环境变化导致电磁信号小型波峰,在时间轴上没有与之匹配的光信号“台阶”,可作为电磁干扰信号做“噪声”滤波处理。典型波形扩展图(片段)如图2所示;
T1、T3、T4处电磁信号与光信号进行算法匹配,T6处电磁信号与光信号算法剔除,T2、T5处通过设置阈值过滤;具体阈值选取需要根据部署条件及测试数据进行调整;最终输出T1、T3、T4三次闪电事件;
B.根据步骤A获取的闪电事件数据信息,进行闪电类别识别;具体为闪电分为正地闪回击,负地闪回击和云闪放电过程(如图3所示);通过感染信号特征匹配后获取闪电时的时域波形特征;然后,选取信号开始时间差、到达峰值时间差、脉冲上升沿时间差和脉冲宽度时间差作为指标,建立正地闪、负地闪、云闪的标准模糊子集A1、A2和A3,以及待识别闪电的模糊子集B;基于欧式距离及闵可夫斯基距离法计算相对贴近度:N(Ai,B)=1-μ·d(Ai,B),其中i=1,2,3,d(Ai,B)为向量数组(Ai,B),实际代表一组闪电点位的空间位置向量值;最后对全部待识别闪电的模糊子集B与标准模糊子集A1、A2和A3进行模糊匹配,并将匹配类型最作为闪电类型的判断结果;
C.进行闪电三维数据结算,从而得到精确的闪电位置数据;
对目标区域各站点的经纬度坐标和到达各站点的时刻进行结算,通过将经纬度坐标转换二维平面进行定位计算,得到各个站点的三维坐标位置,再通过时差法,得到闪电的精确位置;
具体为对目标区域各站点的经纬度坐标和闪电到达各站点的时刻进行结算,通过将经纬度坐标转换为二维平面进行定位计算,得到各个站点的三维坐标位置,再通过时差法,得到闪电的精确位置:
闪电击穿产生的辐射脉冲峰到达子站i的时间ti与测站间距离的计算式为:
式中t为辐射源在(x,y,z)位置的时间;(xi,yi,zi)为第i个站点的位置坐标;ti为辐射脉冲到达第i个站点的时间;c为光速;利用6个以上站点测量的到达时间ti得到6个以上的方程,组成非线性方程组求解(x,y,z,t);
S3.进行多源遥感数据融合分析;具体为采用如下步骤进行融合分析:
a.采用静止卫星数据进行火点测算;具体为采用静止卫星数据元(比如Himawari-8/AHI、FY-4A/AGRI、GF4/VNIR等静止卫星数据源),根据中红外通道对高温热源的敏感特性,根据含有亚像元火点的中红外通道像元辐亮度和亮温比远红外通道的辐亮度和亮温更高,以及含有亚像元火点的中红外通道像元辐亮度和亮温比周边非火点的中红外通道像元辐亮度和亮温高的规则,对火点进行监测识别;火点识别公式为:
满足上式的像元被认定为疑似火点像元;T3.9为卫星在3.9μm波长附近的波段反射值,为探测波段所有像元的亮温平均值,δ3.9为探测波段所有像元的亮温标准差,T3.9bg为窗口背景像元亮温平均值,ΔT3.9bg为探测像元与背景亮温的差异;
b.采用极轨卫星数据进行火点测算;具体为采用极轨卫星数据(比如极轨卫星S-NPP/VIIRS(成像仪)、EOS-MODIS和FY-3/MERSI-II等数据源),利用若干可卫星不同的过境时间进行区域性的定时高空间分辨率的扫描,通过与静止卫星数据进行融合,提取火点信息,并结合250~382m的高分辨率热红外通道信息获取精细化火情信息;极轨卫星火点监测公式为:
夜间:BT4>320K且QF4=0
日间:BT4=367K且QF4=9且BT5>290K且QF5=0且ρ1+ρ2>0.7式中BT4为卫星传感器在4波段处的反射值;QF4为I4通道的质量标志;BT5为卫星传感器在5波段处的反射值;QF5为I5通道的质量标志;
分裂窗口:
日间:BT4>335K且ΔBT45>30K
夜间:BT4>300K且ΔBT45>10K
式中ΔBT45为45波段之间反射值差;
c.根据步骤a和步骤b得到的测算结果,进行数据融合;具体为采用标准差椭圆分析法,对不同观测源对应时刻火点进行分析,评价准确性;根据火点分布位置构建标准差椭圆,落在标准差椭圆以内的火点认定为可靠性更高,落在标准差椭圆以外的火点认定为可靠性更低;
S4.构建基于深度学习森林火灾监测预报模型;具体为采用如下步骤构建模型:
(1)构建置信度网络火险预测分析模型:在深度置信网络的输入数据层添加SMOTE算法,对输入数据进行过采样处理,用于平衡数据集并增加训练数据量;输入的数据先经过SMOTE算法进行过采样处理,然后逐层训练RBM模型,获取可视层和隐含层间的权值和偏置值,最终得到火灾情况发生的预测结果;
(2)构建火险天气等级模型:通过气象因子和森林植被资源调查数据结合,组建预测模型,从而判定目标范围火灾风险水平,预测火险等级。
所述的构建火险天气等级模型:通过气象因子和森林植被资源调查数据结合,组建预测模型,从而判定目标范围火灾风险水平,预测火险等级,具体为对于已监测到的火点像元,对其邻域逐个像元计算火险蔓延风险概率:
式中R为该像元当前时刻发生火情蔓延的概率;为风速因子像元火情蔓延的概率;为坡度因子像元火情蔓延的概率;R0为同时计算风速因子及坡度因子像元的火情蔓延概率;为风速修正系数;为坡度修正系数;Ir为火焰区反应强度;ξ为热通量比系数;ρ为可燃物密度;ε为可燃物有效加热系数;Qig为引燃单位质量可燃物需要的热量;
S5.进行卫星遥感雷火预警及火点识别预警;
具体实施时,可以构建雷火预警识别系统:雷火预警识别系统包括数据接入采集模块、数据共享服务模块和数据应用服务模块;数据接入采集模块用于为系统数据管理人员提供遥感影像数据和专题数据的接收管理功能,包括接收监控、接收历史查询、接收设置、接收控制;数据共享服务模块负责将接收的数据进行质量检查和批量入库,同时统一管理各类资源信息,保证数据的标准化和快速入库;数据应用服务模块用于对用户提供目标地区气象火线预警分析、火点强度、火点行政归属、林火等级、火灾类型、蔓延情况、气象信息、地理信息、等信息,遇到异常情况,第一时间通知目标区域的责任人。
Claims (10)
1.一种基于卫星遥感的雷火预警识别方法,包括如下步骤:
S1.获取卫星遥感信号;
S2.根据步骤S1获取的卫星遥感信号,进行基于时差定位的三维闪电数据解析;
S3.进行多源遥感数据融合分析;
S4.构建基于深度学习森林火灾监测预报模型;
S5.进行卫星遥感雷火预警及火点识别预警。
2.根据权利要求1所述的基于卫星遥感的雷火预警识别方法,其特征在于步骤S2所述的根据步骤S1获取的卫星遥感信号,进行基于时差定位的三维闪电数据解析,具体为采用如下步骤进行解析:
A.获取野外探测器采集的闪电光信号波形和电磁信号波形数据,并进行干扰信号特征匹配,从而得到闪电事件数据信息;
B.根据步骤A获取的闪电事件数据信息,进行闪电类别识别;
C.进行闪电三维数据结算,从而得到精确的闪电位置数据。
3.根据权利要求2所述的基于卫星遥感的雷火预警识别方法,其特征在于所述的干扰信号特征匹配,具体为采用如下步骤进行特征匹配:
A1.对获取的数据进行信号处理,从而去除干扰信号;
A2.针对光信号的特征,通过设定的光阈值确认光信号数据在示波器上的台阶型特征;
A3.针对电磁信号的特征,通过设定的电磁阈值确认电磁信号在示波器上的波峰特征;
A4.将台阶型特征和波峰特征进行比对和匹配,从而确认最终的闪电事件数据信息。
4.根据权利要求3所述的基于卫星遥感的雷火预警识别方法,其特征在于所述的闪电类别识别,具体为闪电分为正地闪回击,负地闪回击和云闪放电过程;通过感染信号特征匹配后获取闪电时的时域波形特征;然后,选取信号开始时间差、到达峰值时间差、脉冲上升沿时间差和脉冲宽度时间差作为指标,建立正地闪、负地闪、云闪的标准模糊子集A1、A2和A3,以及待识别闪电的模糊子集B;基于欧式距离及闵可夫斯基距离法计算相对贴近度:N(Ai,B)=1-μ·d(Ai,B),其中i=1,2,3,d(Ai,B)为向量数组(Ai,B),实际代表一组闪电点位的空间位置向量值;最后对全部待识别闪电的模糊子集B与标准模糊子集A1、A2和A3进行模糊匹配,并将匹配类型最作为闪电类型的判断结果。
6.根据权利要求5所述的基于卫星遥感的雷火预警识别方法,其特征在于步骤S3所述的进行多源遥感数据融合分析,具体为采用如下步骤进行融合分析:
a.采用静止卫星数据进行火点测算;
b.采用极轨卫星数据进行火点测算;
c.根据步骤a和步骤b得到的测算结果,进行数据融合。
7.根据权利要求6所述的基于卫星遥感的雷火预警识别方法,其特征在于步骤a所述的采用静止卫星数据进行火点测算,具体为采用静止卫星数据元,根据中红外通道对高温热源的敏感特性,根据含有亚像元火点的中红外通道像元辐亮度和亮温比远红外通道的辐亮度和亮温更高,以及含有亚像元火点的中红外通道像元辐亮度和亮温比周边非火点的中红外通道像元辐亮度和亮温高的规则,对火点进行监测识别;火点识别公式为:
8.根据权利要求7所述的基于卫星遥感的雷火预警识别方法,其特征在于步骤b所述的采用极轨卫星数据进行火点测算,具体为采用极轨卫星数据,利用若干可卫星不同的过境时间进行区域性的定时高空间分辨率的扫描,通过与静止卫星数据进行融合,提取火点信息,并结合250~382m的高分辨率热红外通道信息获取精细化火情信息;极轨卫星火点监测公式为:
夜间:BT4>320K且QF4=0
日间:BT4=367K且QF4=9且BT5>290K且QF5=0且ρ1+ρ2>0.7式中BT4为卫星传感器在4波段处的反射值;QF4为I4通道的质量标志;BT5为卫星传感器在4波段处的反射值;QF5为I5通道的质量标志;
分裂窗口:
日间:BT4>335K且ΔBT45>30K
夜间:BT4>300K且ΔBT45>10K
式中ΔBT45为45波段之间反射值差。
9.根据权利要求8所述的基于卫星遥感的雷火预警识别方法,其特征在于步骤c所述的根据步骤a和步骤b得到的测算结果,进行数据融合,具体为采用标准差椭圆分析法,对不同观测源对应时刻火点进行分析,评价准确性;根据火点分布位置构建标准差椭圆,落在标准差椭圆以内的火点认定为可靠性更高,落在标准差椭圆以外的火点认定为可靠性更低。
10.根据权利要求9所述的基于卫星遥感的雷火预警识别方法,其特征在于步骤S4所述的构建基于深度学习森林火灾监测预报模型,具体为采用如下步骤构建模型:
(1)构建置信度网络火险预测分析模型:在深度置信网络的输入数据层添加SMOTE算法,对输入数据进行过采样处理,用于平衡数据集并增加训练数据量;输入的数据先经过SMOTE算法进行过采样处理,然后逐层训练RBM模型,获取可视层和隐含层间的权值和偏置值,最终得到火灾情况发生的预测结果;
(2)构建火险天气等级模型:通过气象因子和森林植被资源调查数据结合,组建预测模型,从而判定目标范围火灾风险水平,预测火险等级;
所述的构建火险天气等级模型:通过气象因子和森林植被资源调查数据结合,组建预测模型,从而判定目标范围火灾风险水平,预测火险等级,具体为对于已监测到的火点像元,对其邻域逐个像元计算火险蔓延风险概率:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110372224.5A CN112907871B (zh) | 2021-04-07 | 2021-04-07 | 基于卫星遥感的雷火预警识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110372224.5A CN112907871B (zh) | 2021-04-07 | 2021-04-07 | 基于卫星遥感的雷火预警识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112907871A true CN112907871A (zh) | 2021-06-04 |
CN112907871B CN112907871B (zh) | 2022-06-17 |
Family
ID=76110149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110372224.5A Active CN112907871B (zh) | 2021-04-07 | 2021-04-07 | 基于卫星遥感的雷火预警识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907871B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113641958A (zh) * | 2021-07-28 | 2021-11-12 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种静止气象卫星火点信息的处理方法、装置及设备 |
CN114067545A (zh) * | 2021-11-15 | 2022-02-18 | 浙江时空智子大数据有限公司 | 一种基于遥感大数据的森林火灾监测方法及系统 |
CN114120563A (zh) * | 2021-11-24 | 2022-03-01 | 浙江省气候中心 | 一种基于多源卫星遥感技术的林火监测系统及方法 |
WO2023281386A3 (en) * | 2021-07-05 | 2023-03-02 | Helios Pompano, Inc. | System and method for detecting high-risk lightning strikes for use in predicting and identifying wildfire ignition locations |
CN116760456A (zh) * | 2023-08-14 | 2023-09-15 | 上海航天空间技术有限公司 | 用于遥感监测小面积山火的卫星数据实时传输方法及系统 |
CN117473877A (zh) * | 2023-12-27 | 2024-01-30 | 青岛市生态与农业气象中心(青岛市气候变化中心) | 一种基于静止卫星数据的闪电三维辐射源位置反演方法 |
CN117473878A (zh) * | 2023-12-27 | 2024-01-30 | 青岛市生态与农业气象中心(青岛市气候变化中心) | 一种基于静止卫星数据的地闪强度反演方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2415603A1 (en) * | 2003-01-06 | 2004-07-06 | Thompson, Douglas B. | Method of locating fires ignited by a lightning storm |
KR20090011068A (ko) * | 2007-07-25 | 2009-02-02 | 순천대학교 산학협력단 | 지피에스를 이용한 지그비 산불 모니터링 시스템 |
CN103809156A (zh) * | 2014-02-25 | 2014-05-21 | 中国人民解放军理工大学 | 区域高分辨率闪电辐射源定位系统 |
CN103907034A (zh) * | 2011-07-06 | 2014-07-02 | 地球网络股份有限公司 | 预测恶劣天气的可能性 |
CN105160593A (zh) * | 2015-08-18 | 2015-12-16 | 国家电网公司 | 面向大数据的输变电设备多维异构数据融合方法及系统 |
KR101581856B1 (ko) * | 2014-08-26 | 2016-01-11 | (주)테크맥스텔레콤 | 산불 감시 카메라 |
KR20160024543A (ko) * | 2014-08-26 | 2016-03-07 | (주)테크맥스텔레콤 | 산불감시 카메라를 이용한 낙뢰 관측 시스템 |
CN109829408A (zh) * | 2019-01-23 | 2019-05-31 | 中国科学技术大学 | 基于卷积神经网络的智能闪电识别装置 |
CN110807892A (zh) * | 2019-12-02 | 2020-02-18 | 象辑知源(武汉)科技有限公司 | 一种基于气象卫星的山火监测识别方法 |
US20200155881A1 (en) * | 2018-11-21 | 2020-05-21 | Ali Tohidi | Fire monitoring |
US20200242916A1 (en) * | 2019-01-24 | 2020-07-30 | Sentry Systems, Inc. | Method and System for Wildfire Detection and Management |
WO2020215684A1 (zh) * | 2019-04-26 | 2020-10-29 | 平安科技(深圳)有限公司 | 基于区块链的参数配置、重构方法、装置、设备及介质 |
-
2021
- 2021-04-07 CN CN202110372224.5A patent/CN112907871B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2415603A1 (en) * | 2003-01-06 | 2004-07-06 | Thompson, Douglas B. | Method of locating fires ignited by a lightning storm |
KR20090011068A (ko) * | 2007-07-25 | 2009-02-02 | 순천대학교 산학협력단 | 지피에스를 이용한 지그비 산불 모니터링 시스템 |
CN103907034A (zh) * | 2011-07-06 | 2014-07-02 | 地球网络股份有限公司 | 预测恶劣天气的可能性 |
CN103809156A (zh) * | 2014-02-25 | 2014-05-21 | 中国人民解放军理工大学 | 区域高分辨率闪电辐射源定位系统 |
KR101581856B1 (ko) * | 2014-08-26 | 2016-01-11 | (주)테크맥스텔레콤 | 산불 감시 카메라 |
KR20160024543A (ko) * | 2014-08-26 | 2016-03-07 | (주)테크맥스텔레콤 | 산불감시 카메라를 이용한 낙뢰 관측 시스템 |
CN105160593A (zh) * | 2015-08-18 | 2015-12-16 | 国家电网公司 | 面向大数据的输变电设备多维异构数据融合方法及系统 |
US20200155881A1 (en) * | 2018-11-21 | 2020-05-21 | Ali Tohidi | Fire monitoring |
CN109829408A (zh) * | 2019-01-23 | 2019-05-31 | 中国科学技术大学 | 基于卷积神经网络的智能闪电识别装置 |
US20200242916A1 (en) * | 2019-01-24 | 2020-07-30 | Sentry Systems, Inc. | Method and System for Wildfire Detection and Management |
WO2020215684A1 (zh) * | 2019-04-26 | 2020-10-29 | 平安科技(深圳)有限公司 | 基于区块链的参数配置、重构方法、装置、设备及介质 |
CN110807892A (zh) * | 2019-12-02 | 2020-02-18 | 象辑知源(武汉)科技有限公司 | 一种基于气象卫星的山火监测识别方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023281386A3 (en) * | 2021-07-05 | 2023-03-02 | Helios Pompano, Inc. | System and method for detecting high-risk lightning strikes for use in predicting and identifying wildfire ignition locations |
CN113641958A (zh) * | 2021-07-28 | 2021-11-12 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种静止气象卫星火点信息的处理方法、装置及设备 |
CN113641958B (zh) * | 2021-07-28 | 2023-11-21 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种静止气象卫星火点信息的处理方法、装置及设备 |
CN114067545A (zh) * | 2021-11-15 | 2022-02-18 | 浙江时空智子大数据有限公司 | 一种基于遥感大数据的森林火灾监测方法及系统 |
CN114120563A (zh) * | 2021-11-24 | 2022-03-01 | 浙江省气候中心 | 一种基于多源卫星遥感技术的林火监测系统及方法 |
CN116760456A (zh) * | 2023-08-14 | 2023-09-15 | 上海航天空间技术有限公司 | 用于遥感监测小面积山火的卫星数据实时传输方法及系统 |
CN116760456B (zh) * | 2023-08-14 | 2023-10-31 | 上海航天空间技术有限公司 | 用于遥感监测小面积山火的卫星数据实时传输方法及系统 |
CN117473877A (zh) * | 2023-12-27 | 2024-01-30 | 青岛市生态与农业气象中心(青岛市气候变化中心) | 一种基于静止卫星数据的闪电三维辐射源位置反演方法 |
CN117473878A (zh) * | 2023-12-27 | 2024-01-30 | 青岛市生态与农业气象中心(青岛市气候变化中心) | 一种基于静止卫星数据的地闪强度反演方法 |
CN117473878B (zh) * | 2023-12-27 | 2024-03-15 | 青岛市生态与农业气象中心(青岛市气候变化中心) | 一种基于静止卫星数据的地闪强度反演方法 |
CN117473877B (zh) * | 2023-12-27 | 2024-03-22 | 青岛市生态与农业气象中心(青岛市气候变化中心) | 一种基于静止卫星数据的闪电三维辐射源位置反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112907871B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112907871B (zh) | 基于卫星遥感的雷火预警识别方法 | |
Fenner et al. | Intra and inter local climate zone variability of air temperature as observed by crowdsourced citizen weather stations in Berlin, Germany | |
Tapakis et al. | Equipment and methodologies for cloud detection and classification: A review | |
Boccippio et al. | The Optical Transient Detector (OTD): Instrument characteristics and cross-sensor validation | |
Poltera et al. | PathfinderTURB: an automatic boundary layer algorithm. Development, validation and application to study the impact on in situ measurements at the Jungfraujoch | |
Wacker et al. | Cloud observations in Switzerland using hemispherical sky cameras | |
Ciren et al. | Dust aerosol index (DAI) algorithm for MODIS | |
Chen et al. | Detection of dust aerosol by combining CALIPSO active lidar and passive IIR measurements | |
US8818029B1 (en) | Weather forecasting systems and methods | |
Ai et al. | Life cycle characteristics of MCSs in middle east China tracked by geostationary satellite and precipitation estimates | |
Zhang et al. | Evaluation of the performance characteristics of the lightning imaging sensor | |
Belegante et al. | Retrieval of the boundary layer height from active and passive remote sensors. Comparison with a NWP model | |
Wang et al. | The Green Ocean: precipitation insights from the GoAmazon2014/5 experiment | |
Fan et al. | A performance evaluation of the world wide lightning location network (WWLLN) over the Tibetan Plateau | |
US20230011424A1 (en) | System and method for detecting high-risk lightning strikes for use in predicting and identifying wildfire ignition locations | |
Borque et al. | Distinctive signals in 1‐min observations of overshooting tops and lightning activity in a severe supercell thunderstorm | |
Mecikalski et al. | Use of satellite derived cloud properties to quantify growing cumulus beneath cirrus clouds | |
Wagner et al. | Error characteristics of ceilometer-based observations of cloud amount | |
Bennett | Identification and ranging of lightning flashes using co-located antennas of different geometry | |
Rui-xia et al. | Quality assessment of FY-4A lightning data in inland China | |
Wolters et al. | Evaluation of cloud-phase retrieval methods for SEVIRI on Meteosat-8 using ground-based lidar and cloud radar data | |
Sharma et al. | A Weather Forecasting System using concept of Soft Computing: A new approach | |
Pergola et al. | Advanced Satellite Technique for Volcanic Activity Monitoring and Early Warning. | |
Pizzuti et al. | On the relationship between lightning superbolts and TLEs in Northern Europe | |
CN115753602A (zh) | 一种海雾检测方法与系统 |
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 |