CN113592022B - 一种考虑植被类型的森林火灾危险地形识别方法 - Google Patents
一种考虑植被类型的森林火灾危险地形识别方法 Download PDFInfo
- Publication number
- CN113592022B CN113592022B CN202110917719.1A CN202110917719A CN113592022B CN 113592022 B CN113592022 B CN 113592022B CN 202110917719 A CN202110917719 A CN 202110917719A CN 113592022 B CN113592022 B CN 113592022B
- Authority
- CN
- China
- Prior art keywords
- terrain
- classification
- forest fire
- analysis
- data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
Abstract
本发明提出一种考虑植被类型的森林火灾危险地形识别方法,包括如下步骤:步骤1、获取目标区域的DEM高程数据、林火蔓延数据、植被类型数据;步骤2、基于局域高程的多特征尺度综合判别的地形分类方法,进行地形分类识别,得到地形分类结果;步骤3、基于地形分类数据、林火蔓延数据、植被类型数据进行空间关系分析,根据地形类别、植被类别、林火蔓延方向三要素的空间组合关系,得出易伤亡地段的输出结果。相较于传统森林火灾特殊危险地形识别方法,本发明涵盖的易伤亡地段类别更全面,易伤亡地段分类依据更精细,即基于地形类别、植被约束、火蔓延情况三个要素,考虑了八种易伤亡地段的数字化识别。
Description
技术领域
本发明涉及地理环境监测领域,尤其是一种考虑植被类型的森林火灾危险地形识别方法。
背景技术
消防战士在扑救森林火灾中时常身处险境,如何在救援过程中及早发现易伤亡地段,并采取对应措施是扑火过程中不可或缺的关键。
传统Geomorphons方法利用地形开放度选取地形特征点来决定与中心栅格高程相对关系的方法,虽然在不同的搜索半径内,具有一定的局域地形条件自适应能力,但本质上仍是单一分析尺度下的分类,与地形元素所具有的多尺度特征不相适应,这会影响应用结果的合理性。在实际应用中,当遇到较粗糙地形,高程大幅变化较密集地形或DEM数据噪声较大的情况时,该方法所找出的地形类别特征点栅格往往很靠近中心栅格,决定分类结果的也常常仅是固定单一的较小分析尺度上的特征点组合,当前搜索半径内更大尺度的地形特征并未予以考虑,由此会造成地形类别的误分类。
森林火灾发生过程中的易伤亡地段不仅与地形要素相关。还与植被类型,火蔓延方向密切相关,在传统森林火灾易伤亡危险地段识别方法及装置中仅考虑了地形对火灾传播过程中的影响,难以识别与植被类型,火蔓延相关的动态易伤亡地段。
发明内容
本发明根据国家林业局发布的《森林火灾扑救技术规程》指出消防战士严禁进入易伤亡地段的语义描述,结合地形分类数据,林火蔓延数据,植被类型数作为基础,通过其空间关系分析及语义逻辑推理,提出了一种明确的易伤亡地段计算机数字化识别方法。
本发明的技术方案为:一种考虑植被类型的森林火灾危险地形识别方法,包括如下步骤:
步骤1、获取目标区域的DEM高程数据、林火蔓延数据、植被类型数据;
步骤2、基于局域高程的多特征尺度综合判别的地形分类方法,进行地形分类识别,得到地形分类结果;
步骤3、基于地形分类数据、林火蔓延数据、植被类型数据进行空间关系分析,根据地形类别、植被类别、林火蔓延方向三要素的空间组合关系,得出易伤亡地段的输出结果。
进一步的,所述步骤2具体包括:
步骤2.1、针对待处理的栅格DEM高程数据,设定分析窗口系列(1,2,…);
步骤2.2、采用步骤2.1设定的多个分析窗口系列中的每一个,分别对栅格DEM高程数据进行分析处理;
步骤2.3、对于每个分析窗口,进行单一分析尺度下基于局域高程信息进行地形元素提取;
步骤2.4、分别得到每个分析窗口不同分析尺度对应的地形元素提取结果;
步骤2.5、对各个分析窗口提取得到的地形元素提取结果进行多尺度综合分析;
步骤2.6、进行地形类别空间分布图分析,并计算分类不确定性分布曲线;
步骤2.7、确定每个分析窗口的最优分析尺度;
步骤2.8、得出最优地形类别空间分布图。
进一步的,所述步骤3、基于地形分类数据、林火蔓延数据、植被类型数据进行空间关系分析,根据地形类别、植被类别、林火蔓延方向三要素的空间组合关系,得出易伤亡地段的输出结果,具体的,包括如下易伤亡地段类型:
3.1、前面有大火,后面是陡坡无退路:某区域地形识别结果为坡地,且其坡度大于30度,该区域内的林火蔓延方向与坡地上坡向空间关系一致。
3.2、孤独的山头,火从四面烧来:某区域地形识别结果为山峰,且该区域内的林火蔓延方向与山峰上坡向空间关系一致。
3.3、急进地表火从两山夹一沟中顺风蔓延沟腹或沟口:某区域地形识别结果为坡地且该区域内的林火蔓延方向与山谷线方向空间关系一致。
3.4、马鞍型山的山峪沟堵:某区域地形识别结果为山肩;
3.5、三面环山的沟底:某区域地形识别结果为沟谷,且其所覆盖的植被类型为灌木;
3.6、陡坡、乱石灌丛杂草中,大火烧来行动不便的地段:某区域地形识别结果为坡地,且其坡度大于30度;或某区域地形识别结果为洼地,且其所覆盖的植被类型为灌木;
3.7、大面积的草塘或向阳山坡地段:某区域地形识别结果为平地、山脚,且其所覆盖的植被类型为灌木。
进一步的,所述步骤2.7、确定每个分析窗口的最优分析尺度,具体包括如下:
2.7.1、通过熵值度量各特征尺度下得到的地形分类结果的不确定性,计算公式为:
式中:为栅格点(i,j)在分析尺度k上对第x类地形类别的隶属度,x=1,…,10;若类别向量中为第x类地形类别,则否则为0;为栅格点(i,j)在整个分析尺度范围(1,…,n)内,对第x类地形类别的隶属度,其值域为[0,1];Entropyi,j为栅格(i,j)上的多分析尺度下综合分类结果的熵值,值域为[0,1];如果一个栅格位置对某一特定地形类别的隶属度大于阈值,而对其他地形类别的隶属度都小于阈值,那么熵值较低,分类结果的不确定性较小,分类结果较为合理;
2.7.2、通过分类结果熵值Entropyi,j分布图确定最适宜分析尺度的大小,进而确定最优分析尺度k,使待识别栅格数据平均熵值变化率曲线斜率的绝对值取得极小值,得到合理的地形分类结果。
有益效果:
相较于传统地形识别算法,本发明采用的基于局域高程的多特征尺度综合判别的地形分类方法综合考虑了不同尺度下的地形特征,对地形类别的分类更为准确;相较于传统森林火灾特殊危险地形识别方法,本发明涵盖的易伤亡地段类别更全面,易伤亡地段分类依据更精细,即基于地形类别、植被约束、火蔓延情况三个要素,考虑了八种易伤亡地段的数字化识别。
附图说明
图1为本发明一种考虑植被类型的森林火灾危险地形识别方法详细流程图;
图2为本发明基于局域高程的多特征尺度综合判别的地形分类方法流程图;
图3为本发明基于局域高程的多特征尺度综合判别的地形分类结果中10种地形元素类别示意图;
图4为根据本发明的一个实施例的最优地形分类结果示意图;
图5为本发明一种考虑植被类型的森林火灾危险地形识别方法总体流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅为本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
根据本发明的实施例,提出一种考虑植被类型的森林火灾危险地形识别方法,流程图如图1和5所示,包括如下步骤:
步骤1、获取目标区域的DEM高程数据、林火蔓延数据、植被类型数据;
步骤2、基于局域高程的多特征尺度综合判别的地形分类方法,进行地形分类识别,得到地形分类结果;
步骤3、基于地形分类数据、林火蔓延数据、植被类型数据进行空间关系分析,根据地形类别、植被类别、林火蔓延方向三要素的空间组合关系,得出易伤亡地段的输出结果。
根据本发明的一个实施例,所述步骤1中,数据来源如下:本发明所提出的易伤亡地段计算机数字化识别方法所需数据源均可公开获取,其中:DEM高程数据来源于ASTERGDEM产品、SRTM产品、谷歌影像所提供的GeoTif格式数据,可通过高程数据计算得出坡度、坡向,并经由地形分类算法得出地形分类数据;植被类型数据来源于中国科学院植物研究所发布的1980年中国1:100万植被数据,包含各经纬度植被类型;林火蔓延数据来源于VIIRS火点数据、GF-4号卫星等实时火点数据,可通过火点轨迹得出林火蔓延方向。
目前地形分类识别算法多样,其基本方法为基于DEM高程数据,对地表形态进行空间划分并指定对应所属的地形元素类别,DEM高程数据样式以栅格数据为主,即将空间分割成有规律的网格,每个网格称为栅格点。
根据本发明的一个实施例,所述步骤2、基于局域高程的多特征尺度综合判别的地形分类方法,进行地形分类识别,得到地形分类结果;具体流程如图2所示,包括如下步骤:
步骤2.1、针对待处理的栅格DEM高程数据,设定分析窗口系列(1,2,…);
步骤2.2、采用步骤2.1设定的多个分析窗口系列中的每一个,分别对栅格DEM高程数据进行分析处理;
步骤2.3、对于每个分析窗口,进行单一分析尺度下基于局域高程信息进行地形元素提取;
步骤2.4、分别得到每个分析窗口不同分析尺度对应的地形元素提取结果;
步骤2.5、对各个分析窗口提取得到的地形元素提取结果进行多尺度综合分析;
步骤2.6、进行地形类别空间分布图分析,并计算分类不确定性分布曲线;
步骤2.7、确定每个分析窗口的最优分析尺度;
步骤2.8、得出最优地形类别空间分布图。
具体的,所述步骤2中,采用了基于局域高程的多分析尺度综合判别的Geomorphons地形分类方法,可根据待推测DEM栅格数据中心栅格点和其8个方向(东、西、南、北、东南、东北、西南、西北)的栅格点之间可能存在的3种高程关系(高于、低于、相等),组合出了可能存在的38=6561种局域几何形态模式,并根据地学含义去重、精简、归并整理后,进一步映射到与地理现象密切相关的10种地形元素,即平区、山峰、山脊、山肩、沟谷、山脚、直背坡、凸背坡、凹背坡和洼地,如图3所示。
进一步的,为了考虑各尺度的地形特征,本发明多尺度地形识别算法首先将待识别栅格数据的每个栅格点及其临近栅格数据视为一个分析窗口,一般认为在1km以内的地理范围上识别地形元素较为适宜,故分析窗口大小为(1000m/DEM数据空间分辨率)四舍五入取整,以水平分辨率为30m的栅格数据为例,针对于每个分析窗口,设定n=(1000m/30m)四舍五入取整,分析窗口大小为n,设置n个不同的分析尺度k(k为正整数),分析尺度间隔为分析窗口大小的四舍五入取整,并依据分析尺度k的数值,对该分析窗口中心栅格点的八个方向(东、西、南、北、东南、东北、西南、西北)进行裁剪。
在每个特征尺度下判断该窗口各个方向上的栅格点相对于待推测点的相对高程关系,根据识别方法中预先设定好的局域几何状态映射至地形类别的关系,判别在该分析尺度下的地形分类结果。
进一步的,通过熵值度量各特征尺度下得到的地形分类结果的不确定性,计算公式为:
式中:为栅格点(i,j)在分析尺度k上对第x(x=1,…,10)类地形类别的隶属度,若类别向量中为第x类地形类别,则否则为0;为栅格点(i,j)在整个分析尺度范围(1,…,n)内,对第x类地形类别的隶属度,其值域为[0,1];Entropyi,j为栅格(i,j)上的多分析尺度下综合分类结果的熵值,值域为[0,1]。如果一个栅格位置对某一特定地形类别的隶属度较大,而对其他地形类别的隶属度都很小的话,那么熵值较低,分类结果的不确定性较小,分类结果较为合理。
特别地,当一个栅格仅对某一种地形类型的隶属度非0时,熵值为最小值0;如果一个栅格位置对所有地形类别的隶属度区别不大,则熵值较高,说明分类不确定性较大。当一个栅格对所有地形类别的隶属度相等时,熵值达到最大值1,即此时分类结果不确定性最大。这一过程被称为多尺度综合。
相关研究表明,随着分析尺度减小,地形部位多尺度特征越明显,分类结果熵值不断增加,平均熵值变化率不断减小,且变率由陡变缓,呈对数曲线分布。这就意味着,平均熵值变化率曲线斜率的绝对值必定存在一个由大变小(即曲线由陡变缓)的点,且该变点是唯一的,该变点所对应的分析尺度的改变对分类结果的不确定性影响最小,地形分类结果最稳定。最适宜分析尺度大小即为平均熵值变化率曲线斜率的绝对值取得极小值时所对应的分析尺度大小。
最终通过分类结果熵值Entropyi,j分布图确定最适宜分析尺度的大小,进而确定最优分析尺度k,使待识别栅格数据平均熵值变化率曲线斜率的绝对值取得极小值,得到合理的地形分类结果。
如图4所示,DEM数据选取丫髻山风景区为例,经纬度范围为上40.2884722222222至下40.2359722222222;左116.947638888889至右117.003194444444内的实验数据,其最优地形分类结果如下图4所示。
根据本发明的一个实施例,所述步骤3、基于地形分类数据、林火蔓延数据、植被类型数据进行空间关系分析,根据地形类别、植被类别、林火蔓延方向三要素的空间组合关系,得出易伤亡地段的输出结果。
国家林业局发布的《森林火灾扑救技术规程》中明确指出,消防战士严禁进入以下八种易伤亡地段:即将发生或已发生上山火烧的山坡;前面有大火,后面是陡坡无退路;孤独的山头,火从四面烧来;急进地表火从两山夹一沟中顺风蔓延沟腹或沟口;马鞍型山的山峪沟堵;三面环山的沟底;陡坡、乱石灌丛杂草中,大火烧来行动不便的地段;大面积的草塘或向阳山坡地段。
本发明将易伤亡地段的识别划分为三个要素:地形类别、植被类别、林火蔓延方向。进一步考虑其三要素的空间组合关系,得出易伤亡地段的数字化识别方法。下列为基于三要素考虑的各类易伤亡地段识别数字化推理方法:
即将发生或已发生上山火烧的山坡:某区域地形识别结果为坡地,且该区域内的林火蔓延方向与坡地上坡向方向空间关系一致。
3.1、前面有大火,后面是陡坡无退路:某区域地形识别结果为坡地,且其坡度大于30度,该区域内的林火蔓延方向与坡地上坡向空间关系一致。
3.2、孤独的山头,火从四面烧来:某区域地形识别结果为山峰,且该区域内的林火蔓延方向与山峰上坡向空间关系一致。
3.3、急进地表火从两山夹一沟中顺风蔓延沟腹或沟口:某区域地形识别结果为坡地且该区域内的林火蔓延方向与山谷线方向空间关系一致。
3.4、马鞍型山的山峪沟堵:某区域地形识别结果为山肩。
3.5、三面环山的沟底:某区域地形识别结果为沟谷,且其所覆盖的植被类型为灌木。
3.6、陡坡、乱石灌丛杂草中,大火烧来行动不便的地段:某区域地形识别结果为坡地,且其坡度大于30度。或某区域地形识别结果为洼地,且其所覆盖的植被类型为灌木。
3.7、大面积的草塘或向阳山坡地段:某区域地形识别结果为平地、山脚,且其所覆盖的植被类型为灌木。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,且应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种考虑植被类型的森林火灾危险地形识别方法,其特征在于,包括如下步骤:
步骤1、获取目标区域的DEM高程数据、林火蔓延数据、植被类型数据;
步骤2、基于局域高程的多特征尺度综合判别的地形分类方法,进行地形分类识别,得到地形分类结果;
步骤3、基于地形分类数据、林火蔓延数据、植被类型数据进行空间关系分析,根据地形类别、植被类别、林火蔓延方向三要素的空间组合关系,得出易伤亡地段的输出结果;具体的,包括由如下要素空间组合关系定义的易伤亡地段类型:
3.1、前面有大火,后面是陡坡无退路:某区域地形识别结果为坡地,且其坡度大于30度,该区域内的林火蔓延方向与坡地上坡向空间关系一致;
3.2、孤独的山头,火从四面烧来:某区域地形识别结果为山峰,且该区域内的林火蔓延方向与山峰上坡向空间关系一致;
3.3、急进地表火从两山夹一沟中顺风蔓延沟腹或沟口:某区域地形识别结果为坡地且该区域内的林火蔓延方向与山谷线方向空间关系一致;
3.4、马鞍型山的山峪沟堵:某区域地形识别结果为山肩;
3.5、三面环山的沟底:某区域地形识别结果为沟谷,且其所覆盖的植被类型为灌木;
3.6、陡坡、乱石灌丛杂草中,大火烧来行动不便的地段:某区域地形识别结果为坡地,且其坡度大于30度;或某区域地形识别结果为洼地,且其所覆盖的植被类型为灌木;
3.7、大面积的草塘或向阳山坡地段:某区域地形识别结果为平地、山脚,且其所覆盖的植被类型为灌木。
2.根据权利要求1所述的一种考虑植被类型的森林火灾危险地形识别方法,其特征在于,所述步骤2具体包括:
步骤2.1、针对待处理的栅格DEM高程数据,设定分析窗口系列(1,2,…);
步骤2.2、采用步骤2.1设定的多个分析窗口系列中的每一个,分别对栅格DEM高程数据进行分析处理;
步骤2.3、对于每个分析窗口,进行单一分析尺度下基于局域高程信息进行地形元素提取;
步骤2.4、分别得到每个分析窗口不同分析尺度对应的地形元素提取结果;
步骤2.5、对各个分析窗口提取得到的地形元素提取结果进行多尺度综合分析;
步骤2.6、进行地形类别空间分布图分析,并计算分类不确定性分布曲线;
步骤2.7、确定每个分析窗口的最优分析尺度;
步骤2.8、得出最优地形类别空间分布图。
3.根据权利要求2所述的一种考虑植被类型的森林火灾危险地形识别方法,其特征在于,所述步骤2.7、确定每个分析窗口的最优分析尺度,具体包括如下:
2.7.1、通过熵值度量各特征尺度下得到的地形分类结果的不确定性,计算公式为:
式中:为栅格点(i,j)在分析尺度k上对第x类地形类别的隶属度,x=1,…,10;若类别向量中为第x类地形类别,则否则为0;为栅格点(i,j)在整个分析尺度范围(1,…,n)内,对第x类地形类别的隶属度,其值域为[0,1];Entropyi,j为栅格(i,j)上的多分析尺度下综合分类结果的熵值,值域为[0,1];如果一个栅格位置对某一特定地形类别的隶属度大于阈值,而对其他地形类别的隶属度都小于阈值,那么熵值较低,分类结果的不确定性较小,分类结果较为合理;
2.7.2、通过分类结果熵值Entropyi,j分布图确定最适宜分析尺度的大小,进而确定最优分析尺度k,使待识别栅格数据平均熵值变化率曲线斜率的绝对值取得极小值,得到合理的地形分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110917719.1A CN113592022B (zh) | 2021-08-11 | 2021-08-11 | 一种考虑植被类型的森林火灾危险地形识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110917719.1A CN113592022B (zh) | 2021-08-11 | 2021-08-11 | 一种考虑植被类型的森林火灾危险地形识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592022A CN113592022A (zh) | 2021-11-02 |
CN113592022B true CN113592022B (zh) | 2022-07-05 |
Family
ID=78257020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110917719.1A Active CN113592022B (zh) | 2021-08-11 | 2021-08-11 | 一种考虑植被类型的森林火灾危险地形识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592022B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651861A (zh) * | 2016-11-15 | 2017-05-10 | 兰州大学 | 基于区域不一致性评价自动优选遥感影像分割参数的方法 |
CN106886841A (zh) * | 2017-02-24 | 2017-06-23 | 湖南省湘电试研技术有限公司 | 无需实时采集现场信息的线路山火灾害评估方法及系统 |
CN106909918A (zh) * | 2017-03-31 | 2017-06-30 | 国网湖南省电力公司 | 基于输电线路沿线卫星图像的山火危险性辨识方法 |
CN107330422A (zh) * | 2017-07-28 | 2017-11-07 | 首都师范大学 | 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法 |
CN108389354A (zh) * | 2018-04-16 | 2018-08-10 | 南京森林警察学院 | 一种无人机联合地面微小型机器人探测森林地下火的方法 |
CN110163251A (zh) * | 2019-04-15 | 2019-08-23 | 深圳市中电数通智慧安全科技股份有限公司 | 一种火灾危险等级的优化识别方法、装置及终端设备 |
KR20190129468A (ko) * | 2018-05-11 | 2019-11-20 | 대한민국(산림청 국립산림과학원장) | 접근불능지역 실시간 산불위험예보방법 |
CN111768105A (zh) * | 2020-06-29 | 2020-10-13 | 中南林业科技大学 | 基于空间Logistic的森林火灾风险评估方法 |
CN112507823A (zh) * | 2020-11-27 | 2021-03-16 | 清华大学 | 森林火灾特殊危险地形识别方法及装置 |
CN113240875A (zh) * | 2021-05-17 | 2021-08-10 | 北京瞭望神州科技有限公司 | 森林防火监测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548514A (zh) * | 2016-11-02 | 2017-03-29 | 北京航天泰坦科技股份有限公司 | 基于三维的林火蔓延模拟方法和系统 |
CN111461578A (zh) * | 2020-04-29 | 2020-07-28 | 西安易可环境管理咨询有限公司 | 一种山区自然保护地森林火灾风险评估的方法及系统 |
CN112712275B (zh) * | 2021-01-07 | 2023-09-29 | 南京大学 | 基于Maxent和GIS的森林火灾风险评估方法 |
-
2021
- 2021-08-11 CN CN202110917719.1A patent/CN113592022B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651861A (zh) * | 2016-11-15 | 2017-05-10 | 兰州大学 | 基于区域不一致性评价自动优选遥感影像分割参数的方法 |
CN106886841A (zh) * | 2017-02-24 | 2017-06-23 | 湖南省湘电试研技术有限公司 | 无需实时采集现场信息的线路山火灾害评估方法及系统 |
CN106909918A (zh) * | 2017-03-31 | 2017-06-30 | 国网湖南省电力公司 | 基于输电线路沿线卫星图像的山火危险性辨识方法 |
CN107330422A (zh) * | 2017-07-28 | 2017-11-07 | 首都师范大学 | 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法 |
CN108389354A (zh) * | 2018-04-16 | 2018-08-10 | 南京森林警察学院 | 一种无人机联合地面微小型机器人探测森林地下火的方法 |
KR20190129468A (ko) * | 2018-05-11 | 2019-11-20 | 대한민국(산림청 국립산림과학원장) | 접근불능지역 실시간 산불위험예보방법 |
CN110163251A (zh) * | 2019-04-15 | 2019-08-23 | 深圳市中电数通智慧安全科技股份有限公司 | 一种火灾危险等级的优化识别方法、装置及终端设备 |
CN111768105A (zh) * | 2020-06-29 | 2020-10-13 | 中南林业科技大学 | 基于空间Logistic的森林火灾风险评估方法 |
CN112507823A (zh) * | 2020-11-27 | 2021-03-16 | 清华大学 | 森林火灾特殊危险地形识别方法及装置 |
CN113240875A (zh) * | 2021-05-17 | 2021-08-10 | 北京瞭望神州科技有限公司 | 森林防火监测方法及系统 |
Non-Patent Citations (3)
Title |
---|
Fire-Front Recognition in UAV-Based Forest-Fire Monitoring System Using Fuzzy Rough Soft Sets;Vladimir Sherstjuk等;《2019 IEEE 2nd Ukraine Conference on Electrical and Computer Engineering (UKRCON)》;20191024;1091-1096 * |
Forest Fire-Fighting Monitoring System Based on UAV Team and Remote Sensing;Vladimir Sherstjuk等;《2018 IEEE 38th International Conference on Electronics and Nanotechnology (ELNANO)》;20181001;663-668 * |
多分析尺度下综合判别的地形元素分类方法;康鑫等;《地理研究》;20160930;第35卷(第9期);摘要、第3-4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN113592022A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wing et al. | Individual snag detection using neighborhood attribute filtered airborne lidar data | |
Hentati et al. | Evaluation of sedimentation vulnerability at small hillside reservoirs in the semi-arid region of Tunisia using the Self-Organizing Map | |
Hudak et al. | Field validation of Burned Area Reflectance Classification (BARC) products for post fire assessment | |
Ma et al. | A wind tunnel study of the airflow field and shelter efficiency of mixed windbreaks | |
Prima et al. | Characterization of volcanic geomorphology and geology by slope and topographic openness | |
Omar et al. | GIS and remote sensing for mangroves mapping and monitoring | |
CN112465332A (zh) | 一种城市人工湿地公园生态地质环境稳定性的评价方法 | |
Ali et al. | Morphometric analysis of Gilgit river basin in mountainous region of Gilgit-Baltistan Province, Northern Pakistan | |
Faour et al. | GIS-based approach to the assessment of coastal vulnerability to sea level rise: Case study on the eastern mediterranean | |
CN109740570A (zh) | 一种基于地形指数和物候差异的梯田遥感识别方法 | |
Narmada et al. | Landscape metrics to analyze the forest fragmentation of Chitteri Hills in Eastern Ghats, Tamil Nadu | |
CN113592022B (zh) | 一种考虑植被类型的森林火灾危险地形识别方法 | |
Han et al. | Characteristics and driving factors of marsh changes in Zhalong wetland of China | |
Chavula et al. | Land use and land cover change (LULC) in the Lake Malawi Drainage Basin, 1982-2005 | |
Zhou et al. | Mapping the vertical forest structure in a large subtropical region using airborne LiDAR data | |
Han et al. | Selecting suitable sites for mountain ginseng (Panax ginseng) cultivation by using geographically weighted logistic regression | |
Cea et al. | An improved methodology to map snow cover by means of Landsat and MODIS imagery | |
Pandey et al. | Remote sensing and GIS based watershed prioritization | |
Farooqi et al. | The hydrological influence of forest harvesting intensity on streams: a global synthesis with implications for policy. | |
Sun et al. | A new artificial oasis landscape dynamics in semi-arid Hongsipu region with decadal agricultural irrigation development in Ning Xia, China | |
CN110688990A (zh) | 一种水稻种植候选区确定方法 | |
CN113076635B (zh) | 一种基于微地形环境特征的雷电活动分析方法和装置 | |
Xiong et al. | Extracting land use/cover of mountainous area from remote sensing images using artificial neural network and decision tree classifications: A case study of Meizhou, China | |
LU501726B1 (en) | Method for simulating three-dimensional forest scene in decomposition model library | |
Okpobiri et al. | Monitoring and quantification of carbon dioxide emissions and impact of sea surface temperature on marine ecosystems as climate change indicators in the Niger Delta using geospatial technology |
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 |