CN113723701A - 森林火灾监测预测方法及系统、电子设备及存储介质 - Google Patents
森林火灾监测预测方法及系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113723701A CN113723701A CN202111042647.7A CN202111042647A CN113723701A CN 113723701 A CN113723701 A CN 113723701A CN 202111042647 A CN202111042647 A CN 202111042647A CN 113723701 A CN113723701 A CN 113723701A
- Authority
- CN
- China
- Prior art keywords
- forest fire
- data
- forest
- fire monitoring
- vector
- 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.)
- Withdrawn
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000013598 vector Substances 0.000 claims description 60
- 230000005540 biological transmission Effects 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 15
- 238000013500 data storage Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 230000002265 prevention Effects 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/265—Personal security, identity or safety
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Emergency Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于森林防火监测技术领域,具体涉及一种森林火灾监测预测方法及系统、电子设备及存储介质,本方法包括:步骤S1,建立被检测区域的样本数据库;步骤S2,利用样本数据通过fisher判别建立森林火灾监测预测模型;以及步骤S3,采集当前森林数据并代入森林火灾监测预测模型中得出森林火灾监测预测结果,本森林火灾监测预测方法及系统通过建立样本数据库和森林火灾监测预测模型为被测区域的现场提供了可视化的危险度指数,既减轻了森林工作人员的工作量也降低了森林火灾预测的主观性,同时也降低了处理器的处理难度,为无线传感网络的森林防火监测提供了可行性。
Description
技术领域
本发明属于森林防火监测技术领域,具体涉及一种森林火灾监测预测方法及系统、电子设备及存储介质。
背景技术
森林防火监测预测系统的发展,大致分为3个方向:基于卫星遥感的森林监测、基于图像视频监测的森林防控和基于无线传感网络的森林火灾防控。卫星遥感方式现阶段还需要解决高清分辨难题,对高温饱和、强反射面、云层等干扰因素需要进一步解决,同时设置好合适的图像处理阈值,避免对较小火情的相关信息提取出现误报、漏报现象;基于图像视频的监测方式对复杂森林图片的处理还存在很大难题,同时该方式需要实现大量数据传输,在自然环境中大量数据无线传输需要合适的传输设备,耗能较大。
基于无线传感网络的林火防控机制是兴起热点之一,也是未来林火防控的主要趋势之一,然而无线传感网络的森林防火监测预测系统的缺点是受功耗与处理器处理能力影响,往往不能传送图像与视频信息。
发明内容
本发明提供了一种森林火灾监测预测方法及系统、电子设备及存储介质。
为了解决上述技术问题,第一方面,本发明提供了一种森林火灾监测预测方法,包括:步骤S1,建立被检测区域的样本数据库;步骤S2,利用样本数据通过fisher判别建立森林火灾监测预测模型;以及步骤S3,将当前森林数据并代入森林火灾监测预测模型中得出森林火灾监测预测结果。
在其中一个实施例中,所述步骤S1中建立被检测区域的样本数据库包括:被检测区域的温度数据、湿度数据、风速数据、植被易燃程度等级和森林火灾状态;所述植被易燃程度等级根据被检测区域的植被类型进行划分确定易燃程度;所述森林火灾状态由人工获取,包括无森林火灾和发生森林火灾两个状态。
在其中一个实施例中,所述步骤S2中通过fisher判别建立森林火灾监测预测模型的方法包括:根据样本数据库的样本数据,通过fisher判别设立数据向量与变换向量,以训练求得样本数据投影到一维空间的最佳投影方向;根据最佳投影方向,将样本数据在其上投影得到数据,求得无森林火灾与发生森林火灾两个状态的数据类别的均值与标准差;以获得森林火灾监测预测模型,求得危险度指数。
在其中一个实施例中,所述根据样本数据库的样本数据,通过fisher判别设立数据向量与变换向量,求得样本数据投影到一维空间的最佳投影方向的方法包括:建立数据向量x=(x(1),x(2),x(3),x(4)),其中,x(1)为温度,单位为℃;x(2)为湿度,单位为RH%;x(3)为风速,单位为m/s;;x(4)为植被易燃程度;定义变换向量w=(w(1),w(2),w(3),w(4)),其中w(1)为x(1)的系数向量,w(2)为x(2)的系数向量,w(3)为x(3)的系数向量,w(4)为x(4)的系数向量;求取最佳变换向量w*=Sw-1(m2-m1),其中w的最大值w*为最佳变换向量,即最佳投影方向;Sw为类内协标准差矩阵;m1和m2分别表示无森林火灾和发生森林火灾两类的均值向量。
在其中一个实施例中,所述根据最佳投影方向,将样本数据在其上投影得到数据,求得无森林火灾与发生森林火灾两个状态的数据类别的均值与标准差的方法包括:μ1=w*m1;μ2=w*m2;其中μ1为无森林火灾数据在w*向量轴投影后所得到的数据的均值,μ2为发生森林火灾数据在w*向量轴投影后所得到的数据的均值,δ1为无森林火灾数据在w*向量轴投影后所得到的数据的标准差,δ2为发生森林火灾数据在w*向量轴投影后所得到的数据的标准差,N1为无森林火灾的数据样本总数,N2为发生森林火灾的数据样本总数。
在其中一个实施例中,所述步骤S3中将当前森林数据代入森林火灾监测预测模型中得出森林火灾监测预测结果的方法包括:将当前森林数据设为数据向量xc,Zc=w*xc,Zc为数据向量xc在w*向量轴投影后所得到的值;则当前森林火灾的危险度指数D为:当Zc≤μ1+δ1时,危险度指数D为0,判定为无森林火灾;当Zc≥μ2-δ2时,危险度指数D为1,判定为发生森林火灾;当μ1+δ1≤Zc≤μ2-δ2时,建立森林火灾监测预测模型,即:判定为存在森林火灾风险;所述危险度指数D为从0到1范围的数,越接近0表示危险度越小,越接近1表示危险度越大;人工设定阈值D0,当目前森林火灾的危险度指数大于预设阈值D0时,进行预警。
在其中一个实施例中,所述步骤S3中还包括:上传对应状态的图像信息的方法:即:当危险度指数低于设定的阈值D0时,调节红外图像帧频为指定固定帧频FA;当已监测到发生火灾时,调节红外图像帧频为指定固定帧频FC;当危险度指数高于设定的阈值D0,但未监测到发生火灾时,调节红外图像帧频FB为:FB=FA+ek(D-D0),其中:k为调节系数,取值范围包括20-22,e为自然常数。
本发明的有益效果是,本发明通过建立样本数据库和森林火灾监测预测模型为被测区域的现场提供了可视化的危险度指数,既减轻了森林工作人员的工作量也降低了森林火灾预测的主观性,同时也降低了处理器的处理难度,为无线传感网络的森林防火监测提供了可行性。
第二方面,本发明提供了一种森林火灾监测预测系统,包括:数据库单元、数据采集单元、森林火灾监测预测模型单元、数据传输单元及数据存储单元,所述数据库单元、数据采集单元、数据传输单元均与森林火灾监测预测模型单元电性连接,数据传输单元将森林火灾监测预测模型单元处理后的数据传输至数据存储单元;所述数据采集单元包括红外图像传感器模块;所述数据传输模块可根据森林火灾监测预测模型单元提供的危险度指数传输不同帧数的红外图像传感器模块采集的信息。
本发明的有益效果是,本发明采用无线传感网络与红外热成像技术相结合,弥补了几种主流森林火灾防控系统的缺点,同时也结合了各技术的优势,可以不受限于无线传感网络的传输能力来根据森林的实际情况为森林工作人员提供真实充分的信息。
第三方面,本发明提供了一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令以实现上述任一所述的森林火灾监测预测方法。
第四方面,本发明提供了一种计算机可读存储介质,所述计算机程序被处理器执行时实现如上任一项所述的森林火灾监测预测方法。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的森林火灾监测预测方法的流程图;
图2是本发明的森林火灾监测预测方法的工作示意图;
图3是本发明的森林火灾监测预测系统的原理框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例提供了一种森林火灾监测预测方法,包括:步骤S1,建立被检测区域的样本数据库;步骤S2,利用样本数据通过fisher判别建立森林火灾监测预测模型;以及步骤S3,将当前森林数据代入森林火灾监测预测模型中得出森林火灾监测预测结果。
在本实施例中,所述步骤S1中建立被检测区域的样本数据库包括:被检测区域的温度数据、湿度数据、风速数据、植被易燃程度等级和森林火灾状态;所述植被易燃程度等级根据被检测区域的植被类型进行划分确定易燃程度;所述森林火灾状态由人工获取,包括无森林火灾和发生森林火灾两个状态。
具体的,先由工作人员根据被检测区域的植被类型进行划分植被自身易燃等级,从低到高划分为一到十级,并设定季节系数,南方地区冬春季系数为1,夏秋季系数为0.7,北方地区春秋季系数为1,夏冬季系数为0.8,植被自身易燃等级与季节系数之积即为植被易燃程度。
在本实施例中,所述步骤S2中通过fisher判别建立森林火灾监测预测模型的方法包括:根据样本数据库的样本数据,通过fisher判别设立数据向量与变换向量,以训练求得样本数据投影到一维空间的最佳投影方向;根据最佳投影方向,将样本数据在其上投影得到数据,求得无森林火灾与发生森林火灾两个状态的数据类别的均值与标准差;以获得森林火灾监测预测模型,求得危险度指数。
在本实施例中,所述根据样本数据库的样本数据,通过fisher判别设立数据向量与变换向量,求得样本数据投影到一维空间的最佳投影方向的方法包括:建立数据向量x=(x(1),x(2),x(3),x(4)),其中,x(1)为温度,单位为℃;x(2)为湿度,单位为RH%;x(3)为风速,单位为m/s;x(4)为植被易燃程度;定义变换向量w=(w(1),w(2),w(3),w(4)),其中w(1)为x(1)的系数向量,w(2)为x(2)的系数向量,w(3)为x(3)的系数向量,w(4)为x(4)的系数向量;求取最佳变换向量w*=Sw -1(m2-m1),其中w的最大值w*即为最佳变换向量,也即训练得到的最佳投影方向,Sw为类内协标准差矩阵,m1和m2分别表示无森林火灾和发生森林火灾两类的均值向量。
具体的,最佳变化相量w*通过拉格朗日法求得。
在本实施例中,fisher判别具体是是根据方差分析的思想建立起来的一种能较好区分各个总体的线性判别法,把高维空间的点向低维空间投影,在原来的坐标系下,可能很难把样品分开,而投影后可能区别明显。
具体的,基于fisher判别,原本数据库中的样本数据得以分开,通过此方式得到在一维方向上的最佳投影方向。
在本实施例中,所述根据最佳投影方向,将样本数据在其上投影得到数据,求得无森林火灾与发生森林火灾两个状态的数据类别的均值与标准差的方法包括:μ1=w*m1;μ2=w*m2;其中μ1为无森林火灾数据在w*向量轴投影后所得到的数据的均值,μ2为发生森林火灾数据在w*向量轴投影后所得到的数据的均值,δ1为无森林火灾数据在w*向量轴投影后所得到的数据的标准差,δ2为发生森林火灾数据在w*向量轴投影后所得到的数据的标准差,N1为无森林火灾的数据样本总数,N2为发生森林火灾的数据样本总数。
具体的,w*T为w*的转置。
在本实施例中,所述步骤S3中将当前森林数据代入森林火灾监测预测模型中得出森林火灾监测预测结果包括:采集当前森林数据并设为数据向量xc,Zc=w*xc,Zc为数据向量xc在w*向量轴投影后所得到的值;则当前森林火灾的危险度指数D为:当Zc≤μ1+δ1时,危险度指数D为0,判定为无森林火灾;当Zc≥μ2-δ2时,危险度指数D为1,判定为发生森林火灾;当μ1+δ1≤Zc≤μ2-δ2时,建立森林火灾监测预测模型,即:判定为存在森林火灾风险;所述危险度指数D为从0到1范围的数,越接近0表示危险度越小,越接近1表示危险度越大;人工设定阈值D0,当目前森林火灾的危险度指数大于预设阈值D0时,进行预警。
在本实施例中,可选的,阈值D0设定为0.5。
具体的,在使用过程中可根据危险度大小进行预防性维护和提前防护。
在本实施例中,所述步骤S3中还包括:上传对应状态的图像信息的方法,即当危险度指数低于设定的阈值D0时,调节红外图像帧频为指定固定帧频FA;当已监测到发生火灾时,调节红外图像帧频为指定固定帧频FC;当危险度指数高于设定的阈值D0,但未监测到发生火灾时,调节红外图像帧频FB为:其中:k为调节系数,取值范围包括20-22,e为自然常数。
在本实施例中,具体的,FA为1帧/小时,FB为FA+ek(D-D0)帧/秒,FC为30帧/秒。
如图2所示,具体的,根据危险度指数调整红外图像帧频,在危险度指数低于预设阈值D0时,系统的功耗极低,对于森林工作人员来说维护运营的周期极长,可实现长时间的监测预测功能;而在危险度指数高于预设阈值D0时,根据危险度指数提供不同帧率的红外图像,更方便在有火情的情况下做出全面分析判断;当森林处于发生森林火灾状态下,本系统实时高帧率传输火场信息,即便功耗较大也可在森林火灾在早期及时扑灭后,对设备的电池进行更换,减小其他方面的损失。
如图3所示,本实施例提供了一种森林火灾监测预测系统,包括:数据库单元、数据采集单元、森林火灾监测预测模型单元、数据传输单元及数据存储单元,所述数据库单元、数据采集单元、数据传输单元均与森林火灾监测预测模型单元电性连接,数据传输单元将森林火灾监测预测模型单元处理后的数据传输至数据存储单元;所述数据采集单元包括红外图像传感器模块;所述数据传输模块可根据森林火灾监测预测模型单元提供的危险度指数传输不同帧数的红外图像传感器模块采集的信息。
在本实施例中,本发明提供了一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令以实现上述任一所述的森林火灾监测预测方法。
在本实施例中,本发明提供了一种计算机可读存储介质,所述计算机程序被处理器执行时实现如上任一项所述的森林火灾监测预测方法。
综上所述,本发明的一种森林火灾监测预测方法及系统、电子设备及存储介质,采用无线传感网络与红外热成像技术相结合,构建森林防火监测预测系统,系统根据森林防火监测历史数据,学习出森林防火预警模型。根据森林防火预警模型并结合当前得到的森林防火监测参数,给出当前森林火灾的危险度指数。根据当前森林火灾的危险度指数,在火灾危险度较低的情况下,采用低帧频存储与传输红外图像,节约系统功耗;在火灾危险度较高的情况下,采用高帧频存储与传输红外图像;在监测到已发生森林火灾的情况下,存储与传输视频流,提供最充分的火场信息,实现了森林火灾监控的智能化,提高了森林火灾监控的及时性和可靠性,并降低了监控成本。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种森林火灾监测预测方法,其特征在于,包括:
步骤S1,建立被检测区域的样本数据库;
步骤S2,利用样本数据通过fisher判别建立森林火灾监测预测模型;以及
步骤S3,将当前森林数据代入森林火灾监测预测模型中得出森林火灾监测预测结果。
2.根据权利要求1所述的森林火灾监测预测方法,其特征在于,
所述步骤S1中建立被检测区域的样本数据库的方法包括:
被检测区域的温度数据、湿度数据、风速数据、植被易燃程度等级和森林火灾状态;
所述植被易燃程度等级根据被检测区域的植被类型进行划分确定易燃程度;
所述森林火灾状态由人工获取,包括无森林火灾和发生森林火灾两个状态。
3.根据权利要求2所述的森林火灾监测预测方法,其特征在于,
所述步骤S2中通过fisher判别建立森林火灾监测预测模型的方法包括:
根据样本数据库的样本数据,通过fisher判别设立数据向量与变换向量,以训练求得样本数据投影到一维空间的最佳投影方向;
根据最佳投影方向,将样本数据在其上投影得到数据,求得无森林火灾与发生森林火灾两个状态的数据类别的均值与标准差,以获得森林火灾监测预测模型,求得危险度指数。
4.根据权利要求3所述的森林火灾监测预测方法,其特征在于,
所述根据样本数据库的样本数据,通过fisher判别设立数据向量与变换向量,求得样本数据投影到一维空间的最佳投影方向的方法包括:
建立数据向量x=(x(1),x(2),x(3),x(4)),其中
x(1)为温度,单位为℃;
x(2)为湿度,单位为RH%;
x(3)为风速,单位为m/s;
x(4)为植被易燃程度;
定义变换向量w=(w(1),w(2),w(3),w(4)),其中w(1)为x(1)的系数向量,w(2)为x(2)的系数向量,w(3)为x(3)的系数向量,w(4)为x(4)的系数向量;
求取最佳变换向量w*=Sw-1(m2-m1),其中w的最大值w*为最佳变换向量,即训练得到的最佳投影方向;Sw为类内协标准差矩阵;m1和m2分别表示无森林火灾和发生森林火灾两类的均值向量。
6.根据权利要求5所述的森林火灾监测预测方法,其特征在于,
所述步骤S3中将当前森林数据代入森林火灾监测预测模型中得出森林火灾监测预测结果的方法包括:
将当前森林数据设为数据向量xc,Zc=w*xc,Zc为数据向量xc在w*向量轴投影后所得到的值;
则当前森林火灾的危险度指数D为:
当Zc≤μ1+δ1时,危险度指数D为0,判定为无森林火灾;
当Zc≥μ2-δ2时,危险度指数D为1,判定为发生森林火灾;
当μ1+δ1≤Zc≤μ2-δ2时,建立森林火灾监测预测模型,即
所述危险度指数D为从0到1范围的数,越接近0表示危险度越小,越接近1表示危险度越大;
人工设定阈值D0,当目前森林火灾的危险度指数大于预设阈值D0时,进行预警。
8.一种森林火灾监测预测系统,其特征在于,包括:
数据库单元、数据采集单元、森林火灾监测预测模型单元、数据传输单元及数据存储单元,所述数据库单元、数据采集单元、数据传输单元均与森林火灾监测预测模型单元电性连接,数据传输单元将森林火灾监测预测模型单元处理后的数据传输至数据存储单元;
所述数据采集单元包括红外图像传感器模块;
所述数据传输模块适于根据森林火灾监测预测模型单元提供的危险度指数传输不同帧数的红外图像传感器模块采集的信息。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令以实现权利要求1-7任一所述的森林火灾监测预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的森林火灾监测预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111042647.7A CN113723701A (zh) | 2021-09-07 | 2021-09-07 | 森林火灾监测预测方法及系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111042647.7A CN113723701A (zh) | 2021-09-07 | 2021-09-07 | 森林火灾监测预测方法及系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113723701A true CN113723701A (zh) | 2021-11-30 |
Family
ID=78682144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111042647.7A Withdrawn CN113723701A (zh) | 2021-09-07 | 2021-09-07 | 森林火灾监测预测方法及系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723701A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114849101A (zh) * | 2022-05-13 | 2022-08-05 | 常州机电职业技术学院 | 用于大型仓储空间的火灾预警方法 |
CN114904195A (zh) * | 2022-05-13 | 2022-08-16 | 常州机电职业技术学院 | 基于大空间仓库火灾预警模型的火灾预警灭火系统 |
-
2021
- 2021-09-07 CN CN202111042647.7A patent/CN113723701A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114849101A (zh) * | 2022-05-13 | 2022-08-05 | 常州机电职业技术学院 | 用于大型仓储空间的火灾预警方法 |
CN114904195A (zh) * | 2022-05-13 | 2022-08-16 | 常州机电职业技术学院 | 基于大空间仓库火灾预警模型的火灾预警灭火系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113723701A (zh) | 森林火灾监测预测方法及系统、电子设备及存储介质 | |
CN106485868A (zh) | 火情的监测方法、系统和火情的监测服务器 | |
CN116165981B (zh) | 一种工业行业安全生产智能监控系统 | |
KR102149832B1 (ko) | 딥러닝 기반의 자동 폭력 감지 시스템 | |
CN116189103B (zh) | 基于视觉图像分析的设备监控自动控制方法及控制系统 | |
CN107330414A (zh) | 暴力行为监控方法 | |
CN111885349B (zh) | 一种管廊异常检测系统及方法 | |
CN111815000A (zh) | 一种电力场景的重现方法、系统及计算机可读存储介质 | |
CN110853287A (zh) | 一种基于物联网分布式架构的火焰实时监控系统及方法 | |
CN115841730A (zh) | 视频监控系统、异常事件检测方法 | |
CN115082813A (zh) | 检测方法、无人机、检测系统及介质 | |
CN114882589A (zh) | 基于智能视频分析的粮仓安全作业预警系统及方法 | |
CN116310922A (zh) | 石化厂区监控视频风险识别方法、系统、电子设备及存储介质 | |
CN114065969A (zh) | 基于Lora前端感知终端的全息感知故障分析诊断方法及系统 | |
CN113095160A (zh) | 基于人工智能和5g的电力系统人员安全行为识别方法及系统 | |
CN112422895A (zh) | 基于无人机的图像分析跟踪、定位系统及方法 | |
CN116092198B (zh) | 一种矿用安全帽识别检测方法、装置、设备及介质 | |
KR102597861B1 (ko) | 문화재 관리를 위한 모니터링 장치 및 방법 | |
CN112016404A (zh) | 一种基于视频流数据的危险识别报警方法 | |
CN115829324A (zh) | 一种人员安全风险静默监视方法 | |
CN113723700A (zh) | 森林火灾监测预测系统 | |
CN114387391A (zh) | 变电站设备的安全监测方法、装置、计算机设备和介质 | |
CN113673377A (zh) | 火电厂煤堆多目标自燃点识别和定位模型构建和工作方法 | |
CN113343841A (zh) | 电力隧道异常情况的确定方法和装置 | |
Zheng et al. | Design and research of forest farm fire drone monitoring system based on deep learning |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211130 |