CN113960375A - 用于森林草原火灾预警的人工智能雷电探测系统及方法 - Google Patents

Abstract

本发明提供一种用于森林草原火灾预警的人工智能雷电探测系统及方法，属于火灾预警技术领域。该系统包括：多个雷电探测装置和上位机；雷电探测装置包括：地面电场检测模块、光检测模块、甚低频和低频电磁波检测模块、雷声检测模块和处理器；处理器，用于根据雷声检测模块检测到的并经过预处理的声音信号确定是否是云地闪；若确定是云地闪，将各检测模块检测到的并经过预处理的信号及对应的时间戳输入至用于雷电定位的第一深度学习模块以确定云地闪的位置与雷电探测装置之间的距离；上位机用于根据该距离确定云地闪所涉及的地面位置，地面位置用于确定火灾预警区域。本发明能够准确地定位雷电可能导致的火灾位置，降低森林或草原区域火灾防控成本。

Description

用于森林草原火灾预警的人工智能雷电探测系统及方法

技术领域

本发明涉及火灾预警技术领域，具体涉及一种用于森林草原火灾预警的人工智能雷电探测系统及方法。

背景技术

雷电是发生在大气中的一种瞬时高电压、大电流、强电磁辐射灾害性天气现象，是严重的自然灾害之一，具有发生频次高、突发性强、危害严重、范围广、社会影响大的特点，对社会公共安全和人民生命财产安全形成了巨大威胁。雷电火灾是雷电引发的最严重的灾害之一，建立有效的雷电火灾预警机制是必要的。

但是，目前的雷电火灾预警方案，多数雷电预警装置实现，例如在重点监测区域设置闪电定位仪、大气电场仪或直接采用雷达系统进行雷电预警。但是，雷电预警具有地域分布广(通常在10km范围内)的特点，不能有针对性地对于重点区域的雷电火灾进行监控预警，尤其草原或森林，面积一般较大，如果不能进行精准位置预警，将会导致社会资源的浪费或者达不到预警所应有的效果。

发明内容

因此，本发明实施例要解决的技术问题在于克服现有技术中的雷电火灾预警方案地域分布广导致社会资源的浪费或者达不到预警所应有的效果的缺陷，从而提供一种用于森林草原火灾预警的人工智能雷电探测系统及方法。

为此，本发明提供一种用于森林草原火灾预警的人工智能雷电探测系统，包括：多个雷电探测装置和上位机，所述多个雷电探测装置用于安装于待进行火灾预警的森林区域或草原区域内的不同位置；

所述雷电探测装置包括：地面电场检测模块、光检测模块、甚低频和低频电磁波检测模块、雷声检测模块和处理器；

所述处理器，用于对所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的信号进行预处理；根据所述雷声检测模块检测到的并经过预处理的声音信号确定是否是云地闪；在确定是云地闪的情况下，将所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的并经过预处理的信号及对应的时间戳输入至用于雷电定位的第一深度学习模块，根据所述第一深度学习模块的输出确定所述云地闪的位置与所述雷电探测装置之间的距离；

所述上位机用于根据其中的一个或多个所述雷电探测装置确定的所述距离确定所述云地闪所涉及的地面位置，所述地面位置用于确定火灾预警区域。

可选的，所述处理器确定云地闪声音信号中的最高频率的预设倍数为采样频率；根据所述采样频率确定傅里叶变换的数据长度；以所述傅里叶变换的数据长度为段长对所述雷声检测模块检测到的并经过预处理的声音信号进行分段处理，得到的声音段之间部分重叠；对所述声音段进行傅里叶变换，并取所述声音段变换结果幅值的平方除以所述傅里叶变换的数据长度作为所述声音段的功率谱估计值；通过加权平均对各所述声音段的功率谱估计值进行归一化生成累积信号；根据所述累积信号判断是否是云地闪。

可选的，所述第一深度学习模型包括：深度置信网络和卷积神经网络；

所述深度置信网络用于对所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的并经过预处理的信号进行特征提取；

所述卷积神经网络用于根据所述深度置信网络提取的特征数据估计所述云地闪与所述雷电探测装置之间的距离。

可选的，所述深度置信神经网络用于对所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的并经过预处理的信号数据进行纵向卷积以提取同一检测模块检测到的信号在不同时刻的数据特征，并进行横向卷积以提取不同检测模块检测到的信号之间的特征。

可选的，对所述第一深度学习模型进行学习更新时采用的惩罚函数为：

其中，M为样本数量，y_i为第i个样本x_i对应的标签距离，i的取值为1,2,3…,M，a为第一深度学习模块输出的距离，W_yi为样本x_i在其标签距离处的权重，b_yi为样本x_i在其标签距离处的偏差，b_j为第j个输出节点处的偏差。

可选的，所述处理器还用于根据唤醒信号开启所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块中的至少之一；

所述唤醒信号是根据其中的一个或多个所述雷电探测装置中的所述甚低频和低频电磁波检测模块的检测信号确定。

可选的，所述上位机还用于在确定所述云地闪所涉及的地面位置后，根据与所述地面位置距离最近的所述雷电探测装置检测到的所述云地闪的参数确定是否进行火灾预警以及火灾预警的等级。

本发明还提供一种用于森林草原火灾预警的人工智能雷电探测方法，应用于上述的任一种用于森林草原火灾预警的人工智能雷电探测系统，所述方法包括以下步骤：

获取地面电场检测模块、光检测模块、甚低频和低频电磁波检测模块和雷声检测模块检测到的信号并进行预处理；

根据所述雷声检测模块检测到的并经过预处理的声音信号确定是否是云地闪；

在确定是云地闪的情况下，将所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的并经过预处理的信号及对应的时间戳输入至用于雷电定位的第一深度学习模块，根据所述第一深度学习模块的输出确定所述云地闪的位置与所述雷电探测装置之间的距离；

其中，所述距离用于确定所述云地闪所涉及的地面位置，所述地面位置用于确定火灾预警区域。

可选的，所述根据所述雷声检测模块检测到的并经过预处理的声音信号确定是否是云地闪包括：

确定云地闪声音信号中的最高频率的预设倍数为采样频率；

根据所述采样频率确定傅里叶变换的数据长度；

以所述傅里叶变换的数据长度为段长对所述雷声检测模块检测到的并经过预处理的声音信号进行分段处理，得到的声音段之间部分重叠；

对所述声音段进行傅里叶变换，并取所述声音段变换结果幅值的平方除以所述傅里叶变换的数据长度作为所述声音段的功率谱估计值；

通过加权平均对各所述声音段的功率谱估计值进行归一化生成累积信号；

根据所述累积信号判断是否是云地闪。

可选的，所述方法还包括：

根据唤醒信号开启所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块中的至少之一；

所述唤醒信号是根据其中的一个或多个雷电探测装置中的所述甚低频和低频电磁波检测模块的检测信号确定。

本发明实施例的技术方案，具有如下优点：

本发明实施例提供的用于森林草原火灾预警的人工智能雷电探测系统及方法，在进行用于森林草原火灾预警的雷电探测时，仅在确定雷电是云地闪时才进行定位处理，节省了处理资源和电能，另外本实施例可以准确定位云地闪所涉及的地面位置，为火灾预警提供准确的位置，避免雷电火灾预警位置不准确导致的社会资源浪费。

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为本发明实施例1中用于森林草原火灾预警的人工智能雷电探测系统的一个具体示例的原理框图；

图2为本发明实施例2中用于森林草原火灾预警的人工智能雷电探测方法的一个具体示例的流程图。

具体实施方式

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。

在本发明的描述中，需要说明的是，本文所用的术语仅用于描述特定实施例的目的，而并非旨在限制本发明。除非上下文明确指出，否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时，是意图说明存在该特征、整数、步骤、操作、元素和/或组件，而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通；可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

实施例1

本实施例提供一种用于森林草原火灾预警的人工智能雷电探测系统，如图1所示，包括：多个雷电探测装置1和上位机2，所述多个雷电探测装置1用于安装于待进行火灾预警的森林区域或草原区域内的不同位置；

所述雷电探测装置1包括：地面电场检测模块11、光检测模块12、甚低频和低频电磁波检测模块13、雷声检测模块14和处理器10；

所述处理器10，用于对所述地面电场检测模块11、所述光检测模块12、所述甚低频和低频电磁波检测模块13和所述雷声检测模块14检测到的信号进行预处理；根据所述雷声检测模块14检测到的并经过预处理的声音信号确定是否是云地闪；在确定是云地闪的情况下，将所述地面电场检测模块11、所述光检测模块12、所述甚低频和低频电磁波检测模块13和所述雷声检测模块14检测到的并经过预处理的信号及对应的时间戳输入至用于雷电定位的第一深度学习模块，根据所述第一深度学习模块的输出确定所述云地闪的位置与所述雷电探测装置1之间的距离；

所述上位机2用于根据其中的一个或多个所述雷电探测装置1确定的所述距离确定所述云地闪所涉及的地面位置，所述地面位置用于确定火灾预警区域。

雷电分为地闪(即云地闪)和云闪(包括云间闪和云内闪)，平均而言地闪只占全部雷电的1/3以下，但是由于地闪是云与大地间的放电现象，因此产生雷电灾害主要的就是由地闪引起的。因此，本发明实施例中，在进行用于森林草原火灾预警的雷电探测时，仅在确定雷电是云地闪时才进行定位处理，节省了处理资源和电能，另外本实施例可以准确定位云地闪所涉及的地面位置，为火灾预警提供准确的位置，避免雷电火灾预警位置不准确导致的社会资源浪费。

其中，对所述雷声检测模块14检测到的信号进行预处理包括提取有效雷声信号，例如可以包括去噪处理、主成分分析和白化处理。对地面电场检测模块11、光检测模块12、甚低频和低频电磁波检测模块13检测到的信号进行预处理同样也可以包括去噪处理。地面电场检测模块11可以是电场变化传感器，可以用于检测雷电所产生的瞬时电场强度，所述甚低频和低频电磁波检测模块13可以是磁场变化传感器。具体的，所述甚低频和低频电磁波检测模块13可以包括第一磁场探测天线和第二磁场探测天线，所述第一磁场探测天线与第二磁场探测天线为一对沿南北方向和东西方向正交垂直设置的天线。

每一检测模块除了包括用于探测相应信号的部件(例如传感器)外，还可以包括信号处理电路，信号处理电路例如可以包括依次连接的运算放大电路、滤波电路、积分电路和模数转换电路。

可选的，所述雷电探测装置1还可以包括GPS卫星信号接收模块或北斗卫星信号接收模块，用于接收卫星信号，以解析得到标准秒脉冲信号和协调世界时信息，对本地时钟信号进行同步处理，从而可以给各检测模块检测到的信息盖上时间戳。

可选的，所述处理器10确定云地闪声音信号中的最高频率的预设倍数为采样频率；根据所述采样频率确定傅里叶变换的数据长度；以所述傅里叶变换的数据长度为段长对所述雷声检测模块14检测到的并经过预处理的声音信号进行分段处理，得到的声音段之间部分重叠；对所述声音段进行傅里叶变换，并取所述声音段变换结果幅值的平方除以所述傅里叶变换的数据长度作为所述声音段的功率谱估计值，通过加权平均对各所述声音段的功率谱估计值进行归一化生成累积信号，根据所述累积信号判断是否是云地闪。

本实施例中，针对云地闪的雷声特点，采用功率谱估计来判断是否是云地闪，方法简单、可靠性高。

其他可选的具体实施方式中，也可以利用第二深度学习模块，根据所述雷声检测模块14检测到的并经过预处理的声音信号确定是否是云地闪。所述第二深度学习模型包括：用于进行声音信号特征提取的VGG网络(一种卷积神经网络)，以及用于根据所述卷积神经网络提取的声音信号特征进行分类识别的支持向量机。

作为又一种可选的具体实施方式，在根据所述雷声检测模块14检测到的并经过预处理的声音信号确定是否是云地闪时，可以预先建立用于代表云地闪的高斯混合模型，然后将所述雷声检测模块14检测到的并经过预处理的声音信号与所述高斯混合模型进行似然度比较，根据得出的似然度判断是否是云地闪。所述高斯混合模型可以利用历史采集的云地闪声音信号进行训练。

进一步可选的，该高斯混合模型可以为：

其中，β_n为第n个高斯分量(单高斯模型)所占的权重系数，N为单高斯模型的个数，μ_n,C_n为第n个单高斯模型的均值、方差矩阵，Q_n(z_l；μ_n,C_n)为第n个高斯分量与输入的声音信号(具体可以是雷声检测模块14检测到的并经过预处理的声音信号)的似然度。输入的声音信号可以是声音信号的平均幅值。

每个高斯分量(单高斯模型)对应不同的声音频段。

似然度的比较阈值可以根据草原或森林中非雷电期采集的声音信号、云闪期间采集的声音信号和地闪期间采集的声音信号确定。也即该似然度的比较阈值，需要满足非雷电期采集的声音信号与高斯混合模型的似然度小于该比较阈值，且云闪期间采集的声音信号与高斯混合模型的似然度小于该比较阈值，但是地闪期间采集的声音信号与高斯混合模型的似然度大于该比较阈值。

可选的，所述第一深度学习模型包括：深度置信网络和卷积神经网络；

所述深度置信网络用于对所述地面电场检测模块11、所述光检测模块12、所述甚低频和低频电磁波检测模块13和所述雷声检测模块14检测到的并经过预处理的信号进行特征提取；

所述卷积神经网络用于根据所述深度置信网络提取的特征数据估计所述云地闪与所述雷电探测装置1之间的距离。

其中，所述卷积神经网络包括池化层、卷积层和全连接层。

所述深度置信网络采用历史采集的森林或草原内的雷电相关信号(包括雷电导致的地面电场信号、光信号、甚低频和低频电磁波信号和雷声信号)进行训练，以实现相关信号的特征提取；所述卷积神经网络采用深度置信网络从历史采集的森林或草原内的雷电相关信号中提取的特征进行训练，将输出与历史采集的森林或草原内的雷电与雷电探测装置1之间的距离标签进行比较。

可选的，所述深度置信神经网络用于对所述地面电场检测模块11、所述光检测模块12、所述甚低频和低频电磁波检测模块13和所述雷声检测模块14检测到的并经过预处理的信号数据进行纵向卷积以提取同一检测模块检测到的信号在不同时刻的数据特征，并进行横向卷积以提取不同检测模块检测到的信号之间的特征。

每次卷积后都可以进行池化运算。

本实施例中，由于雷电产生的各种信号之间的传输速度不一致，因此各检测模块检测到属于同一云地闪产生的不同信号在时间上存在延迟，需要根据信号之间的特征进行匹配来确定检测信号中属于同一云地闪的部分。

可选的，对所述第一深度学习模型进行学习更新时采用的惩罚函数为：

其中，M为样本数量，y_i为第i个样本x_i对应的标签距离，i的取值为1,2,3…,M，a为第一深度学习模块输出的距离，W_yi为样本x_i在其标签距离处的权重，b_yi为样本x_i在其标签距离处的偏差，b_j为输出节点j处的偏差。

可选的，所述处理器10还用于根据唤醒信号开启所述地面电场检测模块11、所述光检测模块12、所述甚低频和低频电磁波检测模块13和所述雷声检测模块14中的至少之一；

所述唤醒信号是根据其中的一个或多个所述雷电探测装置1中的所述甚低频和低频电磁波检测模块13的检测信号确定。

对于某一雷电探测装置1来说，所述唤醒信号可以是根据其自身的甚低频和低频电磁波检测模块13的检测信号确定的，也可以是其他的雷电探测装置1根据其甚低频和低频电磁波检测模块13的检测信号确定后发送过来的。

所述处理器10还用于根据节电信号关闭所述地面电场检测模块11、所述光检测模块12、所述甚低频和低频电磁波检测模块13和所述雷声检测模块14中的至少之一。

例如，在节电期，只开启多个雷电探测装置1中的部分雷电探测装置1的甚低频和低频电磁波检测模块13进行检测，具体开启哪些雷电探测装置1的甚低频和低频电磁波检测模块13可以根据雷电探测装置1在待进行火灾预警的森林区域或草原区域内的分布确定。雷电发生时产生的甚低频和低频电磁波主要沿地球表面方式传播，其传播范围可以达数百公里或更远，因此不需要进行密集检测，只需要开启一部分雷电探测装置1的甚低频和低频电磁波检测模块13进行检测即可。

节电期间，上述的部分雷电探测装置1的甚低频和低频电磁波检测模块13检测到雷电的甚低频和低频电磁波，那么则生成唤醒信号开启这部分雷电探测装置1中除甚低频和低频电磁波检测模块13以外的其他检测模块(所述地面电场检测模块11、所述光检测模块12和所述雷声检测模块14)，并将唤醒信号发送至其他的雷电探测装置1以开启其他的雷电探测装置1的各检测模块。

节电信号可以是在每个雷电探测装置1均未检测到雷电并持续预设时长，或每个雷电探测装置1的甚低频和低频电磁波检测模块13均未检测到雷电的甚低频和低频电磁波并持续预设时长之后，由上位机2生成并发送给各个雷电探测装置1。

本实施例中，为了节省安装于森林或草原内的雷电探测装置1的电能，因此可以在不需要进行雷电检测时通过节电信号使其各检测模块进入休眠状态，在需要进行雷电检测时，例如有一部分雷电探测装置1的甚低频和低频电磁波检测模块13检测到雷电的甚低频和低频电磁波，那么通过唤醒信号将各检测模块唤醒进行检测工作。

所述雷电探测装置1可以包括储能电池和太阳能电池。

可选的，所述上位机2还用于在确定所述云地闪所涉及的地面位置后，根据与所述地面位置距离最近的所述雷电探测装置1检测到的所述云地闪的参数确定是否进行火灾预警以及火灾预警的等级。

例如可以根据与所述地面位置距离最近的所述雷电探测装置1检测到的地面电场信号确定是否进行火灾预警以及火灾预警的等级。

本实施例中，可以降低火灾预警误报率，并且还对火灾预警进行了等级划分，使得火灾预警的针对性更强，从而降低在火灾预警所付出的应对成本。

进一步可选的，所述雷电探测装置1还可以包括电流检测模块，用于检测雷电流，所述上位机2可以在确定所述云地闪所涉及的地面位置后，根据与所述地面位置距离最近的所述雷电探测装置1检测到的所述云地闪的雷电流确定是否进行火灾预警以及火灾预警的等级。另外，所述雷电探测装置1还可以包括与所述电流检测模块连接的信号衰减器以及与所述信号衰减器连接的限压保护电路。所述信号衰减器用于将所述电流检测模块采集的雷电流衰减到电源电路的供电电压范围内；所述限压保护电路用于保证所述雷电流检测电路在出现瞬时尖峰过电压时正常工作。具体的，所述限压保护电路可以依次通过信号跟随器和高速A/D转换器接入所述处理器10。

本实施例中，所述上位机2还可以根据其中至少三个雷电探测装置1中的雷声检测模块14检测到的云地闪声音信号之间的时间差确定云地闪的发生位置，和/或，其中至少三个雷电探测装置1中的光检测模块12检测到的云地闪的闪光之间的时间差确定云地闪的发生位置，然后与上述确定的所述云地闪所涉及的地面位置(根据第一深度学习模块的输出确定的距离确定)进行综合判断火灾预警区域。

实施例2

本实施例提供一种用于森林草原火灾预警的人工智能雷电探测方法，如图2所示，应用于上述实施例1所述的任一种用于森林草原火灾预警的人工智能雷电探测系统，所述方法包括以下步骤：

S1：获取地面电场检测模块11、光检测模块12、甚低频和低频电磁波检测模块13和雷声检测模块14检测到的信号并进行预处理；

S2：根据所述雷声检测模块14检测到的并经过预处理的声音信号确定是否是云地闪；

S3：在确定是云地闪的情况下，将所述地面电场检测模块11、所述光检测模块12、所述甚低频和低频电磁波检测模块13和所述雷声检测模块14检测到的并经过预处理的信号及对应的时间戳输入至用于雷电定位的第一深度学习模块，根据所述第一深度学习模块的输出确定所述云地闪的位置与所述雷电探测装置1之间的距离；

其中，所述距离用于确定所述云地闪所涉及的地面位置，所述地面位置用于确定火灾预警区域。

本发明实施例中，在进行用于森林草原火灾预警的雷电探测时，仅在确定雷电是云地闪时才进行定位处理，节省了处理资源和电能，另外本实施例可以准确定位云地闪所涉及的地面位置，为火灾预警提供准确的位置，避免雷电火灾预警位置不准确导致的社会资源浪费。

可选的，步骤S2，即所述根据所述雷声检测模块14检测到的并经过预处理的声音信号确定是否是云地闪，包括：

确定云地闪声音信号中的最高频率的预设倍数为采样频率；

根据所述采样频率确定傅里叶变换的数据长度；

以所述傅里叶变换的数据长度为段长对所述雷声检测模块14检测到的并经过预处理的声音信号进行分段处理，得到的声音段之间部分重叠；

对所述声音段进行傅里叶变换，并取所述声音段变换结果幅值的平方除以所述傅里叶变换的数据长度作为所述声音段的功率谱估计值；

通过加权平均对各所述声音段的功率谱估计值进行归一化生成累积信号；

根据所述累积信号判断是否是云地闪。

可选的，所述方法还包括：

根据唤醒信号开启所述地面电场检测模块11、所述光检测模块12、所述甚低频和低频电磁波检测模块13和所述雷声检测模块14中的至少之一；

所述唤醒信号是根据其中的一个或多个雷电探测装置1中的所述甚低频和低频电磁波检测模块13的检测信号确定。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种用于森林草原火灾预警的人工智能雷电探测系统，其特征在于，包括：多个雷电探测装置和上位机，所述多个雷电探测装置用于安装于待进行火灾预警的森林区域或草原区域内的不同位置；

所述雷电探测装置包括：地面电场检测模块、光检测模块、甚低频和低频电磁波检测模块、雷声检测模块和处理器；

所述处理器，用于对所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的信号进行预处理；根据所述雷声检测模块检测到的并经过预处理的声音信号确定是否是云地闪；在确定是云地闪的情况下，将所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的并经过预处理的信号及对应的时间戳输入至用于雷电定位的第一深度学习模块，根据所述第一深度学习模块的输出确定所述云地闪的位置与所述雷电探测装置之间的距离；

所述上位机用于根据其中的一个或多个所述雷电探测装置确定的所述距离确定所述云地闪所涉及的地面位置，所述地面位置用于确定火灾预警区域。

2.根据权利要求1所述的系统，其特征在于，所述处理器确定云地闪声音信号中的最高频率的预设倍数为采样频率；根据所述采样频率确定傅里叶变换的数据长度；以所述傅里叶变换的数据长度为段长对所述雷声检测模块检测到的并经过预处理的声音信号进行分段处理，得到的声音段之间部分重叠；对所述声音段进行傅里叶变换，并取所述声音段变换结果幅值的平方除以所述傅里叶变换的数据长度作为所述声音段的功率谱估计值；通过加权平均对各所述声音段的功率谱估计值进行归一化生成累积信号；根据所述累积信号判断是否是云地闪。

3.根据权利要求1或2所述的系统，其特征在于，所述第一深度学习模型包括：深度置信网络和卷积神经网络；

所述深度置信网络用于对所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的并经过预处理的信号进行特征提取；

所述卷积神经网络用于根据所述深度置信网络提取的特征数据估计所述云地闪与所述雷电探测装置之间的距离。

4.根据权利要求3所述的系统，其特征在于，所述深度置信神经网络用于对所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的并经过预处理的信号数据进行纵向卷积以提取同一检测模块检测到的信号在不同时刻的数据特征，并进行横向卷积以提取不同检测模块检测到的信号之间的特征。

5.根据权利要求3所述的系统，其特征在于，对所述第一深度学习模型进行学习更新时采用的惩罚函数为：

其中，M为样本数量，y_i为第i个样本x_i对应的标签距离，i的取值为1，2，3...，M，a为第一深度学习模块输出的距离，W_yi为样本x_i在其标签距离处的权重，b_yi为样本x_i在其标签距离处的偏差，b_j为第j个输出节点处的偏差。

6.根据权利要求1所述的系统，其特征在于，所述处理器还用于根据唤醒信号开启所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块中的至少之一；

所述唤醒信号是根据其中的一个或多个所述雷电探测装置中的所述甚低频和低频电磁波检测模块的检测信号确定。

7.根据权利要求1所述的系统，其特征在于，所述上位机还用于在确定所述云地闪所涉及的地面位置后，根据与所述地面位置距离最近的所述雷电探测装置检测到的所述云地闪的参数确定是否进行火灾预警以及火灾预警的等级。

8.一种用于森林草原火灾预警的人工智能雷电探测方法，其特征在于，应用于如权利要求1-7中任一项所述的用于森林草原火灾预警的人工智能雷电探测系统，所述方法包括以下步骤：

获取地面电场检测模块、光检测模块、甚低频和低频电磁波检测模块和雷声检测模块检测到的信号并进行预处理；

根据所述雷声检测模块检测到的并经过预处理的声音信号确定是否是云地闪；

在确定是云地闪的情况下，将所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的并经过预处理的信号及对应的时间戳输入至用于雷电定位的第一深度学习模块，根据所述第一深度学习模块的输出确定所述云地闪的位置与所述雷电探测装置之间的距离；

其中，所述距离用于确定所述云地闪所涉及的地面位置，所述地面位置用于确定火灾预警区域。

9.根据权利要求8所述的方法，其特征在于，所述根据所述雷声检测模块检测到的并经过预处理的声音信号确定是否是云地闪包括：

确定云地闪声音信号中的最高频率的预设倍数为采样频率；

根据所述采样频率确定傅里叶变换的数据长度；

以所述傅里叶变换的数据长度为段长对所述雷声检测模块检测到的并经过预处理的声音信号进行分段处理，得到的声音段之间部分重叠；

对所述声音段进行傅里叶变换，并取所述声音段变换结果幅值的平方除以所述傅里叶变换的数据长度作为所述声音段的功率谱估计值；

通过加权平均对各所述声音段的功率谱估计值进行归一化生成累积信号；

根据所述累积信号判断是否是云地闪。

10.根据权利要求8所述的方法，其特征在于，还包括：

根据唤醒信号开启所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块中的至少之一；

所述唤醒信号是根据其中的一个或多个雷电探测装置中的所述甚低频和低频电磁波检测模块的检测信号确定。

Images