CN114548812A - 一种森林草原火灾风险预报决策方法、装置及计算机设备 - Google Patents
一种森林草原火灾风险预报决策方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN114548812A CN114548812A CN202210194675.9A CN202210194675A CN114548812A CN 114548812 A CN114548812 A CN 114548812A CN 202210194675 A CN202210194675 A CN 202210194675A CN 114548812 A CN114548812 A CN 114548812A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- forest
- temperature
- value
- future time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000001228 spectrum Methods 0.000 claims abstract description 55
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims description 36
- 238000004891 communication Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000002485 combustion reaction Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000002265 prevention Effects 0.000 abstract description 19
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000004927 fusion Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 14
- 238000013461 design Methods 0.000 description 10
- 230000006378 damage Effects 0.000 description 8
- 239000002689 soil Substances 0.000 description 6
- 208000027418 Wounds and injury Diseases 0.000 description 5
- 208000014674 injury Diseases 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000004887 air purification Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000010792 warming Methods 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
- G06Q10/06—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
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及火灾防控技术领域，公开了一种森林草原火灾风险预报决策方法、装置及计算机设备，可通过对森林草原地区的地物反射光谱数据与地面气候数据以及地质勘查数据等多源异构数据的融合，使用反演技术反演出温度植被干旱指数及植被分析现况，并基于建模所得的温度植被干旱指数预报模型，预估得到温度植被干旱指数预报值的未来时间序列，然后使用温度植被干旱指数预报值的未来时间序列、水源距离及植被易燃性特点，对森林草原地区预报未来危险度，以及使用森林生态资产价值及人口密度，对森林草原地区分析出现况脆弱度，最后基于未来危险度和现况脆弱度，确定各个未来时间的森林草原火灾风险预报决策，以便为森林草原防火提供精准部署决策建议。
Description
技术领域
本发明属于火灾防控技术领域，具体地涉及一种森林草原火灾风险预报决策方法、装置及计算机设备。
背景技术
森林草原火灾，是指失去人为控制，在森林内和草原上自由蔓延和扩展，对森林草原、生态系统和人类带来一定危害及损失的林草火燃烧现象。森林草原火灾是一种突发性强、破坏性大以及处置救助较为困难的自然灾害，不仅严重破坏森林草原资源和生态环境，还会对人民生命财产和公共安全产生极大的危害，对国民经济可持续发展和生态安全造成巨大威胁。具体危害表现在如下几个方面：烧毁森林草原植被资源、危害野生动物、引起水土流失、使下游河流水质下降、引起空气污染和威胁人民生命财产安全等。
在气候变化及全球变暖的大背景下，极端天气频发，干旱天气对森林草原防火能力造成了极大的挑战，由此提高森林草原防火能力，是林业发展保护中重要的一环。然而当前的林业防灾减灾短板仍较明显，即由于林业主管部门森林草原防火机构和镇村森林草原防火队伍不健全，以及由于防火隔离带、防火道和以水灭火设施等基础薄弱，难以做到“打早打小打了”；同时目前的无人机森林草原火灾监视预报方案还存在着一些问题，如仅提供森林火灾监测预警结果，并沒有提供可以辅助决策部署的技术过程，仍需要通过人工方式来形成森林草原火灾风险预报决策，进而将人员及设备提前布置在与火灾高风险地区对应的有效防控位置，做到“打早打小打了”的目的。由此针对现况防火能量不足的特点，如何事先进行时空尺度分析，自动得到能够为森林草原防火提供精准部署决策建议的森林草原火灾风险预报决策，以便在森林草原易发生火灾的时间及区域加强防火准备，确保不发生重大森林草原火灾及人员群死群伤事故，是本领域技术人员亟需解决的技术问题。
发明内容
为了解决现有森林草原火灾防控系统中所存在现况防火能量不足以及不能提前得到精准部署决策建议的问题，本发明目的在于提供一种森林草原火灾风险预报决策方法、装置、计算机设备及计算机可读存储介质，可通过时空尺度分析，事先得到能够为森林草原防火提供精准部署决策建议的森林草原火灾风险预报决策，由此可在森林草原易发生火灾的时间及区域加强防火准备，使得在灾害来临前能够提早精准应对灾害冲击，以及针对可能发生的森林草原火灾状况区域，进行及时的防火响应，确保不发生重大森林草原火灾及人员群死群伤事故，便于实际应用和推广。
第一方面，本发明提供了一种森林草原火灾风险预报决策方法，包括：
获取森林草原地区的地物反射光谱数据，其中，所述森林草原地区划分有多个网格单元；
针对所述多个网格单元中的各个网格单元，根据对应的地物反射光谱数据，计算得到对应的温度植被干旱指数；
针对所述各个网格单元，将对应的地物反射光谱数据输入预先建模所得的植被类型识别反演模型中，输出得到对应的植被类型，并根据对应的植被类型，确定出对应的森林生态资产价值；
针对所述各个网格单元，将对应的植被类型、实时气象数据、地形坡度数据和所述温度植被干旱指数的最近历史时间序列，输入预先建模所得的温度植被干旱指数预报模型中，输出得到对应的且温度植被干旱指数预报值的未来时间序列；
针对所述各个网格单元，根据对应的森林生态资产价值和人口密度，计算得到对应的脆弱度；
针对所述各个网格单元，根据对应的植被类型、水源距离和所述温度植被干旱指数预报值的未来时间序列，计算得到对应的且危险度的未来时间序列；
针对所述各个网格单元及所述未来时间序列中的各个未来时间，将对应的脆弱度与危险度的积，作为对应的风险值；
针对所述各个未来时间，根据对应的且所述多个网格单元的风险值，确定对应的森林草原火灾风险预报决策结果。
基于上述发明内容，提供了一种能够助力森林草原防火管控的技术方案，即通过对森林草原地区的地物反射光谱数据与地面气候数据以及地质勘查数据等多源异构数据的融合，可使用反演技术反演出温度植被干旱指数及植被分析现况，并基于建模所得的温度植被干旱指数预报模型，预估得到温度植被干旱指数预报值的未来时间序列，然后使用温度植被干旱指数预报值的未来时间序列、水源距离及植被易燃性特点，对森林草原地区预报未来危险度，以及使用森林生态资产价值及人口密度，对森林草原地区分析出现况脆弱度，最后基于未来危险度和现况脆弱度，确定各个未来时间的森林草原火灾风险预报决策，如此通过时空尺度分析，可事先得到能够为森林草原防火提供精准部署决策建议的森林草原火灾风险预报决策，以便在森林草原易发生火灾的时间及区域加强防火准备，使得在灾害来临前能够提早精准应对灾害冲击，以及针对可能发生的森林草原火灾状况区域，进行及时的防火响应，确保不发生重大森林草原火灾及人员群死群伤事故，便于实际应用和推广。
在一个可能的设计中，针对所述多个网格单元中的各个网格单元，根据对应的地物反射光谱数据，计算得到对应的温度植被干旱指数，包括：
针对所述多个网格单元中的各个网格单元，根据对应的地物反射光谱数据，按照如下公式计算得到对应的归一化植被指数NDVI：
式中，NIR表示地物反射光谱数据中的近红外光反射值，RED表示地物反射光谱数据中的红光反射值；
针对所述各个网格单元，根据对应的归一化植被指数NDVI和地表温度，按照如下公式推估得到对应的温度植被干旱指数TVDI：
式中，Ts表示地表温度，Tmax表示与归一化植被指数NDVI对应的最大地表温度，a和b分别表示预先确定的且在干边线性拟合方程中的系数，Tmin表示与归一化植被指数NDVI对应的最小地表温度，c和d分别表示预先确定的且在湿边线性拟合方程中的系数。
在一个可能的设计中，在针对所述各个网格单元，将对应的地物反射光谱数据输入预先建模所得的植被类型识别反演模型中之前，所述方法还包括：
获取第一样本网格单元的地物反射光谱数据和经过地面实地调查而得的植被类型，其中，所述第一样本网格单元的数目有多个；
将所述第一样本网格单元的地物反射光谱数据作为输入项，以及将所述第一样本网格单元的植被类型作为输出项，对基于支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、决策树、反向传播神经网络或径向基函数网络的第一人工智能模型进行率定验证建模，得到植被类型识别反演模型。
在一个可能的设计中，针对所述各个网格单元，根据对应的植被类型，确定出对应的森林生态资产价值，包括：
针对所述各个网格单元，根据对应的植被类型，采用森林生态资产价值法进行树种价值分析处理，得到对应的森林生态资产价值，其中，所述森林生态资产价值法的模型公式如下：
FV＝FDV+FIV
式中，FV表示森林生态资产价值，FDV表示森林生态资产直接价值，FIV表示森林生态资产间接价值。
在一个可能的设计中，在针对所述各个网格单元，将对应的植被类型、实时气象数据、地形坡度数据和所述温度植被干旱指数的最近历史时间序列，输入预先建模所得的温度植被干旱指数预报模型中之前，所述方法还包括：
获取第二样本网格单元的植被类型、相对实时气象数据、地形坡度数据和所述温度植被干旱指数的历史时间序列以及所述温度植被干旱指数的相对未来时间序列，其中，所述第二样本网格单元的数目有多个，所述相对实时气象数据是指相对于所述历史时间序列而言的实时气象数据，所述相对未来时间序列是指相对于所述历史时间序列而言的未来时间序列；
将所述第二样本网格单元的植被类型、相对实时气象数据、地形坡度数据和所述温度植被干旱指数的历史时间序列作为输入项，以及将所述温度植被干旱指数的相对未来时间序列作为输出项，对基于支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、决策树、反向传播神经网络或径向基函数网络的第二人工智能模型进行率定验证建模，得到温度植被干旱指数预报模型。
在一个可能的设计中，针对所述各个网格单元，根据对应的森林生态资产价值和人口密度，计算得到对应的脆弱度，包括：
针对所述各个网格单元，根据对应的森林生态资产价值和人口密度,按照如下公式计算得到对应的脆弱度V：
V＝α1*ηFV+α2*ηTP
式中，ηFV表示归一化的森林生态资产价值，ηTP表示归一化的人口密度，α1和α2分别表示预设的权重系数且有α1+α2＝1。
在一个可能的设计中，针对所述各个网格单元，根据对应的植被类型、水源距离和所述温度植被干旱指数预报值的未来时间序列，计算得到对应的且危险度的未来时间序列，包括：
针对所述各个网格单元，根据对应的植被类型、水源距离和所述温度植被干旱指数预报值的未来时间序列，按照如下公式计算得到对应的且危险度H的未来时间序列：
H＝β1*ηCV+β2*ηTVDI+β3*ηWD
式中，ηCV表示归一化的且与植被类型对应的燃烧值，ηTVDI表示归一化的所述温度植被干旱指数预报值，ηWD表示归一化的水源距离，β1、β2和β3分别表示预设的权重系数且有β1+β2+β3＝1。
第二方面，本发明提供了一种森林草原火灾风险预报决策装置，包括有数据获取模块、指数计算模块、植被识别模块、指数预报模块、脆弱度计算模块、危险度计算模块、风险计算模块和预报决策确定模块；
所述数据获取模块，用于获取森林草原地区的地物反射光谱数据，其中，所述森林草原地区划分有多个网格单元；
所述指数计算模块，通信连接所述数据获取模块，用于针对所述多个网格单元中的各个网格单元，根据对应的地物反射光谱数据，计算得到对应的温度植被干旱指数；
所述植被识别模块，通信连接所述数据获取模块，用于针对所述各个网格单元，将对应的地物反射光谱数据输入预先建模所得的植被类型识别反演模型中，输出得到对应的植被类型，并根据对应的植被类型，确定出对应的森林生态资产价值；
所述指数预报模块，分别通信连接所述指数计算模块和所述植被识别模块，用于针对所述各个网格单元，将对应的植被类型、实时气象数据、地形坡度数据和所述温度植被干旱指数的最近历史时间序列，输入预先建模所得的温度植被干旱指数预报模型中，输出得到对应的且温度植被干旱指数预报值的未来时间序列；
所述脆弱度计算模块，通信连接所述植被识别模块，用于针对所述各个网格单元，根据对应的森林生态资产价值和人口密度，计算得到对应的脆弱度；
所述危险度计算模块，分别通信连接所述植被识别模块和所述指数预报模块，用于针对所述各个网格单元，根据对应的植被类型、水源距离和所述温度植被干旱指数预报值的未来时间序列，计算得到对应的且危险度的未来时间序列；
所述风险计算模块，分别通信连接所述脆弱度计算模块和所述危险度计算模块，用于针对所述各个网格单元及所述未来时间序列中的各个未来时间，将对应的脆弱度与危险度的积，作为对应的风险值；
所述预报决策确定模块，用于针对所述各个未来时间，根据对应的且所述多个网格单元的风险值，确定对应的森林草原火灾风险预报决策结果。
第三方面，本发明提供了一种计算机设备，包括有通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的森林草原火灾风险预报决策方法。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意可能设计所述的森林草原火灾风险预报决策方法。
第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意可能设计所述的森林草原火灾风险预报决策方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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是本发明提供的森林草原火灾风险预报决策方法的流程示意图。
图2是本发明提供的植被类型识别反演模型的建立过程示意图。
图3是本发明提供的温度植被干旱指数预报模型的建立过程示意图。
图4是本发明提供的森林草原火灾风险预报决策装置的结构示意图。
图5是本发明提供的计算机设备的结构示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明示例的实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，尽管本文可能使用术语第一和第二等等来描述各种对象，但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A、单独存在B或者同时存在A和B等三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A或者同时存在A和B等两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
如图1所示，本实施例第一方面提供的所述森林草原火灾风险预报决策方法，可以但不限于由具有一定计算资源的计算机设备执行，例如由个人计算机(PersonalComputer，PC，指一种大小、价格和性能适用于个人使用的多用途计算机；台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超级本等都属于个人计算机)、智能手机、个人数字助理(Personal digital assistant，PAD)、可穿戴设备或云端服务器等电子设备执行，以便通过时空尺度分析，事先得到能够为森林草原防火提供精准部署决策建议的森林草原火灾风险预报决策，以便在森林草原易发生火灾的时间及区域加强防火准备，确保不发生重大森林草原火灾及人员群死群伤事故，便于实际应用和推广。如图1所示，所述森林草原火灾风险预报决策方法，可以但不限于包括有如下步骤S1～S8。
S1.获取森林草原地区的地物反射光谱数据，其中，所述森林草原地区划分有多个网格单元。
在所述步骤S1中，所述森林草原地区即为进行森林草原防火管控的目标地区，可基于经纬数据进行所述多个网格单元的常规划分，例如将划分大小为1KM*1KM的方形区域作为所述网格单元。所述地物反射光谱数据用于反映地物的反射率随入射波长而变化的规律，可以但不限于由无人机通过常规方式采集得到，例如先设定无人机光谱采集飞行路径，然后基于全球定位系统GPS(Global Positioning System)及实时动态差分定位技术RTK(Real Time Kinematic，RTK测量系统是GPS测量技术与数据传输技术构成的组合系统)进行飞行，对所述森林草原地区进行全天候的飞行及光谱数据采集工作。所述地物反射光谱数据的获取方式，可直接由所述无人机通过有线或无线方式传输而得，例如通过宽带、FTTB(Fiber to The Building，光纤到楼)、5G、LoRa(Long Range Radio，远距离无线电)和NB-IoT(Narrow Band Internet of Things,窄带物联网)等物联网通讯方式进行光谱数据传输，也可以在所述无人机通过有线或无线方式将光谱数据传送至数据服务器后，访问该数据服务器而得。此外，所述地物反射光谱数据至少应包含但不限于有光谱位于蓝波段(450nm±16nm)、绿波段(560nm±16nm)、红波段(650nm±16nm)、红边波段(730nm±16nm)和近红外波段(840nm±26nm)等波段的光反射值。
S2.针对所述多个网格单元中的各个网格单元，根据对应的地物反射光谱数据，计算得到对应的温度植被干旱指数。
在所述步骤S2中，所述温度植被干旱指数(Temperature Vegetation DrynessIndex，简写为TVDI)是一种基于光学与热红外遥感通道数据进行植被覆盖区域表层土壤水分反演的现有术语，其可作为同时与归一化植被指数(Normalized DifferenceVegetation Index，简写为NDVI，是反映农作物长势和营养信息的重要参数之一，根据该参数,可以知道不同季节的农作物对氮的需求量,对合理施用氮肥具有重要的指导作用)和地表温度相关的参数指标用于干旱监测，尤其是监测特定年内某一时期整个区域的相对干旱程度，并可用于研究干旱程度的空间变化特征。具体的，针对所述多个网格单元中的各个网格单元，根据对应的地物反射光谱数据，计算得到对应的温度植被干旱指数，包括但不限于有如下步骤S21～S22。
S21.针对所述多个网格单元中的各个网格单元，根据对应的地物反射光谱数据，按照如下公式计算得到对应的归一化植被指数NDVI：
式中，NIR表示地物反射光谱数据中的近红外光反射值，RED表示地物反射光谱数据中的红光反射值。
在所述步骤S21中，基于上述公式可知，所述归一化植被指数NDVI会介于-1到1之间；当红光反射值为零时，有最大值1；反之，当近红外光反射值为零时，有最小值为-1。
S22.针对所述各个网格单元，根据对应的归一化植被指数NDVI和地表温度，按照如下公式推估得到对应的温度植被干旱指数TVDI：
式中，Ts表示地表温度，Tmax表示与归一化植被指数NDVI对应的最大地表温度，a和b分别表示预先确定的且在干边线性拟合方程中的系数，Tmin表示与归一化植被指数NDVI对应的最小地表温度，c和d分别表示预先确定的且在湿边线性拟合方程中的系数。
在所述步骤S22中，所述地表温度为常见的气候术语，其可在获取所述森林草原地区的气象数据(具体可以直接来自气象站，也可以在所述气象站将气象数据传送至数据服务器后，访问该数据服务器而得)后，从该气象数据中提取而得所述各个网格单元的地表温度，然后用于前述推估计算。基于上述公式可知，Ts越接近Tmax，TVDI越大，表示土壤干旱情况越严重；相反，Ts越接近Tmin，TVDI越小，说明土壤含水量越高。因此基于TVDI与土壤含水量的相关性，可以反映干旱情况，即所述温度植被干旱指数TVDI的取值处于0到1之间，TVDI值越大，表明对应网格单元的干旱情况越严重。此外，所述干边线性拟合方程及所述湿边线性拟合方程是在温度植被干旱指数推估过程中的常用方程，可基于常规方式预先确定前述系数a、b、c和d。
S3.针对所述各个网格单元，将对应的地物反射光谱数据输入预先建模所得的植被类型识别反演模型中，输出得到对应的植被类型，并根据对应的植被类型，确定出对应的森林生态资产价值。
在所述步骤S3中，所述植被类型识别反演模型是本实施例提出的且基于大数据及人工智能方法而得的分类识别模型，可以基于网格单元的地物反射光谱数据，在输入模型后输出得到对应的植被类型识别结果。所述植被类型识别反演模型需在针对所述各个网格单元，将对应的地物反射光谱数据输入预先建模所得的植被类型识别反演模型中之前建模而得，如图2所示，具体的建模过程包括但不限于有如下步骤S31～S32。
S31.获取第一样本网格单元的地物反射光谱数据和经过地面实地调查而得的植被类型，其中，所述第一样本网格单元的数目有多个。
在所述步骤S31中，所述第一样本网格单元是指与所述网格单元具有相同属性的一个特定样本，其对应的地物反射光谱数据同样可提前基于无人机飞行采集而得，而其对应的植被类型需要提前通过地面实地调查而得。所述第一样本网格单元的地物反射光谱数据及植被类型可提前记录在所述数据服务器中，然后在建模时访问该数据服务器得到。
S32.将所述第一样本网格单元的地物反射光谱数据作为输入项，以及将所述第一样本网格单元的植被类型作为输出项，对基于诸如支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、决策树、反向传播神经网络或径向基函数网络等的第一人工智能模型进行率定验证建模，得到植被类型识别反演模型。
在所述步骤S32中，所述支持向量机、所述K最邻近法、所述随机梯度下降法、所述多变量线性回归、所述多层感知机、所述决策树、所述反向传播神经网络和所述径向基函数网络均为现有人工智能方法中的常见方案。所述率定验证建模的具体过程包括有模型的率定过程和校核过程，即是先通过对比模型模拟结果与实测数据，然后根据对比结果调整模型参数，使得模拟结果与实际吻合的过程，因此可以通过常规的率定验证建模方式，得到所述植被类型识别反演模型。
在所述步骤S3中，由于所述森林生态资产价值反映了对应网格单元因火灾而可能造成的财产损失大小，因此在本实施例中会参与计算对应网格单元的脆弱度。具体的，针对所述各个网格单元，根据对应的植被类型，确定出对应的森林生态资产价值，包括但不限于有：针对所述各个网格单元，根据对应的植被类型，采用森林生态资产价值法进行树种价值分析处理，得到对应的森林生态资产价值，其中，所述森林生态资产价值法的模型公式如下：
FV＝FDV+FIV
式中，FV表示森林生态资产价值，FDV表示森林生态资产直接价值，FIV表示森林生态资产间接价值。详细地，所述森林生态资产直接价值FDV可以但不限于综合考虑森林面积、成熟林木蓄积量、成熟林木价格、树木成熟树龄、树木现时树龄和贴现率等因素而确定，所述森林生态资产间接价值FIV可以但不限于综合考虑水源涵养价值、土壤保持价值、固碳释氧价值、气候调节价值和空气净化价值等因素而确定。
S4.针对所述各个网格单元，将对应的植被类型、实时气象数据、地形坡度数据和所述温度植被干旱指数的最近历史时间序列，输入预先建模所得的温度植被干旱指数预报模型中，输出得到对应的且温度植被干旱指数预报值的未来时间序列。
在所述步骤S4中，所述实时气象数据是指当前的气象数据，包含但不限于有温度、湿度、风速、风向、降水量、临前降雨天数、预报降水量、露点温度和太阳辐射程度等信息。所述实时气象数据可以直接来自气象站，也可以在所述气象站将气象数据传送至数据服务器后，访问该数据服务器而得。所述地形坡度数据需要提前通过地质勘查而得，并在记录到所述数据服务器后，访问该数据服务器而得。由于时间序列是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列(根据观察时间的不同，该时间序列中的时间可以是年份、季度、月份或其他任何时间形式)，因此所述温度植被干旱指数的最近历史时间序列可以举例为在最近十日中各日的温度植被干旱指数，以及所述温度植被干旱指数预报值的未来时间序列可以举例为在未来十日中各日的温度植被干旱指数预报值。所述温度植被干旱指数预报模型是本实施例提出的且基于大数据及人工智能方法而得的数字孪生(其是指充分利用物理模型、传感器更新和运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程)模型，可以基于网格单元的植被类型、实时气象数据、地形坡度数据和所述温度植被干旱指数的最近历史时间序列，在输入模型后输出得到对应的且温度植被干旱指数预报值的未来时间序列。所述温度植被干旱指数预报模型同样需在针对所述各个网格单元，将对应的植被类型、实时气象数据、地形坡度数据和所述温度植被干旱指数的最近历史时间序列，输入预先建模所得的温度植被干旱指数预报模型中之前建模而得，如图3所示，具体的建模过程包括但不限于有如下步骤S41～S42。
S41.获取第二样本网格单元的植被类型、相对实时气象数据、地形坡度数据和所述温度植被干旱指数的历史时间序列以及所述温度植被干旱指数的相对未来时间序列，其中，所述第二样本网格单元的数目有多个，所述相对实时气象数据是指相对于所述历史时间序列而言的实时气象数据，所述相对未来时间序列是指相对于所述历史时间序列而言的未来时间序列。
在所述步骤S41中，所述第二样本网格单元是指与所述网格单元具有相同属性的一个特定样本，其对应各项数据的获取方式可参照前述步骤S2及S4得到，于此不再赘述。此外，举例的，当所述历史时间序列是指从2月1日至10日的十日数列时，所述相对实时气象数据可以是2月10日的实时气象数据，所述相对未来时间序列可以是指从2月11日至20日的十日数列。
S42.将所述第二样本网格单元的植被类型、相对实时气象数据、地形坡度数据和所述温度植被干旱指数的历史时间序列作为输入项，以及将所述温度植被干旱指数的相对未来时间序列作为输出项，对基于诸如支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、决策树、反向传播神经网络或径向基函数网络等的第二人工智能模型进行率定验证建模，得到温度植被干旱指数预报模型。
S5.针对所述各个网格单元，根据对应的森林生态资产价值和人口密度，计算得到对应的脆弱度。
在所述步骤S5中，所述人口密度反映了对应网格单元因火灾而可能造成的生命损失大小，因此在本实施例中也会参与计算对应网格单元的脆弱度；其数据需要提前通过人口调查而得，并在记录到所述数据服务器后，访问该数据服务器而得。具体的，针对所述各个网格单元，根据对应的森林生态资产价值和人口密度，计算得到对应的脆弱度，包括但不限于有：针对所述各个网格单元，根据对应的森林生态资产价值和人口密度,按照如下公式计算得到对应的脆弱度V：
V＝α1*ηFV+α2*ηTP
式中，ηFV表示归一化的森林生态资产价值，ηTP表示归一化的人口密度，α1和α2分别表示预设的权重系数且有α1+α2＝1。由于所述森林生态资产价值和所述人口密度为不同类型的异构数据，因此在综合计算所述脆弱度时，需要先经过常规的数据归一化处理，然后再用于前述公式进行计算。此外，在所述步骤S5之后，可以汇总所述多个网格单元的脆弱度，绘制得到所述森林草原地区的脆弱度地图。
S6.针对所述各个网格单元，根据对应的植被类型、水源距离和所述温度植被干旱指数预报值的未来时间序列，计算得到对应的且危险度的未来时间序列。
在所述步骤S6中，所述植被类型可以反映对应网格单元在发生火灾时的易燃程度(例如针叶树富含油脂，针状的叶子体积又小，是很容易在干燥季节起火的燃料)或因发生火灾而灭火的难易程度(例如针对草原植被的灭火难度会小于针对森林植被的灭火难度)，因此在本实施例中会参与计算对应网格单元的危险度。所述水源距离也反映了对应网格单元因发生火灾而灭火的难度大小(即水源距离越远，灭火难度越大)，因此在本实施例中也会参与计算对应网格单元的危险度；其数据需要提前通过水源勘查而得，并在记录到所述数据服务器后，访问该数据服务器而得。所述温度植被干旱指数预报值也反映了对应网格单元发生火灾的可能程度或因发生火灾而灭火的难易程度(即预报值越大，干旱越严重，火灾越易发生，灭火难度越大)，因此在本实施例中也会参与计算对应网格单元的危险度。具体的，针对所述各个网格单元，根据对应的植被类型、水源距离和所述温度植被干旱指数预报值的未来时间序列，计算得到对应的且危险度的未来时间序列，包括但不限于有：针对所述各个网格单元，根据对应的植被类型、水源距离和所述温度植被干旱指数预报值的未来时间序列，按照如下公式计算得到对应的且危险度H的未来时间序列：
H＝β1*ηCV+β2*ηTVDI+β3*ηWD
式中，ηCV表示归一化的且与植被类型对应的燃烧值，ηTVDI表示归一化的所述温度植被干旱指数预报值，ηWD表示归一化的水源距离，β1、β2和β3分别表示预设的权重系数且有β1+β2+β3＝1。由于植被的燃烧值在一定程度上反映了因发生火灾而灭火的难易程度(即植被燃烧值越大，失火释放的热量越大，灭火难度越大)，因此在本实施例中会具体参与计算对应网格单元的危险度。同时由于所述燃烧值、所述温度植被干旱指数预报值和所述水源距离为不同类型的异构数据，因此在综合计算所述危险度时，需要先经过常规的数据归一化处理，然后再用于前述公式进行计算。所述温度植被干旱指数预报值的未来时间序列与所述危险度H的未来时间序列具有一一对应关系，例如2月15日的温度植被干旱指数预报值会与2月15日的危险度H一一对应。此外，在所述步骤S6之后，可以汇总所述多个网格单元的危险度，绘制得到所述森林草原地区的危险度地图。
S7.针对所述各个网格单元及所述未来时间序列中的各个未来时间，将对应的脆弱度与危险度的积，作为对应的风险值。
在所述步骤S7中，举例的，针对网格单元A及未来的2月15日，可将所述网格单元A的脆弱度与所述网格单元A在2月15日的危险度的积，作为所述网格单元A在2月15日的风险值。
S8.针对所述各个未来时间，根据对应的且所述多个网格单元的风险值，确定对应的森林草原火灾风险预报决策结果。
在所述步骤S8中，由于所述各个网格单元在某个未来时间的风险值已知，因此可以基于风险顺序和常规的森林草原火灾风险预报决策逻辑，确定所述某个未来时间的森林草原火灾风险预报决策结果；举例的，针对未来的2月15日，可根据所述多个网格单元在2月15日的风险值，得到在2月15日的森林草原火灾风险预报决策结果。此外，所述多个网格单元的风险值可用风险矩阵(其是一种能够把危险发生的可能性和伤害的严重程度，综合起来进行风险大小定性的风险评估分析结果，也是一种风险可视化的工具，主要用于风险评估领域)来表示，以便基于风险顺序快速找出存在高风险因素的所属区域(具体可以是某个网格单元或包含有若干网格单元的行政区域)，并从该区来快速辨别风险因素的严重性，进而做出森林草原火灾风险预报决策结果。此外，在所述步骤S8之后，可以地图呈现的形式对所述各个未来时间的森林草原火灾风险预报决策结果进行输出展示，以便在森林草原易发生火灾的时间及区域加强防火准备，使得在灾害来临前能够提早精准应对灾害冲击，以及针对可能发生的森林草原火灾状况区域，进行及时的防火响应，确保不发生重大森林草原火灾及人员群死群伤事故。
由此基于前述步骤S1～S8所描述的森林草原火灾风险预报决策方法，提供了一种能够助力森林草原防火管控的技术方案，即通过对森林草原地区的地物反射光谱数据与地面气候数据以及地质勘查数据等多源异构数据的融合，可使用反演技术反演出温度植被干旱指数及植被分析现况，并基于建模所得的温度植被干旱指数预报模型，预估得到温度植被干旱指数预报值的未来时间序列，然后使用温度植被干旱指数预报值的未来时间序列、水源距离及植被易燃性特点，对森林草原地区预报未来危险度，以及使用森林生态资产价值及人口密度，对森林草原地区分析出现况脆弱度，最后基于未来危险度和现况脆弱度，确定各个未来时间的森林草原火灾风险预报决策，如此通过时空尺度分析，可事先得到能够为森林草原防火提供精准部署决策建议的森林草原火灾风险预报决策，以便在森林草原易发生火灾的时间及区域加强防火准备，使得在灾害来临前能够提早精准应对灾害冲击，以及针对可能发生的森林草原火灾状况区域，进行及时的防火响应，确保不发生重大森林草原火灾及人员群死群伤事故。此外，通过使用无人机光谱信讯收集方式采集森林草原地区的地物反射光谱数据，可实时地、远程地、大范围地和快速地监测森林草原气候及环境状况，降低人员现场巡查监测的时间成本及安全风险；以及通过使用基于大数据及人工智能方法的植被类型识别反演模型和温度植被干旱指数预报模型，可以有效率地、正确地以及鲁棒性地模拟现况及预报未来森林草原气候及环境状况；以及还可以解决现况防火人力及物力不足的问题，更有效率及效能地快速部署决策分析工作，便于实际应用和推广。
如图4所示，本实施例第二方面提供了一种实现第一方面所述的森林草原火灾风险预报决策方法的虚拟装置，包括有数据获取模块、指数计算模块、植被识别模块、指数预报模块、脆弱度计算模块、危险度计算模块、风险计算模块和预报决策确定模块；
所述数据获取模块，用于获取森林草原地区的地物反射光谱数据，其中，所述森林草原地区划分有多个网格单元；
所述指数计算模块，通信连接所述数据获取模块，用于针对所述多个网格单元中的各个网格单元，根据对应的地物反射光谱数据，计算得到对应的温度植被干旱指数；
所述植被识别模块，通信连接所述数据获取模块，用于针对所述各个网格单元，将对应的地物反射光谱数据输入预先建模所得的植被类型识别反演模型中，输出得到对应的植被类型，并根据对应的植被类型，确定出对应的森林生态资产价值；
所述指数预报模块，分别通信连接所述指数计算模块和所述植被识别模块，用于针对所述各个网格单元，将对应的植被类型、实时气象数据、地形坡度数据和所述温度植被干旱指数的最近历史时间序列，输入预先建模所得的温度植被干旱指数预报模型中，输出得到对应的且温度植被干旱指数预报值的未来时间序列；
所述脆弱度计算模块，通信连接所述植被识别模块，用于针对所述各个网格单元，根据对应的森林生态资产价值和人口密度，计算得到对应的脆弱度；
所述危险度计算模块，分别通信连接所述植被识别模块和所述指数预报模块，用于针对所述各个网格单元，根据对应的植被类型、水源距离和所述温度植被干旱指数预报值的未来时间序列，计算得到对应的且危险度的未来时间序列；
所述风险计算模块，分别通信连接所述脆弱度计算模块和所述危险度计算模块，用于针对所述各个网格单元及所述未来时间序列中的各个未来时间，将对应的脆弱度与危险度的积，作为对应的风险值；
所述预报决策确定模块，用于针对所述各个未来时间，根据对应的且所述多个网格单元的风险值，确定对应的森林草原火灾风险预报决策结果。
本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果，可以参见第一方面所述的森林草原火灾风险预报决策方法，于此不再赘述。
如图5所示，本实施例第三方面提供了一种执行如第一方面或第一方面中任一可能设计所述的森林草原火灾风险预报决策方法的计算机设备，包括有通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于读取所述计算机程序，执行如第一方面所述的森林草原火灾风险预报决策方法。具体举例的，所述存储器可以但不限于包括随机存取存储器(Random-Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output，FIFO)和/或先进后出存储器(First Input Last Output，FILO)等等；所述处理器可以但不限于采用型号为STM32F105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见第一方面所述的森林草原火灾风险预报决策方法，于此不再赘述。
本实施例第四方面提供了一种存储包含如第一方面所述的森林草原火灾风险预报决策方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面所述的森林草原火灾风险预报决策方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等计算机可读存储介质，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见如第一方面所述的森林草原火灾风险预报决策方法，于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面所述的森林草原火灾风险预报决策方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。
Claims (10)
1.一种森林草原火灾风险预报决策方法，其特征在于，包括：
获取森林草原地区的地物反射光谱数据，其中，所述森林草原地区划分有多个网格单元；
针对所述多个网格单元中的各个网格单元，根据对应的地物反射光谱数据，计算得到对应的温度植被干旱指数；
针对所述各个网格单元，将对应的地物反射光谱数据输入预先建模所得的植被类型识别反演模型中，输出得到对应的植被类型，并根据对应的植被类型，确定出对应的森林生态资产价值；
针对所述各个网格单元，将对应的植被类型、实时气象数据、地形坡度数据和所述温度植被干旱指数的最近历史时间序列，输入预先建模所得的温度植被干旱指数预报模型中，输出得到对应的且温度植被干旱指数预报值的未来时间序列；
针对所述各个网格单元，根据对应的森林生态资产价值和人口密度，计算得到对应的脆弱度；
针对所述各个网格单元，根据对应的植被类型、水源距离和所述温度植被干旱指数预报值的未来时间序列，计算得到对应的且危险度的未来时间序列；
针对所述各个网格单元及所述未来时间序列中的各个未来时间，将对应的脆弱度与危险度的积，作为对应的风险值；
针对所述各个未来时间，根据对应的且所述多个网格单元的风险值，确定对应的森林草原火灾风险预报决策结果。
2.如权利要求1所述的森林草原火灾风险预报决策方法，其特征在于，针对所述多个网格单元中的各个网格单元，根据对应的地物反射光谱数据，计算得到对应的温度植被干旱指数，包括：
针对所述多个网格单元中的各个网格单元，根据对应的地物反射光谱数据，按照如下公式计算得到对应的归一化植被指数NDVI：
式中，NIR表示地物反射光谱数据中的近红外光反射值，RED表示地物反射光谱数据中的红光反射值；
针对所述各个网格单元，根据对应的归一化植被指数NDVI和地表温度，按照如下公式推估得到对应的温度植被干旱指数TVDI：
式中，Ts表示地表温度，Tmax表示与归一化植被指数NDVI对应的最大地表温度，a和b分别表示预先确定的且在干边线性拟合方程中的系数，Tmin表示与归一化植被指数NDVI对应的最小地表温度，c和d分别表示预先确定的且在湿边线性拟合方程中的系数。
3.如权利要求1所述的森林草原火灾风险预报决策方法，其特征在于，在针对所述各个网格单元，将对应的地物反射光谱数据输入预先建模所得的植被类型识别反演模型中之前，所述方法还包括：
获取第一样本网格单元的地物反射光谱数据和经过地面实地调查而得的植被类型，其中，所述第一样本网格单元的数目有多个；
将所述第一样本网格单元的地物反射光谱数据作为输入项，以及将所述第一样本网格单元的植被类型作为输出项，对基于支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、决策树、反向传播神经网络或径向基函数网络的第一人工智能模型进行率定验证建模，得到植被类型识别反演模型。
4.如权利要求1所述的森林草原火灾风险预报决策方法，其特征在于，针对所述各个网格单元，根据对应的植被类型，确定出对应的森林生态资产价值，包括：
针对所述各个网格单元，根据对应的植被类型，采用森林生态资产价值法进行树种价值分析处理，得到对应的森林生态资产价值，其中，所述森林生态资产价值法的模型公式如下：
FV＝FDV+FIV
式中，FV表示森林生态资产价值，FDV表示森林生态资产直接价值，FIV表示森林生态资产间接价值。
5.如权利要求1所述的森林草原火灾风险预报决策方法，其特征在于，在针对所述各个网格单元，将对应的植被类型、实时气象数据、地形坡度数据和所述温度植被干旱指数的最近历史时间序列，输入预先建模所得的温度植被干旱指数预报模型中之前，所述方法还包括：
获取第二样本网格单元的植被类型、相对实时气象数据、地形坡度数据和所述温度植被干旱指数的历史时间序列以及所述温度植被干旱指数的相对未来时间序列，其中，所述第二样本网格单元的数目有多个，所述相对实时气象数据是指相对于所述历史时间序列而言的实时气象数据，所述相对未来时间序列是指相对于所述历史时间序列而言的未来时间序列；
将所述第二样本网格单元的植被类型、相对实时气象数据、地形坡度数据和所述温度植被干旱指数的历史时间序列作为输入项，以及将所述温度植被干旱指数的相对未来时间序列作为输出项，对基于支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、决策树、反向传播神经网络或径向基函数网络的第二人工智能模型进行率定验证建模，得到温度植被干旱指数预报模型。
6.如权利要求1所述的森林草原火灾风险预报决策方法，其特征在于，针对所述各个网格单元，根据对应的森林生态资产价值和人口密度，计算得到对应的脆弱度，包括：
针对所述各个网格单元，根据对应的森林生态资产价值和人口密度,按照如下公式计算得到对应的脆弱度V：
V＝α1*ηFV+α2*ηTP
式中，ηFV表示归一化的森林生态资产价值，ηTP表示归一化的人口密度，α1和α2分别表示预设的权重系数且有α1+α2＝1。
7.如权利要求1所述的森林草原火灾风险预报决策方法，其特征在于，针对所述各个网格单元，根据对应的植被类型、水源距离和所述温度植被干旱指数预报值的未来时间序列，计算得到对应的且危险度的未来时间序列，包括：
针对所述各个网格单元，根据对应的植被类型、水源距离和所述温度植被干旱指数预报值的未来时间序列，按照如下公式计算得到对应的且危险度H的未来时间序列：
H＝β1*ηCV+β2*ηTVDI+β3*ηWD
式中，ηCV表示归一化的且与植被类型对应的燃烧值，ηTVDI表示归一化的所述温度植被干旱指数预报值，ηWD表示归一化的水源距离，β1、β2和β3分别表示预设的权重系数且有β1+β2+β3＝1。
8.一种森林草原火灾风险预报决策装置，其特征在于，包括有数据获取模块、指数计算模块、植被识别模块、指数预报模块、脆弱度计算模块、危险度计算模块、风险计算模块和预报决策确定模块；
所述数据获取模块，用于获取森林草原地区的地物反射光谱数据，其中，所述森林草原地区划分有多个网格单元；
所述指数计算模块，通信连接所述数据获取模块，用于针对所述多个网格单元中的各个网格单元，根据对应的地物反射光谱数据，计算得到对应的温度植被干旱指数；
所述植被识别模块，通信连接所述数据获取模块，用于针对所述各个网格单元，将对应的地物反射光谱数据输入预先建模所得的植被类型识别反演模型中，输出得到对应的植被类型，并根据对应的植被类型，确定出对应的森林生态资产价值；
所述指数预报模块，分别通信连接所述指数计算模块和所述植被识别模块，用于针对所述各个网格单元，将对应的植被类型、实时气象数据、地形坡度数据和所述温度植被干旱指数的最近历史时间序列，输入预先建模所得的温度植被干旱指数预报模型中，输出得到对应的且温度植被干旱指数预报值的未来时间序列；
所述脆弱度计算模块，通信连接所述植被识别模块，用于针对所述各个网格单元，根据对应的森林生态资产价值和人口密度，计算得到对应的脆弱度；
所述危险度计算模块，分别通信连接所述植被识别模块和所述指数预报模块，用于针对所述各个网格单元，根据对应的植被类型、水源距离和所述温度植被干旱指数预报值的未来时间序列，计算得到对应的且危险度的未来时间序列；
所述风险计算模块，分别通信连接所述脆弱度计算模块和所述危险度计算模块，用于针对所述各个网格单元及所述未来时间序列中的各个未来时间，将对应的脆弱度与危险度的积，作为对应的风险值；
所述预报决策确定模块，用于针对所述各个未来时间，根据对应的且所述多个网格单元的风险值，确定对应的森林草原火灾风险预报决策结果。
9.一种计算机设备，其特征在于，包括有通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于读取所述计算机程序，执行如权利要求1～7中任意一项所述的森林草原火灾风险预报决策方法。
10.一种计算机可读存储介质，其特征在于,所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～7中任意一项所述的森林草原火灾风险预报决策方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210194675.9A CN114548812A (zh) | 2022-03-01 | 2022-03-01 | 一种森林草原火灾风险预报决策方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210194675.9A CN114548812A (zh) | 2022-03-01 | 2022-03-01 | 一种森林草原火灾风险预报决策方法、装置及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114548812A true CN114548812A (zh) | 2022-05-27 |
Family
ID=81662087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210194675.9A Pending CN114548812A (zh) | 2022-03-01 | 2022-03-01 | 一种森林草原火灾风险预报决策方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114548812A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116187204A (zh) * | 2023-04-23 | 2023-05-30 | 武汉新烽光电股份有限公司 | 一种水域遥感反演水环境污染的风险决策方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109614891A (zh) * | 2018-11-27 | 2019-04-12 | 北京师范大学 | 基于物候学和遥感的农作物识别方法 |
| WO2019130568A1 (ja) * | 2017-12-28 | 2019-07-04 | スカパーＪｓａｔ株式会社 | 評価情報生成システム、評価情報生成方法、およびプログラム |
| CN110379113A (zh) * | 2019-06-28 | 2019-10-25 | 北京中科锐景科技有限公司 | 一种基于卫星遥感数据森林火灾预警的方法 |
| CN111553245A (zh) * | 2020-04-24 | 2020-08-18 | 中国电建集团成都勘测设计研究院有限公司 | 基于机器学习算法和多源遥感数据融合的植被分类方法 |
| CN113139296A (zh) * | 2021-05-10 | 2021-07-20 | 中南林业科技大学 | 一种基于卫星遥感的森林火灾风险预警方法 |
-
2022
- 2022-03-01 CN CN202210194675.9A patent/CN114548812A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019130568A1 (ja) * | 2017-12-28 | 2019-07-04 | スカパーＪｓａｔ株式会社 | 評価情報生成システム、評価情報生成方法、およびプログラム |
| CN109614891A (zh) * | 2018-11-27 | 2019-04-12 | 北京师范大学 | 基于物候学和遥感的农作物识别方法 |
| CN110379113A (zh) * | 2019-06-28 | 2019-10-25 | 北京中科锐景科技有限公司 | 一种基于卫星遥感数据森林火灾预警的方法 |
| CN111553245A (zh) * | 2020-04-24 | 2020-08-18 | 中国电建集团成都勘测设计研究院有限公司 | 基于机器学习算法和多源遥感数据融合的植被分类方法 |
| CN113139296A (zh) * | 2021-05-10 | 2021-07-20 | 中南林业科技大学 | 一种基于卫星遥感的森林火灾风险预警方法 |
Non-Patent Citations (3)
| Title |
|---|
| 周寅康等: "基于GIS的关中地区农业生产自然灾害风险综合评价研究", 《地理科学》 * |
| 范云豹等: "基于高光谱遥感的植被生物量反演方法研究", 《河北师范大学学报(自然科学版)》 * |
| 郑忠等: "西南山地区域森林火险综合预报模型研究――以重庆市为例", 《自然灾害学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116187204A (zh) * | 2023-04-23 | 2023-05-30 | 武汉新烽光电股份有限公司 | 一种水域遥感反演水环境污染的风险决策方法 |
| CN116187204B (zh) * | 2023-04-23 | 2023-08-04 | 武汉新烽光电股份有限公司 | 一种水域遥感反演水环境污染的风险决策方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11660480B2 (en) | Fire forecasting | |
| Amos et al. | Determining the use of Sentinel-2A MSI for wildfire burning & severity detection | |
| US11202926B2 (en) | Fire monitoring | |
| US11169678B2 (en) | Fire management tool with versatile user interface | |
| CN101719298B (zh) | 森林草原火灾遥感监测预警方法 | |
| Clements et al. | The FireFlux II experiment: a model-guided field experiment to improve understanding of fire–atmosphere interactions and fire spread | |
| Stavros et al. | Climate and very large wildland fires in the contiguous western USA | |
| US20220016455A1 (en) | Fire monitoring | |
| Bisquert et al. | Application of artificial neural networks and logistic regression to the prediction of forest fire danger in Galicia using MODIS data | |
| Wu et al. | Simulation of forest fire spread based on artificial intelligence | |
| Rabiei et al. | Investigation of fire risk zones using heat–humidity time series data and vegetation | |
| Quan et al. | Corrigendum to: Integrating remotely sensed fuel variables into wildfire danger assessment for China | |
| Jolly et al. | Towards improving wildland firefighter situational awareness through daily fire behaviour risk assessments in the US Northern Rockies and Northern Great Basin | |
| Natekar et al. | Forest fire prediction using LSTM | |
| Cao et al. | Evaluation of wildfire propagation susceptibility in grasslands using burned areas and multivariate logistic regression | |
| Plucinski | Modelling the probability of Australian grassfires escaping initial attack to aid deployment decisions | |
| Dacre et al. | Chilean wildfires: probabilistic prediction, emergency response, and public communication | |
| Chew et al. | A Review of forest fire combating efforts, challenges and future directions in Peninsular Malaysia, Sabah, and Sarawak | |
| CN114548812A (zh) | 一种森林草原火灾风险预报决策方法、装置及计算机设备 | |
| Quan et al. | Effects of different sampling strategies for unburned label selection in machine learning modelling of wildfire occurrence probability | |
| Mehmood et al. | Assessing Chilgoza Pine (Pinus gerardiana) Forest Fire Severity: Remote Sensing Analysis, Correlations, and Predictive Modeling for Enhanced Management Strategies | |
| Silva et al. | A modelling framework to predict bat activity patterns on wind farms: An outline of possible applications on mountain ridges of North Portugal | |
| Chen et al. | Estimation of potential wildfire behavior characteristics to assess wildfire danger in southwest China using deep learning schemes | |
| Tanskanen et al. | Experimental fire behaviour in managed Pinus sylvestris and Picea abies stands of Finland | |
| Sadat Razavi et al. | Modelling the effect of temperature increments on wildfires |
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: 20220527 |
|
| RJ01 | Rejection of invention patent application after publication |