CN114626211A - 一种基于vr技术的复杂森火场景推演方法及系统 - Google Patents

Abstract

本发明公开了一种基于VR技术的复杂森火场景推演方法及系统，所述方法包括如下步骤：S1、根据目标区域的基础地理信息数据搭建虚拟三维地理场景；S2、根据复杂场景火灾蔓延分析模型对所述目标区域进行火灾蔓延模拟计算分析的输出结果，在所述虚拟三维地理场景中动态展示在不同时域的火焰三维动态模型，动态模拟虚拟火灾蔓延；S3、使用虚拟现实设备交互工具进行作战标绘，将构建的作战指挥标绘三维静态模型映射到所述虚拟三维地理场景中，形成标绘作战图。本发明的方法支持沉浸式查看复杂场景中的森林火灾蔓延过程以及支持符合人体操作习惯的作战标绘。

Description

一种基于VR技术的复杂森火场景推演方法及系统

技术领域

本发明属于虚拟现实(VR)技术在火灾预测技术领域的应用，尤其涉及一种基于虚拟现实VR 技术的复杂森火场景推演方法及系统。

背景技术

随着社会城镇化水平的快速发展，人类活动与自然环境的交互愈发频繁，城镇森林交界域处的火灾发生频率也逐渐增多，常造成巨大的生命财产损失和自然生态的破坏。火灾蔓延预测模型能够提供火灾蔓延趋势预测，为应急指挥提供丰富的灾情预判和科学的决策支持。

然而，现有的火灾蔓延预测模型的展示方式一般为基于二维的栅格方式进行展示，这种展示方式不利于使用者进行更加直观的查看地形的情况，进而不利于指挥官进行指挥决策，同时，传统的指挥系统的作战标绘方式是在二维平面地图进行标绘，也不够直观。

发明内容

为了弥补上述现有技术的不足，本发明提出一种基于虚拟现实VR技术的复杂森火场景推演方法及系统。

本发明的技术问题通过以下的技术方案予以解决：

一种基于VR技术的复杂森火场景推演方法，包括如下步骤：

S1、根据目标区域的基础地理信息数据搭建虚拟三维地理场景；

S2、根据复杂场景火灾蔓延分析模型对所述目标区域进行火灾蔓延模拟计算分析的输出结果，在所述虚拟三维地理场景中动态展示在不同时域的火焰三维动态模型，动态模拟虚拟火灾蔓延；

S3、使用虚拟现实设备交互工具进行作战标绘，将构建的作战指挥标绘三维静态模型映射到所述虚拟三维地理场景中，形成标绘作战图。

优选地，所述目标区域的基础地理信息数据包含数字高程模型(DEM)、遥感卫星影像和地表构筑物数据；所述地表构筑物数据为地面植被类型数据、河流数据、建筑物数据中的一种或多种。

优选地，步骤S1具体包括：

根据所述目标区域的基础地理信息数据构建所述目标区域的地表构筑物三维模型；

根据所述目标区域的基础地理信息数据构建基础三维高程表面，并将所述遥感卫星影像的每个像素值映射到所述三维高程表面上，生成高低起伏的基础三维地理场景，并将构建的所述地表构筑物三维模型放到对应的地表区域，从而构建起完整的虚拟三维地理场景；优选地，在将所述地表构筑物放置在对应的地表区域之前对所述地表构筑物的地理信息数据进行坐标转换，使其与DEM 高程数据与遥感影像数据处于同一坐标参考系。

优选地，所述目标区域的地表构筑物三维模型包括地面植被、建筑物的三维静态模型和河流的三维动态模型。

优选地，所述火焰三维动态模型包括篝火、建筑物燃烧火、化学物燃烧火、暗火、轰然火、森林火、油环火、烟雾火中的一种或多种。

优选地，步骤S2具体包括：根据所述目标区域的基础地理信息数据，确定所述目标区域存在的可燃物数据，根据所述可燃物数据分析目标区域可能存在的火灾类型，构建符合所述目标区域火灾特点的火焰三维动态模型；选择可对所述目标区域进行火灾蔓延模拟计算分析的复杂场景火灾蔓延分析模型，根据所述复杂场景火灾蔓延分析模型的输出结果，结合所述火焰三维动态模型，在所述虚拟三维地理场景中动态展示在不同时域的所述火焰三维动态模型；优选地，所述复杂场景火灾蔓延分析模型为基于元胞自动机原理的复杂场景火灾蔓延分析模型。

优选地，步骤S3中，根据火灾应急指挥过程中需要使用的应急力量、应急物资和作战标识符清单构建所述作战指挥标绘三维静态模型的模型库。

优选地，步骤S3中，所述使用虚拟现实设备交互工具进行作战标绘，包括通过人机交互指令在所述虚拟三维地理场景中新增、移动、放大、缩小、删除指定的作战指挥标绘三维静态模型。

优选地，步骤S3中，所述标绘作战图为正射投影标绘二维作战图。

一种基于VR技术的复杂森火场景推演系统，包括处理器和计算机可读存储介质，所述计算机可读存储介质存储的计算机程序由所述处理器执行时，实现所述的复杂森火场景推演方法。

本发明与现有技术对比的有益效果包括：本发明的基于VR技术的复杂森火场景推演方法包括虚拟三维地理场景搭建、虚拟火灾蔓延动态模拟以及虚拟森林火灾作战指挥标绘三个部分，支持沉浸式查看复杂场景中的森林火灾蔓延过程以及支持符合人体操作习惯的作战标绘，也即通过这三个部分的协作，可以更具沉浸感的让人查看或体验复杂场景森林火灾的蔓延过程，并可以在虚拟场景中进行立体化作战标绘，以更具沉浸感的方式提供丰富的灾情预判信息和更符合人体工程学的作战标绘方式科学辅助应急指挥决策。

附图说明

图1是本发明具体实施方式的复杂森火场景推演方法流程示意图；

图2是本发明具体示例中的虚拟三维地理场景搭建的流程示意图；

图3是本发明具体示例中的虚拟火灾蔓延动态模拟的搭建流程示意图；

图4是本发明具体示例中的虚拟森林火灾作战指挥标绘搭建流程示意图；

图5是本发明具体示例中的八种典型的火焰三维动态模型示意图；

图6是本发明具体示例中的复杂场景火灾蔓延模拟示意图；

图7是本发明具体示例中的虚拟森林火灾作战指挥标绘图；

图8是本发明具体实施方式中基于深度学习的森火蔓延预测方法流程图；

图9是本发明具体示例中的仿真森火蔓延数据集的生成流程图；

图10是本发明具体示例中的WSSTF与二分类的森火蔓延状态表征模式对比图；

图11是本发明具体示例中的森火蔓延预测的卷积神经网络的结构图；

图12是本发明具体示例中的网络应用输出的模拟结果图；

图13是本发明具体实施方式中基于不规则图网络的森火蔓延预测方法的流程图；

图14是本发明具体示例中的初始化不规则图网络的示意图；

图15是本发明具体示例中的不规则图网络自适应优化的示意图；

图16是本发明具体示例中的有效蔓延节点VSNs与有效蔓延边VSEs的示意图；

图17是本发明具体示例中的图-格网映射方法的示意图；

图18是本发明具体示例中的基于不规则图网络的模拟结果可视化的示意图。

具体实施方式

下面对照附图并结合优选的实施方式对本发明作进一步说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本发明具体实施方式提供一种基于VR技术的复杂森火(即森林火灾)场景推演方法，如图1 所示，包括虚拟三维地理场景搭建、虚拟火灾蔓延动态模拟以及虚拟森林火灾作战指挥标绘三个部分，具体包括如下步骤：

S1、虚拟三维地理场景搭建：根据目标区域的基础地理信息数据搭建虚拟三维地理场景。

步骤1.1、地理场景数据收集

收集目标区域的基础地理信息数据，包含：数字高程模型(digital elevationmodel，DEM)、遥感卫星影像以及地面植被类型数据、河流数据、建筑物数据等地表构筑物的数据。其中，数字高程模型(DEM)和遥感卫星影像应具备较高的分辨率，以便用于构建具备高清晰度的虚拟三维地理场景；地面植被类型数据、河流数据、建筑物数据等地表构筑物的数据应具备地理坐标信息。

步骤1.2、目标区域的虚拟三维地理场景构建

根据目标区域的基础地理信息数据构建目标区域的地表构筑物三维模型；其中，目标区域的地表构筑物三维模型包括地面植被、建筑物的三维静态模型和河流的三维动态模型；

根据目标区域的基础地理信息数据构建基础三维高程表面，并将遥感卫星影像的每个像素值映射到三维高程表面上，生成高低起伏的基础三维地理场景，并将构建的地表构筑物三维模型放到对应的地表区域，从而构建起完整的虚拟三维地理场景；较为优选的是，在将地表构筑物放置在对应的地表区域之前对地表构筑物的地理信息数据进行坐标转换，使其与DEM高程数据与遥感影像数据处于同一坐标参考系。

具体来说，如图2所示，在一个示例中，搭建目标区域的虚拟三维地理场景首先是将DEM高程数据与遥感卫星影像数据进行数据预处理，例如进行影像辐射校正和几何纠正等预处理操作，并统一数据的坐标参考系(即统一参考地理坐标系)，如均采用WGS 1984坐标系，再通过DEM高程数据构建基础三维高程表面，并将遥感卫星影像的每个像素值映射到三维高程表面上，从而产生高低起伏的基础三维地理场景。目前大多数3DGIS软件均支持虚拟三维地理场景的构建功能，如 Skyline、ArcGIS、Unity3D等，不需要人为编程实现数据映射和三维展示等功能，本示例以使用Unity3D为例。

构建地面植被、建筑物的三维静态模型和河流的三维动态模型，对收集到的数据进行投影坐标转换、重采样、裁剪等预处理操作并统一数据的坐标参考系，即通过三维建模工具，例如：MAYA、 3Dmax等软件对植被、河流、建筑物等地表构筑物进行三维建模，对植被类型数据、河流数据、建筑物数据等地表构筑物的地理信息数据进行坐标转换，使其与DEM高程数据与遥感卫星影像数据处于同一坐标参考系；将构建完成的地表构筑物三维模型(如地面植被、建筑物三维静态模型和河流的三维动态模型)放置在对应的地表区域，形成构建成完整的虚拟三维地理场景。

S2、虚拟火灾蔓延动态模拟：根据复杂场景火灾蔓延分析模型对所述目标区域进行火灾蔓延模拟计算分析的输出结果，在所述虚拟三维地理场景中动态展示在不同时域的火焰三维动态模型，动态模拟虚拟火灾蔓延。

步骤2.1、火焰三维动态模型构建

根据目标区域的基础地理信息数据，确定目标区域存在的可燃物数据，根据可燃物数据分析目标区域可能存在的火灾类型，构建符合目标区域火灾特点的火焰三维动态模型。

步骤2.2、复杂场景火灾蔓延动态模拟场景构建

选择具备可以对目标区域进行火灾蔓延模拟计算分析的复杂场景火灾蔓延分析模型，根据复杂场景火灾蔓延分析模型的输出结果，结合步骤2.1构建的火焰三维动态模型，在虚拟三维地理场景中动态展示在不同时域的火焰三维动态模型，从而完成了复杂场景火灾蔓延动态模拟场景的构建。

其中，较优的是复杂场景火灾蔓延分析模型为基于元胞自动机原理的复杂场景火灾蔓延分析模型，这类模型基于元胞自动机原理，通过将植被类型栅格数据按元胞概念划分，然后基于风速、湿度、温度、植被类型等数据信息进行动态模拟，输出包含起火点、蔓延状态的离线数据。

如图3所示，在一个具体的示例中，根据地理场景数据收集情况，确定存在的地面可燃物类型，根据地面可燃物类型分析目标区域可能存在的火灾类型(例如森林火灾、居民楼火灾、化工厂火灾等类型)，构建符合目标区域火灾特点的火焰三维动态模型。进一步如图5所示，火焰三维动态模型包括篝火、建筑物燃烧火、化学物燃烧火、暗火、轰然火、森林火、油环火、烟雾火中的一种或多种。具体地，基于粒子系统的基本原理，许多三维软件开发了粒子系统模块用于模拟火焰三维效果，如Unity3D作为一款强大的三维应用程序开发平台，支持对粒子效果的详细编辑，包括粒子数量、初始粒子速度、粒子形状变化、颜色渐变和粒子周期等，用户可在Unity3D主界面中对粒子的全部属性进行完全自定义修改；通过分析地理场景数据情况，分析目标区域可能存在的火灾类型，例如：森林火灾、居民楼火灾、化工厂火灾等类型，基于Unity3D的粒子系统构建符合目标区域火灾特点的火焰三维动态模型。

如图3所示，选择具备可以对目标区域进行火灾蔓延模拟计算分析的基于元胞自动机原理的复杂场景火灾蔓延分析模型，接入该复杂场景火灾蔓延分析模型的计算结果数据，根据其输出结果，结合上步已构建的火焰三维动态模型，在虚拟三维地理场景中动态展示在不同时域的火焰三维动态模型。具体来说，首先，通过Unity3D软件读取复杂场景火灾蔓延分析模型计算结果文件，将文件中的起火点信息、时间信息、火灾状态信息进行读取，验证其坐标系与目标区域到位虚拟三维地理场景一致；然后，按照计算结果文件中栅格的大小将虚拟三维地理场景中的底图分成同等大小的栅格；最后，在虚拟三维地理场景中以不同时间在不同区域放置火焰三维动态模型，形成虚拟三维空间的动态火焰模型展示动画，如图6所示。

S3、虚拟森林火灾作战指挥标绘：使用虚拟现实设备交互工具进行作战标绘，将构建的作战指挥标绘三维静态模型映射到所述虚拟三维地理场景中，形成标绘作战图。

步骤3.1、构建作战指挥标绘三维静态模型库

根据火灾应急指挥过程中需要使用的应急力量、应急物资和作战标识符清单构建作战指挥标绘三维静态模型的模型库。

步骤3.2、设计虚拟现实作战指挥标绘动态交互

使用虚拟现实设备交互工具进行作战标绘，包括通过人机交互指令在虚拟三维地理场景中新增、移动、放大、缩小、删除指定的作战指挥标绘三维静态模型，完成作战指挥标绘后可以进行版本保存所示，从而完成虚拟现实作战指挥标绘动态交互设计。

步骤3.3、输出作战指挥标绘作战图(所述标绘作战图为正射投影标绘二维作战图)

根据实际应急指挥工作需要，基于作战指挥标绘保存的不同版本，将不同的作战指挥标绘三维静态模型的位置映射到虚拟三维地理场景中，形成正射投影标绘二维作战图并导出离线文件。

如图4和图7所示，在一个示例中，收集整理复杂场景火灾应急指挥过程中需要使用的应急力量数据、应急物资数据和作战标绘标识符，包括：消防员、消防车、集结点等，构建作战指挥标绘三维静态模型库，例如，可以使用3Dmax软件进行建模，形成可以用在Unity3D中的三维模型文件。通过Unity3D软件开发可以利用虚拟现实设备如：HTC vivePro头盔和手柄的交互标绘系统，支持通过拖拽、点击等方式在虚拟三维地理场景中新增、移动、放大、缩小、删除指定的作战指挥标绘三维静态模型，完成作战指挥标绘后可以进行版本保存所示。根据实际应急指挥需要，基于作战指挥标绘保存的不同版本，将不同的作战指挥标绘三维静态模型的位置映射到虚拟三维地理场景中，形成正射投影标绘二维作战图并导出离线文件。该示例中，基于虚拟现实技术的应急指挥作战标绘可以采用直接在三维空间中进行拖动的方式开展作战标绘，更符合使用者的使用习惯。

本发明具体实施方式还提供一种基于VR技术的复杂森火场景推演系统，包括处理器和计算机可读存储介质，所述计算机可读存储介质存储的计算机程序由所述处理器执行时，实现上述具体实施方式或具体示例中的复杂森火场景推演方法。

基于深度学习的森火蔓延预测方法及预测装置

现有森火蔓延预测模型多基于小范围的燃烧实验构建推导模型并生成模型参数，且模型应用对起火点等边界条件要求较高。然而，燃烧实验的场景多样性有限、构建的模型计算复杂度高，且森火现场较难获取准确的模型边界条件，导致现有模型在场景稳定性、模拟精确度和计算复杂度上较难满足实际应用需求。

为了弥补上述现有技术的不足，本发明还提出一种基于深度学习的森火蔓延预测方法及预测装置。本发明前述的复杂场景火灾蔓延分析模型可以是采用所述基于深度学习的森火蔓延预测方法及预测装置的模型。

一种基于深度学习的森火蔓延预测方法，包括如下步骤：

使用构建的森火蔓延数据集训练卷积神经网络；

所述卷积神经网络根据输入数据预测基于栅格的森火空间的各栅格点位的引燃时刻；其中，所述输入数据包括森火蔓延状态、地理数据和气象数据，所述卷积神经网络依据所述输入数据进行编码并解码预测区域内的森火蔓延时空分布场，利用所述森火蔓延时空分布场来预测森火空间的各栅格点位的引燃时刻。

优选地，所述森火蔓延时空分布场定义为：

WSSTF＝Net(θ；Fs,Geo,Meo)

其中，WSSTF表示森火蔓延时空分布场，描述各栅格点位的引燃时刻，Fs表示森火的燃烧蔓延时刻状态，Geo表示地理数据，Meo表示气象数据，Net表示卷积神经网络，θ是网络的参数集，网络经过训练收敛后生成θ：

其中，

表示损失函数。

优选地，采用pytorch框架搭建网络并使用L1损失函数训练网络至收敛。

优选地，对特定时刻T的森火蔓延边界进行网络预测时，使用阈值过滤筛选出WSSTF中引燃时刻值小于T的区域，根据引燃时刻值小于T的区域生成T时刻森火蔓延边界wsstf_T。

优选地，所述森火蔓延数据集包括森火专题数据、基础地理数据和气象数据；所述森火专题数据包括矢量类型的起火点和蔓延边界数据，所述基础地理数据包括栅格类型的数字高程模型DEM 和植被类别数据，所述气象数据包括温度、湿度、风速和风向。

优选地，所述森火蔓延数据集的构建包括：将数据转换到统一的投影坐标系，并进行重采样、裁剪切块和过滤。

优选地，所述森火蔓延数据集包括历史森火数据集和使用传统森火蔓延引擎模拟生成的模拟数据集。

优选地，所述模拟数据集通过如下方式获得：首先对预测区域进行切块与裁剪，构建成地理切块集合；针对地理切块的组合，采用随机函数生成多组起火点、气象参数并采取所述森火蔓延引擎进行模拟，生成多组森火蔓延仿真结果，并构成森火蔓延数据集的关键部分。

优选地，所述编码为通过状态-条件机制实现对所述输入数据的分层渐进编码；其中，将所述输入数据分为状态分支和条件分支，所述状态分支为森火蔓延的状态数据，所述条件分支为作用在森火蔓延状态上的环境参数，包含地理编码子分支和气象编码子分支；各分支先进行独立编码再深度融合形成混合特征，然后采取编码-解码结构的骨干网络编码进一步提取混合特征的更高阶特征，并解码为所述森火蔓延时空分布场，实现对森火蔓延端到端的快速推理预测。

优选地，所述状态分支的输入是某一时刻的蔓延状态值，采取系列Convolution层、Batch Normalization层、Relu层即系列CBR层提取状态初阶特征；

所述地理编码子分支由DEM编码层与植被类型编码层构成；由所述系列CBR层构成所述DEM 编码层能够生成DEM的初阶特征张量；所述植被类型编码层先采取one-hot编码层将植被类别代码转换为类别向量，再由所述系列CBR层生成植被类型张量；

所述气象编码子分支由风矢量编码层和温湿度编码层构成；所述风矢量编码层先采取Linear 层将风力向量向高维映射生成风矢量张量，并上采样至DEM初阶张量尺度；所述温湿度编码层采取Linear层将温湿度向量向高维映射，并上采样至DEM初阶张量尺度；

所述条件分支提取到的特征经过融合后形成条件编码特征张量，并与所述状态分支的状态特征张量合并；

合并的特征输入到骨干网络中深度编码并解码输出预测的森火蔓延时空分布场WSTTF。

一种基于深度学习的森火蔓延预测装置，包括处理器和计算机可读存储介质，所述计算机可读存储介质存储的计算机程序由所述处理器执行时，实现所述的森火蔓延预测装置。

本发明与现有技术对比的有益效果包括：本发明的基于深度学习的森火蔓延预测方法将森火蔓延预测问题转化为时空分布场预测问题，采取深度学习的卷积神经网络实现对复杂空间环境下森火蔓延行为的预测，实现了森火蔓延的端到端快速推演并解决了模型对起火点等约束条件的限制，具体地，该基于深度学习理论设计的卷积神经网络，能够从森火蔓延数据集中学习模型参数，降低模型复杂度并减少模型边界条件约束，实现对森火蔓延时空动态演化的高效端到端预测，为应急管理部门开展森火救援提供科学辅助决策支持。

下面对照附图并结合优选的实施方式对本发明作进一步说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

如图8所示，本发明具体实施方式提供一种基于深度学习的森火(即森林火灾)蔓延预测方法，包括如下步骤：

使用构建的森火蔓延数据集训练卷积神经网络；

卷积神经网络根据输入数据预测基于栅格的森火空间的各栅格点位的引燃时刻；其中，输入数据包括森火蔓延状态、地理数据和气象数据，卷积神经网络依据输入数据进行编码并解码预测区域内的森火蔓延时空分布场，利用森火蔓延时空分布场来预测森火空间的各栅格点位的引燃时刻。

具体地，所述森火蔓延预测方法包括森火蔓延数据集构建、卷积神经网络设计及应用两大部分，包括：

1、森火蔓延数据集构建：包括将数据转换到统一的投影坐标系，并进行重采样、裁剪切块和过滤。

森火蔓延与地理环境、气象条件等多类因素相关，森火蔓延数据集是记录森火发生、蔓延全过程及相关要素的数据集。

在一些实施方式中，森火蔓延数据集包含森火专题数据、基础地理数据和气象数据，其中，森火专题数据包括矢量类型的起火点和蔓延边界数据等，基础地理数据包括栅格类型的数字高程模型 DEM(digital elevation model)和植被类别数据等，气象数据包括温度、湿度、风速和风向等。

已有公开的森火蔓延历史数据能够为数据集构建提供部分真实数据，但同时，考虑到真实样本数据量有限性，还可使用传统森火蔓延引擎批量式生成大规模的仿真蔓延数据，模拟过程中的起火点、气象数据可随机生成，模拟区域可不受限于仅历史上发生过森火的区域，以增加森火蔓延数据集的多样性，因此，在另一些实施方式中，森火蔓延数据集包括历史森火数据集和使用传统森火蔓延引擎模拟生成的模拟数据集；其中，模拟数据集通过如下方式获得：首先对预测区域进行切块与裁剪，构建成地理切块集合；针对从地理切块集合中选取的地理切块的组合，采用随机函数生成多组起火点、气象参数并采取森火蔓延引擎进行模拟，生成多组森火蔓延仿真结果，并构成森火蔓延数据集的关键部分。

将采集的森火蔓延数据转换到统一的投影坐标系，并进行重采样、裁剪切块和过滤，以构建森火蔓延数据集。

2、卷积神经网络设计及应用：卷积神经网络根据输入数据预测基于栅格的森火空间的各栅格点位的引燃时刻，卷积神经网络依据输入数据进行编码并解码预测区域内的森火蔓延时空分布场，利用森火蔓延时空分布场来预测森火空间的各栅格点位的引燃时刻。

2.1、网络任务设计

网络任务设计是决定卷积神经网络性能的关键，聚焦于网络输入与预测输出的定义。考虑到森火蔓延预测是实现对森火空间的各栅格点位的被引燃的时刻的预测，因此本网络的输入数据包含森火蔓延状态数据(如起火点)、地理数据(如DEM、植被类型VT等)和气象数据(温度、湿度、风速、风向等)。网络输出是网络任务设计的关键。相比于设置二分类预测任务，本发明实施方式定义森火蔓延时空分布场(wildfire spread spatio-temporalfield,WSSTF)的概念，卷积神经网络直接预测空间各点位的引燃时刻，其中，森火蔓延时空分布场定义为：

WSSTF＝Net(θ；Fs,Geo,Meo)

其中，WSSTF表示森火蔓延时空分布场，描述各栅格点位的引燃时刻，Fs表示森火的燃烧蔓延时刻状态，Geo表示地理数据，Meo表示气象数据，Net表示卷积神经网络，θ是Net的参数集。对特定时刻T的森火蔓延边界进行网络预测时，使用阈值过滤筛选出WSSTF中引燃时刻值小于T 的区域，根据引燃时刻值小于T的区域生成T时刻森火蔓延边界wsstf_T。

2.2、网络结构设计

对输入数据的编码模式很大程度决定网络的性能，简单的堆叠编码输入参数容易造成特征混淆使得网络训练过程中难以收敛，因此，本发明实施方式提出一种状态-条件机制实现对输入数据的分层渐进编码，该方法首先将网络的输入数据分为状态分支和条件分支；其中，状态分支是指森火蔓延的状态数据，条件分支是指作用在森火蔓延状态上的环境参数，包含地理编码子分支和气象编码子分支；各分支先进行独立编码再深度融合形成混合特征，然后采取编码-解码结构的骨干网络编码进一步提取混合特征的更高阶特征，并解码为森火蔓延时空分布场WSSTF，实现对森火蔓延端到端的快速推理预测。进一步地，状态分支的输入是某一时刻的蔓延状态值，采取系列Convolution 层、Batch Normalization层、Relu层即系列CBR层提取状态初阶特征；地理编码子分支由DEM编码层与植被类型编码层构成；由系列CBR层构成DEM编码层能够生成DEM的初阶特征张量；植被类型编码层先采取one-hot编码层将植被类别代码转换为类别向量，再由系列CBR层生成植被类型张量；气象编码子分支由风矢量编码层和温湿度编码层构成；风矢量编码层先采取Linear层将风力向量向高维映射生成风矢量张量，并上采样至DEM初阶张量尺度；温湿度编码层采取Linear层将温湿度向量向高维映射，并上采样至DEM初阶张量尺度；条件分支提取到的特征经过融合后形成条件编码特征张量，并与状态分支的状态特征张量合并；合并的特征输入到骨干网络中深度编码并解码输出预测的森火蔓延时空分布场WSTTF。

2.3、网络训练与应用

网络训练过程中的标签数据来源于森火蔓延数据集，经过训练收敛后可生成网络参数θ，较优的是采用pytorch框架搭建网络并使用L1损失函数训练网络至收敛。

在网络应用时，Fs表示的森火的燃烧蔓延时刻状态可为起火点时刻状态，同时也可为其它任意燃烧蔓延时刻状态，能够解决传统蔓延模型对准确起火点要求的限制，同时，模型推演过程无需进行逐步迭代，可实现端到端的一次性推演森火蔓延时空动态数据。

以下结合具体的示例，对本发明做进一步阐述。

该示例中，基于深度学习的森火蔓延预测方法包括如下步骤：

1、森火蔓延数据集构建

1.1、火灾蔓延数据收集与处理

以美国加利福尼亚州研究样例，收集该区域的森火模拟基础数据与历史森火数据，包含栅格类型的DEM、栅格类型的植被类型数据、矢量类型的起火点和蔓延边界数据等。然后，使用空间数据处理工具将数据转换到统一的投影坐标系，并进行重采样、裁剪切块和过滤等数据处理操作。

1.2、森火蔓延数据集构建

森火蔓延数据集包含森火专题数据(起火点、蔓延边界数据等)、基础地理数据(DEM、植被类型等)、气象数据(温度、湿度、风速、风向等)。真实森火数据对数据集构建时十分重要，如在美国地质调查局USGS官网上可下载的GeoMAC数据集，包含美国全境多年的森火蔓延数据，然而，真实森火数据的场景多样性和数据完整性存在缺陷，因此较优的是配合仿真模拟数据以增强该数据集的可用性。

如图9所示，为仿真森火蔓延数据集的生成流程图，针对模拟数据集，首先对研究区域的DEM、植被类型等栅格数据进行裁剪切块与过滤，构建成地理切块集合，针对每个地理切块组合，采用随机函数生成多组起火点、气象参数并采取传统的森火蔓延引擎进行模拟，生成多组森火蔓延仿真结果，并构成森火(野火)蔓延数据集的关键部分。

2、卷积神经网络设计及应用

2.1网络任务设计

如图10所示，是WSSTF与二分类的森火蔓延状态表征模式对比图，相比于常见的二分类任务(即预测森火场景内的已燃烧1与未燃烧0)，本示例将网络任务设定为密集回归任务，网络将依据输入的森火的燃烧蔓延时刻状态Fs、地理数据Geo、气象数据Meo编码并解码预测区域内森火蔓延时空分布场WSSTF。其中，WSSTF描述了各栅格点位的引燃时刻，通过简单的阈值筛选便可获取任意时刻的森火蔓延边界，例如，当要获取特定时刻T的森火蔓延边界时，可使用简单的阈值过滤筛选出wsstf中引燃时刻值小于T的区域，便可生成对应的T时刻森火蔓延边界wsstf_T，而传统二分类模式包含数据信息更少、网络收敛难度大，且需要不断迭代才能获取不同时刻的森火蔓延边界。

2.2、网络结构设计

如图11所示，为森火蔓延预测的卷积神经网络的结构图，依据端到端的密集回归网络任务，采用状态-条件机制实现对输入数据的分层渐进编码，解决简单的堆叠编码导致特征混淆，网络难以收敛的问题。该机制将输入数据进行按类别分类为状态分支和条件分支。

状态分支的输入是某一时刻的蔓延状态值(如0/1燃烧二值数据)，采取系列Convolution层+ BatchNormalization层+Relu层(CBR层)提取状态初阶特征。条件分支包含地理编码子分支和气象编码子分支。地理编码子分支由DEM编码层与植被类型编码层构成，由系列CBR层构成DEM 编码层能够生成DEM的初阶特征张量。植被类型编码层则先采取one-hot编码层将植被类别代码转换为类别向量，再由系列CBR层生成植被类型张量。气象编码子分支由风矢量编码层和温湿度编码层构成。风矢量编码层先采取Linear层将风力向量向高维映射生成风矢量张量，并上采样至 DEM初阶张量尺度。温湿度编码层则直接采取Linear层将温湿度向量向高维映射，并上采样至DEM 初阶张量尺度。条件子分支提取到的特征经过融合后形成条件编码特征张量，并与状态特征张量合并。如DEM张量shape(尺度)是NxNxC，而风特征和温湿度特征经过Linear层输出张量尺度为1x1xC，因此进行上采样扩展至NxN维度，上采样后的张量尺度一致，以实现拼接NxNx(4C)的融合特征。将合并的特征输入到编码-解码骨干网络中深度编码并解码输出预测的森火蔓延时空分布场 WSTTF。

2.3、网络训练与应用

训练网络的标签数据来自于森火蔓延数据集。例如，可采取pytorch框架搭建网络并使用L1 损失函数训练网络至收敛，并保存训练好的网络参数θ。

在网络应用时，将预测区域的森火的燃烧蔓延时刻状态Fs、地理数据Geo、气象数据Meo输入Net网络，网络依据设计框架和训练参数θ推理森火蔓延时空分布场WSSTF。

WSSTF＝Net(θ；Fs,Geo,Meo)

网络预测的WSSTF描述了全时段的森火蔓延动态过程，当要获取特定时刻T的森火蔓延边界时，可使用简单的阈值过滤筛选出WSSTF中引燃时刻值小于T的区域，便可生成对应的T时刻森火蔓延边界wsstf_T。

图12示出了本发明具体示例中网络应用输出的模拟预测结果。

本发明具体实施方式还提供一种基于深度学习的森火蔓延预测装置，包括处理器和计算机可读存储介质，所述计算机可读存储介质存储的计算机程序由所述处理器执行时，实现所述的森火蔓延预测装置。

基于不规则图网络的森火蔓延预测方法及装置

现有的森火蔓延预测模型多采取规则格网模式表征地理空间，并基于森火蔓延规则计算各格网的引燃时间。然而，森火场景中可燃植被与不可燃城市设施通常是紧密交织的，为规则格网模式的森火蔓延模型设置合适空间分辨率通常是困难的，过高的分辨率往往会造成计算资源浪费、且模拟耗时较长；过低的分辨率又容易导致模拟误差过大。

为了弥补上述现有技术的不足，本发明提出一种基于不规则图网络的森火蔓延预测方法及装置。本发明前述的复杂场景火灾蔓延分析模型可以是采用所述基于不规则图网络的森火蔓延预测方法及装置的模型。

一种基于不规则图网络的森火蔓延预测方法，包括如下步骤：

S1、生成以变尺度模式表征森火场景的不规则图网络，其中，所述不规则图网络包括一系列的图节点与图边，所述图节点与所述图边具有结合森火场景特性而设置的属性集合；其中，初始化所述不规则图网络后，依据所述森火场景的复杂性自适应地确定所述图节点的数量和空间分布；

S2、通过使用拟合函数来逼近所述森火场景的规则格网的森火蔓延函数，构建所述不规则图网络下的森火蔓延函数；

S3、从起火点对应的图节点开始，根据所述森火蔓延函数计算所述不规则图网络上的图边的森火蔓延时长，并结合最小旅行时间原理计算所述不规则图网络上的图节点引燃时刻，迭代生成所述不规则图网络下的森火蔓延模拟结果。

优选地，所述不规则图网络中，每一个图节点具有属性集合A_node：

A_node＝{ID,X,Y,LT,EL,IT}

其中，ID是图节点的唯一编号，(X,γ)是图节点的地理坐标，LT是植被类型，EL是高程值，IT 是该图节点被引燃的相对时刻；

每一个图边具有描述相互邻接两节点之间线段的属性集合A_edge：

A_edge＝{SID,TID,LT,SL,L,DA}

其中，SID和TID分别是图边的起始点和目标点，LT是植被类型，SL是从SID到TID的坡度，L 是图边的地理长度，DA是边角度，描述矢量图边与正北方向之间的夹角。

优选地，所述不规则图网络的初始化包括：

设定所述不规则图网络的分辨率范围，包含最大图分辨率阈值GR_max和最小图分辨率阈值 GR_min；

通过均匀分布采样，初始化森火场景中的图节点，图节点之间的最大距离即为GR_min；

在初始化的图节点集合上构建图边，使图边能够完整地覆盖森火空间且图边之间不存在重叠；

依据图节点所处的地理位置生成图节点的属性集合以及图边的属性集合。

优选地，在初始化的所述不规则图网络的基础上依据所述森火场景的复杂性自适应地调整图节点的密度，进行不规则图网络自适应优化。

优选地，所述不规则图网络自适应优化包括：

对于所述不规则图网络中的任一图边，按照由所述不规则图网络的最大图分辨率确定的插值间隔，生成对图边进行图节点预插值的候选节点集合

进行图边一致性检验，当候选节点集中的候选节点

与前一节点的植被类型不同时，插入该候选节点；以及，计算候选节点与前一节点之间的高程差变化

当

超出设定阈值T时，插入该候选节点；

依据更新后的图节点对不规则图网络进行重构；

重复以上过程直至没有新的候选节点插入或达到预设的最大迭代次数；

将邻接节点均为不可燃属性的图节点删除，形成优化后的不规则图网络。

优选地，使用拟合函数

来逼近规则格网的蔓延函数f：

t＝f(LT,SL,L,Meteo)

其中，LT,SL,L和Meteo分别是植被类型、坡度、格网长度和气象参数，t是在规则格网表征下的蔓延时长，

是不规则图网络表征下的蔓延时长，

是计算

与f之间的损失函数。

优选地，所述拟合函数为多元线性方程、多元非线性方程或深度神经网络；所述拟合函数的模型参数θ：

通过拟合函数

实现图边模式下的引燃时刻计算：

优选地，步骤S2包括：通过图-格网映射方法将规则格网模型生成的森火蔓延结果转化为不规则图网络下的标签结果，生成所述拟合函数的参数θ；

其中，所述图-格网映射方法包括：

使用规则格网模型生成森火蔓延模拟结果，各栅格点位记录被引燃的时刻；

将对应森火区域的不规则图网络与规则格网进行空间对齐，将栅格点位的引燃时刻复制映射给不规则图节点；

检索每一图节点的所有邻接节点

并获取所有邻接节点的引燃时刻

再判断引燃时刻相对于图节点的引燃时刻最小的邻接节点，并将该邻接节点设置为该图节点的有效蔓延节点VSN，对应的连接图边作为有效蔓延边VSEs；

使用有效蔓延边VSEs标签数据训练生成所述拟合函数的参数θ。

优选地，步骤S3包括：

依据起火点坐标搜索最近的图节点并设置为起始引燃时刻；

搜索起火图节点的邻接图节点Nⁱ与邻接图边Eⁱ，依据拟合函数

计算从起火图节点到邻接图节点的时刻

将

添加至候选引燃集合T_edge；

依据最小旅行时间原理，从集合T_edge中选取引燃时刻最小的图节点，作为下一次拟合函数

的计算节点，并将计算得到的节点引燃时刻更新到T_edge中；

迭代以上过程生成不规则图网络下的森火蔓延模拟结果。

一种基于不规则图网络的森火蔓延预测装置，包括处理器和计算机可读存储介质，所述计算机可读存储介质存储的计算机程序由所述处理器执行时，实现所述的森火蔓延预测方法。

本发明与现有技术对比的有益效果包括：本发明的基于不规则图网络的森火蔓延预测方法以自适应变尺度生成不规则图网络，能够依据区域场景的复杂性动态地调整图节点的空间分布密度，变尺度的空间表征模式能够更好地平衡计算复杂度和模拟精确度，模拟复杂空间环境下的森火蔓延行为，并以不规则图网络模式可视化森火蔓延时空过程，同时，相比于栅格模式，不规则图网络模式以图节点引燃时刻与连接边描述森火蔓延动态过程，指明了不同图节点之间的引燃关系，能够更显著地可视化森火蔓延的时空分布特征，为政府应急部门提供了新颖且有效的森火蔓延态势分析方法，为应急管理部门的森火预防、救援部署、人员疏散等关键环节提供辅助决策支持，有利于实现高效救援决策、降低森火灾害损失的目的。

下面对照附图并结合优选的实施方式对本发明作进一步说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

如图13所示，本发明具体实施方式提供一种基于不规则图网络的森火蔓延预测方法，包括如下步骤：

S1、生成以变尺度模式表征森火场景的不规则图网络，其中，不规则图网络包括一系列的图节点与图边，图节点与图边具有结合森火场景特性而设置的属性集合；初始化不规则图网络后，依据森火场景的复杂性自适应地确定图节点的数量和空间分布；

S2、通过使用拟合函数来逼近森火场景的规则格网的森火蔓延函数，构建不规则图网络下的森火蔓延函数；

S3、从起火点对应的图节点开始，所述森火蔓延函数计算不规则图网络上的图边的森火蔓延时长，并结合最小旅行时间原理计算不规则图网络上的图节点引燃时刻，迭代生成不规则图网络下的森火蔓延模拟结果。

以下通过具体的示例进行进一步阐述。

1、变尺度图网络空间表征

1.1、森火场景下不规则图网络的定义

不规则图网络G＝(V,E)由一系列的图节点V与图边E组成，图节点与图边具有结合森火场景特性而设置的属性集合A_node和A_edge，图节点与图边的属性值是计算森火蔓延的关键数据，包含坐标位置、方位角、植被类型、地形坡度、图边长度等，具体地，在森火场景中，每一个图节点 nodeⁱ∈V具有属性集合A_node：

A_node＝{ID,X,Y,LT,EL,IT}

其中，ID是图节点的唯一编号，(X,Y)是图节点的地理坐标，LT是植被类型，EL是高程值， IT是该图节点被引燃的相对时刻(起火点的相对时刻为0)。每一个图边则描述相互邻接两节点之间线段的属性集合A_edge：

A_edge＝{SID,TID,LT,SL,L,DA}

其中，SID和TID分别是图边的起始点和目标点，LT是植被类型，SL是从SID到TID的坡度，L 是图边的地理长度，DA是边角度，描述矢量图边与正北方向之间的夹角。森火蔓延时，从起火的图节点开始，计算沿图边向周围图节点扩散速度和引燃时刻。

1.2、初始化不规则图网络

如图14所示，为初始化不规则图网络的示意图。森火区域场景的复杂性决定了不规则图网络的节点的空间分布，不规则图网络采取变尺度模式表征森火场景，初始化不规则图网络后，依据森火场景的复杂性自适应地确定图节点的数量和空间分布。不规则图网络的初始化包括：首先，设定不规则图网络的分辨率范围，包含最大图分辨率阈值GR_max和最小图分辨率阈值GR_min，其中，GR_max也是不规则图网络中允许出现的最短图边长度，GR_min则也是不规则图网络中允许出现的最长图边长度；其次，通过均匀分布采样，初始化森火场景中的图节点，图节点间的最大距离即为GR_min；再次，在初始化的图节点集合上构建图边，使图边能够完整地覆盖森火空间且图边之间不存在重叠，依据图节点所处的地理位置生成图节点的属性集合以及图边的属性集合，具体地，可以依据Delaunay算法在初始化的图节点集合上构建图边，并生成对应图节点的属性集合A_node与图边的属性集合A_edge。

在一个具体示例中，可依据应用需求设置GR_max为5米、GR_min为30米，也即表明不规则图网络中允许出现的最短和最长图边长度分别为5米和30米。然后，按照GR_min在森火空间中均匀分布生成采样点，并基于Delaunay算法生成图节点之间的连接边，确保图边能够完整地覆盖森火空间且图边之间不存在重叠。最后，依据图节点所处的地理位置，生成对应的图节点的属性集合和图边的属性集合。

1.3、不规则图网络自适应优化

如图15所示，为不规则图网络自适应优化的示意图。在初始化的不规则图网络的基础上依据森火场景的复杂性自适应地调整图节点的密度，以进行不规则图网络自适应优化，图网络自适应优化是确保复杂区域中图边属性一致性的关键。森火场景的复杂性主要由植被类型复杂性与地形坡度复杂性决定。对于简单区域，森火场景较为单一，采取GR_min即可较为准确表征地理环境，然而，对于复杂区域，森火场景的异质性较高，图边上常存在多种植被类型或者变化剧烈的坡度，因此，需要增加图边上节点密度来降低图边的属性不确定性。其中，不规则图网络自适应优化包括：对于所述图网络中的任一图边，按照由所述图网络的最大图分辨率确定的插值间隔，生成对图边进行图节点预插值的候选节点集合

进行图边一致性检验，当候选节点集中的候选节点

与前一节点的植被类型不同时，插入该候选节点；以及，计算候选节点与前一节点之间的高程差变化

当

超出设定阈值T时，插入该候选点；依据更新后的图节点对不规则图网络进行重构；重复以上过程直至没有新的候选节点插入或达到预设的最大迭代次数；将邻接节点均为不可燃属性的图节点删除，形成优化后的不规则图网络。更具体地，不规则图网络自适应优化包括：

首先，对于不规则图网络中的任一图边，使用GR_max确定的插值间隔，生成对图边进行图节点预插值的候选节点集合Edgeⁱ：

其中，

和

是第i条图边的起始点SID和目标点TID，插值的节点数量为M+1，候选节点集合中每个节点具有临时属性集

将起始点SID和目标点TID视为候选节点的目的在于便于计算。在节点插入的判断规则中，首先从

(即SID起始点)开始迭代，先比较

与

如满足插值条件，则插入

(注意

仅用来进行比较，并不会插入)。按该规则迭代到

与

当

也满足插入条件时，也进行插入，但整个图节点中重复的节点将被删除。当然，起始点SID和目标点TID不视为候选节点也是可以的。

然后，进行图边一致性检验，当候选节点集中的候选节点

与前一节点

的植被类型不同时，则表明该边的植被类型存在异质性，原有分辨率较难准确描述该复杂区域场景，因此需要插入该候选节点以细化区域表征能力，即为了更精确表征该区域，可以将候选节点

节点插入到图节点集合中；

表示候选节点

与前一节点

之间的高程差，

表示节点

与前一节点

之间的高程差，计算候选节点与前一节点之间的高程差变化

当

超出设定阈值T时，插入该候选节点，具体来说，可以采取二次差分方法计算候选节点之间的高程差变化

当

(即

与

之间的绝对差值)超出设定阈值T时，表明区域的地形较为复杂(具体为图边存在较大的坡度变化)，因此，较宜的是将候选节点

插入到图节点集合中以降低地形变化的不确定性。

然后，插入新节点之后，原有不规则图网络的结构将依据更新后的图节点进行重构，具体地，依据更新的图节点，再次使用Delaunay算法生成图边，并更新图节点属性与图边属性。

最后，迭代上述步骤(即重构后的不规则图网络将继续进行预插值与图边属性一致性检验)，直至没有新的图节点插入或者达到最大迭代次数，针对迭代后的不规则图网络，将邻接节点都是不可燃的图节点删除，降低不规则图网络的冗余度，并生成最终优化后的不规则图网络。

2、不规则图网络下的森火蔓延建模

2.1、森火蔓延函数定义

现有森火蔓延模型主要针对规则格网的空间表征模式研发，鲜有基于不规则图网络表征模式设计燃烧实验并构建蔓延模型的研究。因此，本发明具体实施方式使用拟合函数

来逼近森火场景的规则格网的蔓延函数f，构建不规则图网络下的森火蔓延函数：

t＝f(LT,SL,L,Meteo)

其中，LT,SL,L和Meteo分别是植被类型、坡度，格网长度和气象参数(如温度、湿度、风速、风向等)，t是在规则格网表征下的蔓延时长，

是不规则图网络表征下的蔓延时长。

是计算

与 f之间的损失函数。当

足够小时，则表明

能够达到规则格网模式下的模拟精度。

拟合函数的方程形式可以有多种，如多元线性方程、多元非线性方程、深度神经网络等。以深度神经网络为例，可构建由多个Linear层+Batch Normalization层+Relu层组合而成的深度卷积网络，实现对图边森火蔓延时长的预测：

其中，θ为网络训练参数，

为训练损失函数，LT,SL,L,DA和Meteo分别为植被类型、坡度、格网长度和气象参数，t为蔓延时长的标签数据。

2.2、图-格网映射

如图17所示，为图-格网映射方法的示意图。将规则格网的模拟结果转化为不规则图网络的模拟结果是实现函数拟合的关键，标签数据是生成拟合函数参数的关键，因此，较优的是通过图-格网映射方法，将规则格网模型生成的森火蔓延结果转化为不规则图网络下的标签结果，生成拟合函数的参数θ，其中，图-格网映射方法包括：

使用规则格网模型(例如基于元胞自动机原理的规则格网模型)生成森火蔓延模拟结果，各栅格点位记录被引燃的时刻。

将对应森火区域的不规则图网络与规则格网进行空间对齐，将栅格点位的引燃时刻复制映射给不规则图节点。

检索每一图节点的所有邻接节点

并获取所有邻接节点的引燃时刻

再判断引燃时刻相对于图节点的引燃时刻最小的邻接节点，并将该邻接节点设置该图节点的有效蔓延节点VSN，对应的连接图边作为有效蔓延边VSEs。

使用有效蔓延边VSEs标签数据训练生成所述拟合函数的参数θ。

具体来说：

首先，使用基于元胞自动机原理的规则格网模型生成森火蔓延模拟结果，各栅格点位记录被引燃的时刻。

然后，基于统一的空间坐标体系将规则栅格空间与不规则图网络空间对齐，每一个图节点均能对应规则格网上的某一栅格，栅格上的引燃属性可映射复制到对应的图节点。

然后，依据映射关系可获取每个图节点的引燃时刻IT和其它引燃属性，再搜索引燃图节点nⁱ的邻接节点集合

和对应的引燃时刻

其中M是邻接节点的数量。然而，图节点仅能由邻接的节点引燃，但并非所有邻接节点均对节点nⁱ的引燃存在影响，因此需要确定最先将节点n^i引燃的节点，并定义为有效蔓延节点，即定义有效蔓延节点(valid spread nodes,VSNs)表示最先将节点nⁱ引燃的节点，即

引燃时刻比节点 nⁱ更小且时间差值最大，有效燃烧节点与节点nⁱ构成的图边称为有效蔓延边(valid spread edges, VSEs)。也即，先检索每一图节点的邻接节点

并获取所有邻接节点的引燃时刻

再判断引燃时刻中相对于图节点的引燃时刻最小的邻接节点，即

并设置该图节点为节点nⁱ的VSN，对应的连接图边定义为有效蔓延边VSEs，如图16所示，为有效蔓延节点VSNs与有效蔓延边VSEs的示意图。

2.3、不规则图网络的蔓延函数

经过图-格网映射方法生成的VSEs集合是带有引燃时刻和其它属性的标签，一条VSE包含的属性集为

拟合函数

则实现图边模式下的引燃时刻计算：

拟合函数

可以存在多种形式，如线性函数(如最小二乘法拟合方程)、非线性函数(如深度学习拟合方程)，使用标签数据即可训练生成拟合函数的参数θ，进而实现计算不同环境条件下的图边森火蔓延时长。具体来说，蔓延函数由拟合函数

决定，以深度神经网络拟合函数为例，使用VSEs 标签数据可以训练模型并生成模型参数θ，训练收敛的模型便可实现对不同环境条件下的图边森火蔓延时长的计算：

2.4、森火蔓延模拟

拟合函数f^能计算某一图边的蔓延时长，因此结合最小旅行时间算法实现对全局不规则图网络上图节点引燃时刻的计算，也即从起火点对应的图节点开始，根据森火蔓延函数计算不规则图网络上的图边的森火蔓延时长，并结合最小旅行时间原理计算不规则图网络上的图节点引燃时刻，迭代生成不规则图网络下的森火蔓延模拟结果。具体来说：

首先，依据起火点坐标(X,Y)检索图节点中空间最邻近的节点并设置为起火图节点N_ign，起始引燃时刻为0。然后，将起火图节点N_ign设置为燃烧蔓延节点，搜索起火图节点的邻接图节点Nⁱ与邻接图边Eⁱ，并使用拟合函数

计算从起火图节点到邻接图节点的引燃时刻

将

添加至候选引燃集合T_edge；然后，依据最小旅行时间原理，从集合T_edge中选取最小引燃时刻值对应的图节点(值越小表明该节点将先被引燃)作为下一次燃烧蔓延节点，即下一次拟合函数

的计算节点，并将计算得到的节点引燃时刻更新到T_edge中，当某图节点被多个邻接节点引燃时，以最小引燃时刻为准。最后，迭代上述过程便可计算得到不规则图网络中所有图节点的燃烧时刻IT 以及对应图边的蔓延速率、蔓延时长等模拟结果，如图18所示。

本发明具体实施方式还提供一种基于不规则图网络的森火蔓延预测装置，其包括处理器和计算机可读存储介质，所述计算机可读存储介质存储的计算机程序由所述处理器执行时，实现上述的森火蔓延预测方法。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于VR技术的复杂森火场景推演方法，其特征在于，包括如下步骤：

S1、根据目标区域的基础地理信息数据搭建虚拟三维地理场景；

S2、根据复杂场景火灾蔓延分析模型对所述目标区域进行火灾蔓延模拟计算分析的输出结果，在所述虚拟三维地理场景中动态展示在不同时域的火焰三维动态模型，动态模拟虚拟火灾蔓延；

S3、使用虚拟现实设备交互工具进行作战标绘，将构建的作战指挥标绘三维静态模型映射到所述虚拟三维地理场景中，形成标绘作战图。

2.如权利要求1所述的复杂森火场景推演方法，其特征在于，所述目标区域的基础地理信息数据包含数字高程模型(DEM)、遥感卫星影像和地表构筑物数据；所述地表构筑物数据为地面植被类型数据、河流数据、建筑物数据中的一种或多种。

3.如权利要求2所述的复杂森火场景推演方法，其特征在于，步骤S1具体包括：

根据所述目标区域的基础地理信息数据构建所述目标区域的地表构筑物三维模型；

根据所述目标区域的基础地理信息数据构建基础三维高程表面，并将所述遥感卫星影像的每个像素值映射到所述三维高程表面上，生成高低起伏的基础三维地理场景，并将构建的所述地表构筑物三维模型放到对应的地表区域，从而构建起完整的虚拟三维地理场景；优选地，在将所述地表构筑物放置在对应的地表区域之前对所述地表构筑物的地理信息数据进行坐标转换，使其与DEM高程数据与遥感影像数据处于同一坐标参考系。

4.如权利要求3所述的复杂森火场景推演方法，其特征在于，所述目标区域的地表构筑物三维模型包括地面植被、建筑物的三维静态模型和河流的三维动态模型。

5.如权利要求1至4任一项所述的复杂森火场景推演方法，其特征在于，所述火焰三维动态模型包括篝火、建筑物燃烧火、化学物燃烧火、暗火、轰然火、森林火、油环火、烟雾火中的一种或多种。

6.如权利要求1至5任一项所述的复杂森火场景推演方法，其特征在于，步骤S2具体包括：

根据所述目标区域的基础地理信息数据，确定所述目标区域存在的可燃物数据，根据所述可燃物数据分析目标区域可能存在的火灾类型，构建符合所述目标区域火灾特点的火焰三维动态模型；

选择可对所述目标区域进行火灾蔓延模拟计算分析的复杂场景火灾蔓延分析模型，根据所述复杂场景火灾蔓延分析模型的输出结果，结合所述火焰三维动态模型，在所述虚拟三维地理场景中动态展示在不同时域的所述火焰三维动态模型；优选地，所述复杂场景火灾蔓延分析模型为基于元胞自动机原理的复杂场景火灾蔓延分析模型。

7.如权利要求1至6任一项所述的复杂森火场景推演方法，其特征在于，步骤S3中，根据火灾应急指挥过程中需要使用的应急力量、应急物资和作战标识符清单构建所述作战指挥标绘三维静态模型的模型库。

8.如权利要求1至7任一项所述的复杂森火场景推演方法，其特征在于，步骤S3中，所述使用虚拟现实设备交互工具进行作战标绘，包括通过人机交互指令在所述虚拟三维地理场景中新增、移动、放大、缩小、删除指定的作战指挥标绘三维静态模型。

9.如权利要求1至8任一项所述的复杂森火场景推演方法，其特征在于，步骤S3中，所述标绘作战图为正射投影标绘二维作战图。

10.一种基于VR技术的复杂森火场景推演系统，其特征在于，包括处理器和计算机可读存储介质，所述计算机可读存储介质存储的计算机程序由所述处理器执行时，实现如权利要求1至8任一项所述的复杂森火场景推演方法。

Images