CN114792163B - 多维数据整合下的火灾预测系统 - Google Patents
多维数据整合下的火灾预测系统 Download PDFInfo
- Publication number
- CN114792163B CN114792163B CN202210455233.5A CN202210455233A CN114792163B CN 114792163 B CN114792163 B CN 114792163B CN 202210455233 A CN202210455233 A CN 202210455233A CN 114792163 B CN114792163 B CN 114792163B
- Authority
- CN
- China
- Prior art keywords
- data
- dimensional data
- data integration
- integration result
- result
- 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
- 230000010354 integration Effects 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000000926 separation method Methods 0.000 claims abstract description 4
- 230000005856 abnormality Effects 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 16
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000000701 chemical imaging Methods 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 238000012351 Integrated analysis Methods 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明公开了多维数据整合下的火灾预测系统。包括：数据获取单元，配置用于获取目标监测区域的多方向数据，并将多方向数据进行方向分离，得到多个不同方向的变量；多方向数据包括：时间方向数据、空间方向数据和固有数据；数据整合单元，配置用于将时间方向数据作为变量，使用第一异常判断模型进行一维数据整合，得到一维数据整合结果，然后以一维数据整合结果作为前置条件，以空间方向数据为变量，使用第二异常判断模型进行二维数据整合，得到二维数据整合结果，最后以二维数据整合结果作为前置条件。其通过从空间维度、时间维度和自身维度的数据进行整合，基于条件概率的思想，进行火灾概率判断，具有判断准确率高的优点。
Description
技术领域
本发明属于灾害预测技术领域，具体涉及多维数据整合下的火灾预测系统。
背景技术
农田秸秆焚烧、草原和森林的意外或偶发性火灾除可能造成空气污染、生态系统破坏外，还可能造成人口和财产损失。近年来，人为和气候等原因导致的火灾，尤其是农林草复合区火灾频发，然而由于农田与林草地发生火灾的驱动因素不同，且二者火灾发生的时间区段等差异也较明显，因此进行火灾的分类预测和预警十分重要。
进行火灾预测预警，需要从历史数据中得到火灾发生的时间、地点、焚烧面积、频率等信息。想要准确的获得这些信息，需要通过热红外获得燃烧的时间点或通过多光谱数据获得燃烧痕迹信息，再以此推算火灾发生的时间、地点、强度等信息。因此，现有方法中存在一些主要通过热红外异常信息的识别来获得火灾的发生时间的方法，以及一些基于燃烧痕迹的预测预警方法。
专利申请号为CN202010448952.5A的专利文献公开了一种基于动态集成神经网络的多源信息融合火灾预测方法，采用创新性的逻辑设计，基于多源信息融合方法建立火灾预测模型，将多种火灾特征信号依次经过信息层、特征层、决策层，在特征层利用深度学习中的LSTM和RBF-BP神经网络作为子网络对多源火灾特征信号进行自适应学习，并将输出结果进行集成分析，再经决策层完成火灾预测，解决了火灾信号的时变性和非线性特点以及单特征信号火灾预测方法的高漏报率和误报率问题，有效提高了火灾预测系统的识别准确度。
该发明使用的是基于深度学习和特征融合的方法，虽然能够提高火灾预测的准确率，但该方法本质上还是基于特征的融合，特征虽然能够反映数据整体的特征，但对于某些不明显的特征无法考虑到，使得准确率和效率上都不尽人意。
发明内容
有鉴于此，本发明的主要目的在于提供多维数据整合下的火灾预测系统，其通过从空间维度、时间维度和自身维度的数据进行整合，基于条件概率的思想，进行火灾概率判断，具有判断准确率高的优点。
为达到上述目的，本发明的技术方案是这样实现的：
多维数据整合下的火灾预测系统，所述系统包括：数据获取单元，配置用于获取目标监测区域的多方向数据，并将多方向数据进行方向分离，得到多个不同方向的变量；所述多方向数据包括：时间方向数据、空间方向数据和固有数据；数据整合单元，配置用于将时间方向数据作为变量，使用第一异常判断模型进行一维数据整合，得到一维数据整合结果，然后以一维数据整合结果作为前置条件，以空间方向数据为变量，使用第二异常判断模型进行二维数据整合，得到二维数据整合结果，最后以二维数据整合结果作为前置条件，以固有数据作为变量，使用第三异常判断模型进行三维数据整合，得到三维数据整合结果；所述第一异常判断模型、第二异常判断模型和第三异常判断模型均为异常判断模型，基于前置条件和/或变量，进行概率计算，得到一维数据整合结果、二维数据整合结果或三维数据整合结果；火灾判断单元，配置用于基于一维数据整合结果、二维数据整合结果和三维数据整合结果进行火灾预测，得到预测结果。
进一步的，所述时间方向数据包括：同一目标监测区域，不同时间发生火灾的频次、温度数据、湿度数据，以及不同光谱率下的光谱数据和热红外数据。
进一步的，所述空间方向数据定义为：将同一目标监测区域划分为多个子区域，这些子区域在同一时间下，发生火灾的频次、温度数据、湿度数据，以及不同光谱率下的光谱数据和热红外数据。
进一步的，所述固有数据包括：目标监测区域的面积和海拔。
进一步的，所述在将同一目标检测区域划分为多个子区域时，将目标检测区域等分为多个子区域，划分的子区域的数量至少为10个；不同时间彼此之间的间隔相等。
进一步的，所述数据整合单元，将时间方向数据作为变量，使用第一异常判断模型进行一维数据整合，得到一维数据整合结果的方法包括：使用如下公式计算得到一维数据整合结果：其中，P1为计算得到的一维数据整合结果，为一个概率值；N为时间方向数据的个数；Tn为温度异常结果，且Tn＝T-T0，当T大于T0时，T为温度数据，T0为设定的温度阈值，或Tn＝0，当T小于T0时；Qn为发生火灾的频次；Hn为湿度异常结果，且Hn＝H-H0，当H大于H0时，H为湿度数据，H0为设定的湿度阈值，或Hn＝0，当H小于H0时；Gn为光谱异常结果，且Gn＝G-G0，当G大于G0时，G为光谱数据，G0为设定的光谱阈值，或Gn＝0，当G小于G0时；Jn为热红外异常结果，且Jn＝J-J0，当J大于J0时，J为热红外数据，J0为设定的热红外阈值，或Jn＝0，当J小于J0时。
进一步的，所述数据整合单元，以一维数据整合结果作为前置条件，以空间方向数据为变量，使用第二异常判断模型进行二维数据整合，得到二维数据整合结果的方法包括：使用如下公式计算得到二维数据整合结果：其中，P2为二维数据整合结果；Sm为子区域异常结果，M为子区域的数量。
进一步的，所述子区域异常结果使用如下公式计算得到：
进一步的，所述数据整合单元，以二维数据整合结果作为前置条件，以固有数据作为变量，使用第三异常判断模型进行三维数据整合，得到三维数据整合结果的方法包括：其中，P3为三维数据整合结果；S为目标监测区域的面积；H为目标监测区域的海拔；S0为设定的面积阈值；H0为设定的海拔阈值。
进一步的，所述火灾判断单元，基于一维数据整合结果、二维数据整合结果和三维数据整合结果，进行火灾预测，得到预测结果的方法包括：将P3作为有火概率，将1-P1为无火概率，将1-P(P3|P2)作为阴燃概率。
本发明的多维数据整合下的火灾预测系统，具有如下有益效果：
1.准确率高：本发明在进行火灾预测的时候，没有使用传统的技术方案，直接对历史数据进行特征提取的方式，来使用基于大数据分析的方式进行火灾预测，而是通过采集目标监测区域的多个方向的数据，对这些数据进行数据整合后，基于条件概率的方式，计算火灾预测，其相较于传统的方式，预测更加准确。
2.效率更高：本发明的火灾预测算法在进行数据分析时，对数据的处理都是线性的，而没有进行特征的挖掘和处理，算法实现简单，效率更高，占用系统资源更少。
附图说明
图1为本发明实施例提供的多维数据整合下的火灾预测系统的系统结构示意图；
图2为本发明实施例提供的多维数据整合下的火灾预测系统的数据整合的原理示意图；
图3为本发明实施例提供的多维数据整合下的火灾预测系统的条件概率的原理示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
如图1所示，多维数据整合下的火灾预测系统，所述系统包括：数据获取单元，配置用于获取目标监测区域的多方向数据，并将多方向数据进行方向分离，得到多个不同方向的变量；所述多方向数据包括：时间方向数据、空间方向数据和固有数据；数据整合单元，配置用于将时间方向数据作为变量，使用第一异常判断模型进行一维数据整合，得到一维数据整合结果，然后以一维数据整合结果作为前置条件，以空间方向数据为变量，使用第二异常判断模型进行二维数据整合，得到二维数据整合结果，最后以二维数据整合结果作为前置条件，以固有数据作为变量，使用第三异常判断模型进行三维数据整合，得到三维数据整合结果；所述第一异常判断模型、第二异常判断模型和第三异常判断模型均为异常判断模型，基于前置条件和/或变量，进行概率计算，得到一维数据整合结果、二维数据整合结果或三维数据整合结果；火灾判断单元，配置用于基于一维数据整合结果、二维数据整合结果和三维数据整合结果进行火灾预测，得到预测结果。
具体的，在对目标监测区域进行火灾预警时，目标监测区域作为一个确定的区域，其自身具备固有数据。比如目标监测区域的面积和海拔。而该目标监测区域由于在过去的时间，即历史时间中，具备火灾发生的数据和其他环境的数据。这些数据的变化在两个方向进行变化，一者是随着时间的变化而变化；另外则是在目标监测区域的不同部分，其数值出现的变化。
针对这两者，进行异常数据的识别和判断，再对这些数据进行加权整合，以得到数据整合的结果，再作为火灾预测的依据，其准确率更高。
实施例2
在上一实施例的基础上，所述时间方向数据包括：同一目标监测区域，不同时间发生火灾的频次、温度数据、湿度数据，以及不同光谱率下的光谱数据和热红外数据。
具体的，热红外数据采用高时间分辨率的遥感数据，而中高空间分辨率的多或高光谱数据采用不同的中高分辨率的数据源，如中高分辨率的遥感数据。
实施例3
在上一实施例的基础上，所述空间方向数据定义为：将同一目标监测区域划分为多个子区域，这些子区域在同一时间下，发生火灾的频次、温度数据、湿度数据，以及不同光谱率下的光谱数据和热红外数据。
具体的，光谱库是由高光谱成像光谱仪在一定条件下测得的各类地物反射光谱数据的集合。光谱库在准确地解译遥感图像信息、快速地实现未知地物的匹配、提高遥感分类识别水平起着至关重要的作用。由于高光谱成像光谱仪产生了庞大的数据量，建立地物光谱数据库，运用先进的计算机技术来保存、管理和分析这些信息，是提高遥感信息的分析处理水平并使其能得到高效、合理之应用的唯一途径，并给人们认识、识别及匹配地物提供了基础。
实施例4
在上一实施例的基础上，所述固有数据包括：目标监测区域的面积和海拔。
具体的，大面积的区域发生火灾的概率随之上升。海拔也会影响火灾的发生率。
实施例5
在上一实施例的基础上，所述在将同一目标检测区域划分为多个子区域时，将目标检测区域等分为多个子区域，划分的子区域的数量至少为10个；不同时间彼此之间的间隔相等。
实施例6
在上一实施例的基础上，所述数据整合单元，将时间方向数据作为变量，使用第一异常判断模型进行一维数据整合，得到一维数据整合结果的方法包括：使用如下公式计算得到一维数据整合结果：
其中，P1为计算得到的一维数据整合结果，为一个概率值；N为时间方向数据的个数；Tn为温度异常结果，且Tn＝T-T0，当T大于T0时，T为温度数据，T0为设定的温度阈值，或Tn＝0，当T小于T0时；Qn为发生火灾的频次；Hn为湿度异常结果，且Hn＝H-H0，当H大于H0时，H为湿度数据，H0为设定的湿度阈值，或Hn＝0，当H小于H0时；Gn为光谱异常结果，且Gn＝G-G0，当G大于G0时，G为光谱数据，G0为设定的光谱阈值，或Gn＝0，当G小于G0时；Jn为热红外异常结果，且Jn＝J-J0，当J大于J0时，J为热红外数据，J0为设定的热红外阈值，或Jn＝0，当J小于J0时。
具体的，本发明的一维数据整合结果反应的是随着时间的变化，目标监测区域发生火灾的概率。
通过将时间方向数据进行加权和归一化处理后，计算得到一个概率。
实施例7
在上一实施例的基础上，所述数据整合单元，以一维数据整合结果作为前置条件，以空间方向数据为变量，使用第二异常判断模型进行二维数据整合，得到二维数据整合结果的方法包括：使用如下公式计算得到二维数据整合结果：其中，P2为二维数据整合结果；Sm为子区域异常结果，M为子区域的数量。
参考图2，具体的，本发明的第二数据整合结果反应的是同一目标监测区域，在同一时间，在不同子区域发生火灾的概率。其根本上是一种条件概率，即在一维数据整合结果的基础上的概率。
实施例8
在上一实施例的基础上，所述子区域异常结果使用如下公式计算得到：
实施例9
在上一实施例的基础上，所述数据整合单元，以二维数据整合结果作为前置条件，以固有数据作为变量，使用第三异常判断模型进行三维数据整合，得到三维数据整合结果的方法包括：其中，P3为三维数据整合结果；S为目标监测区域的面积；H为目标监测区域的海拔；S0为设定的面积阈值；H0为设定的海拔阈值。
实施例10
在上一实施例的基础上，所述火灾判断单元，基于一维数据整合结果、二维数据整合结果和三维数据整合结果，进行火灾预测，得到预测结果的方法包括：将P3作为有火概率，将1-P1为无火概率，将1-P(P3|P2)作为阴燃概率。
参考图3，具体的，阴燃的情况大多发生在实质的火灾发生之前，但整个目标监测区域的火灾尚未确认，而是在目标监测区域的某个子区域发生了火灾，因此使用1-P(P3|P2)作为阴燃概率。条件概率是指事件A在事件B发生的条件下发生的概率。条件概率表示为：P(A|B)，读作“A在B发生的条件下发生的概率”。若只有两个事件A，B，那么，
需要说明的是，上述实施例提供的系统，仅以上述各功能单元的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能单元来完成，即将本发明实施例中的单元或者步骤再分解或者组合，例如，上述实施例的单元可以合并为一个单元，也可以进一步拆分成多个子单元，以完成以上描述的全部或者单元功能。对于本发明实施例中涉及的单元、步骤的名称，仅仅是为了区分各个单元或者步骤，不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应能够意识到，结合本文中所公开的实施例描述的各示例的单元、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件单元、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、QD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“另一部分”等是配置用于区别类似的对象，而不是配置用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者单元/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者单元/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术标记作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非配置用于限定本发明的保护范围。
Claims (6)
1.多维数据整合下的火灾预测系统，其特征在于，所述系统包括：数据获取单元，配置用于获取目标监测区域的多方向数据，并将多方向数据进行方向分离，得到多个不同方向的变量；所述多方向数据包括：时间方向数据、空间方向数据和固有数据；数据整合单元，配置用于将时间方向数据作为变量，使用第一异常判断模型进行一维数据整合，得到一维数据整合结果，然后以一维数据整合结果作为前置条件，以空间方向数据为变量，使用第二异常判断模型进行二维数据整合，得到二维数据整合结果，最后以二维数据整合结果作为前置条件，以固有数据作为变量，使用第三异常判断模型进行三维数据整合，得到三维数据整合结果；所述第一异常判断模型、第二异常判断模型和第三异常判断模型均为异常判断模型，基于前置条件和/或变量，进行概率计算，得到一维数据整合结果、二维数据整合结果或三维数据整合结果；火灾判断单元，配置用于基于一维数据整合结果、二维数据整合结果和三维数据整合结果进行火灾预测，得到预测结果；
所述数据整合单元，将时间方向数据作为变量，使用第一异常判断模型进行一维数据整合，得到一维数据整合结果的方法包括：使用如下公式计算得到一维数据整合结果：其中，P1为计算得到的一维数据整合结果，为一个概率值；N为时间方向数据的个数；Tn为温度异常结果，且Tn＝T-T0，当T大于T0时，T为温度数据，T0为设定的温度阈值，或Tn＝0，当T小于T0时；Qn为发生火灾的频次；Hn为湿度异常结果，且Hn＝H-H0，当H大于H0时，H为湿度数据，H0为设定的湿度阈值，或Hn＝0，当H小于H0时；Gn为光谱异常结果，且Gn＝G-G0，当G大于G0时，G为光谱数据，G0为设定的光谱阈值，或Gn＝0，当G小于G0时；Jn为热红外异常结果，且Jn＝J-J0，当J大于J0时，J为热红外数据，J0为设定的热红外阈值，或Jn＝0，当J小于J0时；
所述数据整合单元，以一维数据整合结果作为前置条件，以空间方向数据为变量，使用第二异常判断模型进行二维数据整合，得到二维数据整合结果的方法包括：使用如下公式计算得到二维数据整合结果：其中，P2为二维数据整合结果；Sm为子区域异常结果，M为子区域的数量；所述子区域异常结果使用如下公式计算得到：
所述数据整合单元，以二维数据整合结果作为前置条件，以固有数据作为变量，使用第三异常判断模型进行三维数据整合，得到三维数据整合结果的方法包括：其中，P3为三维数据整合结果；S为目标监测区域的面积；H为目标监测区域的海拔；S0为设定的面积阈值；H0为设定的海拔阈值。
2.如权利要求1所述的系统，其特征在于，所述时间方向数据包括：同一目标监测区域，不同时间发生火灾的频次、温度数据、湿度数据，以及不同光谱率下的光谱数据和热红外数据。
3.如权利要求2所述的系统，其特征在于，所述空间方向数据定义为：将同一目标监测区域划分为多个子区域，这些子区域在同一时间下，发生火灾的频次、温度数据、湿度数据，以及不同光谱率下的光谱数据和热红外数据。
4.如权利要求3所述的系统，其特征在于，所述固有数据包括：目标监测区域的面积和海拔。
5.如权利要求3所述的系统，其特征在于，所述将同一目标检测区域划分为多个子区域时，将目标检测区域等分为多个子区域，划分的子区域的数量至少为10个；不同时间彼此之间的间隔相等。
6.如权利要求1所述的系统，其特征在于，所述火灾判断单元，基于一维数据整合结果、二维数据整合结果和三维数据整合结果，进行火灾预测，得到预测结果的方法包括：将P3作为有火概率，将1-P1为无火概率，将1-P(P3|P2)作为阴燃概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210455233.5A CN114792163B (zh) | 2022-04-24 | 2022-04-24 | 多维数据整合下的火灾预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210455233.5A CN114792163B (zh) | 2022-04-24 | 2022-04-24 | 多维数据整合下的火灾预测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114792163A CN114792163A (zh) | 2022-07-26 |
| CN114792163B true CN114792163B (zh) | 2024-01-02 |
Family
ID=82462803
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210455233.5A Active CN114792163B (zh) | 2022-04-24 | 2022-04-24 | 多维数据整合下的火灾预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114792163B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110309961A (zh) * | 2019-06-20 | 2019-10-08 | 京东城市(北京)数字科技有限公司 | 火灾预警方法和装置 |
| CN110544357A (zh) * | 2019-08-28 | 2019-12-06 | 中科海慧（天津）科技有限公司 | 农林草复合区分区火灾预测预警方法、装置与电子设备 |
| CN111523277A (zh) * | 2020-05-19 | 2020-08-11 | 珠海格力电器股份有限公司 | 火灾预测方法、存储装置、处理器 |
| CN112950880A (zh) * | 2021-01-26 | 2021-06-11 | 特斯联科技集团有限公司 | 一种基于大数据的火灾预警方法及系统 |
-
2022
- 2022-04-24 CN CN202210455233.5A patent/CN114792163B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110309961A (zh) * | 2019-06-20 | 2019-10-08 | 京东城市(北京)数字科技有限公司 | 火灾预警方法和装置 |
| CN110544357A (zh) * | 2019-08-28 | 2019-12-06 | 中科海慧（天津）科技有限公司 | 农林草复合区分区火灾预测预警方法、装置与电子设备 |
| CN111523277A (zh) * | 2020-05-19 | 2020-08-11 | 珠海格力电器股份有限公司 | 火灾预测方法、存储装置、处理器 |
| CN112950880A (zh) * | 2021-01-26 | 2021-06-11 | 特斯联科技集团有限公司 | 一种基于大数据的火灾预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114792163A (zh) | 2022-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | Continuous monitoring of land disturbance based on Landsat time series | |
| Hermosilla et al. | Regional detection, characterization, and attribution of annual forest change from 1984 to 2012 using Landsat-derived time-series metrics | |
| Nesa et al. | Outlier detection in sensed data using statistical learning models for IoT | |
| Browning et al. | Breaks in MODIS time series portend vegetation change: verification using long‐term data in an arid grassland ecosystem | |
| Zerrouki et al. | A machine learning-based approach for land cover change detection using remote sensing and radiometric measurements | |
| CN105825177A (zh) | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 | |
| CN102663032B (zh) | 一种光纤光栅围栏入侵事件模式识别方法 | |
| De Angelis et al. | Phenological variability drives the distribution of wildfires in Sardinia | |
| Mills et al. | Cluster analysis-based approaches for geospatiotemporal data mining of massive data sets for identification of forest threats | |
| Lavanya et al. | Terrain mapping of LandSat8 images using MNF and classifying soil properties using ensemble modelling | |
| Li et al. | A hybrid contextual approach to wildland fire detection using multispectral imagery | |
| CN113609899B (zh) | 基于遥感时序分析的退耕地信息定位显示系统 | |
| Mishra et al. | RICA: A rice crop calendar for Asia based on MODIS multi year data | |
| Mudele et al. | Dengue vector population forecasting using multisource earth observation products and recurrent neural networks | |
| CN111814866A (zh) | 一种病虫害预警方法、装置、计算机设备及存储介质 | |
| Chanthiya et al. | Forest fire detection on LANDSAT images using support vector machine | |
| Ichim et al. | Using drones and deep neural networks to detect halyomorpha halys in ecological orchards | |
| CN114792163B (zh) | 多维数据整合下的火灾预测系统 | |
| Tao et al. | Monitoring the damage of armyworm as a pest in summer corn by unmanned aerial vehicle imaging | |
| CN115965875B (zh) | 一种农作物病虫害智能监控方法及系统 | |
| JP4711131B2 (ja) | 画素群パラメータ算出方法及び画素群パラメータ算出装置 | |
| Chen et al. | Trend forecast based approach for cropland change detection using Lansat-derived time-series metrics | |
| Wang et al. | Unsupervised detection for burned area with fuzzy C-means and DS evidence theory | |
| Marinelli et al. | A method for continuous sub-annual mapping of forest disturbances using optical time series | |
| Kumar et al. | A Technique for Burning Area Identification Using IHS Transformation and Image Segmentation |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231207 Address after: Room 1805-086, 18th Floor, Building 1, Lingyu Business Plaza, No. 66 Qinglonggang Road, High Speed Rail New City, Xiangcheng District, Suzhou City, Jiangsu Province, 215000 (Cluster Registration) Applicant after: Huoyan Fire Protection Technology Co.,Ltd. Address before: 250000 floor 6, Dongfeng Street office building, No. 25, Huayuan Road, Licheng District, Jinan City, Shandong Province Applicant before: Shandong Qiangli Fire Engineering Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |