CN115099493B - 一种基于cnn的林火向任意方向蔓延速率预测方法 - Google Patents
一种基于cnn的林火向任意方向蔓延速率预测方法 Download PDFInfo
- Publication number
- CN115099493B CN115099493B CN202210734346.9A CN202210734346A CN115099493B CN 115099493 B CN115099493 B CN 115099493B CN 202210734346 A CN202210734346 A CN 202210734346A CN 115099493 B CN115099493 B CN 115099493B
- Authority
- CN
- China
- Prior art keywords
- fire
- data
- spreading
- training
- cnn
- 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
- 230000007480 spreading Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 7
- 238000012876 topography Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000002779 inactivation Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 claims 1
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000010200 validation analysis Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于CNN的林火向任意方向蔓延速率预测方法,涉及林火智能防控技术领域,为解决现有的林火蔓延速率的预测方法无法对林火向任意方向蔓延的速率进行准确预测的问题。包括如下步骤:S1、获取火场连续监测图像数据,火场所在地的气象数据,地形数据,可燃物属性数据;S2、计算火点的蔓延方向和蔓延速率;S3、将得到的数据进行标准化处理并随机分割得到训练集、验证集和测试集;S4、根据各变量相关性的强弱确定模型的输入矩阵;S5、构建基于CNN的神经网络模型;S6、使用训练集对模型进行训练,使用验证集评估其训练过程中的精度变化情况,用测试集对火点的蔓延速率进行预测,评估其最终训练效果。
Description
技术领域
本发明涉及林火智能防控技术领域,具体涉及一种基于CNN的林火向任意方向蔓延速率预测方法。
背景技术
近年来,世界各地森林火灾频发,森林火灾是破坏森林生态平衡的关键因素,其一旦发生便会对社会经济及全球生态造成巨大损失。在森林火灾发生后,快速准确地预测森林火灾的发展和蔓延对消防工作的实施和开展具有重要的指导意义。在林火的蔓延过程中受气象、地形、可燃物性质的影响,向不同方向蔓延的火往往具有不同的蔓延速率,精准的预测林火向任意方向蔓延的速率对森林火灾管理至关重要。
目前,对林火蔓延速率的预测往往基于统计模型,这种方法往往忽略了蔓延方向这一重要特征,不能对任意方向的蔓延速率进行准确预测,该方法还多依赖火焰区反应强度等较多不易获得的参数而构建的物理机理模型,且往往要求可燃物的状态必须是均一的,在动态变化的火场情形中有很大的局限性,不能精确的预测林火蔓延速率。而采用人工智能多对林火图像对蔓延速度进行预测,通常根据林火蔓延图像判断林火的蔓延的位置结果,无法定量描述火的蔓延过程,无法针对林火蔓延过程达到较好的预测效果。
发明内容
本发明要解决的问题是:
现有的林火蔓延速率的预测方法无法对林火向任意方向蔓延的速率进行准确预测的问题。
为解决上述问题,本发明采取的技术方案为:
一种基于CNN的林火向任意方向蔓延速率预测方法,所述蔓延速率预测方法包括如下步骤:
S1、获取火场开始燃烧后,火蔓延过程的连续监测图像数据,火场所在地的气象数据,地形数据,可燃物属性数据;用于监测火场的相机和用于记录气象数据的各种传感器采样时间点相同;
S2、根据火场连续监测图像数据,得到相邻时刻火线的相对位置,计算与火点相邻的两火点构成向量的法线方向确定该火点的蔓延方向,计算法线与下一时刻火线的交点与该火点的距离与时间间隔的比值确定为该火点在该方向的蔓延速率;
S3、将得到的气象数据,地形数据,可燃物属性数据,火点的蔓延速率数据和蔓延方向数据进行标准化处理,消除指标之间的量纲影响,使各指标处于同一数量级,将标准化的数据随机分割得到训练集、验证集和测试集;将各数据集样本的气象因素、可燃物性质、地形因素、蔓延方向作为输入变量,蔓延速率为样本的标签;
S4、采用皮尔逊相关性分析方法对输入变量进行相关性分析,根据各变量相关性的强弱确定模型的输入矩阵,将相关性较强的几个输入变量布置在较近的位置上;
S5、构建基于CNN的神经网络模型,确定网络模型初始参数;
S6、使用训练集对模型进行训练,训练过程中采用批量学习的方法进行训练,损失函数选用均方误差MSE,采用Adam作为优化器,计算出更新步长,更新模型参数;使用验证集评估其训练过程中的精度变化情况,根据评估结果优化模型参数,得到预测林火向任意方向蔓延速率的网络模型;
最后将测试集输入到训练好的神经网络模型,对测试集各火点的蔓延速率进行预测,并对预测结果进行反向标准化得到蔓延速率预测输出值,将其与真实值对比,评估其最终训练效果。
进一步的,所述步骤S5中构建的基于CNN的神经网络模型结构包括:
卷积层,其卷积核大小为2×2、步长为1,填充为:SAME;
卷积层激活函数使用ReLU;
全连接层的激活函数为ReLU;
全连接层作为输出层;
全连接层1添加Dropout随机屏蔽部分神经元,随机失活率为0.2。
进一步的,步骤S1中采集的气象数据包括风速、风向、温度、湿度,采集的火场所在地地形数据具包括坡度、坡向,采集火场中可燃物属性数据包括植被类型、植被含水率。
进一步的,步骤S3中对采集的数据进行标准化采用的是sklearn StandardScale,计算数据中各特征的均值、标准差,对每个特征进行独立居中和缩放。
进一步的,步骤S3中将数据中的70%作为训练集,20%作为验证集,10%作为测试集。
进一步的,步骤S5中构建基于CNN的神经网络模型的结构包括:卷积层1输入厚度为1,输出厚度为32;卷积层2输入厚度为32,输出厚度为64;全连接层1的权重为一个形状[1024,512]的矩阵;全连接层2的权重为一个形状[512,1]的向量。
进一步的,步骤S6中批量学习的大小为450个样本,学习率为0.01,训练轮数为50轮。
相较于现有技术,本发明的有益效果是:
本发明相较于传统的林火蔓延速率预测方法,将火蔓延方向作为蔓延速率的影响因素之一输入模型,可实现对林火向任意方向蔓延的速率进行精准预测。
本发明构建的CNN神经网络模型,考虑了各输入变量之间的相互关系,利用了卷积神经网络能提取局部特征的优势,不止根据输入特征值的大小预测林火蔓延速率,同时也根据各变量之间的相关性来预测林火蔓延速率,使其具有更高的预测精度。
相较于依赖火焰区反应强度等较多不易获得的参数而构建的物理机理模型,本发明方法克服了该局限性,在实际应用中有更好的普适性;相比林火蔓延统计模型,能更好的应对火场环境的动态变化,预测精度有显著提高。
附图说明
以下将结合附图和实施例来对本发明的技术方案作进一步的详细描述,但是应当知道,这些附图仅是为解释目的而设计的,因此不作为本发明范围的限定。此外,除非特别指出,这些附图仅意在概念性地说明此处描述的结构构造,而不必要依比例进行绘制。
图1为本发明实例中基于CNN的林火向任意方向蔓延速率预测方法流程图;
图2为本发明实例中火点蔓延方向和蔓延速度计算原理图;
图3为本发明实例中根据输入变量皮尔逊相关性强弱排布的输入矩阵图;
图4为本发明实例中CNN神经网络模型结构图;
图5为本发明实例中训练损失和验证损失与模型训练轮数关系变化图;
图6为本发明实例中CNN神经网络模型和DNN神经网络模型对测试集数据的蔓延速率预测值与实际蔓延速率值的对比图。
具体实施方式
在本发明的描述中,应当说明的是,在本发明的实施例中所提到的术语“第一”、“第二”、“第三”仅用于描述目的,并不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者多个该特征。
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
在黑龙江省哈尔滨市阿城区进行的户外燃烧实验并采集数据,数据采样时间间隔为20秒,采集时间周期为10分钟。采集的气象特征数据为风速、风向,地形特征数据为坡度、坡向,可燃物属性特征数据为植被类型、植被含水率,及10分钟内的火蔓延过程的连续监测图像数据。
如图2所示,通过火场连续监测图像数据计算火蔓延方向、蔓延速率;t时刻火点A(a1,a2),及与其相邻的两火点为B(b1,b2)、C(c1,c2),取向量(b1-c1,b2-c2)的法线方向确定火点A的蔓延方向;t+1时刻火线上的火点P若满足:
(p1-a1)·(b1-c1)+(p2-a2)·(b2-c2)=0,则通过公式:计算火点A的蔓延速率v。
如表1所示为数据集中的一部分数据,风速风向仪中风向0°代表正北方向,坡向中正北坡向同样用0°表示,为了统一坐标系,在数据中火蔓延方向以该火点蔓延方向与正北方向的夹角记录。坡度的改变是通过调整燃烧床与地面的倾角实现的,坡向的改变是通过旋转燃烧床实现的。
表1
表中,植被类型1代表针叶型植被,植被类型2代表阔叶型植被。
采用的是sklearn StandardScale对表1中各种数据进行数据标准化,以消除指标之间的量纲影响,使各指标处于同一数量级,然后进行随机分割。如表2所示,将数据中的70%作为训练集,20%作为验证集,10%作为测试集。各数据集的样本包含一个火点所在位置的风速、风向、坡度、坡向、植被类型、植被含水率、蔓延方向七中标量数据作为模型输入特征,该火点的蔓延速率作为模型输出特征。
表2
如图3所示,对7个输入特征进行皮尔逊相关性分析,根据各输入特征之间相关性的强弱排布各输入变量在一个四阶矩阵中的位置,彼此之间相关性最强的四个输入特征被布置在四阶矩阵的中心位置,四阶矩阵作为网络模型的输入矩阵。
使用TensorFlow后端搭建的CNN神经网络,如图4所示,构建CNN神经网络模型的网络结构,如表3所示,为模型的网络结构和网络层参数。
表3
卷积层1输入厚度为1,输出厚度为32;卷积层2输入厚度为32,输出厚度为64;全连接层1的权重为一个形状[1024,512]的矩阵;全连接层2的权重为一个形状[512,1]的向量;
本实例卷积层激活函数选用ReLU,实现如果输入大于0,则输入与输出相等,否则输出为0的功能。由于输入矩阵的维度较小,没有增加池化层。全连接层作为模型的输出层,其激活函数选用ReLU。
使用训练集对网络模型进行训练,选用均方误差MSE为损失函数,选用Adam优化器,训练过程中学习率为0.01,每450个样本更新一次模型权重,训练轮数为50轮,每轮先用训练样本训练模型,使用验证集评估其训练过程中的精度变化情况,根据评估结果优化模型参数。
如图5所示为训练损失和验证损失与模型训练轮数关系变化。
在每一轮训练中,验证损失均低于训练损失,且随着训练轮数的增加,训练损失和验证损失均不断减小。在训练到第45次时,模型达到稳定。
将测试集输入到训练好的神经网络模型,对测试集各火点的蔓延速率进行预测,并对预测结果进行反向标准化得到蔓延速率预测输出值,将其与真实值对比,评估其最终训练效果。
用RMSE、MAE考察本实施例CNN神经网络模型在测试集上预测的准确度。如表4所示,为测试集火点蔓延速率预测值与真实值的RMSE、MAE值。
表4
对比例:
构建DNN网络模型,模型结构包含四个全连接层,全连接层1、2、3采用RELU激活函数,损失函数为MSE,学习率为0.01,除输入层和输出层每层均包含10个神经元。
如表5所示,为DNN神经网络模型针对实施例中测试集火点蔓延速率预测值与真实值的RMSE、MAE值,其结果均高于本实施例的CNN神经网络模型的RMSE、MAE值,说明本实施例CNN模型在预测准确度方面优于传统DNN神经网络模型。
表5
如图6所示,在测试集中随机选择三组数据,每组包括5个火点,分别通过CNN神经网络模型、DNN神经网络模型对蔓延速率预测值的对比图以直观的显示两种模型的预测性能,图中从左到右依次为通过CNN神经网络模型得到的速率值、真实速率值、通过DNN神经网络模型得到的速率值,从整体上看,通过本发明CNN神经网络模型计算得到的火点蔓延速率更贴近真实值,相较于DNN神经网络模型本发明方法的预测效果更好。
虽然本发明公开披露如上,但本发明公开的保护范围并非仅限于此。本发明领域技术人员在不脱离本发明公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (5)
1.一种基于CNN的林火向任意方向蔓延速率预测方法,其特征在于:所述蔓延速率预测方法包括如下步骤:
S1、获取火场开始燃烧后,火蔓延过程的连续监测图像数据,火场所在地的气象数据,地形数据,可燃物属性数据;用于监测火场的相机和用于记录气象数据的各种传感器采样时间点相同;
采集的气象数据包括风速、风向、温度、湿度,采集的火场所在地地形数据包括坡度、坡向,采集火场中可燃物属性数据包括植被类型、植被含水率;
S2、根据火场连续监测图像数据,得到相邻时刻火线的相对位置,计算与火点相邻的两火点构成向量的法线方向确定该火点的蔓延方向;计算法线与下一时刻火线的交点与该火点的距离与时间间隔的比值确定为该火点在该方向的蔓延速率;
S3、将得到的气象数据,地形数据,可燃物属性数据,火点的蔓延速率数据和蔓延方向数据进行标准化处理,消除各特征之间的量纲影响,使各特征处于同一数量级,将标准化的数据随机分割得到训练集、验证集和测试集;将各数据集样本的气象因素、可燃物性质、地形因素、蔓延方向作为输入变量,蔓延速率为样本的标签;
S4、采用皮尔逊相关性分析方法对样本所有变量进行两两分析,根据各变量相关性的强弱确定模型的输入矩阵,将相关性较强的几个输入变量布置在较近的位置上,彼此之间相关性最强的四个输入特征被布置在四阶矩阵的中心位置;坡向变量位于四阶矩阵的第1行第1列,植被类型变量位于四阶矩阵的第1行第4列,风速变量位于四阶矩阵的第2行第2列,植被含水率变量位于四阶矩阵的第2行第3列,坡度变量位于四阶矩阵的第3行第2列,蔓延方向变量位于四阶矩阵的第3行第3列,风向方向变量位于四阶矩阵的第4行第1列;
S5、构建基于CNN的神经网络模型,确定网络模型初始参数;
基于CNN的神经网络模型结构包括:
卷积层,其卷积核大小为2×2、步长为1,填充为:SAME;
卷积层激活函数使用ReLU;
全连接层的激活函数为ReLU;
全连接层作为输出层;
全连接层1添加Dropout随机屏蔽部分神经元,随机失活率为0.2;
S6、使用训练集对模型进行训练,训练过程中采用批量学习的方法进行训练,损失函数选用均方误差MSE,采用Adam作为优化器,计算出更新步长,更新模型参数;使用验证集评估其训练过程中的精度变化情况,根据评估结果优化模型参数,得到预测林火向任意方向蔓延速率的网络模型;
最后将测试集输入到训练好的神经网络模型,对测试集各火点的蔓延速率进行预测,并对预测结果进行反向标准化得到蔓延速率预测输出值,将其与真实值对比,评估其最终训练效果;
用RMSE、MAE考察CNN神经网络模型在测试集上预测的准确度。
2.根据权利要求1所述的一种基于CNN的林火向任意方向蔓延速率预测方法,其特征在于:步骤S3中对采集的数据进行标准化采用的是sklearn StandardScale,计算数据中各特征的均值、标准差,对每个特征进行独立居中和缩放。
3.根据权利要求2所述的一种基于CNN的林火向任意方向蔓延速率预测方法,其特征在于:步骤S3中将数据中的70%作为训练集,20%作为验证集,10%作为测试集。
4.根据权利要求3所述的一种基于CNN的林火向任意方向蔓延速率预测方法,其特征在于:步骤S5中构建基于CNN的神经网络模型的结构包括:卷积层1输入厚度为1,输出厚度为32;卷积层2输入厚度为32,输出厚度为64;全连接层1的权重为一个形状[1024,512]的矩阵;全连接层2的权重为一个形状[512,1]的向量。
5.根据权利要求4所述的一种基于CNN的林火向任意方向蔓延速率预测方法,其特征在于:步骤S6中批量学习的大小为450个样本,学习率为0.01,训练轮数为50轮。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210734346.9A CN115099493B (zh) | 2022-06-27 | 2022-06-27 | 一种基于cnn的林火向任意方向蔓延速率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210734346.9A CN115099493B (zh) | 2022-06-27 | 2022-06-27 | 一种基于cnn的林火向任意方向蔓延速率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115099493A CN115099493A (zh) | 2022-09-23 |
CN115099493B true CN115099493B (zh) | 2023-11-10 |
Family
ID=83293194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210734346.9A Active CN115099493B (zh) | 2022-06-27 | 2022-06-27 | 一种基于cnn的林火向任意方向蔓延速率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099493B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661245B (zh) * | 2022-10-24 | 2023-04-18 | 东北林业大学 | 一种基于无人机的大尺度火线瞬时定位方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100087567A (ko) * | 2009-01-28 | 2010-08-05 | 서울대학교산학협력단 | 산불확산 예측시스템 및 방법 |
CN110008301A (zh) * | 2019-04-12 | 2019-07-12 | 杭州鲁尔物联科技有限公司 | 基于机器学习的区域性地质灾害易发性预测方法及装置 |
WO2020106720A1 (en) * | 2018-11-21 | 2020-05-28 | Tohidi Ali | Fire monitoring |
CN112307884A (zh) * | 2020-08-19 | 2021-02-02 | 航天图景(北京)科技有限公司 | 基于连续时序遥感态势数据的林火蔓延预测方法及电子设备 |
CN112464819A (zh) * | 2020-11-27 | 2021-03-09 | 清华大学 | 基于无人机视频的林火蔓延数据同化方法以及装置 |
CN112686160A (zh) * | 2020-12-30 | 2021-04-20 | 四川弘和通讯有限公司 | 一种基于双光谱视频图像预测林火蔓延方法及系统 |
CN113902981A (zh) * | 2021-12-10 | 2022-01-07 | 航天宏图信息技术股份有限公司 | 一种林火蔓延预测方法、装置、电子设备及存储介质 |
CN113988222A (zh) * | 2021-11-29 | 2022-01-28 | 东北林业大学 | 一种基于Faster-RCNN的森林火灾检测与识别方法 |
CN114037152A (zh) * | 2021-11-09 | 2022-02-11 | 北京林业大学 | 一种林火预报与火势蔓延计算方法 |
-
2022
- 2022-06-27 CN CN202210734346.9A patent/CN115099493B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100087567A (ko) * | 2009-01-28 | 2010-08-05 | 서울대학교산학협력단 | 산불확산 예측시스템 및 방법 |
WO2020106720A1 (en) * | 2018-11-21 | 2020-05-28 | Tohidi Ali | Fire monitoring |
CN110008301A (zh) * | 2019-04-12 | 2019-07-12 | 杭州鲁尔物联科技有限公司 | 基于机器学习的区域性地质灾害易发性预测方法及装置 |
CN112307884A (zh) * | 2020-08-19 | 2021-02-02 | 航天图景(北京)科技有限公司 | 基于连续时序遥感态势数据的林火蔓延预测方法及电子设备 |
CN112464819A (zh) * | 2020-11-27 | 2021-03-09 | 清华大学 | 基于无人机视频的林火蔓延数据同化方法以及装置 |
WO2022110912A1 (zh) * | 2020-11-27 | 2022-06-02 | 清华大学 | 基于无人机视频的林火蔓延数据同化方法以及装置 |
CN112686160A (zh) * | 2020-12-30 | 2021-04-20 | 四川弘和通讯有限公司 | 一种基于双光谱视频图像预测林火蔓延方法及系统 |
CN114037152A (zh) * | 2021-11-09 | 2022-02-11 | 北京林业大学 | 一种林火预报与火势蔓延计算方法 |
CN113988222A (zh) * | 2021-11-29 | 2022-01-28 | 东北林业大学 | 一种基于Faster-RCNN的森林火灾检测与识别方法 |
CN113902981A (zh) * | 2021-12-10 | 2022-01-07 | 航天宏图信息技术股份有限公司 | 一种林火蔓延预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
"Online moisture measurement of dead fine fuel on the forest floor using near-infrared reflectometry";Peng, B (Peng, Bo) ; Zhang, JW (Zhang, Jiawei) ; Xing, J (Xing, Jian) ; Liu, JQ (Liu, Jiuqing);《REVIEW OF SCIENTIFIC INSTRUMENTS》;第92卷(第6期);全文 * |
"基于土壤水分和气象要素的林火预报研究——以广东省为例";蔡霁初等;《地理科学》;第41卷(第09期);全文 * |
云南松烧除火蔓延速率预测模型研究;高仲亮;舒立福;王明玉;赵凤君;周汝良;;《安全与环境学报》(第04期);全文 * |
动态数据驱动的林火蔓延模型适宜性选择;杨广斌;刘鹏举;唐小明;;《林业科学》(第01期);全文 * |
基于VLBP神经网络的林火预测研究;胡林等;《林业科学》;20060605;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115099493A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444953B (zh) | 一种基于改进粒子群优化算法的传感器故障监测方法 | |
CN112287294B (zh) | 一种基于深度学习的时空双向土壤含水量插值方法 | |
CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN110210681B (zh) | 一种基于距离的监测站点pm2.5值的预测方法 | |
CN111461453B (zh) | 一种基于多模型组合的中长期径流集合预报方法 | |
CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
CN111414977A (zh) | 机床主轴热误差建模的加权集成温度敏感点组合选取方法 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN115099493B (zh) | 一种基于cnn的林火向任意方向蔓延速率预测方法 | |
CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
CN112712169A (zh) | 基于图卷积的全残差深度网络的模型建立方法及应用 | |
CN116341901A (zh) | 一种滑坡面域-单体危险性预警的一体化评价方法 | |
CN115629160A (zh) | 一种基于时空图的空气污染物浓度预测方法及系统 | |
CN115877483A (zh) | 一种基于随机森林和gru的台风路径预报方法 | |
CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
CN117272202A (zh) | 大坝变形异常值识别方法及系统 | |
CN116663126A (zh) | 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法 | |
CN113688506B (zh) | 基于微站等多维数据的潜在大气污染源识别方法 | |
CN113108949A (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
CN115186941B (zh) | 基于多种时空指标及综合排序的变量优选气候模式的方法 | |
CN116956642B (zh) | 一种威胁评估算法性能动态仿真验证方法 | |
CN117933497B (zh) | 一种基于tsa-arima-cnn的企业碳排放预测方法 | |
Li et al. | Remote sensing and artificial neural network estimation of on-road vehicle emissions |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |