CN116341776A - 一种基于大数据的森林防火智能检测系统与方法 - Google Patents

一种基于大数据的森林防火智能检测系统与方法 Download PDF

Info

Publication number
CN116341776A
CN116341776A CN202310029472.9A CN202310029472A CN116341776A CN 116341776 A CN116341776 A CN 116341776A CN 202310029472 A CN202310029472 A CN 202310029472A CN 116341776 A CN116341776 A CN 116341776A
Authority
CN
China
Prior art keywords
fire
forest fire
wind direction
image
forest
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
Application number
CN202310029472.9A
Other languages
English (en)
Inventor
高德民
陈文静
牟韵洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Forestry University
Original Assignee
Nanjing Forestry University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Forestry University filed Critical Nanjing Forestry University
Priority to CN202310029472.9A priority Critical patent/CN116341776A/zh
Publication of CN116341776A publication Critical patent/CN116341776A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/005—Fire alarms; Alarms responsive to explosion for forest fires, e.g. detecting fires spread over a large or outdoors area
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Remote Sensing (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Emergency Management (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Computer Security & Cryptography (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

本发明涉及森林防火智能检测领域，具体为一种基于大数据的森林防火智能检测系统与方法，所述系统包括图像获取模块、图像预处理模块、森林火灾预测模块、损失评估模块以及最优救援路线选择模块，所述森林火灾预警模块用于分析太阳光照度随时间变化情况以及不同风速情况时对应落叶堆积量构成的火灾发生系数，本发明通过提取无人机遥感获取待监测区域原始图像的可进行路径，通过分析第n1区域森林火灾发生率受落叶堆积量与太阳光照度和时间之间的变差关系，结合风向对森林火灾造成的损失进行计算，根据损失情况最小值进行匹配最佳救援路径，通过模拟火灾发生并结合实时因素分析对火灾蔓延情况进行预测，匹配最佳救援路径，从而预防森林火灾。

Description

一种基于大数据的森林防火智能检测系统与方法
技术领域
本发明涉及森林防火智能检测领域，具体为一种基于大数据的森林防火智能检测系统与方法。
背景技术
当前森林防火主要是依靠人工巡检以及监视的方式，其效率非常低，而且监控效果不好，并且只有在发生火灾时才能采取相应措施，费事费力，造成很大的经济损失。目前技术手段，多数仅涉及森林火灾的应急解决方法及善后处理工作，而从森林火灾起火源头进行控制以达到防止起火的目的，现有技术中又缺乏一定的技术手段，控制手段和预测方式存在局限性和缺失性，致使结果不够精准，一旦发生疏漏，所造成的损失将不可估算。
发明内容
本发明的目的在于提供一种基于大数据的森林防火智能检测系统与方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：
一种基于大数据的森林防火智能检测方法，其特征在于，所述方法包括以下步骤：
S1、通过无人机遥感获取待监测区域原始图像；
S2、对获取的待监测区域原始图像进行预处理；
S3、分析光照度和温度对森林火灾的影响进行预测火灾；
S4、根据预测结果，结合风向数据对火灾造成的损失进行评估；
S5、根据损失情况匹配最佳救援路线。
进一步的，所述S2中对获取的待监测区域原始图像进行预处理的方法包括以下步骤：
步骤1000、通过无人机遥感获取待监测区域原始图像；
步骤1001、针对获取的待监测区域原始图像进行高斯滤波处理，得到平滑图像，表达式为：
Figure SMS_1
其中F(x，y表示高斯滤波处理后得到的平滑图像，σ表示方差，x表示二维高斯函数图像中心值横坐标，y表示二维高斯函数图像中心值纵坐标，exp表示语言函数，f(x，y表示原始图像，*表示卷积运算符；
步骤1002、基于高斯拉普拉斯算子对平滑图像进行处理，得到原始图像的边缘图像，即为待监测区域可行进路径信息，表达式为：
Figure SMS_2
其中
Figure SMS_3
表示高斯拉普拉斯算子符号，L(x，y表示原始图像f(x，y的边缘。
本发明通过将无人机遥感获取待监测区域原始图像进行滤波处理，并将滤波后的图像进行特征(森林中可行进路径)提取，为后续预测森林火灾发生时，结合火灾蔓延情况规划处最佳救援路径提供数据参照。
进一步的，所述S3中分析光照度和温度对森林火灾的影响进行预测火灾的方法包括以下步骤：
步步骤2001、将待检测区域均匀划分在n个区域，获取第n1区域对应的落叶堆积量；
步骤2002、通过公式运算得到第n1区域森林火灾发生率受到落叶堆积量与太阳光照度和时间之间的变差关系，表达式为：
Figure SMS_4
其中，HZn1表示第n1区域森林火灾发生率的总变差，Bn1Et表示第n1区域落叶堆积受到太阳光照强度随时间变化产生的变差，Bn1G表示第n1区域落叶堆积量受风速等级和风向影响的变差，Bn1EtG表示第n1区域森林火灾发生率受落叶堆积量与太阳光照度影响情况下产生的变差，
Figure SMS_5
表示随机因素产生的变差，总变差表示基于回归模型中，变量的观测值于其均值的立方差平方和；
步骤2003、通过公式运算得出观测变量的总变差，表达式为：
Figure SMS_6
其中S表示风速等级，X表示风向，i表示风速等级的水平数，j表示风向的水平数，
Figure SMS_7
表示Bn1Et中风速等级为S时对应的水平数和Bn1G中落叶堆积量受风向X影响对应的样本值，τS,X表示观测值个数，Bn1Et中风速等级为S时对应的水平数和Bn1G中落叶堆积量受风向X影响对应的样本个数，/>
Figure SMS_8
表示观测变量的均值，水平数表示影响森林火灾发生对应因素的具体表现，观测变量表示所述落叶堆积量与森林火灾发生的条件；
步骤2004、通过运算得出太阳光照度随时间变化产生的变差，表达式为：
Figure SMS_9
其中
Figure SMS_10
表示风速等级为S时对应的太阳光照度随时间变化下观测变量的均值；
步骤2005、通过运算得出第n1区域落叶堆积量的变差，表达式为：
Figure SMS_11
其中
Figure SMS_12
表示风向为X时对应的落叶堆积量变化下观测变量的均值；
步骤2006、基于F检验统计量对Bn1EtG计算，并根据F分布分析第n1区域森林落叶堆积量与风向、风速、太阳光照度和时间之间的关系，从而得出森林发生火灾的概率，表达式为：
Figure SMS_13
其中
Figure SMS_14
表示森林发生火灾的概率，m表示引发森林火灾的影响因素，即风速等级S、风向X和太阳光照度，n表示森林火灾发生率受落叶堆积量与太阳光照度和时间之间关系的样本总数。
本发明通过对第n1区域森林火灾发生率受到落叶堆积量与太阳光照度和时间之间的变差关系进行分析，结合F分布分析第n1区域森林落叶堆积量与风向、风速、太阳光照度和时间之间的关系，从而得出森林发生火灾的概率，为后续计算风向导致森林火灾引发的损失提供数据参照。
进一步的，所述S4中根据预测结果，结合风向数据对火灾造成的损失进行评估的方法包括以下步骤：
步骤3001、获取步骤2006中森林发生火灾的概率；
步骤3002、结合风向X产生的火灾蔓延情况进行损失评估并进行归一化处理，表达式为：
Figure SMS_15
其中LOSSX表示风向X时，火灾蔓延情况的损失评估，Sn1表示通过历史数据获取第n1区域风速等级为μ时，对应的森林火灾损失值，Xn1表示通过历史数据获取第n1区域风速等级为μ对应的风向为π时，对应的火灾蔓延损失值，MJn1表示第n1区域面积。
本发明结合风向X产生的火灾蔓延情况进行损失评估，为后续根据森林火灾带来的损失情况进行匹配最佳路线。
进一步的，所述S5中根据损失情况匹配最佳救援路线的方法包括以下步骤：
步骤4001、获取步骤1002待监测区域可行进路径信息；
步骤4002、获取步骤3002风向X产生的火灾蔓延情况对应的损失评估值；
步骤4003、基于蚁群算法，结合待监测区域可行进路径信息和风向X产生的火灾蔓延情况对应的损失评估值进行匹配最佳救援路线，表达式为：
Figure SMS_16
其中
Figure SMS_17
表示基于可行进路径中，从起始点到火灾发生点最佳路径，α表示信息素，β表示期望启发式因子的相对重要程度，/>
Figure SMS_18
表示起始点到火灾发生点距离的倒数，
Figure SMS_19
表示起始点到火灾发生点距离，alloweds表示起始点到火灾发生点路径集合，s表示路径，
步骤4004、基于步骤4003，将蚂蚁行进中产生的信息素轨迹实时更新，直至产生从起始点到火灾发生点最佳路径停止更新，即作为起始点到火灾发生点的最佳路径，表达式为
Figure SMS_20
其中ρ表示信息素挥发参数，(1-ρ)表示信息素的衰减度，
Figure SMS_21
表示从起始点到火灾发生点的信息素数据，Δτq→h(q，h表示当前路径产生的信息素增量。
一种基于大数据的森林防火智能检测系统，其特征在于，所述系统包括图像获取模块、图像预处理模块、森林火灾预警模块、损失评估模块以及最优救援路线选择模块：
所述图像获取模块通过无人机遥感获取待监测区域原始图像；
所述图像预处理模块用于将无人机遥感获取的图像进行预处理，提取预处理预选中可进行的路线；
所述森林火灾预警模块用于分析太阳光照度随时间变化情况以及不同风速情况时对应落叶堆积量构成的火灾发生系数；
所述损失评估模块用于结合森林火灾预警模块，根据风向情况对森林火灾产生的损失进行评估；
所述最优救援路线选择模块用于结合风向导致的明火蔓延情况以及图像预处理模块提取的可行进路径，进行筛选最优救援路线。
进一步的，所述图像预处理模块包括图像滤波单元和路径提取单元：
所述图像滤波单元用于将无人机遥感获取的原始图像进行滤波处理；
所述路径提取单元用于根据图像滤波单元处理后的图像，进行森林中所有行径路线的提取；
进一步的，所述森林火灾预警模块包括火灾影响因素分析单元和火灾预测单元：
所述火灾影响因素分析单元用于分析太阳光照度随时间变化情况以及不同风速情况时对应落叶堆积量对森林引发火灾的威慑力；
所述火灾预测单元用于根据火灾影响因素分析单元的分析结果，预测森林发在发生的概率；
进一步的，所述损失评估模块包括风向分析单元和损失评估单元：
所述风向分析单元用于根据实时风向分析火灾可能发生的蔓延情况；
所述损失评估单元用于根据火灾蔓延情况进行森林损失运算。
本发明通过将无人机遥感获取待监测区域原始图像进行处理，根据图像信息进行提取可进行路径，通过分析第n1区域森林火灾发生率受到落叶堆积量与太阳光照度和时间之间的变差关系，结合风向对森林火灾造成的损失进行计算，根据损失情况最小值进行匹配最佳救援路径，通过模拟火灾发生，结合实时因素分析对火灾蔓延情况进行预测，根据预测信息对火灾救援最佳路径进行规划，从而提高森林火灾预防的精确性。
附图说明
图1是本发明一种基于大数据的森林防火智能检测方法的流程示意图；
图2是本发明一种基于大数据的森林防火智能检测系统的模块示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
请参阅图1-图2，本发明实施例中：一种基于大数据的森林防火智能检测系统与方法，所述森林防火智能检测方法包括以下步骤：
一种基于大数据的森林防火智能检测方法，其特征在于，所述方法包括以下步骤：
S1、通过无人机遥感获取待监测区域原始图像；
S2、对获取的待监测区域原始图像进行预处理；
S3、分析光照度和温度对森林火灾的影响进行预测火灾；
S4、根据预测结果，结合风向数据对火灾造成的损失进行评估；
S5、根据损失情况匹配最佳救援路线。
所述S2中对获取的待监测区域原始图像进行预处理的方法包括以下步骤：
步骤1000、通过无人机遥感获取待监测区域原始图像；
步骤1001、针对获取的待监测区域原始图像进行高斯滤波处理，得到平滑图像，表达式为：
Figure SMS_22
其中F(x，y表示高斯滤波处理后得到的平滑图像，σ表示方差，x表示二维高斯函数图像中心值横坐标，y表示二维高斯函数图像中心值纵坐标，exp表示语言函数，f(x，y表示原始图像，*表示卷积运算符；
步骤1002、基于高斯拉普拉斯算子对平滑图像进行处理，得到原始图像的边缘图像，即为待监测区域可行进路径信息，表达式为：
Figure SMS_23
其中
Figure SMS_24
表示高斯拉普拉斯算子符号，L(x，y表示原始图像f(x，y的边缘。
所述S3中分析光照度和温度对森林火灾的影响进行预测火灾的方法包括以下步骤：
步骤2001、将待检测区域均匀划分在n个区域，获取第n1区域对应的落叶堆积量；
步骤2002、通过公式运算得到第n1区域森林火灾发生率受到落叶堆积量与太阳光照度和时间之间的变差关系，表达式为：
Figure SMS_25
其中，HZn1表示第n1区域森林火灾发生率的总变差，Bn1Et表示第n1区域落叶堆积受到太阳光照强度随时间变化产生的变差，Bn1G表示第n1区域落叶堆积量受风速等级和风向影响的变差，Bn1EtG表示第n1区域森林火灾发生率受落叶堆积量与太阳光照度影响情况下产生的变差，
Figure SMS_26
表示随机因素产生的变差；
步骤2003、通过公式运算得出观测变量的总变差，表达式为：
Figure SMS_27
其中S表示风速等级，X表示风向，i表示风速等级的水平数，j表示风向的水平数，
Figure SMS_28
表示Bn1Et中风速等级为S时对应的水平数和Bn1G中落叶堆积量受风向X影响对应的样本值，τS,X表示观测值个数，Bn1Et中风速等级为S时对应的水平数和Bn1G中落叶堆积量受风向X影响对应的样本个数，/>
Figure SMS_29
表示观测变量的均值；
步骤2004、通过运算得出太阳光照度随时间变化产生的变差，表达式为：
Figure SMS_30
其中
Figure SMS_31
表示风速等级为S时对应的太阳光照度随时间变化下观测变量的均值；
步骤2005、通过运算得出第n1区域落叶堆积量的变差，表达式为：
Figure SMS_32
其中
Figure SMS_33
表示风向为X时对应的落叶堆积量变化下观测变量的均值；
步骤2006、基于F检验统计量对Bn1EtG计算，并根据F分布分析第n1区域森林落叶堆积量与风向、风速、太阳光照度和时间之间的关系，从而得出森林发生火灾的概率，表达式为：
Figure SMS_34
其中
Figure SMS_35
表示森林发生火灾的概率，m表示引发森林火灾的影响因素，即风速等级S、风向X和太阳光照度，n表示森林火灾发生率受落叶堆积量与太阳光照度和时间之间关系的样本总数。
本实施例一中，根据观测变量的总变差推算得出，落叶堆积量与风向、风速、太阳光照度和时间之间的变差关系，即
Figure SMS_36
从而进一步推算得出森林发生火灾的概率，根据概率进行损失评估，并生成最佳救援路线。
所述S4中根据预测结果，结合风向数据对火灾造成的损失进行评估的方法包括以下步骤：
步骤3001、获取步骤2006中森林发生火灾的概率；
步骤3002、结合风向X产生的火灾蔓延情况进行损失评估并进行归一化处理，表达式为：
Figure SMS_37
其中LOSSX表示风向X时，火灾蔓延情况的损失评估，Sn1表示通过历史数据获取第n1区域风速等级为μ时，对应的森林火灾损失值，Xn1表示通过历史数据获取第n1区域风速等级为μ对应的风向为π时，对应的火灾蔓延损失值，MJn1表示第n1区域面积。所述S5中根据损失情况匹配最佳救援路线的方法包括以下步骤：
步骤4001、获取步骤1002待监测区域可行进路径信息；
步骤4002、获取步骤3002风向X产生的火灾蔓延情况对应的损失评估值；
步骤4003、基于蚁群算法，结合待监测区域可行进路径信息和风向X产生的火灾蔓延情况对应的损失评估值进行匹配最佳救援路线，表达式为：
Figure SMS_38
其中
Figure SMS_39
表示基于可行进路径中，从起始点到火灾发生点最佳路径，α表示信息素，β表示期望启发式因子的相对重要程度，/>
Figure SMS_40
表示起始点到火灾发生点距离的倒数，
Figure SMS_41
表示起始点到火灾发生点距离，alloweds表示起始点到火灾发生点路径集合，s表示路径，
步骤4004、基于步骤4003，将蚂蚁行进中产生的信息素轨迹实时更新，直至产生从起始点到火灾发生点最佳路径停止更新，即作为起始点到火灾发生点的最佳路径，表达式为
Figure SMS_42
其中ρ表示信息素挥发参数，(1-ρ)表示信息素的衰减度，
Figure SMS_43
表示从起始点到火灾发生点的信息素数据，Δτq→h(q，h表示当前路径产生的信息素增量。
本实施例二中，根据损失评估值进行匹配最佳救援路线，当
Figure SMS_44
存在时，即蚂蚁行进中产生的信息素轨迹停止更新，则此时对应的行进路线即为最佳路线。
一种基于大数据的森林防火智能检测系统，其特征在于，所述系统包括图像获取模块、图像预处理模块、森林火灾预警模块、损失评估模块以及最优救援路线选择模块：
所述图像获取模块通过无人机遥感获取待监测区域原始图像；
所述图像预处理模块用于将无人机遥感获取的图像进行预处理，提取预处理预选中可进行的路线；
所述森林火灾预警模块用于分析太阳光照度随时间变化情况以及不同风速情况时对应落叶堆积量构成的火灾发生系数；
所述损失评估模块用于结合森林火灾预警模块，根据风向情况对森林火灾产生的损失进行评估；
所述最优救援路线选择模块用于结合风向导致的明火蔓延情况以及图像预处理模块提取的可行进路径，进行筛选最优救援路线。
所述图像预处理模块包括图像滤波单元和路径提取单元：
所述图像滤波单元用于将无人机遥感获取的原始图像进行滤波处理；
所述路径提取单元用于根据图像滤波单元处理后的图像，进行森林中所有行径路线的提取；
所述森林火灾预警模块包括火灾影响因素分析单元和火灾预测单元：
所述火灾影响因素分析单元用于分析太阳光照度随时间变化情况以及不同风速情况时对应落叶堆积量对森林引发火灾的威慑力；
所述火灾预测单元用于根据火灾影响因素分析单元的分析结果，预测森林发在发生的概率；
所述损失评估模块包括风向分析单元和损失评估单元：
所述风向分析单元用于根据实时风向分析火灾可能发生的蔓延情况；
所述损失评估单元用于根据火灾蔓延情况进行森林损失运算。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意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、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于大数据的森林防火智能检测方法，其特征在于，所述方法包括以下步骤：
S1、通过无人机遥感获取待监测区域原始图像；
S2、对获取的待监测区域原始图像进行预处理；
S3、分析光照度和温度对森林火灾的影响进行预测火灾；
S4、根据预测结果，结合风向数据对火灾造成的损失进行评估；
S5、根据损失情况匹配最佳救援路线。
2.根据权利要求1所述一种基于大数据的森林防火智能检测方法，其特征在于，所述S2中对获取的待监测区域原始图像进行预处理的方法包括以下步骤：
步骤1000、通过无人机遥感获取待监测区域原始图像；
步骤1001、针对获取的待监测区域原始图像进行高斯滤波处理，得到平滑图像，表达式为：
Figure QLYQS_1
其中F(x，y表示高斯滤波处理后得到的平滑图像，σ表示方差，x表示二维高斯函数图像中心值横坐标，y表示二维高斯函数图像中心值纵坐标，exp表示语言函数，f(x，y表示原始图像，*表示卷积运算符；
步骤1002、基于高斯拉普拉斯算子对平滑图像进行处理，得到原始图像的边缘图像，即为待监测区域可行进路径信息，表达式为：
Figure QLYQS_2
其中
Figure QLYQS_3
表示高斯拉普拉斯算子符号，L(x，y表示原始图像f(x，y的边缘。
3.根据权利要求2所述一种基于大数据的森林防火智能检测方法，其特征在于，所述S3中分析光照度和温度对森林火灾的影响进行预测火灾的方法包括以下步骤：
步骤2001、将待检测区域均匀划分在n个区域，获取第n1区域对应的落叶堆积量；
步骤2002、通过公式运算得到第n1区域森林火灾发生率受到落叶堆积量与太阳光照度和时间之间的变差关系，表达式为：
Figure QLYQS_4
其中，HZn1表示第n1区域森林火灾发生率的总变差，Bn1Et表示第n1区域落叶堆积受到太阳光照强度随时间变化产生的变差，Bn1G表示第n1区域落叶堆积量受风速等级和风向影响的变差，Bn1EtG表示第n1区域森林火灾发生率受落叶堆积量与太阳光照度影响情况下产生的变差，
Figure QLYQS_5
表示随机因素产生的变差；
步骤2003、通过公式运算得出观测变量的总变差，表达式为：
Figure QLYQS_6
其中S表示风速等级，X表示风向，i表示风速等级的水平数，j表示风向的水平数，
Figure QLYQS_7
表示Bn1Et中风速等级为S时对应的水平数和Bn1G中落叶堆积量受风向X影响对应的样本值，τS，X表示观测值个数，Bn1Et中风速等级为S时对应的水平数和Bn1G中落叶堆积量受风向X影响对应的样本个数，/>
Figure QLYQS_8
表示观测变量的均值；
步骤2004、通过运算得出太阳光照度随时间变化产生的变差，表达式为：
Figure QLYQS_9
其中
Figure QLYQS_10
表示风速等级为S时对应的太阳光照度随时间变化下观测变量的均值；
步骤2005、通过运算得出第n1区域落叶堆积量的变差，表达式为：
Figure QLYQS_11
其中
Figure QLYQS_12
表示风向为X时对应的落叶堆积量变化下观测变量的均值；
步骤2006、基于F检验统计量对Bn1EtG计算，并根据F分布分析第n1区域森林落叶堆积量与风向、风速、太阳光照度和时间之间的关系，从而得出森林发生火灾的概率，表达式为：
Figure QLYQS_13
其中
Figure QLYQS_14
表示森林发生火灾的概率，m表示引发森林火灾的影响因素，即风速等级S、风向X和太阳光照度，n表示森林火灾发生率受落叶堆积量与太阳光照度和时间之间关系的样本总数。
4.根据权利要求3所述一种基于大数据的森林防火智能检测方法，其特征在于，所述S4中根据预测结果，结合风向数据对火灾造成的损失进行评估的方法包括以下步骤：
步骤3001、获取步骤2006中森林发生火灾的概率；
步骤3002、结合风向X产生的火灾蔓延情况进行损失评估并进行归一化处理，表达式为：
Figure QLYQS_15
其中LOSSx表示风向X时，火灾蔓延情况的损失评估，Sn1表示通过历史数据获取第n1区域风速等级为μ时，对应的森林火灾损失值，Xn1表示通过历史数据获取第n1区域风速等级为μ对应的风向为π时，对应的火灾蔓延损失值，MJn1表示第n1区域面积。
5.根据权利要求4所述一种基于大数据的森林防火智能检测方法，其特征在于，所述S5中根据损失情况匹配最佳救援路线的方法包括以下步骤：
步骤4001、获取步骤1002待监测区域可行进路径信息；
步骤4002、获取步骤3002风向X产生的火灾蔓延情况对应的损失评估值；
步骤4003、基于蚁群算法，结合待监测区域可行进路径信息和风向X产生的火灾蔓延情况对应的损失评估值进行匹配最佳救援路线，表达式为：
Figure QLYQS_16
其中
Figure QLYQS_17
表示基于可行进路径中，从起始点到火灾发生点最佳路径，α表示信息素，β表示期望启发式因子的相对重要程度，/>
Figure QLYQS_18
表示起始点到火灾发生点距离的倒数，/>
Figure QLYQS_19
表示起始点到火灾发生点距离，alloweds表示起始点到火灾发生点路径集合，s表示路径，
步骤4004、基于步骤4003，将蚂蚁行进中产生的信息素轨迹实时更新，直至产生从起始点到火灾发生点最佳路径停止更新，即作为起始点到火灾发生点的最佳路径，表达式为
Figure QLYQS_20
其中ρ表示信息素挥发参数，(1-ρ)表示信息素的衰减度，
Figure QLYQS_21
表示从起始点到火灾发生点的信息素数据，Δτq→h(q，h表示当前路径产生的信息素增量。
6.一种基于大数据的森林防火智能检测系统，其特征在于，所述系统包括图像获取模块、图像预处理模块、森林火灾预警模块、损失评估模块以及最优救援路线选择模块：
所述图像获取模块通过无人机遥感获取待监测区域原始图像；
所述图像预处理模块用于将无人机遥感获取的图像进行预处理，提取预处理预选中可进行的路线；
所述森林火灾预警模块用于分析太阳光照度随时间变化情况以及不同风速情况时对应落叶堆积量构成的火灾发生系数；
所述损失评估模块用于结合森林火灾预警模块，根据风向情况对森林火灾产生的损失进行评估；
所述最优救援路线选择模块用于结合风向导致的明火蔓延情况以及图像预处理模块提取的可行进路径，进行筛选最优救援路线。
7.根据权利要求6所述一种基于大数据的森林防火智能检测系统，其特征在于，所述图像预处理模块包括图像滤波单元和路径提取单元：
所述图像滤波单元用于将无人机遥感获取的原始图像进行滤波处理；
所述路径提取单元用于根据图像滤波单元处理后的图像，进行森林中所有行径路线的提取。
8.根据权利要求6所述一种基于大数据的森林防火智能检测系统，其特征在于，所述森林火灾预警模块包括火灾影响因素分析单元和火灾预测单元：
所述火灾影响因素分析单元用于分析太阳光照度随时间变化情况以及不同风速情况时对应落叶堆积量对森林引发火灾的威慑力；
所述火灾预测单元用于根据火灾影响因素分析单元的分析结果，预测森林发在发生的概率。
9.根据权利要求6所述一种基于大数据的森林防火智能检测系统，其特征在于，所述损失评估模块包括风向分析单元和损失评估单元：
所述风向分析单元用于根据实时风向分析火灾可能发生的蔓延情况；
所述损失评估单元用于根据火灾蔓延情况进行森林损失运算。
CN202310029472.9A 2023-01-09 2023-01-09 一种基于大数据的森林防火智能检测系统与方法 Pending CN116341776A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310029472.9A CN116341776A (zh) 2023-01-09 2023-01-09 一种基于大数据的森林防火智能检测系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310029472.9A CN116341776A (zh) 2023-01-09 2023-01-09 一种基于大数据的森林防火智能检测系统与方法

Publications (1)

Publication Number Publication Date
CN116341776A true CN116341776A (zh) 2023-06-27

Family

ID=86882932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310029472.9A Pending CN116341776A (zh) 2023-01-09 2023-01-09 一种基于大数据的森林防火智能检测系统与方法

Country Status (1)

Country Link
CN (1) CN116341776A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173848A (zh) * 2023-09-07 2023-12-05 海南省林业科学研究院(海南省红树林研究院) 一种基于数据分析的森林火灾探测方法
CN117710173A (zh) * 2023-12-26 2024-03-15 暗物质(北京)智能科技有限公司 森林火灾风险评估方法、装置、电子设备及可读存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173848A (zh) * 2023-09-07 2023-12-05 海南省林业科学研究院(海南省红树林研究院) 一种基于数据分析的森林火灾探测方法
CN117173848B (zh) * 2023-09-07 2024-05-07 海南省林业科学研究院(海南省红树林研究院) 一种基于数据分析的森林火灾探测方法
CN117710173A (zh) * 2023-12-26 2024-03-15 暗物质(北京)智能科技有限公司 森林火灾风险评估方法、装置、电子设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN116341776A (zh) 一种基于大数据的森林防火智能检测系统与方法
CN113538845B (zh) 一种基于远程视频监控分析技术的建筑施工现场安全生产实时监测预警方法
AU2021100365A4 (en) A multi-sensor-based intelligent monitoring and early warning system and method for dam safety
CN111125641B (zh) 一种大气污染异常识别与成因分析方法、装置及存储介质
Myrans et al. Automated detection of faults in wastewater pipes from CCTV footage by using random forests
CN111143932A (zh) 一种桥梁健康状态的评估方法、装置、系统和设备
CN104077872A (zh) 一种基于图像识别的输电线路防外力监控预警方法
CN111080982A (zh) 一种基于多传感器的大坝安全智能监测与预警系统及方法
CN115373403B (zh) 一种建筑机械设备巡检服务系统
CN111506093A (zh) 一种基于无人机的电力巡检系统及方法
CN117173871B (zh) 一种防汛监测方法和系统
Zakaria et al. The assessment of ambient air pollution pattern in Shah Alam, Selangor, Malaysia
CN114418179A (zh) 一种施工扬尘监测与预测方法、装置及系统
CN116359285A (zh) 一种基于大数据的油气浓度智能检测系统及方法
Veselík et al. Outlier identification of concentrations of pollutants in environmental data using modern statistical methods
Dunea et al. Relationship between airborne particulate matter and weather conditions in Targoviste urban area during cold months
CN117151478B (zh) 一种基于卷积神经网络的化工企业风险预警方法及系统
CN117470250A (zh) 一种水下巡检机器人导航方法及系统
CN115660413B (zh) 一种用于污染场地地下水的风险管控系统
DE102009020709A1 (de) Verfahren und Vorrichtung zur Überwachung und Detektion von Zuständen der Luft und Bewuchs in Waldgebieten mit selbstlernenden Analyseverfahren zur Generierung von Alarmwahrscheinlichkeiten
CN113344306B (zh) 降水湿清除过程微观时序建模的pm2.5浓度预测方法
Asadollahfardi et al. Air pollution study using factor analysis and univariate Box-Jenkins modeling for the northwest of Tehran
CN117291430B (zh) 一种基于机器视觉的安全生产检测方法及装置
CN117607019B (zh) 电力金具表面智能检测方法和检测系统
CN117829614B (zh) 一种基于多源数据融合的工业企业排污风险分级计算方法

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