CN116580327A - 基于无人机的火势发展预测方法及预测系统 - Google Patents
基于无人机的火势发展预测方法及预测系统 Download PDFInfo
- Publication number
- CN116580327A CN116580327A CN202310849588.7A CN202310849588A CN116580327A CN 116580327 A CN116580327 A CN 116580327A CN 202310849588 A CN202310849588 A CN 202310849588A CN 116580327 A CN116580327 A CN 116580327A
- Authority
- CN
- China
- Prior art keywords
- data
- fire
- model
- prediction
- development
- 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.)
- Granted
Links
- 238000011161 development Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000007613 environmental effect Effects 0.000 claims abstract description 90
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 17
- 239000000463 material Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000007480 spreading Effects 0.000 description 3
- 238000003892 spreading Methods 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000004567 concrete Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 241000209504 Poaceae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- -1 tree Substances 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于无人机的火势发展预测方法及预测系统,其预测方法包括:将图像或视频数据输入至预先训练好的识别检测模型中,获取火源位置数据、建筑物特征数据、可燃物特征数据及衍生特征数据;将火源位置数据、建筑物特征数据、可燃物特征数据及衍生特征数据输入至预先训练好的环境影响模型中,获得火势发展的环境影响因素数据;将实时气象数据、气象预测数据及火势发展的环境影响因素数据输入至预先训练好的气象数据处理模型中,获得环境因素影响下的气象数据;将火源位置数据、火势发展的环境影响因素数据及环境因素影响下的气象数据输入至预先训练好的火势发展预测模型中,获得火势发展预测结果,提高了火势预测的准确性和速度。
Description
技术领域
本发明涉及无人机技术领域,具体地涉及基于无人机的火势发展预测方法及预测系统。
背景技术
在出现火情后,消防队伍需要针对火势的发展进行灭火计划布局,并且需要进行附近人员的疏散,特别是需要优先做好火势蔓延方向的人员疏散,无人机在火情监控方面有着重要作用,消防队伍对于火势的发展信息获取很大程度来自于无人机的现场信息采集,火势的发展包括方向和速度,所以对于火势的发展预测就显得尤为重要。
现有技术中,在对火势预测方面,通过风速风向以及对火焰的RGB图像进行识别,预测火焰将会燃烧的边界区域,其中,风速风向通过气象部门公布的区域数据获得,火焰的RGB图像通过搭载在无人机上的高清摄像头获得,但实际面对火情时,无人机为了保证正常工作状态以及观察整体火情实时变化,需要和火源保证一定的安全距离,火势的发展受到众多外界环境影响,甚至影响最直接的风速风向都会被其他因素干扰,导致最终的火势预测结果经常有较大偏差。
如何基于无人机进行信息采集,结合多种现场影响因素,精确预设火势发展,是本领域亟需解决的问题。
发明内容
本发明为解决上述现有技术对于火势预测方式单一、预测效果差的问题,本发明提供基于无人机的火势发展预测方法及预测系统,获得精确高、实时性强、可为消防决策者提供科学依据的火势发展预测。
基于无人机的火势发展预测方法,包括以下步骤:
将图像或视频数据输入至预先训练好的识别检测模型中,获取火源位置数据、建筑物特征数据、可燃物特征数据及衍生特征数据;
将火源位置数据、建筑物特征数据、可燃物特征数据及衍生特征数据输入至预先训练好的环境影响模型中,获得火势发展的环境影响因素数据;
将实时气象数据、气象预测数据及火势发展的环境影响因素数据输入至预先训练好的气象数据处理模型中,获得环境因素影响下的气象数据;
将火源位置数据、火势发展的环境影响因素数据及环境因素影响下的气象数据输入至预先训练好的火势发展预测模型中,获得火势发展预测结果。
优选的,所述火源位置数据包括:火源的地理坐标及火源的高度;
所述建筑物特征数据包括:建筑物的位置、形状、大小、结构及材料;
所述可燃物特征数据包括:位置、类型、数量、湿度、生物学特性;
所述衍生特征数据包括:火源与建筑物的距离及火源与可燃物的距离。
优选的,采用卷积神经网络构建识别检测模型,通过收集带标签的图像对识别检测模型完成预训练,使识别检测模型能够学习到特征和标签之间的关联;
其中,所述标签包括火源、建筑物、可燃物的位置和特征。
优选的,所述火势发展的环境影响因素数据包括:地形影响数据、建筑物布局影响数据、可燃物特性影响数据及衍生特征影响数据。
优选的,采用机器学习算法构建环境影响模型,通过历史火灾数据学习环境因素对火势的发展影响完成环境影响模型的预训练。
优选的,所述环境因素影响下的气象数据包括:风向风速变化情况、火源扩散可能性、火势影响区域预测及救援优先级预测。
优选的,采用长短期记忆网络构建气象数据处理模型,通过历史火灾数据学习环境因素对气象数据造成的影响完成气象数据处理模型的预训练。
优选的,所述火势发展预测结果包括:火势扩展方向、火势扩展速度、火势强度及热点区域。
优选的,采用时间序列预测模型作为火势发展预测模型,通过历史火灾数据学习环境因素及气象数据对的火势造成的影响完成火势发展预测模型的预训练。
基于无人机的火势发展预测系统,包括:
数据收集设备,所述数据收集设备包括:无人机、卫星及地面传感器,用于采集火源位置、建筑物特征、可燃物特征、地形信息、地貌结构、植被覆盖信息、水源信息、道路和交通信息的原始数据,以及实时气象数据和预测数据;
数据处理与模型训练服务器,所述数据处理与模型训练服务器用于进行数据预处理和特征工程,生成火源位置数据、建筑物特征数据、可燃物特征数据和衍生特征数据;用于训练识别检测模型、环境影响模型、气象数据处理模型和火势发展预测模型,并保存预训练好的模型供后续使用;
数据分析与预测服务器,所述数据分析与预测服务器用于执行预训练好的环境影响模型、气象数据处理模型和火势发展预测模型;其输入为数据处理与模型训练服务器生成的数据和预训练好的模型,输出为火势发展的环境影响因素数据、环境因素影响下的气象数据和火势发展预测结果。
本发明的效果具体为,
(1)实时性和准确性:本方案使用无人机、卫星和地面传感器实时获取关键数据,通过预训练的火势发展预测模型,能够快速准确地预测火势发展情况;
(2)数据驱动:所有的预测都基于大量的历史和实时数据,通过大数据和深度学习技术,我们可以从复杂的环境和气象条件中提取有价值的信息,提升预测的准确性;
(3)可拓展性和灵活性:无论是数据收集设备,还是预测模型,都可以根据需要进行拓展和优化,例如,可以增加更多的数据收集设备,提高数据的覆盖面和精度;可以根据新的数据和技术进步对预测模型进行优化和更新。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明方法的流程示意图;
图2是本发明的数据处理流程示意图;
图3是本发明系统的结构框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式,该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
如图1-图2所示,基于无人机的火势发展预测方法,包括以下步骤:
优选的,将图像或视频数据输入至预先训练好的识别检测模型中,获取火源位置数据、建筑物特征数据、可燃物特征数据及衍生特征数据。这里的识别检测模型使用了深度学习技术,能够从多源的图像或视频数据中自动识别和提取关键信息。这些数据不仅仅是简单的数字,它们代表了现场的实际情况,包括火源的具体位置、周围的建筑物和可燃物的特性,以及其他可能影响火势发展的因素。
接着,将火源位置数据、建筑物特征数据、可燃物特征数据及衍生特征数据输入至预先训练好的环境影响模型中,获得火势发展的环境影响因素数据。环境影响模型会考虑所有这些输入数据,分析它们如何在特定环境中相互作用,从而预测出火势的发展。这个模型也使用了监督学习算法,能够通过历史数据学习并理解火势发展与环境因素之间的关系。
然后,将实时气象数据、气象预测数据及火势发展的环境影响因素数据输入至预先训练好的气象数据处理模型中,获得环境因素影响下的气象数据。这个气象数据处理模型会分析当前和预测的气象条件,如风速、风向、湿度和气温,以及它们如何在特定环境因素的影响下改变,这些都是影响火势发展的重要因素。
最后,将火源位置数据、火势发展的环境影响因素数据及环境因素影响下的气象数据输入至预先训练好的火势发展预测模型中,获得火势发展预测结果。这个预测模型利用深度学习算法,从历史火势发展数据中学习火势的发展模式,从而生成准确的火势预测。通过对这些数据的集成处理,预测结果不仅准确,而且具有针对性,能够有效地指导火灾的防控工作。
整体来看,基于无人机的火势发展预测方法通过集成分析多种环境因素和气象条件,模拟和预测火势的发展,提高火势预测的准确性和速度,从而更好地应对火灾。
优选的,火源位置数据主要包括:火源的地理坐标(经度、纬度),这些数据可以通过GPS系统或者无人机的定位系统得到,为我们确定火源的具体位置提供了基础;此外,火源的高度也是重要信息,尤其是在山区或高楼建筑发生的火灾中,高度信息能够帮助我们更准确地定位火源,并对火势的扩散方向做出预测。
建筑物特征数据则包括:建筑物的地理位置,这通常是通过经纬度来表示的,能够帮助我们理解建筑物相对于火源的位置;建筑物的形状和大小,包括建筑物的高度、面积、体积以及外形,例如是否为圆形、方形等,这些信息对评估建筑物的燃烧风险和火势的传播速度有重要意义;建筑物的结构,例如建筑物是钢结构、混凝土结构还是木质结构,结构信息能够影响火势的发展;建筑物的材料,例如使用的是砖、混凝土、钢、木材等,材料的类型和燃烧特性对评估火势发展有显著影响;建筑物的用途,例如是否为住宅、商业建筑、工业建筑等,不同用途的建筑物内部可能含有不同类型的可燃物,也会影响火势的发展。
可燃物特征数据主要包括:可燃物的位置,这通常是通过经纬度来表示的,同时也可能需要考虑高度(如果在山区或建筑物上)。明确可燃物的具体位置,能够帮助我们预测火势可能的传播路径;可燃物的类型,例如草、树木、木材、塑料等,每种类型的可燃物都有其特定的燃烧特性和燃烧速度,对于预测火势的发展非常重要;可燃物的数量,例如该区域内的树木数量、草的覆盖面积等,这些信息对预测火势的扩散范围和速度具有指导意义;可燃物的湿度,湿度越高,可燃物越难燃烧,因此湿度数据对于评估火势的强度和扩散可能性至关重要;可燃物的生物学特性,例如某些树木燃烧的速度可能比其他树木快,了解这些特性能够更精确地预测火势的发展。
以上数据是进行火势预测的关键信息,它们可以从多源(如卫星图像、无人机拍摄的图像、地理信息系统等)收集得到,并通过识别检测模型进行提取和整理。这些模型可以是深度学习模型、机器学习模型或其他统计模型,这些模型的主要目标是从数据中抽取出对预测火势发展有用的特征。
衍生特征数据包括:火源与建筑物的距离及火源与可燃物的距离。这些衍生特征是通过原始特征的组合或转换生成的新特征,例如计算火源与建筑物或可燃物之间的欧氏距离、曼哈顿距离等。这些新特征可能会提供比原始特征更深入的洞察,或者使模型能够更好地理解数据。在我们的场景中,火源与建筑物的距离、火源与可燃物的距离可能会对火势的发展有更直接的影响,例如,火源与建筑物或可燃物的距离越近,火势可能扩散的越快。因此,衍生特征对于我们建立更准确的火势预测模型是至关重要的。
可以采用卷积神经网络构建识别检测模型,通过收集带标签的图像来进行模型的预训练。这一过程使得识别检测模型能够学习和理解特征和标签之间的关联,从而在给定新的图像时,可以准确识别出火源、建筑物、可燃物等目标。这些标签数据包括了火源、建筑物、可燃物的位置和特征,它们为识别检测模型提供了必要的训练样本。
环境影响因素对火势发展有深远的影响,首选的环境影响因素数据包括:地形影响数据、建筑物布局影响数据、可燃物特性影响数据以及衍生特征影响数据。
地形影响数据包括了地形的高度、坡度、方向等因素,这些因素可以深刻地影响火势的发展程度。比如,火势向上坡方向发展的速度往往比向下坡方向快,这是由于热空气上升的物理现象导致的。
建筑物布局影响数据考察了建筑物的位置、大小、形状、高度和结构对火势发展的影响程度。例如,建筑物可能构成物理阻隔,阻挡火势的蔓延,或者建筑物反射和吸收的热量可能加速附近火势的发展。
可燃物特性影响数据关注了可燃物的类型、分布范围和密度对火势发展的影响。例如,树木和草类的密度、含水量、化学成分等因素可能影响火势的燃烧强度和蔓延速度。
衍生特征影响数据则涉及了火源与建筑物的距离、火源与可燃物的距离、火源与水源的距离、火源与最近的道路的距离等因素对火势发展的影响程度。比如,火源与建筑物的距离可能影响到建筑物是否会受到火势威胁,火源与水源的距离可能影响到火势能否被有效控制。
总的来说,以上这些数据都是在考虑了各种环境因素和火源之间的相互作用后得出的,它们一起构成了预测火势发展的环境影响因素数据,这对于制定有效的火控策略和预测火势发展至关重要。
优选的,采用机器学习算法构建环境影响模型,通过历史火灾数据来完成环境影响模型的预训练,从而理解环境因素对火势发展的影响。
构建环境影响模型时,需要使用大量的历史火灾数据,其中包括火源位置、建筑物特征、可燃物特征、地形信息、衍生特征等。这些历史数据用于训练模型,使其学习到环境因素如何影响火势的发展。
通常,环境影响模型会使用机器学习算法进行构建,这包括决策树、随机森林或支持向量机等。通过这些算法,模型可以找出数据中的隐藏模式,并学会根据给定的环境因素预测火势的发展。
在模型训练过程中,数据集会被分为训练集和测试集。模型首先在训练集上进行学习,然后在测试集上验证其预测能力。
一旦模型训练完成,可以将新的环境因素数据输入模型,从而得到预测的火势发展结果。当输入新的火源位置、建筑物特征、可燃物特征、地形信息、衍生特征等数据时,模型将根据其在训练期间学习到的知识,输出预测的火势发展情况。
总的来说,环境影响模型的构建和工作原理是通过机器学习算法从历史火灾数据中学习环境因素对火势发展的影响,然后根据新的环境因素数据预测火势的发展。这种模型能够有效地预测出在特定环境因素下火势的发展情况,从而为防火准备和应对措施提供有力的支持。
在模型训练过程中,数据集会被分为训练集和测试集。模型首先在训练集上进行学习,然后在测试集上验证其预测性能。
工作原理是,一旦模型训练完成,可以将新的环境因素数据输入模型,从而得到预测的火势发展结果。当输入新的火源位置、建筑物特征、可燃物特征、地形信息、衍生特征等数据时,模型会根据其在训练期间学习到的知识,输出预测的火势发展情况。
总的来说,环境影响模型的构建和工作原理是通过机器学习算法从历史火灾数据中学习环境因素对火势发展的影响,然后根据新的环境因素数据预测火势的发展。这种模型能够有效地预测出在特定环境因素下火势的发展情况,从而为防火准备和应对措施提供有力的支持。
优选的做法是,考虑环境因素影响下的气象数据,这包括:风向风速变化情况、火源扩散可能性、火势影响区域预测及救援优先级预测。
风向风速变化情况指的是风的方向和速度如何可能受到火源位置、建筑物布局、地形等环境因素的影响。例如,建筑物的高度和位置可能会改变风的流动路径,地形如山谷可能会引导风向。这部分数据可以展现出在当前环境因素下,风向和风速的预期变化。
火源扩散可能性是根据气象数据和环境因素(包括衍生特征),预测火源在各个方向的扩散可能性。例如,如果风向预计会从东向西吹,且西边有可燃物和较低的建筑物,则火源向西扩散的可能性可能较高。
火势影响区域预测是根据气象数据和环境因素,预测火势可能会影响到的区域。例如,如果风速预计会增加,火势可能会向下风方向快速蔓延。
救援优先级预测则是通过预测火势的发展,评估各个区域的救援优先级。例如,如果某个区域有大量的建筑物,并且火源向该区域扩散的可能性较高,那么这个区域的救援优先级可能会更高。
总的来说,“环境因素影响下的气象数据”旨在提供一种预测方法,该方法说明在当前环境因素下,气象条件如何可能影响火势的发展。
优选,采用长短期记忆网络(LSTM)构建气象数据处理模型,通过历史火灾数据学习环境因素对气象数据造成的影响完成气象数据处理模型的预训练。
LSTM是一种特别适用于处理和预测时间序列数据的递归神经网络(RNN)。其特殊的结构能“记住”过去的信息,并在需要的时候“忘记”无关的信息。这种“记忆”能力使得LSTM非常适合处理需要考虑历史信息的问题,比如气象条件的预测。
构建气象数据处理模型的步骤具体包括:
数据准备:准备历史气象数据,如风速、风向、温度、湿度等,同时准备环境影响因素数据和对应的火势发展数据。
特征工程:在这一步,可能需要进行数据预处理,如归一化数据(使所有特征都在同一尺度上)、生成新的特征(例如前一小时的风速变化率),或者删除不重要的特征。
模型构建:构建模型时,可以使用一个或多个LSTM层。LSTM层能够学习从历史气象数据和环境影响因素数据中提取有用的信息,并预测未来的气象条件。
模型训练:这一步中,我们使用历史数据来训练模型。目标是让模型能够尽可能准确地预测出在给定环境影响因素下的未来气象条件。
模型验证和调整:最后,我们需要使用一部分未用于训练的数据来验证模型的预测性能。根据验证结果,我们可能需要调整模型的参数或结构,以提高预测的准确性。
工作原理是这样的:
输入数据:当需要预测火势发展时,首先需要获取当前的气象数据和环境影响因素数据。
数据处理:模型将对输入数据进行处理,例如归一化、生成衍生特征等。
预测:处理后的数据将输入到模型中,模型将预测火势发展的各项参数,如火势发展方向、火势发展速度等。
输出结果:最后,模型将输出环境因素影响下的气象数据,包括风向风速变化情况、火源扩散可能性、火势影响区域预测和救援优先级预测等。
这个模型的主要目标是利用现有的气象和环境数据,预测火势的发展,并根据预测结果指导火灾救援工作。
优选的,预测的火势发展结果包括:火势扩展方向、火势扩展速度、火势强度和热点区域。
火势扩展方向:这是预测结果的重要部分,由当前火源位置和环境因素影响下的气象数据决定,预测出火势可能扩展的方向。
火势扩展速度:这是预测火势发展的另一关键因素,预测火势在特定方向上的扩展速度。
火势强度:这预测出火势的强度,依赖于风向风速、地形地貌、建筑物和可燃物的分布等因素。
热点区域:这是预测中识别出的高风险区域,也就是有较高可能性发生火势蔓延的区域,通常由火源位置、风向风速、地形地貌、建筑物和可燃物的分布等因素决定。
这些预测结果可以为消防队提供关键的信息,帮助他们做好准备,从而最大限度地减少火灾的损害。
优选的,采用时间序列预测模型作为火势发展预测模型,通过历史火灾数据学习环境因素和气象数据对火势发展的影响,完成火势发展预测模型的预训练。
构建火势发展预测模型的步骤包括:
数据收集:首先,需要收集大量历史火灾数据,包括火源位置、环境因素、气象数据和火势发展情况。
特征工程:在这一步骤,我们将根据收集的数据进行特征工程,选择对火势发展有重要影响的特征,如火源位置、火源与建筑物的距离、火源与可燃物的距离、风向、风速等。
模型训练:然后,使用监督学习算法进行模型训练。这个过程中,我们可能会使用深度学习方法,如长短期记忆(LSTM)或者卷积神经网络(CNN)等。这些方法可以处理时间序列数据,有效地捕获火势发展的动态特性。
模型验证和调整:最后,我们需要使用一部分未用于训练的数据来验证模型的预测性能。根据验证结果,我们可能需要调整模型的参数或结构,以提高预测的准确性。
通过这种方式,可以构建一个能够有效预测火势发展的模型,从而提前预警和应对火灾。
火势发展预测模型的工作原理:
输入数据:在火灾发生时,实时收集的数据包括火源位置数据、环境影响因素数据,以及环境因素影响下的气象数据。
数据处理:收集到的这些数据需要经过预处理和特征工程,包括归一化、填充缺失值、生成衍生特征等,以便转换成模型可以接受的格式。
模型预测:预处理后的数据将输入到预先训练好的火势发展预测模型中。该模型将根据输入的数据,预测火势的发展方向、扩展速度、强度以及可能形成的热点区域等。
输出结果:模型的输出结果将被用来指导灭火行动,它可以帮助消防决策者制定最有效的灭火策略。以最新的火源位置和气象条件为基础,需要在短周期内定时更新数据,以确保模型预测的实时性和准确性。
如图3所示,基于无人机的火势发展预测系统,包括以下部分:
数据收集设备:这包括无人机、卫星和地面传感器,它们用于采集火源位置、建筑物特征、可燃物特征、地形信息、地貌结构、植被覆盖信息、水源信息、道路和交通信息的原始数据,以及实时气象数据和预测数据。
数据处理与模型训练服务器:该服务器用于进行数据预处理和特征工程,生成火源位置数据、建筑物特征数据、可燃物特征数据和衍生特征数据。同时,它也负责训练识别检测模型、环境影响模型、气象数据处理模型和火势发展预测模型,并将预训练好的模型保存供后续使用。
数据分析与预测服务器:这部分服务器负责执行预训练好的环境影响模型、气象数据处理模型和火势发展预测模型。其输入为数据处理与模型训练服务器生成的数据和预训练好的模型,输出为环境影响因素数据、环境因素影响下的气象数据,以及火势发展预测结果。
这种系统架构确保了数据收集、处理和分析的流程化,实现了火灾预测的自动化,从而提高了灭火行动的及时性和有效性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.基于无人机的火势发展预测方法,其特征在于,包括以下步骤:
将图像或视频数据输入至预先训练好的识别检测模型中,获取火源位置数据、建筑物特征数据、可燃物特征数据及衍生特征数据;
将火源位置数据、建筑物特征数据、可燃物特征数据及衍生特征数据输入至预先训练好的环境影响模型中,获得火势发展的环境影响因素数据;
将实时气象数据、气象预测数据及火势发展的环境影响因素数据输入至预先训练好的气象数据处理模型中,获得环境因素影响下的气象数据;
将火源位置数据、火势发展的环境影响因素数据及环境因素影响下的气象数据输入至预先训练好的火势发展预测模型中,获得火势发展预测结果。
2.根据权利要求1所述的预测方法,其特征在于,所述火源位置数据包括:火源的地理坐标及火源的高度;
所述建筑物特征数据包括:建筑物的位置、形状、大小、结构及材料;
所述可燃物特征数据包括:位置、类型、数量、湿度、生物学特性;
所述衍生特征数据包括:火源与建筑物的距离及火源与可燃物的距离。
3.根据权利要求1所述的预测方法,其特征在于,采用卷积神经网络构建识别检测模型,通过收集带标签的图像对识别检测模型完成预训练,使识别检测模型能够学习到特征和标签之间的关联;
其中,所述标签包括火源、建筑物、可燃物的位置和特征。
4.根据权利要求1所述的预测方法,其特征在于,所述火势发展的环境影响因素数据包括:地形影响数据、建筑物布局影响数据、可燃物特性影响数据及衍生特征影响数据。
5.根据权利要求1所述的预测方法,其特征在于,采用机器学习算法构建环境影响模型,通过历史火灾数据学习环境因素对火势的发展影响完成环境影响模型的预训练。
6.根据权利要求1所述的预测方法,其特征在于,所述环境因素影响下的气象数据包括:风向风速变化情况、火源扩散可能性、火势影响区域预测及救援优先级预测。
7.根据权利要求1所述的预测方法,其特征在于,采用长短期记忆网络构建气象数据处理模型,通过历史火灾数据学习环境因素对气象数据造成的影响完成气象数据处理模型的预训练。
8.根据权利要求1所述的预测方法,其特征在于,所述火势发展预测结果包括:火势扩展方向、火势扩展速度、火势强度及热点区域。
9.根据权利要求1所述的预测方法,其特征在于,采用时间序列预测模型作为火势发展预测模型,通过历史火灾数据学习环境因素及气象数据对的火势造成的影响完成火势发展预测模型的预训练。
10.基于无人机的火势发展预测系统,其特征在于,包括:
数据收集设备,所述数据收集设备包括:无人机、卫星及地面传感器,用于采集火源位置、建筑物特征、可燃物特征、地形信息、地貌结构、植被覆盖信息、水源信息、道路和交通信息的原始数据,以及实时气象数据和预测数据;
数据处理与模型训练服务器,所述数据处理与模型训练服务器用于进行数据预处理和特征工程,生成火源位置数据、建筑物特征数据、可燃物特征数据和衍生特征数据;用于训练识别检测模型、环境影响模型、气象数据处理模型和火势发展预测模型,并保存预训练好的模型供后续使用;
数据分析与预测服务器,所述数据分析与预测服务器用于执行预训练好的环境影响模型、气象数据处理模型和火势发展预测模型;其输入为数据处理与模型训练服务器生成的数据和预训练好的模型,输出为火势发展的环境影响因素数据、环境因素影响下的气象数据和火势发展预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310849588.7A CN116580327B (zh) | 2023-07-12 | 2023-07-12 | 基于无人机的火势发展预测方法及预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310849588.7A CN116580327B (zh) | 2023-07-12 | 2023-07-12 | 基于无人机的火势发展预测方法及预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116580327A true CN116580327A (zh) | 2023-08-11 |
CN116580327B CN116580327B (zh) | 2023-09-29 |
Family
ID=87534474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310849588.7A Active CN116580327B (zh) | 2023-07-12 | 2023-07-12 | 基于无人机的火势发展预测方法及预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116580327B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116884167A (zh) * | 2023-09-08 | 2023-10-13 | 山东舒尔智能工程有限公司 | 智能消防视频监测与报警联动控制系统 |
CN117152592A (zh) * | 2023-10-26 | 2023-12-01 | 青岛澳西智能科技有限公司 | 一种建筑信息与火情信息可视化系统及方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016132161A1 (en) * | 2015-02-16 | 2016-08-25 | Kontoes Charalampos | Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data. |
US20210064848A1 (en) * | 2019-08-30 | 2021-03-04 | Accenture Global Solutions Limited | Method and System for Prediction and Mitigation of Spontaneous Combustion in Coal Stock Piles |
CN113128412A (zh) * | 2021-04-22 | 2021-07-16 | 重庆大学 | 一种基于深度学习及火灾监控视频的火灾趋势预测方法 |
CN113159362A (zh) * | 2020-12-10 | 2021-07-23 | 西安天和防务技术股份有限公司 | 一种森林火灾等级的预测方法及装置 |
KR20210103598A (ko) * | 2020-02-13 | 2021-08-24 | 한국기술교육대학교 산학협력단 | 산불 확산 고속 정밀 예측 |
CN114023035A (zh) * | 2021-10-28 | 2022-02-08 | 四川安信科创科技有限公司 | 一种全天候全自动森林火灾早期探测系统及探测方法 |
CN114441595A (zh) * | 2022-02-09 | 2022-05-06 | 四川省安全科学技术研究院 | 一种煤层露头自燃及其影响范围的探测方法 |
CN114819310A (zh) * | 2022-04-14 | 2022-07-29 | 安徽工业大学 | 基于最小生成树的建筑物集群火灾蔓延预测方法及系统 |
CN114841008A (zh) * | 2022-05-18 | 2022-08-02 | 深圳市城市公共安全技术研究院有限公司 | 林火态势模拟系统、方法、设备及可读存储介质 |
CN115146992A (zh) * | 2022-07-22 | 2022-10-04 | 厦门天卫科技有限公司 | 一种基于多源卫星遥感的森林火险等级精细化预测方法 |
US20220383102A1 (en) * | 2020-11-24 | 2022-12-01 | Our Kettle Inc. | Wildfire ignition prediction with swarm neural network ensemble |
CN115577830A (zh) * | 2022-09-16 | 2023-01-06 | 浙江大华技术股份有限公司 | 火势蔓延范围预测方法、装置、计算机设备及存储介质 |
CN115601520A (zh) * | 2022-11-30 | 2023-01-13 | 北京科技大学(Cn) | 一种基于二维预估和多尺度网格的火灾模拟方法及装置 |
CN115641007A (zh) * | 2022-10-20 | 2023-01-24 | 成都秦川物联网科技股份有限公司 | 智慧城市火灾救援方案确定方法、系统、装置及介质 |
CN115880598A (zh) * | 2023-02-15 | 2023-03-31 | 深圳市蜉飞科技有限公司 | 一种基于无人机的地面图像检测方法及相关装置 |
CN116011670A (zh) * | 2023-01-17 | 2023-04-25 | 厦门大学 | 火灾预测模型训练、使用方法、设备和介质 |
CN116310898A (zh) * | 2023-02-28 | 2023-06-23 | 武汉理工大学 | 基于神经网络和惠更斯原理的林火蔓延预测方法和系统 |
CN116415712A (zh) * | 2023-02-14 | 2023-07-11 | 武汉大学 | 一种基于多数据源的火灾蔓延预测方法及系统 |
-
2023
- 2023-07-12 CN CN202310849588.7A patent/CN116580327B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016132161A1 (en) * | 2015-02-16 | 2016-08-25 | Kontoes Charalampos | Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data. |
US20210064848A1 (en) * | 2019-08-30 | 2021-03-04 | Accenture Global Solutions Limited | Method and System for Prediction and Mitigation of Spontaneous Combustion in Coal Stock Piles |
KR20210103598A (ko) * | 2020-02-13 | 2021-08-24 | 한국기술교육대학교 산학협력단 | 산불 확산 고속 정밀 예측 |
US20220383102A1 (en) * | 2020-11-24 | 2022-12-01 | Our Kettle Inc. | Wildfire ignition prediction with swarm neural network ensemble |
CN113159362A (zh) * | 2020-12-10 | 2021-07-23 | 西安天和防务技术股份有限公司 | 一种森林火灾等级的预测方法及装置 |
CN113128412A (zh) * | 2021-04-22 | 2021-07-16 | 重庆大学 | 一种基于深度学习及火灾监控视频的火灾趋势预测方法 |
CN114023035A (zh) * | 2021-10-28 | 2022-02-08 | 四川安信科创科技有限公司 | 一种全天候全自动森林火灾早期探测系统及探测方法 |
CN114441595A (zh) * | 2022-02-09 | 2022-05-06 | 四川省安全科学技术研究院 | 一种煤层露头自燃及其影响范围的探测方法 |
CN114819310A (zh) * | 2022-04-14 | 2022-07-29 | 安徽工业大学 | 基于最小生成树的建筑物集群火灾蔓延预测方法及系统 |
CN114841008A (zh) * | 2022-05-18 | 2022-08-02 | 深圳市城市公共安全技术研究院有限公司 | 林火态势模拟系统、方法、设备及可读存储介质 |
CN115146992A (zh) * | 2022-07-22 | 2022-10-04 | 厦门天卫科技有限公司 | 一种基于多源卫星遥感的森林火险等级精细化预测方法 |
CN115577830A (zh) * | 2022-09-16 | 2023-01-06 | 浙江大华技术股份有限公司 | 火势蔓延范围预测方法、装置、计算机设备及存储介质 |
CN115641007A (zh) * | 2022-10-20 | 2023-01-24 | 成都秦川物联网科技股份有限公司 | 智慧城市火灾救援方案确定方法、系统、装置及介质 |
CN115601520A (zh) * | 2022-11-30 | 2023-01-13 | 北京科技大学(Cn) | 一种基于二维预估和多尺度网格的火灾模拟方法及装置 |
CN116011670A (zh) * | 2023-01-17 | 2023-04-25 | 厦门大学 | 火灾预测模型训练、使用方法、设备和介质 |
CN116415712A (zh) * | 2023-02-14 | 2023-07-11 | 武汉大学 | 一种基于多数据源的火灾蔓延预测方法及系统 |
CN115880598A (zh) * | 2023-02-15 | 2023-03-31 | 深圳市蜉飞科技有限公司 | 一种基于无人机的地面图像检测方法及相关装置 |
CN116310898A (zh) * | 2023-02-28 | 2023-06-23 | 武汉理工大学 | 基于神经网络和惠更斯原理的林火蔓延预测方法和系统 |
Non-Patent Citations (3)
Title |
---|
YUSUF S A 等: "A CNN-LSTM based Linear Regression Technique for Temporal Fire Event Modelling", 《2019 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN). IEEE》, pages 1 - 7 * |
钟江荣 等: "基于GIS的城市地震建筑物次生火灾蔓延模型", 《自然灾害学报》, no. 04, pages 16 - 21 * |
高超 等: "我国林火发生预测模型研究进展", 《应用生态学报》, vol. 31, no. 09, pages 3227 - 3240 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116884167A (zh) * | 2023-09-08 | 2023-10-13 | 山东舒尔智能工程有限公司 | 智能消防视频监测与报警联动控制系统 |
CN116884167B (zh) * | 2023-09-08 | 2023-12-05 | 山东舒尔智能工程有限公司 | 智能消防视频监测与报警联动控制系统 |
CN117152592A (zh) * | 2023-10-26 | 2023-12-01 | 青岛澳西智能科技有限公司 | 一种建筑信息与火情信息可视化系统及方法 |
CN117152592B (zh) * | 2023-10-26 | 2024-01-30 | 青岛澳西智能科技有限公司 | 一种建筑信息与火情信息可视化系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116580327B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116580327B (zh) | 基于无人机的火势发展预测方法及预测系统 | |
San Juan et al. | Intelligent UAV map generation and discrete path planning for search and rescue operations | |
Wu et al. | An intelligent tunnel firefighting system and small-scale demonstration | |
US20200159397A1 (en) | Fire management tool with versatile user interface | |
US20220016455A1 (en) | Fire monitoring | |
Mudd et al. | Hurricane wind hazard assessment for a rapidly warming climate scenario | |
JP6820625B1 (ja) | サーバ、森林データ利用システム、森林データ利用方法およびプログラム | |
KR20220095092A (ko) | 인공 지능을 이용한 산불 취약성 지도 생성 방법 및 그 장치 | |
Niska et al. | Evaluation of an integrated modelling system containing a multi-layer perceptron model and the numerical weather prediction model HIRLAM for the forecasting of urban airborne pollutant concentrations | |
Mohan et al. | Leveraging machine learning to predict wild fires | |
Alerskans et al. | A transformer neural network for predicting near‐surface temperature | |
Krishnamoorthy et al. | A design and development of the smart forest alert monitoring system using IoT | |
Sarkar et al. | Computation of skill of a mesoscale model in forecasting thunderstorm using radar reflectivity | |
CN117197679A (zh) | 一种基于增量疑似火点数据识别方法及装置 | |
CN117173593A (zh) | 基于遥感地物分布感知的火势蔓延推演方法、介质及设备 | |
Değermenci | Spatio-temporal change analysis and prediction of land use and land cover changes using CA-ANN model | |
Takano et al. | Projection of impacts of climate change on windthrows and evaluation of potential adaptation measures in forest management: A case study from empirical modelling of windthrows in Hokkaido, Japan, by Typhoon Songda (2004) | |
Fernandes et al. | Fire risk modeling using artificial neural networks | |
JP6806397B1 (ja) | サーバ、路網計画策定システム、路網計画策定方法およびプログラム | |
Al Murayziq et al. | Using case-based reasoning and artificial neural networks for the efficient prediction of dust storms | |
Cechet et al. | Fire impact and risk evaluation decision support tool (FIREDST) | |
Yoon et al. | Reducing Model Uncertainty in Physical Parameterizations: Combinational Optimizations Using Genetic Algorithm | |
Souza | Developing a machine learning framework for upwind surveyed regions | |
Soderlund | Characterization of wildland fires through evidence-based sensor fusion and planning | |
KR102490858B1 (ko) | 인공지능 기반 태양 복사량 및 대기 투과도 결정 장치 및 방법 |
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 |