CN117523499A - 基于北斗定位与感知的森林防火监测方法及系统 - Google Patents

基于北斗定位与感知的森林防火监测方法及系统 Download PDF

Info

Publication number
CN117523499A
CN117523499A CN202311851943.0A CN202311851943A CN117523499A CN 117523499 A CN117523499 A CN 117523499A CN 202311851943 A CN202311851943 A CN 202311851943A CN 117523499 A CN117523499 A CN 117523499A
Authority
CN
China
Prior art keywords
fire
feature
image
sample
symptom
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
Application number
CN202311851943.0A
Other languages
English (en)
Other versions
CN117523499B (zh
Inventor
李华栈
苏鑫煌
蔡升沿
彭文斌
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.)
Guangdong Bangsheng Beidou Technology Co ltd
Original Assignee
Guangdong Bangsheng Beidou Technology Co ltd
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 Guangdong Bangsheng Beidou Technology Co ltd filed Critical Guangdong Bangsheng Beidou Technology Co ltd
Priority to CN202311851943.0A priority Critical patent/CN117523499B/zh
Publication of CN117523499A publication Critical patent/CN117523499A/zh
Application granted granted Critical
Publication of CN117523499B publication Critical patent/CN117523499B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/14—Receivers specially adapted for specific applications
    • G01S19/17—Emergency applications
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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
    • 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
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
    • G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
    • 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
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Emergency Management (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及基于北斗定位与感知的森林防火监测方法及系统，在本发明实施例中，考虑到火灾征兆特征描述变量的特征表达形式为整数型，因而可以提高后续特征分析处理的时效性，减少运算资源开销，这样可以快速实现目标潜在火灾预判图的配对。此外，火灾征兆特征描述变量的整数型特征表示能够反映监测图像在不同注意力通道是否存在相应的特性，这样可以确保火灾监测的特征表达丰富性和全面性，当基于火灾征兆特征描述变量进行潜在火灾预判时，能够确保潜在火灾预判的全面性。综上，本发明的方案能够提高针对多维传感定位监测图像的潜在火灾预判准确性和及时性，从而实现高效、科学且合理的火灾监测防控。

Description

基于北斗定位与感知的森林防火监测方法及系统
技术领域
本发明涉及数据处理技术领域，特别涉及一种基于北斗定位与感知的森林防火监测方法及系统。
背景技术
森林火灾是一种常见的自然灾害，其发生往往具有突发性、不可预测性和破坏性强的特点。一旦发生森林火灾，不仅会造成巨大的生态环境损失，还可能威胁人类生命财产安全，因此，森林防火监测与预警工作至关重要。
传统的森林防火监测方法主要依靠地面巡逻和卫星遥感等方式，但这些方法存在一定局限性。地面巡逻耗时费力，而且难以覆盖大面积森林区域；卫星遥感虽能覆盖广阔区域，但其更新周期较长，无法实现实时监控。这些传统方法在火灾初期的快速识别和精准定位方面存在不足，难以满足当前对于高效、科学的森林防火监测需求。
发明内容
为改善相关技术中存在的技术问题，本发明提供了一种基于北斗定位与感知的森林防火监测方法及系统。
第一方面，本发明实施例提供了一种基于北斗定位与感知的森林防火监测方法，应用于森林防火监测系统，所述方法包括：
将待处理多维传感定位监测图像加载至火灾征兆识别网络进行火灾征兆特征挖掘，得到火灾征兆特征描述变量；
确定潜在火灾预判图对应的潜在火灾趋势描述变量，所述潜在火灾趋势描述变量是基于所述火灾征兆识别网络对所述潜在火灾预判图进行潜在火灾趋势分析后得到；
获取所述火灾征兆特征描述变量与所述潜在火灾趋势描述变量的防火监测联系特征，其中，所述防火监测联系特征表征所述火灾征兆特征描述变量与所述潜在火灾趋势描述变量在对应防火监测注意力通道的区别；
基于所述防火监测联系特征，从所述潜在火灾预判图中确定与所述待处理多维传感定位监测图像配对的目标潜在火灾预判图；
其中，所述火灾征兆识别网络是基于多维传感定位监测图像调试样例的火灾征兆特征描述变量调试样例以及不同所述多维传感定位监测图像调试样例之间的牵涉特征进行调试后得到，所述火灾征兆特征描述变量调试样例基于对所述多维传感定位监测图像调试样例的图像描述特征挖掘信息进行特征映射后得到，所述图像描述特征挖掘信息基于对所述多维传感定位监测图像调试样例进行图像描述特征挖掘所得。
可选的，所述火灾征兆识别网络包括图像描述特征挖掘分支和独热特征处理分支，所述将待处理多维传感定位监测图像加载至火灾征兆识别网络进行火灾征兆特征挖掘，得到火灾征兆特征描述变量，包括：
将所述待处理多维传感定位监测图像加载到所述图像描述特征挖掘分支进行图像描述特征挖掘，得到图像描述特征挖掘信息；
将所述图像描述特征挖掘信息加载到所述独热特征处理分支进行独热特征处理，得到火灾征兆特征描述变量。
可选的，所述独热特征处理分支包括特征映射分支和特征集成分支，所述将所述图像描述特征挖掘信息加载到所述独热特征处理分支进行独热特征处理，得到火灾征兆特征描述变量，包括：
将所述图像描述特征挖掘信息加载到所述特征映射分支进行特征映射处理，得到初始特征映射表征向量；
将所述初始特征映射表征向量加载到所述特征集成分支进行特征集成，得到火灾征兆特征描述变量。
可选的，所述独热特征处理分支包括知识更新分支和线性处理分支，所述将所述图像描述特征挖掘信息加载到所述独热特征处理分支进行独热特征处理，得到火灾征兆特征描述变量，包括：
将所述图像描述特征挖掘信息加载到所述知识更新分支进行知识向量更新，得到图像描述更新特征；
将所述图像描述更新特征加载到所述线性处理分支进行特征线性处理，得到火灾征兆特征描述变量。
可选的，所述将所述待处理多维传感定位监测图像加载到所述图像描述特征挖掘分支进行图像描述特征挖掘，得到图像描述特征挖掘信息，包括：
将所述待处理多维传感定位监测图像加载到所述图像描述特征挖掘分支进行图像描述特征挖掘，得到基础图像描述特征关系图谱；
确定所述待处理多维传感定位监测图像所包含的森林防火监测事件以及所述森林防火监测事件的森林防火监测事件种类；
获取所述森林防火监测事件种类所对应的森林防火监测事件种类特征；
将所述森林防火监测事件种类特征嵌入所述基础图像描述特征关系图谱，得到图像描述特征挖掘信息。
可选的，所述获取所述火灾征兆特征描述变量与所述潜在火灾趋势描述变量的防火监测联系特征，包括：
确定所述火灾征兆特征描述变量和所述潜在火灾趋势描述变量在各个注意力通道的特征映射值的区别，得到注意力通道差异变量；
基于各个注意力通道的注意力通道差异变量，确定所述火灾征兆特征描述变量和所述潜在火灾趋势描述变量的防火监测联系特征。
可选的，所述基于所述防火监测联系特征，从所述潜在火灾预判图中确定与所述待处理多维传感定位监测图像配对的目标潜在火灾预判图，包括：
将所述注意力通道差异变量皆不小于0的防火监测联系特征作为目标防火监测联系特征；
将所述目标防火监测联系特征对应的潜在火灾趋势描述变量作为目标潜在火灾趋势描述变量；
将所述目标潜在火灾趋势描述变量对应的潜在火灾预判图作为目标潜在火灾预判图。
可选的，所述将待处理多维传感定位监测图像加载至火灾征兆识别网络进行火灾征兆特征挖掘，得到火灾征兆特征描述变量之前，所述方法还包括：
获取待调试火灾征兆识别网络和知识图谱单元调试样例集合，所述知识图谱单元调试样例集合包括最少两个具有传递联系的知识图谱单元调试样例，每个知识图谱单元调试样例对应最少两个关联的多维传感定位监测图像调试样例；
从所述知识图谱单元调试样例集合对应的多维传感定位监测图像调试样例中选取初筛多维传感定位监测图像调试样例、所述初筛多维传感定位监测图像调试样例对应的多维传感定位监测图像积极调试样例以及所述初筛多维传感定位监测图像调试样例对应的多维传感定位监测图像消极调试样例；
基于所述知识图谱单元调试样例的知识传递特征确定所述初筛多维传感定位监测图像调试样例、所述多维传感定位监测图像积极调试样例和所述多维传感定位监测图像消极调试样例之间的牵涉特征；
通过所述待调试火灾征兆识别网络，得到所述初筛多维传感定位监测图像调试样例对应的火灾征兆特征描述变量调试样例、所述多维传感定位监测图像积极调试样例对应的火灾征兆特征描述变量积极调试样例，以及所述多维传感定位监测图像消极调试样例对应的火灾征兆特征描述变量消极调试样例；
基于所述火灾征兆特征描述变量调试样例、所述火灾征兆特征描述变量积极调试样例、所述火灾征兆特征描述变量消极调试样例以及所述牵涉特征对所述待调试火灾征兆识别网络进行调试，得到火灾征兆识别网络。
可选的，所述基于所述火灾征兆特征描述变量调试样例、所述火灾征兆特征描述变量积极调试样例、所述火灾征兆特征描述变量消极调试样例以及所述牵涉特征对所述待调试火灾征兆识别网络进行调试，得到火灾征兆识别网络，包括：
基于所述火灾征兆特征描述变量调试样例与所述火灾征兆特征描述变量积极调试样例的防火监测联系特征，以及所述火灾征兆特征描述变量调试样例与所述火灾征兆特征描述变量消极调试样例的防火监测联系特征，确定防火监测联系识别代价函数；
确定与所述初筛多维传感定位监测图像调试样例关联的过往多维传感定位监测图像调试样例，基于所述初筛多维传感定位监测图像调试样例与所述过往多维传感定位监测图像调试样例的防火监测联系特征，确定特征分团代价函数；
确定所述初筛多维传感定位监测图像调试样例对应的防火应急预案标签，基于所述初筛多维传感定位监测图像调试样例与所述防火应急预案标签的防火监测联系特征，确定防火应急预案识别代价函数；
确定所述初筛多维传感定位监测图像调试样例对应的前后序图像调试样例，基于所述初筛多维传感定位监测图像调试样例与所述前后序图像调试样例的防火监测联系特征，确定前后序配对代价函数；
基于所述火灾征兆特征描述变量调试样例、所述火灾征兆特征描述变量积极调试样例、所述火灾征兆特征描述变量消极调试样例、所述牵涉特征、以及所述防火监测联系识别代价函数、所述特征分团代价函数、所述防火应急预案识别代价函数和所述前后序配对代价函数对所述待调试火灾征兆识别网络进行调试，得到火灾征兆识别网络。
可选的，所述目标潜在火灾预判图包括潜在火灾定位区域，所述基于所述防火监测联系特征，从所述潜在火灾预判图中确定与所述待处理多维传感定位监测图像配对的目标潜在火灾预判图之后，所述方法还包括：
基于所述潜在火灾定位区域确定森林防火应急模拟图，并基于所述森林防火应急模拟图生成火灾防控资源调度图；
获取针对所述火灾防控资源调度图的资源调度模拟图；
基于所述潜在火灾定位区域和所述资源调度模拟图生成森林火情响应图。
第二方面，本发明还提供了一种森林防火监测系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
本发明实施例将待处理多维传感定位监测图像加载至火灾征兆识别网络进行火灾征兆特征挖掘，得到火灾征兆特征描述变量，基于火灾征兆识别网络对潜在火灾预判图进行特征提取，得到潜在火灾预判图对应的潜在火灾趋势描述变量，获取火灾征兆特征描述变量与潜在火灾趋势描述变量的防火监测联系特征，基于防火监测联系特征，从潜在火灾预判图中确定与待处理多维传感定位监测图像配对的目标潜在火灾预判图。其中，火灾征兆识别网络是基于多维传感定位监测图像调试样例的火灾征兆特征描述变量调试样例以及不同多维传感定位监测图像调试样例之间的牵涉特征进行调试后得到，火灾征兆特征描述变量调试样例基于对多维传感定位监测图像调试样例的图像描述特征挖掘信息进行特征映射后得到，图像描述特征挖掘信息基于对多维传感定位监测图像调试样例进行图像描述特征挖掘所得。考虑到火灾征兆特征描述变量的特征表达形式为整数型，因而可以提高后续特征分析处理的时效性，减少运算资源开销，这样可以快速实现目标潜在火灾预判图的配对。此外，火灾征兆特征描述变量的整数型特征表示能够反映监测图像在不同注意力通道是否存在相应的特性，这样可以确保火灾监测的特征表达丰富性和全面性，当基于火灾征兆特征描述变量进行潜在火灾预判时，能够确保潜在火灾预判的全面性。综上，本发明的方案能够提高针对多维传感定位监测图像的潜在火灾预判准确性和及时性，从而实现高效、科学且合理的火灾监测防控。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种基于北斗定位与感知的森林防火监测方法的流程示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与本发明的一些方面相一致的装置和方法的例子。
需要说明的是，本发明的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本发明实施例所提供的方法实施例可以在森林防火监测系统、计算机设备或者类似的运算装置中执行。以运行在森林防火监测系统上为例，森林防火监测系统可以包括一个或多个处理器（处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器，可选地，上述森林防火监测系统还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解，上述结构仅为示意，其并不对上述森林防火监测系统的结构造成限定。例如，森林防火监测系统还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。
存储器可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种基于北斗定位与感知的森林防火监测方法对应的计算机程序，处理器通过运行存储在存储器内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至森林防火监测系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括森林防火监测系统的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
基于此，请参阅图1，图1是本发明实施例所提供的一种基于北斗定位与感知的森林防火监测方法的流程示意图，该方法应用于森林防火监测系统，进一步可以包括步骤110-步骤140。
步骤110、将待处理多维传感定位监测图像加载至火灾征兆识别网络进行火灾征兆特征挖掘，得到火灾征兆特征描述变量。
在步骤110中，待处理多维传感定位监测图像是由多个传感器生成并经过预处理得到的图像数据，这些传感器可以在多个维度（例如温度、湿度、热量等）对目标区域进行监测。火灾征兆识别网络是一种利用深度学习技术建立的神经网络模型，其任务是从输入的多维传感定位监测图像中识别出可能的火灾征兆。火灾征兆特征挖掘是通过火灾征兆识别网络对输入图像进行分析，提取出与火灾征兆相关的特征。这些特征可能包括但不限于温度异常、烟雾浓度增加等。火灾征兆特征描述变量是通过火灾征兆特征挖掘得到的具体特征值或特征向量。这些描述变量可以用于衡量火灾征兆的严重程度或者是火灾可能发生的概率。
在步骤110中，上述四个部分共同工作，使得系统能够从待处理多维传感定位监测图像中提取出火灾征兆的特征，并用火灾征兆特征描述变量进行表示，为后续步骤提供依据。
下面通过一个示例来说明待处理多维传感定位监测图像和火灾征兆特征描述变量。
将一个多维传感器网部署在森林中。这个多维传感器网由温度传感器、湿度传感器、烟雾传感器和红外摄像头等组成。这些传感器会周期性地收集数据，并生成一张待处理多维传感定位监测图像。这张图像不仅包含了可见光图像信息，还融合了温度、湿度和烟雾浓度等多种维度的信息。
将这张图像输入到火灾征兆识别网络中时，神经网络会对图像进行分析，并尝试从中提取出可能的火灾征兆特征。例如，如果在某个区域内，温度显著升高，湿度显著降低，且有烟雾出现，那么神经网络可能会判断这个区域存在火灾风险。
具体到火灾征兆特征描述变量，可以是一个特征向量，每个维度代表一种特征的数值表示。例如，可以定义一个四维的特征向量[T，H，S，I]。
其中：
T（温度）：取值范围可以是0~100，表示的是温度传感器检测到的最高温度，数值越大，表示温度越高；
H（湿度）：取值范围可以是0~100，表示的是湿度传感器检测到的最低湿度，数值越小，表示湿度越低；
S（烟雾）：取值范围可以是0~100，表示的是烟雾传感器检测到的烟雾浓度，数值越大，表示烟雾浓度越高；
I（红外）：取值范围可以是0~100，表示的是红外摄像头捕捉到的异常热源数量，数值越大，表示异常热源数量越多。
比如，某个区域的火灾征兆特征描述变量可能为[80，20，70，10]，这表明该区域的温度较高、湿度较低、烟雾浓度较大且有一定数量的异常热源，这可能暗示该区域存在一定的火灾风险。
步骤120、确定潜在火灾预判图对应的潜在火灾趋势描述变量，所述潜在火灾趋势描述变量是基于所述火灾征兆识别网络对所述潜在火灾预判图进行潜在火灾趋势分析后得到。
在步骤120中，潜在火灾预判图是一种通过分析历史数据、环境变量等信息预先生成的图像，用于预测特定区域可能出现火灾的情况。这张图可以理解为一个预测模型的输出，它展示了未来可能发生火灾的区域和程度。潜在火灾趋势描述变量记载了潜在火灾的发展趋势。比如，某个区域火灾发生的可能性是否增加、火势是否有扩大的趋势等。这些变量通常基于对潜在火灾预判图的深入分析得出。潜在火灾趋势分析是一种对潜在火灾预判图进行深入研究的过程，通过使用各种统计和机器学习方法，从中提取出关键信息，进而生成潜在火灾趋势描述变量。
在步骤120中，火灾征兆识别网络将用于处理潜在火灾预判图，并根据其输出结果进行潜在火灾趋势分析，得出描述潜在火灾发展趋势的描述变量。这些变量将为后续的防火决策提供重要依据。
可见，潜在火灾预判图、潜在火灾趋势描述变量和潜在火灾趋势分析是森林防火监测系统预测火灾风险并生成有效预警的重要部分。以下是通过一个具体示例来解释这些术语。
潜在火灾预判图：以一个大型森林区域为例，每个区域都装有传感器网。这些传感器定期收集数据，并将其发送到森林防火监测系统。然后，根据每个区域的火灾征兆特征描述变量，可以创建一张潜在火灾预判图，它以视觉方式展示了整个森林可能发生火灾的风险程度。比如，预判图中的红色区域可能表示高风险区域，黄色表示中等风险区域，绿色表示低风险区域。
潜在火灾趋势描述变量：例如，可以定义一个三维特征向量[R，Y，G]。
其中：
R（红色）：取值范围可以是0~100，表示的是预判图中红色区域（高风险）的面积占比，数值越大，表示高风险区域面积越大；
Y（黄色）：取值范围可以是0~100，表示的是预判图中黄色区域（中等风险）的面积占比，数值越大，表示中等风险区域面积越大；
G（绿色）：取值范围可以是0~100，表示的是预判图中绿色区域（低风险）的面积占比，数值越大，表示低风险区域面积越大。
潜在火灾趋势分析是一种通过对潜在火灾趋势描述变量进行分析，来了解潜在火灾风险随时间发展的变化趋势。例如，如果某个区域的[R，Y，G]变量值从[10，30，60]变为了[20，40，40]，则表明这个区域的火灾风险正在增加。
基于上述的描述变量和分析方法，能够生成潜在火灾预判图并监测森林火灾的潜在风险趋势，从而帮助相关部门及时做出反应，有效地预防和控制森林火灾。
步骤130、获取所述火灾征兆特征描述变量与所述潜在火灾趋势描述变量的防火监测联系特征，其中，所述防火监测联系特征表征所述火灾征兆特征描述变量与所述潜在火灾趋势描述变量在对应防火监测注意力通道的区别。
在步骤130中，防火监测联系特征是一种用于表达火灾征兆特征描述变量与潜在火灾趋势描述变量之间关系的特征。它可以反映这两者如何相互影响和交互，例如，某个具体的火灾征兆（比如温度异常上升）可能如何影响火灾的潜在发展趋势。
在神经网络中，注意力机制是一种让模型能够自动聚焦在最重要信息上的方法。在这里，防火监测注意力通道则是指模型在处理火灾监测数据时，会主要关注或优先处理哪些特定的特征或区域。例如，在一片森林的监测图像中，模型可能会更关注那些温度异常、烟雾密集的区域。
在步骤130中，将根据火灾征兆特征描述变量与潜在火灾趋势描述变量的相关性，通过防火监测注意力通道来确定防火监测联系特征。这一步是为了找出可能的火灾征兆与火灾发展趋势之间的联系，从而提供更准确的火灾预警。
可见，防火监测联系特征和防火监测注意力通道是两个用于提高森林防火监测系统性能的关键概念。以下是通过一个具体示例来解释这些术语。
防火监测联系特征指的是火灾征兆特征描述变量与潜在火灾趋势描述变量之间的关联。例如，如果某个区域的火灾征兆特征描述变量（如[80，20，70，10]）与其潜在火灾趋势描述变量（如[30，50，20]）都显示出火灾风险增加，那么这两组变量就有强烈的联系特征。
防火监测注意力通道：注意力通道是深度学习领域中的一个概念，它可以帮助模型集中精力处理最重要的信息。在防火监测系统中，防火监测注意力通道可能专注于处理那些火灾风险较高的区域。比如，如果系统检测到某个区域的火灾征兆特征描述变量和潜在火灾趋势描述变量都显示出高风险，那么这个区域就会被划入防火监测注意力通道，系统将优先处理与此区域相关的信息。
以一个具体例子来说，假设有一个大型森林区域，每个小区域都装有传感器网络。当系统检测到某个小区域（比如A区）的火灾征兆特征描述变量为[90，15，80，15]，潜在火灾趋势描述变量为[40，50，10]时，由于这两组变量都显示出A区存在较高的火灾风险，因此，A区会被划入防火监测注意力通道，并优先进行处理。同时，这两组变量的关联性构成了防火监测联系特征，可以帮助系统更准确地评估火灾风险。
步骤140、基于所述防火监测联系特征，从所述潜在火灾预判图中确定与所述待处理多维传感定位监测图像配对的目标潜在火灾预判图。
在步骤140中，目标潜在火灾预判图是基于防火监测联系特征从潜在火灾预判图中选出的特定图像。也就是说，它是与当前待处理多维传感定位监测图像最匹配的预判图。这张图表明了在考虑了现有的火灾征兆特征和潜在火灾趋势之后，森林中哪些区域最可能发生火灾。
具体来说，比如系统通过分析待处理多维传感定位监测图像和防火监测联系特征，确定了某个具体的森林区域（比如区域A）存在较高的火灾风险。然后，系统会在潜在火灾预判图中找到对应的区域A，并生成一个新的预判图。这个新的预判图就是目标潜在火灾预判图，它展示了在考虑了所有已知信息后，区域A的火灾风险是怎样的。
通过这种方式，系统能够根据实时数据更新潜在火灾预判图，使其更加精确地反映了森林的实际情况和火灾风险。这对于指导防火工作，提高森林火灾的预警和响应能力具有重要意义。
在上述的步骤110-步骤140中，所述火灾征兆识别网络是基于多维传感定位监测图像调试样例的火灾征兆特征描述变量调试样例以及不同所述多维传感定位监测图像调试样例之间的牵涉特征进行调试后得到，所述火灾征兆特征描述变量调试样例基于对所述多维传感定位监测图像调试样例的图像描述特征挖掘信息进行特征映射后得到，所述图像描述特征挖掘信息基于对所述多维传感定位监测图像调试样例进行图像描述特征挖掘所得。
其中，多维传感定位监测图像调试样例是在模型训练阶段使用的样本，它们包含了多个维度（如温度、湿度、烟雾等）的监测数据，并且每个数据点都有精确的空间定位信息。火灾征兆特征描述变量调试样例是基于多维传感定位监测图像调试样例得到的火灾征兆特征描述变量的样本。例如，根据监测图像，可以得到某个区域的温度、湿度、烟雾浓度等参数作为火灾征兆特征描述变量。牵涉特征是指在不同的多维传感定位监测图像调试样例之间存在的相关性或依赖关系。例如，如果在某个地区连续出现高温和烟雾，那么这两个特征就可能有牵涉关系，可能暗示着火灾风险。图像描述特征挖掘信息是指通过对多维传感定位监测图像进行分析，提取出的图像的特征信息。例如，可以通过图像处理技术提取出图像中的纹理、颜色、形状等特征。特征映射是指将图像描述特征挖掘信息转化为可以被模型理解和处理的形式，通常是数值或向量。例如，可能会将提取出的图像特征编码成一个特征向量，以供模型使用。图像描述特征挖掘是一种技术过程，通过它可以从多维传感定位监测图像中提取出有用的特征信息。这些特征信息可以帮助理解图像内容，例如识别出可能的火灾征兆。
在调试火灾征兆识别网络时，首先使用多维传感定位监测图像调试样例来训练火灾征兆识别网络。然后，利用图像描述特征挖掘技术从样例中提取出特征信息，并通过特征映射将其转化为火灾征兆特征描述变量。同时，还会考虑到不同样例之间的牵涉特征，以提高模型的识别精度。
本发明实施例将待处理多维传感定位监测图像加载至火灾征兆识别网络进行火灾征兆特征挖掘，得到火灾征兆特征描述变量，基于火灾征兆识别网络对潜在火灾预判图进行特征提取，得到潜在火灾预判图对应的潜在火灾趋势描述变量，获取火灾征兆特征描述变量与潜在火灾趋势描述变量的防火监测联系特征，基于防火监测联系特征，从潜在火灾预判图中确定与待处理多维传感定位监测图像配对的目标潜在火灾预判图。其中，火灾征兆识别网络是基于多维传感定位监测图像调试样例的火灾征兆特征描述变量调试样例以及不同多维传感定位监测图像调试样例之间的牵涉特征进行调试后得到，火灾征兆特征描述变量调试样例基于对多维传感定位监测图像调试样例的图像描述特征挖掘信息进行特征映射后得到，图像描述特征挖掘信息基于对多维传感定位监测图像调试样例进行图像描述特征挖掘所得。考虑到火灾征兆特征描述变量的特征表达形式为整数型，因而可以提高后续特征分析处理的时效性，减少运算资源开销，这样可以快速实现目标潜在火灾预判图的配对。此外，火灾征兆特征描述变量的整数型特征表示能够反映监测图像在不同注意力通道是否存在相应的特性，这样可以确保火灾监测的特征表达丰富性和全面性，当基于火灾征兆特征描述变量进行潜在火灾预判时，能够确保潜在火灾预判的全面性。综上，本发明的方案能够提高针对多维传感定位监测图像的潜在火灾预判准确性和及时性，从而实现高效、科学且合理的火灾监测防控。
上述有益效果的总结为以下几点：
第一点，提高预判准确性：通过使用火灾征兆识别网络对待处理多维传感定位监测图像进行特征挖掘，并将结果与潜在火灾预判图的趋势描述变量相结合，本方案能够更为精确地预测和定位可能的火灾区域。这种方法通过结合即时监测数据与历史趋势分析，提高了火灾预警系统的准确性；
第二点，增加时效性：采用整数型的火灾征兆特征描述变量，不仅简化了数据的表达形式，还减少了计算过程中的资源开销。因此，可以快速完成从接收数据到生成目标潜在火灾预判图的整个过程，实现快速响应和及时预警；
第三点，减少运算资源开销：整数型特征表示相比于其他复杂的数据类型（如浮点数），在计算上更为高效。它们占用的存储空间小，处理速度快，适合用于需要实时或近实时处理的系统，从而减少了整体的运算资源消耗；
第四点，确保特征表达的丰富性和全面性：通过引入防火监测注意力通道的概念，系统可以更关注那些具有显著火灾征兆的区域。整数型的特征表示还可以反映出监测图像在不同注意力通道的特性，这样不仅确保了特征表达的全面性，也让模型能够集中分析最重要的信息；
第五点，实现全面的潜在火灾预判：由于整数型特征能够充分反映监测图像的关键特性，所以当基于这些特征进行潜在火灾预判时，可以确保预判的全面性和可靠性。
在一些方案中，火灾征兆识别网络包括图像描述特征挖掘分支和独热特征处理分支。在此基础上，步骤110所描述的将待处理多维传感定位监测图像加载至火灾征兆识别网络进行火灾征兆特征挖掘，得到火灾征兆特征描述变量，包括步骤111-步骤112。
步骤111、将所述待处理多维传感定位监测图像加载到所述图像描述特征挖掘分支进行图像描述特征挖掘，得到图像描述特征挖掘信息。
步骤112、将所述图像描述特征挖掘信息加载到所述独热特征处理分支进行独热特征处理，得到火灾征兆特征描述变量。
在这个方案中，火灾征兆识别网络由两个主要分支组成：图像描述特征挖掘分支和独热特征处理分支。
图像描述特征挖掘分支：该分支的职责是从多维传感定位监测图像中提取出关键的图像特征。例如，设想一个森林防火监测系统正在分析一张卫星图像，该分支会识别并记录图像中的不同特征，如颜色变化、纹理模式或植被的健康状况等，这些可能指示干旱、高温或其他与火灾风险相关的条件。
独热特征处理分支：得到图像描述特征挖掘信息后，这些信息被送入独热特征处理分支。在这个分支中，所提取的特征将转换为独热编码格式，这是一种常用的表示分类变量的方法，每一位代表一种状态，其中一个高电平（1）可能代表存在某个特定的征兆，而其余为低电平（0）。例如，如果监测四种火灾征兆（高温、干旱、强风、烟雾），则一个独热编码[0，1，0，1]可以表示当前监测到干旱和烟雾这两种征兆。
通过这样的双分支结构，火灾征兆识别网络能够更精细地处理信息，将原始的图像数据转化为具有明确含义的特征描述变量。这种结构设计可以增加系统对复杂情况的理解能力，比如区分自然温度变化和可能导致火灾的异常温度上升。
如此设计，提供了高度专业化的数据处理路径，能够有效地从图像中提取详尽的特征，并且通过独热编码使这些特征易于理解和操作。这样不仅提高了火灾预测的准确性，也加快了数据处理速度，因为独热编码简化了分类特征的处理。同时，这种结构利于神经网络分支专注于它们各自最擅长的任务，即图像特征挖掘和特征编码处理，从而优化了整体网络的学习效率和预测能力。此外，将原始数据转化为结构化的特征描述变量还便于后续的数据分析和知识提取，对于建立火灾响应策略和防范措施至关重要。
在一些实施例中，所述独热特征处理分支包括特征映射分支和特征集成分支。基于此，步骤112中的将所述图像描述特征挖掘信息加载到所述独热特征处理分支进行独热特征处理，得到火灾征兆特征描述变量，包括步骤1121-步骤1122。
步骤1121、将所述图像描述特征挖掘信息加载到所述特征映射分支进行特征映射处理，得到初始特征映射表征向量。
步骤1122、将所述初始特征映射表征向量加载到所述特征集成分支进行特征集成，得到火灾征兆特征描述变量。
在这个实施例中，首先对森林监测图像进行特征挖掘，提取出相关的图像描述信息，例如温度分布、烟雾浓度或者植被干燥程度等。然后，这些信息被输入到一个称为独热特征处理分支的系统中，它由两个主要部分组成：特征映射分支和特征集成分支。
在步骤1121中，图像描述特征挖掘信息首先被加载到特征映射分支。这里，这些信息被转换成一种适合机器学习模型处理的格式，即初始特征映射表征向量。比如说，温度数据可能会被编码为一个热度指数，烟雾浓度可能会被转换成一个介于0到1之间的数值，等等。
在步骤1122中，初始特征映射表征向量进一步被加载到特征集成分支。在这一步骤中，来自不同传感器的多个特征向量被综合起来，形成一个全面的火灾征兆特征描述变量。这个过程可能涉及到特征的标准化、权重分配以及去除冗余特征等操作，以确保生成的特征向量能够有效反映火灾的可能征兆。
通过上述的两个步骤，能够从原始的图像描述特征挖掘信息中提取并集成关键特征，生成一个既精确又易于机器学习模型处理的火灾征兆特征描述变量。上述实施例可以更精细和高效地处理和利用图像中的信息来预测火灾风险。通过特征映射，将原始数据转换为机器更容易理解的格式，然后再通过特征集成，将多个特征融合成一个统一的描述符，大大增强了模型对火灾征兆的识别能力。整个流程优化了数据处理步骤，提高了火灾预测模型的准确性和效率，从而加快了火灾检测的速度，使得预警系统能够更快地响应潜在的火灾威胁。
在另外的实施例中，所述独热特征处理分支包括知识更新分支和线性处理分支。基于此，步骤112中的将所述图像描述特征挖掘信息加载到所述独热特征处理分支进行独热特征处理，得到火灾征兆特征描述变量，包括步骤112a-步骤112b。
步骤112a、将所述图像描述特征挖掘信息加载到所述知识更新分支进行知识向量更新，得到图像描述更新特征。
步骤112b、将所述图像描述更新特征加载到所述线性处理分支进行特征线性处理，得到火灾征兆特征描述变量。
在该实施例中，独热特征处理分支进一步细化为知识更新分支和线性处理分支，以便对从图像描述特征挖掘信息提取的数据进行更深入的处理。
知识更新分支：该分支负责利用最新的输入信息（即图像描述特征挖掘信息）来更新系统的知识库。例如，如果监测到某个区域有新的植被变化或温度异常，知识更新分支会将这些新信息整合到现有的知识向量中，生成图像描述更新特征。这相当于是模型根据最新数据“学习”并调整其对火灾征兆的理解。
线性处理分支：接着，所得到的图像描述更新特征被送入线性处理分支。在这里，特征会经过一系列线性变换（比如加权求和），从而得到一个更为简洁且易于分类的火灾征兆特征描述变量。通过这种方式，原始的、可能很复杂的图像数据被转换成了一个格式化的、适用于进一步分析的数据形式。
举例来说，假设在某森林区域的多维传感定位监测图像中检测到了新的温度和湿度异常点。首先，这些新数据会被载入知识更新分支，与旧的知识向量结合，更新后得到反映最新监测状态的图像描述更新特征。然后，这些特征被送入线性处理分支，经过一系列数学操作后，生成了表示火灾风险水平的整数型火灾征兆特征描述变量。
该实施例的设计使得火灾征兆识别网络不仅能够及时响应新的监测数据，还能够基于累积的知识进行动态更新，从而持续提高预判精度。通过引入知识更新机制，系统能够适应环境变化和新出现的火灾征兆。线性处理分支进一步简化了特征，使得它们更适合用于快速有效的火灾预警决策。这种多级特征处理流程强化了数据的表达力，并提升了整个火灾预警系统的响应速度和准确率。
在一些可选的方案中，步骤111中的将所述待处理多维传感定位监测图像加载到所述图像描述特征挖掘分支进行图像描述特征挖掘，得到图像描述特征挖掘信息，包括步骤1111-步骤1114。
步骤1111、将所述待处理多维传感定位监测图像加载到所述图像描述特征挖掘分支进行图像描述特征挖掘，得到基础图像描述特征关系图谱。
步骤1112、确定所述待处理多维传感定位监测图像所包含的森林防火监测事件以及所述森林防火监测事件的森林防火监测事件种类。
步骤1113、获取所述森林防火监测事件种类所对应的森林防火监测事件种类特征。
步骤1114、将所述森林防火监测事件种类特征嵌入所述基础图像描述特征关系图谱，得到图像描述特征挖掘信息。
在这个可选的方案中，将对多维传感定位监测图像进行一系列的处理步骤以提取出有助于火灾监测和预防的关键信息。具体过程包括以下几个步骤。
首先，待处理的多维传感定位监测图像首先被加载到图像描述特征挖掘分支。在这个分支里，系统会分析图像，并建立一个基础的图像描述特征关系图谱。这个图谱包含了图像中各种元素之间的关系和相互作用，例如不同地形、植被类型或者天气条件如何结合在一起。
接着，系统确定图像中存在的森林防火监测事件及其类别。例如，这些事件可能包括树冠温度异常、枯叶堆积、营火残留或者其他任何可能增加火灾风险的因素。
之后，为每个识别出来的森林防火监测事件获取相应的特征。这些特征与事件的种类密切相关，并能够描述事件的性质。例如，对于树冠温度异常这一事件，其特征可能包括温度数值、异常区域的大小以及变化速率等。
最后，将森林防火监测事件种类特征嵌入到之前构建的基础图像描述特征关系图谱中，得到更完整和综合的图像描述特征挖掘信息。
通过这些详尽的步骤，系统能够生成一个内容丰富的特征集，这些特征集不仅反映了图像中的直观信息，还融入了对森林火灾监测至关重要的上下文和分类信息。这样做可以大幅提升火灾预警的精确性，因为它允许系统识别并响应具体的火灾风险因素，而不是仅依赖于通用的图像特征。
此方案通过精细化的特征提取和智能化的信息融合，显著增强了火灾监测系统对于复杂情景的理解和分析能力。它使得系统能够识别出关键的监测事件，并将这些事件与全局的环境特征结合起来，从而提供了更全面和深入的火灾风险评估。此外，这一过程为实现高效和及时的火灾预警提供了坚实的数据支撑，进而可以更好地指导防火决策和资源配置，减少火灾带来的损失和影响。
在一些优选的实施例中，步骤130中的获取所述火灾征兆特征描述变量与所述潜在火灾趋势描述变量的防火监测联系特征，包括步骤131-步骤132。
步骤131、确定所述火灾征兆特征描述变量和所述潜在火灾趋势描述变量在各个注意力通道的特征映射值的区别，得到注意力通道差异变量。
步骤132、基于各个注意力通道的注意力通道差异变量，确定所述火灾征兆特征描述变量和所述潜在火灾趋势描述变量的防火监测联系特征。
在这个优选的实施例中，步骤130旨在通过分析火灾征兆特征描述变量和潜在火灾趋势描述变量之间的关系来获取防火监测联系特征。
首先确定火灾征兆特征描述变量和潜在火灾趋势描述变量在不同注意力通道上的特征映射值的差异。注意力通道是指模型中用于强调或者减少某些特征重要性的机制。例如，一个注意力通道可能专注于图像中的温度信息，而另一个通道可能关注烟雾扩散模式。系统会比较两种类型的变量（征兆特征和趋势描述）在这些通道上的映射值，并识别它们之间的差异，生成所谓的注意力通道差异变量。
然后，基于每个注意力通道上得到的差异变量，系统进一步确定火灾征兆特征描述变量和潜在火灾趋势描述变量之间的防火监测联系特征。这一步骤可能涉及到计算差异变量之间的相关性或者其他统计学上的联系，从而揭示这两组变量如何共同影响火灾的潜在风险。
通过这种方法，可以更精确地评估当前监测到的火灾征兆与已知火灾趋势之间的相互关系，以及它们对未来火灾风险的联合预测能力。这个方案能够提高火灾预测的综合性和准确性。注意力通道差异变量的引入使得系统能够针对不同特征进行更细致的分析，并且通过关联分析，可以更好地理解各个特征如何共同作用于火灾风险的形成。这种深入的数据洞察力使得预警系统能够基于多维数据进行更为全面和准确的风险评估，从而为采取适时的防火措施提供科学依据。
在另一些可能的示例下，步骤140中的基于所述防火监测联系特征，从所述潜在火灾预判图中确定与所述待处理多维传感定位监测图像配对的目标潜在火灾预判图，包括步骤141-步骤143。
步骤141、将所述注意力通道差异变量皆不小于0的防火监测联系特征作为目标防火监测联系特征。
步骤142、将所述目标防火监测联系特征对应的潜在火灾趋势描述变量作为目标潜在火灾趋势描述变量。
步骤143、将所述目标潜在火灾趋势描述变量对应的潜在火灾预判图作为目标潜在火灾预判图。
在这个可能的示例中，步骤140涉及到通过分析多维传感定位监测图像来预判潜在火灾，并确定最符合当前情况的目标潜在火灾预判图。此过程包括三个子步骤：首先，从一组防火监测联系特征中选择出那些注意力通道差异变量皆不小于0的特征，作为目标防火监测联系特征。这里的“注意力通道差异变量”可能是指模型对于特定特征通道给予的关注程度。当所有这些变量都不小于0时，表明这些特征在预判火灾方面具有重要性。然后，将这些目标防火监测联系特征所对应的潜在火灾趋势描述变量视为目标潜在火灾趋势描述变量。这意味着根据目标防火监测联系特征，可以推断出火灾发展的潜在趋势。最后，基于目标潜在火灾趋势描述变量，选取相应的潜在火灾预判图，作为最能代表当前监测状态下火灾发展趋势的图表。
例如，假设在某地区进行监测时，通过分析得到了多个关注点，包括温度异常、风速加大、低湿度等。如果这些变量在之前的数据分析中显示它们与火灾发生具有高相关性，那么这些联系特征就会被视为目标防火监测联系特征。接下来，系统会找出与这些特征相对应的趋势描述变量（如火势蔓延速度），并最终选取一个预判图，这个图将根据现有信息预测未来火灾的潜在发展情况。
上述实施例使得火灾监测和预警系统能够更准确地识别和关注那些与火灾发生密切相关的特征，并据此生成更为精确的火灾趋势预测。通过专注于数据中的重要信号，并忽略那些不太相关的信息，系统能够提供更有针对性的分析和预判。这种方法可以提升火灾预警的时效性和准确性，为火灾防控工作提供更为可靠的支持，最终有助于减少由火灾带来的损失和伤害。
在一些可选的实施例中，在步骤110所描述的将待处理多维传感定位监测图像加载至火灾征兆识别网络进行火灾征兆特征挖掘，得到火灾征兆特征描述变量之前，所述方法还包括步骤210-步骤250。
步骤210、获取待调试火灾征兆识别网络和知识图谱单元调试样例集合，所述知识图谱单元调试样例集合包括最少两个具有传递联系的知识图谱单元调试样例，每个知识图谱单元调试样例对应最少两个关联的多维传感定位监测图像调试样例。
步骤220、从所述知识图谱单元调试样例集合对应的多维传感定位监测图像调试样例中选取初筛多维传感定位监测图像调试样例、所述初筛多维传感定位监测图像调试样例对应的多维传感定位监测图像积极调试样例以及所述初筛多维传感定位监测图像调试样例对应的多维传感定位监测图像消极调试样例。
步骤230、基于所述知识图谱单元调试样例的知识传递特征确定所述初筛多维传感定位监测图像调试样例、所述多维传感定位监测图像积极调试样例和所述多维传感定位监测图像消极调试样例之间的牵涉特征。
步骤240、通过所述待调试火灾征兆识别网络，得到所述初筛多维传感定位监测图像调试样例对应的火灾征兆特征描述变量调试样例、所述多维传感定位监测图像积极调试样例对应的火灾征兆特征描述变量积极调试样例，以及所述多维传感定位监测图像消极调试样例对应的火灾征兆特征描述变量消极调试样例。
步骤250、基于所述火灾征兆特征描述变量调试样例、所述火灾征兆特征描述变量积极调试样例、所述火灾征兆特征描述变量消极调试样例以及所述牵涉特征对所述待调试火灾征兆识别网络进行调试，得到火灾征兆识别网络。
该实施例是一个更加复杂和精细化的预处理流程，旨在调试火灾征兆识别网络以提高其准确性和可靠性。该预处理过程进一步可以包括如下内容。
首先，获取用于调试的样例集合，这包括多个知识图谱单元调试样例。每个知识图谱单元调试样例都对应至少两个关联的多维传感定位监测图像调试样例，并且这些调试样例之间存在某种传递联系。从上述调试样例集合中挑选出初筛的多维传感定位监测图像调试样例，以及与之对应的积极和消极调试样例。积极样例可能代表明显的火灾征兆，而消极样例则可能指示无火灾征兆或正常状态。基于知识图谱单元调试样例的知识传递特征确定初筛样例、积极样例和消极样例之间的牵涉特征。牵涉特征是指能够表征这三类样例之间差异和联系的属性或指标。通过待调试的火灾征兆识别网络处理这些样例，得到对应的火灾征兆特征描述变量调试样例（包括积极和消极调试样例）。最后，利用上述得到的调试样例及其牵涉特征来调试火灾征兆识别网络，使其能够更好地识别真实世界中的火灾征兆。
这一系列步骤构成了一个系统性的调试方案，通过此方案，可以有效提升火灾征兆识别网络的性能。调试网络不仅考虑了单个图像样例的特征，还结合了不同样例之间的相互关系，增强了模型的泛化能力。
下面针对步骤210-步骤250中的每个步骤进行更为详细的介绍。
在步骤210中，首先收集用于调试火灾征兆识别网络的数据。这些数据包括一组知识图谱单元调试样例，每个样例至少关联两个多维传感定位监测图像调试样例。这些知识图谱单元呈现出传递联系，意味着它们之间存在逻辑或因果关系，这些关系可以帮助网络学习和理解火灾征兆的各种模式。
在步骤220中，从收集到的调试样例集合中，需要挑选出一部分作为初筛样例，并为这些样例标记出相应的积极和消极调试样例。积极样例可能代表有火灾征兆的情况，而消极样例则表示没有火灾征兆或处于正常状态。通过这种分类，网络可以学会区分哪些特征是预示着火灾发生的信号。
接下来，在步骤230中，基于知识图谱单元的知识传递特征，定义初筛样例、积极样例和消极样例之间的牵涉特征。牵涉特征是指能够表征这三类样例之间联系的属性或指标，例如温度变化、颜色差异、烟雾密度等。这些特征有助于揭示哪些条件下更可能出现火灾征兆。
然后，在步骤240中，利用待调试的火灾征兆识别网络处理上述三类样例（初筛、积极、消极），生成对应的火灾征兆特征描述变量调试样例。这个过程实质上是让网络尝试识别和提取出反映火灾征兆的关键变量。
最后，在步骤250中，结合前述步骤获得的所有调试样例及其牵涉特征，进行火灾征兆识别网络的调试。调试过程中可能涉及参数微调、特征选择、模型结构优化等，目的是让网络更好地理解和识别与火灾征兆相关的模式和变量。
整个调试过程是一个迭代优化的环节，可能会反复执行多次，直到网络的性能达到满意的水平。这样的调试不仅仅是为了提高识别准确率，也是为了让模型具有良好的泛化能力，使其能够在各种真实场景中稳定工作。上述调试流程通过引入丰富的样本数据和复杂的知识结构，极大地增强了火灾征兆识别网络的学习能力和预测精度。调试后的网络将能更有效地识别出真实监测图像中的潜在火灾征兆，为及时采取防范措施提供支持，最终目的是减少火灾发生的风险并保护人类生命和财产安全。
此外，上述调试方案使火灾征兆识别网络能够更准确地辨识各种火灾征兆和非征兆的情况，提高了预警系统的可靠性和准确性。通过引入知识图谱单元调试样例，系统可以学习到更加深入的数据关联，从而对复杂的现实世界情境具有更好的理解。这不仅可以帮助更早地检测到潜在的火灾风险，也有助于避免因误报导致的资源浪费。总体而言，该方案为火灾监控和预防工作提供了一个更稳健和智能的技术支持。
在一些可选的实施例中，步骤250中的基于所述火灾征兆特征描述变量调试样例、所述火灾征兆特征描述变量积极调试样例、所述火灾征兆特征描述变量消极调试样例以及所述牵涉特征对所述待调试火灾征兆识别网络进行调试，得到火灾征兆识别网络，包括步骤251-步骤255。
步骤251、基于所述火灾征兆特征描述变量调试样例与所述火灾征兆特征描述变量积极调试样例的防火监测联系特征，以及所述火灾征兆特征描述变量调试样例与所述火灾征兆特征描述变量消极调试样例的防火监测联系特征，确定防火监测联系识别代价函数。
步骤252、确定与所述初筛多维传感定位监测图像调试样例关联的过往多维传感定位监测图像调试样例，基于所述初筛多维传感定位监测图像调试样例与所述过往多维传感定位监测图像调试样例的防火监测联系特征，确定特征分团代价函数。
步骤253、确定所述初筛多维传感定位监测图像调试样例对应的防火应急预案标签，基于所述初筛多维传感定位监测图像调试样例与所述防火应急预案标签的防火监测联系特征，确定防火应急预案识别代价函数。
步骤254、确定所述初筛多维传感定位监测图像调试样例对应的前后序图像调试样例，基于所述初筛多维传感定位监测图像调试样例与所述前后序图像调试样例的防火监测联系特征，确定前后序配对代价函数。
步骤255、基于所述火灾征兆特征描述变量调试样例、所述火灾征兆特征描述变量积极调试样例、所述火灾征兆特征描述变量消极调试样例、所述牵涉特征、以及所述防火监测联系识别代价函数、所述特征分团代价函数、所述防火应急预案识别代价函数和所述前后序配对代价函数对所述待调试火灾征兆识别网络进行调试，得到火灾征兆识别网络。
在这个实施例中，步骤250详细描述了对火灾征兆识别网络进行调试的过程。这一过程利用了一系列特定的代价函数来指导网络的学习，确保它能够准确地从监测图像中识别出火灾征兆。以下是各个子步骤的解释。
步骤251：定义防火监测联系识别代价函数，该函数基于积极和消极火灾征兆特征描述变量调试样例之间的差异。此代价函数用于评估网络预测的准确性，帮助区分积极和消极的征兆。
步骤252：确定与初筛多维传感定位监测图像调试样例关联的历史数据样例，并定义特征分团代价函数。这个函数衡量当前图像与历史图像在火灾征兆特征上的相似度，有助于识别时间序列上的模式和趋势。
步骤253：确定初筛图像样例对应的防火应急预案标签，并创建防火应急预案识别代价函数。这个函数使得网络能够将图像特征与特定的预案联系起来，以提高响应火灾事件的效率。
步骤254：识别初筛图像样例的前后序图像，并建立前后序配对代价函数。通过比较图像序列中的连续样本，这个函数帮助网络理解火灾征兆的发展动态。
步骤255：最后，综合使用上述所有调试样例、牵涉特征以及四种代价函数对火灾征兆识别网络进行调试，得到最终的优化网络模型。
以上方案描述了使用不同代价函数来调试火灾征兆识别网络的过程。每个代价函数都旨在优化网络的一个特定方面，以提高预测火灾征兆的准确性。以下是对这些代价函数的详细举例介绍：
（1）防火监测联系识别代价函数
创建一个代价函数，其目的是优化网络对火灾征兆特征描述变量与积极/消极调试样例之间联系的识别能力。例如，如果网络将一个包含火灾征兆的图像错误地分类为无征兆（消极样例），或者将一个正常情况的图像误判为有火灾征兆（积极样例），该代价函数的值会增加。代价函数可以采用交叉熵损失、平方差损失等形式。
（2）特征分团代价函数
此代价函数关注于使网络能够基于历史数据和当前数据的关联性，进行更准确的分类。例如，如果历史上类似的传感器读数多次与火灾事件相关联，则当前具有相似读数的图像应被归类为具有较高火灾风险。该代价函数可能考虑时间序列分析中的相似度度量，如动态时间弯曲（DTW）距离。
（3）防火应急预案识别代价函数
这个代价函数着重于初筛图像与对应的防火应急预案标签之间的匹配程度。它旨在帮助网络学习如何根据监测到的征兆选择适当的应急预案。举例来说，若一个图像显示了烟雾蔓延速度快的特征，则应关联到“紧急疏散”这样的应急预案。
（4）前后序配对代价函数
该代价函数用于优化网络在处理时间序列数据时的表现，即如何基于一系列图像的顺序来识别火灾征兆。这要求网络理解火灾发展的时间动态。例如，如果监测到温度逐渐上升的趋势，网络应该将这些连续的图像识别为火灾风险增加的信号。
（5）综合调试
最后，利用以上定义的所有代价函数，综合考虑各种牵涉特征，对火灾征兆识别网络进行全面的调试。这一步可能涉及到权衡各个代价函数在总体损失中的比重，以确保网络在不同方面的表现均得到优化。例如，可以通过设置超参数或采用多任务学习的方法来实现这一点。
调试的目标是让火灾征兆识别网络能够准确识别真实场景下的火灾征兆，并根据这些征兆做出合适的预警和应对措施推荐。通过这种复杂的调试流程，火灾征兆识别网络不仅能更准确地识别出火灾征兆，还能在发现潜在风险时，提供有效的应急预案建议，从而提高整个火灾监测系统的响应能力和安全水平。
例如，假设有一组监测图像，一些显示森林内部明显的营火痕迹（积极样例），而其他的显示正常的森林状态（消极样例）。通过上述步骤，网络可以学习到什么样的图像特征与火灾征兆相关，同时也能够根据历史图像和预案标签进行更全面的分析。
上述调试流程使得火灾征兆识别网络在多方面得到了优化和增强。通过不同代价函数的引入，网络不仅能够更好地识别火灾征兆，还能够了解它们随时间的发展，以及与特定应急预案的关联。这种多角度的训练方法大大提高了网络的泛化能力和实际应用时的有效性。因此，该方案有助于提升火灾预警系统的准确性和响应速度，进而提高公共安全并减少因火灾可能造成的损失。
在一些可能的示例下，目标潜在火灾预判图包括潜在火灾定位区域，所述基于所述防火监测联系特征。基于此，步骤140所描述的从所述潜在火灾预判图中确定与所述待处理多维传感定位监测图像配对的目标潜在火灾预判图之后，所述方法还包括步骤150-步骤170。
步骤150、基于所述潜在火灾定位区域确定森林防火应急模拟图，并基于所述森林防火应急模拟图生成火灾防控资源调度图。
步骤160、获取针对所述火灾防控资源调度图的资源调度模拟图。
步骤170、基于所述潜在火灾定位区域和所述资源调度模拟图生成森林火情响应图。
在这个可能的示例中，步骤140至步骤170描述了一个以潜在火灾定位区域为基础，生成森林防火应急响应方案的流程。下面是各个步骤的具体内容和示例
首先，利用目标潜在火灾预判图中的潜在火灾定位区域来创建一个森林防火应急模拟图。这个模拟图可能会显示假设火灾发生时的不同扑救策略效果，比如开辟防火隔离带、灭火队伍的最佳进入路径等。然后，基于应急模拟图，生成火灾防控资源调度图，指导实际的资源（例如消防人员、车辆、飞机、灭火设备）如何高效部署。
接着，获取或制作资源调度模拟图，该图展现了根据资源调度图进行资源调配的具体情景模拟。这可能包括模拟不同资源到达现场的时间、对火势控制的影响评估等信息。
最后，综合考虑潜在火灾定位区域的信息和资源调度模拟图，生成一张森林火情响应图。这张响应图提供了一个全面的视图，展示了在特定潜在火灾情况下的应急反应状态，包括所有相关资源的部署情况、预期的火势控制进度等。
例如，如果多维传感监测系统在某个森林区域内检测到异常温升和烟雾增加，系统将此区域标识为潜在火灾定位区域。步骤150至步骤170则通过分析这些数据，构建起从预警到应急响应的整套可视化图表，这些图表能够帮助决策者了解当前局势，并快速制定出有效的防火和应急措施。
上述步骤通过创建模拟图和响应图，为火灾管理部门提供了一个清晰的、可操作的防火与应急响应方案。这不仅可以帮助相关部门更有效地分配和调度资源，以减少火灾对环境和人类社会的潜在威胁，还能够提升火灾应急响应的速度和效率。这种精确的、数据驱动的方法能够大幅度提高火灾应对工作的成功率，减少财产损失和保护人员安全。
在另一种可能的设计思路下，结合北斗定位与感知技术，可以为上述方案提供一个具体的应用场景。北斗系统作为全球卫星导航系统，其精准的定位功能与多维传感器可以一起用于火灾监测和预判。以下是如何将北斗定位与感知技术融入到步骤110至步骤140的过程中。
在步骤110中，假设在一个森林区域部署了带有温度、湿度传感器和摄像头的监测设备，并且这些设备能够通过北斗系统进行精确的地理定位。当待处理的多维传感定位监测图像（即由传感器数据和摄像头图像组成的数据集）被加载到火灾征兆识别网络时，该网络将分析图像并检测出可能的火灾征兆，例如异常高温、低湿度或者可见烟雾。网络利用深度学习算法对这些征兆进行特征提取，得到火灾征兆特征描述变量。
在步骤120中，通过分析北斗定位信息与感知数据，火灾征兆识别网络可以生成潜在火灾预判图，并基于这些数据推断出火灾的潜在趋势描述变量。这些变量可能包括火源的移动速度、火势的扩张范围等，它们都是对未来火势变化趋势的量化估计。
在步骤130中，会分析火灾征兆特征描述变量和潜在火灾趋势描述变量之间的关联性，并识别它们在不同防火监测注意力通道上的区别。这种分析可能包括确定哪些变量在预测火灾发展方面更为重要，从而让监测系统集中关注那些最有可能预示着火灾风险的信号。
在步骤140中，基于步骤130中获得的防火监测联系特征，系统能够从所有潜在火灾预判图中筛选出与当前监测图像相匹配的目标预判图。例如，如果当前监测图像显示某个区域温度急剧上升，系统将找出那些具有相似温度趋势特征的预判图，作为火灾响应和资源配置的依据。
结合北斗定位技术，这一过程可以非常精确地确定火灾发生的位置，并追踪火势的潜在扩散路径。同时，使用多维传感器数据可以提供关于环境条件的综合信息，从而增强火灾预判的准确性。
可见结合北斗定位与感知技术的方案能够：提供高精度的地理定位信息，辅助火灾监测和预警；利用多维传感器数据，对环境参数进行实时监控，及时发现火灾征兆；借助火灾征兆识别网络，分析和挖掘关键的火灾征兆特征；生成潜在火灾趋势描述变量，预测火势发展，指导防火决策和资源优化部署；加强防火监测系统的整体响应能力，为遏制火灾提供科学依据和有效工具。
进一步地，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (10)

1.一种基于北斗定位与感知的森林防火监测方法，其特征在于，应用于森林防火监测系统，所述方法包括：
将待处理多维传感定位监测图像加载至火灾征兆识别网络进行火灾征兆特征挖掘，得到火灾征兆特征描述变量；
确定潜在火灾预判图对应的潜在火灾趋势描述变量，所述潜在火灾趋势描述变量是基于所述火灾征兆识别网络对所述潜在火灾预判图进行潜在火灾趋势分析后得到；
获取所述火灾征兆特征描述变量与所述潜在火灾趋势描述变量的防火监测联系特征，其中，所述防火监测联系特征表征所述火灾征兆特征描述变量与所述潜在火灾趋势描述变量在对应防火监测注意力通道的区别；
基于所述防火监测联系特征，从所述潜在火灾预判图中确定与所述待处理多维传感定位监测图像配对的目标潜在火灾预判图；
其中，所述火灾征兆识别网络是基于多维传感定位监测图像调试样例的火灾征兆特征描述变量调试样例以及不同所述多维传感定位监测图像调试样例之间的牵涉特征进行调试后得到，所述火灾征兆特征描述变量调试样例基于对所述多维传感定位监测图像调试样例的图像描述特征挖掘信息进行特征映射后得到，所述图像描述特征挖掘信息基于对所述多维传感定位监测图像调试样例进行图像描述特征挖掘所得。
2.如权利要求1所述的方法，其特征在于，所述火灾征兆识别网络包括图像描述特征挖掘分支和独热特征处理分支，所述将待处理多维传感定位监测图像加载至火灾征兆识别网络进行火灾征兆特征挖掘，得到火灾征兆特征描述变量，包括：
将所述待处理多维传感定位监测图像加载到所述图像描述特征挖掘分支进行图像描述特征挖掘，得到图像描述特征挖掘信息；
将所述图像描述特征挖掘信息加载到所述独热特征处理分支进行独热特征处理，得到火灾征兆特征描述变量。
3.如权利要求2所述的方法，其特征在于，所述独热特征处理分支包括特征映射分支和特征集成分支，所述将所述图像描述特征挖掘信息加载到所述独热特征处理分支进行独热特征处理，得到火灾征兆特征描述变量，包括：
将所述图像描述特征挖掘信息加载到所述特征映射分支进行特征映射处理，得到初始特征映射表征向量；
将所述初始特征映射表征向量加载到所述特征集成分支进行特征集成，得到火灾征兆特征描述变量。
4.如权利要求2所述的方法，其特征在于，所述独热特征处理分支包括知识更新分支和线性处理分支，所述将所述图像描述特征挖掘信息加载到所述独热特征处理分支进行独热特征处理，得到火灾征兆特征描述变量，包括：
将所述图像描述特征挖掘信息加载到所述知识更新分支进行知识向量更新，得到图像描述更新特征；
将所述图像描述更新特征加载到所述线性处理分支进行特征线性处理，得到火灾征兆特征描述变量。
5.如权利要求2所述的方法，其特征在于，所述将所述待处理多维传感定位监测图像加载到所述图像描述特征挖掘分支进行图像描述特征挖掘，得到图像描述特征挖掘信息，包括：
将所述待处理多维传感定位监测图像加载到所述图像描述特征挖掘分支进行图像描述特征挖掘，得到基础图像描述特征关系图谱；
确定所述待处理多维传感定位监测图像所包含的森林防火监测事件以及所述森林防火监测事件的森林防火监测事件种类；
获取所述森林防火监测事件种类所对应的森林防火监测事件种类特征；
将所述森林防火监测事件种类特征嵌入所述基础图像描述特征关系图谱，得到图像描述特征挖掘信息。
6.如权利要求1所述的方法，其特征在于，所述获取所述火灾征兆特征描述变量与所述潜在火灾趋势描述变量的防火监测联系特征，包括：
确定所述火灾征兆特征描述变量和所述潜在火灾趋势描述变量在各个注意力通道的特征映射值的区别，得到注意力通道差异变量；
基于各个注意力通道的注意力通道差异变量，确定所述火灾征兆特征描述变量和所述潜在火灾趋势描述变量的防火监测联系特征；
其中，所述基于所述防火监测联系特征，从所述潜在火灾预判图中确定与所述待处理多维传感定位监测图像配对的目标潜在火灾预判图，包括：
将所述注意力通道差异变量皆不小于0的防火监测联系特征作为目标防火监测联系特征；
将所述目标防火监测联系特征对应的潜在火灾趋势描述变量作为目标潜在火灾趋势描述变量；
将所述目标潜在火灾趋势描述变量对应的潜在火灾预判图作为目标潜在火灾预判图。
7.如权利要求1所述的方法，其特征在于，所述将待处理多维传感定位监测图像加载至火灾征兆识别网络进行火灾征兆特征挖掘，得到火灾征兆特征描述变量之前，所述方法还包括：
获取待调试火灾征兆识别网络和知识图谱单元调试样例集合，所述知识图谱单元调试样例集合包括最少两个具有传递联系的知识图谱单元调试样例，每个知识图谱单元调试样例对应最少两个关联的多维传感定位监测图像调试样例；
从所述知识图谱单元调试样例集合对应的多维传感定位监测图像调试样例中选取初筛多维传感定位监测图像调试样例、所述初筛多维传感定位监测图像调试样例对应的多维传感定位监测图像积极调试样例以及所述初筛多维传感定位监测图像调试样例对应的多维传感定位监测图像消极调试样例；
基于所述知识图谱单元调试样例的知识传递特征确定所述初筛多维传感定位监测图像调试样例、所述多维传感定位监测图像积极调试样例和所述多维传感定位监测图像消极调试样例之间的牵涉特征；
通过所述待调试火灾征兆识别网络，得到所述初筛多维传感定位监测图像调试样例对应的火灾征兆特征描述变量调试样例、所述多维传感定位监测图像积极调试样例对应的火灾征兆特征描述变量积极调试样例，以及所述多维传感定位监测图像消极调试样例对应的火灾征兆特征描述变量消极调试样例；
基于所述火灾征兆特征描述变量调试样例、所述火灾征兆特征描述变量积极调试样例、所述火灾征兆特征描述变量消极调试样例以及所述牵涉特征对所述待调试火灾征兆识别网络进行调试，得到火灾征兆识别网络；
其中，所述基于所述火灾征兆特征描述变量调试样例、所述火灾征兆特征描述变量积极调试样例、所述火灾征兆特征描述变量消极调试样例以及所述牵涉特征对所述待调试火灾征兆识别网络进行调试，得到火灾征兆识别网络，包括：
基于所述火灾征兆特征描述变量调试样例与所述火灾征兆特征描述变量积极调试样例的防火监测联系特征，以及所述火灾征兆特征描述变量调试样例与所述火灾征兆特征描述变量消极调试样例的防火监测联系特征，确定防火监测联系识别代价函数；
确定与所述初筛多维传感定位监测图像调试样例关联的过往多维传感定位监测图像调试样例，基于所述初筛多维传感定位监测图像调试样例与所述过往多维传感定位监测图像调试样例的防火监测联系特征，确定特征分团代价函数；
确定所述初筛多维传感定位监测图像调试样例对应的防火应急预案标签，基于所述初筛多维传感定位监测图像调试样例与所述防火应急预案标签的防火监测联系特征，确定防火应急预案识别代价函数；
确定所述初筛多维传感定位监测图像调试样例对应的前后序图像调试样例，基于所述初筛多维传感定位监测图像调试样例与所述前后序图像调试样例的防火监测联系特征，确定前后序配对代价函数；
基于所述火灾征兆特征描述变量调试样例、所述火灾征兆特征描述变量积极调试样例、所述火灾征兆特征描述变量消极调试样例、所述牵涉特征、以及所述防火监测联系识别代价函数、所述特征分团代价函数、所述防火应急预案识别代价函数和所述前后序配对代价函数对所述待调试火灾征兆识别网络进行调试，得到火灾征兆识别网络。
8.如权利要求1所述的方法，其特征在于，所述目标潜在火灾预判图包括潜在火灾定位区域，所述基于所述防火监测联系特征，从所述潜在火灾预判图中确定与所述待处理多维传感定位监测图像配对的目标潜在火灾预判图之后，所述方法还包括：
基于所述潜在火灾定位区域确定森林防火应急模拟图，并基于所述森林防火应急模拟图生成火灾防控资源调度图；
获取针对所述火灾防控资源调度图的资源调度模拟图；
基于所述潜在火灾定位区域和所述资源调度模拟图生成森林火情响应图。
9.一种森林防火监测系统，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时实现权利要求1-8任一项所述的方法。
CN202311851943.0A 2023-12-29 2023-12-29 基于北斗定位与感知的森林防火监测方法及系统 Active CN117523499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311851943.0A CN117523499B (zh) 2023-12-29 2023-12-29 基于北斗定位与感知的森林防火监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311851943.0A CN117523499B (zh) 2023-12-29 2023-12-29 基于北斗定位与感知的森林防火监测方法及系统

Publications (2)

Publication Number Publication Date
CN117523499A true CN117523499A (zh) 2024-02-06
CN117523499B CN117523499B (zh) 2024-03-26

Family

ID=89753386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311851943.0A Active CN117523499B (zh) 2023-12-29 2023-12-29 基于北斗定位与感知的森林防火监测方法及系统

Country Status (1)

Country Link
CN (1) CN117523499B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833838A (zh) * 2010-05-27 2010-09-15 王巍 一种大范围火灾分析预警系统
US20110122245A1 (en) * 2009-11-23 2011-05-26 Ashok Kumar Sinha FOREST FIRE CONTROL SYSTEMS (FFiCS) WITH SCANNER AND OPTICAL /INFRARED RADIATION DETECTOR (SOIRD) AND OPTIONALLY ALSO INCLUDING A SCANNER WITH ACCURATE LOCATION CALCULATOR (SALC) AND A SUPER-EFFICIENT SATELLITE/WIRELESS ANTENNA SYSTEM (SSWAS)
CN103377533A (zh) * 2012-04-21 2013-10-30 哈尔滨宝亮凯瑞科技发展有限公司 用于森林防火的彩色图像摄取处理识别的烟火探测方法
US20140192184A1 (en) * 2011-06-09 2014-07-10 Guangzhou Sat Infrared Technology Co., Ltd. Forest fire early-warning system and method based on infrared thermal imaging technology
US20180336431A1 (en) * 2017-05-16 2018-11-22 Nec Laboratories America, Inc. Pruning filters for efficient convolutional neural networks for image recognition of environmental hazards
CN109377703A (zh) * 2018-12-06 2019-02-22 河池学院 一种基于机器视觉的森林防火预警系统及其方法
US20200012859A1 (en) * 2017-03-28 2020-01-09 Zhejiang Dahua Technology Co., Ltd. Methods and systems for fire detection
CN111105582A (zh) * 2019-11-12 2020-05-05 西安天和防务技术股份有限公司 森林防火监测方法、系统、计算机设备和可读存储介质
US20200348446A1 (en) * 2019-05-05 2020-11-05 Vasily Antonovich Tremsin Early-Warning Fire Detection System Based on a Multivariable Approach
CN112686190A (zh) * 2021-01-05 2021-04-20 北京林业大学 一种基于自适应目标检测的森林火灾烟雾自动识别方法
CN112802297A (zh) * 2021-01-20 2021-05-14 广东邦盛北斗技术服务有限公司 采用计算机程序进行林区火情识别的方法、服务器、系统和存储介质
CN114037910A (zh) * 2021-11-29 2022-02-11 东北林业大学 一种无人机森林火灾检测系统
CN114117717A (zh) * 2020-08-31 2022-03-01 紫东信息科技(苏州)有限公司 一种森林防火监控方法、装置和系统
CN114200471A (zh) * 2021-12-07 2022-03-18 杭州电子科技大学信息工程学院 基于无人机的森林火源检测系统、方法、存储介质、设备
CN114708555A (zh) * 2022-04-18 2022-07-05 刘文珍 基于数据处理的森林防火监控方法及电子设备
US20230201642A1 (en) * 2019-11-08 2023-06-29 AlcheraX, Inc. Fire detection system
CN116778423A (zh) * 2023-06-30 2023-09-19 电子科技大学成都学院 一种基于人工智能的森林火灾检测方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110122245A1 (en) * 2009-11-23 2011-05-26 Ashok Kumar Sinha FOREST FIRE CONTROL SYSTEMS (FFiCS) WITH SCANNER AND OPTICAL /INFRARED RADIATION DETECTOR (SOIRD) AND OPTIONALLY ALSO INCLUDING A SCANNER WITH ACCURATE LOCATION CALCULATOR (SALC) AND A SUPER-EFFICIENT SATELLITE/WIRELESS ANTENNA SYSTEM (SSWAS)
CN101833838A (zh) * 2010-05-27 2010-09-15 王巍 一种大范围火灾分析预警系统
US20140192184A1 (en) * 2011-06-09 2014-07-10 Guangzhou Sat Infrared Technology Co., Ltd. Forest fire early-warning system and method based on infrared thermal imaging technology
CN103377533A (zh) * 2012-04-21 2013-10-30 哈尔滨宝亮凯瑞科技发展有限公司 用于森林防火的彩色图像摄取处理识别的烟火探测方法
US20200012859A1 (en) * 2017-03-28 2020-01-09 Zhejiang Dahua Technology Co., Ltd. Methods and systems for fire detection
US20180336431A1 (en) * 2017-05-16 2018-11-22 Nec Laboratories America, Inc. Pruning filters for efficient convolutional neural networks for image recognition of environmental hazards
CN109377703A (zh) * 2018-12-06 2019-02-22 河池学院 一种基于机器视觉的森林防火预警系统及其方法
US20200348446A1 (en) * 2019-05-05 2020-11-05 Vasily Antonovich Tremsin Early-Warning Fire Detection System Based on a Multivariable Approach
US20230201642A1 (en) * 2019-11-08 2023-06-29 AlcheraX, Inc. Fire detection system
CN111105582A (zh) * 2019-11-12 2020-05-05 西安天和防务技术股份有限公司 森林防火监测方法、系统、计算机设备和可读存储介质
CN114117717A (zh) * 2020-08-31 2022-03-01 紫东信息科技(苏州)有限公司 一种森林防火监控方法、装置和系统
CN112686190A (zh) * 2021-01-05 2021-04-20 北京林业大学 一种基于自适应目标检测的森林火灾烟雾自动识别方法
CN112802297A (zh) * 2021-01-20 2021-05-14 广东邦盛北斗技术服务有限公司 采用计算机程序进行林区火情识别的方法、服务器、系统和存储介质
CN114037910A (zh) * 2021-11-29 2022-02-11 东北林业大学 一种无人机森林火灾检测系统
CN114200471A (zh) * 2021-12-07 2022-03-18 杭州电子科技大学信息工程学院 基于无人机的森林火源检测系统、方法、存储介质、设备
CN114708555A (zh) * 2022-04-18 2022-07-05 刘文珍 基于数据处理的森林防火监控方法及电子设备
CN116778423A (zh) * 2023-06-30 2023-09-19 电子科技大学成都学院 一种基于人工智能的森林火灾检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄小菊: "北斗卫星导航系统在林业发展中的应用", 农业与技术, vol. 39, no. 24, 31 December 2019 (2019-12-31), pages 75 *

Also Published As

Publication number Publication date
CN117523499B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
CN113965404B (zh) 一种网络安全态势自适应主动防御系统及方法
US11295131B1 (en) Smoke and fire recognition, fire forecasting, and monitoring
CN115578015B (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
KR102091076B1 (ko) 지도학습기반의 경보분석과 비지도학습기반의 이상행위탐지 기법을 혼용한 지능형 보안관제 시스템 및 그 방법
CN117152893A (zh) 一种森林防灾方法及系统
CN115358155A (zh) 一种电力大数据异常预警方法、装置、设备及可读存储介质
CN116308960B (zh) 基于数据分析的智慧园区物业防控管理系统及其实现方法
CN110716957A (zh) 类案可疑对象智能挖掘分析方法
CN117523499B (zh) 基于北斗定位与感知的森林防火监测方法及系统
CN117141265A (zh) 一种智能无线充电桩的运行监测系统及监测方法
Zhang et al. ARIMA model-based fire rescue prediction
CN117435999A (zh) 一种风险评估方法、装置、设备以及介质
CN117275202A (zh) 文物重点区域危险源全方位实时智能预警方法及系统
CN113486754B (zh) 基于视频的事件演化预测方法、系统
Bhatt et al. Automated forest fire prediction systems: a comprehensive review
Chaubey et al. Forest Fire Prediction System using Machine Learning
Hooda et al. A Comprehensive Review on Prediction and Detection of Forest Fires Using Machine Learning Algorithms
CN114169623A (zh) 一种电力设备故障分析方法、装置、电子设备及存储介质
CN117455745B (zh) 基于多维融合数据分析的公共安全事件感知方法及系统
Aftabi et al. A variational autoencoder framework for robust, physics-informed cyberattack recognition in industrial cyber-physical systems
Wang et al. A driver abnormal behavior warning method based on isolated forest algorithm.
CN118015568B (zh) 一种基于人工智能的行车风险检测方法及系统
CN117910810B (zh) 基于深度学习的施工环境风险分析方法及系统
CN117527528B (zh) 基于北斗定位的通信状态检测报告分析方法及系统
Khajwal et al. An uncertainty-aware multi-view approach to automated post-disaster damage assessment

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