CN117576848B - 一种林业火灾预警方法、系统、设备及储存介质 - Google Patents
一种林业火灾预警方法、系统、设备及储存介质 Download PDFInfo
- Publication number
- CN117576848B CN117576848B CN202410067618.3A CN202410067618A CN117576848B CN 117576848 B CN117576848 B CN 117576848B CN 202410067618 A CN202410067618 A CN 202410067618A CN 117576848 B CN117576848 B CN 117576848B
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- fire
- fire monitoring
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 357
- 238000004220 aggregation Methods 0.000 claims abstract description 80
- 230000002776 aggregation Effects 0.000 claims abstract description 80
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 230000004931 aggregating effect Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 108020001568 subdomains Proteins 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000010791 quenching Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Classifications
-
- 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
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/188—Data fusion; cooperative systems, e.g. voting among different detectors
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- Alarm Systems (AREA)
Abstract
本申请提供一种林业火灾预警方法、系统、设备及储存介质,属于火灾预警技术领域,通过确定多个火灾监测聚合数据,选取一个火灾监测聚合数据,根据该个火灾监测聚合数据确定监测失信决策因子,进而确定该个火灾监测聚合数据的监测数据失信域,确定监测数据失信域的多个监测数据失信子域,根据所有的监测数据失信子域确定数据可信特征总量,通过数据可信特征总量确定该个火灾监测聚合数据的火灾监测可信数据,重复上述步骤,确定剩余火灾监测聚合数据的火灾监测可信数据,根据所有的火灾监测可信数据确定林业火灾危险系数,通过林业火灾危险系数对目标地区进行可信预警,可增加林业火灾预警系统对火灾险情进行预测的可信数据范围。
Description
技术领域
本申请涉及火灾预警技术领域,特别是本申请涉及一种林业火灾预警方法、系统、设备及储存介质。
背景技术
火灾预警是指火灾预警是一种通过监测、分析和评估火灾风险因素,及时发现火灾可能发生的迹象,并向公众或相关机构发布警报,以采取适当的措施防范火灾、保护人员生命和财产安全的预防措施。
林业火灾预警是指在林区监测、分析、评估潜在火灾风险因素,并采取措施及时发现可能导致林火的迹象,从而最大程度地减少火灾对森林和生态环境的危害,林业火灾预警的工作步骤为:监测、火灾评估、数据分析和报警发布等,现有技术中,林业火灾预警系统中往往会将判定为错误数据的数据全部删除,从而对林业火灾预警系统中数据链的完整性造成影响,所述数据链的作用在于记录和呈现一定时间范围内的监测数据随时间的演变趋势,为林业火灾预警系统预测火灾险情提供了重要帮助,当数据链不完整时,容易造成林业火灾预警系统预测火灾险情的精度大大降低,因此如何保留林业火灾预警系统中判定为错误数据的可信数据,增加林业火灾预警系统对火灾险情进行预测的可信数据范围成为了业界面临的难题。
发明内容
基于此,本申请提供一种保留林业火灾预警系统中判定为错误数据的可信数据,增加林业火灾预警系统对火灾险情进行预测的可信数据范围的林业火灾预警方法、系统、设备及储存介质。
第一方面,本申请提供一种林业火灾预警方法,包括如下步骤:
启动林业火灾监测,获取目标地区的林业火灾监测数据集;
对所述林业火灾监测数据集进行数据相似聚合,得到多个火灾监测聚合数据;
选取一个火灾监测聚合数据,根据该个火灾监测聚合数据确定监测失信决策因子,通过所述监测失信决策因子确定该个火灾监测聚合数据的监测数据失信域;
确定所述监测数据失信域的多个监测数据失信子域,根据所有的监测数据失信子域确定数据可信特征总量,通过所述数据可信特征总量确定该个火灾监测聚合数据的火灾监测可信数据,重复上述步骤,确定剩余火灾监测聚合数据的火灾监测可信数据;
根据所有的火灾监测可信数据确定林业火灾危险系数,通过所述林业火灾危险系数对目标地区进行可信预警。
在一些实时例中,对所述林业火灾监测数据集进行数据相似聚合,得到多个火灾监测聚合数据具体包括:
确定所述林业火灾监测数据集中每个林业火灾监测数据的数据特征量;
根据所有的数据特征量确定每两个数据特征量之间的数据相似系数;
根据所有的相似系数对所述林业火灾监测数据集中的林业火灾监测数据进行聚合,得到多个火灾监测聚合数据。
在一些实时例中,根据所有的相似系数对所述林业火灾监测数据集中的林业火灾监测数据进行聚合,得到多个火灾监测聚合数据具体包括:
确定所述林业火灾监测数据集的相似聚合数;
通过所述相似聚合数确定林业火灾监测数据集中的多个林业火灾监测聚合特征数据;
选取一个数据特征量,获取该个数据特征量和各个林业火灾监测聚合特征数据对应的数据相似系数,将该个数据特征量对应的林业火灾监测数据与最小数据相似系数对应的林业火灾监测聚合特征数据聚合为火灾监测聚合数据;
重复上述步骤,对剩余数据特征量对应的林业火灾监测数据进行聚合,得到多个火灾监测聚合数据。
在一些实时例中,根据该个火灾监测聚合数据确定监测失信决策因子具体包括:
确定该个火灾监测聚合数据的聚合数据均衡量;
根据所述聚合数据均衡量确定监测失信决策因子。
在一些实时例中,根据所有的监测数据失信子域确定数据可信特征总量具体包括:
选取一个监测数据失信子域,确定该个监测数据失信子域的失信数据平衡量和失信数据波动量;
根据所述失信数据平衡量和所述失信数据波动量确定该个监测数据失信子域的数据似然可信值;
重复上述步骤确定剩余监测数据失信子域的数据似然可信值;
根据所有的数据似然可信值确定数据可信特征总量。
在一些实时例中,根据所有的火灾监测可信数据确定林业火灾危险系数具体包括:
确定每个火灾监测可信数据的数据趋势;
根据各个数据趋势对对应的火灾监测可信数据进行预测,得到各个火灾监测可信数据的林业火灾预测数据;
根据所有的林业火灾预测数据确定林业火灾危险系数。
在一些实时例中,所述林业火灾监测数据集中的林业火灾监测数据为环境温度数据、环境湿度数据、环境风速数据和植被密度数据。
第二方面,本申请提供一种林业火灾预警系统,包括:
获取模块,用于在启动林业火灾监测后,获取目标地区的林业火灾监测数据集;
处理模块,用于对所述林业火灾监测数据集进行数据相似聚合,得到多个火灾监测聚合数据;
所述处理模块,还用于选取一个火灾监测聚合数据,根据该个火灾监测聚合数据确定监测失信决策因子,通过所述监测失信决策因子确定该个火灾监测聚合数据的监测数据失信域;
所述处理模块,还用于对所述监测数据失信域进行可信分解,得到多个监测数据可信子域,根据所有的监测数据可信子域确定该个火灾监测聚合数据的火灾监测可信数据,继续确定剩余火灾监测聚合数据的火灾监测可信数据;
执行模块,用于通过所有的火灾监测可信数据确定林业火灾危险系数,根据所述林业火灾危险系数对目标地区进行可信预警。
第三方面,本申请提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的林业火灾预警方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,所存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的林业火灾预警方法的步骤。
本申请公开的实施例提供的技术方案具有以下有益效果:
本申请提供的林业火灾预警方法、系统、设备及储存介质中,首先对林业火灾监测数据集进行数据相似聚合,得到多个火灾监测聚合数据有助于减少监测数据的维度,进而根据火灾监测聚合数据确定监测失信决策因子,所述监测失信决策因子反映了对应火灾监测聚合数据中火灾监测聚合值的离散程度,通过所述监测失信决策因子有助于筛选出火灾监测聚合数据中的异常数据,从而得到监测数据失信域,根据所述监测数据失信域确定数据可信特征总量,所述反映了从监测数据失信域的各个监测数据失信子域中提取的数据的可信程度,有助于筛选出监测数据失信域中可信程度高的监测数据,并对其进行保留,进而得到火灾监测可信数据,最终根据火灾监测可信数据对目标地区进行可信预警,综上所述,该方案保留了林业火灾预警系统中判定为错误数据的可信数据,进而增加林业火灾预警系统对火灾险情进行预测的可信数据范围。
附图说明
图1为本申请一些实施例中林业火灾预警方法的流程示意图;
图2为本申请一些实施例中确定火灾监测聚合数据的流程示意图;
图3为本申请一些实施例中林业火灾预警系统的结构框图;
图4为本申请一些实施例中计算机设备的内部结构图。
具体实施方式
本申请核心是启动林业火灾监测,获取目标地区的林业火灾监测数据集,对所述林业火灾监测数据集进行数据相似聚合,得到多个火灾监测聚合数据,选取一个火灾监测聚合数据,根据该个火灾监测聚合数据确定监测失信决策因子,通过所述监测失信决策因子确定该个火灾监测聚合数据的监测数据失信域,确定所述监测数据失信域的多个监测数据失信子域,根据所有的监测数据失信子域确定数据可信特征总量,通过所述数据可信特征总量确定该个火灾监测聚合数据的火灾监测可信数据,重复上述步骤,确定剩余火灾监测聚合数据的火灾监测可信数据,根据所有的火灾监测可信数据确定林业火灾危险系数,通过所述林业火灾危险系数对目标地区进行可信预警,可增加林业火灾预警系统对火灾险情进行预测的可信数据范围。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。参考图1,该图是根据本申请一些实施例所示的林业火灾预警方法的示例性流程图,该林业火灾预警方法100主要包括如下步骤:
在步骤101,启动林业火灾监测,获取目标地区的林业火灾监测数据集。
具体实现时,启动林业火灾监测后,连接林业火灾监测数据库,从该数据库中获取目标地区的林业火灾监测数据集。
需要说明的是,本申请中的林业火灾监测数据集表示所有林业火灾监测数据的集合,所述林业火灾监测数据集中的林业火灾监测数据包括:环境温度数据、环境湿度数据、环境风速数据和植被密度数据等;其中,林业火灾监测数据由对应林业火灾监测值组成,例如:当林业火灾监测数据为环境温度数据时,所述林业火灾监测数据中由所有历史的环境温度值组成,即林业火灾监测数据中的林业火灾监测值为历史的环境温度值。
在步骤102,对所述林业火灾监测数据集进行数据相似聚合,得到多个火灾监测聚合数据。
在一些实施例中,对所述林业火灾监测数据集进行数据相似聚合,得到多个火灾监测聚合数据可采用下述步骤实现:
确定所述林业火灾监测数据集中每个林业火灾监测数据的数据特征量;
根据所有的数据特征量确定每两个数据特征量之间的数据相似系数;
根据所有的相似系数对所述林业火灾监测数据集中的林业火灾监测数据进行聚合,得到多个火灾监测聚合数据。
需要说明的是,本申请中的数据特征量表示对应林业火灾监测数据对火灾影响程度的度量参数,在一些实施例中可采用先验经验或人工智能林业火灾监测数据集中每个林业火灾监测数据对火灾的诱发、传递等进行综合性评估确定,在其它实施例中也可采用其它方法确定,这里不做限定。
在一些实施例中,根据所有的数据特征量确定每两个数据特征量之间的数据相似系数可采用下述步骤实现:
将所有的数据特征量进行升序排序,得到数据特征量序列;
选取所述数据特征量序列中的一个数据特征量,确定该个数据特征量与其它数据特征量的数据相似系数;
重复上述步骤,确定所述数据特征量序列中剩余数据特征量与其它数据特征量的数据相似系数。
其中,在一些实施例中,确定该个数据特征量与其它数据特征量的数据相似系数可采用下述公式确定:
其中,表示该个数据特征量与所述数据特征量序列中除该个数据特征量外的第/>个数据特征量的数据相似系数,/>表示该个数据特征量,/>表示所述数据特征量序列中除该个数据特征量外的第/>个数据特征量。
需要说明的是,本申请中的数据相似系数反映了对应两个数据特征量之间的相似程度。
另外,在一些实施例中,参考图2所示,该图是本申请一些实施例中确定火灾监测聚合数据的流程示意图,本实施例中确定火灾监测聚合数据可采用下述步骤实现:
首先,在步骤1021中,确定所述林业火灾监测数据集的相似聚合数;
其次,在步骤1022中,通过所述相似聚合数确定林业火灾监测数据集中的多个林业火灾监测聚合特征数据;
然后,在步骤1023中,选取一个数据特征量,获取该个数据特征量和各个林业火灾监测聚合特征数据对应的数据相似系数,将该个数据特征量对应的林业火灾监测数据与最小数据相似系数对应的林业火灾监测聚合特征数据聚合为火灾监测聚合数据;
最终,在步骤1024中,重复上述步骤,对剩余数据特征量对应的林业火灾监测数据进行聚合,得到多个火灾监测聚合数据。
具体实现时,通过所述相似聚合数确定林业火灾监测数据集中的多个林业火灾监测聚合特征数据可采用下述方式,即:通过随机选取法从林业火灾监测数据集中选取与所述相似聚合数相等的林业火灾监测数据,并将选取得到的林业火灾监测数据均作为林业火灾监测聚合特征数据。
需要说明的是,本申请中的相似聚合数表示林业火灾监测聚合特征数据的样本个数,可采用先验经验对所述林业火灾监测数据集中的林业火灾监测聚合特征数据的个数进行估计,并根据估计的值进行相似聚合数的设置,在其它实施例中也可采用其它方法进行确定,这里不做限定。
在步骤103,选取一个火灾监测聚合数据,根据该个火灾监测聚合数据确定监测失信决策因子,通过所述监测失信决策因子确定该个火灾监测聚合数据的监测数据失信域。
需要说明的是,本申请中将火灾监测聚合数据中对应的林业火灾监测值均作为火灾监测聚合值。
具体实现时,所述监测失信决策因子反映了对应火灾监测聚合数据中火灾监测聚合值的离散程度,作为优选实施例,根据该个火灾监测聚合数据确定监测失信决策因子可采用下述步骤实现:
确定该个火灾监测聚合数据的聚合数据均衡量;
根据所述聚合数据均衡量确定监测失信决策因子。
其中,具体实现时,聚合数据均衡量表示该个火灾监测聚合数据的均衡程度的参数值,在一些实施例中,可将该个火灾监测聚合数据的平均数作为该个火灾监测聚合数据的聚合数据均衡量,在其它实施例中也可采用其它方法进行确定,这里不做限定;根据所述聚合数据均衡量确定监测失信决策因子,即:将所述聚合数据均衡量的30%和所述聚合数据均衡量的170%均作为监测失信决策因子。
具体实现时,通过所述监测失信决策因子确定该个火灾监测聚合数据的监测数据失信域可采用下述方式实现,即:将该个火灾监测聚合数据中所有小于聚合数据均衡量的30%的火灾监测聚合值与该个火灾监测聚合数据中所有大于聚合数据均衡量的170%的火灾监测聚合值组成该个火灾监测聚合数据的监测数据失信域,在其它实施例中也可采用其它方式实现,这里不在赘述。
在步骤104,确定所述监测数据失信域的多个监测数据失信子域,根据所有的监测数据失信子域确定数据可信特征总量,通过所述数据可信特征总量确定该个火灾监测聚合数据的火灾监测可信数据,重复上述步骤,得到剩余火灾监测聚合数据的火灾监测可信数据。
具体实现时,确定所述监测数据失信域的多个监测数据失信子域可采用下述方式实现,即:首先分析所述监测数据失信域的数据层次结构;然后根据数据层次结构对所述监测数据失信域进行划分,得到多个监测数据失信子域,在其它实施例中也可采用其它方法实现,这里不在赘述。
需要说明是,本申请中将监测数据失信子域中对应的火灾监测聚合值均作为火灾监测失信值。
在一些实施例中,根据所有的监测数据失信子域确定数据可信特征总量可采用下述方式实现:
选取一个监测数据失信子域,确定该个监测数据失信子域的失信数据平衡量和失信数据波动量;
根据所述失信数据平衡量和所述失信数据波动量确定该个监测数据失信子域的数据似然可信值;
重复上述步骤确定剩余监测数据失信子域的数据似然可信值;
根据所有的数据似然可信值确定数据可信特征总量。
其中,具体实现时,所述失信数据平衡量反映了该个监测数据失信子域中火灾监测失信值的平衡程度,作为优选实施例,可采用该个监测数据失信子域中所有火灾监测失信值的平均数对其进行设置,在其它实施例中也可采用其它方法进行设置,这里不在赘述;所述失信数据波动量反映了该个监测数据失信子域中火灾监测失信值的数据波动程度,作为优选实施例,可采用该个监测数据失信子域中所有火灾监测失信值的标准差对其进行设置,在其它实施例中也可采用其它方法进行设置,这里不在赘述。
其中,在一些实施例中,根据所述失信数据平衡量和所述失信数据波动量确定该个监测数据失信子域的数据似然可信值可采用下述方式实现,即:其中,/>表示数据似然可信值,/>表示失信数据平衡量,/>表示失信数据波动量,/>表示该个监测数据失信子域中的火灾监测失信值,/>表示该个监测数据失信子域中的火灾监测失信值≤(数据似然可信值-失信数据波动量)的概率,在其它实施例中也可以采用其它方法进行实现,这里不做限定。
其中,在一些实施例中,根据所有的数据似然可信值确定数据可信特征总量可采用下述公式确定:
其中,表示数据可信特征总量,/>表示第/>个数据似然可信值,/>表示数据似然可信值的总个数,/>。
需要说明的是,本申请中的数据可信特征总量反映了从监测数据失信域的各个监测数据失信子域中提取的数据的可信程度,所述数据可信特征总量越大,则从监测数据失信域的各个监测数据失信子域中提取的数据越可信,反之,则从监测数据失信域的各个监测数据失信子域中提取的数据越不可信。
在一些实施例中,通过所述数据可信特征总量确定该个火灾监测聚合数据的火灾监测可信数据可采用下述步骤实现:
将所述数据可信特征总量与预设的数据可信特征阈值进行比较,当所述数据可信特征总量小于等于预设的数据可信特征阈值时,对每个数据似然可信值对应的监测数据失信子域进行数据提取,得到每个监测数据失信子域的监测数据可信子域,进而得到该个火灾监测聚合数据的火灾监测可信数据;
当所述数据可信特征总量大于预设的数据可信特征阈值时,则重新确定所述监测数据失信域的多个监测数据失信子域,重复上述步骤,直至所述数据可信特征总量小于等于预设的数据可信特征阈值。
具体实现时,当所述数据可信特征总量小于等于预设的数据可信特征阈值时,将每个监测数据失信子域中所有大于等于(对应数据似然可信值-对应失信数据波动量)的火灾监测失信值组成对应监测数据失信子域的监测数据可信子域,并将所有的监测数据可信子域与该个火灾监测聚合数据中除监测数据失信域外的其它数据组成该个火灾监测聚合数据的火灾监测可信数据;当所述数据可信特征总量大于预设的数据可信特征阈值时,重新分析所述监测数据失信域的数据层次结构,并进行相应计算,直至所述数据可信特征总量小于等于预设的数据可信特征阈值。
需要说明的是,本申请中的数据可信特征阈值可根据历史数据中的数据可信特征总量进行设置,一般采用为历史数据中的所有数据可信特征总量的平均值进行设置,在其它实施例中也可采用其它方法进行设置,这里不在赘述。
在步骤105,根据所有的火灾监测可信数据确定林业火灾危险系数,通过所述林业火灾危险系数对目标地区进行可信预警。
在一些实施例中,根据所有的火灾监测可信数据确定林业火灾危险系数可采用下述步骤实现:
确定每个火灾监测可信数据的数据趋势;
根据各个数据趋势对对应的火灾监测可信数据进行预测,得到各个火灾监测可信数据的林业火灾预测数据;
根据所有的林业火灾预测数据确定林业火灾危险系数。
其中,在一些实施例中,确定每个火灾监测可信数据的数据趋势可采用现有技术中的趋势提取法进行确定,所述趋势提取法例如:线性回归、小波变化和奇异谱分析等,在其它实施例中也可采用其它方法进行实现,这里不在赘述;可根据现有技术中的机器人学习算法结合各个数据趋势对对应的火灾监测可信数据进行预测,在其它实施例中也可采用其它方法进行预测,这里不做限定。
需要说明的是,本申请中的林业火灾危险系数反映了目标地区发生火灾的概率,当所述林业火灾危险系数越大,则目标地区发生火灾的概率越大,当所述林业火灾危险系数越小,则目标地区发生火灾的概率越小,在一些实施例中,可根据林业火灾预测数据和人工智能以及专家系统等对目标地区的火灾危险系数进行评估,在其它实施例中也可采用其它方法进行评估,这里不做限定。
具体实现时,通过所述林业火灾危险系数对目标地区进行可信预警,即:根据先验经验对火灾危险阈值进行设置,当火灾危险系数超过预设的火灾危险阈值时,通过通信装置向预警中心发送预警报告,并表明具体位置,及实时数据和预测数据。
另外,本申请的另一方面,在一些实施例中,本申请提供一种林业火灾预警系统,参考图3,该图是根据本申请一些实施例所示的林业火灾预警系统的示例性硬件和/或软件的示意图,该林业火灾预警系统300包括:获取模块301、处理模块302和执行模块303,分别说明如下:
获取模块301,本申请中获取模块301主要用于在启动林业火灾监测后,获取目标地区的林业火灾监测数据集;
处理模块302,本申请中处理模块302主要用于对所述林业火灾监测数据集进行数据相似聚合,得到多个火灾监测聚合数据;
另外,本申请中所述处理模块302还用于选取一个火灾监测聚合数据,根据该个火灾监测聚合数据确定监测失信决策因子,通过所述监测失信决策因子确定该个火灾监测聚合数据的监测数据失信域;
另外,本申请中所述处理模块302还用于对所述监测数据失信域进行可信分解,得到多个监测数据可信子域,根据所有的监测数据可信子域确定该个火灾监测聚合数据的火灾监测可信数据,继续确定剩余火灾监测聚合数据的火灾监测可信数据;
执行模块303,本申请中执行模块303主要用于通过所有的火灾监测可信数据确定林业火灾危险系数,根据所述林业火灾危险系数对目标地区进行可信预警。
上述林业火灾预警系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
另外,在一个实施例中,本申请提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储林业火灾预警数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种林业火灾预警方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述林业火灾预警方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述林业火灾预警方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述林业火灾预警方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
综上,本申请实施例公开的林业火灾预警方法、系统、设备及储存介质中,首先,启动林业火灾监测,获取目标地区的林业火灾监测数据集,对所述林业火灾监测数据集进行数据相似聚合,得到多个火灾监测聚合数据,选取一个火灾监测聚合数据,根据该个火灾监测聚合数据确定监测失信决策因子,通过所述监测失信决策因子确定该个火灾监测聚合数据的监测数据失信域,确定所述监测数据失信域的多个监测数据失信子域,根据所有的监测数据失信子域确定数据可信特征总量,通过所述数据可信特征总量确定该个火灾监测聚合数据的火灾监测可信数据,重复上述步骤,确定剩余火灾监测聚合数据的火灾监测可信数据,根据所有的火灾监测可信数据确定林业火灾危险系数,通过所述林业火灾危险系数对目标地区进行可信预警,从而可增加林业火灾预警系统对火灾险情进行预测的可信数据范围。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种林业火灾预警方法,其特征在于,包括如下步骤:
启动林业火灾监测,获取目标地区的林业火灾监测数据集;
对所述林业火灾监测数据集进行数据相似聚合,得到多个火灾监测聚合数据;
选取一个火灾监测聚合数据,根据该个火灾监测聚合数据确定监测失信决策因子,通过所述监测失信决策因子确定该个火灾监测聚合数据的监测数据失信域;
确定所述监测数据失信域的多个监测数据失信子域,根据所有的监测数据失信子域确定数据可信特征总量,通过所述数据可信特征总量确定该个火灾监测聚合数据的火灾监测可信数据,重复上述步骤,确定剩余火灾监测聚合数据的火灾监测可信数据;
根据所有的火灾监测可信数据确定林业火灾危险系数,通过所述林业火灾危险系数对目标地区进行可信预警;
其中,对所述林业火灾监测数据集进行数据相似聚合,得到多个火灾监测聚合数据具体包括:
确定所述林业火灾监测数据集中每个林业火灾监测数据的数据特征量;
根据所有的数据特征量确定每两个数据特征量之间的数据相似系数;
根据所有的相似系数对所述林业火灾监测数据集中的林业火灾监测数据进行聚合,得到多个火灾监测聚合数据;
其中,根据所有的相似系数对所述林业火灾监测数据集中的林业火灾监测数据进行聚合,得到多个火灾监测聚合数据具体包括:
确定所述林业火灾监测数据集的相似聚合数;
通过所述相似聚合数确定林业火灾监测数据集中的多个林业火灾监测聚合特征数据;
选取一个数据特征量,获取该个数据特征量和各个林业火灾监测聚合特征数据对应的数据相似系数,将该个数据特征量对应的林业火灾监测数据与最小数据相似系数对应的林业火灾监测聚合特征数据聚合为火灾监测聚合数据;
重复上述步骤,对剩余数据特征量对应的林业火灾监测数据进行聚合,得到多个火灾监测聚合数据;
其中,根据该个火灾监测聚合数据确定监测失信决策因子具体包括:
确定该个火灾监测聚合数据的聚合数据均衡量;
根据所述聚合数据均衡量确定监测失信决策因子。
2.如权利要求1所述的方法,其特征在于,根据所有的监测数据失信子域确定数据可信特征总量具体包括:
选取一个监测数据失信子域,确定该个监测数据失信子域的失信数据平衡量和失信数据波动量;
根据所述失信数据平衡量和所述失信数据波动量确定该个监测数据失信子域的数据似然可信值;
重复上述步骤确定剩余监测数据失信子域的数据似然可信值;
根据所有的数据似然可信值确定数据可信特征总量。
3.如权利要求1所述的方法,其特征在于,根据所有的火灾监测可信数据确定林业火灾危险系数具体包括:
确定每个火灾监测可信数据的数据趋势;
根据各个数据趋势对对应的火灾监测可信数据进行预测,得到各个火灾监测可信数据的林业火灾预测数据;
根据所有的林业火灾预测数据确定林业火灾危险系数。
4.如权利要求1所述的方法,其特征在于,所述林业火灾监测数据集中的林业火灾监测数据包括:环境温度数据、环境湿度数据、环境风速数据和植被密度数据。
5.一种林业火灾预警系统,其采用权利要求1至4任一项所述的方法进行控制,其特征在于,该林业火灾预警系统包括:
获取模块,用于在启动林业火灾监测后,获取目标地区的林业火灾监测数据集;
处理模块,用于对所述林业火灾监测数据集进行数据相似聚合,得到多个火灾监测聚合数据;
所述处理模块,还用于选取一个火灾监测聚合数据,根据该个火灾监测聚合数据确定监测失信决策因子,通过所述监测失信决策因子确定该个火灾监测聚合数据的监测数据失信域;
所述处理模块,还用于对所述监测数据失信域进行可信分解,得到多个监测数据可信子域,根据所有的监测数据可信子域确定该个火灾监测聚合数据的火灾监测可信数据,继续确定剩余火灾监测聚合数据的火灾监测可信数据;
执行模块,用于通过所有的火灾监测可信数据确定林业火灾危险系数,根据所述林业火灾危险系数对目标地区进行可信预警。
6.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的林业火灾预警方法的步骤。
7.一种计算机可读存储介质,所存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的林业火灾预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410067618.3A CN117576848B (zh) | 2024-01-17 | 2024-01-17 | 一种林业火灾预警方法、系统、设备及储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410067618.3A CN117576848B (zh) | 2024-01-17 | 2024-01-17 | 一种林业火灾预警方法、系统、设备及储存介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117576848A CN117576848A (zh) | 2024-02-20 |
CN117576848B true CN117576848B (zh) | 2024-03-22 |
Family
ID=89896046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410067618.3A Active CN117576848B (zh) | 2024-01-17 | 2024-01-17 | 一种林业火灾预警方法、系统、设备及储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117576848B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599727A (zh) * | 2019-09-16 | 2019-12-20 | 星泽天下(北京)科技有限公司 | 一种森林火灾应急指挥管理系统 |
CN112435207A (zh) * | 2020-12-07 | 2021-03-02 | 深圳航天智慧城市系统技术研究院有限公司 | 一种基于天空地一体化的森林火灾监测预警方法 |
CN115269863A (zh) * | 2022-06-28 | 2022-11-01 | 齐鲁工业大学 | 一种交通领域网络知识可信评估方法及系统 |
KR20230042856A (ko) * | 2021-09-23 | 2023-03-30 | 노아에스앤씨 주식회사 | 다중밀집시설 대형화재 상황관리 의사결정 지원 서비스 제공 방법, 장치 및 프로그램 |
CN116109215A (zh) * | 2023-04-13 | 2023-05-12 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 可信数控系统的可信性量化评估方法、装置和计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10721174B2 (en) * | 2018-10-09 | 2020-07-21 | Cisco Technology, Inc. | Network-based coordination of loss/delay mode for congestion control of latency-sensitive flows |
-
2024
- 2024-01-17 CN CN202410067618.3A patent/CN117576848B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599727A (zh) * | 2019-09-16 | 2019-12-20 | 星泽天下(北京)科技有限公司 | 一种森林火灾应急指挥管理系统 |
CN112435207A (zh) * | 2020-12-07 | 2021-03-02 | 深圳航天智慧城市系统技术研究院有限公司 | 一种基于天空地一体化的森林火灾监测预警方法 |
KR20230042856A (ko) * | 2021-09-23 | 2023-03-30 | 노아에스앤씨 주식회사 | 다중밀집시설 대형화재 상황관리 의사결정 지원 서비스 제공 방법, 장치 및 프로그램 |
CN115269863A (zh) * | 2022-06-28 | 2022-11-01 | 齐鲁工业大学 | 一种交通领域网络知识可信评估方法及系统 |
CN116109215A (zh) * | 2023-04-13 | 2023-05-12 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 可信数控系统的可信性量化评估方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117576848A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI595375B (zh) | 使用適應性行爲輪廓之異常檢測技術 | |
CN109032829B (zh) | 数据异常检测方法、装置、计算机设备及存储介质 | |
Di Fonzo et al. | A new method for identifying rapid decline dynamics in wild vertebrate populations | |
CN111898647A (zh) | 一种基于聚类分析的低压配电设备误告警识别方法 | |
CN112564951A (zh) | 一种规避告警风暴的方法、装置、计算机设备和存储介质 | |
CN111147300B (zh) | 一种网络安全告警置信度评估方法及装置 | |
CN115001753A (zh) | 一种关联告警的分析方法、装置、电子设备及存储介质 | |
CN117576848B (zh) | 一种林业火灾预警方法、系统、设备及储存介质 | |
CN115065545A (zh) | 基于大数据威胁感知的安全防护构建方法及ai防护系统 | |
CN117478433A (zh) | 一种网络与信息安全动态预警系统 | |
CN110661818B (zh) | 事件异常检测方法、装置、可读存储介质和计算机设备 | |
CN111104670B (zh) | 一种apt攻击的识别和防护方法 | |
CN111291378B (zh) | 威胁情报判研方法及装置 | |
KR102561702B1 (ko) | 시스템 장애 모니터링 방법 및 장치 | |
CN116483670A (zh) | 一种基于用户访问行为的风控方法及装置 | |
CN111770053A (zh) | 一种基于改进的聚类与自相似性的恶意程序检测方法 | |
CN114048085B (zh) | 一种磁盘故障分析方法、装置、设备及可读存储介质 | |
CN115221471B (zh) | 一种异常数据的识别方法、装置、存储介质及计算机设备 | |
Yin et al. | A network security situation assessment model based on BP neural network optimized by DS evidence theory | |
CN115267943A (zh) | 雷电监测预警方法、系统、计算机设备及介质 | |
CN114039837A (zh) | 告警数据处理方法、装置、系统、设备和存储介质 | |
CN113691552A (zh) | 威胁情报有效性评估方法、装置、系统及计算机存储介质 | |
CN117391459B (zh) | 基于深度学习的电力运行风险预警方法及系统 | |
Onishchenko et al. | Investigation of associative rule search method for detection of cyber incidents in information management systems and security events using CICIDS2018 test data set | |
CN118509263B (zh) | 一种适用于电力运维网络信息安全调度方法及系统 |
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 |