CN117726116A - 基于林火蔓延模拟及物联网的森林防火指挥方法及系统 - Google Patents
基于林火蔓延模拟及物联网的森林防火指挥方法及系统 Download PDFInfo
- Publication number
- CN117726116A CN117726116A CN202311740262.7A CN202311740262A CN117726116A CN 117726116 A CN117726116 A CN 117726116A CN 202311740262 A CN202311740262 A CN 202311740262A CN 117726116 A CN117726116 A CN 117726116A
- Authority
- CN
- China
- Prior art keywords
- fire
- forest fire
- forest
- data
- simulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 54
- 230000007480 spreading Effects 0.000 title claims abstract description 48
- 230000002265 prevention Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000009471 action Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 230000009193 crawling Effects 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000011869 dried fruits Nutrition 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 235000021022 fresh fruits Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 241000411851 herbal medicine Species 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于林火蔓延模拟及物联网的森林防火指挥方法及系统，包括：根据林火蔓延模拟所需的入参，实时获取发生火灾时的火情现场数据；将火情现场数据经物联网传输后输入到已训练好的LSTM模型中进行模拟分析，得到用于评估森林火情场所的蔓延影响程度的火情图；基于火情图，构建各指定消防用车抵达救援场所的各行驶路径，规划出各指定消防用车的最佳救援抵达路径；各个行动指令将下达到行动终端进行显示，消防员可以按照上面的指令进行行动。本发明在火场区域通过物联网实时对环境数据进行接收和传输，借助长短时记忆神经网络，实现动态数据驱动的林火蔓延预测。
Description
技术领域
本发明涉及森林防火应急指挥技术领域，具体涉及基于林火蔓延模拟及物联网的森林防火指挥方法及系统，其为一种可视化的智能应急指挥系统。
背景技术
森林资源是人类最重要的自然资源，为人类提供了大量的干鲜果品、种类丰富的中草药材和其他多种林副产品，可以说是森林哺育了人类，对人类的生存生活、社会的发展进步都起着重要的作用。同时，森林被誉为“地球之肺”，维持着地球的生态平衡，有着减少温室效应、保护动物植物、防止水土流失、净化空气等生态作用。然而近年来在各种突发性自然灾害以及某些人为因素，全球各地火灾时有发生，全世界每年平均发生森林火灾数以万次。这种频繁的森林火灾对生态系统中的稳定循环造成了破坏，威胁全球生态安全，破环生态环境。近两年全国发生森林火灾的次数同两年前相比下降了很多，这种变化离不开我们对森林火灾防控的努力，但仍然还是遭受了巨大的损失。
近年来，深度学习技术在林火蔓延模拟研究方面日益流行，深度学习模型，特别是循环神经网络如长短时记忆网络(LSTM)和卷积神经网络(CNN)，具有强大的非线性建模能力。这意味着它们能够更好地捕捉复杂的林火蔓延模式，包括非线性关系和快速蔓延。同时这些模型能够自动学习和提取与林火蔓延相关的特征，无需手动进行特征工程。这减轻了研究人员的负担，并有助于提高模型的性能。
综合考虑这些好处，基于深度学习的林火蔓延模拟方法具有更好的建模能力和适应性，可以更准确地捕捉复杂的林火蔓延模式，从而在火灾预测和应对中发挥重要作用。然而，也需要注意深度学习模型可能需要更多的数据和计算资源，并且在模型训练和解释性方面仍然存在一些挑战。为了应对森林火灾的挑战，市面上开始有各种防火应急指挥系统。
IDM森林防火智慧应急指挥系统就是一种比较常见的解决方案，该系统有如下模块：
火灾遥感和物联网检测模块，该模块配合GIS、遥感、物联网的技术，全天候的对所在地进行检测。如果发生火情，利用智能视频监控，在火情发生时第一时间上报。
信息化决策分析模块，该模块可以提高火情等级预测，评估火灾损失，管理防火数据。
应急调度模块，该模块可以快速调度人员现场处置，通过无线、有线、App、手机等多种手段进行调度。
如今，现有的森林防火应急指挥系统还存在一些不足，具体可以总结成以下几个方面：
(1)现有的很多森林防火应急系统搭载的是图像识别算法，通过视频等方式来监控火情，再结合指挥官的防火经验来对消防车及救火人员来做一个部署，但是在森林中，火情的蔓延是非常迅速的，需要有一定的预判。传统的防火应急指挥系统在一定程度上影响了森林救火的实时性，从而间接导致了无法及时救火的负面影响。
(2)现在有很多基于深度学习的林火蔓延算法，但是它们都需要大量的入参从模型得到蔓延的过程与结果，如果这些参数收集不及时，会导致最终结果存在偏差，从而导致指挥官对火情的判断，在较大程度上对救援工作的展开产生阻挠。
发明内容
针对现有技术中存在的不足之处，本发明提供一种基于林火蔓延模拟及物联网的森林防火指挥方法及系统，其在传统应急指挥系统的基础上结合利用了物联网的优势与特长，在火场区域实时对环境数据进行接收和传输，借助长短时记忆神经网络，实现动态数据驱动的林火蔓延预测；通过消防抵达路径规划模块和行动终端模块，可以更好的辅助消防员在实际火场中救火防火；相比于传统的森林防火应急指挥系统，具有更强的鲁棒性，能够有效地提高预测结果准确性，从而指导林火现场的应急管理。
本发明公开了一种基于林火蔓延模拟及物联网的森林防火指挥方法，包括：
步骤1、根据林火蔓延模拟所需的入参，实时获取发生火灾时的火情现场数据；
步骤2、将火情现场数据经物联网传输后输入到已训练好的LSTM模型中进行模拟分析，得到用于评估森林火情场所的蔓延影响程度的火情图；
步骤3、基于火情图，构建各指定消防用车抵达救援场所的各行驶路径，规划出各指定消防用车的最佳救援抵达路径；
步骤4、各个行动指令将下达到行动终端进行显示，消防员可以按照上面的指令进行行动。
作为本发明的进一步改进，所述步骤1，具体包括：
确定林火蔓延模拟所需的入参，其中，入参信息包括温度、湿度、风向和风速；基于入参信息，在森林中搭建对应的传感器；基于传感数据，实时获取发生火灾时的火情现场数据。
作为本发明的进一步改进，所述步骤2，具体包括：
步骤2-1、获取历史数据集，所述数据集包括：温度、湿度、风向、风速、植被种类和地形条件；
步骤2-2、将数据集进行预处理，所述预处理包括：清洗数据、标注和数据特征标准化；
步骤2-3、基于预处理的数据集，对数据进行采样和向量转化；
步骤2-4、将得到的词向量作为LSTM模型的输入，通过LSTM模型提取全局特征信息，并在LSTM模型后接注意力层，分配权重分值，完成LSTM模型的训练；
步骤2-5、将步骤1获取的发生火灾时的火情现场数据经物联网传输后，输入到已训练好的LSTM模型中进行模拟分析，得到用于评估森林火情场所的蔓延影响程度的火情图。
作为本发明的进一步改进，所述步骤2-1、具体包括：
从气象网站中，采用爬虫技术爬取历史气象数据记录；其中，气象数据包括温度、湿度、风向和风速；基于火场区域的高程卫星数据，通过ArcGIS进行投影处理，坡度、坡向转换，得到火场区域的海拔、坡度、坡向数据；在地理网站上获取火场区域的植被类型，并将训练集中所用到的植被进行编号处理。
本发明还公开了一种基于林火蔓延模拟及物联网的森林防火指挥系统，包括：林火模拟需求信息接收处理模块、林火蔓延模拟模块、消防抵达路径规划模块、行动终端模块和应急指挥数据库；其中，所述林火模拟需求信息接收处理模块与所述林火蔓延模拟模块相连接，所述林火蔓延模拟模块分别与所述应急指挥数据库、消防抵达路径规划模块和行动终端模块相连接，所述消防抵达路径规划模块分别与应急指挥数据库和行动终端模块相连接；
所述林火模拟需求信息接收处理模块，用于实现如权利要求1～5中任一项所述的森林防火指挥方法中的步骤1；
所述林火蔓延模拟模块，用于实现如权利要求1～5中任一项所述的森林防火指挥方法中的步骤2；
所述消防抵达路径规划模块，用于实现如权利要求1～5中任一项所述的森林防火指挥方法中的步骤3；
所述行动终端模块，用于实现如权利要求1～5中任一项所述的森林防火指挥方法中的步骤4；
所述应急指挥数据库，用于存储各个森林场所的基本信息。
与现有技术相比，本发明的有益效果为：
1、本发明基于提取的救援场所的基本信息，进而对火场的林火蔓延情况进行模拟，因而能够对救援场所的预计消防用车数量以及预计消防人员数量的筛分提供有力支持，进而减少了因消防人员和消防用车数量的不足而导致救援工作无法有效的开展，不仅能够大大增加救火防火的效率，提升了消防应急指挥的时效性，还提高了对救援场所进行消防应急指挥的智能化水平。
2、本发明在传统模型预测林火蔓延的基础上，借助长短时记忆神经模型，实现动态数据驱动的林火蔓延预测；具有更强的鲁棒性，能够有效地提高预测结果准确性，从而指导林火现场的应急管理。
3、本发明利用物联网可以将前端感知设备获取的信息通过网络实时传输给用户控制端的特性，在火场中可以及时的将相关数据返回投入到模型中进行训练，达到了实时监测和反馈控制的效果，有利于消防救援工作的展开。
附图说明
图1为本发明公开的基于林火蔓延模拟及物联网的森林防火指挥方法的流程图；
图2为图1中林火蔓延模拟的流程图；
图3为图1中林火蔓延模拟的模型图；
图4为图3中LSTM模型图；
图5为本发明公开的基于林火蔓延模拟及物联网的森林防火指挥系统的框架图；
图6为本发明公开的森林防火指挥系统的应用示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图对本发明做进一步的详细描述：
本发明提供一种基于林火蔓延模拟及物联网的森林防火指挥方法及系统，其在传统应急指挥系统的基础上结合利用了物联网的优势与特长，在火场区域实时对环境数据进行接收和传输，借助长短时记忆神经网络，实现动态数据驱动的林火蔓延预测，这种适用于时间序列数据的循环神经网络，能够有效地捕捉时间上的依赖关系，其对于预测火势蔓延的复杂性和不确定性非常重要；通过消防抵达路径规划模块和行动终端模块，可以更好的辅助消防员在实际火场中救火防火；相比于传统的森林防火应急指挥系统，具有更强的鲁棒性，能够有效地提高预测结果准确性，从而指导林火现场的应急管理。
具体的：
如图1所示，本发明提供一种基于林火蔓延模拟及物联网的森林防火指挥方法，包括：
步骤1、根据林火蔓延模拟所需的入参，实时获取发生火灾时的火情现场数据；
具体包括：
确定林火蔓延模拟所需的入参，其中，入参信息包括温度、湿度、风向和风速；基于入参信息，在森林中搭建对应的传感器，如温度传感器、湿度传感器等；基于传感数据，实时获取发生火灾时的火情现场数据。
步骤2、将火情现场数据经物联网传输后输入到已训练好的LSTM模型中进行模拟分析，得到用于评估森林火情场所的蔓延影响程度的火情图；
如图2、3所示，具体包括：
步骤2-1、获取历史数据集，数据集包括：温度、湿度、风向、风速、植被种类和地形条件；具体包括：温度、湿度、风向等气象参数，可以从气象网站中，采用爬虫技术爬取以前的气象数据记录，人工构建数据集；基于火场区域的高程卫星数据，通过ArcGIS进行投影处理，坡度、坡向转换，得到火场区域的海拔、坡度、坡向数据；在地理网站上获取火场区域的植被类型，并将训练集中所用到的植被进行编号处理。
步骤2-2、将数据集进行预处理，预处理包括：
清洗数据：对于使用爬虫技术爬取的文本数据集，会包含大量无用的信息，如：空格符、标点符号、无法识别的表情符号以及链接等，这些信息无法投入训练，同时占用存储空间且会对分析的结果产生干扰，需要对这些信息进行去除。
标注：对于经数据清洗处理过后的文本数据集中的每一条数据，通过人工标注每一条数据的起火结果；
数据特征标准化；数据特征标准化对于数据类型的特征，需要对其进行标准化处理。对于使用梯度下降法求解参数的算法来说，如果特征的区间相差非常大，那么可能需要进行非常多次的迭代才能收敛，在本研究中使用的标准化计算公式为：其中标准化之后的特征序列均值为0，方差为1，可以有效减少训练的计算量，提升训练的速度；
步骤2-3、基于预处理的数据集，对数据进行采样和向量转化；其中，如果将未起火样本数量视作过火区域的周长，起火样本数量视作过火区域的面积，当过火区域图形面积越大时，周长与面积之间的比例越小。可知未起火样本与起火样本之间存在明显的不平衡现象。在二分类数据集中，当样本比例大于10之后，则很难建立起有效的分类器，大部分算法会忽略少数样本的特征，而往往在不平衡数据集中少数样本才是数据集中关键的样本。此时准确率这一指标将失效，因为即使分类器将所有的少数样本数据全部分类为多数样本，也可以达到90％以上的正确率。
步骤2-4、将得到的词向量作为LSTM模型的输入，通过LSTM模型提取全局特征信息，并在LSTM模型后接注意力层，分配权重分值，完成LSTM模型的训练；如图4所示，将预处理好的数据集，按照8：2的比例进行划分，80％的数据集投入到模型中进行训练，剩下的20％为验证集；具体的算法公式及解析如下：
存储单元中管理向单元移除或添加的结构叫门限，有三种：遗忘门、输入门、输出门。门限由σ激活函数和逐点乘法运算组成。前一个时间步骤的隐藏状态，一个送到遗忘门(输入节点)，一个送到输入门，一个送到输出门。就前传递而言，输入门学习决定何时让激活传入存储单元，而输出门学习合适让激活传出存储单元。相应的，对于后传递，输出门学习何时让错误流入存储单元，输入门学习何时让它流出存储单元。
遗忘门的计算：ft＝σ(Wf*[ht-1，xt]+bf)，计算遗忘门是用来选择要进行遗忘的信息，输入为前一个时刻的隐藏状态ht-1和当前时刻的输入词xt，经过遗忘门的计算可以获得遗忘门的值ft，其中，Wf和bf分别为权重矩阵和偏移向量。
记忆门的计算：it＝σ(Wi*[ht-1，xt]+bi)计算记忆门是用来选择要进行记忆的信息，输入为前一个时刻的隐藏状态ht-1和当前时刻的输入词xt，经过记忆门的计算可以获得记忆门的值it和临时细胞状态/>其中，Wf和bf分别为权重矩阵和偏移向量。
当前时刻细胞状态的计算：输入为记忆门的值it，遗忘门的值ft，临时细胞状态/>和上一个时刻的细胞状态Ct-1，输出为当前时刻的细胞状态Ct。
输出门和当前时刻隐藏状态的计算：
ot＝sig mod(Wo[ht-1，xt]+bo)，ht＝ot*tanh(Ct)，输入为前一时刻的隐藏状态ht-1，当前时刻的输入词xt和当前时刻的细胞状态Ct，输出为输出门的值ot和隐藏状态ht，其中，Wf和bf分别为权重矩阵和偏移向量。
步骤2-5、将步骤1获取的发生火灾时的火情现场数据经物联网传输后，输入到已训练好的LSTM模型中进行模拟分析，得到用于评估森林火情场所的蔓延影响程度的火情图。
步骤3、基于火情图，构建各指定消防用车抵达救援场所的各行驶路径，规划出各指定消防用车的最佳救援抵达路径；
步骤4、各个行动指令将下达到行动终端进行显示，消防员可以按照上面的指令进行行动。
如图5、6所示，本发明提供一种基于林火蔓延模拟及物联网的森林防火指挥系统，用于实现上述的森林防火指挥方法；包括：林火模拟需求信息接收处理模块、林火蔓延模拟模块、消防抵达路径规划模块、行动终端模块和应急指挥数据库；其中，林火模拟需求信息接收处理模块与林火蔓延模拟模块相连接，林火蔓延模拟模块分别与应急指挥数据库、消防抵达路径规划模块和行动终端模块相连接，消防抵达路径规划模块分别与应急指挥数据库和行动终端模块相连接；其中，
林火模拟需求信息接收处理模块，用于实现上述步骤1；
林火蔓延模拟模块，用于实现上述步骤2；
消防抵达路径规划模块，用于实现上述步骤3；
行动终端模块，用于实现上述步骤4；
应急指挥数据库，用于存储各个森林场所的基本信息，包括地形、过往火灾发生情况的数据。
本发明的优点为：
本发明不同于以往根据视频、图像来观测火情，而是基于深度学习的林火蔓延模型对火势的预测来下发命令的，与物联网相结合，通过传感器收集数据来解决深度学习模型数据难以收集的痛点，在接收各种林火现场的数据之后，投入到模型中进行模拟分析，进而初步评估森林火情场所的蔓延影响程度，并传输到应急指挥模块。
以上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 (5)
1.一种基于林火蔓延模拟及物联网的森林防火指挥方法，其特征在于，包括：
步骤1、根据林火蔓延模拟所需的入参，实时获取发生火灾时的火情现场数据；
步骤2、将火情现场数据经物联网传输后输入到已训练好的LSTM模型中进行模拟分析，得到用于评估森林火情场所的蔓延影响程度的火情图；
步骤3、基于火情图，构建各指定消防用车抵达救援场所的各行驶路径，规划出各指定消防用车的最佳救援抵达路径；
步骤4、各个行动指令将下达到行动终端进行显示，消防员可以按照上面的指令进行行动。
2.如权利要求1所述的森林防火指挥方法，其特征在于，所述步骤1，具体包括：
确定林火蔓延模拟所需的入参，其中，入参信息包括温度、湿度、风向和风速；基于入参信息，在森林中搭建对应的传感器；基于传感数据，实时获取发生火灾时的火情现场数据。
3.如权利要求1所述的森林防火指挥方法，其特征在于，所述步骤2，具体包括：
步骤2-1、获取历史数据集，所述数据集包括：温度、湿度、风向、风速、植被种类和地形条件；
步骤2-2、将数据集进行预处理，所述预处理包括：清洗数据、标注和数据特征标准化；
步骤2-3、基于预处理的数据集，对数据进行采样和向量转化；
步骤2-4、将得到的词向量作为LSTM模型的输入，通过LSTM模型提取全局特征信息，并在LSTM模型后接注意力层，分配权重分值，完成LSTM模型的训练；
步骤2-5、将步骤1获取的发生火灾时的火情现场数据经物联网传输后，输入到已训练好的LSTM模型中进行模拟分析，得到用于评估森林火情场所的蔓延影响程度的火情图。
4.如权利要求3所述的森林防火指挥方法，其特征在于，所述步骤2-1、具体包括：
从气象网站中，采用爬虫技术爬取历史气象数据记录；其中，气象数据包括温度、湿度、风向和风速；基于火场区域的高程卫星数据，通过ArcGIS进行投影处理，坡度、坡向转换，得到火场区域的海拔、坡度、坡向数据；在地理网站上获取火场区域的植被类型，并将训练集中所用到的植被进行编号处理。
5.一种基于林火蔓延模拟及物联网的森林防火指挥系统，其特征在于，包括：林火模拟需求信息接收处理模块、林火蔓延模拟模块、消防抵达路径规划模块、行动终端模块和应急指挥数据库；其中，所述林火模拟需求信息接收处理模块与所述林火蔓延模拟模块相连接，所述林火蔓延模拟模块分别与所述应急指挥数据库、消防抵达路径规划模块和行动终端模块相连接，所述消防抵达路径规划模块分别与应急指挥数据库和行动终端模块相连接；
所述林火模拟需求信息接收处理模块，用于实现如权利要求1～5中任一项所述的森林防火指挥方法中的步骤1；
所述林火蔓延模拟模块，用于实现如权利要求1～5中任一项所述的森林防火指挥方法中的步骤2；
所述消防抵达路径规划模块，用于实现如权利要求1～5中任一项所述的森林防火指挥方法中的步骤3；
所述行动终端模块，用于实现如权利要求1～5中任一项所述的森林防火指挥方法中的步骤4；
所述应急指挥数据库，用于存储各个森林场所的基本信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311740262.7A CN117726116A (zh) | 2023-12-18 | 2023-12-18 | 基于林火蔓延模拟及物联网的森林防火指挥方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311740262.7A CN117726116A (zh) | 2023-12-18 | 2023-12-18 | 基于林火蔓延模拟及物联网的森林防火指挥方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117726116A true CN117726116A (zh) | 2024-03-19 |
Family
ID=90210249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311740262.7A Pending CN117726116A (zh) | 2023-12-18 | 2023-12-18 | 基于林火蔓延模拟及物联网的森林防火指挥方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117726116A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118095811A (zh) * | 2024-04-29 | 2024-05-28 | 应急管理部沈阳消防研究所 | 基于深度强化学习模型的森林灭火地空协同指挥调度方法 |
-
2023
- 2023-12-18 CN CN202311740262.7A patent/CN117726116A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118095811A (zh) * | 2024-04-29 | 2024-05-28 | 应急管理部沈阳消防研究所 | 基于深度强化学习模型的森林灭火地空协同指挥调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | Msnet: A multilevel instance segmentation network for natural disaster damage assessment in aerial videos | |
| CN117726116A (zh) | 基于林火蔓延模拟及物联网的森林防火指挥方法及系统 | |
| WO2019200743A1 (zh) | 森林火灾预测方法、装置、计算机设备和存储介质 | |
| CN109447448A (zh) | 一种消防安全评估管理的方法、客户端、服务器与系统 | |
| CN115063020B (zh) | 基于风险监测融合的梯级水电站多维安全调度装置及方法 | |
| CN111738044A (zh) | 一种基于深度学习行为识别的校园暴力评估方法 | |
| JP2021197084A (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 | |
| CN113553764A (zh) | 一种基于深度学习网络的山火预测方法 | |
| Ananthi et al. | Forest fire prediction using IoT and deep learning | |
| CN115775085A (zh) | 一种基于数字孪生的智慧城市管理方法及系统 | |
| Chowdhury et al. | Application of data mining techniques on air pollution of Dhaka city | |
| Alonso-Betanzos et al. | A neural network approach for forestal fire risk estimation | |
| Saravanan et al. | IoT alert reflexion of forbidden deforestation regions with drone observation | |
| CN114005236A (zh) | 基于物联网的森林火灾检测方法、系统和可读存储介质 | |
| CN117036082B (zh) | 一种智慧矿山管理系统及方法 | |
| CN117636169A (zh) | 一种森林巡护方法及系统 | |
| Li et al. | Dynamic risk assessment of emergency evacuation in large public buildings: A case study | |
| CN116312116A (zh) | 实物保护突发事件处置的演练方法和系统 | |
| Ilukkumbure et al. | Early warning for pre and post flood risk management by using iot and machine learning | |
| Santoso et al. | Machine Learning Application in Response to Disaster Risk Reduction of Forest and Peatland Fire: Impact-Based Learning of DRR for Forest, Land Fire and Peat Smouldering | |
| Li | Modeling wildfire evacuation as a coupled human-environmental system using triggers | |
| Gu | Forest fire monitoring system based on deep neural network | |
| Negi et al. | Forest Fire Detection via the Internet of Things-Based Systems | |
| Han et al. | Human Action Recognition for Disaster Detection | |
| CN118091054B (zh) | 一种危险气体在线监测系统和方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |