CN117854213B - 一种基于气象数据的森林防火监测预警系统及方法 - Google Patents

Abstract

本发明提供一种基于气象数据的森林防火监测预警系统及方法，涉及森林防火监测预警技术领域，包括若干组采样装置和监测装置。本发明通过引入机器学习中的深度学习方法，构建深度学习模型，能够有效地识别出在不同季度下不同的易燃区域，从而实现针对性地制定采样点，省去了人工定点的麻烦，使得系统更加高效和自动化，也避免了大批量定点造成的成本增加，同时，还能够根据不同季度的历史火灾数据来对采样点进行判定，使得对采样点的监测结果更加精确，减少误报的情况发生。

Description

一种基于气象数据的森林防火监测预警系统及方法

技术领域

本发明涉及森林防火监测预警技术领域，具体为一种基于气象数据的森林防火监测预警系统及方法。

背景技术

森林防火监测预警系统的预警点设置是一个复杂而关键的任务，需要考虑多种因素以确保系统的准确性和有效性，时间、天气、地貌等均会对预警系统的准确性产生影响。在现有技术，常常基于历史火灾数据，通过人工制定采样点的方式来进行监测，但这种监测方式不但难以对大面积的森林进行定点，可能产生遗漏，还需要花费大量的人力资源，对定点者的水平要求也较高，同时，由于森林在不同季度下的地貌特征并不相同，而历史火灾数据下的地貌特征可能与当前时间段森林的地貌特征并不匹配，因此还容易造成错点，若是进行无差别大批量覆盖，又会造成建设维护成本的提高。

发明内容

本发明的目的在于提供一种基于气象数据的森林防火监测预警系统及方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于气象数据的森林防火监测预警系统，包括若干组采样装置和监测装置，其中：

所述采样装置包括若干组环境检测模块、图像采集模块，用于对采样点进行采样；

所述环境检测模块用于采集采样点的温度数据和湿度数据并发送到数据接收模块；

所述图像采集模块用于采集采样点地貌的图像数据并发送到数据接收模块；

所述监测装置包括数据接收模块、数据处理模块、数据判定模块、警报模块、数据存储模块，用于发出警报；

所述数据接收模块与环境检测模块、图像采集模块通讯连接，用于接收温度数据、湿度数据、图像数据、卫星地图数据，并发送到数据处理模块；

所述数据处理模块与数据接收模块、数据存储模块电性连接，用于根据历史火灾数据和卫星地图数据生成采样点坐标，并根据历史火灾数据、温度数据、湿度数据、图像数据生成总预警系数，将总预警系数发送到数据判定模块；

所述数据判定模块与数据处理模块电性连接，用于根据接收到的总预警系数和预设的预警阈值生成警报信号，并将警报信号发送到警报模块；

所述警报模块与数据判定模块电性连接，用于接收警报信号并发出声光警报；

所述数据存储模块用于对历史火灾数据和采样点坐标进行存储。

优选的，所述环境检测模块包括温度检测单元、湿度检测单元，所述温度检测单元、湿度检测单元均与数据接收模块通讯连接，所述温度检测单元、湿度检测单元均与第一数据发送单元电性连接，分别用于测量采样点的温度数据和湿度数据，并通过第一数据发送单元进行传输。

优选的，所述图像采集模块包括摄像单元和数据发送单元，所述数据发送单元与数据接收模块通讯连接，所述摄像单元与数据发送单元电性连接，用于采集采样点地貌的图像信息并通过数据发送单元进行传输。

优选的，所述历史火灾数据包括灾点环境图像、灾点坐标、灾点环境温度、灾点环境湿度。

优选的，所述采样点坐标的生成逻辑为：

基于火灾发生的时间，将灾点环境图像按照季度进行划分，每种类别又分为训练集和验证集，对灾点环境图像进行预处理并进行地貌数据标注；

基于卷积神经网络构建深度学习模型，分别使用四类灾点环境图像的训练集来对深度学习模型进行训练，再分别使用四类验证集对深度学习模型进行验证并对其进行优化；

利用深度学习模型对卫星地图数据进行检测，将地貌数据与灾点环境图像相似的区域标注为易燃区域并将该区域中心设置为采样点坐标。

优选的，所述警报信号的生成逻辑为：

根据接收到数据的时间，将采样点的温度数据和湿度数据，以及灾点环境温度和灾点环境湿度按照季度进行划分，分别标定为下标i表示季度编号，上标j表示在该季度下火灾次数的编号，j＝0,1,2…n；

计算每个季度的平均灾点环境温度和平均灾点环境湿度/>计算方式为：

根据温度数据、湿度数据、平均灾点环境温度、平均灾点环境湿度生成第一预警系数θ₁，计算方式为：

式中α₁、α₂分别为预设的温度权重系数和湿度权重系数，且α₁+α₂＝1；

利用深度学习模型对采样点地貌的图像数据进行判定，并生成第二预警系数θ₂，若采样点地貌为易燃区域则θ₂＝1，若采样点地貌为非易燃区域则θ₂＝0；

根据第一预警系数θ₁和第二预警系数θ₂生成总预警系数θ，计算方式为：

θ＝ln(θ₁+θ₂)

将总预警系数θ与预警预置θ_y进行比对，若总预警系数θ大于预警预置θ_y则发出警报信号。

一种基于气象数据的森林防火监测预警方法，所述预警方法适用于上述的预警系统，其步骤包括：

S1：根据历史火灾数据和卫星地图数据生成采样点坐标；

S2：采集采样点环境的温度数据和湿度数据，以及采样点地貌的图像数据；

S3：根据历史火灾数据、温度数据、湿度数据、图像数据生成总预警系数；

S4：对总预警系数进行判定，根据判定结果生成警报信号并发出声光警报。

与现有技术相比，本发明的有益效果是：本发明通过引入机器学习中的深度学习方法，构建深度学习模型，能够有效地识别出在不同季度下不同的易燃区域，从而实现针对性地制定采样点，省去了人工定点的麻烦，使得系统更加高效和自动化，也避免了大批量定点造成的成本增加，同时，还能够根据不同季度的历史火灾数据来对采样点进行判定，使得对采样点的监测结果更加精确，减少误报的情况发生。

附图说明

图1为本发明的模块结构示意图；

图2为本发明的流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。

需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”“下”“左”“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

实施例：

请参阅图1-图2，本发明提供一种技术方案：

一种基于气象数据的森林防火监测预警系统，包括若干组采样装置和监测装置，其中：

所述采样装置用于对采样点进行采样，包括若干组环境检测模块、图像采集模块，环境检测模块采用DHT22系列的数字温湿度传感器，其内部具有温度检测单元、湿度检测单元，且能够通过外部的网络接口与数据接收模块通讯连接，用于测量采样点的温度数据和湿度数据并发送到数据接收模块。

所述图像采集模块包括摄像单元和数据发送单元摄像单元为摄像头，数据发送单元为带有网络接口的模块式控制器，数据发送单元与数据接收模块通讯连接，所述摄像单元与数据发送单元电性连接，用于采集采样点地貌的图像信息并通过数据发送单元发送到数据接收模块。

所述监测装置为服务器平台或者PC电脑，包括数据接收模块、数据处理模块、数据判定模块、警报模块、数据存储模块，用于发出警报。

数据接收模块与环境检测模块、图像采集模块通讯连接，用于接收温度数据、湿度数据、图像数据、卫星地图数据，卫星地图数据为监测装置通过网络接口接收外部气象站所发布的数据得到，包括多个季度下不同地貌特征的数据，并发送到数据处理模块，数据处理模块与数据接收模块、数据存储模块电性连接，用于根据历史火灾数据和卫星地图数据生成采样点坐标，并根据历史火灾数据、温度数据、湿度数据、图像数据生成总预警系数，将总预警系数发送到数据判定模块，历史火灾数据包括灾点环境图像、灾点坐标、灾点环境温度、灾点环境湿度，为使用者预设，数据判定模块与数据处理模块电性连接，用于根据接收到的总预警系数和预设的预警阈值生成警报信号，并将警报信号发送到警报模块，警报模块与数据判定模块电性连接，包括多组警报灯和蜂鸣器，用于接收警报信号并发出声光警报，数据存储模块用于对历史火灾数据和采样点坐标进行存储。

采样点坐标的生成逻辑为：

基于火灾发生的时间，将灾点环境图像按照季度进行划分，每种类别又分为训练集和验证集，对灾点环境图像进行预处理并进行地貌数据标注，由于每个季度的地貌特征不同，因此需要对灾点环境图像按照季度来进行划分，使得构建的深度学习模型识别更加精确。

基于卷积神经网络构建深度学习模型，卷积神经网络对于图像识别十分出色，更适合于提取图像中的特征，分别使用四类灾点环境图像的训练集来对深度学习模型进行训练，再分别使用四类验证集对深度学习模型进行验证并对其进行优化，利用深度学习模型对多个季度下的卫星地图数据进行检测，将地貌数据与灾点环境图像相似的区域标注为易燃区域并将该区域中心设置为采样点坐标，完成对采样点的定点工作，通过引入深度学习模型对大面积的卫星地图数据进行检测，能够有效地识别出在不同季度下不同的易燃区域，省去了人工定点的麻烦，使得系统更加高效。

警报信号的生成逻辑为：

根据接收到数据的时间，将采样点的温度数据和湿度数据，以及灾点环境温度和灾点环境湿度按照季度进行划分，分别标定为Tc_i、RHc_i、下标i表示季度编号，上标j表示在该季度下火灾次数的编号，j＝0,1,2…n；

计算每个季度的平均灾点环境温度和平均灾点环境湿度/>计算方式为：

根据温度数据、湿度数据、平均灾点环境温度、平均灾点环境湿度生成第一预警系数θ₁，计算方式为：

式中α₁、α₂分别为预设的温度权重系数和湿度权重系数，且α₁+α₂＝1，再利用深度学习模型对采样点地貌的图像数据进行判定，并生成第二预警系数θ₂，若采样点地貌为易燃区域则θ₂＝1，若采样点地貌为非易燃区域则θ₂＝0，总预警系数θ，计算方式为：

θ＝ln(θ₁+θ₂)

将总预警系数θ与预警预置θ_y进行比对，若总预警系数θ大于预警预置θ_y则发出警报信号，由公式可以看出，正常情况下因此第一预警系数θ₁＜α₁+α₂＝1，而当采样点具有火灾危险时，该点的温度上升，湿度下降，便会同时使得第一预警系数θ₁和总预警系数θ升高，而由于采样点均是设置在易燃区域，因此第二预警系数θ₂在初始情况下等于1，当采样点经过一段时间休整，地貌发生变化时，便可能从易燃区域变为非易燃区域，也就会使得第二预警系数θ₂从1变为0，进而使得总预警系数θ大幅降低，意味着火灾发生的可能性也就越低。

一种基于气象数据的森林防火监测预警方法，所述预警方法适用于上述的预警系统，其步骤包括：

S1：根据历史火灾数据和卫星地图数据生成采样点坐标；

S2：采集采样点环境的温度数据和湿度数据，以及采样点地貌的图像数据；

S3：根据历史火灾数据、温度数据、湿度数据、图像数据生成总预警系数；

S4：对总预警系数进行判定，根据判定结果生成警报信号并发出声光警报。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够、电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方法来执行，取决于技术方案的特定应用和设计约束条件。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (5)

1.一种基于气象数据的森林防火监测预警系统，其特征在于，包括若干组采样装置和监测装置，其中：

所述采样装置包括若干组环境检测模块、图像采集模块，用于对采样点进行采样；

所述环境检测模块用于采集采样点的温度数据和湿度数据并发送到数据接收模块；

所述图像采集模块用于采集采样点地貌的图像数据并发送到数据接收模块；

所述监测装置包括数据接收模块、数据处理模块、数据判定模块、警报模块、数据存储模块，用于发出警报；

所述数据接收模块与环境检测模块、图像采集模块通讯连接，用于接收温度数据、湿度数据、图像数据、卫星地图数据，并发送到数据处理模块；

所述数据处理模块与数据接收模块、数据存储模块电性连接，用于根据历史火灾数据和卫星地图数据生成采样点坐标，并根据历史火灾数据、温度数据、湿度数据、图像数据生成总预警系数，将总预警系数发送到数据判定模块；

所述数据判定模块与数据处理模块电性连接，用于根据接收到的总预警系数和预设的预警阈值生成警报信号，并将警报信号发送到警报模块；

所述警报模块与数据判定模块电性连接，用于接收警报信号并发出声光警报；

所述数据存储模块用于对历史火灾数据和采样点坐标进行存储；

所述采样点坐标的生成逻辑为：

基于火灾发生的时间，将灾点环境图像按照季度进行划分，每种类别又分为训练集和验证集，对灾点环境图像进行预处理并进行地貌数据标注；

基于卷积神经网络构建深度学习模型，分别使用四类灾点环境图像的训练集来对深度学习模型进行训练，再分别使用四类验证集对深度学习模型进行验证并对其进行优化；

利用深度学习模型对卫星地图数据进行检测，将地貌数据与灾点环境图像相似的区域标注为易燃区域并将该区域中心设置为采样点坐标；

所述警报信号的生成逻辑为：

根据接收到数据的时间，将采样点的温度数据和湿度数据，以及灾点环境温度和灾点环境湿度按照季度进行划分，分别标定为Tc_i、RHc_i、下标i表示季度编号，上标j表示在该季度下火灾次数的编号，j＝0，1，2...n；

计算每个季度的平均灾点环境温度和平均灾点环境湿度/>计算方式为：

根据温度数据、湿度数据、平均灾点环境温度、平均灾点环境湿度生成第一预警系数θ₁，计算方式为：

式中α₁、α₂分别为预设的温度权重系数和湿度权重系数，且α₁+α₂＝1；

利用深度学习模型对采样点地貌的图像数据进行判定，并生成第二预警系数θ₂，若采样点地貌为易燃区域则θ₂＝1，若采样点地貌为非易燃区域则θ₂＝0；

根据第一预警系数θ₁和第二预警系数θ₂生成总预警系数θ，计算方式为：

θ＝ln(θ₁+θ₂)

将总预警系数θ与预警预置θ_y进行比对，若总预警系数θ大于预警预置θ_y则发出警报信号。

2.根据权利要求1所述的一种基于气象数据的森林防火监测预警系统，其特征在于：所述环境检测模块包括温度检测单元、湿度检测单元。

3.根据权利要求1所述的一种基于气象数据的森林防火监测预警系统，其特征在于：所述图像采集模块包括摄像单元和数据发送单元，所述数据发送单元与数据接收模块通讯连接，所述摄像单元与数据发送单元电性连接，用于采集采样点地貌的图像信息并通过数据发送单元进行传输。

4.根据权利要求1所述的一种基于气象数据的森林防火监测预警系统，其特征在于：所述历史火灾数据包括灾点环境图像、灾点坐标、灾点环境温度、灾点环境湿度。

5.一种基于气象数据的森林防火监测预警方法，其特征在于：所述预警方法适用于权利要求1-4所述的预警系统，其步骤包括：

S1：根据历史火灾数据和卫星地图数据生成采样点坐标；

S2：采集采样点环境的温度数据和湿度数据，以及采样点地貌的图像数据；

S3：根据历史火灾数据、温度数据、湿度数据、图像数据生成总预警系数；

S4：对总预警系数进行判定，根据判定结果生成警报信号并发出声光警报。