RU2813124C1 - Способ прогнозирования распространения природных пожаров с помощью данных дистанционного зондирования земли и нейронных сетей - Google Patents
Способ прогнозирования распространения природных пожаров с помощью данных дистанционного зондирования земли и нейронных сетей Download PDFInfo
- Publication number
- RU2813124C1 RU2813124C1 RU2022133725A RU2022133725A RU2813124C1 RU 2813124 C1 RU2813124 C1 RU 2813124C1 RU 2022133725 A RU2022133725 A RU 2022133725A RU 2022133725 A RU2022133725 A RU 2022133725A RU 2813124 C1 RU2813124 C1 RU 2813124C1
- Authority
- RU
- Russia
- Prior art keywords
- fire
- data
- earth
- spread
- natural
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 230000003068 static effect Effects 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000001704 evaporation Methods 0.000 claims description 8
- 230000008020 evaporation Effects 0.000 claims description 8
- 238000001556 precipitation Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract 1
- 238000003062 neural network model Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001025261 Neoraja caerulea Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 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
- 238000013442 quality metrics Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Abstract
Изобретение относится к области прогнозирования распространения природных пожаров. Технический результат заключается в обеспечении прогнозирования распространения природных пожаров на заданное количество дней вперед после обнаружения пожара, повышении точности прогнозирования. В способе с помощью данных дистанционного зондирования Земли и открытых источников получают три набора данных: координаты возгорания, рассматриваемые как начальные границы пожара для прогнозирования распространения пожара; статические признаки для участка прогнозирования природного пожара, содержащие информацию о растительном покрове Земли, рельефе, инфраструктуре, наблюдения за период, предшествующий началу пожара; динамические признаки для участка прогнозирования природного пожара, содержащие прогнозные погодные данные на N дней вперед; на вход по меньшей мере одной нейронной сети одновременно подают полученные три набора данных для участка прогнозирования природного пожара: координаты возгорания, статические признаки, динамические признаки и прогнозируют распространение природного пожара для участка прогнозирования природного пожара на N дней вперед. 2 н. и 6 з.п. ф-лы, 2 ил.
Description
ОБЛАСТЬ ТЕХНИКИ
Изобретение относится к области информационных и коммуникационных технологий (ИКТ), специально предназначенных для прогнозирования распространения природных пожаров, в частности для прогнозирования распространения природных пожаров с помощью данных дистанционного зондирования Земли и нейронных сетей.
Представленное решение может быть использовано, по меньшей мере, федеральными министерствами по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий (например, МЧС России, EMERCOM и т.п.), региональными мониторинговыми службами, лесхозами и т.д. для принятия оперативных решений по мерам тушения пожара, сооружения заградительной полосы, эвакуации населения, находящейся в зоне риска и т.д.
УРОВЕНЬ ТЕХНИКИ
В патенте RU 2486594 C2, дата публикации 27.06.2013, предложен подход для определения очага возгорания на лесных территориях с помощью наземных камер с тепловым и видео каналами. В патенте RU 2663246 C1, дата публикации 03.08.2018, представлена методика мониторинга лесных пожаров с использованием тепловизионно-телевизионных модулей кругового сканирования местности. Аппаратуру предлагается устанавливать на мачтах сотовой связи. В следующих патентах также предлагалось использование камер, установленных на вышках, для оперативной локализации очагов возгорания: RU 113046 U1, дата публикации 27.01.2012, и RU 2650347 C1, дата публикации 11.04.2018.
Несмотря, на высокую точность локализации возгорания, обеспечение наземного мониторинга является более трудозатратным процессом по сравнению с использованием открытых данных дистанционного зондирования Земли.
В патенте RU 2766070 C2, дата публикации 07.02.2022, предложен способ локализации и тушения пожаров с использованием дирижабля, патрулирующего лесные массивы. В другом патенте RU 2730906 C1, дата публикации 26.08.2020, предлагается способ локализации и тушения природных пожаров с помощью вертолета.
В следующих научных публикация рассматривалась задача моделирования распространения природных пожаров с помощью сверточных нейронных сетей [1, 2]. В статье [3] предложено использование нейронных сетей и данных с беспилотного летательного аппарата для краткосрочного оперативного моделирования на небольших участках. В работе [4] предложено использование различных нейросетевых алгоритмов и алгоритмов машинного обучения для прогнозирования пожарной опасности на несколько дней вперед для территории Греции.
Наиболее близким аналогом заявляемого изобретения является техническое решение, описанное в патентной заявке CN 113553764 A, дата публикации 26.10.2021. Раскрыт способ прогнозирования лесного пожара на основе данных дистанционного зондирования с помощью сверточных нейронных сетей. Прогнозирование осуществляется на основе данных точек возгорания, полученных со спутников MODIS и VIIRS с учетом факторов влияния, которые включают дистанционное зондирование, рельеф, погоду, человеческую деятельность; факторы влияния дистанционного зондирования включают: температуру поверхности, содержание воды в растительности, нормализованный индекс растительности и тип земли; факторы влияния рельефа включают: высоту, наклон, направление наклона; факторы влияния погоды включают: осадки, максимальную температуру воздуха, влажность воздуха, максимальную скорость порывистого ветра и максимальное направление порывистого ветра; факторы влияния человеческой деятельности включают: расстояние между сеткой и дорогой, расстояние между сеткой и рекой и расстояние между сеткой и деревней.
Однако, в указанном решении при прогнозировании лесного пожара не учитываются прогнозные погодные данные на несколько дней вперед.
Техническая задача состоит в прогнозировании распространения природных пожаров на заданное количество дней вперед с использованием нейронных сетей на основе данных дистанционного зондирования Земли и открытых источников данных, включающих прогнозные погодные данные на заданное количество дней вперед.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
Технический результат заключается в обеспечении прогнозирования распространения природных пожаров на заданное количество дней вперед после обнаружения пожара, повышение точности прогнозирования, что позволяет принимать оптимальные решения о мерах предотвращения дальнейшего распространения пожара и минимизировать ущерб.
Указанный технический результат достигается за счет того, что:
В компьютерно-реализуемом способе прогнозирования распространения природных пожаров на N дней вперед с помощью данных дистанционного зондирования Земли и нейронных сетей:
с помощью данных дистанционного зондирования Земли и открытых источников данных получают три набора данных:
- координаты возгорания, рассматриваемые как начальные границы пожара для прогнозирования распространения пожара;
- статические признаки для участка прогнозирования природного пожара, содержащие информацию о растительном покрове Земли, рельефе, инфраструктуре, наблюдения за период, предшествующий началу пожара;
- динамические признаки для участка прогнозирования природного пожара, содержащие прогнозные погодные данные на N дней вперед;
на вход по меньшей мере одной нейронной сети одновременно подают полученные три набора данных для участка прогнозирования природного пожара: координаты возгорания, статические признаки, динамические признаки;
посредством по меньшей мере одной нейронной сети на основе указанных трех наборов данных формируют единое признаковое пространство и на основе сформированного единого признакового пространства прогнозируют распространение природного пожара для участка прогнозирования природного пожара на N дней вперед.
В способе статические признаки могут включать, по меньшей мере, следующие признаки: типы растительного покрова, долю поглощенной фотосинтетически активной радиации (ФАР), индекс листовой поверхности (LAI - Leaf Area Index), нормализованный вегетационный индекс (NDVI - Normalized difference vegetation index), усовершенствованный вегетационный индекс (EVI - Enhanced Vegetation Index), высоту над уровнем моря, направление склона, уклон, плотность дорог, ширину дорог, удаленность до дорог, удаленность до населенных пунктов, плотность населенных пунктов, плотность населения, погодные данные за период, предшествующий началу пожара.
В способе динамические признаки могут включать, по меньшей мере, следующие признаки: дневную температуру поверхности Земли, ночную температуру поверхности Земли, разницу дневной и ночной температур поверхности Земли, общее испарение, восточную компоненту ветра, северную компоненту ветра, температуру воздуха на высоте 2м, количество осадков.
В способе координаты возгорания могут получать на основе термических точек Земли со спутника MODIS.
В способе наборы данных могут представлять собой геопривязанные растровые файлы.
В способе нейронная сеть может являться сверточной нейронной сетью.
В способе перед подачей данных на вход нейронной сети данные могут приводиться к одному пространственному разрешению и может производиться нормализация данных.
В способе количество дней N может зависеть от горизонта прогнозирования распространения пожара.
В способе прогнозирование распространения природного пожара для участка прогнозирования природного пожара может включать по меньшей мере одно из следующего: определение направления распространения и площадь пожара на N-й день, определение площади выгоревшего участка на N-й день и направление распространения огня.
Указанный технический результат достигается также за счет того, что:
Система прогнозирования распространения природных пожаров с помощью данных дистанционного зондирования Земли и нейронных сетей на N дней вперед для осуществления способа по пп. 1-9 содержит по меньшей мере один процессор, память и инструкции, хранимые в памяти и исполняемые процессором, с помощью которых осуществляют следующее:
с помощью данных дистанционного зондирования Земли и открытых источников данных получают три набора данных:
- координаты возгорания, рассматриваемые как начальные границы пожара для прогнозирования распространении пожара;
- статические признаки для участка прогнозирования природного пожара, содержащие информацию о растительном покрове Земли, рельефе, инфраструктуре, наблюдения за период, предшествующий началу пожара;
- динамические признаки для участка прогнозирования природного пожара, содержащие прогнозные погодные данные на N дней вперед;
на вход по меньшей мере одной нейронной сети одновременно подают полученные три набора данных для участка прогнозирования природного пожара: координаты возгорания, статические признаки, динамические признаки;
посредством по меньшей мере одной нейронной сети на основе указанных трех наборов данных формируют единое признаковое пространство и на основе сформированного единого признакового пространства прогнозируют распространение природного пожара для участка прогнозирования природного пожара на N дней вперед.
В заявленных способе и системе при прогнозировании распространения природного пожара на N дней вперед учитываются одновременно как начальные границы пожара, так и статические признаки, содержащие информацию о растительном покрове Земли, рельефе, инфраструктуре, наблюдения за период, предшествующий началу пожара, и динамические признаки, содержащие прогнозные погодные данные на N дней вперед, что обеспечивает повышение точности прогнозирования.
ОПИСАНИЕ ЧЕРТЕЖЕЙ
Реализация изобретения будет описана в дальнейшем в соответствии с прилагаемыми чертежами, которые представлены для пояснения сути изобретения и никоим образом не ограничивают область изобретения.
Заявляемое изобретение проиллюстрировано фигурами 1-2, на которых изображены:
Фиг. 1 - иллюстрирует пример прогнозирования распространения природных пожаров с помощью сверточных нейронных сетей и данных дистанционного зондирования Земли на заданное количество дней.
Фиг. 2 - иллюстрирует пример блок-схемы прогнозирования распространения природных пожаров с помощью данных дистанционного зондирования Земли и нейронных сетей на заданное количество дней.
ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ
В приведенном ниже подробном описании реализации изобретения приведены многочисленные детали реализации, призванные обеспечить отчетливое понимание настоящего изобретения. Однако, квалифицированному в предметной области специалисту будет очевидно, каким образом можно использовать настоящее изобретение, как с данными деталями реализации, так и без них. В других случаях хорошо известные методы, процедуры и компоненты не были описаны подробно, чтобы не затруднять излишне понимание особенностей настоящего изобретения.
Кроме того, из приведенного изложения будет ясно, что изобретение не ограничивается приведенной реализацией. Многочисленные возможные модификации, изменения, вариации и замены, сохраняющие суть и форму настоящего изобретения, будут очевидными для квалифицированных в предметной области специалистов.
Настоящее изобретение направлено на разработку прогнозной модели для крупных пожаров, например пожаров, которые горят более трех дней и распространяются на большую территорию. Проводится адаптация для территории интереса (например, территории РФ) за счет переноса обучения, которое подразумевает использование предобученных на схожих данных алгоритмов, что позволяет проводить дообучение на меньшем количестве новых данных, которые будут подготовлены дополнительно. Также учитывается специфика типичных пожаров для конкретных регионов (площадь, продолжительность пожаров), типы растительности и рельефа. Для прогнозирования используются данные дистанционного зондирования Земли для эффективной агрегации пространственной информации о характеристиках растительного покрова на больших площадях, также используются прогнозные погодные данные для получения более точных прогнозов о распространении огня.
Предсказания о распространении пожара получают с помощью сверточной нейронной сети, обученной на наборе аннотированных данных, содержащих данные дистанционного зондирования Земли. На Фиг. 1 приведен пример прогнозирования распространения природного пожара. Изобретение позволяет на основе получаемых карт распространения пожара принимать оперативные решения по мерам его тушения, сооружения заградительной полосы, эвакуации населения, находящейся в зоне риска.
Прогнозирование распространения лесных пожаров осуществляется следующим образом.
С помощью данных дистанционного зондирования Земли и открытых источников данных получают три набора данных:
1) координаты возгорания, рассматриваемые как начальные границы пожара для прогнозирования распространения пожара;
2) статические признаки для участка прогнозирования природного пожара, содержащие информацию о растительном покрове Земли, рельефе, инфраструктуре, наблюдения за период, предшествующий началу пожара;
3) динамические признаки для участка прогнозирования природного пожара, содержащие прогнозные погодные данные на N дней вперед.
Прогнозирование основано на одновременном использовании всех вышеперечисленных признаков, которые рассматриваются, как единое признаковое пространство для определения распространения природного пожара.
На вход по меньшей мере одной нейронной сети одновременно подают полученные три набора данных для участка прогнозирования природного пожара: координаты возгорания, статические признаки, динамические признаки.
Разработанная нейросетевая модель устойчива для различных территорий, реализована автоматическая выгрузка данных, на основании которых осуществляют прогнозирование распространения пожара для территории интереса, что позволяет автоматизировать процесс прогноза и адаптации модели для получения более точных оценок на заданной территории при необходимости. В качестве основной модели используется полностью сверточная нейронная сеть, которая также показала свою эффективность при обучении на небольшом количестве данных. Был проведен поиск оптимальных параметров обучения нейросетевой модели. Для адаптации модели на определенную территорию используются различные аугментации.
С помощью нейросетевой модели на основе указанных трех наборов данных формируют единое признаковое пространство и на основе сформированного единого признакового пространства прогнозируют распространение природного пожара для участка прогнозирования природного пожара на N дней вперед.
Статические признаки включают, по меньшей мере, следующие признаки: типы растительного покрова, высоту над уровнем моря, направление склона, уклон, характеристики объектов инфраструктуры (например, плотность дорог, ширина дорог, удаленность до дорог, удаленность до населенных пунктов, плотность населенных пунктов, плотность населения и т.д.), долю поглощенной фотосинтетически активной радиации (ФАР), индекс листовой поверхности (LAI - Leaf Area Index), нормализованный вегетационный индекс (NDVI - Normalized difference vegetation index), усовершенствованный вегетационный индекс (EVI - Enhanced Vegetation Index), погодные данные за период, предшествующий началу пожара (например, дневная температура поверхности Земли, ночная температура поверхности Земли, общее испарение, восточная компонента ветра, северная компонента ветра, температура воздуха на высоте 2м, количество осадков).
Типы и характеристики растительности являются важным показателем, и могут быть рассмотрены как параметр, соответствующий “топливу”, для построения модели распространения природного пожара. Информация о рельефе местности (высота над уровнем моря, направление склона, уклон) также влияют на распространение огня при тех или иных погодных условиях, в частности, направлении ветра. Характеристики объектов инфраструктуры демонстрируют степень урбанизованности территории, что также влияет на скорость и направление распространения пожара. Например, широкие дороги, большая плотность дорог, близость дороги могут препятствовать распространению пожара в определенном направлении. Чем выше плотность населенных пунктов, плотность населения, тем меньше участков леса на территории прогнозирования, что также влияет на скорость и направление распространения пожара.
Динамические признаки включают, по меньшей мере, следующие признаки: дневную температуру поверхности Земли, ночную температуру поверхности Земли, разницу дневной и ночной температур поверхности Земли, общее испарение, восточную компоненту ветра, северную компоненту ветра, температуру воздуха на высоте 2м, количество осадков.
Использование двух отдельных признаков, соответствующих дневной и ночной температуре воздуха, позволяет более точно оценивать факторы, влияющие на распространение природного пожара. Так, например, при сильном снижении температуры в ночное время некоторые участки могут промерзать, свойства горения, а значит и скорость, и направление огня будут меняться. При учете только средней температуры за сутки, такие детали не могут быть учтены с достаточной точностью. Для прогнозирования используется только восточная и северная компоненты ветра, так как западная и южная компоненты ветра однозначно определяются на основе восточной и северной компонент, и их дополнительное использование является избыточным. Использование данных о температуре воздуха на высоте 2м обусловлено измерениями и является достаточным для проведения анализа и прогнозирования распространения огня. Общее испарение также является важным показателем, отражающим количество влаги, переходящей в атмосферу в виде пара в результате физического и физиологического испарения из почвы и с поверхности растительности. Корреляция общего испарения с биопродуктивностью экосистем позволяет оценивать характеристики горения растительного покрова, а значит, и определять скорость и направление огня.
Пример реализации изобретения. На вход сверточной нейронной сети одновременно подается три набора данных: 1) координаты возгорания, получаемые на основе термических точек со спутника MODIS и рассматриваемые как начальные границы пожара для построения прогнозов о его распространении на несколько дней вперед; 2) статические признаки, содержащие информацию о растительном покрове Земли, рельефе, инфраструктуре, наблюдениях за период, предшествующий началу пожара; 3) динамические признаки, содержащие прогнозные погодные данные на несколько дней вперед в зависимости от горизонта прогнозирования распространения пожара (Фиг. 2).
Все данные являются геопривязанными растровыми файлами. Прогнозирование осуществляется на участке, не превышающем размера 40*40 км, что в соответствие с анализом исторических данных покрывает территорию, проходимую природным пожаром за 5 дней.
Перед подачей данных на вход нейронной сети осуществляют предобработку пространственных данных (например, стандартизация, фильтрация и т.д.) и формирование оптимального признакового пространства. Все данные приводятся к одному пространственному разрешению не ниже 1 км в пикселе. Также производится нормализация данных и приведение их к одному интервалу значений от 0 до 1 (-1 в случае отсутствия наблюдений в данной области). В результата предобработки данных формируется тензор размером N*M*K, где N и M - эквивалентно размеру прогнозируемой области в пикселях (ширина и высота изображения), а K - суммарное количество статических и динамических признаков (с учетом того, что за каждый день представлены соответствующие значения для динамических признаков), а также дополнительный растровый слой, содержащий границы пожара в момент его обнаружения и начала прогнозирования распространения - маска выгоревшей территории за i-ый день(Фиг. 2).
Определяют оптимальные параметры сверточной нейронной сети. На этапе разработки нейросетевой модели предсказания распространения природного пожара аннотированный набор обучающих данных используется для настройки гиперпараметров сверточной сети. Выбирается целевая функция, характеризующая способность алгоритма верно определять направление распространения и площадь пожара на N-й день (Фиг. 2). Определяется оптимальное (на основе выбранной метрики качества по отложенной выборке) количество тренировочных эпох, размер батча, скорость обучения (learning rate) и другие параметры. В качестве целевой функции может выступать площадь выгоревшего участка на N-й день, а также направление распространения огня.
На выходе нейросетевой модели получается изображение, содержащие значения от 0 до 1 для каждого пикселе изображения. Чем выше значение, тем больше вероятность того, что огонь на N-й день распространится на данную территорию. На основе карты распространения пожара можно проанализировать прогнозы о направлении его распространения и площади, находящейся под угрозой выгорания.
Специалисту в данной области техники должно быть очевидно, что все операции для обработки данных по настоящему изобретению могут быть реализованы с использованием по меньшей мере одного вычислительного устройства. Вычислительное устройство содержит по крайней мере один процессор, одну видеокарту, память и инструкции, хранимые в памяти и исполняемые процессором, с помощью которых осуществляют обработку данных для прогнозирования скорости распространения пожара на заданное количество дней. Обработка данных может быть централизованной, например с помощью одного вычислительного устройства, или распределенной, например с помощью нескольких вычислительных устройств, распределенных по сети.
В общем случае вычислительное устройство, обеспечивающее обработку данных, необходимую для реализации заявленного решения, содержит такие компоненты, как: один или более процессоров, по меньшей мере одну память, средство хранения данных, интерфейсы ввода/вывода, средство В/В, средства сетевого взаимодействия.
Процессор устройства выполняет основные вычислительные операции, необходимые для функционирования устройства или функциональности одного или более его компонентов. Процессор исполняет необходимые машиночитаемые команды, содержащиеся в оперативной памяти.
Память, как правило, выполнена в виде ОЗУ и содержит необходимую программную логику, обеспечивающую требуемый функционал.
Средство хранения данных может выполняться в виде HDD, SSD дисков, рейд массива, сетевого хранилища, флэш-памяти, оптических накопителей информации (CD, DVD, MD, Blue-Ray дисков) и т.п. Средство позволяет выполнять долгосрочное хранение различного вида информации, например, архивных данных дистанционного зондирования Земли, прогнозных данных о погоде и т.д.
Интерфейсы представляют собой стандартные средства для подключения и работы с серверной частью, например, USB, RS232, RJ45, LPT, COM, HDMI, PS/2, Lightning, FireWire и т.п.
Выбор интерфейсов зависит от конкретного исполнения устройства, которое может представлять собой персональный компьютер, мейнфрейм, серверный кластер, тонкий клиент, смартфон, ноутбук и т.п.
В качестве средств В/В данных используется клавиатура. Помимо клавиатуры, в составе средств В/В данных также может использоваться: джойстик, дисплей (сенсорный дисплей), проектор, тачпад, манипулятор мышь, трекбол, световое перо, динамики, микрофон и т.п.
Средства сетевого взаимодействия выбираются из устройств, обеспечивающих сетевой прием и передачу данных, например, Ethernet карту, WLAN/Wi-Fi модуль, Bluetooth модуль, BLE модуль, NFC модуль, IrDa, RFID модуль, GSM модем и т.п. С помощью средств обеспечивается организация обмена данными по проводному или беспроводному каналу передачи данных, например, WAN, PAN, ЛВС (LAN), Интранет, Интернет, WLAN, WMAN или GSM, 3G, 4G, 5G, 6G и т.д.
Компоненты вычислительного устройства сопряжены посредством общей шины передачи данных.
В настоящих материалах заявки представлено предпочтительное раскрытие осуществления заявленного технического решения, которое не должно использоваться как ограничивающее иные, частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники.
Специалисту в данной области техники должно быть понятно, что различные вариации заявляемого способа и системы не изменяют сущность изобретения, а лишь определяют его конкретные воплощения и применения.
Источники
[1] Станкевич Т.С. Разработка метода оперативного прогнозирования динамики развития лесного пожара посредством искусственного интеллекта и глубокого машинного обучения // Вестник Иркутского государственного технического университета. - 2018. - Т. 22. - №. 9 (140). - С. 111-120.
https://cyberleninka.ru/article/n/razrabotka-metoda-operativnogo-prognozirovaniya-dinamiki-razvitiya-lesnogo-pozhara-posredstvom-iskusstvennogo-intellekta-i-glubokogo/viewer
[2] Станкевич Т.С. Применение сверточных нейронных сетей для решения задачи оперативного прогнозирования динамики распространения лесных пожаров //Бизнес-информатика. - 2018. - №. 4 (46). - С. 17-27.
https://cyberleninka.ru/article/n/primenenie-svertochnyh-neyronnyh-setey-dlya-resheniya-zadachi-operativnogo-prognozirovaniya-dinamiki-rasprostraneniya-lesnyh
[3] Li X. et al. Predicting the rate of forest fire spread toward any directions based on a CNN model considering the correlations of input variables //Journal of Forest Research. - 2022. - С. 1-9.
https://www.tandfonline.com/doi/full/10.1080/13416979.2022.2138096?casa_token=4bH4
KtLJxyIAAAAA%3AtIzBRDhADLVveJdRJLAiIjDCiL5Wuz9vONCgzI5z8BNd4S
QsIUQ56tGA11T45Rm_Urg-Rvf1mFArPhR0zw
[4] Prapas I. et al. Deep Learning Methods for Daily Wildfire Danger Forecasting //arXiv preprint arXiv:2111.02736. - 2021. https://arxiv.org/abs/2111.02736
Claims (22)
1. Компьютерно-реализуемый способ прогнозирования распространения природных пожаров на N дней вперед с помощью данных дистанционного зондирования Земли и нейронных сетей, в котором:
с помощью данных дистанционного зондирования Земли и открытых источников данных получают три набора данных:
- координаты возгорания, рассматриваемые как начальные границы пожара для прогнозирования распространения пожара;
- статические признаки для участка прогнозирования природного пожара, содержащие информацию о растительном покрове Земли, рельефе, инфраструктуре, наблюдения за период, предшествующий началу пожара;
- динамические признаки для участка прогнозирования природного пожара, содержащие прогнозные погодные данные на N дней вперед, включающие, по меньшей мере, дневную температуру поверхности Земли, ночную температуру поверхности Земли, разницу дневной и ночной температур поверхности Земли, общее испарение, восточную компоненту ветра, северную компоненту ветра, температуру воздуха на высоте 2 м, количество осадков;
на вход по меньшей мере одной нейронной сети одновременно подают полученные три набора данных для участка прогнозирования природного пожара: координаты возгорания, статические признаки, динамические признаки;
посредством по меньшей мере одной нейронной сети на основе указанных трех наборов данных формируют единое признаковое пространство и на основе сформированного единого признакового пространства определяют направление распространения и площадь природного пожара на N-й день; и
на выходе по меньшей мере одной нейронной сети получают для участка прогнозирования распространение природного пожара на N-й день на данный участок.
2. Способ по п. 1, характеризующийся тем, что статические признаки включают, по меньшей мере, следующие признаки: типы растительного покрова, долю поглощенной фотосинтетически активной радиации (ФАР), индекс листовой поверхности (LAI - Leaf Area Index), нормализованный вегетационный индекс (NDVI - Normalized difference vegetation index), усовершенствованный вегетационный индекс (EVI - Enhanced Vegetation Index), высоту над уровнем моря, направление склона, уклон, плотность дорог, ширину дорог, удаленность до дорог, удаленность до населенных пунктов, плотность населенных пунктов, плотность населения, погодные данные за период, предшествующий началу пожара.
3. Способ по п. 1, характеризующийся тем, что координаты возгорания получают на основе термических точек Земли со спутника MODIS.
4. Способ по п. 1, характеризующийся тем, что наборы данных являются геопривязанными растровыми файлами.
5. Способ по п. 1, характеризующийся тем, что нейронная сеть является сверточной нейронной сетью.
6. Способ по п. 1, характеризующийся тем, что перед подачей данных на вход нейронной сети данные приводятся к одному пространственному разрешению и производится нормализация данных.
7. Способ по п. 1, характеризующийся тем, что количество дней N зависит от горизонта прогнозирования распространения пожара.
8. Система прогнозирования распространения природных пожаров с помощью данных дистанционного зондирования Земли и нейронных сетей на N дней вперед для осуществления способа по пп. 1-7, которая содержит по меньшей мере один процессор, память и инструкции, хранимые в памяти и исполняемые процессором, с помощью которых осуществляют следующее:
с помощью данных дистанционного зондирования Земли и открытых источников данных получают три набора данных:
- координаты возгорания, рассматриваемые как начальные границы пожара для прогнозирования распространении пожара;
- статические признаки для участка прогнозирования природного пожара, содержащие информацию о растительном покрове Земли, рельефе, инфраструктуре, наблюдения за период, предшествующий началу пожара;
- динамические признаки для участка прогнозирования природного пожара, содержащие прогнозные погодные данные на N дней вперед, включающие, по меньшей мере, дневную температуру поверхности Земли, ночную температуру поверхности Земли, разницу дневной и ночной температур поверхности Земли, общее испарение, восточную компоненту ветра, северную компоненту ветра, температуру воздуха на высоте 2 м, количество осадков;
на вход по меньшей мере одной нейронной сети одновременно подают полученные три набора данных для участка прогнозирования природного пожара: координаты возгорания, статические признаки, динамические признаки;
посредством по меньшей мере одной нейронной сети на основе указанных трех наборов данных формируют единое признаковое пространство и на основе сформированного единого признакового пространства определяют направление распространения и площадь природного пожара на N-й день; и
на выходе по меньшей мере одной нейронной сети получают для участка прогнозирования распространение природного пожара на N-й день на данный участок.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/RU2023/050292 WO2024136698A1 (en) | 2022-12-21 | 2023-12-15 | Predicting wildfire spread |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2813124C1 true RU2813124C1 (ru) | 2024-02-06 |
Family
ID=
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012227920A (ja) * | 2011-04-14 | 2012-11-15 | Boeing Co:The | 火災管理システム |
RU2651377C2 (ru) * | 2012-12-12 | 2018-04-19 | Зе Боинг Компани | СПОСОБ И ВОЗДУШНАЯ СИСТЕМА ДЛЯ ИНВЕНТАРИЗАЦИИ ЛЕСА (варианты) |
US20200387820A1 (en) * | 2017-10-18 | 2020-12-10 | Nxgen Partners Ip, Llc | Unified nonlinear modeling approach for machine learning and artificial intelligence (attractor assisted ai) |
CN113553764A (zh) * | 2021-07-13 | 2021-10-26 | 广东工业大学 | 一种基于深度学习网络的山火预测方法 |
US20220327433A1 (en) * | 2018-06-28 | 2022-10-13 | Ashton Robinson Cook | Machine learning-based disaster modeling and high-impact weather event forecasting |
US20220398840A1 (en) * | 2021-06-15 | 2022-12-15 | Knoetik Solutions, Inc. | Smoke and fire recognition, fire forecasting, and monitoring |
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012227920A (ja) * | 2011-04-14 | 2012-11-15 | Boeing Co:The | 火災管理システム |
RU2651377C2 (ru) * | 2012-12-12 | 2018-04-19 | Зе Боинг Компани | СПОСОБ И ВОЗДУШНАЯ СИСТЕМА ДЛЯ ИНВЕНТАРИЗАЦИИ ЛЕСА (варианты) |
US20200387820A1 (en) * | 2017-10-18 | 2020-12-10 | Nxgen Partners Ip, Llc | Unified nonlinear modeling approach for machine learning and artificial intelligence (attractor assisted ai) |
US20220327433A1 (en) * | 2018-06-28 | 2022-10-13 | Ashton Robinson Cook | Machine learning-based disaster modeling and high-impact weather event forecasting |
US20220398840A1 (en) * | 2021-06-15 | 2022-12-15 | Knoetik Solutions, Inc. | Smoke and fire recognition, fire forecasting, and monitoring |
CN113553764A (zh) * | 2021-07-13 | 2021-10-26 | 广东工业大学 | 一种基于深度学习网络的山火预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11660480B2 (en) | Fire forecasting | |
US11169678B2 (en) | Fire management tool with versatile user interface | |
US11202926B2 (en) | Fire monitoring | |
US12005281B2 (en) | Fire monitoring | |
US9069104B2 (en) | Pathway management using model analysis and forecasting | |
Kalabokidis et al. | Virtual Fire: A web-based GIS platform for forest fire control | |
RU2686022C2 (ru) | Система прогнозирования преступлений | |
US10964201B1 (en) | Wildfire defender | |
Pinto et al. | Probabilistic fire spread forecast as a management tool in an operational setting | |
US11816975B2 (en) | Wildfire defender | |
Zhang et al. | Wildfire occurrence patterns in ecoregions of New South Wales and Australian Capital Territory, Australia | |
Alqadhi et al. | Assessing the effect of future landslide on ecosystem services in Aqabat Al-Sulbat region, Saudi Arabia | |
Aung et al. | Using satellite data and machine learning to study conflict-induced environmental and socioeconomic destruction in data-poor conflict areas: The case of the Rakhine conflict | |
Hao et al. | Impacts of climate change on snow avalanche activity along a transportation corridor in the Tianshan Mountains | |
Malaperdas et al. | The aspects of Aspect: Understanding land exposure and its part in geographic information systems analysis | |
Wu et al. | Construction and verification of a rainstorm death risk index based on grid data fusion: a case study of the Beijing rainstorm on July 21, 2012 | |
RU2813124C1 (ru) | Способ прогнозирования распространения природных пожаров с помощью данных дистанционного зондирования земли и нейронных сетей | |
Kómar et al. | Statistical cloud coverage as determined from sunshine duration: a model applicable in daylighting and solar energy forecasting | |
WO2024136698A1 (en) | Predicting wildfire spread | |
Frimpong et al. | Analysis of urban expansion and its impact on temperature utilising remote sensing and GIS techniques in the Accra Metropolis in Ghana (1986–2022) | |
Tsidilina et al. | Developing a single system for comprehensive monitoring of catastrophic phenomena based on satellite and ground data | |
Sill | Use of GIS Spatial Analysis, Remote Sensing, and Unmanned Aerial Systems in Determining the Susceptibility to Wildfires in Barber County, Kansas | |
Varotsos et al. | On the Risk Assessment for Environmental Monitoring and Human Safety | |
Lalitha et al. | Forest fire detection using satellite images | |
KR20240007883A (ko) | Ai 기반 객체 식별 모델을 이용한 이종 데이터 결합형산불 예측 방법 및 장치 |