CN113362553A - 基于多源异构数据的草原火灾监测预警方法及装置 - Google Patents
基于多源异构数据的草原火灾监测预警方法及装置 Download PDFInfo
- Publication number
- CN113362553A CN113362553A CN202110634608.XA CN202110634608A CN113362553A CN 113362553 A CN113362553 A CN 113362553A CN 202110634608 A CN202110634608 A CN 202110634608A CN 113362553 A CN113362553 A CN 113362553A
- Authority
- CN
- China
- Prior art keywords
- grassland
- remote sensing
- satellite remote
- sensing image
- image
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 64
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 86
- 238000013316 zoning Methods 0.000 claims abstract description 32
- 238000010586 diagram Methods 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims abstract description 11
- 238000002310 reflectometry Methods 0.000 claims description 40
- 238000012937 correction Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 29
- 238000007781 pre-processing Methods 0.000 claims description 24
- 230000007613 environmental effect Effects 0.000 claims description 19
- 239000002689 soil Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 230000005855 radiation Effects 0.000 claims description 14
- 230000007480 spreading Effects 0.000 claims description 10
- 238000003892 spreading Methods 0.000 claims description 10
- 238000003702 image correction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 239000002245 particle Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Processing (AREA)
Abstract
本申请涉及草原火灾监测技术领域,提供了一种基于多源异构数据的草原火灾监测预警方法、装置、计算机可读存储介质和计算机设备。所述方法包括:获取无人机多光谱图像、第一卫星遥感影像以及草原环境影响因素数据;根据无人机多光谱图像,对第一卫星遥感影像进行校正处理,得到第二卫星遥感影像;根据第二卫星遥感影像,构建可燃物含水率反演模型;根据可燃物含水率反演模型和草原环境影响因素数据,构建草原火险指数模型,得到草原火险指数栅格图层;根据草原火险指数栅格图层,得到草原火险等级区划图;根据草原火险等级区划图,确定目标监测区域。采用本方法能够提高火点识别效率,避免少报漏报的现象,提高了确定草原是否发生火灾的准确性。
Description
技术领域
本申请涉及草原火灾监测技术领域,特别是涉及一种基于多源异构数据的草原火灾监测预警方法、装置、计算机可读存储介质及计算机设备。
背景技术
草原火灾是指由自然或人为原因引起的草原、草地可燃物燃烧的灾害,草原火灾对草原资源、畜牧业生产以及生态环境等造成了巨大损失。
为了减小草原火灾对草原资源、畜牧业生产以及生态环境等造成的损失,现有的火灾监测预警方法主要包括人工地面观测、卫星遥感监测以及地面无线传感网监测。其中,人工地面监测主要利用地面建设的瞭望台以及人工巡逻进行草原火灾监测;卫星遥感监测通过获取中波红外数据影像,同时结合地物的亮温和反射率特征进行草原火点监测;地面无线传感网监测通过利用传感器采集环境中的一氧化碳、烟雾颗粒浓度以及火焰信号进行草原火灾监测。
然而,采用现有技术的方法,存在火点识别效率低,少报漏报的现象,导致确定草原是否发生火灾的准确性不高。
发明内容
基于此,有必要针对上述技术问题,提供了一种基于多源异构数据的草原火灾监测预警方法、装置、计算机可读存储介质及计算机设备。
本申请实施例提供了一种基于多源异构数据的草原火灾监测预警方法,所述方法包括:
获取无人机多光谱图像、第一卫星遥感影像以及草原环境影响因素数据;其中,所述草原环境影响因素数据包括风速风向、空气温湿度和土壤温湿度;
根据所述无人机多光谱图像,对所述第一卫星遥感影像进行校正处理,得到第二卫星遥感影像;
根据所述第二卫星遥感影像,构建可燃物含水率反演模型;
根据所述可燃物含水率反演模型和所述草原环境影响因素数据,构建草原火险指数模型;
根据所述草原火险指数模型,得到草原火险等级区划图;其中,所述草原火险等级区划图包括多个草原火险等级,所述草原火险等级用于表征火险的危害程度;
根据所述草原火险等级区划图,确定目标监测区域。
在一个实施例中,所述根据所述无人机多光谱图像,对所述第一卫星遥感影像进行校正处理,得到第二卫星遥感影像,包括:
对所述无人机多光谱图像进行图像预处理,获取所述无人机多光谱图像的第一反射率值;其中,所述图像预处理包括多光谱图像拼接处理以及辐射校正;
对所述第一卫星遥感影像进行图像预处理,获取所述第一卫星遥感影像的第二反射率值;其中,所述图像预处理包括辐射定标以及大气校正;
根据所述无人机多光谱图像的第一反射率值以及所述第一卫星遥感影像的第二反射率值,得到第一卫星遥感影像的校正系数;
根据所述第一卫星遥感影像的校正系数,对所述第一卫星遥感影像进行校正处理,得到所述第二卫星遥感影像。
在一个实施例中,所述根据所述第二卫星遥感影像,构建可燃物含水率反演模型,包括:
根据所述第二卫星遥感影像,获取植被指数,其中,所述植被指数包括归一化植被指数以及增强型植被指数;
根据所述植被指数,构建可燃物含水率反演模型。
在一个实施例中,所述可燃物含水率反演模型由以下表达式限定:
Y=b0+b1x1+b2x2+...+bixi+e
其中,b0表示常数项;b1、b2...bi表示回归系数;xi表示所述第二卫星遥感影像的第i个像素点对应的植被指数;e表示随机误差。
在一个实施例中,根据所述可燃物含水率反演模型和所述草原环境影响因素数据,构建草原火险指数模型,包括:
根据所述可燃物含水率反演模型,得到所述第二卫星遥感影像的可燃物含水率值;
根据所述可燃物含水率值和所述草原环境影响因素数据,构建草原火险指数模型。
在一个实施例中,所述草原火险指数模型由以下表达式限定:
R=W1*X1+W2*X2+...+WiXi
其中,Wi表示第i个风险项的权重值;Xi表示所述第二卫星遥感影像的第i个像素点对应的风险项的取值,其中,所述风险项包括所述可燃物含水率值以及所述草原环境影响因素数据。
在一个实施例中,根据所述草原火险等级区划图,确定目标监测区域之后,还包括:
判断所述目标监测区域是否发生火灾;
若是,根据所述草原环境影响因素数据,构建草原火灾预测模型,得到草原火灾预测结果;
根据所述草原火灾预测结果,调度无人机进行草原火灾蔓延追踪。
本申请实施例提供一种基于多源异构数据的草原火灾监测预警装置,所述装置包括:
获取模块,用于获取无人机多光谱图像、第一卫星遥感影像以及草原环境影响因素数据;其中,所述草原环境影响因素数据包括风速风向、空气温湿度和土壤温湿度;
卫星遥感影像校正模块,用于根据所述无人机多光谱图像,对所述第一卫星遥感影像进行校正处理,得到第二卫星遥感影像;
可燃物含水率反演模型构建模块,用于根据所述第二卫星遥感影像,构建可燃物含水率反演模型;
草原火险指数模型构建模块,用于根据所述可燃物含水率反演模型和所述草原环境影响因素数据,构建草原火险指数模型;
草原火险等级区划图获取模块,用于根据所述草原火险指数模型,得到草原火险等级区划图;其中,所述草原火险等级区划图包括多个草原火险等级,所述草原火险等级用于表征火险的危害程度;
目标监测区域确定模块,用于根据所述草原火险等级区划图,确定目标监测区域。
本申请实施例提供了一种计算机设备,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本申请任意实施例所提供的一种基于多源异构数据的草原火灾监测预警方法的步骤。
本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请任意实施例所提供的一种基于多源异构数据的草原火灾监测预警方法的步骤。
本申请实施例所提供的方法、装置及计算机设备。通过利用清晰度较高的无人机多光谱图像对第一卫星遥感影像进行校正处理,以使卫星遥感影像能够清晰的表述草原图像数据信息,进一步与草原环境影响因素数据结合,准确的对草原火险等级进行区划,提高火点识别效率,避免少报漏报的现象,从而提高了确定草原是否发生火灾的准确性。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种基于多源异构数据的草原火灾监测预警方法流程图;
图2为本公开实施例提供的另一种基于多源异构数据的草原火灾监测预警方法流程图;
图3为本公开实施例提供的再一种基于多源异构数据的草原火灾监测预警方法流程图;
图4为本公开实施例提供的又一种基于多源异构数据的草原火灾监测预警方法流程图;
图5为本公开实施例提供的又一种基于多源异构数据的草原火灾监测预警方法流程图;
图6为本公开实施例提供的一种基于多源异构数据的草原火灾监测预警装置示意图;
图7为本公开实施例提供的一种计算机设备的内部结构图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
在一个实施例中,如图1所示,图1为一个实施例中基于多源异构数据的草原火灾监测预警方法流程图,本实施例中,该方法包括以下步骤:
S101:获取无人机多光谱图像、第一卫星遥感影像以及草原环境影响因素数据。
其中,草原环境影响因素数据包括风速风向、空气温湿度和土壤温湿度,但不限于此,本公开不具体限制。无人机多光谱图像是指利用多光谱无人机进行拍摄所获取的图像,本实施例具体是指利用多光谱无人机对草原进行拍摄获取的图像,但不限于此,本公开不具体限制。第一卫星遥感影像是指利用遥感技术获取记录各种地物电磁波大小的胶片或照片,主要分为航空像片和卫星相片。
具体的,通过多光谱无人机对草原进行拍摄获取无人机多光谱图像,利用卫星遥感技术获取草原的第一卫星遥感影像,通过设计无线传感网采集***,实时采集草原环境影响因素数据,一示例中,无线传感网采集***由无线传输网络、采集节点、网关节点、服务器以及终端设备组成,采集节点用来获取数据,通过将采集设备例如各类传感器分布于草原上,实时采集草原环境影响因素数据,例如风速风向、空气温湿度和土壤温湿度,但不限于此,本公开不具体限制。该传感器例如可以是环境光传感器、风速风向传感器、温度传感器以及湿度传感器,但不限于此,本公开不具体限制。
S102:根据无人机多光谱图像,对第一卫星遥感影像进行校正处理,得到第二卫星遥感影像。
其中,校正处理是指对失真图像进行的复原性处理,使其最大程度地接近真实图像。其中,造成图像失真的原因例如可以是成像***的像差、畸变,但不限于此,本公开不具体限制。
具体的,根据利用多光谱无人机对草原进行拍摄获取的无人机多光谱图像,对利用卫星遥感技术拍摄草原获取的第一卫星遥感影像进行校正处理,进而获取第一卫星遥感影像所对应的第二卫星遥感影像。
需要说明的是,利用多光谱无人机对草原进行拍摄获取无人机多光谱图像时,由于多光谱无人机相对于遥感卫星能够近距离进行拍摄,因此无人机多光谱图像相对于第一卫星遥感影像,所拍摄的草原图像能够更清晰的表述图像的细节信息,继而利用无人机多光谱图像对第一卫星遥感影像进行校正处理,获取较清晰的第二卫星遥感影像。
S103:根据第二卫星遥感影像,构建可燃物含水率反演模型。
其中,可燃物含水率反演模型是指利用第二卫星遥感影像的数据信息进行数学建模,主要通过根据观测的草原植被的反射率信息,反推草原可燃物的含水率,其中可燃物含水率是指可以燃烧植物的含水率。反演是指基于模型知识的基础上,依据可测参数反推目标的状态参数。
具体的,根据第二卫星遥感影像获取第二卫星遥感数据信息,利用第二卫星遥感数据信息,构建可燃物含水率反演模型。
S104:根据可燃物含水率反演模型和草原环境影响因素数据,构建草原火险指数模型。
其中,草原火险指数模型是指利用插值计算获取第二卫星遥感影像每个像素点对应的草原火险指数,利用草原火险指数模型能够根据火险因子评估火险是否易发。
具体的,通过利用第二卫星遥感数据信息构建的可燃物含水率反演模型、以及无线传感网采集***采集的草原环境影响因素数据如风速风向、空气温湿度和土壤温湿度,构建草原火险指数模型
S105:根据草原火险指数模型,得到草原火险等级区划图。
其中,草原火险等级区划图包括多个草原火险等级,草原火险等级用于表征火险的危害程度,草原火险等级例如可以包括极高、高、中、低以及极低,但不限于此,本公开不具体限制,草原火险等级区划图是指将第二卫星遥感影像的风险项中包括的各个火险因子分别对应的图层,根据草原火险指数模型进行叠置运算,以获取得到的区划图层,其中,风险项中包括的各个火险因子例如可以是可燃物含水率值、空气温湿度和土壤温湿度,但不限于此,本公开不具体限制,需要说明的是,风险项中包括的各个火险因子如燃物含水率值、空气温湿度和土壤温湿度分别对应的图层,是利用arcgis软件,以空间差值的方式进行计算获取得到的,但不限于此,本公开不具体限制。
具体的,根据草原火险指数模型,获取图像的草原火险指数值,进一步根据草原火险指数值,对草原进行火险等级区划,获取草原火险等级区划图。
S106:根据草原火险等级区划图,确定目标监测区域。
其中,目标监测区域是指利用草原火险等级区划图,获取得到的需要进行重点监测的草原易发火灾区域。
具体的,根据草原火险等级区划图,通过分类的方法获取目标监测区域,对目标监测区域进行重点监测,一示例的,利用自然断点法对草原火险等级区划进行分类划分,将草原发送火灾的风险等级分为极高、高、中、低以及极低五个火灾风险等级,但不限于此,不能公开不具体限制。进一步根据火灾风险等级确定目标监测区域,例如可以是将发生火灾的等级为极高、高、中的区域作为目标监测区域,对该目标监测区域进行重点监测,但不限于此,本技术领域技术人员可根据实际情况设置,本公开不具体限制。
上述基于多源异构数据的草原火灾监测预警方法中,通过获取无人机多光谱图像、第一卫星遥感影像以及草原环境影响因素数据,根据无人机多光谱图像,对第一卫星遥感影像进行校正处理,得到第二卫星遥感影像,根据第二卫星遥感影像,构建可燃物含水率反演模型,根据可燃物含水率反演模型和草原环境影响因素数据,构建草原火险指数模型,根据草原火险指数模型,得到草原火险等级区划图,根据草原火险等级区划图,确定目标监测区域,本公开通过利用清晰度较高的无人机多光谱图像对第一卫星遥感影像进行校正处理,以使卫星遥感影像能够清晰的表述草原图像的数据信息,进一步与草原环境影响因素数据结合,准确的对草原火险等级进行区划,提高火点识别效率,避免少报漏报的现象,从而提高了确定草原是否发生火灾的准确性。
图2为另一个实施例中基于多源异构数据的草原火灾监测预警方法流程图,图2是在图1所示实施例的基础上,进一步地,对S202的一种可能的实现方式的描述,如图2所示:
S1021:对无人机多光谱图像进行图像预处理,获取无人机多光谱图像的第一反射率值。
其中,图像预处理包括多光谱图像拼接处理以及辐射校正,需要说明的是,图像拼接处理包括对无人机多光谱图像进行灰度化处理和锐度处理,对处理后的无人机多光谱图像对应的四个波段的图像进行图像配准处理,通过特征点法提取图像特征点,从而将具有重叠区域的图像进行关联,进一步的,对关联后的图像进行融合处理。其中,无人机多光谱图像对应的四个波段具体指蓝光、绿光、红光以及红外光对应的波段。一示例的,通过使用Pix4d软件实现对多光谱图像的拼接处理。辐射校正是指对由于外界因素,例如在数据获取和传输过程中产生的辐射失真或畸变,对该辐射失真或畸变进行校正处理,消除因辐射误差而引起影像畸变的过程。
具体的,对无人机多光谱图像按照四个波段即蓝光、绿光、红光以及红外光对应的波段的顺序进行拼接处理,对拼接处理之后的无人机多光谱图像进行辐射校正处理,分别获取无人机多光谱图像的四个波段对应的第一反射率值。
S1022:对第一卫星遥感影像进行图像预处理,获取第一卫星遥感影像的第二反射率值。
其中,图像预处理包括辐射定标以及大气校正,辐射定标是指计算地物的光谱反射率或光谱辐射亮度时,或者对不同时间、不同传感器获取的图像进行比较时,需要将图像的亮度灰度值转换为绝对的辐射亮度的过程;大气校正是指由于传感器测得的地面目标的总辐射亮度并不是地表真实反射率的反映,还包含了由大气吸收,尤其是散射作用造成的辐射量误差,而大气校正就是消除这些由大气影响所造成的辐射误差,反演地物真实的表面反射率的过程。
具体的,对第一卫星遥感影像进行辐射定标处理,对处理后的第一卫星遥感影像进行大气校正处理,分别获取第一卫星遥感影像的四个波段对应的第二反射率值。
S1023:根据无人机多光谱图像的第一反射率值以及第一卫星遥感影像的第二反射率值,得到第一卫星遥感影像的校正系数。
其中,校正系数是用来对第一卫星遥感影像的第二反射率值进行校正处理的参数值。
具体的,根据无人机多光谱图像中四个波段分别对应的第一反射率值,以及第一卫星遥感影像中四个波段分别对应的第二反射率值,得到第一卫星遥感影像的校正系数。
示例性的,获取无人机多光谱图像中四个波段分别对应的第一反射率值,以及第一卫星遥感影像中四个波段分别对应的第二反射率值,计算无人机多光谱图像中四个波段对应的第一反射率值与第一卫星遥感影像中四个波段对应的第二反射率值的比值,将获取得到的四个波段的比值进行平均处理,将得到的平均值作为第一卫星遥感影像的校正系数。但不限于此,本公开不具体限制。
S1024:根据第一卫星遥感影像的校正系数,对第一卫星遥感影像进行校正处理,得到第二卫星遥感影像。
具体的,根据计算得到第一卫星遥感影像的校正系数,利用校正系数对第一卫星遥感影像进行校正处理,得到第二卫星遥感影像。
示例性的,将第一卫星遥感影像中四个波段对应的第二反射率值除以第一卫星遥感影像的校正系数,以此实现对第一卫星遥感影像的校正处理,获取第二卫星遥感影像。
这样,本实施例通过利用无人机多光谱图像的第一反射率值对第一卫星遥感影像的第二反射率值进行校正处理,得到第二卫星遥感影像,根据第二卫星遥感影像获取清晰度较高的草原图像,进而准确的对草原火险等级进行区划,提高了确定草原是否发生火灾的准确性。
图3为再一个实施例中基于多源异构数据的草原火灾监测预警方法流程图,图3是在图2所示实施例的基础上,进一步地,对S203的一种可能的实现方式的描述,如图3所示:
S1031:根据第二卫星遥感影像,获取植被指数。
S1032:根据植被指数,构建可燃物含水率反演模型。
其中,植被指数包括归一化植被指数以及增强型植被指数,植被指数是指运用卫星遥感数据经分析运算例如加、减、乘、除等线性或非线性组合,获取得到的对植被长势、生物等有一定指标意义的数值。归一化植被指数用来检测植被生长状态、植被覆盖度以及消除部分辐射地,在一定程度上可以反映当地植被生长状况、干旱情况和土壤湿度;增强型植被指数是指基于归一化植被指数的基础上,对归一化植被指数进行改进,通过加入蓝色波段以增强植被信号,解决在高植被区出现饱和的现象,或者是大气影响校正不彻底以及土壤背景等问题,提高了高生物区植被的敏感度,降低土壤背景和大气影响,对植被变化的监测具有更高的灵敏性和优越性,目前在草地退化监测、草地资源定量分析等研究中应用广泛。
具体的,根据第二卫星遥感影像,获取第二卫星遥感影像的数据信息,对第二卫星遥感影像的数据信息进行运算处理,例如加、减、乘、除等线性或非线性组合,从而获取第二卫星遥感影像对应植被指数图,需要说明的是,植被指数图中每个像素点的像素值即为植被指数的数值,进一步的,根据获取的植被指数,构建可燃物含水率反演模型。其中,可燃物含水率反演模型由以下表达式限定:
Y=b0+b1x1+b2x2+...+bixi+e
其中,b0表示常数项;b1、b2...bi表示回归系数;xi表示所述第二卫星遥感影像的第i个像素点对应的植被指数;e表示随机误差。
这样,本实施例通过校正后的第二卫星遥感影像能够较准确获取植被指数,根据较准确的植被指数构建可燃物含水率反演模型,提高了确定草原是否发生火灾的准确性。
图4为又一个实施例中基于多源异构数据的草原火灾监测预警方法流程图,图4是在图3所示实施例的基础上,对S204的一种可能的实现方式的描述,如图4所示:
S1041:根据可燃物含水率反演模型,得到第二卫星遥感影像的可燃物含水率值。
S1042:根据可燃物含水率值和草原环境影响因素数据,构建草原火险指数模型。
具体的,根据已构建的可燃物含水率模型,以及利用第二卫星遥感影像获取的植被指数例如归一化植被指数和增强型植被指数,得到第二卫星遥感影像的每个像素点对应的可燃物含水率值,进一步的根据可燃物含水率值以及无线传感网采集***获取得到的草原环境影响因素数据例如风速风向、空气温湿度和土壤温湿度,构建草原火险指数模型,需要说明的是,可燃物含水率值以及无线传感网采集***获取得到的草原环境影响因素数据例如风速风向、空气温湿度和土壤温湿度作为草原火险指数模型中风险项的火险因子,但不限于此,本公开不具体限制。其中,草原火险指数模型由以下表达式限定:
R=W1*X1+W2*X2+...+WiXi
其中,Wi表示第i个风险项的权重值;Xi表示第二卫星遥感影像的第i个像素点对应的风险项的取值,其中,风险项包括可燃物含水率值以及草原环境影响因素数据。
需要说明的是,本实施例中风险项的权重值采用层次分析法确定,具体的,通过建立递阶层次结构、构建比较判断矩阵、计算比较元素的相对权重与与各层元素的组合权重以及一致性检验四个步骤,从而获取风险项的权重值,其中,元素是指风险项中的可燃物含水率值、风速风向、空气温湿度和土壤温湿度,但不限于此,本公开不具体限制,建立递阶层次结构是指将复杂的问题分解为若干个元素,元素进一步分组,从而形成不同的层次,示例性的,一个典型的层次结构包括目标层、准则层、子准则层以及方案层,但不限于此,本公开不具体限制。构建比较判断矩阵是指对影响因素例如风险项中的可燃物含水率值、风速风向、空气温湿度和土壤温湿度进行两两比较,从而确定它们之间的相对重要程度,一般的,采用九度法进行表述,但不限于此,本公开不具体限制。进一步的根据构建好的比较判断矩阵,计算比较元素的相对权重与与各层元素的组合权重,具体的,通过幂法对判断矩阵进行特征根求解,计算出最大特征根和相应的特征向量,该特征向量就是各项影响因素的权重,最后,利用最大特征根求出判断矩阵的一致性比率进行一致性检验,根据一致性检验判断是否继续对比较判断矩阵进行调整。
这样,本实施例根据第二卫星遥感影像的数据信息与无线传感网采集***获取的草原环境影响因素数据,构建草原火险指数模型,进一步根据草原火险指数模型评估草原火灾的易发性,从而提高了确定草原是否发生火灾的准确性。
图5为另一个实施例中基于多源异构数据的草原火灾监测预警方法流程图,图5是在图3所示实施例的基础上,进一步地,在S206之后还包括:
S107:判断目标监测区域是否发生火灾。
具体的,根据草原火险等级区划图确定目标监测区域,对目标监测区域进行重点监测,判断目标监测区域是否发生火灾。
示例性的,利用卷积神经网络对目标监测区域的第二卫星遥感影像进行火点识别,确定目标监测区域内出现疑似火点区域时,派遣无人机群对疑似火点区域进行覆盖飞行,并通过无人机获取该区域内的草原图像,进一步的,对无人机获取的草原图像进行烟雾以及火焰的识别,当在出现疑似火点区域内识别到烟雾或者火焰时,确定目标监测区域发生火灾。但不限于此,本公开不具体限制。
S108:当确定目标监测区域发生火灾,根据草原环境影响因素数据,构建草原火灾预测模型,得到草原火灾预测结果。
其中,草原火灾预测模型是指基于元胞自动机的草原火灾预测模型,用于对草原火灾进行预测,实现对火灾的蔓延进行追踪。
具体的,当确定目标监测区域内出现疑似火点的区域发生火灾时,将草原环境影响因素数据中相对核心的关键影响数据因素作为草原火灾预测模型中的影响因素,例如可燃物含水率值、风速风向以及地形,从而构建草原火灾预测模型,并根据草原火灾预测模型获取草原火灾预测结果。
S109:根据草原火灾预测结果,调度无人机进行草原火灾蔓延追踪。
具体的,根据已构建的草原火灾预测模型获取草原火灾的预测结果,并根据该预测结果及时调度无人机移动至下一时刻的目标点,以此实现对草原火灾蔓延的持续追踪。
需要说明的是,当在无人机进行草原火灾蔓延追踪过程中,若无人机出现故障或者损毁,将及时进行无人机的补充,并根据基于SOM神经网络的聚类算法对补充后的无人机集合和需要进行重分配的任务集合进行聚类分组,进一步根据蚁群算法对分组后任务序列发生改变的无人机进行内部任务执行次序的调整,以使各个无人机按照调整后的任务序列继续执行草原火灾蔓延追踪。
这样,本实施例通过对确定发生火灾的区域构建草原火灾预测模型,并利用无人机群实现对草原火灾的蔓延性持续追踪,从而及时的对草原火灾进行控制,降低火灾对生态环境以及人民生命财产、安全的危害。
应该理解的是,虽然图1-图5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-图5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种基于多源异构数据的草原火灾监测预警装置,包括:获取模块110、卫星遥感影像校正模块120、可燃物含水率反演模型构建模块130、草原火险指数模型构建模块140、草原火险等级区划图获取模块150、目标监测区域确定模块160,其中,获取模块110,用于获取无人机多光谱图像、第一卫星遥感影像以及草原环境影响因素数据;其中,草原环境影响因素数据包括风速风向、空气温湿度和土壤温湿度;卫星遥感影像校正模块120,用于根据无人机多光谱图像,对第一卫星遥感影像进行校正处理,得到第二卫星遥感影像;可燃物含水率反演模型构建模块130,用于根据第二卫星遥感影像,构建可燃物含水率反演模型;草原火险指数模型构建模块140,用于根据可燃物含水率反演模型和草原环境影响因素数据,构建草原火险指数模型;草原火险等级区划图获取模块150,用于根据草原火险指数模型,得到草原火险等级区划图;其中,草原火险等级区划图包括多个草原火险等级,草原火险等级用于表征火险的危害程度;目标监测区域确定模块160,用于根据草原火险等级区划图,确定目标监测区域。
在本发明实施例一实施方式中,卫星遥感影像校正模块120,具体用于对无人机多光谱图像进行图像预处理,获取无人机多光谱图像的第一反射率值;其中,图像预处理包括多光谱图像拼接处理以及辐射校正;对第一卫星遥感影像进行图像预处理,获取第一卫星遥感影像的第二反射率值;其中,图像预处理包括辐射定标以及大气校正;根据无人机多光谱图像的第一反射率值以及第一卫星遥感影像的第二反射率值,得到第一卫星遥感影像的校正系数;根据第一卫星遥感影像的校正系数,对第一卫星遥感影像进行校正处理,得到第二卫星遥感影像。
在本发明实施例一实施方式中,可燃物含水率反演模型构建模块130,具体用于根据第二卫星遥感影像,获取植被指数,其中,植被指数包括归一化植被指数以及增强型植被指数;根据植被指数,构建可燃物含水率反演模型。可燃物含水率反演模型由以下表达式限定:
Y=b0+b1x1+b2x2+...+bixi+e
其中,b0表示常数项;b1、b2...bi表示回归系数;xi表示所述第二卫星遥感影像的第i个像素点对应的植被指数;e表示随机误差。
在本发明实施例一实施方式中,草原火险指数模型构建模块140具体用于根据可燃物含水率反演模型,得到第二卫星遥感影像的可燃物含水率值;根据可燃物含水率值和所述草原环境影响因素数据,构建草原火险指数模型。草原火险指数模型由以下表达式限定:
R=W1*X1+W2*X2+...+WiXi
其中,Wi表示第i个风险项的权重值;Xi表示第二卫星遥感影像的第i个像素点对应的风险项的取值,其中,风险项包括可燃物含水率值以及草原环境影响因素数据。
在本发明实施例一实施方式中,目标监测区域确定模块160还用于判断目标监测区域是否发生火灾;若是,根据草原环境影响因素数据,构建草原火灾预测模型,得到草原火灾预测结果;根据草原火灾预测结果,调度无人机进行草原火灾蔓延追踪。
在上述实施例中,获取模块110用于获取无人机多光谱图像、第一卫星遥感影像以及草原环境影响因素数据;卫星遥感影像校正模块120用于根据无人机多光谱图像,对第一卫星遥感影像进行校正处理,得到第二卫星遥感影像;可燃物含水率反演模型构建模块130用于根据第二卫星遥感影像,构建可燃物含水率反演模型;草原火险指数模型构建模块140用于根据可燃物含水率反演模型和草原环境影响因素数据,构建草原火险指数模型;草原火险等级区划图获取模块150用于根据草原火险指数模型,得到草原火险等级区划图;目标监测区域确定模块160用于根据草原火险等级区划图,确定目标监测区域。通过利用清晰度较高的无人机多光谱图像对第一卫星遥感影像进行校正处理,以使卫星遥感影像能够清晰的表述草原图像的数据信息,进一步与草原环境影响因素数据结合,准确的对草原火险等级进行区划,提高火点识别效率,避免少报漏报的现象,从而提高了确定草原是否发生火灾的准确性。
关于基于多源异构数据的草原火灾监测预警装置的具体限定可以参见上文中对于基于多源异构数据的草原火灾监测预警方法的限定,在此不再赘述。上述基于多源异构数据的草原火灾监测预警装置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。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。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***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WiFi、运营商网络、近场通信(NFC)或其他技术实现。该计算机程序被处理器执行时以实现一种基于多源异构数据的草原火灾监测预警方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7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,本申请提供的基于多源异构数据的草原火灾监测预警装置可以实现为一种计算机程序的形式,计算机程序可在如图7所示的计算机设备上运行。计算机设备的存储器中可存储组成该基于多源异构数据的草原火灾监测预警装置的各个程序模块,比如,图6所示的获取模块110、卫星遥感影像校正模块120、可燃物含水率反演模型构建模块130、草原火险指数模型构建模块140、草原火险等级区划图获取模块150、目标监测区域确定模块160,各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的基于多源异构数据的草原火灾监测预警方法中的步骤。
例如,图7所示的计算机设备可以通过如图6所示的基于多源异构数据的草原火灾监测预警装置中的获取模块110执行S101、卫星遥感影像校正模块120执行S102、可燃物含水率反演模型构建模块130执行S103、草原火险指数模型构建模块140执行S104、草原火险等级区划图获取模块150执行S105、目标监测区域确定模块160执行S106。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取无人机多光谱图像、第一卫星遥感影像以及草原环境影响因素数据;其中,草原环境影响因素数据包括风速风向、空气温湿度和土壤温湿度;根据无人机多光谱图像,对第一卫星遥感影像进行校正处理,得到第二卫星遥感影像;根据第二卫星遥感影像,构建可燃物含水率反演模型;根据可燃物含水率反演模型和草原环境影响因素数据,构建草原火险指数模型;根据草原火险指数模型,得到草原火险等级区划图;其中,草原火险等级区划图包括多个草原火险等级,草原火险等级用于表征火险的危害程度;根据草原火险等级区划图,确定目标监测区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据所述无人机多光谱图像,对第一卫星遥感影像进行校正处理,得到第二卫星遥感影像,包括:对无人机多光谱图像进行图像预处理,获取无人机多光谱图像的第一反射率值;其中,图像预处理包括多光谱图像拼接处理以及辐射校正;对第一卫星遥感影像进行图像预处理,获取第一卫星遥感影像的第二反射率值;其中,图像预处理包括辐射定标以及大气校正;根据无人机多光谱图像的第一反射率值以及第一卫星遥感影像的第二反射率值,得到第一卫星遥感影像的校正系数;根据第一卫星遥感影像的校正系数,对第一卫星遥感影像进行校正处理,得到第二卫星遥感影像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据第二卫星遥感影像,构建可燃物含水率反演模型,包括:根据第二卫星遥感影像,获取植被指数,其中,植被指数包括归一化植被指数以及增强型植被指数;根据植被指数,构建可燃物含水率反演模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:可燃物含水率反演模型由以下表达式限定:
Y=b0+b1x1+b2x2+...+bixi+e
其中,b0表示常数项;b1、b2...bi表示回归系数;xi表示第二卫星遥感影像的第i个像素点对应的植被指数;e表示随机误差。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据可燃物含水率反演模型和草原环境影响因素数据,构建草原火险指数模型,包括:根据可燃物含水率反演模型,得到第二卫星遥感影像的可燃物含水率值;根据可燃物含水率值和草原环境影响因素数据,构建草原火险指数模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:草原火险指数模型由以下表达式限定:
R=W1*X1+W2*X2+...+WiXi
其中,Wi表示第i个风险项的权重值;Xi表示第二卫星遥感影像的第i个像素点对应的风险项的取值,其中,风险项包括可燃物含水率值以及草原环境影响因素数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据草原火险等级区划图,确定目标监测区域之后,还包括:判断目标监测区域是否发生火灾;若是,根据草原环境影响因素数据,构建草原火灾预测模型,得到草原火灾预测结果;根据草原火灾预测结果,调度无人机进行草原火灾蔓延追踪。
在上述实施例中,通过获取无人机多光谱图像、第一卫星遥感影像以及草原环境影响因素数据,根据无人机多光谱图像,对第一卫星遥感影像进行校正处理,得到第二卫星遥感影像,根据第二卫星遥感影像,构建可燃物含水率反演模型,根据可燃物含水率反演模型和草原环境影响因素数据,构建草原火险指数模型,根据草原火险指数模型,得到草原火险等级区划图,根据草原火险等级区划图,确定目标监测区域,本公开通过利用清晰度较高的无人机多光谱图像对第一卫星遥感影像进行校正处理,以使卫星遥感影像能够清晰的表述草原图像的数据信息,进一步与草原环境影响因素数据结合,准确的对草原火险等级进行区划,提高火点识别效率,避免少报漏报的现象,从而提高了确定草原是否发生火灾的准确性。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取无人机多光谱图像、第一卫星遥感影像以及草原环境影响因素数据;其中,草原环境影响因素数据包括风速风向、空气温湿度和土壤温湿度;根据无人机多光谱图像,对第一卫星遥感影像进行校正处理,得到第二卫星遥感影像;根据第二卫星遥感影像,构建可燃物含水率反演模型;根据可燃物含水率反演模型和草原环境影响因素数据,构建草原火险指数模型;根据草原火险指数模型,得到草原火险等级区划图;其中,草原火险等级区划图包括多个草原火险等级,草原火险等级用于表征火险的危害程度;根据草原火险等级区划图,确定目标监测区域。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:根据所述无人机多光谱图像,对第一卫星遥感影像进行校正处理,得到第二卫星遥感影像,包括:对无人机多光谱图像进行图像预处理,获取无人机多光谱图像的第一反射率值;其中,图像预处理包括多光谱图像拼接处理以及辐射校正;对第一卫星遥感影像进行图像预处理,获取第一卫星遥感影像的第二反射率值;其中,图像预处理包括辐射定标以及大气校正;根据无人机多光谱图像的第一反射率值以及第一卫星遥感影像的第二反射率值,得到第一卫星遥感影像的校正系数;根据第一卫星遥感影像的校正系数,对第一卫星遥感影像进行校正处理,得到第二卫星遥感影像。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:根据第二卫星遥感影像,构建可燃物含水率反演模型,包括:根据第二卫星遥感影像,获取植被指数,其中,植被指数包括归一化植被指数以及增强型植被指数;根据植被指数,构建可燃物含水率反演模型。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:可燃物含水率反演模型由以下表达式限定:
Y=b0+b1x1+b2x2+...+bixi+e
其中,b0表示常数项;b1、b2...bi表示回归系数;xi表示第二卫星遥感影像的第i个像素点对应的植被指数;e表示随机误差。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:根据可燃物含水率反演模型和草原环境影响因素数据,构建草原火险指数模型,包括:根据可燃物含水率反演模型,得到第二卫星遥感影像的可燃物含水率值;根据可燃物含水率值和草原环境影响因素数据,构建草原火险指数模型。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:草原火险指数模型由以下表达式限定:
R=W1*X1+W2*X2+...+WiXi
其中,Wi表示第i个风险项的权重值;Xi表示第二卫星遥感影像的第i个像素点对应的风险项的取值,其中,风险项包括所述可燃物含水率值以及草原环境影响因素数据。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:根据草原火险等级区划图,确定目标监测区域之后,还包括:判断目标监测区域是否发生火灾;若是,根据草原环境影响因素数据,构建草原火灾预测模型,得到草原火灾预测结果;根据草原火灾预测结果,调度无人机进行草原火灾蔓延追踪。
在上述实施例中,通过获取无人机多光谱图像、第一卫星遥感影像以及草原环境影响因素数据,根据无人机多光谱图像,对第一卫星遥感影像进行校正处理,得到第二卫星遥感影像,根据第二卫星遥感影像,构建可燃物含水率反演模型,根据可燃物含水率反演模型和草原环境影响因素数据,构建草原火险指数模型,根据草原火险指数模型,得到草原火险等级区划图,根据草原火险等级区划图,确定目标监测区域,本公开通过利用清晰度较高的无人机多光谱图像对第一卫星遥感影像进行校正处理,以使卫星遥感影像能够清晰的表述草原图像的数据信息,进一步与草原环境影响因素数据结合,准确的对草原火险等级进行区划,提高火点识别效率,避免少报漏报的现象,从而提高了确定草原是否发生火灾的准确性。
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、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-OnlyMemory,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)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,比如静态随机存取存储器(Static Random Access Memory,SRAM)和动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
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 (10)
1.一种基于多源异构数据的草原火灾监测预警方法,其特征在于,包括:
获取无人机多光谱图像、第一卫星遥感影像以及草原环境影响因素数据;其中,所述草原环境影响因素数据包括风速风向、空气温湿度和土壤温湿度;
根据所述无人机多光谱图像,对所述第一卫星遥感影像进行校正处理,得到第二卫星遥感影像;
根据所述第二卫星遥感影像,构建可燃物含水率反演模型;
根据所述可燃物含水率反演模型和所述草原环境影响因素数据,构建草原火险指数模型;
根据所述草原火险指数模型,得到草原火险等级区划图;其中,所述草原火险等级区划图包括多个草原火险等级,所述草原火险等级用于表征火险的危害程度;
根据所述草原火险等级区划图,确定目标监测区域。
2.根据权利要求1所述的方法,其特征在于,所述根据所述无人机多光谱图像,对所述第一卫星遥感影像进行校正处理,得到第二卫星遥感影像,包括:
对所述无人机多光谱图像进行图像预处理,获取所述无人机多光谱图像的第一反射率值;其中,所述图像预处理包括多光谱图像拼接处理以及辐射校正;
对所述第一卫星遥感影像进行图像预处理,获取所述第一卫星遥感影像的第二反射率值;其中,所述图像预处理包括辐射定标以及大气校正;
根据所述无人机多光谱图像的第一反射率值以及所述第一卫星遥感影像的第二反射率值,得到第一卫星遥感影像的校正系数;
根据所述第一卫星遥感影像的校正系数,对所述第一卫星遥感影像进行校正处理,得到所述第二卫星遥感影像。
3.根据权利要求1-2任一项所述的方法,其特征在于,所述根据所述第二卫星遥感影像,构建可燃物含水率反演模型,包括:
根据所述第二卫星遥感影像,获取植被指数;其中,所述植被指数包括归一化植被指数以及增强型植被指数;
根据所述植被指数,构建可燃物含水率反演模型。
4.根据权利要求3所述的方法,其特征在于,所述可燃物含水率反演模型由以下表达式限定:
Y=b0+b1x1+b2x2+...+bixi+e
其中,b0表示常数项;b1、b2...bi表示回归系数;xi表示所述第二卫星遥感影像的第i个像素点对应的植被指数;e表示随机误差。
5.根据权利要求1所述的方法,其特征在于,根据所述可燃物含水率反演模型和所述草原环境影响因素数据,构建草原火险指数模型,包括:
根据所述可燃物含水率反演模型,得到所述第二卫星遥感影像的可燃物含水率值;
根据所述可燃物含水率值和所述草原环境影响因素数据,构建草原火险指数模型。
6.根据权利要求5所述的方法,其特征在于,所述草原火险指数模型由以下表达式限定:
R=W12X1+W2*X2+...+WiXi
其中,Wi表示第i个风险项的权重值;Xi表示所述第二卫星遥感影像的第i个像素点对应的风险项的取值,其中,所述风险项包括所述可燃物含水率值以及所述草原环境影响因素数据。
7.根据权利要求1所述的方法,其特征在于,根据所述草原火险等级区划图,确定目标监测区域之后,还包括:
判断所述目标监测区域是否发生火灾;
若是,根据所述草原环境影响因素数据,构建草原火灾预测模型,得到草原火灾预测结果;
根据所述草原火灾预测结果,调度无人机进行草原火灾蔓延追踪。
8.一种基于多源异构数据的草原火灾监测预警装置,其特征在于,包括:
获取模块,用于获取无人机多光谱图像、第一卫星遥感影像以及草原环境影响因素数据;其中,所述草原环境影响因素数据包括风速风向、空气温湿度和土壤温湿度;
卫星遥感影像校正模块,用于根据所述无人机多光谱图像,对所述第一卫星遥感影像进行校正处理,得到第二卫星遥感影像;
可燃物含水率反演模型构建模块,用于根据所述第二卫星遥感影像,构建可燃物含水率反演模型;
草原火险指数模型构建模块,用于根据所述可燃物含水率反演模型和所述草原环境影响因素数据,构建草原火险指数模型;
草原火险等级区划图获取模块,用于根据所述草原火险指数模型,得到草原火险等级区划图;其中,所述草原火险等级区划图包括多个草原火险等级,所述草原火险等级用于表征火险的危害程度;
目标监测区域确定模块,用于根据所述草原火险等级区划图,确定目标监测区域。
9.一种计算机设备,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7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110634608.XA CN113362553A (zh) | 2021-06-08 | 2021-06-08 | 基于多源异构数据的草原火灾监测预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110634608.XA CN113362553A (zh) | 2021-06-08 | 2021-06-08 | 基于多源异构数据的草原火灾监测预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113362553A true CN113362553A (zh) | 2021-09-07 |
Family
ID=77532962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110634608.XA Pending CN113362553A (zh) | 2021-06-08 | 2021-06-08 | 基于多源异构数据的草原火灾监测预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362553A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252405A (zh) * | 2021-12-28 | 2022-03-29 | 广东省林业科学研究院 | 一种基于植被指数的森林地表可燃物载量估测方法、装置 |
CN114897860A (zh) * | 2022-05-26 | 2022-08-12 | 中国科学院地理科学与资源研究所 | 一种一氧化碳污染受土地利用影响下的推演方法及装置 |
CN114971409A (zh) * | 2022-06-28 | 2022-08-30 | 成都秦川物联网科技股份有限公司 | 一种基于物联网的智慧城市火灾监控预警方法及*** |
CN115331116A (zh) * | 2022-10-13 | 2022-11-11 | 潍坊绘圆地理信息有限公司 | 基于多模态数据的地面目标精准识别星上模糊推理方法 |
CN115656057A (zh) * | 2022-12-05 | 2023-01-31 | 中国水利水电科学研究院 | 基于多源数据融合的水华精准协同监测方法 |
CN116188585A (zh) * | 2023-04-24 | 2023-05-30 | 成都垣景科技有限公司 | 一种基于无人机摄影测量的山区光伏目标定位方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708646A (zh) * | 2012-06-01 | 2012-10-03 | 湖南省电力公司科学研究院 | 一种基于卫星监测的山地输电线路火灾预警方法 |
CN105096508A (zh) * | 2015-07-27 | 2015-11-25 | 中国电子科技集团公司第三十八研究所 | 一种森林防火数字信息化综合指挥*** |
CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
CN108717582A (zh) * | 2018-04-17 | 2018-10-30 | 平安科技(深圳)有限公司 | 森林火灾预测方法、装置、计算机设备和存储介质 |
CN108806163A (zh) * | 2018-07-27 | 2018-11-13 | 黄河科技学院 | 基于云布控的防火监测*** |
CN109448295A (zh) * | 2018-11-24 | 2019-03-08 | 石家庄市圣铭科技有限公司 | 一种森林、草原防火预警监控*** |
CN110379113A (zh) * | 2019-06-28 | 2019-10-25 | 北京中科锐景科技有限公司 | 一种基于卫星遥感数据森林火灾预警的方法 |
CN111445011A (zh) * | 2020-04-01 | 2020-07-24 | 成都思晗科技股份有限公司 | 一种基于气象和遥感数据的山火预警方法 |
CN111460733A (zh) * | 2020-04-01 | 2020-07-28 | 成都卡普数据服务有限责任公司 | 一种基于深度学习的山火预警方法 |
CN111666827A (zh) * | 2020-05-18 | 2020-09-15 | 福建省林业调查规划院(福建省野生动植物与湿地资源监测中心) | 一种林业病虫害智能识别方法及*** |
CN112017386A (zh) * | 2020-08-14 | 2020-12-01 | 中国科学院上海微***与信息技术研究所 | 一种森林草原火灾监测*** |
CN112509265A (zh) * | 2020-12-14 | 2021-03-16 | 浙江大学德清先进技术与产业研究院 | 一种基于多源遥感大数据融合的森林火灾监测方法 |
CN112884672A (zh) * | 2021-03-04 | 2021-06-01 | 南京农业大学 | 一种基于同期卫星影像的多架次无人机影像相对辐射校正方法 |
-
2021
- 2021-06-08 CN CN202110634608.XA patent/CN113362553A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708646A (zh) * | 2012-06-01 | 2012-10-03 | 湖南省电力公司科学研究院 | 一种基于卫星监测的山地输电线路火灾预警方法 |
CN105096508A (zh) * | 2015-07-27 | 2015-11-25 | 中国电子科技集团公司第三十八研究所 | 一种森林防火数字信息化综合指挥*** |
CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
CN108717582A (zh) * | 2018-04-17 | 2018-10-30 | 平安科技(深圳)有限公司 | 森林火灾预测方法、装置、计算机设备和存储介质 |
CN108806163A (zh) * | 2018-07-27 | 2018-11-13 | 黄河科技学院 | 基于云布控的防火监测*** |
CN109448295A (zh) * | 2018-11-24 | 2019-03-08 | 石家庄市圣铭科技有限公司 | 一种森林、草原防火预警监控*** |
CN110379113A (zh) * | 2019-06-28 | 2019-10-25 | 北京中科锐景科技有限公司 | 一种基于卫星遥感数据森林火灾预警的方法 |
CN111445011A (zh) * | 2020-04-01 | 2020-07-24 | 成都思晗科技股份有限公司 | 一种基于气象和遥感数据的山火预警方法 |
CN111460733A (zh) * | 2020-04-01 | 2020-07-28 | 成都卡普数据服务有限责任公司 | 一种基于深度学习的山火预警方法 |
CN111666827A (zh) * | 2020-05-18 | 2020-09-15 | 福建省林业调查规划院(福建省野生动植物与湿地资源监测中心) | 一种林业病虫害智能识别方法及*** |
CN112017386A (zh) * | 2020-08-14 | 2020-12-01 | 中国科学院上海微***与信息技术研究所 | 一种森林草原火灾监测*** |
CN112509265A (zh) * | 2020-12-14 | 2021-03-16 | 浙江大学德清先进技术与产业研究院 | 一种基于多源遥感大数据融合的森林火灾监测方法 |
CN112884672A (zh) * | 2021-03-04 | 2021-06-01 | 南京农业大学 | 一种基于同期卫星影像的多架次无人机影像相对辐射校正方法 |
Non-Patent Citations (2)
Title |
---|
张素铭: "基于无人机多光谱影像的地表主要生态参数估测及卫星遥感反演", 《中国硕士学位论文全文数据库基础科学辑》 * |
李晓恋: "基于MODIS数据的多因子协同作用下森林火灾预测监测研究", 《中国博士学位论文全文数据库农业科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252405A (zh) * | 2021-12-28 | 2022-03-29 | 广东省林业科学研究院 | 一种基于植被指数的森林地表可燃物载量估测方法、装置 |
CN114897860A (zh) * | 2022-05-26 | 2022-08-12 | 中国科学院地理科学与资源研究所 | 一种一氧化碳污染受土地利用影响下的推演方法及装置 |
CN114971409A (zh) * | 2022-06-28 | 2022-08-30 | 成都秦川物联网科技股份有限公司 | 一种基于物联网的智慧城市火灾监控预警方法及*** |
CN115331116A (zh) * | 2022-10-13 | 2022-11-11 | 潍坊绘圆地理信息有限公司 | 基于多模态数据的地面目标精准识别星上模糊推理方法 |
CN115656057A (zh) * | 2022-12-05 | 2023-01-31 | 中国水利水电科学研究院 | 基于多源数据融合的水华精准协同监测方法 |
CN116188585A (zh) * | 2023-04-24 | 2023-05-30 | 成都垣景科技有限公司 | 一种基于无人机摄影测量的山区光伏目标定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113362553A (zh) | 基于多源异构数据的草原火灾监测预警方法及装置 | |
US20200250428A1 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
US11275989B2 (en) | Predicting wildfires on the basis of biophysical indicators and spatiotemporal properties using a long short term memory network | |
Dutta et al. | Impervious surface growth and its inter-relationship with vegetation cover and land surface temperature in peri-urban areas of Delhi | |
US10990874B2 (en) | Predicting wildfires on the basis of biophysical indicators and spatiotemporal properties using a convolutional neural network | |
Garbarino et al. | Gap disturbances and regeneration patterns in a Bosnian old-growth forest: a multispectral remote sensing and ground-based approach | |
Chianucci et al. | A dataset of leaf inclination angles for temperate and boreal broadleaf woody species | |
US20160048925A1 (en) | Method of determining structural damage using positive and negative tree proximity factors | |
US20200250427A1 (en) | Shadow and cloud masking for agriculture applications using convolutional neural networks | |
Derwin et al. | Estimating tree canopy cover using harmonic regression coefficients derived from multitemporal Landsat data | |
CN112258793B (zh) | 灾害监测及预警方法、装置、设备及介质 | |
CN110321774B (zh) | 农作物灾情评估方法、装置、设备及计算机可读存储介质 | |
Yang et al. | Cotton hail disaster classification based on drone multispectral images at the flowering and boll stage | |
CN117057497A (zh) | 一种森林火灾风险评估方法及其模型构建方法和装置 | |
Ashaari et al. | Comparison of model accuracy in tree canopy density estimation using single band, vegetation indices and forest canopy density (FCD) based on Landsat-8 imagery (case study: Peat Swamp Forest in Riau Province) | |
Wang et al. | Potential of texture metrics derived from high-resolution PLEIADES satellite data for quantifying aboveground carbon of Kandelia candel mangrove forests in Southeast China | |
Puletti et al. | Enhancing wall-to-wall forest structure mapping through detailed co-registration of airborne and terrestrial laser scanning data in Mediterranean forests | |
Tao et al. | Monitoring the damage of armyworm as a pest in summer corn by unmanned aerial vehicle imaging | |
CN113343808A (zh) | 一种基于卫星遥感技术的热带森林资源测量方法 | |
Zhang et al. | Improving the accuracy of forest aboveground biomass using Landsat 8 OLI images by quantile regression neural network for Pinus densata forests in southwestern China | |
Liu et al. | Volcanic ash cloud detection from MODIS image based on CPIWS method | |
Newnham et al. | Exploiting three dimensional vegetation structure to map wildland extent | |
CN115015258B (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
José-Silva et al. | Improving the validation of ecological niche models with remote sensing analysis | |
Malik et al. | Wildfire risk prediction and detection using machine learning in san diego, california |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |