CN114333207A - 基于遥感数据的火灾全过程监测方法和装置 - Google Patents
基于遥感数据的火灾全过程监测方法和装置 Download PDFInfo
- Publication number
- CN114333207A CN114333207A CN202111664769.XA CN202111664769A CN114333207A CN 114333207 A CN114333207 A CN 114333207A CN 202111664769 A CN202111664769 A CN 202111664769A CN 114333207 A CN114333207 A CN 114333207A
- Authority
- CN
- China
- Prior art keywords
- fire
- remote sensing
- sensing data
- area
- early warning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000012544 monitoring process Methods 0.000 title claims abstract description 65
- 230000008569 process Effects 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 59
- 230000007480 spreading Effects 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000005094 computer simulation Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000006378 damage Effects 0.000 abstract description 9
- 238000011156 evaluation Methods 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 9
- 244000025254 Cannabis sativa Species 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008832 photodamage Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 230000009526 moderate injury Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Alarm Systems (AREA)
Abstract
本申请涉及一种基于遥感数据的火灾全过程监测方法和装置，其中方法包括：实时获取监测区域处的第一遥感数据，对第一遥感数据进行解析；在解析出第一遥感数据中包含有温度异常区域时，由第一遥感数据中提取出温度异常区域，并基于温度异常区域对当前火灾蔓延趋势进行预测，得到相应的火灾蔓延趋势；在解析出第一遥感数据中不存在温度异常区域时，基于第一遥感数据对当前监测区域处进行火灾预警处理，得到相应的火灾预警结果。其通过设置火灾蔓延区域预测流程和火灾预警流程，通过对实时获取的监测区域处的第一遥感数据进行解析调用不同的线程，实现了火灾由发生前的预警和发生时的近实时监测以及火灾发生后的灾损评估的全过程的监测。
Description
技术领域
本申请涉及遥感图像灾情监测技术领域，尤其涉及一种基于遥感数据的火灾全过程监测方法和装置。
背景技术
在全世界范围内，许多受到森林和草原火灾严重侵蚀的国家已经把林草火灾风险评估预警作为火灾的预防重要手段之一。目前主流的森林和草原火灾预警监测方式以气象监测、人工巡护、布设传感器网络和常规卫星遥感等手段为主，但是在森林和草原火灾预警的相关技术中，只是基于遥感数据结合气象因素进行火灾发生之前的预警，这就使得火灾的监测过程过于单一，最终导致监测结果不够全面服务于火灾的监测全过程中。
发明内容
有鉴于此，本申请提出了一种基于遥感数据的火灾全过程监测方法，可以实现火灾全过程的监测。
根据本申请的一方面，提供了一种基于遥感数据的火灾全过程监测方法，包括：
实时获取监测区域处的第一遥感数据，对所述第一遥感数据进行解析；
在解析出所述第一遥感数据中包含有温度异常区域时，由所述第一遥感数据中提取出所述温度异常区域，并基于所述温度异常区域对当前火灾蔓延趋势进行预测，得到相应的火灾蔓延趋势；
在解析出所述第一遥感数据中不存在所述温度异常区域时，基于所述第一遥感数据对当前监测区域处进行火灾预警处理，得到相应的火灾预警结果。
在一种可能的实现方式中，对所述第一遥感数据进行解析时，采用目标识别网络模型进行所述温度异常区域的识别。
在一种可能的实现方式中，基于所述温度异常区域对当前火灾蔓延趋势进行预测，得到相应的火灾蔓延趋势，包括：
基于所述温度异常区域确定当前发生火灾的位置数据；
根据当前发生火灾的位置数据，采集获取到所述位置数据所对应的火灾区域图像；
根据所述火灾区域图像，以火点为中心，综合所述火灾区域处的气象信息和地理信息，进行林火动态模拟，并根据动态模拟结果生成所述火灾蔓延趋势结果。
在一种可能的实现方式中，以火点为中心，综合所述火灾区域处的气象信息和地理信息，进行林火动态模拟时，通过调用所述火灾区域处的电子地图，在所述电子地图上直接进行林火动态模拟。
在一种可能的实现方式中，基于所述第一遥感数据对当前监测区域处进行火灾预警处理，得到相应的火灾预警结果，包括：
基于所述第一遥感数据进行地物分类；
以对所述第一遥感数据进行地物分类的结果为依据进行可燃物分析，得到可燃物本底调查数据；
基于所述可燃物本底调查数据对所述监测区域进行网格划分，并基于网格划分结果进行火灾预警处理。
在一种可能的实现方式中，以对所述第一遥感数据进行地物分类的结果为依据进行可燃物分析，包括对可燃物的类型、可燃物的空间分布和林分密度中的至少一种数据进行分析。
在一种可能的实现方式中，基于网格划分结果进行火灾预警处理时，包括：
获取各网格区域处的第二遥感数据；
对所述第二遥感数据进行植被指数计算，并依据计算得到的植被指数生成植被覆盖度；
根据所述植被覆盖度得到植被可燃物含水率；
根据所述可燃物本底调查数据、所述植被可燃物含水率、以及地形要素和气象要素进行火险综合风险指数计算；
根据计算得到的火险综合风险指数进行火险等级预警。
在一种可能的实现方式中，在解析出所述第一遥感数据中包含有温度异常区域时，还包括：
获取所述温度异常区域处火灾前和火灾后的第一卫星遥感数据；
对所述火灾前的第一卫星遥感数据和火灾后的第一卫星遥感数据进行比对，识别出最终的火灾过火区；
基于识别出的所述火灾过火区进行灾后受损面积的评估。
在一种可能的实现方式中，基于识别出的所述火灾过火区进行灾后受损面积的评估时，包括：
获取过火区边界；
基于所述过火区边界，利用所述火灾过火区对火灾后的第一卫星遥感数据进行掩膜处理，保留过火区影像；
计算得到所述过火区影像的归一化植被指数图，将所述归一化植被指数图按照预设灾害程度进行等级划分，得到不同级别的灾情区域，并将不同级别的灾情区域生成矢量以输出受灾程度分布矢量图；
利用所述过火区边界的矢量图、所述受灾程度分布矢量图，在GIS平台上，与建立的背景基础数据库和火场地面调查资料相结合，进行灾情统计分析。
根据本申请的另一方面，还提供了一种基于遥感数据的火灾全过程监测装置，包括遥感数据解析模块、火灾蔓延趋势预测模块和火灾预警模块；
所述遥感数据解析模块，被配置为实时获取监测区域处的第一遥感数据，对第一遥感数据进行解析；
所述火灾蔓延趋势预测模块，被配置为在所述遥感数据解析模块解析出第一遥感数据中包含有温度异常区域时，由第一遥感数据中提取出温度异常区域，并基于温度异常区域对当前火灾蔓延趋势进行预测，得到相应的火灾蔓延趋势；
所述火灾预警模块，被配置为在所述遥感数据解析模块解析出第一遥感数据中不存在温度异常区域时，基于第一遥感数据对当前监测区域处进行火灾预警处理，得到相应的火灾预警结果。
通过实时获取监测区域处的第一遥感数据，并设置火灾蔓延区域预测流程和火灾预警流程，在实时获取到监测区域处的第一遥感数据后，通过对第一遥感数据进行解析，然后根据解析结果调用不同的线程，实现了火灾由发生前的预警和发生后的预测的全过程的监测，这就使得大大减少了火灾发生的几率，实现了火灾预防和火灾趋势预测的功能。
根据下面参考附图对示例性实施例的详细说明，本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面，并且用于解释本申请的原理。
图1示出本申请实施例的基于遥感数据的火灾全过程监测方法的流程图；
图2示出本申请实施例的基于遥感数据的火灾全过程监测方法中进行火灾预警时的流程图；
图3示出本申请实施例的基于遥感数据的火灾全过程监测方法中进行火灾蔓延趋势预测的流程图；
图4示出本申请实施例的基于遥感数据的火灾全过程监测方法中火灾灾后评估的流程图；
图5示出本申请实施例的基于遥感数据的火灾全过程监测方法中进行火灾灾情统计时生成的灾情统计报表的一实施例图；
图6示出本申请实施例的基于遥感数据的火灾全过程监测装置的结构框图。
具体实施方式
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。
图1示出根据本申请一实施例的基于遥感数据的火灾全过程监测方法的流程图。如图1所示，该方法包括：步骤S100，实时获取监测区域处的第一遥感数据，并对第一遥感数据进行解析。此处，需要说明的是，在该步骤中对第一遥感数据进行的解析，主要是用于解析第一遥感数据中是否存在温度异常区域。其中，本领域技术人员可以理解的是，温度异常区域指的是监测区域处是否存在正在发生火灾的区域。同时，还需要指出的是，监测区域处的第一遥感数据可以直接采用卫星遥感技术采集得到。
步骤S200，在解析出第一遥感数据中包含有温度异常区域时，由第一遥感数据中提取出温度异常区域，并基于提取出的温度异常区域对当前火灾蔓延趋势进行预测，得到相应的火灾蔓延趋势。即，在解析出第一遥感数据中包含有温度异常区域时，表明当前监测的区域处正在发生火灾，因此由第一遥感数据中提取出温度异常区域，并基于提取出的温度异常区域对当前火灾蔓延趋势进行预测，得到相应的火灾蔓延趋势预测结果，从而能够根据所得到的预测结果进行相应的救火路径的规划，使得在应对火灾救援时能够按照更加合理的方式进行。
步骤S300，在解析出第一遥感数据中不存在温度异常区域时，则基于第一遥感数据对当前监测区域处进行火灾预警处理，得到相应的火灾预警结果。即，在解析出第一遥感数据中不存在温度异常区域时，则基于第一遥感数据对当前监测区域处进行预警，达到预防火灾发生的目的。
由此，本申请实施例的基于遥感数据的火灾全过程监测方法，通过实时获取监测区域处的第一遥感数据，对第一遥感数据进行解析以实现对监测区域处是否正在发生火灾进行检测。在检测出第一遥感数据中包含有温度异常区域，即，检测出监测区域处正在发生火灾时，则由第一遥感数据中提取出温度异常区域，并基于提取出的温度异常区域对当前火灾蔓延趋势进行预测，从而得到相应的火灾蔓延趋势预测结果，进而以便于根据所得到的火灾蔓延趋势预测结果进行火灾救援计划的制定，使得所规划的火灾救援计划能够更加有效的提高火灾救援效率，减少火灾进一步发展的情况。
在检测出第一遥感数据中不存在温度异常区域时，即，检测出监测区域处当前没有发生火灾的情况时，则基于第一遥感数据对当前监测区域处进行火灾预警处理，达到预防火灾发生的目的。
也就是说，本申请实施例的方法通过设置火灾蔓延区域预测流程和火灾预警流程，在实时获取到监测区域处的第一遥感数据后，通过对第一遥感数据进行解析，然后根据解析结果调用不同的线程，实现了火灾由发生前的预警和发生后的预测的全过程的监测，这就使得大大减少了火灾发生的几率，实现了火灾预防和火灾趋势预测的功能。
其中，需要说明的是，在对获取到的第一遥感数据进行解析，以得到监测区域处是否正在发生火灾的解析结果时，可以采用目标识别网络模型进行第一遥感数据中温度异常区域的识别。应当说明的是，所采用的目标识别网络模型可以直接调用本领域常规的神经网络模型来实现，也可以自己设计相应的神经网络模型，在本申请中不对其进行具体限定。
同时，还应当指出的是，在对第一遥感数据进行温度异常区域的解析时，还可以采用本领域常规的火灾识别技术手段，此处也不再进行赘述。
进一步地，参阅图2，在一种可能的实现方式中，基于第一遥感数据对当前监测区域处进行火灾预警处理，得到相应的火灾预警结果时，可以通过以下方式来实现。
即，首先，基于第一遥感数据进行地物分类。然后，以对第一遥感数据进行地物分类的结果为依据进行可燃物分析，得到可燃物本底调查数据。进而再基于可燃物本底调查数据对监测区域进行网格划分，并基于网格划分结果进行火灾预警处理。
具体的，在上述实施例中，在以第一遥感数据进行地物分类的结果为依据进行可燃物分析时，包括对可燃物的类型、可燃物的空间分布和林分密度等中的至少一种数据进行分析。
更加具体的，在对获取到的第一遥感数据进行地物分类时，还需要对获取到的第一遥感数据进行预处理，然后再进行地物分类。其中，对第一遥感数据的预处理包括多光谱影像和全色影像的融合、拼接镶嵌和影像裁剪中的至少一种。应当指出的是，对于第一遥感数据的预处理(即，多光谱影像和全色影像的融合、拼接镶嵌和影像裁剪等)可以直接采用本领域常规的图像预处理方式，此处不再进行赘述。
同时，对经过预处理的第一遥感数据进行地物分类时，可以采用本领域常规的地物分类方法来实现，如：可以采用监督分类、非监督分类、基于知识的决策树分类、BP神经网络分类法等，在申请中不对其进行具体限定。
在通过上述任一种方式实现对第一遥感数据的地物分类之后，即可以第一遥感数据生成的地物分类结果为依据，对监测区域处进行可燃物分析。具体的，对监测区域处的可燃物的类型、空间分布和林分密度等进行分析，得到相应的可燃物本底调查数据。
其中，在以第一遥感数据的地物分类结果为基础，结合森林资源二类调查数据，按照《LY/T 1812-2009林地分类》确定监测区地物所属可燃物的类型，及其空间分布以及林分密度信息，即可燃物本底调查数据。
按照地物种类可以划分为地表枯枝落叶层(枯枝落叶上层、枯枝落叶下层)、地衣、苔藓(林地上苔藓、树上苔藓)、草本植物(易燃草本植物、难燃草本植物)、灌木(易燃灌木、难燃灌木)、乔木(易燃乔木、难燃乔木)、林地杂乱物。
接着，在基于可燃物本底调查数据对监测区域进行网格划分时，则具体包括：基于可燃物本底调查、森林资源调查、人员、单位、水源、装备等信息，对监测区域进行网格划分，明确责任及边界，进行防火区网格化管理。从而根据网格划分结果进行区域化管理和分析，可以按照网格划分的结果，对各网格区域查看巡护区具体的地理区位、森林资源状况、可燃物状况，并可以查询护林员资料、巡山护林任务执行情况、林业灾害报警信息等。
同时，基于网格划分结果进行火灾预警处理时，则包括：获取各网格区域处的第二遥感数据；对第二遥感数据进行植被指数计算，并依据计算得到的植被指数生成植被覆盖度；根据植被覆盖度得到植被可燃物含水率；根据可燃物本底调查数据、植被可燃物含水率、以及地形要素和气象要素进行火险综合风险指数计算；根据计算得到的火险综合风险指数进行火险等级预警。
其中，此处需要说明的是，所获取到的各网格区域处的第二遥感数据与第一遥感数据可以采用不同的卫星采集获取。同时，在采集获取各网格区域处的第二遥感数据时所采用的卫星的分辨率应当高于采集第一遥感数据所使用的卫星的分辨率。
具体的，在一种可能的实现方式中，第一遥感数据可以直接使用高分二号卫星采集获取。各网格区域处的第二遥感数据则可以使用MODIS卫星采集获取。
同时，在对获取到的各网格区域处的第二遥感数据进行植被指数计算之前，同样也需要对获取到的各网格区域处的第二遥感数据进行预处理。在该步骤中，对第二遥感数据的预处理则可以包括辐射校正、几何校正、投影变换等中的至少一种。并且，对第二遥感数据的预处理方式同样也可以直接采用本领域常规的图像预处理方式，此处也不再进行赘述。
另外，在上述可能的实现方式中，基于第二遥感数据进行植被指数计算的方式则可以包括以下步骤：
其中，归一化植被指数(Normalized Difference Vegetation Index，即NDVI)的计算公式为：
其中：ρNIR和ρRED分别代表近红外波段和红光波段的反射率，NDVI的值介于-1和1之间。
进一步的，依据计算得到的植被指数，生成植被覆盖度，进而在基于植被覆盖度数据生成植被可燃物含水率时，可以直接采用植被辐射传输模型来实现。
并且，根据可燃物本底调查数据、植被可燃物含水率、以及地形要素和气象要素进行火险综合风险指数计算时，地形要素可以包括网格区域所对应的地形、坡度、坡向和海拔数据等中的至少一种。气象要素则可以包括温度数据、湿度数据和降雨量数据等中的至少一种。居民点数据则可以包括各网格区域处的居民数量等。
同时，根据可燃物本底调查数据、植被可燃物含水率、以及地形要素和气象要素进行火险综合风险指数计算同样也可以采用本领域常规的计算方式进行，此处也不再进行赘述。
还应当指出的是，在根据计算得到的火险综合风险指数进行监测区域处的火险等级预警时，可以通过将计算得到的火险综合风险指数与预先设置的火险等级映射表进行比对来实现。
其中，火险等级预设表包括不同的火险综合风险指数与火险等级之间的对应关系。即，不同的火险等级对应不同的火险综合风险指数范围。在一种可能的实现方式中，火险等级由低到高可以设置为6个等级，不同的等级对应不同的火险综合风险指数范围。同时，在本申请实施例的方法中，不同区域处可以对应设置不同的火险等级预设表。
进一步地，参阅图3，在本申请实施例的方法中，在解析出第一遥感数据中包含有温度异常区域时，由第一遥感数据中提取出温度异常区域，并基于温度异常区域对当前火灾蔓延趋势进行预测，得到相应的火灾蔓延趋势时，可以通过以下方式来实现。
首先，基于温度异常区域确定当前发生火灾的位置数据。然后，根据当前发生火灾的位置数据，采集获取到位置数据所对应的火灾区域图像。进而再根据火灾区域图像，以火点为中心，综合火灾区域处的气象信息和地理信息，进行林火动态模拟，并根据动态模拟结果生成火灾蔓延趋势结果。
其中，以火点为中心，综合火灾区域处的气象信息和地理信息，进行林火动态模拟时，通过调用火灾区域处的电子地图，在电子地图上直接进行林火动态模拟。
具体的，在基于温度异常区域确定当前发生火灾的位置之后，获取该位置所对应的火灾区域图像。此处，需要说明的是，所获取的火灾区域图像可以为时序遥感影像数据。同时，还获取火灾区域历史数据、交通数据、行政区划数据、地表覆盖数据等，以及火点像元经纬度、火点所属行政区划、明火面积、火区信息及下垫面类型等信息，对林火进行监测。其中，火灾区域历史数据、交通数据和行政区划数据、地表覆盖数据均可以通过第三方接口直接获取得到。火点像元经纬度、火点所属行政区划、明火面积、火区信息及下垫面类型则可以根据所获取到的火灾区域图像得到。通过获取到的火灾区域历史数据、交通数据、行政区划数据、地表覆盖数据，以及火点像元经纬度、火点所属行政区划、明火面积、火区信息及下垫面类型等信息实现了火情监测的目的。
同时，还可以通过对获取到的火灾区域图像，分析出火点周围一定范围内的森林资源分布情况、居民点、防火重要设施、护林员和扑火队等信息，实现火源分析，为制定扑火决策提供参考依据。
对于火势蔓延区域的预测分析，则通过前面确定的火点为中心，综合风力风向等气象因素，植被及可燃物地形地貌、阻隔物等因子，在电子地图上直接进行林火动态模拟，通过模型动态计算并自动生成火情发展蔓延的预测效果，为救火物资设备的布设、救火人员的安排和隔离带的架设提供科学的依据。
此外，基于前面所得到的火灾的蔓延区域预测结果，结合地形地势以及火灾发生区域的水源、道路、救灾设备与物资的分布情况，可以设定安全合理的救火路线并推荐给救援人员，以便高效快速地进行灭火。
其中，在一种可能的实现方式中，基于前面所得到的火灾的蔓延区域预测结果，结合地形地势以及火灾发生区域的水源、道路、救灾设备与物资的分布情况进行救援路线的规划制定时，可以采用建模的方式来实现。
即，通过引接卫星、航空数据和DEM数据等信息，对火灾发生区域进行高精度建模，结合云计算技术，可以在极短的时间内构建出火灾现场的三维模型。进而再基于所构建的火灾区域的三维模型，结合火灾蔓延趋势预测结果以及地形地势以及火灾发生区域的水源、道路、救灾设备与物资的分布情况进行相应的救援路线的制定。同时，还可以根据所得到的火灾蔓延趋势预测结果，进行相应的应急调度，最终达到将火灾损害降低到最小的目的。
更进一步地，在本申请实施例的方法中，基于识别出的火灾过火区(即，温度异常区域)进行灾后受损面积的评估时，可以通过以下方式来实现：
首先，获取过火区边界。其中，过火区边界可以根据所识别出的火灾过火区进行确定，并在获取过火区边界后，将获取到的过火区边界以矢量图方式输出。
具体的，在识别火灾过火区时，可以利用计算获得的归一化植被指数(NDVI)，结合图像增强后的结果，设置阈值，将过火区像素与非过火区像素区分开的方式来实现。
即，获取温度异常区域处火灾前和火灾后的第一卫星遥感数据；对火灾前的第一卫星遥感数据和火灾后的第一卫星遥感数据进行比对，识别出最终的火灾过火区。
具体的，火灾前后的卫星遥感影像同样可以采用高分二号卫星采集得到。并且，在对火灾前的第一卫星遥感数据和火灾后的第一卫星遥感数据进行分析之前，同样也需要进行预处理。其中，该预处理包括拼接镶嵌和影像裁剪等操作。
在对获取到的火灾前和火灾后的第一卫星遥感数据进行预处理后，对比分析火灾前和火灾后的第一卫星遥感数据，识别出最终的火灾过火区。此处，需要说明的是，通过比对分析火灾前和火灾前的第一卫星遥感数据，识别出最终的火灾过火区时，可以采用面向对象的变化检测方法进行。
具体的，采用面向对象的变化检测方法的过程包括：首先进行图像分割处理，对分割得到的地物对象进一步提取光谱、纹理和空间结构等特征，通过对比分析这些特征进行是否发生变化的判断，获得变化区域，即火灾过火区。
同时，还需要指出的是，参阅图4，在解析出第一遥感数据中包含有温度异常区域时，还包括：获取火灾过火区在火灾前和火灾后的第二卫星遥感影像，基于火灾过火区在火灾前和火灾后的第二卫星遥感影像，获取火灾过火区的归一化植被指数。
此处，需要说明的是，所获取到的火灾前的第二卫星遥感影像和火灾后的第二卫星遥感影像可以为通过MODIS卫星采集获取得到的影像数据。
同时，基于火灾过火区在火灾前和火灾后的第二卫星遥感影像，获取火灾过火区的归一化植被指数，可以通过以下方式计算得到。
根据前面所述，归一化植被指数(Normalized Difference Vegetation Index，即NDVI)的计算公式为：
其中：ρNIR和ρRED分别代表近红外波段和红光波段的反射率，NDVI的值介于-1和1之间。
通过上述方式识别出温度异常区域后，再通过手工或膨胀算法等方式进行温度异常区域的封闭处理，从而获得封闭的温度异常区域后，将过火区生成矢量输出，即可得到过火区边界矢量图。
然后，基于获取到的过火区边界，利用火灾过火区对火灾后的第一卫星遥感数据进行掩膜处理，保留过火区影像。此处，本领域技术人员可以理解的是，利用火灾过火区(即，温度异常区域)对火灾后的第一卫星遥感数据进行掩膜处理，可以采用本领域的常规技术手段来实现，此处不再赘述。
接着，利用前面归一化指数计算方式计算得到过火区影像的归一化植被指数图，将归一化植被指数图按照预设灾害程度进行等级划分，得到不同级别的灾情区域，并将不同级别的灾情区域生成矢量以输出受灾程度分布矢量图。此处，需要说明的是，在将归一化植被指数图按照预设灾害程度进行等级划分时，预设灾害程度可以包括：未受害、轻度受害、中度受害、重度受害四个等级。同时，在对归一化植被指数图进行不同受灾程度的划分时，可以结合图像增强后的结果(即，对归一化植被指数图进行增强处理，增强处理可以采用本领域的常规技术手段)和地面获取的林木受损状态等，设置相应的阈值来进行划分。
其中，在一种可能的实现方式中，地面获取的林木受损状态具体包括未受害、轻度受害、中度受害和重度受害四个等级，所设置的用于进行不同受灾程度划分的阈值可参见下表1。
其中，dNDVI＝(NDVIpre－fire)-(NDVIpost－fire)；
NDVIpre－fire是火前影像的归一化燃烧指数值，NDVIpost－fire是火后影像的归一化燃烧指数值。
在通过上述任一种方式将温度异常区域的归一化植被指数图按照未受害、轻度受害、中度受害和重度受害划分为4级之后，还可以将划分为不同受灾程度的归一化植被指数图通过小斑块去除及膨胀等处理后获得封闭的区域，不同的区域对应为不同的受灾程度，然后将不同灾情级别生成相应的矢量以输出相应的受灾程度分布矢量图。
最后，再利用过火区边界的矢量图、受灾程度分布矢量图，在GIS平台上，与建立的背景基础数据库和火场地面调查资料相结合，进行灾情统计分析。
其中，在森林资源的经营管理中，通常以小班(或经营班)为最小的经营单位，因此在对林火灾情信息提取中，可以以小班(或经营班)为单位来进行灾情统计分析。
具体的，在进行灾情统计分析时，主要包括以下几方面：
生成灾情统计单元图：利用GIS***的空间分析功能，分别将过火区边界图、受灾程度分布图与林相图(或森林分布图)，通过多边形求交、分割等处理后，生成具有小班(或经营班)调查因子、用于灾情统计的单元图。同时，计算出新生成的单元图占原小班(或经营班)的面积比例，作为受灾程度系数(R)。
计算受灾面积和蓄积：利用GIS***的空间分析功能，分别统计出各新生成的单元图面积，并计算出具有相同小班号的各单元图的总面积。同时，利用各小班二类调查时获得的小班蓄积量(如果已成林)或者幼树株数(如果还未成林)，乘以受灾程度系数，获得各单元面积内的蓄积量或幼树株数。同时，还统计出各小班的受损蓄积量或幼树株数。
灾情统计报表生成：在地理信息***中，将获得的各类灾情矢量数据，与建立的背景矢量数据进行叠加分析，可分别按照灾情等级、地物类型、行政区等特征生成不同的多边形，从而统计分析获得受灾森林的类型、以及各类型的过火面积等。其中，参见图5，为在本申请实施例的方法中，所生成的灾情统计报表的一实施例图。
即，通过获取火灾前后的卫星遥感影像(即，火灾前的第一卫星遥感数据和火灾后的第一卫星遥感数据)，基于火灾损失评估数学模型，分析评估林草火灾灾情，包括过火区面积评定、生物量损失评估、燃烧受损程度评估。
由此，通过采用前面所述的本申请实施例的方法，通过利用卫星遥感技术，实时采集监测区域处的卫星影像数据，通过监测到的卫星影像数据，对监测区域进行灾前预警、灾时扑救和灾后评估全阶段的解析分析，实现了火灾前早期风险预警、灾时近实时火点监测和火势蔓延模拟、灾后损失评估；具备效率高、速度快、覆盖林草火灾全过程的优势。可为全球气候变化背景下的林草火灾防控、救援及管理提供科学数据和决策支持，并提升我国森林和草原火灾预警的效率和精度，减少由森林和草原火灾造成的人员伤亡和财产损失，本技术方法可服务于林草、防灾减灾领域、国家电网输电线沿线以及驻地在林区的国家重大基础设施等的森林和草原防火。
相应的，基于前面任一所述的基于遥感数据的火灾全过程监测方法，本申请还提供了一种基于遥感数据的火灾全过程监测装置。由于本申请提供的基于遥感数据的火灾全过程监测装置的工作原理与本申请的基于遥感数据的火灾全过程监测方法的原理相同或相似，因此重复之处不再赘述。
参阅图6，本申请提供的基于遥感数据的火灾全过程监测装置100包括遥感数据解析模块110、火灾蔓延趋势预测模块120和火灾预警模块130。其中，遥感数据解析模块110，被配置为实时获取监测区域处的第一遥感数据，对第一遥感数据进行解析。火灾蔓延趋势预测模块120，被配置为在解析出第一遥感数据中包含有温度异常区域时，由第一遥感数据中提取出温度异常区域，并基于温度异常区域对当前火灾蔓延趋势进行预测，得到相应的火灾蔓延趋势。火灾预警模块130，被配置为在解析出第一遥感数据中不存在温度异常区域时，基于第一遥感数据对当前监测区域处进行火灾预警处理，得到相应的火灾预警结果。
在一种可能的实现方式中，本申请提供的基于遥感数据的火灾全过程监测装置还包括灾后评估模块(图中未示出)。其中，灾后评估模块被配置为在遥感数据解析模块解析出第一遥感数据中存储温度异常区域时，获取温度异常区域处火灾前和火灾后的第一卫星遥感数据，对火灾前的第一卫星遥感数据和火灾后的第一卫星遥感数据进行比对，识别出最终的火灾过火区，并基于识别出的火灾过火区进行灾后受损面积的评估。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于遥感数据的火灾全过程监测方法，其特征在于，包括：
实时获取监测区域处的第一遥感数据，对所述第一遥感数据进行解析；
在解析出所述第一遥感数据中包含有温度异常区域时，由所述第一遥感数据中提取出所述温度异常区域，并基于所述温度异常区域对当前火灾蔓延趋势进行预测，得到相应的火灾蔓延趋势；
在解析出所述第一遥感数据中不存在所述温度异常区域时，基于所述第一遥感数据对当前监测区域处进行火灾预警处理，得到相应的火灾预警结果。
2.根据权利要求1所述的方法，其特征在于，对所述第一遥感数据进行解析时，采用目标识别网络模型进行所述温度异常区域的识别。
3.根据权利要求1所述的方法，其特征在于，基于所述温度异常区域对当前火灾蔓延趋势进行预测，得到相应的火灾蔓延趋势，包括：
基于所述温度异常区域确定当前发生火灾的位置数据；
根据当前发生火灾的位置数据，采集获取到所述位置数据所对应的火灾区域图像；
根据所述火灾区域图像，以火点为中心，综合所述火灾区域处的气象信息和地理信息，进行林火动态模拟，并根据动态模拟结果生成所述火灾蔓延趋势结果。
4.根据权利要求3所述的方法，其特征在于，以火点为中心，综合所述火灾区域处的气象信息和地理信息，进行林火动态模拟时，通过调用所述火灾区域处的电子地图，在所述电子地图上直接进行林火动态模拟。
5.根据权利要求1至4任一项所述的方法，其特征在于，基于所述第一遥感数据对当前监测区域处进行火灾预警处理，得到相应的火灾预警结果，包括：
基于所述第一遥感数据进行地物分类；
以对所述第一遥感数据进行地物分类的结果为依据进行可燃物分析，得到可燃物本底调查数据；
基于所述可燃物本底调查数据对所述监测区域进行网格划分，并基于网格划分结果进行火灾预警处理。
6.根据权利要求5所述的方法，其特征在于，以对所述第一遥感数据进行地物分类的结果为依据进行可燃物分析，包括对可燃物的类型、可燃物的空间分布和林分密度中的至少一种数据进行分析。
7.根据权利要求5所述的方法，其特征在于，基于网格划分结果进行火灾预警处理时，包括：
获取各网格区域处的第二遥感数据；
对所述第二遥感数据进行植被指数计算，并依据计算得到的植被指数生成植被覆盖度；
根据所述植被覆盖度得到植被可燃物含水率；
根据所述可燃物本底调查数据、所述植被可燃物含水率、以及地形要素和气象要素进行火险综合风险指数计算；
根据计算得到的火险综合风险指数进行火险等级预警。
8.根据权利要求1至4任一项所述的方法，其特征在于，在解析出所述第一遥感数据中包含有温度异常区域时，还包括：
获取所述温度异常区域处火灾前和火灾后的第一卫星遥感数据；
对所述火灾前的第一卫星遥感数据和火灾后的第一卫星遥感数据进行比对，识别出最终的火灾过火区；
基于识别出的所述火灾过火区进行灾后受损面积的评估。
9.根据权利要求8所述的方法，其特征在于，基于识别出的所述火灾过火区进行灾后受损面积的评估时，包括：
获取过火区边界；
基于所述过火区边界，利用所述火灾过火区对火灾后的第一卫星遥感数据进行掩膜处理，保留过火区影像；
计算得到所述过火区影像的归一化植被指数图，将所述归一化植被指数图按照预设灾害程度进行等级划分，得到不同级别的灾情区域，并将不同级别的灾情区域生成矢量以输出受灾程度分布矢量图；
利用所述过火区边界的矢量图、所述受灾程度分布矢量图，在GIS平台上，与建立的背景基础数据库和火场地面调查资料相结合，进行灾情统计分析。
10.一种基于遥感数据的火灾全过程监测装置，其特征在于，包括遥感数据解析模块、火灾蔓延趋势预测模块和火灾预警模块；
所述遥感数据解析模块，被配置为实时获取监测区域处的第一遥感数据，对第一遥感数据进行解析；
所述火灾蔓延趋势预测模块，被配置为在所述遥感数据解析模块解析出第一遥感数据中包含有温度异常区域时，由第一遥感数据中提取出温度异常区域，并基于温度异常区域对当前火灾蔓延趋势进行预测，得到相应的火灾蔓延趋势；
所述火灾预警模块，被配置为在所述遥感数据解析模块解析出第一遥感数据中不存在温度异常区域时，基于第一遥感数据对当前监测区域处进行火灾预警处理，得到相应的火灾预警结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111664769.XA CN114333207A (zh) | 2021-12-30 | 2021-12-30 | 基于遥感数据的火灾全过程监测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111664769.XA CN114333207A (zh) | 2021-12-30 | 2021-12-30 | 基于遥感数据的火灾全过程监测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114333207A true CN114333207A (zh) | 2022-04-12 |
Family
ID=81020800
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111664769.XA Pending CN114333207A (zh) | 2021-12-30 | 2021-12-30 | 基于遥感数据的火灾全过程监测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114333207A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114664048A (zh) * | 2022-05-26 | 2022-06-24 | 环球数科集团有限公司 | 一种基于卫星遥感监测的火情监测及火灾预警方法 |
| CN114758470A (zh) * | 2022-06-16 | 2022-07-15 | 张家港金典软件有限公司 | 一种基于消防工程的火灾预警方法及*** |
| CN116030354A (zh) * | 2023-03-29 | 2023-04-28 | 东华理工大学南昌校区 | 一种基于遥感数据融合的地质灾害分析方法及*** |
| CN116047546A (zh) * | 2022-07-07 | 2023-05-02 | 北京玖天气象科技有限公司 | 基于多源卫星数据的山火监测方法 |
| EP4283569A1 (en) * | 2022-05-26 | 2023-11-29 | Contec Co., Ltd. | Disaster response system using sattelite image |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103869767A (zh) * | 2012-12-07 | 2014-06-18 | 波音公司 | 森林传感器部署和监测*** |
| CN109785569A (zh) * | 2019-01-28 | 2019-05-21 | 中科光启空间信息技术有限公司 | 一种基于3s技术的森林火灾监测方法 |
| 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 |
| CN112216052A (zh) * | 2020-11-18 | 2021-01-12 | 北京航天泰坦科技股份有限公司 | 森林防火监测预警方法和装置及设备、存储介质 |
| CN113111518A (zh) * | 2021-04-15 | 2021-07-13 | 应急管理部四川消防研究所 | 一种基于物联网的火灾仿真处理方法 |
-
2021
- 2021-12-30 CN CN202111664769.XA patent/CN114333207A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103869767A (zh) * | 2012-12-07 | 2014-06-18 | 波音公司 | 森林传感器部署和监测*** |
| CN109785569A (zh) * | 2019-01-28 | 2019-05-21 | 中科光启空间信息技术有限公司 | 一种基于3s技术的森林火灾监测方法 |
| 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 |
| CN112216052A (zh) * | 2020-11-18 | 2021-01-12 | 北京航天泰坦科技股份有限公司 | 森林防火监测预警方法和装置及设备、存储介质 |
| CN113111518A (zh) * | 2021-04-15 | 2021-07-13 | 应急管理部四川消防研究所 | 一种基于物联网的火灾仿真处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈伟: "水利水电工程建设征地移民安置论文集", vol. 1, 30 June 2017, 中国水利水电出版社, pages: 42 - 44 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114664048A (zh) * | 2022-05-26 | 2022-06-24 | 环球数科集团有限公司 | 一种基于卫星遥感监测的火情监测及火灾预警方法 |
| EP4283569A1 (en) * | 2022-05-26 | 2023-11-29 | Contec Co., Ltd. | Disaster response system using sattelite image |
| CN114758470A (zh) * | 2022-06-16 | 2022-07-15 | 张家港金典软件有限公司 | 一种基于消防工程的火灾预警方法及*** |
| CN116047546A (zh) * | 2022-07-07 | 2023-05-02 | 北京玖天气象科技有限公司 | 基于多源卫星数据的山火监测方法 |
| CN116047546B (zh) * | 2022-07-07 | 2024-02-27 | 北京玖天气象科技有限公司 | 基于多源卫星数据的山火监测方法 |
| CN116030354A (zh) * | 2023-03-29 | 2023-04-28 | 东华理工大学南昌校区 | 一种基于遥感数据融合的地质灾害分析方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114333207A (zh) | 基于遥感数据的火灾全过程监测方法和装置 | |
| Gigović et al. | GIS multi-criteria analysis for identifying and mapping forest fire hazard: Nevesinje, Bosnia and Herzegovina | |
| Dong et al. | Forest fire risk zone mapping from satellite images and GIS for Baihe Forestry Bureau, Jilin, China | |
| CN114118677A (zh) | 基于物联网的尾矿库风险监测预警*** | |
| KR102108754B1 (ko) | 접근불능지역 실시간 산불위험예보시스템 | |
| KR102108752B1 (ko) | 접근불능지역 실시간 산불위험예보방법 | |
| Kucuk et al. | Visibility analysis of fire lookout towers in the Boyabat State Forest Enterprise in Turkey | |
| CN111860205A (zh) | 基于多源遥感影像和网格的森林火情评价方法及存储介质 | |
| CN116580532A (zh) | 一种基于雷达遥感技术的地质灾害预警*** | |
| Farhadi et al. | Badi: a novel burned area detection index for sentinel-2 imagery using *** earth engine platform | |
| Barrile et al. | Integrated GIS system for post-fire hazard assessments with remote sensing | |
| Yang et al. | Spatial layout siting method for fire stations based on comprehensive forest fire risk distribution | |
| Atesoglu | Forest fire hazard identifying. Mapping using satellite imagery-geographic information system and analytic hierarchy process: Bartin, Turkey | |
| Delparte | Avalanche Terrain Modeling in Glacier National Park, Canada | |
| Soundranayagam et al. | An analysis of land use pattern in the industrial development city using high resolution satellite imagery | |
| Nasanbat et al. | Wild fire risk map in the eastern steppe of Mongolia using spatial multi-criteria analysis | |
| Bisson et al. | LiDAR-based digital terrain analysis of an area exposed to the risk of lava flow invasion: the Zafferana Etnea territory, Mt. Etna (Italy) | |
| Maric et al. | Derivation of Wildfire Ignition Index using GIS-MCDA from High-Resolution UAV Imagery Data and Perception Analysis in Settlement Sali, Dugi Otok Island (Croatia). | |
| Caetano et al. | Fire risk mapping by integration of dynamic and structural variables | |
| Bilotta et al. | Wildfires: an application of remote sensing and OBIA | |
| Ahmed | Mapping the wildland-urban interfaces for forest fire prevention in the province of mila (Algeria) | |
| Tsidilina et al. | Developing a single system for comprehensive monitoring of catastrophic phenomena based on satellite and ground data | |
| Kumsa et al. | Applications of Geospatial Science and Technology in Disaster Risk Management. J Robot Auto Res, 3 (3), 270-281. 1Geospatial artificial intelligence researcher, Artificial In-telligence Institute of Ethiopia 2Machine Learning researcher | |
| Carrao et al. | Fire risk mapping using satellite imagery and ancillary data: toward operationality | |
| Novo Gómez et al. | Remote sensing approach to evaluate post-fire vegetation structure |
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 |