CN117993719A - 一种利用白三叶草预防森林火灾发生的方法 - Google Patents
一种利用白三叶草预防森林火灾发生的方法 Download PDFInfo
- Publication number
- CN117993719A CN117993719A CN202410223589.5A CN202410223589A CN117993719A CN 117993719 A CN117993719 A CN 117993719A CN 202410223589 A CN202410223589 A CN 202410223589A CN 117993719 A CN117993719 A CN 117993719A
- Authority
- CN
- China
- Prior art keywords
- fire
- area
- average
- ground
- temperature
- 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.)
- Granted
Links
- 244000042324 Trifolium repens Species 0.000 title claims abstract description 99
- 235000013540 Trifolium repens var repens Nutrition 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 72
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical class O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 29
- 238000010219 correlation analysis Methods 0.000 claims description 48
- 230000007613 environmental effect Effects 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000002265 prevention Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 229920006395 saturated elastomer Polymers 0.000 claims description 2
- 239000000126 substance Substances 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Fire Alarms (AREA)
Abstract
本发明提供一种利用白三叶草预防森林火灾发生的方法,涉及森林火灾预警技术领域,本发明通过对待预防火灾发生区域进行分子区域测量,并采集温度、湿度、风速、白三叶草面积,生成地面平均温度、离地平均温度、空气平均相对湿度、平均风速、平均饱和水汽压、离地平均湿度、白三叶草总密度等,生成白三叶草总评估系数、风速评估系数、相对湿度评估系数、温度评估系数,同时还生成了火灾整体发生等级系数,根据火灾整体发生等级系数对待预防火灾发生区域进行风险度等级定义,对待预防火灾发生区域进行发生等级预警,考虑因素全面,进一步的,还生成了火灾子发生等级系数,对子区域的火灾发生等级进行进一步评估。
Description
技术领域
本发明涉及森林火灾预警技术领域,具体为一种利用白三叶草预防森林火灾发生的方法。
背景技术
森林火灾是指在林地中爆发的大规模火灾,可能对生态***和人类社区造成严重的破坏。森林火灾的发生原因具有多样化、复杂性,包括不限于人为因素、气候因素等,在气候因素的影响中,包括温度、湿度、风速、降雨量等,在防护火灾的领域中,不仅有调控气候的方案,还有种植相关植物来影响森林环境的方案,其中选用白三叶草作为预防火灾发生的植物,白三叶草生长季节覆盖四季,受外界气候影响程度低,是一种适应性强的植物,能够在不同气候条件下生长,包括温带和寒带地区,同时还对土壤类型的适应性较强,可以生长在酸性到碱性的各种土壤中,因而其易于生长,白三叶草的含水量可以达到90%,大范围的种植白三叶草可以提高待预防火灾发生区域的相对湿度,降低待预防火灾发生区域的腐叶率,从而降低火灾发生的危险。
公开号为CN117152893B提供的一种森林防灾方法及***,包括以下步骤:应用深度学习算法与遥感技术,对森林中的热源、温度、湿度数据进行实时收集与分析,通过卷积神经网络识别森林中的异常温度分布,生成实时森林火险指数报告。本发明中,通过整合深度学习与遥感技术,可以实时捕获森林中的各种关键参数,大大提高了火灾早期预警的准确性,利用智能传感器网络和支持向量机方法对土壤水分与温度进行实时监测,使得对火险的评估更加全面,通过应用复杂的数据分析和挖掘技术,如K-means聚类和决策树,确保了综合灾害风险评估的全面性与深度,整合时间序列分析与多维数据分析,使得预警与响应更加及时,减少了因延迟导致的损失。其仅仅对森林中的热源、温度、湿度进行数据监测,而火灾发生影响的重要参数中还要包括风速、相对湿度、植被覆盖情况等,因而其综合模拟后生成的火灾灾害风险评估的准确性较差。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于提供一种利用白三叶草预防森林火灾发生的方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种利用白三叶草预防森林火灾发生的方法,具体步骤包括:
S1:将待预防火灾发生区域划分为n个面积相同的子区域,并对n个子区域进行编号;采集每个子区域内瞬时时刻的环境参数数据,所述环境参数数据包括子区域内的地面温度、离地温度、离地湿度和风速;
S2:获取待预防火灾发生区域的总面积,以及待预防火灾发生区域内种植白三叶草的总覆盖面积,以及各个子区域内种植白三叶草的子覆盖面积;
S3:对于n个子区域内的所述环境参数数据进行预处理,生成整体平均环境参数,所述整体平均环境参数包括地面平均温度、离地平均温度、空气平均相对湿度、离地平均湿度和平均风速,并对离地平均温度进行相关性分析,生成子区域内的平均饱和水汽压,结合平均饱和水汽压和离地平均湿度生成平均空气相对湿度;
S4:根据待预防火灾发生区域的总面积以及白三叶草的总覆盖面积,生成白三叶草总密度,并结合各个子区域内种植白三叶草的总覆盖面积生成各个子区域内的白三叶草的子覆盖面积;
S5:根据白三叶草总密度生成白三叶草总评估系数,根据风速、平均风速生成风速评估系数,根据离地湿度、空气平均相对湿度、平均饱和水汽压生成相对湿度评估系数,根据离地温度、地面温度、地面平均温度、离地平均温度生成温度评估系数,并根据白三叶草总评估系数、风速评估系数、相对湿度评估系数、温度评估系数拟合生成火灾整体发生等级系数;
S6、通过火灾整体发生等级系数对待预防火灾发生区域进行风险度等级定义,对于n个子区域内的所述环境参数数据进行预处理,根据离地温度进行相关性分析生成子饱和水汽压,并根据子饱和水汽压和离地湿度生成子离地相对湿度;
S7、根据子区域面积、白三叶草的子覆盖面积、风速、离地湿度、离地温度、地面温度、子离地相对湿度进行相关量分析,生成火灾子发生等级系数,根据火灾子发生等级系数评估子区域的火灾发生等级。
进一步地,所述S1中,通过温度传感器测量编号为i的子区域地面温度RDi和离地温度RLi,通过湿度传感器测量编号为i的子区域离地湿度ρi,通过风速传感器测量编号为i的子区域风速Fi。
进一步地,所述S2中,通过搭载高分辨率的影像传感器的无人机对待预防火灾发生区域进行航拍,利用影像处理技术对图像进行处理,获取白三叶草的总覆盖面积m、编号为i的白三叶草的子覆盖面积mi以及待预防火灾发生区域的总面积M。
进一步地,所述S3和S4中,对地面温度RDi进行相关性分析,得到地面平均温度所依据的公式为:
对离地温度RLi进行相关性分析,得到离地平均温度所依据的公式为:
对离地湿度ρi进行相关性分析,得到离地平均湿度所依据的公式为:
对风速Fi进行相关性分析,得到平均风速所依据的公式为:
对离地平均温度进行相关性分析,得到平均饱和水汽压/>所依据的公式为:
对平均饱和水汽压和离地平均湿度/>进行相关性分析,得到空气平均相对湿度所依据的公式为:
对预防火灾发生区域的总面积M和白三叶草的总覆盖面积m进行相关性分析,得到白三叶草总密度Cm,所依据的公式为:
进一步地,所述S5中,对白三叶草总密度Cm进行相关性分析,得到白三叶草总评估系数BX,所依据的公式为:
BX=δ*cos Cm
对风速Fi、平均风速进行相关性分析,得到风速评估系数FX,所依据的公式为:
对离地湿度ρi、空气平均相对湿度进行相关性分析,得到相对湿度评估系数RX,所依据的公式为:
对离地温度RLi、地面温度RDi、地面平均温度离地平均温度/>进行相关性分析,得到温度评估系数WD,所依据的公式为:
对白三叶草总评估系数、风速评估系数、相对湿度评估系数、温度评估系数进行拟合,得到火灾整体发生等级系数HF,所依据的公式为:
其中,δ、α、β、γ分别为白三叶草总密度因子、风速因子、湿度因子、温度因子,γ>δ>β>α;且δ、α、β、γ均大于0,e为自然常数。
进一步地,所述白三叶草总评估系数、风速评估系数、相对湿度评估系数、温度评估系数分别反映了白三叶草总密度、风速、相对湿度、温度对待预防火灾发生区域发生火灾概率的影响,火灾整体发生等级系数反映了待预防火灾发生区域整体火灾发生的风险度等级。
进一步地,所述S6中,当火灾整体发生等级系数HF大于0且小于等于1时,代表火灾发生等级为1级,表示火灾发生概率极低;
当火灾整体发生等级系数HF大于1且小于等于2时,代表火灾发生等级为2级,表示火灾发生概率较低;
当火灾整体发生等级系数HF大于2且小于等于3时,代表火灾发生等级为3级,表示火灾发生概率较高;
当火灾整体发生等级系数HF大于3时,代表火灾发生等级为4级,表示火灾发生概率极高。
进一步地,所述S7中,对离地温度RLi进行相关性分析,得到子饱和水汽压Ei,所依据的公式为
对子饱和水汽压Ei和离地湿度RLi进行相关性分析,得到子离地相对湿度RHi,所依据的公式为:
进一步地,对S8所述的子区域面积C、白三叶草的子覆盖面积mi、风速Fi、离地温度RLi、地面温度RDi、子离地相对湿度RHi进行相关性分析,得到反应子区域火灾反应等级的火灾子发生等级系数HFi,所依据的公式为
其中,ε表示火灾发生因子,ε的取值范围为[1,26];
当火灾子发生等级系数HFi大于0且小于等于1时,代表火灾发生等级为1级,表示火灾发生概率极低;
当火灾子发生等级系数HFi大于1且小于等于2时,代表火灾发生等级为2级,表示火灾发生概率较低;
当火灾子发生等级系数HFi大于2且小于等于3时,代表火灾发生等级为3级,表示火灾发生概率较高;
当火灾子发生等级系数HFi大于3时,代表火灾发生等级为4级,表示火灾发生概率极高。
与现有技术相比,本发明的有益效果是:
本发明通过对待预防火灾发生区域进行分子区域测量,并采集温度、湿度、风速、白三叶草面积,根据采集的数据进行数据处理生成地面平均温度、离地平均温度、空气平均相对湿度、平均风速、平均饱和水汽压、离地平均湿度、白三叶草总密度等,生成白三叶草总评估系数、风速评估系数、相对湿度评估系数、温度评估系数,这些系数准确的反映了白三叶草总密度、风速、相对湿度、温度对待预防火灾发生区域发生火灾概率的影响,同时还生成了火灾整体发生等级系数,根据火灾整体发生等级系数对待预防火灾发生区域进行风险度等级定义,对待预防火灾发生区域进行发生等级预警,从而选择对应措施来针对化处理,考虑因素全面,火灾整体发生等级系数准确,进一步的,还生成了火灾子发生等级系数,用于对子区域的火灾发生等级进行进一步评估,并进行针对性处理。
附图说明
图1为本发明整体方法流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”“下”“左”“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
实施例:
请参阅图1,本发明提供一种技术方案:
一种利用白三叶草预防森林火灾发生的方法,具体步骤包括:
将待预防火灾发生区域划分为n个面积相同的子区域,并对n个子区域进行编号;测量点位于待预防火灾发生区域地面或离地,针对地面温度测量时,采用地面的测量点,其他因素采集时,采用空中测量点,空中测量点高度为地面以上20cm-180cm;
采集每个子区域内瞬时时刻的环境参数数据,环境参数数据包括子区域内的地面温度、离地温度、离地湿度和风速;综合考虑火灾影响因素,其中重要参数有温度、湿度、风速,因而采集待预防火灾发生区域的子区域的地面温度RDi、离地温度RLi、离地湿度ρi、风速Fi,其中下标i的含义为子区域的编号,取值范围为1、2、3、……、n,分别对应编号为i的子区域的地面温度、离地温度、离地湿度、风速;在采集过程实施中,通过温度传感器测量地面温度RDi和离地温度RLi,通过湿度传感器测量离地湿度ρi,通过风速传感器测量风速Fi;
获取待预防火灾发生区域的总面积,以及待预防火灾发生区域内种植白三叶草的总覆盖面积,以及编号为i的子区域内种植白三叶草的子覆盖面积mi;在待预防火灾发生区域内种植白三叶草,白三叶草生长季节覆盖四季,受外界气候影响程度低,白三叶草是一种适应性强的植物,能够在不同气候条件下生长,包括温带和寒带地区,同时还对土壤类型的适应性较强,可以生长在酸性到碱性的各种土壤中,因而其易于生长,白三叶草的含水量可以达到90%,大范围的种植白三叶草可以提高待预防火灾发生区域的相对湿度,降低待预防火灾发生区域的腐叶率,从而降低火灾发生的危险,通过搭载高分辨率的影像传感器的无人机对待预防火灾发生区域进行航拍,利用影像处理技术对图像进行处理,计算白三叶草的总覆盖面积m,以及待预防火灾发生区域面积M;
对于n个子区域内的环境参数数据进行预处理,生成整体平均环境参数,整体平均环境参数包括地面平均温度、离地平均温度、空气平均相对湿度、离地平均湿度和平均风速,并对离地平均温度进行相关性分析,生成子区域内的平均饱和水汽压,结合平均饱和水汽压和离地平均湿度生成平均空气相对湿度;
对地面温度RDi进行相关性分析,得到地面平均温度所依据的公式为:
对离地温度RLi进行相关性分析,得到离地平均温度所依据的公式为:
对离地湿度ρi进行相关性分析,得到离地平均湿度所依据的公式为:
对风速Fi进行相关性分析,得到平均风速所依据的公式为:
对离地平均温度进行相关性分析,得到平均饱和水汽压/>所依据的公式为:
对平均饱和水汽压和离地平均湿度/>进行相关性分析,得到空气平均相对湿度所依据的公式为:
根据待预防火灾发生区域的总面积以及白三叶草的总覆盖面积,生成白三叶草总密度,并结合各个子区域内种植白三叶草的总覆盖面积生成各个子区域内的白三叶草的子覆盖面积;对预防火灾发生区域的总面积M和白三叶草的总覆盖面积m进行相关性分析,得到白三叶草总密度Cm,所依据的公式为:
根据白三叶草总密度生成白三叶草总评估系数,根据风速、平均风速生成风速评估系数,根据离地湿度、空气平均相对湿度、平均饱和水汽压生成相对湿度评估系数,根据离地温度、地面温度、地面平均温度、离地平均温度生成温度评估系数,并根据白三叶草总评估系数、风速评估系数、相对湿度评估系数、温度评估系数拟合生成火灾整体发生等级系数;
对白三叶草总密度Cm进行相关性分析,得到白三叶草总评估系数BX,所依据的公式为:
BX=δ*cos Cm
对风速Fi、平均风速进行相关性分析,得到风速评估系数FX,所依据的公式为:
对离地湿度ρi、空气平均相对湿度进行相关性分析,得到相对湿度评估系数RX,所依据的公式为:
对离地温度RLi、地面温度RDi、地面平均温度离地平均温度/>进行相关性分析,得到温度评估系数WD,所依据的公式为:
对白三叶草总评估系数、风速评估系数、相对湿度评估系数、温度评估系数进行拟合,得到火灾整体发生等级系数HF,所依据的公式为:
其中,δ、α、β、γ分别为白三叶草总密度因子、风速因子、湿度因子、温度因子,γ>δ>β>α;且δ、α、β、γ均大于0,e为自然常数。
白三叶草总评估系数、风速评估系数、相对湿度评估系数、温度评估系数分别反映了白三叶草总密度、风速、相对湿度、温度对待预防火灾发生区域发生火灾概率的影响。其中,各个子区域的风速、平均风速决定了风速评估系数FX的大小,风速评估系数FX越大则越容易产生火灾;离地湿度、空气平均相对湿度决定了湿度评估系数RX的数值大小,离地湿度、空气平均相对湿度越大则湿度评估系数RX越大,火灾越难以发生;离地温度、地面温度、地面平均温度、离地平均温度决定了温度评估系数WD数值大小,温度评估系数WD越大,表示温度越高、温度越离散,火灾发生概率越大;白三叶草总密度越趋近于1,表示白三叶草密度越高,白三叶草总评估系数BX数值则越小,火灾产生概率越小。火灾整体发生等级系数反映了待预防火灾发生区域整体火灾发生的风险度等级。
通过火灾整体发生等级系数HF对待预防火灾发生区域进行风险度等级定义;
当火灾整体发生等级系数HF大于0且小于等于1时,代表火灾发生等级为1级,表示火灾发生概率极低,可以维持当前条件对待预防火灾发生区域进行持续监测;
当火灾整体发生等级系数HF大于1且小于等于2时,代表火灾发生等级为2级,表示火灾发生概率较低,可以继续对待预防火灾发生区域进行持续监测,可以采取人工定期清理待预防火灾发生区域内的枯落物、落叶等易燃物质,降低火灾发生概率;
当火灾整体发生等级系数HF大于2且小于等于3时,代表火灾发生等级为3级,表示火灾发生概率较高,在采取持续监测、人工定期清理待预防火灾发生区域内的枯落物、落叶等易燃物质的基础上,可以采用人工降雨手段来降低待预防火灾发生区域的温度、提高待预防火灾发生区域的相对湿度,降低火灾发生概率;
当火灾整体发生等级系数HF大于3时,代表火灾发生等级为4级,表示火灾发生概率极高,在采取持续监测、人工定期清理待预防火灾发生区域内的枯落物、落叶等易燃物质、人工降雨的基础上,可以对待预防火灾发生区域设置防火道路和隔离带,在森林周边设置宽阔的防火道路和隔离带,以阻止火势蔓延到其他易燃区域。
对于n个子区域内的环境参数数据进行预处理,根据离地温度进行相关性分析生成子饱和水汽压,并根据子饱和水汽压和离地湿度生成子离地相对湿度;
对离地温度RLi进行相关性分析,得到子饱和水汽压Ei,所依据的公式为
对子饱和水汽压Ei和离地湿度RLi进行相关性分析,得到子离地相对湿度RHi,所依据的公式为
根据子区域面积、白三叶草的子覆盖面积、风速、离地湿度、离地温度、地面温度、子离地相对湿度进行相关量分析,生成火灾子发生等级系数,根据火灾子发生等级系数评估子区域的火灾发生等级;
其中,的子区域面积C、白三叶草的子覆盖面积mi、风速Fi、离地温度RLi、地面温度RDi、子离地相对湿度RHi进行相关性分析,生成编号为i的子区域的火灾子发生等级系数HFi:
火灾子发生等级系数HFi反应了子区域内的火灾发生等级高低;
其中,ε表示火灾发生因子,ε的取值范围为[1,26];
当火灾子发生等级系数HFi大于0且小于等于1时,代表火灾发生等级为1级,表示火灾发生概率极低,可以维持当前条件对待预防火灾发生区域的子区域进行持续监测;
当火灾子发生等级系数HFi大于1且小于等于2时,代表火灾发生等级为2级,表示火灾发生概率较低,可以继续对待预防火灾发生区域的子区域进行持续监测,可以采取人工定期清理待预防火灾发生区域的子区域内的枯落物、落叶等易燃物质,降低火灾发生概率;
当火灾子发生等级系数HFi大于2且小于等于3时,代表火灾发生等级为3级,表示火灾发生概率较高,在采取持续监测、人工定期清理待预防火灾发生区域内的枯落物、落叶等易燃物质的基础上,可以采用人工降雨手段来降低待预防火灾发生区域的子区域温度、提高待预防火灾发生区域的相对湿度,降低火灾发生概率;
当火灾子发生等级系数HFi大于3时,代表火灾发生等级为4级,表示火灾发生概率极高,在采取持续监测、人工定期清理待预防火灾发生区域的子区域内的枯落物、落叶等易燃物质、人工降雨的基础上,可以对待预防火灾发生区域的子区域设置防火道路和隔离带以阻止火势蔓延到其他易燃区域。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够、电子硬件,或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方法来执行,取决于技术方案的特定应用和设计约束条件。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (9)
1.一种利用白三叶草预防森林火灾发生的方法,其特征在于,具体步骤包括:
S1:将待预防火灾发生区域划分为n个面积相同的子区域,并对n个子区域进行编号;采集每个子区域内瞬时时刻的环境参数数据,所述环境参数数据包括子区域内的地面温度、离地温度、离地湿度和风速;
S2:获取待预防火灾发生区域的总面积,以及待预防火灾发生区域内种植白三叶草的总覆盖面积,以及各个子区域内种植白三叶草的子覆盖面积;
S3:对于n个子区域内的所述环境参数数据进行预处理,生成整体平均环境参数,所述整体平均环境参数包括地面平均温度、离地平均温度、空气平均相对湿度、离地平均湿度和平均风速,并对离地平均温度进行相关性分析,生成子区域内的平均饱和水汽压,结合平均饱和水汽压和离地平均湿度生成平均空气相对湿度;
S4:根据待预防火灾发生区域的总面积以及白三叶草的总覆盖面积,生成白三叶草总密度,并结合各个子区域内种植白三叶草的总覆盖面积生成各个子区域内的白三叶草的子覆盖面积;
S5:根据白三叶草总密度生成白三叶草总评估系数,根据风速、平均风速生成风速评估系数,根据离地湿度、空气平均相对湿度、平均饱和水汽压生成相对湿度评估系数,根据离地温度、地面温度、地面平均温度、离地平均温度生成温度评估系数,并根据白三叶草总评估系数、风速评估系数、相对湿度评估系数、温度评估系数拟合生成火灾整体发生等级系数;
S6、通过火灾整体发生等级系数对待预防火灾发生区域进行风险度等级定义,对于n个子区域内的所述环境参数数据进行预处理,根据离地温度进行相关性分析生成子饱和水汽压,并根据子饱和水汽压和离地湿度生成子离地相对湿度;
S7、根据子区域面积、白三叶草的子覆盖面积、风速、离地湿度、离地温度、地面温度、子离地相对湿度进行相关量分析,生成火灾子发生等级系数,根据火灾子发生等级系数评估子区域的火灾发生等级。
2.根据权利要求1所述的一种利用白三叶草预防森林火灾发生的方法,其特征在于:所述S1中,通过温度传感器测量编号为i的子区域地面温度RDi和离地温度RLi,通过湿度传感器测量编号为i的子区域离地湿度ρi,通过风速传感器测量编号为i的子区域风速Fi。
3.根据权利要求1所述的一种利用白三叶草预防森林火灾发生的方法,其特征在于:所述S2中,通过搭载高分辨率的影像传感器的无人机对待预防火灾发生区域进行航拍,利用影像处理技术对图像进行处理,获取白三叶草的总覆盖面积m、编号为i的白三叶草的子覆盖面积mi以及待预防火灾发生区域的总面积M。
4.根据权利要求2所述的一种利用白三叶草预防森林火灾发生的方法,其特征在于:所述S3和S4中,对地面温度RDi进行相关性分析,得到地面平均温度所依据的公式为:
对离地温度RLi进行相关性分析,得到离地平均温度所依据的公式为:
对离地湿度ρi进行相关性分析,得到离地平均湿度所依据的公式为:
对风速Fi进行相关性分析,得到平均风速所依据的公式为:
对离地平均温度进行相关性分析,得到平均饱和水汽压/>所依据的公式为:
对平均饱和水汽压和离地平均湿度/>进行相关性分析,得到空气平均相对湿度/>所依据的公式为:
对预防火灾发生区域的总面积M和白三叶草的总覆盖面积m进行相关性分析,得到白三叶草总密度Cm,所依据的公式为:
5.根据权利要求4所述的一种利用白三叶草预防森林火灾发生的方法,其特征在于:所述S5中,对白三叶草总密度Cm进行相关性分析,得到白三叶草总评估系数BX,所依据的公式为:
BX=δ*cosCm
对风速Fi、平均风速进行相关性分析,得到风速评估系数FX,所依据的公式为:
对离地湿度ρi、空气平均相对湿度进行相关性分析,得到相对湿度评估系数RX,所依据的公式为:
对离地温度RLi、地面温度RDi、地面平均温度离地平均温度/>进行相关性分析,得到温度评估系数WD,所依据的公式为:
对白三叶草总评估系数、风速评估系数、相对湿度评估系数、温度评估系数进行拟合,得到火灾整体发生等级系数HF,所依据的公式为:
其中,δ、α、β、γ分别为白三叶草总密度因子、风速因子、湿度因子、温度因子,γ>δ>β>α;且δ、α、β、γ均大于0,e为自然常数。
6.根据权利要求5所述的一种利用白三叶草预防森林火灾发生的方法,其特征在于:所述白三叶草总评估系数、风速评估系数、相对湿度评估系数、温度评估系数分别反映了白三叶草总密度、风速、相对湿度、温度对待预防火灾发生区域发生火灾概率的影响,火灾整体发生等级系数反映了待预防火灾发生区域整体火灾发生的风险度等级。
7.根据权利要求1所述的一种利用白三叶草预防森林火灾发生的方法,其特征在于:所述S6中,当火灾整体发生等级系数HF大于0且小于等于1时,代表火灾发生等级为1级,表示火灾发生概率极低;
当火灾整体发生等级系数HF大于1且小于等于2时,代表火灾发生等级为2级,表示火灾发生概率较低;
当火灾整体发生等级系数HF大于2且小于等于3时,代表火灾发生等级为3级,表示火灾发生概率较高;
当火灾整体发生等级系数HF大于3时,代表火灾发生等级为4级,表示火灾发生概率极高。
8.根据权利要求1所述的一种利用白三叶草预防森林火灾发生的方法,其特征在于:所述S7中,对离地温度RLi进行相关性分析,得到子饱和水汽压Ei,所依据的公式为
对子饱和水汽压Ei和离地湿度RLi进行相关性分析,得到子离地相对湿度RHi,所依据的公式为:
9.根据权利要求8所述的一种利用白三叶草预防森林火灾发生的方法,其特征在于:对S8所述的子区域面积C、白三叶草的子覆盖面积mi、风速Fi、离地温度RLi、地面温度RDi、子离地相对湿度RHi进行相关性分析,得到反应子区域火灾反应等级的火灾子发生等级系数HFi,所依据的公式为
其中,ε表示火灾发生因子,ε的取值范围为[1,26];
当火灾子发生等级系数HFi大于0且小于等于1时,代表火灾发生等级为1级,表示火灾发生概率极低;
当火灾子发生等级系数HFi大于1且小于等于2时,代表火灾发生等级为2级,表示火灾发生概率较低;
当火灾子发生等级系数HFi大于2且小于等于3时,代表火灾发生等级为3级,表示火灾发生概率较高;
当火灾子发生等级系数HFi大于3时,代表火灾发生等级为4级,表示火灾发生概率极高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410223589.5A CN117993719B (zh) | 2024-02-29 | 2024-02-29 | 一种利用白三叶草预防森林火灾发生的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410223589.5A CN117993719B (zh) | 2024-02-29 | 2024-02-29 | 一种利用白三叶草预防森林火灾发生的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117993719A true CN117993719A (zh) | 2024-05-07 |
CN117993719B CN117993719B (zh) | 2024-06-25 |
Family
ID=90887331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410223589.5A Active CN117993719B (zh) | 2024-02-29 | 2024-02-29 | 一种利用白三叶草预防森林火灾发生的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117993719B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111930049A (zh) * | 2020-08-21 | 2020-11-13 | 广州立信电子科技有限公司 | 一种基于物联网的林业森林防火安全智能监测管理*** |
CN112712275A (zh) * | 2021-01-07 | 2021-04-27 | 南京大学 | 基于Maxent和GIS的森林火灾风险评估方法 |
KR20220102329A (ko) * | 2021-01-13 | 2022-07-20 | 대한민국(산림청 국립산림과학원장) | 산불 위험 계절 예보 장치 및 방법 |
WO2023200029A1 (ko) * | 2022-04-14 | 2023-10-19 | 대한민국(산림청 국립산림과학원장) | 산불 위험 예측 모델에 의한 산불 위험 지수 제공 장치 및 방법 |
-
2024
- 2024-02-29 CN CN202410223589.5A patent/CN117993719B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111930049A (zh) * | 2020-08-21 | 2020-11-13 | 广州立信电子科技有限公司 | 一种基于物联网的林业森林防火安全智能监测管理*** |
CN112712275A (zh) * | 2021-01-07 | 2021-04-27 | 南京大学 | 基于Maxent和GIS的森林火灾风险评估方法 |
KR20220102329A (ko) * | 2021-01-13 | 2022-07-20 | 대한민국(산림청 국립산림과학원장) | 산불 위험 계절 예보 장치 및 방법 |
WO2023200029A1 (ko) * | 2022-04-14 | 2023-10-19 | 대한민국(산림청 국립산림과학원장) | 산불 위험 예측 모델에 의한 산불 위험 지수 제공 장치 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
CN117993719B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | Effects and contributions of meteorological drought on agricultural drought under different climatic zones and vegetation types in Northwest China | |
Zhang et al. | Drought-induced vegetation stress in southwestern North America | |
Liu et al. | Combined effects of climate and land management on watershed vegetation dynamics in an arid environment | |
KR101651747B1 (ko) | 농업가뭄지수 도출 시스템 및 이를 이용한 농업가뭄지수 도출 방법 | |
Chen et al. | Spatio-temporal pattern of net primary productivity in Hengduan Mountains area, China: Impacts of climate change and human activities | |
CN109710598B (zh) | 一种基于农作物的气象指数保险***及其实现方法 | |
CN116738766B (zh) | 基于数字孪生的智慧农业线上产业化服务*** | |
Li et al. | Did ecological engineering projects have a significant effect on large-scale vegetation restoration in Beijing-Tianjin Sand Source Region, China? A remote sensing approach | |
CN117147007B (zh) | 一种设施农业低温冷害预报*** | |
Ford et al. | Evaluating soil moisture–precipitation interactions using remote sensing: A sensitivity analysis | |
CN115953085B (zh) | 一种评估复合干热事件对植被生长影响的方法 | |
Shahzad et al. | Spatio-temporal variations in trends of vegetation and drought changes in relation to climate variability from 1982 to 2019 based on remote sensing data from East Asia | |
CN108765906A (zh) | 一种农业干旱监测与预警预报方法 | |
CN117172959B (zh) | 一种林业生态环境监测***及方法 | |
CN117993719B (zh) | 一种利用白三叶草预防森林火灾发生的方法 | |
Bhatti et al. | Crop response to thermal stress without yield loss in irrigated maize and soybean in Nebraska | |
Zhao et al. | The performance of SPEI integrated remote sensing data for monitoring agricultural drought in the North China Plain | |
Lee et al. | Use of an empirical model to estimate leaf wetness duration for operation of a disease warning system under a shade in a ginseng field | |
Park et al. | Understanding IoT climate data based predictive model for outdoor smart farm | |
Giesler et al. | A site-specific sensor for measuring leaf wetness duration within turfgrass canopies | |
CN114167522B (zh) | 一种用于智慧城市高层建筑的风场监测与校正*** | |
CN115420688A (zh) | 一种基于物联网的农业灾害信息遥感提取损失评估方法 | |
Laurence et al. | Estimation of the spatial pattern of surface relative humidity using ground based radar measurements and its application to disease risk assessment | |
Suwanlee et al. | DROUGHT MONITORING FROM 2001–2019 IN NORTHEAST THAILAND USING MODIS NDVI IMAGE TIME SERIES AND Savitzky-Golay APPROACH | |
Kim et al. | Prediction of disease risk using sitespecific estimates of weather variables |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |