一种基于深度学习的密集通道山火蔓延行为预测算法的制作方法

1.本发明涉及深度学习技术领域，尤其涉及一种基于深度学习的密集通道山火蔓延行为预测算法。


背景技术：

2.森林不仅是人类赖以生存的重要资源，同时是维护生态系统平衡的主要组成部分。目前，随着频繁的人类自然活动加剧，以及各种恶劣的自然气候因素不断出现，使森林火灾频繁发生，给人们的生产生活带来了巨大的损失。而一旦火情出现，及时的扑救与正确的决策就显得尤为重要，扑救是否及时、决策是否得当，很大一部分因素取决于对林火行为的分析是否合理和准确，因此，对林火行为的分析、研究和模拟等三方面的分析就显得尤为重要。
3.森林火灾是林业生产的重大灾害之一，及时的火险预警在林业生产中具有十分重大的意义。森林火险预警包括火情发现与观察，火险预测报告和林火扑救组织等。在gis中，结合森林资源图和地形图，提供合适的观察点和有效的观察控制区域，达到最大的观察范围，及时对火险进行预报。另外森林火灾往往具有突发性的特点，这就需要森林扑火工作应该具备快速反应的能力，争取把森林火灾扑灭在萌芽状态，可以及时地查出火灾发生的地点、分析最近水源分布等情况，节省了大量的宝贵时间，大幅度地减少了火灾损失，节约了人力、物力和财力。因此森林防火指挥系统的快速、准确、高效有效地组织森林扑火显得尤为重要。因此，我们提出一种基于深度学习的密集通道山火蔓延行为预测算法。


技术实现要素：

4.本发明的目的是解决现有技术蔓延行为预测准确率低导致山火蔓延，无法及时预测导致经济损失增加、消防救援难度增加、危险性高等问题，而提出的一种基于深度学习的密集通道山火蔓延行为预测算法。
5.为了实现上述目的，本发明采用了如下技术方案：
6.一种基于深度学习的密集通道山火蔓延行为预测算法，包括以下步骤：
7.s1：采用多模型预测，输出相关的火场状态数据，综合数据库储存动态火场数据，使用数据完全匹配和部分匹配检索数据；
8.s2：基于双椭圆模型，点火源扩展火场的双椭圆假设，结合速度作为模型的构型基础；
9.s3：采用森林火灾元胞自动机模型，定义在正方形网格上，引入邻居元胞着火概率，计算其邻居着火概率；
10.s4：采用小型气象站，对风速、风向气象要素进行全天候现场监测；
11.s5：结合使用卷积神经网络(cnn)的山火蔓延行为预测，获取高分辨率的卫星图像和气象数据作为训练数据；
12.s6：根据历史卫星监测热点密度来预测未来同期热点密度，通过对新数据进行预
测，预测山火现场的蔓延情况。
13.优选的，所述s1中，采用多模型预测，系统主要由5部分组成：接口、综合数据库、知识库、推理机构和模型库；该系统将整个林火蔓延过程看作以时间为前提、各种状态参量为自变量的连续函数，利用任意时刻的林火蔓延位置，将时间前提与状态参量经过推理机构计算、输出的一个与时间相关的火场状态数据。
14.优选的，所述s1中，综合数据库是用来储存整个预测过程中所使用的动态火场数据、动态气象数据和计算推理过程的中间解，它由4个结构体构成：包括从接口读入所有数据、林火蔓延着火点动态数据、动态气象数据和林火蔓延计算火场综合数据；在数据检索上使用数据完全匹配和部分匹配的方式。
15.优选的，所述s2中，基于双椭圆模型，点火源扩展火场的双椭圆假设，结合上坡、下坡、左平坡和右平坡4个速度作为模型的构型基础，采用矢量叠加的方法，系统中使用林火蔓延模型，当无风时，可燃性挥发物和燃烧产物垂直上升，各边火焰产生的热量互不影响；在风的影响下，下风边的热量吹到上风边，上风边燃烧得更剧烈；风增加燃烧区内的空气，火焰温度降低；火焰被风吹后发生变化，加大火焰长度，加剧辐射和对流传热作用，火燃烧得更加旺盛；无风时火场的性状呈圆形，有风时火场的性状呈椭圆形，长轴方向顺着风的方向。
16.优选的，所述s3中，采用森林火灾元胞自动机模型，森林火灾元胞自动机模型定义在正方形网格上，元胞有三种状态：树(未燃烧的树)，火(正在燃烧的树)和空(空地)状态，元胞下一时刻状态的更新规则如下：若某元胞的状态为“树”，且其最邻近的4个邻居元胞中有状态为“火”，则该元胞下一时刻的状态由“树”变为“火”，用以模拟火势的蔓延；状态为“树”的元胞也会以一个低概率变为“火”，用以模拟闪电引起的火灾；烧尽状态为“火”的元胞，其状态在下一时刻将变成“空”，用以模拟着火的树经过一定时间后被烧完；新生状态为“空”的元胞，在下一时刻以一个低概率变为“树”，用以模拟新树的长出。
17.优选的，所述s3中，引入邻居元胞着火概率，对于经典森林火灾元胞自动机，计算其邻居着火概率，即中间元胞状态为“火”，则下一时刻上、下、左、右四个邻居着火的概率均为1，将斜对角的四个元胞也作为邻居，在考虑风的作用时，将顺风方向上的邻居着火概率加大，逆风方向上的邻居着火概率减小，设置一个元胞空间进行对比，初始时刻所有元胞的状态全为“树”，并从最中间元胞开始点火。
18.优选的，所述s4中，采用小型气象站，用于对风速、风向、雨量、空气温度、空气湿度、土壤温度、大气压力气象要素进行全天候现场监测，通过无线通讯将数据传送至云平台，数据采集通讯线与计算机进行连接，将数据传输到计算机数据库中，用于统计分析和处理。
19.优选的，所述s5中，结合使用卷积神经网络(cnn)的山火蔓延行为预测，获取高分辨率的卫星图像和气象数据作为训练数据，卫星图像提供火点的位置和热量分布情况，气象数据提供温度、湿度、风向风速影响因素。
20.优选的，所述s6中，设将预测区域划分为γ
×
γ经纬度的网格，预测每个网格内未来火点数，得未来山火发生密度；在相似的天气、下垫面特征条件下，根据历史卫星监测热点密度来预测未来同期热点密度；根据卫星监测热点数，按时间区段计算目标区域的热点数目，并由目标区域面积、时间段天数计算出各时间段目标区域日均热点密度ρ，设目标区
域面积为s，预警时段为d天，热点计算年数为y年，热点总数为n个，则日均热点密度
21.ρ＝n/(sdy)
22.根据ρ将热点数分为热点多与热点少两个级别，作为山火预警卫星监测热点因子h取值，其中1代表热点多，0代表热点少，日均热点密度为5时，为中等热点密度，取ρ≥5代表热点多，否则代表热点少。
23.优选的，所述s6中，借助于深度学习模型，从卫星图像中识别出结构，使用cnn模型对这些数据进行训练，cnn模型包含多个卷积层和池化层，用于提取图像和气象数据中的特征，并将这些特征输入到全连接层中回归预测，通过对新数据进行预测，预测山火现场的蔓延情况，并及时进行应对措施。
24.本发明的有益效果为：
25.1、以某着火点为起始，系统综合风力风向等气象因素，可以分别计算出设定时间内的林火蔓延情况，并提示蔓延推演结果的可信率。
26.2、系统通过输入数据信息查询报表信息并在地图上地位；也可以在地图上通过点击右键等方式查询森林资源、各类报表以及图片、影像和实时视频监控信息。
27.本发明的目的是采用小型气象站火灾和卫星气象数据，气象监测中采集、通信、指挥等方面的发展趋势，进行天地一体化森林防火监测体系建设，基于双椭圆模型，结合深度学习模型，得出的预测结果准确率大大提升，结合当时风速风向等气象信息，预测山火走势和蔓延速度，可视化林火蔓延模型，最大限度地减少森林火灾造成的损失，为协调消防资源提供依据，及时防止山火外扩，大大减少经济损失和人员伤亡，提高消防抢救效率和安全性。
附图说明
28.图1是本发明提出的一种基于深度学习的密集通道山火蔓延行为预测算法的流程示意图。
具体实施方式
29.下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
30.实施例一
31.参照图1，一种基于深度学习的密集通道山火蔓延行为预测算法，包括如下步骤：
32.s1：采用多模型预测，输出相关的火场状态数据，综合数据库储存动态火场数据，使用数据完全匹配和部分匹配检索数据；
33.s2：基于双椭圆模型，点火源扩展火场的双椭圆假设，结合速度作为模型的构型基础；
34.s3：采用森林火灾元胞自动机模型，定义在正方形网格上，引入邻居元胞着火概率，计算其邻居着火概率；
35.s4：采用小型气象站，对风速、风向气象要素进行全天候现场监测；
36.s5：结合使用卷积神经网络(cnn)的山火蔓延行为预测，获取高分辨率的卫星图像和气象数据作为训练数据；
37.s6：根据历史卫星监测热点密度来预测未来同期热点密度，通过对新数据进行预测，预测山火现场的蔓延情况。
38.本实施例中，采用多模型预测，系统主要由5部分组成：接口、综合数据库、知识库、推理机构和模型库；该系统将整个林火蔓延过程看作以时间为前提、各种状态参量为自变量的连续函数，利用任意时刻的林火蔓延位置，将时间前提与状态参量经过推理机构计算、输出的一个与时间相关的火场状态数据。
39.本实施例中，综合数据库是用来储存整个预测过程中所使用的动态火场数据、动态气象数据和计算推理过程的中间解，它由4个结构体构成：包括从接口读入所有数据、林火蔓延着火点动态数据、动态气象数据和林火蔓延计算火场综合数据；在数据检索上使用数据完全匹配和部分匹配的方式。
40.本实施例中，基于双椭圆模型，点火源扩展火场的双椭圆假设，结合上坡、下坡、左平坡和右平坡4个速度作为模型的构型基础，采用矢量叠加的方法，系统中使用林火蔓延模型，当无风时，可燃性挥发物和燃烧产物垂直上升，各边火焰产生的热量互不影响；在风的影响下，下风边的热量吹到上风边，上风边燃烧得更剧烈；风增加燃烧区内的空气，火焰温度降低；火焰被风吹后发生变化，加大火焰长度，加剧辐射和对流传热作用，火燃烧得更加旺盛；无风时火场的性状呈圆形，有风时火场的性状呈椭圆形，长轴方向顺着风的方向。
41.本实施例中，采用森林火灾元胞自动机模型，森林火灾元胞自动机模型定义在正方形网格上，元胞有三种状态：树(未燃烧的树)，火(正在燃烧的树)和空(空地)状态，元胞下一时刻状态的更新规则如下：若某元胞的状态为“树”，且其最邻近的4个邻居元胞中有状态为“火”，则该元胞下一时刻的状态由“树”变为“火”，用以模拟火势的蔓延；状态为“树”的元胞也会以一个低概率变为“火”，用以模拟闪电引起的火灾；烧尽状态为“火”的元胞，其状态在下一时刻将变成“空”，用以模拟着火的树经过一定时间后被烧完；新生状态为“空”的元胞，在下一时刻以一个低概率变为“树”，用以模拟新树的长出。
42.本实施例中，引入邻居元胞着火概率，对于经典森林火灾元胞自动机，计算其邻居着火概率，即中间元胞状态为“火”，则下一时刻上、下、左、右四个邻居着火的概率均为1，将斜对角的四个元胞也作为邻居，在考虑风的作用时，将顺风方向上的邻居着火概率加大，逆风方向上的邻居着火概率减小，设置一个元胞空间进行对比，初始时刻所有元胞的状态全为“树”，并从最中间元胞开始点火。
43.本实施例中，采用小型气象站，用于对风速、风向、雨量、空气温度、空气湿度、土壤温度、大气压力气象要素进行全天候现场监测，通过无线通讯将数据传送至云平台，数据采集通讯线与计算机进行连接，将数据传输到计算机数据库中，用于统计分析和处理。
44.本实施例中，结合使用卷积神经网络(cnn)的山火蔓延行为预测，获取高分辨率的卫星图像和气象数据作为训练数据，卫星图像提供火点的位置和热量分布情况，气象数据提供温度、湿度、风向风速影响因素。
45.本实施例中，设将预测区域划分为γ
×
γ经纬度的网格，预测每个网格内未来火点数，得未来山火发生密度；在相似的天气、下垫面特征条件下，根据历史卫星监测热点密度来预测未来同期热点密度；根据卫星监测热点数，按时间区段计算目标区域的热点数目，并由目标区域面积、时间段天数计算出各时间段目标区域日均热点密度ρ，设目标区域面积为s，预警时段为d天，热点计算年数为y年，热点总数为n个，则日均热点密度
46.ρ＝n/(sdy)
47.根据ρ将热点数分为热点多与热点少两个级别，作为山火预警卫星监测热点因子h取值，其中1代表热点多，0代表热点少，日均热点密度为5时，为中等热点密度，取ρ≥5代表热点多，否则代表热点少。
48.本实施例中，借助于深度学习模型，从卫星图像中识别出结构，使用cnn模型对这些数据进行训练，cnn模型包含多个卷积层和池化层，用于提取图像和气象数据中的特征，并将这些特征输入到全连接层中回归预测，通过对新数据进行预测，预测山火现场的蔓延情况，并及时进行应对措施。
49.实施例二
50.参照图1，一种基于深度学习的密集通道山火蔓延行为预测算法，包括如下步骤：
51.s1：采用多模型预测，输出相关的火场状态数据，综合数据库储存动态火场数据，使用数据完全匹配和部分匹配检索数据；
52.s2：基于双椭圆模型，点火源扩展火场的双椭圆假设，结合速度作为模型的构型基础；
53.s3：采用森林火灾元胞自动机模型，定义在正方形网格上，引入邻居元胞着火概率，计算其邻居着火概率；
54.s4：采用小型气象站，对风速、风向气象要素进行全天候现场监测；
55.s5：结合使用卷积神经网络(cnn)的山火蔓延行为预测，获取高分辨率的卫星图像和气象数据作为训练数据；
56.s6：根据历史卫星监测热点密度来预测未来同期热点密度，通过对新数据进行预测，预测山火现场的蔓延情况。
57.本实施例中，采用多模型预测，系统主要由5部分组成：接口、综合数据库、知识库、推理机构和模型库；利用任意时刻的林火蔓延位置，将时间前提与状态参量经过推理机构计算、输出的一个与时间相关的火场状态数据。
58.本实施例中，综合数据库是用来储存整个预测过程中所使用的动态火场数据、动态气象数据和计算推理过程的中间解，包括从接口读入所有数据、林火蔓延着火点动态数据、动态气象数据和林火蔓延计算火场综合数据。
59.本实施例中，基于双椭圆模型，点火源扩展火场的双椭圆假设，结合上坡、下坡、左平坡和右平坡4个速度作为模型的构型基础，采用矢量叠加的方法，系统中使用林火蔓延模型；火焰被风吹后发生变化，加大火焰长度，加剧辐射和对流传热作用，火燃烧得更加旺盛；无风时火场的性状呈圆形，有风时火场的性状呈椭圆形，长轴方向顺着风的方向。
60.本实施例中，采用森林火灾元胞自动机模型，森林火灾元胞自动机模型定义在正方形网格上，若某元胞的状态为“树”，且其最邻近的4个邻居元胞中有状态为“火”，则该元胞下一时刻的状态由“树”变为“火”，用以模拟火势的蔓延；状态为“树”的元胞也会以一个低概率变为“火”，用以模拟闪电引起的火灾；烧尽状态为“火”的元胞，其状态在下一时刻将变成“空”，用以模拟着火的树经过一定时间后被烧完。
61.本实施例中，引入邻居元胞着火概率，对于经典森林火灾元胞自动机，计算其邻居着火概率，即中间元胞状态为“火”，则下一时刻上、下、左、右四个邻居着火的概率均为1，将斜对角的四个元胞也作为邻居，在考虑风的作用时，将顺风方向上的邻居着火概率加大，并
从最中间元胞开始点火。
62.本实施例中，采用小型气象站，用于对风速、风向、雨量、空气温度、空气湿度、土壤温度、大气压力气象要素进行全天候现场监测，通过无线通讯将数据传送至云平台，数据采集通讯线与计算机进行连接，将数据传输到计算机数据库中，用于统计分析和处理。
63.本实施例中，结合使用卷积神经网络(cnn)的山火蔓延行为预测，获取高分辨率的卫星图像和气象数据作为训练数据，卫星图像提供火点的位置和热量分布情况，气象数据提供温度、湿度、风向风速影响因素。
64.本实施例中，设将预测区域划分为γ
×
γ经纬度的网格，预测每个网格内未来火点数，得未来山火发生密度；根据卫星监测热点数，按时间区段计算目标区域的热点数目，并由目标区域面积、时间段天数计算出各时间段目标区域日均热点密度ρ，设目标区域面积为s，预警时段为d天，热点计算年数为y年，热点总数为n个，则日均热点密度
65.ρ＝n/(sdy)
66.根据ρ将热点数分为热点多与热点少两个级别，作为山火预警卫星监测热点因子h取值，其中1代表热点多，0代表热点少，日均热点密度为5时，为中等热点密度，取ρ≥5代表热点多，否则代表热点少。
67.本实施例中，借助于深度学习模型，从卫星图像中识别出结构，使用cnn模型对这些数据进行训练，用于提取图像和气象数据中的特征，并将这些特征输入到全连接层中回归预测，通过对新数据进行预测，预测山火现场的蔓延情况，并及时进行应对措施。
68.实施例三
69.参照图1，一种基于深度学习的密集通道山火蔓延行为预测算法，包括如下步骤：
70.s1：采用多模型预测，输出相关的火场状态数据，综合数据库储存动态火场数据，使用数据完全匹配和部分匹配检索数据；
71.s2：基于双椭圆模型，点火源扩展火场的双椭圆假设，结合速度作为模型的构型基础；
72.s3：采用森林火灾元胞自动机模型，定义在正方形网格上，引入邻居元胞着火概率，计算其邻居着火概率；
73.s4：采用小型气象站，对风速、风向气象要素进行全天候现场监测；
74.s5：结合使用卷积神经网络(cnn)的山火蔓延行为预测，获取高分辨率的卫星图像和气象数据作为训练数据；
75.s6：根据历史卫星监测热点密度来预测未来同期热点密度，通过对新数据进行预测，预测山火现场的蔓延情况。
76.本实施例中，采用多模型预测，系统主要由5部分组成：接口、综合数据库、知识库、推理机构和模型库；利用任意时刻的林火蔓延位置，将时间前提与状态参量经过推理机构计算、输出的一个与时间相关的火场状态数据。
77.本实施例中，综合数据库是用来储存整个预测过程中所使用的动态火场数据、动态气象数据和计算推理过程的中间解，它由4个结构体构成：包括从接口读入所有数据、林火蔓延着火点动态数据、动态气象数据和林火蔓延计算火场综合数据；在数据检索上使用数据完全匹配和部分匹配的方式。
78.本实施例中，基于双椭圆模型，点火源扩展火场的双椭圆假设，结合上坡、下坡、左
平坡和右平坡4个速度作为模型的构型基础，火焰被风吹后发生变化，加大火焰长度，加剧辐射和对流传热作用，火燃烧得更加旺盛；无风时火场的性状呈圆形，有风时火场的性状呈椭圆形，长轴方向顺着风的方向。
79.本实施例中，采用森林火灾元胞自动机模型，森林火灾元胞自动机模型定义在正方形网格上，元胞下一时刻状态的更新规则如下：若某元胞的状态为“树”，且其最邻近的4个邻居元胞中有状态为“火”，则该元胞下一时刻的状态由“树”变为“火”，用以模拟闪电引起的火灾；烧尽状态为“火”的元胞，其状态在下一时刻将变成“空”，用以模拟着火的树经过一定时间后被烧完；新生状态为“空”的元胞，在下一时刻以一个低概率变为“树”，用以模拟新树的长出。
80.本实施例中，引入邻居元胞着火概率，对于经典森林火灾元胞自动机，计算其邻居着火概率，即中间元胞状态为“火”，则下一时刻上、下、左、右四个邻居着火的概率均为1，设置一个元胞空间进行对比，初始时刻所有元胞的状态全为“树”，并从最中间元胞开始点火。
81.本实施例中，采用小型气象站，用于对风速、风向、雨量、空气温度、空气湿度、土壤温度、大气压力气象要素进行全天候现场监测，通过无线通讯将数据传送至云平台，数据采集通讯线与计算机进行连接，将数据传输到计算机数据库中，用于统计分析和处理。
82.本实施例中，结合使用卷积神经网络(cnn)的山火蔓延行为预测，获取高分辨率的卫星图像和气象数据作为训练数据，卫星图像提供火点的位置和热量分布情况，气象数据提供温度、湿度、风向风速影响因素。
83.本实施例中，设将预测区域划分为γ
×
γ经纬度的网格，预测每个网格内未来火点数，得未来山火发生密度；在相似的天气、下垫面特征条件下，根据历史卫星监测热点密度来预测未来同期热点密度；根据卫星监测热点数，按时间区段计算目标区域的热点数目，并由目标区域面积、时间段天数计算出各时间段目标区域日均热点密度ρ，设目标区域面积为s，预警时段为d天，热点计算年数为y年，热点总数为n个，则日均热点密度
84.ρ＝n/(sdy)
85.根据ρ将热点数分为热点多与热点少两个级别，作为山火预警卫星监测热点因子h取值，其中1代表热点多，0代表热点少，日均热点密度为5时，为中等热点密度，取ρ≥5代表热点多，否则代表热点少。
86.本实施例中，借助于深度学习模型，从卫星图像中识别出结构，使用cnn模型对这些数据进行训练，cnn模型包含多个卷积层和池化层，用于提取图像和气象数据中的特征，并将这些特征输入到全连接层中回归预测，通过对新数据进行预测，预测山火现场的蔓延情况，并及时进行应对措施。
87.实施例四
88.参照图1，一种基于深度学习的密集通道山火蔓延行为预测算法，包括如下步骤：
89.s1：采用多模型预测，输出相关的火场状态数据，综合数据库储存动态火场数据，使用数据完全匹配和部分匹配检索数据；
90.s2：基于双椭圆模型，点火源扩展火场的双椭圆假设，结合速度作为模型的构型基础；
91.s3：采用森林火灾元胞自动机模型，定义在正方形网格上，引入邻居元胞着火概率，计算其邻居着火概率；
92.s4：采用小型气象站，对风速、风向气象要素进行全天候现场监测；
93.s5：结合使用卷积神经网络(cnn)的山火蔓延行为预测，获取高分辨率的卫星图像和气象数据作为训练数据；
94.s6：根据历史卫星监测热点密度来预测未来同期热点密度，通过对新数据进行预测，预测山火现场的蔓延情况。
95.本实施例中，采用多模型预测，系统主要由5部分组成：接口、综合数据库、知识库、推理机构和模型库；该系统将整个林火蔓延过程看作以时间为前提、各种状态参量为自变量的连续函数，利用任意时刻的林火蔓延位置，将时间前提与状态参量经过推理机构计算、输出的一个与时间相关的火场状态数据。
96.本实施例中，综合数据库是用来储存整个预测过程中所使用的动态火场数据、动态气象数据和计算推理过程的中间解，它由4个结构体构成：包括从接口读入所有数据、林火蔓延着火点动态数据、动态气象数据和林火蔓延计算火场综合数据；在数据检索上使用数据完全匹配和部分匹配的方式。
97.本实施例中，基于双椭圆模型，点火源扩展火场的双椭圆假设，结合上坡、下坡、左平坡和右平坡4个速度作为模型的构型基础，采用矢量叠加的方法，系统中使用林火蔓延模型，当无风时，可燃性挥发物和燃烧产物垂直上升，各边火焰产生的热量互不影响；在风的影响下，下风边的热量吹到上风边，上风边燃烧得更剧烈；风增加燃烧区内的空气，火焰温度降低；火焰被风吹后发生变化，加大火焰长度，加剧辐射和对流传热作用，火燃烧得更加旺盛；无风时火场的性状呈圆形，有风时火场的性状呈椭圆形，长轴方向顺着风的方向。
98.本实施例中，采用森林火灾元胞自动机模型，森林火灾元胞自动机模型定义在正方形网格上，元胞有三种状态：树(未燃烧的树)，火(正在燃烧的树)和空(空地)状态，元胞下一时刻状态的更新规则如下：若某元胞的状态为“树”，且其最邻近的4个邻居元胞中有状态为“火”，则该元胞下一时刻的状态由“树”变为“火”，用以模拟火势的蔓延；状态为“树”的元胞也会以一个低概率变为“火”，用以模拟闪电引起的火灾；烧尽状态为“火”的元胞，其状态在下一时刻将变成“空”，用以模拟着火的树经过一定时间后被烧完；新生状态为“空”的元胞，在下一时刻以一个低概率变为“树”，用以模拟新树的长出。
99.本实施例中，引入邻居元胞着火概率，对于经典森林火灾元胞自动机，计算其邻居着火概率，即中间元胞状态为“火”，则下一时刻上、下、左、右四个邻居着火的概率均为1，将斜对角的四个元胞也作为邻居，在考虑风的作用时，将顺风方向上的邻居着火概率加大，逆风方向上的邻居着火概率减小，设置一个元胞空间进行对比，初始时刻所有元胞的状态全为“树”，并从最中间元胞开始点火。
100.本实施例中，采用小型气象站，用于对风速、风向、雨量、空气温度、空气湿度、土壤温度、大气压力气象要素进行全天候现场监测，通过无线通讯将数据传送至云平台，数据采集通讯线与计算机进行连接，将数据传输到计算机数据库中，用于统计分析和处理。
101.本实施例中，结合使用卷积神经网络(cnn)的山火蔓延行为预测，获取高分辨率的卫星图像和气象数据作为训练数据，卫星图像提供火点的位置和热量分布情况，气象数据提供温度、湿度、风向风速影响因素。
102.本实施例中，设将预测区域划分为γ
×
γ经纬度的网格，预测每个网格内未来火点数，得未来山火发生密度；在相似的天气、下垫面特征条件下，根据历史卫星监测热点密
度来预测未来同期热点密度；根据卫星监测热点数，按时间区段计算目标区域的热点数目，并由目标区域面积、时间段天数计算出各时间段目标区域日均热点密度ρ，设目标区域面积为s，预警时段为d天，热点计算年数为y年，热点总数为n个，则日均热点密度
103.ρ＝n/(sdy)
104.根据ρ将热点数分为热点多与热点少两个级别，作为山火预警卫星监测热点因子h取值，其中1代表热点多，0代表热点少，日均热点密度为5时，为中等热点密度，取ρ≥5代表热点多，否则代表热点少。
105.本实施例中，借助于深度学习模型，从卫星图像中识别出结构，使用cnn模型对这些数据进行训练，cnn模型包含多个卷积层和池化层，用于提取图像和气象数据中的特征，并将这些特征输入到全连接层中回归预测，通过对新数据进行预测，预测山火现场的蔓延情况，并及时进行应对措施。
106.实施例五
107.参照图1，一种基于深度学习的密集通道山火蔓延行为预测算法，包括如下步骤：
108.s1：采用多模型预测，输出相关的火场状态数据，综合数据库储存动态火场数据，使用数据完全匹配和部分匹配检索数据；
109.s2：基于双椭圆模型，点火源扩展火场的双椭圆假设，结合速度作为模型的构型基础；
110.s3：采用森林火灾元胞自动机模型，定义在正方形网格上，引入邻居元胞着火概率，计算其邻居着火概率；
111.s4：采用小型气象站，对风速、风向气象要素进行全天候现场监测；
112.s5：结合使用卷积神经网络(cnn)的山火蔓延行为预测，获取高分辨率的卫星图像和气象数据作为训练数据；
113.s6：根据历史卫星监测热点密度来预测未来同期热点密度，通过对新数据进行预测，预测山火现场的蔓延情况。
114.本实施例中，采用多模型预测，系统主要由5部分组成：接口、综合数据库、知识库、推理机构和模型库；该系统将整个林火蔓延过程看作以时间为前提、各种状态参量为自变量的连续函数，利用任意时刻的林火蔓延位置，将时间前提与状态参量经过推理机构计算、输出的一个与时间相关的火场状态数据。
115.本实施例中，综合数据库是用来储存整个预测过程中所使用的动态火场数据、动态气象数据和计算推理过程的中间解，它由4个结构体构成：包括从接口读入所有数据、林火蔓延着火点动态数据、动态气象数据和林火蔓延计算火场综合数据；在数据检索上使用数据完全匹配和部分匹配的方式。
116.本实施例中，基于双椭圆模型，点火源扩展火场的双椭圆假设，结合上坡、下坡、左平坡和右平坡4个速度作为模型的构型基础，采用矢量叠加的方法，系统中使用林火蔓延模型，当无风时，可燃性挥发物和燃烧产物垂直上升，各边火焰产生的热量互不影响；在风的影响下，下风边的热量吹到上风边，上风边燃烧得更剧烈；风增加燃烧区内的空气，火焰温度降低；火焰被风吹后发生变化，加大火焰长度，加剧辐射和对流传热作用，火燃烧得更加旺盛；无风时火场的性状呈圆形，有风时火场的性状呈椭圆形，长轴方向顺着风的方向。
117.本实施例中，采用森林火灾元胞自动机模型，森林火灾元胞自动机模型定义在正
方形网格上，元胞有三种状态：树(未燃烧的树)，火(正在燃烧的树)和空(空地)状态，元胞下一时刻状态的更新规则如下：若某元胞的状态为“树”，且其最邻近的4个邻居元胞中有状态为“火”，则该元胞下一时刻的状态由“树”变为“火”，用以模拟火势的蔓延；状态为“树”的元胞也会以一个低概率变为“火”，用以模拟闪电引起的火灾；烧尽状态为“火”的元胞，其状态在下一时刻将变成“空”，用以模拟着火的树经过一定时间后被烧完；新生状态为“空”的元胞，在下一时刻以一个低概率变为“树”，用以模拟新树的长出。
118.本实施例中，引入邻居元胞着火概率，对于经典森林火灾元胞自动机，计算其邻居着火概率，即中间元胞状态为“火”，则下一时刻上、下、左、右四个邻居着火的概率均为1，将斜对角的四个元胞也作为邻居，在考虑风的作用时，将顺风方向上的邻居着火概率加大，逆风方向上的邻居着火概率减小，设置一个元胞空间进行对比，初始时刻所有元胞的状态全为“树”，并从最中间元胞开始点火。
119.本实施例中，采用小型气象站，用于对风速、风向、雨量、空气温度、空气湿度、土壤温度、大气压力气象要素进行全天候现场监测，通过无线通讯将数据传送至云平台，数据采集通讯线与计算机进行连接，将数据传输到计算机数据库中，用于统计分析和处理。
120.本实施例中，结合使用卷积神经网络(cnn)的山火蔓延行为预测，获取高分辨率的卫星图像和气象数据作为训练数据，卫星图像提供火点的位置和热量分布情况，气象数据提供温度、湿度、风向风速影响因素。
121.本实施例中，设将预测区域划分为γ
×
γ经纬度的网格，预测每个网格内未来火点数，得未来山火发生密度；在相似的天气、下垫面特征条件下，根据历史卫星监测热点密度来预测未来同期热点密度；根据卫星监测热点数，按时间区段计算目标区域的热点数目，并由目标区域面积、时间段天数计算出各时间段目标区域日均热点密度ρ，设目标区域面积为s，预警时段为d天，热点计算年数为y年，热点总数为n个，则日均热点密度
122.ρ＝n/(sdy)
123.根据ρ将热点数分为热点多与热点少两个级别，作为山火预警卫星监测热点因子h取值，其中1代表热点多，0代表热点少，日均热点密度为5时，为中等热点密度，取ρ≥5代表热点多，否则代表热点少。
124.本实施例中，借助于深度学习模型，从卫星图像中识别出结构，使用cnn模型对这些数据进行训练，cnn模型包含多个卷积层和池化层，用于提取图像和气象数据中的特征，并将这些特征输入到全连接层中回归预测，通过对新数据进行预测，预测山火现场的蔓延情况，并及时进行应对措施。
125.对比例一
126.与实施例一不同之处在于，s1：采用多模型预测，输出相关的火场状态数据，综合数据库储存动态火场数据，使用数据完全匹配和部分匹配检索数据，采用多模型预测，系统主要由5部分组成：接口、综合数据库、知识库、推理机构和模型库；该系统将整个林火蔓延过程看作以时间为前提、各种状态参量为自变量的连续函数，利用任意时刻的林火蔓延位置，将时间前提与状态参量经过推理机构计算、输出的一个与时间相关的火场状态数据，综合数据库是用来储存整个预测过程中所使用的动态火场数据、动态气象数据和计算推理过程的中间解，它由4个结构体构成：包括从接口读入所有数据、林火蔓延着火点动态数据、动态气象数据和林火蔓延计算火场综合数据；在数据检索上使用数据完全匹配和部分匹配的
方式。
127.对比例二
128.与实施例二不同之处在于，s2：基于双椭圆模型，点火源扩展火场的双椭圆假设，结合速度作为模型的构型基础，基于双椭圆模型，点火源扩展火场的双椭圆假设，结合上坡、下坡、左平坡和右平坡4个速度作为模型的构型基础，采用矢量叠加的方法，系统中使用林火蔓延模型；火焰被风吹后发生变化，加大火焰长度，加剧辐射和对流传热作用，火燃烧得更加旺盛；无风时火场的性状呈圆形，有风时火场的性状呈椭圆形，长轴方向顺着风的方向。
129.对比例三
130.与实施例三不同之处在于，s3：采用森林火灾元胞自动机模型，定义在正方形网格上，引入邻居元胞着火概率，计算其邻居着火概率，采用森林火灾元胞自动机模型，森林火灾元胞自动机模型定义在正方形网格上，元胞下一时刻状态的更新规则如下：若某元胞的状态为“树”，且其最邻近的4个邻居元胞中有状态为“火”，则该元胞下一时刻的状态由“树”变为“火”，用以模拟闪电引起的火灾；烧尽状态为“火”的元胞，其状态在下一时刻将变成“空”，用以模拟着火的树经过一定时间后被烧完；新生状态为“空”的元胞，在下一时刻以一个低概率变为“树”，用以模拟新树的长出，引入邻居元胞着火概率，对于经典森林火灾元胞自动机，计算其邻居着火概率，即中间元胞状态为“火”，则下一时刻上、下、左、右四个邻居着火的概率均为1，设置一个元胞空间进行对比，初始时刻所有元胞的状态全为“树”，并从最中间元胞开始点火。
131.实验例
132.将实施例一、实施例二、实施例三、实施例四和实施例五的一种基于深度学习的密集通道山火蔓延行为预测算法进行试验，得出结果如下：
[0133][0134]
实施例一、实施例二、实施例三、实施例四和实施例五的基于深度学习的密集通道山火蔓延行为预测算法对比现有的基于深度学习的密集通道山火蔓延行为预测算法，数据准确率和行为预测准确率显著提升，且实施例一为最佳实施例。
[0135]
检测报告
[0136]
本发明的目的是针对蔓延行为预测准确率低导致山火蔓延，无法及时预测导致经济损失增加、消防救援难度增加、危险性高等问题，提出一种基于深度学习的密集通道山火蔓延行为预测算法，通过采用小型气象站火灾和卫星气象数据，气象监测中采集、通信、指挥等方面的发展趋势，进行天地一体化森林防火监测体系建设，基于双椭圆模型，结合深度学习模型，得出的预测结果准确率大大提升，结合当时风速风向等气象信息，预测山火走势和蔓延速度，可视化林火蔓延模型，最大限度地减少森林火灾造成的损失，为协调消防资源
提供依据，及时防止山火外扩，大大减少经济损失和人员伤亡，提高消防抢救效率和安全性。
[0137]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，但这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种基于深度学习的密集通道山火蔓延行为预测算法，其特征在于，包括以下步骤：s1：采用多模型预测，输出相关的火场状态数据，综合数据库储存动态火场数据，使用数据完全匹配和部分匹配检索数据；s2：基于双椭圆模型，点火源扩展火场的双椭圆假设，结合速度作为模型的构型基础；s3：采用森林火灾元胞自动机模型，定义在正方形网格上，引入邻居元胞着火概率，计算其邻居着火概率；s4：采用小型气象站，对风速、风向气象要素进行全天候现场监测；s5：结合使用卷积神经网络的山火蔓延行为预测，获取高分辨率的卫星图像和气象数据作为训练数据；s6：根据历史卫星监测热点密度来预测未来同期热点密度，通过对新数据进行预测，预测山火现场的蔓延情况。2.根据权利要求1所述的一种基于深度学习的密集通道山火蔓延行为预测算法，其特征在于，所述s1中，采用多模型预测，系统主要由5部分组成：接口、综合数据库、知识库、推理机构和模型库；该系统将整个林火蔓延过程看作以时间为前提、各种状态参量为自变量的连续函数，利用任意时刻的林火蔓延位置，将时间前提与状态参量经过推理机构计算、输出的一个与时间相关的火场状态数据。3.根据权利要求1所述的一种基于深度学习的密集通道山火蔓延行为预测算法，其特征在于，所述s1中，综合数据库是用来储存整个预测过程中所使用的动态火场数据、动态气象数据和计算推理过程的中间解，它由4个结构体构成：包括从接口读入所有数据、林火蔓延着火点动态数据、动态气象数据和林火蔓延计算火场综合数据；在数据检索上使用数据完全匹配和部分匹配的方式。4.根据权利要求1所述的一种基于深度学习的密集通道山火蔓延行为预测算法，其特征在于，所述s2中，基于双椭圆模型，点火源扩展火场的双椭圆假设，结合上坡、下坡、左平坡和右平坡4个速度作为模型的构型基础，采用矢量叠加的方法，系统中使用林火蔓延模型，当无风时，可燃性挥发物和燃烧产物垂直上升，各边火焰产生的热量互不影响；在风的影响下，下风边的热量吹到上风边，上风边燃烧得更剧烈；风增加燃烧区内的空气，火焰温度降低；火焰被风吹后发生变化，加大火焰长度，加剧辐射和对流传热作用，火燃烧得更加旺盛；无风时火场的性状呈圆形，有风时火场的性状呈椭圆形，长轴方向顺着风的方向。5.根据权利要求1所述的一种基于深度学习的密集通道山火蔓延行为预测算法，其特征在于，所述s3中，采用森林火灾元胞自动机模型，森林火灾元胞自动机模型定义在正方形网格上，元胞有三种状态：树，火和空状态，元胞下一时刻状态的更新规则如下：若某元胞的状态为“树”，且其最邻近的4个邻居元胞中有状态为“火”，则该元胞下一时刻的状态由“树”变为“火”，用以模拟火势的蔓延；状态为“树”的元胞也会以一个低概率变为“火”，用以模拟闪电引起的火灾；烧尽状态为“火”的元胞，其状态在下一时刻将变成“空”，用以模拟着火的树经过一定时间后被烧完；新生状态为“空”的元胞，在下一时刻以一个低概率变为“树”，用以模拟新树的长出。6.根据权利要求1所述的一种基于深度学习的密集通道山火蔓延行为预测算法，其特征在于，所述s3中，引入邻居元胞着火概率，对于经典森林火灾元胞自动机，计算其邻居着火概率，即中间元胞状态为“火”，则下一时刻上、下、左、右四个邻居着火的概率均为1，将斜
对角的四个元胞也作为邻居，在考虑风的作用时，将顺风方向上的邻居着火概率加大，逆风方向上的邻居着火概率减小，设置一个元胞空间进行对比，初始时刻所有元胞的状态全为“树”，并从最中间元胞开始点火。7.根据权利要求1所述的一种基于深度学习的密集通道山火蔓延行为预测算法，其特征在于，所述s4中，采用小型气象站，用于对风速、风向、雨量、空气温度、空气湿度、土壤温度、大气压力气象要素进行全天候现场监测，通过无线通讯将数据传送至云平台，数据采集通讯线与计算机进行连接，将数据传输到计算机数据库中，用于统计分析和处理。8.根据权利要求1所述的一种基于深度学习的密集通道山火蔓延行为预测算法，其特征在于，所述s5中，结合使用卷积神经网络的山火蔓延行为预测，获取高分辨率的卫星图像和气象数据作为训练数据，卫星图像提供火点的位置和热量分布情况，气象数据提供温度、湿度、风向风速影响因素。9.根据权利要求1所述的一种基于深度学习的密集通道山火蔓延行为预测算法，其特征在于，所述s6中，设将预测区域划分为γ
×
γ经纬度的网格，预测每个网格内未来火点数，得未来山火发生密度；在相似的天气、下垫面特征条件下，根据历史卫星监测热点密度来预测未来同期热点密度；根据卫星监测热点数，按时间区段计算目标区域的热点数目，并由目标区域面积、时间段天数计算出各时间段目标区域日均热点密度ρ，设目标区域面积为s，预警时段为d天，热点计算年数为y年，热点总数为n个，则日均热点密度ρ＝n/(sdy)根据ρ将热点数分为热点多与热点少两个级别，作为山火预警卫星监测热点因子h取值，其中1代表热点多，0代表热点少，日均热点密度为5时，为中等热点密度，取ρ≥5代表热点多，否则代表热点少。10.根据权利要求1所述的一种基于深度学习的密集通道山火蔓延行为预测算法，其特征在于，所述s6中，借助于深度学习模型，从卫星图像中识别出结构，使用cnn模型对这些数据进行训练，cnn模型包含多个卷积层和池化层，用于提取图像和气象数据中的特征，并将这些特征输入到全连接层中回归预测，通过对新数据进行预测，预测山火现场的蔓延情况，并及时进行应对措施。

技术总结
本发明涉及深度学习技术领域，尤其涉及一种基于深度学习的密集通道山火蔓延行为预测算法，针对当前蔓延行为预测准确率低导致山火蔓延，无法及时预测导致经济损失增加、消防救援难度增加、危险性高等问题，现提出如下方案，包括以下步骤：S1：采用多模型预测，输出相关的火场状态数据；本发明的目的是采用小型气象站火灾和卫星气象数据，气象监测中采集、通信、指挥等方面的发展趋势，基于双椭圆模型，结合深度学习模型，得出的预测结果准确率大大提升，结合当时风速风向等气象信息，预测山火走势和蔓延速度，为协调消防资源提供依据，及时防止山火外扩，大幅度提高消防抢救效率和安全性。大幅度提高消防抢救效率和安全性。大幅度提高消防抢救效率和安全性。


技术研发人员：李宾宾 汪玉 孙伟 朱太云 高博 杨孝忠 金义 尹睿涵 马路遥 黄杰 马亚彬 陈艺 金雨楠 刘俊 付成成 翟璐璐 张勇 桑培帅 卞军胜 朱刘 杨鲍
受保护的技术使用者：安徽继远软件有限公司
技术研发日：2023.04.20
技术公布日：2023/8/5