基于连续时序遥感态势数据的林火蔓延预测方法及电子设备技术

本发明专利技术涉及林火蔓延预测技术领域，具体涉及一种基于连续时序遥感态势数据的林火蔓延预测方法及电子设备，所述方法包括以下步骤，S1利用无人机等遥感态势感知系统获取小时级连续时序的火场态势数据；S2采用深度学习语义分割技术和NDVI指数，对S1中获取的态势数据或卫星与航拍遥感历史数据识别分割得到火场的地势与地物分类信息；S3采用红外温度图像识别技术，对S1中获取的态势数据识别提取各过程时序的监测火线，并解析火线的蔓延方向和速度；S4采用深度学习全连接神经网络技术，综合S2中获取的火场地势与地物分类信息和S3中获取的各过程时序火线蔓延方向和速度，解算未来时刻火线蔓延的方向、速度和方差，拟合获取小时级火线预测带，并逐时序和短周期迭代提高预测精度。本发明专利技术应用人工智能深度学习神经网络技术，基于无人机等遥感态势感知系统获取的小时级连续时序的火场态势数据，预测未来小时级火线蔓延趋势，以实现更高精度和时效的林火态势评估和应急救援。评估和应急救援。评估和应急救援。

【技术实现步骤摘要】
基于连续时序遥感态势数据的林火蔓延预测方法及电子设备


[0001]本专利技术涉及林火蔓延预测
，具体涉及一种基于连续时序遥感态势数据的林火蔓延预测方法及电子设备。

技术介绍

[0002]近年来全球变暖趋势导致世界各地森林火情频繁发生，如何连续快速监测火场态势并预测蔓延趋势，对提高消防救援效能、降低经济损失和生态灾害具有重要的意义。
[0003]林火态势监测方面，目前广泛应用卫星遥感技术，美国NASA的Modis卫星提供全球范围内的火点监测产品，日本新一代静止轨道气象卫星Himawari-8具有高频率连续对地观测的能力，可持续对发生的火点进行监测。由于卫星影像的空间分辨率一般较低，只能获取宏观的火场态势；同时受到回归周期、云霾等影响，难以实现小时级连续的高分辨率监测。飞机航拍也是目前常用的手段，可以实现小时级连续的高分辨率监测。因卫星遥感和飞机航拍均需要下载后专业处理，尚未发展实时接收快速处理技术，还没有小时级连续时序的高分辨率实时监测实时处理的能力。
[0004]火情蔓延预测方面，因为火情发展受到多种因素的影响，包括气象的风速风向、温度湿度，地势的构型、布局、尺度，地物的类型、分布、密度，特别是植被的季节型含水量变化等，加之卫星和航拍没有小时级连续时序的高分辨率实时监测实时处理的局限，目前火情蔓延的研究主要集中在林火蔓延的模型构建，按模型类型可以分为统计模型、物理模型和半经验模型。林火蔓延模型速度场的计算一般采用经验模型，通过实际观测的数据总结规律，得到林火蔓延速度与地形、可燃物特性等参数之间的关系，主要代表有美国Rothermel模型、加拿大林火蔓延模型、澳大利亚MrArthur模型和中国王正非林火蔓延模型等。林火蔓延模型的数据来源主要是卫星数据，近年来有学者在融合航拍实时观测的火蔓延数据，并根据观测数据与模型结果的对比修正模型参数，尚未有基于小时级连续时序态势数据研发小时级林火蔓延预测技术。
[0005]针对现有卫星和航拍林火监测预测的技术与应用瓶颈，本专利技术提出一种基于连续时序遥感态势数据的林火蔓延预测技术，该技术以无人机等遥感态势感知系统获取的小时级连续时序的火场态势数据为基础，应用人工智能深度学习神经网络技术，综合卫星和航拍遥感数据识别分割得到的火场地势与地物分类信息，解析火场各过程时序的蔓延方向和速度，并预测未来小时级火线蔓延的方向和速度，并逐时序和短周期迭代提高预测精度，以实现更高精度和时效的林火态势评估和应急救援。

技术实现思路

[0006]针对现有技术的局限，本专利技术公开了一种基于连续时序遥感态势数据的林火蔓延预测方法及电子设备，用于解决现有卫星和航拍林火蔓延态势监测和预测的技术与应用瓶颈。
[0007]本专利技术通过以下技术方案予以实现：
[0008]第一方面，本专利技术公开一种基于连续时序遥感态势数据的林火蔓延预测方法，所述方法包括以下步骤：
[0009]S1利用无人机等遥感态势感知系统获取小时级连续时序的火场态势数据；
[0010]S2采用深度学习语义分割技术和NDVI指数，对S1中获取的态势数据或卫星与航拍遥感历史数据识别分割得到火场的地势与地物分类信息；
[0011]S3采用红外温度图像识别技术，对S1中获取的态势数据识别提取各过程时序的监测火线，并解析火线的蔓延方向和速度；
[0012]S4采用深度学习全连接神经网络技术，综合S2中获取的火场地势与地物分类信息和S3中获取的各过程时序火线蔓延方向和速度，解算未来时刻火线蔓延的方向、速度和方差，拟合获取小时级火线预测带，并逐时序和短周期迭代提高预测精度。
[0013]更进一步的，所述S1中，遥感态势感知系统可搭载无人机平台和有人机及卫星平台，其获取的火场态势数据包括可见光与红外光双光谱正射影像和实景三维模型。
[0014]更进一步的，所述S2中，火场地势与地物识别分割包括基于遥感高程数据的地势类型识别分割、基于遥感可见光与红外光数据的地物类型识别分割。
[0015]更进一步的，所述地势类型识别分割，采用FCN深度学习神经网络模型，基于卫星和航拍遥感数据高程信息进行监管区域的地势分类，可定期更新存储或现场处理应用，用于解析火场的地势格局和坡度等地理空间环境信息。
[0016]所述地势类型识别分割模型，采用公开的遥感DEM数据进行训练，将其高程信息转换为只有一个通道的灰度影像，裁剪为影像块，图像块中存储归一化的高程值，取值的范围为[0,1]，并采用卫星遥感影像数据辅助进行。
[0017]更进一步的，所述地物类型识别分割，采用deeplab v3+深度学习神经网络模型和NDVI指数，基于卫星和航拍遥感影像数据进行监管区域的地物分类，可定期更新存储或现场处理应用，用于解析火场的地物分布和植被密度等地理空间环境信息。
[0018]所述地物类型识别分割模型，利用卫星与航拍遥感历史数据进行训练，采用可见光遥感影像的三个通道数据作为输入，并对识别分割图像进行腐蚀再膨胀处理，去除语义分割产生的小目标。
[0019]更进一步的，所述地物类型识别分割NDVI指数，利用遥感红外光数据和可见光影像的红色波段数据计算区分不同密度的植被，算式写为：
[0020]NDVI＝(NIR-Red)/(NIR+Red)
[0021]NIR为近红外波段的反射率，Red为红色波段的反射率。
[0022]更进一步的，所述S3中，火线的提取方法为，基于无人机等遥感态势感知系统获取的各过程时序红外光正射影像，识别分割为过火区域、燃烧区域和未燃区域，利用燃烧区域与未燃区域的轮廓定位的方式提取确定火线，再采用自适应的火线拟合策略，进行三次样条函数平滑处理得到一定分辨尺度的拟合火线。
[0023]更进一步的，所述S3中，火线蔓延方向的确定方法为，采用自适应的关键点采样策略，选取拟合火线曲率拐点为基础关键点，再根据曲率变化幅度和地势地物分布情况，在基础关键点间均衡选取中间关键点，计算关键点的法线方向即为该关键点的火线蔓延方向。
[0024]更进一步的，所述S3中，火线蔓延速度的计算方法为：
[0025]根据前一时序拟合火线关键点沿蔓延方向与后一时序拟合火线的间距，计算该关
键点的蔓延速度，算式写为：
[0026][0027]更进一步的，所述S4中，火线蔓延预测采用全连接深度学习神经网络模型，包含两个隐藏层，每个隐藏层都经过BN(BatchNormalization)和ReLU(Rectified Linear Unit)处理，输入数据包括火场地势地物识别分割信息和连续时序拟合火线信息，使用卫星和航拍遥感历史林火数据进行训练优化，解析各时序拟合火线关键点在地势地物静态因素和气象植被等动态因素条件下的蔓延方向和速度，推理当前时序拟合火线关键点的蔓延方向、速度和位置，并拟合获得未来时刻的预测火线。
[0028]更进一步的，所述火线蔓延预测模型在林火现场使用时，无人机等遥感态势感知系统获取的第一二个时序拟合火线数据用于火线蔓延预测模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于连续时序遥感态势数据的林火蔓延预测方法，其特征在于，所述方法包括以下步骤：S1利用无人机等遥感态势感知系统获取小时级连续时序的火场态势数据；S2采用深度学习语义分割技术和NDVI指数，对S1中获取的态势数据或卫星与航拍遥感历史数据识别分割得到火场的地势与地物分类信息；S3采用红外温度图像识别技术，对S1中获取的态势数据识别提取各过程时序的监测火线，并解析火线的蔓延方向和速度；S4采用深度学习全连接神经网络技术，综合S2中获取的火场地势与地物分类信息和S3中获取的各过程时序火线蔓延方向和速度，解算未来时刻火线蔓延的方向、速度和方差，拟合获取小时级火线预测带，并逐时序和短周期迭代提高预测精度。2.根据权利要求1所述的基于连续时序遥感态势数据的林火蔓延预测方法，其特征在于，所述S1中，遥感态势感知系统可搭载无人机平台和有人机及卫星平台，其获取的火场态势数据包括可见光与红外光双光谱正射影像和实景三维模型。3.根据权利要求1所述的基于连续时序遥感态势数据的林火蔓延预测方法，其特征在于，所述S2中，地势类型识别分割采用FCN深度学习神经网络模型，利用公开的遥感DEM数据进行训练，其高程信息转换为只有一个通道的灰度影像，裁剪为影像块，图像块中存储归一化的高程值，取值的范围为[0,1]，并采用卫星遥感影像数据辅助进行。4.根据权利要求1所述的基于连续时序遥感态势数据的林火蔓延预测方法，其特征在于，所述S2中，地物类型识别分割采用deeplab v3+深度学习神经网络模型，利用卫星与航拍遥感历史数据进行训练，采用可见光遥感影像的三个通道数据作为输入，并对识别分割图像进行腐蚀再膨胀处理，去除语义分割产生的小目标，NDVI指数，利用遥感红外光数据和可见光影像的红色波段数据计算区分不同密度的植被，算式写为：NDVI＝(NIR-Red)/(NIR+Red)NIR为近红外波段的反射率，Red为红色波段的反射率。5.根据权利要求1所述的基于连续时序遥感态势数据的林火蔓延预测方法，其特征在于，所述S3中，火线的提取方法为，基于无人机等遥感态势系统获取的各过程时序红外光正射影像，识别分割为过火区域、燃烧区域和未燃区域，利用燃烧区域与未燃...

【专利技术属性】
技术研发人员：谢东海，牟风涛，王永威，刘金龙，
申请(专利权)人：航天图景北京科技有限公司，
类型：发明
国别省市：