用于森林草原火灾预警的人工智能雷电探测系统及方法技术方案

本发明专利技术提供一种用于森林草原火灾预警的人工智能雷电探测系统及方法，属于火灾预警技术领域。该系统包括：多个雷电探测装置和上位机；雷电探测装置包括：地面电场检测模块、光检测模块、甚低频和低频电磁波检测模块、雷声检测模块和处理器；处理器，用于根据雷声检测模块检测到的并经过预处理的声音信号确定是否是云地闪；若确定是云地闪，将各检测模块检测到的并经过预处理的信号及对应的时间戳输入至用于雷电定位的第一深度学习模块以确定云地闪的位置与雷电探测装置之间的距离；上位机用于根据该距离确定云地闪所涉及的地面位置，地面位置用于确定火灾预警区域。本发明专利技术能够准确地定位雷电可能导致的火灾位置，降低森林或草原区域火灾防控成本。草原区域火灾防控成本。草原区域火灾防控成本。

【技术实现步骤摘要】
用于森林草原火灾预警的人工智能雷电探测系统及方法


[0001]本专利技术涉及火灾预警
，具体涉及一种用于森林草原火灾预警的人工智能雷电探测系统及方法。

技术介绍

[0002]雷电是发生在大气中的一种瞬时高电压、大电流、强电磁辐射灾害性天气现象，是严重的自然灾害之一，具有发生频次高、突发性强、危害严重、范围广、社会影响大的特点，对社会公共安全和人民生命财产安全形成了巨大威胁。雷电火灾是雷电引发的最严重的灾害之一，建立有效的雷电火灾预警机制是必要的。
[0003]但是，目前的雷电火灾预警方案，多数雷电预警装置实现，例如在重点监测区域设置闪电定位仪、大气电场仪或直接采用雷达系统进行雷电预警。但是，雷电预警具有地域分布广(通常在10km范围内)的特点，不能有针对性地对于重点区域的雷电火灾进行监控预警，尤其草原或森林，面积一般较大，如果不能进行精准位置预警，将会导致社会资源的浪费或者达不到预警所应有的效果。

技术实现思路

[0004]因此，本专利技术实施例要解决的技术问题在于克服现有技术中的雷电火灾预警方案地域分布广导致社会资源的浪费或者达不到预警所应有的效果的缺陷，从而提供一种用于森林草原火灾预警的人工智能雷电探测系统及方法。
[0005]为此，本专利技术提供一种用于森林草原火灾预警的人工智能雷电探测系统，包括：多个雷电探测装置和上位机，所述多个雷电探测装置用于安装于待进行火灾预警的森林区域或草原区域内的不同位置；
[0006]所述雷电探测装置包括：地面电场检测模块、光检测模块、甚低频和低频电磁波检测模块、雷声检测模块和处理器；
[0007]所述处理器，用于对所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的信号进行预处理；根据所述雷声检测模块检测到的并经过预处理的声音信号确定是否是云地闪；在确定是云地闪的情况下，将所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的并经过预处理的信号及对应的时间戳输入至用于雷电定位的第一深度学习模块，根据所述第一深度学习模块的输出确定所述云地闪的位置与所述雷电探测装置之间的距离；
[0008]所述上位机用于根据其中的一个或多个所述雷电探测装置确定的所述距离确定所述云地闪所涉及的地面位置，所述地面位置用于确定火灾预警区域。
[0009]可选的，所述处理器确定云地闪声音信号中的最高频率的预设倍数为采样频率；根据所述采样频率确定傅里叶变换的数据长度；以所述傅里叶变换的数据长度为段长对所述雷声检测模块检测到的并经过预处理的声音信号进行分段处理，得到的声音段之间部分
重叠；对所述声音段进行傅里叶变换，并取所述声音段变换结果幅值的平方除以所述傅里叶变换的数据长度作为所述声音段的功率谱估计值；通过加权平均对各所述声音段的功率谱估计值进行归一化生成累积信号；根据所述累积信号判断是否是云地闪。
[0010]可选的，所述第一深度学习模型包括：深度置信网络和卷积神经网络；
[0011]所述深度置信网络用于对所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的并经过预处理的信号进行特征提取；
[0012]所述卷积神经网络用于根据所述深度置信网络提取的特征数据估计所述云地闪与所述雷电探测装置之间的距离。
[0013]可选的，所述深度置信神经网络用于对所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的并经过预处理的信号数据进行纵向卷积以提取同一检测模块检测到的信号在不同时刻的数据特征，并进行横向卷积以提取不同检测模块检测到的信号之间的特征。
[0014]可选的，对所述第一深度学习模型进行学习更新时采用的惩罚函数为：
[0015][0016]其中，M为样本数量，y
i
为第i个样本x
i
对应的标签距离，i的取值为1,2,3
…
,M，a为第一深度学习模块输出的距离，W
yi
为样本x
i
在其标签距离处的权重，b
yi
为样本x
i
在其标签距离处的偏差，b
j
为第j个输出节点处的偏差。
[0017]可选的，所述处理器还用于根据唤醒信号开启所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块中的至少之一；
[0018]所述唤醒信号是根据其中的一个或多个所述雷电探测装置中的所述甚低频和低频电磁波检测模块的检测信号确定。
[0019]可选的，所述上位机还用于在确定所述云地闪所涉及的地面位置后，根据与所述地面位置距离最近的所述雷电探测装置检测到的所述云地闪的参数确定是否进行火灾预警以及火灾预警的等级。
[0020]本专利技术还提供一种用于森林草原火灾预警的人工智能雷电探测方法，应用于上述的任一种用于森林草原火灾预警的人工智能雷电探测系统，所述方法包括以下步骤：
[0021]获取地面电场检测模块、光检测模块、甚低频和低频电磁波检测模块和雷声检测模块检测到的信号并进行预处理；
[0022]根据所述雷声检测模块检测到的并经过预处理的声音信号确定是否是云地闪；
[0023]在确定是云地闪的情况下，将所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的并经过预处理的信号及对应的时间戳输入至用于雷电定位的第一深度学习模块，根据所述第一深度学习模块的输出确定所述云地闪的位置与所述雷电探测装置之间的距离；
[0024]其中，所述距离用于确定所述云地闪所涉及的地面位置，所述地面位置用于确定火灾预警区域。
[0025]可选的，所述根据所述雷声检测模块检测到的并经过预处理的声音信号确定是否是云地闪包括：
[0026]确定云地闪声音信号中的最高频率的预设倍数为采样频率；
[0027]根据所述采样频率确定傅里叶变换的数据长度；
[0028]以所述傅里叶变换的数据长度为段长对所述雷声检测模块检测到的并经过预处理的声音信号进行分段处理，得到的声音段之间部分重叠；
[0029]对所述声音段进行傅里叶变换，并取所述声音段变换结果幅值的平方除以所述傅里叶变换的数据长度作为所述声音段的功率谱估计值；
[0030]通过加权平均对各所述声音段的功率谱估计值进行归一化生成累积信号；
[0031]根据所述累积信号判断是否是云地闪。
[0032]可选的，所述方法还包括：
[0033]根据唤醒信号开启所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块中的至少之一；
[0034]所述唤醒信号是根据其中的一个或多个雷电探测装置中的所述甚低频和低频电磁波检测模块的检测信号确定。
[0035]本专利技术实施例的技术方案，具有如下优点：
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于森林草原火灾预警的人工智能雷电探测系统，其特征在于，包括：多个雷电探测装置和上位机，所述多个雷电探测装置用于安装于待进行火灾预警的森林区域或草原区域内的不同位置；所述雷电探测装置包括：地面电场检测模块、光检测模块、甚低频和低频电磁波检测模块、雷声检测模块和处理器；所述处理器，用于对所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的信号进行预处理；根据所述雷声检测模块检测到的并经过预处理的声音信号确定是否是云地闪；在确定是云地闪的情况下，将所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的并经过预处理的信号及对应的时间戳输入至用于雷电定位的第一深度学习模块，根据所述第一深度学习模块的输出确定所述云地闪的位置与所述雷电探测装置之间的距离；所述上位机用于根据其中的一个或多个所述雷电探测装置确定的所述距离确定所述云地闪所涉及的地面位置，所述地面位置用于确定火灾预警区域。2.根据权利要求1所述的系统，其特征在于，所述处理器确定云地闪声音信号中的最高频率的预设倍数为采样频率；根据所述采样频率确定傅里叶变换的数据长度；以所述傅里叶变换的数据长度为段长对所述雷声检测模块检测到的并经过预处理的声音信号进行分段处理，得到的声音段之间部分重叠；对所述声音段进行傅里叶变换，并取所述声音段变换结果幅值的平方除以所述傅里叶变换的数据长度作为所述声音段的功率谱估计值；通过加权平均对各所述声音段的功率谱估计值进行归一化生成累积信号；根据所述累积信号判断是否是云地闪。3.根据权利要求1或2所述的系统，其特征在于，所述第一深度学习模型包括：深度置信网络和卷积神经网络；所述深度置信网络用于对所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的并经过预处理的信号进行特征提取；所述卷积神经网络用于根据所述深度置信网络提取的特征数据估计所述云地闪与所述雷电探测装置之间的距离。4.根据权利要求3所述的系统，其特征在于，所述深度置信神经网络用于对所述地面电场检测模块、所述光检测模块、所述甚低频和低频电磁波检测模块和所述雷声检测模块检测到的并经过预处理的信号数据进行纵向卷积以提取同一检测模块检测到的信号在不同时刻的数据特征，并进行横向卷积以提取不同检测模块检测到的信号之间的特征。5.根据权利要求3所述的系统，其特征在于，对所述第一深度学习模型进行学习更新时采用的惩罚函数为：其中，M为样本数量，y
i
为第i个样本x
i
对应的标签距离，i的取值为1，2，3...，M，a为第一深度学习模块输出的距离，...

【专利技术属性】
技术研发人员：张大鹏，
申请(专利权)人：特斯联科技集团有限公司，
类型：发明
国别省市：