基于多因素的林火风险等级预测方法、装置及存储介质与流程

1.本发明涉及森林防火技术领域，尤其是涉及一种基于多因素的林火风险等级预测方法、装置及存储介质。


背景技术：

2.森林火灾是对森林资源威胁最大的自然灾害之一。森林火灾一旦发生，不但会对林业资源造成严重损失，还会导致区域林业生态环境的破坏，引起森林生态系统退化等问题，同时也会对林区人民的生命财产安全造成极大威胁。因此，保护森林资源，防止森林火灾的发生，是林业工作的核心任务之一。
3.目前，森林火灾风险等级的预测主要是基于stacking算法。然而此方法是对海量时空数据的处理技术进行了设计，实现了以数据驱动的建模，然后基于模型对森林火灾进行预测。此技术只是对部分因子的每一种因子采集了大量数据进行建模分析，忽略了其他重要的因子，因此该算法发具有明显的片面性。另外，基于此方法需要训练出数学模型，方可计算出火灾风险等级，而数学模型的训练需要耗费大量的算力，若要加入一个新的影响因子，则需要重新训练数学模型，对于实际应用来说十分不便。


技术实现要素：

4.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的是提供一种基于多因素的林火风险等级预测方法、装置及存储介质，能够基于多种影响数据，准确预测出森林区域的林火风险等级。
5.本发明所采用的技术方案是：
6.第一方面，本发明提供一种基于多因素的林火风险等级预测方法，该方法包括：将待测林区划分为多个gis网格，获取每个gis网格的每种森林火灾影响因子的数值，该森林火灾影响因子包括七大类：气象影响因子、地貌地形影响因子、植被影响因子、人为活动影响因子、巡查信息影响因子、应急水源影响因子、历史火灾影响因子，每大类森林火灾影响因子包括多种小类森林火灾影响因子；基于该每种森林火灾影响因子的数值，获取该每种森林火灾影响因子对应的林火风险数值；获取该每种森林火灾影响因子对应的权重；将该每个gis网格的该每种森林火灾影响因子对应的该林火风险数值和该权重输入到加权计算公式中，得出该每个gis网格的林火风险数值，并基于该林火风险数值生成该每个gis网格的林火风险等级。
7.其中，该气象影响因子包括如下多个小类：干旱预警频率、温度、相对湿度、地表湿度、风力、风向、实时降水量、累计降水量；该地貌地形影响因子包括如下多个小类：高程、坡度、坡向、土壤含水量；该植被影响因子包括如下多个小类：树种、林种、树龄、面积、郁闭度、蓄积量、造林密度；该人为活动影响因子包括如下多个小类：深埋点数量、施工工地人数、林区果园数量、距离特殊节日天数；该巡查信息影响因子包括如下多个小类：巡逻人次数、出动车次、物资变化、洒水次数、林区入口盘查车次；该应急水源影响因子包括如下多个小类：
储水罐数量、湖泊位置、水库位置、水库蓄水量、水库高程；该历史火灾影响因子包括如下多个小类：起火点位置、过火面积。
8.其中，该森林火灾影响因子的数值采用自动算法抓取或者人工输入或者自定义设置的方式获取，该加权计算公式为：其中，v等于某个gis网格的林火风险数值，m等于各森林火灾影响因子的大类数量，m＝7，n等于每大类森林火灾影响因子的小类数量，v
ij
等于第i大类中第j小类的森林火灾影响因子的林火风险数值，φ
ij
等于第i大类中第j小类的森林火灾影响因子的权重。
9.其中，该获取每个gis网格的该气象影响因子对应的林火风险数值，包括：获取分布于该待测林区的多个气象站点的多组气象观测数据，该每组气象观测数据包括：温度、相对湿度、地表湿度、风力、风向、实时降水量、累计降水量；获取该每个gis网格对应的高度；将每个站点的气象观测数据和对应的高度进行数据拟合，得出该生态区域中气象观测数据与高度之间对应关系的数学表达式；将每个gis网格的高度代入该数学表达式中，获取该每个gis网格的气象影响因子的数值；基于该每个gis网格的气象影响因子的数值，生成该每个gis网格的气象影响因子对应的林火风险数值。
10.其中，该获取每个gis网格的每个森林火灾影响因子的数值，包括：获取该待测林区的遥感影像；将该遥感图像输入到第一神经网络，自动生成该每个gis网格的该地貌地形影响因子的数值。
11.其中，该获取每个gis网格的每个森林火灾影响因子的数值，包括：获取该待测林区的高光谱影像；将该高光谱影像输入到第二神经网络，自动生成该每个gis网格的该植被影响因子的数值。
12.其中，该获取每个gis网格的每个森林火灾影响因子的数值，包括：响应于用户的输入操作，获取该每个gis网格的该人为活动影响因子的数值、该巡查信息影响因子的数值、该应急水源影响因子的数值、该历史火灾影响因子的数值。
13.其中，还包括：采用特定的颜色显示该待测林区的不同等级的该林火风险等级。
14.第二方面，本发明提供一种基于多因素的森林火灾风险等级预测装置，该装置包括：林火影响因子数值获取模块，用于将待测林区划分为多个gis网格，获取每个gis网格的每种森林火灾影响因子的数值，该森林火灾影响因子包括七大类：气象影响因子、地貌地形影响因子、植被影响因子、人为活动影响因子、巡查信息影响因子、应急水源影响因子、历史火灾影响因子；林火影响因子风险获取模块，用于基于该每种森林火灾影响因子的数值，获取该每种森林火灾影响因子对应的林火风险数值；林火影响因子权重获取模块，用于获取该每种森林火灾影响因子对应的权重；林火风险等级生成模块，用于将该每个gis网格的该每种森林火灾影响因子对应的该林火风险数值和该权重输入到加权计算公式中，得出该每个gis网格的林火风险数值，并基于该林火风险数值生成该每个gis网格的林火风险等级。
15.第三方面，本发明提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行如上述的方法。
16.本发明的有益效果是：
17.本发明通过基于七大类林火影响因子计算每个gis网格的林火风险数值，克服现有技术中存在预测林火风险不方便和不准确的技术问题，实现了准确地计算待预测林区的
林火风险数值，并基于该林火风险数值生成林火风险等级，从而方便用户获知待测林区的林火风险情况，实现对林区的火灾进行提前预防。
18.另外，本发明的每个大类林火影响因子下面包括多个小类林火影响因子，一共采用了三十五类林火影响因子去计算林火风险数值。这样，使计算的林火风险数值更贴近实际情况，计算的结果更准确。
附图说明
19.图1是本发明基于多因素的林火风险等级预测方法的一实施例的流程示意图；
20.图2是图1的步骤s12中获取气象影响因子对应的林火风险数值的一实施例的流程示意图；
21.图3是图1的步骤s12中获取地貌地形影响因子的数值的一实施例的流程示意图；
22.图4是图1的步骤s12中获取植被影响因子的数值的一实施例的流程示意图；
23.图5是本发明基于多因素的林火风险等级预测装置的一实施例的结构示意图。
具体实施方式
24.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
25.实施例一
26.请参阅图1，图1是本发明基于多因素的林火风险等级预测方法的一实施例的流程示意图。如图1所示，该预测方法包括如下步骤：
27.s11：将待测林区划分为多个gis网格，获取每个gis网格的每种森林火灾影响因子的数值，所述森林火灾影响因子包括七大类：气象影响因子、地貌地形影响因子、植被影响因子、人为活动影响因子、巡查信息影响因子、应急水源影响因子、历史火灾影响因子；
28.s12：基于所述每种森林火灾影响因子的数值，获取所述每种森林火灾影响因子对应的林火风险数值；
29.具体地，将各森林火灾影响因子的数值输入到预定的算法公式或者经验公式中，获取每种森林火灾影响因子对应的林火风险数值。该预定的算法公式可以是阶梯函数。
30.其中，每个大类的森林火灾影响因子下面包括多个小类森林火灾影响因子。具体地，森林火灾影响因子的种类如下表1所示：
31.[0032][0033]
表1森林火灾影响因子的种类
[0034]
其中，可采用自动算法抓取或者人工输入或者自定义设置的方式，来获取各种森林火灾影响因子的数值。
[0035]
如图2所示，图2是图1的步骤s12中获取气象影响因子对应的林火风险数值的一实施例的流程示意图。该获取气象影响因子对应的林火风险数值的方法包括如下步骤：
[0036]
s121：获取分布于该待测林区的多个气象站点的多组气象观测数据，该每组气象观测数据包括：温度、相对湿度、地表湿度、风力、风向、实时降水量、累计降水量；
[0037]
s122：获取该每个gis网格对应的高度；
[0038]
s123：将每个站点的气象观测数据和对应的高度进行数据拟合，得出该生态区域中气象观测数据与高度之间对应关系的数学表达式；
[0039]
s124：将每个gis网格的高度代入该数学表达式中，获取该每个gis网格的气象影响因子的数值；
[0040]
s125：基于该每个gis网格的气象因子的数值，生成该每个gis网格的气象因子对应的林火风险数值。
[0041]
在图2的步骤中，该数学表达式可以是正态分布公式。
[0042]
优选地，步骤s12中获取每个gis网格的地貌地形影响因子的数值，包括：获取该待测林区的遥感影像；将该遥感影像输入到第一神经网络中，自动生成该每个gis网格的该地貌地形影响因子的数值。具体地，可采用预定的神经网格模型，采用大量的遥感影像、及该遥感影像对应的地貌地形影响因子的数值进行数据训练，得出训练好的第一神经网络。将该待测林区的遥感影像输入该第一神经网络中，即可得到该每个gis网格的地貌地形影响因子的数值。
[0043]
优选地，步骤s12中获取每个gis网格的植被影响因子的数值，包括：获取该待测林区的高光谱影像；将该高光谱影像输入到第二神经网络中，自动生成该每个gis网格的该植被影响因子的数值。具体地，可采用预定的神经网格模型，采用大量的高光谱影像、及该高光谱影像对应的植被影响因子的数值进行数据训练，得出训练好的第二神经网络。将该待测林区的遥感影像输入该第二神经网络中，即可得到该每个gis网格的植被影响因子的数值。
[0044]
s13：获取所述每种森林火灾影响因子对应的权重；
[0045]
在步骤s13中，所有大类的权重之和为100％，每项大类下的小类的权重之和等于该大类权重。例如，各大类森林火灾影响因子的权重如下表2所示：
[0046]
森林火灾影响因子类型权重气象影响因子52％地貌地形影响因子8％植被影响因子6％人为活动影响因子12％巡查信息影响因子8％应急水源影响因子10％历史火灾影响因子4％
[0047]
表二森林火灾影响因子的权重分布
[0048]
优选地，可事先在应用程序中设定各森林火灾影响因子对应的权重。也可以采用
文本框输入的方式设置各森林火灾影响因子对应的权重。
[0049]
s14：采用加权平均计算公式计算得出所述每个gis网格的总林火风险数值，并基于所述总林火风险数值生成所述每个gis网格的林火风险等级。
[0050]
在步骤s14中，该加权平均计算公式为：其中，v等于某gis网格的林火风险数值，m等于各森林火灾影响因子的大类数量，m＝7，n等于每大类森林火灾影响因子的小类数量，v
ij
等于第i大类中第j小类的森林火灾影响因子的林火风险数值，φ
ij
等于第i大类中第j小类的森林火灾影响因子的权重。
[0051]
优选地，在系统预先设置各林火风险数值对应的林火风险等级。例如，林火风险等级与林火风险数值对应的关系如下表3所示：
[0052]
林火风险等级林火风险数值ⅰ1-20ⅱ20-40ⅲ40-60ⅳ60以上
[0053]
表三林火风险等级与林火风险数值对应的关系表
[0054]
在计算得出每个gis网格的林火风险数值之后，根据上述的表3，就可得出每个gis网格对应的林火风险等级。例如，第一个gis网格计算出的林火风险数值为15，则判定该第一个gis网格对应的林火风险等级为ⅰ级。第二个gis网格计算出的林火风险数值为32，则判定该第二个gis网格对应的林火风险等级为ⅱ级。第三个gis网格计算出的林火风险数值为46，则判定该第三个gis网格对应的林火风险等级为ⅲ级。第四个gis网格计算出的林火风险数值为80，则判定该第四个gis网格对应的林火风险等级为ⅳ级。
[0055]
优选地，采用特定的颜色显示该待测林区的不同等级的该林火风险等级。如，红色代表林火风险最高等级ⅳ级；黄色代表林火风险较高等级ⅲ级；蓝色代表林火风险等级次高等级ⅱ级；绿色代表林火风险等级ⅰ级。这样，方便用户从颜色上就能区分林火风险的严重程度。
[0056]
在本实施例中，采用人工智能算法和其他预定的算法，自动获取林火影响因子，这样，可根据森林的状态变化，实时获取待测林区的林火影响因子。
[0057]
实施例二
[0058]
请参阅图5，图5是本发明基于多因素的林火风险等级预测装置的一实施例的结构示意图。如图5所示，该装置包括：
[0059]
林火影响因子数值获取模块51，用于将待测林区划分为多个gis网格，获取每个gis网格的每种森林火灾影响因子的数值，该森林火灾影响因子包括七大类：气象影响因子、地貌地形影响因子、植被影响因子、人为活动影响因子、巡查信息影响因子、应急水源影响因子、历史火灾影响因子。
[0060]
林火影响因子风险获取模块52，用于基于该每种森林火灾影响因子的数值，获取该每种森林火灾影响因子对应的林火风险数值。
[0061]
林火影响因子权重获取模块53，用于获取该每种森林火灾影响因子对应的权重。
[0062]
林火风险等级生成模块54，用于将该每个gis网格的该每种森林火灾影响因子对
应的该林火风险数值和该权重输入到加权计算公式中，得出该每个gis网格的林火风险数值，并基于该林火风险数值生成该每个gis网格的林火风险等级。
[0063]
具体地，本实施例的各模块的工作方法请参见实施例一，在此不再赘述。
[0064]
实施例三
[0065]
本发明提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行如实施例一所述的方法。
[0066]
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。