一种基于深度学习的多传感器融合预警预测方法与流程

1.本发明涉及预警预测技术领域，具体涉及一种基于深度学习的多传感器融合预警预测方法。


背景技术：

2.我国地处中纬度季风气候带，降水分布极不平衡，地形复杂，新构造运动强烈，自然灾害发生的频度高、危害广、破坏性大，成灾比率高。由于历史的原因，我国的经济生产对自然因素的依赖较大，对自然灾害的承受能力较弱，每年造成的直接经济损失占gdp的3-6％，死亡人数数以万计，根据不完全统计，气象、地震、洪涝、干旱、地质、火灾、台风等自然灾害所导致的直接经济损失50年代年平均48亿，60年代年平均55.6亿，70年代年平均59.0亿，80年代年平均69亿，1990-2000年间为175.3亿，进入21世纪以来年均2000亿。随着国民经济持续高速发展、生产规模扩大和社会财富的积累，灾害损失有日益加重的趋势。1998年长江、松花江、嫩江的特大洪水，1999年太湖流域的洪涝灾害，1999年至2001年严重的持续干旱，2003年、2007年淮河特大洪涝灾害，2006年重庆和四川特大干旱，2008年南方低温雨雪冰冻灾害，2008年汶川地震灾害，以及台风、暴雨、泥石流等灾害，均造成严重的社会经济损失。仅汶川地震就造成8000亿元经济损失，死亡人数超过8万人。
3.该模块研究灾害预警预测的关键技术，面向政府和应急减灾部门监测和管理工作需要，制定标准的包含洪灾、雪灾、火灾和评估产品在内的生产技术流程，建立系统架构，开发灾害预警预测产品模块因此本发明提出一种基于深度学习的多传感器融合预警预测方法以解决现有技术中存在的问题。


技术实现要素：

4.针对现有技术的不足，本发明提出一种基于深度学习的多传感器融合预警预测方法，该基于深度学习的多传感器融合预警预测方法，有效避免了单一监测传感器监测的不足，获取信息更加全面，减少误报情况发生，洪灾、火灾和旱灾预警准确率有效提升，充分利用监测传感器监测数据，融合结果及决策相对普通火灾报警器模块更加准确，火灾预警更加高效。
5.本发明的技术方案是这样实现的：一种基于深度学习的多传感器融合预警预测方法，包括以下步骤；
6.步骤一：通过洪涝灾害传感器、火灾传感器、旱灾传感器和主控系统进行预测预警，所述主控系统控制洪涝灾害传感器、火灾传感器和旱灾传感器对灾难进行预测，所述主控系统将预测后结果传输至报警器模块中；
7.步骤二：通过报警器模块进行报警预警处理，所述主控系统将预测后结果传输至数据整理模块；
8.步骤三：其次通过数据整理模块对每次预测的结果进行整理收集，所述数据整理模块将涝灾害传感器、火灾传感器和旱灾传感器造成的灾害预测发送至数据评估模块，所
述数据评估模块对发生的灾害进行等级划分，所述数据评估模块将数据传输至学习记忆整理库；
9.步骤四：然后通过学习记忆整理库对每次发生的灾害记录进行保存便于下次快速评估使用；
10.步骤五：最后通过数据评估模块将发生的灾害数据导入应对生成模块，通过应对生成模块将灾害应对方案进行生成便于工作人员作出应对。
11.进一步改进在于：在所述步骤一中，洪涝灾害传感器预报造成洪涝灾害的降雨级别，通过主控系统提取生成灾害的信息，通过数据评估模块进行快速评估，所述火灾传感器对森林火灾进行监测和识别，通过数据评估模块进行灾害等级鉴定，所述旱灾传感器对空气温湿度气象信息进行监测，通过数据评估模块预报造成雪灾的降雪级别。
12.进一步改进在于：在所述步骤一中，主控系统连接着无限传输模块，所述无限传输模块将预测的内容进行传输工作，将灾害信息进行发放传输处理，所述无限传输模块与学习记忆整理库相连接。
13.进一步改进在于：在所述步骤一中，无限传输模块连接着本地显示模块，所述本地显示模块连接着应对生成模块，通过本体显示模块对灾害的应对方案进行显示，便于工作人员观看使用。
14.进一步改进在于：在所述步骤一中，洪涝灾害传感器实现步骤如下，在规则格网的dem数据上，不同gc的像元映射到水平面后形成的都是规则的矩形格网，所以淹没区范围面积就是符合淹没条件的像元投影面积之和，而每个像元投影到水平面上的面积都是相等的以s0表示，所以洪涝灾害淹没区面积s为，s＝s,xn＝d,
×
d,xn式中，dx
×
dy为像元分辨率大小，n为洪涝淹没区计算摸型确定的像元个数。
15.进一步改进在于：在所述步骤一中，火灾传感器实现步骤如下，利用环境减灾卫星ccd图像监测森林火灾利用环境减灾卫星ccd图像可以监测正在蔓延的火灾，也可以对已经扑灭的森林火灾进行受灾范围提取以及过火面积计算。
16.进一步改进在于：在所述步骤一中，旱灾传感器实现步骤如下，envi打开数据，其中波段列表框里有三个数据集，分别为表观反射率数据集、辐射值数据集、发射值数据集，选择反射率数据集，反射率数据集中第一第二波段数据获取归一化植被指数(ndvi)，ndvi＝(rch 2-rch 1)/rch 2 rch 1)，ndvi为归一化植被指数(ndv i)；rch1与rch2为modis第1与第2波段反射率，地表温度数据反演通过第31和32波段的经验公式获取，其中t31,t32分别是mod is第31和第32波段的亮度温度,利用这两个波段的图像dn值进行波段运算，计算干旱指数，通过ndvi和ts两个参数波段，构建二维特征空间，其中x轴为ndvi，y轴为ts，根据散点图计算干湿边统计回归方程，根据干湿边计算干旱指数，干湿边方程的计算，在特征空间中选择ts最大和最小的点集合，将点值导出进行线性统计回归，计算出干湿边方程。
17.与现有技术相比，本发明具有以下优点：该种基于深度学习的多传感器融合预警预测方法，有效避免了单一监测传感器监测的不足，获取信息更加全面，减少误报情况发生，洪灾、火灾和旱灾预警准确率有效提升，充分利用监测传感器监测数据，融合结果及决策相对普通火灾报警器模块更加准确，火灾预警更加高效，采用无线传输模块，手机app获取灾害信息，传输距离远，有网即可访问云服务器数据，灾害预警及监测更加方便快捷。
附图说明
18.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
19.图1为本发明系统模块展示图。
具体实施方式
20.下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
21.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”、“第四”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
22.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
23.参见图1，本发明实施方式公开了一种基于深度学习的多传感器融合预警预测方法，包括以下步骤；
24.步骤一：通过洪涝灾害传感器、火灾传感器、旱灾传感器和主控系统进行预测预警，所述主控系统控制洪涝灾害传感器、火灾传感器和旱灾传感器对灾难进行预测，所述主控系统将预测后结果传输至报警器模块中；
25.步骤二：通过报警器模块进行报警预警处理，所述主控系统将预测后结果传输至数据整理模块；
26.步骤三：其次通过数据整理模块对每次预测的结果进行整理收集，所述数据整理模块将涝灾害传感器、火灾传感器和旱灾传感器造成的灾害预测发送至数据评估模块，所述数据评估模块对发生的灾害进行等级划分，所述数据评估模块将数据传输至学习记忆整理库；
27.步骤四：然后通过学习记忆整理库对每次发生的灾害记录进行保存便于下次快速评估使用；
28.步骤五：最后通过数据评估模块将发生的灾害数据导入应对生成模块，通过应对生成模块将灾害应对方案进行生成便于工作人员作出应对。
29.在步骤一中，洪涝灾害传感器预报造成洪涝灾害的降雨级别，通过主控系统提取生成灾害的信息，通过数据评估模块进行快速评估，所述火灾传感器对森林火灾进行监测
和识别，通过数据评估模块进行灾害等级鉴定，所述旱灾传感器对空气温湿度气象信息进行监测，通过数据评估模块预报造成雪灾的降雪级别。
30.在步骤一中，主控系统连接着无限传输模块，所述无限传输模块将预测的内容进行传输，将灾害信息进行发放传输处理，所述无限传输模块与学习记忆整理库相连接。
31.在步骤一中，主控系统连接着无限传输模块，无限传输模块将预测的内容进行传输工作，将灾害信息进行发放传输处理，无限传输模块与学习记忆整理库相连接。
32.在步骤一中，无限传输模块连接着本地显示模块，本地显示模块连接着应对生成模块，通过本体显示模块对灾害的应对方案进行显示，便于工作人员观看使用。
33.在步骤一中，洪涝灾害传感器实现步骤如下，在规则格网的dem数据上，不同gc的像元映射到水平面后形成的都是规则的矩形格网，所以淹没区范围面积就是符合淹没条件的像元投影面积之和，而每个像元投影到水平面上的面积都是相等的以s0表示，所以洪涝灾害淹没区面积s为，s＝s,xn＝d,
×
d,xn式中，dx
×
dy为像元分辨率大小，n为洪涝淹没区计算摸型确定的像元个数。
34.在步骤一中，火灾传感器实现步骤如下，利用环境减灾卫星ccd图像监测森林火灾利用环境减灾卫星ccd图像可以监测正在蔓延的火灾，也可以对已经扑灭的森林火灾进行受灾范围提取以及过火面积计算。
35.在步骤一中，旱灾传感器实现步骤如下，envi打开数据，其中波段列表框里有三个数据集，分别为表观反射率数据集、辐射值数据集、发射值数据集，选择反射率数据集，反射率数据集中第一第二波段数据获取归一化植被指数(ndvi)，ndvi＝(rch 2-rch 1)/rch 2 rch 1)，ndvi为归一化植被指数(ndv i)；rch1与rch2为modis第1与第2波段反射率，地表温度数据反演通过第31和32波段的经验公式获取，其中t31,t32分别是mod is第31和第32波段的亮度温度,利用这两个波段的图像dn值进行波段运算，计算干旱指数，通过ndvi和ts两个参数波段，构建二维特征空间，其中x轴为ndvi，y轴为ts，根据散点图计算干湿边统计回归方程，根据干湿边计算干旱指数，干湿边方程的计算，在特征空间中选择ts最大和最小的点集合，将点值导出进行线性统计回归，计算出干湿边方程。
36.该种基于深度学习的多传感器融合预警预测方法使用时，通过报警器模块进行报警预警处理，通过学习记忆整理库对每次发生的灾害记录进行保存便于下次快速评估使用，通过应对生成模块将灾害应对方案进行生成便于工作人员作出应对，通过主控系统提取生成灾害的信息在通过数据评估模块进行快速评估，无限传输模块将预测的内容进行传输工作，将灾害信息进行发放传输处理，无限传输模块与学习记忆整理库相连接，通过本体显示模块对灾害的应对方案进行显示，便于工作人员观看使用。