基于多模态信息分析的雷击火识别方法

本发明涉及森林雷击火识别预测领域，更具体地说，它涉及基于多模态信息分析的雷击火识别方法。

背景技术：

1、近年来，受全球气候变化和极端天气事件增多的影响，我国雷击火现象日趋严重，给我国生态环境和人民生命财产安全带来损失。目前，对于雷击火的识别监测方法主要包括：1.气象数据监测法，通过观测到的气象数据结合历史资料预测雷击火的位置和发生的概率；2.遥感技术识别法，通过遥感和地表环境相结合识别森林雷击火；3.无人机监测法，通过在无人机上搭载计算机模块获取森林图像信息，分析识别森林雷击火。

2、然而，气象数据监测法通过观测到的气象数据结合历史资料能够预测雷击火的位置和概率，但不能对森林雷击火进行准确的识别监测；遥感技术识别法通过遥感和地表环境相结合识别森林雷击火的方法，在地形复杂或偏远地区，方法所需的全球闪电定位网数据的精度和覆盖范围会受限，影响闪电位置的精确度；无人机监测法通过搭载计算机模块获取森林图像信息，能够识别森林雷击火，但会受到光照、烟雾、树叶遮挡等环境因素的影响，导致识别率下降。

技术实现思路

1、本发明提供基于多模态信息分析的雷击火识别方法，解决相关技术中对于雷击火识别概率低，位置定位不准确的技术问题。

2、本发明提供了基于多模态信息分析的雷击火识别方法，包括：

3、步骤s101，在第一预设时间段t内，按照预设时间间隔t采集待监测区域的m个子区域的监测数据，并将每个子区域的监测数据转换为第一特征序列表示；

4、第m个子区域的第一特征序列的第n个序列单元表示第m个子区域在第n个时间点的监测数据，其中1≤m≤m，1≤n≤n，n＝t/t；

5、监测数据包括：气象数据和遥感图像；

6、气象数据包括：温度、湿度、气压、风速、风向、降雨量、co气体浓度、no2气体浓度、o3气体浓度、pm1.0浓度、pm2.5浓度、pm10浓度；

7、步骤s102，对待监测区域的m个子区域的监测数据进行预处理，将每个子区域的第一特征序列转换为第二特征序列表示；

8、第m个子区域的第二特征序列的第n个序列单元表示第m个子区域在第n个时间点的预处理后的监测数据；

9、步骤s103，根据待监测区域的m个子区域的监测数据构建图结构数据；

10、图结构数据包括：节点、节点的初始特征和节点之间的边；

11、节点与子区域建立映射关系；

12、节点的初始特征通过与其建立映射关系的子区域的第二特征序列表示；

13、步骤s104，构建并训练森林雷击火预测模型；

14、森林雷击火预测模型的输入为图结构数据，输出的值表示在第二预设时间段g内的m个子区域发生森林雷击火的概率值；

15、步骤s105，根据在第二预设时间段g内的m个子区域发生森林雷击火的概率值生成预警措施。

16、进一步地，t、t、m、m、n、n、g均为自定义参数。

17、进一步地，预处理的步骤包括：

18、步骤s201，对于气象数据中的缺失值通过取前一个序列单元的值和后一个序列单元的值的平均值进行填充处理；

19、步骤s202，通过最大最小归一化方法对气象数据进行归一化处理；

20、步骤s203，通过大气校正模型对遥感图像进行大气校正；

21、步骤s204，通过归一化差异植被指数计算待监测区域的遥感图像中每个子区域的归一化差异植被指数值，并拼接在监测数据之后，归一化差异植被指数的计算公式如下：

22、

23、其中nir表示近红外波段的反射率，red表示红光波段的反射率。

24、进一步地，构建边的方式包括：

25、相邻子区域之间构建边；

26、判断第一范围内的每个子区域的中心点之间的连线与风向之间的夹角值小于等于夹角阈值，则子区域之间构建边；

27、计算第二范围内的每个子区域的第二特征序列的余弦相似度，余弦相似度大于等于相似度阈值，则子区域之间构建边。

28、进一步地，森林雷击火预测模型包括：第一隐藏层、第二隐藏层和第一分类器；

29、第一隐藏层包括：n个第一单元、拼接器、第二单元和提取器；

30、n个第一单元共享权重参数和偏置参数；

31、第n个第一单元输入每个节点的第二特征序列的第n个序列单元中的遥感图像，输出遥感图像特征，并将其转换为向量表示；

32、第n个拼接器用于将第n个第一单元输出的遥感图像特征的向量表示拼接在第二特征序列的第n个序列单元的气象数据之后获得组合向量；

33、第n个第二单元输入每个节点的第二特征序列的第n个序列单元，输出第一更新特征；

34、提取器用于将第n个第二单元输出的第一更新特征作为节点的初始特征；

35、第二隐藏层输入图结构数据，输出图更新矩阵，图更新矩阵的每个行向量对应一个节点的第二更新特征；

36、将每个节点的第二更新特征输入到第一分类器，第一分类器的分类空间表示在第二预设时间段g内的节点所建立映射关系的子区域发生森林雷击火的概率值。

37、进一步地，第一单元基于卷积神经网络构建。

38、进一步地，第二单元基于长短期记忆网络单元构建。

39、进一步地，第二隐藏层的计算公式包括：

40、

41、其中s表示第二隐藏层输出的图更新矩阵，表示第m个节点的第二更新特征，hm表示第m个节点的初始特征，wm表示第m个节点对应的权重参数，表示第二邻接矩阵，a表示第二隐藏层输入图结构数据的邻接矩阵，邻接矩阵的大小为m×m，邻接矩阵的元素表示节点之间的连接关系，元素值通过0或者1表示，0表示节点之间不存在连接关系，否则存在连接关系，i表示单位矩阵，单位矩阵的大小为m×m，单位矩阵的对角线上的元素值赋值为1，其余元素值赋值为0，表示归一化后的度矩阵，的对角线上第m个元素值通过取的第m行元素值的总和，度矩阵的大小为m×m，度矩阵的元素表示与节点存在边连接的数量，relu表示relu激活函数。

42、进一步地，通过人工标注的方式获得用于训练森林雷击火预测模型的训练样本的样本标签。

43、进一步地，将子区域发生森林雷击火的概率值划分为3个等级，概率值在0到0.2之间为低风险等级，低风险等级不采取特别措施；概率值在0.2到0.5之间为中风险等级，中风险等级的预警措施为增加数据采集频率，预先安排消防资源，通过媒体发布警告，提醒当地居民注意防火；概率值在0.5到1之间为高风险等级，高风险等级的预警措施为立即向相关部门和公众发布紧急预警，立即调动消防队伍到高风险区域周边，做好灭火准备。

44、本发明的有益效果在于：本发明通过森林雷击火预测模型综合考虑了相邻区域植被条件的影响和不同区域的气象数据在时间维度上的变化来识别预测森林雷击火，并根据概率值生成预警措施，从而实现了对森林雷击火的准确识别、监测和及时预警。