CN112308292B - 一种火灾风险等级分布图的绘制方法 - Google Patents
一种火灾风险等级分布图的绘制方法 Download PDFInfo
- Publication number
- CN112308292B CN112308292B CN202011077194.7A CN202011077194A CN112308292B CN 112308292 B CN112308292 B CN 112308292B CN 202011077194 A CN202011077194 A CN 202011077194A CN 112308292 B CN112308292 B CN 112308292B
- Authority
- CN
- China
- Prior art keywords
- fire
- data
- grid
- value
- risk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012876 topography Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000004140 cleaning Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 19
- 238000012417 linear regression Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000002360 explosive Substances 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000004836 empirical method Methods 0.000 claims 1
- 238000011160 research Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 3
- 206010000369 Accident Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000116 mitigating effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000013058 risk prediction model Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000013488 ordinary least square regression Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明公开了一种火灾风险等级分布图的绘制方法，包括以下步骤：选择绘制火灾等级分布图的城市，收集该城市中历史火点发生地的火灾影响因素数据、火灾情况数据以建立火灾信息分布情况数据集；对所述城市内区域中的各类地形地貌进行标记和提取，得到网格数据；利用数据清洗与特征提取方法对火灾信息分布情况数据集进行预处理；将预处理后的火灾信息分布情况数据集，采用机器学习算法进行训练，得到多个预测模型；利用这些预测模型对所述网格数据进行计算，得到每个网格所对应的预测值；确定各预测值权重，计算出最终风险值，进行归一化处理和等级划分；基于所述网格数据以及划分后的等级，绘制火灾风险等级分布图。
Description
技术领域
本发明涉及火灾防控管理领域，具体涉及一种火灾风险等级分布图的绘制方法。
背景技术
随着经济的高速发展和城市化进程的快速推进，现代社会的火灾情况愈加复杂，加上基础设施建设的相对滞后，火灾事故频发，火灾风险不断增加，对社会和经济的可持续发展带来越来越严重的影响。因此为了预防和减少火灾事故发生，并为消防部门和城市建设及管理部门在防灾减灾措施方面提供参考，对地区火灾风险进行评估显得十分必要。
发明内容
为了解决区域火灾风险评估技术的空缺与不足，本发明的目的是提供一种火灾风险等级分布图的绘制方法，通过预测火灾风险分布情况，提前采取对应的预防措施，为防灾减灾提供数据支持与参考。
为了实现上述任务，本发明采用以下技术方案：
一种火灾风险等级分布图的绘制方法，包括以下步骤：
选择绘制火灾等级分布图的城市，收集该城市中历史火点发生地以及其他区域的火灾影响因素数据、历史火点发生地的火灾情况数据以建立火灾信息分布情况数据集；所述火灾影响因素数据包括环境信息、危险源和气象信息；所述历史火点发生地的火灾情况数据包括火灾面积大小、财产损失以及人员伤亡情况；
对所述城市内区域中的各类地形地貌进行标记和提取，得到网格数据，网格数据形式为每一经纬度坐标对应一个地形；
利用数据清洗与特征提取方法对火灾信息分布情况数据集进行预处理；
将预处理后的火灾信息分布情况数据集中，历史火点发生地的即环境信息、危险源、气象信息作为自变量，分别将火灾面积大小、财产损失、人员伤亡情况作为因变量，采用机器学习算法进行训练，得到火灾面积大小预测模型、财产损失预测模型以及人员伤亡情况预测模型；利用这些预测模型对所述网格数据进行计算，得到每个网格所对应的火灾面积大小、财产损失以及人员伤亡情况预测值；
对所获得的火灾面积大小、财产损失、人员伤亡情况预测值，确定各预测值权重，计算出最终风险值，进行归一化处理和等级划分；
基于所述网格数据以及划分后的等级，绘制火灾风险等级分布图。
进一步地，所述环境信息具体包括地形地貌、人口密度、建筑物密度；危险源具体包括易燃易爆品、加油站、化工厂和电力设施；气象信息具体包括温度、湿度、风速大小、降雨量；为确保准确度，网格应尽可能小，使每一网格内仅包含一类地形地貌；所有网格划分以及经纬度坐标转换按照一致性原则进行处理。
进一步地，所述对所述城市内区域中的各类地形地貌进行标记和提取，得到网格数据，包括：
获取城市的瓦片地图，进行图片标记，获取训练集；使用标注工具对部分瓦片图进行标记，标记种类为居住地、森林、树林、河流、海洋、农田、湖泊，公路，每一个标记的图片对应一个.xml文件，对获得的xml文件进行批量解析进而获得训练模型所需要的训练集；
下载开源的神经网络框架Darknet53，对其进行编译，修改参数文件后，加入训练集并设置训练权重，保存训练好的模型；
利用训练好的模型对所有瓦片图进行标记和信息提取。
进一步地，所述利用数据清洗与特征提取方法对火灾信息分布情况数据集进行预处理，包括：
利用多重共线性检验判断输入变量之间是否存在多重共线性；为消除多重共线性，利用主成分分析方法，在尽可能保留原始信息的前提下，降低数据维度，减少数据信息的相关度和冗余度；对于非数据量，采取专家经验法直接进行赋值；采用最大、最小归一化方法对数据进行归一化处理，使得各数据的数据范围缩放到[0,1]之间。
进一步地，所述机器学习算法采用多元线性回归算法处理数据，其模型表达式为：
y＝β0+β1Z1+β2Z3+…+βkZk+ε
式中：Zk为第k个主成分；β0，β1，…，βk为回归系数；ε为随机误差项；多元线性回归模型拟合方式采用最小二乘法，使得误差平方和达到最小；模型评估指标采用均方根误差。
进一步地，所述确定各预测值权重，计算出最终风险值，进行归一化处理和等级划分，包括：
利用层次分析法对火灾面积大小、财产损失、人员伤亡情况预测值三个因素设置权重，具体包括建立比较矩阵、获得特征值与特征向量，通过计算一致性指标、随机一致性指标和一致性比率判断是否通过一致性检验，若通过一致性检验，则特征向量值为各因素所对应权重；
将每一网格所对应的三个预测值乘以相应的权重值计算出最终风险值，将数据进行归一化处理，数值在[0，0.3)区间设置为低风险，数值在[0.3，0.5)区间设置为中风险，数值在[0.5，0.75)区间设置为中高风险，数值在[0.75，1]区间设置为高风险。
进一步地，所述基于所述网格数据以及划分后的等级，绘制火灾风险等级分布图，包括：
根据城市的边界坐标利用属性数据选择显示出行政范围，结合同一坐标系统下的航空影像，建立图层利用ArcMap软件中编辑工具勾画出边界，进行裁剪；将包含所有数据的.txt文导入ArcMap软件中，对txt文档中的X Field和Y Field指定为经纬度字段，根据所述的等级划分，对所有数据点进行分类导出到图层，得到火灾风险等级分布图。
与现有技术相比，本发明具有以下技术特点：
1.本发明充分考虑导致火灾发生的相关影响因素，结合不同地理、气象、地区景观等多元数据的特征信息，分析火灾风险分布与多源数据之间的关系，所绘制的火灾风险等级分布图准确、有效；基于该分布图进行火灾风险预测，能为城市建设管理部门和消防部门提供有效的决策建议，具有重要的实际应用价值。
2.本发明采用YOLOv3自动标记算法、数理统计和机器学习领域的相关算法，通过数据处理与挖掘、模型训练，构建多元线性回归模型，得到火灾风险预测模型，使得模型建立更加准确。
附图说明
图1为本发明的火灾风险等级分布图的绘制方法的流程示意图。
具体实施方式
为了对火灾状况有明确认识与同一标准，进行火灾风险等级分布图的绘制，通过分布图了解火灾风险分布情况，并预测火灾情况，再进行相应的预防措施，如提前进行火灾风险排查等方法来预防火灾的发生。
参见图1，本发明提供的一种火灾风险等级分布图的绘制方法，包括以下步骤：
步骤1，构建火灾信息分布情况数据集
选择绘制火灾等级分布图的城市，收集该城市中历史火点发生地以及其他区域的火灾影响因素数据、历史火点发生地的火灾情况数据以建立火灾信息分布情况数据集；所述火灾影响因素数据包括环境信息、危险源和气象信息，其中：
环境信息具体包括地形地貌、人口密度、建筑物密度；危险源具体包括易燃易爆品、加油站、化工厂和电力设施；气象信息具体包括温度、湿度、风速大小、降雨量；所述历史火点发生地的火灾情况数据包括火灾面积大小、财产损失以及人员伤亡情况。
人口密度与建筑物密度数据从相关部门获得，利用面插值、点插值和地理统计学方法等空间插值方法对数据进行空间化处理；气象信息取过去15天各气象要素的均值。特别的，所述火灾影响因素数据、火灾情况数据按照网格进行统计，为确保准确度，网格尽可能较小，使每一网格内尽量仅包含一类地形地貌，气象值误差较小。本发明所涉及的所有网格划分以及经纬度坐标转换按照一致性原则进行处理。
本实施例中，选取某市作为研究对象，收集近十年来的所有火灾发生点以及该市所有区域的环境信息、危险源和气象信息。上述数据通过消防部门历史记录数据、实地调研、气象监测站协助等方式获取。对于某些没有覆盖到的区域通过插值方法进行获取，将获得到的数据按照区域网格进行划分。
步骤2，获取地形地貌数据
目前针对区域地形地貌的信息提取研究较少，因此本发明利用yoloV3图片标记算法对区域内各类地形地貌进行标记和提取，得到网格数据。由于火灾的发生与地形地貌有着紧密的联系，因此需要获得地区的地形地貌信息，YOLOv3是一种目标监测网络，主要是通过学习大量标记过的图片，实现对学习过的物体进行自动标记。具体步骤如下：
步骤2.1，获取瓦片图。利用水经注地图下载软件获取城市的瓦片地图，图片大小为256*256。
步骤2.2，利用labelimg软件进行图片标记，获取训练集。使用标注工具labelimg,对部分瓦片图进行标记，标记种类为居住地、森林、树林、河流、海洋、农田、湖泊，公路，每一个标记的图片对应一个.xml文件，对获得的xml文件进行批量解析进而获得训练模型所需要的训练集。
步骤2.3，模型环境部署。在linux环境下，下载开源的神经网络框架Darknet53，对其进行编译，修改参数文件后，加入训练集并设置训练权重，保存训练好的模型；本实施例中，所述训练权重采用darknet53.conv.74。
步骤2.4，利用训练好的模型对所有瓦片图进行标记和信息提取。每一张瓦片图对应一个经纬度，也对应包含着地形类型信息，因此生成的网格数据形式为每一经纬度坐标对应一个地形。
以历史火点数据为参考，网格数据只缺少后三项。需要收集的数据如表1所示。
表1收集数据示例
步骤3，利用数据清洗与特征提取方法对火灾信息分布情况数据集进行预处理
步骤3.1，数据预处理
由于火灾信息分布情况数据集中收集到的数据包含多种类型，对于非数据量，采取专家经验法直接进行赋值。由于各变量量纲不一致，会对研究结果造成影响，因此采用最大、最小归一化方法分别对数据进行归一化处理，使得各变量的数据范围缩放到[0,1]之间，其表达式为：
式中，X和Y分别为归一化前后的数值；Xmax和Xmin分别为样本的最大值和最小值。
步骤3.2，利用多重共线性检验判断数据之间是否存在多重共线性。
多重共线性是指模型中的数据之间由于存在高度相关关系而使模型估计失真或难以估计准确，用方差膨胀因子来评估，公式如下：
式中：
为Xj对所有数据回归的判定系数R2，若VIF＝1，表示完全不存在共线性；若1＜VIF＜5，表示几乎不存在多重共线性；若5≤VIF＜10，表示可能存在多重共线性；若VIF≥10，表示存在严重的多重共线性。
步骤3.3，特征提取
为消除多重共线性，利用主成分分析方法，在尽可能保留原始信息的前提下，降低数据维度，减少数据信息的相关度和冗余度，降低建模复杂度。
步骤4，构建火灾风险预测模型
将预处理后的火灾信息分布情况数据集中，历史火点发生地的火灾影响因素数据，即环境信息、危险源、气象信息作为自变量，分别将火灾情况数据，即火灾面积大小、财产损失、人员伤亡情况作为因变量，采用机器学习领域中的多元线性回归、灰色线性回归、支持向量回归、决策树、贝叶斯等预测算法进行训练，得到火灾面积大小预测模型、财产损失预测模型以及人员伤亡情况预测模型。
由于多元线性回归模型主要用于判断多个预测变量与预测指标之间的关系，因此本实施例中采用多元线性回归算法处理数据，其模型表达式为：
y＝β0+β1Z1+β2Z3+…+β+Zk+ε
式中：Zk为第k个主成分；β0，β1，…，βk为回归系数；ε为随机误差项。多元线性回归模型拟合方式采用普通最小二乘法，即找到合适的β0，β1，…，βk，使得误差平方和
达到最小，其中n为样本量。模型评估指标采用均方根误差(RMSE)，RMSE是用来衡量预测值与真实值之间的偏差，其值越小代表预测精度越高，其表达式为：
式中：
为t时刻模型的预测值；y(t)为t时刻模型的真实值；n为样本量。
利用多元线性回归算法构建火灾面积大小预测模型、财产损失预测模型以及人员伤亡情况预测模型之后，利用各个预测模型对步骤2所得到的所有网格数据进行计算，得到每个网格所对应的火灾面积大小、财产损失以及人员伤亡情况预测值。
步骤5，基于预测值进行风险等级划分
对步骤4所获得的火灾面积大小、财产损失、人员伤亡情况预测值，利用人为判断法、排序法、比率法和成对比较法等方法确定各预测值权重，计算出最终风险值，进行归一化处理和等级划分。
本实施例利用层次分析法对火灾面积大小、财产损失、人员伤亡情况三个因素设置权重，具体包括建立比较矩阵、获得特征值与特征向量，通过计算一致性指标
随机一致性指标RI和一致性比率
判断是否通过一致性检验，若通过一致性检验，则特征向量值为各因素所对应权重。
将每一网格所对应的三个预测值乘以相应的权重值计算出最终风险值，将数据进行归一化处理，数值在[0，0.3)区间设置为低风险，数值在[0.3，0.5)区间设置为中风险，数值在[0.5，0.75)区间设置为中高风险，数值在[0.75，1]区间设置为高风险。
步骤6，绘制火灾风险等级分布图。
利用ArcMap软件，绘制火灾风险等级分布图。根据该市的边界坐标利用属性数据选择显示出行政范围，结合同一坐标系统下的航空影像，建立图层利用ArcMap中编辑工具勾画出边界，进行裁剪；将包含所有数据的.txt文导入ArcMap中，利用“Display XYdata…”菜单对txt文档中的X Field和Y Field指定为经纬度字段，根据步骤5的等级划分，对所有数据点进行分类导出到图层，得到火灾风险等级分布图。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (1)
1.一种火灾风险等级分布图的绘制方法，其特征在于，包括以下步骤：
选择绘制火灾等级分布图的城市，收集该城市中历史火点发生地的火灾影响因素数据、历史火点发生地的火灾情况数据以建立火灾信息分布情况数据集；所述火灾影响因素数据包括环境信息、危险源和气象信息；所述历史火点发生地的火灾情况数据包括火灾面积大小、财产损失以及人员伤亡情况；
对所述城市内区域中的各类地形地貌进行标记和提取，得到网格数据，网格数据形式为每一经纬度坐标对应一个地形；
利用数据清洗与特征提取方法对火灾信息分布情况数据集进行预处理；
将预处理后的火灾信息分布情况数据集中，历史火点发生地的环境信息、危险源、气象信息作为自变量，分别将火灾面积大小、财产损失、人员伤亡情况作为因变量，采用机器学习算法进行训练，得到火灾面积大小预测模型、财产损失预测模型以及人员伤亡情况预测模型；利用这些预测模型对所述网格数据进行计算，得到每个网格所对应的火灾面积大小、财产损失以及人员伤亡情况预测值；
对所获得的火灾面积大小、财产损失、人员伤亡情况预测值，确定各预测值权重，计算出最终风险值，进行归一化处理和等级划分；
基于所述网格数据以及划分后的等级，绘制火灾风险等级分布图；
所述环境信息具体包括地形地貌、人口密度、建筑物密度；危险源具体包括易燃易爆品、加油站、化工厂和电力设施；气象信息具体包括温度、湿度、风速大小、降雨量；为确保准确度，使每一网格内仅包含一类地形地貌；所有网格划分以及经纬度坐标转换按照一致性原则进行处理；
所述对所述城市内区域中的各类地形地貌进行标记和提取，得到网格数据，包括：
获取城市的瓦片地图，进行图片标记，获取训练集；使用标注工具对部分瓦片图进行标记，标记种类为居住地、森林、树林、河流、海洋、农田、湖泊，公路，每一个标记的图片对应一个xml文件，对获得的xml文件进行批量解析进而获得训练模型所需要的训练集；
下载开源的神经网络框架Darknet53，对其进行编译，修改参数文件后，加入训练集并设置训练权重，保存训练好的模型；
利用训练好的模型对所有瓦片图进行标记和信息提取；
所述利用数据清洗与特征提取方法对火灾信息分布情况数据集进行预处理，包括：
利用多重共线性检验判断输入变量之间是否存在多重共线性；为消除多重共线性，利用主成分分析方法，降低数据维度，减少数据信息的相关度和冗余度；对于非数据量，采取专家经验法直接进行赋值；采用最大、最小归一化方法对数据进行归一化处理，使得各数据的数据范围缩放到[0,1]之间；
所述机器学习算法采用多元线性回归算法处理数据，其模型表达式为：
y＝β0+β1Z1+β2Z3+…+βkZk+ε
式中：Zk为第k个主成分；β0,β1,…,βk为回归系数；ε为随机误差项；多元线性回归模型拟合方式采用最小二乘法，使得误差平方和达到最小；模型评估指标采用均方根误差；
所述确定各预测值权重，计算出最终风险值，进行归一化处理和等级划分，包括：
利用层次分析法对火灾面积大小、财产损失、人员伤亡情况预测值三个因素设置权重，具体包括建立比较矩阵、获得特征值与特征向量，通过计算一致性指标、随机一致性指标和一致性比率判断是否通过一致性检验，若通过一致性检验，则特征向量值为各因素所对应权重；
将每一网格所对应的三个预测值乘以相应的权重值计算出最终风险值，将数据进行归一化处理，数值在[0,0.3)区间设置为低风险，数值在[0.3,0.5)区间设置为中风险，数值在[0.5,0.75)区间设置为中高风险，数值在[0.75,1]区间设置为高风险；
所述基于所述网格数据以及划分后的等级，绘制火灾风险等级分布图，包括：
根据城市的边界坐标利用属性数据选择显示出行政范围，结合同一坐标系统下的航空影像，建立图层，利用ArcMap软件中编辑工具勾画出边界，进行裁剪；将包含所有数据的txt文导入ArcMap软件中，对txt文档中的X Field和Y Field指定为经纬度字段，根据所述的等级划分，对所有数据点进行分类导出到图层，得到火灾风险等级分布图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011077194.7A CN112308292B (zh) | 2020-10-10 | 2020-10-10 | 一种火灾风险等级分布图的绘制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011077194.7A CN112308292B (zh) | 2020-10-10 | 2020-10-10 | 一种火灾风险等级分布图的绘制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112308292A CN112308292A (zh) | 2021-02-02 |
| CN112308292B true CN112308292B (zh) | 2023-01-20 |
Family
ID=74489530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011077194.7A Active CN112308292B (zh) | 2020-10-10 | 2020-10-10 | 一种火灾风险等级分布图的绘制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112308292B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112991670A (zh) * | 2021-02-04 | 2021-06-18 | 西安美格智联软件科技有限公司 | 消防危险区域分类管控方法、系统、存储介质、处理终端 |
| CN112884324A (zh) * | 2021-02-21 | 2021-06-01 | 深圳数研锦瀚智慧科技有限公司 | 一种森林火险监测方法、装置及存储介质 |
| CN113033391B (zh) * | 2021-03-24 | 2022-03-08 | 浙江中辰城市应急服务管理有限公司 | 一种火灾风险预警研判方法及系统 |
| CN113554281B (zh) * | 2021-07-02 | 2024-11-05 | 北京淇瑀信息科技有限公司 | 基于网格的用户业务风险的分析方法、装置和电子设备 |
| CN113793066B (zh) * | 2021-09-30 | 2022-04-01 | 成都安讯智服科技有限公司 | 基于风险分析的项目位置聚合方法、系统、终端及介质 |
| CN113902963B (zh) * | 2021-12-10 | 2022-06-17 | 交通运输部公路科学研究所 | 一种隧道火灾检测能力的评估方法及装置 |
| CN114298392B (zh) * | 2021-12-23 | 2023-05-12 | 电子科技大学 | 一种面向森林火灾的火线经纬度预测方法 |
| CN114997571A (zh) * | 2022-04-24 | 2022-09-02 | 清华苏州环境创新研究院 | 一种场地大数据风险筛查方法与装置 |
| CN114912842A (zh) * | 2022-06-16 | 2022-08-16 | 中国人民警察大学 | 一种基于情景元演化链路的应急方案动态调整方法及系统 |
| CN115273438B (zh) * | 2022-07-05 | 2023-05-02 | 广东远景信息科技有限公司 | 基于5g的森林智慧防火方法、装置、系统、设备及介质 |
| CN115147024B (zh) * | 2022-09-05 | 2022-12-13 | 杭州元声象素科技有限公司 | 一种地理加权回归的网格化险情处理方法和系统 |
| CN116629449A (zh) * | 2023-06-16 | 2023-08-22 | 中国民航科学技术研究院 | 机场风切变不安全事件模型预测方法、装置及存储介质 |
| CN117592789B (zh) * | 2024-01-18 | 2024-04-16 | 山东金桥保安器材有限公司 | 基于时间序列分析的电网环境火灾风险评估方法及设备 |
| CN119181193B (zh) * | 2024-08-27 | 2025-04-01 | 江苏正安消防检测评估服务有限公司 | 多通道气体分析的消防设施火灾早期预警系统 |
| CN119089796A (zh) * | 2024-09-11 | 2024-12-06 | 摩力方科技(北京)有限公司 | 充电场所灭火剂用量预测模型构建方法及装置 |
| CN119417224A (zh) * | 2024-10-23 | 2025-02-11 | 中国矿业大学(北京) | 一种基于XGBoost模型的餐饮场所区域火灾风险预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009351A (zh) * | 2017-11-30 | 2018-05-08 | 国网湖南省电力有限公司 | 雷击跳闸风险的分布图绘制方法 |
| CN109064050A (zh) * | 2018-08-17 | 2018-12-21 | 公安部沈阳消防研究所 | 基于大数据的多元线性回归火灾风险评估方法 |
| CN111611524A (zh) * | 2020-04-17 | 2020-09-01 | 北京市燃气集团有限责任公司 | 一种燃气风险评估与安全监管资源匹配方法及装置 |
| CN111737651A (zh) * | 2020-06-22 | 2020-10-02 | 黄河勘测规划设计研究院有限公司 | 基于多源数据的空间网格化干旱灾情风险评估方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108280553B (zh) * | 2018-02-24 | 2020-10-02 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
| CN109858647B (zh) * | 2018-12-21 | 2021-07-27 | 河海大学 | 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 |
-
2020
- 2020-10-10 CN CN202011077194.7A patent/CN112308292B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009351A (zh) * | 2017-11-30 | 2018-05-08 | 国网湖南省电力有限公司 | 雷击跳闸风险的分布图绘制方法 |
| CN109064050A (zh) * | 2018-08-17 | 2018-12-21 | 公安部沈阳消防研究所 | 基于大数据的多元线性回归火灾风险评估方法 |
| CN111611524A (zh) * | 2020-04-17 | 2020-09-01 | 北京市燃气集团有限责任公司 | 一种燃气风险评估与安全监管资源匹配方法及装置 |
| CN111737651A (zh) * | 2020-06-22 | 2020-10-02 | 黄河勘测规划设计研究院有限公司 | 基于多源数据的空间网格化干旱灾情风险评估方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| 住宅建筑火灾财产损失影响因素及其实证研究;屈丽娟;《火灾科学》;20070225(第01期);全文 * |
| 回归分析中多重共线性的诊断与处理;魏红燕;《周口师范学院学报》;20190315(第02期);第11-15页 * |
| 基于ArcGIS矿产资源规划数据库建设方法及问题探讨;魏泽权;《贵州地质》;20130615(第02期);全文 * |
| 基于主动深度学习的高光谱影像分类;程圆娥;《计算机工程与应用》;20170922;第192-196页 * |
| 森林火灾面积预测在保护生态环境中的应用;刘旭菲;《资源节约与环保》;20180125(第01期);第99-100页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112308292A (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
| Kabano et al. | Evidence of urban heat island impacts on the vegetation growing season length in a tropical city | |
| CN110009226B (zh) | 一种场地污染风险等级评测及敏感受体影响识别系统 | |
| Quan et al. | GIS-based landslide susceptibility mapping using analytic hierarchy process and artificial neural network in Jeju (Korea) | |
| CN114742272A (zh) | 一种基于时空交互关系的土壤镉风险预测方法 | |
| CN118692226B (zh) | 一种基于人工智能的洪水分析方法 | |
| Tiné et al. | Hybrid spatiotemporal simulation of future changes in open wetlands: A study of the Abitibi-Témiscamingue region, Québec, Canada | |
| CN117010726A (zh) | 用于城市防洪的智慧预警方法及系统 | |
| CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
| CN106919645A (zh) | 复杂地貌大景区的景点气象要素智能精细预测方法 | |
| Batisani et al. | Uncertainty awareness in urban sprawl simulations: Lessons from a small US metropolitan region | |
| CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
| CN116884192A (zh) | 一种电力生产作业风险预警方法、系统和设备 | |
| CN112070056A (zh) | 一种基于面向对象和深度学习的敏感用地识别方法 | |
| CN115144548A (zh) | 有害气体成分实时监测系统及其监测方法 | |
| CN116229001A (zh) | 一种基于空间熵的城市三维数字地图生成方法及系统 | |
| CN114005027A (zh) | 一种基于无人机影像的城市单木检测系统及方法 | |
| CN117114176A (zh) | 基于数据分析和机器学习的土地利用变化预测方法及系统 | |
| Cuellar et al. | Assessing the accuracy of sensitivity analysis: an application for a cellular automata model of Bogota’s urban wetland changes | |
| Noor et al. | Prediction map of rainfall classification using random forest and inverse distance weighted (IDW) | |
| CN119919014A (zh) | 一种面向复合干扰的耕地系统韧性评估与优化方法 | |
| CN111178756A (zh) | 一种基于环境大数据的多元线性回归火灾风险评估方法 | |
| CN115841557B (zh) | 基于数字孪生技术的智能起重机操作环境构建方法 | |
| CN118211743A (zh) | 一种基于多源信息融合的动态环境监测评估方法 | |
| CN114998719A (zh) | 一种基于深度学习和多源遥感数据的林火预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |