阅读说明：本技术 农林草复合区分区火灾预测预警方法、装置与电子设备 (agricultural, forest and grass composite district fire prediction and early warning method and device and electronic equipment ) 是由 杨邦会 王树东 王春红 殷健 梁文秀 温莹莹 孙宁 胡乔利 刘利 于 2019-08-28 设计创作，主要内容包括：本发明实施例提供一种农林草复合区分区火灾预测预警方法、装置与电子设备,其中该方法包括：基于目标农林草复合区不同时间、空间和光谱分辨率的多或高光谱数据以及热红外数据,提取所述目标农林草复合区的热红外异常点；基于所述目标农林草复合区不同中高空间分辨率的多或高光谱数据,利用燃烧痕迹法,估算所述热红外异常点对应的火点发生时间和火点燃烧面积；基于所述火点发生时间和火点燃烧面积,结合分别统计的所述目标农林草复合区的历史农、林、草区域火灾发生总点数、火灾发生强度和火灾发生频率,对所述目标农林草复合区内的农、林、草区域分区进行火灾预测预警。本发明实施例能够有效提高数据提取的精度和预警效果。(The embodiment of the invention provides a fire prediction and early warning method, a device and electronic equipment for an agricultural, forestry and grasses composite subarea, wherein the method comprises the following steps: extracting thermal infrared abnormal points of the target agricultural forest and grass composite area based on multi-or hyperspectral data and thermal infrared data of different time, space and spectral resolutions of the target agricultural forest and grass composite area; based on multi-or hyperspectral data with different medium and high spatial resolutions in the target agricultural and forest grass composite area, estimating the fire point generation time and the fire point burning area corresponding to the thermal infrared abnormal point by using a burning trace method; and based on the fire point generation time and the fire burning area, carrying out fire prediction and early warning on the agricultural, forest and grass region subareas in the target agricultural, forest and grass composite region by combining the historical agricultural, forest and grass region fire occurrence total points, fire occurrence intensity and fire occurrence frequency of the target agricultural, forest and grass composite region which are respectively counted. The embodiment of the invention can effectively improve the precision of data extraction and the early warning effect.)

农林草复合区分区火灾预测预警方法、装置与电子设备

技术领域

本发明涉及生态学及遥感技术领域，更具体地，涉及一种农林草复合区分区火灾预测预警方法、装置与电子设备。

背景技术

农田秸秆焚烧、草原和森林的意外或偶发性火灾除可能造成空气污染、生态系统破坏外，还可能造成人口和财产损失。近年来，人为和气候等原因导致的火灾，尤其是农林草复合区火灾频发，然而由于农田与林草地发生火灾的驱动因素不同，且二者火灾发生的时间区段等差异也较明显，因此进行火灾的分类预测和预警十分重要。

进行农林草复合区分区火灾预测预警，需要从历史数据中得到火灾发生的时间、地点、焚烧面积、频率等信息。想要准确的获得这些信息，需要通过热红外获得燃烧的时间点或通过多光谱数据获得燃烧痕迹信息，再以此推算火灾发生的时间、地点、强度等信息。因此，现有方法中存在一些主要通过热红外异常信息的识别来获得火灾的发生时间的方法，以及一些基于燃烧痕迹的预测预警方法。

但是，由于农林草复合区地物的复杂性，使得基于热红外的方法获得的火点的准确性往往不高，并且由于该方法多采用高时间和低空间分辨率的遥感数据，得到的结果精度也十分有限。由于农林草复合区背景信息的复杂性，使得现有基于燃烧痕迹的方法中模型的适用性和精度存在很大的不确定性。因此，无论是单纯考虑热红外传感器得到的火点精度还是传统的燃烧痕迹的方法都存在很大的不确定性，严重影响了数据提取的精度和预警效果。

发明内容

为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种农林草复合区分区火灾预测预警方法、装置与电子设备，用以有效克服现有技术在农林草复合区分区火灾预测预警中的不确定性，从而有效提高数据提取的精度和预警效果。

第一方面，本发明实施例提供一种农林草复合区分区火灾预测预警方法，包括：

基于目标农林草复合区不同时间、空间和光谱分辨率的光谱数据及热红外数据，通过分别针对农、林、草区域提取风险时空信息，并对所述目标农林草复合区的热敏感区域提取下垫面信息，提取所述目标农林草复合区的热红外异常点；

基于所述目标农林草复合区不同中高空间分辨率的光谱数据，通过检测所述目标农林草复合区内的燃烧痕迹，并确定检测到所述燃烧痕迹的时间，估算所述热红外异常点对应的火点发生时间和火点燃烧面积；

基于所述火点发生时间和火点燃烧面积，结合分别统计的所述目标农林草复合区的历史农、林、草区域火灾发生总点数、火灾发生强度和火灾发生频率，对所述目标农林草复合区内的农、林、草区域分区进行火灾预测预警；

其中，所述光谱数据具体为多光谱数据或者高光谱数据。

第二方面，本发明实施例提供一种农林草复合区分区火灾预测预警装置，包括：

第一处理模块，用于基于目标农林草复合区不同时间、空间和光谱分辨率的光谱数据及热红外数据，通过分别针对农、林、草区域提取风险时空信息，并对所述目标农林草复合区的热敏感区域提取下垫面信息，提取所述目标农林草复合区的热红外异常点；

第二处理模块，用于基于所述目标农林草复合区不同中高空间分辨率的光谱数据，通过检测所述目标农林草复合区内的燃烧痕迹，并确定检测到所述燃烧痕迹的时间，估算所述热红外异常点对应的火点发生时间和火点燃烧面积；

预测预警模块，用于基于所述火点发生时间和火点燃烧面积，结合分别统计的所述目标农林草复合区的历史农、林、草区域火灾发生总点数、火灾发生强度和火灾发生频率，对所述目标农林草复合区内的农、林、草区域分区进行火灾预测预警；

其中，所述光谱数据具体为多光谱数据或者高光谱数据。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上第一方面所述的农林草复合区分区火灾预测预警方法的步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机指令，所述计算机指令被计算机执行时，实现如上第一方面所述的农林草复合区分区火灾预测预警方法的步骤。

本发明实施例提供的农林草复合区分区火灾预测预警方法、装置与电子设备，通过多传感器的协同融合热红外时间点和多光谱数据，获取燃烧痕迹斑块面积的分布与变化特征，并以此实现农林草复合区分区火灾的预测预警，能够有效克服现有技术在农林草复合区分区火灾预测预警中的不确定性，从而有效提高数据提取的精度和预警效果。

附图说明

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一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的农林草复合区分区火灾预测预警方法的流程示意图；

图2为本发明实施例提供的农林草复合区分区火灾预测预警装置的结构示意图；

图3为本发明实施例提供的电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明实施例的一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明实施例保护的范围。

面对现有技术单纯考虑热红外传感器得到火点精度和传统燃烧痕迹的方法都存在很大的不确定性，严重影响数据提取的精度和预警效果的问题，如何有效结合热红外和多光谱多源数据并优化相应的模型和方法，从而有效进行农林草复合区的火灾信息提取十分关键。本发明实施例通过多传感器的协同融合热红外时间点和多光谱数据，获取燃烧痕迹斑块面积的分布与变化特征，并以此实现农林草复合区分区火灾的预测预警，能够有效克服现有技术在农林草复合区分区火灾预测预警中的不确定性，从而有效提高数据提取的精度和预警效果。以下将具体通过多个实施例对本发明实施例进行展开说明和介绍。

图1为本发明实施例提供的农林草复合区分区火灾预测预警方法的流程示意图，如图1所示，该方法包括：

S101，基于目标农林草复合区不同时间、空间和光谱分辨率的光谱数据及热红外数据，通过分别针对农、林、草区域提取风险时空信息，并对目标农林草复合区的热敏感区域提取下垫面信息，提取目标农林草复合区的热红外异常点，其中的光谱数据具体为多光谱数据或者高光谱数据。

可以理解为，本发明实施例首先根据获取的目标农林草复合区的多光谱数据或者高光谱数据以及热红外数据，提取该目标农林草复合区异常信息，也即是热红外异常点。具体而言，本发明实施例事先会对目标农林草复合区数据进行获取，这些数据包括不同时间、空间和光谱分辨率的多光谱数据或者高光谱数据，以及热红外数据。特别的，热红外数据采用高时间分辨率的遥感数据，而中高空间分辨率的多或高光谱数据采用不同的中高分辨率的数据源，如中高分辨率的遥感数据。此外还包括其他一些多源数据，包括DEM、土地利用数据、气象数据、微波数据及土壤数据等。

之后，利用上述事先获取的热红外数据，通过生成平滑的物候趋势曲线，分别针对农、林、草区域提取风险时空信息。同时根据获取的多或高光谱数据，提取目标农林草复合区中热敏感区域的下垫面信息，如对于中高分辨率的遥感数据，提取柏油路、屋顶、沙地、水泥路等以及水体、坑塘等的下垫面信息。

再之后，将分别得到的风险时空信息与热敏感区域的下垫面信息进行叠加，并通过监测目标农林草复合区遥感图像中所有像素的温度，来识别并提取出目标农林草复合区中的热红外异常点。

S102，基于目标农林草复合区不同中高空间分辨率的光谱数据，通过检测目标农林草复合区内的燃烧痕迹，并确定检测到燃烧痕迹的时间，估算热红外异常点对应的火点发生时间和火点燃烧面积，其中的光谱数据具体为多光谱数据或者高光谱数据。

可以理解为，本发明实施例在上述处理的基础上结合燃烧痕迹法来确定燃烧的火点发生时间，同时确定火点燃烧面积。具体而言，对于不同中高空间分辨率的多光谱数据或高光谱数据(遥感数据)，考虑到需要多传感器协同提取燃烧痕迹和传感器波段设置的差异，本发明实施例利用相应模型检测其中的燃烧痕迹，并可利用该模型确定能够检测到该燃烧痕迹的时间点，据此可确定上述热红外异常点对应火点的发生时间，同时根据燃烧痕迹获得该火点的燃烧面积。

S103，基于火点发生时间和火点燃烧面积，结合分别统计的目标农林草复合区的历史农、林、草区域火灾发生总点数、火灾发生强度和火灾发生频率，对目标农林草复合区内的农、林、草区域分区进行火灾预测预警。

可以理解为，本发明实施例的最后，根据得到的各个火点的火点发生时间以及由该火点引起的火点燃烧面积，可确定目标农林草复合区内所有监测单元燃烧痕迹的最大斑块数、火灾发生的最大强度以及火灾发生的最大频率等指标。同时，可根据历年火灾发生情况，对任意历史时间段内的火灾发生指标进行统计，具体按照农田区域、农林草区域和林草区域统计历史多年时间段内火灾发生的点数、火灾发生的强度以及火灾发生的频率。之后根据得到的监测单元燃烧痕迹的最大斑块数、火灾发生的最大强度和火灾发生的最大频率等指标，以及历史多年时间段内火灾发生的点数、火灾发生的强度和火灾发生的频率，分别确定农田、林地、草地对应的火灾预警指数，并据此实现对目标农林草复合区的分区火灾预测预警。如根据预警指数的大小设立预警级别，并根据预警不同预警级别实现目标农林草复合区的分区火灾预测预警。

本发明实施例提供的农林草复合区分区火灾预测预警方法，通过多传感器的协同融合热红外时间点和多光谱数据，获取燃烧痕迹斑块面积的分布与变化特征，并以此实现农林草复合区分区火灾的预测预警，能够有效克服现有技术在农林草复合区分区火灾预测预警中的不确定性，从而有效提高数据提取的精度和预警效果。

其中，根据上述各实施例可选的，提取目标农林草复合区的热红外异常点的步骤具体包括：基于目标农林草复合区不同时间、空间和光谱分辨率的热红外数据，模拟生成目标农林草复合区的物候趋势曲线，并基于物候趋势曲线，利用设定规则，分别针对农、林、草区域去除火灾背景信息并提取风险时空信息；基于目标农林草复合区的中高分辨率的多光谱数据或高光谱数据，提取热敏感区域的下垫面信息，并对下垫面信息进行矢量化处理；基于风险时空信息和矢量化的下垫面信息，提取热红外异常点。

具体而言，本发明实施例根据目标农林草复合区不同时间、空间和光谱分辨率的热红外数据进行NDVI计算，并根据计算结果模拟生成平滑的趋势曲线，即目标农林草复合区的物候趋势曲线。之后，根据该物候趋势曲线提取关键时间节点，并根据这些关键时间节点分别针对农、林、草区域去除火灾背景信息并提取风险时空信息。同时，对目标农林草复合区中热敏感区域的下垫面信息进行提取，如对于中高分辨率的遥感数据，提取柏油路、屋顶、沙地、水泥路等以及水体、坑塘等的下垫面信息，并将这些下垫面信息矢量化，建立不同的面状矢量图层。最后通过结合风险时空信息和矢量化的下垫面信息，对目标农林草复合区遥感数据的每个像元进行判断，提取其中的异常点，即热红外异常点。

其中，根据上述各实施例可选的，热红外数据具体为高时间分辨率的遥感数据；相应的，模拟生成目标农林草复合区的物候趋势曲线的步骤具体包括：基于高时间分辨率的遥感数据，计算目标农林草复合区时间序列的NDVI，并将时间序列的NDVI模拟生成物候趋势曲线；根据物候趋势曲线的走势，将物候趋势曲线划分为多个分段，多个分段包括：初始到快速上升段，稳定曲线高原区段和快速下降到底段，且各分段的斜率满足设定条件；根据各分段的端点，确定物候趋势曲线的关键时间节点包括：作物种植起始点、快速上升到稳定的高原区界点、稳定的高原区的中点、高原区到生长下降的交界点和快速下降到底点的交界点。

也就是说，本发明实施例根据高时间分辨率的遥感数据生成作物生长的物候趋势曲线，并对该物候趋势曲线中的关键时间节点进行识别。因此首先根据目标农林草复合区的高时间分辨率的遥感数据，计算时间序列的NDVI，之后将这些时间序列的NDVI值生成平滑的物候趋势曲线，模拟的物候趋势曲线分为3个分段：即初始到快速上升段F₁(NDVI)、稳定曲线高原区F₂(NDVI)和快速下降到底段F₃(NDVI)，而这些分段的斜率需同时满足以下条件：F₁′(NDVI)＞a₁，F₂′(NDVI)≈0，F₃′(NDVI)＜a₂，其中a₁、a₂均是给定的阈值。最后，根据上述各分段的端点和分界点，确定物候趋势曲线的各关键时间节点，包括：作物种植起始点t₁、快速上升到稳定的高原区界点t₂、稳定的高原区的中点t₃、高原区到生长下降的交界点t₄和快速下降到底点的交界点t₅。

于是，相应的，分别针对农、林、草区域去除火灾背景信息并提取风险时空信息的步骤具体包括：分别针对农、林、草区域，设定基于关键时间节点的判别条件，并利用判别条件，去除火灾背景信息并提取风险时空信息。

具体而言，在上述处理的基础上，进行农林草火灾背景信息去除与风险时空信息提取。首先对于农田，分一季和二季作物进行火灾风险时空信息提取。

其一，春夏交替季节收割的主粮作物背景信息去除与风险时空信息提取满足以下条件：

式中，NDVI_st1、NDVI_st2、st₂、st₁、a₃分别为作物种植起始点t₁的NDVI值、快速上升到稳定的高原区界点t₂的NDVI值、对应t₂的时间节点、对应t₁的时间节点和第三预设阈值，NDVI_st4、NDVI_st5、st₄、st₅、a₄分别为高原区到生长下降的交界点t₄的NDVI值、快速下降到底点的交界点t₅的NDVI值、对应t₄的时间节点、对应t₅时间节点和第四预设阈值。

也就是说，当检测到植被生长特征满足上述条件时，则可确定为春夏交替的作物，并可将其作为重点监测对象进行监测。

其二，秋季收割的主粮作物背景信息去除与风险时空信息提取满足以下条件：

式中，NDVI_at1、NDVI_at2、at₂、at₁、a₅分别为作物种植起始点t₁的NDVI值、快速上升到稳定的高原区界点t₂的NDVI值、对应t₂的时间节点、对应t₁的时间节点和第五预设阈值，NDVI_at4、NDVI_at5、at₄、at₅、a₆分别为高原区到生长下降的交界点t₄的NDVI值、快速下降到底点的交界点t₅的NDVI值、对应t₄的时间节点、对应t₅时间节点和第六预设阈值。

其次，对于草地和林地，首先从土地利用信息中得到草地和林地的分布信息，再分别进行火灾背景信息去除与风险时空信息提取。

其一，草地火灾背景信息去除与风险时空信息提取需同时满足以下三个条件：

式中，NDVI_gt1、NDVI_gt2、gt₁、gt₂、a₇分别为草地生长起始点t₁的NDVI值、快速上升到稳定的高原区界点t₂的NDVI值、对应t₁的时间节点、对应t₂的时间节点和第七预设阈值，NDVI_gt4、NDVI_gt5、gt₄、gt₅、a₈分别为高原区到生长下降的交界点t₄的NDVI值、快速下降到底点的交界点t₅的NDVI值、对应t₄的时间节点、对应t₅时间节点和第八预设阈值，NDVI_gt3-gt4为对应的t₃到t₄时间段内的NDVI均值，b₁为预设阈值。

其二，林地火灾背景信息去除与风险时空信息需同时满足以下三个条件：

式中，NDVI_ft1、NDVI_ft2、ft₁、ft₂、a₉分别为林地生长起始点t₁的NDVI值、快速上升到稳定的高原区界点t₂的NDVI值、对应t₁的时间节点、对应t₂的时间节点和第九预设阈值，NDVI_ft4、NDVI_ft5、ft₄、ft₅、a₁₀分别为高原区到生长下降的交界点t₄的NDVI值、快速下降到底点的交界点t₅的NDVI值、对应t₄的时间节点、对应t₅时间节点和第十预设阈值，NDVI_ft3-ft4为对应的t₃到t₄时间段内的NDVI均值，b₂为预设阈值。

其中，根据上述各实施例可选的，提取热红外异常点的步骤具体包括：将风险时空信息与矢量化的下垫面信息进行叠加，并根据叠加结果计算目标农林草复合区的平均温度；基于平均温度和目标农林草复合区各像素点的实际温度，提取温度异常的像元构成热红外异常点。

具体而言，首先，将上述热敏感下垫面信息与热红外信息进行叠加。该热红外信息为热红外遥感数据得到的地表温度信息，体现的是上述风险时空信息。

其次，计算目标农林草复合区的平均温度。

再次，计算温度差值：式中，Tss为像素温度差值，Ts为像素实际温度值，为区域像素温度均值。

则当任一像元温度满足Tss+Δω_i＞b₃时，确定该像元为温度异常像元。其中Δω_i为对温度敏感地物的附加值，与在热红外像素中的温度敏感地物类型和所占的面积有关，当i为1时为柏油路，为2时为沙地，3为水泥地，4为水体，5为一般混合人工地面，b₃为预设阈值。

其中，根据上述各实施例可选的，估算热红外异常点对应的火点发生时间和火点燃烧面积的步骤具体包括：基于不同中高空间分辨率的光谱数据，利用BSI成熟度模型，检测燃烧痕迹，并确定检测到的燃烧痕迹的时间点；若热红外异常点出现的时间在燃烧痕迹的时间点之前，且出现的时间与燃烧痕迹的时间点的间隔时长小于设定阈值，则确定出现的时间为热红外异常点的火点发生时间，并将热红外异常点的燃烧面积作为火点燃烧面积，其中的光谱数据具体为多光谱数据或者高光谱数据。

具体而言，对于不同中高空间分辨率的遥感数据，考虑到需要多传感器协同提取燃烧痕迹和传感器波段设置的差异，选择的模型为BSI模型，即：

式中，BSI、R_nir、R_b、R_r分别为燃烧痕迹指数、近红外波段反射率、蓝光波段反射率和红光波段反射率，c₁、c₂、c₃为系数，可以分别采用1.9、1.2和0.6，a₁₁为第十一预设阈值。

之后，对于上述提取的温度异常点，设温度异常点出现的时间为rt₁，该时间点后，中高分辨率的遥感数据获取的时间为rt₂，如果满足：中高分辨率的遥感影像应用BSI模型在rt₂时间点检测到的燃烧痕迹，且满足Δrt＝rt₂-rt₁＜d₄，则确定火点发生的时间为rt₁，同时获得该火点的燃烧面积。其中Δrt为rt₁和rt₂的间隔的时长，d₄为预设阈值。

可以理解的是，在缺少热红外发现的异常点情况下，还可通过燃烧痕迹斑块的发生时间点推算火点发生时间。具体通过燃烧痕迹发生的时间点推算火点发生的时间：设检测到燃烧痕迹斑块的时间点为bt₂，距离该时间前一遥感影像重复覆盖时间节点(数值上为卫星重访周期)为bt₁，且满足：Δbt＝bt₂-bt₁＜d₅，则确定火点发生的时间范围在bt₂和bt₁之间，同时获得该燃烧痕迹的面积。其中Δbt为bt₁和bt₂的间隔的时长，d₅为预设阈值。

在此基础上，还可进行邻近点再次发生火灾的时间点推算。设检测到上述中燃烧痕迹斑块面积为S_bt1-t2，如果在时间节点bt₂发现斑块面积S_bt2-t3，且Δlbt＝bt₃-bt₂＜d₆，Δs＝S_bt1-t3-S_bt1-t2＞s₃，则判定为同一位置再次发生火灾。其中Δlbt为bt₂和bt₃的间隔的时长，d₆为预设阈值，Δs为斑块面积差值，S_bt1-t3为时间点st₃中高分辨率遥感影像提取的面积，S_bt1-t2为时间点st₂中高分辨率遥感影像提取的面积，s₃为预设阈值。

另外，在上述各实施例的基础上，在对目标农林草复合区内的农、林、草区域分区进行火灾预测预警的步骤之前，本发明实施例的方法还可以包括：

分别针对农田区域、农林草区域和林草区域，按下式统计火灾发生总点数：

式中，P_j表示燃烧痕迹的斑块数，每个斑块都是一个火点，Δp_i表示第i年相比第i-1年新增的火点数，i＝1时，Δp_i＝0，p₁表示统计的第1年火点数，n表示统计的总年数，s_j表示统计单元的面积；

分别针对农田区域、农林草区域和林草区域，按下式统计火灾发生强度：

式中，P_pj表示统计单元j火灾发生的强度，Δs_pi表示第i年相比第i-1年新增的火点燃烧痕迹斑块的面积，i＝1时，Δs_pi＝0，s_p1表示统计的第1年火点斑块的面积，n表示统计的总年数，s_j表示统计单元的面积；

分别针对农田区域、农林草区域和林草区域，按下式统计火灾发生频率：

式中，F_pj表示火灾发生的频率，Δp_i表示第i年相比第i-1年新增的火点数，i＝1时，Δp_i＝0，p₁表示统计的第1年火点数，n表示统计的总年数，s_j表示统计单元的面积。

其中，根据上述各实施例可选的，对目标农林草复合区内的农、林、草区域分区进行火灾预测预警的步骤具体包括：基于各火点发生时间和火点燃烧面积，确定目标农林草复合区内各监测单元燃烧痕迹的最大斑块数、火灾发生的最大强度和火灾发生的最大频率；基于土地利用信息，各监测单元燃烧痕迹的最大斑块数、火灾发生的最大强度和火灾发生的最大频率，以及历史农、林、草区域火灾发生总点数、火灾发生强度和火灾发生频率，分别确定秸秆焚烧预警指数、林地火灾预警指数、草地火灾预警指数、极端事件火灾预警指数和综合火灾预警指数，实现目标农林草复合区内农、林、草区域的分区联合火灾预测预警。

具体而言，本发明实施例对目标农林草复合区内农、林、草区域进行火灾联合预警。首先根据各火点发生时间和火点燃烧面积进行整体监测，确定各监测单元燃烧痕迹的最大斑块数、火灾发生的最大强度和火灾发生的最大频率，之后根据这些整体指标和统计的历年指标，对农地、林地和草地的火灾预警指数分别进行计算，并在此基础上进行整个目标农林草复合区的分区火灾预测预警。可以理解的是，由于农作物、林地、草地的落叶期不同，可以据此实现分区预警。用Δct、Δft、Δgt等表示不同类型植被的特征生长时间，则可分别针对农作物、林地、草地计算火灾预警指数。

首先，对于农田秸秆焚烧引起的农-林-草地火灾预警，主要考虑作物收割期的火灾：

式中，EWI_Δct为Δct时间段内秸秆焚烧预警指数，P_j1、P_pj1、F_pj1分别为Δct时间内监测单元j燃烧痕迹的斑块数、火灾发生的强度和火灾发生频率，P_max、P_pmax、F_pmax各监测单元燃烧痕迹的最大斑块数、火灾发生的最大强度和火灾发生的最大频率，Δct为农作物收割期。

如果在作物收割期到次年的种植之前，识别农田与林草的燃烧痕迹斑块相连，则一并认为是农田火灾。

其次，对于林地引起的农-林-草地火灾预警：

式中，EWI_Δft为Δft时间段内林地火灾预警指数，P_j2、P_pj2、F_pj2分别为Δft时间内监测单元j燃烧痕迹的斑块数、火灾发生的强度、火灾发生频率，P_max、P_pmax、F_pmax各监测单元燃烧痕迹的最大斑块数、火灾发生的最大强度、火灾发生的最大频率，Δft为林地植被的特征生长时间。

再次，对于草地引起的农-林-草地火灾预警：

式中，EWI_Δgt为Δgt时间段内草地火灾预警指数，P_j3、P_pj3、F_pj3分别为Δgt时间内监测单元j燃烧痕迹的斑块数、火灾发生的强度、火灾发生频率，P_max、P_pmax、F_pmax各监测单元燃烧痕迹的最大斑块数、火灾发生的最大强度、火灾发生的最大频率，Δgt为草地植被的特征生长时间。

在此基础上，还可进行极端气候事件火灾预警和综合火灾预警。

其中，对于极端气候事件预警：

式中，EWI_Δkt为Δkt时间段内极端事件火灾预警指数，P_j4、P_pj4、F_pj4分别为Δkt时间内监测单元j燃烧痕迹的斑块数、火灾发生的强度、火灾发生频率，P_max、P_pmax、F_pmax各监测单元燃烧痕迹的最大斑块数、火灾发生的最大强度、火灾发生的最大频率，Δkt为极端气候易发时间。

对于综合预警：

式中，EWI_Δot为Δot时间段内综合火灾预警指数，P_j5、P_pj5、F_pj5分别为Δot时间内监测单元j燃烧痕迹的斑块数、火灾发生的强度、火灾发生频率，P_max、P_pmax、F_pmax各监测单元燃烧痕迹的最大斑块数、火灾发生的最大强度、火灾发生的最大频率。

基于相同的构思，本发明实施例根据上述各实施例提供一种农林草复合区分区火灾预测预警装置，该装置用于在上述各实施例中实现农林草复合区分区火灾的预测预警。因此，在上述各实施例的农林草复合区分区火灾预测预警方法中的描述和定义，可以用于本发明实施例中各个执行模块的理解，具体可参考上述实施例，此处不在赘述。

根据本发明实施例的一个实施例，农林草复合区分区火灾预测预警装置的结构如图2所示，为本发明实施例提供的农林草复合区分区火灾预测预警装置的结构示意图，该装置可以用于实现上述各方法实施例中农林草复合区分区火灾的预测预警，该装置包括：第一处理模块201、第二处理模块202和预测预警模块203。其中：

第一处理模块201用于基于目标农林草复合区不同时间、空间和光谱分辨率的光谱数据及热红外数据，通过分别针对农、林、草区域提取风险时空信息，并对目标农林草复合区的热敏感区域提取下垫面信息，提取目标农林草复合区的热红外异常点；第二处理模块202用于基于目标农林草复合区不同中高空间分辨率的光谱数据，通过检测目标农林草复合区内的燃烧痕迹，并确定检测到燃烧痕迹的时间，估算热红外异常点对应的火点发生时间和火点燃烧面积；预测预警模块203用于基于火点发生时间和火点燃烧面积，结合分别统计的目标农林草复合区的历史农、林、草区域火灾发生总点数、火灾发生强度和火灾发生频率，对目标农林草复合区内的农、林、草区域分区进行火灾预测预警，其中的光谱数据具体为多光谱数据或者高光谱数据。

具体而言，第一处理模块201利用事先获取的热红外数据，通过生成平滑的物候趋势曲线，分别针对农、林、草区域提取风险时空信息。同时根据获取的多光谱数据或者高光谱数据，提取目标农林草复合区中热敏感区域的下垫面信息，如对于中高分辨率的遥感数据，提取柏油路、屋顶、沙地、水泥路等以及水体、坑塘等的下垫面信息。之后第一处理模块201再将分别得到的风险时空信息与热敏感区域的下垫面信息进行叠加，并通过监测目标农林草复合区遥感图像中所有像素的温度，来识别并提取出目标农林草复合区中的热红外异常点。

之后，对于不同中高空间分辨率的多光谱数据或高光谱数据(遥感数据)，考虑到需要多传感器协同提取燃烧痕迹和传感器波段设置的差异，第二处理模块202利用相应模型检测其中的燃烧痕迹，并利用该模型确定能够检测到该燃烧痕迹的时间点，之后据此确定上述热红外异常点对应火点的发生时间，同时根据燃烧痕迹获得该火点的燃烧面积。

最后，预测预警模块203根据得到的各个火点的火点发生时间以及由该火点引起的火点燃烧面积，确定目标农林草复合区内所有监测单元燃烧痕迹的最大斑块数、火灾发生的最大强度以及火灾发生的最大频率等指标。同时，预测预警模块203根据历年火灾发生情况，对任意历史时间段内的火灾发生指标进行统计，具体按照农田区域、农林草区域和林草区域统计历史多年时间段内火灾发生的点数、火灾发生的强度以及火灾发生的频率。之后，预测预警模块203再根据得到的监测单元燃烧痕迹的最大斑块数、火灾发生的最大强度和火灾发生的最大频率等指标，以及历史多年时间段内火灾发生的点数、火灾发生的强度和火灾发生的频率，分别确定农田、林地、草地对应的火灾预警指数，并据此实现对目标农林草复合区的分区火灾预测预警。如根据预警指数的大小设立预警级别，并根据预警不同预警级别实现目标农林草复合区的分区火灾预测预警。

本发明实施例提供的农林草复合区分区火灾预测预警装置，通过设置相应执行模块，基于多传感器的协同融合热红外时间点和多光谱数据，获取燃烧痕迹斑块面积的分布与变化特征，并以此实现农林草复合区分区火灾的预测预警，能够有效克服现有技术在农林草复合区分区火灾预测预警中的不确定性，从而有效提高数据提取的精度和预警效果。

可以理解的是，本发明实施例中可以通过硬件处理器(hardware processor)来实现上述各实施例的装置中的各相关程序模块。并且，本发明实施例的农林草复合区分区火灾预测预警装置利用上述各程序模块，能够实现上述各方法实施例的农林草复合区分区火灾的预测预警流程，在用于实现上述各方法实施例中农林草复合区分区火灾的预测预警时，本发明实施例的装置产生的有益效果与对应的上述各方法实施例相同，可以参考上述各方法实施例，此处不再赘述。

作为本发明实施例的又一个方面，本实施例根据上述各实施例提供一种电子设备，该电子设备包括存储器、处理器及存储在该存储器上并可在该处理器上运行的计算机程序，该处理器执行该计算机程序时，实现如上述各实施例所述的农林草复合区分区火灾预测预警方法的步骤。

进一步的，本发明实施例的电子设备还可以包括通信接口和总线。参考图3，为本发明实施例提供的电子设备的实体结构示意图，包括：至少一个存储器301、至少一个处理器302、通信接口303和总线304。

其中，存储器301、处理器302和通信接口303通过总线304完成相互间的通信，通信接口303用于该电子设备与原始数据获取设备之间的信息传输；存储器301中存储有可在处理器302上运行的计算机程序，处理器302执行该计算机程序时，实现如上述各实施例所述的农林草复合区分区火灾预测预警方法的步骤。

可以理解为，该电子设备中至少包含存储器301、处理器302、通信接口303和总线304，且存储器301、处理器302和通信接口303通过总线304形成相互间的通信连接，并可完成相互间的通信，如处理器302从存储器301中读取农林草复合区分区火灾预测预警方法的程序指令等。另外，通信接口303还可以实现该电子设备与原始数据获取设备之间的通信连接，并可完成相互间信息传输，如通过通信接口303实现多光谱数据或高光谱数据，以及热红外数据的读取等。

电子设备运行时，处理器302调用存储器301中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：基于目标农林草复合区不同时间、空间和光谱分辨率的多或高光谱数据及热红外数据，通过分别针对农、林、草区域提取风险时空信息，并对目标农林草复合区的热敏感区域提取下垫面信息，提取目标农林草复合区的热红外异常点；基于目标农林草复合区不同中高空间分辨率的多或高光谱数据，通过检测目标农林草复合区内的燃烧痕迹，并确定检测到燃烧痕迹的时间，估算热红外异常点对应的火点发生时间和火点燃烧面积；基于火点发生时间和火点燃烧面积，结合分别统计的目标农林草复合区的历史农、林、草区域火灾发生总点数、火灾发生强度和火灾发生频率，对目标农林草复合区内的农、林、草区域分区进行火灾预测预警等。

上述的存储器301中的程序指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。或者，实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还根据上述各实施例提供一种非暂态计算机可读存储介质，其上存储有计算机指令，该计算机指令被计算机执行时，实现如上述各实施例所述的农林草复合区分区火灾预测预警方法的步骤，例如包括：基于目标农林草复合区不同时间、空间和光谱分辨率的多或高光谱数据及热红外数据，通过分别针对农、林、草区域提取风险时空信息，并对目标农林草复合区的热敏感区域提取下垫面信息，提取目标农林草复合区的热红外异常点；基于目标农林草复合区不同中高空间分辨率的多或高光谱数据，通过检测目标农林草复合区内的燃烧痕迹，并确定检测到燃烧痕迹的时间，估算热红外异常点对应的火点发生时间和火点燃烧面积；基于火点发生时间和火点燃烧面积，结合分别统计的目标农林草复合区的历史农、林、草区域火灾发生总点数、火灾发生强度和火灾发生频率，对目标农林草复合区内的农、林、草区域分区进行火灾预测预警等。

本发明实施例提供的电子设备和非暂态计算机可读存储介质，通过执行上述各实施例所述的农林草复合区分区火灾预测预警方法的步骤，通过多传感器的协同融合热红外时间点和多光谱数据，获取燃烧痕迹斑块面积的分布与变化特征，并以此实现农林草复合区分区火灾的预测预警，能够有效克服现有技术在农林草复合区分区火灾预测预警中的不确定性，从而有效提高数据提取的精度和预警效果。

可以理解的是，以上所描述的装置、电子设备及存储介质的实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，既可以位于一个地方，或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上实施方式的描述，本领域的技术人员可以清楚地了解，各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令，用以使得一台计算机设备(如个人计算机，服务器，或者网络设备等)执行上述各方法实施例或者方法实施例的某些部分所述的方法。

另外，本领域内的技术人员应当理解的是，在本发明实施例的申请文件中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明实施例的说明书中，说明了大量具体细节。然而应当理解的是，本发明实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明实施例公开并帮助理解各个发明方面中的一个或多个，在上面对本发明实施例的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。

然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明实施例的单独实施例。

最后应说明的是：以上实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述实施例对本发明实施例进行了详细的说明，本领域的技术人员应当理解：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发明实施例各实施例技术方案的精神和范围。