CN114626211B 一种基于vr技术的复杂森火场景推演方法及系统 （清华大学深圳国际研究生院）

一种基于VR技术的复杂森火场景推演方法本发明公开了一种基于VR技术的复杂森火模型对所述目标区域进行火灾蔓延模拟计算分中的森林火灾蔓延过程以及支持符合人体操作2S2、根据复杂场景火灾蔓延分析模型对所述目标集的关键部分；所述编码为通过状态-条件机制实现对所述输入数据的分层渐进编码；其条件分支为作用在森火蔓延状态上的环境参数，包含地理编码子分支和气象编码子分支；各分支先进行独立编码再深度融合形成混合特征，然后采取编码-解码结构的骨干网络编S3、使用虚拟现实设备交互工具进行作战标绘，根据所述目标区域的基础地理信息数据构建所述目标区域的地表构筑根据所述目标区域的基础地理信息数据构建基础三维高程表面建的所述地表构筑物三维模型放到对应的地表区域，从而构建起完整的虚拟三维地理场5.如权利要求1至4任一项所述的复杂森火场6.如权利要求1至4任一项所述的复杂森火场景推根据所述目标区域的基础地理信息数据，确定所述目标区域存在的3选择可对所述目标区域进行火灾蔓延模拟计算分析的复杂场景火灾三维地理场景中动态展示在不同时域的所述火焰三4林交界域处的火灾发生频率也逐渐增多，常造成巨大的生命财产损失和自然生态的破坏。[0003]然而，现有的火灾蔓延预测模型的展示方式一般为基于二维的栅格方式进行展[0012]根据所述目标区域的基础地理信息数据构建所述目标区域的地表构筑物三维模5计算分析的复杂场景火灾蔓延分析模型，根据所述复杂场景火灾蔓延分析模型的输出结[0020]一种基于VR技术的复杂森火场景推演系统，包括处理器丰富的灾情预判信息和更符合人体工程学的作战标绘方式科学6[0041]本发明具体实施方式提供一种基于VR技术的复杂森火(即森林火灾)场景推演方[0044]收集目标区域的基础地理信息数据，包含：数字高程模型(digitalelevation[0046]根据目标区域的基础地理信息数据构建目标区域的地表将DEM高程数据与遥感卫星影像数据进行数据预处理，例如进行影像辐射校正和几何纠正7高程数据与遥感卫星影像数据处于同一坐标参考系；将构建完成的地表构筑物三维模型[0054]选择具备可以对目标区域进行火灾蔓延模拟计算分析的复杂场景火灾蔓延分析模型，根据复杂场景火灾蔓延分析模型的输出结果，结合步骤2.1构建的火焰三维动态模了粒子系统模块用于模拟火焰三维效果，如Unity3D作为一款强大的三维应用程序开发平[0057]如图3所示，选择具备可以对目标区域进行火灾蔓延模拟计算分析的基于元胞自8不同时间在不同区域放置火焰三维动态模型，形成虚拟三维空间的动态火焰模型展示动[0063]步骤3.3、输出作战指挥标绘作战图(所述标绘作战图为正射投影标绘二维作战建作战指挥标绘三维静态模型库，例如，可以使用3Dmax软件进行建模，形成可以用在Unity3D中的三维模型文件。通过Unity3D软件开发可以利用虚拟现实设备如：HTCvive[0068]现有森火蔓延预测模型多基于小范围的燃烧实验构建推9[0072]所述卷积神经网络根据输入数据预测基于栅格的森火空间的各栅格点位的引燃[0079]优选地，对特定时刻T的森火蔓延边界进行网络预测时，使用阈值过滤筛选出WSSTF中引燃时刻值小于T的区域，根据引燃时刻值小于T的区域生成T时刻森火蔓延边界条件分支为作用在森火蔓延状态上的环境参数，包含地理编码子分支和气象编码子分支；各分支先进行独立编码再深度融合形成混合特征，然后采取编码-解码结构的骨干网络编[0085]优选地，所述状态分支的输入是某一时刻的蔓延状态值，采取系列Convolution[0089]合并的特征输入到骨干网络中深度编码并解码输出预测的森火蔓延时空分布场延时空动态演化的高效端到端预测，为应急管理部门开展森火救援提供科学辅助决策支[0093]如图8所示，本发明具体实施方式提供一种基于深度学习的森火(即森林火灾)蔓[0095]卷积神经网络根据输入数据预测基于栅格的森火空间的各栅类型的数字高程模型DEM(digitalelevationmodel)和植被类别数据等，气象数据包括测任务，本发明实施方式定义森火蔓延时空分布场(wildfirespreadspatio-temporal分支的输入是某一时刻的蔓延状态值，采取系列Convolution层、BatchNormalization络中深度编码并解码输出预测的森火蔓延时空分布[0117]以美国加利福尼亚州研究样例，收集该区域的森火模拟基础数据与历史森火数[0119]森火蔓延数据集包含森火专题数据(起火点、蔓延边界数据等)、基础地理数据[0126]状态分支的输入是某一时刻的蔓延状态值(如0/1燃烧二值数据)，采取系列Convolution层+BatchNormalization层+Relu层(CBR层)提取状态初阶特征。条件分支包含地理编码子分支和气象编码子分支。地理编码子分支由DEM编码层与植被类型编码层构输入到编码-解码骨干网络中深度编码并解码输出预测的森火蔓延时和计算机可读存储介质，所述计算机可读存储介质存储的计算机程序由所述处理器执行[0150]通过均匀分布采样，初始化森火场景中的图节点，图节点之间的最大距离即为合函数的模型参数θ:[0172]检索每一图节点的所有邻接节点并获取所有邻接节点的引燃时到邻接图节点的时刻将aue添加至候选引燃集合Tedge；[0179]一种基于不规则图网络的森火蔓延预测装置，包括处理器和计算机可读存储介政府应急部门提供了新颖且有效的森火蔓延态势分析方法，为应急管理部门的森火预防、森火场景特性而设置的属性集合Anode和Aedge，图节点与图边的属性值是计算森火蔓延的关程值，IT是该图节点被引燃的相对时刻(起火点的相对时刻为0)。每一个图边则描述相互网络的最大图分辨率确定的插值间隔，生成对图边进行图节点预插值的候选节点集合进行图边一致性检验，当候选节点集中的候选节点与前一节点的植被类型不同时，插入该候选节点；以及，计算候选节点与前一节点之间的高程差变化意仅用来进行比较，并不会插入)。按该规则迭代到与当也满足插入条件选节点节点插入到图节点集合中；表示候选节点与前一节点之间的高程差，候选节点插入到图节点集合中以降低地形变化的不确[0205]最后，迭代上述步骤(即重构后的不规则图网络将继续进行预插值与图边属性一致性检验)，直至没有新的图节点插入或者达到最大迭代次数，针对迭代后的不规则图网优的是通过图-格网映射方法，将规则格网模型生成的森火蔓延结果转化为不规则图网络[0217]使用规则格网模型(例如基于元胞自动机原理的规则格网模型)生成森火蔓延模[0219]检索每一图节点的所有邻接节点并获取所个图节点均能对应规则格网上的某一栅格，栅格上的引燃属性可映射复制到对应的图节n=argmax(IT-ITtomn),引燃时刻比节点ni更小且时间差值最大，有效燃烧节点与节点ni引燃时刻中相对于图节点的引燃时刻最小的邻接节点，即n=argmax(IT-IT[0226]经过图-格网映射方法生成的VSEs集合是带有引燃时刻和其它属性的标签，一条拟合函数为例，使用VSEs标签数据可以训练模型并生成模型参数θ,训练收敛的模型便可[0232]首先，依据起火点坐标(X,Y)检索图节Tedge中选取最小引燃时刻值对应的图节点(值越小表明该节点将先被引燃)作为下一次燃烧蔓延节点，即下一次拟合函数的计算节点，并将计算得到的节点引燃时刻更新到Tedge算得到不规则图网络中所有图节点的燃烧时刻IT以及对应图边的蔓延速率、蔓延时长等