技术特征：
1.一种基于连续时序遥感态势数据的林火蔓延预测方法，其特征在于，所述方法包括以下步骤：s1利用无人机等遥感态势感知系统获取小时级连续时序的火场态势数据；s2采用深度学习语义分割技术和ndvi指数，对s1中获取的态势数据或卫星与航拍遥感历史数据识别分割得到火场的地势与地物分类信息；s3采用红外温度图像识别技术，对s1中获取的态势数据识别提取各过程时序的监测火线，并解析火线的蔓延方向和速度；s4采用深度学习全连接神经网络技术，综合s2中获取的火场地势与地物分类信息和s3中获取的各过程时序火线蔓延方向和速度，解算未来时刻火线蔓延的方向、速度和方差，拟合获取小时级火线预测带，并逐时序和短周期迭代提高预测精度。2.根据权利要求1所述的基于连续时序遥感态势数据的林火蔓延预测方法，其特征在于，所述s1中，遥感态势感知系统可搭载无人机平台和有人机及卫星平台，其获取的火场态势数据包括可见光与红外光双光谱正射影像和实景三维模型。3.根据权利要求1所述的基于连续时序遥感态势数据的林火蔓延预测方法，其特征在于，所述s2中，地势类型识别分割采用fcn深度学习神经网络模型，利用公开的遥感dem数据进行训练，其高程信息转换为只有一个通道的灰度影像，裁剪为影像块，图像块中存储归一化的高程值，取值的范围为[0,1]，并采用卫星遥感影像数据辅助进行。4.根据权利要求1所述的基于连续时序遥感态势数据的林火蔓延预测方法，其特征在于，所述s2中，地物类型识别分割采用deeplab v3+深度学习神经网络模型，利用卫星与航拍遥感历史数据进行训练，采用可见光遥感影像的三个通道数据作为输入，并对识别分割图像进行腐蚀再膨胀处理，去除语义分割产生的小目标，ndvi指数，利用遥感红外光数据和可见光影像的红色波段数据计算区分不同密度的植被，算式写为：ndvi＝(nir-red)/(nir+red)nir为近红外波段的反射率，red为红色波段的反射率。5.根据权利要求1所述的基于连续时序遥感态势数据的林火蔓延预测方法，其特征在于，所述s3中，火线的提取方法为，基于无人机等遥感态势系统获取的各过程时序红外光正射影像，识别分割为过火区域、燃烧区域和未燃区域，利用燃烧区域与未燃区域的轮廓定位的方式提取确定火线，再采用自适应的火线拟合策略，进行三次样条函数平滑处理得到一定分辨尺度的拟合火线。火线蔓延方向的确定方法为，采用自适应的关键点采样策略，选取拟合火线曲率拐点为基础关键点，再根据曲率变化幅度和地势地物分布情况，在基础关键点间均衡选取中间关键点，计算关键点的法线方向即为该关键点的火线蔓延方向火线蔓延速度的计算方法为：根据前一时序拟合火线关键点沿蔓延方向与后一时序拟合火线的间距，计算该关键点的蔓延速度，算式写为：6.根据权利要求1所述的基于连续时序遥感态势数据的林火蔓延预测方法，其特征在
于，所述s4中，火线蔓延预测采用全连接深度学习神经网络模型，包含两个隐藏层，每个隐藏层都经过bn(batch normalization)和relu(rectified linear unit)处理，输入数据包括火场地势地物识别分割信息和连续时序拟合火线信息，使用卫星和航拍遥感历史林火数据进行训练优化，解析各时序拟合火线关键点在地势地物静态因素和气象植被等动态因素条件下的蔓延方向和速度，推理当前时序拟合火线关键点的蔓延方向、速度和位置，并拟合获得未来时刻的预测火线。7.根据权利要求6所述的基于连续时序遥感态势数据的林火蔓延预测方法，其特征在于，火线蔓延预测模型在林火现场使用时，无人机等遥感态势感知系统获取的第一二个时序拟合火线数据用于模型训练并开始预测，自第三个时序开始，每个拟合火线数据均用于模型迭代优化和预测，以持续提高预测精度。8.根据权利要求6所述的基于连续时序遥感态势数据的林火蔓延预测方法，其特征在于，火线蔓延预测模型根据连续时序的训练预测结果，统计预测值和监测值的方差，从而获得一个火线预测带作为最终的预测结果。9.根据权利要求6所述的基于连续时序遥感态势数据的林火蔓延预测方法，其特征在于，火线蔓延预测模型可以较短的时间周期迭代得到较长的未来时刻预测结果，进而获得更高精度的预测结果。10.一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如权利要求1至9中任一所述的基于连续时序遥感态势数据的林火蔓延预测方法。