技术特征：
1.一种基于深度学习的多传感器融合预警预测方法，其特征在于，包括以下步骤；步骤一：通过洪涝灾害传感器、火灾传感器、旱灾传感器和主控系统进行预测预警，所述主控系统控制洪涝灾害传感器、火灾传感器和旱灾传感器对灾难进行预测，所述主控系统将预测后结果传输至报警器模块中；步骤二：通过报警器模块进行报警预警处理，所述主控系统将预测后结果传输至数据整理模块；步骤三：其次通过数据整理模块对每次预测的结果进行整理收集，所述数据整理模块将涝灾害传感器、火灾传感器和旱灾传感器造成的灾害预测发送至数据评估模块，所述数据评估模块对发生的灾害进行等级划分，所述数据评估模块将数据传输至学习记忆整理库；步骤四：然后通过学习记忆整理库对每次发生的灾害记录进行保存便于下次快速评估使用；步骤五：最后通过数据评估模块将发生的灾害数据导入应对生成模块，通过应对生成模块将灾害应对方案进行生成便于工作人员作出应对。2.根据权利要求1所述的一种基于深度学习的多传感器融合预警预测方法，其特征在于：在所述步骤一中，洪涝灾害传感器预报造成洪涝灾害的降雨级别，通过主控系统提取生成灾害的信息，通过数据评估模块进行快速评估，所述火灾传感器对森林火灾进行监测和识别，通过数据评估模块进行灾害等级鉴定，所述旱灾传感器对空气温湿度气象信息进行监测，通过数据评估模块预报造成雪灾的降雪级别。3.根据权利要求1所述的一种基于深度学习的多传感器融合预警预测方法，其特征在于：在所述步骤一中，主控系统连接着无限传输模块，所述无限传输模块将预测的内容进行传输，将灾害信息进行发放传输处理，所述无限传输模块与学习记忆整理库相连接。4.根据权利要求1所述的一种基于深度学习的多传感器融合预警预测方法，其特征在于：在所述步骤一中，无限传输模块连接着本地显示模块，所述本地显示模块连接着应对生成模块，通过本体显示模块对灾害的应对方案进行显示，用于工作人员观看。5.根据权利要求1所述的一种基于深度学习的多传感器融合预警预测方法，其特征在于：在所述步骤一中，洪涝灾害传感器实现步骤如下，在规则格网的dem数据上，不同gc的像元映射到水平面后形成规则的矩形格网，所以淹没区范围面积就是符合淹没条件的像元投影面积之和，而每个像元投影到水平面上的面积都是相等的以s0表示，所以洪涝灾害淹没区面积s为，s＝s,xn＝d,
×
d,xn式中，dx
×
dy为像元分辨率大小，n为洪涝淹没区计算摸型确定的像元个数。6.根据权利要求1所述的一种基于深度学习的多传感器融合预警预测方法，其特征在于：在所述步骤一中，火灾传感器实现步骤如下，利用环境减灾卫星ccd图像监测森林火灾利用环境减灾卫星ccd图像可以监测正在蔓延的火灾，也可以对已经扑灭的森林火灾进行受灾范围提取以及过火面积计算。7.根据权利要求1所述的一种基于深度学习的多传感器融合预警预测方法，其特征在于：在所述步骤一中，旱灾传感器实现步骤如下；envi打开数据，其中波段列表框里有三个数据集，分别为表观反射率数据集、辐射值数据集、发射值数据集，选择反射率数据集，反射率数据集中第一第二波段数据获取归一化植被指数，地表温度数据反演通过第31和32波段
的经验公式获取，其中t31,t32分别是modis第31和第32波段的亮度温度,利用这两个波段的图像dn值进行波段运算，计算干旱指数，通过ndvi和ts两个参数波段，构建二维特征空间，其中x轴为ndvi，y轴为ts，根据散点图计算干湿边统计回归方程，根据干湿边计算干旱指数，干湿边方程的计算，在特征空间中选择ts最大和最小的点集合，将点值导出进行线性统计回归，计算出干湿边方程。
技术总结
本发明提出了一种基于深度学习的多传感器融合预警预测方法,包括洪涝灾害传感器、火灾传感器、旱灾传感器和主控系统，所述主控系统控制洪涝灾害传感器、火灾传感器和旱灾传感器对灾难进行预测，所述主控系统将预测后结果传输至报警器模块中，通过报警器模块进行报警预警处理，所述主控系统将预测后结果传输至数据整理模块，所述数据整理模块对每次预测的结果进行整理收集；该发明有效避免了单一监测传感器监测的不足，获取信息更加全面，减少误报情况发生，洪灾、火灾和旱灾预警准确率有效提升，充分利用监测传感器监测数据，融合结果及决策相对普通火灾报警器模块更加准确，火灾预警更加高效。警更加高效。警更加高效。
技术研发人员：杨邦会 胡乔利 孙宁
受保护的技术使用者：中科海慧（北京）科技有限公司
技术研发日：2022.03.15
技术公布日：2022/6/24