基于无人机视频的林火蔓延数据同化方法以及装置

摘要

本申请公开了一种基于无人机视频的林火蔓延数据同化方法、装置、电子设备和计算机可读存储介质。所述方法包括：获取火灾发生地的气象数据、基础地理信息数据和K‑1时刻的火线状态分析值；将上述信息输入至林火蔓延模型，获取K时刻的火线预测位置信息；获取基于无人机拍摄的火场区域热成像视频，获取K时刻的火线观测位置信息；根据K时刻的火线预测位置和观测位置，判断是否需要对所述模型进行参数调整；如需调整，根据K时刻的火线预测位置和观测位置调整模型参数，重新计算K时刻的火线预测位置，得到K时刻的火线状态分析值。本申请成本低，可以动态迭代林火蔓延模型，获取准确的火线预测位置，为林火救援争取了宝贵时间。

说明书

技术领域

本申请涉及数据处理领域，尤其涉及一种基于无人机视频的林火蔓延数据同化方法、装置、电子设备和存储介质，属于数据同化应用领域。

背景技术

森林火灾难于控制，并且森林火灾会破坏森林生态系统，造成环境污染，威胁人类生命财产安全。发生火情时，应急管理工作者迫切需要在短时间内获取前线火情信息及准确的林火蔓延预测信息，从而为应急救援和扑救工作争取宝贵时间。

然而，现有火线位置获取多基于卫星遥感数据，受卫星轨道的限制，卫星遥感林火监测的时间分辨率和空间分辨率相互制约，分辨率和时效性无法同时满足要求。林火监测的遥感卫星主要有静止卫星和极轨卫星两类。静止卫星轨道高度高，覆盖范围广、观测频次高，但空间分辨率相对较低，静止卫星一般发现火场的大小为公里级，小火场很难进行有效监测。相比静止卫星，极轨卫星采集遥感影像的空间分辨率高，观测频次较低，即使同时利用多系列各类极轨卫星对地观测，也仅能实现任意地点每日约10次的观测频率，无法实现全时段、全区域的覆盖。当火灾区域受地形遮挡时，卫星遥感的传感器不能对遮挡区域进行监测，卫星遥感机动性差，灵活性不足。遥感技术在分辨率、时效性和灵活性上无法完全满足火场实时监测的要求。因此，如何实时快速、高准确度的获取火场信息，已经成为亟待解决的问题。

发明内容

本申请旨在至少在一定程度上解决上述的技术问题之一。

为此，本申请提出一种基于无人机视频的林火蔓延数据同化方法、装置、电子设备、计算机可读存储介质，可以提高林火蔓延模型的精度，利用该林火蔓延模型可以实时快速、高准确度的预测火场信息，从而为林火扑救工作提供客观的火场信息。

根据本申请的第一方面，提供了一种基于无人机视频的林火蔓延数据同化方法，包括：获取火灾发生地的气象数据和基础地理信息数据，并获取所述火灾发生地K-1时刻的火线状态分析值；将所述火灾发生地的气象数据、基础地理信息数据和所述K-1时刻的火线状态分析值输入至所述林火蔓延模型，获取K时刻的火线预测位置信息；获取基于无人机拍摄的火场区域热成像视频，并根据所述火场区域热成像视频获取所述K时刻的火线观测位置信息；根据所述K时刻的火线预测位置信息和所述火线观测位置信息，判断是否需要对所述林火蔓延模型进行参数调整；如果需要对所述林火蔓延模型进行参数调整，则根据所述K时刻的火线预测位置信息和所述火线观测位置信息调整所述林火蔓延模型的模型参数，并根据经过模型参数调整的林火蔓延模型重新计算K时刻的火线预测位置信息，以及根据重新计算的K时刻的火线预测位置信息和所述火线观测位置信息计算K时刻的火线状态分析值。

可选地，所述林火蔓延模型包括Rothermel模型和惠更斯波动模型；所述将所述火灾发生地的气象数据、基础地理信息数据和所述K-1时刻的火线状态分析值输入至所述林火蔓延模型，获取K时刻的火线预测位置信息，包括：将所述火灾发生地的气象数据和所述基础地理信息数据输入至所述Rothermel模型，获取K-1时刻的林火蔓延速度；将所述K-1时刻的林火蔓延速度和所述K-1时刻的火线状态分析值输入至所述惠更斯波动模型进行火线位置的预测，得到K时刻的火线预测位置信息。

可选地，所述根据所述火场区域热成像视频获取所述K时刻的火线观测位置信息，包括：从所述火场区域热成像视频中获取K时刻的火场区域热成像；确定所述火场区域热成像之中各个像素所对应的温度信息；根据所述火场区域热成像之中各个像素所对应的温度信息和温度阈值，从火场区域热成像中提取火场范围；对所述火场区域热成像之中的火场范围进行边缘提取，获得火线的像素位置；将所述火线的像素位置转换为火线的GPS(Global Positioning System全球定位系统)坐标，获得所述K时刻的火线观测位置信息。

可选地，所述无人机的个数为至少一个，针对至少一个无人机在多个观测点拍摄的火场区域热成像视频，获取火线的多个像素位置；所述将所述火线的像素位置转换为火线的 GPS坐标，获得所述K时刻的火线观测位置信息，包括：对所述火线的多个像素位置分别进行坐标转换，获得所述火线在无人机地理坐标系中的多个坐标值；根据所述火线在无人机地理坐标系中的多个坐标值计算所述火线的多个观测高度角矩阵和多个方位角矩阵；根据所述火线的多个观测高度角矩阵和多个方位角矩阵对火线位置进行卡尔曼滤波估计，获得所述火线的坐标估计值；将所述火线的坐标估计值通过GPS坐标转换，获得所述K时刻的火线观测位置信息。

可选地，所述将所述火线的像素位置转换为火线的GPS坐标，获得所述K时刻的火线观测位置信息，包括：获取所述火灾发生地的DEM地理信息；获取所述无人机的GPS信息、姿态信息和内置参数；根据所述DEM(Digital Elevation Model数字高程模型)地理信息、所述无人机的GPS信息、姿态信息和内置参数，生成无人机点位的虚拟视角；根据所述无人机点位的虚拟视角模拟实际无人机成像过程，得到仿真图像；根据所述火线的像素位置，确定所述火线在所述仿真图像中的像素坐标；将所述火线在所述仿真图像中的像素坐标通过GPS坐标转换，获得所述K时刻的火线观测位置信息。

可选地，所述根据所述K时刻的火线预测位置信息和所述火线观测位置信息，判断是否需要对所述林火蔓延模型进行参数调整，包括：计算所述K时刻的火线预测位置信息和所述火线观测位置信息的偏差；判断所述偏差是否收敛在目标范围内；若所述偏差未收敛在所述目标范围，则判断针对所述火蔓延模型的已迭代次数是否小于最高迭代次数；若所述火蔓延模型的已迭代次数小于所述最高迭代次数，则判定需要对所述林火蔓延模型进行参数调整；若所述偏差收敛在所述目标范围，和/或，所述火蔓延模型的已迭代次数大于或等于所述最高迭代次数，则停止对所述林火蔓延模型进行参数调整。

可选地，所述根据所述K时刻的火线预测位置信息和所述火线观测位置信息调整所述林火蔓延模型的模型参数，并根据经过模型参数调整的林火蔓延模型重新计算K时刻的火线预测位置信息，包括：计算所述K时刻的火线预测位置信息和所述火线观测位置信息的偏差；根据预设的林火蔓延速度更新系数矩阵和所述偏差对所述K-1时刻的林火蔓延速度进行调整；将经过调整的所述K-1时刻的林火蔓延速度和所述K-1时刻的火线状态分析值输入至所述惠更斯波动模型，重新获得K时刻的火线预测位置信息。

可选地，所述根据预设的林火蔓延速度更新系数矩阵和所述偏差对所述K-1时刻的林火蔓延速度进行调整，包括：将所述林火蔓延速度更新系数矩阵和所述偏差进行乘法运算，将得到的乘积与经过调整的所述K-1时刻的林火蔓延速度进行加法运算。

可选地，所述根据重新计算的K时刻的火线预测位置信息和所述火线观测位置信息计算K时刻的火线状态分析值，包括：基于集合卡尔曼滤波算法，将所述重新计算的K时刻的火线预测位置信息与所述火线观测位置信息进行最小二乘拟合，得到所述K时刻的火线状态分析值。

根据本申请的第二方面，提供了一种基于无人机视频的林火蔓延数据同化装置，包括：第一获取模块，用于获取火灾发生地的气象数据和基础地理信息数据；第二获取模块，用于获取所述火灾发生地K-1时刻的火线状态分析值；第三获取模块，用于将所述火灾发生地的气象数据、基础地理信息数据和所述K-1时刻的火线状态分析值输入至所述林火蔓延模型，获取K时刻的火线预测位置信息；第四获取模块，用于获取基于无人机拍摄的火场区域热成像视频；第五获取模块，用于根据所述火场区域热成像视频获取所述K时刻的火线观测位置信息；判断模块，用于根据所述K时刻的火线预测位置信息和所述火线观测位置信息，判断是否需要对所述林火蔓延模型进行参数调整；调整模块，用于在需要对所述林火蔓延模型进行参数调整时，根据所述K时刻的火线预测位置信息和所述火线观测位置信息调整所述林火蔓延模型的模型参数，并根据经过模型参数调整的林火蔓延模型重新计算K时刻的火线预测位置信息；数据同化模块，用于根据重新计算的K时刻的火线预测位置信息和所述火线观测位置信息计算K时刻的火线状态分析值。

可选地，所述林火蔓延模型包括Rothermel模型和惠更斯波动模型；所述第三获取模块具体用于：将所述火灾发生地的气象数据和所述基础地理信息数据输入至所述Rothermel 模型，获取K-1时刻的林火蔓延速度；将所述K-1时刻的林火蔓延速度和所述K-1时刻的火线状态分析值输入至所述惠更斯波动模型进行火线位置的预测，得到K时刻的火线预测位置信息。

可选地，所述第五获取模块具体用于：从所述火场区域热成像视频中获取K时刻的火场区域热成像；确定所述火场区域热成像之中各个像素所对应的温度信息；根据所述火场区域热成像之中各个像素所对应的温度信息和温度阈值，从火场区域热成像中提取火场范围；对所述火场区域热成像之中的火场范围进行边缘提取，获得火线的像素位置；将所述火线的像素位置转换为火线的GPS坐标，获得所述K时刻的火线观测位置信息。

可选地，所述无人机的个数为至少一个，所述第五获取模块具体用于：针对至少一个无人机在多个观测点拍摄的火场区域热成像视频，获取火线的多个像素位置。

可选地，所述第五获取模块具体用于：对所述火线的多个像素位置分别进行坐标转换，获得所述火线在无人机地理坐标系中的多个坐标值；根据所述火线在无人机地理坐标系中的多个坐标值计算所述火线的多个观测高度角矩阵和多个方位角矩阵；根据所述火线的多个观测高度角矩阵和多个方位角矩阵对火线位置进行卡尔曼滤波估计，获得所述火线的坐标估计值；将所述火线的坐标估计值通过GPS坐标转换，获得所述K时刻的火线观测位置信息。

可选地，所述第五获取模块具体用于：获取所述火灾发生地的DEM地理信息；获取所述无人机的GPS信息、姿态信息和内置参数；根据所述DEM地理信息、所述无人机的GPS 信息、姿态信息和内置参数，生成无人机点位的虚拟视角；根据所述无人机点位的虚拟视角模拟实际无人机成像过程，得到仿真图像；根据所述火线的像素位置，确定所述火线在所述仿真图像中的像素坐标；将所述火线在所述仿真图像中的像素坐标通过GPS坐标转换，获得所述K时刻的火线观测位置信息。

可选地，所述判断模块具体用于：计算所述K时刻的火线预测位置信息和所述火线观测位置信息的偏差；判断所述偏差是否收敛在目标范围内；若所述偏差未收敛在所述目标范围，则判断针对所述火蔓延模型的已迭代次数是否小于最高迭代次数；若所述火蔓延模型的已迭代次数小于所述最高迭代次数，则判定需要对所述林火蔓延模型进行参数调整；若所述偏差收敛在所述目标范围，和/或，所述火蔓延模型的已迭代次数大于或等于所述最高迭代次数，则停止对所述林火蔓延模型进行参数调整。

可选地，所述调整模块具体用于：计算所述K时刻的火线预测位置信息和所述火线观测位置信息的偏差；根据预设的林火蔓延速度更新系数矩阵和所述偏差对所述K-1时刻的林火蔓延速度进行调整；将经过调整的所述K-1时刻的林火蔓延速度和所述K-1时刻的火线状态分析值输入至所述惠更斯波动模型，重新获得K时刻的火线预测位置信息。

可选地，所述调整模块具体用于：将所述林火蔓延速度更新系数矩阵和所述偏差进行乘法运算，将得到的乘积与经过调整的所述K-1时刻的林火蔓延速度进行加法运算。

可选地，所述数据同化模块具体用于：基于集合卡尔曼滤波算法，将所述重新计算的K 时刻的火线预测位置信息与所述火线观测位置信息进行最小二乘拟合，得到所述K时刻的火线状态分析值。

根据本申请的第三方面，提供了一种电子设备，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，实现本申请第一方面实施例所述的基于无人机视频的林火蔓延数据同化方法。

根据本申请的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请第一方面实施例所述的基于无人机视频的林火蔓延数据同化方法。

根据本申请实施例的技术方案，结合了无人机热成像视频的火点定位技术，通过无人机热成像视频智能分析识别火线位置，通过观测火线位置实时修正林火蔓延模型参数，同时动态迭代林火蔓延模型，以实现该林火蔓延模型的数据同化过程，可以有效解决火线不能实时获取，林火蔓延模型参数不能及时修正，导致预测结果精度无法保证的问题。另外，本申请通过使用无人机航拍森林火灾现场，可以快速移动拍摄，覆盖面积大，视频回传迅速，无人机视频回传数据分析火线数据成本低，时效性强，机动灵活，有效避免卫星遥感数据时间分辨率和空间分辨率相互制约的缺点，可以极大提高林火蔓延模型预测的时效性和准确性。此外，本申请针对林火区域非稳态气象条件，提出了多收敛的集合卡尔曼滤波的数据同化方法，火线位置实时修正林火蔓延模型参数的同时，动态迭代林火蔓延速度，有效提高了林火蔓延模型的精准性。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请一个实施例的基于无人机视频的林火蔓延数据同化方法的流程示意图；

图2是根据本申请一个实施例的基于无人机视频的林火蔓延数据同化方法的流程示意图；

图3是根据本申请另一个实施例的基于无人机视频的林火蔓延数据同化方法的流程示意图；

图4是根据本申请一个实施例的获取K时刻的火线预测位置信息的流程图；

图5是根据本申请另一个实施例的获取K时刻火线观测位置信息的流程示意图；

图6是根据本申请实施例的多个无人机获取目标三维坐标信息示意图；

图7是根据本申请实施例的基于无人机视频的林火蔓延数据同化方法的流程示意图；

图8是根据本申请实施例的获取火线预测位置信息的流程图；

图9是根据本申请一个实施例的基于无人机视频的林火蔓延数据同化装置的结构示意图；

图10是用来实现本申请实施例的基于无人机视频的林火蔓延数据同化方法的电子设备的框图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的基于无人机视频的林火蔓延数据同化方法、装置、电子设备和存储介质。

图1是根据本申请一个实施例的基于无人机视频的林火蔓延数据同化方法的流程图。需要说明的是，本申请实施例的林火蔓延数据同化方法可应用于本申请实施了的基于无人机视频的林火蔓延数据同化装置，该装置可以由软件和/或硬件方式实现，该装置可以集成到电子设备中。

如图1所示，该林火蔓延数据同化方法包括如下步骤：

步骤101,获取火灾发生地的气象数据和基础地理信息数据，并获取火灾发生地K-1时刻的火线状态分析值。

在本申请一些实施例中，该气象数据可包括但不限于风速、风向、气温、降水概率、降水量、气压、空气湿度、空气氧含量等中的任意一种或多种。作为一种示例，该气象数据可包括风速和风向。

在本申请一些实施例中，该基础地理信息数据可包括但不限于下垫面类型、森林含水率、林区坡度图、坡向、森林可燃物质、森林可燃物的物理和化学性质等中的任意一种或多种。其中，该物理和化学性质可包括但不限于：密度、燃点、热值、可燃性等中的任意一种或多种。作为一种示例，该基础地理信息数据可包括下垫面类型、森林含水率、林区坡度图、坡向和森林可燃物质。

在本申请例中，火灾发生地K-1时刻的火线状态分析值的获取方法可如下：将火灾发生地的气象数据、基础地理信息数据和K-2时刻的火线状态分析值输入至林火蔓延模型，可以获取K-1时刻的火线预测位置信息，然后，获取基于无人机拍摄的火场区域热成像视频，根据此视频获取K-1时刻的火线观测位置信息，根据K-1时刻的火线预测位置信息和观测位置信息，判断是否需要对林火蔓延模型进行参数调整，如需要调整，则根据K-1时刻的火线预测位置信息和火线观测位置信息调整林火蔓延模型的模型参数，之后，根据经过模型参数调整的林火蔓延模型重新计算K-1时刻的火线预测位置信息，并且根据重新计算的K-1时刻的火线预测位置信息和火线观测位置信息计算K-1时刻的火线状态分析值。

其中，本申请中，K时刻表示林火燃烧时的某一时间点，K-1时刻表示从所述时间点往前回溯一个时间步长所对应的时间点，K-2时刻表示从所述时间点往前回溯两个所述时间步长所对应的时间点，以此类推。

也就是说，在计算火灾发生地K-1时刻的火线状态分析值时，可基于K-1时刻的前一个时刻(即K-2时刻)的火线状态分析值、火灾发生地的气象数据和基础地理信息数据，利用林火蔓延模型对K-1时刻的火线位置进行预测，得到K-1时刻的火线预测位置信息，然后，利用K-1时刻的火线预测位置信息和K-1时刻的火线观测位置信息判断需要动态调整林火蔓延模型的参数时，可对火蔓延模型进行参数调整，进而利用经过模型参数调整后的林火蔓延模型重新计算K-1时刻的火线预测位置信息，进而根据重新计算的K-1时刻的火线预测位置信息和K-1时刻的火线观测位置信息计算K-1时刻的火线状态分析值。其中，如果无需对模型进行参数调整，则无需重新计算K-1时刻的火线预测位置信息，此时可直接根据第一次预测得到的K-1时刻的火线预测位置信息和K-1时刻的火线观测位置信息计算K-1时刻的火线状态分析值。

需要说明的是，在本申请实施例中，当K＝1，即火灾发生地火线的初始状态分析值的获取方式可如下：可预先经过多次模拟试验而得到气象、基础地理信息与火线状态分析值的对应关系，这样，可根据该对应关系、该火灾发生地的气象数据和基础地理信息数据，获取该火灾发生地火线的初始状态分析值。也就是说，当有某地发生火灾时，可先利用多次模拟试验而得到的经验值来预测该火灾发生地火线的初始状态分析值。

步骤102，将火灾发生地的气象数据、基础地理信息数据和K-1时刻的火线状态分析值输入至林火蔓延模型，获取K时刻的火线预测位置信息。

在本申请一些实施例中，林火蔓延模型包括：Rothermel模型、惠更斯波动模型、Rothermel模型和惠更斯波动模型综合使用的模型、McArthur模型等具有通过输入信息可以模拟出林火蔓延功能的模型。其中，在本申请实施例中，该林火蔓延模型包括：Rothermel模型和惠更斯波动模型。

作为一种示例，所述将火灾发生地的气象数据、基础地理信息数据和K-1时刻的火线状态分析值输入至林火蔓延模型，获取K时刻的火线预测位置信息的具体实现过程可如下：将火灾发生地的气象数据和基础地理信息数据输入至Rothermel模型，获取K-1时刻的林火蔓延速度，并将K-1时刻的林火蔓延速度和K-1时刻的火线状态分析值输入至惠更斯波动模型进行火线位置的预测，得到K时刻的火线预测位置信息。

作为一种示例，所述102步骤的具体实现过程可以如下：

首先，根据火灾发生地的气象、基础地理信息等数据，可以包括风速、风向、下垫面类型、森林含水率、林区坡度图、坡向、森林可燃物质等，通过Rothermel模型得到每个火点的林火蔓延速度R

其中，式(1)表示Rothermel模型，式(1)中，R

由式(1)和式(2)可以看出，向Rothermel模型中输入气象、地形、植被、初始火源等数据，可以得到林火蔓延速度，将林火蔓延速度和上一时间步长时刻的火线模型的状态分析矩阵输入惠更斯波动模型可以得到当前时刻的火线预测位置信息。

步骤103，获取基于无人机拍摄的火场区域热成像视频，并根据火场区域热成像视频获取K时刻的火线观测位置信息。

在本申请的一些实施例中，该基于无人机拍摄的火场区域热成像视频中，从无人机拍摄的视频得到热成像视频的方法，包括但不限于下述的一种红外热成像技术：自然界中的一切物体，由于物体内部分子热运动的结果，只要温度高于绝对零度(-273℃)，都会有红外辐射，并且该种辐射的波长与其温度成反比，本实施例采取的一种热成像技术为红外热成像技术，该种技术根据检测到的物体的辐射能量的高低，经系统处理转变为目标物体的热图像(可以为灰度图和/或伪彩色)。无人机搭载此种热成像仪，热成像仪的像素信息可以反映拍摄区域的温度信息。本步骤中，利用热成像的像素信息可以反映拍摄区域的温度信息这一特性，来获取K时刻的火线观测位置信息。

在本申请的一些实施例中，无人机上的热成像仪可通过与林火蔓延数据同化装置的通信连接，将热成像仪拍摄的热成像视频发送给林火蔓延数据同化装置，以使得林火蔓延数据同化装置获得基于无人机上的热成像仪拍摄的火场区域热成像视频。也就是说，无人机上搭载有热成像仪，以用于对火场区域进行热成像视频的拍摄。其中，无人机与林火蔓延数据同化装置采用通信连接进行通信，以使得林火蔓延数据同化装置基于该通信连接能够从无人机获得火场区域热成像视频。

作为一种示例，上述通信连接所采用的方式可以是移动互联网方式、或无线通信方式等。其中，移动互联网可以是3G(3th generation mobile networks第三代的移动信息系统)网络、4G(4th generation mobile networks第四代的移动信息系统)网络、5G(5thgeneration mobile networks第五代移动通信技术)网络等中的一种；无线通信可以是WIFI(Wireless Fidelity无线保真)、数字式无线数据传输电台、UWB(Ultra Wide Band 超宽带)传输、Zigbee传输等中的一种。

步骤104，根据K时刻的火线预测位置信息和火线观测位置信息，判断是否需要对林火蔓延模型进行参数调整。

可选地，本申请实施例可基于多收敛的集合卡尔曼滤波方法实现林火蔓延数据同化。其中，多收敛的集合卡尔曼滤波方法首先需要选取K-1时刻的状态分析火线位置、火灾蔓延速度V

在本申请一些实施例中，如图2所示，所述根据K时刻的火线预测位置信息和火线观测位置信息，判断是否需要对林火蔓延模型进行参数调整的具体实现过程可包括：

步骤201，计算K时刻的火线预测位置信息和火线观测位置信息的偏差。

在本申请一些实施例中，偏差定义如下：

也就是说，可利用上述公式(3)，计算K时刻的火线预测位置信息

步骤202，判断偏差是否收敛在目标范围内。

可选地，在得到K时刻的火线预测位置信息

其中，||Err

步骤203，若偏差未收敛在目标范围，则判断针对林火蔓延模型的已迭代次数是否小于最高迭代次数。

在本申请一些实施例中，可以设定一个变量用于记录林火蔓延模型的迭代次数，最高迭代次数可以是人为设定的一个常量，该常量可以提前记录在系统中，也可以提前在系统中给定一个推荐值，在实际操作的过程中可以根据经验或者根据现场情况动态调整该最高迭代次数。将所记录的迭代次数和设定的最高迭代次数相比较，便可以得出迭代次数和最高迭代次数的相对关系。例如，假设N

步骤204，若林火蔓延模型的已迭代次数小于最高迭代次数，则判定需要对林火蔓延模型进行参数调整。

步骤205，若偏差收敛在所述目标范围，和/或，火蔓延模型的已迭代次数大于或等于最高迭代次数，则停止对所述林火蔓延模型进行参数调整。由此可见，通过上述步骤201-步骤205，在林火区域非稳态气象条件的条件下，采用多收敛的集合卡尔曼滤波的数据同化方法可以将火线位置等林火蔓延参数实时修正的同时，动态迭代林火蔓延速度，将有效提高了林火蔓延模型的精准性。

步骤105，如果需要对林火蔓延模型进行参数调整，则根据K时刻的火线预测位置信息和火线观测位置信息调整林火蔓延模型的模型参数，并根据经过模型参数调整的林火蔓延模型重新计算K时刻的火线预测位置信息，以及根据重新计算的K时刻的火线预测位置信息和火线观测位置信息计算K时刻的火线状态分析值。

在本申请的一些实施例中，所述根据重新计算的K时刻的火线预测位置信息和火线观测位置信息计算K时刻的火线状态分析值的具体实现过程可如下：基于集合卡尔曼滤波算法，将重新计算的K时刻的火线预测位置信息与火线观测位置信息进行最小二乘拟合，得到所述K时刻的火线状态分析值。

作为一种示例，所述基于集合卡尔曼滤波算法，将重新计算的K时刻的火线预测位置信息与火线观测位置信息进行最小二乘拟合，得到所述K时刻的火线状态分析值的具体实现过程可以如下：

在观测火线位置

1)计算集合预测误差协方差矩阵P

其中N是状态变量集合的元素数，1

2)产生观测集合。在数据同化时间步，可以获得观测向量y

获得扰动后的观测向量可以组成观测矩阵。

其中，R

同时，添加的扰动可以存储在矩阵中：

E＝(ε

集合观测误差协方差矩阵可表示为：

3)集合卡尔曼滤波增益计算如下：

K

其中H为观测算子，将X从状态空间映射到观测空间。

4)更新系统状态分析值：

由此，本申请实施例针对林火区域非稳态气象条件，提出了多收敛的集合卡尔曼滤波的数据同化方法，火线位置实时修正林火蔓延模型参数的同时，动态迭代林火蔓延速度，有效提高了林火蔓延模型的精准性。

综上，本申请实施例的基于无人机视频的林火蔓延数据同化方法，根据火灾发生地的气象数据、基础地理信息数据、K-1时刻的火线状态分析值等数据，通过林火蔓延模型，获取K时刻的火线预测位置信息，将K时刻火线预测位置信息与无人机获取的火线观测位置信息相比较，判断是否需要对所述林火蔓延模型进行参数调整，如需调整，则根据K时刻的火线预测位置信息和观测位置信息调整模型参数，并根据调整后林火蔓延模型重新计算K时刻的火线预测位置信息，并重新计算K时刻的火线状态分析值。这种基于无人机视频的林火蔓延数据同化方法采用了无人机作为前端监测设备，实时提取火线，获得火线的位置信息，针对林火蔓延模型提出了参数可动态调整的同化林火蔓延模型，可以有效解决火火线不能实时获取，林火蔓延模型参数不能及时修正，导致预测结果精度无法保证的问题，提高了模型预测精度。无人机具有高机动性和低成本的优点，无人机可以实时回传现场视频，从而使得观测火线的更新间隔为分钟级甚至秒级识别，从而有效避免卫星遥感数据时间分辨率和空间分辨率相互制约的缺点，可以极大提高林火蔓延模型预测的时效性和准确性，从而可以提高过火面积的预测精度，为林火扑救工作提供客观的火场信息。

需要说明的是，为了能够获得更加精准的火线观测位置信息，可基于无人机所搭载的热成像相机来对火场区域进行拍摄，进而利用无人机拍摄的热成像视频来计算K时刻的火线观测位置信息。具体而言，图3是根据本申请另一个实施例的基于无人机视频的林火蔓延数据同化方法的流程图，如图3所示，该林火蔓延数据同化方法包括：

步骤301，获取火灾发生地的气象数据和基础地理信息数据，并获取火灾发生地K-1 时刻的火线状态分析值。

步骤302，将火灾发生地的气象数据、基础地理信息数据和K-1时刻的火线状态分析值输入至林火蔓延模型，获取K时刻的火线预测位置信息，获取基于无人机拍摄的火场区域热成像视频。

步骤303，从火场区域热成像视频中获取K时刻的火场区域热成像，确定火场区域热成像之中各个像素所对应的温度信息。

步骤304，根据火场区域热成像各个像素所对应的温度信息和温度阈值，从火场区域热成像中提取火场范围，并对火场范围进行边缘提取，获得火线的像素位置。

步骤305，将火线的像素位置转换为火线的GPS坐标，获得K时刻的火线观测位置信息。

在本申请一些实施例中，火线像素信息转换为GPS信息的过程采用的是相机拍摄成像的反过程，如图4所示，是从三维场景到无人机拍摄到的二维像平面的投影变换的过程。相机成像的本质是摄影几何中的中心透视投影过程。三维地面的点通过投影矩阵指定的视锥空间和视点方位决定观测结果，相机图片的二维图像与三维地理信息通过视锥体和视点方位形成对应关系。将二维图片信息转换为三维坐标信息为上述过程的逆过程。

在本申请实施例中，将火线的像素位置转换为火线的GPS坐标的方式有很多种，可以根据具体应用场景进行选择和设置，举例说明如下：

第一种示例，该种示例为不结合DEM信息的火线定位技术，本示例中可基于至少一个无人机在多个观测点来对同一火场区域进行拍摄，进而针对至少一个无人机在多个观测点拍摄的火场区域热成像视频，获取火线的多个像素位置，进而利用火线的多个像素位置来计算K时刻的火线观测位置信息。具体而言，如图5所示，该种示例包括如下步骤：

步骤501，对火线的多个像素位置分别进行坐标转换，获得所述火线在无人机地理坐标系中的多个坐标值。

步骤502，根据火线在无人机地理坐标系中的多个坐标值计算火线的多个观测高度角矩阵和多个方位角矩阵。

步骤503，根据火线的多个观测高度角矩阵和多个方位角矩阵对火线位置进行卡尔曼滤波估计，获得火线的坐标估计值。

步骤504，将火线的坐标估计值通过GPS坐标转换，获得K时刻的火线观测位置信息。

举例而言，如所述步骤501-504的一种不结合DEM信息的具体实现过程可如下：

无人机对地面目标的定位方法主要是：通过机载传感器采集处理数据，得到无人机与目标间的相对距离角度数据，结合无人机自身位置姿态数据解算出目标位置坐标，如图6 所示，无人机通过多点位置对同一目标进行侦查，通过基于视觉的多点角度观测火线定位方法，可以获取目标的精确三维坐标。

通过多点角度观测进行目标定位，将火线像素信息根据成像原理计算出火线与无人机的相对高低角和方位角矩阵建立系统状态方程和观测方程，利用无迹卡尔曼滤波估计出火线相对无人机的位置，然后转换成火线的大地坐标系下的位置坐标。在K时刻进行观测，即可得到K时刻的实际观测火线位置

1)火线像素信息通过坐标转换为无人机地理坐标系下的值，计算火线点相对于无人机地理坐标的高度角和方位角矩阵。

2)通过多点观测火线，得到火线的多个观测高度角矩阵和方位角矩阵，结合卡尔曼滤波得到火线的估计值。

3)通过坐标将火线的估计值转换为火线的GPS坐标，即实际观测火线位置。

第二种示例，该种示例为结合DEM信息的火线定位技术，如图7所示，该种示例包括如下步骤：

步骤701，获取火灾发生地的DEM地理信息。

步骤702，获取所述无人机的GPS信息、姿态信息和内置参数。

步骤703，根据DEM地理信息、无人机的GPS信息、姿态信息和内置参数，生成无人机点位的虚拟视角。

步骤704，根据无人机点位的虚拟视角模拟实际无人机成像过程，得到仿真图像。

步骤705，根据火线的像素位置，确定火线在仿真图像中的像素坐标。

步骤706，将火线在仿真图像中的像素坐标通过GPS坐标转换，获得K时刻的火线观测位置信息。

举例而言，所述步骤701-706的一种结合DEM信息的具体实现过程可如下：

基于森林的DEM地理信息，通过TS-GIS(TypeScript-Geographic InformationsystemTypeScript语言-地理信息系统)引擎，形成无人机点位的虚拟视角，生成投影矩阵。利用投影矩阵可以得到热成像图片中火线像素点对应的空间坐标。在K时刻进行观测，即可得到K时刻的实际观测火线位置

1)结合森林区域的DEM数据和遥感影像数据源，TS-GIS引擎可以进行三维DEM信息展示。

2)输入相机GPS信息、姿态信息、相机的内置参数，利用透视成像与摄影测量成像的一致性，通过TS-GIS虚拟相机视角模拟实际摄像机成像过程，得到仿真图像。

3)在所构建的虚拟视角下的三维场景中，通过设置投影矩阵及观察矩阵生成的仿真图像，对应目标在监控图像中的像素坐标，进行火线的GPS定位。即为实际观测火线位置。

步骤306，根据K时刻的火线预测位置信息和火线观测位置信息，判断是否需要对林火蔓延模型进行参数调整。

步骤307，如果需要对林火蔓延模型进行参数调整，根据K时刻的火线预测位置信息和火线观测位置信息调整林火蔓延模型的模型参数，并根据经过模型参数调整的林火蔓延模型重新计算K时刻的火线预测位置信息，以及根据重新计算的K时刻的火线预测位置信息和火线观测位置信息计算K时刻的火线状态分析值。

在本申请一些实施例中，可根据火线预测位置信息和火线观测位置信息的偏差来对林火蔓延模型之中的林火蔓延速度参数进行调整，进而经过调整后的林火蔓延模型重新计算火线预测位置信息。

作为一种示例，如图8所示，所述根据K时刻的火线预测位置信息和火线观测位置信息调整林火蔓延模型的模型参数，并根据经过模型参数调整的林火蔓延模型重新计算K时刻的火线预测位置信息的具体实现过程可包括：

步骤801，计算K时刻的火线预测位置信息和火线观测位置信息的偏差。

步骤802，根据预设的林火蔓延速度更新系数矩阵和偏差对K-1时刻的林火蔓延速度进行调整。

在本申请实施例中，根据预设的林火蔓延速度更新系数矩阵和偏差对K-1时刻的林火蔓延速度进行调整，可以举例说明如下，该方法包括：将林火蔓延速度更新系数矩阵和偏差进行乘法运算，将得到的乘积与经过调整的K-1时刻的林火蔓延速度进行加法运算。

步骤803，将经过调整的K-1时刻的林火蔓延速度和K-1时刻的火线状态分析值输入至惠更斯波动模型，重新获得K时刻的火线预测位置信息。

举例而言，所述步骤801-803的具体实现过程可以如下：

当偏差未收敛在所述目标范围的情况时，Rothermel模型计算得到的K-1时刻的林火蔓延速度R

1)修正的林火蔓延速度：

R

其中，C为林火蔓延速度更新系数矩阵，Err

2)更新林火蔓延速度：

R

将更新后的林火蔓延速度重新输入林火蔓延模型，重新计算k-1时刻的预测火线位置

根据本申请实施例的基于无人机视频的林火蔓延数据同化方法，将获取到的火灾发生地的气象数据、基础地理信息数据和K-1时刻的火线状态分析值输入林火蔓延模型，获取K时刻的火线预测位置信息；获取基于无人机拍摄的火场区域热成像视频，从中获取K时刻的火场区域热成像，确定热成像中各个像素所对应的温度信息，根据该温度信息和温度阈值，提取火场范围，对火场范围进行边缘提取，获得火线的像素位置，将火线的坐标估计值通过GPS坐标转换，获得K时刻的火线观测位置信息；根据K时刻的火线预测位置信息和观测位置信息，判断是否需要对林火蔓延模型进行参数调整。如果需要对林火蔓延模型进行参数调整，根据K时刻的火线预测位置信息和火线观测位置信息调整林火蔓延模型的模型参数，并根据经过模型参数调整的林火蔓延模型重新计算K时刻的火线预测位置信息，根据重新计算的K时刻的火线预测位置信息和观测位置信息计算K时刻的火线状态分析值。本实施例实施的基于无人机视频的林火蔓延数据同化方法采用了无人机作为前端监测设备，实时提取火线，获得火线的位置信息，针对林火蔓延模型提出了参数可动态调整的同化林火蔓延模型，有效解决了仿真模型不能针对模拟环境的变化动态调整、林火模型不适应于非稳态、环境的变化无法实时传输等问题，提高了模型预测精度。无人机具有高机动性和低成本的优点，无人机可以实时回传现场视频，从而使得观测火线的更新间隔为分钟级甚至秒级识别。该模型采取的数据同化方法，不断同化林火蔓延模型，提高过火面积的预测精度，为林火扑救工作提供客观的火场信息。在偏差未收敛时，提出了将林火发生现场的非稳态因素纳入模型的解决方案，进一步提升了模型的预测精度。同时，本实施例提供了从区域热成像视频获取火线观测位置的方法，该方法可以获取火线观测位置的信息，同时也将火线观测位置直观的展示出来，为林火的扑灭工作提供了直接的指导和有力的支持。

为了实现上述实施例，本申请还提出了一种基于无人机视频的林火蔓延数据同化装置。图9是根据本申请一个实施例的基于无人机视频的林火蔓延数据同化装置的结构示意图，如图9所示，该基于无人机视频的林火蔓延数据同化装置包括：

第一获取模块901，用于获取火灾发生地的气象数据和基础地理信息数据；

第二获取模块902，用于获取火灾发生地K-1时刻的火线状态分析值；

第三获取模块903，用于将火灾发生地的气象数据、基础地理信息数据和所述K-1时刻的火线状态分析值输入至所述林火蔓延模型，获取K时刻的火线预测位置信息；

第四获取模块904，用于获取基于无人机拍摄的火场区域热成像视频；

第五获取模块905，用于根据火场区域热成像视频获取所述K时刻的火线观测位置信息；

判断模块906，用于根据K时刻的火线预测位置信息和所述火线观测位置信息，判断是否需要对林火蔓延模型进行参数调整；

调整模块907，用于在需要对林火蔓延模型进行参数调整时，根据K时刻的火线预测位置信息和火线观测位置信息调整林火蔓延模型的模型参数，并根据经过模型参数调整的林火蔓延模型重新计算K时刻的火线预测位置信息；

数据同化模块908，用于根据重新计算的K时刻的火线预测位置信息和火线观测位置信息计算K时刻的火线状态分析值。

在本申请一些实施例中，林火蔓延模型包括Rothermel模型和惠更斯波动模型；在本申请实施例中，第三获取模块903具体用于：将火灾发生地的气象数据和基础地理信息数据输入至Rothermel模型，获取K-1时刻的林火蔓延速度；将K-1时刻的林火蔓延速度和 K-1时刻的火线状态分析值输入至惠更斯波动模型进行火线位置的预测，得到K时刻的火线预测位置信息。

在本申请一些实施例中，第五获取模块905具体用于：从火场区域热成像视频中获取K 时刻的火场区域热成像；确定火场区域热成像之中各个像素所对应的温度信息；根据火场区域热成像之中各个像素所对应的温度信息和温度阈值，从火场区域热成像中提取火场范围；对火场区域热成像之中的火场范围进行边缘提取，获得火线的像素位置；将火线的像素位置转换为火线的GPS坐标，获得K时刻的火线观测位置信息。

在本申请一些实施例中，无人机的个数为至少一个，第五获取模块905具体用于：针对至少一个无人机在多个观测点拍摄的火场区域热成像视频，获取火线的多个像素位置。在本申请的实施例中，第五获取模块905将火线的像素位置转换为火线的GPS坐标，获得K时刻的火线观测位置信息的具体实现过程可如下：对火线的多个像素位置分别进行坐标转换，获得火线在无人机地理坐标系中的多个坐标值；根据火线在无人机地理坐标系中的多个坐标值计算火线的多个观测高度角矩阵和多个方位角矩阵；根据火线的多个观测高度角矩阵和多个方位角矩阵对火线位置进行卡尔曼滤波估计，获得火线的坐标估计值；将火线的坐标估计值通过GPS坐标转换，获得K时刻的火线观测位置信息。

在本申请一些实施例中，第五获取模块905将火线的像素位置转换为火线的GPS坐标，获得K时刻的火线观测位置信息的具体实现过程可如下：获取火灾发生地的DEM地理信息；获取无人机的GPS信息、姿态信息和内置参数；根据DEM地理信息、无人机的GPS信息、姿态信息和内置参数，生成无人机点位的虚拟视角；根据无人机点位的虚拟视角模拟实际无人机成像过程，得到仿真图像；根据火线的像素位置，确定火线在仿真图像中的像素坐标；将火线在仿真图像中的像素坐标通过GPS坐标转换，获得K时刻的火线观测位置信息。

在本申请一些实施例中，判断模块906具体用于：计算K时刻的火线预测位置信息和火线观测位置信息的偏差；判断偏差是否收敛在目标范围内；若偏差未收敛在目标范围，则判断针对火蔓延模型的已迭代次数是否小于最高迭代次数；若火蔓延模型的已迭代次数小于最高迭代次数，则判定需要对林火蔓延模型进行参数调整；若偏差收敛在目标范围，和/或，火蔓延模型的已迭代次数大于或等于最高迭代次数，则停止对林火蔓延模型进行参数调整。

在本申请一些实施例中，调整模块907根据K时刻的火线预测位置信息和火线观测位置信息调整林火蔓延模型的模型参数，并根据经过模型参数调整的林火蔓延模型重新计算 K时刻的火线预测位置信息的具体实现过程可如下：计算K时刻的火线预测位置信息和火线观测位置信息的偏差；根据预设的林火蔓延速度更新系数矩阵和偏差对K-1时刻的林火蔓延速度进行调整；将经过调整的K-1时刻的林火蔓延速度和K-1时刻的火线状态分析值输入至惠更斯波动模型，重新获得K时刻的火线预测位置信息。

在本申请一些实施例中，调整模块907根据预设的林火蔓延速度更新系数矩阵和偏差对K-1时刻的林火蔓延速度进行调整的具体实现过程可如下：将林火蔓延速度更新系数矩阵和偏差进行乘法运算，将得到的乘积与经过调整的K-1时刻的林火蔓延速度进行加法运算。

在本申请一些实施例中，数据同化模块908根据重新计算的K时刻的火线预测位置信息和火线观测位置信息计算K时刻的火线状态分析值的具体实现过程可如下：基于集合卡尔曼滤波算法，将重新计算的K时刻的火线预测位置信息与火线观测位置信息进行最小二乘拟合，得到K时刻的火线状态分析值。

需要说明的是，前述对基于无人机视频的林火蔓延数据同化方法的解释说明，也适用于本申请实施例的基于无人机视频的林火蔓延数据同化装置，其实现原理类似，在此不再赘述。

综上，本申请实施例的基于无人机视频的林火蔓延数据同化装置，通过获取火灾发生地的气象数据和基础地理信息数据；获取火灾发生地K-1时刻的火线状态分析值；将火灾发生地的气象数据、基础地理信息数据和所述K-1时刻的火线状态分析值输入至林火蔓延模型，获取K时刻的火线预测位置信息；获取基于无人机拍摄的火场区域热成像视频；根据火场区域热成像视频获取K时刻的火线观测位置信息；根据K时刻的火线预测位置信息和火线观测位置信息，判断是否需要对所述林火蔓延模型进行参数调整；需要对林火蔓延模型进行参数调整时，根据K时刻的火线预测位置信息和火线观测位置信息调整林火蔓延模型的模型参数，并根据经过模型参数调整的林火蔓延模型重新计算K时刻的火线预测位置信息；根据重新计算的K时刻的火线预测位置信息和火线观测位置信息计算K时刻的火线状态分析值。这种基于无人机视频的林火蔓延数据同化装置采用了无人机作为前端监测设备，实时提取火线，获得火线的位置信息，针对林火蔓延模型提出了参数可动态调整的同化林火蔓延模型，有效解决了仿真模型不能针对模拟环境的变化动态调整、林火模型不适应于非稳态、环境的变化无法实时传输等问题，提高了模型预测精度。无人机具有高机动性和低成本的优点，无人机可以实时回传现场视频，从而使得观测火线的更新间隔为分钟级甚至秒级识别。该模型采取的数据同化方法，不断同化林火蔓延模型，提高过火面积的预测精度，为林火扑救工作提供客观的火场信息。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图10所示，是根据本申请实施例的基于无人机视频的林火蔓延数据同化的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图10所示，该电子设备包括：一个或多个处理器1001、存储器1002，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图10中以一个处理器1001为例。

存储器1002即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的基于无人机视频的林火蔓延数据同化的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的基于无人机视频的林火蔓延数据同化的方法。

存储器1002作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的基于无人机视频的林火蔓延数据同化的方法对应的程序指令/模块(例如，附图9所示的第一获取模块901、第二获取模块902、第三获取模块903、第四获取模块904、第五获取模块905、判断模块906、调整模块907、数据同化模块908)。处理器1001通过运行存储在存储器1002中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的基于无人机视频的林火蔓延数据同化的方法。

存储器1002可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于无人机视频的林火蔓延数据同化的电子设备的使用所创建的数据等。此外，存储器1002可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1002可选包括相对于处理器1001远程设置的存储器，这些远程存储器可以通过网络连接至基于无人机视频的林火蔓延数据同化的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

基于无人机视频的林火蔓延数据同化的方法的电子设备还可以包括：输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接，图10中以通过总线连接为例。

输入装置1003可接收输入的数字或字符信息，以及产生与基于无人机视频的林火蔓延数据同化的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1004可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。其中，服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS(VirtualPrivate Server虚拟专用服务器)服务中，存在的管理难度大，业务扩展性弱的缺陷。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。